OpenCV学习之路——车牌识别之车牌定位

去年七月份因为学校项目需要开始接触图像处理，但那时候只是到网上找车牌识别代码，然后加入到自己的项目中，不太清楚细节原理。

现在自己重新一步步实现车牌识别。                                                                                                                      

 

车牌识别流程：

 

高斯模糊：

车牌识别中利用高斯模糊将图片平滑化，去除干扰的噪声对后续图像处理的影响。

高斯模糊（GaussianBlur()），也叫高斯平滑。

周边像素的平均值，所谓"模糊"，可以理解成每一个像素都取周边像素的平均值。

   

上图中，2是中间点，周边点都是1。"中间点"取"周围点"的平均值，就会变成1。在数值上，这是一种"平滑化"。在图形上，就相当于产生"模糊"效果，"中间点"失去细节（上图右）。显然，计算平均值时，取值范围越大，"模糊效果"越强烈。

左图分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。

接下来的问题就是，既然每个点都要取周边像素的平均值，那么应该如何分配权重呢？

如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此，加权平均更合理，距离越近的点权重越大，距离越远的点权重越小。

 

OpenCV中函数

void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT)

参数详解： 
src：输入图片，可以使是任意通道数，该函数对通道是独立处理的，但是深度只能是CV_8U, CV_16U, CV_16S, CV_32F or CV_64F. 

dst：输出图片，和输入图片相同大小和深度。 

ksize：高斯内核大小。ksize.width和ksize.height允许不相同但他们必须是正奇数。或者等于0，由参数sigma的乘机决定。 
sigmaX：高斯内核在X方向的标准方差。 
sigmaY：高斯内核在Y方向的标准方差。如果sigmaY为0，他将和sigmaX的值相同，如果他们都为0，那么他们由ksize.width和ksize.height计算得出。 
borderType：用于判断图像边界的模式。

Mat Gaussian(Mat &img) {
    Mat out;
    GaussianBlur(img, out, Size(3, 3),
        0, 0, BORDER_DEFAULT);
    return out;

}

原图：（来自百度）

  

 

灰度化：

在车牌识别中我们需要将图像转化为灰度图像，这样有利于后续步骤的开展，如Soble算子只能作用于灰度图像。

灰度化，在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。

Opencv中函数

void cvtColor(InputArray src,  OutputArray dst,  int code,  int dstCn=0 )

参数详解：

 src：输入图像：8位无符号的16位无符号（cv_16uc…）或单精度浮点。
 dst：的大小和深度src.

code：输出图像颜色空间转换的代码。

dstCn：目标图像中的信道数；如果参数为0，则从SRC和代码自动导出信道的数目。

Mat Grayscale(Mat &img) {
    Mat out;
    cvtColor(img, out, CV_RGB2GRAY);

    return out;
}

 

 

Sobel算子（X方向）：

车牌定位的核心算法，水平方向上的边缘检测，检测出车牌区域。

主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。

该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:

图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。

可用以下公式计算梯度方向。

在以上例子中，如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

 

OpenCV中函数：

void Sobel(InputArray src, OutputArray dst, int ddepth, int xorder, int yorder, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT )

参数:
src： 源图像。
dst：相同大小和相同数量的通道的目标图像。
ddepth：目标图像的深度。
xorder：阶导数的X.
yorder：阶导数的Y.
ksize：扩展Sobel算子–大小。它必须是1, 3, 5，或者7。
scale：计算衍生值的可选刻度因子。默认情况下，不应用缩放。看到getderivkernels()详情。
delta ：可选的delta值，在将它们存储在DST之前添加到结果中。
bordertype：像素外推方法。

convertScaleAbs()——先缩放元素再取绝对值，最后转换格式为8bit型。

Mat Sobel(Mat &img) {
    Mat out;
    Mat grad_x, grad_y;
    Mat abs_grad_x, abs_grad_y;

    //X方向
    //Sobel(img, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
    //convertScaleAbs(grad_x, abs_grad_x);
    Sobel(img, img, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
    convertScaleAbs(img, out);

    //Y方向
    //Sobel(img, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);
    //convertScaleAbs(grad_y, abs_grad_y);
    //convertScaleAbs(img, out);

    //合并
    //addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, out);

    return out;
}

 

 

二值化：

进一步对图像进行处理，强化目标区域，弱化背景。

图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

OpenCV中函数

double threshold(InputArray src, OutputArray dst, double thresh, double maxVal, int thresholdType)

参数:
src：源阵列（单通道，32位浮点8位）。
dst：相同大小和类型的目标数组。
thresh：门限阈值。
Maxval：最大值使用的thresh_binary和thresh_binary_inv阈值类型。
thresholdtype：阈值型，如下。

 THRESH_BINARY  当前点值大于阈值时，取Maxval,也就是第四个参数，下面再不说明，否则设置为0

 THRESH_BINARY_INV 当前点值大于阈值时，设置为0，否则设置为Maxval

 THRESH_TRUNC 当前点值大于阈值时，设置为阈值，否则不改变

 THRESH_TOZERO 当前点值大于阈值时，不改变，否则设置为0

 THRESH_TOZERO_INV  当前点值大于阈值时，设置为0，否则不改变

Mat TwoValued(Mat &img) {
    Mat out;
    threshold(img, out, 0, 255, CV_THRESH_OTSU + CV_THRESH_BINARY);
    //threshold(img, out, 100, 255, CV_THRESH_BINARY);

    return out;
}

 

 

闭操作：

闭操作可以将目标区域连成一个整体，便于后续轮廓的提取。

闭操作可使轮廓线更光滑，但与开操作相反的是，闭操作通常消弥狭窄的间断和长细的鸿沟，消除小的空洞，并填补轮廓线中的断裂。

使用结构元素B对集合A进行闭操作，定义为

这个公式表明，使用结构元素B对集合A的闭操作就是用B对A进行膨胀，然后用B对结果进行腐蚀。

 

OpenCV中函数

void morphologyEx(InputArray src, OutputArray dst, int op, InputArray element, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue() )

参数:
src：源图像。
dst：相同大小和类型的目标图像。
element：内核类型    用getStructuringElement函数得到。
OP：
可以是以下形式之一的形态学操作的类型：
morph_open -开启操作
morph_close -闭合操作
morph_gradient -形态学梯度
morph_tophat“顶帽”
morph_blackhat -“黑帽”
iterations：侵蚀和膨胀的次数被应用。
bordertype–像素外推方法。
bordervalue–边界值在一个恒定的边界情况。默认值有特殊含义。

关注前4个参数即可，后面用默认参数。

Mat Close(Mat &img) {
    Mat out;
    //Mat element(5, 5, CV_8U, cv::Scalar(1));
    Mat element = getStructuringElement(MORPH_RECT, Size(17, 5));
    morphologyEx(img, out, cv::MORPH_CLOSE, element);

    return out;
}

 

 

取轮廓：

将前面处理的车牌目标区域提取出来。

相关函数：

查找轮廓：

void findContours(InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point())

image： 输入的 8-比特、单通道图像. 非零元素被当成 1， 0 象素值保留为 0 - 从而图像被看成二值的。为了从灰度图像中得到这样的二值图像，可以使用 cvThreshold, cvAdaptiveThreshold 或 cvCanny. 本函数改变输入图像内容。 

storage :得到的轮廓的存储容器 
first_contour :输出参数：包含第一个输出轮廓的指针 
header_size ：如果 method=CV_CHAIN_CODE，则序列头的大小 >=sizeof(CvChain)，否则 >=sizeof(CvContour) . 
mode ：
提取模式. 
CV_RETR_EXTERNAL - 只提取最外层的轮廓 
CV_RETR_LIST - 提取所有轮廓，并且放置在 list 中 
CV_RETR_CCOMP - 提取所有轮廓，并且将其组织为两层的 hierarchy: 顶层为连通域的外围边界，次层为洞的内层边界。 
CV_RETR_TREE - 提取所有轮廓，并且重构嵌套轮廓的全部 hierarchy 
method :
逼近方法 (对所有节点, 不包括使用内部逼近的 CV_RETR_RUNS). 
CV_CHAIN_CODE - Freeman 链码的输出轮廓. 其它方法输出多边形(定点序列). 
CV_CHAIN_APPROX_NONE - 将所有点由链码形式翻译(转化）为点序列形式 
CV_CHAIN_APPROX_SIMPLE - 压缩水平、垂直和对角分割，即函数只保留末端的象素点; 
CV_CHAIN_APPROX_TC89_L1, 
CV_CHAIN_APPROX_TC89_KCOS - 应用 Teh-Chin 链逼近算法. CV_LINK_RUNS - 通过连接为 1 的水平碎片使用完全不同的轮廓提取算法。仅有 CV_RETR_LIST 提取模式可以在本方法中应用. 
offset :
每一个轮廓点的偏移量. 当轮廓是从图像 ROI 中提取出来的时候，使用偏移量有用，因为可以从整个图像上下文来对轮廓做分析. 
函数 cvFindContours 从二值图像中提取轮廓，并且返回提取轮廓的数目。指针 first_contour 的内容由函数填写。它包含第一个最外层轮廓的指针，如果指针为 NULL，则没有检测到轮廓（比如图像是全黑的）。其它轮廓可以从 first_contour 利用 h_next 和 v_next 链接访问到。 在 cvDrawContours 的样例显示如何使用轮廓来进行连通域的检测。轮廓也可以用来做形状分析和对象识别 - 见CVPR2001 教程中的 squares 样例。该教程可以在 SourceForge 网站上找到。 

绘制轮廓：

void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, intthickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point() )

 

相关参数参考——http://www.opencv.org.cn/opencvdoc/2.3.2/html/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?highlight=drawcontours#cv.DrawContours

 

漫水填充算法：

int floodFill(InputOutputArray image, Point seed, Scalar newVal, Rect* rect=0, Scalar loDiff=Scalar(), ScalarupDiff=Scalar(), int flags=4 )

 

 

 

相关参数参考——http://www.opencv.org.cn/opencvdoc/2.3.2/html/modules/imgproc/doc/miscellaneous_transformations.html?highlight=floodfill#cv.FloodFill

 

尺寸判断函数

bool verifySizes(RotatedRect mr)
{
    float error = 0.3;
    //Spain car plate size: 52x11 aspect 4,7272
    //China car plate size: 440mm*140mm，aspect 3.142857
    float aspect = 3.142857;
    //Set a min and max area. All other patchs are discarded
    int min= 1*aspect*1; // minimum area
    int max= 2000*aspect*2000; // maximum area
    //int min = 44 * 14 * m_verifyMin; // minimum area
    //int max = 44 * 14 * m_verifyMax; // maximum area
                                     //Get only patchs that match to a respect ratio.
    float rmin = aspect - aspect*error;
    float rmax = aspect + aspect*error;

    int area = mr.size.height * mr.size.width;
    float r = (float)mr.size.width / (float)mr.size.height;
    if (r < 1)
    {
        r = (float)mr.size.height / (float)mr.size.width;
    }

    if ((area < min || area > max) || (r < rmin || r > rmax))
    {
        return false;
    }
    else
    {
        return true;
    }
}

 

均衡直方图：

Mat histeq(Mat in)
{
    Mat out(in.size(), in.type());
    if (in.channels() == 3) {
        Mat hsv;
        vector<Mat> hsvSplit;
        cvtColor(in, hsv, CV_BGR2HSV);
        split(hsv, hsvSplit);
        equalizeHist(hsvSplit[2], hsvSplit[2]);
        merge(hsvSplit, hsv);
        cvtColor(hsv, out, CV_HSV2BGR);
    }
    else if (in.channels() == 1) {
        equalizeHist(in, out);
    }

    return out;

}

整体代码：

 

void Contour(Mat &img, Mat &out) {
    RNG rng(12345);

    vector< Mat > contours(1000);
    vector<Vec4i> hierarchy(1000);
    findContours(img, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, Point(0, 0));


    vector< Mat >::iterator itc = contours.begin();
    vector<RotatedRect> rects;
    int t = 0;
    while (itc != contours.end()) {
        //Create bounding rect of object
        RotatedRect mr = minAreaRect(Mat(*itc));
        //large the rect for more
        if (!verifySizes(mr)) {
            itc = contours.erase(itc);
        }
        else {
            ++itc;
            rects.push_back(mr);
        }
   }
    
    cv::Mat result;
    img.copyTo(result);
    for (int i = 0; i< contours.size(); i++)
    {
        drawContours(result, contours, i, Scalar(0, 0, 255), 2, 8, vector<Vec4i>(), 0, Point());
        //drawContours(result, contours, i, Scalar(255), 2);
    }

    //imshow("MASK11", result);

    for (int i = 0; i < rects.size(); i++) {
        circle(result, rects[i].center, 3, Scalar(0, 255, 0), -1);

        float minSize = (rects[i].size.width < rects[i].size.height) ? rects[i].size.width : rects[i].size.height;
        //minSize = minSize - minSize*0.5;

        srand(time(NULL));
        Mat mask;
        mask.create(out.rows + 2, out.cols + 2, CV_8UC1);
        mask = Scalar::all(0);
        int loDiff = 30;
        int upDiff = 30;
        int connectivity = 4;
        int newMaskVal = 255;
        int NumSeeds = 10;
        Rect ccomp;
        int flags = connectivity + (newMaskVal << 8) + CV_FLOODFILL_FIXED_RANGE + CV_FLOODFILL_MASK_ONLY;

        for (int j = 0; j < NumSeeds; j++) {
            Point seed;
            seed.x = rects[i].center.x + rand() % (int)minSize - (minSize / 2);
            seed.y = rects[i].center.y + rand() % (int)minSize - (minSize / 2);
            circle(result, seed, 1, Scalar(0, 255, 255), -1);
            int area = floodFill(out, mask, seed, Scalar(255, 0, 0), &ccomp, Scalar(loDiff, loDiff, loDiff), Scalar(upDiff, upDiff, upDiff), flags);
        }

        //imshow("MASK", mask);
        
        vector<Point> pointsInterest;
        Mat_<uchar>::iterator itMask = mask.begin<uchar>();
        Mat_<uchar>::iterator end = mask.end<uchar>();
        for (; itMask != end; ++itMask)
            if (*itMask == 255)
                pointsInterest.push_back(itMask.pos());

        RotatedRect minRect = minAreaRect(pointsInterest);

        if (verifySizes(minRect)) {
            // rotated rectangle drawing   
            Point2f rect_points[4]; minRect.points(rect_points);
            for (int j = 0; j < 4; j++)
                line(result, rect_points[j], rect_points[(j + 1) % 4], Scalar(0, 0, 255), 1, 8);

            //Get rotation matrix  
            float r = (float)minRect.size.width / (float)minRect.size.height;
            float angle = minRect.angle;
            if (r < 1)
                angle = 90 + angle;
            Mat rotmat = getRotationMatrix2D(minRect.center, angle, 1);

            //Create and rotate image  
            Mat img_rotated;
            warpAffine(out, img_rotated, rotmat, out.size(), CV_INTER_CUBIC);//实现旋转

            //Crop image  
            Size rect_size = minRect.size;
            if (r < 1)
                swap(rect_size.width, rect_size.height);
            Mat img_crop;
            getRectSubPix(img_rotated, rect_size, minRect.center, img_crop);

            Mat resultResized;
            resultResized.create(33, 144, CV_8UC3);
            resize(img_crop, resultResized, resultResized.size(), 0, 0, INTER_CUBIC);;

            ////Equalize croped image  
            Mat grayResult;
            cvtColor(resultResized, grayResult, CV_BGR2GRAY);// CV_RGB2GRAY
            blur(grayResult, grayResult, Size(3, 3));
            grayResult = histeq(grayResult);

            if (1) {
                stringstream ss(stringstream::in | stringstream::out);
                ss << "haha" << "_" << i << ".jpg";
                imwrite(ss.str(), grayResult);
            }

        }
    }
}

 

主函数：

int main() {
    Mat img;
    Mat out;
    //Mat result;

    //载入图片  
    img = imread("test1.jpg");//, CV_LOAD_IMAGE_GRAYSCALE);
    img.copyTo(out);
    //imshow ("原始图", img);

    img = Gaussian(img);
    //imshow ("高斯模糊", img);

    img = Grayscale(img);
    //imshow("灰度化", img);

    img = Sobel(img);
    //imshow("Sobel_X", img);

    img = TwoValued(img);
    //imshow("二值化", img);

    img = Close(img);
    //imshow("闭操作", img);

    //
    Contour(img, out);

    waitKey(0);
    cvDestroyAllWindows();
}

 

 

 车牌定位部分完整代码：

 

/*------------------------------ - 程序介绍------------------------------*/
//版本：VS2017 + Opencv2.4.9
//描述：OpenCV学习之路——车牌识别之车牌定位
/*-----------------------------------------------------------------------*/


#include "opencv.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2\core\core.hpp"
#include "vector"
#include "iostream"
#include "time.h"

using namespace cv;
using namespace std;

Mat histeq(Mat in)
{
    Mat out(in.size(), in.type());
    if (in.channels() == 3) {
        Mat hsv;
        vector<Mat> hsvSplit;
        cvtColor(in, hsv, CV_BGR2HSV);
        split(hsv, hsvSplit);
        equalizeHist(hsvSplit[2], hsvSplit[2]);
        merge(hsvSplit, hsv);
        cvtColor(hsv, out, CV_HSV2BGR);
    }
    else if (in.channels() == 1) {
        equalizeHist(in, out);
    }

    return out;

}

//! 对minAreaRect获得的最小外接矩形，用纵横比进行判断
bool verifySizes(RotatedRect mr)
{
    float error = 0.3;
    //Spain car plate size: 52x11 aspect 4,7272
    //China car plate size: 440mm*140mm，aspect 3.142857
    float aspect = 3.142857;
    //Set a min and max area. All other patchs are discarded
    int min= 1*aspect*1; // minimum area
    int max= 2000*aspect*2000; // maximum area
    //int min = 44 * 14 * m_verifyMin; // minimum area
    //int max = 44 * 14 * m_verifyMax; // maximum area
                                     //Get only patchs that match to a respect ratio.
    float rmin = aspect - aspect*error;
    float rmax = aspect + aspect*error;

    int area = mr.size.height * mr.size.width;
    float r = (float)mr.size.width / (float)mr.size.height;
    if (r < 1)
    {
        r = (float)mr.size.height / (float)mr.size.width;
    }

    if ((area < min || area > max) || (r < rmin || r > rmax))
    {
        return false;
    }
    else
    {
        return true;
    }
}

Mat Gaussian(Mat &img) {
    Mat out;
    GaussianBlur(img, out, Size(3, 3),
        0, 0, BORDER_DEFAULT);
    return out;

}

Mat Grayscale(Mat &img) {
    Mat out;
    cvtColor(img, out, CV_RGB2GRAY);

    return out;
}

Mat Sobel(Mat &img) {
    Mat out;
    Mat grad_x, grad_y;
    Mat abs_grad_x, abs_grad_y;

    //X方向
    //Sobel(img, grad_x, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
    //convertScaleAbs(grad_x, abs_grad_x);
    Sobel(img, img, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT);
    convertScaleAbs(img, out);

    //Y方向
    //Sobel(img, grad_y, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT);
    //convertScaleAbs(grad_y, abs_grad_y);
    //convertScaleAbs(img, out);

    //合并
    //addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, out);

    return out;
}

Mat TwoValued(Mat &img) {
    Mat out;
    threshold(img, out, 0, 255, CV_THRESH_OTSU + CV_THRESH_BINARY);
    //threshold(img, out, 100, 255, CV_THRESH_BINARY);

    return out;
}

Mat Close(Mat &img) {
    Mat out;
    //Mat element(5, 5, CV_8U, cv::Scalar(1));
    Mat element = getStructuringElement(MORPH_RECT, Size(17, 5));
    morphologyEx(img, out, cv::MORPH_CLOSE, element);

    return out;
}


void Contour(Mat &img, Mat &out) {
    RNG rng(12345);

    vector< Mat > contours(1000);
    vector<Vec4i> hierarchy(1000);
    findContours(img, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, Point(0, 0));


    vector< Mat >::iterator itc = contours.begin();
    vector<RotatedRect> rects;
    int t = 0;
    while (itc != contours.end()) {
        //Create bounding rect of object
        RotatedRect mr = minAreaRect(Mat(*itc));
        //large the rect for more
        if (!verifySizes(mr)) {
            itc = contours.erase(itc);
        }
        else {
            ++itc;
            rects.push_back(mr);
        }
   }
    
    cv::Mat result;
    img.copyTo(result);
    for (int i = 0; i< contours.size(); i++)
    {
        drawContours(result, contours, i, Scalar(0, 0, 255), 2, 8, vector<Vec4i>(), 0, Point());
        //drawContours(result, contours, i, Scalar(255), 2);
    }
    //imshow("画轮廓", out);

    for (int i = 0; i < rects.size(); i++) {
        circle(result, rects[i].center, 3, Scalar(0, 255, 0), -1);

        float minSize = (rects[i].size.width < rects[i].size.height) ? rects[i].size.width : rects[i].size.height;
        //minSize = minSize - minSize*0.5;

        srand(time(NULL));
        Mat mask;
        mask.create(out.rows + 2, out.cols + 2, CV_8UC1);
        mask = Scalar::all(0);
        int loDiff = 30;
        int upDiff = 30;
        int connectivity = 4;
        int newMaskVal = 255;
        int NumSeeds = 10;
        Rect ccomp;
        int flags = connectivity + (newMaskVal << 8) + CV_FLOODFILL_FIXED_RANGE + CV_FLOODFILL_MASK_ONLY;

        for (int j = 0; j < NumSeeds; j++) {
            Point seed;
            seed.x = rects[i].center.x + rand() % (int)minSize - (minSize / 2);
            seed.y = rects[i].center.y + rand() % (int)minSize - (minSize / 2);
            circle(result, seed, 1, Scalar(0, 255, 255), -1);
            int area = floodFill(out, mask, seed, Scalar(255, 0, 0), &ccomp, Scalar(loDiff, loDiff, loDiff), Scalar(upDiff, upDiff, upDiff), flags);
        }
        imshow("漫水填充", mask);
        
        vector<Point> pointsInterest;
        Mat_<uchar>::iterator itMask = mask.begin<uchar>();
        Mat_<uchar>::iterator end = mask.end<uchar>();
        for (; itMask != end; ++itMask)
            if (*itMask == 255)
                pointsInterest.push_back(itMask.pos());

        RotatedRect minRect = minAreaRect(pointsInterest);

        if (verifySizes(minRect)) {
            // rotated rectangle drawing   
            Point2f rect_points[4]; minRect.points(rect_points);
            for (int j = 0; j < 4; j++)
                line(result, rect_points[j], rect_points[(j + 1) % 4], Scalar(0, 0, 255), 1, 8);

            //Get rotation matrix  
            float r = (float)minRect.size.width / (float)minRect.size.height;
            float angle = minRect.angle;
            if (r < 1)
                angle = 90 + angle;
            Mat rotmat = getRotationMatrix2D(minRect.center, angle, 1);

            //Create and rotate image  
            Mat img_rotated;
            warpAffine(out, img_rotated, rotmat, out.size(), CV_INTER_CUBIC);//实现旋转

            //Crop image  
            Size rect_size = minRect.size;
            if (r < 1)
                swap(rect_size.width, rect_size.height);
            Mat img_crop;
            getRectSubPix(img_rotated, rect_size, minRect.center, img_crop);

            Mat resultResized;
            resultResized.create(33, 144, CV_8UC3);
            resize(img_crop, resultResized, resultResized.size(), 0, 0, INTER_CUBIC);;

            ////Equalize croped image  
            Mat grayResult;
            cvtColor(resultResized, grayResult, CV_BGR2GRAY);// CV_RGB2GRAY
            blur(grayResult, grayResult, Size(3, 3));
            grayResult = histeq(grayResult);

            if (1) {
                stringstream ss(stringstream::in | stringstream::out);
                ss << "haha" << "_" << i << ".jpg";
                imwrite(ss.str(), grayResult);
            }

        }
    }
}


int main() {
    Mat img;
    Mat out;
    //Mat result;

    //载入图片  
    img = imread("test1.jpg");//, CV_LOAD_IMAGE_GRAYSCALE);
    img.copyTo(out);
    //imshow ("原始图", img);
    img = Gaussian(img);
    imshow ("高斯模糊", img);

    img = Grayscale(img);
    imshow("灰度化", img);

    img = Sobel(img);
    imshow("Sobel_X", img);

    img = TwoValued(img);
    imshow("二值化", img);

    img = Close(img);
    imshow("闭操作", img);

    Contour(img, out);

    waitKey(0);
    cvDestroyAllWindows();
}

 

总结：

车牌定位部分到此告一段落，但这方面的研究还要继续。

本算法仅适用于特定的图片，对于另一些场合的图片需要重新进行参数测试以判断准确率。需要对算法进一步完善，实现复杂背景下车牌的识别。

同时想要得到更准确的车牌区域，需要进行SVM训练。

 

 注：

注解部分来自百度百科和http://www.opencv.org.cn

学习自——http://www.cnblogs.com/subconscious/p/3979988.html