基于python的车牌识别黄绿蓝都可License-Plate-Recognition-master.rar

大小: 13.6MB

文件类型: .rar

金币: 1

下载: 0 次

发布日期: 2023-06-26
语言: Python
标签: LPR

高速下载

资源简介

用python3+opencv3做的中国车牌识别，包括算法和客户端界面，只有2个文件，surface.py是界面代码，predict.py是算法代码，界面不是重点所以用tkinter写得很简单。 ### 使用方法：版本：python3.4.4，opencv3.4和numpy1.14和PIL5 下载源码，并安装python、numpy、opencv的python版、PIL，运行surface.py即可 ### 算法实现：算法思想来自于网上资源，先使用图像边缘和车牌颜色定位车牌，再识别字符。车牌定位在predict方法中，为说明清楚，完成代码和测试后，加了很多注释，请参看源码。车牌字符识别也在predict方法中，请参看源码中的注释，需要说明的

资源截图

小图大图

代码片段和文件信息

import cv2
import numpy as np
from numpy.linalg import norm
import sys
import os
import json

SZ = 20          #训练图片长宽
MAX_WIDTH = 1000 #原始图片最大宽度
Min_Area = 2000  #车牌区域允许最大面积
PROVINCE_START = 1000
#读取图片文件
def imreadex（filename）:
	return cv2.imdecode（np.fromfile（filename dtype=np.uint8） cv2.IMREAD_COLOR）
	
def point_limit（point）:
	if point[0] < 0:
		point[0] = 0
	if point[1] < 0:
		point[1] = 0

#根据设定的阈值和图片直方图，找出波峰，用于分隔字符
def find_waves（threshold histogram）:
	up_point = -1#上升点
	is_peak = False
	if histogram[0] > threshold:
		up_point = 0
		is_peak = True
	wave_peaks = []
	for ix in enumerate（histogram）:
		if is_peak and x < threshold:
			if i - up_point > 2:
				is_peak = False
				wave_peaks.append（（up_point i））
		elif not is_peak and x >= threshold:
			is_peak = True
			up_point = i
	if is_peak and up_point != -1 and i - up_point > 4:
		wave_peaks.append（（up_point i））
	return wave_peaks

#根据找出的波峰，分隔图片，从而得到逐个字符图片
def seperate_card（img waves）:
	part_cards = []
	for wave in waves:
		part_cards.append（img[: wave[0]:wave[1]]）
	return part_cards

#来自opencv的sample，用于svm训练
def deskew（img）:
	m = cv2.moments（img）
	if abs（m[‘mu02‘]） < 1e-2:
		return img.copy（）
	skew = m[‘mu11‘]/m[‘mu02‘]
	M = np.float32（[[1 skew -0.5*SZ*skew] [0 1 0]]）
	img = cv2.warpAffine（img M （SZ SZ） flags=cv2.WARP_INVERSE_MAP | cv2.INTER_LINEAR）
	return img
#来自opencv的sample，用于svm训练
def preprocess_hog（digits）:
	samples = []
	for img in digits:
		gx = cv2.Sobel（img cv2.CV_32F 1 0）
		gy = cv2.Sobel（img cv2.CV_32F 0 1）
		mag ang = cv2.cartToPolar（gx gy）
		bin_n = 16
		bin = np.int32（bin_n*ang/（2*np.pi））
		bin_cells = bin[:10:10] bin[10::10] bin[:1010:] bin[10:10:]
		mag_cells = mag[:10:10] mag[10::10] mag[:1010:] mag[10:10:]
		hists = [np.bincount（b.ravel（） m.ravel（） bin_n） for b m in zip（bin_cells mag_cells）]
		hist = np.hstack（hists）
		
		# transform to Hellinger kernel
		eps = 1e-7
		hist /= hist.sum（） + eps
		hist = np.sqrt（hist）
		hist /= norm（hist） + eps
		
		samples.append（hist）
	return np.float32（samples）
#不能保证包括所有省份
provinces = [
“zh_cuan“ “川“
“zh_e“ “鄂“
“zh_gan“ “赣“
“zh_gan1“ “甘“
“zh_gui“ “贵“
“zh_gui1“ “桂“
“zh_hei“ “黑“
“zh_hu“ “沪“
“zh_ji“ “冀“
“zh_jin“ “津“
“zh_jing“ “京“
“zh_jl“ “吉“
“zh_liao“ “辽“
“zh_lu“ “鲁“
“zh_meng“ “蒙“
“zh_min“ “闽“
“zh_ning“ “宁“
“zh_qing“ “靑“
“zh_qiong“ “琼“
“zh_shan“ “陕“
“zh_su“ “苏“
“zh_sx“ “晋“
“zh_wan“ “皖“
“zh_xiang“ “湘“
“zh_xin“ “新“
“zh_yu“ “豫“
“zh_yu1“ “渝“
“zh_yue“ “粤“
“zh_yun“ “云“
“zh_zang“ “藏“
“zh_zhe“ “浙“
]
class StatModel（object）:
	def load（self fn）:
		self.model = self.model.load（fn）  
	def save（self fn）:
		self.model.save（fn）
class SVM（StatModel）:
	def __init__（self C = 1 gamma = 0.5）:
		self.model = cv2.ml.SVM_create（）
		self.model.setGamma（gamma）
		self.model.setC（C）
		self.model.setKernel（cv2.ml.SVM_RBF）
		self.model.setT

属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       1157  2019-05-08 11:06  License-Plate-Recognition-master\.gitignore

     文件        398  2019-09-25 13:20  License-Plate-Recognition-master\.idea\License-Plate-Recognition-master.iml

     文件        223  2019-09-25 13:20  License-Plate-Recognition-master\.idea\misc.xml

     文件        316  2019-09-25 13:20  License-Plate-Recognition-master\.idea\modules.xml

     文件      25010  2019-10-05 19:35  License-Plate-Recognition-master\.idea\workspace.xml

     文件        262  2019-05-08 11:06  License-Plate-Recognition-master\config.js

     文件       1060  2019-05-08 11:06  License-Plate-Recognition-master\LICENSE

     文件      18413  2019-10-05 14:29  License-Plate-Recognition-master\predict.py

     文件       1804  2019-05-08 11:06  License-Plate-Recognition-master\README.md

     文件       4637  2019-09-30 12:31  License-Plate-Recognition-master\surface.py

     文件    4595678  2019-05-08 11:06  License-Plate-Recognition-master\svm.dat

     文件    3645216  2019-05-08 11:06  License-Plate-Recognition-master\svmchinese.dat

     文件      32852  2019-10-02 10:05  License-Plate-Recognition-master\test\0.jpg

     文件    4543569  2019-05-08 11:06  License-Plate-Recognition-master\test\1.jpg

     文件    2718121  2019-05-08 11:06  License-Plate-Recognition-master\test\2.jpg

     文件      62588  2019-05-08 11:06  License-Plate-Recognition-master\test\cAA662F.jpg

     文件      27089  2019-05-08 11:06  License-Plate-Recognition-master\test\car3.jpg

     文件      25090  2019-05-08 11:06  License-Plate-Recognition-master\test\car4.jpg

     文件      28604  2019-05-08 11:06  License-Plate-Recognition-master\test\car5.jpg

     文件      27744  2019-05-08 11:06  License-Plate-Recognition-master\test\car7.jpg

     文件      24073  2019-05-08 11:06  License-Plate-Recognition-master\test\lLD9016.jpg

     文件      24131  2019-10-04 19:00  License-Plate-Recognition-master\test\p12.jpg

     文件      52515  2019-05-08 11:06  License-Plate-Recognition-master\test\wA87271.jpg

     文件     116063  2019-05-08 11:06  License-Plate-Recognition-master\test\wATH859.jpg

     文件     141788  2019-05-08 11:06  License-Plate-Recognition-master\test\wAUB816.jpg

     文件    3336217  2019-05-08 11:06  License-Plate-Recognition-master\train\chars2.7z

     文件    1099009  2019-05-08 11:06  License-Plate-Recognition-master\train\charsChinese.7z

     文件      14990  2019-10-01 15:53  License-Plate-Recognition-master\__pycache__\predict.cpython-35.pyc

     目录          0  2019-10-04 18:24  License-Plate-Recognition-master\.idea\inspectionProfiles

     目录          0  2019-10-11 09:36  License-Plate-Recognition-master\.idea

............此处省略7个文件信息

上一篇：Python机器学习Python machine learning中英合集高清pdf
下一篇：利用Python做数据分析.mobi

共有条评论

基于python的车牌识别黄绿蓝都可License-Plate-Recognition-master.rar

资源简介

资源截图

代码片段和文件信息

评论

相关资源