“為了忘卻的記念”---紀念即將逝去的ofo和它帶我的機器學習啟蒙作-《ofo車牌識別》研發心得01-失敗的車牌定位和識別

前不久，伴隨著ofo的退押金潮，作為曾經帶給我極大方便的ofo小黃車，也即將走到它生命的盡頭。

雖然它在商業上失敗，但對于我來說ofo帶給我是機器學習、數據挖掘、圖像處理的啟蒙之作，也是我自己第1款公開渠道獨自發布的Android APP、下載量第1款破1萬的Android APP，時隔1年多下載量去到2.5萬。

但是，這1年多來，可能自己真的運氣不好，在工作中沒有遇到圖像處理的項目，也實屬遺憾！也真心感到辜負了當時司老師的悉心培育！

借華為云MVP、云享之際，重溫這段啟蒙歲月回顧一翻。原文寫在 https://github.com/motozilog??，源代碼開放。歡迎交流^_^（QQ：780174889）

下面是正文的第1部分-失敗的汽車車牌定位和識別：

實驗材料：

1.150張包含車牌的圖片

2.用于校驗程序正確性的車牌所在位置坐標表格

實驗的目的：

1.學會使用常見的圖像預處理方法，對圖像進行處理。提取出需要的部分

實驗過程：

老師在課堂上大致說了幾個步驟：二值化→邊緣檢測→根據長寬比將車牌從圖片中摳出來。

但是實際上無數多坑。前前后后坑了一個星期才弄通。

開坑還是感謝“計算機的潛意識”寫的《EasyPR--一個開源的中文車牌識別系統》。http://www.cnblogs.com/subconscious/p/3979988.html

由于本次實驗做到中段就轉方向，中間泄及的技術細節和原理就不在本文提及。詳細將在《ofo車牌定位》一文中概述。

流程如下圖：

由于我是挑這張 京E.B8550來做，當然是符合預想。

carIdentify.m %?function?carIdentify?() clear?all; clc ? [Image_ID]?=?csvread?('Plate_Index.csv',0,0,[0,0,0,0]); ? for?i?=1:length?(Image_ID) filename=[int2str(Image_ID(i)),'.jpg']; filename img?=?imread?(['Plate_Image\',filename]); ? %高斯 a?=?imgaussfilt?(img,?3); ? %灰度化 a?=?rgb2gray?(a); ? %sobel邊緣檢測 a?=?edge?(a,?'Sobel'); %?imshow?(a); ? %開閉操作 %?開運算：去除較小的明亮區域 %?閉運算：消除低亮度值的孤立點 se?=?strel?('rectangle',[7?27]);? a?=?imclose?(a,se); ? a?=?imopen?(a,se); ? se?=?strel?('rectangle',[7?95]);? a?=?imclose?(a,se); ? se?=?strel?('rectangle',[11?3]);? a?=?imopen?(a,se); ? imwrite?(a,'imout.jpg'); ? %畫出所有的外接矩型(代碼來自MATLAB中文論壇) [l,m]?=??bwlabel?(a,8); status?=?regionprops?(l,'BoundingBox'); figure(10); imshow?(img); hold?on; for?j?=?1:m ????rectangle?('position',?status(j).BoundingBox,?'edgecolor',?'r'); end hold?off; frame?=?getframe; rec?=?frame2im(frame); imwrite(rec,['S3_Rectangle_Image\',filename]) ? %查找最接近的圖形 for?k?=?1:m %左邊距的x坐標<200的，丟棄 ????if?status(k).BoundingBox(1)?

但是一但將這個程序放到150張圖片時，瞬間就雷倒了。

只有21張圖片是符合預想情況可以進行下一步的操作，其它圖片都相當難處理，各種夸張的情況都有。當然用來做高技術的研究是不錯的。但是卻缺乏實用性。

并且廣州基本上是以“粵”字頭為多，所以，干脆訓練集自己重新做。

重新制作訓練集的困惑，拍了22張車牌照片。忽然發覺一件事：別人很容易會誤解我在干嘛，別人以為我是去抓違章......汗！

突然間發覺ofo的APP寫得特爛，連個二維碼掃描都沒有。ofo車牌上的二維碼，僅僅是下載APP的鏈接（開始調研時只有6位ofo，后期7位ofo上面的二維碼就直接帶了數字）。

所以，ofo車牌識別，開工吧！

首先先調查各大應用市場的車牌識別情況，車牌識別對于android來說顯然是低頻非剛需，而市場上也己經有人做了，識別的正確率還是挺高的。

再來看看目前火爆的共享單車二大巨頭：ofo和摩拜，摩拜車上己有完整的二維碼開鎖系統，對ocr識別顯然沒有需求。但是ofo，顯然沒有為互聯網和物聯網做準備，APP中需要手工輸入車牌號碼，然后再開鎖。(調研時只有6位ofo，沒有7位ofo)

再查了一下專門針對ofo車牌進行識別的應用，目前依然沒有。

并且去拍ofo車牌比較容易：

1.ofo是停在人行道上

2.拍ofo不會被人認為是抄牌之類的誤解

3.ofo產量驚人，鋪貨是10萬臺、10萬臺那樣上線，隨便路上都可以找到

進一步分晰，ofo車牌由0~9數字組成(10種分類)，遠比汽車車牌的容易得多(31個省份+24個英文字母+10個數字=65種分類)。

畢竟作為學習，而非做產品或項目，只需要明白原理就好。所以就選擇ofo。

##開發平臺、工具、語言的選擇

而開發平臺的選擇上，ofo作為移動互聯網時代下的產品，做成web或者pc端的產品也太不符合應用場景了。那就干脆做成微信公眾號、小程序、APP之類。

一開始我是想做成微信公眾號，畢竟這是低頻非剛需：拍照發到公眾號，公眾號進行識別返回結果。但是微信公眾號，顯然與自己服務器上什么都可以放上去的不同，只能做web。

讓微信公眾號將照片先發到自己服務器上，處理后再返回結果。但是公網服務器需要購買云主機并且還要申請域名，對于僅僅是做學習研究來說，付費顯然不太友好。

之后，再來看看微信小程序，微信小程序主推是線下導流，線下放置二維碼，然后下載。并且體驗了幾個小程序，有點回到5年前時android應用的感覺。限制極多，并且也是要服務器。所以只得放棄。

最后只得在APP上開發。APP雖然推廣成本極高，適配麻煩。但卻有著強大的本地化資源可用的優勢。并且OpenCV有Android版的API。而Matlab卻沒有Android版API。

再核查OpenCV，也是有腐蝕、膨脹、高斯模糊、外接矩形、svm算法。滿足開發需要。

所以移動端就采用Android+OpenCV

而剛好去圖書館時發現《OpenCV圖像處理》(ISBN: 9787111527473)一書，有書就比網上凌散的資料開坑爽多了。

所以，就先將windows版的Qt+OpenCV環境搭起來，調試沒有問題，再通過JNI接口方式，移植到Android。

而在開發windows版時還是以6位ofo為主，但是ofo的產能真的太猛，一下子就上到100萬號(太有錢了！)。所以前期做了個6位ofo車牌識別(在 "6位ofo識別" 目錄中，主要以795116)。

下面主要講解7位ofo車牌識別的過程。

數據挖掘

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。