主頁 >  其他 > OpenCV（專案）車牌識別4 -- 總結篇

OpenCV（專案）車牌識別4 -- 總結篇

2021-09-07 09:57:01 其他

目錄

一、效果

1、成功案例

2、經典失敗案例（單字符識別成類似字符）

3、其他失敗案例

二、總結

三、車牌識別總代碼

一、效果

1、成功案例

2、經典失敗案例（單字符識別成類似字符）

3、其他失敗案例

二、總結

前面字符提取比較成功的，大多數的識別都沒太大問題，但是字符提取不到位，后面的識別作業自然也很難進行，這次的測驗失敗有很多都是前面的作業沒有做好，尤其是第一步的車牌提取，個人感覺車牌提取是本次專案最困難的地方，

三、車牌識別總代碼

# 車牌識別
import cv2 as cv
import numpy as np
import os
from matplotlib import pyplot as plt
from PIL import Image, ImageDraw, ImageFont

# 總檔案夾
List = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q',
             'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', '云','京','冀','吉','寧','川','新','晉','桂','滬','津','浙','渝','湘','瓊',
                 '甘','皖','粵','蘇','蒙','藏','豫','貴','贛','遼','鄂','閩','陜','青','魯','黑']
# 車牌數字串列（10）
Num_List = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']
# 車牌英文串列（24）
Eng_List = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q',
             'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z']
# 車牌漢字串列（31）
Chinese_List = ['云','京','冀','吉','寧','川','新','晉','桂','滬','津','浙','渝','湘','瓊',
                 '甘','皖','粵','蘇','蒙','藏','豫','貴','贛','遼','鄂','閩','陜','青','魯','黑']
final_result = []


# 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):
    global con, final_result
    WIDTH = 33          # 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（字符）
    final_result = []   # 清空已識別的車牌

    # 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)
                Template_Match(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)
                Template_Match(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)
                    Template_Match(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)
        Template_Match(b_copy)

    # 顯示識別結果（影像）
    Show_Result_Image()


# 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)


# 顯示文字（中文）（用的PIL，RGB正常顯示，即和opencv的RGB相反）
def Text(image, text, p, color, size):
    # cv2讀取圖片
    # BGR轉RGB：cv2和PIL中顏色的hex碼的儲存順序不同
    cv2_image = cv.cvtColor(image, cv.COLOR_RGB2BGR)
    pil_image = Image.fromarray(cv2_image)

    # PIL圖片上列印漢字
    draw = ImageDraw.Draw(pil_image)  # 圖片上列印
    font = ImageFont.truetype("./simhei.ttf", size, encoding="utf-8")  # 引數1：字體檔案路徑，引數2：字體大小
    draw.text((p[0]-60, p[1]-20), text, color, font=font)

    # PIL圖片轉cv2 圖片
    cv2_result = cv.cvtColor(np.array(pil_image), cv.COLOR_RGB2BGR)
    # cv2.imshow("圖片", cv2_result)      # 漢字視窗標題顯示亂碼
    # cv.imshow("photo", cv2_result)     # 輸出漢字
    return cv2_result


# 顯示識別結果（文字）
def Show_Result_Words(index):
    print(List[index])
    final_result.append(List[index])
    print(final_result)


# 顯示識別結果（影像）
def Show_Result_Image():
    p = image_rect[0], image_rect[1]
    w, h = image_rect[2] , image_rect[3]
    # 框出車牌
    cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)
    # 輸出字符（中文）
    result = Text(img, str(final_result), p, (255,0,0), 16)
    cv.imshow('result-%d'%count, result)
    # cv.waitKey(0)


# 一、形態學提取車牌
def Get_Licenses(image):
    global image_rect       #待回傳的矩形坐標
    # 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)
            image_rect = 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):
    # 清空
    final_result = []
    # 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)


# 三、模板匹配
# 原圖和模板進行對比，越匹配，得分越大
def Template_Match(image):
    # 單檔案夾內的最佳得分
    best_score = []
    # 遍歷所有檔案夾（每一個檔案夾匹配）
    # (1) 漢字（首個位置只能是漢字(省)）（為了節約時間）
    if con == 0:
        # 遍歷34——65檔案夾（漢字）
        for i in range(34,65):
            # 單個圖片的得分
            score = []
            ForderPath = 'Template/' + List[i]
            # 遍歷單檔案夾（每一個檔案匹配）
            for filename in os.listdir(ForderPath):
                # 路徑
                path = 'Template/' + List[i] + '/' + filename
                # 1、得到模板
                template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）
                gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰
                ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值

                # 2、原圖限定大小（和模板相似）
                h, w = template.shape
                image = cv.resize(image, (w, h))

                # 3、模板匹配，得到得分（匹配度越高，得分越大）
                result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
                score.append(result[0][0])          #得分（每張模板圖）

            # 4、保存子檔案夾的最高得分（得分越高，匹配度越高）
            best_score.append(max(score))
            # 5、根據所有檔案夾的最佳得分確定下標
            index = best_score.index(max(best_score))+34


    # (2) 字母（第二個位置只能為字母）
    elif con == 1:
        # 遍歷10~34檔案夾（字母檔案夾）
        for i in range(10,34):
            # 單個圖片的得分
            score = []
            ForderPath = 'Template/' + List[i]
            # 遍歷單檔案夾（每一個檔案匹配）
            for filename in os.listdir(ForderPath):
                # 路徑
                path = 'Template/' + List[i] + '/' + filename
                # 模板
                template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）
                gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰
                ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值
                h, w = template.shape
                image = cv.resize(image, (w, h))

                # 模板匹配，得到得分（匹配度越高，得分越大）
                result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
                score.append(result[0][0])          #得分（每張模板圖）

            # 一個檔案夾的最高得分（得分越高，匹配度越高）
            best_score.append(max(score))
            # 根據所有檔案夾的最佳得分確定下標
            index = best_score.index(max(best_score)) + 10


    # (3) 數字+字母
    else:
        # 遍歷0~34檔案夾（數字+字母）
        for i in range(34):
            # 單個圖片的得分
            score = []
            ForderPath = 'Template/' + List[i]
            # 遍歷單檔案夾（每一個檔案匹配）
            for filename in os.listdir(ForderPath):
                # 路徑
                path = 'Template/' + List[i] + '/' + filename
                # 模板
                template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）
                gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰
                ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值
                h, w = template.shape
                image = cv.resize(image, (w, h))

                # 模板匹配，得到得分（匹配度越高，得分越大）
                result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
                score.append(result[0][0])          #得分（每張模板圖）

            # 一個檔案夾的最高得分（得分越高，匹配度越高）
            best_score.append(max(score))
            # 根據所有檔案夾的最佳得分確定下標
            index = best_score.index(max(best_score))

    # 顯示結果（文字）（每識別一個顯示一次）
    Show_Result_Words(index)


if __name__ == '__main__':
    global count, img
    count=0         #計數：第幾張圖片
    # cv.waitKey(0)
    # 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、分割字符
        Get_Character(image)

        count += 1

    cv.waitKey(0)

一張車牌約20秒，這些演算法很多可能已經逐漸被淘汰了，這里只是作為學習用途，沒有太高的實際應用價值，（后期進軍深度學習/機器學習，可能會對這些進行優化），有什么好的建議大家可以提出來，共同進步，謝謝~

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/298195.html

標籤：其他

上一篇：HOPC和CDOG matlab原始碼

下一篇：esp32cam micropython使用I2S驅動DAC模塊播放音頻

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