作者：林健（北京理工大学计算机科学技术学院）
指导教师：尚斐（北京理工大学医学图像实验室）
注意，由于BLOG功能的原因，这里无法显示图片 。您可以下载Word原文档（包含m源文件和相关图片） 。下载地址：http://disk.linjian.cn
二、汽车牌照定位与字符识别
待处理的图像如下所示。图像整体比较清晰干净，车牌方向端正 ，字体清楚，与周围颜色的反差较大。
要定位汽车牌照并识别其中的字符，我们采用Matlab平台提供的一些图像处理函数,以傅立叶变换通过字符模 板与待处理的图像匹配为核心思想。基本方法如下：
1、读取待处理的图像，将其转化为二值图像。经试验 ，采用门限值为0.2附近时车牌字符最为清楚，杂点最少（如下左图）。
| I = imread('car.jpg'); I2 = rgb2gray(I); I4 = im2bw(I2, 0.2); |
2、去除图像中面积过小的，可以肯定不是车牌的区域。
| bw = bwareaopen(I4, 500); |
3、为定位车牌，将白色区域膨胀，腐蚀去无关的小物件 ，包括车牌字符（如下右图）。
| se = strel('disk',15); bw = imclose(bw,se); |
4、此时车牌所在白色连通域已清晰可见，但在黑色区域以外 ，是一个更大的白色连通域，将车牌所在连通域包围了 。有必要将其填充。
| bw = imfill(bw,[1 1]); |
5、查找连通域边界。同时保留此图形，以备后面在它上面做标记。
| [B,L] = bwboundaries(bw,4); imshow(label2rgb(L, @jet, [.5 .5 .5])) hold on for k = 1:length(B) boundary = B{k}; plot(boundary(:,2),boundary(: ,1),'w','LineWidth',2) end |
6、找出所有连通域中最可能是车牌的那一个。判断的标准是 ：测得该车牌的长宽比约为4.5:1，其面积和周长存在关系：(4.5×L×L)/(2× (4.5＋1)×L)2≈1/27，以此为特征，取metric=27*area/perimeter ^2作为连通域的匹配度，它越接近1，说明对应的连通域越有可能是4.5:1的矩形。
| % 找到每个连通域的质心 stats = regionprops(L,'Area','Centroid '); % 循环历遍每个连通域的边界 for k = 1:length(B) % 获取一条边界上的所有点 boundary = B{k}; % 计算边界周长 delta_sq = diff(boundary).^2; perimeter = sum(sqrt(sum(delta_sq,2))); % 获取边界所围面积 area = stats(k).Area; % 计算匹配度 metric = 27*area/perimeter^2; % 要显示的匹配度字串 metric_string = sprintf('%2.2f',metric); % 标记出匹配度接近1的连通域 if metric >= 0.9 && metric <= 1.1 centroid = stats(k).Centroid; plot(centroid(1),centroid(2), 'ko'); % 提取该连通域所对应在二值图像中的矩形区域 goalboundary = boundary; s = min(goalboundary, [], 1); e = max(goalboundary, [], 1); goal = imcrop(I4,[s(2) s(1) e(2)-s(2) e(1)-s(1)]); end % 显示匹配度字串 text(boundary(1,2)-35,boundary (1,1)+13,... metric_string,'Color','g',... 'FontSize',14,'FontWeight', 'bold'); end |
图示为找到的各个连通区域，中部被标记“○”的矩形匹配度为0.99，是最可能的区域。下边是由它确定的二值图像中的车牌区域 ：
7、将车牌图像反白处理，并扩充为256×256的方阵（如下左图），以便下面傅立叶变换中矩阵旋转 运算的进行。
| goal = ~goal; goal(256,256) = 0; figure; imshow(goal); |
8、从文件读取一个字符模板（以“P”为例，模板图像 直接从上述二值图像中截取得到）。对图像计算傅立叶描述子，用预先定义好的决策函数对描述子进行 计算。变换后的图像中，亮度的高低指示相应区域与模板的匹配程度 （如下中图）。
| w = imread('P.bmp'); w = ~w; C=real(ifft2(fft2(goal).*fft2 (rot90(w,2),256,256))); |
9、通过检查C的最大值，试验确定一个合适的门限（这里240比较合适） ，显示亮度大于该门限的点，也就是与模板的匹配程度最高的位置 （如下右图）。
| thresh = 240; figure; imshow(C > thresh); |
对照左右两图，可以说明字符“P”被识别和定位了。同样的方法，可以识别和定位其它字符。
这种方法总体上比较容易理解，Matlab的函数隐藏了傅立叶变换等复杂的计算。缺点 ：在定位车牌方面，程序专门按本题给定图像的特点设计 ，没有普适性。字符识别方面，仅能识别与给定模板基本一致的字符 。车牌大小、角度、光线、完整性、清晰度发生变化后 ，就无法识别了。同时对于“8”与“B”这样相似的字符 ，识别时常常混淆。
* 参考文献：
1、Applications of the Fourier Transform, Matlab 7.0 Help Documents, The MathWorks.
2、Identifying Round Objects, Matlab 7.0 Demos, The MathWorks.
没有评论:
发表评论