主頁 >  其他 > OpenCV C++案例實戰十《車牌號識別》

OpenCV C++案例實戰十《車牌號識別》

2021-12-21 10:24:35 其他

OpenCV C++案例實戰十《車牌號識別》

  • 前言
  • 一、車牌檢測
    • 1.1.影像預處理
    • 1.2.輪廓提取
    • 1.3.功能效果
    • 1.4.功能原始碼
  • 二、字符切割
    • 2.1.影像預處理
    • 2.2.輪廓提取
    • 2.3.功能效果
    • 2.4.功能原始碼
  • 三、字符識別
    • 3.1.讀取檔案
    • 3.2.字符匹配
    • 3.3.功能原始碼
  • 四、效果顯示
  • 五、原始碼
  • 總結

前言

本文將使用OpenCV C++ 進行車牌號識別，

一、車牌檢測

請添加圖片描述
原圖如圖所示，本案例的需求是進行車牌號碼識別，所以，首先我們得定位車牌所在的位置，然后將車牌切割出來，接下來我們就來看看是如何實作，

1.1.影像預處理

首先經過一些常規的影像預處理，我們可以提取出影像的大致輪廓，然后根據輪廓的特征進一步確定我們所需要查找的輪廓，在這里，不同的影像需要根據本身影像特征設定預處理演算法，所以，本案例的一個缺點就是不具有魯棒性，只針對特定需求，

	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

	//使用形態學開操作去除一些小輪廓
	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	Mat open;
	morphologyEx(thresh, open, MORPH_OPEN, kernel);

請添加圖片描述
如圖為經過二值化后的影像，接下來我們就可以使用findContours尋找我們需要的輪廓，根據影像的輪廓特征就可以定位到車牌所在位置，然后將其從原圖中切割出來，以便后續的識別作業，在這里，我定義了一個License結構體，用于存盤ROI影像，以及其相對于原圖所在位置，這樣在后續的繪制作業中，我們就可以定位到ROI所在位置，

1.2.輪廓提取

//自定義車牌結構體
struct License
{
	Mat mat;  //ROI圖片
	Rect rect; //ROI所在矩形
};

	//使用 RETR_EXTERNAL 找到最外輪廓
	vector<vector<Point>>contours;
	findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	vector<vector<Point>>conPoly(contours.size());
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);
		double peri = arcLength(contours[i], true);
		//根據面積篩選出可能屬于車牌區域的輪廓
		if (area > 1000)
		{
			//使用多邊形近似，進一步確定車牌區域輪廓
			approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);

			if (conPoly[i].size() == 4)
			{	
				//計算矩形區域寬高比
				Rect box = boundingRect(contours[i]);
				double ratio = double(box.width) / double(box.height);
				if (ratio > 2 && ratio < 4)
				{
					//截取ROI區域
					Rect rect = boundingRect(contours[i]);
					License_ROI = { src(rect),rect };
				}
			}
		}
	}

1.3.功能效果

請添加圖片描述
如圖為從汽車上定位到的車牌，并將其切割出來以便下面的識別作業，

1.4.功能原始碼

//獲取車牌所在ROI區域--車牌定位
bool Get_License_ROI(Mat src, License &License_ROI)
{
	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

	//使用形態學開操作去除一些小輪廓
	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	Mat open;
	morphologyEx(thresh, open, MORPH_OPEN, kernel);

	//使用 RETR_EXTERNAL 找到最外輪廓
	vector<vector<Point>>contours;
	findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	vector<vector<Point>>conPoly(contours.size());
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);
		double peri = arcLength(contours[i], true);
		//根據面積篩選出可能屬于車牌區域的輪廓

		if (area > 1000)
		{
			//使用多邊形近似，進一步確定車牌區域輪廓
			approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);

			if (conPoly[i].size() == 4)
			{	
				//計算矩形區域寬高比
				Rect box = boundingRect(contours[i]);
				double ratio = double(box.width) / double(box.height);
				if (ratio > 2 && ratio < 4)
				{
					//截取ROI區域
					Rect rect = boundingRect(contours[i]);
					License_ROI = { src(rect),rect };
				}
			}
		}
	}

	if (License_ROI.mat.empty())
	{
		return false;
	}
	return true;
}

二、字符切割

2.1.影像預處理

通過剛才的車牌定位，我們已經將車牌從原圖中切割出來了，接下來，我們還需要將車牌上的字符一一切割出來，以便進行后續的識別作業，同理，我們也需要對車牌做同樣的預處理操作，

	Mat gray;
	cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);

	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	Mat close;
	morphologyEx(thresh, close, MORPH_CLOSE, kernel);

經過灰度、閾值、形態學操作后的影像如下圖所示，
請添加圖片描述

2.2.輪廓提取

接下來我們進行輪廓提取就可以提取出車牌上的每一個字符了，

	vector<vector<Point>>contours;
	findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);
		//由于我們篩選出來的輪廓是無序的，故后續我們需要將字符重新排序
		if (area > 200)
		{
			Rect rect = boundingRect(contours[i]);
			//計算外接矩形寬高比
			double ratio = double(rect.height) / double(rect.width);
			if (ratio > 1)
			{
				Mat roi = License_ROI.mat(rect);
				resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR);	 
				Character_ROI.push_back({ roi ,rect });
			}
		}
	}

請添加圖片描述如圖為切割出來的字符，不過這里有一個小問題就是，我們切割出來的字符并不是按車牌號碼那樣順序排列，所以，在這里我們還得對其重新進行排序，使其按車牌順序排列，

	//冒泡排序
	for (int i = 0; i < Character_ROI.size()-1; i++)
	{
		for (int j = 0; j < Character_ROI.size() - 1 - i; j++)
		{
			if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x)
			{
				License temp = Character_ROI[j];
				Character_ROI[j] = Character_ROI[j + 1];
				Character_ROI[j + 1] = temp;
			}
		}
	}

2.3.功能效果

請添加圖片描述

2.4.功能原始碼

//獲取車牌每一個字符ROI區域
bool Get_Character_ROI(License &License_ROI, vector<License>&Character_ROI)
{
	Mat gray;
	cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);

	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	Mat close;
	morphologyEx(thresh, close, MORPH_CLOSE, kernel);

	vector<vector<Point>>contours;
	findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);
		//由于我們篩選出來的輪廓是無序的，故后續我們需要將字符重新排序
		if (area > 200)
		{
			Rect rect = boundingRect(contours[i]);
			//計算外接矩形寬高比
			double ratio = double(rect.height) / double(rect.width);
			if (ratio > 1)
			{
				Mat roi = License_ROI.mat(rect);
				resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR);	 
				Character_ROI.push_back({ roi ,rect });
			}
		}
	}

	//將篩選出來的字符輪廓 按照其左上角點坐標從左到右依次順序排列
	//冒泡排序
	for (int i = 0; i < Character_ROI.size()-1; i++)
	{
		for (int j = 0; j < Character_ROI.size() - 1 - i; j++)
		{
			if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x)
			{
				License temp = Character_ROI[j];
				Character_ROI[j] = Character_ROI[j + 1];
				Character_ROI[j + 1] = temp;
			}
		}
	}

	if (Character_ROI.size() != 7)
	{
		return false;
	}
	return true;
}

三、字符識別

3.1.讀取檔案

請添加圖片描述
如圖所示，為模板影像以及對應的label，我們需要讀取檔案，進行匹配，在這里我使用UTF8ToGB函式實作讀取txt檔案，目的是為了在控制臺顯示中文時，不會出現亂碼情況，

//讀取檔案  圖片
bool Read_Data(string filename,vector<Mat>&dataset)
{		
	vector<String>imagePathList;
	glob(filename, imagePathList);
	if (imagePathList.empty())return false;

	for (int i = 0; i < imagePathList.size(); i++)
	{
		Mat image = imread(imagePathList[i]);
		resize(image, image, Size(50, 100), 1, 1, INTER_LINEAR);
		dataset.push_back(image);
	}

	return true;
}

//讀取檔案 標簽
bool Read_Data(string filename, vector<string>&data_name)
{
	fstream fin;
	fin.open(filename, ios::in);
	if (!fin.is_open())
	{
		cout << "can not open the file!" << endl;
		return false;
	}

	string s;
	while (std::getline(fin, s))
	{
		string str = UTF8ToGB(s.c_str()).c_str();
		data_name.push_back(str);
	}
	fin.close();

	return true;
}

3.2.字符匹配

在這里，我的思路是：使用一個for回圈，將我們切割出來的字符與現有的模板進行匹配，而這個匹配演算法是求兩張影像的像素差，以此來判斷影像的相似程度，具體是使用OpenCV absdiff函式計算兩張影像的像素差.，
請添加圖片描述
請添加圖片描述
如圖為使用absdiff得到的效果圖，接下來，我們只需要計算影像中灰度值為0的像素點個數就可以了，像素點個數最少的那個label即為我們的匹配結果，當然，此方法肯定是會存在誤識別的情況的，進行字符匹配的方法還有：模板匹配，基于Hu矩輪廓匹配，大家可以試試，

3.3.功能原始碼

//識別車牌字符
bool License_Recognition(vector<License>&Character_ROI, vector<int>&result_index)
{
	string filename = "data/";
	vector<Mat>dataset;
	if (!Read_Data(filename, dataset)) return false;

	for (int i = 0; i < Character_ROI.size(); i++)
	{
		Mat roi_gray;
		cvtColor(Character_ROI[i].mat, roi_gray, COLOR_BGR2GRAY);

		Mat roi_thresh;
		threshold(roi_gray, roi_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

		int minCount = 1000000;
		int index = 0;
		for (int j = 0; j < dataset.size(); j++)
		{
			Mat temp_gray;
			cvtColor(dataset[j], temp_gray, COLOR_BGR2GRAY);

			Mat temp_thresh;
			threshold(temp_gray, temp_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

			//計算兩張圖片的像素差，以此判斷兩張圖片是否相同
			Mat dst;
			absdiff(roi_thresh, temp_thresh, dst);
		
			int count = pixCount(dst);
			if (count < minCount)
			{
				minCount = count;
				index = j;
			}		
		}

		result_index.push_back(index);
	}

	return true;
}

四、效果顯示

//顯示最終效果
bool Draw_Result(Mat src, License &License_ROI, vector<License>&Character_ROI,vector<int>&result_index)
{
	rectangle(src, License_ROI.rect, Scalar(0, 255, 0), 2);

	vector<string>data_name;
	if (!Read_Data("data_name.txt", data_name))return false;

	for (int i = 0; i < Character_ROI.size(); i++)
	{
		cout << data_name[result_index[i]] << " ";
		//putText 中文顯示會亂碼，所以采用下面代碼
		CvxText text("C://Windows/Fonts/方正粗黑宋簡體.ttf");//字體
		string str = data_name[result_index[i]];  //string 轉 char
		const char*msg = str.data();
		IplImage *temp;  //Mat 轉 IplImage
		temp = &IplImage(src);
		text.putText(temp, msg, Point(License_ROI.rect.x + Character_ROI[i].rect.x, License_ROI.rect.y + Character_ROI[i].rect.y),Scalar(0,0,255));
	}
	return true;
}

在這里，為了使用putText顯示中文，我這里加了一些額外的代碼，如果需要使用putText顯示中文效果的朋友可以自行百度一下如何配置環境，
最終效果如圖所示：
請添加圖片描述
請添加圖片描述
請添加圖片描述

五、原始碼

#include<iostream>
#include<opencv2/opencv.hpp>
#include<fstream>   //文本讀寫
#include<Windows.h> //控制臺輸出中文亂碼
#include"CvxText.h" //putText顯示中文亂碼

using namespace std;
using namespace cv;

//自定義車牌結構體
struct License
{
	Mat mat;  //ROI圖片
	Rect rect; //ROI所在矩形
};

//獲取車牌所在ROI區域--車牌定位
bool Get_License_ROI(Mat src, License &License_ROI)
{
	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

	//使用形態學開操作去除一些小輪廓
	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	Mat open;
	morphologyEx(thresh, open, MORPH_OPEN, kernel);

	//使用 RETR_EXTERNAL 找到最外輪廓
	vector<vector<Point>>contours;
	findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	vector<vector<Point>>conPoly(contours.size());
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);
		double peri = arcLength(contours[i], true);
		//根據面積篩選出可能屬于車牌區域的輪廓

		if (area > 1000)
		{
			//使用多邊形近似，進一步確定車牌區域輪廓
			approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);

			if (conPoly[i].size() == 4)
			{	
				//計算矩形區域寬高比
				Rect box = boundingRect(contours[i]);
				double ratio = double(box.width) / double(box.height);
				if (ratio > 2 && ratio < 4)
				{
					//截取ROI區域
					Rect rect = boundingRect(contours[i]);
					License_ROI = { src(rect),rect };
				}
			}
		}
	}

	if (License_ROI.mat.empty())
	{
		return false;
	}
	return true;
}


//獲取車牌每一個字符ROI區域
bool Get_Character_ROI(License &License_ROI, vector<License>&Character_ROI)
{
	Mat gray;
	cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);

	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	Mat close;
	morphologyEx(thresh, close, MORPH_CLOSE, kernel);

	vector<vector<Point>>contours;
	findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);
		//由于我們篩選出來的輪廓是無序的，故后續我們需要將字符重新排序
		if (area > 200)
		{
			Rect rect = boundingRect(contours[i]);
			//計算外接矩形寬高比
			double ratio = double(rect.height) / double(rect.width);
			if (ratio > 1)
			{
				Mat roi = License_ROI.mat(rect);
				resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR);	 
				Character_ROI.push_back({ roi ,rect });
			}
		}
	}

	//將篩選出來的字符輪廓 按照其左上角點坐標從左到右依次順序排列
	//冒泡排序
	for (int i = 0; i < Character_ROI.size()-1; i++)
	{
		for (int j = 0; j < Character_ROI.size() - 1 - i; j++)
		{
			if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x)
			{
				License temp = Character_ROI[j];
				Character_ROI[j] = Character_ROI[j + 1];
				Character_ROI[j + 1] = temp;
			}
		}
	}

	if (Character_ROI.size() != 7)
	{
		return false;
	}
	return true;
}


//從txt檔案中讀取中文，防止亂碼
string UTF8ToGB(const char* str)
{
	string result;
	WCHAR *strSrc;
	LPSTR szRes;

	//獲得臨時變數的大小
	int i = MultiByteToWideChar(CP_UTF8, 0, str, -1, NULL, 0);
	strSrc = new WCHAR[i + 1];
	MultiByteToWideChar(CP_UTF8, 0, str, -1, strSrc, i);

	//獲得臨時變數的大小
	i = WideCharToMultiByte(CP_ACP, 0, strSrc, -1, NULL, 0, NULL, NULL);
	szRes = new CHAR[i + 1];
	WideCharToMultiByte(CP_ACP, 0, strSrc, -1, szRes, i, NULL, NULL);

	result = szRes;
	delete[]strSrc;
	delete[]szRes;

	return result;
}

//讀取檔案  圖片
bool Read_Data(string filename,vector<Mat>&dataset)
{		
	vector<String>imagePathList;
	glob(filename, imagePathList);
	if (imagePathList.empty())return false;

	for (int i = 0; i < imagePathList.size(); i++)
	{
		Mat image = imread(imagePathList[i]);
		resize(image, image, Size(50, 100), 1, 1, INTER_LINEAR);
		dataset.push_back(image);
	}

	return true;
}

//讀取檔案 標簽
bool Read_Data(string filename, vector<string>&data_name)
{
	fstream fin;
	fin.open(filename, ios::in);
	if (!fin.is_open())
	{
		cout << "can not open the file!" << endl;
		return false;
	}

	string s;
	while (std::getline(fin, s))
	{
		string str = UTF8ToGB(s.c_str()).c_str();
		data_name.push_back(str);
	}
	fin.close();

	return true;
}



//計算像素點個數
int pixCount(Mat image)
{
	int count = 0;
	if (image.channels() == 1)
	{
		for (int i = 0; i < image.rows; i++)
		{
			for (int j = 0; j < image.cols; j++)
			{
				if (image.at<uchar>(i, j) == 0)
				{
					count++;
				}
			}
		}

		return count;
	}
	else
	{
		return -1;
	}
}

//識別車牌字符
bool License_Recognition(vector<License>&Character_ROI, vector<int>&result_index)
{
	string filename = "data/";
	vector<Mat>dataset;
	if (!Read_Data(filename, dataset)) return false;

	for (int i = 0; i < Character_ROI.size(); i++)
	{
		Mat roi_gray;
		cvtColor(Character_ROI[i].mat, roi_gray, COLOR_BGR2GRAY);

		Mat roi_thresh;
		threshold(roi_gray, roi_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

		int minCount = 1000000;
		int index = 0;
		for (int j = 0; j < dataset.size(); j++)
		{
			Mat temp_gray;
			cvtColor(dataset[j], temp_gray, COLOR_BGR2GRAY);

			Mat temp_thresh;
			threshold(temp_gray, temp_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

			//計算兩張圖片的像素差，以此判斷兩張圖片是否相同
			Mat dst;
			absdiff(roi_thresh, temp_thresh, dst);
		
			int count = pixCount(dst);
			if (count < minCount)
			{
				minCount = count;
				index = j;
			}		
		}

		result_index.push_back(index);
	}

	return true;
}

//顯示最終效果
bool Draw_Result(Mat src, License &License_ROI, vector<License>&Character_ROI,vector<int>&result_index)
{
	rectangle(src, License_ROI.rect, Scalar(0, 255, 0), 2);

	vector<string>data_name;
	if (!Read_Data("data_name.txt", data_name))return false;

	for (int i = 0; i < Character_ROI.size(); i++)
	{
		cout << data_name[result_index[i]] << " ";
		//putText 中文顯示會亂碼，所以采用下面代碼
		CvxText text("C://Windows/Fonts/方正粗黑宋簡體.ttf");//字體
		string str = data_name[result_index[i]];  //string 轉 char
		const char*msg = str.data();
		IplImage *temp;  //Mat 轉 IplImage
		temp = &IplImage(src);
		text.putText(temp, msg, Point(License_ROI.rect.x + Character_ROI[i].rect.x, License_ROI.rect.y + Character_ROI[i].rect.y),Scalar(0,0,255));
	}
	return true;
}


int main()
{

	Mat src = imread("car.jpg");
	if (src.empty())
	{
		cout << "No image!" << endl;
		system("pause");
		return -1;
	}

	License License_ROI;
	if (Get_License_ROI(src, License_ROI))
	{
		vector<License>Character_ROI;
		if (Get_Character_ROI(License_ROI, Character_ROI))
		{
			vector<int>result_index;
			if (License_Recognition(Character_ROI, result_index))
			{
				Draw_Result(src, License_ROI, Character_ROI,result_index);
			}
			else
			{
				cout << "未能識別字符！" << endl;
				system("pause");
				return -1;
			}
		}
		else
		{
			cout << "未能切割出字符！" << endl;
			system("pause");
			return -1;
		}
	}
	else
	{
		cout << "未定位到車牌位置！" << endl;
		system("pause");
		return -1;
	}
	
	imshow("src", src);
	waitKey(0);
	system("pause");
	return 0;
}

總結

本文使用OpenCV C++進行車牌號識別，關鍵步驟有以下幾點，
1、車牌定位，案例需求是進行車牌識別，那么我們就得知道車牌在什么位置，將車牌找到之后，需要將車牌切割出來，作為一個整體進行下面作業，
2、字符分割，我們得到了車牌，需要將車牌上的字符一一分割出來才能進行下面的識別作業，有個小細節就是需要將字符重新排序，
3、字符識別，我們將得到的字符與我們準備好的模板一一進行匹配，匹配演算法有很多，大家可以自行嘗試，我這里使用的是基于兩幅影像的像素差進行影像比對，

需要說明的是：本案例是根據特定影像、特定需求設定的演算法，并不具有魯棒性，所有在影像預處理階段很重要，我們需要提取出我們需要的影像特征，這樣才能夠進行后續的作業，所以本案例也只是使用傳統的影像處理手段實作車牌識別功能，將大致流程作了一個說明，這里只提供一個參考作用！！！
歡迎大家交流學習！！！

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/388073.html

標籤：其他

上一篇：【Python編程】三步完成如何從視頻中提取音頻？

下一篇：2021 年下半年軟考-初級程式員考后感想

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