基於matlab的藍色車牌定位與識別---識別

   接着昨天的工作，把最后一部分識別講完。

     關於字符識別這塊，一種最省事的辦法是匹配識別，將所得的字符和自己的標准字符庫相減，計算所得結果，值最小的即為識別的結果。不過這種方法是在所得字符較為標准的情況，由於眾多因素影響，切割出來的字符往往不是標准的，因此識別效果也不好。本次采用的BP神經網絡方法，至於像其他的分類器方法，沒有嘗試，這里就不說了。

     利用神經網絡的方法的思路也比較清晰，將已有的字符庫輸入到神經網絡的輸入口進行訓練，然后用訓練好的神經網絡對待識別的字符繼續識別，輸出識別結果。matlab里面已經集成好神經網絡，直接調用即可。

     這里說明一下，考慮到減小輸入量，這里把輸入的字符划分為八行四列，計算每塊的總數，然后把這些數作為樣本輸入到神經網絡。

        字符識別部分代碼：

for i=1:136
    ii=int2str(i);
    fname=strcat('D:\1_2學習\圖像處理\車牌識別\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 %設置學習速率
P = alphabet;
T = targets;
[net,tr] = train(net,P,T);%訓練好的神經網絡

  函數catch2chi2character：

function  lett=catch2chi2character(I1)
%% 訓練樣本前期處理
%  bw_7050=imresize(I1,[32 16],'nearest');%將圖片統一划為50*25大小
[m n]=size(I1);
bw_7050=I1;
% figure,imshow(I1);
histrow=sum(bw_7050');  %計算水平投影
histcol=sum(bw_7050);  %計算豎直投影
 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');%將圖片統一划為50*25大小
%  figure,imshow(bw_7050)

for cnt=1:8%粗網格特征作為輸入矢量
    for cnt2=1:4
        Atemp=sum(bw_7050((cnt*4-3:cnt*4),(cnt2*4-3:cnt2*4)));  %獲取字符的統計特征
        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');  %計算水平投影
histcol=sum(bw_7050);  %計算豎直投影
 
lett=lett';
end

  字符識別：

 for i=2:7
    ii=int2str(i);
    fname=strcat('D:\1_2學習\圖像處理\車牌識別\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'); %提取邊緣
%      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']);  %建立自動識別字符代碼表  
 for i=1:6
  str(i)=liccode(b(i));
 end

     漢字識別和字符差不多，這里就不貼上去了。。

     總結一下：采用這種方式，基本上字符都可以識別出來。考慮到樣本采集、數字處理過程中對字符的影響，像字符O和D，一定情況下無法識別。這也是程序所存在的問題，即沒有對相似的字符進行區分。。漢字也存在這種情況，左右結構的也沒有考慮。因此想做到完整還有好多工作要做。。

   這個是簡單的GUI結果圖：

                               

    總結一下：

        1.獲取的車牌規格要統一，否則很難把握好車牌定位這塊。

        2.切割字符關鍵在於讓程序確定在車牌的位置，這樣切割起來就比較方便了。不足的地方在於從定位到切割這塊要耗費一點時間，感覺是自己程序太過復雜?不知道有沒比較簡單的思路沒。

        3.字符識別想要做的好，工作還是比較多的。這次神經網絡訓練過程中參數設置很重要，土辦法是去試，不知道有沒有科學點的辦法。。

        4.算是對這段時間來的一個總結，里面涉及到的內容還是很多的，多看看模式識別方面的知識。

        結束。。2015-5-11