使用opencv的SVM和神经网络实现车牌识别(高质量的文章******)

最新推荐文章于 2024-03-17 18:18:40 发布

马卫飞

最新推荐文章于 2024-03-17 18:18:40 发布

阅读量5k

点赞数 2

分类专栏： OpenCv专栏 CV_计算机视觉 Image_Process_Note

OpenCv专栏同时被 3 个专栏收录

99 篇文章 34 订阅

订阅专栏

CV_计算机视觉

92 篇文章 15 订阅

订阅专栏

Image_Process_Note

79 篇文章 5 订阅

订阅专栏

本文转载自：http://blog.csdn.net/ap1005834/article/details/51340831

一、前言

本文参考自《深入理解OpenCV 实用计算机视觉项目解析》中的自动车牌识别项目，并对其中的方法理解后，再进行实践。深刻认识到实际上要完成车牌区域准确定位、车牌区域中字符的准确分割，字符准确识别这一系列步骤的困难。所以最后的识别效果也是有待进一步提高。

二、程序流程

程序流程如下所示：

相应的main函数如下

[cpp]view plaincopy 
   
print?
 #include "carID_Detection.h"  
   
   
 int main()  
 {      
     Mat img_input = imread("testCarID.jpg");  
     //如果读入图像失败  
     if(img_input.empty())  
     {  
         fprintf(stderr, "Can not load image %s\n", "testCarID.jpg");  
         return -1;  
     }  
   
     Mat hsvImg ;  
     cvtColor(img_input,hsvImg,CV_BGR2HSV);  
     vector<Mat> planes;  
     split(hsvImg,planes);  
     Mat sImg;  
     sImg = planes[1];  //获得红色分量  
     blur(sImg,sImg,Size(3,3));   //3*3高斯滤波  
     vector <RotatedRect>  rects_sImg;  
     posDetect(sImg ,rects_sImg);          
   
   
     Mat grayImg;  
     RgbConvToGray(img_input ,grayImg);  
     medianBlur(grayImg,grayImg,3);   //3*3中值滤波  
   
     vector <RotatedRect>  rects_grayImg;  
     posDetect(grayImg ,rects_grayImg);  
   
     vector <RotatedRect>  rects_closeImg;  //车牌区域较为贴近  
     posDetect_closeImg(sImg ,rects_closeImg);  
   
     vector <RotatedRect>  rects_optimal;  
     optimPosDetect(rects_sImg,rects_grayImg,rects_closeImg,rects_optimal);  
   
     vector <Mat> output_area;  
     normalPosArea(img_input ,rects_optimal,output_area);  //获得144*33的候选车牌区域output_area  
   
     CvSVM  svmClassifier;  
               
     svm_train(svmClassifier);  //使用SVM对正负样本进行训练  
    
     vector<Mat> plates_svm;   //需要把候选车牌区域output_area图像中每个像素点作为一行特征向量，后进行预测  
     for(int i=0;i< output_area.size(); ++i)  
     {  
         Mat img = output_area[i];  
         Mat p = img.reshape(1,1);  
         p.convertTo(p,CV_32FC1);  
         int response = (int)svmClassifier.predict( p );  
         if (response == 1)  
             plates_svm.push_back(output_area[i]);    //保存预测结果  
     }  
       
     if(plates_svm.size() != 0)    
     {  
         imshow("Test", plates_svm[0]);     //正确预测的话，就只有一个结果plates_svm[0]  
         waitKey(0);  
     }  
     else  
     {  
         std::cout<<"定位失败";  
         return -1;  
     }  
           
     //从SVM预测获得得车牌区域中分割得字符区域  
     vector <Mat> char_seg;  
     char_segment(plates_svm[0],char_seg);   
   
     //获得7个字符矩阵的相应特征矩阵  
     vector <Mat> char_feature;  
     char_feature.resize(7);  
     for (int i =0;i<char_seg.size() ;++ i)  
         features(char_seg[i], char_feature[i],5);  
   
     //神经网络训练  
     CvANN_MLP ann_classify;  
     ann_train(ann_classify, 34 ,48);   //34为样本的类别数，48为隐藏层的神经元数  
   
     //字符预测  
     vector<int>  char_result;  
     classify(ann_classify,char_feature,char_result);  
   
   
     //此函数等待按键，按键盘任意键就返回  
     svmClassifier.clear();  
   
     return 0;  
 }  

三、代码简介

本文编程没有使用类的概念，纯属面向过程编程，以下为主要使用的函数

[cpp]view plaincopy 
   
print?
 //carID_Detection.h  
 #include "opencv2/core/core.hpp"  
 #include "opencv2//highgui/highgui.hpp"  
 #include "opencv2/imgproc/imgproc.hpp"  
 #include "opencv2/ml/ml.hpp"  
 #include <time.h>  
 #include <stdlib.h>  
   
 #include <iostream>  
 using namespace std;  
   
 using namespace cv;  
   
   
 void RgbConvToGray(const Mat& inputImage,Mat & outpuImage); //rgb转为灰度  
   
   
 void posDetect(Mat &, vector <RotatedRect> &); //粗步选取候选车牌区域  
 bool verifySizes(const RotatedRect & );  //车牌区域需要满足的条件  
 void posDetect_closeImg(Mat &inputImage , vector <RotatedRect> & rects  ) ;  //考虑到车牌距离非常近的时候的情况  
 bool verifySizes_closeImg(const RotatedRect & candidate); //距离近时的车牌区域需要满足的条件       
   
   
 void optimPosDetect(vector <RotatedRect> & rects_sImg , vector <RotatedRect> & rects_grayImg, //车牌区域进一步定位  
     vector <RotatedRect> & rects_closeImg,vector <RotatedRect> & rects_optimal );  
 float calOverlap(const Rect& box1,const Rect& box2);  //计算2个矩阵的重叠比例  
   
   
 void normalPosArea(Mat &intputImg, vector<RotatedRect> &rects_optimal, vector <Mat>& output_area );  //车牌裁剪，标准化为144*33  
   
   
 void svm_train(CvSVM & );  //取出SVM.xml中的特征矩阵和标签矩阵进行训练  
   
   
 void char_segment(const Mat & inputImg,vector <Mat>&); //对车牌区域中的字符进行分割  
 bool char_verifySizes(const RotatedRect &);   //字符区域需要满足的条件  
 void char_sort(vector <RotatedRect > & in_char ); //对字符区域进行排序  
   
   
 void features(const Mat & in , Mat & out ,int sizeData);  //获得一个字符矩阵对应的特征向量  
 Mat projectHistogram(const Mat& img ,int t);             //计算水平或累计直方图，取决于t为0还是1  
   
   
 void ann_train(CvANN_MLP &ann ,int numCharacters, int nlayers); //取出ann_xml中的数据，并进行神经网络训练  
 void classify(CvANN_MLP& ann, vector<Mat> &char_feature , vector<int> & char_result); //使用神经网络模型预测车牌字符，并打印至屏幕  

[cpp]view plaincopy 
   
print?
 //carID_Detection.cpp  
   
 #include "carID_Detection.h"  
   
   
   
 void RgbConvToGray(const Mat& inputImage,Mat & outpuImage)  //g = 0.3R+0.59G+0.11B  
 {  
     outpuImage = Mat(inputImage.rows ,inputImage.cols ,CV_8UC1);    
   
     for (int i = 0 ;i<inputImage.rows ;++ i)  
     {  
         uchar *ptrGray = outpuImage.ptr<uchar>(i);   
         const Vec3b * ptrRgb = inputImage.ptr<Vec3b>(i);  
         for (int j = 0 ;j<inputImage.cols ;++ j)  
         {  
             ptrGray[j] = 0.3*ptrRgb[j][2]+0.59*ptrRgb[j][1]+0.11*ptrRgb[j][0];    
         }  
     }  
 }  
   
 void posDetect_closeImg(Mat &inputImage , vector <RotatedRect> & rects  )   //初步找到候选区域 rects  
 {  
       
     Mat img_canny;  
     Canny(inputImage, img_canny, 150, 220);  
     Mat img_threshold;  
     threshold(img_canny , img_threshold,0,255 , CV_THRESH_OTSU+CV_THRESH_BINARY); //otsu算法自动获得阈值  
   
     Mat element = getStructuringElement(MORPH_RECT ,Size(15 ,3));  //闭形态学的结构元素  
     morphologyEx(img_threshold ,img_threshold,CV_MOP_CLOSE,element);  //形态学处理  
   
     //寻找车牌区域的轮廓  
     vector< vector <Point> > contours;  
     findContours(img_threshold ,contours,CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//只检测外轮廓  
     //对候选的轮廓进行进一步筛选  
     vector< vector <Point> > ::iterator itc = contours.begin();  
   
     while( itc != contours.end())  
     {  
         RotatedRect mr = minAreaRect(Mat( *itc )); //返回每个轮廓的最小有界矩形区域  
         if(!verifySizes_closeImg(mr))  //判断矩形轮廓是否符合要求  
         {  
             itc = contours.erase(itc);  
         }  
         else       
         {  
               
             rects.push_back(mr);  
             ++itc;  
         }        
     }  
   
 }  
   
   
 bool verifySizes_closeImg(const RotatedRect & candidate)  
 {  
     float error = 0.4;  
     const float aspect = 44/14; //长宽比  
     int min = 100*aspect*100; //最小区域  
     int max = 180*aspect*180;  //最大区域  
     float rmin = aspect - aspect*error; //考虑误差后的最小长宽比  
     float rmax = aspect + aspect*error; //考虑误差后的最大长宽比  
   
     int area = candidate.size.height * candidate.size.width;  
     float r = (float)candidate.size.width/(float)candidate.size.height;  
     if(r <1)  
         r = 1/r;  
   
     if( (area < min || area > max) || (r< rmin || r > rmax)  )  
         return false;  
     else  
         return true;  
 }  
   
 void posDetect(Mat &inputImage , vector <RotatedRect> & rects  )   //初步找到候选区域 rects  
 {  
     Mat img_sobel;  
     Sobel(inputImage , img_sobel , CV_8U, 1,0,3,1,0);  
   
     Mat img_threshold;  
     threshold(img_sobel , img_threshold,0,255 , CV_THRESH_OTSU+CV_THRESH_BINARY); //otsu算法自动获得阈值  
   
     Mat element = getStructuringElement(MORPH_RECT ,Size(15 ,3));  //闭形态学的结构元素  
     morphologyEx(img_threshold ,img_threshold,CV_MOP_CLOSE,element);    
   
     //寻找车牌区域的轮廓  
     vector< vector <Point> > contours;  
     findContours(img_threshold ,contours,CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//只检测外轮廓  
     //对候选的轮廓进行进一步筛选  
     vector< vector <Point> > ::iterator itc = contours.begin();  
   
     while( itc != contours.end())  
     {  
         RotatedRect mr = minAreaRect(Mat( *itc )); //返回每个轮廓的最小有界矩形区域  
         if(!verifySizes(mr))  //判断矩形轮廓是否符合要求  
         {  
             itc = contours.erase(itc);  
         }  
         else       
         {  
             rects.push_back(mr);  
             ++itc;  
         }        
     }  
 }  
   
 bool verifySizes(const RotatedRect & candidate)  
 {  
     float error = 0.4;  
     const float aspect = 44/14; //长宽比  
     int min = 20*aspect*20; //最小区域  
     int max = 180*aspect*180;  //最大区域  
     float rmin = aspect - 2*aspect*error; //考虑误差后的最小长宽比  
     float rmax = aspect + 2*aspect*error; //考虑误差后的最大长宽比  
       
     int area = candidate.size.height * candidate.size.width;  
     float r = (float)candidate.size.width/(float)candidate.size.height;  
     if(r <1)  
         r = 1/r;  
   
     if( (area < min || area > max) || (r< rmin || r > rmax)  ) //满足该条件才认为该candidate为车牌区域  
         return false;  
     else  
         return true;  
 }  
   
 void optimPosDetect(vector <RotatedRect> & rects_sImg , vector <RotatedRect> & rects_grayImg,  
     vector <RotatedRect> & rects_closeImg,vector <RotatedRect> & rects_optimal )  
 {  
     for (int i=0;i<rects_sImg.size() ;++ i)  
     {  
         for (int j=0;j<rects_grayImg.size() ; ++j)  
         {  
             if (calOverlap(rects_sImg[i].boundingRect() , rects_grayImg[j].boundingRect()) > 0.2)  
             {  
                 if(rects_sImg[i].boundingRect().width * rects_sImg[i].boundingRect().height  
                     >= rects_grayImg[j].boundingRect().width * rects_grayImg[j].boundingRect().height)  
                     rects_optimal.push_back(rects_sImg[i]);  
                 else  
                     rects_optimal.push_back(rects_grayImg[j]);    
             }  
         }  
     }  
   
     if (rects_closeImg.size()<2 )  //只考虑1个，为了速度  
     {  
         for (int i =0;i < rects_optimal.size();++ i )  
             for (int j =0;j < rects_closeImg.size();++ j)  
             {             
                 if ((    calOverlap(rects_optimal[i].boundingRect() , rects_closeImg[j].boundingRect()) < 0.2 &&  
                     calOverlap(rects_optimal[i].boundingRect() , rects_closeImg[j].boundingRect()) > 0.05))  
                 {  
                     rects_optimal.push_back(rects_closeImg[j]);  
                 }  
             }  
     }  
   
 }  
   
 float calOverlap(const Rect& box1,const Rect& box2)  
 {  
     if (box1.x > box2.x+box2.width) { return 0.0; }  
     if (box1.y > box2.y+box2.height) { return 0.0; }  
     if (box1.x+box1.width < box2.x) { return 0.0; }  
     if (box1.y+box1.height < box2.y) { return 0.0; }  
     float colInt =  min(box1.x+box1.width,box2.x+box2.width) - max(box1.x, box2.x);  
     float rowInt =  min(box1.y+box1.height,box2.y+box2.height) - max(box1.y,box2.y);  
     float intersection = colInt * rowInt;  
     float area1 = box1.width*box1.height;  
     float area2 = box2.width*box2.height;  
     return intersection / (area1 + area2 - intersection);  
 }  
   
 void normalPosArea(Mat &intputImg, vector<RotatedRect> &rects_optimal, vector <Mat>& output_area )  
 {  
     float r,angle;  
     for (int i = 0 ;i< rects_optimal.size() ; ++i)  
     {  
         //旋转区域  
         angle = rects_optimal[i].angle;  
         r = (float)rects_optimal[i].size.width / (float) (float)rects_optimal[i].size.height;  
         if(r<1)  
             angle = 90 + angle;  
         Mat rotmat = getRotationMatrix2D(rects_optimal[i].center , angle,1);//获得变形矩阵对象  
         Mat img_rotated;  
         warpAffine(intputImg ,img_rotated,rotmat, intputImg.size(),CV_INTER_CUBIC);  
   
         //裁剪图像  
         Size rect_size = rects_optimal[i].size;  
         if(r<1)  
             swap(rect_size.width, rect_size.height);  
         Mat  img_crop;  
         getRectSubPix(img_rotated ,rect_size,rects_optimal[i].center , img_crop );  
   
         //用光照直方图调整所有裁剪得到的图像，使具有相同宽度和高度，适用于训练和分类  
         Mat resultResized;  
         resultResized.create(33,144,CV_8UC3);  
         resize(img_crop , resultResized,resultResized.size() , 0,0,INTER_CUBIC);  
         Mat grayResult;  
         RgbConvToGray(resultResized ,grayResult);  
         //blur(grayResult ,grayResult,Size(3,3));  
         equalizeHist(grayResult,grayResult);  
   
         output_area.push_back(grayResult);  
     }  
 }  
   
 void svm_train(CvSVM & svmClassifier)  
 {  
     FileStorage fs;  
   
     fs.open("SVM.xml" , FileStorage::READ);  
     Mat SVM_TrainningData;  
     Mat SVM_Classes;      
   
     fs["TrainingData"] >>SVM_TrainningData;  
     fs["classes"] >>SVM_Classes;  
     CvSVMParams SVM_params;  
     SVM_params.kernel_type = CvSVM::LINEAR;  
   
     svmClassifier.train(SVM_TrainningData,SVM_Classes ,Mat(),Mat(),SVM_params); //SVM训练模型  
     fs.release();  
 }  
   
 void char_segment(const Mat & inputImg,vector <Mat>& dst_mat)//得到20*20的标准字符分割图像  
 {  
     Mat img_threshold;  
     threshold(inputImg ,img_threshold , 180,255 ,CV_THRESH_BINARY );  
     Mat img_contours;  
     img_threshold.copyTo(img_contours);  
       
     vector < vector <Point> > contours;  
     findContours(img_contours ,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE);  
   
     vector< vector <Point> > ::iterator itc = contours.begin();  
     vector<RotatedRect> char_rects;  
       
     while( itc != contours.end())  
     {  
         RotatedRect minArea = minAreaRect(Mat( *itc )); //返回每个轮廓的最小有界矩形区域  
   
         Point2f vertices[4];  
         minArea.points(vertices);  
   
         if(!char_verifySizes(minArea))  //判断矩形轮廓是否符合要求  
         {  
             itc = contours.erase(itc);  
         }  
         else       
         {  
             ++itc;   
             char_rects.push_back(minArea);    
   
         }             
     }  
     char_sort(char_rects); //对字符排序  
   
     vector <Mat> char_mat;  
     for (int i = 0; i<char_rects.size() ;++i )  
     {  
         char_mat.push_back( Mat(img_threshold,char_rects[i].boundingRect())) ;  
   
     }  
       
     Mat train_mat(2,3,CV_32FC1);  
     int length ;  
     dst_mat.resize(7);  
     Point2f srcTri[3];    
     Point2f dstTri[3];  
   
     for (int i = 0; i< char_mat.size();++i)  
     {  
         srcTri[0] = Point2f( 0,0 );    
         srcTri[1] = Point2f( char_mat[i].cols - 1, 0 );    
         srcTri[2] = Point2f( 0, char_mat[i].rows - 1 );  
         length = char_mat[i].rows > char_mat[i].cols?char_mat[i].rows:char_mat[i].cols;  
         dstTri[0] = Point2f( 0.0, 0.0 );    
         dstTri[1] = Point2f( length, 0.0 );    
         dstTri[2] = Point2f( 0.0, length );   
         train_mat = getAffineTransform( srcTri, dstTri );  
         dst_mat[i]=Mat::zeros(length,length,char_mat[i].type());          
         warpAffine(char_mat[i],dst_mat[i],train_mat,dst_mat[i].size(),INTER_LINEAR,BORDER_CONSTANT,Scalar(0));  
         resize(dst_mat[i],dst_mat[i],Size(20,20));  //尺寸调整为20*20  
   
     }  
   
 }  
   
 bool char_verifySizes(const RotatedRect & candidate)  
 {  
     float aspect = 33.0f/20.0f;  
     float charAspect = (float) candidate.size.width/ (float)candidate.size.height; //宽高比  
     float error = 0.35;  
     float minHeight = 11;  //最小高度11  
     float maxHeight = 33;  //最大高度33  
   
     float minAspect = 0.20;  //考虑到数字1，最小长宽比为0.15  
     float maxAspect = aspect + aspect*error;  
   
     if( charAspect > minAspect && charAspect < maxAspect  
         && candidate.size.height >= minHeight && candidate.size.width< maxHeight) //非0像素点数、长宽比、高度需满足条件  
         return true;  
     else  
         return false;  
 }  
   
 void char_sort(vector <RotatedRect > & in_char ) //对字符区域进行排序  
 {  
     vector <RotatedRect >  out_char;  
     const int length = 7;           //7个字符  
     int index[length] = {0,1,2,3,4,5,6};  
     float centerX[length];  
     for (int i=0;i < length ; ++ i)  
     {  
         centerX[i] = in_char[i].center.x;  
     }  
   
     for (int j=0;j <length;j++) {  
         for (int i=length-2;i >= j;i--)  
             if (centerX[i] > centerX[i+1])  
             {  
                 float t=centerX[i];  
                 centerX[i]=centerX[i+1];  
                 centerX[i+1]=t;  
   
                 int tt = index[i];  
                 index[i] = index[i+1];  
                 index[i+1] = tt;  
             }  
     }  
       
     for(int i=0;i<length ;i++)  
         out_char.push_back(in_char[(index[i])]);  
   
     in_char.clear();     //清空in_char  
     in_char = out_char; //将排序好的字符区域向量重新赋值给in_char  
 }  
   
 void features(const Mat & in , Mat & out ,int sizeData)  
 {  
     Mat vhist = projectHistogram(in , 1); //水平直方图  
     Mat hhist = projectHistogram(in , 0);  //垂直直方图  
   
     Mat lowData;  
     resize(in , lowData ,Size(sizeData ,sizeData ));  
     int numCols = vhist.cols + hhist.cols + lowData.cols * lowData.cols;  
     out = Mat::zeros(1, numCols , CV_32F);  
   
     int j = 0;  
     for (int i =0 ;i<vhist.cols ; ++i)  
     {  
         out.at<float>(j) = vhist.at<float>(i);  
         j++;  
     }  
     for (int i=0 ; i < hhist.cols ;++i)  
     {  
         out.at<float>(j) = hhist.at<float>(i);  
     }  
     for(int x =0 ;x<lowData.rows ;++x)  
     {  
         for (int y =0 ;y < lowData.cols ;++ y)  
         {  
             out.at<float>(j) = (float)lowData.at<unsigned char>(x,y);  
             j++;  
         }  
     }  
   
 }  
   
 Mat projectHistogram(const Mat& img ,int t)  //水平或垂直直方图,0为按列统计  
 {                                            //1为按行统计  
     int sz = (t)? img.rows: img.cols;  
     Mat mhist = Mat::zeros(1, sz ,CV_32F);  
   
     for(int j = 0 ;j < sz; j++ )  
     {  
         Mat data = (t)?img.row(j):img.col(j);  
         mhist.at<float>(j) = countNonZero(data);  
     }  
   
     double min,max;  
     minMaxLoc(mhist , &min ,&max);  
   
     if(max > 0)  
         mhist.convertTo(mhist ,-1,1.0f/max , 0);  
   
     return mhist;  
 }  
   
 void ann_train(CvANN_MLP &ann ,int numCharacters, int nlayers)  
 {  
     Mat trainData ,classes;  
     FileStorage fs;  
     fs.open("ann_xml.xml" , FileStorage::READ);  
       
     fs["TrainingData"] >>trainData;  
     fs["classes"] >>classes;  
   
     Mat layerSizes(1,3,CV_32SC1);  
     layerSizes.at<int>( 0 ) = trainData.cols;  
     layerSizes.at<int>( 1 ) = nlayers; //隐藏神经元数，可设为3  
     layerSizes.at<int>( 2 ) = numCharacters; //样本类数为34  
     ann.create(layerSizes , CvANN_MLP::SIGMOID_SYM ,1,1);  //初始化ann  
   
     Mat trainClasses;  
     trainClasses.create(trainData.rows , numCharacters ,CV_32FC1);  
     for (int i =0;i< trainData.rows; i++)  
     {  
         for (int k=0 ; k< trainClasses.cols ; k++ )  
         {  
             if ( k == (int)classes.at<uchar> (i))  
             {  
                 trainClasses.at<float>(i,k)  = 1 ;  
             }  
             else  
                 trainClasses.at<float>(i,k)  = 0;           
         }         
     }  
   
     Mat weights(1 , trainData.rows , CV_32FC1 ,Scalar::all(1) );  
     ann.train( trainData ,trainClasses , weights);  
 }  
   
 void classify(CvANN_MLP& ann, vector<Mat> &char_feature , vector<int> & char_result)  
 {  
     char_result.resize(char_feature.size());  
     for (int i=0;i<char_feature.size(); ++i)  
     {  
         Mat output(1 ,34 , CV_32FC1); //1*34矩阵  
         ann.predict(char_feature[i] ,output);  
         Point maxLoc;  
         double maxVal;  
         minMaxLoc(output , 0 ,&maxVal , 0 ,&maxLoc);  
         char_result[i] =  maxLoc.x;  
     }  
   
     std::cout<<"该车牌后6位为：";  
     char  s[] = {'0','1','2','3','4','5','6','7','8','9','A','B',  
         'C','D','E','F','G','H','J','K','L','M','N','P','Q',  
         'R','S','T','U','V','W','X','Y','Z'};  
     for (int i=1;i<char_result.size(); ++i)   //第一位是汉字，这里没实现对汉字的预测  
     {  
         std::cout<<s[char_result[i]];  
     }  
     std::cout<<'\n';  
 }  

四、关于SVM.xml与ann_xml.xml

SVM.xml中保存的是用于SVM训练的训练矩阵和类别矩阵数据，标签为"TrainingData"对应训练矩阵，为195*4752大小，195表示有195个训练样本，4752表示每个样本的特征向量维度，因为每个图片大小为144*33，将其转为一行，也即将每个像素值都作为一个特征值，则可得到4752个特征值，保存为1行，所使用的样本图片有75个正样本和120个负样本，保存如下：

标签为"classes"对应类别矩阵，为195*1矩阵，前75个值对应正样本为1.0，后120个值对应负样本为-1.0。

同理，ann_xml.xml保存的是用于神经网络训练的数据，标签为"TrainingData"对应训练矩阵，为1700*65大小，1700表示训练样本数，因为车牌字符有34类，每类有50个，故总数1700，65为每个样本提取的特征向量。标签为"classes"对应类别矩阵，为1700*1大小，标记负样本数是哪一类的，训练样本取自

五、结果及分析

勉强找到2张图片，可以完整地识别出车牌的后6为字符，效果如下。

故该系统的性能仍有待提升，不过我认为在车牌定位方面可以有所改进，采用其他更好的车牌定位算法会更好，以及可以增加神经网络的训练样本。

六、完整代码文件下载

下载链接为：http://download.csdn.NET/detail/ap1005834/9513328

马卫飞

关注

2
点赞
踩
26

收藏

觉得还不错? 一键收藏
1
评论
使用opencv的SVM和神经网络实现车牌识别(高质量的文章******)

本文转载自：http://blog.csdn.net/ap1005834/article/details/51340831一、前言本文参考自《深入理解OpenCV 实用计算机视觉项目解析》中的自动车牌识别项目，并对其中的方法理解后，再进行实践。深刻认识到实际上要完成车牌区域准确定位、车牌区域中字符的准确分割，字符准确识别这一系列步骤的困难。所以最后的识别效果也是有待进一步提
复制链接

扫一扫