接着昨天的工作,把最后一部分识别讲完。
关于字符识别这块,一种最省事的办法是匹配识别,将所得的字符和自己的标准字符库相减,计算所得结果,值最小的即为识别的结果。不过这种方法是在所得字符较为标准的情况,由于众多因素影响,切割出来的字符往往不是标准的,因此识别效果也不好。本次采用的BP神经网络方法,至于像其他的分类器方法,没有尝试,这里就不说了。
利用神经网络的方法的思路也比较清晰,将已有的字符库输入到神经网络的输入口进行训练,然后用训练好的神经网络对待识别的字符继续识别,输出识别结果。matlab里面已经集成好神经网络,直接调用即可。
这里说明一下,考虑到减小输入量,这里把输入的字符划分为八行四列,计算每块的总数,然后把这些数作为样本输入到神经网络。matlab车牌识别完整程序
字符识别部分代码:
for i=1:136
ii=int2str(i);
fname=strcat('D:\1_2学习\图像处理\车牌识别\matlab_car_plate-recognization\char_result\character_test\cha&num\',ii,'.bmp');
image=imread(fname);
change_image=catch2chi2character(image);
P(:,i)=change_image;
end
T = [eye(34) eye(34) eye(34) eye(34)];
alphabet = P;
targets = T;
[R,Q] = size(alphabet);
[S2,Q] = size(targets);
S1=20;%20 purelin tansig
net = newff(minmax(alphabet),[S1,S2],{ 'purelin' 'purelin' },'trainscg','learngdm');%trainscg traingdx
net.inputWeights{1,1}.initFcn ='randnr';
net.layerWeights{2,1}.initFcn ='randnr';
net.performFcn = 'sse';
net.trainParam.goal = 0.1;
net.trainParam.show = 20;
net.trainParam.epochs = 10000;
net.trainParam.mc = 0.95;
net.trainparam.lr=0.015;%0.01 %设置学习速率
P = alphabet;
T = targets;
[net,tr] = train(net,P,T);%训练好的神经网络
函数catch2chi2character:
function lett=catch2chi2character(I1)
%% 训练样本前期处理
% bw_7050=imresize(I1,[32 16],'nearest');%将图片统一划为50*25大小
[m n]=size(I1);
bw_7050=I1;
% figure,imshow(I1);
histrow=sum(bw_7050'); %计算水平投影
histcol=sum(bw_7050); %计算竖直投影
for i=1:m
if(histrow(i)>0)
row_x=i;
break;
end
end
for i=1:n
if(histcol(i)>0)
col_x=i;
break;
end
end
for i=n:-1:1
if(histcol(i)>0)
col_y=i;
break;
end
end
for i=m:-1:1
if(histrow(i)>0)
row_y=i;
break;
end
end
picture(:,:)=bw_7050(row_x:row_y,col_x:col_y);
bw_7050=imresize(picture,[32 16],'nearest');%将图片统一划为50*25大小
% figure,imshow(bw_7050)
for cnt=1:8%粗网格特征作为输入矢量
for cnt2=1:4
Atemp=sum(bw_7050((cnt*4-3:cnt*4),(cnt2*4-3:cnt2*4))); %获取字符的统计特征
lett((cnt-1)*4+cnt2)=sum(Atemp);
end
end
ma=max(max(lett));
mi=min(min(lett));
lett=(lett-mi)/(ma);
histrow=sum(bw_7050'); %计算水平投影
histcol=sum(bw_7050); %计算竖直投影
lett=lett';
end
字符识别:
for i=2:7
ii=int2str(i);
fname=strcat('D:\1_2学习\图像处理\车牌识别\matlab_car_plate-recognization\char_result\',ii,'.bmp');
image=imread(fname);
[size_x size_y]=size(image);
max_num=max(max(image));
min_num=min(min(image))-1;
for ix=1:size_x
for ij=1:size_y
if image(ix,ij)>min_num+(max_num-min_num)/10
image(ix,ij)=255;
else
image(ix,ij)=0;
end
end
end
% I2 = bwmorph(image,'remove'); %提取边缘
% image_main = bwmorph(I2,'skel',Inf); %骨架化
% figure,imshow(image)
change_image=catch2chi2character(image);
Ptest(:,i-1)=change_image;
end
[a,b]=max(sim(net,Ptest));
disp(b);
liccode=char(['A':'H' 'J':'N' 'P':'Z' '0':'9']); %建立自动识别字符代码表
for i=1:6
str(i)=liccode(b(i));
end
汉字识别和字符差不多,这里就不贴上去了。。
总结一下:采用这种方式,基本上字符都可以识别出来。考虑到样本采集、数字处理过程中对字符的影响,像字符O和D,一定情况下无法识别。这也是程序所存在的问题,即没有对相似的字符进行区分。。汉字也存在这种情况,左右结构的也没有考虑。因此想做到完整还有好多工作要做。。
这个是简单的GUI结果图:
总结一下:
1.获取的车牌规格要统一,否则很难把握好车牌定位这块。
2.切割字符关键在于让程序确定在车牌的位置,这样切割起来就比较方便了。不足的地方在于从定位到切割这块要耗费一点时间,感觉是自己程序太过复杂?不知道有没比较简单的思路没。
3.字符识别想要做的好,工作还是比较多的。这次神经网络训练过程中参数设置很重要,土办法是去试,不知道有没有科学点的办法。。
4.算是对这段时间来的一个总结,里面涉及到的内容还是很多的,多看看模式识别方面的知识。
结束。。