基于opencv的車牌識(shí)別

ID:308987 · 發(fā)表于 2018-4-16 09:41

車牌識(shí)別流程：

高斯模糊：
車牌識(shí)別中利用高斯模糊將圖片平滑化，去除干擾的噪聲對(duì)后續(xù)圖像處理的影響。
高斯模糊（GaussianBlur()），也叫高斯平滑。
周邊像素的平均值，所謂"模糊"，可以理解成每一個(gè)像素都取周邊像素的平均值。

上圖中，2是中間點(diǎn)，周邊點(diǎn)都是1。"中間點(diǎn)"取"周圍點(diǎn)"的平均值，就會(huì)變成1。在數(shù)值上，這是一種"平滑化"。在圖形上，就相當(dāng)于產(chǎn)生"模糊"效果，"中間點(diǎn)"失去細(xì)節(jié)（上圖右）。顯然，計(jì)算平均值時(shí)，取值范圍越大，"模糊效果"越強(qiáng)烈。

左圖分別是原圖、模糊半徑3像素、模糊半徑10像素的效果。模糊半徑越大，圖像就越模糊。從數(shù)值角度看，就是數(shù)值越平滑。
接下來(lái)的問(wèn)題就是，既然每個(gè)點(diǎn)都要取周邊像素的平均值，那么應(yīng)該如何分配權(quán)重呢？
如果使用簡(jiǎn)單平均，顯然不是很合理，因?yàn)閳D像都是連續(xù)的，越靠近的點(diǎn)關(guān)系越密切，越遠(yuǎn)離的點(diǎn)關(guān)系越疏遠(yuǎn)。因此，加權(quán)平均更合理，距離越近的點(diǎn)權(quán)重越大，距離越遠(yuǎn)的點(diǎn)權(quán)重越小。

OpenCV中函數(shù)
void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT)
參數(shù)詳解：
src：輸入圖片，可以使是任意通道數(shù)，該函數(shù)對(duì)通道是獨(dú)立處理的，但是深度只能是CV_8U, CV_16U, CV_16S, CV_32F or CV_64F.
dst：輸出圖片，和輸入圖片相同大小和深度。
ksize：高斯內(nèi)核大小。ksize.width和ksize.height允許不相同但他們必須是正奇數(shù)�；蛘叩扔�0，由參數(shù)sigma的乘機(jī)決定。
sigmaX：高斯內(nèi)核在X方向的標(biāo)準(zhǔn)方差。
sigmaY：高斯內(nèi)核在Y方向的標(biāo)準(zhǔn)方差。如果sigmaY為0，他將和sigmaX的值相同，如果他們都為0，那么他們由ksize.width和ksize.height計(jì)算得出。
borderType：用于判斷圖像邊界的模式。
1 Mat Gaussian(Mat &img) {2    Mat out;3    GaussianBlur(img, out, Size(3, 3),4       0, 0, BORDER_DEFAULT);5    return out;6 7 }
View Code
原圖：（來(lái)自百度）


灰度化：
在車牌識(shí)別中我們需要將圖像轉(zhuǎn)化為灰度圖像，這樣有利于后續(xù)步驟的開展，如Soble算子只能作用于灰度圖像。
灰度化，在RGB模型中，如果R=G=B時(shí)，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255。
Opencv中函數(shù)
void cvtColor(InputArray src,  OutputArray dst,  int code,  int dstCn=0 )
參數(shù)詳解：
src：輸入圖像：8位無(wú)符號(hào)的16位無(wú)符號(hào)（cv_16uc…）或單精度浮點(diǎn)。
dst：的大小和深度src.
code：輸出圖像顏色空間轉(zhuǎn)換的代碼。
dstCn：目標(biāo)圖像中的信道數(shù)；如果參數(shù)為0，則從SRC和代碼自動(dòng)導(dǎo)出信道的數(shù)目。
1 Mat Grayscale(Mat &img) {2    Mat out;3    cvtColor(img, out, CV_RGB2GRAY);4 5    return out;6 }
View Code

Sobel算子（X方向）：
車牌定位的核心算法，水平方向上的邊緣檢測(cè)，檢測(cè)出車牌區(qū)域。
主要用于獲得數(shù)字圖像的一階梯度，常見的應(yīng)用和物理意義是邊緣檢測(cè)。在技術(shù)上，它是一個(gè)離散的一階差分算子，用來(lái)計(jì)算圖像亮度函數(shù)的一階梯度之近似值。在圖像的任何一點(diǎn)使用此算子，將會(huì)產(chǎn)生該點(diǎn)對(duì)應(yīng)的梯度矢量或是其法矢量。
該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測(cè)的圖像，其公式如下:

圖像的每一個(gè)像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來(lái)計(jì)算梯度的大小。

可用以下公式計(jì)算梯度方向。

在以上例子中，如果以上的角度Θ等于零，即代表圖像該處擁有縱向邊緣，左方較右方暗。

OpenCV中函數(shù)：
void Sobel(InputArray src, OutputArray dst, int ddepth, int xorder, int yorder, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT )
參數(shù):
src： 源圖像。
dst：相同大小和相同數(shù)量的通道的目標(biāo)圖像。
ddepth：目標(biāo)圖像的深度。
xorder：階導(dǎo)數(shù)的X.
yorder：階導(dǎo)數(shù)的Y.
ksize：擴(kuò)展Sobel算子–大小。它必須是1, 3, 5，或者7。
scale：計(jì)算衍生值的可選刻度因子。默認(rèn)情況下，不應(yīng)用縮放�？吹絞etderivkernels()詳情。
delta ：可選的delta值，在將它們存儲(chǔ)在DST之前添加到結(jié)果中。
bordertype：像素外推方法。
convertScaleAbs()——先縮放元素再取絕對(duì)值，最后轉(zhuǎn)換格式為8bit型。
1 Mat Sobel(Mat &img) { 2    Mat out; 3 Mat grad_x, grad_y; 4 Mat abs_grad_x, abs_grad_y; 5 6    //X方向 7    //Sobel(img, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT); 8    //convertScaleAbs(grad_x, abs_grad_x); 9    Sobel(img, img, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);10    convertScaleAbs(img, out);11 12    //Y方向13    //Sobel(img, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);14    //convertScaleAbs(grad_y, abs_grad_y);15    //convertScaleAbs(img, out);16 17    //合并18    //addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, out);19 20    return out;21 }
View Code

二值化：
進(jìn)一步對(duì)圖像進(jìn)行處理，強(qiáng)化目標(biāo)區(qū)域，弱化背景。
圖像的二值化，就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的只有黑和白的視覺效果。
OpenCV中函數(shù)
double threshold(InputArray src, OutputArray dst, double thresh, double maxVal, int thresholdType)
參數(shù):
src：源陣列（單通道，32位浮點(diǎn)8位）。
dst：相同大小和類型的目標(biāo)數(shù)組。
thresh：門限閾值。
Maxval：最大值使用的thresh_binary和thresh_binary_inv閾值類型。
thresholdtype：閾值型，如下。
THRESH_BINARY  當(dāng)前點(diǎn)值大于閾值時(shí)，取Maxval,也就是第四個(gè)參數(shù)，下面再不說(shuō)明，否則設(shè)置為0
THRESH_BINARY_INV 當(dāng)前點(diǎn)值大于閾值時(shí)，設(shè)置為0，否則設(shè)置為Maxval
THRESH_TRUNC 當(dāng)前點(diǎn)值大于閾值時(shí)，設(shè)置為閾值，否則不改變
THRESH_TOZERO 當(dāng)前點(diǎn)值大于閾值時(shí)，不改變，否則設(shè)置為0
THRESH_TOZERO_INV 當(dāng)前點(diǎn)值大于閾值時(shí)，設(shè)置為0，否則不改變
1 Mat TwoValued(Mat &img) {2    Mat out;3    threshold(img, out, 0, 255, CV_THRESH_OTSU + CV_THRESH_BINARY);4    //threshold(img, out, 100, 255, CV_THRESH_BINARY);5 6    return out;7 }
View Code

閉操作：
閉操作可以將目標(biāo)區(qū)域連成一個(gè)整體，便于后續(xù)輪廓的提取。
閉操作可使輪廓線更光滑，但與開操作相反的是，閉操作通常消彌狹窄的間斷和長(zhǎng)細(xì)的鴻溝，消除小的空洞，并填補(bǔ)輪廓線中的斷裂。
使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行閉操作，定義為

這個(gè)公式表明，使用結(jié)構(gòu)元素B對(duì)集合A的閉操作就是用B對(duì)A進(jìn)行膨脹，然后用B對(duì)結(jié)果進(jìn)行腐蝕。

OpenCV中函數(shù)
void morphologyEx(InputArray src, OutputArray dst, int op, InputArray element, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue() )
參數(shù):
src：源圖像。
dst：相同大小和類型的目標(biāo)圖像。
element：內(nèi)核類型用getStructuringElement函數(shù)得到。
OP：
可以是以下形式之一的形態(tài)學(xué)操作的類型：
morph_open -開啟操作
morph_close -閉合操作
morph_gradient -形態(tài)學(xué)梯度
morph_tophat“頂帽”
morph_blackhat -“黑帽”
iterations：侵蝕和膨脹的次數(shù)被應(yīng)用。
bordertype–像素外推方法。
bordervalue–邊界值在一個(gè)恒定的邊界情況。默認(rèn)值有特殊含義。
關(guān)注前4個(gè)參數(shù)即可，后面用默認(rèn)參數(shù)。

1 Mat Close(Mat &img) {2    Mat out;3    //Mat element(5, 5, CV_8U, cv::Scalar(1));4    Mat element = getStructuringElement(MORPH_RECT, Size(17, 5));5    morphologyEx(img, out, cv::MORPH_CLOSE, element);6 7    return out;8 }
View Code

取輪廓：
將前面處理的車牌目標(biāo)區(qū)域提取出來(lái)。
相關(guān)函數(shù)：
查找輪廓：
void findContours(InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point())
image：輸入的 8-比特、單通道圖像. 非零元素被當(dāng)成 1， 0 象素值保留為 0 - 從而圖像被看成二值的。為了從灰度圖像中得到這樣的二值圖像，可以使用 cvThreshold, cvAdaptiveThreshold 或 cvCanny. 本函數(shù)改變輸入圖像內(nèi)容。
storage :得到的輪廓的存儲(chǔ)容器
first_contour :輸出參數(shù)：包含第一個(gè)輸出輪廓的指針
header_size ：如果 method=CV_CHAIN_CODE，則序列頭的大小 >=sizeof(CvChain)，否則 >=sizeof(CvContour) .
mode ：
提取模式.
CV_RETR_EXTERNAL - 只提取最外層的輪廓
CV_RETR_LIST - 提取所有輪廓，并且放置在 list 中
CV_RETR_CCOMP - 提取所有輪廓，并且將其組織為兩層的 hierarchy: 頂層為連通域的外圍邊界，次層為洞的內(nèi)層邊界。
CV_RETR_TREE - 提取所有輪廓，并且重構(gòu)嵌套輪廓的全部 hierarchy
method :
逼近方法 (對(duì)所有節(jié)點(diǎn), 不包括使用內(nèi)部逼近的 CV_RETR_RUNS).
CV_CHAIN_CODE - Freeman 鏈碼的輸出輪廓. 其它方法輸出多邊形(定點(diǎn)序列).
CV_CHAIN_APPROX_NONE - 將所有點(diǎn)由鏈碼形式翻譯(轉(zhuǎn)化）為點(diǎn)序列形式
CV_CHAIN_APPROX_SIMPLE - 壓縮水平、垂直和對(duì)角分割，即函數(shù)只保留末端的象素點(diǎn);
CV_CHAIN_APPROX_TC89_L1,
CV_CHAIN_APPROX_TC89_KCOS - 應(yīng)用 Teh-Chin 鏈逼近算法. CV_LINK_RUNS - 通過(guò)連接為 1 的水平碎片使用完全不同的輪廓提取算法。僅有 CV_RETR_LIST 提取模式可以在本方法中應(yīng)用.
offset :
每一個(gè)輪廓點(diǎn)的偏移量. 當(dāng)輪廓是從圖像 ROI 中提取出來(lái)的時(shí)候，使用偏移量有用，因?yàn)榭梢詮恼麄€(gè)圖像上下文來(lái)對(duì)輪廓做分析.
函數(shù) cvFindContours 從二值圖像中提取輪廓，并且返回提取輪廓的數(shù)目。指針 first_contour 的內(nèi)容由函數(shù)填寫。它包含第一個(gè)最外層輪廓的指針，如果指針為 NULL，則沒(méi)有檢測(cè)到輪廓（比如圖像是全黑的）。其它輪廓可以從 first_contour 利用 h_next 和 v_next 鏈接訪問(wèn)到。在 cvDrawContours 的樣例顯示如何使用輪廓來(lái)進(jìn)行連通域的檢測(cè)。輪廓也可以用來(lái)做形狀分析和對(duì)象識(shí)別 - 見CVPR2001 教程中的 squares 樣例。該教程可以在 SourceForge 網(wǎng)站上找到。
繪制輪廓：
void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, intthickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point() )

相關(guān)參數(shù)參考——http://www.opencv.org.cn/opencvd ... urs#cv.DrawContours

漫水填充算法：
int floodFill(InputOutputArray image, Point seed, Scalar newVal, Rect* rect=0, Scalar loDiff=Scalar(), ScalarupDiff=Scalar(), int flags=4 )

相關(guān)參數(shù)參考——http://www.opencv.org.cn/opencvd ... odfill#cv.FloodFill

帳號(hào)		自動(dòng)登錄	找回密碼
密碼			立即注冊(cè)