基于opencv的车牌识别

前言

  • 车牌识别在停车场、小区门禁和道路卡口中十分常见。本文介绍一种不依赖深度学习、基于 OpenCV 传统图像处理和 SVM 的车牌识别方法。
  • 输入一张车辆图片,程序先找到车牌位置,再读出车牌号码,同时判断车牌颜色。
  • 项目支持蓝色、黄色和绿色(新能源)三种车牌,可以识别省份汉字、字母和数字。
  • 本项目基于图像边缘和颜色规则来定位车牌,适合学习传统图像处理的完整流程。
  • 它对图片分辨率和拍摄角度比较敏感。


  • 整体流程主要分为两步。
  • 第一步:车牌定位,用边缘检测和颜色判断,从整张图片中找到车牌区域,并裁剪出来。
  • 第二步:字符识别,把车牌切分成单个字符,再用 SVM 分类器逐个识别,拼成完整的车牌号码。

介绍

第一步:车牌定位

环境配置

  • 项目使用 Python 开发,图像处理和 SVM 分类都由 OpenCV 完成。
  • 依赖安装命令如下:
pip install opencv-python numpy pillow

定位流程

  • 图片宽度超过 1000 像素时,先等比缩小,再进行高斯模糊和灰度化,以减少噪声。
  • 接着依次做开运算、OTSU 自动阈值二值化和 Canny 边缘检测。车牌上字符密集,这一步之后会形成大量边缘。
  • 再用闭运算和开运算把相邻的边缘连成块,找出所有轮廓,去掉面积小于 2000 的区域。
  • 对剩下的候选区域计算最小外接矩形,按车牌的长宽比做筛选,并用仿射变换把倾斜的车牌摆正。
  • 最后把候选区域转换到 HSV 颜色空间,统计蓝、黄、绿像素的比例,确定车牌颜色,并按颜色范围精确裁剪出车牌。
  • 模糊程度、形态学核大小等参数保存在 config.js 中,可以根据图片分辨率进行调整。

第二步:字符识别

字符分割

  • 车牌图片经过二值化后,按列统计白色像素的数量,会出现一个个“波峰”,每个波峰对应一个字符。
  • 程序根据波峰把车牌切成单个字符,并跳过固定车牌用的铆钉和车牌边框,避免误识别。

SVM 字符识别

  • 每个字符缩放到 20 × 20 像素,提取 HOG 方向梯度特征,再交给 SVM 分类器判断是哪个字符。
  • 项目使用两个训练好的 SVM 模型:svm.dat 识别字母和数字,svmchinese.dat 识别 31 个省份简称汉字。第一个字符交给汉字模型,其余字符交给字母数字模型。
  • 训练样本来自开源项目 EasyPR 的字符图片,项目的 train 目录中保留了一部分数字样本。

使用脚本识别图片

  • 在项目根目录执行如下命令,识别默认的测试图片:
python predict.py
  • 脚本默认识别 test/2.jpg,在原图上用红框标出车牌,写上识别结果,并保存为 result.jpg。
  • 返回结果包含车牌号码 number 和车牌颜色 color。

识别效果

  • 成功定位的 8 张图片中,车牌颜色全部判断正确,字母和数字的识别也比较稳定。
  • 定位依赖固定的参数,图片分辨率、色偏和拍摄距离都会影响定位,换一批图片后可能需要重新调整 config.js。

总结

  • 以上就是基于 OpenCV 的车牌识别项目的主要实现流程:先用边缘检测和颜色判断定位车牌,再通过投影切分字符,最后用 SVM 逐个识别。
  • 项目代码量小、不需要 GPU,很适合理解传统图像处理方法。
  • 如果追求更高的准确率,可以参考本系列中基于 YOLO 和 LPRNet 的车牌识别,用深度学习替代规则定位和 SVM 识别。
  • 感兴趣的小伙伴可以联系我.