## 一、项目背景与应用场景
车牌识别技术(Vehicle License Plate Recognition, VLPR)是智能交通系统中的关键技术之一，广泛应用于停车场管理、交通违章监控、高速公路收费等领域。本文将介绍如何使用OpenCV和Python实现一个基础的车牌识别系统，帮助读者理解计算机视觉在字符识别中的应用。
## 二、技术栈与环境配置
- **编程语言**: Python 3.x
- **核心库**: OpenCV (cv2)、NumPy、Matplotlib
- **开发环境**: Jupyter Notebook
安装依赖库的命令：
pip install opencv-python numpy matplotlib## 三、系统架构与实现流程
车牌识别系统主要包含以下几个核心步骤：
1. **车牌定位**: 从输入图像中检测并提取车牌区域
2. **图像预处理**: 对车牌图像进行去噪、灰度化和二值化处理
3. **字符分割**: 将车牌中的单个字符分离出来
4. **字符识别**: 与预定义的模板进行匹配，识别出每个字符
下面我们将逐步解析每个模块的实现代码。
## 四、核心代码实现
### 1. 导入必要的库
# ==========================导入库==============================
import cv2
from matplotlib import pyplot as plt
import numpy as np
import glob### 2. 车牌提取模块
此模块负责从原始图像中定位并提取车牌区域，通过一系列图像处理操作增强车牌特征并检测轮廓。
# ==========================提取车牌函数==============================
def getPlate(image):
rawImage = image.copy()
# 去噪处理
image = cv2.GaussianBlur(image, (3, 3), 0)
# 色彩空间转换（RGB-->GRAY)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Sobel算子（X方向边缘梯度）增强垂直边缘
Sobel_x = cv2.Sobel(image, cv2.CV_16S, 1, 0)
absX = cv2.convertScaleAbs(Sobel_x) # 映射到[0,255]范围内
image = absX
# 阈值处理（自适应阈值）
ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)
# 闭运算：先膨胀后腐蚀，将车牌连成一个整体
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5))
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX)
# 开运算：先腐蚀后膨胀，去除噪声
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 19))
image = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernelY)
# 中值滤波：进一步去除噪声
image = cv2.medianBlur(image, 15)
# 查找轮廓
contours, w1 = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 遍历所有轮廓，筛选出宽高比符合车牌特征的区域（宽度>3倍高度）
for item in contours:
rect = cv2.boundingRect(item)
x = rect[0]
y = rect[1]
weight = rect[2]
height = rect[3]
if weight > (height * 3):
plate = rawImage[y:y + height, x:x + weight]
return plate### 3. 图像预处理模块
预处理模块对提取出的车牌图像进行去噪、灰度化和二值化处理，为后续的字符分割做准备。
#======================预处理函数，图像去噪等处理=================
def preprocessor(image):
# 图像去噪灰度处理
image = cv2.GaussianBlur(image, (3, 3), 0)
# 色彩空间转换
gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
# 阈值处理（二值化）
ret, image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU)
# 膨胀处理，让单个字符连接成一个整体
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
image = cv2.dilate(image, kernel)
return image### 4. 字符分割模块
字符分割模块负责将车牌中的单个字符分离出来，以便进行后续的字符识别。
#===========拆分车牌函数，将车牌内各个字符分离==================
def splitPlate(image):
# 查找轮廓，各个字符的轮廓
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
words = []
# 遍历所有轮廓，获取轮廓的外接矩形
for item in contours:
rect = cv2.boundingRect(item)
words.append(rect)
# 按照x轴坐标值排序（自左向右排序）
words = sorted(words, key=lambda s: s[0], reverse=False)
# 存储分割后的字符图像
plateChars = []
for word in words:
# 筛选字符的轮廓(高宽比在1.5-8之间，宽度大于3)
if (word[3] > (word[2] * 1.5)) and (word[3] < (word[2] * 8)) and (word[2] > 3):
plateChar = image[word[1]:word[1] + word[3], word[0]:word[0] + word[2]]
plateChars.append(plateChar)
return plateChars### 5. 模板定义与加载模块
此模块定义了字符模板字典和加载模板的函数，支持数字、字母和中文字符的识别。
#=================模板，部分省份，使用字典表示==============================
templateDict = {0:'0',1:'1',2:'2',3:'3',4:'4',5:'5',6:'6',7:'7',8:'8',9:'9',
10:'A',11:'B',12:'C',13:'D',14:'E',15:'F',16:'G',17:'H',
18:'J',19:'K',20:'L',21:'M',22:'N',23:'P',24:'Q',25:'R',
26:'S',27:'T',28:'U',29:'V',30:'W',31:'X',32:'Y',33:'Z',
34:'京',35:'津',36:'冀',37:'晋',38:'蒙',39:'辽',40:'吉',41:'黑',
42:'沪',43:'苏',44:'浙',45:'皖',46:'闽',47:'赣',48:'鲁',49:'豫',
50:'鄂',51:'湘',52:'粤',53:'桂',54:'琼',55:'渝',56:'川',57:'贵',
58:'云',59:'藏',60:'陕',61:'甘',62:'青',63:'宁',64:'新',
65:'港',66:'澳',67:'台'}# ==================获取所有字符的路径信息===================
def getcharacters():
c = []
for i in range(0, 67):
words = []
words.extend(glob.glob('template/'+templateDict.get(i)+'/*.*'))
c.append(words)
return c### 6. 字符识别模块
字符识别模块是系统的核心，负责计算待识别字符与模板之间的匹配度，并返回最佳匹配结果。
#=============计算匹配值函数=====================
def getMatchValue(template, image):
# 读取模板图像（支持中文路径）
templateImage = cv2.imdecode(np.fromfile(template, dtype=np.uint8), 1)
# 模板图像色彩空间转换，BGR-->灰度
templateImage = cv2.cvtColor(templateImage, cv2.COLOR_BGR2GRAY)
# 模板图像阈值处理， 灰度-->二值
ret, templateImage = cv2.threshold(templateImage, 0, 255, cv2.THRESH_OTSU)
# 获取待识别图像的尺寸
height, width = image.shape
# 将模板图像调整为与待识别图像尺寸一致
templateImage = cv2.resize(templateImage, (width, height))
# 计算模板图像与待识别图像的匹配值
result = cv2.matchTemplate(image, templateImage, cv2.TM_CCOEFF)
# 返回匹配结果
return result[0][0]# ===========对车牌内字符进行识别====================
def matchChars(plates, chars):
results = [] # 存储所有的识别结果
# 遍历每个待识别的字符
for plateChar in plates:
bestMatch = [] # 存储每个模板字符的最佳匹配值
# 遍历每个模板字符
for words in chars:
match = [] # 存储当前模板字符的所有匹配值
# 遍历当前字符的所有模板
for word in words:
result = getMatchValue(word, plateChar)
match.append(result)
# 取当前字符的最佳匹配值
bestMatch.append(max(match))
# 找到最佳匹配的字符索引
i = bestMatch.index(max(bestMatch))
# 获取对应的字符
r = templateDict[i]
results.append(r)
return results # 返回所有字符的识别结果## 五、完整系统集成
将上述各个模块整合起来，形成完整的车牌识别系统：
# ==================主函数=====================
def main():
# 读取测试图像
image = cv2.imread('测试图像路径.jpg')
# 1. 提取车牌
plate = getPlate(image)
# 2. 预处理车牌图像
processed_plate = preprocessor(plate)
# 3. 分割字符
chars = splitPlate(processed_plate)
# 4. 加载模板
templates = getcharacters()
# 5. 识别字符
result = matchChars(chars, templates)
# 6. 显示结果
print('识别结果:', ''.join(result))
# 显示原始图像和处理结果
cv2.imshow('原始图像', image)
cv2.imshow('提取的车牌', plate)
cv2.imshow('预处理后的车牌', processed_plate)
# 显示分割后的字符
for i, char_img in enumerate(chars):
cv2.imshow(f'字符{i}', char_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
if __name__ == '__main__':
main()## 六、关键技术点解析
### 1. 车牌定位技术
系统通过以下步骤实现车牌定位：
- **高斯模糊**：去除图像噪声
- **边缘检测**：使用Sobel算子提取垂直边缘特征
- **自适应阈值**：将图像转换为二值图像
- **形态学操作**：通过开闭运算增强车牌区域特征
- **轮廓筛选**：根据车牌的宽高比特征（宽度>3倍高度）筛选出车牌区域
### 2. 字符分割技术
字符分割主要基于以下原理：
- **轮廓检测**：检测车牌中的所有字符轮廓
- **坐标排序**：按照x轴坐标从左到右排序，确保字符顺序正确
- **尺寸筛选**：根据字符的高宽比特征筛选出有效的字符区域
### 3. 模板匹配识别技术
字符识别采用模板匹配算法：
- **模板库**：建立包含数字、字母和中文字符的模板库
- **图像预处理**：确保待识别字符与模板具有相同的尺寸和特征
- **相关系数匹配**：使用`cv2.TM_CCOEFF`方法计算匹配度
- **最佳匹配**：选择匹配度最高的模板作为识别结果
## 七、系统优化与改进方向
虽然本系统能够实现基础的车牌识别功能，但在实际应用中仍有一些优化空间：
1. **光照适应性优化**：增加图像增强算法，提高在不同光照条件下的识别率
2. **角度校正**：添加车牌倾斜检测和校正功能，提高对倾斜车牌的识别能力
3. **深度学习识别**：引入CNN等深度学习方法代替传统的模板匹配，提高识别准确率和鲁棒性
4. **多线程处理**：优化图像处理流程，提高识别速度
5. **车牌类型扩展**：支持更多类型的车牌识别
## 八、总结
本文介绍了基于OpenCV的车牌识别系统的完整实现过程，包括车牌定位、图像预处理、字符分割和字符识别四个主要模块。该系统采用传统的计算机视觉方法，通过图像增强、形态学操作和模板匹配等技术实现车牌识别功能。
通过学习和理解这个系统，读者可以掌握计算机视觉在字符识别领域的基本应用方法，为进一步研究更复杂的图像处理和模式识别系统奠定基础。
## 九、代码获取与运行说明
1. 安装了所需的依赖库（OpenCV、NumPy、Matplotlib）
2. 在项目目录下创建了template文件夹，并放入字符模板图像
3. 修改代码中的图像路径为实际的测试图像路径
**注意**：模板图像需要按照本文提供的templateDict字典中的字符分类存放，以便系统正确加载和匹配。
转载自CSDN-专业IT技术社区
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
原文链接：https://blog.csdn.net/2301_78102409/article/details/150986284
