续 – 车牌检测
继续这个主题：
什么是车牌检测的好算法？
我已经开发了我的图像处理技术，以尽可能地强调车牌，总体而言我很满意，这里有两个样本。
现在是最困难的部分，实际上是检测车牌。 我知道有一些边缘检测方法，但我的数学很差，所以我无法将一些复杂的公式转换成代码。
到目前为止，我的想法是循环遍历图像中的每个像素（对于基于img宽度和高度的循环）。从每个像素与颜色列表进行比较，从中检查算法以查看颜色是否保持区分许可证盘子白色，和黑色的文字。 如果这恰好是真的，则这些像素被内置到内存中的新位图中，然后一旦停止检测到该模式就执行OCR扫描。
我很欣赏这方面的一些意见，因为它可能是一个有缺陷的想法，太慢或太密集。
谢谢
你的方法是“看看颜色是否能区分牌照白色和文字的黑色”，基本上是搜索像素强度从黑色变为白色的区域，反之亦然。 边缘检测可以完成基本相同的事情。 但是，实现自己的方法仍然是一个好主意，因为您将在此过程中学到很多东西。 哎呀，为什么不两个都做，并将你的方法的输出与一些现成的边缘检测算法的输出进行比较？
在某些时候，你会想要一个二进制图像，比如说对应于“非字符”标签的黑色像素，以及对应于“is-a-character”标签的白色像素。 也许最简单的方法是使用阈值函数。 但是，如果已经以某种方式强调了角色，那只会很好。
正如你在其他post中提到的那样，你可以使用黑帽算子来做到这一点，结果是这样的：
如果您使用Otsu的方法（自动确定全局阈值级别）对上面的图像进行阈值处理，则可以得到：
有几种方法可以清理该图像。 例如，您可以找到连接的组件并丢弃那些太小，太大，太宽或太高而无法成为角色的组件：
由于图像中的字符相对较大且完全连接，因此该方法效果很好。
接下来，您可以根据邻居的属性过滤剩余的组件，直到您拥有所需的组件数（=字符数）。 如果你想识别这个角色，你可以计算每个角色的特征并将它们输入到分类器中，该分类器通常是用监督学习构建的。
当然，上述所有步骤只是一种方法。
顺便说一下，我使用OpenCV + Python生成了上面的图像，这是计算机视觉的一个很好的组合。
颜色和外观一样好，在遮阳和光线条件下会带来很多挑战。 真的取决于你想要多大程度的强大，但现实世界的案例必须处理这些问题。
我已经对道路录像进行了研究（请参阅我的个人资料页面并查看此示例 ）并发现现实世界的道路镜头在光线条件下非常嘈杂，并且您的颜色可以从棕色变为白色以获得黄色背景 -数板。
大多数算法使用线检测并尝试找到宽高比在可接受范围内的盒子。
我建议你做一个关于这个主题的文献综述，但这是在1993年实现的（如果我没记错的话），所以会有成千上万的文章。
这是一个非常科学的领域，所以只是一个算法无法解决它，你将需要许多前/后处理步骤。
简而言之，我的建议是使用Hough变换来查找线条，然后尝试查找可以创建可接受的宽高比的矩形。
哈里斯特征检测可以提供重要的边缘，但如果汽车是浅色的，这将无法工作。
如果您有大量样本，可以尝试检查由Paul Viola和Michael Jones开发的人脸检测方法。 这对于人脸检测很有用，也许它可以在车牌检测中做得很好（特别是如果与其他方法相结合）