【问题标题】：Hough transform and plate localization霍夫变换和平板定位
【发布时间】：2015-03-14 14:44:22
【问题描述】：
我正在尝试在车牌本地化过程中使用霍夫变换。我看过一些关于用它找到矩形的文章和想法，但几乎每个例子都非常简单——图像上的一个矩形，通常是游戏卡或电视。当我想在我的系统中实现它时，它运行得不好。我发现通常超过 3000 条线，以及更多的交叉点。我正在使用 Canny 边缘过滤器。我用一些不同的参数（Canny Filter 和 HoughLinesP 函数）对其进行了测试，并且总是得到非常多的点数。当我们的图像上有很多环境信息时，是否有可能找到那个盘子？或者还有其他选择可以取得一些好的结果吗？我将不胜感激任何答案和想法。 OpenCV 中的一些代码示例也会非常有用。
【问题讨论】：
标签：
c++
opencv
image-processing
hough-transform
【解决方案1】：
检测许多线段是霍夫变换的典型特征。例如。车牌上的字母可能包含直线段、车牌的周围环境（汽车？）等等。
因此，您应该尝试在车牌检测中使用更多上下文信息，例如
- 板的背景颜色（例如，它是白色的？还是黑色或黄色或其他什么？您的图像数据是彩色的吗？）所以，尝试过滤颜色
- 图像上的典型印版尺寸是多少？它总是大致相同的大小吗？然后，您可以分别按长度过滤找到的霍夫段。寻找多组共线线段，它们可能是单条虚线的一部分。
- 板的方向是什么？平行于图像主轴？或者它们可以被深度投影旋转甚至扭曲？在轴平行板的第一种情况下，限制为所有角度方向为 0° 或 90° 的霍夫线。
您是否对原始图像应用了对比度归一化？ Canny 边缘图像是什么样的，它们是否已经适合寻找车牌？你能看到边缘图像上的盘子，还是它们隐藏在这么多边缘之间或被分割得太多？ Canny 检测器的阈值呢？
最后，您是否在 Google 上搜索过有关找板算法的论文？