2021SC@SDUSC
在本篇报告中,我将继续分析slidingWindowsEval函数
在上篇报告分析的代码段中,已经通过滑动窗口把图像的一部分裁剪下来,并且进行了直方图均衡化等预处理,所以,接下来就要正式开始识别了。
res = model2.predict(np.array(data_sets))
print("分割",time.time() - t0)
这两行就是开始用预先建立好的机器学习模型,对滑动窗口部分的图像进行识别,识别里面有没有文字。识别出比较可能有文字的图像部分,存放在res数组里面。
pin = res
p = 1 - (res.T)[1]
p = f.gaussian_filter1d(np.array(p,dtype=np.float),3)
lmin = l.argrelmax(np.array(p),order = 3)[0]
interval = []
对res求转置,然后用1减去其中的第二行保存为p,也就是1减去res的第二列,保存为p。目前我也无法弄清为什么要选第二列,还要用1减去它,大概是作者通过分析具体案例,认为车牌部分的第二列一般含有重要信息吧。
然后对p进行高斯滤波&#