Un ejemplo en Python para detectar una matrícula en una imagen y obtener su valor (reconocer los caracteres). Se trata de un caso de uso de ejemplo que funciona con imágenes que contengan matrículas bien definidas y en rectángulo. Servirá a modo de ejemplo de uso de librerías para reconocer contornos en imagen, obtener sólo el rectángulo más grande, reconocer texto en imagen (OCR), etc.
- Requisitos para crear aplicación en Python que obtiene una matrícula en una imagen y reconoce su texto.
- Aplicación Python que reconoce una matrícula en una imagen y obtiene su valor en texto.
- Funcionamiento de la aplicación Python que obtiene una matrícula de una imagen (paso a paso).
- Descarga del código fuente en Python de la app que reconoce una matrícula en una imagen.
Requisitos para crear aplicación en Python que obtiene una matrícula en una imagen y reconoce su texto
Necesitaremos disponer de un IDE (o un editor de texto) y de Python instalado en el equipo. En el siguiente enlace explicamos cómo usar Visual Studio Code para desarrollar aplicaciones Python:
Para el desarrollo de este script Python que obtiene una matrícula de una imagen y, mediante OCR, obtiene su valor en texto, necesitaremos las siguientes librerías: opencv-python (cv2), matplotlib, imutils, numpy y easyocr. Podremos instalarlas con los siguientes comandos:
|
1 2 3 4 5 |
pip3 install opencv-python pip3 install matplotlib pip3 install imutils pip3 install numpy pip3 install easyocr |
Hay que tener en cuenta que este script de ejemplo es una prueba de concepto, que no funciona en todos los casos. Por ejemplo, si la matrícula no está contenida en un recuadro y, en cambio, tiene formas ovaladas o circulares, puede que no la detecte.
Si la imagen tiene varias matrículas, solo obtendrá una de ellas.
Aplicación Python que reconoce una matrícula en una imagen y obtiene su valor en texto
A continuación mostramos el código Python completo de la aplicación que, pasándole una imagen, obtiene el texto de la matrícula que contenga. El código está explicado en sus líneas más importantes:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 |
from os.path import exists import cv2 import matplotlib.pyplot as plt import imutils import numpy as np import easyocr ficheroImagen = "D:\\Mis documentos\\ProyectoA\\Python\\matricula\\matricula.jpg" if exists(ficheroImagen): # Leemos la imagen con cv2 imagen = cv2.imread(ficheroImagen) # Por si queremos mostrar la imagen leída en una ventana #plt.imshow(imagen) #plt.show() # Transformamos la imagen a escala de grises imagenEscalaGrises = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY) # Por si queremos mostrar la imagen #plt.imshow(gray, cmap='gray') #plt.show() # Aplicamos filtro bilateral (limpia la imagen de posibles ruidos) # Esto hará que el paso de detección de bordes sea más preciso # Los parámetros 11, 17, 17 determinan el diámetro de la vecindad de píxeles, sigmaColor y sigmaSpace respectivamente imagenLimpia = cv2.bilateralFilter(imagenEscalaGrises, 11, 17, 17) # Por si queremos mostrar la imagen #plt.imshow(imagenLimpia, cmap='gray') #plt.show() # Detectar contornos de la imagen # Busca en la foto lugares donde el brillo o el color cambian bruscamente imagenContornos = cv2.Canny(imagenLimpia, 30, 200) # Por si queremos mostrar la imagen #plt.imshow(imagenContornos, cmap='gray') #plt.show() # Detectar curvas de nivel # Son los límites de los componentes conectados en la imagen imagenCurvasNivel = cv2.findContours(imagenContornos.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) #print (imagenCurvasNivel) # Ordenamos los contornos en función de su área # Se seleccionan los 5 contornos más grandes contornosMasGrandes = imutils.grab_contours(imagenCurvasNivel) contornosMasGrandes = sorted(contornosMasGrandes, key=cv2.contourArea, reverse=True)[:5] #print (contornosMasGrandes) # Esto no es necesario, solo se muestran los contornos obtenidos para depurar # Muestra los contornos en la imagen original #imagenContornosDibujados = cv2.drawContours(imagen, contornosMasGrandes, -1, (0, 255, 0), 3) #plt.imshow(imagenContornosDibujados, cmap='gray') #plt.show() # La matrícula tendrá una forma rectangular, por lo que recorreremos los contornos obtenidos # para seleccionar el contorno que se parezca a un rectángulo (4 puntos) rectanguloLocalizado = [] for contorno in contornosMasGrandes: # PARA CALCULAR epsilon # epsilon es el parámetro que especifica la precisión de aproximación # Mediante cv2.arcLength calcularemos el perímetro del contorno # Para la función cv2.arcLength, estableeremos los parámetros contorno y true si porque la figura es cerrada # Se multiplicará por cierto porcentaje para obtener epsilon #epsilon = 0.01 * cv2.arcLength(contorno, True) #contornoAproximado = cv2.approxPolyDP(contorno, epsilon, True) # Para usar un epsilon fijo: 10 contornoAproximado = cv2.approxPolyDP(contorno, 10, True) # No neceario, solo para mostrar el contorno elegido en la imagen, para depurar """ mascara = np.zeros(imagenEscalaGrises.shape, np.uint8) contornoMatricula = cv2.drawContours(mascara, [contornoAproximado], 0, 255, -1) contornoMatricula = cv2.bitwise_and(imagen, imagen, mask=mascara) plt.imshow(contornoMatricula, cmap='gray') plt.show() """ # Si el contorno aproximado tiene 4 "vértices" suponemos que es la matrícula if len(contornoAproximado) == 4: rectanguloLocalizado = contornoAproximado break #print(rectanguloLocalizado) # Si se ha encontrado una forma rectangular de cuatro puntos if len(rectanguloLocalizado) > 0: # Se crea una máscara de la misma forma que la imagen en escala de grises, rellena con ceros # El contorno de la matrícula encontrada se dibuja en esta máscara # Con la máscara, la matrícula real se extrae de la imagen original mascara = np.zeros(imagenEscalaGrises.shape, np.uint8) contornoMatricula = cv2.drawContours(mascara, [rectanguloLocalizado], 0, 255, -1) #plt.imshow(contornoMatricula, cmap='gray') #plt.show() contornoMatricula = cv2.bitwise_and(imagen, imagen, mask=mascara) #plt.imshow(contornoMatricula, cmap='gray') #plt.show() # Con la máscara, se determinan las coordenadas delimitadoras de la matrícula # Con estas coordenadas, la matrícula se extrae de la imagen en escala de grises (x, y) = np.where(mascara == 255) (x1, y1) = (np.min(x), np.min(y)) (x2, y2) = (np.max(x), np.max(y)) matriculaFinal = imagenEscalaGrises[x1:x2 + 1, y1:y2 + 1] #plt.imshow(matriculaFinal, cmap='gray') #plt.show() # Usaremos el OCR previamente entrenado easyocr (se le pasa el idima) leerOCR = easyocr.Reader(['es'], gpu=False) textoReconocido = leerOCR.readtext(matriculaFinal) # Imprimimos por pantalla el texto reconocido y sus datos (coordenadas de posición, probabilidad, etc.) # print(textoReconocido) # Para mostrar por pantalla sólo la matrícula obtenida matriculaObtenida = "" for (puntos, matricula, probabilidad) in textoReconocido: # print(f'Probabilidad: {probabilidad}') # print(f'Puntos del recuadro: {puntos}') matriculaObtenida = matriculaObtenida + matricula print(f'Matrícula: {matriculaObtenida}') else: print("No se han encontrado una forma rectangular en la imagen que tenga las características de una matrícula.") else: print("No se ha encontrado el fichero de la imagen.") |
Funcionamiento de la aplicación Python que obtiene una matrícula de una imagen (paso a paso)
Al compilar la aplicación, pasándole un fichero de imagen con matrícula, si descomentamos las líneas de depuración, para mostrar cómo va quedando la imagen con cada paso. En primer lugar, tendremos la imagen original cargada:
A continuación, la transformamos a escala de grises:
La limpiamos de posibles ruidos para obtener mejor los contornos:
Obtenemos los contornos de la imagen:
Recuadramos los contornos más grandes:
Recorreremos todos los contornos más grandes hasta elegir el que tenga forma de rectácgulo:
Seleccionamos el contorno que tiene forma de rectángulo:
Y le aplicamos el OCR, obteniendo su texto:
Descarga del código fuente en Python de la app que reconoce una matrícula en una imagen
A continuación, mostramos el enlace para la descarga del código fuente completo en Python y una imagen de ejemplo de un coche con matrícula:
