网站内容的实现方式,福州网站seo公司,阿里巴巴的网络营销方式,中国网络排名前十名尊敬原作者#xff0c;转自:http://blog.csdn.net/hqw7286/article/details/5810353 一直研究车牌识别算法#xff0c;主要关注车牌定位和字符识别。我想分享一下我对车牌定位的看法。 从根本上讲#xff0c;车牌定位的算法分为三类#xff0c;一类是基于边缘的#xff0c…尊敬原作者转自:http://blog.csdn.net/hqw7286/article/details/5810353   一直研究车牌识别算法主要关注车牌定位和字符识别。我想分享一下我对车牌定位的看法。 从根本上讲车牌定位的算法分为三类一类是基于边缘的一类是基于颜色的一类是基于机器学习的这三种方法我都做过实验基于边缘的最简单也最有效如果对于收费站和小区的应用做到99%以上的检测率不是件难事但如果场景复杂一点误检会比较多但并不会漏掉真正的车牌只是虚警率高点可以通过先验知识、颜色和后面的分割加以去除误检不是重点。基于颜色的定位算法从根本上讲也可以算是基于边缘的一种无非是利用彩色边缘或者灰度图像边缘和颜色一起来定位基于颜色的车牌定位算法用于高清图片效果不错对于一般的场景我认为没必要用颜色进行定位但初期用颜色先去除一些明显不是车牌的区域还是比较有效的。基于机器学习的算法进行车牌定位或者说检测关键是找到好的特征和好的训练方法不少人利用adaboosthaar特征进行车牌检测从我的实验结果来看检测率也能达到99%以上但同时虚警率也非常高会出现很多误检而且很难把车牌的区域完整的检测出来所以如果单独要用机器学习的算法还是不太可行不过可以先利用边缘信息找到候选区域然后用adaboost去去除非车牌区域这个效果还是蛮不错的。 对于边缘的检测如果车牌在图像中占的比例不是很小普通的差分和全局二值化就可以达到很好的效果如果对于高清图像譬如要检测几个车道或者场景很复杂导致车牌所占图像的比例很小还有就是车牌处于比较暗的地方而整个场景很亮这个时候差分得到的边缘就不会很丰富如果利用全局二值化就可能导致车牌区域检测不到边缘解决办法一就是对图像进行灰度拉伸或增强解决办法二就是换边缘检测的方法譬如sobel解决办法三就是改进二值化的方法。对于图像增强的方法我要特别提一下直方图均衡化很多论文上都会说对输入图片先进行直方图均衡化但我的实验发现晚上的图片如果进行直方图均衡化操作后会导致噪点特别多而且可能会导致车牌区域检测不到边缘总之图像增强是一把双刃剑需要慎重考虑。 如果利用边缘进行定位关键是要想办法一定要检测出车牌区域的边缘。 总结一下车牌定位利用边缘是王道可以先粗检再精检颜色可以用于精定位和去除误检机器学习如果想要好的结果得需要好的特征但目前好像还没有。我个人认为车牌定位的难点不在于找到车牌区域而在于怎么对车牌区域进行更精确的定位而精定位的难点在于左右精定位以便于后面的分割算法。转载于:https://www.cnblogs.com/xidongs/p/3165265.html