【仓库物资识别】九、空车出库二（approxPolyDP函数的使用）

由于现场扫描区域范围的限制，不需要考虑到加高的车型，下左图为上一篇博客提到的车高车型。

 因为车型的限制，所以简化了工作量，随之而来的是新的小问题，如何分离出车头（因为我只需要考虑车身范围，进行分点等分操作）。上右图为扫描到的空车数据转换成的灰度图。

1、如何进行分割去点车头部分？

一开始是先想到的使用直方图统计的方法，找到车头和车身之间的分离处进行分割，但是由于本人水平有限，实现不了。

然后想到了设置二值化阈值，将车头找出来，由于车身和车头的实际高度差在两米左右，所以阈值的查找设置还是比较轻松得。

下图是二值化时设置了两个不同的阈值。

由图可见，车头被很好的分离出来了，车尾有一道也被分离出来了，是因为车身挡板原因，不会对结果造成太大的影响。

所以下一步就可以直接拿车头和车身二值化后的Mat直接相减。

相减的时候需要注意一下，黑色为0，白色为255，如果直接用图1减去图2，由于0-255为负，所以得到的差值图为全黑，解决这个问题，只要加上一个绝对值就可以了，若想得到白底黑车的图片，再加上取反函数即可（取反函数为：bitwise_not(img1, img2)，支持就地操作，即输入输出可以是相同Mat）。图3为最终分离到的车身部分，对于除车身范围其他较小轮廓，可以在程序中设置范围进行滤除。

找角点：

对于车身正着得的时候，扫描到的车身近似矩形，所以依然可以用最小外接矩的方法找到车身的四个角点，然后进行后续处理。如下左一图。

如果每一位司机大哥都可以停的那么正的话，那就最好了，但是不能排除有些司机大哥的水平欠缺，从而导致车身歪斜。如上中，右图。对车身有角度的情况下，外接矩找到的角点就会有很大的误差，因为当车身是歪的，虽然现实中，车身任然是一个矩形，可是扫描到的一个平行四边形。外接矩就很难发挥作用。如下图：

解决办法：approxPolyDP函数

函数原型：

void approxPolyDP(InputArray curve, OutputArray approxCurve, double epsilon, bool closed)；

第一个参数 InputArray curve：输入的点集
第二个参数OutputArray approxCurve：输出的点集，当前点集是能最小包容指定点集的。画出来即是一个多边形；
第三个参数double epsilon：指定的精度，也即是原始曲线与近似曲线之间的最大距离。
第四个参数bool closed：若为true,则说明近似曲线是闭合的，反之，若为false，则断开。

 函数算法描述：

该函数采用是道格拉斯-普克算法（Douglas-Peucker）算法来实现。该算法也以Douglas-Peucker算法和迭代终点拟合算法为名。算法的目的是给出由线段组成的曲线（也称为折线），以找到具有较少点的相似曲线。该算法基于原始曲线和简化曲线（即曲线之间的豪斯多夫距离）之间的最大距离定义“不相似”。 简化曲线由定义原始曲线的点的子集组成。

起始曲线是有序的一组点或线，距离维度ε> 0。该算法递归地划分线。 最初给出了第一点和最后一点之间的所有点。 它会自动标记要保存的第一个和最后一个点。 然后找到距离第一点和最后一点组成的线段的最远的点作为终点; 这一点在距离终点之间的近似线段的曲线上显然最远。 如果该点比线段更接近于ε，那么当前未被标记的任何点将被保存，而没有简化的曲线比ε更差的可以丢弃。如果离线段最远的点距离近似值大于ε，则必须保留该点。 该算法以第一个点和最远点递归地调用自身，然后以最远点和最后一个点（包括最远点被标记为保留）递归调用自身。当递归完成时，可以生成一个新的输出曲线，其中包括所有且仅标记为保留的点。
使用的函数效果如下：

 代码：略