车牌定位与畸变校正(python3.7,opencv4.0)

一、前言及思路简析

  目前车牌识别系统在各小区门口随处可见,识别效果貌似都还可以。查阅资料后,发现整个过程又可以细化为车牌定位、畸变校正、车牌分割和内容识别四部分。本篇随笔主要介绍车牌定位及畸变校正两部分,在python环境下通过opencv实现。

1.1 车牌定位

  目前主流的车牌定位方法从大的方面来说可以分为两类:一种是基于车牌的背景颜色特征;另一种基于车牌的轮廓形状特征。基于颜色特征的又可分为两类:一种在RGB空间识别,另一种在HSV空间识别。经测试后发现,单独使用任何一种方法,效果均不太理想。目前比较普遍的做法是几种定位方法同时使用,或用一种识别,另一种验证。本文主要通过颜色特征对车牌进行定位,以HSV空间的H分量为主,以RGB空间的R分量和B分量为辅,后续再用车牌的长宽比例排除干扰。

1.2 畸变校正

  在车牌的图像采集过程中,相机镜头通常都不是垂直于车牌的,所以待识别图像中车牌或多或少都会有一定程度的畸变,这给后续的车牌内容识别带来了一定的困难。因此需要对车牌进行畸变校正,消除畸变带来的不利影响。

二、代码实现

2.1 车牌定位

2.1.1 通过颜色特征选定可疑区域

  取了不同光照环境下车牌的图像,截取其背景颜色,利用opencv进行通道分离和颜色空间转换,经试验后,总结出车牌背景色的以下特征:

  (1)在HSV空间下,H分量的值通常都在115附近徘徊,S分量和V分量因光照不同而差异较大(opencv中H分量的取值范围是0到179,而不是图像学中的0到360;S分量和V分量的取值范围是到255);

  (2)在RGB空间下,R分量通常较小,一般在30以下,B分量通常较大,一般在80以上,G分量波动较大;

  (3)在HSV空间下对图像进行补光和加饱和度处理,即将图像的S分量和V分量均置为255,再进行色彩空间转换,由HSV空间转换为RGB空间,发现R分量全部变为0,B分量全部变为255(此操作会引入较大的干扰,后续没有使用)。

  根据以上特征可初步筛选出可疑的车牌区域。随后对灰度图进行操作,将可疑位置的像素值置为255,其他位置的像素值置为0,即根据特征对图像进行了二值化。二值化图像中,可疑区域用白色表示,其他区域均为黑色。随后可通过膨胀腐蚀等操作对图像进一步处理。

for i in range(img_h):
    for j in range(img_w):
        # 普通蓝色车牌,同时排除透明反光物质的干扰
        if ((img_HSV[:, :, 0][i, j]-115)**2 < 15**2) and (img_B[i, j] > 70) and (img_R[i, j] < 40):
            img_gray[i, j] = 255
        else:
            img_gray[i, j] = 0

 

2.1.2 寻找车牌外围轮廓

  选定可疑区域并将图像二值化后,一般情况下,图像中就只有车牌位置的像素颜色为白,但在一些特殊情况下还会存在一些噪声。如上图所示,由于图像右上角存在蓝色支架,与车牌颜色特征相符,因此也被当做车牌识别了出来,由此引入了噪声。

  经过观察可以发现,车牌区域与噪声之间存在较大的差异,且车牌区域特征比较明显:

  (1)根据我国常规车牌的形状可知,车牌的形状为扁平矩形,长宽比约为3:1;

  (2)车牌区域面积远大于噪声区域,一般为图像中最大的白色区域。

             

  可以通过cv2.findContours()函数寻找二值化后图像中白色区域的轮廓。

  注意:在opencv2和opencv4中,cv2.findContours()的返回值有两个,而在opencv3中,返回值有3个。视opencv版本不同,代码的写法也会存在一定的差异。

# 检测所有外轮廓,只留矩形的四个顶点
# opencv4.0, opencv2.x
contours, _ = cv2.findContours(img_bin, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
# opencv3.x
_, contours, _ = cv2.findContours(img_bin, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

  在本例中,因为二值化图像中共有三块白色区域(车牌及两处噪声),因此返回值contours为长度为3的list。list内装有3个array,每个array内各存放着一块白色区域的轮廓信息。每个array的shape均为(n, 1, 2),即每个array存放着对应白色区域轮廓上n个点的坐标。

  目前得到了3个array,即3组轮廓信息,但我们并不清楚其中哪个是车牌区域对应的那一组轮廓信息。此时可以根据车牌的上述特征筛选出车牌区域的轮廓。

#形状及大小筛选校验
det_x_max = 0
det_y_max = 0
num = 0
for i in range(len(contours)):
    x_min = np.min(contours[i][ :, :, 0])
    x_max = np.max(contours[i][ :, :, 0])
    y_min = np.min(contours[i][ :, :, 1])
    y_max = np.max(contours[i][ :, :, 1])
    det_x = x_max - x_min
    det_y = y_max - y_min
    if (det_x / det_y > 1.8) and (det_x > det_x_max ) and (det_y > det_y_max ):
        det_y_max = det_y
        det_x_max = det_x
        num = i
# 获取最可疑区域轮廓点集
points = np.array(contours[num][:, 0])

  最终得到的points的shape为(n, 2),即存放了n个点的坐标,这n个点均分布在车牌的边缘上。

2.1.3 车牌区域定位

  获取车牌轮廓上的点集后,可用cv2.minAreaRect()获取点集的最小外接矩形。返回值rect内包含该矩形的中心点坐标、高度宽度及倾斜角度等信息,使用cv2.boxPoints()可获取该矩形的四个顶点坐标。

# 获取最小外接矩阵,中心点坐标,宽高,旋转角度
rect = cv2.minAreaRect(points)
# 获取矩形四个顶点,浮点型
box = cv2.boxPoints(rect)
# 取整
box = np.int0(box)

  但我们并不清楚这四个坐标点各对应着矩形的哪一个顶点,因此无法充分地利用这些坐标信息。

  可以从坐标值的大小特征入手,将四个坐标与矩形的四个顶点匹配起来:在opencv的坐标体系下,纵坐标最小的是top_point,纵坐标最大的是bottom_point, 横坐标最小的是left_point,横坐标最大的是right_point。

# 获取四个顶点坐标
left_point_x = np.min(box[:, 0])
right_point_x = np.max(box[:, 0])
top_point_y = np.min(box[:, 1])
bottom_point_y = np.max(box[:, 1])

left_point_y = box[:, 1][np.where(box[:, 0] == left_point_x)][0]
right_point_y = box[:, 1][np.where(box[:, 0] == right_point_x)][0]
top_point_x = box[:, 0][np.where(box[:, 1] == top_point_y)][0]
bottom_point_x = box[:, 0][np.where(box[:, 1] == bottom_point_y)][0]
# 上下左右四个点坐标
vertices = np.array([[top_point_x, top_point_y], [bottom_point_x, bottom_point_y], [left_point_x, left_point_y], [right_point_x, right_point_y]])

 

2.2 畸变校正

 2.2.1 畸变后车牌顶点定位

  要想实现车牌的畸变矫正,必须找到畸变前后对应点的位置关系。

  可以看出,本是矩形的车牌畸变后变成了平行四边形,因此车牌轮廓和得出来的矩形轮廓并不契合。但有了矩形的四个顶点坐标后,可以通过简单的几何相似关系求出平行四边形车牌的四个顶点坐标。

  在本例中,平行四边形四个顶点与矩形四个顶点之间有如下关系:矩形顶点Top_Point、Bottom_Point与平行四边形顶点new_top_point、new_bottom_point重合,矩形顶点Top_Point的横坐标与平行四边形顶点new_right_point的横坐标相同,矩形顶点Bottom_Point的横坐标与平行四边形顶点new_left_point的横坐标相同。

  但事实上,由于拍摄的角度不同,可能出现两种不同的畸变情况。可以根据矩形倾斜角度的不同来判断具体是哪种畸变情况。

 

   判断出具体的畸变情况后,选用对应的几何相似关系,即可轻易地求出平行四边形四个顶点坐标,即得到了畸变后车牌四个顶点的坐标。

  要想实现车牌的校正,还需得到畸变前车牌四个顶点的坐标。因为我国车牌的标准尺寸为440X140,因此可规定畸变前车牌的四个顶点坐标分别为:(0,0),(440,0),(0,140),(440,140)。顺序上需与畸变后的四个顶点坐标相对应。

# 畸变情况1
if rect[2] > -45:
    new_right_point_x = vertices[0, 0]
    new_right_point_y = int(vertices[1, 1] - (vertices[0, 0]- vertices[1, 0]) / (vertices[3, 0] - vertices[1, 0]) * (vertices[1, 1] - vertices[3, 1]))
    new_left_point_x = vertices[1, 0]
    new_left_point_y = int(vertices[0, 1] + (vertices[0, 0] - vertices[1, 0]) / (vertices[0, 0] - vertices[2, 0]) * (vertices[2, 1] - vertices[0, 1]))
    # 校正后的四个顶点坐标
    point_set_1 = np.float32([[440, 0],[0, 0],[0, 140],[440, 140]])
# 畸变情况2
elif rect[2] < -45:
    new_right_point_x = vertices[1, 0]
    new_right_point_y = int(vertices[0, 1] + (vertices[1, 0] - vertices[0, 0]) / (vertices[3, 0] - vertices[0, 0]) * (vertices[3, 1] - vertices[0, 1]))
    new_left_point_x = vertices[0, 0]
    new_left_point_y = int(vertices[1, 1] - (vertices[1, 0] - vertices[0, 0]) / (vertices[1, 0] - vertices[2, 0]) * (vertices[1, 1] - vertices[2, 1]))
    # 校正后的四个顶点坐标
    point_set_1 = np.float32([[0, 0],[0, 140],[440, 140],[440, 0]])

# 校正前平行四边形四个顶点坐标
new_box = np.array([(vertices[0, 0], vertices[0, 1]), (new_left_point_x, new_left_point_y), (vertices[1, 0], vertices[1, 1]), (new_right_point_x, new_right_point_y)])
point_set_0 = np.float32(new_box)

2.2.2 校正

  该畸变是由于摄像头与车牌不垂直而引起的投影造成的,因此可用cv2.warpPerspective()来进行校正。

# 变换矩阵
mat = cv2.getPerspectiveTransform(point_set_0, point_set_1)
# 投影变换
lic = cv2.warpPerspective(img, mat, (440, 140))

 

2.3 源码分享

  1 # Created by 秋沐霖 on 2019/3/19.
  2 import cv2
  3 import numpy as np
  4 
  5 # 预处理
  6 def imgProcess(path):
  7     img = cv2.imread(path)
  8     # 统一规定大小
  9     img = cv2.resize(img, (640,480))
 10     # 高斯模糊
 11     img_Gas = cv2.GaussianBlur(img,(5,5),0)
 12     # RGB通道分离
 13     img_B = cv2.split(img_Gas)[0]
 14     img_G = cv2.split(img_Gas)[1]
 15     img_R = cv2.split(img_Gas)[2]
 16     # 读取灰度图和HSV空间图
 17     img_gray = cv2.cvtColor(img_Gas, cv2.COLOR_BGR2GRAY)
 18     img_HSV = cv2.cvtColor(img_Gas, cv2.COLOR_BGR2HSV)
 19     return img, img_Gas, img_B, img_G, img_R, img_gray, img_HSV
 20 
 21 # 初步识别
 22 def preIdentification(img_gray, img_HSV, img_B, img_R):
 23     for i in range(480):
 24         for j in range(640):
 25             # 普通蓝色车牌,同时排除透明反光物质的干扰
 26             if ((img_HSV[:, :, 0][i, j]-115)**2 < 15**2) and (img_B[i, j] > 70) and (img_R[i, j] < 40):
 27                 img_gray[i, j] = 255
 28             else:
 29                 img_gray[i, j] = 0
 30     # 定义核
 31     kernel_small = np.ones((3, 3))
 32     kernel_big = np.ones((7, 7))
 33 
 34     img_gray = cv2.GaussianBlur(img_gray, (5, 5), 0) # 高斯平滑
 35     img_di = cv2.dilate(img_gray, kernel_small, iterations=5) # 腐蚀5次
 36     img_close = cv2.morphologyEx(img_di, cv2.MORPH_CLOSE, kernel_big) # 闭操作
 37     img_close = cv2.GaussianBlur(img_close, (5, 5), 0) # 高斯平滑
 38     _, img_bin = cv2.threshold(img_close, 100, 255, cv2.THRESH_BINARY) # 二值化
 39     return img_bin
 40 
 41 # 定位
 42 def fixPosition(img, img_bin):
 43     # 检测所有外轮廓,只留矩形的四个顶点
 44     contours, _ = cv2.findContours(img_bin, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
 45     #形状及大小筛选校验
 46     det_x_max = 0
 47     det_y_max = 0
 48     num = 0
 49     for i in range(len(contours)):
 50         x_min = np.min(contours[i][ :, :, 0])
 51         x_max = np.max(contours[i][ :, :, 0])
 52         y_min = np.min(contours[i][ :, :, 1])
 53         y_max = np.max(contours[i][ :, :, 1])
 54         det_x = x_max - x_min
 55         det_y = y_max - y_min
 56         if (det_x / det_y > 1.8) and (det_x > det_x_max ) and (det_y > det_y_max ):
 57             det_y_max = det_y
 58             det_x_max = det_x
 59             num = i
 60     # 获取最可疑区域轮廓点集
 61     points = np.array(contours[num][:, 0])
 62     return points
 63 
 64 
 65 #img_lic_canny = cv2.Canny(img_lic_bin, 100, 200)
 66 
 67 
 68 def findVertices(points):
 69     # 获取最小外接矩阵,中心点坐标,宽高,旋转角度
 70     rect = cv2.minAreaRect(points)
 71     # 获取矩形四个顶点,浮点型
 72     box = cv2.boxPoints(rect)
 73     # 取整
 74     box = np.int0(box)
 75     # 获取四个顶点坐标
 76     left_point_x = np.min(box[:, 0])
 77     right_point_x = np.max(box[:, 0])
 78     top_point_y = np.min(box[:, 1])
 79     bottom_point_y = np.max(box[:, 1])
 80 
 81     left_point_y = box[:, 1][np.where(box[:, 0] == left_point_x)][0]
 82     right_point_y = box[:, 1][np.where(box[:, 0] == right_point_x)][0]
 83     top_point_x = box[:, 0][np.where(box[:, 1] == top_point_y)][0]
 84     bottom_point_x = box[:, 0][np.where(box[:, 1] == bottom_point_y)][0]
 85     # 上下左右四个点坐标
 86     vertices = np.array([[top_point_x, top_point_y], [bottom_point_x, bottom_point_y], [left_point_x, left_point_y], [right_point_x, right_point_y]])
 87     return vertices, rect
 88 
 89 def tiltCorrection(vertices, rect):
 90     # 畸变情况1
 91     if rect[2] > -45:
 92         new_right_point_x = vertices[0, 0]
 93         new_right_point_y = int(vertices[1, 1] - (vertices[0, 0]- vertices[1, 0]) / (vertices[3, 0] - vertices[1, 0]) * (vertices[1, 1] - vertices[3, 1]))
 94         new_left_point_x = vertices[1, 0]
 95         new_left_point_y = int(vertices[0, 1] + (vertices[0, 0] - vertices[1, 0]) / (vertices[0, 0] - vertices[2, 0]) * (vertices[2, 1] - vertices[0, 1]))
 96         # 校正后的四个顶点坐标
 97         point_set_1 = np.float32([[440, 0],[0, 0],[0, 140],[440, 140]])
 98     # 畸变情况2
 99     elif rect[2] < -45:
100         new_right_point_x = vertices[1, 0]
101         new_right_point_y = int(vertices[0, 1] + (vertices[1, 0] - vertices[0, 0]) / (vertices[3, 0] - vertices[0, 0]) * (vertices[3, 1] - vertices[0, 1]))
102         new_left_point_x = vertices[0, 0]
103         new_left_point_y = int(vertices[1, 1] - (vertices[1, 0] - vertices[0, 0]) / (vertices[1, 0] - vertices[2, 0]) * (vertices[1, 1] - vertices[2, 1]))
104         # 校正后的四个顶点坐标
105         point_set_1 = np.float32([[0, 0],[0, 140],[440, 140],[440, 0]])
106 
107     # 校正前平行四边形四个顶点坐标
108     new_box = np.array([(vertices[0, 0], vertices[0, 1]), (new_left_point_x, new_left_point_y), (vertices[1, 0], vertices[1, 1]), (new_right_point_x, new_right_point_y)])
109     point_set_0 = np.float32(new_box)
110     return point_set_0, point_set_1, new_box
111 
112 def transform(img, point_set_0, point_set_1):
113     # 变换矩阵
114     mat = cv2.getPerspectiveTransform(point_set_0, point_set_1)
115     # 投影变换
116     lic = cv2.warpPerspective(img, mat, (440, 140))
117     return lic
118 
119 def main():
120     path = 'F:\\Python\\license_plate\\test\\9.jpg'
121     # 图像预处理
122     img, img_Gas, img_B, img_G, img_R, img_gray, img_HSV = imgProcess(path)
123     # 初步识别
124     img_bin  = preIdentification(img_gray, img_HSV, img_B, img_R)
125     points = fixPosition(img, img_bin)
126     vertices, rect = findVertices(points)
127     point_set_0, point_set_1, new_box = tiltCorrection(vertices, rect)
128     img_draw = cv2.drawContours(img.copy(), [new_box], -1, (0,0,255), 3)
129     lic = transform(img, point_set_0, point_set_1)
130     # 原图上框出车牌
131     cv2.namedWindow("Image")
132     cv2.imshow("Image", img_draw)
133     # 二值化图像
134     cv2.namedWindow("Image_Bin")
135     cv2.imshow("Image_Bin", img_bin)
136     # 显示校正后的车牌
137     cv2.namedWindow("Lic")
138     cv2.imshow("Lic", lic)
139     # 暂停、关闭窗口
140     cv2.waitKey(0)
141     cv2.destroyAllWindows()
142 
143 if __name__ == '__main__':
144     main()
View Code

 三、后记

  由于能力学识有限,代码只能识别最常见的蓝色车牌,对其他车牌无识别能力,后续会持续改进完善项目。最后附上几张实验图片:

 

    

  

    

  

 

posted @ 2019-04-07 16:37 秋沐霖 阅读(...) 评论(...) 编辑 收藏
Live2D