持续 - 车牌识别技术

Question

持续 - 车牌识别技术

c#imagecomputer-visiongdi+object-detection

11

延续这个主题：

有哪些好的算法可用于车牌检测？

我已经开发了我的图像处理技术，尽可能强调车牌，并且总体上感到满意，以下是两个示例。

alt text

现在来到最困难的部分，实际检测车牌。我知道有一些边缘检测方法，但我的数学水平很差，所以无法将一些复杂的公式翻译成代码。

我目前的想法是遍历图像中的每个像素(基于图片宽度和高度的for循环)，从中将每个像素与颜色列表进行比较，然后检查算法是否保持将颜色区分为车牌白色和文本黑色。如果确实如此，这些像素将被构建成内存中的新位图，然后一旦停止检测到该模式，将执行OCR扫描。

如果这个想法存在缺陷、速度慢或效率低，我希望能够获得一些意见。

谢谢

- Ash

3

当我经过你的机器时，你会给我开罚单吗？ - DOK

哈哈，不，这只是一个大学项目，幸运的是我可以选择要测试的图片 :) - Ash

3个回答

3

颜色，无论看起来多好，都会在阴影和光线条件下带来很大的挑战。这取决于你想要让它有多健壮，但真实世界的情况必须处理这些问题。

我已经对道路录像进行了研究（请查看我的个人资料页面，并在此处查看示例），发现真实世界的道路录像在光线条件方面非常嘈杂，你的颜色可以从棕色变成白色，用于黄色背号牌。

大多数算法使用线检测并尝试找到一个长宽比在可接受范围内的框。

我建议您对该主题进行文献综述，但这是在1993年就已经实现了（如果我记得正确的话），因此将会有成千上万的文章。

这是一个相当科学的领域，所以仅凭算法是无法解决问题的，您需要进行大量的预/后处理步骤。

简而言之，我的建议是使用霍夫变换来查找线条，然后尝试寻找可以创建可接受长宽比的矩形。

哈里斯特征检测可以提供重要的边缘，但如果汽车颜色浅色，则无法使用。

- Aliostad

谢谢回复，我可能还是会尝试上面描述的方法，因为我真的找不到关于Hough变换方法的伪代码。无论如何，谢谢！ - Ash

你不必自己实现霍夫变换 - 使用OpenCV即可，尽管我曾经为了一个作业而这样做。我认为如果你需要进行严肃的计算机视觉工作，你必须考虑使用OpenCV，它非常容易使用并实现了霍夫变换和许多其他有用的功能，并且速度非常快。 - Aliostad

是的，我本来想避免使用库，但看来我没有太多选择。 - Ash

抱歉打扰您，但您认为我描述的方法实施起来是毫无意义的吗？只是应用程序将使用我个人选择的图像，而不是来自视频源。 - Ash

抱歉回复晚了。请尽管探索那条路线，虽然我认为成功的可能性会受到限制。这至少会让您更加熟悉计算机视觉的挑战。早在2004-2005年，我正在寻找算法来进行聪明的图像处理。我做得越多，越发现我需要不仅仅是一个算法，这就是我在2006年报名参加DSIP兼职课程的原因，最终在2008年完成了学业。这种东西真的需要非常科学的工具，只能在C++库中找到。 - Aliostad

再次感谢，是的，我完全理解你的意思，我从来没有追求过完美。如果这是为商业系统或其他什么东西，我甚至会考虑我的想法。一旦我取得了一些进展，我会更新这个帖子。 - Ash

1

如果你有很多样本，可以尝试使用Paul Viola和Michael Jones开发的人脸检测方法。它对于人脸检测非常好用，也许结合其他方法后能够很好地进行车牌检测。

- Tomasz Orłowski

我不明白为什么这个被踩了，基本上Tomasz是对的，有一篇很好的文章介绍了一个使用viola和jones对象检测实现的系统嵌入式DSP平台上的实时车牌识别。在opencv中的示例可以在这里找到。 - Mantas

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- carnieri · Accepted Answer

你的“查看颜色是否保持区分车牌白色和黑色文字”方法基本上是搜索像素强度从黑色到白色反复变化的区域。边缘检测可以实现基本相同的功能。然而，实现自己的方法仍然是一个好主意，因为这样你会在过程中学到很多知识。为什么不两者都做，然后将你的方法输出与某些现成的边缘检测算法进行比较呢？

在某些时候，你可能想要拥有一个二进制图像，例如黑色像素对应于“非字符”标签，而白色像素对应于“是字符”标签。也许最简单的方法是使用阈值函数。但是，只有在字符已经以某种方式被强调的情况下，这种方法才能有效地工作。

正如其他帖子中提到的那样，你可以使用黑帽运算符来完成这项工作，其结果类似于以下内容：

如果你使用Otsu的方法（自动确定全局阈值级别）对上面的图像进行阈值处理，你会得到以下结果：

有几种方法可以清理该图像。例如，你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字符的组件：

由于你的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，你可以基于邻居的属性过滤剩余的组件，直到获得所需数量的组件（=字符数）。如果你想识别字符，那么你可以为每个字符计算特征并将其输入分类器，通常使用监督学习构建。

当然，上述所有步骤只是其中一种方法。

顺便说一下，我使用OpenCV + Python生成了上面的图像，这是计算机视觉的绝佳组合。