Steven的博客

之前的车牌定位中已经获取到了车牌的位置，并且对车牌进行了提取。我们最终的目的是进行车牌识别，在这之前需要将字符进行分割，方便对每一个字符进行识别，最后将其拼接后便是完整的车牌号码。关于车牌定位可以看这篇文章：OpenCV车牌定位(C++)，本文使用的图片也是来自这里。先来看一看原图：最左边的汉字本来是 沪，截取时只获得了右边一点点的部分，这与原图和获取方法都有关，对于 川、沪… 这一类左右分开的字会经常发生这类问题，对方法进行优化后可以解决，这里暂时不进行讨论。后面的字都是完整的，字符分割的过程不

最近开始接触 C++ 了，就拿一个 OpenCV 小项目来练练手。在车牌自动识别系统中，从汽车图像的获取到车牌字符处理是一个复杂的过程，本文就以一个简单的方法来处理车牌定位。我国的汽车牌照一般由七个字符和一个点组成，车牌字符的高度和宽度是固定的，分别为90mm和45mm，七个字符之间的距离也是固定的12mm，点分割符的直径是10mm。使用的图片是从百度上随便找的（侵删），展示一下原图和灰度图：#include <iostream> #include <opencv2/highg

目标检测就是对目标进行动态实时跟踪定位，常见的目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo 等，其中 Yolo 的速度和精确度都比较高，且只需训练一次，使用起来比较方便。这里我们就使用官方现成的模型来检测图片，看一看效果，先学会使用流程，以后再训练自己的模型。注意：opencv-python 目前只有 4.4.0 版本适配了 YOLOv4导入库import numpy as npimport timeimport cv2设置标签和标注颜色

我们随手拍摄的照片，很难达到摄影师的水准，因此不管是手机上还是电脑内，都有一些软件可以添加特效让照片更好看，手机拍摄时也有即时的美化效果。不过我比较好奇漫画特效，但是一直在网上看到别人的成品而找不到针对性的软件，因此只有自己实现一下，虽然跟专业的还有差距，但效果还不错。本次使用 OpenCV，采用 Python 实现。对比现实中的画画，一般是先画出边缘轮廓使整体规划好，再填充颜色使其完整，因此在这里我们也采用这种方式。不过对图片直接操作与从零开始着笔不一样，要将原始图片进行两次不同的处理，再将处理后的

imutils 这个图像处理工具包，除了简化 opencv 的一些操作之外，还有专门配合 dlib 处理人脸数据的工具 face_utils。dlib 提取人脸数据后，五官都是用一些特征点来表示的，每个部位的点的索引是固定的，想要进一步操作就得对这些点进行处理，而 face_utils 就是简化这些点的表现方式本文就来解析一下 face_utils 的处理方法，方便我们理解它的用处特征点索引提取查看源码：#For dlib’s 68-point facial landmark detector:

imutils 是一个图像处理工具包，它对 opencv 的一些方法进行了二次加工，使其更加简单易用。相比较于 opencv 的学习难度，导致很多方法使用起来需要一定的基础，新手可能会起步的较慢，而 imutils 使用起来比较便利，能够辅助我们理解 opencv本文就来解析一下 imutils 的源码，看它如何调用 opencv 的方法。顺便也学习一下，这里主要讲其常用的几个图像函数平移查看源码：def translate(image, x, y): # define the trans