# 1. 导入所需库
import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage.feature import hog, local_binary_pattern
from skimage import exposure
import pytesseract
# 2. 配置Tesseract路径（若未添加到环境变量需手动指定）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # Windows示例
# pytesseract.pytesseract.tesseract_cmd = '/usr/bin/tesseract' # Linux示例
# pytesseract.pytesseract.tesseract_cmd = '/usr/local/bin/tesseract' # Mac示例
# 3. 加载并预处理图像
def preprocess_image(image_path):
# 读取图像
image = cv2.imread(image_path)
if image is None:
raise ValueError("无法读取图像，请检查路径是否正确")
# 灰度化处理
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 高斯滤波去噪（核大小(5,5)，标准差0）
blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)
return image, gray_image, blurred_image
# 4. 提取HOG特征
def extract_hog_features(blurred_image):
# 计算HOG特征（方向数9，细胞大小(8,8)，块大小(2,2)）
fd, hog_image = hog(
blurred_image,
orientations=9,
pixels_per_cell=(8, 8),
cells_per_block=(2, 2),
visualize=True,
multichannel=False
)
# 调整HOG图像强度以适应显示
hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))
return fd, hog_image_rescaled
# 5. 提取LBP特征
def extract_lbp_features(blurred_image):
# 计算LBP特征（邻域点数8，半径1，统一模式）
lbp_image = local_binary_pattern(blurred_image, P=8, R=1, method='uniform')
# 转换为uint8格式以适应显示
lbp_image = lbp_image.astype(np.uint8)
return lbp_image
# 6. Haar特征检测车牌区域
def detect_license_plate(gray_image, original_image):
# 加载预训练的车牌级联分类器（俄罗斯车牌训练集，适用于多数车牌类型）
car_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_russian_plate_number.xml')
# 检测车牌区域
plates = car_cascade.detectMultiScale(
gray_image,
scaleFactor=1.1, # 缩放因子
minNeighbors=5, # 相邻检测框阈值
minSize=(30, 30) # 最小车牌尺寸
)
# 在原图上绘制车牌边框并提取车牌区域
detected_image = original_image.copy()
plate_regions = []
for (x, y, w, h) in plates:
# 绘制绿色边框（厚度2）
cv2.rectangle(detected_image, (x, y), (x+w, y+h), (0, 255, 0), 2)
# 提取车牌区域图像
plate_region = original_image[y:y+h, x:x+w]
plate_regions.append((plate_region, x, y, w, h))
return detected_image, plate_regions
# 7. OCR提取车牌文本
def extract_plate_text(plate_region):
# 转换为灰度图以提高识别准确率
plate_gray = cv2.cvtColor(plate_region, cv2.COLOR_BGR2GRAY)
# 二值化处理（自适应阈值，增强文本对比度）
_, plate_binary = cv2.threshold(plate_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 使用Tesseract提取文本（psm 8：将图像视为单个单词）
text = pytesseract.image_to_string(plate_binary, config='--psm 8 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ')
# 去除空格和换行符
text = text.strip().replace(' ', '').replace('\n', '').replace('\r', '')
return text, plate_binary
# 8. 显示所有处理结果
def show_results(original, hog_img, lbp_img, detected_plates, plate_regions, plate_texts, plate_binaries):
# 设置显示窗口大小
plt.rcParams['figure.figsize'] = (15, 10)
# 创建子图
fig, axes = plt.subplots(2, 3)
axes = axes.flatten()
# 显示原图（转换BGR为RGB以适应matplotlib）
axes[0].imshow(cv2.cvtColor(original, cv2.COLOR_BGR2RGB))
axes[0].set_title('原始图像')
axes[0].axis('off')
# 显示HOG特征图
axes[1].imshow(hog_img, cmap='gray')
axes[1].set_title('HOG特征图')
axes[1].axis('off')
# 显示LBP特征图
axes[2].imshow(lbp_img, cmap='gray')
axes[2].set_title('LBP特征图')
axes[2].axis('off')
# 显示检测到车牌的图像
axes[3].imshow(cv2.cvtColor(detected_plates, cv2.COLOR_BGR2RGB))
axes[3].set_title('车牌检测结果')
axes[3].axis('off')
# 显示第一个车牌区域及识别结果
if plate_regions:
axes[4].imshow(cv2.cvtColor(plate_regions[0][0], cv2.COLOR_BGR2RGB))
axes[4].set_title(f'提取的车牌区域\n识别结果：{plate_texts[0]}' if plate_texts[0] else '提取的车牌区域\n未识别到文本')
axes[4].axis('off')
axes[5].imshow(plate_binaries[0], cmap='gray')
axes[5].set_title('车牌二值化图像')
axes[5].axis('off')
else:
axes[4].text(0.5, 0.5, '未检测到车牌', ha='center', va='center', transform=axes[4].transAxes)
axes[4].axis('off')
axes[5].axis('off')
plt.tight_layout()
plt.show()
# 9. 主函数（整合所有步骤）
def main(image_path):
try:
# 步骤1：图像预处理
original_image, gray_image, blurred_image = preprocess_image(image_path)
# 步骤2：提取HOG特征
hog_fd, hog_image = extract_hog_features(blurred_image)
# 步骤3：提取LBP特征
lbp_image = extract_lbp_features(blurred_image)
# 步骤4：检测车牌区域
detected_plate_image, plate_regions = detect_license_plate(gray_image, original_image)
# 步骤5：提取车牌文本
plate_texts = []
plate_binaries = []
for plate_region, x, y, w, h in plate_regions:
text, binary = extract_plate_text(plate_region)
plate_texts.append(text)
plate_binaries.append(binary)
print(f'检测到车牌文本：{text}')
# 步骤6：显示所有结果
show_results(
original_image,
hog_image,
lbp_image,
detected_plate_image,
plate_regions,
plate_texts,
plate_binaries
)
except Exception as e:
print(f"程序运行出错：{str(e)}")
# 运行主函数（替换为你的交通图像路径）
if __name__ == "__main__":
IMAGE_PATH = r'D:\path\to\traffic_image.jpg' # 请替换为实际图像路径
main(IMAGE_PATH)
如何改进，具体步骤
扫一扫
6583
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
