车牌识别之二：字符分割

车牌识别大概步骤可分为：车牌定位，字符分割，字符识别三个步骤。

细分点可以有以下几个步骤：

（1）将图片灰度化与二值化

（2）去噪，然后切割成一个一个的字符

（3）提取每一个字符的特征，生成特征矢量或特征矩阵

（4）分类与学习。将特征矢量或特征矩阵与样本库进行比对，挑选出相似的那类样本，将这类样本的值作为输出结果。

车牌定位可以参考这里，网上也有很多关于这个问题的讨论，理论上觉得可行，但实际上没有操作过，等有空再去搞搞。
http://blog.csdn.net/sing_sing/archive/2010/10/13/5937725.aspx

这几天研究了一下车牌字符分割的问题，前提是已经进行了车牌定位，角度校正等预处理。

用到的主要知识有：二值化，形态学操作，轮廓查找等。

字符分割网上资料比较少，本人接触opencv一段时间，自己瞎搞了一下，以此抛砖引玉，希望与各位交流一下。

以下为全部源代码：

//==============================================

//write by sing

//2010-10-10

//==============================================

#include "stdafx.h"

//找出含车牌文字的最左端
void findX(IplImage* img, int* min, int* max)
{
    int found = 0;
    CvScalar maxVal = cvRealScalar(img->width * 255);
    CvScalar val = cvRealScalar(0);
    CvMat data;
    int minCount = img->width * 255 / 5;
    int count = 0;

for (int i = 0; i < img->width; i++) {
        cvGetCol(img, &data, i);
        val = cvSum(&data);
        if (val.val[0] < maxVal.val[0]) {
            count = val.val[0];
            if (count > minCount && count < img->width * 255) {
                *max = i;
                if (found == 0) {
                    *min = i;
                    found = 1;
                }
            }
        }
    }

}

//找出含车牌文字的最上端，排除两颗螺丝的位置
void findY(IplImage* img, int* min, int* max)
{
    int found = 0;
    CvScalar maxVal = cvRealScalar(img->height * 255);
    CvScalar val = cvRealScalar(0);
    CvMat data;
    int minCount = img->width * 255 / 5;
    int count = 0;

for (int i = 0; i < img->height; i++) {
        cvGetRow(img, &data, i);
        val = cvSum(&data);
        if (val.val[0] < maxVal.val[0]) {
            count = val.val[0];
            if (count > minCount && count < img->height * 255) {
                *max = i;
                if (found == 0) {
                    *min = i;
                    found = 1;
                }
            }
        }
    }
}

//车牌字符的最小区域
CvRect findArea(IplImage* img)
{
    int minX, maxX;
    int minY, maxY;

    findX(img, &minX, &maxX);
    findY(img, &minY, &maxY);

CvRect rc = cvRect(minX, minY, maxX - minX, maxY - minY);

return rc;
}

int main(int argc, char* argv[])
{
    IplImage* imgSrc = cvLoadImage("cp.jpg", CV_LOAD_IMAGE_COLOR);
    IplImage* img_gray = cvCreateImage(cvGetSize(imgSrc), IPL_DEPTH_8U, 1);

    cvCvtColor(imgSrc, img_gray, CV_BGR2GRAY);
    cvThreshold(img_gray, img_gray, 100, 255, CV_THRESH_BINARY);

//寻找最小区域,并截取
    CvRect rc = findArea(img_gray);
    cvSetImageROI(img_gray, rc);
    IplImage* img_gray2 = cvCreateImage(cvSize(rc.width, rc.height), IPL_DEPTH_8U, 1);
    cvCopyImage(img_gray, img_gray2);
    cvResetImageROI(img_gray);

IplImage* imgSrc2 = cvCreateImage(cvSize(rc.width, rc.height), IPL_DEPTH_8U, 3);
    cvSetImageROI(imgSrc, rc);
    cvCopyImage(imgSrc, imgSrc2);
    cvResetImageROI(imgSrc);

//形态学
cvMorphologyEx(img_gray2, img_gray2, NULL, NULL, CV_MOP_CLOSE);

CvSeq* contours = NULL;
    CvMemStorage* storage = cvCreateMemStorage(0);
    int count = cvFindContours(img_gray2, storage, &contours,
        sizeof(CvContour), CV_RETR_EXTERNAL);

int idx = 0;
char szName[56] = {0};

for (CvSeq* c = contours; c != NULL; c = c->h_next) {

//cvDrawContours(imgSrc2, c, CV_RGB(255, 0, 0), CV_RGB(255, 255, 0), 100);
CvRect rc = cvBoundingRect(c);
cvDrawRect(imgSrc2, cvPoint(rc.x, rc.y), cvPoint(rc.x + rc.width, rc.y + rc.height), CV_RGB(255, 0, 0));

if (rc.width < imgSrc2->width / 10 && rc.height < imgSrc2->height / 5) {
continue;
}

IplImage* imgNo = cvCreateImage(cvSize(rc.width, rc.height), IPL_DEPTH_8U, 3);
        cvSetImageROI(imgSrc2, rc);
        cvCopyImage(imgSrc2, imgNo);
        cvResetImageROI(imgSrc2);

        sprintf(szName, "wnd_%d", idx++);
        cvNamedWindow(szName);
        cvShowImage(szName, imgNo);
        cvReleaseImage(&imgNo);
    }

    cvNamedWindow("src");
    cvShowImage("src", imgSrc2);

cvWaitKey(0);

cvReleaseMemStorage(&storage);
    cvReleaseImage(&imgSrc);
    cvReleaseImage(&imgSrc2);
    cvReleaseImage(&img_gray);
    cvReleaseImage(&img_gray2);

cvDestroyAllWindows();

return 0;
}

输入图像：

运行结果截图如下：

车牌识别之二：字符分割相关推荐

基于Python opencv实现车牌识别及二维码条形码识别系统附完整源码
完整代码:https://download.csdn.net/download/qq_38735017/87416699 原理简介车牌字符识别使用的算法是 opencv 的 SVM opencv 的 ...
android图像识别二次开发包,车牌识别一体机二次开发包sdk详细介绍
原标题:车牌识别一体机二次开发包sdk详细介绍无论是车辆管理系统,洗车房,二手车交易,汽车4S店,称重系统还是考勤系统均能和易泊完美结合. 通过易泊车牌识别一体机抓拍识别车牌号码,将识别的车牌信息传 ...
python-opencv实战：车牌识别（二）：字符分割与保存
上一篇文章内容为车牌定位,这篇文章从原理及代码角度分析如何分割字符. 文章目录一. 分割字符的目的二. 分割字符原理: 三. 代码四. 代码分析一. 分割字符的目的定位车牌仅仅是为了找出其车 ...
蓝底白字车牌的定位与字符分割识别matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述车牌识别自然环境下,汽车图像背景复杂.光照不均匀,如何在自然背景中准确地确定车牌区域是整个识别过程的关键.首先对采集到的视频图 ...
在ARM-Linux下实现车牌识别（二）------车牌识别
你好!这里是风筝的博客, 欢迎和我一起交流. 之前说到,把车牌区域提前出来后,就可以着手识别程序了.先使用SVM判断是不是车牌.这里为了提高运行速度,板子资源有限,程序里我把svm训练部分注释掉了,假 ...
有关车牌识别（二、Linux嵌入式系统代码）
二.Linux嵌入式系统代码参考 https://blog.csdn.net/qq_36449541/article/details/80206477 原先的开发者是在友善之臂的平台上(好像cpu ...
基于C++（QT）的车牌识别实现——二值化处理
文章目录拟采用的技术路线车牌图片打开图片二值化窗口UI实现拟采用的技术路线本次设计计划以最快的速度实现一个清晰车牌的识别,后续再增加识别精确度,故采取以下技术路线本篇文章主要讲述图像二值化 ...
车牌识别一体机二次开发
车牌识别一体机挂接分为两种挂接方式:动态库方式挂接和协议方式挂接. 1.动态库方式挂接:动态库方式挂接支持6种开发语言(VC++.Delphi.C#.VB.NET.Linux.Java). 动态库方式 ...
实现车牌识别之二--使用Yolov3进行车牌定位
更新一些sota的论文: Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseli ...

车牌识别之二：字符分割

车牌识别之二：字符分割相关推荐

最新文章

热门文章