(转) 学习OpenCV——车牌检测(定位)

最新推荐文章于 2024-05-02 14:24:14 发布

atupal

最新推荐文章于 2024-05-02 14:24:14 发布

阅读量2.1k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/atupal/article/details/8174295

本文介绍了使用OpenCV进行车牌检测的多种方法，包括基于颜色分布、Canny边缘检测和Hough变换的策略。通过实验，探讨了HSV空间、Canny边缘检测与Hough变换在车牌检测中的应用，以及轮廓检测方法。虽然效果各有不同，但这些技术为车牌定位提供了基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原文:http://blog.youkuaiyun.com/sangni007/article/details/7444470

这两天在做关于车牌识别的实验，用了几种方式：

1.车牌颜色分布（HSV空间，YCrCb空间的没有颜色分布图谱，无法实验）；利用HSV的H通道，效果一般，受环境影响大。

[cpp]view plaincopyprint? 
   
 #include "highgui.h"  
 #include "cv.h"  
 #include <stdio.h>     
 #include <math.h>    
 #include <string>  
 #include<iostream>  
 using namespace std;  
   
 CvPoint Point;  
 IplImage* img=0;  
 // skin region location using rgb limitation  
 void SkinRGB(IplImage* rgb,IplImage* _dst)  
 {  
     assert(rgb->nChannels==3&& _dst->nChannels==3);  
   
     static const int R=2;  
     static const int G=1;  
     static const int B=0;  
   
     IplImage* dst=cvCreateImage(cvGetSize(_dst),8,3);  
     cvZero(dst);  
   
     for (int h=0;h<rgb->height;h++) {  
         unsigned char* prgb=(unsigned char*)rgb->imageData+h*rgb->widthStep;  
         unsigned char* pdst=(unsigned char*)dst->imageData+h*dst->widthStep;  
         for (int w=0;w<rgb->width;w++) {  
             if ((prgb[R]>95 && prgb[G]>40 && prgb[B]>20 &&  
                 prgb[R]-prgb[B]>15 && prgb[R]-prgb[G]>15/*&& 
                 !(prgb[R]>170&&prgb[G]>170&&prgb[B]>170)*/)||//uniform illumination   
                 (prgb[R]>200 && prgb[G]>210 && prgb[B]>170 &&  
                 abs(prgb[R]-prgb[B])<=15 && prgb[R]>prgb[B]&& prgb[G]>prgb[B])//lateral illumination  
                 ) {  
                     memcpy(pdst,prgb,3);  
             }             
             prgb+=3;  
             pdst+=3;  
         }  
     }  
     cvCopyImage(dst,_dst);  
     cvReleaseImage(&dst);  
 }  
 // skin detection in rg space  
 void cvSkinRG(IplImage* rgb,IplImage* gray)  
 {  
     assert(rgb->nChannels==3&&gray->nChannels==1);  
       
     const int R=2;  
     const int G=1;  
     const int B=0;  
   
     double Aup=-1.8423;  
     double Bup=1.5294;  
     double Cup=0.0422;  
     double Adown=-0.7279;  
     double Bdown=0.6066;  
     double Cdown=0.1766;  
     for (int h=0;h<rgb->height;h++) {  
         unsigned char* pGray=(unsigned char*)gray->imageData+h*gray->widthStep;  
         unsigned char* pRGB=(unsigned char* )rgb->imageData+h*rgb->widthStep;  
         for (int w=0;w<rgb->width;w++)   
         {  
             int s=pRGB[R]+pRGB[G]+pRGB[B];  
             double r=(double)pRGB[R]/s;  
             double g=(double)pRGB[G]/s;  
             double Gup=Aup*r*r+Bup*r+Cup;  
             double Gdown=Adown*r*r+Bdown*r+Cdown;  
             double Wr=(r-0.33)*(r-0.33)+(g-0.33)*(g-0.33);  
             if (g<Gup && g>Gdown && Wr>0.004)  
             {  
                 *pGray=255;  
             }  
             else  
             {   
                 *pGray=0;  
             }  
             pGray++;  
             pRGB+=3;  
         }  
     }  
   
 }  
 // implementation of otsu algorithm  
 // author: onezeros#yahoo.cn  
 // reference: Rafael C. Gonzalez. Digital Image Processing Using MATLAB  
 void cvThresholdOtsu(IplImage* src, IplImage* dst)  
 {  
     int height=src->height;  
     int width=src->width;  
   
     //histogram  
     float histogram[256]={0};  
     for(int i=0;i<height;i++) {  
         unsigned char* p=(unsigned char*)src->imageData+src->widthStep*i;  
         for(int j=0;j<width;j++) {  
             histogram[*p++]++;  
         }  
     }  
     //normalize histogram  
     int size=height*width;  
     for(int i=0;i<256;i++) {  
         histogram[i]=histogram[i]/size;  
     }  
   
     //average pixel value  
     float avgValue=0;  
     for(int i=0;i<256;i++) {  
         avgValue+=i*histogram[i];  
     }  
   
     int threshold;    
     float maxVariance=0;  
     float w=0,u=0;  
     for(int i=0;i<256;i++) {  
         w+=histogram[i];  
         u+=i*histogram[i];  
   
         float t=avgValue*w-u;  
         float variance=t*t/(w*(1-w));  
         if(variance>maxVariance) {  
             maxVariance=variance;  
             threshold=i;  
         }  
     }  
   
     cvThreshold(src,dst,threshold,255,CV_THRESH_BINARY);  
 }  
   
 void cvSkinOtsu(IplImage* src, IplImage* dst)  
 {  
     assert(dst->nChannels==1&& src->nChannels==3);  
   
     IplImage* ycrcb=cvCreateImage(cvGetSize(src),8,3);  
     IplImage* cr=cvCreateImage(cvGetSize(src),8,1);  
     cvCvtColor(src,ycrcb,CV_BGR2YCrCb);  
     cvSplit(ycrcb,0,cr,0,0);  
   
     cvThresholdOtsu(cr,cr);  
     cvCopyImage(cr,dst);  
     cvReleaseImage(&cr);  
     cvReleaseImage(&ycrcb);  
 }  
   
 void cvSkinYUV(IplImage* src,IplImage* dst)  
 {  
     IplImage* ycrcb=cvCreateImage(cvGetSize(src),8,3);  
     //IplImage* cr=cvCreateImage(cvGetSize(src),8,1);  
     //IplImage* cb=cvCreateImage(cvGetSize(src),8,1);  
     cvCvtColor(src,ycrcb,CV_BGR2YCrCb);  
     //cvSplit(ycrcb,0,cr,cb,0);  
   
     static const int Cb=2;  
     static const int Cr=1;  
     static const int Y=0;  
   
     //IplImage* dst=cvCreateImage(cvGetSize(_dst),8,3);  
     cvZero(dst);  
   
     for (int h=0;h<src->height;h++) {  
         unsigned char* pycrcb=(unsigned char*)ycrcb->imageData+h*ycrcb->widthStep;  
         unsigned char* psrc=(unsigned char*)src->imageData+h*src->widthStep;  
         unsigned char* pdst=(unsigned char*)dst->imageData+h*dst->widthStep;  
         for (int w=0;w<src->width;w++) {  
             if ((pycrcb[Cr]<=126||pycrcb[Cr]>=130)&&(pycrcb[Cb]<=126||pycrcb[Cb]>=130))  
             {  
                     memcpy(pdst,psrc,3);  
             }  
             pycrcb+=3;  
             psrc+=3;  
             pdst+=3;  
         }  
     }  
     //cvCopyImage(dst,_dst);  
     //cvReleaseImage(&dst);  
 }  
   
 void cvSkinHSV(IplImage* src,IplImage* dst)  
 {  