快捷導(dǎo)航

OpenCV實(shí)現(xiàn)車(chē)牌定位(C++)

更新時(shí)間：2020年11月27日 15:38:32 作者：Steven·簡(jiǎn)談

這篇文章主要為大家詳細(xì)介紹了OpenCV實(shí)現(xiàn)車(chē)牌定位，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

最近開(kāi)始接觸 C++ 了，就拿一個(gè) OpenCV 小項(xiàng)目來(lái)練練手。在車(chē)牌自動(dòng)識(shí)別系統(tǒng)中，從汽車(chē)圖像的獲取到車(chē)牌字符處理是一個(gè)復(fù)雜的過(guò)程，本文就以一個(gè)簡(jiǎn)單的方法來(lái)處理車(chē)牌定位。

我國(guó)的汽車(chē)牌照一般由七個(gè)字符和一個(gè)點(diǎn)組成，車(chē)牌字符的高度和寬度是固定的，分別為90mm和45mm，七個(gè)字符之間的距離也是固定的12mm，點(diǎn)分割符的直徑是10mm。

使用的圖片是從百度上隨便找的（侵刪），展示一下原圖和灰度圖：

#include <iostream> 
#include <opencv2/highgui/highgui.hpp> 
#include <opencv2/imgproc.hpp>
#include <opencv2/imgproc/types_c.h>

using namespace std;
using namespace cv;

int main() {
 // 讀入原圖
 Mat img = imread("license.jpg");
 Mat gray_img;
 // 生成灰度圖像
 cvtColor(img, gray_img, CV_BGR2GRAY);
 // 在窗口中顯示游戲原畫(huà)
 imshow("原圖", img);
 imshow("灰度圖", gray_img);
 waitKey(0);
 return 0;
}

灰度圖像的每一個(gè)像素都是由一個(gè)數(shù)字量化的，而彩色圖像的每一個(gè)像素都是由三個(gè)數(shù)字組成的向量量化的，使用灰度圖像會(huì)更方便后續(xù)的處理。

圖像降噪

每一副圖像都包含某種程度的噪聲，在大多數(shù)情況下，需要平滑技術(shù)（也常稱(chēng)為濾波或者降噪技術(shù)）進(jìn)行抑制或者去除，這些技術(shù)包括基于二維離散卷積的高斯平滑、均值平滑、基于統(tǒng)計(jì)學(xué)方法的中值平滑等。這里采用基于二維離散卷積的高斯平滑對(duì)灰度圖像進(jìn)行降噪處理，處理后的圖像效果如下：

形態(tài)學(xué)處理

完成了高斯去噪以后，為了后面更加準(zhǔn)確的提取車(chē)牌的輪廓，我們需要對(duì)圖像進(jìn)行形態(tài)學(xué)處理，在這里，我們對(duì)它進(jìn)行開(kāi)運(yùn)算，處理后如下所示：

開(kāi)運(yùn)算呢就是先進(jìn)行 erode 再進(jìn)行 dilate 的過(guò)程就是開(kāi)運(yùn)算，它具有消除亮度較高的細(xì)小區(qū)域、在纖細(xì)點(diǎn)處分離物體，對(duì)于較大物體，可以在不明顯改變其面積的情況下平滑其邊界等作用。

erode 操作也就是腐蝕操作，類(lèi)似于卷積，也是一種鄰域運(yùn)算，但計(jì)算的不是加權(quán)求和，而是對(duì)鄰域中的像素點(diǎn)按灰度值進(jìn)行排序，然后選擇該組的最小值作為輸出的灰度值。

dilate 操作就是膨脹操作，與腐蝕操作類(lèi)似，膨脹是取每一個(gè)位置鄰域內(nèi)的最大值。既然是取鄰域內(nèi)的最大值，那么顯然膨脹后的輸出圖像的總體亮度的平均值比起原圖會(huì)有所上升，而圖像中較亮物體的尺寸會(huì)變大；相反，較暗物體的尺寸會(huì)減小，甚至消失。

閾值分割

完成初步的形態(tài)學(xué)處理以后，我們需要對(duì)圖像進(jìn)行閾值分割，我們?cè)谶@里采用了 Otsu 閾值處理，處理后的效果如下所示：

對(duì)圖像進(jìn)行數(shù)字處理時(shí)，我們需要把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域，每一個(gè)區(qū)域代表一個(gè)像素的集合，每一個(gè)集合又代表一個(gè)物體，而完成該過(guò)程的技術(shù)通常稱(chēng)為圖像分割，它是從圖像處理到圖像分析的關(guān)鍵步驟。其實(shí)這個(gè)過(guò)程不難理解，就好比我們?nèi)祟?lèi)看景物一樣，我們所看到的世界是由許許多多的物體組合而成的，就像教室是由人、桌子、書(shū)本、黑板等等組成。我們通過(guò)閾值處理，就是希望能夠從背景中分離出我們的研究對(duì)象。

邊緣檢測(cè)

經(jīng)過(guò)Otsu閾值分割以后，我們要對(duì)圖像進(jìn)行邊緣檢測(cè)，我們這里采用的是Canny邊緣檢測(cè)，處理后的結(jié)果如下：

接下來(lái)再進(jìn)行一次閉運(yùn)算和開(kāi)運(yùn)算，填充白色物體內(nèi)細(xì)小黑色空洞的區(qū)域并平滑其邊界，處理后的效果如下：

這個(gè)時(shí)候，車(chē)牌的輪廓已經(jīng)初步被選出來(lái)了，只是還有一些白色塊在干擾。

上述過(guò)程的代碼：

// 得出輪廓
bool contour(Mat image, vector<vector<Point>> &contours, vector<Vec4i> &hierarchy) {
 Mat img_gau, img_open, img_seg, img_edge;
 // 高斯模糊
 GaussianBlur(image, img_gau, Size(7, 7), 0, 0);
 // 開(kāi)運(yùn)算
 Mat element = getStructuringElement(MORPH_RECT, Size(23, 23));
 morphologyEx(img_gau, img_open, MORPH_OPEN, element);
 addWeighted(img_gau, 1, img_open, -1, 0, img_open);
 // 閾值分割
 threshold(img_open, img_seg, 0, 255, THRESH_BINARY + THRESH_OTSU);
 // 邊緣檢測(cè)
 Canny(img_seg, img_edge, 200, 100);
 element = getStructuringElement(MORPH_RECT, Size(22, 22));
 morphologyEx(img_edge, img_edge, MORPH_CLOSE, element);
 morphologyEx(img_edge, img_edge, MORPH_OPEN, element);
 findContours(img_edge, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point());
 return true;
}

選取輪廓

現(xiàn)在我們已經(jīng)有了輪廓，我們需要篩選出車(chē)牌所在的那個(gè)輪廓，由于車(chē)牌寬和高的比例是固定的，依據(jù)這個(gè)幾何特征，我們進(jìn)行篩選，效果如圖：

代碼如下：

// 車(chē)牌輪廓點(diǎn)
Point2f(*choose_contour(vector<vector<Point>> contours))[2] {
 int size = (int)contours.size();
 int i_init = 0;
 Point2f (*contours_result)[2] = new Point2f[size][2];
 for (int i = 0; i < size; i++){
 // 獲取邊框數(shù)據(jù)
 RotatedRect number_rect = minAreaRect(contours[i]);
 Point2f rect_point[4];
 number_rect.points(rect_point);
 float width = rect_point[0].x - rect_point[1].x;
 float height = rect_point[0].y - rect_point[3].y;
 // 用寬高比篩選
 if (width < height) {
 float temp = width;
 width= height;
 height = temp;
 }
 float ratio = width / height;
 if (2.5 < ratio && ratio < 5.5) {
 contours_result[i_init][0] = rect_point[0];
 contours_result[i_init][1] = rect_point[2];
 i_init++;
 }
 
 }
 return contours_result;
}

// 截取車(chē)牌區(qū)域
int license_gain(Point2f (*choose_license)[2], Mat img) {
 int size = (int)(_msize(choose_license) / sizeof(choose_license[0]));
 // 繪制方框
 for (int i = 0; i < size; i++) {
 if ((int)choose_license[i][0].x > 1 && (int)choose_license[i][0].y > 1) {
 int x = (int)choose_license[i][1].x;
 int y = (int)choose_license[i][1].y;
 int width = (int)(choose_license[i][0].x) - (int)(choose_license[i][1].x);
 int height = (int)(choose_license[i][0].y) - (int)(choose_license[i][1].y);
 Rect choose_rect(x, y, width, height);
 Mat number_img = img(choose_rect);
 rectangle(img, choose_license[i][0], choose_license[i][1], Scalar(0, 0, 255), 2, 1, 0);
 imshow("車(chē)牌單獨(dú)顯示" + to_string(i), number_img);
 }
 }
 imshow("繪制方框", img);
 return 0;
}

最后的 main 函數(shù)：

int main() {
 // 讀入原圖
 Mat img = imread("license.jpg");
 Mat gray_img;
 // 生成灰度圖像
 cvtColor(img, gray_img, CV_BGR2GRAY);
 // 得出輪廓
 vector<vector<Point>> contours;
 vector<Vec4i> hierarchy;
 contour(gray_img, contours, hierarchy);
 // 截取車(chē)牌
 Point2f (*choose_license)[2] = choose_contour(contours);
 license_gain(choose_license, img);
 delete [] choose_license;
 waitKey(0);
 return 0;
}

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: