实战：车牌识别之车牌定位
2024-05-18 20:53:55
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达本文转自|3D视觉工坊
从本节起，我们开始尝试做一下车牌识别中的算法部分。从上一节的基本框架图中，可以看到，要想做车牌识别，第一步还是要知道车牌在图片中的位置！
所以，万里长征第一步，我们先从车牌定位开始吧。
车牌定位
寻找车牌对于人脑来说真是小事一桩，这也是经过千锤百炼的结果。但是对于计算机来说可能就没有这么简单了。我们先来看看在物理世界什么是车牌，以及他们有什么特征。
我们以中国车牌为例，车牌的种类也是繁杂得很。从汽车类型上分有：
小型车号牌
大型车号牌
挂车号牌
使、领馆汽车号牌
港澳出境车号牌
教练号牌
警车号牌
消防号牌
等等。。。
从车牌底色上看有:
蓝色
黄色
绿色
白色
黑色
黄色+绿色
面对如此众多的分类，最怕的就是一开始就想做一个大而全的系统。敏捷开发才是王道，我们以其中一个最普通的小型车号牌+蓝色为例，找一找它的特征点：
1. 尺寸
宽440mm×高140mm的矩形
2. 颜色
背景为蓝色，显示内容为白色
3. 内容
以“沪A-88888”为例，格式为“汉字（省/直辖市缩写）”+“大写字母（市/区缩写）”+“点（-）”+“5位大写字母和数字的组合（随机车牌号）”
好了，了解过了车牌的基本内容，我们就要开始思考如何在一张数字图像上找到车牌。这里我们只利用两个有用信息尺寸和颜色（内容部分比较难，放在后面）。
尺寸因为图片大小和车牌远近的问题，只能用到它的比例和矩形特征。我们可以尝试找到符合宽高比在（2, 4）之间的矩形。那么车牌就在这些矩形里了。
颜色部分可以用来做精调，可以在上面的矩形里找到符合蓝色覆盖比例的部分。这样一可以剔除那些非蓝色的矩形，而来可以缩小矩形范围提炼精确的车牌内容。
为了实现上面两个大思路，再具体一些可以分成如下七步：
1. 图片缩放到固定的大小
由于加载图片大小的差异，缩放到固定大小的最重要的原因是方便后面的模糊、开、闭操作，可以用一个统一的内核大小处理不同的图片了。
def zoom(w, h, wMax, hMax): # if w <= wMax and h <= hMax: # return w, h widthScale = 1.0 * wMax / w heightScale = 1.0 * hMax / h scale = min(widthScale, heightScale)resizeWidth = int(w * scale) resizeHeight = int(h * scale) return resizeWidth, resizeHeight # Step1: Resize
img = np.copy(self.imgOri)
h, w = img.shape[:2]
imgWidth, imgHeight = zoom(w, h, self.maxLength, self.maxLength)
print(w, h, imgWidth, imgHeight)
img =cv.resize(img, (imgWidth, imgHeight), interpolation=cv.INTER_AREA)
cv.imshow("imgResize", img)
2. 图片预处理
图片预处理部分是最重要的，这里面所有做的操作都是给有效地寻找包络服务的，其中用到了高斯模糊来降低噪声，开操作和加权来强化对比度，二值化和Canny边缘检测来找到物体轮廓，用先闭后开操作找到整块整块的矩形。
# Step2: Prepare to find contours
img = cv.GaussianBlur(img, (3, 3), 0)
imgGary = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow("imgGary", imgGary) kernel = np.ones((20, 20), np.uint8)
imgOpen = cv.morphologyEx(imgGary, cv.MORPH_OPEN, kernel)
cv.imshow("imgOpen", imgOpen) imgOpenWeight = cv.addWeighted(imgGary, 1, imgOpen, -1, 0)
cv.imshow("imgOpenWeight", imgOpenWeight) ret, imgBin = cv.threshold(imgOpenWeight, 0, 255, cv.THRESH_OTSU + cv.THRESH_BINARY)
cv.imshow("imgBin", imgBin) imgEdge = cv.Canny(imgBin, 100, 200)
cv.imshow("imgEdge", imgEdge) kernel = np.ones((10, 19), np.uint8)
imgEdge = cv.morphologyEx(imgEdge, cv.MORPH_CLOSE, kernel)
imgEdge = cv.morphologyEx(imgEdge, cv.MORPH_OPEN, kernel)
cv.imshow("imgEdgeProcessed", imgEdge)
3. 寻找包络
有了上面的处理，寻找包络就简单多了。OpenCV的一个接口findContours就搞定！
# Step3: Find Contours
image, contours, hierarchy = cv.findContours(imgEdge, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
contours = [cnt for cnt in contours if cv.contourArea(cnt) > self.minArea] 4. 删除一些物理尺寸不满足的包络
轮询所有包络，通过minAreaRect找到他们对应的最小矩形。先通过宽、高比来删除一些不符合条件的。
# Step4: Delete some rects
carPlateList = []
imgDark = np.zeros(img.shape, dtype = img.dtype)
for index, contour in enumerate(contours): rect = cv.minAreaRect(contour) # [中心(x,y), (宽,高), 旋转角度] w, h = rect[1] if w < h: w, h = h, w scale = w/h if scale > 2 and scale < 4: # color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))color = (255, 255, 255) carPlateList.append(rect) cv.drawContours(imgDark, contours, index, color, 1, 8) box = cv.boxPoints(rect) # Peak Coordinate box = np.int0(box) # Draw them out cv.drawContours(imgDark, [box], 0, (0, 0, 255), 1) cv.imshow("imgGaryContour", imgDark)
print("Vehicle number: ", len(carPlateList))
5. 重映射
这里做的是仿射变换，为什么要做这个呢？原因是因为拍摄角度的原因，我们得到的矩形通常是由写偏角的，这里希望把它们摆正。
# Step5: Rect rectify
imgPlatList = []
for index, carPlat in enumerate(carPlateList): if carPlat[2] > -1 and carPlat[2] < 1: angle = 1 else: angle = carPlat[2] carPlat = (carPlat[0], (carPlat[1][0] + 5, carPlat[1][1] + 5), angle) box = cv.boxPoints(carPlat) # Which point is Left/Right/Top/Bottom w, h = carPlat[1][0], carPlat[1][1] if w > h: LT = box[1] LB = box[0] RT = box[2] RB = box[3] else: LT = box[2] LB = box[1] RT = box[3] RB = box[0] for point in [LT, LB, RT, RB]: pointLimit(point, imgWidth, imgHeight) # Do warpAffine newLB = [LT[0], LB[1]] newRB = [RB[0], LB[1]] oldTriangle = np.float32([LT, LB, RB]) newTriangle = np.float32([LT, newLB, newRB]) warpMat = cv.getAffineTransform(oldTriangle, newTriangle) imgAffine = cv.warpAffine(img, warpMat, (imgWidth, imgHeight)) cv.imshow("imgAffine" + str(index), imgAffine) print("Index: ", index) imgPlat = imgAffine[int(LT[1]):int(newLB[1]), int(newLB[0]):int(newRB[0])]imgPlatList.append(imgPlat) cv.imshow("imgPlat" + str(index), imgPlat)
需要注意的是这里用了boxPoints接口获取了矩形的四个点的坐标，需要通过这四个点坐标对应矩形的左上、右上、左下、右下四个点，才能给后面的warpAffine仿射变换做铺垫。
函数 cv2.minAreaRect() 返回一个Box2D结构rect：（最小外接矩形的中心（x，y），（宽度，高度），旋转角度），但是要绘制这个矩形，我们需要矩形的4个顶点坐标box, 通过函数 cv2.cv.BoxPoints() 获得，返回形式[ [x0,y0], [x1,y1], [x2,y2], [x3,y3] ]。得到的最小外接矩形的4个顶点顺序、中心坐标、宽度、高度、旋转角度（是度数形式，不是弧度数）的对应关系如下：
6. 定车牌颜色
基本思路就是把上面重映射后的图片转换到HSV空间，然后通过统计全部像素的个数以及单个颜色对应的个数，如果满足蓝色占了全部像素的1/3及以上的时候，就认为这是一个蓝色车牌。
#Step6: Find correct place by color.
colorList = []
for index, imgPlat in enumerate(imgPlatList): green = yellow = blue = 0 imgHsv = cv.cvtColor(imgPlat, cv.COLOR_BGR2HSV) rows, cols = imgHsv.shape[:2] imgSize = cols * rows color = None for row in range(rows): for col in range(cols): H = imgHsv.item(row, col, 0) S = imgHsv.item(row, col, 1) V = imgHsv.item(row, col, 2) if 11 < H <= 34 and S > 34: yellow += 1 elif 35 < H <= 99 and S > 34: green += 1 elif 99 < H <= 124 and S > 34: blue += 1 limit1 = limit2 = 0 if yellow * 3 >= imgSize: color = "yellow" limit1 = 11 limit2 = 34 elif green * 3 >= imgSize: color = "green" limit1 = 35 limit2 = 99 elif blue * 3 >= imgSize: color = "blue" limit1 = 100 limit2 = 124 print("Image Index[", index, '], Color：', color) colorList.append(color) print(blue, green, yellow, imgSize) if color is None: continue 附：
HSV空间下的颜色判断关系表。
7. 根据颜色重新裁剪、筛选图片
我们知道了车牌颜色之后，就可以通过逐行、逐列扫描，把车牌精确到更小的范围，这样还可以通过宽高比剔除一些不正确的矩形，而且还得到了精确唯一车牌图像内容！
def accurate_place(self, imgHsv, limit1, limit2, color): rows, cols = imgHsv.shape[:2] left = cols right = 0 top = rows bottom = 0 # rowsLimit = 21 rowsLimit = rows * 0.8 if color != "green" else rows * 0.5 # 绿色有渐变 colsLimit = cols * 0.8 if color != "green" else cols * 0.5 # 绿色有渐变 for row in range(rows): count = 0 for col in range(cols): H = imgHsv.item(row, col, 0) S = imgHsv.item(row, col, 1) V = imgHsv.item(row, col, 2) if limit1 < H <= limit2 and 34 < S:# and 46 < V: count += 1 if count > colsLimit: if top > row: top = row if bottom < row: bottom = row for col in range(cols): count = 0 for row in range(rows): H = imgHsv.item(row, col, 0) S = imgHsv.item(row, col, 1) V = imgHsv.item(row, col, 2) if limit1 < H <= limit2 and 34 < S:# and 46 < V: count += 1 if count > rowsLimit: if left > col: left = col if right < col: right = col return left, right, top, bottom # Step7: Resize vehicle img.
left, right, top, bottom = self.accurate_place(imgHsv, limit1, limit2, color)
w = right - left
h = bottom - top if left == right or top == bottom: continue scale = w/h
if scale < 2 or scale > 4: continue needAccurate = False
if top >= bottom: top = 0 bottom = rows needAccurate = True
if left >= right: left = 0 right = cols needAccurate = True
# imgPlat[index] = imgPlat[top:bottom, left:right] \
# if color != "green" or top < (bottom - top) // 4 \
# else imgPlat[top - (bottom - top) // 4:bottom, left:right]
imgPlatList[index] = imgPlat[top:bottom, left:right]
cv.imshow("Vehicle Image " + str(index), imgPlatList[index])
好了，我们终于拿到了最终结果，下一步就是把这里面的内容提取出来吧！
目前遇到的问题：
1. 获取矩形如果倾斜有角度，仿射变换后更偏了，不知道后面内容提取容易分离不。
全部代码：
import cv2 as cv
import numpy as np
from numpy.linalg import norm
import matplotlib.pyplot as plt
import sys, os, json, randomclass LPRAlg:maxLength = 700minArea = 2000def __init__(self, imgPath = None):if imgPath is None:print("Please input correct path!")return Noneself.imgOri = cv.imread(imgPath)if self.imgOri is None:print("Cannot load this picture!")return None# cv.imshow("imgOri", self.imgOri)def accurate_place(self, imgHsv, limit1, limit2, color):rows, cols = imgHsv.shape[:2]left = colsright = 0top = rowsbottom = 0# rowsLimit = 21rowsLimit = rows * 0.8 if color != "green" else rows * 0.5 # 绿色有渐变colsLimit = cols * 0.8 if color != "green" else cols * 0.5 # 绿色有渐变for row in range(rows):count = 0for col in range(cols):H = imgHsv.item(row, col, 0)S = imgHsv.item(row, col, 1)V = imgHsv.item(row, col, 2)if limit1 < H <= limit2 and 34 < S:# and 46 < V:count += 1if count > colsLimit:if top > row:top = rowif bottom < row:bottom = rowfor col in range(cols):count = 0for row in range(rows):H = imgHsv.item(row, col, 0)S = imgHsv.item(row, col, 1)V = imgHsv.item(row, col, 2)if limit1 < H <= limit2 and 34 < S:# and 46 < V:count += 1if count > rowsLimit:if left > col:left = colif right < col:right = colreturn left, right, top, bottomdef findVehiclePlate(self):def zoom(w, h, wMax, hMax):# if w <= wMax and h <= hMax:# return w, hwidthScale = 1.0 * wMax / wheightScale = 1.0 * hMax / hscale = min(widthScale, heightScale)resizeWidth = int(w * scale)resizeHeight = int(h * scale)return resizeWidth, resizeHeightdef pointLimit(point, maxWidth, maxHeight):if point[0] < 0:point[0] = 0if point[0] > maxWidth:point[0] = maxWidthif point[1] < 0:point[1] = 0if point[1] > maxHeight:point[1] = maxHeightif self.imgOri is None:print("Please load picture frist!")return False# Step1: Resizeimg = np.copy(self.imgOri)h, w = img.shape[:2]imgWidth, imgHeight = zoom(w, h, self.maxLength, self.maxLength)print(w, h, imgWidth, imgHeight)img =cv.resize(img, (imgWidth, imgHeight), interpolation=cv.INTER_AREA)cv.imshow("imgResize", img)# Step2: Prepare to find contoursimg = cv.GaussianBlur(img, (3, 3), 0)imgGary = cv.cvtColor(img, cv.COLOR_BGR2GRAY)cv.imshow("imgGary", imgGary)kernel = np.ones((20, 20), np.uint8)imgOpen = cv.morphologyEx(imgGary, cv.MORPH_OPEN, kernel)cv.imshow("imgOpen", imgOpen)imgOpenWeight = cv.addWeighted(imgGary, 1, imgOpen, -1, 0)cv.imshow("imgOpenWeight", imgOpenWeight)ret, imgBin = cv.threshold(imgOpenWeight, 0, 255, cv.THRESH_OTSU + cv.THRESH_BINARY)cv.imshow("imgBin", imgBin)imgEdge = cv.Canny(imgBin, 100, 200)cv.imshow("imgEdge", imgEdge)kernel = np.ones((10, 19), np.uint8)imgEdge = cv.morphologyEx(imgEdge, cv.MORPH_CLOSE, kernel)imgEdge = cv.morphologyEx(imgEdge, cv.MORPH_OPEN, kernel)cv.imshow("imgEdgeProcessed", imgEdge)# Step3: Find Contoursimage, contours, hierarchy = cv.findContours(imgEdge, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)contours = [cnt for cnt in contours if cv.contourArea(cnt) > self.minArea]# Step4: Delete some rectscarPlateList = []imgDark = np.zeros(img.shape, dtype = img.dtype)for index, contour in enumerate(contours):rect = cv.minAreaRect(contour) # [中心(x,y), (宽,高), 旋转角度]w, h = rect[1]if w < h:w, h = h, wscale = w/hif scale > 2 and scale < 4:# color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))color = (255, 255, 255)carPlateList.append(rect)cv.drawContours(imgDark, contours, index, color, 1, 8)box = cv.boxPoints(rect) # Peak Coordinatebox = np.int0(box)# Draw them outcv.drawContours(imgDark, [box], 0, (0, 0, 255), 1)cv.imshow("imgGaryContour", imgDark)print("Vehicle number: ", len(carPlateList))# Step5: Rect rectifyimgPlatList = []for index, carPlat in enumerate(carPlateList):if carPlat[2] > -1 and carPlat[2] < 1:angle = 1else:angle = carPlat[2]carPlat = (carPlat[0], (carPlat[1][0] + 5, carPlat[1][1] + 5), angle)box = cv.boxPoints(carPlat)# Which point is Left/Right/Top/Bottomw, h = carPlat[1][0], carPlat[1][1]if w > h:LT = box[1]LB = box[0]RT = box[2]RB = box[3]else:LT = box[2]LB = box[1]RT = box[3]RB = box[0]for point in [LT, LB, RT, RB]:pointLimit(point, imgWidth, imgHeight)# Do warpAffinenewLB = [LT[0], LB[1]]newRB = [RB[0], LB[1]]oldTriangle = np.float32([LT, LB, RB])newTriangle = np.float32([LT, newLB, newRB])warpMat = cv.getAffineTransform(oldTriangle, newTriangle)imgAffine = cv.warpAffine(img, warpMat, (imgWidth, imgHeight))cv.imshow("imgAffine" + str(index), imgAffine)print("Index: ", index)imgPlat = imgAffine[int(LT[1]):int(newLB[1]), int(newLB[0]):int(newRB[0])]imgPlatList.append(imgPlat)cv.imshow("imgPlat" + str(index), imgPlat)#Step6: Find correct place by color.colorList = []for index, imgPlat in enumerate(imgPlatList):green = yellow = blue = 0imgHsv = cv.cvtColor(imgPlat, cv.COLOR_BGR2HSV)rows, cols = imgHsv.shape[:2]imgSize = cols * rowscolor = Nonefor row in range(rows):for col in range(cols):H = imgHsv.item(row, col, 0)S = imgHsv.item(row, col, 1)V = imgHsv.item(row, col, 2)if 11 < H <= 34 and S > 34:yellow += 1elif 35 < H <= 99 and S > 34:green += 1elif 99 < H <= 124 and S > 34:blue += 1limit1 = limit2 = 0if yellow * 3 >= imgSize:color = "yellow"limit1 = 11limit2 = 34elif green * 3 >= imgSize:color = "green"limit1 = 35limit2 = 99elif blue * 3 >= imgSize:color = "blue"limit1 = 100limit2 = 124print("Image Index[", index, '], Color：', color)colorList.append(color)print(blue, green, yellow, imgSize)if color is None:continue# Step7: Resize vehicle img.left, right, top, bottom = self.accurate_place(imgHsv, limit1, limit2, color)w = right - lefth = bottom - topif left == right or top == bottom:continuescale = w/hif scale < 2 or scale > 4:continueneedAccurate = Falseif top >= bottom:top = 0bottom = rowsneedAccurate = Trueif left >= right:left = 0right = colsneedAccurate = True# imgPlat[index] = imgPlat[top:bottom, left:right] \# if color != "green" or top < (bottom - top) // 4 \# else imgPlat[top - (bottom - top) // 4:bottom, left:right]imgPlatList[index] = imgPlat[top:bottom, left:right]cv.imshow("Vehicle Image " + str(index), imgPlatList[index])if __name__ == '__main__':L = LPRAlg("3.jfif")L.findVehiclePlate()cv.waitKey(0)下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
实战：车牌识别之车牌定位相关推荐
- 图像车牌识别（车牌定位与分割部分）
图像车牌识别(车牌定位与分割部分) 图像车牌识别关键就是要从图像中准确地定位出车牌的位置,并将车牌部分的图像分割出来. 本文设计了一个简易的车牌识别识别系统,现介绍其车牌定位和分割部分. 在设计中我采 ...
- 基于matlab的蓝色车牌识别（车牌定位）
目录 一 处理流程 二 结果展示 三 核心要点解读 四 matlab代码实现 整套方案还包括以下博客: (1)基于matlab的蓝色车牌识别(绪论) (2)基于matlab的蓝色车牌识别(车牌定位) ...
- C++毕业设计——基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现（毕业论文+程序源码）——车牌定位和识别系统
基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现(毕业论文+程序源码) 大家好,今天给大家介绍基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现,文章末尾附有本毕业设 ...
- 基于matlab的蓝色车牌识别（车牌倾斜矫正）
目录 一 处理流程 二 结果展示 三 核心要点解读 四 matlab代码实现 整套方案好包括以下博客: (1)基于matlab的蓝色车牌识别(绪论) (2)基于matlab的蓝色车牌识别(车牌定位) ...
- pkr车牌识别系统服务器,车牌识别系统车牌录入的操作步骤
录入车牌是很简单的,车牌识别系统基本都需要配合电脑用,打开录入界面后在车牌信息一栏输入车牌号码就行了.有些车牌识别系统是不用录入车牌前面的汉字的,有些车牌识别系统需要将车牌前面的汉字录入. 非常多商场 ...
- 车牌识别之车牌定位(方案总结)
尊敬原作者,转自:http://blog.csdn.net/hqw7286/article/details/5810353 一直研究车牌识别算法,主要关注车牌定位和字符识别.我想分享一下我对车牌定位的 ...
- 基于 SoC 的卷积神经网络车牌识别系统设计（3-1）基于 Python 编程的车牌识别预处理、定位、分割、缩放的效果一览
引言 这是一个在基于 OpenCV 的 Python 程序下,整体车牌定位.分割.识别的各个步骤的处理结果的展示,相当于算法的验证,只有先在软件上经过正确的严格的验证,才能进行硬件上的 ...
- OpenCV（项目）车牌识别1 -- 车牌提取（形态学）
目录 一.形态学车牌提取(简单:单情景) 1.读取图片,转灰度图 2.提取轮廓(Sobel算子提取y方向边缘) 3.自适应二值化 4.闭运算处理,把图像闭合.揉团,使图像区域化 5.腐蚀/膨胀去噪得到 ...
- 车牌识别matlab,车牌识别matlab实现（蓝色车牌和新能源车牌）
首先放上结果: 新能源车牌识别结果: 蓝色车牌识别结果: 正文开始: 1.在进行图像处理任务之前,首先要明确处理对象和处理流程 处理对象: 新能源车牌和蓝色车牌 处理流程: 2.由于要对蓝色和新能源车 ...
最新文章
- 【Big Data】HADOOP集群的配置（一）
- apache 设置禁止访问某些文件或目录
- Debian wheezy安装Redis 3.0
- iPhone 12或支持全新短距离WiFi标准 数据传输更快
- 【Antlr】Antlr生成调用图
- 网站界面设计没有灵感，不妨去探索广袤的大自然！
- 首张数字人民币机票订单诞生 上海-深圳
- 求职历程之-----我的求职信
- 如何优雅地压缩一张图片
- css：text-decoration给文字增加上划线、删除线、下划线
- 计算机一级系统压缩密码,压缩文件加密,教您给winRAR压缩的文件设置密码
- Python世界里的魔术方法(一)
- 基于模型预测控制MPC的光伏并网系统设计|太阳能发电|模型预测控制
- Linux内核源码组织结构
- 阿里如何定义团队的研发效能？
- 以小麦胚芽之名，智膳堂创造膳食升级新图景
- 运行tomcat7w.exe提示指定的服务未安装 解决办法
- 2012年第三届C/C++ B组蓝桥杯省赛真题
- 利用Python做一个简单的打印店计费程序
- 什么是web前端？web前端前景怎么样？