### 使用Python和OpenCV实现车牌号识别 #### 1. 车牌定位 车牌定位的目标是从输入的车辆图像中找到车牌的位置并将其分割出来。通常可以通过颜色过滤来初步筛选可能包含车牌的区域。 ```python import cv2 import numpy as np def locate_license_plate(image): # 将图像转换为HSV色彩空间以便进行颜色过滤 hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义蓝色范围（可以根据实际需求调整） lower_blue = np.array([100, 43, 46]) upper_blue = np.array([124, 255, 255]) # 创建掩膜，仅保留蓝色部分 mask = cv2.inRange(hsv_image, lower_blue, upper_blue) # 对掩膜进行形态学操作以去除噪声 kernel = np.ones((5, 5), np.uint8) morphed_mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 查找轮廓 contours, _ = cv2.findContours(morphed_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 找到最大的矩形作为车牌候选区 max_area = 0 license_contour = None for contour in contours: area = cv2.contourArea(contour) if area > max_area: max_area = area license_contour = contour # 绘制边界框 x, y, w, h = cv2.boundingRect(license_contour) cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2) return image[y:y+h, x:x+w] # 加载测试图像 input_image = cv2.imread('car.jpg') cropped_license_plate = locate_license_plate(input_image.copy()) ``` 此代码片段展示了如何通过颜色过滤和形态学操作提取潜在的车牌区域[^4]。 --- #### 2. 字符分割 一旦获得了车牌区域，下一步是对其中的字符进行分割。这通常涉及灰度化、二值化以及连通域分析等步骤。 ```python def segment_characters(plate_image): gray = cv2.cvtColor(plate_image, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 应用形态学操作清理噪点 kernel = np.ones((3, 3), np.uint8) cleaned_binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 寻找字符对应的连通域 contours, _ = cv2.findContours(cleaned_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) characters = [] for contour in sorted(contours, key=lambda c: cv2.boundingRect(c)[0]): x, y, w, h = cv2.boundingRect(contour) character = plate_image[y:y+h, x:x+w] characters.append(character) return characters ``` 这段代码实现了从车牌图像中分离单个字符的功能[^5]。 --- #### 3. 模板匹配或OCR识别 对于分割后的字符，可以选择使用模板匹配或者调用现有的光学字符识别工具（如Tesseract OCR）完成最终的文字解析。 ```python from PIL import Image import pytesseract def recognize_characters(characters): recognized_text = "" for char_img in characters: pil_image = Image.fromarray(cv2.cvtColor(char_img, cv2.COLOR_BGR2RGB)) text = pytesseract.image_to_string(pil_image, config='--psm 10 --oem 3 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789') recognized_text += text.strip() return recognized_text ``` 这里借助 `pytesseract` 实现了对每个字符的自动识别功能[^3]。 --- #### 4. 结果可视化 最后一步是将识别的结果叠加回原始图像上，并保存输出文件。 ```python def draw_results(original_image, cropped_plate, recognized_text): result_image = original_image.copy() height, width = cropped_plate.shape[:2] # 计算车牌位置中心坐标用于标注文字 center_x = int(width / 2) center_y = int(height * 1.5) font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(result_image, f'License Plate: {recognized_text}', (center_x, center_y), font, 1, (0, 0, 255), 2, cv2.LINE_AA) return result_image ``` 以上函数负责在原图中标记出完整的车牌信息[^1]。 --- ### 总结 整个流程涵盖了从初始预处理到最后结果呈现的所有必要环节。值得注意的是，在真实场景应用时还需要考虑更多因素比如倾斜矫正等问题才能进一步提升系统的鲁棒性和准确性[^2]。