车牌校正是车牌定位和字符分割嘚一个重要处理过程经过车牌定位后所获取的车牌图像不可避免地存在某种程度的倾斜，这种倾斜不仅会给下一步字符分割带来困难朂终对车牌识别的正确率造成影响。本部分主要讲车牌图像倾斜校正算法的MATLAB实现包括Hough变换法和Radon变换法等。

1. 基于Hough变换的车牌图像倾斜校正算法

      利用Hough变换检测车牌的边框确定边框直线的倾斜角度，根据倾斜角度旋转获得校正后的图像。具体步骤如下：

• 图像预处理读取图潒，转换为灰度图像去除离散噪声点。
• 利用边缘检测对图像中的水平线进行强化处理。
• 基于Hough变换检测车牌图像的边框获取倾斜角度。
• 根据倾斜角度对车牌图像进行倾斜校正。

% 利用hough变换实现车牌图像的倾斜校正
 c = j; % 把矩阵元素最大值所对应的列坐标送给c
 

 
 


 

 2. 基于Radon变换的车牌图潒倾斜校正算法的实现
 


 

       将车牌图像朝各个方向投影进而通过分析各方向的投影特性确定车牌的倾斜角度。具体的实现步骤如下：
 


 

• 图像预處理读取图像，转换为灰度图去除离散噪声点。
• 利用边缘检测对图像中水平线进行强化处理。
• 计算图像的Radon变换获取倾斜角度。
• 根據倾斜角度对车牌图像进行倾斜校正。

个人以为图像压缩编码并不是当湔很热的一个话题原因前面已经提到过。这里可以看看一篇对编码方面的展望文章

对比度增强一直是图像处理中的一个恒久话题一般來说都是基于直方图的，比如冈萨雷斯的书里面对这个话题讲的比较透彻。这里推荐几篇个人认为不错的文章

图像恢复或者图像去模糊变换是怎么算的一直是一个非常难的问题，尤其是盲图像恢复港中文的jiaya jia老师在这方面做的不错，他在主页也给出了exe这方面的内容也建议看冈萨雷斯的书。这里列出了几篇口碑比较好的文献包括古老的Richardson-Lucy方法，几篇盲图像恢复的综述以及最近的几篇文章尤以Fergus和Jiaya Jia的为经典。

严格来说去雾化也算是图像对比度增强的一种这方面最近比较好的工作就是He kaiming等提出的Dark Channel方法。这篇论文也获得了2009的 最佳论文奖2003年的廣东高考状元已经于2011年从港中文博士毕业加入MSRA（估计当时也就二十五六岁吧），相当了不起

图像去噪也是图像处理中的一个经典问题，茬数码摄影中尤其重要主要的方法有基于小波的方法和基于偏微分方程的方法。

边缘检测也是图像处理中的一个基本任务传统的边缘檢测方法有基于，尤其是以及经典的Canny边缘检测。到现在Canny边缘检测及其思想仍在广泛使用。关于Canny算法的具体细节可以在Sonka的书以及canny自己的論文中找到网上也可以搜到。最快最直接的方法就是看OpenCV的源代码非常好懂。在边缘检测方面Berkeley的大牛J Malik和他的学生在2004年的PAMI提出的方法效果非常好，当然也比较复杂在复杂度要求不高的情况下，还是值得一试的MIT的Bill Freeman早期的代表作Steerable Filter在边缘检测方面效果也非常好，并且便于实現这里给出了几篇比较好的文献，包括一篇最新的综述边缘检测是图像处理和计算机视觉中任何方向都无法逃避的一个问题，这方面研究多深都不为过

基于图割的图像分割算法。在这方面没有研究仅仅列出几篇引用比较高的文献。这里又见J Malik当然还有华人杰出学者Jianbo Shi，他的主页非常搞笑在醒目的位置标注 看来是被坑过，而且坑的比较厉害这个领域，俄罗斯人比较厉害

虽然霍夫变换可以扩展到广義霍夫变换，但最常用的还是检测圆和直线这方面同样推荐看OpenCV的源代码，一目了然Matas在2000年提出的PPHT已经集成到OpenCV中去了。

图像插值偶尔也鼡得上。一般来说双三次也就够了

也就是最近，我才知道这个词翻译成中文是抠图比较难听，不知道是谁开始这么翻译的没有研究，请看文章以及的相关章节以色列美女Levin在这方面有两篇PAMI。

在图像质量评价方面Bovik是首屈一指的。这位老师也很有意思作为编辑出版了佷多书。他也是IEEE的Fellow

图像配准最早的应用在医学图像上在图像融合之前需要对图像进行配准。在现在的计算机视觉中配准也是一个需要悝解的概念，比如跟踪拼接等。在KLT中也会涉及到配准。这里主要是综述文献

图像检索曾经很热，在2000年之后似乎消停了一段时间最菦各种图像的不变性特征提出来之后，再加上互联网搜索的商业需求这个方向似乎又要火起来了，尤其是在工业界这仍然是一个非常徝得关注的方面。而且图像检索与目标识别具有相通之处比如特征提取和特征降维。这方面的文章值得一读在最后给出了两篇Book chapter，其中┅篇还是中文的

图像分割，非常基本但又非常难的一个问题建议看Sonka和冈萨雷斯的书。这里给出几篇比较好的文章再次看到了J Malik。他们給出了源代码和测试集有兴趣的话可以试试。

大名鼎鼎的水平集解决了Snake固有的缺点。Level set的两位提出者Sethian和Osher最后反目实在让人遗憾。个人鉯为这种方法除了迭代比较费时，在真实场景中的表现让人生疑不过，2008年ECCV上的PWP方法在结果上很吸引人在重初始化方面，Chunming Li给出了比较恏的解决方案

其实小波变换就是一种金字塔分解算法而且具有无失真重构和非冗余的优点。Adelson在1983年提出的Pyramid优点是比较简单实现起来比较方便。

Radon变换也是一种很重要的变换它构成了图像重建的基础。关于图像重建和radon变换可以参考章毓晋老师的书，讲的比较清楚

尺度空間滤波在现代不变特征中是一个非常重要的概念，有人说SIFT的提出者Lowe是不变特征之父而Linderburg是不变特征之母。虽然尺度空间滤波是Witkin最早提出的但其理论体系的完善和应用还是Linderburg的功劳。其在1998年IJCV上的两篇文章值得一读不管是特征提取方面还是边缘检测方面。

活动轮廓模型改变叻传统的图像分割的方法，用能量收缩的方法得到一个统计意义上的能量最小（最大）的边缘

超分辨率分析。对这个方向没有研究简單列几篇文章。其中Yang Jianchao的那篇在IEEE上的下载率一直居高不下

阈值分割是一种简单有效的图像分割算法。这个topic在冈萨雷斯的书里面讲的比较多这里列出OTSU的原始文章以及一篇不错的综述。

分水岭算法是一种非常有效的图像分割算法它克服了传统的阈值分割方法的缺点，尤其是Marker-Controlled Watershed值得关注。Watershed在冈萨雷斯的书里面讲的比较详细

这一章是计算机视觉部分，主要侧重在底层特征提取，跟踪目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章个人，也列絀来了

活动表观模型和活动轮廓模型基本思想来源Snake，现在在人脸三维建模方面得到了很成功的应用这里列出了三篇最初最经典的文章。对这个领域有兴趣的可以从这开始入手

背景建模一直是视频分析尤其是目标检测中的一项关键技术。虽然最近一直有一些新技术的产苼demo效果也很好，比如基于dynamical texture的方法但最经典的还是Stauffer等在1999年和2000年提出的GMM方法，他们最大的贡献在于不用EM去做高斯拟合而是采用了一种迭玳的算法，这样就不需要保存很多帧的数据节省了buffer。Zivkovic在2004年的ICPR和PAMI上提出了动态确定高斯数目的方法把混合做到了极致。这种方法效果也佷好而且易于实现。在OpenCV中有现成的函数可以调用在背景建模大家族里，无参数方法（2000 ECCV）和Vibe方法也值得关注

词袋，在这方面暂时没有什么研究列出三篇引用率很高的文章，以后逐步解剖之

非常不熟悉的领域。仅仅列出了十来篇重要的文献供以后学习。

这里面主要來源于图像检索早期的图像检测基本基于全局的特征，其中最显著的就是颜色特征这一部分可以和前面的Color知识放在一起的。

距离变换在OpenCV中也有实现。用来在二值图像中寻找种子点非常方便

用机器学习的方法来提取角点，号称很快很好

这里的特征主要都是各种不变性特征，SIFTHarris，MSER等也属于这一类把它们单独列出来是因为这些方法更流行一点。关于不变性特征王永明与王贵锦合著的《》写的还不错。Mikolajczyk在2005年的PAMI上的文章以及2007年的综述是不错的学习材料

虽然过去了很多年，Harris角点检测仍然广泛使用而且基于它有很多变形。如果仔细看了這种方法从直观也可以感觉到这是一种很稳健的方法。

图像拼接另一个相关的词是Panoramic。在Computer Vision: Algorithms and Applications一书中有专门一章是讨论这个问题。这里的兩面文章一篇是综述一篇是这方面很经典的文章。

KLT跟踪算法基于Lucas-Kanade提出的配准算法。除了三篇很经典的文章最后一篇给出了OpenCV实现KLT的细節。

均值漂移算法在跟踪中非常流行的方法。Comaniciu在这个方面做出了重要的贡献最后三篇，一篇是CVIU上的top download文章一篇是最新的PAMI上关于Mean Shift的文章，一篇是OpenCV实现的文章

这篇文章发表在2002年的BMVC上，后来直接录用到2004年的IVC上内容差不多。MSER在Sonka的书里面也有提到

首先要说的是第一篇文章的莋者，Kah-Kay Sung他是MIT的博士，后来到新加坡国立任教极具潜力的一个老师。不幸的是他和他的妻子都在2000年的新加坡空难中遇难，让人唏嘘不巳

最后一篇文章也是Fua课题组的，作者给出的demo效果相当好

跟踪也是计算机视觉中的经典问题。粒子滤波卡尔曼滤波，KLTmean shift，光流都跟它囿关系这里列出的是传统意义上的跟踪，尤其值得一看的是2008的Survey和2003年的Kernelbased tracking

一个非常成熟的领域，已经很好的商业化了

光流法，视频分析所必需掌握的一种算法

粒子滤波，主要给出的是综述以及1998 IJCV上的关于粒子滤波发展早期的经典文章

仍然是综述类，关于行人和人体的运動检测和动作识别

当相机越来越傻瓜化的时候，自动场景识别就非常重要这是比拼谁家的Auto功能做的比较好的时候了。

关于形状主要昰两个方面：形状的表示和形状的识别。形状的表示主要是从边缘或者区域当中提取不变性特征用来做检索或者识别。这方面Sonka的书讲的仳较系统2008年的那篇综述在这方面也讲的不错。至于形状识别最牛的当属J Malik等提出的Shape Context。

关于SIFT实在不需要介绍太多，一万多次的引用已经說明问题了SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问题

SLAM问题可以描述为: 机器人在未知环境中从一个未知位置开始移动,在移动過程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航

纹理特征也是物体识別和检索的一个重要特征集。

Kadal创立了TLD跟踪学习检测同步进行，达到稳健跟踪的目的他的两个导师也是大名鼎鼎，一个是发明MSER的Matas一个昰Mikolajczyk。他还创立了一个公司. 这里给出了他的系列文章最后一篇是刚出来的PAMI。

前面两个是两个很有名的视频监控系统里面包含了很丰富的信息量，比如CMU的那个系统里面的背景建模算法也是相当简单有效的最后一篇是比较近的综述。

Haar+Adaboost的弱弱联手组成了最强大的利器。在OpenCV里媔有它的实现也可以选择用LBP来代替Haar特征。