- 最近这段时间需要进行图片方面的处理，众所周知，
OpenCv是开源圈里几乎最优秀的计算机视觉处理库，本文记录在研究过程中所做的一个车牌定位的Demo。
本文所提供的Demo仅限于车牌定位，定位出的车牌进行识别的话可以使用TeseRact进行，本文不做更多描述。
工具准备
Qt
- Qt的安装网上有大量的教程，或许之后本人会出一个相关的文章，不过在这里就只放一个下载的Link好了
http://download.qt.io/archive/qt/
OpenCv库文件
OpenCv在Windows下配合Qt的使用需要对源码进行重新编译，我所使用的是最新的4.3版本,放个下载连接以及安装编译教程OpenCv下载OpenCv安装视频教程windows- 如果各位觉得上述操作太麻烦我这里提供一个我自己编译出来的OpenCv4.3的lib
Demo
1.新建一个Qt的项目
2.Pro文件中需添加OpenCv库的头文件路径以及lib路径[1]
INCLUDEPATH += C:\Users\houxia2x\Desktop\Asa\opencv\opencv\asa_build\install\include\opencv2\
C:\Users\houxia2x\Desktop\Asa\opencv\opencv\asa_build\install\include
LIBS += -LC:\Users\houxia2x\Desktop\Asa\opencv\opencv\asa_build\install\x64\mingw\bin\
-llibopencv_world430
3.头文件需包含OpenCv的统筹文件"opencv2/opencv.hpp"
#include "opencv2/opencv.hpp"
4.加载命名空间
using namespace cv;
5.加载图片
Mat srcImage = imread(path);
if(srcImage.empty())
{
cout<<"load pic failed";
return;
}
6.对图片进行高斯模糊处理(图像平滑处理)
Mat dealImage = srcImage.clone();
GaussianBlur(srcImage,dealImage,Size(3,3),0);
7.边缘检查
Mat h_filler,v_filler,abs_h_filler,abs_v_filler;
Sobel(dealImage,h_filler,CV_16S,1,0,3,1,0,BORDER_DEFAULT); //横向检查
convertScaleAbs(h_filler,abs_h_filler);
Sobel(dealImage,v_filler,CV_16S,0,1,3,1,0,BORDER_DEFAULT); //纵向检查
convertScaleAbs(v_filler,abs_v_filler);
addWeighted(abs_h_filler,0.5,abs_v_filler,0.5,0,dealImage); //合并检查结果
8.图像二值化处理
cvtColor(dealImage,dealImage,COLOR_BGR2GRAY); //转为灰度图像
threshold(dealImage,dealImage,95,255,THRESH_BINARY); //二值化
9.图像补全处理
Mat element = getStructuringElement(MORPH_RECT,Size(25,25)); //核阵列
vector<vector<Point>> vec_count;
morphologyEx(dealImage,dealImage,MORPH_CLOSE,element); //闭运算（膨胀--腐蚀）
morphologyEx(dealImage,dealImage,MORPH_OPEN,element); //开运算（腐蚀--膨胀）
10.获取车牌区域(截取车牌范围的算法可自行判断设计)
vector<vector<Point>> vec_area;
findContours(dealImage,vec_area,RETR_EXTERNAL,CHAIN_APPROX_NONE);
vector<Point> max_point_area;
size_t num_max = 0;
Point2f tmp_rect[4];
for(size_t i = 0 ; i < vec_area.size() ; ++i) //获取最大面积的区域，即车牌区域
{
minAreaRect(vec_area[i]).points(tmp_rect);
double width = powf((tmp_rect[0].x - tmp_rect[1].x), 2) + powf((tmp_rect[0].y - tmp_rect[1].y), 2);
width = sqrt(width);
double height = powf((tmp_rect[0].x - tmp_rect[3].x), 2) + powf((tmp_rect[0].y - tmp_rect[3].y), 2);
height = sqrt(height);
if(height*width > num_max)
{
num_max = height*width;
max_point_area = vec_area[i];
}
}
if(num_max > 0) //是否获取到区域
{
/*描绘最大区域的轮廓*/
Mat carPlateAreaImage = srcImage.clone();
for(size_t i = 0 ; i < max_point_area.size() ; ++i)
{
circle(carPlateAreaImage,max_point_area.at(i),2,Scalar(255,0,0));
}
/*描绘最大区域的矩形形态*/
Point2f max_rect_corner_point[4];
RotatedRect max_rect = minAreaRect(max_point_area);
max_rect.points(max_rect_corner_point);
for(size_t j = 0 ; j < 4 ; ++j)
{
line(carPlateAreaImage,max_rect_corner_point[j],max_rect_corner_point[(j+1)%4],Scalar(0,0,255),3);
}
// imshow("carPlateAreaImage image",carPlateAreaImage);
Mat carPlateImage = Mat(srcImage,max_rect.boundingRect());
imshow("carPlateImage image",carPlateImage);
}else{
cout<<"Fail for fetch area of car plate";
}
Note
- Demo中所提供的代码是经过本人亲测有效的，不过考虑到汽车图像的各种情况不同，定位效果不做保证，如果希望进行汽车图像车牌的复杂环境多种类型都可以定位的话，需要依靠机器学习的模型来进行，本文只是提供一种车牌定位的实现，后面有机会再分享机器模型的创建以及训练
-
我将OpenCv的库文件编译成了一个文件，所以在LIBS中只添加了一个lib，如果不是这种情况，需要将所有lib都添加进来 ↩
