import cv2
from lib_detection import load_model, detect_lp, im2single
# Đường dẫn ảnh, các bạn đổi tên file tại đây để thử nhé
img_path = "test/xemay.jpg"
# Load model LP detection
wpod_net_path = "wpod-net_update1.json"
wpod_net = load_model(wpod_net_path)
# Đọc file ảnh đầu vào
Ivehicle = cv2.imread(img_path)
cv2.imshow("Anh goc", Ivehicle)
cv2.waitKey(0)
# Kích thước lớn nhất và nhỏ nhất của 1 chiều ảnh
Dmax = 608
Dmin = 288
# Lấy tỷ lệ giữa W và H của ảnh và tìm ra chiều nhỏ nhất
ratio = float(max(Ivehicle.shape[:2])) / min(Ivehicle.shape[:2])
side = int(ratio * Dmin)
bound_dim = min(side, Dmax)
_, LpImg, lp_type = detect_lp(wpod_net,
im2single(Ivehicle),
bound_dim,
lp_threshold=0.5)
if (len(LpImg)):
def get_plate():
try:
cam = cv2.VideoCapture(0)
ret, frame = cam.read()
wpod_net_path = "wpod-net_update1.json"
wpod_net = load_model(wpod_net_path)
# Đọc file ảnh đầu vào
Ivehicle = frame
# Kích thước lớn nhất và nhỏ nhất của 1 chiều ảnh
Dmax = 608
Dmin = 288
# Lấy tỷ lệ giữa W và H của ảnh và tìm ra chiều nhỏ nhất
ratio = float(max(Ivehicle.shape[:2])) / min(Ivehicle.shape[:2])
side = int(ratio * Dmin)
bound_dim = min(side, Dmax)
_, LpImg, lp_type = detect_lp(wpod_net,
im2single(Ivehicle),
bound_dim,
lp_threshold=0.5)
# Cau hinh tham so cho model SVM
digit_w = 30 # Kich thuoc ki tu
digit_h = 60 # Kich thuoc ki tu
model_svm = cv2.ml.SVM_load('svm.xml')
if (len(LpImg)):
# Chuyen doi anh bien so
LpImg[0] = cv2.convertScaleAbs(LpImg[0], alpha=(255.0))
roi = LpImg[0]
# Chuyen anh bien so ve gray
gray = cv2.cvtColor(LpImg[0], cv2.COLOR_BGR2GRAY)
# Ap dung threshold de phan tach so va nen
binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)[1]
# cv2.imshow("Anh bien so sau threshold", binary)
# cv2.waitKey()
# Segment kí tự
kernel3 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
thre_mor = cv2.morphologyEx(binary, cv2.MORPH_DILATE, kernel3)
cont, _ = cv2.findContours(thre_mor, cv2.RETR_LIST,
cv2.CHAIN_APPROX_SIMPLE)
plate_info = ""
for c in sort_contours(cont):
(x, y, w, h) = cv2.boundingRect(c)
ratio = h / w
if 1.5 <= ratio <= 3.5: # Chon cac contour dam bao ve ratio w/h
if h / roi.shape[
0] >= 0.6: # Chon cac contour cao tu 60% bien so tro len
# Ve khung chu nhat quanh so
cv2.rectangle(roi, (x, y), (x + w, y + h), (0, 255, 0),
2)
# Tach so va predict
curr_num = thre_mor[y:y + h, x:x + w]
curr_num = cv2.resize(curr_num,
dsize=(digit_w, digit_h))
_, curr_num = cv2.threshold(curr_num, 30, 255,
cv2.THRESH_BINARY)
curr_num = np.array(curr_num, dtype=np.float32)
curr_num = curr_num.reshape(-1, digit_w * digit_h)
# Dua vao model SVM
result = model_svm.predict(curr_num)[1]
result = int(result[0, 0])
if result <= 9: # Neu la so thi hien thi luon
result = str(result)
else: #Neu la chu thi chuyen bang ASCII
result = chr(result)
plate_info += result
# cv2.imshow("Cac contour tim duoc", roi)
# cv2.waitKey()
# Viet bien so len anh
cv2.putText(Ivehicle,
fine_tune(plate_info), (50, 50),
cv2.FONT_HERSHEY_PLAIN,
3.0, (0, 0, 255),
lineType=cv2.LINE_AA)
# Hien thi anh
print("Bien so=", plate_info)
# cv2.imshow("Hinh anh output",Ivehicle)
# cv2.waitKey()
return plate_info
except Exception:
return ""
# chieucao, chieurong = roi.shape[:2]
# plate_info = ""
# plate_info2 = ""
# plate_info1 = ""
# for c in sort_contours(cont):
# (x, y, w, h) = cv2.boundingRect(c)
# if lp_type == 2:
# if y <= chieucao/2:
# ratio = h/w
# if 1.5<=ratio<=3.5: # Chon cac contour dam bao ve ratio w/h
# if h/roi.shape[0]>=0.35: # Chon cac contour cao tu 35% bien so tro len
# # Ve khung chu nhat quanh so
# cv2.rectangle(roi, (x, y), (x + w, y + h), (0, 255, 0), 2)
# # Tach so va predict
# curr_num = thre_mor[y:y+h,x:x+w] #tách từng ký tự sau khi vẽ được khung chữ nhật
# curr_num = cv2.resize(curr_num, dsize=(digit_w, digit_h))# đưa ảnh ký tự về dạng 60*30
# _, curr_num = cv2.threshold(curr_num, 30, 255, cv2.THRESH_BINARY)# chỉnh về màu đen trắng.
# curr_num = np.array(curr_num,dtype=np.float32)
# curr_num = curr_num.reshape(-1, digit_w * digit_h)
# # đưa về mảng để trùng độ dài với mảng ban đầu
# # Dua vao model SVM
# result = model_svm.predict(curr_num)[1]
# result = int(result[0, 0])
# if result<=9: # Neu la so thi hien thi luon
# result = str(result)
# else: #Neu la chu thi chuyen bang ASCII
# result = chr(result)
# plate_info2 +=result
# else:
# ratio = h / w
# if 1.5 <= ratio <= 3.5: # Chon cac contour dam bao ve ratio w/h
# if h / roi.shape[0] >= 0.35: # Chon cac contour cao tu 35% bien so tro len
# # Ve khung chu nhat quanh so
# cv2.rectangle(roi, (x, y), (x + w, y + h), (0, 255, 0), 2)
# # Tach so va predict
# curr_num = thre_mor[y:y + h, x:x + w]
# curr_num = cv2.resize(curr_num, dsize=(digit_w, digit_h))
# _, curr_num = cv2.threshold(curr_num, 30, 255, cv2.THRESH_BINARY)
# curr_num = np.array(curr_num, dtype=np.float32)
# curr_num = curr_num.reshape(-1, digit_w * digit_h)
# # Dua vao model SVM
# result = model_svm.predict(curr_num)[1]
# result = int(result[0, 0])
# if result <= 9: # Neu la so thi hien thi luon
# result = str(result)
# else: # Neu la chu thi chuyen bang ASCII
# result = chr(result)
# plate_info1 += result
# else:
# ratio = h / w
# if 1.5 <= ratio <= 3.5: # Chon cac contour dam bao ve ratio w/h
# if h / roi.shape[0] >= 0.6: # Chon cac contour cao tu 35% bien so tro len
# # Ve khung chu nhat quanh so
# cv2.rectangle(roi, (x, y), (x + w, y + h), (0, 255, 0), 2)
# # Tach so va predict
# curr_num = thre_mor[y:y + h, x:x + w]
# curr_num = cv2.resize(curr_num, dsize=(digit_w, digit_h))
# _, curr_num = cv2.threshold(curr_num, 30, 255, cv2.THRESH_BINARY)
# curr_num = np.array(curr_num, dtype=np.float32)
# curr_num = curr_num.reshape(-1, digit_w * digit_h)
# # Dua vao model SVM
# result = model_svm.predict(curr_num)[1]
# print(result)
# result = int(result[0, 0])
# if result <= 9: # Neu la so thi hien thi luon
# result = str(result)
# else: # Neu la chu thi chuyen bang ASCII
# result = chr(result)
# plate_info2 += result
# plate_info = plate_info2 +" "+ plate_info1
