机器视觉学习笔记(2)--基于边缘检测的车牌定位

导读：车牌定位算法分为三类，一是基于边缘定位，二是基于颜色定位， 三是基于机器学习。用边缘检测查找垂直边缘的方法，可成功定位大部分车牌，定位准确率在 70%左右，对垂直边缘交错的情况下，无法准确地定位车牌。在色彩充足，光照足够的情况下，颜色定位的效果很好，但是在面对光线不足的情况，或者蓝色车身的情况时，颜色定位的效果很糟糕。但如果将边缘定位和颜色定位结果融合，可提升到90%的定位准确率。基于机器学习的算法，不少人利用adaboost+haar特征进行车牌检测，虽然检测率很高，但虚检率很高，很难把车牌完整区域检测出来，所以单独用机器学习方法不可行，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。

要做好车牌定位算法，需要了解车牌的相关信息，按照我国交通管理部门的规定，汽车牌特征如下：

1、颜色特征： 我国车牌颜色分为4种， 分别是蓝底白字、黑底白字、黄底黑字和白底黑字。其中常规车辆使用的是蓝底白字。

2、结构特征：车牌宽度440mm，高度140mm，宽高比3.14。车牌中字符宽度45mm，高度90mm，宽高比0.5，车牌应安装于汽车下部。

图1：测试图像

第一步：高斯滤波，为图像去噪，这步是必须的，否则很容易出现误判。

图2 ：高斯滤波

第二步：根据Gray = R*0.299 +G*0.587 + B*0.114进行灰度化。

图3 ：灰度化

第三步：用sobel算子对x方向差分，获得垂直边缘。

图4 ：sobel差分

第四步：Otsu阈值化。

图5 ：Otsu阈值化

第五步：闭运算，就是对图像先膨胀，再腐蚀。闭操作的结果一般是可以将许多靠近的图块相连称为一个无突起的连通域。

图6：闭运算

第六步：查找轮廓，查找最小外接矩形，根据车牌信息，限制约束长宽比例至少大于2.5：1，一般拍摄的车牌旋转角度较小，旋转角度为-30~30之间，再加上一些长宽长度和面积约束等，可得车牌位置。

图7：候选车牌位置

第七步：矫正倾斜，由于车牌宽度440mm，高度140mm，可定义输出无倾斜的车牌大小为88x28。倾斜矫正可用仿射变换，计算公式如下：

可得：

图8：矫正倾斜

经过以上7步完成车牌定位，后续的工作则为字符分割和字符识别的工作。

欢迎转载机器视觉助手的文章，我们也希望能够让更多的对机器视觉感兴趣的人看到我们的文章，不过在转载之前请获得我们的授权或严格按照要求进行转载。