這篇文章將為大家詳細(xì)講解有關(guān)利用OpenCV怎么實(shí)現(xiàn)一個(gè)車牌定位功能，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

創(chuàng)新互聯(lián)長(zhǎng)期為千余家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開(kāi)放共贏平臺(tái)，與合作伙伴共同營(yíng)造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為正定企業(yè)提供專業(yè)的網(wǎng)站制作、成都網(wǎng)站設(shè)計(jì)，正定網(wǎng)站改版等技術(shù)服務(wù)。擁有十載豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開(kāi)發(fā)。

在車牌自動(dòng)識(shí)別系統(tǒng)中，從汽車圖像的獲取到車牌字符處理是一個(gè)復(fù)雜的過(guò)程，本文就以一個(gè)簡(jiǎn)單的方法來(lái)處理車牌定位。

我國(guó)的汽車牌照一般由七個(gè)字符和一個(gè)點(diǎn)組成，車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
 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，與腐蝕操作類似，膨脹是取每一個(gè)位置鄰域內(nèi)的較大值。既然是取鄰域內(nèi)的較大值，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)祟惪淳拔镆粯樱覀兯吹降氖澜缡怯稍S許多多的物體組合而成的，就像教室是由人、桌子、書本、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，我們需要篩選出車牌所在的那個(gè)輪廓，由于車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);
 // 截取車牌
 Point2f (*choose_license)[2] = choose_contour(contours);
 license_gain(choose_license, img);
 delete [] choose_license;
 waitKey(0);
 return 0;
}

關(guān)于利用OpenCV怎么實(shí)現(xiàn)一個(gè)車牌定位功能就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。

網(wǎng)站欄目：利用OpenCV怎么實(shí)現(xiàn)一個(gè)車牌定位功能-創(chuàng)新互聯(lián)
URL網(wǎng)址：http://www.chinadenli.net/article14/dccige.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App開(kāi)發(fā)、網(wǎng)站營(yíng)銷、云服務(wù)器、網(wǎng)站維護(hù)、外貿(mào)網(wǎng)站建設(shè)、關(guān)鍵詞優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)