实际上车牌识别代码量并不是很大资料讲解.doc

《实际上车牌识别代码量并不是很大资料讲解.doc》由会员分享，可在线阅读，更多相关《实际上车牌识别代码量并不是很大资料讲解.doc（63页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Good is good, but better carries it.精益求精，善益求善。实际上车牌识别代码量并不是很大-实际上车牌识别代码量并不是很大，如果不停的手工输入；用不到一天的时间，即可大功告成。但是程序需要反复调试，才可以走向成熟。所以工作量是很大的。另外车牌识别还有其本身的特点理论并不成熟。这就给车牌识别带来了更多的工作量。一般来说，开发车牌识别程序，先按照最原始最朴素的思想编码，然后是不断地优化。这将贯彻到整个车牌识别的开发过程中去。车牌识别最基本的流程是：将采集后的图像二值化，然后依次经过车牌定位、字符分割、去除干扰，最后是字符识别。有时还会加入本节前面部分所叙述的思想（比

2、如回溯）。下面将分五章具体介绍每一个模块。一、二值化二值化是车牌识别的第一步。二值化前后的对比如下图：二值化的算法很简单，首先有一个亮度的阈值(threshold)，对每一个像素的亮度和这个阈值做比较，根据比较结果得出车牌的前景和背景。用c/c+描述如下：voidCLPR:Binary(intthreshold)inty;for(y=0;ym_height;y+)intx;for(x=0;xm_width;x+)unsignedcharred,green,blue;GetPixel(red,green,blue,x,y);intbright;bright=red+green;if(m_sear

3、ch_blue_plate)if(bright=threshold)SetBinary(x,y,FOREGOUND);elseSetBinary(x,y,BACKGROUND);二值化算法虽然简单，但是阈值却不容易寻找。本章后面的部分，将重点介绍各种求解阈值的算法。1、OTSU算法OTSU算法的思想是：把输入图像首先转换成灰度图象，然后对图像进行直方图分析。如果直方图呈双峰分布。那么双峰之间的“谷”就是阈值。从统计学角度讲，阈值两边的距离最大。由于车牌识别的特殊性，图象象素点的亮度为该象素点的红色分量和绿色分量的和，并且忽略蓝色分量。这一点对蓝色车牌和黄色车牌都是适用的。OTSU算法仅对直方图

4、呈双峰分布的图像有效。全部代码如下：voidLPR:OTSU()/直方图统计intindex;for(index=0;indexm_bright_level_count;index+)m_pixel_numberindex=0;inty;for(y=0;y=m_height;y+)intx;for(x=0;x=m_width;x+)intbright;bright=Bright(x,y);m_pixel_numberbright+;/真正求阈值doublesum;sum=0;intn;n=0;intk;for(k=0;k=(m_bright_level_count-1);k+)sum+=k*m

5、_pixel_numberk;n+=m_pixel_numberk;doublec_sum;c_sum=0.0;doublef_max;f_max=-1.0;intn1;n1=0;for(k=0;k(m_bright_level_count-1);k+)n1+=m_pixel_numberk;if(n1=0)continue;intn2;n2=n-n1;if(n2=0)break;c_sum+=(double)k*m_pixel_numberk;doublem_1,m_2;m_1=c_sum/n1;m_2=(sum-c_sum)/n2;doublesb;sb=(m_1-m_2)*(m_1-m_

6、2)*(double)n1*(double)n2;if(f_maxsb)f_max=sb;m_prepare_threhold=(int)(k+0.5);2、Matlab算法使用Matlab进行车牌识别，也是一个比较好的选择。在Matlab的环境中首先把输入的彩色图像使用命令rgb2gray转换成灰度图像。有了灰度图像就可以使用命令graythresh获得阈值了。最后使用命令im2bw对图像进行二值化。十分方便！代码如下：I=imread(blood1.tif);imhist(I);%人工观察灰度直方图，发现灰度120处有谷，确定阈值T=120I1=im2bw(I,120/255);%im2b

7、w函数需要将灰度值转换到0,1范围内figure,imshow(I1);改进为I=imread(blood1.tif);imhist(I);I1=graythresh(I);%im2bw函数需要将灰度值转换到0,1范围内figure,imshow(I1);二、车牌定位图像二值化，占用车牌识别中的大部分时间，也是最难的。在二值化之后，车牌识别将变得比较难。车牌定位为二值化后的第一步。下面分小节分别介绍各种车牌定位算法。车牌识别过程中，角点定位的基本思想是。在所有的边界点中，如果某些点的曲率半径比较小，那么这些点叫做“角点”：如下图所示（角点用红点表示）：图中字符上和车牌的四角都有角点。但是这并不

8、影响车牌的定位。根据距离最大的四个角点，得到了车牌的四个角，从而定了车牌。从角点定位的原理看出，如果经过旋转后车牌并不会影响角点定位的成功率和速度。该算法的实现可以采取遍历匹配的算法，实现如下：voidLPR:GetConere()inty;for(y=0;ym_height;y+)intx;for(x=0;x=3)if(Line(x,y,x,y+4)=3)if(Line(x+1,y+1,x+4,y+4)=3)if(Line(x+1,y-1,x+4,y-4)=3)if(Line(x,y,x,y+4)=3)if(Line(x-1,y+1,x-4,y+4)=3)if(Line(x-1,y-1,x-

9、4,y-4)=1)Add(x,y,RIGHT_DOWN_CONNER);函数Line(x1,y1,x2,y2)返回过两点(x1,y1),(x2,y2)的直线，前景的象素个数。注意这里的4，是检验角点的区域范围，如果区域过大，图像旋转时就会影响车牌定位的成功率。1、上下定位方法仔细观察二值化后的图像，在车牌的上边和下边各有一条较长的背景线（上图用红线表示）。根据这两条背景线可以准确的定位车牌。定位算法如下：intLPR:HorizontalLine(intx,inty,intcount)intret;ret=0;intx_loop;for(x_loop=0;x_loopcount;x_loop+

10、)if(!IsForegournd(x+x_loop,y)ret+;returnret;IsForegournd(x,y)为询问点(x,y)是不是前景点的函数。该算法比角点定位算法要快，但是不适合经过旋转后的车牌。虽然经过改进后也可以识别出旋转后的车牌，但是速度很慢，不能出现在成熟的产品中。2、变化率定位法根据尺寸分割从理论上讲，图片和实物相比，尺寸上有了很大的变化。并不一定图片和实物几何意义上的相似。也就是说未必图像和实物成比例。但是实验证实，在一到两个像素范围内，在水平方向上，实物和图像基本上成比例。请观察下图：这个是来自于GA36-2007中华人民共和国机动车号牌的车牌尺寸说明。根据这幅

11、图片，我们可以在一定位的车牌上，找到各个字符的坐标。请看下面的代码：voidGetCharacterPosition(intcharacter_position7,intplate_left,intplate_right)staticconstintmm=3+45/2,character_position_mm0+12+45,character_position_mm1+12+10+12+45,character_position_mm2+12+45,character_position_mm3+12+45,character_position_mm4+12+45,character_posi

12、tion_mm5+12+45,character_position_mm6+45/2+1,;intindex;for(index=0;indexsizeof(mm)/sizeof(mm)-1;index+)character_positionindex=plate_left+(-plate_left+plate_right)*mmindex/mmsizeof(mm)/sizeof(mm0)-1;上面的代码技巧性很大，还需大家认真揣摩。去除干扰干扰车牌识别的因素很多。比如车牌旋转、污染、固定螺丝和车牌边框等等。下面分小节分别介绍去除各种干扰的方法。去除噪音去除噪音的原理是：每一个字符，都是很大的

13、一个连续块，但是噪音确是比较小的多个连续块。通过递归算法得到每个字符中各个块的大小，保留最大的块，其余块当作噪音删掉。算法很简单，这里不再列出代码。去除螺丝干扰去除螺丝的工作要和字符本身的特征联系在一起。对不同的字符、相同字符不同部位的螺丝，都要分别编码。工作量很大。下面分小节举几个例子：10986等左上方螺丝这种情况如下图所示：在比较圆的9的上部出现了一个螺丝，比较明显。可以删掉，代码如下：voidCLPR:DeleteLeftUpSmallScrewCharacterRound()boolpossible_screw;intpossible_screw_start;intpossible_

14、screw_end;if(m_character_index=5)possible_screw=false;intseek;for(seek=0;seek=m_delta_x/2)possible_screw=true;break;intdelta_x;if(possible_screw)possible_screw=false;for(possible_screw_end=possible_screw_start+1;possible_screw_endm_delta_x/2)continue;intright;if(!ExpandHorizontal(right,possible_scre

15、w_end,possible_screw_end,m_max_x,SUB)continue;if(rightdelta_x/2)continue;if(possible_screw_end+4m_center_y)continue;intdistance1;distance1=HorizontalDistance(possible_screw_end,possible_screw_end);intdistance2;distance2=HorizontalDistance(possible_screw_end+2,possible_screw_end+2);intdistance3;dista

16、nce3=HorizontalDistance(possible_screw_end+4,possible_screw_end+4);if(!(distance1=distance2&distance2=distance3&distance10)continue;if(distance3delta_x*3/4)continue;intseek;for(seek=2;seek=m_delta_x/2)possible_screw=false;if(possible_screw)boolknown_letter;known_letter=false;if(!known_letter)m_min_y

17、=possible_screw_end;RecognizeCharacterAdjustVertical();以上代码拷贝自深职院张教授车牌识别工程（索威尔），实际上是2003年的版本。读者可以进行修改，并放入自己工程中。2EFT5等右上方螺丝这种情况如下图所示：图中有三条直线，如果沿着这三条直线扫描的话，会发现：黑色的扫描线前景占很大的比例，绿色的扫描线背景占很大的比例；红色的扫描线前景背景比例都不突出，但是前景背景交替较为频繁。这说明根据前景背景变化率可以定位车牌。这种算法可以有效防止车牌旋转的干扰。获得变化率的代码如下：doubleCLPR:ScanLine(intx,inty,intc

18、ount)boolcurrent_foreground;current_foreground=IsForeground(x,y);intchange_times;change_times=0;intloop;for(loop=1;loopcount;loop+)if(current_foreground)if(!IsForeground(x+loop,y)change_times+;current_foreground=false;elseif(IsForeground(x+loop,y)change_times+;current_foreground=true;doubleret;ret=c

19、hange_times;ret/=(count+1);/donotdiv0returnret;三、字符分割在车牌识别过程中，车牌定位后的工作便是分割字符。本章将分若干节介绍字符分割的算法。连续点分割法对于一个数字或者字母，前景的点是连续的。用填充算法对种子点填充即可得到整个字符。当然汉字就不是了，所以这种分割算法仅仅适合数字或者字母。但是当整个车牌的数字和字母都得到之后，剩下的那个必定是汉字。这个思想用c/c+描述如下：voidLPR:Scan()inty;for(y=m_plate_top;y=m_plate_bottom;y+)intx;for(x=m_plate_left;x=0;lef

20、t_x-)if(!IsForeGround(left_x,y)|IsVisited(left_x,y)break;left_x+;for(x=left_x;x=m_width)right_x=m_width-1;left_x-;if(left_x0)left_x=0;intdown_y;down_y=y+1;if(down_ym_height)for(x=left_x;x=0)for(x=left_x;x=right_x;x+)if(IsForeGround(x,up_y)&!IsVisited(left_x,y)stackstack_length0=x;stackstack_length1=

21、up_y;stack_length+;delete(int*)stack;虽然扫描线种子填充算法，比基本的种子填充算法复杂一些，但是在车牌识别测试后发现，扫描线种子填充算法比种子填充算法要快三分之一左右。边界法边界法和连续点分割法很相似，只不过连续的边界点，而不是所有的前景点。边界法需要事先得到前景像素中的边界点，这可能会花费一些时间。但是这样会加速得到连续点的递归操作。边界点如下图：得到边界点的算法如下：voidCLPR:GetEdge()inty;for(y=0;ym_height;y+)intx;for(x=0;xm_width;x+)if(IsForeground(x,y)if(!Is

22、Foreground(x-1,y)SetEdge(x,y);elseif(!IsForeground(x+1,y)SetEdge(x,y);elseif(!IsForeground(x,y-1)SetEdge(x,y);elseif(!IsForeground(x,y+1)SetEdge(x,y);待续根据尺寸分割从理论上讲，图片和实物相比，尺寸上有了很大的变化。并不一定图片和实物几何意义上的相似。也就是说未必图像和实物成比例。但是实验证实，在一到两个像素范围内，在水平方向上，实物和图像基本上成比例。请观察下图：这个是来自于GA36-2007中华人民共和国机动车号牌的车牌尺寸说明。根据这幅图片

23、，我们可以在一定位的车牌上，找到各个字符的坐标。请看下面的代码：voidGetCharacterPosition(intcharacter_position7,intplate_left,intplate_right)staticconstintmm=3+45/2,character_position_mm0+12+45,character_position_mm1+12+10+12+45,character_position_mm2+12+45,character_position_mm3+12+45,character_position_mm4+12+45,character_positi

24、on_mm5+12+45,character_position_mm6+45/2+1,;intindex;for(index=0;indexsizeof(mm)/sizeof(mm)-1;index+)character_positionindex=plate_left+(-plate_left+plate_right)*mmindex/mmsizeof(mm)/sizeof(mm0)-1;上面的代码技巧性很大，还需大家认真揣摩。四、去除干扰干扰车牌识别的因素很多。比如车牌旋转、污染、固定螺丝和车牌边框等等。下面分小节分别介绍去除各种干扰的方法。1、去除噪音去除噪音的原理是：每一个字符，都是很

25、大的一个连续块，但是噪音确是比较小的多个连续块。通过递归算法得到每个字符中各个块的大小，保留最大的块，其余块当作噪音删掉。算法很简单，这里不再列出代码。1、去除螺丝干扰去除螺丝的工作要和字符本身的特征联系在一起。对不同的字符、相同字符不同部位的螺丝，都要分别编码。工作量很大。下面分小节举几个例子：10986等左上方螺丝如下图所示：在比较圆的9的上部出现了一个螺丝，比较明显。可以删掉，代码如下：voidCLPR:DeleteLeftUpSmallScrewCharacterRound()boolpossible_screw;intpossible_screw_start;intpossible_

26、screw_end;if(m_character_index=5)possible_screw=false;intseek;for(seek=0;seek=m_delta_x/2)possible_screw=true;break;intdelta_x;if(possible_screw)possible_screw=false;for(possible_screw_end=possible_screw_start+1;possible_screw_endm_delta_x/2)continue;intright;if(!ExpandHorizontal(right,possible_scre

27、w_end,possible_screw_end,m_max_x,SUB)continue;if(rightdelta_x/2)continue;if(possible_screw_end+4m_center_y)continue;intdistance1;distance1=HorizontalDistance(possible_screw_end,possible_screw_end);intdistance2;distance2=HorizontalDistance(possible_screw_end+2,possible_screw_end+2);intdistance3;dista

28、nce3=HorizontalDistance(possible_screw_end+4,possible_screw_end+4);if(!(distance1=distance2&distance2=distance3&distance10)continue;if(distance3delta_x*3/4)continue;intseek;for(seek=2;seek=m_delta_x/2)possible_screw=false;if(possible_screw)boolknown_letter;known_letter=false;if(!known_letter)m_min_y

29、=possible_screw_end;RecognizeCharacterAdjustVertical();以上代码拷贝自深职院张教授研发团队的车牌识别工程（索威尔在运营），实际上是2003年的版本。读者可以进行修改，并放入自己工程中。2EFT5等右上方螺丝如下图所示：在比较平的5的上部出现了一个螺丝，十分明显。删掉螺丝的代码如下：voidCLPR:RightUpSmallSideScrewCharacterWide()if(!(m_character_index=1|m_character_index=4)return;intpossible_screw_start;possible_sc

30、rew_start=RecognizeCharacterLocateVeritcalRightUpSmallSideScrewGetStart();if(possible_screw_start=-1)return;boolpossible_screw;intpossible_screw_end;possible_screw=false;intdelta_x;for(possible_screw_end=possible_screw_start+1;possible_screw_enddelta_x*0.63)intseek;for(seek=1;seek=delta_x/2)possible

31、_screw=true;break;if(possible_screw)break;if(!possible_screw)return;inty;y=possible_screw_end-1;intleft;if(ExpandHorizontal(left,y,y,m_min_x,ADD)if(leftdelta_x*0.25)return;if(possible_screw_endm_locate_up_contrack_limit)return;boolknown_letter;known_letter=false;if(!known_letter)m_min_y=possible_scr

32、ew_end;RecognizeCharacterAdjustVertical();以上代码也是比较的老版本。3、去除边框普通的车牌边框对车牌识别的准确度影响不大。但是某些车牌并不符合标准的车牌尺寸。比如下图：对于没有经过旋转的车牌，去除边框的算法很容易。在车牌定位之后，就可以估算出车牌字符的大小。如果在字符宽度范围内，都是前景的颜色，没有发生前景背景交替，那么这个连续部分必定是车牌的边框。代码如下：voidCLPR:DeleteFrame()inty;for(y=m_plate_top;y=m_plate_bottom;y+)intx;for(x=m_plate_left;x=m_plate

33、_right;x+)if(ScanLine(x,y,m_character_width*5/4)=0)SetToBackground(x,y,x+m_character_width*5/4,y);SetToBackground(x1,y1,x2,y2)将x1,y1,x2,y2组成的矩形（这里是一条水平线）里的前景变成背景。这样就删除了边框。如果车牌旋转角度不大，上述算法也同样适用，但需要在去除完边框后，再做一遍去除噪音点的操作。如果车牌旋转角度很大，需要换用其它算法。4、旋转根据车牌的旋转旋转字符车牌是个刚体，也就是说它不能发生形变。车牌的旋转角度和字符的旋转角度相同。根据车牌的旋转角度逆向旋转就可以纠正字符。对于较大的车牌，纠正旋转后的字符，识别率大大提高。对于较小的字符，纠正旋转过程可能丢失某些重要的信息，以致降低识别率。角点车牌定位方法比较容易得到车