11.openCV车牌号识别

openCV 车牌号识别(车牌分类 汉字识别模型 数字字母识别模型)

机器学习:

  • SVM 支持向量机
  • ANN人工神经网络

SVM分类工具算法 使用正样本和负样本训练

图片去噪: 二值化和灰度化

车牌定位过程:

graph LR
A(高斯模糊)-->B(灰度化)
B-->C(边缘检测)
C-->D(二值化)
D-->E(闭操作)
E-->F(查找轮廓)
F-->G(筛选)
G-->H(角度尺寸矫正)
H-->I(SVM评测)
I-->J(确定定位)
  1. 高斯模糊

    Mat blur;
    GaussianBlur(src,blur,size(5,5),0);
    
  2. 灰度化

    Mat gray;
    cvtColor(blur,gray,COLOR_BGR2GRAY);
    
  3. 边缘检测

    Mat sobel_16;
    sobel(gray,sobel_16,CV_165,1,0);
    

    sobel算子仅能对灰度图像有效果,不能将色彩图像作为输入

    调用时以16位保存数据, 后续显示需要转回8位

  4. 二值化

    Mat shold;
    threshold(sobel,shold,0,255,THRESH_OTSU);
    
  5. 闭操作(膨胀腐蚀)

    Mat close;
    Mat element = getStructuringElement(MORPH_RECT,size(17,3));
    morphologyEx(shold,close,MORPH_CLOSE,element);
    
  6. 查找轮廓

    vector<vector<Point>> contours;
    findContours(close,contours,RETR_EXTERNAL,CHAIN_APPROX_NONE);
    //遍历
    vector<RotatedRect> vec_sobel_roi;
    for(vector<Point> point : contours){
     RotatedRect rotatedRect = minAreaRect(point);
     rectangle(src,rotatedRect,boundingRect(),Scalar(255,0,255));
     //初步筛选完全不符合的去除
      if(verifysizes(rotatedRect)){
         vec_sobel_roi,push_back(rotatedRect);
      }
    }
    

    RotatedRect 带旋转角度的矩形 矫正角度倾斜的车牌 找出候选车牌

    //矩形矫正(角度判断,旋转矩形,调整大小)
    tortuosity(src, vec_color_rects, dst);
    

机器学习:

  • 从候选车牌确定最终车牌 SVM支持向量机的训练
  • 从车牌中识别车牌字符 ANN人工神经网络

提取特征数据(常用LBP/HAAR/HOG)

Mat features;
getHogFeatures(svmHog,shold,features);
Mat samples = features.reshape(1,1);//将特征置位1行
//SVM评测  分值越低越有可能是车牌
float score = svm->predict(samples,noArray(),statModel::Flags::RAW_OUTPUT);

SVM训练必须是CV_32F1(表示数据为32位浮点型 单通道)

samples.converTo(samples,CV_32F1);
//ROW_SAMPLE  数据以一行保存
Prt<TrainData> trainData = TrainData::create(samples,SampleTypes::ROW_SAMPLE,labels);

创建SVM开始训练

Prt<SVM> classifier = SVM::create();
classifier->trainAuto(...);
classifier->save(...);

HSV/HSB颜色空间

openCV中 H值:100~140 S和V值:95~255 表示蓝色范围

Mat hsv;
cvtColor(src,hsv,COLOR_BGR2HSV);
//颜色匹配
int channels= hsv.channels();//共有3个通道  H\S\V
int h= hsv.rows;
int w = hsv.cols*channels;
if(hsv.isContinuous()){//判断是否是一行数据  矩阵是否连续
    w*=h;
    h=1;
}
for(size_t i=0;i<h;i++){
    uchar *p = hsv.ptr<uchar>(i);
    for(size)t j=0;j<w;j+=3){
        int h = int(p[j]);
        int s = int(p[j+1]);
        int v = int(p[j+2]);
        bool blue = false;
        if (h >= 100 && h <= 140 &&
                s >= 95 && s <= 255 &&
                v >= 95 && v <= 255) {
                blue = true;
        }
        if(blue){//将蓝色变白  将其他色变黑
            p[j] = 0;
            p[j+1]=0;
            p[j+2]=255;
        }else{
            p[j] = 0;
            p[j+1]=0;
            p[j+2]=0;
        }
    }
}
图片.png
图片.png

字符分割与识别

文字轮廓检测问题 先找出第2个字母(通过7等分位置定位)

ANN人工神经网络

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,332评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,508评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,812评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,607评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,728评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,919评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,071评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,802评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,256评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,576评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,712评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,389评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,032评论 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,798评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,026评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,473评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,606评论 2 350