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

int x;

for(x=0;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

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

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

int x;

for(x=0;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