【文章內(nèi)容簡介】 圖像處理 和計算機(jī)視覺方面的很多通用算法。 OpenCV主要分為四大模塊，如圖 31 所示。 OpenCV的 CV模塊包含基本的圖像處理函數(shù)和高級的計算機(jī)視覺算法。 ML 是機(jī)器學(xué)習(xí)庫，包含一些基于統(tǒng)計和聚類工具。 HighGUI 包含圖像和視頻輸入 /輸出的函數(shù)。 CXCore 包含 OpenCV 的一些基本數(shù)據(jù)結(jié)構(gòu)和相關(guān)函數(shù)。 圖 31 系統(tǒng)流程圖 配置 OpenCV 的 Qt 開發(fā)環(huán)境 (1)安裝好 Qtcreator、 OpenCV以及 CMaker（默認(rèn)安裝 C 盤）； (2)將 C:\Qt\\Tools\MinGW\bin 加入系統(tǒng)的 Path 環(huán)境變量； (3)使用 CMaker 編譯 OpenCV并生成 makefile 文件； (4)打開 cmd，進(jìn)入目標(biāo)路徑（ C： \OpenCV） ， 輸入 mingw32make 命令開始編譯 。 (5)拷貝 安裝目錄下的 build/include 目錄 ， MinGW 編譯后的 bin 目錄 以及 CMake 目標(biāo)路徑下， MinGW 編譯后的 lib 目錄 到同一目錄，并將 bin 目錄添加到系統(tǒng)環(huán)境變量 path 中； (6)打開 Qt Creator，新建一個空工程，然后添加一個 cpp 文件，任意命名 ， 在 pro 文件中添加如下OpenCV的依賴文件 INCLUDEPATH+=C:\OpenCV\include\opencv\ C:\OpenCV\include\opencv2\ C:\OpenCV\include LIBS+= C:\OpenCV\lib\\ CV 圖像處理和視覺算法 MLL 統(tǒng)計分類器 HighGUI GUI 圖像和視頻輸入 /輸出 CXCORE 基本結(jié)構(gòu)算法， XML 支持，繪圖函數(shù) 7 C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\\ C:\OpenCV\lib\ 車牌識別系統(tǒng)的功能模塊劃分和實現(xiàn) 圖片讀取模塊 讀取用戶選擇含有車牌信息圖片 (*.jpg *.bmp *.gif *.png） 的磁盤路徑，根據(jù)路徑載入圖片，并將讀取出來的圖片提供給后續(xù)模塊。 圖片灰度化模塊 通過獲取像素 GBG，使用 cvCvtColor 函數(shù) 加權(quán)值法將圖像進(jìn)行灰度化處理，然后將繪制的灰度化圖片用 cvSmooth 函數(shù)通過 高斯濾波（ CV_GAUSSIAN）進(jìn)行去噪，平滑處理。并將繪制后的圖片提供給后續(xù)模塊。 圖 32 圖像原圖 8 圖 33 灰度化圖片 圖 34 平滑處理圖片 圖片二值化模塊 使用 cvThreshold 函數(shù)的 Otsu 算法將原圖分成前景，背景兩個圖像，通過衡量背景與前景的差別值，運用最大類間方差選取最佳閥值對圖像進(jìn)行二值化處理，并將繪制好圖片傳給下一模塊。 9 圖 35 二值化處理圖片 車牌定位模塊 首先對二值 化后的圖像進(jìn)行行掃描和列掃描，從而得到車牌區(qū)域。接下來找出每行的非零像素值的個數(shù)統(tǒng)計出來存儲在數(shù)組中，最后通過投影統(tǒng)計出所有的圖像像素，并保存投影數(shù)值和最大的。對保存的數(shù)值判斷，如果滿足要求這樣就找出了車牌上水平線，同樣的方法找出下水平線。 車牌左右邊界尋找方法跟上段敘述的上下水平線方法相似，變成縱向掃描統(tǒng)計像素個數(shù)，然后進(jìn)一步確定。在此過程中統(tǒng)計列非零像素并找出最大連續(xù)統(tǒng)計，這值是車牌左邊界，區(qū)域右邊界同理可得。然后使用 OpenCV的功能函數(shù)在此區(qū)域設(shè)置感興趣的塊，最后截取出車牌區(qū)域。 圖 36 車牌 定位圖片 10 字符分割模塊 首先要對車牌字符進(jìn)行定位，因為在車牌里第二個字符和第三個字符中間會有一個白色的小點，在切割過程中會對識別造成干擾，所以首先要對車牌進(jìn)行第一次垂直投影，定位在第二個字符和第三個字符中間，確定第二個字符的邊界位置和第三個字符的起點位置，這樣就可以將車牌分成兩個部分，然后再次進(jìn)行垂直投影通過閥值來確定分割的大小和位置。 分割完成后，再對分割的圖片進(jìn)行角點處理，點角集中了圖像上的重要形狀信息，能夠是提高圖片特征和邊緣化程度，從而提高字符識別的精度和準(zhǔn)確度，處理完成后繪制好分割 的圖像，傳給下一模塊。 圖 37 車牌分割圖片 字符識別模塊 本系統(tǒng)使用 KNN 算法實現(xiàn)字符識別， KNN 算法的核心思想是如果一個樣本在特征空間中的 k個最相鄰的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。 KNN 算法實現(xiàn)步驟： （ 1） 初始化距離為最大值； （ 2） 計算位置樣本和每個訓(xùn)練樣本的距離 dist； （ 3） 得到目前 K 個最臨近樣本中的最大距離 maxdist； （ 4） 如果 dist 小于 maxdist，則將該訓(xùn)練樣本作為 K 最近鄰樣本； （ 5） 重復(fù)上述 3 個步驟，直到未知樣本和所有訓(xùn)練樣本的距離都 算完； （ 6） 統(tǒng)計 K 個最鄰近樣本中每個類別出現(xiàn)的次數(shù)； （ 7） 選擇出頻率最大的類別作為未知樣本的類別。 4 系統(tǒng)測試 （ 1） 訓(xùn)練樣本 圖 41 訓(xùn)練樣本 11 圖 42 訓(xùn)練樣本 圖 43 訓(xùn)練樣本 （ 2）開啟界面 圖 44 開啟界面 12 （ 3）程序主界面 圖 45 程序主界面 （ 4）圖片選取 圖 46 圖片選取 13 （ 5）圖像識別 圖 47 圖像識別 5 系統(tǒng)結(jié)果分析與展望 通過幾個月的學(xué)習(xí)與實踐，順利完成了 畢業(yè)設(shè)計，在剛開始接觸到這個題目的時候腦海中并沒有具體思路，車牌識別系統(tǒng)涉及到了非常多的圖像方面有關(guān)的專業(yè)知識，這些都是我在之前并未接觸過的，很多專業(yè)知識我必須從頭開始一步步的去了解和深入，我通過上網(wǎng) 、 圖書館查閱資料以及吳老師的指導(dǎo)之下，分析和研究，解決了很多難題。 車牌識別系統(tǒng)是一個實際的工程系統(tǒng)，要求實時性高和一定的準(zhǔn)確率，由于實際生活中采集到的圖像受到到大量隨機(jī)的環(huán)境干擾，以及拍攝角度的影響使得車牌區(qū)域會有各樣的形狀以及色差的無規(guī)則變化，同時每張圖片的質(zhì)量以及清晰度也不一樣，給車牌識別帶來了一定難度， 所以要求系統(tǒng)能夠在這樣的條件下也能夠準(zhǔn)確識別，設(shè)計的過程中使用了二值化，邊緣檢測，中值濾波等圖像處理方法，而每一種處理方法又可以用不同的算法去實現(xiàn)，算法的選擇對最后的識別結(jié)果是至關(guān)重要的，如對圖像進(jìn)行二值化，算法非常的多，有雙峰法， P 參數(shù)法，迭代法和 OTSU 法等，所以就要對不同的算法進(jìn)行測試，選擇出最適合進(jìn)行車牌識別的算法，這樣就能提高識別的準(zhǔn)確度，同時本系統(tǒng)最后一個字符識別的模塊是一個難點，試用了多種方法準(zhǔn)確率都非常的低，最后通過上網(wǎng)查閱資料，選擇了 KNN 鄰近算法進(jìn)行字符識別，提高了識別的準(zhǔn)確率及精度。 系統(tǒng)完成后因為各方面原因，所以系統(tǒng)還并不完善，還有待于從以下幾個方面進(jìn)一步去完善和提高。 (1)對于傾斜度較高的車牌校正有待進(jìn)一步去研究。 (2)在識別過程中可以綜合多種算法綜合對圖像進(jìn)行處理，提高識別的抗干擾能力和識別的準(zhǔn)確率。 (3)對圖片的質(zhì)量，車牌位置要求進(jìn)一步降低，提高應(yīng)用面。 14 參考文獻(xiàn) [1]（加）布蘭切特，（英）薩默菲爾德著，閆鋒欣譯，《 C++ GUI Qt 4 編程（第二版）》，電子工 業(yè)出版社， 202051 [2] 李彬 ,《 Linux Qt GUI 開發(fā)詳解 基于 Nokia Qt SDK》，北京航空 航天大學(xué)出版社， 202011 [3] 韓少云，奚海蛟，諶利，《基于嵌入式 Linux的 Qt 圖形程序?qū)崙?zhàn)開發(fā)》，北京航空航天大學(xué)出 版社， 2020101 [4] （美）李普曼，（美）拉喬伊 ，（美）默 著，王剛，楊巨峰 譯，《 C++ Primer 中文版（第 5 版）》， 電子工業(yè)出版社， 202091 [5] 霍亞飛，《 Qt Creator 快速入門