文档介绍：蚂车牌识别源代码部份流程(供参考一)袂2009年12月21日星期一09:11薈     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。螇   蒂      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)。虿下面将分五章具体介绍每一个模块。蚇一、二值化膆二值化是车牌识别的第一步。二值化前后的对比如下图:膂蚁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:聿voidCLPR::Binary(intthreshold)薆{羃inty;螂for(y=0;y<m_height;y+++)膇{羅intx;蚃for(x=0;x<m_width;x++)蕿{薀unsignedcharred,green,blue;蒅GetPixel(red,green,blue,x,y);蒃intbright;薁bright=red+green;蚈if(m_search_blue_plate)袄{膄if(bright<=threshold)蚂SetBinary(x,y,BACKGROUND);螇else薇SetBinary(x,y,FOREGOUND);袄}葿else//wearesearchingyellowplate腿{羇if(bright>=threshold)蚅SetBinary(x,y,FOREGOUND);薁else芇SetBinary(x,y,BACKGROUND);莆}膁}薂}薀}袅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。袁1、OTSU算法莀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。螈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。芅OTSU算法仅对直方图呈双峰分布的图像有效。蚂全部代码如下:蒁voidLPR::OTSU()袆{蚄//直方图统计莂{蒂intindex;腿for(index=0;index<m_bright_level_count;index++)肃m_pixel_number[index]=0;肂}芀{莇inty;螇for(y=0;y<=m_height;y++)袃{莁intx;蚀for(x=0;x<=m_width;x++)芆{薃intbright;膈bright=Bright(x,y);螈m_pixel_number[bright]++;蚆}莄}膀}羆//真正求阈值肅doublesum;肄sum=0;芁intn;艿n=0;蒄intk;袄for(k=0;k<=(m_bright_level_count-1);k++)聿{莇sum+=k*m_pixel_number[k];羄n+=m_pixel_number[k];薅}膀doublec_sum;蝿c_sum=;蚇doublef_max;肁f_max=-;膁intn1;袈n1=0;肇for(k=0;k<(m_bright_level_count-1);k++)螁{罿n1+=m_pixel_number[k];羆if(n1==0)蒆continue;薂intn2;肀n2=n-n1;荿if(n2==0)袅break;节c_sum+=(double)k*m_pixel_number[k];肁doublem_1,m_2;蒇m_1=c_sum/n1;莅m_2=(sum-c_sum)/n2;肃doublesb;衿sb=(m_1-m_2)*(m_1-m_2)*(double)n1*(double)n2;衿if(f_max<sb)螄{螃f_max=sb;羀m_prepare_threhold=(int)(k+);羈}蒇}蒃}羂2、Matlab算法肆使用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:袇I=imread('