技术标签: 车牌识别 opencv 车牌定位 Linux应用
最近在弄车牌识别这个项目,对于机器视觉有些了解的人都知道,这个东西算是比较成熟了,在书里也有代码。
网上能找到的资料也比较多,所及借着这个机会在ARM开发板上实现以下车牌识别。
反正对于神经网络这些什么的我是不知道了,所以代码也是网上借鉴了的,我稍微整理注释了下。
先放下移植opencv的步骤:移植opencv到嵌入式arm详细过程
第一步做的就是车牌提取:
代码如下:
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include <string>
#include <cvaux.h>
#include <stdio.h>
#include <opencv2/gpu/gpu.hpp>
#include <opencv2/ml/ml.hpp>
using namespace cv;
using namespace std;
//车牌宽高比为520/110=4.727272左右,误差不超过40%
//车牌高度范围在15~125之间,视摄像头距离而定(图像大小)
bool verifySizes_closeImg(const RotatedRect & candidate)
{
float error = 0.4;//误差40%
const float aspect = 4.7272;//44/14; //长宽比
int min = 15*aspect*15;//20*aspect*20; //面积下限,最小区域
int max = 125*aspect*125;//180*aspect*180; //面积上限,最大区域
float rmin = aspect - aspect*error; //考虑误差后的最小长宽比
float rmax = aspect + aspect*error; //考虑误差后的最大长宽比
int area = candidate.size.height * candidate.size.width;//计算面积
float r = (float)candidate.size.width/(float)candidate.size.height;//计算宽高比
if(r <1)
r = 1/r;
if( (area < min || area > max) || (r< rmin || r > rmax) )//满足条件才认为是车牌候选区域
return false;
else
return true;
}
void RgbConvToGray(const Mat& inputImage,Mat & outpuImage) //g = 0.3R+0.59G+0.11B
{
outpuImage = Mat(inputImage.rows ,inputImage.cols ,CV_8UC1);
for (int i = 0 ;i<inputImage.rows ;++ i)
{
uchar *ptrGray = outpuImage.ptr<uchar>(i);
const Vec3b * ptrRgb = inputImage.ptr<Vec3b>(i);
for (int j = 0 ;j<inputImage.cols ;++ j)
{
ptrGray[j] = 0.3*ptrRgb[j][2]+0.59*ptrRgb[j][1]+0.11*ptrRgb[j][0];
}
}
}
void normal_area(Mat &intputImg, vector<RotatedRect> &rects_optimal, vector <Mat>& output_area )
{
float r,angle;
for (int i = 0 ;i< rects_optimal.size() ; ++i)
{
//旋转区域
angle = rects_optimal[i].angle;
r = (float)rects_optimal[i].size.width / (float) (float)rects_optimal[i].size.height;
if(r<1)
angle = 90 + angle;//旋转图像使其得到长大于高度图像。
Mat rotmat = getRotationMatrix2D(rects_optimal[i].center , angle,1);//获得变形矩阵对象
Mat img_rotated;
warpAffine(intputImg ,img_rotated,rotmat, intputImg.size(),CV_INTER_CUBIC);
imwrite("car_rotated.jpg",img_rotated);//得到旋转图像
//裁剪图像
Size rect_size = rects_optimal[i].size;
if(r<1)
swap(rect_size.width, rect_size.height); //交换高和宽
Mat img_crop;
getRectSubPix(img_rotated ,rect_size,rects_optimal[i].center , img_crop );//图像切割
//用光照直方图调整所有裁剪得到的图像,使具有相同宽度和高度,适用于训练和分类
Mat resultResized;
//别人写的:
/*resultResized.create(33,144,CV32FC1);
resize(img_crop , resultResized,resultResized.size() , 0,0,INTER_CUBIC);
resultResized.convertTo(resultResized, CV32FC1);
resultResized = resultResized.reshape(1,1);*/
resultResized.create(33,144,CV_8UC3);//CV32FC1????
resize(img_crop , resultResized,resultResized.size() , 0,0,INTER_CUBIC);
Mat grayResult;
RgbConvToGray(resultResized ,grayResult);
//blur(grayResult ,grayResult,Size(3,3));
equalizeHist(grayResult,grayResult);
output_area.push_back(grayResult);
}
}
int main(int argc, char* argv[])
{
Mat img_input= imread("./car.jpg");//加载图片
if(img_input.empty())//如果读入图像失败
{
cout << "Can not load image" << endl;
return -1;
}
Mat hsvImg ;
cvtColor(img_input,hsvImg,CV_BGR2HSV);//RGB模型转换成HSV模型
imwrite("car_hsv.jpg",hsvImg);//看下hsv效果
vector <Mat> hsvSplit;
split(hsvImg,hsvSplit);//将图像的各个通道分离
equalizeHist(hsvSplit[2],hsvSplit[2]);//直方图均衡化,提高图像的质量
merge(hsvSplit,hsvImg);//将分离的多个单通道合成一幅多通道图像
imwrite("car_hsv1.jpg",hsvImg);//看下处理效果
const int min_blue =100;//最小蓝车区域
const int max_blue =240;//最大蓝车区域
int avg_h = (min_blue+max_blue)/2;
int channels = hsvImg.channels();
int nRows = hsvImg.rows;
//图像数据列需要考虑通道数的影响;
int nCols = hsvImg.cols * channels;
if (hsvImg.isContinuous())//连续存储的数据,按一行处理
{
nCols *= nRows;
nRows = 1;
}
int i, j;
unsigned char* p;
const float minref_sv = 64; //参考的S V的值
const float max_sv = 255; // S V 的最大值
for (i = 0; i < nRows; ++i)//根据蓝色在HSV在的区域每个通道的取值范围将此作为阈值,提取出图片中蓝色部分作为备选区域
{
p = hsvImg.ptr<uchar>(i);//有效提高了车牌和车色颜色在不相差较大的情况下的识别率
for (j = 0; j < nCols; j += 3)//致命问题:蓝色的车和蓝色的牌照?
{
int H = int(p[j]); //0-180
int S = int(p[j + 1]); //0-255
int V = int(p[j + 2]); //0-255
bool colorMatched = false;
if (H > min_blue && H < max_blue)
{
int Hdiff = 0;
float Hdiff_p = float(Hdiff) / 40;
float min_sv = 0;
if (H > avg_h)
{
Hdiff = H - avg_h;
}
else
{
Hdiff = avg_h - H;
}
min_sv = minref_sv - minref_sv / 2 * (1 - Hdiff_p);
if ((S > 70&& S < 255) &&(V > 70 && V < 255))
colorMatched = true;
}
if (colorMatched == true)
{
p[j] = 0; p[j + 1] = 0; p[j + 2] = 255;
}
else
{
p[j] = 0; p[j + 1] = 0; p[j + 2] = 0;
}
}
}
Mat src_grey;
Mat img_threshold;
vector<Mat> hsvSplit_done;
split(hsvImg, hsvSplit_done);
src_grey = hsvSplit_done[2];//提取黑色分量
imwrite("car_hsvSplit.jpg",src_grey);//查看分离通道出来的车牌
vector <RotatedRect> rects;
Mat element = getStructuringElement(MORPH_RECT ,Size(17 ,3)); //闭形态学的结构元素
morphologyEx(src_grey ,img_threshold,CV_MOP_CLOSE,element); //闭运算,先膨胀后腐蚀,连通近邻区域(填补白色区域的间隙)
morphologyEx(img_threshold,img_threshold,MORPH_OPEN,element);//形态学处理
imwrite("car_morphology.jpg",img_threshold);//查看threshold
vector< vector <Point> > contours;//寻找车牌区域的轮廓
findContours(img_threshold ,contours,CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//只检测外轮廓。存储所以轮廓点
//绘制轮廓
/*for(int find=0; find < contours.size(); find++)
drawContours(img_threshold, contours, find, Scalar(255), 2);
imwrite("car_contours.jpg",img_threshold);//查看轮廓*/
//对候选的轮廓进行进一步筛选
vector< vector <Point> > ::iterator itc = contours.begin();
while( itc != contours.end())
{
RotatedRect mr = minAreaRect(Mat( *itc )); //返回每个轮廓的最小有界矩形区域
if(!verifySizes_closeImg(mr)) //判断矩形轮廓是否符合要求
{
itc = contours.erase(itc);
}
else
{
rects.push_back(mr);
++itc;
}
}
vector <Mat> output_area;
normal_area(img_input ,rects,output_area); //获得144*33的候选车牌区域output_area
imwrite("car_area.jpg",output_area[0]);//得到候选区域,这里可能会获得多个候选区域,最好使用svm训练一下
return 0;
}
我们看下效果:
原图car.jpg,我在学校随便拍的一张图:
看下hsv的效果图car_hsv.jpg:
接着直方图均衡化后的图car_hsv1.jpg:
提取蓝车区域后,分离出来,提取分量 car_hsvSplit.jpg:
可以看出,找到了车牌部分。我拍的这图质量还好,当车辆与车牌都是蓝色时就不好弄出这个了
接着看下形态学处理 car_morphology.jpg:
白色区域都被联通了。
然后看下旋转的图像 car_rotated.jpg:
最后,剪切出车牌即可 car_area.jpg:
这样就提取车了一张车牌。
因为这图比较理想,事实上,可能识别出多个蓝车区域多为车牌,也就是多个候选区域。这里我们图像理想,只识别出一个候选区域,所以我直接把候选区域0,即output_area[0]打印出来就是车牌了,事实上,我们应该加入SVM训练,作为最后判断是否是车牌的依据。
最后说一句,这程序只能识别蓝色的车牌,因为他是直接查找蓝色矩形区域的!
在ARM-Linux下实现车牌识别(二)------车牌识别
文章浏览阅读4.5w次,点赞40次,收藏111次。本来是想绕开一个脚本调用其他脚本变量这个事情的,但是不管怎么写最后还是绕回来了,有些功能必须这样才好完成。小伙伴们大同小异地提供了三种方法,但都是与加载组件有关系,比如这个:原文地址:https://blog.csdn.net/woerxi/article/details/17621841#commentBox但是我不喜欢,只是调用脚本的变量,还有把变量他妈和他奶奶一起带上,好麻烦……至少我这个功..._nodemcu如何调用不同lua脚本的变量
文章浏览阅读811次。本人最后一个9i的客户前两天出了性能问题,一线生产数据库,十万火急,结果发现9i数据库的一个节点连接数为1300左右,尽然有240个异常等待事件,绝大部分是library cache pin和library cache lock,翻出05年写的一遍手记,感觉真的老,解决此问题,如下:造成数据库性能下降或挂起的原因很多,“library cache pin”等待是其中之一。当数据库性能严重下降或挂起..._oracle library cache pin
文章浏览阅读978次。我们在使用电脑的时候,设置电脑系统密码是为了不让他人使用自己的计算机,只有知道开机密码的用户才可以顺利进入系统桌面,但是如果你打算修改登录密码的时候,却发现系统无法修改密码。那么Win7系统无法修改账号密码怎么办?装机之家分享一下电脑不能修改账号密码解决方法。电脑不能修改账号密码解决方法1、首先我们点击桌面左下角“开始菜单”,再点击“控制面板”,在控制面板界面中将查看方式修改为“类别”,点击“系统..._win7创建密码提示不能更改
文章浏览阅读3.4k次,点赞4次,收藏8次。一、目的:搭建利用windows服务,控制台为宿主的Post、Get服务,应用Json或字符串的方式进行参数传递 二、服务端搭建 1、定义实体/// <summary> /// 消息实体 /// </summary> public class MessageEntity { /// <summary..._wcf get
文章浏览阅读511次。这篇文章只写命令,看不懂的可以参考上一篇文章,谢谢!https://blog.csdn.net/YHF886/article/details/88656239由于RabbitMQ3.7安装需要依赖erlang21版本,相对于RabbitMQ3.6集群比较麻烦df -hvim /etc/hostname #修改主机名vim /etc/hosts ..._package: rabbitmq-server-3.7.7-1.el7.noarch (/rabbitmq-server-3.7.7-1.el7.no
文章浏览阅读1.9k次。学习目标:matlab机器人工具箱的使用(5)学习内容:1、工作空间可视化学习记录:_six_dof.fkine
文章浏览阅读569次。二月 29, 2020 4:59:09 下午 org.apache.catalina.startup.VersionLoggerListener log信息: Server.服务器版本: Apache Tomcat/7.0.100二月 29, 2020 4:59:09 下午 org.apache.catalina.startup.VersionLoggerListener log信息..._stockticker', 'async.stockticker@380911e5
文章浏览阅读415次。Problem 1608 Huge MissionAccept: 405 Submit: 1025Time Limit: 1000 mSec Memory Limit : 32768 KB Problem DescriptionOaiei is busy working with his graduation design recently. If he_oaiei is busy working with his graduation design…
文章浏览阅读1.6k次,点赞2次,收藏3次。我是按照资料书,实践webpack-dev-server的。按照步骤,安装npm install webpack-dev-server --save-dev【当然我已经安装过webpack,webpack-cli了】然后配置,package.json{...... "scripts": { "build": "webpack", "dev": "webpac..._webpack 2.9.6 npm run dev
文章浏览阅读305次。[分享交流]怎么升级到鸿蒙2.0系统呀136758电梯直达huafen009905565新学乍练发表于 2020-9-17 17:40:40来自:HUAWEI Mate 30 Pro 5G最新回复 2020-11-10 13:39:32BH8AVW花粉版主发表于 2020-9-17 17:41:50来自:HUAWEI Mate 30 Pro 5G请等待后续会推送哈!点评哈哈!不知道还要多久发表于..._华为鸿蒙系统升级勋章在哪里查
文章浏览阅读9.1k次,点赞30次,收藏301次。查阅 n^2 的各方资料,对 BLDC&PMSM 进行一个大综合、大整理,查阅、比较和整理 大量的 网络教程、大厂手册、开源解决方案,在这里形成 原理和解决方案 的打通式介绍。_bldc和pmsm电机的驱动电路
文章浏览阅读1.4w次。https://www.qcloud.com/document/product/267/4735功能篇腾讯视频云RTMP SDK由两部分构成:推流器 + 播放器,本文将主要介绍推流器的相关信息。该SDK遵循标准RTMP视频推送协议,可以对接包括腾讯云在内的标准视频直播服务器。与此同时,SDK内部囊括了腾讯音视频团队多年的技术积累,在视频压缩、_手机腾讯推流测试工具