opencv-C++ 进行仪表盘识别

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 复制代码
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 复制代码
#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 复制代码
            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 复制代码
            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 复制代码
            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。

相关推荐
lulu_gh_yu29 分钟前
数据结构之排序补充
c语言·开发语言·数据结构·c++·学习·算法·排序算法
成富1 小时前
文本转SQL(Text-to-SQL),场景介绍与 Spring AI 实现
数据库·人工智能·sql·spring·oracle
CSDN云计算1 小时前
如何以开源加速AI企业落地,红帽带来新解法
人工智能·开源·openshift·红帽·instructlab
ULTRA??1 小时前
C加加中的结构化绑定(解包,折叠展开)
开发语言·c++
艾派森1 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
hairenjing11231 小时前
在 Android 手机上从SD 卡恢复数据的 6 个有效应用程序
android·人工智能·windows·macos·智能手机
小蜗子1 小时前
Multi‐modal knowledge graph inference via media convergenceand logic rule
人工智能·知识图谱
SpikeKing1 小时前
LLM - 使用 LLaMA-Factory 微调大模型 环境配置与训练推理 教程 (1)
人工智能·llm·大语言模型·llama·环境配置·llamafactory·训练框架
凌云行者2 小时前
OpenGL入门005——使用Shader类管理着色器
c++·cmake·opengl
凌云行者2 小时前
OpenGL入门006——着色器在纹理混合中的应用
c++·cmake·opengl