文章来源 —— 绿睿科技： 车牌识别 雕刻机 三维网页

车牌识别采购、研发纵览

车牌识别采购、研发纵览

《车牌识别采购、研发纵览》是目前最详细的关于车牌识别的资料。本书分两部分：

第一编，介绍车牌识别的技术知识，包括目前我国主要的车牌识别产品名单、车牌识别产品必备/附加的功能，以及车牌识别的应用范围；

第二编，介绍车牌识别的研发知识，其中包括，车牌识别程序的模块、车牌识别程序内核模块的各种类型以及各个子模块的详细算法。

第一编对于广大车牌识别采购人员十分重要；对于广大车牌识别开发人员，要在熟悉了解第一编的基础之上，研读第二编。

第1编 采购

这是《车牌识别采购、研发纵览》的前半部分，是广大车牌识别采购者的必读部分。对于车牌识别研发人员来说也是有很大的参考价值，而且对后面的开发有极大的帮助。

第1章 车牌识别供应商

通过本章，采购人员可以对我国的车牌识别技术水平有一个概括性的认识；研发人员也应该能够了解到这一技术目前的成熟程度。

第1节 车牌识别供应商列表

车牌识别并没有统一的国际标准。本章仅仅列举我国的车牌识别供应商。（因为车牌识别市场比较热门，下面的表格难免遗漏一些新的成员）

第2节 车牌识别供应商举例——绿睿科技

车牌识别属于知识密集型产业。研发车牌识别需要大量的高级软件人才。绿睿科技公司正是一家拥有大量软件人才的公司。她座落于我国的硅谷——北京中关村。“爱国，勤奋踏实，艰苦创业”是该公司的主题。绿睿公司希望能和合作伙伴一起，实现我国的产业升级和结构性调整，提升合作伙伴产品的附加值。让更多的国内公司积极参与世界经济产业链条中，上游的竞争。

绿睿科技以研发为主，而以市场推广为辅；绿睿集中精力提高产品质量，而将更多利润让给合作伙伴。

绿睿科技全体同仁艰苦创业，于2009年推出车牌识别这一智能交通领域产品。绿睿拥有该产品的核心技术和独立的知识产权，而且不断地对产品进行更新换代。

有关绿睿科技更详细的资料请登陆该公司官方网站：www.voicing.cn。以下是该公司的标示：

第2章 车牌识别的应用

车牌识别主要用于智能交通领域。随着计算机软硬件的不断升级，车牌识别所依赖的环境日臻完善，车牌识别的功能越来越丰富，应用场合也越来越多。

第1节 车牌识别应用列表

第2节 车牌识别应用举例——智能停车场

智能停车场是车牌识别的典型应用。利用智能停车场系统公司、企业、机关等对车辆可以进行方便的管理；智能停车场系统还有助于提高单位形象，加强内部管理。

智能停车场系统包括，RFID卡、读卡器、道闸、感应线圈、视频系统、MIS系统和车牌识别模块。其中视频系统包括摄像机，视频传输电缆，视频显示终端。停车场一般有多个出入口。所有出入口都配置有联网的计算机，组成MIS系统，负责对车辆数据的记录和处理。出入口同时都配置，车牌识别设备，对进出车辆信息进行采集工作。

当车辆进入停车场时，司机必须刷RFID卡。智能停车场系统根据RFID卡信息对车辆的合法性进行判断，并允许合法车辆通过道闸进入停车场。同时，智能停车场系统记录车辆进入时的视频信息。

当车辆离开停车场时，司机也必须刷RFID卡。根据RFID卡信息，系统找到该车进入停车场的时间点；并计算停车时间长度，提供收费依据。

为了防止不法分子的破坏，智能停车场系统要根据数据库信息，进行RFID卡信息和车牌信息的比对。一旦发现RFID卡信息和车牌信息不匹配，立即报警。所以智能停车场系统必须集成车牌识别模块。

第3章 配套产品

车牌识别作为一项核心技术必须结合其他技术才能被广泛应用。同时资优价廉的车牌识别软件必然会提高相关产品的销售量，其他产品因此实现高附加值。

第1节 照明光源

目前来说，照明光源普遍采用电光源（把电能转换成光能）。因为车牌识别系统本身也消耗电能，所以车牌识别的照明光源全部采用电光源。从发光原理上讲，点光源一般分为以下三大类。

热辐射光源 利用电流的热效应。让光源达到三千度以上的温度。光源便开始发出可见光。热辐射光源通常色温较低，比如我们平常见到黄色光源。性能优良的车牌识别系统不会受此影响。

气体放电发光 这类光源是利用气体在通过电流时发光的原理制成的。某些光源色彩丰富，但是并不适合车牌识别。荧光灯使用的是水银蒸气发光，虽然发出白光，但是光线分散，不容易投射到车牌上。也不是夜间车牌识别理想光源。

半导体光源 在电场作用下半导体p-n节发光，电能利用效率高，是近年来新开发的光源类型。可以采用高功率白色的半导体光源，同时也方便将光束投射到车牌上。是夜间车牌识别的理想光源。

第2节 信息系统

信息系统，全称为管理信息系统—Management Information System，亦即所谓的MIS系统。

MIS系统主要指惊醒日常事务操作的系统。这种系统对各种事件的属性进行记录，并且可以输出统计信息。

MIS系统的核心是CS（也就是所谓的客户端/服务器 client/server）结构，也有基于BS结构的MIS系统，但是CS的MIS系统足以满足车牌的需要，所以BS的车牌识别系统并不多见。下图为一电力系统的MIS系统：

需要指出的是，MIS系统和车牌识别同为软件。在整个车牌识别系统中互相配合工作。一般来说，MIS系统理论较为成熟，开发难度不大；而车牌系统理论并没有完全成熟，开发难度极大。但是MIS系统必须针对单个项目单独开发，不容易复制。这就大大提高了MIS系统本身的成本，通常情况下MIS系统要比车牌识别核心模块报价高。因为车牌识别软件较容易复制，从而分担成本。

第3节 相机

车牌识别只能用数码相机，不可以使用传统的模拟相机。数码相机利用感光电子元件把光学信号转换成数字图像信号。感光元件有两种CCD和CMOS。CCD相机质优价高，对车牌识别来说没有必要。如果是对于普通的车牌识别系统，CMOS相机足以满足要求。

相机种类很多，具体到车牌识别相机也有很多种。这里列举一下适合车牌识别使用的相机。

工业相机：性能较好，它速度快，清晰度高。有的借助图像采集卡可以得到更好的效果。适合条件比较恶劣的环境。

监视摄像头：这是目前普及最广的用于车牌识别的相机。产品技术都比较成熟。架设车牌识别系统时完全可以利用一有的监视系统。对原有系统进行升级。

QQ摄像头：根据摩尔定律，电子产品——QQ摄像头的性能不断提高，价格不断下降。目前的QQ摄像头性能已经达到或者超过普通监视摄像头的性能水平；而价格十分便宜。将来可能成为车牌识别相机的首选。

第4节 视频传输

视频传输设备主要分为模拟传输和数字传输两种形式。

虽然数字传输方式具有很多优点。但是模拟技术比较成熟，产品种类多，所以模拟传输也比较普及。模拟视频信号，到达计算机前转换成数字信号即可进行车牌识别。

数字信号普遍采用以太网传输，使用超五类线。其传输速率高大1000兆，传输距离远达100米完全可以满足车牌识别的需要。数字视频信号经过压缩后，可以节省带宽，不过这对相机有一定的要求。目前车牌识别系统中的视频信号很少压缩。

另外在特殊场合下，并不需要传输视频，而仅仅需要传输单帧图像即可。比如交通路口，闯红灯的汽车触发相机拍照，相机仅把这时抓拍的图片传至计算机即可，大大节省了带宽。同时这样方法也适合停车场。

第5节 RFID

RFID的英文全称是Radio Frequency Identification。中文名称：射频识别、射频标示，俗称电子标签。RFID最大的特点就是非接触式自动识别。这一过程是通过射频信号完成的。

当RFID卡进入读卡器识别范围时，读卡器会发出射频信号。这时RFID卡就会感应出电流，RFID芯片利用感应出的电流提供能量，也发出射频信号，这个信号加载有标示信息。读卡器捕获到RFID卡发出的射频信号，即可得到RFID卡的ID值。

RFID被广泛应用于停车场和高速路收费系统中。为了更加安全的使用RFID，经常需要把RFID卡的ID值和汽车车牌号绑定起来。这就需要整个系统中集成车牌识别模块。

第4章 软件接口

车牌识别做为一个软件模块，需要提供软件接口，才能够被整合到整个车牌识别系统中，正常工作。

车牌识别适合何种软件接口，下面将一一介绍：

第1节 DLL

DLL的全称是Dynamic Linkable Library，中文名称是动态链接库。他不能单独的运行，需要其它程序加载。DLL最大的优点是应用程序共享代码和其他只读资源，有效地节省系统开支。

更为重要的是DLL迎合了程序的模块思想。所谓的模块就是一个功能相对完整的软件“零件”。一台机器的零部件可能来自于不同的生产厂家；同样的道理，车牌识别应用系统中，车牌识别模块可以由其它厂家提供。

车牌识别系统中，相机驱动程序本质上也是一个动态连接库。

除了windows系统外，linux系统也有类似的思想，不过叫做elf。其中的字母l标示连接的意思。同样地，车牌识别的动态库也可以提供linux的版本。

第2节 ActiveX

ActiveX的本质也是上一节中提到的动态链接库。不过ActiveX的接口更为方便。AcitveX由开发人员事先打包，可以方便的嵌入包括浏览器的各种软件之中。很多语言包括Java都支持ActiveX控件。

ActiveX没有很好的跨平台性，目前仅仅能在windows上运行。虽然如此，但是考虑车牌系统目前也都是在windows系列操作系统上运行，所以车牌识别模块封装成ActiveX控件的优越性也不会打折扣。

另外网页上的ActiveX有一定的安全问题，但是这并不会影响到车牌识别系统的安全性。

第3节 COM

和ActiveX控件一样，COM的本质也是动态链接库，COM也是有一种共享代码的方法。有了COM，软件工程就可以像是搭积木一样进行，甚至普通人都可以编程序。

对COM的调用者来说，他们看到的每个COM是一个类，类有接口。类和接口都是用GUID标示的。这里的GUID本质上是一个全球唯一的数，任何编程语言都可以处理。

但是目前车牌识别模块，提供COM借口得并不是很多。原因在于COM技术已经过时，微软已经放弃了对COM的维护工作。COM也不如ActiveX控件来得方便。

COM同样也只能用到Windows系列操作系统上。

第5章 触发

车牌识别系统，最简单的流程是系统从相机取出图像，然后进行识别。如果相机视野内有车牌，那么系统记录当前的图像和车牌号。如果视野内没有车牌，则要丢弃当前的图像。

但是如果计算机对图像处理较慢，那么当计算机正处理当前图像的时候，下一幅图像已经准备好了。这样的话，计算机就无法响应用户的操作。用户就会感觉计算机较慢，或者死机。

解决的方法就是利用“触发技术”。

第1节 视频触发

本章一开始提到的车牌系统的最简单的流程，就是视频触发。根据视频信号，如果相机视野内有车牌，整个系统启动一个操作。如果相机视野内没有车牌，整个系统处于休眠状态。

如果车牌识别模块的运算速度较快，视频触发一般没有大的问题。但是较快的速度，势必影响识别率。低识别率是视频触发固有的缺点，虽然随着硬件速度的提高，这个缺点变得越来越小。

为了弥补视频触发的不足，人们引入了“线圈触发”的概念。

第2节 线圈触发

当有汽车功过道闸的时候，汽车会触发感应线圈。接下来，感应线圈触发相机拍照。然后图片传送到计算机，计算机对图像进行识别。最后系统记录识别信息和图像信息。在没有图像到来的时候，整个系统处于休眠状态。计算机也没有必要识别车牌，这个时候计算机的任务较少，可以很好的响应用户操作。

对车牌识别软件来说，识别时间限制被大大放宽。可以更为准确的定位识别车牌。所以一般线圈触发的系统，车牌识别率都很高。

线圈触发被广泛应用于停车场和交通路口环境中。

在施工过程中，线圈的铺设可能会有一定的额外工作量。相对于视频触发的系统，这一工作显然是多余的。这是线圈触发系统的一个缺点。

第3节 RFID触发

当汽车通过道闸的时候，用户需要主动刷RFID卡。刷卡机读取用户RFID卡信息后，触发相机拍照。接下来，照片被传送到计算机，进行车牌识别操作。这便是RFID触发的工作流程。

显然，这种触发方式拥有和线圈触发相同的识别率。但却无法应用于交通路口。RFID卡触发实际上受到RFID卡普及程度的限制。

也有上述多种触发技术结合的方案。比如视频触发和线圈触发相结合，这样既能满足系统在无法埋设感应线圈场合下的应用，又能在有感应线圈的环境中提高识别率。

第6章 车牌识别必备功能

第1节 基础功能

车牌定位

车牌定位是车牌识别的基础。也是车牌识别过程中最重要的部分。车牌定位的成功率直接决定车牌识别率。当光线环境比较好、分辨率较大的时候，车牌定位比较容易；但是如果光线环境不好，分辨率较低，车牌定位就比较困难。另外还有很多因素影响车牌定位的成功率，比如图像因观察角度造成的旋转、拉伸和斜切；再比如车牌遭到污染。上述情况都会影响车牌成功定位。

如果增加车牌定位的容忍值，虽然会提高车牌定位的成功率，但是会出现错误定位的情况：把背景图像的一部分，当作车牌。当图像内没有车牌时，质量不好的车牌识别软件比较容易出现这种错误。

字符识别

字符识别功能包括识别汉字、英文字母和阿拉伯数字。汉字的范围一般来说仅仅包括省、自治区和直辖市的简称。在所有的英文字母中，I和O，分别不容易和1和0区分。但是字母I和O可以做为发证机关代号，在车牌中出现，因为发证机关代号不可以取数字1和0。

0和D或者Q无法区分是字符识别经常出现的错误。8和B对于质量较差的车牌识别软件成功区分的概率也很小。

在同一地区，大部分车牌的省、自治区和直辖市的简称都是相同的，所以相对于字母数字的识别率，汉字的识别率不是很重要，另一方面汉字识别技术也不是很成熟；有的车牌识别软件干脆没有汉字识别功能。

第2节 拓展功能

多车牌识别

在同一副图像中有两个或者两个以上的车牌。多车牌识别软件可以对这些车牌全部成功识别。相对地，有些车牌识别软件只能对其中之一进行定位识别，有的是根据车牌距离中心点的距离选择，有的根据车牌在图像中的大小选择，有的甚至是随机选择。

车牌精确定位

在环境比较好的情况下，有时车牌识别软件无法正确识别字符。原因在于车牌本身受到一些干扰，其中包括固定螺丝和车牌边框。

对于蓝色车牌，较新的固定螺丝会反射光线；在图像中，螺丝呈现白色和字符颜色相近，干扰正常的识别程序。对于黄色车牌，比较旧的螺丝，或者悬空的螺丝孔，同样也会干扰正常的识别。

标准尺寸的车牌，车牌边框不会对车牌识别进行干扰。但是实际上，车牌并不都是按统一的标准制作的。有些车牌把边框向有文字的方向移动，腾出的空间用于标示汽车的品牌。但是这些非标准尺寸的车牌却给车牌定位带来了一定的干扰。

所以质量好的车牌识别软件，要对车牌进行精确定位，排除各种干扰。

国家标准

车牌识别依据的是《GA36-2007中华人民共和国机动车号牌》，互联网上有可供下载的pdf版本。

第2编 研发

以下部分为车牌识别研发人员参考资料。

第1章 开发环境

车牌识别实质上包括两部分的内容，一是车牌定位，二是字符识别。

车牌定位主要的工作是图像处理。目前来说图像处理的开发软件环境局限于c/c++。因为c/c++效率高，执行速度快。字符识别主要是人工智能。人工智能的开发环境较多，但是都不成熟。其中Prolog是目前比较好的人工智能语言之一。当考虑到统一开发环境时，一般字符识别也使用c/c++。

车牌识别硬件环境的选择比较丰富。除了选择主流的Intel和Amd的机器，高性能AMR机的也是比较好的选项。如果要嵌入到相机之中，AMR机是最好的选择。

第1节 软件环境

c c++的开发环境

c/c++语言是一种中级语言，它既有高级语言的简单性，又有和低级语言的相近的高效率。c/c++语言的高级语言特性，使得其描述车牌识别中比较复杂的逻辑较为方便。而其低级语言的特性，使得用c/c++语言开发的车牌识别程序执行速度快，内存开销小。

c/c++语言也十分容易移植，车牌识别的核心程序，在Windows系列操作系统上调试通过后，很容易移植到Linux系列操作系统上，而Linux系列操作系统也可以是在Arm机上运行的。

c是面向结构的，c++是面向对象的。这使得c/c++方便描述复杂的数据结构和算法。适合车牌识别中的字符识别操作。

c/c++语言的资料丰富，技术成熟。网上图像处理方面的程序较多是用c/c++编写，很容易把它们放到自我开的车牌识别程序中去。

c/c++开发环境也比较好，vc支持可视化编程，调试时变量跟踪异常方便，将c/c++不稳定性降到最低。

最为重要的是多数车牌识别程序都是基于c/c++的。

人工智能语言——Prolog

Prolog是目前为止中为重要的人工智能语言之一。他的语法中含有谓词，跟自然语言极为相似。使用Prolog描述完规则和事实后，Prolog内部进行演绎推理，自动给出结果；无需程序员关心内部操作。这样能够就大大加速了车牌识别的研发进程。

Prolog中的事实，用来描述对象和对象之间的关系。事实由谓词和对象组成。比如 Close(current_character,2). 表示当前识别的字符有两个封闭区域（车牌识别中“B”和“8”中的情况）。

Prolog中的规则由多个相关的简单句子组成。规则中结论放在前面，条件放在后面。例如：Q(character):-Anisomerous(character),Close(character,1). 表示如果字符只有一个封闭区域，而其不对称的话，那么这个字符是“Q”。

Prolog中的目标可以在事实和规则提交之后自动得到。

Prolog拥有和c语言的接口，Prolog可以融入c/c++的工程中。方便将整个车牌程序整合在一起。

Matlab

使用Matlab开发车牌识别比较快，但是最后发行软件的时候不容易脱离开Malab的环境。可以用Matlab研究车牌识别算法，但是开发车牌识别Malab并不是首选。

第2节 硬件环境

英特尔奔腾及其兼容机

因为车牌识别需要大量的并行计算，所以多核的CPU，占优势。如果不是通过系统，而是车牌识别软件本身分配给各个核心任务，效率会更高。

设计较好的车牌识别系统占用内存并不大，只有几兆。目前CPU Cache完全可以满足要求，整个识别过程，CPU不需要跟内存通信。

超线程技术也有助于车牌识别速度的提高。因为车牌识别程序并行计算的计算量较大，超线程技术也是针对有大量并行计算的软件设计的。

英特尔和AMD，都推出了64位的CPU，这一点对车牌识别可能并没有多大的帮助。

浮点计算对车牌识别软件的意义不大，因为浮点计算比较慢，设计良好的车牌识别软件，尽量使用整型运算。

从环保角度出发，CPU的功率越小越好。

arm机

Arm机是典型的精简指令系统。执行速度快，也是车牌识别的一个不错的硬件环境。

按性价比计算Arm机要比奔腾机好。如果算上周边芯片组成计算机系统，Arm机更占据成本优势。

Arm机基于Linux操作系统，车牌识别产品不会包含Windows的版本费用。Windows下面也有良好的Arm机调试环境。更可以移植已经在Windows环境下调试成功的软件。

同样地，64位的Arm机对车牌识别软件没有很大的帮助。

Arm机市面上较少，不容易购买，这是其一大缺点。

第2章 整体结构

第1节 整体结构分类

2.2.1.1是否回溯

举例来说，根据车牌的特征在整个图片中定位车牌的时候，如果车牌在图像中受到了环境的干扰，可能无法找到图片。为了解决这个问题，引用了回溯算法：当无法定位车牌的时候，增加对车牌错误的容忍程度，从新去寻找车牌。

有无回溯算法，对车牌识别的性能影响重大。无回溯算法的车牌识别软件速度快，但是定位成功率不高。适合视频触发的应用。有回溯算法的车牌识别软件定位成功率高，但是速度较慢。有时在成功定位车牌后，经过字符识别，发现字符识别率较低，重新定位车牌。这样速度便会更慢。有回溯算法的车牌识别软件一般应用于有触发线圈的场合。

2.2.1.2试探和计算

车牌识别中的定位操作，首先有一个判断某一区域是不是车牌的标准，然后对所有可能的区域依次根据这个标准判断。算法完成时，符合标准的区域便是车牌的位置。这是最原始的思路。这个算法在时间上并不占优势，但是这是车牌定位的基础，改进后的程序仍然沿用这个算法的绝大多数的函数。

上述算法，对所有的区域进行试探。在试探之前没有做计算，判断有没有必要对当前区域和标准进行比较。

另外一种算法就是“暴力”算法的改进形式。尽量避免没有必要的试探。或者根据已经试探失败的结果，去否定某一个较大区域试探的必要性。

2.2.1.3开发流程

实际上车牌识别代码量并不是很大，如果不停的手工输入；用不到一天的时间，即可大功告成。但是程序需要反复调试，才可以走向成熟。所以工作量是很大的。

另外车牌识别还有其本身的特点——理论并不成熟。这就给车牌识别带来了更多的工作量。一般来说，开发车牌识别程序，先按照最原始最朴素的思想编码，然后是不断地优化。这将贯彻到整个车牌识别的开发过程中去。

第2节 必备模块

车牌识别最基本的流程是：将采集后的图像二值化，然后依次经过车牌定位、字符分割、去除干扰，最后是字符识别。有时还会加入本节前面部分所叙述的思想（比如回溯）。

下面将分五章具体介绍每一个模块。

第3章 二值化

二值化是车牌识别的第一步。二值化前后的对比如图：

二值化的算法很简单，首先有一个亮度的阈值(threshold)，对每一个像素的亮度和这个阈值做比较，根据比较结果得出车牌的前景和背景。用c/c++描述如下：

void CLPR::Binary(int threshold)
{int y;for(y=0;y<m_height;y+++){int x;for(x=0;x<m_width;x++){unsigned char red,green,blue;GetPixel(red,green,blue,x,y);int bright;bright=red+green;if(m_search_blue_plate){if(bright<=threshold)SetBinary(x,y,BACKGROUND);elseSetBinary(x,y,FOREGOUND);}else //we are searching yellow plate{if(bright>=threshold)SetBinary(x,y,FOREGOUND);elseSetBinary(x,y,BACKGROUND);}}}
}

二值化算法虽然简单，但是阈值却不容易寻找。本章后面的部分，将重点介绍各种求解阈值的算法。

第1节 OTSU

OTSU算法的思想是：把输入图像首先转换成灰度图象，然后对图像进行直方图分析。如果直方图呈双峰分布。那么双峰之间的“谷”就是阈值。从统计学角度讲，阈值两边的距离最大。

由于车牌识别的特殊性，图象象素点的亮度为该象素点的红色分量和绿色分量的和，并且忽略蓝色分量。这一点对蓝色车牌和黄色车牌都是适用的。

OTSU算法仅对直方图呈双峰分布的图像有效。

全部代码如下：

void LPR::OTSU()
{//直方图统计{int index;for(index=0;index<m_bright_level_count;index++)m_pixel_number[index]=0;}{int y;for(y=0;y<=m_height;y++){int x;for(x=0;x<=m_width;x++){int bright;bright=Bright(x,y);m_pixel_number[bright]++;}}}//真正求阈值double sum;sum=0;int n;n=0;int k;for(k=0;k<=(m_bright_level_count-1);k++){sum+=k*m_pixel_number[k];n+=m_pixel_number[k];}double c_sum;c_sum=0.0;double f_max;f_max=-1.0;int n1;n1=0;for(k=0;k<(m_bright_level_count-1);k++){n1+=m_pixel_number[k];if (n1==0) continue;int n2;n2=n-n1;if(n2==0) break;c_sum+=(double)k*m_pixel_number[k];double m_1,m_2;m_1=c_sum/n1;m_2=(sum-c_sum)/n2;double sb;sb=(m_1-m_2)*(m_1-m_2)*(double)n1*(double)n2;if (f_max<sb){f_max=sb;m_prepare_threhold=(int)(k+0.5);}}
}

第2节 Matlab算法

使用Matlab进行车牌识别，也是一个比较好的选择。在Matlab的环境中首先把输入的彩色图像使用命令rgb2gray转换成灰度图像。有了灰度图像就可以使用命令graythresh获得阈值了。最后使用命令im2bw对图像进行二值化。十分方便！代码如下：

I=imread('blood1.tif');

imhist(I);

% 人工观察灰度直方图，发现灰度120处有谷，确定阈值T=120

I1=im2bw(I,120/255);

% im2bw函数需要将灰度值转换到[0,1]范围内

figure,imshow(I1);

改进为

I=imread('blood1.tif');

imhist(I);

I1=graythresh(I);

% im2bw函数需要将灰度值转换到[0,1]范围内

figure,imshow(I1);

第4章 车牌定位

图像二值化，占用车牌识别中的大部分时间。在二值化之后，车牌识别将变得比较容易。

车牌定位为二值化后的第一步。下面分小节分别介绍各种车牌定位算法。

第1节 角点定位方法

车牌识别过程中，角点定位的基本思想是：

在所有的边界点中，如果某些点的曲率半径比较小，那么这些点叫做“角点”：如下图所示（角点用红点表示）：

图中字符上和车牌的四角都有角点。但是这并不影响车牌的定位。

根据距离最大的四个角点，得到了车牌的四个角，从而定了车牌。从角点定位的原理看出，如果经过旋转后车牌并不会影响角点定位的成功率和速度。

该算法的实现可以采取遍历匹配的算法，实现如下：

void LPR::GetConere()
{int y;for(y=0;y<m_height;y++){int x;for(x=0;x<m_width;x++){if(Line(x,y,x+4,y)>=3){if(Line(x,y,x,y+4)>=3){if(Line(x+1,y+1,x+4,y+4)<=1)Add(x,y,LEFT_TOP_CONNER);}if(Line(x,y,x,y-4)>=3){if(Line(x+1,y-1,x+4,y-4)<=1)Add(x,y,LEFT_DOWN_CONNER);}}if(Line(x,y,x-4,y)>=3){if(Line(x,y,x,y+4)>=3){if(Line(x-1,y+1,x-4,y+4)<=1)Add(x,y,RIGHT_TOP_CONNER);}if(Line(x,y,x,y-4)>=3){if(Line(x-1,y-1,x-4,y-4)<=1)Add(x,y,RIGHT_DOWN_CONNER);}}}}
}

函数Line(x1,y1,x2,y2)返回过两点(x1,y1),(x2,y2)的直线，前景的象素个数。

注意这里的4，是检验角点的区域范围，如果区域过大，图像旋转时就会影响车牌定位的成功率。

第2节 上下定位方法

仔细观察二值化后的图像，在车牌的上边和下边各有一条较长的背景线（上图用红线表示）。根据这两条背景线可以准确的定位车牌。定位算法如下：

int LPR::HorizontalLine(int x,int y,int count)
{int ret;ret=0;int x_loop;for(x_loop=0;x_loop<count;x_loop++)if(!IsForegournd(x+x_loop,y))ret++;return ret;
}

IsForegournd(x,y)为询问点(x,y)是不是前景点的函数。

该算法比角点定位算法要快，但是不适合经过旋转后的车牌。虽然经过改进后也可以识别出旋转后的车牌，但是速度很慢，不能出现在成熟的产品中。

第3节 变化率定位法

图中有三条直线，如果沿着这三条直线扫描的话，会发现：黑色的扫描线前景占很大的比例，绿色的扫描线背景占很大的比例；红色的扫描线前景背景比例都不突出，但是前景背景交替较为频繁。这说明根据前景背景变化率可以定位车牌。

这种算法可以有效防止车牌旋转的干扰。

获得变化率的代码如下：

double CLPR::ScanLine(int x,int y,int count)
{bool current_foreground;current_foreground=IsForeground(x,y);int change_times;change_times=0;int loop;for(loop=1;loop<count;loop++){if(current_foreground){if(!IsForeground(x+loop,y)){change_times++;current_foreground=false;}}else{if(IsForeground(x+loop,y)){change_times++;current_foreground=true;}}}double ret;ret=change_times;ret/=(count+1);//do not div 0return ret;
}

第5章 字符分割

在车牌识别过程中，车牌定位后的工作便是分割字符。本章将分若干节介绍字符分割的算法。

第1节 连续点分割法

对于一个数字或者字母，前景的点是连续的。用填充算法对种子点填充即可得到整个字符。

当然汉字就不是了，所以这种分割算法仅仅适合数字或者字母。但是当整个车牌的数字和字母都得到之后，剩下的那个必定是汉字。

这个思想用c/c++描述如下：

void LPR::Scan()
{int y;for(y=m_plate_top;y<=m_plate_bottom;y++){int x;for(x=m_plate_left;x<=m_plate_right;x++){if(IsForeGround(x,y)&&!IsVisited(x,y)){Fill(x,y);}}}
}

Fill是种子填充，算法有多种。下面分别介绍。

2.5.1.1递归填充算法

递归填充算法的基本思想是，首先访问当前点，然后访问当前点的四个邻居。

每次访问时，要做一个记号，否则递归过程无法结束。

具体到车牌识别，每访问一个点，还要记录该点的坐标，从而得到当前字符点的集合。

void LPR::Fill(int x,int y)
{if(!IsForground(x,y))return ;if(IsVisited(x,y))return ;AddPixelToCharacter(x,y);MarkPixelVisited(x,y);Fill(x+1,y);Fill(x,y+1);Fill(x-1,y);Fill(x,y-1);
}

可以看出用c/c++描述的填充算法十分简单。

2.5.1.2递归扫描线算法

基本的递归填充算法，函数递归调用较为频繁，引起系统资源消耗巨大。人们后来又提出了改进了的“扫描线种子填充算法”。其基本思想是：在种子的左右两边水平扫描暂时不需要递归，以减少不必要的函数调用。水平扫描结束后，仅仅考虑扫描线两个端点即可。算法如下：

void LPR::Fill(int x,int y)
{int (*stack)[2];stack=(int (*)[2])new int [m_width*2];int stack_length;stack_length=0;stack[stack_length][0]=x;stack[stack_length][1]=y;stack_length++;while(true){if(stack_length==0)break;x=stack[stack_length-1][0];y=stack[stack_length-1][1];stack_length--;int left_x;for(left_x=x-1;left_x>=0;left_x--)if(!IsForeGround(left_x,y)||IsVisited(left_x,y))break;left_x++;for(x=left_x;x<m_width;x++){if(!IsForeGround(x,y)||IsVisited(left_x,y))break;Visit(x,y);}int right_x;right_x=x;if(right_x>=m_width)right_x=m_width-1;left_x--;if(left_x<0)left_x=0;int down_y;down_y=y+1;if(down_y<m_height){for(x=left_x;x<=right_x;x++){if(IsForeGround(x,down_y)&&!IsVisited(left_x,y)){stack[stack_length][0]=x;stack[stack_length][1]=down_y;stack_length++;}}}int up_y;up_y=y-1;if(up_y>=0){for(x=left_x;x<=right_x;x++){if(IsForeGround(x,up_y)&&!IsVisited(left_x,y)){stack[stack_length][0]=x;stack[stack_length][1]=up_y;stack_length++;}}}}delete [] (int*)stack;
}

虽然扫描线种子填充算法，比基本的种子填充算法复杂一些，但是在车牌识别测试后发现，扫描线种子填充算法比种子填充算法要快三分之一左右。

第2节 边界法

边界法和连续点分割法很相似，只不过连续的边界点，而不是所有的前景点。边界法需要事先得到前景像素中的边界点，这可能会花费一些时间。但是这样会加速得到连续点的递归操作。边界点如下图：

得到边界点的算法如下：

void CLPR::GetEdge()
{int y;for(y=0;y<m_height;y++){int x;for(x=0;x<m_width;x++){if(IsForeground(x,y)){if(!IsForeground(x-1,y))SetEdge(x,y);else if(!IsForeground(x+1,y))SetEdge(x,y);else if(!IsForeground(x,y-1))SetEdge(x,y);else if(!IsForeground(x,y+1))SetEdge(x,y);}}}
}

连接边界点的算法和连接前景点的算法完全相同。

第3节 根据尺寸分割

从理论上讲，图片和实物相比，尺寸上有了很大的变化。并不一定图片和实物几何意义上的相似。也就是说未必图像和实物成比例。但是实验证实，在一到两个像素范围内，在水平方向上，实物和图像基本上成比例。

请观察下图：

这个是来自于《GA36-2007中华人民共和国机动车号牌》的车牌尺寸说明。根据这幅图片，我们可以在一定位的车牌上，找到各个字符的坐标。请看下面的代码：

void GetCharacterPosition(int character_position[7],int plate_left,int plate_right)
{static const int mm[]={3+45/2,character_position_mm[0]+12+45,character_position_mm[1]+12+10+12+45,character_position_mm[2]+12+45,character_position_mm[3]+12+45,character_position_mm[4]+12+45,character_position_mm[5]+12+45,character_position_mm[6]+45/2+1,};int index;for(index=0;index<sizeof(mm)/sizeof(mm)-1;index++)character_position[index]=plate_left+(-plate_left+plate_right)*mm[index]/mm[sizeof(mm)/sizeof(mm[0])-1];
}

上面的代码技巧性很大，需要读者认真揣摩。

第6章 去除干扰

干扰车牌识别的因素很多。比如车牌旋转、污染、固定螺丝和车牌边框等等。下面分小节分别介绍去除各种干扰的方法。

第1节 去除噪音

去除噪音的原理是：每一个字符，都是很大的一个连续块，但是噪音确是比较小的多个连续块。通过递归算法得到每个字符中各个块的大小，保留最大的块，其余块当作噪音删掉。算法很简单，这里不再列出代码。

第2节 去除螺丝干扰

去除螺丝的工作要和字符本身的特征联系在一起。对不同的字符、相同字符不同部位的螺丝，都要分别编码。工作量很大。下面分小节举几个例子：

2.6.2.10986等左上方螺丝

这种情况如下图所示：

在比较圆的9的上部出现了一个螺丝，比较明显。可以删掉，代码如下：

void CLPR::DeleteLeftUpSmallScrewCharacterRound()
{bool possible_screw;int possible_screw_start;int possible_screw_end;if(m_character_index==5){possible_screw=false;{int seek;for(seek=0;seek<=1;seek++){possible_screw_start=m_min_y+seek;int screw_right;if(ExpandHorizontal(screw_right,possible_screw_start,possible_screw_start,m_max_x,SUB)){if(screw_right>=m_delta_x/2){possible_screw=true;break;}}}}int delta_x;if(possible_screw)    {possible_screw=false;for(possible_screw_end=possible_screw_start+1;possible_screw_end<m_min_y+m_delta_y*2/5;possible_screw_end++){delta_x=RecognizeCharacterLocateVeritcalSmallSideScrewGetDeltaX(true,possible_screw_end,true);int left;if(!ExpandHorizontal(left,possible_screw_end,possible_screw_end,m_min_x,ADD))continue;if(left>m_delta_x/2)continue;int right;if(!ExpandHorizontal(right,possible_screw_end,possible_screw_end,m_max_x,SUB))continue;if(right>delta_x/2)continue;if(possible_screw_end+4>m_center_y)continue;int distance1;distance1=HorizontalDistance(possible_screw_end,possible_screw_end);int distance2;distance2=HorizontalDistance(possible_screw_end+2,possible_screw_end+2);int distance3;distance3=HorizontalDistance(possible_screw_end+4,possible_screw_end+4);if(!(distance1<=distance2&&distance2<=distance3&&distance1<distance3&&distance1>0))continue;if(distance3<delta_x*3/4)continue;int seek;for(seek=2;seek<=4;seek++){if(ChangeTimeHorizontal(possible_screw_end+seek,possible_screw_end+seek)==4){possible_screw=true;break;}}if(possible_screw)break;}}if(possible_screw){int left;if(!ExpandHorizontal(left,possible_screw_end-1,possible_screw_end-1,m_min_x,ADD))possible_screw=false;else{if(left>=m_delta_x/2)possible_screw=false;}}if(possible_screw){bool known_letter;known_letter=false;if(!known_letter){m_min_y=possible_screw_end;RecognizeCharacterAdjustVertical();}}}
}

以上代码拷贝自绿睿车牌识别工程，实际上是比较旧的版本。读者可以进行修改，并放入自己工程中。

2.6.2.2EFT5等右上方螺丝

这种情况如下图所示：

在比较平的5的上部出现了一个螺丝，十分明显。删掉螺丝的代码如下：

void CLPR::RightUpSmallSideScrewCharacterWide()
{if(!(m_character_index==1||m_character_index==4))return ;int possible_screw_start;possible_screw_start=RecognizeCharacterLocateVeritcalRightUpSmallSideScrewGetStart();if(possible_screw_start==-1)return ;bool possible_screw;int possible_screw_end;possible_screw=false;int delta_x;for(possible_screw_end=possible_screw_start+1;possible_screw_end<m_center_y;possible_screw_end++){int distance;distance=HorizontalDistance(possible_screw_end,possible_screw_end);delta_x=RecognizeCharacterLocateVeritcalSmallSideScrewGetDeltaX(false,possible_screw_end,true);if(distance>delta_x*0.63){int seek;for(seek=1;seek<=3;seek++){int left;if(ExpandHorizontal(left,possible_screw_end-seek,possible_screw_end-seek,m_min_x,ADD)){if(left>=delta_x/2){possible_screw=true;break;}}}}if(possible_screw)break;}if(!possible_screw)return ;{int y;y=possible_screw_end-1;int left;if(ExpandHorizontal(left,y,y,m_min_x,ADD)){if(left<m_delta_x/2){int distance;distance=HorizontalDistance(y,y);if(distance>delta_x*0.25)return ;}}}if(possible_screw_end>m_locate_up_contrack_limit)return ;bool known_letter;known_letter=false;if(!known_letter){m_min_y=possible_screw_end;RecognizeCharacterAdjustVertical();}
}

以上代码也是来自绿睿车牌识别的一个老版本。

第3节 去除边框

普通的车牌边框对车牌识别的准确度影响不大。但是某些车牌并不符合标准的车牌尺寸。比如下图：

对于没有经过旋转的车牌，去除边框的算法很容易。在车牌定位之后，就可以估算出车牌字符的大小。如果在字符宽度范围内，都是前景的颜色，没有发生前景背景交替，那么这个连续部分必定是车牌的边框。代码如下：

void CLPR::DeleteFrame()
{int y;for(y=m_plate_top;y<=m_plate_bottom;y++){int x;for(x=m_plate_left;x<=m_plate_right;x++){if(ScanLine(x,y,m_character_width*5/4)==0){SetToBackground(x,y,x+m_character_width*5/4,y);}}}
}

SetToBackground(x1,y1,x2,y2)将x1,y1,x2,y2组成的矩形（这里是一条水平线）里的前景变成背景。这样就删除了边框。

如果车牌旋转角度不大，上述算法也同样适用，但需要在去除完边框后，再做一遍去除噪音点的操作。

如果车牌旋转角度很大，需要换用其它算法。

第4节 旋转

2.6.4.1根据车牌的旋转旋转字符

车牌是个刚体，也就是说它不能发生形变。车牌的旋转角度和字符的旋转角度相同。根据车牌的旋转角度逆向旋转就可以纠正字符。

对于较大的车牌，纠正旋转后的字符，识别率大大提高。对于较小的字符，纠正旋转过程可能丢失某些重要的信息，以致降低识别率。

角点车牌定位方法比较容易得到车牌自身的旋转角度。甚至车牌拉伸和斜切的参数也可以求出来。这样就可以对字符作更精细的恢复，减少字符识别的负担。

2.6.4.2在字体识别时容忍旋转

如果车牌定位本身不精确，很难得到字符本身的旋转信息。这就需要根据不同的字符，纠正旋转。但是一旦知道了字符值，也就没有任何必要做旋转纠正。所以字符识别需要增加对字符旋转的容忍能力。

第7章 字符识别

因为车牌字体是印刷字体。对于印刷字符识别，一般的思路是和模板比对。这样做最大的好处在于编程方便。

但是有两个坏处，第一速度较慢，第二识别率不高。如果用编程语言逐一描述字符的特点即可纠正这两个问题，当工作量很大。

第1节 模板匹配

车牌字符的字体可以在《GA36-2007中华人民共和国机动车号牌》找得到。下面程序有所有汉字的字体。

#define LPT_FONT_WIDTH 16
#define LPT_FONT_HEIGHT (LPT_FONT_WIDTH*2)bool LPRFontGet(int character_index,int x,int y)
{static const int mask[][LPT_FONT_WIDTH*LPT_FONT_HEIGHT/(sizeof(int)*8)]={{0x01800180,0x03800380,0xfffffffe,0x00000000,0x3ffc0000,0x3ddc3ffc,0x381c381c,0x381c381c,0x3ffc381c,0x01801ffc,0x19b80180,0x399c39b8,0x319c319c,0x718e718c,0x61e6618e,0x01e061e6},{0x07000700,0x7fce070c,0x7fdc7fdc,0x77007708,0xffe47700,0x770effee,0x77c8771c,0x7fc07fc0,0x071c0708,0x7fec071c,0x07cc7fec,0x070c070c,0xffeeffee,0x0706ffe6,0x07060707,0x07000704},{0x06600660,0x7e7f7e7f,0x06601e7f,0xfe7e7e7e,0x00003c62,0x3ffc3ffc,0x3ffc318c,0x3f9c3ffc,0x3ffc318c,0x0c603ffc,0x7ffe7c60,0x0c607ffe,0xffff0c60,0x0c20ffff,0x383c1e70,0x0000701e},{0x7ffc7ffc,0x06607ffc,0x66640660,0x766e666e,0x0664366c,0xffff0660,0xffffffff,0x00000000,0x1ff81ff8,0x18181ff8,0x18181818,0x1ff81ff8,0x18181818,0x18181818,0x1ff81ff8,0x18181818},{0x0c300c30,0x7fff7fff,0x0c307fff,0x7ffe7c3e,0x60067ff6,0x0ff06ff6,0x7ffe0000,0x01fe7ffe,0x33fc21f0,0x1fc43b9c,0x17701ee0,0x37cc379c,0x667036e4,0x671c6638,0x03e6438e,0x004001c0},{0x7fcc6008,0x7fdc7fdc,0x3c387818,0x0c001c18,0x0c1e0c00,0x0c1e0c1e,0x0c180c18,0x0c180c18,0x0c180c18,0x0c180c18,0x0c180c18,0x0c180c18,0x0f180f18,0x007c0738,0xffee00fe,0x7f007fc6},{0x03800380,0x03800380,0xffff0380,0xffffffff,0x03800380,0x03800380,0x7ffc0380,0x00007ffc,0x00000000,0x3ffc3ffc,0x301c301c,0x301c301c,0x301c301c,0x301c301c,0x3ffc3ffc,0x001c301c},{0x7ffc7ffc,0x718c7ffc,0x7dac718c,0x7fec7dbc,0x73cc77ec,0x7ffc738c,0x7ffc7ffc,0x01800180,0x7ffc7ffc,0x01807ffc,0xfffe0180,0xffffffff,0x32440000,0x666c766c,0xeeee666e,0x0000eee6},{0x07040000,0x0e1e060e,0x00080e1c,0xffc0ffc0,0xe1c6ffc4,0xe1dce1ce,0xe1c0e1c8,0xe1c4e1c0,0xffdcffcc,0x01cce1cc,0x01cc01cc,0x01cc01cc,0x00c600ce,0x00e600c6,0x007600e7,0x00000074},{0x1c301c30,0xfffe1c30,0xfffefffe,0x1c301c30,0x00001c30,0x01c001c0,0x0ffc01c0,0x0cc00ffc,0x0cc00cc0,0x3ccc3cdc,0x7c6e3cec,0x6e666e66,0x0e302e70,0x0e1c0e38,0x078e0e1c,0x01800786},{0x60c00000,0x7cce78c4,0x0cdc1ccc,0x0cc00cc0,0xfff60ff0,0xfccefcc6,0x6cc06ccc,0x6dc06cc0,0x6cec6dc4,0x6cec6cfc,0x6ccc6ccc,0x6ccc6ccc,0x6cc66cc6,0x66c66ec6,0x67e666c6,0x00206260},{0x0e000000,0x0c1c0e18,0x7f8c7f8c,0x61bf7fbf,0x61b761bf,0x3f373f37,0x00373f37,0x7fbf0037,0x7fb3ffbf,0x1f331f33,0x1f331f33,0x1b3f1f33,0x1b3f1b3f,0x5b071b07,0xfbc0db00,0x000079c0},{0x000c0000,0xffd8ffdc,0xe010e038,0xe187e187,0xeff7c187,0xcff7eff7,0xcdb7cdb7,0xcdb7cdb7,0xcff7cff7,0xc1b7cdf7,0xcd87c9b7,0xcf87cd87,0xdbf7dff7,0xc007c807,0xe007c007,0x00077007},{0x06180200,0xfe7efe18,0x6f00667e,0x39b63fa6,0x677e7c34,0x3c00437e,0x187e3c7e,0x7fe61866,0x007e7fe6,0x7f667f66,0x4b7e437e,0x5b185b18,0x087f4b18,0x3c180c7f,0x67983618,0x00186318},{0x00c00040,0x0ff01de0,0x07180ff8,0x3fff3ffe,0x3398339a,0x3ff83ff8,0x31983198,0x3ffc3ff8,0xffff0000,0xff80fffe,0x3ff80000,0x38183ff8,0x3ff83ff8,0x38183ff8,0x3ff83ff8,0x38003818},{0x06000200,0x3f3e3e3e,0x19b0333e,0x7fde7fdc,0x491849cc,0x7f7f4908,0x0c6c7f7f,0x4f0c0e6c,0x6dcc6f8c,0x3f0c3e8c,0x6dcc3f0c,0x6e0c6ecc,0x498c6b0c,0x4c4eccec,0x07000e06,0x01000300},{0x7bde79de,0xdb567bde,0xdb56db56,0x4bdecb52,0x68006bde,0x6bfc3800,0x48006bfc,0x4fff4800,0x4c184fff,0x4df84c18,0x4df84df8,0x4d804d80,0x6d804d80,0x6cc06dc0,0x0cf82cc0,0x00100c70},{0x00c000c0,0xfcce40c4,0xdcc8fccc,0xdff0dcc0,0xdcc0dff0,0xfccefcc7,0xddccddcc,0xdfe0ddc0,0xdee4dfe0,0xfcecfcec,0xdcfcfcfc,0xdcd4dcf4,0xdcd6dcd6,0xfcc6dcc6,0xdd80fdc6,0x0080dc80},{0x00e00040,0x3ffe0060,0x3ffe3ffe,0x3dae318e,0x31ae35ee,0x3ffc3ffc,0x35ec31cc,0x3dac3dec,0x3f8c318c,0x3ffc3ffc,0xffff0000,0x07ffffff,0x3ff00030,0x38003ff8,0x1f801800,0x03800f80},{0x38381838,0x38383838,0x7e387e38,0x38fe7e38,0x38fe38fe,0xfe3c3838,0xfe3cfe3c,0x00fc00fc,0x19fe18fe,0x183e18be,0x7e387e3e,0x18387e38,0x18381838,0x18381838,0x7f387f38,0x00387f38},{0x0e000000,0x0c000e00,0xffff0c3f,0x001cffdc,0x7f9c001c,0x7f9c7f9c,0x61bf61bf,0x618c61bf,0x7f8c7f8c,0x0e0c7f8c,0x7fbc0e2c,0x6fde6ffc,0x6ec66ece,0xee606ee2,0x4f60ce60,0x03000f00},{0x06040000,0x061c060c,0x1b100f18,0x31c03b80,0xe0e071e0,0x0f064f62,0x000c000e,0x43e063e0,0x4a604be0,0x4be84a60,0x4a6c4bec,0x4bec4a6c,0x4a6c4bec,0x42644a64,0x63664266,0x21606364},{0xe000e000,0xe718e018,0xe718e718,0xe318e318,0xe318e318,0xe318e318,0xe318e318,0xe318e318,0xe31ce31c,0xe31ce31c,0xe31ce31c,0xe31ce31c,0xe31ce31c,0xe30ee30c,0xe006e30e,0xe000e000},{0x03800380,0x3ffc3ffc,0x339c3ffc,0x3f9c339c,0x3ffc3ffc,0x03800380,0x7fffffff,0x00000000,0x3ffc3ffc,0x301c3ffc,0x339c339c,0x339c339c,0x01c0319c,0x1ce00dc0,0x703c3870,0x2004601e},{0x3ff83ff8,0x00003ff8,0x00000000,0x00000000,0x00000000,0x00000000,0xffffffff,0x018003ff,0x00c001c0,0x00e000c0,0x0c700860,0x18301c30,0x38181838,0x3f9c3c18,0x61fc7ffc,0x2000601c},{0x0c600420,0x7ffe0c60,0x7fe07ffe,0x60004460,0x78065806,0x7ff67ff6,0x1ff61836,0x5afe1ff6,0x5ff0dafe,0x7cfe5ff0,0x74fe74ff,0x32f637f6,0x32f632f6,0xf8167fd6,0x6e187c1a,0x00006718},{0x0c000c00,0x0c3e0c00,0x7ff60c3e,0x7ff67ff6,0x0c1e0c16,0x6cde4cde,0x6db66df6,0x2db66db6,0x0c360c36,0xfff6fff6,0x0e370c37,0x0e370e37,0x1b1f1f1f,0x31c73b87,0x60e771c7,0x40206067},{0x18381800,0x18381838,0x18381838,0x18381838,0x7fff1838,0x1838ffff,0x18381838,0x18381838,0x1ff81ff8,0x18381ff8,0x18381838,0x18381838,0x18381838,0x1ff81838,0x18381ff8,0x00381838},{0x03800180,0x7ffc7f80,0x03807ffc,0x3ffc0380,0x3ffc3ffc,0xffff0380,0xffffffff,0x3ffc0000,0x3ffc3ffc,0x301c301c,0x3ffc3ffc,0x301c301c,0x3ffc3ffc,0x301c301c,0x381c301c,0x0810381c},{0x01800100,0x03800380,0xfffe0380,0xe006fffe,0xe006e006,0x0000e006,0x00000000,0xffff0000,0xffffffff,0x03800380,0x03800380,0x03800380,0x03800380,0x03800380,0x03c00380,0x00c003c0},{0x40300020,0x3dfef830,0x0dfe0dfe,0x0c000c00,0x0ccc0ccc,0x7c600ccc,0x6fff7ff8,0x6c306fff,0x6c306c30,0x6dfe6dfe,0x6cbc6c30,0x65bc6dfc,0x67b667b6,0x66376636,0x63386630,0x00086338},{0x0d840c00,0x0d8e0d84,0x7fec0d8c,0x7fe07fe8,0x0d820d80,0x7ff70d82,0x7ff47ff6,0x18c059c4,0x7fe030e0,0x6ff47ff0,0x48cc48dc,0x0fc408c4,0x4fc60fc6,0x60c640c6,0x7fc27fc7,0x00003fc0},{0x03000100,0x7fe60304,0x7fec7fee,0x6660606c,0x6f606fe0,0x6fe66f62,0x6fe66fe7,0x6f646764,0x6fe46fe0,0x626c66e4,0xfff4260c,0xfff6fff6,0x0f060706,0x39c71f86,0x70f279e6,0x00006060},{0x0e380600,0x0e180e38,0x7ffc0e18,0x7fce7ffc,0x7fce0e0e,0xffce7fce,0xeecceecc,0x6ecc6ecc,0x7fcc7fcc,0x0e1c0e1c,0x0fec0edc,0x0f9c0fdc,0x0f0c0f9c,0x3f9c1f1c,0xf1fc7bdc,0x001c60dc},{0x7f980008,0x0c387f98,0x0c7c0c38,0x7f4c0c6c,0x61167f06,0x6d30611a,0x6d106d30,0x6d7e6d00,0x6d606d7e,0x6d6c6d60,0x6f3c6d3c,0x6f186f1c,0x0c300c38,0x36300c30,0x63807700,0x00004180},{0x18c00800,0x1ccc18ee,0x0ddc1dcc,0x0e000e08,0x7ffe7ffe,0x60067ffe,0x6fe66006,0x0ff00ff0,0x07000e00,0x03800380,0xffffffff,0x0180ffff,0x01800180,0x03800180,0x03e00380,0x00c001c0},{0x0c580408,0x7dfe0c5e,0x7e587ffe,0x37fc7618,0x3fbe3ffc,0xfdae3bbf,0x7ffc7ffc,0x038065bc,0xfffe7ffe,0x1ff80000,0x00001ff8,0x1ff81ff8,0x1ff80000,0x18181ff8,0x1ff81818,0x18181ff8}};if(x>=LPT_FONT_WIDTH)return false;if(y<0)return false;if(y>=LPT_FONT_HEIGHT)return false;int int_index;int_index=y*LPT_FONT_WIDTH+x;int bit_index;bit_index=int_index%(sizeof(int)*8);int_index/=(sizeof(int)*8);if(mask[character_index][int_index]&(1<<bit_index))return true;elsereturn false;}
void CChildView::OnPaint()
{CPaintDC dc(this);int y;for(y=0;y<LPT_FONT_HEIGHT;y++){int x;for(x=0;x<LPT_FONT_WIDTH;x++){if(LPRFontGet(36,x,y))dc.SetPixel(x,y,RGB(64,128,128));elsedc.SetPixel(x,y,RGB(200,200,200));}}
}

其中bool LPRFontGet(int character,int x,int y)的功能是取得字体。

character 的取值范围是0~36，分别代表：“京”“津”“冀”“晋”“蒙”“辽”“吉”“黑”“沪”“苏”“浙”“皖”“闽”“赣”“路”“豫”“鄂”“湘”“粤”“桂”“琼”“渝”“川”“贵”“云”“藏”“陕”“甘”“青”“宁”“新”“港”“澳”“使”“领”“学”和“警”。

x,y是字符上像素坐标取值范围：x[0~16]，y[0~32]。

如果该点是字体上的点返回true否则返回false

void CChildView::OnPaint() 是应用LPRFontGet的一个例子。

第2节 字符特点

用编程语言逐一描述字符的特点，可以很好的提高在恶劣环境下的字符识别率，从而提高车牌识别的质量。但是这个算法编程任务繁重，所以只有在商业化运用时使用。另外这也是一种手工操作的“神经网络”识别，比自动化的“神经网络”效率高。

下面举个例子，例子来自于最新版的绿睿车牌识别的核心代码。

bool CLPR::LetterNumberRecognize5LeftDown()
{//判断是不是字符‘5’的左下角bool five_left_down;five_left_down=false;//扫描开始的地方int start_y;start_y=m_center_y+2;//m_center_y： 字符中间的y坐标//扫描结束的地方int end_y;end_y=m_max_y-2;//m_center_y： 字符最下面的y坐标//开始扫描int y;for(y=start_y;y<end_y;y++){int left;left=Left(y);//在y行，最左端像素离边界的距离if(left>=m_delta_x*0.5)//m_delta_x 字符的宽度{five_left_down=true;break;}}return five_left_down;
}

整个过程都是在走逻辑很繁琐。但是识别效率还可以，还可以有效抵抗字符旋转等干扰。

向您推荐 —— 绿睿 车牌识别