爆肝手码！基于OpenCV的车牌识别（Sobel颜色定位），绝对干货

　　车牌识别大体上需要经历过Sobel定位、颜色定位、SVM对定位来的候选车牌进行评测，给出评分，最后通过提取HOG特征按照训练模型进入ANN识别。
　　这一章节介绍 定位相关的逻辑代码，其中定位用到 Sobel定位(边缘检测定位), 颜色定位：对应代码里的CarSobelPlateLocation，CarColorPlateLocation；两者定位后得到一些候选的图片，把这些图片送去SVM进行评测，SVM基于HOG提取边缘信息特征，HOG类同之前处理纹理特征的LBP，项目代码在Clion上开发的。源码地址前往 车牌定位(https://github.com/yinxiucheng/OpencvCarRecgnize)。Sobel定位
　　CarSobelPlateLocation，通过以下的一些步骤进行降噪： 高斯模糊 灰度化 边缘化 二值化 闭操作 高斯模糊//预处理 ：去噪 让车牌区域更加突出     Mat blur;     //1、高斯模糊（平滑） （1、为了后续操作 2、降噪 ）     GaussianBlur(src, blur, Size(5, 5), 0);     //imshow(＂高斯模糊＂,blur);灰度化 Mat gray;     //2、灰度化 去掉颜色 因为它对于我们这里没用  降噪     cvtColor(blur, gray, COLOR_BGR2GRAY);     imshow(＂灰度＂, gray);边缘化 Mat sobel_16;     //3、 边缘检测 让车牌更加突出  在调用时需要以16位来保存数据 在后续操作 以及显示的时候需要转回8位     Sobel(gray, sobel_16, CV_16S, 1, 0);     //转为8位     Mat sobel;     convertScaleAbs(sobel_16, sobel);     imshow(＂Sobel＂, sobel);二值化//4. 二值化 黑白     Mat shold;     //大律法   最大类间算法     threshold(sobel, shold, 0, 255, THRESH_OTSU + THRESH_BINARY);     imshow(＂二值＂, shold);闭操作//5、闭操作     // 将相邻的白色区域扩大 连接成一个整体     Mat close;     Mat element = getStructuringElement(MORPH_RECT, Size(17, 3));     morphologyEx(shold, close, MORPH_CLOSE, element);     imshow(＂闭操作＂, close);
　　以上的操作是在处理降噪，第六步初步赛选。
　　第六步：最大面积、最小面积.宽高逼。 //6、查找轮廓     //获得初步筛选车牌轮廓================================================================     //轮廓检测     vector< vector> contours;     //查找轮廓 提取最外层的轮廓  将结果变成点序列放入 集合     findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);      //遍历     vector vec_sobel_roi;     for(vector point:contours){         RotatedRect rotatedRect= minAreaRect(point);         //rectangle(src, rotatedRect.boundingRect(), Scalar(255, 0, 255));         //进行初步的筛选 把完全不符合的轮廓给排除掉 ( 比如：1x1，5x1000 )         if (verifySizes(rotatedRect)) {             vec_sobel_roi.push_back(rotatedRect);         }     }
　　初步赛选：宽高比 float aspec，把不符合的删除掉（1 * 1的， 5* 1000的等候选矩形） int CarPlateLocation::verifySizes(RotatedRect rotated_rect) {     //容错率     float error = 0.75f;      //训练时候模型的宽高 136 * 32     //获得宽高比     float aspect = float(136) / float(32);      //最小 最大面积 不符合的丢弃     //给个大概就行 随时调整     //尽量给大一些没关系， 这还是初步筛选。     int min = 20 * aspect * 20;     int max = 180 * aspect * 180;      //比例浮动 error认为也满足     //最小宽、高比     float rmin = aspect - aspect * error;     //最大的宽高比     float rmax = aspect + aspect * error;     //矩形的面积     float area = rotated_rect.size.height * rotated_rect.size.width;     //矩形的比例     float r = (float) rotated_rect.size.width / (float) rotated_rect.size.height;     if ((area < min || area > max) || (r < rmin || r > rmax))         return 0;     return 1; }
　　把斜的图片转正：仿射变换 //1、矫正前 2、矫正后 3、矩形的大小 4、矩形中心点坐标  5、角度 void CarPlateLocation::rotation(Mat src, Mat &dst, Size rect_size,                                 Point2f center, double angle) {      //获得旋转矩阵     Mat rot_mat = getRotationMatrix2D(center, angle, 1);      //运用仿射变换     Mat mat_rotated;     //矫正后 大小会不一样，但是对角线肯定能容纳     int max = sqrt(pow(src.rows, 2) + pow(src.cols, 2));     //仿射变换     warpAffine(src, mat_rotated, rot_mat, Size(max, max),                CV_INTER_CUBIC);     imshow(＂旋转前＂, src);     imshow(＂旋转＂, mat_rotated);     //截取 尽量把车牌多余的区域截取掉     getRectSubPix(mat_rotated, Size(rect_size.width, rect_size.height), center, dst);     imshow(＂截取＂, dst);     mat_rotated.release();     rot_mat.release();颜色定位HSV颜色模型
　　色调（H）， 饱和度（S）， 明度（V）；
　　BGR 转成 HSV cvtColor(src,hsv,COLOR_BGR2HSV);色调H
　　用角度度量，取值范围为0 360 ，从红色开始按逆时针方向计算，红色为0 ，绿色为120 ,蓝色为240 。它们的补色是：黄色为60 ，青色为180 ,品红为300 ；饱和度S
　　饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0% 100%，值越大，颜色越饱和。明度V
　　明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白)
　　在OpenCV中hsv 数据为8UC则取值分别为 0-180 0-255 0-255 ,即蓝色应该是120
　　按照上面的表格找到蓝色区域 （100 ~ 124), 然后将HSV中的H、S转为 0， V变为255。其它区域的HSV赋值为0。 //3通道     int chanles = hsv.channels();     //高     int h = hsv.rows;     //宽数据长度     int w = hsv.cols * 3;      //判断数据是否为一行存储的     //内存足够的话 mat的数据是一块连续的内存进行存储     if (hsv.isContinuous()) {         w *= h;         h = 1;     }      for (size_t i = 0; i < h; ++i) {         //第i 行的数据 hsv的数据 uchar = java byte         uchar *p = hsv.ptr(i);          for (size_t j = 0; j < w; j += 3) {             int h = int(p[j]);             int s = int(p[j + 1]);             int v = int(p[j + 2]);              bool blue = false;             //蓝色             if (h >= 100 && h <= 124 && s >= 43 && s <= 255 && v >= 46 && v <= 255) {                 blue = true;             }              if (blue){                 p[j] = 0;                 p[j + 1]=0;                 p[j + 2]=255;             }else {                 //hsv 模型 h：0 红色 亮度和饱和度都是0 ，也就变成了黑色                 p[j] = 0;                 p[j + 1] = 0;                 p[j + 2] = 0;             }         }     }
　　得到下面的图：
　　接下来抽取亮度： //把亮度数据抽出来     //把h、s、v分离出来     vector hsv_split;     split(hsv, hsv_split);
　　然后跟sobel一样通过二值化、大律法等操作     // 整个图片+经过初步赛选的车牌 + 得到的候选车牌     tortuosity(src, vec_sobel_roi, dst);      for (Mat s: dst) {         imshow(＂候选＂, s);         waitKey();     }
　　筛选出来一个集合：
　　把两个结合结合起来，然后通过SVM进行评测， 因为不像人脸检测是没有现成的模型。 vector< Mat > sobel_plates; //sobel定位 plateLocation->location(src, sobel_plates);  //颜色定位 vector< Mat > color_plates; plateColorLocation->location(src, color_plates);  vector plates; //把sobel_plates的内容 全部加入plates向量 plates.insert(plates.end(),sobel_plates.begin(), sobel_plates.end()); plates.insert(plates.end(), color_plates.begin(), color_plates.end());SVM简单来说，SVM就是用于区分不同的类型(车牌、非车牌)。SVM的训练数据既有特征又有标签，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。属于机器学习中的监督学习。线性可分、线性不可分，不可分的时候用核函数来区分：
　　核函数： 用于将不同类型进行提维
　　人脸检测用的LBP提取特征，这里采取HOG来提取特征。
　　SVM load模型， 模型是同样是xml文件 svm = SVM::load(svm_model); CarPlateRecgnize p(＂/Users/xiuchengyin/Documents/Tina-NDK/OpencvCarRecgnize/resource/HOG_SVM_DATA2.xml＂);HOG特征
　　局部归一化的梯度方向直方图，是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。 参数1(检测窗口)的宽- 参数2(块大小)的宽 结果与参数3(块滑动增量)的余数要为0 高也一样
　　参数4是胞元大小,参数5是梯度方向
　　HOGDescriptor hog(Size(128, 64), Size(16, 16), Size(8, 8), Size(8, 8), 3);
　　初始化HOG变量  //参数1的宽-参数2的宽 结果与参数3的余数为0  高也一样     svmHog = new HOGDescriptor(Size(128,64),Size(16,16),Size(8,8),Size(8,8),3);
　　检测窗口被分为：((128-16)/8+1)*((64-16)/8+1)=105个块(Block);
　　一个Block有4个胞元(Cell);
　　一个Cell的Hog描述子向量的长度是9;
　　统计梯度直方图特征,就是将梯度方向（0-360）划分为x个区间，将图像化为16x16的若干个窗口，每个窗口又划分为x个block,每个block再化为4个cell（8x8）。对每一个cell,算出每一像素点的梯度方向，按梯度方向增加对应bin的值，最终综合N个cell的梯度直方图组成特征。
　　简单来说，车牌的边缘与内部文字组成的一组信息(在边缘和角点的梯度值是很大的，边缘和角点包含了很多物体的形状信息)，HOG就是抽取这些信息组成一个直方图。HOG : 梯度方向弱化光照的影响，适合捕获轮廓。
　　LBP : 中心像素的LBP值反映了该像素周围区域的纹理信息。
　　SVM 依据HOG提取的特征将所给的候选图片进行评分，选取最优的： string CarPlateRecgnize::plateRecgnize(Mat src) {     vector< Mat > sobel_plates;     //sobel定位     sobelPlateLocation->location(src, sobel_plates);     //颜色定位     vector< Mat > color_plates;     colorPlateLocation->location(src, color_plates);     vector< Mat > plates;     //把sobel_plates的内容 全部加入plates向量     plates.insert(plates.end(),sobel_plates.begin(), sobel_plates.end());     plates.insert(plates.end(), color_plates.begin(), color_plates.end());      int index = -1;     float minScore = FLT_MAX; //float的最大值     //使用 svm 进行 评测     for (int i = 0;i< plates.size();++i)     {         Mat plate = plates[i];         //先灰度化，再二值化，灰度化只剩下一个通道         Mat gray;         cvtColor(plate, gray,COLOR_BGR2GRAY);         //二值化 必须是以单通道进行         Mat shold;         threshold(gray, shold, 0, 255, THRESH_OTSU + THRESH_BINARY);         //提取特征         Mat features;         getHogFeatures(svmHog, shold, features);         //features 进行转化，把数据保存成一行         Mat samples = features.reshape(1,1);         //转化数据存储格式         samples.convertTo(samples, CV_32FC1 );          //原始模式         // svm: 直接告诉你这个数据是属于什么类型.         // RAW_OUTPUT：让svm 给出一个评分 //        char name[100]; //        sprintf(name, ＂候选车牌%d＂, i); //        imshow(name, plate);          float score = svm->predict(samples, noArray(), StatModel::Flags::RAW_OUTPUT);         printf(＂评分：%f ＂,score);         if (score < minScore) {             minScore = score;             index = i;         }         gray.release();         shold.release();         features.release();         samples.release();     }      Mat dst;     if (index >= 0) {         dst = plates[index].clone();     } //    imshow(＂车牌＂, dst); //    waitKey(); //    释放     for (Mat p : plates) {         p.release();     }     return string(＂123＂); }
　　svm评分如下： /Users/xiuchengyin/Documents/Tina-NDK/OpencvCarRecgnize/cmake-build-debug/OpencvCarRecgnize 评分：-1.224322 评分：1.255759 评分：1.831937 评分：-0.070820 评分：1.525869 评分：1.117042
　　测试最终取出来的就是我们的车牌选图了。
　　参考：github.com/liuruoze/Ea…
　　www.cnblogs.com/subconsciou… 来源：掘金
　　https://juejin.cn/post/6844903714470232078