车牌角度校正.docVIP

function [picbw_xz,angle_xz]=radon(temparea_gray)%temparea_gray=rgb2gray(temparea);[height,width]=size(temparea_gray);level=ostugetT(temparea_gray,height,width);picbw=im2bw(temparea_gray,level/255.0);%figure(1);imshow(picbw);sum_xz=zeros(21,height);total_xz=zeros(1,21);max_total=0;for angle=-5:5picbw_temp = imrotate(picbw,angle,crop);t=angle+11;%%for i=1:height sum_xz(t,i)=0; for j=1:width sum_xz(t,i)=sum_xz(t,i)+picbw_temp(i,j); endendtotal_xz(t)=0;for i=1:height-1 total_xz(t)=total_xz(t)+abs( sum_xz(t,i)-sum_xz(t,i+1) ); endif total_xz(t)max_total angle_xz=angle; picbw_xz=picbw_temp; max_total=total_xz;endend 最小二乘我没用过；倾斜校正用得比较多的是hough变换和randon变换；hough变换必须得在车牌二值化的时候出现边框，要是粗定位没有边框或本来车牌边框不明显就没辙了。所以貌似radon变换比较靠谱；也叫旋转投影法，鲁棒性也比较好。我现在用的是改进的radon变换，以检测投影值的一阶导数累加值为基础。你可以先看看相关论文下面是我的radon变换子程序，你可以参考一下function [picbw_xz,angle_xz]=radon(temparea_gray)%temparea_gray=rgb2gray(temparea);[height,width]=size(temparea_gray);level=ostugetT(temparea_gray,height,width);picbw=im2bw(temparea_gray,level/255.0);%figure(1);imshow(picbw);sum_xz=zeros(21,height);total_xz=zeros(1,21);max_total=0;for angle=-5:5picbw_temp = imrotate(picbw,angle,crop);t=angle+11;%%for i=1:height sum_xz(t,i)=0; for j=1:width sum_xz(t,i)=sum_xz(t,i)+picbw_temp(i,j); endendtotal_xz(t)=0;for i=1:height-1 total_xz(t)=total_xz(t)+abs( sum_xz(t,i)-sum_xz(t,i+1) ); endif total_xz(t)max_total angle_xz=angle; picbw_xz=picbw_temp; max_total=total_xz;endend 字符识别的话用BP神经网络好了，简单。下面这段是用来训练神经网络的，BP网络的基础知识是必须的啊忍忍多看两遍就理解了。文件夹下面有1～199张阿拉伯数字的样本图片，循环送到MATLAB中保存32×16×200的特征值，并与输出教师信号t对应,存在num_PT里头。然后送到matlab的神经网络工具箱里面去训练。（相关资料百度文库里面也有）最后保存网络 % 引自《神经网络模型及其MATLAB仿真程序设计》一书P94～98% 生成输入向量和目标向量clear all;LOADING......for kk = 0:199 m=strcat(use_num\,int2str(kk),.jpg);% x=imread(m,jpg); %依次输入训练字符。 bw1=im2bw(x,0.5); %用0.5阈值进行二值化 for m=0:15 p(m*32+1:(m+1)*32,kk+1)=bw1(1:32,m+1); end switch kk case{0,1,2,