图片类网站怎样做高并发,赣州人才市场最新招聘信息,wordpress域名授权系统,桥梁建设网站使用传统的计算机视觉方法定位图像中的车牌#xff0c;参考了部分网上的文章#xff0c;实际定位效果对于我目前使用的网上的图片来说还可以。实测发现对于车身本身是蓝色、或是车牌本身上方有明显边缘的情况这类图片定位效果较差。纯练手项目#xff0c;仅供参考。代码中im… 使用传统的计算机视觉方法定位图像中的车牌参考了部分网上的文章实际定位效果对于我目前使用的网上的图片来说还可以。实测发现对于车身本身是蓝色、或是车牌本身上方有明显边缘的情况这类图片定位效果较差。纯练手项目仅供参考。代码中imagePreProcess对某些图片定位率相比于imagePreProcess2做预处理的效果要好。后续可以尝试做一个如果imagePreProcess2识别无效后使用imagePreProcess再处理或者加上阈值自适应打分的机制优化。目前对于我做的练手项目来说足够了。 注意以下代码是参考了网上的一些文章后按照自己的思路写的定位效果尚可。参考的文章有python-opencv实战车牌识别一精度还不错的车牌定位_基于阈值分割的车牌定位识别-CSDN博客 https://www.cnblogs.com/fyunaru/p/12083856.html
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt#过滤矩形的参数
minRectW 100
minRectH 50
#判断车牌颜色的参数
#一般情况下蓝色车牌H分量的值通常都在115附近徘徊
# S分量和V分量因光照不同而差异较大(opencv中H分量的取值范围是0到179而不是图像学中的0到360S分量和V分量的取值范围是到255)
deltaH 15
hsvLower np.array([115 - deltaH,60,60])
hsvUpper np.array([115 deltaH,255,255])#灰度拉伸
def grayScaleStretch(img):maxGray float(img.max())minGray float(img.min())for i in range(img.shape[0]):for j in range(img.shape[1]):img[i,j] 255 / (maxGray - minGray) * (img[i,j] - minGray)return img#图像二值化
def image2Binary(img):#选取灰度最大最小值的中间值maxGray float(img.max())minGray float(img.min())threshold (minGray maxGray) / 2ret,bin cv.threshold(img, threshold, 255, cv.THRESH_BINARY)return bin#图像预处理
def imagePreProcess(img):#转换为灰度图imgGray cv.cvtColor(img, cv.COLOR_BGR2GRAY)#灰度拉伸imgGray grayScaleStretch(imgGray)#plt.imshow(imgGray, cmapgray)kernel cv.getStructuringElement(cv.MORPH_ELLIPSE, (3,3))#做开运算imgOpen cv.morphologyEx(imgGray, cv.MORPH_OPEN, kernel)#plt.imshow(imgOpen, cmapgray)#获得差分图imgDiff cv.absdiff(imgGray, imgOpen)#plt.imshow(imgDiff, cmapgray)imgDiff cv.GaussianBlur(imgDiff, (3,3), 5)#plt.imshow(imgDiff, cmapgray)#图像二值化imgBinary image2Binary(imgDiff)#plt.imshow(imgBinary, cmapgray)cannyEdges cv.Canny(imgBinary, 127, 200)#plt.imshow(cannyEdges, cmapgray)#对Canny检测边缘结果做处理kernel np.ones((3,3), np.uint8)imgOut cv.morphologyEx(cannyEdges, cv.MORPH_CLOSE, kernel)imgOut cv.dilate(imgOut, kernel, iterations1)imgOut cv.morphologyEx(imgOut, cv.MORPH_OPEN, kernel)#imgOut cv.erode(imgOut, kernel, iterations1)imgOut cv.morphologyEx(imgOut, cv.MORPH_CLOSE, kernel)#plt.imshow(imgOut, cmapgray)return imgOut#图像预处理2 - 对于某些
def imagePreProcess2(img):imgGray cv.cvtColor(img, cv.COLOR_BGR2GRAY)#灰度拉伸imgGray grayScaleStretch(imgGray)imgGray cv.GaussianBlur(imgGray, (3,3), 5)#进行边缘检测cannyEdges cv.Canny(imgGray, 180, 230)#二值化imgBinary image2Binary(cannyEdges)#plt.imshow(imgBinary, cmapgray)#先做闭运算再做开运算kernel np.ones((3,3), np.uint8)imgOut cv.morphologyEx(imgBinary, cv.MORPH_CLOSE, kernel)imgOut cv.morphologyEx(imgOut, cv.MORPH_OPEN, kernel)imgOut cv.absdiff(imgBinary, imgOut)imgOut cv.morphologyEx(imgOut, cv.MORPH_CLOSE, kernel)imgOut cv.dilate(imgOut, kernel, iterations1)plt.imshow(imgOut, cmapgray)return imgOut#debug
def printHSV(hsvSrc):for i in range(hsvSrc.shape[0]):for j in range(hsvSrc.shape[1]):(h,s,v) hsvSrc[i][j]print(h,s,v)#定位车牌
def locate_plate(imgProcessing, imgOriginal):contours,hierarchy cv.findContours(imgProcessing, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)carPlateCandidates []for contour in contours:(x,y,w,h) cv.boundingRect(contour)#过滤掉一些小的矩形if (w minRectW or h minRectH):continue#cv.rectangle(imgOriginal, (int(x), int(y)), (int(x w),int(y h)), (0,255,0), 2)carPlateCandidates.append([int(x),int(y),int(x w),int(y h)])#plt.imshow(imgOriginal[:,:,::-1])maxMean 0target []target_mask []#依次检查候选车牌列表用HSV颜色空间判别是否是车牌for candidate in carPlateCandidates:(x0,y0,x1,y1) candidatecandidateROI imgOriginal[y0:y1,x0:x1]hsvROI cv.cvtColor(candidateROI, cv.COLOR_BGR2HSV)mask cv.inRange(hsvROI, hsvLower, hsvUpper)#print(mask)#plt.imshow(mask, cmapgray)#使用均值找出蓝色最多的区域mean cv.mean(mask)#print(mean)if mean[0] maxMean:maxMean mean[0]target candidatetarget_mask mask#对target的范围进行缩小找出蓝色刚开始和结束的坐标print(target_mask)nonZeroPoints cv.findNonZero(target_mask)#print(nonZeroPoints)sortByX np.sort(nonZeroPoints, axis0)xMin sortByX[0][0][0]xMax sortByX[-1][0][0]print(sortByX)sortByY np.sort(nonZeroPoints, axis1)yMin sortByY[0][0][1]yMax sortByY[-1][0][1]print(sortByY)print(X min: str(xMin) X max: str(xMax) Y min: str(yMin) Y max: str(yMax))(x0,y0,x1,y1) targetprint(Original: str(x0) , str(y0) , str(x1) , str(y1))#target (x0 xMin, y0 yMin, x0 (xMax - xMin), y0 yMax - yMin)target [x0 xMin, y0 yMin, x0 xMax, y0 yMax]return target#读取图像
imgCarPlate cv.imread(../../SampleImages/carplate/carplate_chongqing.jpg, cv.IMREAD_COLOR)
#plt.imshow(imgCarPlate[:,:,::-1])
img4locate imagePreProcess2(imgCarPlate)
target locate_plate(img4locate, imgCarPlate)
(x0,y0,x1,y1) target
cv.rectangle(imgCarPlate, (x0,y0), (x1,y1), (0,255,0), 2)
plt.imshow(imgCarPlate[:,:,::-1])
成功的例子 不太成功的例子轮廓检测的不太好并且轮廓中蓝色的值过早出现可以优化判断为连续的蓝色而不是零散的蓝色 失败的例子没能检测出小轮廓车身本身为蓝色替换为imagePreProcess后能够成功
