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。
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) 左右滑动查看完整代码
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)
左右滑动查看完整代码
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 )
左右滑动查看完整代码
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。
源码可以微信扫描下方CSDNA官方认证二维码领取【保证100%免费】
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。
最后这里免费分享给大家一份Python全台学习资料，包含视频、源码、课件
希望能帮到那些不满现状，想提升自己却又没有方向的朋友，也可以和我一起来学习交流呀。
编程资料、学习路线图、源代码、软件安装包等！
① Python所有方向的学习路线图，清楚各个方向要学什么东西
② 100多节Python课程视频，涵盖必备基础、爬虫和数据分析
③ 100多个Python实战案例，学习不再是只会理论
④ 华为出品独家Python漫画教程，手机也能学习
⑤ 历年互联网企业Python面试真题,复习时非常方便
可以扫描下方CSDNA官方认证二维码领取【保证100%免费】
原文链接：
https://www.makeuseof.com/python-car-license-plates-detect-and-recognize/