我们假设需要识别的图像分为A和B两部分,A是大部分,B是小部分,同时,A也是所谓的“质量”好的图像,B是所谓的“质量”差的图像。
因为设计的识别算法只能是一个,所以,算法可能是
1、 既针对A,也针对B,两部分都是重点。这是大家想做的。
2、 针对大部分B,牺牲部分A,这是大家实际在做的。
3、 只针对A,放弃B。这是我在做的。
由于算法的实质是策略,当确定某种策略模式后,由于灰度化和其后的二值化过程所采用的阈值往往是单一阈值(或二阈值),阈值将所有图像点简单分为非黑即白,图像信息被大量损坏,因此,对于1,既针对A,也针对B,是不可能的,A有部分会被牺牲,同样,B也有部分会被牺牲,并且,被牺牲的部分是不可控的。“质量”好的图像A不能被识别从感情上讲是不好接受的,因此,大家总在改进算法,目的是想既针对A,也针对B。
改进的结果就成了针对大部分B,牺牲了部分A。
不论大家是否同意,我都得指出,大家对于A的解决并不彻底,仍然存在大量的D被识别成0,Q被识别成0的情况。注意,这与光照,倾斜,图像模糊等等没有任何关系。这是灰度化、二值化,去噪等一系列算法“有损性”造成的。
大家并没有解决算法的“有损性”问题。这就导致车牌识别精度不可能是{bfb}。
大家为何不去解决算法的“有损性”问题呢?
大家把注意力集中在图像“质量”不好的B上面究竟有多大意义。因为,要兼顾到B的话,就必然影响到A。
提高车牌识别的精度,或者说提高识别率,有两方面的因素,一是改算法,二是提高图像质量。大家一定要弄清楚,对于一幅不能识别的图像,你是去改算法呢,还是去提高图像“质量”?算法往往是不好改的,而图像质量呢?这显然好办得多,不信,做摄像头的人出来说说。
在我的网站上有三幅图像,其中,第三幅图像就是“质量”不好的图像。对于,这幅图像,我的算法不是不能解决,是我考虑:
1、这是不是普遍现象?如果是,它就属于A,我就必须改算法。
2、这是个别现象,那就建议使用高清摄像头。当然,我在这方面是外行,{zh0}还是请做摄像头的人来说说。