上海网站关键词优化方法,建网站程序,如何做摄影网站,网站开发后端框架目录 1、基本介绍2、基本环境3、核心代码3.1、车牌识别3.2、车牌定位3.3、车牌坐标矫正 4、界面展示4.1、主界面4.2、车牌检测4.3、查询功能 5、演示6、链接 1、基本介绍 本项目采用tensorflow#xff0c;opencv#xff0c;pyside6和pymql编写#xff0c;pyside6用来编写UI界… 目录 1、基本介绍2、基本环境3、核心代码3.1、车牌识别3.2、车牌定位3.3、车牌坐标矫正 4、界面展示4.1、主界面4.2、车牌检测4.3、查询功能 5、演示6、链接 1、基本介绍 本项目采用tensorflowopencvpyside6和pymql编写pyside6用来编写UI界面进行界面展示tensorflow用来训练模型检测字符和车牌定位使用opencv进行边缘检测获取车牌区域的边缘坐标和最小外接矩形4个端点坐标,再从车牌的边缘坐标中计算出和最小外接矩形4个端点最近的点即为平行四边形车牌的四个端点,从而实现车牌的定位和矫正pysql主要用来实现基本的数据库读写插入功能。
2、基本环境
pyside66.5.0
tensorflow2.0.0
opencv-python4.8.1.78
pymysql1.0.33、核心代码
3.1、车牌识别 #车牌识别
def cnn_predict(cnn, Lic_img):characters [京, 沪, 津, 渝, 冀, 晋, 蒙, 辽, 吉, 黑, 苏, 浙, 皖, 闽, 赣, 鲁, 豫,鄂, 湘, 粤, 桂, 琼, 川, 贵, 云, 藏, 陕, 甘, 青, 宁, 新, 0, 1, 2,3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F, G, H, J, K, L, M,N, P, Q, R, S, T, U, V, W, X, Y, Z]Lic_pred []for lic in Lic_img:lic_pred cnn.predict(lic.reshape(1, 80, 240, 3))lic_pred np.array(lic_pred).reshape(7, 65)if len(lic_pred[lic_pred 0.8]) 4:chars for arg in np.argmax(lic_pred, axis1): # 取每行中概率值最大的arg,将其转为字符chars characters[arg]chars chars[0:2] · chars[2:]Lic_pred.append((lic, chars)) # 将车牌和识别结果一并存入Lic_predreturn Lic_pred3.2、车牌定位
#车牌定位
def unet_predict(unet, img_src_path):img_src cv2.imdecode(np.fromfile(img_src_path, dtypenp.uint8), -1)# img_srccv2.imread(img_src_path)if img_src.shape ! (512, 512, 3):img_src cv2.resize(img_src, dsize(512, 512), interpolationcv2.INTER_AREA)[:, :, :3] # dsize(宽度,高度),[:,:,:3]是防止图片为4通道图片后续无法reshapeimg_src img_src.reshape(1, 512, 512, 3)img_mask unet.predict(img_src) # 归一化除以255后进行预测img_src img_src.reshape(512, 512, 3) # 将原图reshape为3维img_mask img_mask.reshape(512, 512, 3) # 将预测后图片reshape为3维img_mask img_mask / np.max(img_mask) * 255 # 归一化后乘以255img_mask[:, :, 2] img_mask[:, :, 1] img_mask[:, :, 0] # 三个通道保持相同img_mask img_mask.astype(np.uint8) # 将img_mask类型转为int型return img_src, img_mask3.3、车牌坐标矫正 def locate_and_correct(img_src, img_mask):该函数通过cv2对img_mask进行边缘检测获取车牌区域的边缘坐标(存储在contours中)和最小外接矩形4个端点坐标,再从车牌的边缘坐标中计算出和最小外接矩形4个端点最近的点即为平行四边形车牌的四个端点,从而实现车牌的定位和矫正img_src: 原始图片img_mask: 通过u_net进行图像分隔得到的二值化图片车牌区域呈现白色背景区域为黑色定位且矫正后的车牌try: # contours1长度为0说明未检测到车牌contours, hierarchy cv2.findContours(img_mask[:, :, 0], cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)except:ret, contours, hierarchy cv2.findContours(img_mask[:, :, 0], cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)if not len(contours):# print(未检测到车牌)return [], []else:Lic_img []img_src_copy img_src.copy()for ii, cont in enumerate(contours):x, y, w, h cv2.boundingRect(cont)img_cut_mask img_mask[y:y h, x:x w]# contours中除了车牌区域可能会有宽或高都是1或者2这样的小噪点# 而待选车牌区域的均值应较高且宽和高不会非常小因此通过以下条件进行筛选if np.mean(img_cut_mask) 75 and w 15 and h 15:rect cv2.minAreaRect(cont) # 针对坐标点获取带方向角的最小外接矩形中心点坐标宽高旋转角度box cv2.boxPoints(rect).astype(np.int32) # 获取最小外接矩形四个顶点坐标cont cont.reshape(-1, 2).tolist()# 由于转换矩阵的两组坐标位置需要一一对应因此需要将最小外接矩形的坐标进行排序最终排序为[左上左下右上右下]box sorted(box, keylambda xy: xy[0]) # 先按照左右进行排序分为左侧的坐标和右侧的坐标box_left, box_right box[:2], box[2:] # 此时box的前2个是左侧的坐标后2个是右侧的坐标box_left sorted(box_left, keylambda x: x[1]) # 再按照上下即y进行排序此时box_left中为左上和左下两个端点坐标box_right sorted(box_right, keylambda x: x[1]) # 此时box_right中为右上和右下两个端点坐标box np.array(box_left box_right) # [左上左下右上右下]# print(box)x0, y0 box[0][0], box[0][1] # 这里的4个坐标即为最小外接矩形的四个坐标接下来需获取平行(或不规则)四边形的坐标x1, y1 box[1][0], box[1][1]x2, y2 box[2][0], box[2][1]x3, y3 box[3][0], box[3][1]def point_to_line_distance(X, Y):if x2 - x0:k_up (y2 - y0) / (x2 - x0) # 斜率不为无穷大d_up abs(k_up * X - Y y2 - k_up * x2) / (k_up ** 2 1) ** 0.5else: # 斜率无穷大d_up abs(X - x2)if x1 - x3:k_down (y1 - y3) / (x1 - x3) # 斜率不为无穷大d_down abs(k_down * X - Y y1 - k_down * x1) / (k_down ** 2 1) ** 0.5else: # 斜率无穷大d_down abs(X - x1)return d_up, d_downd0, d1, d2, d3 np.inf, np.inf, np.inf, np.infl0, l1, l2, l3 (x0, y0), (x1, y1), (x2, y2), (x3, y3)for each in cont: # 计算cont中的坐标与矩形四个坐标的距离以及到上下两条直线的距离对距离和进行权重的添加成功计算选出四边形的4个顶点坐标x, y each[0], each[1]dis0 (x - x0) ** 2 (y - y0) ** 2dis1 (x - x1) ** 2 (y - y1) ** 2dis2 (x - x2) ** 2 (y - y2) ** 2dis3 (x - x3) ** 2 (y - y3) ** 2d_up, d_down point_to_line_distance(x, y)weight 0.975if weight * d_up (1 - weight) * dis0 d0: # 小于则更新d0 weight * d_up (1 - weight) * dis0l0 (x, y)if weight * d_down (1 - weight) * dis1 d1:d1 weight * d_down (1 - weight) * dis1l1 (x, y)if weight * d_up (1 - weight) * dis2 d2:d2 weight * d_up (1 - weight) * dis2l2 (x, y)if weight * d_down (1 - weight) * dis3 d3:d3 weight * d_down (1 - weight) * dis3l3 (x, y)p0 np.float32([l0, l1, l2, l3]) # 左上角左下角右上角右下角p0和p1中的坐标顺序对应以进行转换矩阵的形成p1 np.float32([(0, 0), (0, 80), (240, 0), (240, 80)]) # 我们所需的长方形transform_mat cv2.getPerspectiveTransform(p0, p1) # 构成转换矩阵lic cv2.warpPerspective(img_src, transform_mat, (240, 80)) # 进行车牌矫正Lic_img.append(lic)cv2.drawContours(img_src_copy, [np.array([l0, l1, l3, l2])], -1, (0, 255, 0), 2)return img_src_copy, Lic_img4、界面展示
4.1、主界面 主界面包括停车场容量和剩余容量显示和当前时间。
4.2、车牌检测 车牌检测与定位功能。
4.3、查询功能
按车牌查询。 所有信息记录查询
5、演示
6、链接
源码链接
