基于halcon的车牌的图像识别整理

1、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=>

2、;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

3、, 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, 

4、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

5、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 (A

6、SelectedRegions, 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, SelectedRegio

7、ns, 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, 2

8、0, 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    &

9、#160;  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)     

10、;   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, TruckTagImage, ImageForeground, RegionForeground,

11、 'local_auto_shape', 'false', 'false', 'medium', 12, 30, 2, 10, UsedThreshold)select_characters (RegionForeground, RegionCharacters, 'false', 'medium', 12, 30, 'false&#

12、39;, 'false', 'variable_width', 'false', 'medium', 'false', 15, 'completion')closing_rectangle1 (RegionCharacters, RegionCharactersClosing, 1, 2)        效果图如

13、下，是不是离真正的识别又跟进了一步哈！        13、根据各个分割的区域的左上角坐标排序（主要是方便从右向左依次进行字符识别）：connection (RegionCharactersClosing, ConnectedRegionCharactersClosing)sort_region (ConnectedRegionCharactersClosing, SortedRegions, 'first_point', 'fal

14、se', 'column')        14、显示分割的字符区域的效果图，怎么样？字符分割成功了吧！：         15、加载字符模板，从右向左依次进行字符识别，并把识别结果绘制到对应字符位置的上方： <./p>代码read_ocr_class_mlp ('D:/MVTec/HALCON/ocr/Industrial_0-9.omc', 

15、OCRHandle)for Index := 1 to 5 by 1    if (Number>=Index)        SelectedSortedRegion := SortedRegionsIndex        do_ocr_single_class_mlp (Sel

16、ectedSortedRegion, Image, OCRHandle, 1, Class, Confidence)        smallest_rectangle1 (SelectedSortedRegion, Row1, Column1, Row2, Column2)        set_tposition (Wind

17、owID, Row1 - 30, (Column2 + Column1) * 0.5 - 5)        write_string (WindowID, Class0)        dev_display (SelectedSortedRegion)    end

18、ifendforclear_ocr_class_mlp (OCRHandle)if (Number>5)    read_ocr_class_mlp ('D:/MVTec/HALCON/ocr/Industrial_0-9A-Z.omc', OCRHandle)    SelectedSortedRegion := SortedRegions6    do_ocr_single_class_mlp (SelectedSortedRegion, Image, OCRHandle, 1, Class, Confidence)    smallest_rectangle1 (SelectedSortedRegion, Row1, Column1, Row2, Column2)&