基于opencv的SVM算法的车牌识别系统设计与实现

2024-04-18 08:11:22

基于opencv的SVM算法的车牌识别系统设计与实现

车牌识别技术是智能交通系统中的一项关键技术，它能够自动识别车辆的车牌号码。本文将详细介绍如何使用Python编程语言结合OpenCV库和SVM算法来实现车牌识别系统。

系统架构

车牌识别系统主要包括以下几个模块：
图像预处理：对输入的图像进行处理，以提高车牌检测的准确性。
车牌定位：在预处理后的图像中定位车牌的位置。
车牌矫正：对定位到的车牌图像进行矫正，以便于后续的字符分割和识别。
字符分割：将车牌上的字符分割开来，为字符识别做准备。

图像预处理

图像预处理的目的是去除图像中的噪声，并突出车牌的特征，以便于后续的车牌定位。预处理步骤如下：

读取图像：使用OpenCV的imread函数读取原始图像。

img_bgr = cv2.imread(pic_path, cv2.IMREAD_COLOR)

灰度转换：将彩色图像转换为灰度图像，便于后续处理。

img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

高斯模糊：使用高斯模糊平滑图像，减少噪声。

kernel = np.ones((20, 20), np.float32) / (20 * 20)
img_opening = cv2.filter2D(img_gray, -1, kernel)

二值化：通过Otsu方法自动计算阈值，并将图像二值化。

_, img_edge = cv2.threshold(img_opening, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

形态学操作：通过闭操作连接车牌区域的边缘。

contours, _ = cv2.findContours(img_edge.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
img_contours = cv2.drawContours(img_edge.copy(), contours, -1, (255, 255, 255), 3)

车牌定位

车牌定位是识别过程中的关键步骤，它直接影响到后续字符分割和识别的准确性。我们采用边缘检测和颜色分割的方法来定位车牌。

边缘检测定位：利用车牌的垂直边缘特征，通过寻找垂直边缘来定位车牌。

for contour in contours:
    # 根据轮廓的面积和长宽比进行筛选
    if minAreaRect(contour)[1][0] / minAreaRect(contour)[1][1] > 3 and minAreaRect(contour)[1][0] < minAreaRect(contour)[1][1] * 2:
        # 进一步处理和定位车牌

颜色分割定位：根据车牌颜色的特征，通过颜色空间分析来定位车牌区域。

hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)
# 定义颜色阈值范围
lower_color = np.array([lower_h, lower_s, lower_v])
upper_color = np.array([upper_h, upper_s, upper_v])
mask = cv2.inRange(hsv, lower_color, upper_color)
# 应用形态学操作和轮廓查找

车牌矫正
车牌矫正的目的是将车牌图像调整为接近矩形的形状，以便于字符的准确分割和识别。这通常涉及到图像的透视变换。

字符分割
字符分割是将车牌上的字符分割开来，为字符识别做准备。这通常涉及到图像的投影分析和连通区域的查找。

字符识别
字符识别是使用训练好的SVM模型对分割后的字符进行识别。SVM是一种监督学习算法，它通过在训练数据集上学习来识别新的样本。

def pic(self, pic_path):
        # 以uint8方式读取 pic_path 放入 img_bgr 中，cv2.IMREAD_COLOR读取彩色照片
        img_bgr = img_math.img_read(pic_path)
        # 缩小图片 转化成灰度图像 创建20*20的元素为1的矩阵 开操作，并和img重合 基于OTSU的二值化处理 找到图像边缘
        # first_img, oldimg 已经处理好的图像文件 原图像文件
        first_img, oldimg = self.predictor.img_first_pre(img_bgr)
        # 未开启摄像头时显示经过resize的图片
        if not self.cameraflag:
            self.imgtk = self.get_imgtk(img_bgr)
            self.image_ctl.configure(image=self.imgtk)
        # 开始进行识别
        # img_color_contours形状定位识别 输入 预处理好的图像 原图像 
        # 排除面积最小的点 进行矩形矫正 转换 分隔字符 分离车牌字符 
        # return 识别到的字符、定位的车牌图像、车牌颜色
        # img_only_color颜色定位识别  输入 预处理好的图像 原图像 
        # 根据阈值找到对应颜色 认为水平方向，最大的波峰为车牌区域 查找垂直直方图波峰 去掉车牌上下边缘1个像素，避免白边影响阈值判断 分隔字符 分离车牌字符 
        # return 识别到的字符、定位的车牌图像、车牌颜色
        th1 = ThreadWithReturnValue(target=self.predictor.img_color_contours, args=(first_img, oldimg))
        th2 = ThreadWithReturnValue(target=self.predictor.img_only_color, args=(oldimg, oldimg, first_img))
        th1.start()
        th2.start()
        r_c, roi_c, color_c = th1.join()
        r_color, roi_color, color_color = th2.join()
        # 显示 识别到的字符、定位的车牌图像、车牌颜色
        self.show_roi2(r_color, roi_color, color_color)
        self.show_roi1(r_c, roi_c, color_c)

如有遇到问题可以找小编沟通交流哦。另外小编帮忙辅导大课作业，学生毕设等。不限于python，java，大数据，模型训练等。

码农公寓