[转载]老调重弹：车牌识别

学海无涯GL 2014-02-28

展开全文

　　最近一年来忙于研发任务，不得不放下Silverlight 3D的学习。研发中要求逐步解决车牌图像识别、重车桥数（主要用于进行超载检测）图像识别和部分矿种的图像识别。本次将介绍车牌的图像识别。

　　其实车牌图像识别从技术上已经比较成熟，从理论上来说无外乎就是如下几个步骤：

　　灰度化：实际就是对原始车牌图片进行预处理，把彩色图片转化为黑白图片，然后对不符合指定阙值范围的灰度值进行过滤。
　　车牌定位：这是技术难点之一，根据我的经验，定位车牌位置对于车牌的准确识别而言实际上就成功了60%。很多车牌识别的产品都对车牌的定位预留了很多配置参数，例如截取原始图片的位置参数、车牌的长宽比例、大小等等，这些都是为了提高车牌定位的准确率。
　　字符分割：车牌定位后是字符分割，本人使用的识别过程是：对定位的车牌位置进行降噪处理=>边界模糊=>从右向左找出前6个封闭的图形=>剩余的封闭图形综合为一个图形进行汉字的识别。
　　字符识别：就是根据字符模板进行模板匹配，因此需预先建立相应的字符模板。基于图像进行字符识别也可配置很多参数来大大提高字符的识别率。例如限定车牌头的字符，车牌各位字符的识别优先级等等。

　　以下通过大车黄牌号码为例，看看车牌识别的效果。
　　1、原始图片如下图所示：

　　2、限定车牌识别区域，本例中将裁剪掉上下左右各10%的区域：

get_image_pointer1 (FullImage, Pointer, Type, Width, Height)
gen_rectangle1 (Rectangle, Height*0.1, Width*0.1, Height*0.9, Width*0.9)
reduce_domain (FullImage, Rectangle, Image)

　　看看裁剪结果：

　　3、把选中的区域灰度化，方便后续处理：

decompose3 (Image, Red, Green, Blue)
trans_from_rgb (Red, Green, Blue, Hue, Saturation, Intensity, 'hsv')

　　灰度化后的效果图：

　　4、灰度阙值过滤，本例中只选中灰度值在100至255之间的区域，可根据实际情况进行相应的设置，然后进行降噪处理：

threshold (Saturation, HighSaturation, 100, 255)
remove_noise_region (HighSaturation, OutputRegion, 'n_48')

　　过滤降噪后的效果，和实际的位置很接近了吧！

　　5、根据预定义的车牌长宽比例等查找符合特定特征的区域：

代码

connection (OutputRegion, ConnectedRegions1)
closing_rectangle1 (ConnectedRegions1, RegionClosing1, 10, 10)
select_shape (RegionClosing1, ASelectedRegions, 'area', 'and', 3000, 9000)
select_shape (ASelectedRegions, HSelectedRegions, 'height', 'and', 30, 90)
select_shape (HSelectedRegions, SelectedRegions, 'width', 'and', 60, 180)

　　效果图如下，分割成了多个区域哈：

　　6、呈现出车牌区域的灰度化图像：

reduce_domain (Hue, SelectedRegions, HueHighSaturation)

　　效果如下，是不是和实际位置一致啊！

　　7、对上述车牌的精确区域进行阙值过滤，主要是为了去掉车牌周围的黑色边框：

threshold (HueHighSaturation, Region, 30, 50)

　　效果图如下：

8、填充有字符而没有在上述算法中被选中的内部区域：

closing_rectangle1 (Region, RegionFillUp, 20, 20)

填充后的相关效果图如下：

9、根据选中的上述区域，从原始图片中加载该区域：

reduce_domain (Image, RegionFillUp, TruckTagImage)

效果图如下，车牌又出现了哈

10、确定识别区域字符的偏移角度，根据摄像机位置的不同其倾斜度也会有所不同（根据分割算法的不同，其实此步骤可以省略）：

connection (RegionFillUp, ConnectedReducedRegions)
text_line_orientation (ConnectedReducedRegions, TruckTagImage, 30, -0.523599, 0.523599, OrientationAngle)

11、显示真实的车牌位置图像，主要是方便调试：

dev_display (TruckTagImage)

效果图如下：

12、进行字符分割，过滤掉非字符区域：

代码

segment_characters (RegionFillUp, TruckTagImage, ImageForeground, RegionForeground, 'local_auto_shape', 'false', 'false', 'medium', 12, 30, 2, 10, UsedThreshold)
select_characters (RegionForeground, RegionCharacters, 'false', 'medium', 12, 30, 'false', 'false', 'variable_width', 'false', 'medium', 'false', 15, 'completion')
closing_rectangle1 (RegionCharacters, RegionCharactersClosing, 1, 2)

效果图如下，是不是离真正的识别又跟进了一步哈！

13、根据各个分割的区域的左上角坐标排序（主要是方便从右向左依次进行字符识别）：

connection (RegionCharactersClosing, ConnectedRegionCharactersClosing)
sort_region (ConnectedRegionCharactersClosing, SortedRegions, 'first_point', 'false', 'column')

14、显示分割的字符区域的效果图，怎么样？字符分割成功了吧！：

15、加载字符模板，从右向左依次进行字符识别，并把识别结果绘制到对应字符位置的上方： <./p>

代码

read_ocr_class_mlp ('D:/MVTec/HALCON/ocr/Industrial_0-9.omc', OCRHandle)
for Index := 1 to 5 by 1
    if (Number>=Index)
        SelectedSortedRegion := SortedRegions[Index]
        do_ocr_single_class_mlp (SelectedSortedRegion, Image, OCRHandle, 1, Class, Confidence)
        smallest_rectangle1 (SelectedSortedRegion, Row1, Column1, Row2, Column2)
        set_tposition (WindowID, Row1 - 30, (Column2 + Column1) * 0.5 - 5)
        write_string (WindowID, Class[0])
        dev_display (SelectedSortedRegion)
    endif
endfor
clear_ocr_class_mlp (OCRHandle)
if (Number>5)
    read_ocr_class_mlp ('D:/MVTec/HALCON/ocr/Industrial_0-9A-Z.omc', OCRHandle)
    SelectedSortedRegion := SortedRegions[6]
    do_ocr_single_class_mlp (SelectedSortedRegion, Image, OCRHandle, 1, Class, Confidence)
    smallest_rectangle1 (SelectedSortedRegion, Row1, Column1, Row2, Column2)
    set_tposition (WindowID, Row1 - 30, (Column2 + Column1) * 0.5 - 5)
    write_string (WindowID, Class[0])
    clear_ocr_class_mlp (OCRHandle)
    dev_display (SelectedSortedRegion)
endif

相关效果图如下，字符识别的准确度挺高嘛！