first commit

阅读分析CharsRecognise模块.txt

@@ -0,0 +1,72 @@
+字符识别（Chars Recognition）：该步骤的主要目的就是从上一个车牌检测步骤中获取到的车牌图像，进行光学字符识别（OCR）这个过程。其中用到的机器学习算法是人工神经网络（ANN）中的多层感知机（MLP）模型。
+在CharsRecognize过程中，一副车牌图块首先会进行灰度化，二值化，然后使用一系列算法获取到车牌的每个字符的分割图块。获得海量的这些字符图块后，进行手工分类（这个步骤非常耗时间，后面会介绍如何加速这个处理的方法），然后放入神经网络（ANN）的MLP模型中，进行训练。在实际的车牌识别过程中，将得到7个字符图块放入训练好的神经网络模型，通过模型来预测每个图块所表示的具体字符，例如图片中就输出了“苏EUK722”。
+字符识别主要是通过 类CharsIdentify?来进行，对于中文字符和非中文字符，分别采取了不同的策略，训练得到的ANN模型也不一样，中文字符的识别主要使用?identifyChinese?来处理，非中文字符的识别主要采用?identify?来处理。另外，类CharsIdentify采用了单例模式，具体的初始化代码和构造函数如下：
+CharsIdentify* CharsIdentify::instance_ = nullptr;
+
+  CharsIdentify* CharsIdentify::instance() {
+    if (!instance_) {
+      instance_ = new CharsIdentify;
+    }
+    return instance_;
+  }
+
+  CharsIdentify::CharsIdentify() {
+    ann_ = ml::ANN_MLP::load<ml::ANN_MLP>(kDefaultAnnPath);
+    annChinese_ = ml::ANN_MLP::load<ml::ANN_MLP>(kChineseAnnPath);
+    kv_ = std::shared_ptr<Kv>(new Kv);
+    kv_->load("etc/province_mapping");
+  }
+
+  void CharsIdentify::LoadModel(std::string path) {
+    if (path != std::string(kDefaultAnnPath)) {
+
+      if (!ann_->empty())
+        ann_->clear();
+
+      ann_ = ml::ANN_MLP::load<ml::ANN_MLP>(path);
+    }
+  }
+
+  void CharsIdentify::LoadChineseModel(std::string path) {
+    if (path != std::string(kChineseAnnPath)) {
+
+      if (!annChinese_->empty())
+        annChinese_->clear();
+
+      annChinese_ = ml::ANN_MLP::load<ml::ANN_MLP>(path);
+    }
+  }
+可以通过神经网络模型对车牌字符进行识别，具体的识别函数如下所示：
+int CharsIdentify::classify(cv::Mat f, float& maxVal, bool isChinses){
+    int result = -1;
+
+    cv::Mat output(1, kCharsTotalNumber, CV_32FC1);
+    ann_->predict(f, output);
+
+    maxVal = -2.f;
+    if (!isChinses) {
+      result = 0;
+      for (int j = 0; j < kCharactersNumber; j++) {
+        float val = output.at<float>(j);
+        // std::cout << "j:" << j << "val:" << val << std::endl;
+        if (val > maxVal) {
+          maxVal = val;
+          result = j;
+        }
+      }
+    }
+    else {
+      result = kCharactersNumber;
+      for (int j = kCharactersNumber; j < kCharsTotalNumber; j++) {
+        float val = output.at<float>(j);
+        //std::cout << "j:" << j << "val:" << val << std::endl;
+        if (val > maxVal) {
+          maxVal = val;
+          result = j;
+        }
+      }
+    }
+    //std::cout << "maxVal:" << maxVal << std::endl;
+    return result;
+  }
+ann_为之前加载得到的神经网路模型，直接调用其?predict()?函数，即可得到输出矩阵 output，输出矩阵中最大的值即为识别的车牌字符，其中，数值分别为0-64的65个数字。