HyperLPR 高性能中文车牌识别系统分析(四)

2021SC@SDUSC

概述

本篇依旧是对pipline.py文件中的SimpleRecognizePlate()函数展开解析，逐渐深挖至底层

此次文章主要分析SimpleRecognizePlate()函数部分代码，如下

ptype = td.SimplePredict(plate)
        if ptype>0 and ptype<5:
            plate = cv2.bitwise_not(plate)

代码分析

ptype = td.SimplePredict(plate)

引入了hyperlpr_py3文件夹下的typeDistinguish.py文件的simplePredict()函数，即

def SimplePredict(image):
    image = cv2.resize(image, (34, 9))
    image = image.astype(np.float) / 255
    res = np.array(model.predict(np.array([image]))[0])
    return res.argmax()

首先调用库cv2的resize()函数对图片进行裁剪操作，将图片裁剪至对应车牌大小

然后使用了astype()函数，对图片进行强制类型转换，主要目的是为防止image中的数据超出float64的边界，导致数据的出错

再然后，对该图片进行一个输出预测

最后返回一个图像的维度的最大值的序号

argmax()函数

该函数用于返回指定维度最大值的序号

if ptype>0 and ptype<5:
            plate = cv2.bitwise_not(plate)

根据返回图像的维度的最大值的序号，将图片里像素值进行按位反向的操作

cv2.bitwise_not()函数

image = cv2.bitwise_not(src, dst=None, mask=None)

其中src表示要进行操作的图像,dst是输出的图像（其实就是得到的image），一般不写就好了

bitwise_not的作用是取反操作

例子：下为脸部面具图，背景为白色，利用按位操作及掩膜技术清晰抠出面具轮廓。

对脸部面具图里的像素值进行按位反后获得的图像