基于halcon的车牌的图像识别整理.docx

基于halcon的车牌的图像识别
其实车牌图像识别从技术上已经比较成熟，从理论上来说无外乎就是如下几个步骤：
灰度化：实际就是对原始车牌图片进行预处理，把彩色图片转化为黑白图片，然后对不符合指定阙值范围的灰度值进行过滤。车牌定位：这是技术难点之一，根据我的经验，定位车牌位置对于车牌的准确识别而言实际上就成功了60%。很多车牌识别的产品都对车牌的定位预留了很多配置参数，例如截取原始图片的位置参数、车牌的长宽比例、大小等等，这些都是为了提高车牌定位的准确率。字符分割：车牌定位后是字符分割，本人使用的识别过程是：对定位的车牌位置进行降噪处理=>边界模糊=>从右向左找出前6个封闭的图形=>剩余的封闭图形综合为一个图形进行汉字的识别。字符识别：就是根据字符模板进行模板匹配，因此需预先建立相应的字符模板。基于图像进行字符识别也可配置很多参数来大大提高字符的识别率。例如限定车牌头的字符，车牌各位字符的识别优先级等等。
以下通过大车黄牌号码为例，看看车牌识别的效果。1、原始图片如下图所示：

2、限定车牌识别区域，本例中将裁剪掉上下左右各10%的区域：

get_image_pointer1(FullImage,Pointer,Type,Width,Height)gen_rectangle1(Rectangle,Height*0.1,Width*0.1,Height*0.9,Width*0.9)reduce_domain(FullImage,Rectangle,Image)

看看裁剪结果：

3、把选中的区域灰度化，方便后续处理：
decompose3(Image,Red,Green,Blue)trans_from_rgb(Red,Green,Blue,Hue,Saturation,Intensity,'hsv')

灰度化后的效果图：

4、灰度阙值过滤，本例中只选中灰度值在100至255之间的区域，可根据实际情况进行相应的设置，然后进行降噪处理：

threshold(Saturation,HighSaturation,100,255)remove_noise_region(HighSaturation,OutputRegion,'n_48')

过滤降噪后的效果，和实际的位置很接近了吧！

5、根据预定义的车牌长宽比例等查找符合特定特征的区域：

代码
connection(OutputRegion,ConnectedRegions1)closing_rectangle1(ConnectedRegions1,RegionClosing1,10,10)select_shape(RegionClosing1,ASelectedRegions,'area','and',3000,9000)select_shape(ASelectedRegions,HSelectedRegions,'height','and',30,90)select_shape(HSelectedRegions,SelectedRegions,'width','and',60,180)

效果图如下，分割成了多个区域哈：

6、呈现出车牌区域的灰度化图像：
reduce_domain(Hue,SelectedRegions,HueHighSaturation)
效果如下，是不是和实际位置一致啊！

7、对上述车牌的精确区域进行阙值过滤，主要是为了去掉车牌周围的黑色边框：
threshold(HueHighSaturation,Region,30,50)
效果图如下：

8、填充有字符而没有在上述算法中被选中的内部区域：
closing_rectangle1(Region,RegionFillUp,20,20)
填充后的相关效果图如下：

9、根据选中的上述区域，从原始图片中加载该区域：
reduce_domain(Image,RegionFillUp,TruckTagImage)
效果图如下，车牌又出现了哈

10、确定识别区域字符的偏移角度，根据摄像机位置的不同其倾斜度也会有所不同（根据分割算法的不同，其实此步骤可以省略）：
connection(RegionFillUp,ConnectedReducedRegions)text_line_orientation(ConnectedReducedRegions,TruckTagImage,30,-0.523599,0.523599,OrientationAngle)
11、显示真实的车牌位置图像，主要是方便调试：
dev_display(TruckTagImage)
效果图如下：

12、进行字符分割，过滤掉非字符区域：
代码
segment_characters(RegionFillUp,TruckTagIm