Matlab在图像处理与目标识别方面的应用实验 —— 二、汽车牌照定位与字符识别

最新推荐文章于 2024-07-01 21:11:05 发布

hbclc

最新推荐文章于 2024-07-01 21:11:05 发布

阅读量2.8k

点赞数 1

分类专栏：模式识别（车牌识别）文章标签： matlab 图像处理 plot fft string 图形

模式识别（车牌识别）专栏收录该内容

26 篇文章 1 订阅

订阅专栏

Matlab在图像处理与目标识别方面的应用实验 —— 二、汽车牌照定位与字符识别
作者：林健（北京理工大学计算机科学技术学院）
指导教师：尚斐（北京理工大学医学图像实验室）

对于汽车牌照定位和数字识别，通过高通滤波，得到所有的边缘；对边缘细化，找出所有封闭的边缘；对封闭边缘求多边形逼近，在逼近后的所有四边形中，找出尺寸与牌照大小相同的，牌照被定位。对牌照区域中细化后的图形对象计算傅立叶描述子，用预先定义好的决策函数，对描述子进行计算，判断数字是几。
注意，由于BLOG功能的原因，这里无法显示图片。您可以下载Word原文档（包含m源文件和相关图片）。下载地址： http://disk.linjian.cn

二、汽车牌照定位与字符识别

待处理的图像如下所示。图像整体比较清晰干净，车牌方向端正，字体清楚，与周围颜色的反差较大。

要定位汽车牌照并识别其中的字符，我们采用Matlab平台提供的一些图像处理函数,以傅立叶变换通过字符模板与待处理的图像匹配为核心思想。基本方法如下：

1、读取待处理的图像，将其转化为二值图像。经试验，采用门限值为0.2附近时车牌字符最为清楚，杂点最少（如下左图）。

I = imread('car.jpg');

I2 = rgb2gray(I);

I4 = im2bw(I2, 0.2);

2、去除图像中面积过小的，可以肯定不是车牌的区域。

bw = bwareaopen(I4, 500);

3、为定位车牌，将白色区域膨胀，腐蚀去无关的小物件，包括车牌字符（如下右图）。

se = strel('disk',15);

bw = imclose(bw,se);

4、此时车牌所在白色连通域已清晰可见，但在黑色区域以外，是一个更大的白色连通域，将车牌所在连通域包围了。有必要将其填充。

bw = imfill(bw,[1 1]);

5、查找连通域边界。同时保留此图形，以备后面在它上面做标记。

[B,L] = bwboundaries(bw,4);

imshow(label2rgb(L, @jet, [.5 .5 .5]))

hold on

for k = 1:length(B)

boundary = B{k};

plot(boundary(:,2),boundary(:,1),'w','LineWidth',2)

end

6、找出所有连通域中最可能是车牌的那一个。判断的标准是：测得该车牌的长宽比约为4.5:1，其面积和周长存在关系：(4.5×L×L)/(2×(4.5＋1)×L)²≈1/27，以此为特征，取metric=27*area/perimeter^2作为连通域的匹配度，它越接近1，说明对应的连通域越有可能是4.5:1的矩形。

% 找到每个连通域的质心

stats = regionprops(L,'Area','Centroid');

% 循环历遍每个连通域的边界

for k = 1:length(B)

% 获取一条边界上的所有点

boundary = B{k};

% 计算边界周长

delta_sq = diff(boundary).^2;

perimeter = sum(sqrt(sum(delta_sq,2)));

% 获取边界所围面积

area = stats(k).Area;

% 计算匹配度

metric = 27*area/perimeter^2;

% 要显示的匹配度字串

metric_string = sprintf('%2.2f',metric);

% 标记出匹配度接近1的连通域

if metric >= 0.9 && metric <= 1.1

centroid = stats(k).Centroid;

plot(centroid(1),centroid(2),'ko');

% 提取该连通域所对应在二值图像中的矩形区域

goalboundary = boundary;

s = min(goalboundary, [], 1);

e = max(goalboundary, [], 1);

goal = imcrop(I4,[s(2) s(1) e(2)-s(2) e(1)-s(1)]);

end

% 显示匹配度字串

text(boundary(1,2)-35,boundary(1,1)+13,...

metric_string,'Color','g',...

'FontSize',14,'FontWeight','bold');

end

图示为找到的各个连通区域，中部被标记“○”的矩形匹配度为0.99，是最可能的区域。下边是由它确定的二值图像中的车牌区域：

7、将车牌图像反白处理，并扩充为256×256的方阵（如下左图），以便下面傅立叶变换中矩阵旋转运算的进行。

goal = ~goal;

goal(256,256) = 0;

figure;

imshow(goal);

8、从文件读取一个字符模板（以“P”为例，模板图像直接从上述二值图像中截取得到）。对图像计算傅立叶描述子，用预先定义好的决策函数对描述子进行计算。变换后的图像中，亮度的高低指示相应区域与模板的匹配程度（如下中图）。

w = imread('P.bmp');

w = ~w;

C=real(ifft2(fft2(goal).*fft2(rot90(w,2),256,256)));

9、通过检查C的最大值，试验确定一个合适的门限（这里240比较合适），显示亮度大于该门限的点，也就是与模板的匹配程度最高的位置（如下右图）。

thresh = 240;

figure;

imshow(C > thresh);

对照左右两图，可以说明字符“P”被识别和定位了。同样的方法，可以识别和定位其它字符。

这种方法总体上比较容易理解，Matlab的函数隐藏了傅立叶变换等复杂的计算。缺点：在定位车牌方面，程序专门按本题给定图像的特点设计，没有普适性。字符识别方面，仅能识别与给定模板基本一致的字符。车牌大小、角度、光线、完整性、清晰度发生变化后，就无法识别了。同时对于“8”与“B”这样相似的字符，识别时常常混淆。