android端使用openCV實(shí)現(xiàn)車(chē)牌檢測(cè)

2019-10-21 21:32:55

字體：大中小

供稿：網(wǎng)友

現(xiàn)在，汽車(chē)的蹤影無(wú)處不在，公路上疾馳，大街邊臨停，小區(qū)中停靠，車(chē)庫(kù)里停泊。管理監(jiān)控如此龐大數(shù)量的汽車(chē)是個(gè)頭疼的問(wèn)題。精明的人們把目光放在車(chē)牌上，因?yàn)檐?chē)牌是汽車(chē)的“身份證”。所以車(chē)牌識(shí)別成為了焦點(diǎn)，而車(chē)牌檢測(cè)是車(chē)牌識(shí)別的基礎(chǔ)和前提。本篇文章，主要討論使用openCV實(shí)現(xiàn)車(chē)牌檢測(cè)。

openCV是開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)，基于計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)，提供強(qiáng)大的圖像處理能力。我們可以快速集成openCV庫(kù)到android端，其中一種方式是直接安裝openCV Manager，按需使用：?jiǎn)?dòng)服務(wù)去動(dòng)態(tài)加載。這樣前期配置更簡(jiǎn)單，但需要另外安裝一個(gè)APK。我更傾向另外一種方式：把依賴(lài)的module和動(dòng)態(tài)/靜態(tài)庫(kù)都導(dǎo)入Project。具體步驟如下：

1、導(dǎo)入module

先從官網(wǎng)下載openCVForAndroid的sdk，以3.2.0版本為例，找到依賴(lài)庫(kù)路徑，然后導(dǎo)入module。

2、導(dǎo)入動(dòng)態(tài)與靜態(tài)庫(kù)

在sdk里面找到lib目錄，把所有的.a和.so文件拷貝到項(xiàng)目的libs對(duì)應(yīng)ABI路徑下：

android,openCV,車(chē)牌檢測(cè)

3、配置gradle

將依賴(lài)的靜態(tài)庫(kù)編譯到native-libs里面：

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，經(jīng)過(guò)配置三步曲，我們就可以愉快地使用openCV了。

------------------------中場(chǎng)休息---------------------------

接下來(lái)是調(diào)用三步曲：加載openCV、初始化車(chē)牌檢測(cè)器和執(zhí)行車(chē)牌檢測(cè)

1、加載openCV

調(diào)用openCVLoader去加載，如果加載成功進(jìn)行下一步操作：

private void initOpenCV(){ boolean result = OpenCVLoader.initDebug(); if(result){  Log.i(TAG, "initOpenCV success...");  //初始化車(chē)牌檢測(cè)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、初始化檢測(cè)器

使用車(chē)牌檢測(cè)的級(jí)聯(lián)分類(lèi)xml文件進(jìn)行初始化：

/** * 創(chuàng)建級(jí)聯(lián)分類(lèi)器 * @param context 上下文 * @param id 級(jí)聯(lián)分類(lèi)器ID * @return 級(jí)聯(lián)分類(lèi)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、執(zhí)行車(chē)牌檢測(cè)

由于openCV操作對(duì)象是Mat，所以我們得把Bitmap轉(zhuǎn)成Mat，然后轉(zhuǎn)成Gray灰度圖去進(jìn)行檢測(cè)：

/** * 執(zhí)行車(chē)牌檢測(cè) * @param bitmap bitmap * @return 車(chē)牌檢測(cè)后的bitmap */ private Bitmap doPlateDetecting(Bitmap bitmap){ if(mPlateDetector != null && bitmap != null){  Mat mRgba = new Mat();  Mat mGray = new Mat();  //bitmap轉(zhuǎn)成map  Utils.bitmapToMat(bitmap, mRgba);  //rgba轉(zhuǎn)成灰度圖  Imgproc.cvtColor(mRgba, mGray, Imgproc.COLOR_RGBA2GRAY);  // 檢測(cè)車(chē)牌  Rect[] object = mPlateDetector.detectObject(mGray, mObject);  if(object != null && object.length > 0){  //檢測(cè)到車(chē)牌區(qū)域  Rect rect = object[0];  //矩形標(biāo)識(shí)  Imgproc.rectangle(mRgba, rect.tl(), rect.br(), mPlateDetector.getRectColor(), 3);  }  //mat轉(zhuǎn)回bitmap  Utils.matToBitmap(mRgba, bitmap); } return bitmap; }

其中，detectObject方法體是調(diào)用cascadeClassifier的detectMultiScale來(lái)完成檢測(cè)的：

public Rect[] detectObject(Mat gray, MatOfRect object) { mCascadeClassifier.detectMultiScale(  gray, // 要檢查的灰度圖像  object, // 檢測(cè)到的車(chē)牌  1.1, // 表示在前后兩次相繼的掃描中，搜索窗口的比例系數(shù)  mMinNeighbors, // 默認(rèn)是3  Objdetect.CASCADE_SCALE_IMAGE,  getSize(gray, 80), // 檢測(cè)目標(biāo)最小值  getSize(gray, 800)); // 檢測(cè)目標(biāo)最大值  return object.toArray(); }

折騰了這么久，讓我們看看車(chē)牌檢測(cè)結(jié)果：

android,openCV,車(chē)牌檢測(cè)

上面的車(chē)牌幾乎是水平的，那么傾斜的車(chē)牌能不能檢測(cè)到呢？真相就在下面：

android,openCV,車(chē)牌檢測(cè)

角度發(fā)生傾斜的車(chē)牌也是可以檢測(cè)出來(lái)，但是在后期的車(chē)牌識(shí)別，需要進(jìn)行傾斜校正。如果靜態(tài)檢測(cè)還不夠意思，那么請(qǐng)看動(dòng)態(tài)檢測(cè)的效果（轉(zhuǎn)換出來(lái)的gif有點(diǎn)模糊，各位莫怪）：

android,openCV,車(chē)牌檢測(cè)