WXP0

src/src/core/plate_judge.cpp

@@ -6,43 +6,47 @@
 #include "easypr/core/params.h"
 
 namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类只有一个实例
-
+//定义了一个静态成员变量instance_，它是PlateJudge类的指针，初始化为nullptr。这是单例模式的关键，所有的PlateJudge实例都将共享这个变量
   PlateJudge* PlateJudge::instance_ = nullptr;
 
-  PlateJudge* PlateJudge::instance() {
+
-    if (!instance_) {
+//确保PlateJudge类只有一个实例，当需要使用PlateJudge类时，只需要调用PlateJudge::instance()即可获取到这个唯一的实例
-      instance_ = new PlateJudge;
+  PlateJudge* PlateJudge::instance() { //定义了一个静态成员函数instance()，它返回一个指向PlateJudge实例的指针
+    if (!instance_) { //检查instance_是否为nullptr
+      instance_ = new PlateJudge; //如果是，那么就创建一个新的PlateJudge实例，并将instance_设置为指向这个新创建的实例
     }
-    return instance_;
+    return instance_; //返回instance_，即指向PlateJudge实例的指针
   }
 
-  PlateJudge::PlateJudge() { //PlateJudge决定了使用哪种特征提取方法。
+  PlateJudge::PlateJudge() { //PlateJudge决定了使用哪种特征提取方法
-    bool useLBP = false;
+    bool useLBP = false; //定义一个布尔变量useLBP，并初始化为false
-    if (useLBP) {
+    if (useLBP) { //如果useLBP为true，即使用LBP特征提取方法
-      LOAD_SVM_MODEL(svm_, kLBPSvmPath);
+      LOAD_SVM_MODEL(svm_, kLBPSvmPath); //加载LBP的SVM模型
-      extractFeature = getLBPFeatures;
+      extractFeature = getLBPFeatures; //设置特征提取函数为getLBPFeatures
     }
-    else {
+    else { //如果useLBP为false，即使用直方图特征提取方法
-      LOAD_SVM_MODEL(svm_, kHistSvmPath);
+      LOAD_SVM_MODEL(svm_, kHistSvmPath); //加载直方图的SVM模型
-      extractFeature = getHistomPlusColoFeatures;
+      extractFeature = getHistomPlusColoFeatures; //设置特征提取函数为getHistomPlusColoFeatures
     }
   }
 
-  void PlateJudge::LoadModel(std::string path) { //LoadModel函数用于加载SVM模型。
+  void PlateJudge::LoadModel(std::string path) { //LoadModel函数用于加载SVM模型，函数接收一个字符串参数path，这个参数是SVM模型文件的路径
-    if (path != std::string(kDefaultSvmPath)) {
+    if (path != std::string(kDefaultSvmPath)) { //检查输入的路径path是否与默认的SVM路径kDefaultSvmPath不同。如果不同，那么就需要加载新的SVM模型
-      if (!svm_->empty())
+      if (!svm_->empty()) //检查当前的SVM模型是否为空。如果不为空，那么在加载新的SVM模型之前，需要先清空当前的SVM模型
-        svm_->clear();
+        svm_->clear(); //清空当前的SVM模型
-      LOAD_SVM_MODEL(svm_, path);
+      LOAD_SVM_MODEL(svm_, path); //加载新的SVM模型。LOAD_SVM_MODEL是一个宏，它接收两个参数：一个是SVM模型的指针，另一个是SVM模型文件的路径
     }
   }
 
   // set the score of plate
   // 0 is plate, -1 is not.
-  int PlateJudge::plateSetScore(CPlate& plate) { //plateSetScore函数用于设置车牌的评分。
+  int PlateJudge::plateSetScore(CPlate& plate) { //plateSetScore函数用于设置车牌的评分，接收一个CPlate类型的引用作为参数
-    Mat features;
+    Mat features; //定义一个Mat类型的变量features，用于存储特征
-    extractFeature(plate.getPlateMat(), features);
+    extractFeature(plate.getPlateMat(), features); //调用extractFeature方法提取车牌图像的特征，结果存储在features中
-    float score = svm_->predict(features, noArray(), cv::ml::StatModel::Flags::RAW_OUTPUT);
+    float score = svm_->predict(features, noArray(), cv::ml::StatModel::Flags::RAW_OUTPUT); //使用SVM模型对特征进行预测，得到的结果存储在score中
     //std::cout << "score:" << score << std::endl;
+
+//这是一个调试用的代码块，如果条件为真（此处为0，所以不会执行），则显示车牌图像，等待用户按键，然后销毁窗口
     if (0) {
       imshow("plate", plate.getPlateMat());
       waitKey(0);
@@ -51,14 +55,15 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
     // score is the distance of margin，below zero is plate, up is not
     // when score is below zero, the samll the value, the more possibliy to be a plate.
     plate.setPlateScore(score);
-    if (score < 0.5) return 0;
+    if (score < 0.5) return 0; //如果评分小于0.5，返回0，表示这是一个车牌；否则返回-1，表示这不是一个车牌
     else return -1;      
   }
 
+//定义了一个名为plateJudge的成员函数，它属于PlateJudge类。该函数接收一个Mat类型的常量引用参数plateMat，这个参数是需要进行车牌判断的图像
   int PlateJudge::plateJudge(const Mat& plateMat) { //plateJudge函数用于判断输入的图像是否为车牌。
-    CPlate plate;
+    CPlate plate; //这行创建了一个CPlate类型的对象plate。CPlate是一个类，它可能包含车牌的相关信息，如车牌图像、车牌位置等
-    plate.setPlateMat(plateMat);
+    plate.setPlateMat(plateMat); //调用了CPlate类的setPlateMat成员函数，将输入的图像plateMat设置为plate对象的车牌图像
-    return plateSetScore(plate);
+    return plateSetScore(plate); //调用了PlateJudge类的plateSetScore成员函数，对plate对象进行评分，然后返回评分结果
   }
 
   int PlateJudge::plateJudge(const std::vector<Mat> &inVec, //inVec是输入的图像向量，resultVec是输出的结果向量。
@@ -107,18 +112,25 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
     return 0; //结束循环并返回0，表示方法执行成功
   }
 
-  // non-maximum suppression
+  // non-maximum suppression -->非极大值抑制
+//函数接收三个参数：一个CPlate对象的向量inVec（输入的车牌向量），一个CPlate对象的向量resultVec（输出的车牌向量），以及一个double类型的overlap（重叠阈值）
   void NMS(std::vector<CPlate> &inVec, std::vector<CPlate> &resultVec, double overlap) { //NMS函数实现了非极大值抑制，用于消除重叠的车牌。
-    std::sort(inVec.begin(), inVec.end());
+    std::sort(inVec.begin(), inVec.end()); //首先对输入的车牌向量进行排序
+
+//然后遍历输入的车牌向量，对每一个车牌对象，获取其位置的边界矩形
     std::vector<CPlate>::iterator it = inVec.begin();
     for (; it != inVec.end(); ++it) {
       CPlate plateSrc = *it;
       //std::cout << "plateScore:" << plateSrc.getPlateScore() << std::endl;
       Rect rectSrc = plateSrc.getPlatePos().boundingRect();
+
+//在内层循环中，对当前车牌对象之后的每一个车牌对象，也获取其位置的边界矩形
       std::vector<CPlate>::iterator itc = it + 1;
       for (; itc != inVec.end();) {
         CPlate plateComp = *itc;
         Rect rectComp = plateComp.getPlatePos().boundingRect();
+
+//计算两个边界矩形的交并比（Intersection over Union，IoU），如果IoU大于设定的重叠阈值，那么就从输入的车牌向量中删除当前的车牌对象；否则，继续处理下一个车牌对象
         float iou = computeIOU(rectSrc, rectComp);
         if (iou > overlap) {
           itc = inVec.erase(itc);
@@ -128,19 +140,23 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
         }
       }
     }
-    resultVec = inVec;
+    resultVec = inVec; //最后，将处理后的车牌向量赋值给输出的车牌向量
   }
 
-  // judge plate using nms
+  // judge plate using nms --> 使用非极大值抑制进行车牌识别
+// 定义了一个名为plateJudgeUsingNMS的成员函数，它属于PlateJudge类。该函数使用非极大值抑制进行车牌识别，接收一个CPlate对象的向量inVec（输入的车牌向量）、一个CPlate对象的向量resultVec（输出的车牌向量）和一个整数maxPlates（最大车牌数量）作为参数
   int PlateJudge::plateJudgeUsingNMS(const std::vector<CPlate> &inVec, std::vector<CPlate> &resultVec, int maxPlates) { //plateJudgeUsingNMS函数使用非极大值抑制进行车牌识别。
-    std::vector<CPlate> plateVec;
+    std::vector<CPlate> plateVec; // 创建一个CPlate对象的向量，用于存储识别出的车牌
-    int num = inVec.size();
+    int num = inVec.size(); // 获取输入向量的大小
-    bool useCascadeJudge = true;
+    bool useCascadeJudge = true; // 定义一个布尔变量，表示是否使用级联判断
 
+// 遍历输入向量中的每一个元素
     for (int j = 0; j < num; j++) {
-      CPlate plate = inVec[j];
+      CPlate plate = inVec[j]; // 获取当前的CPlate对象
-      Mat inMat = plate.getPlateMat();
+      Mat inMat = plate.getPlateMat();  // 获取当前CPlate对象的车牌图像
-      int result = plateSetScore(plate);
+      int result = plateSetScore(plate); // 对当前的CPlate对象进行评分
+
+// 如果评分结果为0，表示这是一个车牌
       if (0 == result) {
         if (0) {
           imshow("inMat", inMat);
@@ -148,17 +164,22 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
           destroyWindow("inMat");
         }
 
-        if (plate.getPlateLocateType() == CMSER) {
+        if (plate.getPlateLocateType() == CMSER) { // 如果plate的定位类型为CMSER
-          int w = inMat.cols;
+          int w = inMat.cols; // 获取图像的宽度
-          int h = inMat.rows;
+          int h = inMat.rows; // 获取图像的高度
+	// 对图像进行裁剪
           Mat tmpmat = inMat(Rect_<double>(w * 0.05, h * 0.1, w * 0.9, h * 0.8));
-          Mat tmpDes = inMat.clone();
+          Mat tmpDes = inMat.clone(); // 克隆图像
-          resize(tmpmat, tmpDes, Size(inMat.size()));
+          resize(tmpmat, tmpDes, Size(inMat.size())); // 调整图像大小
-          plate.setPlateMat(tmpDes);
+          plate.setPlateMat(tmpDes); // 设置plate的车牌图像为调整后的图像
+
+	// 如果使用级联判断
           if (useCascadeJudge) {
-            int resultCascade = plateSetScore(plate);
+            int resultCascade = plateSetScore(plate); // 对调整后的图像进行评分
+	// 如果plate的定位类型不是CMSER，将plate的车牌图像设置为原图像
             if (plate.getPlateLocateType() != CMSER)
               plate.setPlateMat(inMat);
+	// 如果级联评分结果为0，将plate添加到plateVec中
             if (resultCascade == 0) {
               if (0) {
                 imshow("tmpDes", tmpDes);
@@ -168,22 +189,24 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
               plateVec.push_back(plate);
             }
           }
-          else 
+          else // 如果不使用级联判断，直接将plate添加到plateVec中
             plateVec.push_back(plate);
         }
-        else 
+        else // 如果plate的定位类型不是CMSER，直接将plate添加到plateVec中
           plateVec.push_back(plate);                  
       }
     }
 
-    std::vector<CPlate> reDupPlateVec;
+    std::vector<CPlate> reDupPlateVec; // 创建一个CPlate对象的向量，用于存储非极大值抑制后的结果
-    double overlap = 0.5;
+    double overlap = 0.5; // 定义重叠阈值
     // double overlap = CParams::instance()->getParam1f();
     // use NMS to get the result plates
+// 使用非极大值抑制处理plateVec，结果存储在reDupPlateVec中
     NMS(plateVec, reDupPlateVec, overlap);
-    // sort the plates due to their scores
+    // sort the plates due to their scores --> 根据评分对reDupPlateVec进行排序
     std::sort(reDupPlateVec.begin(), reDupPlateVec.end());
     // output the plate judge plates
+// 遍历reDupPlateVec，将结果添加到resultVec中，直到达到最大车牌数量
     std::vector<CPlate>::iterator it = reDupPlateVec.begin();
     int count = 0;
     for (; it != reDupPlateVec.end(); ++it) {
@@ -197,6 +220,6 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
       if (count >= maxPlates)
         break;
     }
-    return 0;
+    return 0;  // 返回0，表示函数执行成功
   }
 }