没有合适的资源?快使用搜索试试~ 我知道了~
车牌识别源代码部份流程供参考一.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 43 浏览量
2021-09-14
20:15:31
上传
评论
收藏 787KB PDF 举报
温馨提示
试读
30页
。。。
资源推荐
资源详情
资源评论
车牌识别源代码部份流程(供参考一)
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:
void CLPR::Binary(int threshold)
{
int y;
for(y=0;y<m_height;y+++)
{
int x;
for(x=0;x<m_width;x++)
{
unsigned char red,green,blue;
GetPixel(red,green,blue,x,y);
int bright;
bright=red+green;
if(m_search_blue_plate)
{
if(bright<=threshold)
SetBinary(x,y,BACKGROUND);
else
SetBinary(x,y,FOREGOUND);
}
else //we are searching yellow plate
{
if(bright>=threshold)
SetBinary(x,y,FOREGOUND);
else
SetBinary(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 算法仅对直方图呈双峰分布的图像有效。
全部代码如下:
void LPR::OTSU()
{
//直方图统计
{
int index;
for(index=0;index<m_bright_level_count;index++)
m_pixel_number[index]=0;
}
{
int y;
for(y=0;y<=m_height;y++)
{
int x;
for(x=0;x<=m_width;x++)
{
int bright;
bright=Bright(x,y);
m_pixel_number[bright]++;
}
}
}
//真正求阈值
double sum;
sum=0;
int n;
n=0;
int k;
for(k=0;k<=(m_bright_level_count-1);k++)
{
sum+=k*m_pixel_number[k];
n+=m_pixel_number[k];
}
double c_sum;
c_sum=0.0;
double f_max;
f_max=-1.0;
int n1;
n1=0;
for(k=0;k<(m_bright_level_count-1);k++)
{
n1+=m_pixel_number[k];
if (n1==0)
continue;
int n2;
n2=n-n1;
if(n2==0)
break;
c_sum+=(double)k*m_pixel_number[k];
double m_1,m_2;
m_1=c_sum/n1;
m_2=(sum-c_sum)/n2;
double sb;
sb=(m_1-m_2)*(m_1-m_2)*(double)n1*(double)n2;
if (f_max<sb)
{
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=120
I1=im2bw(I,120/255);
% im2bw 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:
void LPR::GetConere()
{
int y;
for(y=0;y<m_height;y++)
{
int x;
for(x=0;x<m_width;x++)
{
if(Line(x,y,x+4,y)>=3)
{
if(Line(x,y,x,y+4)>=3)
{
if(Line(x+1,y+1,x+4,y+4)<=1)
Add(x,y,LEFT_TOP_CONNER);
}
if(Line(x,y,x,y-4)>=3)
{
if(Line(x+1,y-1,x+4,y-4)<=1)
Add(x,y,LEFT_DOWN_CONNER);
}
}
if(Line(x,y,x-4,y)>=3)
{
if(Line(x,y,x,y+4)>=3)
{
if(Line(x-1,y+1,x-4,y+4)<=1)
Add(x,y,RIGHT_TOP_CONNER);
}
if(Line(x,y,x,y-4)>=3)
{
if(Line(x-1,y-1,x-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
剩余29页未读,继续阅读
资源评论
苦茶子12138
- 粉丝: 1w+
- 资源: 6万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 三次样条插值在C语言如何实现步骤介绍.docx
- SD6084电流模式同步降压转换器固定频率1.5MHz二极管封装SOT23-5
- NokoPrint-wifi蓝牙USB连接打印机[安卓免费App]
- 20211115aMmF9NbS.zip
- 解线性方程组-直接解法:(Gauss)高斯消去法、列主元、全主元 - 北太天元
- MapReduce单词统计 hadoop集群
- 深度学习源码神经网络新闻分类多分类问题ipynb源码带数据集
- 深度学习源码神经网络用预训练的卷积神经网络ipynb源码带数据集
- 深度学习源码神经网络使用词嵌入ipynb源码带数据集
- 深度学习源码神经网络使用LSTM生成文本ipynb源码带数据集
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功