Python实现基于SVM的车牌识别程序.zip

本软件通过简单的页面来展示如何使用计算机来识别一副图像上指定区域内的文字。通过一些图像的基础处理方法得到我们想要的图像区域，再利用机器学习的方法对图像内的文字进行分类识别。

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
----------- ---------  ---------- -----  ----
     目录           0  2019-01-17 11:11  车牌识别\
     文件        1157  2018-05-26 22:39  车牌识别\.gitignore
     文件         262  2018-05-26 22:39  车牌识别\config.js
     文件        1060  2018-05-26 22:39  车牌识别\LICENSE
     文件       18184  2018-05-26 22:39  车牌识别\predict.py
     文件        1804  2018-05-26 22:39  车牌识别\README.md
     目录           0  2019-01-17 11:11  车牌识别\Screenshots\
     文件      513442  2018-05-26 22:39  车牌识别\Screenshots\3.png
     文件      335454  2018-05-26 22:39  车牌识别\Screenshots\5.png
     文件        4641  2019-01-14 15:05  车牌识别\surface.py
     文件     4595678  2018-05-26 22:39  车牌识别\svm.dat
     文件     3645216  2018-05-26 22:39  车牌识别\svmchinese.dat
     目录           0  2019-01-17 11:11  车牌识别\test\
     文件     4543569  2018-05-26 22:39  车牌识别\test\1.jpg
     文件     2718121  2018-05-26 22:39  车牌识别\test\2.jpg
     文件       62588  2018-05-26 22:39  车牌识别\test\cAA662F.jpg
     文件       27089  2018-05-26 22:39  车牌识别\test\car3.jpg
     文件       25090  2018-05-26 22:39  车牌识别\test\car4.jpg
     文件       28604  2018-05-26 22:39  车牌识别\test\car5.jpg
     文件       27744  2018-05-26 22:39  车牌识别\test\car7.jpg
     文件       24073  2018-05-26 22:39  车牌识别\test\lLD9016.jpg
     文件       52515  2018-05-26 22:39  车牌识别\test\wA87271.jpg
     文件      116063  2018-05-26 22:39  车牌识别\test\wATH859.jpg
     文件      141788  2018-05-26 22:39  车牌识别\test\wAUB816.jpg
     目录           0  2019-01-17 11:11  车牌识别\train\
     文件     3336217  2018-05-26 22:39  车牌识别\train\chars2.7z
     文件     1099009  2018-05-26 22:39  车牌识别\train\charsChinese.7z
     目录           0  2019-01-17 11:11  车牌识别\__pycache__\
     文件       13061  2019-01-14 14:34  车牌识别\__pycache__\predict.cpython-37.pyc