基于opencv实现车牌号识别之失败作品

简介

　　在csdn上发现了一个http://blog.csdn.net/maotoula/article/details/7680716 ，上面有分析对于一个车牌的识别过程。于是跟着这个流程分析，自己利用opencv
来代码实现了一遍。

图像预处理

　　首先拿到如下的车牌照片:

　　接着对它进行一些预处理，这里做的是简单的将它灰阶二值化:

 uchar* ptr = img_2.ptr(0);  
 
/********************************************************************/
    for(int i = 0; i < width; i++){
        for(int j=0;j<height;j++){  
            s = cvGet2D(&pI,i,j);
            int grayScale = (int)(s.val[0]*0.299 + s.val[1]*0.587 + s.val[2]*0.114);
            ptr[i*height+j] = grayScale;
        }
    }   
    cv::namedWindow("img_2");
    cv::imshow("img_2",img_2);
/*********************************************************************/
    for(int i = 0; i < width; i++){
        for(int j=0;j<height;j++){
            if(ptr[i*height+j] > 125){
                ptr[i*height+j] = 255;  
            }else{
                ptr[i*height+j] = 0;    
            }
        }
    }   

　　也就是用之前讲过的算法，先RGB通道图片转化为灰阶图片，然后在利用设置的阀值125，将图片转化为2值图像。生成结果如下：
  
  

字符分割

　　第二步是在二值图像中将其中的7个字符都单独分离出来。我们的测试照片现在已经变成了字体白色，背景黑色，然后上下还有4个白色的铆钉。
因此我们需要做的是消除掉4个铆钉，然后将7个字符单独分离出来。
　　1、使用的办法也是如blog所示的，首先将图片水平扫描啊，然后将图片垂直扫描。如图片所示中，我们可以看到，图片中的铆钉所在的行中，它们所在的像素是最少的。
和真实数字之间有着很明显的区别。所以，可以做一个阀值判断，在水平扫描的时候。从头开始，直到像素点多于20的时候，表示真正是字符开始了。然后直到某行像素
低于20时候，表示字符结束了。

int real_width1, real_width2;
    int flag_width[width];
 
    for(int i = 0; i < width; i++){
        for(int j=0;j<height;j++){
            s = cvGet2D(&pI_2,i,j);
            if(s.val[0] == 255){
                flag += 1;
            }   
        }   
        flag_width[i] = flag;
        flag = 0;
    }   
    for(int i=0;i<width;i++){
        if(flag_width[i] > 20){
            real_width1 = i;
            break;
        }   
    }   
 
    for(int i=width-1;i>0;i--){
        if(flag_width[i] > 20){
            real_width2 = width - i;
        }   
    }   
    printf("real_width1:%d,real_width2:%d\n",real_width1,real_width2);

　　这样最后获得的real_width1和real_width2就表示是字符真正行开始和结束的位置，因此，字符开始和结束的纵坐标也就确定了。

　　2、接着找到每一个字符开始和结束的横坐标。由于每个字符之间是分离开的，所以我们可以直接扫描每一列，当发现有255的像素时候，就是第一个字符开始位置，
一只到某一列没有255像素出现时候，表示是第一个字符结束位置，和下一个字符开始扫描的位置，直到所有的7个字符扫描结束。

int real_address[7][2];
 
    for(int j=0;j<height;j++){
        flag = 0;
        for(int i = real_width1; i < real_width2; i++){
            s = cvGet2D(&pI_2,i,j);
            if(s.val[0]==255){
                if(real_height1 == -1){
                    real_height1 = j;
                }   
                flag = 1;
                break;
            }   
        }   
        if((real_height1 != -1) && (flag ==0)){
            real_height2 = j;
            if(real_height2 - real_height1 < 10){
                real_height1 = -1; 
                flag = 0;
                continue;   
            }   
            real_address[record_number][0] = real_height1;
            real_address[record_number][1] = real_height2;
            real_height1 = -1; 
            real_height2 = 0;
            record_number += 1;
        }   
    }   
    for(int i=0; i<7; i++){
        printf("height1[%d]:%d,height2[%d]:%d\n",i, real_address[i][0], i, real_address[i][1]);
    } 

　　这样，7个字符的纵坐标开始和结束位置就都存在了数组real_address中。然后，我们把它们显示出来：

void wordshow(int number){
    cv::Mat word;
    int word_width = real_width2 - real_width1;
    int word_height;
    uchar* ptr_word;
    char str[2];
 
    sprintf(str, "%d", number);
 
    word_height  = real_address[number][1] - real_address[number][0];
    word = cv::Mat(word_width, word_height, CV_8UC1, 1);
    ptr_word = word.ptr(0);
 
    for(int i = real_width1; i < real_width2; i++){
        for(int j=real_address[number][0]; j<real_address[number][1]; j++){
            int tmp;
            s = cvGet2D(&pI_2,i,j);                                                                                                   
            tmp = (int)s.val[0];
            ptr_word[(i-real_width1) * word_height + (j - real_address[number][0])] = tmp;
        }
    }
    cv::namedWindow(str);
    cv::imshow(str,word);
}

　　显示出来的字符分割结果如下：

代码下载如下：http://download.csdn.net/detail/u011630458/8414317

归一化处理

　　之后，需要对分割出来的7个字符图片做归一化处理，简单的说，就是要将这7张图片从新设置大小为一样的。我这里设置为了40X20
使用的是opencv自带的函数cvResize。

..........
 word2 = cv::Mat(40, 20, CV_8UC1, 1); 
 IplImage pI_3 = word;
 IplImage pI_4 = word2;
 cvResize(&pI_3, &pI_4, 1);
.........

　　这样就将原来的word图像复制一份到了word2，并设置为了40x20到大小。这样做的目的是方便之后进行模板匹配。我使用的模板图像就是40x20的。

字符识别

　　这里使用模板匹配来做字符识别，使用的函数是opencv官方教程中提到过的SSIM，这个函数返回图像的结构相似度指标。这是一个在0-1之间的浮点数(越接近1，
相符程度越高)。
　　代码中，在文件夹match_pic下，存放在用来匹配的模板图片。然后将分割出来的7个字符，每一个都使用getMSSIM来对所有的模板图片进行一一匹配，选择出匹配
相似度最高的图片，表示为对应的字符。
　　最后识别出来的结果如下：

　　代码下载位置：http://download.csdn.net/detail/u011630458/8414375

总结

　　如果所示，该方法识别率低下。而且中间使用字符提取的方式太简单和无法通用，所以。。只能作为基本的练习。。