可用于毕业设计、课程设计的车牌识别的图形化界面程序

import cv2
import numpy as np
from numpy.linalg import norm
import sys
import os
import json
from matplotlib import pyplot as plt

SZ = 20  # 训练图片长宽
MAX_WIDTH = 1000  # 原始图片最大宽度
Min_Area = 2000  # 车牌区域允许最大面积
PROVINCE_START = 1000


# 读取图片文件
def imreadex（filename）:
    return cv2.imdecode（np.fromfile（filename dtype=np.uint8） cv2.IMREAD_COLOR）


def point_limit（point）:
    if point[0] < 0:
        point[0] = 0
    if point[1] < 0:
        point[1] = 0

# 根据设定的阈值和图片直方图，找出波峰，用于分隔字符
def find_waves（threshold histogram）:
    up_point = -1  # 上升点
    is_peak = False
    if histogram[0] > threshold:
        up_point = 0
        is_peak = True
    wave_peaks = []
    for i x in enumerate（histogram）:
        if is_peak and x < threshold:
            if i - up_point > 2:
                is_peak = False
                wave_peaks.append（（up_point i））
        elif not is_peak and x >= threshold:
            is_peak = True
            up_point = i
    if is_peak and up_point != -1 and i - up_point > 4:
        wave_peaks.append（（up_point i））
    return wave_peaks


# 根据找出的波峰，分隔图片，从而得到逐个字符图片
def seperate_card（img waves）:
    part_cards = []
    for wave in waves:
        part_cards.append（img[: wave[0]:wave[1]]）
    return part_cards


# 来自opencv的sample，用于svm训练
def deskew（img）:
    m = cv2.moments（img）
    if abs（m[‘mu02‘]） < 1e-2:
        return img.copy（）
    skew = m[‘mu11‘] / m[‘mu02‘]
    M = np.float32（[[1 skew -0.5 * SZ * skew] [0 1 0]]）
    img = cv2.warpAffine（img M （SZ SZ） flags=cv2.WARP_INVERSE_MAP | cv2.INTER_LINEAR）
    return img


# 来自opencv的sample，用于svm训练
def preprocess_hog（digits）:
    samples = []
    for img in digits:
        gx = cv2.Sobel（img cv2.CV_32F 1 0）
        gy = cv2.Sobel（img cv2.CV_32F 0 1）
        mag ang = cv2.cartToPolar（gx gy）
        bin_n = 16
        bin = np.int32（bin_n * ang / （2 * np.pi））
        bin_cells = bin[:10 :10] bin[10: :10] bin[:10 10:] bin[10: 10:]
        mag_cells = mag[:10 :10] mag[10: :10] mag[:10 10:] mag[10: 10:]
        hists = [np.bincount（b.ravel（） m.ravel（） bin_n） for b m in zip（bin_cells mag_cells）]
        hist = np.hstack（hists）

        # transform to Hellinger kernel
        eps = 1e-7
        hist /= hist.sum（） + eps
        hist = np.sqrt（hist）
        hist /= norm（hist） + eps

        samples.append（hist）
    return np.float32（samples）


# 不能保证包括所有省份
provinces = [
    “zh_cuan“ “川“
    “zh_e“ “鄂“
    “zh_gan“ “赣“
    “zh_gan1“ “甘“
    “zh_gui“ “贵“
    “zh_gui1“ “桂“
    “zh_hei“ “黑“
    “zh_hu“ “沪“
    “zh_ji“ “冀“
    “zh_jin“ “津“
    “zh_jing“ “京“
    “zh_jl“ “吉“
    “zh_liao“ “辽“
    “zh_lu“ “鲁“
    “zh_meng“ “蒙“
    “zh_min“ “闽“
    “zh_ning“ “宁“
    “zh_qing“ “靑“
    “zh_qiong“ “琼“
    “zh_shan“ “陕“
    “zh_su“ “苏“
    “zh_sx“ “晋“
    “zh_wan“ “皖“
    “zh_xiang“ “湘“
    “zh_xin“ “新“
    “zh_yu“ “豫“
    “zh_yu1“ “渝“
    “zh_yue“ “粤“
    “zh_yun“ “云“
    “zh_zang“ “藏“
    “zh_zhe“ “浙“
]