基於OpenCV的車牌識別 2 車牌字元識別

3）車牌字元切割

a. 閾值濾波，使用cv_thresh_binary引數通過把白色值變為黑色，黑色值變為白色來實現閾值輸出的反轉，因為需要獲取字元的輪廓，而輪廓的演算法尋找的是白色畫素；

b. 查詢輪廓；

c. 驗證輪廓是否為字元，去除那些規格太小的或者寬高比不正確的區域。字元是45/77的寬高比，允許0.35的誤差。如果乙個區域面積高於80%（就是畫素大於0的超過80%），則認為這個區域是乙個黑色塊，不是字元。

/* charslicer.cpp */
#include #include using namespace std;
using namespace cv;
//包圍字元的矩形篩選
bool chardetection(mat rect)
void platechar(mat srcimg)
} imshow("矩形包圍字元", oriimg);
}

4）車牌字元分類

a. 提取**字元的特徵，建立字元特徵矩陣（水平和垂直累積直方圖、低解析度影象5*5）建立乙個m列的矩陣，矩陣的每一行的每一列都是特徵值水平累加直方圖構造的特徵，垂直方向構造的特徵，低分辨影象構造的特徵）；

b.人工神經網路ann分類。

/* charclassification.cpp */
#include #include using namespace std;
using namespace cv;
using namespace ml;
const int horizontal = 1;
const int vertical = 0;
const int numchar = 30;
const char strcharacters[numchar] = ;
//獲得水平或者垂直方向的累加直方圖
mat projectedhistogram(mat img, int flag)
double min, max;
/*void minmaxloc(inputarray src, double* minval, double* maxval=0,
point* minloc=0, point* maxloc=0, inputarray mask=noarray())*/
minmaxloc(phist, &min, &max);//獲得各行的非0畫素數量最大值
if (max > 0) }
//建立特徵矩陣
mat featuremat(mat img, int size)
for (int i = 0; i < hhist.cols; i++)
for (int i = 0; i < lowimg.cols; i++) }
return featmat;
}int trainann(mat trainmat, mat classesmat, int hnn, mat featmat)
} ptrtraindata = traindata::create(trainmat, row_sample, classesdata);
//2.建立ann模型
ptrann = ann_mlp::create();
//3.設定神經網路的層數和神經元數量
/* setlayersizes(inputarray _layer_sizes); */
mat layersizes(1, 3, cv_32sc1);
layersizes.at(0) = trainmat.cols;//輸入層神經元數量
layersizes.at(1) = hnn;//隱層神經元數量
layersizes.at(2) = numchar;//輸出層神經元數量=10個數字+20個字元
ann->setlayersizes(layersizes);
//4.設定啟用函式
/* setactivationfunction(int type, double param1 = 0, double param2 = 0); */
ann->setactivationfunction(ann_mlp::sigmoid_sym, 1, 1);
//5.訓練模型 
/*samples - 訓練樣本; layout - 訓練樣本為 「行樣本」 row_sample 或 「列樣本」 col_sample;
result - 對應樣本資料的分類結果*/
/* train(inputarray samples,int layout,inputarray results)*/
ann->train(traindata);
//6.**，結果為行向量
mat result(1, numchar, cv_32fc1);
ann->predict(featmat, result);
//7.獲得輸出矩陣的最大值
point maxloc;
double maxval;
minmaxloc(result, 0, &maxval, 0, &maxloc);
return maxloc.x;
}void annclassifier(mat charimg)

/* main.cpp */
#include #include #include "platedetection.h"
using namespace std;
using namespace cv;
int main(int argc, int ** argv)

所有知識：

1. ostu方法又名最大類間差方法(大津法)，通過統計整個影象的直方圖特性來實現全域性閾值t的自動選取，其演算法步驟為：

1) 先計算影象的直方圖，即將影象所有的畫素點按照0~255共256個bin，統計落在每個bin的畫素點數量；

2) 歸一化直方圖，也即將每個bin中畫素點數量除以總的畫素點；

3) i表示分類的閾值，也即乙個灰度級，從0開始迭代；

4) 通過歸一化的直方圖，統計0~i 灰度級的畫素(假設畫素值在此範圍的畫素叫做前景畫素) 所佔整幅影象的比例w0，並統計前景畫素的平均灰度u0；統計i~255灰度級的畫素(假設畫素值在此範圍的畫素叫做背景畫素) 所佔整幅影象的比例w1，並統計背景畫素的平均灰度u1；

5) 計算前景畫素和背景畫素的方差 g = w0*w1*(u0-u1) (u0-u1)；

6) i++；轉到4)，直到i為256時結束迭代；7）將最大g相應的i值作為影象的全域性閾值t；

2.opencv影象的深度和通道：cv_(s|u|f)c

s = 符號整型 u = 無符號整型 f= 浮點型

cv_8uc1 是指乙個8位無符號整型單通道矩陣

cv_32fc2是指乙個32位浮點型雙通道矩陣

其中，通道表示每個點能存放多少個數，類似於rgb彩色圖中的每個畫素點有三個值，即三通道。中的深度表示每個值由多少位來儲存，是乙個精度問題，一般是8bit（位）的，則深度是8。

1. 《深入理解opencv實用計算機視覺專案解析》第五章基於svm和神經網路的車牌識別

2. 毛星雲等編著《opencv3程式設計入門》

3. 基於svm和神經網路的的車牌識別 csdn系列部落格：

4. opencv中的神經網路：

5. 影象處理中的仿射變換：

6. 累加直方圖：

7. ostu大津法：

基於OpenCV的車牌識別 2 車牌字元識別

車牌識別與車聯網的關係及車牌識別的應用！

車牌識別之一車牌定位

基於EasyPR的車牌識別android實現

基於OpenCV的車牌識別 2 車牌字元識別

車牌識別與車聯網的關係及車牌識別的應用！

車牌識別之一 車牌定位

基於EasyPR的車牌識別android實現

相關推薦

車牌識別之一車牌定位