一起用Python做个车牌自动识别系统，好玩又实用！_python车牌模型_jupter代码框出车牌

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新网络安全全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上网络安全知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注网络安全）

正文

self.label_1.setText(_translate("MainWindow", "识别结果："))
self.label_2.setText(_translate("MainWindow", "车牌区域："))
self.label_3.setText(_translate("MainWindow", ""))
self.pushButton.setText(_translate("MainWindow", "打开文件"))
self.pushButton_2.setText(_translate("MainWindow", "导出数据"))
self.label_4.setText(_translate("MainWindow", "事件："))
self.scrollAreaWidgetContents_1.show()
1
2
3
4
5
6
7

UI实现效果如下：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/569378992ccf4d1990cf8e1001bf6f8d.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hobGFkbWluaGhs,size_16,color_FFFFFF,t_70)


##### 2. 车牌识别


接下来我们需要实现两个核心功能，包括获取**车牌ROI区域**和**车牌自动识别**功能。


**车牌ROI区域提取：**


根据读取的车辆图片，预处理进行车牌ROI区域提取，主要通过Opencv的图像处理相关知识点来完成。主要包括对图像去噪、二值化、边缘轮廓提取、矩形区域矫正、蓝绿黄车牌颜色定位识别。核心代码如下：



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

author：CSDN-Dragon少年

预处理

def pretreatment(self, car_pic):
if type(car_pic) == type(“”):
img = self.__imreadex(car_pic)
else:
img = car_pic
pic_hight, pic_width = img.shape[:2]

if pic_width > self.MAX_WIDTH:
    resize_rate = self.MAX_WIDTH / pic_width
    img = cv2.resize(img, (self.MAX_WIDTH, int(pic_hight \* resize_rate)),
                     interpolation=cv2.INTER_AREA)  # 图片分辨率调整
blur = self.cfg["blur"]
# 高斯去噪
if blur > 0:
    img = cv2.GaussianBlur(img, (blur, blur), 0)
oldimg = img
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = np.ones((20, 20), np.uint8)
img_opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)  # 开运算
img_opening = cv2.addWeighted(img, 1, img_opening, -1, 0);  # 与上一次开运算结果融合
# cv2.imshow('img\_opening', img\_opening)

# 找到图像边缘
ret, img_thresh = cv2.threshold(img_opening, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)  # 二值化
img_edge = cv2.Canny(img_thresh, 100, 200)
# cv2.imshow('img\_edge', img\_edge)

# 使用开运算和闭运算让图像边缘成为一个整体
kernel = np.ones((self.cfg["morphologyr"], self.cfg["morphologyc"]), np.uint8)
img_edge1 = cv2.morphologyEx(img_edge, cv2.MORPH_CLOSE, kernel)  # 闭运算
img_edge2 = cv2.morphologyEx(im
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23