车牌识别项目——当前技术（1）

不多说别的了，现在简单总结一下几个模块的技术问题和我的感想。

2. 目前使用的技术

车牌识别的模块虽然有时候不那么清楚，但大体还是划分为三个部分：定位，分割和识别。这中间涉及很多无法被包含在这三个模块中的重要功能，比如去噪、二值化、倾斜校正。当前是深度学习火爆的年代，我也从网络上看到过不分割直接识别的深度学习方法，与连笔手写体的识别有些类似之处。

因为导师对新技术有些抵触（主要因为它对硬件的需求），所以我还是采用比较传统的技术来做，模块划分也采用定位、分割、识别的传统划分。

2.1. 车牌定位

目前采用的是竖直边缘加数学形态学的方法。在提取候选区域后，再使用先验知识（车牌区域形状，字符个数，位置等等）进行筛选。

2.1.1 竖直边缘和数学形态学

这种方法网上有各种讲解和实现，在开源的车牌识别库EasyPR和OpenALPR中也都有比较不错的实现，原理我这里不再多说。事实上所有技术的原理我今天都不再多说了，因为都是各种基本的套路。

这种方法的好处是简单和有效，在比较好的参数下，对大多数车牌都能定位到车牌区域。因此初期一直考虑在这种方法基础上进行修改。

这种方法有几个难以解决的缺陷，导致参数的调整十分繁琐：

1. 对使用场景必须具有很好的了解。比如车牌的大体位置，车牌在整个场景中所占百分比等等。为了使车牌内容能够完全融合，必须要知道字符竖直边缘之间的最大距离。由于中国车牌在第二第三个字符之间有一个时隐时现的白点，而第二和第三个字符的差异可能也会导致它们之间的距离比较远，因此形态学SE形状的选择十分棘手。
2. 对异常光照敏感。夜间补光灯会打在车体上，不管什么颜色的车，都会产生亮白的光斑，车牌周围的区域极易与车牌融合在一起，可能会产生很大的区域。
3. 永远达不到精确，有时候会包含很多车牌周围的背景。

在对这种方法的各种试验，包括调整参数，根据先验进行筛选，等等之后，因为鲁棒性不好，环境情况复杂，我开始考虑其他的思路。

2.1.2 目标识别思路