最近工作依然在车牌定位上。经过粗定位，车牌框或大或小，或误定位情况杂多。而往往高的识别率最重要的就是对这些情况如何一一解决，即所谓的细节问题。
这里粗略描述下过程，讨论方法而已，毕竟调试过程无法细说，代码也是很简单的。
首先，颜色是一重要特征，在精定位作为一种辅助作用，可以对一大部分车牌进行调整。当然这里是指中国大陆的车牌，蓝色为主，其他特殊车牌不作讨论。判断一个定位出来的block是否为蓝色，我用了YUV，对U和V值划定一个范围，这个范围要依据实际采集的图像为准。按行可以计算出具有最多蓝色像素的行，当然block中所含有的蓝色像素个数也能得到，以这两个数值为条件（行最大蓝色像素值和总蓝色像素个数），对满足条件的block进行上下即左右调整。有一种block的情况是满足上述两个条件，但是在汉字区域蓝色像素稀少，有时在调整左边界的时候会把字符切掉。所以需要对这种情况再进行判断条件的更改，重新调整回来。
其次，由于光线影响，蓝色信息难免缺失，或者整个block已经没有了蓝色信息。这种情况我用了梯度图像。先求得左右方向的梯度图像，再二值化（阈值选取适当，也是一个可调参数），然后遍历每行，如果两个白点之间连续黑像素小于5个以内，则这些黑像素用白点替换。紧接着对图像做4领域或8领域判断，消除一些相对孤立的点。这些预处理做完就开始调整左右边界了，方法是统计好每列白点数，然后逐列判断白点密度。对于车牌区域左右两边区域较复杂的情况，可能无法调整过来。
复杂背景下采集的图像，情况复杂，只有采集一定量的图像并进行大量分析调试，才能尽量多的发现问题并归类。所以简单来说，精调，就是去发现那些细节问题，然后解决问题，这需要大量样本作基础。
【车牌定位之梯度图像】
推荐阅读
- 图像算法|OpenCV Threshold ( Python , C++ )
- yolov3
- CTPN——cpu版本使用
- tf-faster-rcnn 训练自己的数据
- （图像缩放算法）最邻近插值法
- 图像算法|Blob Detection Using OpenCV