实时从视频中检测并识别车牌

识别车牌是基于摄像头的安防系统中一项至关重要的任务。我们可以利用一些计算机视觉技术从图像中提取车牌，然后使用光学字符识别（OCR）来识别车牌号。在这里，我将引导大家完成整个任务流程。

环境要求：

> opencv-python >= 3.4.x

> numpy >= 1.17.2

> skimage >= 0.16.2

> tensorflow >= 2.x.

> imutils >= 0.5.3

.

示例：
输入：

!image

输出：

29A33185

!image实施思路：

• 在图像中找到所有轮廓。
• 找到每个轮廓的边界矩形。
• 将每个边界矩形的长宽比和面积与标准车牌进行比较和验证。
• 在经过验证的轮廓内部应用图像分割，以查找其中的字符。
• 使用 OCR 识别字符。

方法步骤：
1. 为了减少噪声，我们需要先使用<a href="https://docs.opencv.org/4.x/d4/d13/tutorialpyfiltering.html">高斯模糊处理输入图像，然后将其转换为灰度图。

!image

2. 在图像中查找垂直边缘。

!image

3. 为了显示车牌区域，我们必须对图像进行二值化。为此，我们在垂直边缘图像上应用大津阈值法。在其他阈值处理方法中，我们需要手动选择一个阈值值来对图像进行二值化，而大津阈值法会自动确定该值。

!image

4. 对阈值处理后的图像应用闭运算形态学变换。闭运算对于填充阈值图像中白色区域之间的小黑色区域非常有用。它能显示出车牌的矩形白色方框。

!image

5. 为了检测车牌，我们需要在图像中查找轮廓。在查找轮廓之前对图像进行二值化和形态学处理非常重要，这样可以在图像中找到更相关且数量更少的轮廓。如果你在原始图像上绘制所有提取的轮廓，它看起来会是这样的：

!image

6. 现在，找到每个轮廓所包围的<a href="https://docs.opencv.org/2.4/modules/imgproc/doc/structuralanalysisandshapedescriptors.html?highlight=minarearect#minarearect">最小面积矩形并验证它们的长宽比和面积。我们定义了车牌的最小和最大面积分别为 4500 和 30000。
7. 现在，在验证后的区域内查找轮廓，并验证该区域内最大轮廓的边界矩形的长宽比和面积。通过验证后，你将获得一个完美的车牌轮廓。现在从原始图像中提取该轮廓。你将得到车牌的图像：

!image这一步是通过 PlateFinder 类中的 clean_plate 和 ratioCheck 方法执行的。

8. 为了精确识别车牌上的字符，我们需要应用图像分割。第一步是从车牌图像的 HSV 格式中提取 Value（明度）通道。
9. 现在对车牌的 Value 通道图像应用自适应阈值处理以对其进行二值化并显示字符。车牌图像的不同区域可能具有不同的光照条件，在这种情况下，自适应阈值处理更适合进行二值化，因为它根据周围区域像素的亮度为不同区域使用不同的阈值。
10. 二值化后，对图像应用按位非操作，以查找图像中的连通分量，以便我们可以提取字符候选。
11. 构建一个掩码以显示所有字符分量，然后在掩码中查找轮廓。提取轮廓后，取最大的一个，找到其边界矩形并验证长宽比。
12. 验证长宽比后，找到轮廓的凸包并将其绘制在字符候选掩码上。
13. 现在，在字符候选掩码中查找所有轮廓，并从车牌的 Value 阈值图像中提取这些轮廓区域，你将分别获得所有字符。

!image

步骤 8 到 13 是由 segment_chars 函数执行的，你可以在下面的完整源代码中找到该函数。用于步骤 6 到 13 中函数的驱动代码已编写在…