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

更新時(shí)間：2020年11月27日 15:45:49 作者：徐福記456

這篇文章主要為大家詳細(xì)介紹了android端使用openCV實(shí)現(xiàn)車(chē)牌檢測(cè)，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

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：

3、配置gradle

將依賴的靜態(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：

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：

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）：