基于halcon的车牌的图像识别_整理..docx

基于halcon的车牌的图像识别　　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