我目前正在做一个识别后侧车牌的项目,我已经做了 OCR 作为初步步骤,但我不知道如何检测矩形(这是汽车的相关区域)牌照车牌,我已经阅读了很多论文,但在任何地方我都没有找到关于识别车牌矩形区域的有用信息。我正在使用 matlab 做我的项目。请任何人帮我解决这个问题...
非常感谢
我目前正在做一个识别后侧车牌的项目,我已经做了 OCR 作为初步步骤,但我不知道如何检测矩形(这是汽车的相关区域)牌照车牌,我已经阅读了很多论文,但在任何地方我都没有找到关于识别车牌矩形区域的有用信息。我正在使用 matlab 做我的项目。请任何人帮我解决这个问题...
非常感谢
正如您所提到的,至少有两个不同的阶段:
由于车牌不嵌入任何位置标记(例如在 QR 码中发现的),因此通过限制传入图像的转换范围来降低识别图像中车牌的复杂性。
许多 ANPR 系统的成功依赖于捕获设备的位置和时间的准确性,以获得将车牌放置在可预测的失真范围内的图像。
一旦图像被捕获,就可以通过使用统计分析来处理定位阶段,以定位图像内的“车牌”形区域,即对于透视具有正确比例的区域。本文描述了一种这样的方法。
这篇论文和另一篇论文描述了使用 Sobel 边缘检测器来定位车牌中的垂直边缘。原因是与背景相比,字母形成了更多的垂直线。
另一篇论文比较了一些技术(包括 Sobel 检测和 Haar 小波)的有效性,可能是一个很好的起点。
我完成了关于“基于 OCR 的车辆识别”的项目
通常,LPR包括三个主要阶段:从捕获的图像中提取车牌、图像分割以提取单个字符和字符识别。车牌检测的所有上述阶段都是最具挑战性的,因为它对天气条件、照明条件和车牌位置以及其他人工制品(如放置在车牌图片上的框架、符号或徽标)高度敏感,在印度,车牌号是写的在一排或两排。
对于 LPR 系统来说,速度和准确性都是非常重要的因素。在一些文献中,准确度水平不错,但系统速度较慢。像模糊逻辑和神经网络方法一样,准确度水平很好,但它们非常耗时且复杂。在我们的工作中,我们在时间复杂度和准确性之间保持了平衡。我们使用边缘检测方法和垂直和水平处理来进行车牌定位。边缘检测是用“罗伯茨”算子完成的。具有一些适当阈值的连通分量分析 (CCA) 用于分割。对于字符识别,我们使用了相关函数的模板匹配,为了提高匹配水平,我们使用了增强型数据库。
我的项目方法
我的车牌提取方法
我的分割方法
我的识别方法
查看 OpenALPR ( http://www.openalpr.com )。它使用 OpenCV 和 LBP/Haar 算法识别车牌区域。这使其能够识别暗板区域的亮光和暗板区域的暗光。在识别出一般区域后,它使用 OpenCV 根据图像中的强线/边缘进行定位。
它是用 C++ 编写的,所以希望你可以使用它。如果不是,至少它是一个参考。