计算机视觉(CV)

• 质：工业级，企业级，设计。
  量：高效，优化。

• 核心功能：匹配定位，测量，图像检测，分类，条码识别

• 鲁棒图像算法

• 图像处理。CV典型底层算法

• 后处理：图像增强，融合，分割，深度提取，目标检测

• 优先：机器学习典型方法，典型分类器的方法使用特点，深度学习的设计与优化

• 优先：3D成像原理和算法

---

• 深度学习框架：caffe，tensorflow，PyTorch，keras

---

• 图像种物体匹配定位
  灰度图 = 红/蓝通道（原图）
  去噪图 = 中值滤波（灰度图）
  轮廓矩阵 = 去噪图.二值图(闭运算)

---

• 1车牌提取过程：
  1.1获取，定位，分割，字符识别

• 2定位提取
  2.1灰度化
  2.2Candy边缘检测
  2.3形态学（膨胀腐蚀）处理
  2.4轮廓处理
  2.5自适应二值化处理

• 3提取的分割
  3.1像素值判断
  3.2确认字符位置

定位
·颜色分割，纹理分割，边缘检测分割，数学形态法的分割

字符分割
——分割算法：直接分割，基于识别基础上的分割，自适应分割线类聚法
提取
——灰度化，Candy边缘检测，形态学（膨胀腐蚀）处理，轮廓处理，自适应二值化处理，字符提取分割

灰度化

Mat grayImage;
cvtColor(image, grayImage, CV_RGB2GRAY);
imshow(“test”, grayImage);

Candy边缘检测，算字，方向性质，边缘强度，边缘强度方向强度；抗噪声，弱边缘

(1)去噪

像素杂讯无影响的模糊图blurred = 卷积（原始数据，高斯Mask）

(2)梯度的振幅和方向 = 一阶偏导的有限差（像素杂讯无影响模糊图blurred）

(3)梯度幅值1 = 非极大值抑制（梯度幅值）

细定位

含车牌的图 = 二值化（去噪完成图）
含车牌的图（小区域，密集，多个字符；字符，底色强烈对比；区域长宽固定）

//Candy/sobel 边缘检测：
Mat candyImage;
Candy(blurImage, canImage, 500, 200 ,3);
//imshow(“test”, candyImage);

形态学（膨胀腐蚀）处理

opencv基于人工神经网络的字母识别

---