基于超人视觉启蒙视频——halcon基础2：车牌识别

本文是基于超人视觉Halcon启蒙视频所作，此篇是基础的车牌识别，主要是根据以下步骤演示：

1. 采集图像(read_image)；
2. 预处理（1.拉开对比度，2.去噪，3.几何变换，4.抠图（ROI））;
3. 分割(形态学方法);
4. 创建分类器(read_ocr_class_mlp);
5. 识别车牌(do_ocr_multi_class_mlp);

以下将按步骤进行详细讲解。
首先，可以在路上随意拍一张车牌照片用来做处理的图像，以下为本次例子图片：

1.采集图像(read_image)：

2. 预处理之车牌定位：
首先我们要做一个判断，因为车牌的方向是斜的，所以我们做的第一步预处理应该是车牌定位，然后通过几何变换转正，得到转正后的车牌为后面的ocr识别做基础。

这里的预处理使用的手法是拆通道，通过decompose3的算子我们可以用颜色检测的方法获得RGB三个通道的图片，为了二值化能方便分割，运用trans_from_rgb把RGB分别转成灰度的hsv三个图像，很显然S通道能得到一个较好分割的图像。

在图像窗口显示S通道的图像，并对他做二值化分割：

如图所示，能较好分割出车牌。

二值化后发现图像仍存在挺多的噪点，所以我们可以根据情况用开运算的算子opening_rectangle1来去噪。

我们可以来看一下去噪前后的对比图：

去除了大部分噪点后，我们可以使用特征筛选出车牌，不过在特征筛选前我们应该**断开连通域(connection)**否则无法筛选。

筛选得到区域：

得到区域后将区域连成一个，用fill_up填满中间的孔洞，再拟合成矩形。

3.几何转换：需要开始求解仿射变换之旋转矩阵,这里要注意是转到180度还是0度，需要注意你求解角度时的极轴方向。

得到Phi1=2.96774，根据原理可以得出它的极轴方向是在第二象限内，接近180°。

接下来就是几何变换了，用area_center求出面积和中心点，以中心点为固定点转正。vector_angle_to_rigid需要用到前面的角度，我们是知道Phi1=2.96774，所以式子中的倒数第二个参数为转正后的角度，应为接近的水平的角度，即180°，且这里的角度单位为弧度，需要转换单位即为rad（180）。接着用affine_trans_image,把照片转正，这个算子的第一个参数填的是我们的车牌图的变量。然后才转正我们分割处理的区域，显示转正后的图片，车牌就被抠出来了。

得到如图结果：

4.得到车牌后，直接再次预处理，如图：

5.识别车牌字符
这里使用现有的神经网络分类器用read_ocr_class_mlp，在这里我使用的字体是Industrial0-9A-Z（这种字体是针对亮背景下的暗字体），因为现在的字体是亮字体暗背景，所以需要在车牌预处理前加反转的算子invert_image，将暗亮反转。

接下来就是读取分类器和识别显示在图像窗口的左上角，在这里要注意do_ocr_multi_class_mlp的第二个参数变量要填写反转后的变量**（ImageInvert）**，否则会识别错。

最后得到车牌识别的结果：