车牌识别源代码部份流程

《车牌识别源代码部份流程》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、车牌识别源代码部份流程(供参考一)2009年12月21日星期一09:11     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

2、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;y

3、ed+green;if(m_search_blue_plate){if(bright<=threshold)SetBinary(x,y,BACKGROUND);elseSetBinary(x,y,FOREGOUND);}else//wearesearchingyellowplate{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

4、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：voidLPR::OTSU(){//直方图统计{intindex;for(index=0;index

5、y++){intx;for(x=0;x<=m_width;x++){intbright;bright=Bright(x,y);m_pixel_number[bright]++;}}}//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_pixel_number[k];n+=m_pixel_number[k];}doublec_sum;c_sum=0.0;doublef_max;f_max=-1.0;intn1;n1=0;for(k=0;k<(m_bright

6、_level_count-1);k++){n1+=m_pixel_number[k];if(n1==0)continue;intn2;n2=n-n1;if(n2==0)break;c_sum+=(double)k*m_pixel_number[k];doublem_1,m_2;m_1=c_sum/n1;m_2=(sum-c_sum)/n2;doublesb;sb=(m_1-m_2)*(m_1-m_2)*(double)n1*(double)n2;if(f_max

7、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);%im2bw函数需要将灰度值转换到[0,1]范围内figure,imshow(I1);