因为C++继承了C语言的所有优点,并且能在面向对象编程的同时保留了高效、简洁的语法特性,并且它还具有执行效率的优势,对接受的命令能做出快速响应。因此,它被广泛应用于工业,桌面应用开发等场景。所以,我这次分享一下使用opencv-C++库对仪表盘进行识别。
环境搭建
首当其冲的自然是分享一下对环境的搭建,希望大家能搭建顺利吖;
该环境搭建主要分三步:
makefile
step1:下载opencv库;
step2:下载文件并将库加入环境变量;
step3:添加项目依赖;
S1:下载库文件可到官网地址Releases - OpenCV中下载,选择最新版下载以及系统即可(需要科学上网,不然会出现下载半天的情况)
S2:下载库文件并记住下载位置,将opencv\build\x64\vc16\bin路径复制到电脑环境变量中
S3:对于项目搭建,我使用的是Visual Studio,该编辑器能避免很多环境搭建的烦恼,所以只针对该编辑器进行分享。
S3.1:创建C++项目;
S3.2:将库目录引入项目属性表;
点击项目->属性 将opencv\build\include和opencv\build\include\opencv2放入包含目录 opencv\build\X64\vc16\lib放入库目录
opencv-world480_lib加入输入附加依赖项,此时调试器需为release,调试器为debug时改为opencv-world480d_lib(根据自己 opencv\build\X64\vc16\lib中文件适当修改依赖名)
S3.3:测试一下:
arduino
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread(" ");//读取图片
if (src.empty()) {
printf("img load failed");
return -1;
}
imshow("result", src);
waitKey(0);
destroyAllWindows();
return 0;
}
仪表盘识别
与上两篇文章相同,使用了模版匹配,霍夫圈变换,霍夫线变换的方法进行仪表盘识别,经过识别,就能得出指针,零刻度以及表盘区域了。
模版匹配
ini
cv::matchTemplate(img, tempImage, result, cv::TM_CCORR_NORMED);//可以修改为自己的匹配方法
double minVal, maxVal;
cv::Point minLoc, maxLoc;
cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);
cv::Point top_left;
cv::Point zero;
if (cv::TM_CCORR_NORMED == cv::TM_SQDIFF || cv::TM_CCORR_NORMED == cv::TM_SQDIFF_NORMED) {
top_left = minLoc;
}
else {
top_left = maxLoc;
cv::Point bottom_right(top_left.x + w, top_left.y + h);
zero.x = (top_left.x + bottom_right.x) / 2;
zero.y = (top_left.y + bottom_right.y) / 2;
cv::circle(img, zero, 5, cv::Scalar(0, 0, 255), -1);
}
霍夫圈变换
css
cv::Mat gray;
cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
cv::GaussianBlur(gray, gray, cv::Size(3, 3), 0);
std::vector<cv::Vec3f> circles;
cv::HoughCircles(gray, circles, cv::HOUGH_GRADIENT, 1, 500, 100, 50, 400, 700);
//HoughCircles( InputArray image, OutputArray circles,int method, double dp, double minDist,
// double param1 = 100, double param2 = 100,int minRadius = 0, int maxRadius = 0 );
//参数较Python库的函数多了输出数组circle,不会参数的可以看看我的上篇文章https://juejin.cn/post/7342339440553279551
if (!circles.empty()) {
for (const auto& circle : circles) {
cv::Point center(cvRound(circle[0]), cvRound(circle[1]));
int radius = cvRound(circle[2]);
cv::circle(img, center, radius, cv::Scalar(0, 0, 255), 1);
center2.x = center.x - 25;
center2.y= center.y + 55;
cv::circle(img, center2, 5, cv::Scalar(0, 0, 255), -1);
}
}
霍夫线变换
arduino
cv::Mat edges;
cv::Canny(img, edges, 200, 300, 3);
// 检测线段
std::vector<cv::Vec4i> lines;
cv::HoughLinesP(edges, lines, 0.9, CV_PI / 180, 86, 35, 40);
if (!lines.empty()) {
for (const auto& line : lines) {
cv::line(img, Point(line[0], line[1]), Point(line[2] , line[3] ), Scalar(0, 0, 255), 5);
}
}
下面附上最终效果图:
总结一下,这次使用了opencv-C++库进行仪表盘的识别,保证了检测速度,能满足简单的仪表盘识别任务,下次我将分享一下存在遮挡的仪表盘识别,期待一下吧。