主頁 >  其他 > OpenCV（專案）車牌識別2 -- 車牌字符分割

OpenCV（專案）車牌識別2 -- 車牌字符分割

2021-09-04 08:41:04 其他

目錄

試錯

1、沒有膨脹/膨脹過小：無法連接上單個字符，

2、膨脹過大：錯誤連接相鄰字符，

一、直方圖處理原理

1、橫向分割

2、縱向分割

程序：

一、中值濾波、灰度化

二、二值化（統一黑底白字）

三、膨脹處理

四、統計各行各列白色像素個數（為繪制直方圖做準備）

五、繪制直方圖（橫、縱）

六、分割車牌影像

1、橫向分割：分割上下邊框

1-1、下半圖波谷

1-2、上半圖波谷

代碼 及效果

2、縱向分割：分割字符

2-0、極大值判斷（去除左右兩邊過大的噪聲）

2-1、前谷（前一個波谷）

2-2、字符開始（上升）

2-3、字符結束

2-4、分割尾部雜質

2-5、最后的處理：檢查收尾情況

總代碼及效果

參考資料

試錯

一開始嘗試的是形態學提取字符，但發現有些情況是相悖的，會顧此失彼，無法兼顧很多情況，

1、沒有膨脹/膨脹過小：無法連接上單個字符，

可以看到，一些沒有連接上的漢字，輪廓提取就把它們當成了多個字符，

2、膨脹過大：錯誤連接相鄰字符，

給予膨脹之后，膨脹又太大了，雖然同一個字符的不同筆畫連接成功，但是又錯誤地把兩個字符連接在了一起，

上面的演算法感覺很難行得通了，除非借助其他分割演算法，下面是優化后的更佳演算法，用直方圖處理，

一、直方圖處理原理

1、橫向分割

分割上下邊框

把影像分為上下兩部分，根據像素點的個數，找到最小的像素行（最小波谷）， 上半部分的最小波谷作為頂，下半部分的最小波谷作為底，

2、縱向分割

切割字符，

每一個字符前面都一定會有波谷出現，波谷出現再上升的時候，作為字符開始的判斷標志，

程序：

一、中值濾波、灰度化

# 1、中值濾波
    mid = cv.medianBlur(image, 5)
    # 2、灰度化
    gray = cv.cvtColor(mid, cv.COLOR_BGR2GRAY)

二、二值化（統一黑底白字）

# 3、二值化
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)
    # 統一得到黑底白字
    if(IsWhiteMore(binary)):     #白色部分多則為真，意味著背景是白色，需要黑底白字
        ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU | cv.THRESH_BINARY_INV)
    cv.imshow('binary', binary)
# 得到黑底白字（白色多則回傳真）
def IsWhiteMore(binary):
    white = black = 0
    height, width = binary.shape
    # 遍歷每個像素
    for i in range(height):
        for j in range(width):
            if binary[i,j]==0:
                black+=1
            else:
                white+=1
    if white >= black:
        return True
    else:
        return False

三、膨脹處理

主要就是為了連接像“川”這樣的橫向不連接的字符，

# 4、膨脹（粘貼橫向字符）
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (7,1))     #橫向連接字符
    dilate = cv.dilate(binary, kernel)
    cv.imshow('dilate', dilate)

四、統計各行各列白色像素個數（為繪制直方圖做準備）

# 5、統計各行各列白色像素個數（為了得到直方圖橫縱坐標）
    ptx, pty = White_Statistic(dilate)
# 二-5、統計白色像素點（分別統計每一行、每一列）
def White_Statistic(image):
    ptx = []  # 每行白色像素個數
    pty = []  # 每列白色像素個數
    height, width = image.shape
    # 逐行遍歷
    for i in range(height):
        num = 0
        for j in range(width):
            if(image[i][j]==255):
                num = num+1
        ptx.append(num)

    # 逐列遍歷
    for i in range(width):
        num = 0
        for j in range(height):
            if (image[j][i] == 255):
                num = num + 1
        pty.append(num)

    return ptx, pty

五、繪制直方圖（橫、縱）

有了直方圖，可以很直觀地看出每一行、每一列的像素分布情況， 

# 6、繪制直方圖（橫、縱）
    Draw_Hist(ptx, pty)
# 二-6、繪制直方圖
def Draw_Hist(ptx, pty):
    # 依次得到各行、列
    rows, cols = len(ptx), len(pty)
    row = [i for i in range(rows)]
    col = [j for j in range(cols)]
    # 橫向直方圖
    plt.barh(row, ptx, color='black', height=1)
    #       縱    橫
    plt.show()
    # 縱向直方圖
    plt.bar(col, pty, color='black', width=1)
    #       橫    縱
    plt.show()

六、分割車牌影像

# 二-7、分割車牌影像（根據直方圖）
def Cut_Image(ptx, pty, binary, dilate):
    h1 = h2 = 0
    #頂  底
    begin = False        #標記開始/結束
    # 1、依次得到各行、列
    rows, cols = len(ptx), len(pty)
    row = [i for i in range(rows)]
    col = [j for j in range(cols)]

    # 2、橫向分割：上下邊框
    h1, h2 = Cut_X(ptx, rows)

    # 3、縱向分割：分割字符
    Cut_Y(pty, cols, h1, h2, binary)

1、橫向分割：分割上下邊框

把影像分為兩部分：上半圖和下半圖，分別找它們的波谷，就可以確定字符上下邊緣，進行分割，

1-1、下半圖波谷

在下半圖找波谷，確定字符的下邊緣， 

# 1、下半圖波谷
    min, r = 300, 0
    for i in range(int(rows / 2)):
        if ptx[i] < min:
            min = ptx[i]
            r = i
    h1 = r  # 添加下行（作為頂）

1-2、上半圖波谷

在上半圖找波谷，確定字符的上邊緣， 

# 2、上半圖波谷
    min, r = 300, 0
    for i in range(int(rows / 2), rows):
        if ptx[i] < min:
            min = ptx[i]
            r = i
    h2 = r  # 添加上行（作為底）

代碼 及效果

# 2、橫向分割：上下邊框
    h1, h2 = Cut_X(ptx, rows)
    cut_x = binary[h1:h2, :]
    cv.imshow('cut_x', cut_x)
# 二-7-2、橫向分割：上下邊框
def Cut_X(ptx, rows):
    # 橫向切割（分為上下兩張圖，分別找其波谷，確定頂和底）
    # 1、下半圖波谷
    min, r = 300, 0
    for i in range(int(rows / 2)):
        if ptx[i] < min:
            min = ptx[i]
            r = i
    h1 = r  # 添加下行（作為頂）

    # 2、上半圖波谷
    min, r = 300, 0
    for i in range(int(rows / 2), rows):
        if ptx[i] < min:
            min = ptx[i]
            r = i
    h2 = r  # 添加上行（作為底）
    return h1, h2

可以看到，上下邊框明顯得到了適當的切割，尤其是下邊框，

2、縱向分割：分割字符

2-0、極大值判斷（去除左右兩邊過大的噪聲）

如果在左邊或者右邊出現極大值（左右按10%計算），則視為噪聲，進行處理，

# 0、極大值判斷
        if pty[j] == max(pty):
            if j < 30:  # 左邊（跳過）
                w2 = j
                if begin == True:
                    begin = False
                continue

            elif j > 270:  # 右邊（直接收尾）
                if begin == True:
                    begin = False
                w2 = j
                b_copy = binary.copy()
                b_copy = b_copy[h1:h2, w1:w2]
                cv.imshow('binary%d-%d' % (count, con), b_copy)
                cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)
                con += 1
                break

2-1、前谷（前一個波谷）

# 1、前谷（前面的波谷）
        if pty[j] < 12 and begin == False:  # 前谷判斷：像素數量<12
            last = pty[j]
            w = j

2-2、字符開始（上升）

# 2、字符開始（上升）
        elif last < 12 and pty[j] > 20:
            last = pty[j]
            w1 = j
            begin = True

2-3、字符結束

情景一：單個字符：直接分割（判斷陳述句中過濾掉噪聲）

# 3-1、分割并顯示（排除過小情況）
            if 10 < width < WIDTH + 3:  # 要排除掉干擾，又不能過濾掉字符”1“
                b_copy = binary.copy()
                b_copy = b_copy[h1:h2, w1:w2]
                cv.imshow('binary%d-%d' % (count, con), b_copy)
                cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)
                con += 1

情景二：多個字符：從多字符中分割單字符

# 3-2、從多個貼合字符中提取單個字符
            elif width >= WIDTH + 3:
                # 統計貼合字符個數
                num = int(width / WIDTH + 0.5)  # 四舍五入
                for k in range(num):
                    # w1和w2坐標向后移（用w3、w4代替w1和w2）
                    w3 = w1 + k * WIDTH
                    w4 = w1 + (k + 1) * WIDTH
                    b_copy = binary.copy()
                    b_copy = b_copy[h1:h2, w3:w4]
                    cv.imshow('binary%d-%d' % (count, con), b_copy)
                    cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)
                    con += 1

2-4、分割尾部雜質

由于車牌提取的時候沒處理好，導致車牌尾部有些許雜質 ，

# 4、分割尾部噪聲（距離過遠默認沒有字符了）
        elif begin == False and (j - w2) > 30:
            break

2-5、最后的處理：檢查收尾情況

如果最后沒有下降沿（波谷），那么它就不會判斷為字符，那么可能會遺漏掉最后一個字符，所以我們進行一個收尾的操作，

# 最后檢查收尾情況
    if begin == True:
        w2 = 295
        b_copy = binary.copy()
        b_copy = b_copy[h1:h2, w1:w2]
        cv.imshow('binary%d-%d' % (count, con), b_copy)
        cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)

總代碼及效果

# 車牌識別
import cv2 as cv
import numpy as np
import os
from matplotlib import pyplot as plt


# 得到黑底白字（白色多則回傳真）
def IsWhiteMore(binary):
    white = black = 0
    height, width = binary.shape
    # 遍歷每個像素
    for i in range(height):
        for j in range(width):
            if binary[i,j]==0:
                black+=1
            else:
                white+=1
    if white >= black:
        return True
    else:
        return False


# 限制影像大小（車牌）
def Limit(image):
    height, width, channel = image.shape
    # 設定權重
    weight = width/300
    # 計算輸出影像的寬和高
    last_width = int(width/weight)
    last_height = int(height/weight)
    image = cv.resize(image, (last_width, last_height))
    return image


# 二-5、統計白色像素點（分別統計每一行、每一列）
def White_Statistic(image):
    ptx = []  # 每行白色像素個數
    pty = []  # 每列白色像素個數
    height, width = image.shape
    # 逐行遍歷
    for i in range(height):
        num = 0
        for j in range(width):
            if(image[i][j]==255):
                num = num+1
        ptx.append(num)

    # 逐列遍歷
    for i in range(width):
        num = 0
        for j in range(height):
            if (image[j][i] == 255):
                num = num + 1
        pty.append(num)

    return ptx, pty


# 二-6、繪制直方圖
def Draw_Hist(ptx, pty):
    # 依次得到各行、列
    rows, cols = len(ptx), len(pty)
    row = [i for i in range(rows)]
    col = [j for j in range(cols)]
    # 橫向直方圖
    plt.barh(row, ptx, color='black', height=1)
    #       縱    橫
    plt.show()
    # 縱向直方圖
    plt.bar(col, pty, color='black', width=1)
    #       橫    縱
    plt.show()


# 二-7-2、橫向分割：上下邊框
def Cut_X(ptx, rows):
    # 橫向切割（分為上下兩張圖，分別找其波谷，確定頂和底）
    # 1、下半圖波谷
    min, r = 300, 0
    for i in range(int(rows / 2)):
        if ptx[i] < min:
            min = ptx[i]
            r = i
    h1 = r  # 添加下行（作為頂）

    # 2、上半圖波谷
    min, r = 300, 0
    for i in range(int(rows / 2), rows):
        if ptx[i] < min:
            min = ptx[i]
            r = i
    h2 = r  # 添加上行（作為底）

    return h1, h2


# 二-7-3、縱向分割：分割字符
def Cut_Y(pty, cols, h1, h2, binary):
    WIDTH = 32          # 經過測驗，一個字符寬度約為32
    w = w1 = w2 = 0     # 前谷 字符開始 字符結束
    begin = False       # 字符開始標記
    last = 10           # 上一次的值
    con = 0             # 計數

    # 縱向切割（正式切割字符）
    for j in range(int(cols)):
        # 0、極大值判斷
        if pty[j] == max(pty):
            if j < 30:  # 左邊（跳過）
                w2 = j
                if begin == True:
                    begin = False
                continue

            elif j > 270:  # 右邊（直接收尾）
                if begin == True:
                    begin = False
                w2 = j
                b_copy = binary.copy()
                b_copy = b_copy[h1:h2, w1:w2]
                cv.imshow('binary%d-%d' % (count, con), b_copy)
                cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)
                con += 1
                break

        # 1、前谷（前面的波谷）
        if pty[j] < 12 and begin == False:  # 前谷判斷：像素數量<12
            last = pty[j]
            w = j

        # 2、字符開始（上升）
        elif last < 12 and pty[j] > 20:
            last = pty[j]
            w1 = j
            begin = True

        # 3、字符結束
        elif pty[j] < 13 and begin == True:
            begin = False
            last = pty[j]
            w2 = j
            width = w2 - w1
            # 3-1、分割并顯示（排除過小情況）
            if 10 < width < WIDTH + 3:  # 要排除掉干擾，又不能過濾掉字符”1“
                b_copy = binary.copy()
                b_copy = b_copy[h1:h2, w1:w2]
                cv.imshow('binary%d-%d' % (count, con), b_copy)
                cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)
                con += 1
            # 3-2、從多個貼合字符中提取單個字符
            elif width >= WIDTH + 3:
                # 統計貼合字符個數
                num = int(width / WIDTH + 0.5)  # 四舍五入
                for k in range(num):
                    # w1和w2坐標向后移（用w3、w4代替w1和w2）
                    w3 = w1 + k * WIDTH
                    w4 = w1 + (k + 1) * WIDTH
                    b_copy = binary.copy()
                    b_copy = b_copy[h1:h2, w3:w4]
                    cv.imshow('binary%d-%d' % (count, con), b_copy)
                    cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)
                    con += 1

        # 4、分割尾部噪聲（距離過遠默認沒有字符了）
        elif begin == False and (j - w2) > 30:
            break

    # 最后檢查收尾情況
    if begin == True:
        w2 = 295
        b_copy = binary.copy()
        b_copy = b_copy[h1:h2, w1:w2]
        cv.imshow('binary%d-%d' % (count, con), b_copy)
        cv.imwrite('car_characters/image%d-%d.jpg' % (count, con), b_copy)


# 二-7、分割車牌影像（根據直方圖）
def Cut_Image(ptx, pty, binary, dilate):
    h1 = h2 = 0
    #頂  底
    begin = False        #標記開始/結束
    # 1、依次得到各行、列
    rows, cols = len(ptx), len(pty)
    row = [i for i in range(rows)]
    col = [j for j in range(cols)]

    # 2、橫向分割：上下邊框
    h1, h2 = Cut_X(ptx, rows)
    # cut_x = binary[h1:h2, :]
    # cv.imshow('cut_x', cut_x)

    # 3、縱向分割：分割字符
    Cut_Y(pty, cols, h1, h2, binary)


# 一、形態學提取車牌
def Get_Licenses(image):
    # 1、轉灰度圖
    gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
    # cv.imshow('gray', gray)

    # 2、頂帽運算
    # gray = cv.equalizeHist(gray)
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17))
    tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)
    # cv.imshow('tophat', tophat)

    # 3、Sobel算子提取y方向邊緣（揉成一坨）
    y = cv.Sobel(tophat, cv.CV_16S, 1,     0)
    absY = cv.convertScaleAbs(y)
    # cv.imshow('absY', absY)

    # 4、自適應二值化（閾值自己可調）
    ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY)
    # cv.imshow('binary', binary)

    # 5、開運算分割（縱向去噪，分隔）
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15))
    Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)
    # cv.imshow('Open', Open)

    # 6、閉運算合并，把影像閉合、揉團，使影像區域化，便于找到車牌區域，進而得到輪廓
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15))
    close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel)
    # cv.imshow('close', close)

    # 7、膨脹/腐蝕（去噪得到車牌區域）
    # 中遠距離車牌識別
    kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7))
    kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11))
    # 近距離車牌識別
    # kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (79, 15))
    # kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31))
    # 7-1、腐蝕、膨脹（去噪）
    erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y)
    # cv.imshow('erode_y', erode_y)
    dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y)
    # cv.imshow('dilate_y', dilate_y)
    # 7-1、膨脹、腐蝕（連接）（二次縫合）
    dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x)
    # cv.imshow('dilate_x', dilate_x)
    erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x)
    # cv.imshow('erode_x', erode_x)

    # 8、腐蝕、膨脹：去噪
    kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 9))
    erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e)
    # cv.imshow('erode', erode)
    kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 11))
    dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d)
    # cv.imshow('dilate', dilate)

    # 9、獲取外輪廓
    img_copy = image.copy()
    # 9-1、得到輪廓
    contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    # 9-2、畫出輪廓并顯示
    cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2)
    # cv.imshow('Contours', img_copy)

    # 10、遍歷所有輪廓，找到車牌輪廓
    i = 0
    for contour in contours:
        # 10-1、得到矩形區域：左頂點坐標、寬和高
        rect = cv.boundingRect(contour)
        # 10-2、判斷寬高比例是否符合車牌標準，截取符合圖片
        if rect[2]>rect[3]*3 and rect[2]<rect[3]*7:
            # 截取車牌并顯示
            print(rect)
            img_copy = image.copy()
            image = image[(rect[1]):(rect[1]+rect[3]), (rect[0]):(rect[0]+rect[2])] #高，寬
            try:
                # 限制大小（按照比例限制）
                image = Limit(image)
                cv.imshow('license plate%d-%d' % (count, i), image)
                cv.imwrite('car_licenses/image%d-%d.jpg'%(count, i), image)
                i += 1
                return image
            except:
                pass
    return image


# 二、直方圖提取字符
def Get_Character(image):
    # 1、中值濾波
    mid = cv.medianBlur(image, 5)
    # 2、灰度化
    gray = cv.cvtColor(mid, cv.COLOR_BGR2GRAY)
    # 3、二值化
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)
    # 統一得到黑底白字
    if(IsWhiteMore(binary)):     #白色部分多則為真，意味著背景是白色，需要黑底白字
        ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU | cv.THRESH_BINARY_INV)
    cv.imshow('binary', binary)

    # 4、膨脹（粘貼橫向字符）
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (7,1))     #橫向連接字符
    dilate = cv.dilate(binary, kernel)
    # cv.imshow('dilate', dilate)

    # 5、統計各行各列白色像素個數（為了得到直方圖橫縱坐標）
    ptx, pty = White_Statistic(dilate)

    # 6、繪制直方圖（橫、縱）
    Draw_Hist(ptx, pty)

    # 7、分割（橫、縱）（橫向分割邊框、縱向分割字符）
    Cut_Image(ptx, pty, binary, dilate)

    # cv.waitKey(0)


if __name__ == '__main__':
    global count
    count=0         #計數：第幾張圖片
    # 遍歷檔案夾中的每張圖片（車）
    for car in os.listdir('cars'):
        # 1、獲取路徑
        path = 'cars/'+'car'+str(count)+'.jpg'
        # 2、獲取圖片
        img = cv.imread(path)
        image = img.copy()
        # cv.imshow('image', image)
        # 3、提取車牌
        image = Get_Licenses(image)         #形態學提取車牌
        # 4、提取字符
        Get_Character(image)

        count += 1

    cv.waitKey(0)

（“滬”前面的痕跡由于提取的程序處理不到位，這里實在是不好處理，直方圖上和它都連一起了，所以無能為力，有辦法的伙伴可以建議建議）

（好家伙，直方圖上看完全就是一個字了，，，）

后面的一部分車牌提取都做的不到位，字符也分離自然不是很好，目前做的還挺菜的，有好建議的伙伴可以提出來，

參考資料

https://www.bilibili.com/video/BV1yg4y187kU?p=2

https://blog.csdn.net/shanglianlm/article/details/78045170?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163037372316780271535395%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=163037372316780271535395&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-4-78045170.first_rank_v2_pc_rank_v29&utm_term=%E8%BD%A6%E7%89%8C%E8%AF%86%E5%88%AB%E5%AD%97%E7%AC%A6%E5%88%86%E5%89%B2%E6%96%B9%E6%B3%95&spm=1018.2226.3001.4187

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/297388.html

標籤：其他

上一篇：PIL，cv2，plt的使用與區別

下一篇：Java程式員必讀的書籍有哪些？

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂