续 - 车牌检测

Question

继续这个主题：

What are good algorithms for vehicle license plate detection?

我开发了我的图像处理技术，尽可能地强调车牌，总体来说我很满意，这里有两个样本。

现在是最困难的部分，实际上是检测车牌。我知道有一些边缘检测方法，但我的数学很差，所以我无法将一些复杂的公式转换成代码。

到目前为止，我的想法是遍历图像中的每个像素（基于img宽度和高度的循环）从这个比较每个像素与颜色列表，从中检查算法以查看颜色是否保持区分车牌白色和黑色文本。如果这恰好是真的，那么这些像素将被内置到内存中的新位图中，然后在停止检测到该模式后执行OCR扫描。

我很欣赏这方面的一些意见，因为它可能是一个有缺陷的想法，太慢或太密集。

谢谢

Answer 1

你的方法是“看看颜色是否区分牌照白色和文字的黑色”基本上是搜索像素强度从黑色变为白色的区域，反之亦然。边缘检测可以完成基本相同的事情。但是，实现自己的方法仍然是一个好主意，因为您将在此过程中学到很多东西。哎呀，为什么不两个都做，并将你的方法的输出与一些现成的边缘检测算法的输出进行比较？

在某些时候，你会想要一个二进制图像，比如对应于“非字符”标签的黑色像素，以及对应于“is-a-character”标签的白色像素。也许最简单的方法是使用阈值函数。但是，只有在某些方面已经强调了角色时，这才会奏效。

正如你在其他帖子中提到的那样，你可以使用黑帽算子来做到这一点，结果如下：

如果您使用Otsu的方法（自动确定全局阈值水平）对上面的图像进行阈值处理，则可以得到：

有几种方法可以清理该图像。例如，您可以找到连接的组件并丢弃那些太小，太大，太宽或太高而无法成为角色的组件：

由于图像中的字符相对较大且完全连接，因此该方法效果很好。

接下来，您可以根据邻居的属性过滤剩余的组件，直到您拥有所需的组件数（=字符数）。如果你想识别这个角色，你可以计算每个角色的特征并将它们输入到分类器中，该分类器通常是用监督学习构建的。

当然，上述所有步骤只是一种方法。

顺便说一句，我使用OpenCV + Python生成了上面的图像，这是计算机视觉的一个很好的组合。

Answer 2

颜色和外观一样好，在阴影和光线条件下会带来很多挑战。真的取决于你想让它变得多么健壮，但现实世界的案例必须处理这些问题。

我已经对道路录像进行了研究（请参阅我的个人资料页面并查看此处sample），并发现现实世界的道路镜头在光线条件下非常嘈杂，并且您的颜色可能会从布朗变化白色为黄色背号牌。

大多数算法使用线检测并尝试找到宽高比在可接受范围内的方框。

我建议你对这个问题进行文献综述，但这是在1993年实现的（如果我没记错的话），所以会有成千上万的文章。

这是一个非常科学的领域，所以只是一个算法无法解决它，你需要进行大量的前/后处理步骤。

简而言之，我的建议是使用Hough变换来查找线条，然后尝试寻找可以创建可接受的宽高比的矩形。

哈里斯特征检测可以提供重要的边缘，但如果汽车是浅色的，这将无法工作。

Answer 3

如果您有大量样本，可以尝试检查由Paul Viola和Michael Jones开发的人脸检测方法。这对于人脸检测很有用，也许它可以在车牌检测中做得很好（特别是如果与其他方法结合使用的话）