标签：
接着昨天的工作，把最后一部分识别讲完。
关于字符识别这块，一种最省事的办法是匹配识别，将所得的字符和自己的标准字符库相减，计算所得结果，值最小的即为识别的结果。不过这种方法是在所得字符较为标准的情况，由于众多因素影响，切割出来的字符往往不是标准的，因此识别效果也不好。本次采用的BP神经网络方法，至于像其他的分类器方法，没有尝试，这里就不说了。
利用神经网络的方法的思路也比较清晰，将已有的字符库输入到神经网络的输入口进行训练，然后用训练好的神经网络对待识别的字符继续识别，输出识别结果。matlab里面已经集成好神经网络，直接调用即可。
这里说明一下，考虑到减小输入量，这里把输入的字符划分为八行四列，计算每块的总数，然后把这些数作为样本输入到神经网络。
字符识别部分代码：
for i=1:136 ii=int2str(i); fname=strcat(‘D:\1_2学习\图像处理\车牌识别\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 %设置学习速率 P = alphabet; T = targets; [net,tr] = train(net,P,T);%训练好的神经网络
函数catch2chi2character：
function lett=catch2chi2character(I1) %% 训练样本前期处理 % bw_7050=imresize(I1,[32 16],‘nearest‘);%将图片统一划为50*25大小 [m n]=size(I1); bw_7050=I1; % figure,imshow(I1); histrow=sum(bw_7050‘); %计算水平投影 histcol=sum(bw_7050); %计算竖直投影 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‘);%将图片统一划为50*25大小 % figure,imshow(bw_7050) for cnt=1:8%粗网格特征作为输入矢量 for cnt2=1:4 Atemp=sum(bw_7050((cnt*4-3:cnt*4),(cnt2*4-3:cnt2*4))); %获取字符的统计特征 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‘); %计算水平投影 histcol=sum(bw_7050); %计算竖直投影 lett=lett‘; end
字符识别：
for i=2:7 ii=int2str(i); fname=strcat(‘D:\1_2学习\图像处理\车牌识别\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‘); %提取边缘 % 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‘]); %建立自动识别字符代码表 for i=1:6 str(i)=liccode(b(i)); end
汉字识别和字符差不多，这里就不贴上去了。。
总结一下：采用这种方式，基本上字符都可以识别出来。考虑到样本采集、数字处理过程中对字符的影响，像字符O和D，一定情况下无法识别。这也是程序所存在的问题，即没有对相似的字符进行区分。。汉字也存在这种情况，左右结构的也没有考虑。因此想做到完整还有好多工作要做。。
这个是简单的GUI结果图：
总结一下：
1.获取的车牌规格要统一，否则很难把握好车牌定位这块。
2.切割字符关键在于让程序确定在车牌的位置，这样切割起来就比较方便了。不足的地方在于从定位到切割这块要耗费一点时间，感觉是自己程序太过复杂?不知道有没比较简单的思路没。
3.字符识别想要做的好，工作还是比较多的。这次神经网络训练过程中参数设置很重要，土办法是去试，不知道有没有科学点的办法。。
4.算是对这段时间来的一个总结，里面涉及到的内容还是很多的，多看看模式识别方面的知识。
结束。。2015-5-11
标签：
原文地址：http://www.cnblogs.com/zhanjxcom/p/4493600.html
