OpenCV C++案例实战十《车牌号识别》
前言一、车牌检测1.1.图像预处理1.2.轮廓提取1.3.功能效果1.4.功能源码 二、字符切割2.1.图像预处理2.2.轮廓提取2.3.功能效果2.4.功能源码 三、字符识别3.1.读取文件3.2.字符匹配3.3.功能源码 四、效果显示五、源码---版本一六、源码---版本二1、效果显示 总结freetype库配置
前言
本文将使用OpenCV C++ 进行车牌号识别。
一、车牌检测
原图如图所示。本案例的需求是进行车牌号码识别。所以，首先我们得定位车牌所在的位置，然后将车牌切割出来。接下来我们就来看看是如何实现。
1.1.图像预处理
首先经过一些常规的图像预处理，我们可以提取出图像的大致轮廓。然后根据轮廓的特征进一步确定我们所需要查找的轮廓。在这里，不同的图像需要根据本身图像特征设定预处理算法。所以，本案例的一个缺点就是不具有鲁棒性，只针对特定需求。
Mat gray;cvtColor(src, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);//使用形态学开操作去除一些小轮廓Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat open;morphologyEx(thresh, open, MORPH_OPEN, kernel);
如图为经过二值化后的图像，接下来我们就可以使用findContours寻找我们需要的轮廓。根据图像的轮廓特征就可以定位到车牌所在位置，然后将其从原图中切割出来，以便后续的识别工作。在这里，我定义了一个License结构体，用于存储ROI图像，以及其相对于原图所在位置。这样在后续的绘制工作中，我们就可以定位到ROI所在位置。
1.2.轮廓提取
//自定义车牌结构体struct License{Mat mat; //ROI图片Rect rect; //ROI所在矩形};//使用 RETR_EXTERNAL 找到最外轮廓vector<vector<Point>>contours;findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);vector<vector<Point>>conPoly(contours.size());for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);double peri = arcLength(contours[i], true);//根据面积筛选出可能属于车牌区域的轮廓if (area > 1000){//使用多边形近似，进一步确定车牌区域轮廓approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);if (conPoly[i].size() == 4){//计算矩形区域宽高比Rect box = boundingRect(contours[i]);double ratio = double(box.width) / double(box.height);if (ratio > 2 && ratio < 4){//截取ROI区域Rect rect = boundingRect(contours[i]);License_ROI = { src(rect),rect };}}}}1.3.功能效果
如图为从汽车上定位到的车牌，并将其切割出来以便下面的识别工作。
1.4.功能源码
//获取车牌所在ROI区域--车牌定位bool Get_License_ROI(Mat src, License &License_ROI){Mat gray;cvtColor(src, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);//使用形态学开操作去除一些小轮廓Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat open;morphologyEx(thresh, open, MORPH_OPEN, kernel);//使用 RETR_EXTERNAL 找到最外轮廓vector<vector<Point>>contours;findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);vector<vector<Point>>conPoly(contours.size());for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);double peri = arcLength(contours[i], true);//根据面积筛选出可能属于车牌区域的轮廓if (area > 1000){//使用多边形近似，进一步确定车牌区域轮廓approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);if (conPoly[i].size() == 4){//计算矩形区域宽高比Rect box = boundingRect(contours[i]);double ratio = double(box.width) / double(box.height);if (ratio > 2 && ratio < 4){//截取ROI区域Rect rect = boundingRect(contours[i]);License_ROI = { src(rect),rect };}}}}if (License_ROI.mat.empty()){return false;}return true;}二、字符切割
2.1.图像预处理
通过刚才的车牌定位，我们已经将车牌从原图中切割出来了。接下来，我们还需要将车牌上的字符一一切割出来，以便进行后续的识别工作。同理，我们也需要对车牌做同样的预处理操作。
Mat gray;cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat close;morphologyEx(thresh, close, MORPH_CLOSE, kernel);经过灰度、阈值、形态学操作后的图像如下图所示。
2.2.轮廓提取
接下来我们进行轮廓提取就可以提取出车牌上的每一个字符了。
vector<vector<Point>>contours;findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);//由于我们筛选出来的轮廓是无序的，故后续我们需要将字符重新排序if (area > 200){Rect rect = boundingRect(contours[i]);//计算外接矩形宽高比double ratio = double(rect.height) / double(rect.width);if (ratio > 1){Mat roi = License_ROI.mat(rect);resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR); Character_ROI.push_back({ roi ,rect });}}}
如图为切割出来的字符。不过这里有一个小问题就是，我们切割出来的字符并不是按车牌号码那样顺序排列。所以，在这里我们还得对其重新进行排序，使其按车牌顺序排列。
//冒泡排序for (int i = 0; i < Character_ROI.size()-1; i++){for (int j = 0; j < Character_ROI.size() - 1 - i; j++){if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x){License temp = Character_ROI[j];Character_ROI[j] = Character_ROI[j + 1];Character_ROI[j + 1] = temp;}}}2.3.功能效果
2.4.功能源码
//获取车牌每一个字符ROI区域bool Get_Character_ROI(License &License_ROI, vector<License>&Character_ROI){Mat gray;cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat close;morphologyEx(thresh, close, MORPH_CLOSE, kernel);vector<vector<Point>>contours;findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);//由于我们筛选出来的轮廓是无序的，故后续我们需要将字符重新排序if (area > 200){Rect rect = boundingRect(contours[i]);//计算外接矩形宽高比double ratio = double(rect.height) / double(rect.width);if (ratio > 1){Mat roi = License_ROI.mat(rect);resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR); Character_ROI.push_back({ roi ,rect });}}}//将筛选出来的字符轮廓 按照其左上角点坐标从左到右依次顺序排列//冒泡排序for (int i = 0; i < Character_ROI.size()-1; i++){for (int j = 0; j < Character_ROI.size() - 1 - i; j++){if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x){License temp = Character_ROI[j];Character_ROI[j] = Character_ROI[j + 1];Character_ROI[j + 1] = temp;}}}if (Character_ROI.size() != 7){return false;}return true;}三、字符识别
3.1.读取文件
如图所示，为模板图像以及对应的label。我们需要读取文件，进行匹配。在这里我使用UTF8ToGB函数实现读取txt文件，目的是为了在控制台显示中文时，不会出现乱码情况。
//读取文件 图片bool Read_Data(string filename,vector<Mat>&dataset){vector<String>imagePathList;glob(filename, imagePathList);if (imagePathList.empty())return false;for (int i = 0; i < imagePathList.size(); i++){Mat image = imread(imagePathList[i]);resize(image, image, Size(50, 100), 1, 1, INTER_LINEAR);dataset.push_back(image);}return true;}//读取文件 标签bool Read_Data(string filename, vector<string>&data_name){fstream fin;fin.open(filename, ios::in);if (!fin.is_open()){cout << "can not open the file!" << endl;return false;}string s;while (std::getline(fin, s)){string str = UTF8ToGB(s.c_str()).c_str();data_name.push_back(str);}fin.close();return true;}3.2.字符匹配
在这里，我的思路是：使用一个for循环，将我们切割出来的字符与现有的模板进行匹配。而这个匹配算法是求两张图像的像素差，以此来判断图像的相似程度。具体是使用OpenCV absdiff函数计算两张图像的像素差.。
如图为使用absdiff得到的效果图。接下来，我们只需要计算图像中灰度值为0的像素点个数就可以了。像素点个数最少的那个label即为我们的匹配结果。当然，此方法肯定是会存在误识别的情况的。进行字符匹配的方法还有：模板匹配，基于Hu矩轮廓匹配。大家可以试试。
3.3.功能源码
//识别车牌字符bool License_Recognition(vector<License>&Character_ROI, vector<int>&result_index){string filename = "data/";vector<Mat>dataset;if (!Read_Data(filename, dataset)) return false;for (int i = 0; i < Character_ROI.size(); i++){Mat roi_gray;cvtColor(Character_ROI[i].mat, roi_gray, COLOR_BGR2GRAY);Mat roi_thresh;threshold(roi_gray, roi_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);int minCount = 1000000;int index = 0;for (int j = 0; j < dataset.size(); j++){Mat temp_gray;cvtColor(dataset[j], temp_gray, COLOR_BGR2GRAY);Mat temp_thresh;threshold(temp_gray, temp_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);//计算两张图片的像素差，以此判断两张图片是否相同Mat dst;absdiff(roi_thresh, temp_thresh, dst);int count = pixCount(dst);if (count < minCount){minCount = count;index = j;}}result_index.push_back(index);}return true;}四、效果显示
//显示最终效果bool Draw_Result(Mat src, License &License_ROI, vector<License>&Character_ROI,vector<int>&result_index){rectangle(src, License_ROI.rect, Scalar(0, 255, 0), 2);vector<string>data_name;if (!Read_Data("data_name.txt", data_name))return false;for (int i = 0; i < Character_ROI.size(); i++){cout << data_name[result_index[i]] << " ";//putText 中文显示会乱码，所以采用下面代码CvxText text("C://Windows/Fonts/方正粗黑宋简体.ttf");//字体string str = data_name[result_index[i]]; //string 转 charconst char*msg = str.data();IplImage *temp; //Mat 转 IplImagetemp = &IplImage(src);text.putText(temp, msg, Point(License_ROI.rect.x + Character_ROI[i].rect.x, License_ROI.rect.y + Character_ROI[i].rect.y),Scalar(0,0,255));}return true;}在这里，为了使用putText显示中文，我这里加了一些额外的代码。如果需要使用putText显示中文效果的朋友可以自行百度一下如何配置环境。
最终效果如图所示：
五、源码—版本一
版本一 ：putText能够显示中文，需要配置freetype库。目前我使用的环境是：win10、vs2017、opencv4.1。
#include<iostream>#include<opencv2/opencv.hpp>#include<fstream> //文本读写#include<Windows.h> //控制台输出中文乱码#include"CvxText.h" //putText显示中文乱码using namespace std;using namespace cv;//自定义车牌结构体struct License{Mat mat; //ROI图片Rect rect; //ROI所在矩形};//获取车牌所在ROI区域--车牌定位bool Get_License_ROI(Mat src, License &License_ROI){Mat gray;cvtColor(src, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);//使用形态学开操作去除一些小轮廓Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat open;morphologyEx(thresh, open, MORPH_OPEN, kernel);//使用 RETR_EXTERNAL 找到最外轮廓vector<vector<Point>>contours;findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);vector<vector<Point>>conPoly(contours.size());for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);double peri = arcLength(contours[i], true);//根据面积筛选出可能属于车牌区域的轮廓if (area > 1000){//使用多边形近似，进一步确定车牌区域轮廓approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);if (conPoly[i].size() == 4){//计算矩形区域宽高比Rect box = boundingRect(contours[i]);double ratio = double(box.width) / double(box.height);if (ratio > 2 && ratio < 4){//截取ROI区域Rect rect = boundingRect(contours[i]);License_ROI = { src(rect),rect };}}}}if (License_ROI.mat.empty()){return false;}return true;}//获取车牌每一个字符ROI区域bool Get_Character_ROI(License &License_ROI, vector<License>&Character_ROI){Mat gray;cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat close;morphologyEx(thresh, close, MORPH_CLOSE, kernel);vector<vector<Point>>contours;findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);//由于我们筛选出来的轮廓是无序的，故后续我们需要将字符重新排序if (area > 200){Rect rect = boundingRect(contours[i]);//计算外接矩形宽高比double ratio = double(rect.height) / double(rect.width);if (ratio > 1){Mat roi = License_ROI.mat(rect);resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR); Character_ROI.push_back({ roi ,rect });}}}//将筛选出来的字符轮廓 按照其左上角点坐标从左到右依次顺序排列//冒泡排序for (int i = 0; i < Character_ROI.size()-1; i++){for (int j = 0; j < Character_ROI.size() - 1 - i; j++){if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x){License temp = Character_ROI[j];Character_ROI[j] = Character_ROI[j + 1];Character_ROI[j + 1] = temp;}}}if (Character_ROI.size() != 7){return false;}return true;}//从txt文件中读取中文，防止乱码string UTF8ToGB(const char* str){string result;WCHAR *strSrc;LPSTR szRes;//获得临时变量的大小int i = MultiByteToWideChar(CP_UTF8, 0, str, -1, NULL, 0);strSrc = new WCHAR[i + 1];MultiByteToWideChar(CP_UTF8, 0, str, -1, strSrc, i);//获得临时变量的大小i = WideCharToMultiByte(CP_ACP, 0, strSrc, -1, NULL, 0, NULL, NULL);szRes = new CHAR[i + 1];WideCharToMultiByte(CP_ACP, 0, strSrc, -1, szRes, i, NULL, NULL);result = szRes;delete[]strSrc;delete[]szRes;return result;}//读取文件 图片bool Read_Data(string filename,vector<Mat>&dataset){vector<String>imagePathList;glob(filename, imagePathList);if (imagePathList.empty())return false;for (int i = 0; i < imagePathList.size(); i++){Mat image = imread(imagePathList[i]);resize(image, image, Size(50, 100), 1, 1, INTER_LINEAR);dataset.push_back(image);}return true;}//读取文件 标签bool Read_Data(string filename, vector<string>&data_name){fstream fin;fin.open(filename, ios::in);if (!fin.is_open()){cout << "can not open the file!" << endl;return false;}string s;while (std::getline(fin, s)){string str = UTF8ToGB(s.c_str()).c_str();data_name.push_back(str);}fin.close();return true;}//计算像素点个数int pixCount(Mat image){int count = 0;if (image.channels() == 1){for (int i = 0; i < image.rows; i++){for (int j = 0; j < image.cols; j++){if (image.at<uchar>(i, j) == 0){count++;}}}return count;}else{return -1;}}//识别车牌字符bool License_Recognition(vector<License>&Character_ROI, vector<int>&result_index){string filename = "data/";vector<Mat>dataset;if (!Read_Data(filename, dataset)) return false;for (int i = 0; i < Character_ROI.size(); i++){Mat roi_gray;cvtColor(Character_ROI[i].mat, roi_gray, COLOR_BGR2GRAY);Mat roi_thresh;threshold(roi_gray, roi_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);int minCount = 1000000;int index = 0;for (int j = 0; j < dataset.size(); j++){Mat temp_gray;cvtColor(dataset[j], temp_gray, COLOR_BGR2GRAY);Mat temp_thresh;threshold(temp_gray, temp_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);//计算两张图片的像素差，以此判断两张图片是否相同Mat dst;absdiff(roi_thresh, temp_thresh, dst);int count = pixCount(dst);if (count < minCount){minCount = count;index = j;}}result_index.push_back(index);}return true;}//显示最终效果bool Draw_Result(Mat src, License &License_ROI, vector<License>&Character_ROI,vector<int>&result_index){rectangle(src, License_ROI.rect, Scalar(0, 255, 0), 2);vector<string>data_name;if (!Read_Data("data_name.txt", data_name))return false;for (int i = 0; i < Character_ROI.size(); i++){cout << data_name[result_index[i]] << " ";//putText 中文显示会乱码，所以采用下面代码CvxText text("C://Windows/Fonts/方正粗黑宋简体.ttf");//字体string str = data_name[result_index[i]]; //string 转 charconst char*msg = str.data();IplImage *temp; //Mat 转 IplImagetemp = &IplImage(src);text.putText(temp, msg, Point(License_ROI.rect.x + Character_ROI[i].rect.x, License_ROI.rect.y + Character_ROI[i].rect.y),Scalar(0,0,255));}return true;}int main(){Mat src = imread("car.jpg");if (src.empty()){cout << "No image!" << endl;system("pause");return -1;}License License_ROI;if (Get_License_ROI(src, License_ROI)){vector<License>Character_ROI;if (Get_Character_ROI(License_ROI, Character_ROI)){vector<int>result_index;if (License_Recognition(Character_ROI, result_index)){Draw_Result(src, License_ROI, Character_ROI,result_index);}else{cout << "未能识别字符！" << endl;system("pause");return -1;}}else{cout << "未能切割出字符！" << endl;system("pause");return -1;}}else{cout << "未定位到车牌位置！" << endl;system("pause");return -1;}imshow("src", src);waitKey(0);system("pause");return 0;}六、源码—版本二
版本二：很多小伙伴向我反馈由于vs、opencv版本问题，利用putText显示中文会出现各种各样的错误。故在这里提供一个putText不显示中文的版本，所以freetype库也不用配置了，直接就可以运行了。
#include<iostream>#include<opencv2/opencv.hpp>#include<fstream> //文本读写#include<Windows.h> //控制台输出中文乱码using namespace std;using namespace cv;//自定义车牌结构体struct License{Mat mat; //ROI图片Rect rect; //ROI所在矩形};//获取车牌所在ROI区域--车牌定位bool Get_License_ROI(Mat src, License &License_ROI){Mat gray;cvtColor(src, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);//使用形态学开操作去除一些小轮廓Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat open;morphologyEx(thresh, open, MORPH_OPEN, kernel);//使用 RETR_EXTERNAL 找到最外轮廓vector<vector<Point>>contours;findContours(open, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);vector<vector<Point>>conPoly(contours.size());for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);double peri = arcLength(contours[i], true);//根据面积筛选出可能属于车牌区域的轮廓if (area > 1000){//使用多边形近似，进一步确定车牌区域轮廓approxPolyDP(contours[i], conPoly[i], 0.02*peri, true);if (conPoly[i].size() == 4){//计算矩形区域宽高比Rect box = boundingRect(contours[i]);double ratio = double(box.width) / double(box.height);if (ratio > 2 && ratio < 4){//截取ROI区域Rect rect = boundingRect(contours[i]);License_ROI = { src(rect),rect };}}}}if (License_ROI.mat.empty()){return false;}return true;}//获取车牌每一个字符ROI区域bool Get_Character_ROI(License &License_ROI, vector<License>&Character_ROI){Mat gray;cvtColor(License_ROI.mat, gray, COLOR_BGR2GRAY);Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));Mat close;morphologyEx(thresh, close, MORPH_CLOSE, kernel);vector<vector<Point>>contours;findContours(close, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);for (int i = 0; i < contours.size(); i++){double area = contourArea(contours[i]);//由于我们筛选出来的轮廓是无序的，故后续我们需要将字符重新排序if (area > 200){Rect rect = boundingRect(contours[i]);//计算外接矩形宽高比double ratio = double(rect.height) / double(rect.width);if (ratio > 1){Mat roi = License_ROI.mat(rect);resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR); Character_ROI.push_back({ roi ,rect });}}}//将筛选出来的字符轮廓 按照其左上角点坐标从左到右依次顺序排列//冒泡排序for (int i = 0; i < Character_ROI.size()-1; i++){for (int j = 0; j < Character_ROI.size() - 1 - i; j++){if (Character_ROI[j].rect.x > Character_ROI[j + 1].rect.x){License temp = Character_ROI[j];Character_ROI[j] = Character_ROI[j + 1];Character_ROI[j + 1] = temp;}}}if (Character_ROI.size() != 7){return false;}return true;}//从txt文件中读取中文，防止乱码string UTF8ToGB(const char* str){string result;WCHAR *strSrc;LPSTR szRes;//获得临时变量的大小int i = MultiByteToWideChar(CP_UTF8, 0, str, -1, NULL, 0);strSrc = new WCHAR[i + 1];MultiByteToWideChar(CP_UTF8, 0, str, -1, strSrc, i);//获得临时变量的大小i = WideCharToMultiByte(CP_ACP, 0, strSrc, -1, NULL, 0, NULL, NULL);szRes = new CHAR[i + 1];WideCharToMultiByte(CP_ACP, 0, strSrc, -1, szRes, i, NULL, NULL);result = szRes;delete[]strSrc;delete[]szRes;return result;}//读取文件 图片bool Read_Data(string filename,vector<Mat>&dataset){vector<String>imagePathList;glob(filename, imagePathList);if (imagePathList.empty())return false;for (int i = 0; i < imagePathList.size(); i++){Mat image = imread(imagePathList[i]);resize(image, image, Size(50, 100), 1, 1, INTER_LINEAR);dataset.push_back(image);}return true;}//读取文件 标签bool Read_Data(string filename, vector<string>&data_name){fstream fin;fin.open(filename, ios::in);if (!fin.is_open()){cout << "can not open the file!" << endl;return false;}string s;while (std::getline(fin, s)){string str = UTF8ToGB(s.c_str()).c_str();data_name.push_back(str);}fin.close();return true;}//计算像素点个数int pixCount(Mat image){int count = 0;if (image.channels() == 1){for (int i = 0; i < image.rows; i++){for (int j = 0; j < image.cols; j++){if (image.at<uchar>(i, j) == 0){count++;}}}return count;}else{return -1;}}//识别车牌字符bool License_Recognition(vector<License>&Character_ROI, vector<int>&result_index){string filename = "data/";vector<Mat>dataset;if (!Read_Data(filename, dataset)) return false;for (int i = 0; i < Character_ROI.size(); i++){Mat roi_gray;cvtColor(Character_ROI[i].mat, roi_gray, COLOR_BGR2GRAY);Mat roi_thresh;threshold(roi_gray, roi_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);int minCount = 1000000;int index = 0;for (int j = 0; j < dataset.size(); j++){Mat temp_gray;cvtColor(dataset[j], temp_gray, COLOR_BGR2GRAY);Mat temp_thresh;threshold(temp_gray, temp_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);//计算两张图片的像素差，以此判断两张图片是否相同Mat dst;absdiff(roi_thresh, temp_thresh, dst);int count = pixCount(dst);if (count < minCount){minCount = count;index = j;}}result_index.push_back(index);}return true;}//显示最终效果bool Draw_Result(Mat src, License &License_ROI, vector<License>&Character_ROI,vector<int>&result_index){rectangle(src, License_ROI.rect, Scalar(0, 255, 0), 2);vector<string>data_name;if (!Read_Data("data_name.txt", data_name))return false;for (int i = 0; i < Character_ROI.size(); i++){//putText 中文显示会乱码，不进行中文显示string str = data_name[result_index[i]]; //string 转 charcout << str << " ";putText(src, str, Point(License_ROI.rect.x + Character_ROI[i].rect.x, License_ROI.rect.y + Character_ROI[i].rect.y), 3, FONT_HERSHEY_PLAIN, Scalar(0, 0, 255), 2);}return true;}int main(){Mat src = imread("car.jpg");if (src.empty()){cout << "No image!" << endl;system("pause");return -1;}License License_ROI;if (Get_License_ROI(src, License_ROI)){vector<License>Character_ROI;if (Get_Character_ROI(License_ROI, Character_ROI)){vector<int>result_index;if (License_Recognition(Character_ROI, result_index)){Draw_Result(src, License_ROI, Character_ROI,result_index);}else{cout << "未能识别字符！" << endl;system("pause");return -1;}}else{cout << "未能切割出字符！" << endl;system("pause");return -1;}}else{cout << "未定位到车牌位置！" << endl;system("pause");return -1;}imshow("src", src);waitKey(0);system("pause");return 0;}1、效果显示
总结
本文使用OpenCV C++进行车牌号识别，关键步骤有以下几点。
1、车牌定位。案例需求是进行车牌识别。那么我们就得知道车牌在什么位置。将车牌找到之后，需要将车牌切割出来，作为一个整体进行下面工作。
2、字符分割。我们得到了车牌，需要将车牌上的字符一一分割出来才能进行下面的识别工作。有个小细节就是需要将字符重新排序。
3、字符识别。我们将得到的字符与我们准备好的模板一一进行匹配。匹配算法有很多，大家可以自行尝试。我这里使用的是基于两幅图像的像素差进行图像比对。
需要说明的是：本案例是根据特定图像、特定需求设定的算法。并不具有鲁棒性。所有在图像预处理阶段很重要。我们需要提取出我们需要的图像特征，这样才能够进行后续的工作。所以本案例也只是使用传统的图像处理手段实现车牌识别功能。将大致流程作了一个说明，这里只提供一个参考作用！！！
注：关于有很多小伙伴提出的问题“ “ft2build.h": No such file or directory”。这是因为由于OpenCV putText 不支持显示中文，在本案例中，我为了显示中文，故编译了freetype库。如果大家觉得有需要的话，可以自行编译配置环境。如果觉得麻烦的话，将源码中的中文显示函数注释掉也是可以直接运行的。
freetype库配置
freetype库下载地址：http://download.savannah.gnu.org/releases/freetype/
下载解压后，选择合适vs版本进行编译就可以啦！！！
编译好之后，像配置OpenCV环境一样，将include、lib文件配置在vs环境中就可以了
欢迎大家点赞、关注，可私信找我领取完整源码、模板图像以及测试图像！！！
欢迎大家交流学习！！！