HALCON学习----基于OCR分类器的字符识别（车牌）

本次案例来自书本《机器视觉技术基础》，第一次跟着案例编写

主要步骤如下：

代码如下所示：

*读取车辆照片
read_image(Car,'audi2')
dev_clear_window()
get_image_size(Car, Width, Height)
dev_open_window(0, 0, Width, Height, 'black', WindowHandle)
dev_display(Car)

*图片预处理
*选取车牌区域
gen_rectangle1(Rectangle, 276, 177, 344, 586)
reduce_domain(Car, Rectangle, CarReduced)

*选取数字区域
threshold(CarReduced, Region, 0, 75)
reduce_domain(CarReduced, Region, NumReduced)

*进行BLOB分析
regiongrowing(NumReduced, Regions, 1, 1, 14, 600)
connection(Regions, ConnectedRegions)
select_shape(ConnectedRegions, SelectedRegions, 'area', 'and', 150, 99999)

*对区域进行排序
sort_region(SelectedRegions, SortedRegions, 'first_point', 'true', 'row')
*读取HALCON自带的OCR分类器
read_ocr_class_mlp('Industrial_0-9A-Z_NoRej.omc',OCRHandle)
*用OCR分类器对字符进行分类
do_ocr_multi_class_mlp(SortedRegions, NumReduced, OCRHandle, Class, Confidence)

*显示信息
area_center(SortedRegions, Area, Row, Column)
for i:=0 to 6 by 1
    disp_message(WindowHandle, Class[i], 'window', 250, Column[i], 'black', 'true')
endfor

车辆图片：

显示结果：

总结：

1. 了解车牌识别（字符识别）的一些基本步骤；

2. 对于本次案例使用的算子更加熟悉：

regiongrowing算子，区域生长法，区域分割常用的一种，在图像上选取“种子”像素或者区域，以其为生长点，从领域像素开始搜寻，比较种子区域像素与领域像素的相似性，将相同或者相似性质的像素合并到种子像素所在区域内，持续以上操作，直到没有满足条件的像素为止。

regiongrowing(Image : Regions : RasterHeight, RasterWidth, Tolerance, MinSize : )

RasterHeight, RasterWidth：矩形区域的宽和高（测试像素之间的垂直距离和水平距离），一般使用奇数。

Tolerance：灰度差值的分割标准，指当像素点的灰度与种子区域的灰度值在该范围内时，则将它们合并为同一区域。

MinSize：区域输出的最小像素。

read_ocr_class_mlp( : : FileName : OCRHandle)：读取HALCON自带的OCR分类器

do_ocr_multi_class_mlp(Character, Image : : OCRHandle : Class, Confidence) 用OCR分类器对字符进行分类

后期目标：结合C#，利用C#制作一个简单界面