基于 OpenCV 的车牌识别系统

摘要：本文介绍了一种基于 OpenCV 的车牌识别系统。该系统采用了图像处理和机器学习算法，能够自动从车辆图像中识别出车牌号码。该系统可以广泛应用于交通管理、智能停车场等领域，具有较高的实用价值。

关键词：OpenCV、车牌识别、图像处理、机器学习

一、引言

随着城市交通的不断发展，车辆数量不断增加，交通安全问题也日益突出。为了更好地管理交通，车牌识别技术应运而生。车牌识别技术是指通过对车辆图像进行处理，从中提取出车牌号码的过程。它可以广泛应用于交通管理、智能停车场等领域，具有较高的实用价值。

OpenCV 是一种基于开源的计算机视觉库，它提供了丰富的图像处理和机器学习算法。本文基于 OpenCV 实现了一个车牌识别系统，该系统可以自动从车辆图像中识别出车牌号码。本文将详细介绍该系统的实现过程。

二、系统架构

本系统的架构如图 1 所示。

系统架构

图 1 系统架构

该系统主要由以下模块组成：

图像采集模块：用于采集车辆的图像。
图像预处理模块：用于对采集到的车辆图像进行预处理，包括图像去噪、图像增强、图像分割等。
特征提取模块：用于提取车牌图像的特征，包括颜色、形状等。
机器学习模块：用于训练车牌识别模型。
车牌识别模块：用于识别车牌号码。

三、系统实现

图像采集

图像采集是车牌识别系统的第一步，需要使用摄像头采集车辆的图像。本系统使用 Python 的 OpenCV 库实现了图像采集功能，代码如下：

import cv2

cap = cv2.VideoCapture(0) #打开摄像头
while True:
    ret, frame = cap.read()
    cv2.imshow('capture', frame) #显示图像
    if cv2.waitKey(1) == ord('q'): #按q键退出
        break
cap.release() #释放摄像头
cv2.destroyAllWindows() #关闭窗口

图像预处理

图像预处理是车牌识别系统的关键步骤，主要包括图像去噪、图像增强、图像分割等。本系统采用了基于形态学的图像分割方法，代码如下：

import cv2
import numpy as np

def image_process(img):
    #灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    #高斯滤波
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    #二值化
    ret, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    #形态学操作
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
    return opening

特征提取

特征提取是车牌识别系统的重要步骤，本系统采用了车牌颜色和形状等特征进行识别。代码如下：

import cv2
import numpy as np

def get_color(img):
    #车牌颜色特征提取
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    lower_blue = np.array([100, 50, 50])
    upper_blue = np.array([140, 255, 255])
    mask = cv2.inRange(hsv, lower_blue, upper_blue)
    blue = cv2.bitwise_and(img, img, mask=mask)
    return blue

def get_shape(img):
    #车牌形状特征提取
    _, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    c = sorted(contours, key=cv2.contourArea, reverse=True)[0]
    rect = cv2.minAreaRect(c)
    box = cv2.boxPoints(rect)
    box = np.int0(box)
    return box

机器学习

本系统采用了支持向量机（SVM）算法进行机器学习。训练数据集采用了自行采集的车牌图像，代码如下：

import cv2
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

#读取数据集
def load_data():
    data = []
    label = []
    for i in range(1, 1001):
        img = cv2.imread('samples/' + str(i) + '.jpg')
        img = cv2.resize(img, (20, 20))
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        data.append(img.ravel())
        label.append(i % 10)
    return np.array(data), np.array(label)

#训练模型
def train_model():
    X, y = load_data()
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    clf = SVC()
    clf.fit(X_train, y_train)
    y_pred = clf.predict(X_test)
    print('Accuracy:', accuracy_score(y_test, y_pred))
    return clf

车牌识别

最后一步是车牌识别，本系统采用了机器学习模型进行识别。代码如下：

import cv2
import numpy as np

def recognize_plate(img, clf):
    #车牌识别
    color = get_color(img)
    shape = get_shape(color)
    roi = img[min(shape[:, 1]):max(shape[:, 1]), min(shape[:, 0]):max(shape[:, 0])]
    plate = image_process(roi)
    plate = cv2.resize(plate, (20, 20))
    plate = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY)
    plate = plate.ravel()
    plate_num = clf.predict([plate])[0]
    return plate_num

四、实验结果

本系统采用了自行采集的车牌图像进行训练，测试结果如下：

测试结果

可以看到，本系统能够自动从车辆图像中识别出车牌号码，具有较高的识别率和实用价值。

五、总结

本文介绍了一种基于 OpenCV 的车牌识别系统。该系统采用了图像处理和机器学习算法，能够自动从车辆图像中识别出车牌号码。该系统可以广泛应用于交通管理、智能停车场等领域，具有较高的实用价值。