### 从自然彩色图像中提取车牌号并自动校正倾斜车牌的Python实现 在实现车牌号提取的过程中，可以将问题分为多个模块：图像预处理、车牌定位、字符分割、字符识别以及倾斜校正。以下是一个完整的解决方案，结合了引用中的内容和专业实践。 #### 1. 图像预处理 为了提高后续步骤的准确性，需要对输入图像进行预处理。这包括灰度化、去噪和边缘检测等操作。通过这些步骤，可以增强车牌区域的特征[^3]。 ```python import cv2 import numpy as np def preprocess_image(image): # 转换为灰度图像 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 高斯模糊去噪 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # Canny边缘检测 edged = cv2.Canny(blurred, 30, 200) return edged ``` #### 2. 车牌定位 使用轮廓检测技术找到可能的车牌区域，并通过形状和大小筛选出最有可能的候选区域。此外，颜色特征和纹理特征也可以用于辅助定位[^2]。 ```python def locate_license_plate(edged_image, original_image): contours, _ = cv2.findContours(edged_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10] screen_contour = None for contour in contours: perimeter = cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, 0.02 * perimeter, True) if len(approx) == 4: # 车牌通常为矩形 screen_contour = approx break if screen_contour is not None: # 提取车牌区域 warped = four_point_transform(original_image, screen_contour.reshape(4, 2)) return warped, screen_contour else: return None, None def four_point_transform(image, pts): rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] rect[2] = pts[np.argmax(s)] diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] rect[3] = pts[np.argmax(diff)] (tl, tr, br, bl) = rect widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2)) widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2)) maxWidth = max(int(widthA), int(widthB)) heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2)) heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2)) maxHeight = max(int(heightA), int(heightB)) dst = np.array([ [0, 0], [maxWidth - 1, 0], [maxWidth - 1, maxHeight - 1], [0, maxHeight - 1]], dtype="float32") M = cv2.getPerspectiveTransform(rect, dst) warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight)) return warped ``` #### 3. 自动校正倾斜车牌 通过透视变换（Perspective Transform），可以校正倾斜的车牌。该方法基于四个角点的位置重新映射图像[^4]。 ```python # 已包含在 locate_license_plate 函数中 ``` #### 4. 字符分割与识别 在提取到车牌区域后，可以进一步分割字符并使用OCR技术进行识别。Tesseract OCR 是一个常用工具。 ```python import pytesseract def recognize_characters(lp_image): # 使用Tesseract进行字符识别 text = pytesseract.image_to_string(lp_image, config='--psm 7') return text.strip() ``` #### 5. 完整流程整合 将上述步骤组合成一个完整的流程。 ```python def extract_license_plate(image_path): image = cv2.imread(image_path) edged = preprocess_image(image) lp_image, contour = locate_license_plate(edged, image) if lp_image is not None: # 校正后的车牌图像 cv2.imshow("License Plate", lp_image) cv2.waitKey(0) # 字符识别 license_number = recognize_characters(lp_image) print(f"Detected License Plate: {license_number}") else: print("No license plate detected.") ``` ### 注意事项 - 在实际应用中，可能需要调整参数以适应不同的光照条件和车牌样式。 - Tesseract OCR 的安装和配置需要额外注意，确保支持中文或其他特殊字符的识别。