13591470917
产品分类

products

联系我们

contact us

电话:13591470917
地址:大连市双D港辽河东路1号双D国际大厦
邮箱:11000
联系人:王先生
首页>>技术知识 >> 图像处理基本算法车牌识别和定位

图像处理基本算法车牌识别和定位

作者:原创   发布时间: 2018/11/8 9:47:56

  车牌主要包括以下内容:

  蓝卡白:普通小型车的许可证(包括政府机构特殊部门、政法部门以外的行政车辆)

  黄牌黑:大型车辆、摩托车、驾驶学校教练车牌照

  黑卡白:涉外车牌,款式与蓝卡基本相同

  白卡:政法部门(公安局、法院、检察院、国安、司法)警车、武警部队车辆、人民解放军军车牌照为白卡

  警车:警车的车牌类型是[A·A1234警察],除了“警察”都是红色字符,所有这些都是4位数字,与普通许可证相同。

  车牌定位算法分为三类,一类是基于边缘,另一类是基于颜色,另一类是基于机器学习。我已经对这三种方法进行了实验,最简单,最有效的基于边缘的方法,对于收费站和社区的应用,不难实现超过99%的检测率。但是,如果场景复杂,会有更多的错误检测,但真实的车牌不会错过,但误报率很高。可以通过先验知识删除、颜色和后续分割,错误检测不是重点。基于颜色的定位算法也可以被视为基于边缘的算法。它只不过是使用颜色边缘或灰度图像边缘和颜色来定位在一起。基于颜色的车牌定位算法适用于高清图像。我不认为有必要使用颜色进行定位,但使用颜色去除一些显然不是牌照的区域会更有效。基于车牌定位或检测的机器学习算法,关键是要找到好的功能和良好的训练方法。许多人使用adaboost + haar功能来检测车牌。从我的实验结果来看,检测率可以达到99.超过%,但同时误报率很高,会有很多错误检测,很难完全检测到车牌区域,所以如果你想单独使用机器学习算法是不可行的,但你可以先使用边缘信息。找到候选区域,然后使用adaboost删除非许可卡区域,这种效果非常好。

  对于边缘检测,如果车牌在图像中不占很小比例,如果对于高清图像(例如检测多个车道)或场景非常复杂,普通差分和全局二值化可以获得良好的结果。平板占据了图像的一小部分,车牌处于黑暗的地方,整个场景非常明亮。此时,通过差异获得的边缘不是很丰富。如果使用全局二值化,则可能导致车牌区域检测。小于边缘,解决方案是拉伸或增强图像的灰度。解决方案是改变边缘检测方法(如sobel),第三种解决方案是改进二值化方法。对于图像增强方法,我想提一下直方图均衡。很多论文都会说输入图像是第一个直方图均衡的,但是我的实验发现夜间图像如果受到直方图均衡则会产生噪声。它特别多,并且可能导致检测到牌照区域的边缘。简而言之,图像增强是一把双刃剑,需要仔细考虑。如果使用边缘进行定位,关键是找出车牌区域的边缘。

  车牌定位,使用边缘为王,可以先进行粗检和精检,颜色可以用于精确定位和删除误检测,机器学习如果想要好结果需要好的功能,但似乎还没有。我个人认为定位车牌的难点不在于找到车牌区域,而是如何使车牌区域更加精确定位,而精确定位的难度则集中在左右两侧,所以以方便后续的分割算法。

  这是基于颜色和形状的车牌识别源代码。基本思想是提取车牌的功能,然后根据功能进行过滤。

  识别车牌中使用的功能:颜色功能、形状功能、尺寸功能

  一种颜色特征

  每个牌照的背景颜色都有自己特殊的RGB值。例如,程序中使用的蓝色牌照的典型RGB值是R = 28,G = 63,B = 138;

  当RGB值接近时,它被认为是牌照,并且像素被赋值为255,否则为0;二进制图像可以通过使用颜色特征获得,并且大多数其他对象可以被删除,但是存在很多干扰。

  b、大小功能

  在二值图像被扩展和蚀刻之后,可以去除少量噪声。对于获得轮廓边缘的灰度图像,轮廓具有特定区域。牌照应该有一定的尺寸。如果面积太小,则不被视为车牌。这种方法可以消除大部分小面积的干扰。

  颜色功能和尺寸功能是主要功能。形状特征是特色。

  c、形状特征

  矩形:提取轮廓后,轮廓包围的面积与轮廓的最小外接矩形的面积之比称为矩形。值越接近1,作为矩形的概率越大。

  宽高比:普通牌照的宽高比为3:1。最小外接矩形的纵横比越接近车牌的最大概率。

  如果满足所有三种筛选条件,则牌照的概率非常大。



地址:大连市双D港辽河东路1号双D国际大厦

电话:13591470917 邮箱:11000

版权所有:大连华胜科技