OpenCV：为OCR隔离牌照字符

Question

< li >通过SVM分离单个字符进行分类。 < li >使用有效字符的白名单向Tesseract OCR提供清理后的牌照。

为了清理盘子，我执行以下转换:

# Assuming 'plate' is a sub-image featuring the isolated license plate
height, width = plate.shape
# Enlarge the license plate
cleaned = cv2.resize(plate, (width*3,height*3))
# Perform an adaptive threshold
cleaned = cv2.adaptiveThreshold(cleaned ,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,7)
# Remove any residual noise with an elliptical transform
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
cleaned = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel)

我的目标是将字符隔离为黑色，将背景隔离为白色，同时去除任何噪声。

使用这种方法，我发现我通常会得到三个结果之一：

图像太嘈杂。

删除太多(字符脱节)。

合理（所有字符均独立且一致）。

我已经把原始图像和裁剪过的盘子包含在这张相册里了。

我意识到，由于车牌的不一致性质，我可能需要一种更动态的清理方法，但我不知道从哪里开始。我尝试过使用阈值和形态函数的参数，但这通常会导致对一幅图像的过度调整。

如何提高我的清理功能？

Answer 1

你正在尝试做的事情相当具有挑战性，而你展示的样品仍然是简单的。

首先，重要的是要对主要字符区域进行良好的划分。

对于垂直定界，尝试找到水平白线作为分隔符。对于更困难的情况，如“太吵”，您可以沿水平线计算统计数据，如白线和黑线的分布-计数、平均长度、长度偏差-并找到跨真实字符和额外特征的线之间的区别参数(顺便说一下，这将隐式检测白线)。

这样做，您将获得由相同类型的行形成的矩形，这些矩形可能会不小心被碎片。尝试合并似乎属于真实字符的矩形。下一步的处理将仅限于这个矩形。

对于垂直定界来说，事情并不那么容易，因为您将会看到字符被分割以便垂直线可以穿过它们的情况，以及不同字符被污垢或其他混乱连接的情况。(在某些可怕的情况下，角色可能会触碰到很大的区域。)

通过与上述类似的技术，找到候选垂直线。现在，除了形成几个假设，并列举这些分隔符的可能组合之外，您别无选择，因为字符的间距（在它们的轴之间）是最小的。

形成这些假设后，您可以通过执行字符识别和计算总分来确定最佳组合。（在这个阶段，我不认为在不知道字符可能的形状的情况下执行分割是可能的，这就是识别发挥作用的原因。）