如何使用 Python 检测和识别车牌(附 Python 代码)

车牌检测与识别技术用途广泛，可以用于道路系统、无票停车场、车辆门禁等。这项技术结合了计算机视觉和人工智能。

本文将使用Python创建一个车牌检测和识别程序。该程序对输入图像进行处理，检测和识别车牌，最后显示车牌字符，作为输出内容。

创建Python环境

要轻松地完成本教程，您需要熟悉Python基础知识。应先创建程序环境。

在开始编程之前，您需要在环境中安装几个库。打开任何Python IDE，创建一个Python文件。在终端上运行命令以安装相应的库。您应该在计算机上预先安装Python PIP。

• OpenCV-Python： 您将使用这个库对输入图像进行预处理，并显示各个输出图像。

pip install OpenCV-Python

• imutils： 您将使用这个库将原始输入图像裁剪成所需的宽度。

pip install imutils

• pytesseract： 您将使用这个库提取车牌字符，并将它们转换成字符串。

pip install  pytesseract

pytesseract库依赖Tesseract OCR引擎进行字符识别。

如何在您的计算机上安装Tesseract OCR？

Tesseract OCR是一种可以识别语言字符的引擎。在使用pytesseract库之前，您应该在计算机上安装它。步骤如下：

1. 打开任何基于Chrome的浏览器。

2. 下载Tesseract OCR安装程序。

3. 运行安装程序，像安装其他程序一样安装它。

技术提升

技术要学会分享、交流，不建议闭门造车。一个人走的很快、一堆人可以走的更远。

本文来自技术群粉丝的分享、推荐，资料、代码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时切记的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：pythoner666，备注：来自 CSDN + Python
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

准备好环境并安装tesseract OCR后，您就可以编写程序了。

导入库

首先导入在环境中安装的库。导入库让您可以在项目中调用和使用它们的函数。

• import cv2

• import imutils

• import pytesseract

您需要以cv2形式导入OpenCV-Python库。使用与安装时相同的名称导入其他库。

获取输入

然后将pytesseract指向安装Tesseract引擎的位置。使用cv2.imread函数将汽车图像作为输入。将图像名称换成您在使用的那个图像的名称。将图像存储在项目所在的同一个文件夹中，以方便操作。

pytesseract.pytesseract.tesseract_cmd = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'  
original_image = cv2.imread('image3.jpeg')  

左右滑动查看完整代码

您可以将下面的输入图像换成想要使用的图像。

预处理输入

将图像宽度调整为500像素，然后将图像转换成灰度图像，因为canny边缘检测函数只适用于灰度图像。最后，调用bilateralFilter函数以降低图像噪声。

original_image = imutils.resize(original_image, width=500 )  
gray_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY)  
gray_image = cv2.bilateralFilter(gray_image, 11, 17, 17)

左右滑动查看完整代码

在输入端检测车牌

检测车牌是确定汽车上有车牌字符的那部分的过程。

（1）执行边缘检测

先调用cv2.Canny函数，该函数可自动检测预处理图像上的边缘。

edged_image = cv2.Canny(gray_image, 30,200)

我们将通过这些边缘找到轮廓。

（2）寻找轮廓

调用cv2.findContours函数，并传递边缘图像的副本。这个函数将检测轮廓。使用cv2.drawContours函数，绘制原始图像上已检测的轮廓。最后，输出所有可见轮廓已绘制的原始图像。

contours, new = cv2.findContours(edged_image.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)  
img1 = original_image.copy()  
cv2.drawContours(img1, contours, -1, (0, 255, 0), 3)  
cv2.imshow("img1", img1)  

该程序绘制它在汽车图像上找到的所有轮廓。

找到轮廓后，您需要对它们进行筛选，以确定最佳候选轮廓。

（3）筛选轮廓

根据最小面积30对轮廓进行筛选。忽略小于这个面积的轮廓，因为它们不太可能是车牌轮廓。复制原始图像，在图像上绘制前30个轮廓。最后，显示图像。

contours = sorted(contours, key = cv2.contourArea, reverse = True)[:30]  
# stores the license plate contour  
screenCnt = None  
img2 = original_image.copy()  # draws top 30 contours  
cv2.drawContours(img2, contours, -1, (0, 255, 0), 3)  
cv2.imshow("img2", img2)

现在轮廓数量比开始时要少。唯一绘制的轮廓是那些近似含有车牌的轮廓。

最后，您需要遍历已筛选的轮廓，确定哪一个是车牌。

（4）遍历前30个轮廓

创建遍历轮廓的for循环。寻找有四个角的轮廓，确定其周长和坐标。存储含有车牌的轮廓的图像。最后，在原始图像上绘制车牌轮廓并加以显示。

count = 0  
idx = 7  **for** c **in** contours:  # approximate the license plate contour  contour_perimeter = cv2.arcLength(c, True)  approx = cv2.approxPolyDP(c, 0.018 * contour_perimeter, True)  # Look for contours with 4 corners  **if** len(approx) == 4:  screenCnt = approx  # find the coordinates of the license plate contour  x, y, w, h = cv2.boundingRect(c)  new_img = original_image [ y: y + h, x: x + w]  # stores the new image  cv2.imwrite('./'+str(idx)+'.png',new_img)  idx += 1  break  # draws the license plate contour on original image  
cv2.drawContours(original_image , [screenCnt], -1, (0, 255, 0), 3)  
cv2.imshow("detected license plate", original_image )

循环之后，程序已识别出含有车牌的那个轮廓。

识别检测到的车牌

识别车牌意味着读取已裁剪车牌图像上的字符。加载之前存储的车牌图像并显示它。然后，调用pytesseract.image_to_string函数，传递已裁剪的车牌图像。这个函数将图像中的字符转换成字符串。

# filename of the cropped license plate image  
cropped_License_Plate = './7.png'  
cv2.imshow("cropped license plate", cv2.imread(cropped_License_Plate))  # converts the license plate characters to string  
text = pytesseract.image_to_string(cropped_License_Plate, lang='eng')

左右滑动查看完整代码

已裁剪的车牌如下所示。上面的字符将是您稍后在屏幕上输出的内容。

检测并识别车牌之后，您就可以显示输出了。

显示输出

这是最后一步。您将提取的文本输出到屏幕上。该文本含有车牌字符。

print("License plate is:", text)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

程序的预期输出应该如下图所示：

车牌文本可以在终端上看到。

磨砺您的Python技能

用Python检测和识别车牌是一个有意思的项目。它有挑战性，所以应该会帮助您学到关于Python的更多知识。

说到编程，实际运用是掌握一门语言的关键。为了锻炼技能，您需要开发有意思的项目。