现在,汽车的踪影无处不在,公路上疾驰,大街边临停,小区中停靠,车库里停泊。管理监控如此庞大数量的汽车是个头疼的问题。精明的人们把目光放在车牌上,因为车牌是汽车的“身份证”。所以车牌识别成为了焦点,而车牌检测是车牌识别的基础和前提。本篇文章,主要讨论使用opencv实现车牌检测。
opencv是开源计算机视觉库,基于计算机视觉与机器学习,提供强大的图像处理能力。我们可以快速集成opencv库到android端,其中一种方式是直接安装opencv manager,按需使用:启动服务去动态加载。这样前期配置更简单,但需要另外安装一个apk。我更倾向另外一种方式:把依赖的module和动态/静态库都导入project。具体步骤如下:
1、导入module
先从官网下载opencvforandroid的sdk,以3.2.0版本为例,找到依赖库路径,然后导入module。
2、导入动态与静态库
在sdk里面找到lib目录,把所有的.a和.so文件拷贝到项目的libs对应abi路径下:
3、配置gradle
将依赖的静态库编译到native-libs里面:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
task nativelibstojar(type: jar, description: 'create a jar archive of the native libs' ) { destinationdir file( "$builddir/native-libs" ) basename 'native-libs' from filetree(dir: 'libs' , include: '**/*.so' ) into 'lib/' } tasks.withtype(javacompile) { compiletask -> compiletask.dependson(nativelibstojar) } dependencies { compile filetree(include: [ '*.jar' ], dir: 'libs' ) compile filetree(dir: "$builddir/native-libs" , include: 'native-libs.jar' ) ...... } |
好了,经过配置三步曲,我们就可以愉快地使用opencv了。
------------------------中场休息---------------------------
接下来是调用三步曲:加载opencv、初始化车牌检测器和执行车牌检测
1、加载opencv
调用opencvloader去加载,如果加载成功进行下一步操作:
1
2
3
4
5
6
7
8
9
10
11
12
|
private void initopencv(){ boolean result = opencvloader.initdebug(); if (result){ log.i(tag, "initopencv success..." ); //初始化车牌检测器 mplatedetector = new objectdetector( this , r.raw.haarcascade_license_plate, 3 , new scalar( 255 , 0 , 0 , 0 )); mobject = new matofrect(); } else { log.e(tag, "initopencv fail..." ); } } |
2、初始化检测器
使用车牌检测的级联分类xml文件进行初始化:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
/** * 创建级联分类器 * @param context 上下文 * @param id 级联分类器id * @return 级联分类器 */ private cascadeclassifier createdetector(context context, int id) { cascadeclassifier javadetector; inputstream is = null ; fileoutputstream os = null ; try { is = context.getresources().openrawresource(id); file cascadedir = context.getdir(license_plate_model, context.mode_private); file cascadefile = new file(cascadedir, id + ".xml" ); os = new fileoutputstream(cascadefile); byte [] buffer = new byte [ 4096 ]; int bytesread; while ((bytesread = is.read(buffer)) != - 1 ) { os.write(buffer, 0 , bytesread); } javadetector = new cascadeclassifier(cascadefile.getabsolutepath()); if (javadetector.empty()) { javadetector = null ; } boolean delete = cascadedir.delete(); log.i( "objectdetector" , "deleteresult=" + delete); return javadetector; } catch (ioexception e) { e.printstacktrace(); return null ; } finally { try { if ( null != is) { is.close(); } if ( null != os) { os.close(); } } catch (ioexception e) { e.printstacktrace(); } } } |
3、执行车牌检测
由于opencv操作对象是mat,所以我们得把bitmap转成mat,然后转成gray灰度图去进行检测:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
/** * 执行车牌检测 * @param bitmap bitmap * @return 车牌检测后的bitmap */ private bitmap doplatedetecting(bitmap bitmap){ if (mplatedetector != null && bitmap != null ){ mat mrgba = new mat(); mat mgray = new mat(); //bitmap转成map utils.bitmaptomat(bitmap, mrgba); //rgba转成灰度图 imgproc.cvtcolor(mrgba, mgray, imgproc.color_rgba2gray); // 检测车牌 rect[] object = mplatedetector.detectobject(mgray, mobject); if (object != null && object.length > 0 ){ //检测到车牌区域 rect rect = object[ 0 ]; //矩形标识 imgproc.rectangle(mrgba, rect.tl(), rect.br(), mplatedetector.getrectcolor(), 3 ); } //mat转回bitmap utils.mattobitmap(mrgba, bitmap); } return bitmap; } |
其中,detectobject方法体是调用cascadeclassifier的detectmultiscale来完成检测的:
1
2
3
4
5
6
7
8
9
10
11
12
|
public rect[] detectobject(mat gray, matofrect object) { mcascadeclassifier.detectmultiscale( gray, // 要检查的灰度图像 object, // 检测到的车牌 1.1 , // 表示在前后两次相继的扫描中,搜索窗口的比例系数 mminneighbors, // 默认是3 objdetect.cascade_scale_image, getsize(gray, 80 ), // 检测目标最小值 getsize(gray, 800 )); // 检测目标最大值 return object.toarray(); } |
折腾了这么久,让我们看看车牌检测结果:
上面的车牌几乎是水平的,那么倾斜的车牌能不能检测到呢?真相就在下面:
角度发生倾斜的车牌也是可以检测出来,但是在后期的车牌识别,需要进行倾斜校正。如果静态检测还不够意思,那么请看动态检测的效果(转换出来的gif有点模糊,各位莫怪):
接下来的一篇博客会与大家一起探讨车牌识别,敬请期待。欢迎各位热爱opencv与图像处理的朋友提出建议,相互学习。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/u011686167/article/details/79008634