因某某人因某某事需要这个. 我google了一把.把重点都抄这了.
车牌定位可用数学形态学+投影学原理实现。HOUGH变化也可以的。
先通过对图片进行预处理，然后图象分割，找出车牌位置。再分割车牌的字符，最后就是识别。车牌识别一般可以用神经网络来识别。
切割车牌时可考虑车牌的颜色
二制化，滤波（多种方法，面积比值，sobel等等），投影 识别率看两个部分，图像的质量和算法的强壮度
我现在做的是汽车牌照定位，用的是基于离散余弦变换的方法，已经可以定出一到两条含牌照的水平条，但是做垂直切分的准确率不太高，各位有何高见？
1.数码相机采集图片信息
2.对图片进行灰度处理(可参考footshop的素描处理算法)
3.对黑白图片进行白色扑捉,然后与定义字符数据相比较达到识别字符的目的
注:车牌中的数据一般为亮色
是基于差分和离散余弦变换，结合投影法，已经可以定位牌照
所在的水平条，但水平条太宽，并且垂直切分的效果不太理想，能否将你的2M的例子也发
一份给我，借鉴一下，谢谢了！
我个人认为，我们的车牌识别系统以及所有这方面的处理系统不如国外，不一定就是我们的软件系统不行，很大一部分原因也是由于我们的硬件不行，采集到的原始图像质量太差，有些根本没法处理。如果硬件能够过关，软件部分则要轻松的多。
至于软件部分，预处理很关键，包括预处理的策略和方法。方法即处理过程中使用的各种算法，策略即这些算法的使用顺序。比如提高亮度、增强对比度、各种滤波、阈值分割、轮廓提取、颜色分割等等应按照什么顺序来进行更合理。当然这要视不同的图片作相应的调整。然后才进行二值化处理更合理（我认为）。二值化的目的就是要提高运算速度，但其副作用是导致图像质量更差。接下来才是各种各样的“先进的”算法，人工智能之类的也该上场了。
至于付里叶变换、离散余玄、小波变换等等这些算法本身并不见得能对图像或信号有什么作用，只不过通过这些变换能将原来看不到的东西用数字的形式体现出来。所以关键还是对经过这些变换后获取到的数据采用什么策略进行处理更能得到想要的结果。在这个过程中经验很重要，其实在整个图像处理过程中，经验都很重要，没有经验，无论多么先进的算法都不行。经验体现在对这些算法的组合上。
以上纯属个人观点，切莫见笑。呵呵。
没有考虑到图象模糊的问题，对于CCD接受的图象首先可以对BMP截取有效位图，然
后对图象进行边缘锐化，模糊处理等方面的工作。最后才涉及图象数字识取的问题。
希望大家继续激发脑细胞！
我想，二值化后用Roberts算法线框化再来提取可能要简单些。
我的思路是（仅针对彩色足够大的图片）：
1. 先将背景色去掉；
2. 针对噪声，用中值滤波处理下；
3. 变为256级灰度；
4. 用Roberts算法线框化；
5. 根据边缘特征提取多个平行四边形；
6. 逆过去，在彩色图象中根据平行四边形提取图象；
7. 对图象的颜色进行识别，车牌多数是单调的两种颜色，进行下匹配，然后去除部分平行四边形，得到极少数过关的平行四边形；
8. 对这极少数的平行四边形进行文字识别，匹配率最高的就是车牌了。
仅仅是一个思路，而且我觉得这样做运算量太大了，呵呵，请各位指教！
⑴ 图象预处理：对动态采集到的图象进行滤波、边界增强等处理，以克服图象干扰，改善识别效果。
⑵ 车牌的定位：在动态采集到的图象中，自动找到车牌的位置。
⑶ 字符分割：在车牌图象上，自动提取单个字符的图象。
⑷ 字符识别：在每个字符图象中识别出字符文字。 在实际应用中，最关键的问题是如何在环境光线变化、光路有灰尘及车牌模糊的条件下得到清晰的车牌图象，这个问题可通过系统安装方式、辅助光源的设置和车牌图象预处理等方法解决，但在车牌图象严重模糊，以至于肉眼难以辨别的情况下，很难进行正确识别，所以在车牌识别中，存在一个识别率指标。一段时间内车牌识别率指标的定义为： 其中： V：车牌识别率 NR：这段时间内正确识别的车牌数 NT：这段时间内识别的总车牌数
http://www.chinahighway.com/dpinfo.php?infoid=17749
关键是:1、车牌倾斜的自动校正；2、车牌内框区域的分割；3、车牌内框边缘的归一化。
1、车牌倾斜的检测可能要利用车牌自身的物理特征，一般还是基于Hough变换的，关键是如何实现Hough变换的快速算法，可以考虑用Laplace算子滤波提出边缘特征点，然后使用特征点进行Hough变换，速度要快一些，但鲁棒性不是很好。我在实际程序中的算法是使用多步反馈的Hough变换，速度比原来可以提高几倍，但总的来说，感觉不是很明显。
2、区域的分割，一般来说当边框线检测出来以后也就分割出来了，但实际图像是很模糊的，有时候我们对边框线的检测是不准确的，这时用形态学的方法比较恰当。
3、归一化不用我说了吧，找一个很好的细化算法吧。
个问题我研究过。首先对原始图象进行图象增强，然后由于车牌色度单调，将其转化为灰度图象，一般转化为二值图象，进行域值分割，提取出光强或光弱的部分，一般为光强部分。对这时的图象进行小波分解，去除图象的噪声，再还原。最后用环型识别法，识别数字和字母。大致思想就是这样。
我也在做车牌识别，我定位用的是边缘检测+投影，效果还不错，我觉得定位用神经网络可能难度比较大，因为从我试验获得的经验来看，实际中的车辆的型号，大小，车牌的大小都是不同的，（前面的车牌大小和后面的车牌大小是不一样的），
我现在的主要困难是对车牌的二值化，试过很多算法，都各有缺陷，而且对字符的分割也不太容易，
如果图像有拖影，你可以只取其中的奇偶场中的一场，另一场补偿，拖影效果就小多了
0 comments:
Post a Comment