尊敬原作者，轉自:http://blog.csdn.net/hqw7286/article/details/5810353

?

一直研究車牌識別算法，主要關注車牌定位和字符識別。我想分享一下我對車牌定位的看法。

從根本上講，車牌定位的算法分為三類，一類是基于邊緣的，一類是基于顏色的，一類是基于機器學習的，這三種方法我都做過實驗，基于邊緣的最簡單也最有效，如果對于收費站和小區的應用，做到99%以上的檢測率不是件難事，但如果場景復雜一點，誤檢會比較多，但并不會漏掉真正的車牌，只是虛警率高點，可以通過先驗知識、顏色和后面的分割加以去除，誤檢不是重點。基于顏色的定位算法，從根本上講也可以算是基于邊緣的一種，無非是利用彩色邊緣或者灰度圖像邊緣和顏色一起來定位，基于顏色的車牌定位算法用于高清圖片效果不錯，對于一般的場景我認為沒必要用顏色進行定位，但初期用顏色先去除一些明顯不是車牌的區域還是比較有效的。基于機器學習的算法進行車牌定位或者說檢測，關鍵是找到好的特征和好的訓練方法，不少人利用adaboost+haar特征進行車牌檢測，從我的實驗結果來看，檢測率也能達到99%以上，但同時虛警率也非常高，會出現很多誤檢，而且很難把車牌的區域完整的檢測出來，所以如果單獨要用機器學習的算法還是不太可行，不過可以先利用邊緣信息找到候選區域，然后用adaboost去去除非車牌區域，這個效果還是蠻不錯的。

對于邊緣的檢測，如果車牌在圖像中占的比例不是很小，普通的差分和全局二值化就可以達到很好的效果，如果對于高清圖像（譬如要檢測幾個車道）或者場景很復雜，導致車牌所占圖像的比例很小，還有就是車牌處于比較暗的地方，而整個場景很亮，這個時候差分得到的邊緣就不會很豐富，如果利用全局二值化就可能導致車牌區域檢測不到邊緣，解決辦法一就是對圖像進行灰度拉伸或增強，解決辦法二就是換邊緣檢測的方法（譬如sobel），解決辦法三就是改進二值化的方法。對于圖像增強的方法我要特別提一下直方圖均衡化，很多論文上都會說對輸入圖片先進行直方圖均衡化，但我的實驗發現，晚上的圖片如果進行直方圖均衡化操作后會導致噪點特別多，而且可能會導致車牌區域檢測不到邊緣，總之圖像增強是一把雙刃劍，需要慎重考慮。

如果利用邊緣進行定位，關鍵是要想辦法一定要檢測出車牌區域的邊緣。

總結一下車牌定位，利用邊緣是王道，可以先粗檢再精檢，顏色可以用于精定位和去除誤檢，機器學習如果想要好的結果得需要好的特征，但目前好像還沒有。我個人認為車牌定位的難點不在于找到車牌區域，而在于怎么對車牌區域進行更精確的定位，而精定位的難點在于左右精定位，以便于后面的分割算法。

轉載于:https://www.cnblogs.com/xidongs/p/3165265.html

總結

以上是生活随笔為你收集整理的车牌识别之车牌定位(方案总结)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。