文档介绍：羆车牌识别源代码部份流程(供参考一)薇2009年12月21日星期一09:11膂     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。袁   虿      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)。肃下面将分五章具体介绍每一个模块。芃一、二值化羀二值化是车牌识别的第一步。二值化前后的对比如下图:聿袃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:肁voidCLPR::Binary(intthreshold)肈{薈inty;薄for(y=0;y<m_height;y+++)肂{莁intx;羇for(x=0;x<m_width;x++)芄{膄unsignedcharred,green,blue;蕿GetPixel(red,green,blue,x,y);莇intbright;肅bright=red+green;羁if(m_search_blue_plate)袁{螆if(bright<=threshold)螅SetBinary(x,y,BACKGROUND);羂else羀SetBinary(x,y,FOREGOUND);葿}薅else//wearesearchingyellowplate肄{膈if(bright>=threshold)罿SetBinary(x,y,FOREGOUND);芆else袁SetBinary(x,y,BACKGROUND);蒀}莈}肆}袂}蕿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。螈1、OTSU算法螇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。羄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。羁OTSU算法仅对直方图呈双峰分布的图像有效。膇全部代码如下:薇voidLPR::OTSU()螁{肀//直方图统计蚆{羃intindex;袂for(index=0;index<m_bright_level_count;index++)膈m_pixel_number[index]=0;肆}螄{袄inty;薀for(y=0;y<=m_height;y++)蝿{蒄intx;蚁for(x=0;x<=m_width;x++)虿{膈intbright;芄bright=Bright(x,y);螃m_pixel_number[bright]++;肁}薈}羅}螄//真正求阈值腿doublesum;肇sum=0;蚅intn;薁n=0;薂intk;蒇for(k=0;k<=(m_bright_level_count-1);k++)蒆{蚃sum+=k*m_pixel_number[k];蚀n+=m_pixel_number[k];袆}膆doublec_sum;蚄c_sum=;蝿doublef_max;蕿f_max=-;羆intn1;蒁n1=0;膁for(k=0;k<(m_bright_level_count-1);k++)罿{蚇n1+=m_pixel_number[k];薃if(n1==0)艿continue;蒈intn2;膃n2=n-n1;蚄if(n2==0)蚂break;袇c_sum+=(double)k*m_pixel_number[k];袃doublem_1,m_2;蒂m_1=c_sum/n1;螀m_2=(sum-c_sum)/n2;芇doublesb;蚄sb=(m_1-m_2)*(m_1-m_2)*(double)n1*(double)n2;蒃if(f_max<sb)袈{螆f_max=sb;莄m_prepare_threhold=(int)(k+);薄}芁}膆}膅2、Matlab算法莂使用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:荿I=imread('