人工智能綜合項目開發(fā)- 課件 項目八 車牌識別閘機控制系統(tǒng)模擬實驗

人工智能綜合項目開發(fā)項目八車牌識別閘機控制系統(tǒng)模擬實驗成都職業(yè)技術(shù)學院項目分析01任務(wù)一車牌識別模型部署02任務(wù)二閘機控制系統(tǒng)構(gòu)建03項目八

車牌識別閘機控制系統(tǒng)模擬實驗項目分析智慧停車場管理系統(tǒng)首先實現(xiàn)車牌數(shù)據(jù)采集；然后利用深度學習神經(jīng)網(wǎng)絡(luò)算法進行

車牌檢測和車牌識別；然后根據(jù)識別結(jié)果對閘機進行控制，以及

LCD

屏幕顯示車牌識別

結(jié)果。學習神經(jīng)網(wǎng)絡(luò)數(shù)學模型基本概念；學習損失函數(shù)、優(yōu)化器的基本概念；掌握神經(jīng)網(wǎng)絡(luò)模型訓練的基本流程；掌握使用神經(jīng)網(wǎng)絡(luò)解決車牌識別問題的方法；掌握嵌入式系統(tǒng)開發(fā)基本流程。

1.車牌識別概述車牌識別系統(tǒng)是計算機視頻圖像識別技術(shù)在車輛牌照識別中的一種應(yīng)用，能夠?qū)⑦\

動中的車輛牌照信息（包括漢字字符、英文字母、阿拉伯數(shù)字及號牌顏色）從復雜的背

景中提取并識別出來，通過車牌提取、圖像預(yù)處理、特征提取、車牌字符識別等技術(shù)，

識別車輛牌號、顏色等信息。目前對車牌的字母和數(shù)字的識別率均可達到

99%以上。根據(jù)應(yīng)用條件和要求的不同，車牌識別產(chǎn)品也有多種類型。從實現(xiàn)模式來說，分為

軟識別和硬識別兩種。軟識別即車牌識別軟件，基本是安裝的

PC

端、服務(wù)器端，前端硬件設(shè)備采集視頻或

抓拍圖片，傳輸?shù)胶蠖藥в凶R別軟件識別端進行識別，這種技術(shù)多數(shù)應(yīng)用在前期模擬相

機時代停車場，高速公路，電子警察，但這種方式對分析端要求較高，如中間傳輸出現(xiàn)

中斷或者后端出現(xiàn)重啟情況，就無法實時進行識別。特別是在一些小型場景，比如停車

場，加油站，新能源電動車充電站內(nèi)，PC

在崗亭或者機房，經(jīng)常由于溫度、潮濕等條件

影響，也會存在不穩(wěn)定情況；另外在特定場景，由于天氣、復雜環(huán)境、角度影響，識別率遲遲達不到很高標準，所以軟識別已經(jīng)很少使用。硬識別即前端實現(xiàn)視頻圖像采集處理，自動補光，自適應(yīng)各種復雜環(huán)境，車輛號碼

自動識別并輸出一體化設(shè)備，這種模式采用嵌入式技術(shù)，把深度學習算法植入到專用攝

像機硬件中。具有運算速度快、器件體積小、穩(wěn)定性強，自適應(yīng)強等特點。當前，車牌識別技術(shù)已經(jīng)廣泛應(yīng)用于停車管理、稱重系統(tǒng)、靜態(tài)交通車輛管理、公

路治超、公路稽查、車輛調(diào)度、車輛檢測等各種場合，對于維護交通安全和城市治安，

防止交通堵塞，實現(xiàn)交通自動化管理有著現(xiàn)實的意義。車牌識別技術(shù)是智慧停車場系統(tǒng)中的重要組成部分。本次智慧停車場管理的第一個

任務(wù)就是車牌識別模型部署，如圖

8.0-1

所示的車牌識別系統(tǒng)開發(fā)流程圖中，獲取到車

牌圖像后就進行車牌識別模型部署任務(wù)。圖

8.0-1

車牌識別系統(tǒng)開發(fā)流程圖其中車牌識別模型部署主要分為三個步驟實現(xiàn)，首先提取出圖像中的車牌大致位置；

然后再利用透視變換和垂直精細繪圖提取出車牌的精確位置；最后利用

OCR（Optical

Character

Recognition）字符識別方法識別出車牌號并輸出。車牌提取詳細流程如圖

8.0-2

所示。圖

8.0-2

車牌提取詳細流程圖2.閘機控制系統(tǒng)概述實現(xiàn)車牌識別之后就可以確定是否放行然后控制道閘打開或者關(guān)閉。閘機控制系統(tǒng)

流程如圖

8.0-3

所示：圖

8.0-3

閘機控制系統(tǒng)流程圖閘機系統(tǒng)底層功能實現(xiàn)結(jié)構(gòu)分析流程圖如圖

8.0-4

所示，識別到車牌信息后，通過

WiFi

通信協(xié)議將識別結(jié)果發(fā)送給智能節(jié)點核心控制板，智能節(jié)點核心控制板再通過串口

控制舵機執(zhí)行器開啟，同時語音識別模塊自動播報閘機狀態(tài)及識別的車牌和車位數(shù)信息。

LCD

顯示屏將識別的車牌號和車位數(shù)量信息進行顯示。智能節(jié)點核心控制板再將底層實現(xiàn)

的功能數(shù)據(jù)通過

WiFi

通信協(xié)議上傳。圖

8.0-4

閘機系統(tǒng)底層功能實現(xiàn)結(jié)構(gòu)分析流程圖任務(wù)一

車牌識別模型部署（1）車牌粗定位首先對車牌進行初步檢測定位，檢測出車牌的大致位置。對圖像進行一些插補和調(diào)

整圖像大小比例，然后核心的部分就是

cascade

級聯(lián)分類器的應(yīng)用。這里的級聯(lián)分類器

是基于

Haar+Adaboost

構(gòu)成的，也即

cascade.xml

文件，該文件存放了一些車牌的

Haar

特征。在這里我們采用了

cascade.xml

檢測模型，然后使用

OpenCV

的

detectMultiscale的方法來對圖像進行滑動窗口遍歷尋找車牌，實現(xiàn)車牌的粗定位。

#

實現(xiàn)車牌粗定位watch_cascade

=

cv2.CascadeClassifier("cascade.xml")

#

加載車牌檢測的級聯(lián)分類器#

獲取車牌粗定位區(qū)域。image_gray：灰度圖。def

detectPlateRough(watch_cascade,

image_gray,

resize_h=720,

en_scale=1.08,

top_bottom_padding_rate=0.05):if

top_bottom_padding_rate

>

0.2:print("error:top_bottom_padding_rate

>

0.2:",

top_bottom_padding_rate)exit(1)height

=

image_gray.shape[0]padding

=

int(height

*

top_bottom_padding_rate)scale

=

image_gray.shape[1]

/

float(image_gray.shape[0])image

=

cv2.resize(image_gray,

(int(scale*resize_h),

resize_h))image_color_cropped

=

image[padding:resize_h-padding,

0:image_gray.shape[1]]image_gray

=

cv2.cvtColor(image_color_cropped,

cv2.COLOR_RGB2GRAY)5#

滑動窗口遍歷尋找車牌watches

=

watch_cascade.detectMultiScale(image_gray,

en_scale,

2,

minSize=(36,

9),

maxSize=(36*40,

9*40))cropped_images

=

[]for

(x,

y,

w,

h)

in

watches:#

從圖形中剪裁車牌區(qū)域cropped_origin

=

cropped_from_image(image_color_cropped,

(int(x),

int(y),

int(w),

int(h)))x

-=

w

*

0.14w

+=

w

*

0.28y

-=

h

*

0.6h

+=

h

*

1.1

其中

detectMultiscale()函數(shù)為多尺度多目標檢測。多尺度通常搜索目標的模板尺

寸大小是固定的，但不同圖片大小不同，目標對象的大小也是不定的，因此多尺度即不

斷縮放圖片大?。s放到與模板匹配），通過模板滑動窗函數(shù)搜索匹配。同一幅圖片可

能在不同尺度下都得到匹配值，所以多尺度檢測函數(shù)

detectMultiscale()是多尺度合并

的結(jié)果。因此

cascade.xml

這個文件是通過很多的正樣本車牌圖片和負樣本非車牌圖片轉(zhuǎn)換

的

cascade.xml

文件，其中的

Haar

特征數(shù)據(jù)已經(jīng)過

Adaboost

處理。通過這個

xml

文件就

可以訓練出一個級聯(lián)分類器，該分類器的判別車牌標準是通過計算大量車牌特征后得出

的一個閾值，大于這個閾值判別為車牌，否則判別為非車牌，如圖

8.0-1

所示。通過該

方法就得到了圖像中車牌的粗定位。cropped

=

cropped_from_image(image_color_cropped,

(int(x),

int(y),

int(w),

int(h)))#

將找到的所有車牌存放入列表cropped_images.append([cropped,

[x,

y+padding,

w,

h],

cropped_origin])return

cropped_images

#

返回車牌位置圖

8.0-1

車牌檢測判定示意圖粗定位后的圖像如圖

8.0-2

所示：圖

8.0-2

車牌粗定位（2）車牌精定位對車牌進行粗定位后，再對車牌進行精定位。這里的精定位其實就是切掉原來粗定

位后車牌的多余部分，這里使用首先使用透視變換矯正車牌位置，然后調(diào)用

tflite

模型實現(xiàn)垂直精細繪圖方法輸出車牌精定位。使用

OpenCV

的

getPerspectiveTransform()和

warpPerspective()函數(shù)實現(xiàn)透視變換，矯正圖像中的車牌位置。#

透視變換實現(xiàn)車牌矯正def

findContoursAndDrawBoundingBox(image_rgb):line_upper

=

[]line_lower

=

[]line_experiment

=

[]gray_image

=

cv2.cvtColor(image_rgb,cv2.COLOR_BGR2GRAY)for

k

in

np.linspace(-50,

0,

15):binary_niblack

=

cv2.adaptiveThreshold(gray_image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,17,k)

#

自適應(yīng)閾值二值化contours,

hierarchy

=

cv2.findContours(binary_niblack.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)for

contour

in

contours:bdbox

=

cv2.boundingRect(contour)if

(bdbox[3]/float(bdbox[2])>0.7

and

bdbox[3]*bdbox[2]>100

and

bdbox[3]*bdbox[2]<1200)

line_upper.append([bdbox[0],bdbox[1]])

line_lower.append([bdbox[0]+bdbox[2],bdbox[1]+bdbox[3]])

line_experiment.append([bdbox[0],bdbox[1]])

line_experiment.append([bdbox[0]+bdbox[2],bdbox[1]+bdbox[3]])rgb

=

cv2.copyMakeBorder(image_rgb,30,30,0,0,cv2.BORDER_REPLICATE)

#

邊緣填充

leftyA,

rightyA

=

fitLine_ransac(np.array(line_lower),

3)leftyB,

rightyB

=

fitLine_ransac(np.array(line_upper),

-3)or

(bdbox[3]/float(bdbox[2])>3

and

bdbox[3]*bdbox[2]<100):rows,cols

=

rgb.shape[:2]pts_map1

=

np.float32([[cols

-

1,

rightyA],

[0,

leftyA],

[cols

-

1,

rightyB],

[0,

leftyB]])pts_map2

=

np.float32([[136,36],[0,36],[136,0],[0,0]])mat

=

cv2.getPerspectiveTransform(pts_map1,pts_map2)

#

透視變換image

=

cv2.warpPerspective(rgb,mat,(136,

36),flags=cv2.INTER_CUBIC)

#

透視變換image,

M

=

fastDeskew(image)

#

圖像矯正return

image

#

返回矯正后的圖像矯正后的圖像如圖

8.0-3

所示：圖

8.0-3

車牌矯正調(diào)用

tflite

模型實現(xiàn)垂直精細繪圖方法輸出車牌精定位。#

加載

tflite

模型class

TfliteRun:def

init

(self,

model_name="model12",

model_path=POSENET_MODEL):"""model_name:

模型名稱model_path:

模型路徑"""erpreter

=

tflite.Interpreter(model_path=model_path)

#

讀取模型self.interpreter.allocate_tensors()

self.model_name

=

model_name#

分配張量#

獲取輸入層和輸出層維度self.input_details

=

erpreter.get_input_details()

self.output_details

=

erpreter.get_output_details()#

實現(xiàn)模型推理

def

inference(self,

img):input_data

=

img

self.interpreter.set_tensor(self.input_details[0]['index'],

input_data)

erpreter.invoke()

#

模型推理output_data1

=

erpreter.get_tensor(self.output_details[0]['index'])

#

獲取輸出層數(shù)據(jù)

return

output_data1#

模型推理class

model12Rec(object):def

init

(self,

model_path=L12REC_PATH):self.tflite_run

=

TfliteRun(model_path=model_path)

#

加載

tflite

模型

def

imgPreprocessing(self,

img):resized

=

cv2.resize(img,

(66,

16))

resized

=

resized.astype(np.float32)

/

255

resized

=

resized[np.newaxis,

:]return

resized

def

inference(self,

img):img

=

self.imgPreprocessing(img)

#

圖片預(yù)處理

return

self.tflite_run.inference(img)[0]

#

模型推理#

定義垂直精細繪圖函數(shù)def

finemappingVertical(res,

image):

print("keras_predict",

res)res

=

res*image.shape[1]

res

=

res.astype(16)

H,T

=

res

H

-=

3if

H

<

0:

H

=

0T

+=

2if

T

>=

image.shape[1]-1:

T

=

image.shape[1]-1image

=

image[0:35,

H:T+2]image

=

cv2.resize(image,

(int(136),

int(36)))

return

image

#

返回車牌精定位圖片model12_rec

=

model12Rec("model12.tflite")plate

=

finemappingVertical(self.model12_rec.inference(plate),

plate)

#

輸入矯正后的車牌，調(diào)用模型實現(xiàn)垂直精細繪圖，輸出車牌精定位。精定位后的圖像如圖

8.0-4

所示：圖

8.0-4

車牌精定位（3）車牌識別實現(xiàn)確定好車牌的位置后，對該車牌字符信息進行識別，最終輸出車牌號。車牌字符信

息識別采用

OCR

字符識別技術(shù)，也就是在不分割字符的前提下能夠識別出車牌一共七個

字符。傳統(tǒng)的車牌字符識別就是先分割字符然后再逐一使用分類算法進行識別。不分割

字符直接識別方式的優(yōu)點就是僅需要較少的字符樣本即可用于分類器的訓練。目前大多

數(shù)商業(yè)車牌識別軟件采用的就是這種方法。如果在某些惡劣的自然情況下，車牌字符的

分割和識別就變得尤其困難，傳統(tǒng)的方法并不能取得很好的結(jié)果，這時候也可以采用整

體識別方式。通常車牌由七個字符組成，就可以采用多標簽分類的方法直接輸出多個標

簽，如圖

8.0-5

所示:

圖

8.0-5

車牌識別多標簽分類輸出示例輸入車牌精定位圖片，加載

OCR

字符識別模型返回字符識別結(jié)果。import

onnxruntime

as

ort#

加載

ONNX

模型，識別字符

class

OnnxRun:def

init

(self,

model_name="ocr_rec",

model_path="ocr_rec.onnx"):

"""model_name:

模型名稱

model_path:

模型路徑

"""self.model_name

=

model_nameself.ort_session

=

ort.InferenceSession(model_path)

self.input_name

=

self.ort_session.get_inputs()[0].name

input

=

self.ort_session.get_inputs()output

=

self.ort_session.get_outputs()#

模型推理

def

inference(self,

img):input_data

=

imgreturn

self.ort_session.run(None,

{self.input_name:

input_data})加載字符標簽文件解析

OCR

字符識別模型推理結(jié)果，輸出車牌字符。

class

ProcessPred(object):#

獲取字符識別標簽文件def

init

(self,

character_dict_path=None,

character_type='ch',

use_space_char=False):

self.character_str

=

''with

open(character_dict_path,

'rb')

as

fin:

lines

=

fin.readlines()for

line

in

lines:line

=

line.decode('utf-8').strip('\n').strip('\r\n')self.character_str

+=

lineif

use_space_char:self.character_str

+=

'

'dict_character

=

list(self.character_str)dict_character

=

self.add_special_char(dict_character)self.dict

=

{}for

i,

char

in

enumerate(dict_character):self.dict[char]

=

iself.character

=

dict_characterdef

add_special_char(self,

dict_character):dict_character

=

['blank']

+

dict_characterreturn

dict_character最后返回車牌識別結(jié)果，如圖

8.0-6

所示：圖

8.0-6

車牌識別結(jié)果任務(wù)二

閘機控制系統(tǒng)構(gòu)建1.系統(tǒng)硬件模塊在閘機系統(tǒng)中，采用了智能節(jié)點核心控制板、舵機執(zhí)行器、LCD

顯示屏、語音識別模塊攝像頭等硬件模塊。1）智能節(jié)點核心控制板：主要實現(xiàn)與項目軟件部分進行通信，獲取車牌識別結(jié)果并將閘機狀態(tài)上傳，同時通

過串口控制舵機執(zhí)行器開關(guān)，控制

LCD

顯示屏顯示車牌號等功能。2）舵機執(zhí)行器：舵機是一種位置（角度）伺服的驅(qū)動器，適用于一些需要角度不斷變化并可以保持

的控制系統(tǒng)。舵機實際上是一種俗稱，其是一種伺服馬達。舵機

SG90

有三根線控制。暗灰色線為

GND，地線；紅色線為

VCC，電源線，工作電壓

為

4.8~7.2V，通常情況下使用+5V

做電源電壓；橙黃色線為控制線，通過該線輸入脈沖

信號，從而控制舵機轉(zhuǎn)動，其轉(zhuǎn)動角度為

180°。3）LCD

顯示屏：TFT-LCD

即薄膜晶體管液晶顯示器。主要實現(xiàn)車牌號和車位數(shù)顯示功能。2.基于車牌識別的道閘控制系統(tǒng)

1）車牌識別功能插件構(gòu)建實現(xiàn)第一個功能插件，車牌圖像獲取功能插件。調(diào)用攝像頭獲取車牌圖像，獲取車

牌識別結(jié)果消息隊列，并調(diào)用函數(shù)實現(xiàn)車牌識別結(jié)果繪制。class

VideoThread(threading.Thread):def

init

(self,

camera="0",

q_flask:Queue=None,q_img:Queue=None,

q_rec:Queue=None,

q_send=None,

full_dict=None):

threading.Thread.

init

(self)self.cap

=

setCamera(camera)

#

網(wǎng)絡(luò)攝像頭

self.q_flask

=

q_flaskself.full_dict

=

full_dictself.embd_drive

=

EmbdDrive(q_send=q_send)def

run(self):

pricet

=

[]

while

True:if

self.cap

!=

"":ret,

frame

=

self.cap.read()#

調(diào)用攝像頭，獲取車牌圖像幀frame

=

cv2.resize(frame,

(ai_cfg.CAM_WIDTH,

ai_cfg.CAM_HEIGHT))self.q_img

=

q_img

self.q_rec

=

q_rec#

消息隊列傳遞原始圖像到識別插件

#

消息隊列傳遞

AI

模型的推理結(jié)果#

原始圖像傳遞if

not

self.q_img.full()

and

not

frame

is

None:self.q_img.put(bytearray(frame))if

not

self.q_rec.empty():pricet

=

self.q_rec.get()

#

獲取車牌識別結(jié)果消息隊列frame,

lpr_strs

=

recImgDis(frame,

pricet)

#

車牌識別結(jié)果繪制self.embd_drive.gatePlate(lpr_strs[0])self.full_dict[config.PLATE_STR]

=

lpr_strs[0]log.info(lpr_strs)#

傳遞結(jié)果繪制圖像if

not

self.q_flask.full()

and

not

frame

is

None:self.q_flask.put(bytearray(frame))2）車牌識別模型推理功能插件實現(xiàn)。獲取待識別車牌圖像，調(diào)用車牌識別函數(shù)實現(xiàn)車牌識別，并將識別結(jié)果傳遞到消息隊列。class

FaceMaskRecThread(threading.Thread):def

init

(self,

q_img:Queue=None,

q_rec:Queue=None):threading.Thread.

init

(self)self.q_img

=

q_img

self.q_rec

=

q_rec#

消息隊列傳遞原始圖像到識別插件

#

消息隊列傳遞

AI

模型的推理結(jié)果self.face_detect_rec

=

LicensePlateRec(detect_path=ai_cfg.PLATE_DETECT_PATH,

ocr_rec_path=ai_cfg.PLATE_OCR_PATH,

ocr_keys_path=ai_cfg.OCR_KEYS_PATH,

l12_path=ai_cfg.L12REC_PATH)def

run(self):while

True:if

self.q_img.empty():continueelse:image

=

self.q_img.get()

#

獲取當前圖片幀if

image

!=

False:image

=

np.array(image).reshape(ai_cfg.CAM_HEIGHT,

ai_cfg.CAM_WIDTH,

3)else:breakface_detect_pricet

=

self.face_detect_rec.inference(image)

#

調(diào)用車牌識別模型推理函數(shù)if

self.q_rec.full():continueelse:self.q_rec.put(face_detect_pricet)

#

傳遞識別結(jié)果

q_rec

消息隊列然后定義車牌識別模型推理函數(shù)，輸入待識別車輛圖像，然后調(diào)用車牌檢測級聯(lián)分類器模型提取車牌圖像，再對提取出的車牌圖像進行矯正和精提取，最后調(diào)用

OCR

字符識別模型和字符標簽文件輸出車牌號。class

LicensePlateRec(object):def

init

(self,

detect_path=PLATE_DETECT_PATH,

#

車牌檢測級聯(lián)分類器ocr_rec_path=PLATE_OCR_PATH,#

OCR

字符識別模型ocr_keys_path=OCR_KEYS_PATH,#

字符標簽文件l12_path

=

L12REC_PATH):

#

加載車牌檢測的級聯(lián)分類器#

車牌精定位模型self.watch_cascade

=

cv2.CascadeClassifier(detect_path)

self.model12_rec

=

model12Rec(l12_path)self.onnx_run

=

OnnxRun(model_path=ocr_rec_path)

self.postprocess_op

=

ProcessPred(ocr_keys_path,

'ch',

True)

self.predictions

=

[]#

輸入數(shù)據(jù)預(yù)處理函數(shù)

def

imgPreprocessing(self,

img):h,

w

=

img.shape[:2]

max_wh_ratio

=

w

*

1.0

/

himgC,

imgH,

imgW

=

[int(v)

for

v

in

"3,

32,

100".split(",")]assert

imgC

==

img.shape[2]

imgW

=

int((32

*

max_wh_ratio))

h,

w

=

img.shape[:2]ratio

=

w

/

float(h)

if

math.ceil(imgH

*

ratio)

>

imgW:resized_w

=

imgW

else:resized_w

=

int(math.ceil(imgH

*

ratio))resized_image

=

cv2.resize(img,

(resized_w,

imgH)).astype('float32')

resized_image

=

resized_image.transpose((2,

0,

1))

/

255resized_image

-=

0.5

resized_image

/=

0.5padding_im

=

np.zeros((imgC,

imgH,

imgW),

dtype=np.float32)padding_im[:,

:,

0:resized_w]

=

resized_image

padding_im

=

padding_im[np.newaxis,

:]return

padding_im

#

車牌識別

def

inference(self,

img):lpr_strs

=

[]

boxs

=

[]#

車牌區(qū)域提取images

=

detectPlateRough(self.watch_cascade,

img,

img.shape[0],

top_bottom_padding_rate=0.1)for

i,

plate

in

enumerate(images):plate,

rect,

origin_plate

=

plate

#

邊距填充后的車牌、車牌坐標、原始車牌圖片

plate

=

cv2.resize(plate,

(136,

36

*

2))plate

=

findContoursAndDrawBoundingBox(plate)

#

車牌位置字符較正plate

=

finemappingVertical(self.model12_rec.inference(plate),

plate)

#

垂直精細繪圖

plate

=

finemappingVertical(self.model12_rec.inference(plate),

plate)

#

垂直精細繪圖

input_data

=

self.imgPreprocessing(plate)

#

輸入數(shù)據(jù)預(yù)處理ocr_rec

=

self.onnx_run.inference(input_data)

#

字符識別模型推理#

調(diào)用字符標簽文件解析車牌字符識別模型輸出結(jié)果

lpr_str

=

self.postprocess_op(ocr_rec[0])[0]boxs.append(rect)

#

獲取車牌位置lpr_strs.append(lpr_str[0])

#

獲取車牌識別結(jié)果self.predictions

=

[lpr_strs,

boxs]

#

返回車牌號和車牌位置

return

self.predictions識別到車牌后，將識別結(jié)果傳遞到

q_rec

識別結(jié)果消息隊列，車牌圖像獲取線程就

會對識別結(jié)果進行繪制。根據(jù)返回的車牌位置坐標，利用

OpenCV

繪制出矩形框?qū)④嚺瓶?/p>

選出，再將車牌號顯示到矩形框上方，從而實現(xiàn)車牌識別結(jié)果的可視化顯示。

#

繪制識別結(jié)果def

recImgDis(img,

process_pred,

font_path=False):lpr_strs

=

[]if

process_pred:lpr_strs,

boxs

=

process_predfor

i,

rect

in

enumerate(boxs):cv2.rectangle(img,

(int(rect[0]),

int(rect[1])),(int(rect[0]

+

rect[2]),

int(rect[1]

+

rect[3])),(0,

0,

255),

2,

cv2.LINE_AA)cv2.rectangle(img,

(int(rect[0]

-

1),

int(rect[1])

-

16),(int(rect[0]

+

115

+

50),

int(rect[1])),(0,

0,

255),

-1,

cv2.LINE_AA)if

font_path:img

=

putText(img,

str(lpr_strs[i]),org=(int(rect[0]+1),

int(rect[1]-16)),font_path=FONT_PATH)else:img

=

putText(img,

str(lpr_strs[i]),

org=(int(rect[0]+1),

int(rect[1]-16)))if

not

lpr_strs:

識別效果如圖

8.11

所示：圖

8.11

車牌識別任務(wù)（2）道閘控制系統(tǒng)功能插件構(gòu)建最后實現(xiàn)嵌入式設(shè)備數(shù)據(jù)傳遞插件，將車牌識別結(jié)果以及閘機控制指令傳遞給閘機

控制系統(tǒng)。識別到車牌后不能直接將字符識別結(jié)果傳遞到道閘控制系統(tǒng)，需要將字符識別結(jié)果

進行轉(zhuǎn)換后再發(fā)送給道閘控制系統(tǒng)。

lpr_strs.append("")return

img,

lpr_strs#

嵌入式系統(tǒng)控制指令轉(zhuǎn)換def

gatePlate(self,

plt="京

1_+23)(456"):#

清除字母數(shù)字之外的所有字符

plate

=

re.sub("\W",

"",

plt)plate

=

re.sub("_",

"",

plate)

try:if

len(plate)

<

7: