基于OpenCV 的车牌识别
车牌识别是一种图像处理技术，用于识别不同车辆。这项技术被广泛用于各种安全检测中。现在让我一起基于 OpenCV 编写 Python 代码来完成这一任务。
车牌识别的相关步骤
1. 车牌检测：第一步是从汽车上检测车牌所在位置。我们将使用 OpenCV 中矩形的轮廓检测来寻找车牌。如果我们知道车牌的确切尺寸，颜色和大致位置，则可以提高准确性。通常，也会将根据摄像机的位置和该特定国家 / 地区所使用的车牌类型来训练检测算法。但是图像可能并没有汽车的存在，在这种情况下我们将先进行汽车的，然后是车牌。
2. 字符分割：检测到车牌后，我们必须将其裁剪并保存为新图像。同样，这可以使用 OpenCV 来完成。
3. 字符识别：现在，我们在上一步中获得的新图像肯定可以写上一些字符（数字 / 字母）。因此，我们可以对其执行 OCR（光学字符识别）以检测数字。
1. 车牌检测
让我们以汽车的样本图像为例，首先检测该汽车上的车牌。然后，我们还将使用相同的图像进行字符分割和字符识别。如果您想直接进入代码而无需解释，则可以向下滚动至此页面的底部，提供完整的代码，或访问以下链接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb
在次使用的测试图像如下所示。
图片来源链接：https : //rb.gy/lxmiuv
第 1 步： 将图像调整为所需大小，然后将其灰度。相同的代码如下
img = cv2.resize(img, (620,480) )
调整大小后，可以避免使用较大分辨率的图像而出现的以下问题，但是我们要确保在调整大小后，车号牌仍保留在框架中。在处理图像时如果不再需要处理颜色细节，那么灰度变化就必不可少，这加快了其他后续处理的速度。完成此步骤后，图像将像这样被转换
步骤 2：每张图片都会包含有用和无用的信息，在这种情况下，对于我们来说，只有牌照是有用的信息，其余的对于我们的程序几乎是无用的。这种无用的信息称为噪声。通常，使用双边滤波（模糊）会从图像中删除不需要的细节。
gray = cv2.bilateralFilter(gray, 13, 15, 15)
语法为 destination_image = cv2.bilateralFilter(source_image, diameter of pixel, sigmaColor, sigmaSpace)。我们也可以将 sigma 颜色和 sigma 空间从 15 增加到更高的值，以模糊掉更多的背景信息，但请注意不要使有用的部分模糊。输出图像如下所示可以看到该图像中的背景细节（树木和建筑物）模糊了。这样，我们可以避免程序处理这些区域。
步骤 3：下一步是我们执行边缘检测的有趣步骤。有很多方法可以做到，最简单和流行的方法是使用 OpenCV 中的 canny edge 方法。执行相同操作的行如下所示
edged = cv2.Canny(gray, 30, 200) #Perform Edge detection
语法为 destination_image = cv2.Canny（source_image，thresholdValue 1，thresholdValue 2）。阈值谷 1 和阈值 2 是最小和最大阈值。仅显示强度梯度大于最小阈值且小于最大阈值的边缘。结果图像如下所示
步骤 4：现在我们可以开始在图像上寻找轮廓
contours=cv2.findContours(edged.copy(),cv2.RETR_TREE,
一旦检测到计数器，我们就将它们从大到小进行排序，并只考虑前 10 个结果而忽略其他结果。在我们的图像中，计数器可以是具有闭合表面的任何事物，但是在所有获得的结果中，牌照号码也将存在，因为它也是闭合表面。
为了过滤获得的结果中的车牌图像，我们将遍历所有结果，并检查其具有四个侧面和闭合图形的矩形轮廓。由于车牌肯定是四边形的矩形。
for c in cnts:
找到正确的计数器后，我们将其保存在名为 screenCnt 的变量中，然后在其周围绘制一个矩形框，以确保我们已正确检测到车牌。
步骤 5：现在我们知道车牌在哪里，剩下的信息对我们来说几乎没有用。因此，我们可以对整个图片进行遮罩，除了车牌所在的地方。相同的代码如下所示
# Masking the part other than the number plate
被遮罩的新图像将如下所示
2. 字符分割
车牌识别的下一步是通过裁剪车牌并将其保存为新图像，将车牌从图像中分割出来。然后，我们可以使用此图像来检测其中的字符。下面显示了从主图像裁剪出 ROI（感兴趣区域）图像的代码
# Now crop
结果图像如下所示。通常添加到裁剪图像中，如果需要，我们还可以对其进行灰色处理和边缘化。这样做是为了改善下一步的字符识别。但是我发现即使使用原始图像也可以正常工作。
3. 字符识别
该车牌识别的最后一步是从分割的图像中实际读取车牌信息。就像前面的教程一样，我们将使用 pytesseract 包从图像读取字符。相同的代码如下
#Read the number plate
原始图像上印有数字 “CZ20FSE”，并且我们的程序检测到它在 jupyter 笔记本上打印了相同的值。
车牌识别失败案例
车牌识别的完整代码，其中包含程序和我们用来检查程序的测试图像。要记住，此方法的结果将不准确。准确度取决于图像的清晰度，方向，曝光等。为了获得更好的结果，您可以尝试同时实现机器学习算法。
这个案例中我们的程序能够正确检测车牌并进行裁剪。但是，Tesseract 库无法正确识别字符。OCR 已将其识别为 “MH13CD 0036”，而不是实际的 “ MH 13 CD 0096”。通过使用更好的方向图像或配置 Tesseract 引擎，可以纠正此类问题。
其他成功的例子
大多数时候，图像质量和方向都是正确的，程序能够识别车牌并从中读取编号。下面的快照显示了获得的成功结果。
完整代码
#@programming_fever
Github 链接 - https: //github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb
