原文在这里，参考这个进行了改进

感觉学到了很多东西，便在这里作下笔记。

效果：

一、知识点学习：

1. fstream

2. 形态学开操作与形态闭操作

2.1 第一个角度:消除较小的联通区域 vs 弥合较小的联通区域

2.2 第二个角度：消除背景噪音 vs 消除前景噪音

3、approPolyDp函数

4、冒泡排序

5、匹配目标

6、putText函数打印中文

7、文字文件、标签文件

7.1 文字文件

7.2 标签文件

二、车牌识别代码

三、项目总结

一、知识点学习：

1. fstream

作用：输入输出文件;

例子：

    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 = s;data_name.push_back(str);}fin.close();

上面用到的open函数详细介绍：

void open ( const char * filename,  ios_base::openmode mode = ios_base::in | ios_base::out );

filename 操作文件名

mode 打开文件的方式，常用的有下面这两种

ios::in：　　　  //文件以输入方式打开（文件数据输入到内存）
ios::out：　　　 //文件以输出方式打开（内存数据输出到文件）

2. 形态学开操作与形态闭操作

这两个我一直不太懂，今天正好称这机会学习下。

2.1 第一个角度:消除较小的联通区域 vs 弥合较小的联通区域

形态学开运算的作用有以下这些：

消除值高于邻近点的孤立点，达到去除图像中噪声的作用；
消除较小的连通域，保留较大的连通域；
断开较窄的狭颈，可以在两个物体纤细的连接处将它们分离；
不明显改变较大连通域的面积的情况下平滑连通域的连界、轮廓；

形态学闭运算的作用有以下这些：

消除值低于邻近点的孤立点，达到去除图像中噪声的作用；
连接两个邻近的连通域；
弥合较窄的间断和细长的沟壑；
去除连通域内的小型空洞；
和开运算一样也能够平滑物体的轮廓；

2.2 第二个角度：消除背景噪音 vs 消除前景噪音

开操作：消除背景噪音

闭操作：填充前景物体中的小洞，或者前景物体上的小黑点

3、approPolyDp函数

函数的作用：对图像轮廓点进行多边形拟合

函数的的调用形式：

void approxPolyDP( InputArray curve,OutputArray approxCurve,double epsilon, bool closed );

参数详解：

InputArray curve:一般是由图像的轮廓点组成的点集

OutputArray approxCurve：表示输出的多边形点集

double epsilon：主要表示输出的精度，就是另个轮廓点之间最大距离数，5,6,7，，8，，,,，

bool closed：表示输出的多边形是否封闭

4、冒泡排序

这里有直观的动图展示：动图

这里用到冒泡排序对车牌字符的Rect进行排序：

    for (size_t i =0; i< Character_ROI.size(); i++){for (size_t 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;}}}

假设有5个字符，它们的Rect的X坐标是 4 1 3 0 2, 现在用冒泡排序进行排序：

5、匹配目标

这里使用OpenCV absdiff函数计算两张图像的像素差,以此来判断图像的相似程度。

其他方法除了模板匹配，基于Hu矩轮廓匹配，基于篇幅原因就在另外博客再学习。

6、putText函数打印中文

我用的是OpenCV4.5.5,Ubuntun20.04,直接引入头文件就好了。

字体文件路径（windows系统）：

/Windows/Fonts/

然后复制到Ubuntu系统下某个目录就行了

示例：

#include <iostream>
#include <opencv2/freetype.hpp>
#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;int main()
{Mat src = imread("/home/jason/work/01-img/dog.png");string text = "中华田园犬";Ptr<cv::freetype::FreeType2> ft2;ft2 = cv::freetype::createFreeType2();ft2->loadFontData("/usr/share/fonts/winFonts/SIMYOU.TTF",0);ft2->putText(src, text, Point(300, 200), 30 , Scalar(0, 0,255), 2, 8, true);imshow("src", src);waitKey();return 0;
}

7、文字文件、标签文件

向博主私信了，但是没有回复，那就自己做一个。

7.1 文字文件

wps word导出的图片：

扣出字符来：

#include <iostream>
#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;void Get_character(Mat & src, Mat & result)
{Mat gray;cvtColor(src, gray, COLOR_BGR2GRAY);// 黑色的点vector<Point> locations;for (int x=0; x< src.cols; x++)for (int y=0; y< src.rows; y++){if(gray.at<uchar>(y, x) < 255){locations.push_back(Point(x,y));}}// 字符左上角 右下角double xmin, ymin, xmax, ymax;vector<int> xs, ys;for(size_t i=0; i<locations.size(); i++){xs.push_back(locations[i].x);ys.push_back(locations[i].y);}Mat tempX(xs);Mat tempY(ys);Point p1;minMaxLoc(tempX, &xmin, &xmax,0,0);minMaxLoc(tempY, &ymin, &ymax, 0,0);// 画框Rect roi;Mat temp = src.clone();roi.x = xmin - 30;roi.y = ymin - 30;roi.width = xmax - xmin + 60;roi.height = ymax - ymin + 60;rectangle(src,roi, Scalar(255, 0,0), 1, 8);// 扣出来Mat ROI = temp(roi);imshow("ROI", ROI);result = ROI.clone();imshow("src", src);waitKey(10);
}int main()
{string tail = ".png";string head;string path, outpath;string outpath_head = "/home/jason/work/01-img/car/car_roi/";for (int i=0; i<= 69; i++){if (i<10){head = "/home/jason/work/01-img/car/car/0";}else{head = "/home/jason/work/01-img/car/car/";}path = head + to_string(i) + tail;outpath = outpath_head + to_string(i) + tail;Mat src = imread(path);Mat result;Get_character(src, result);imwrite(outpath,result);}return 0;
}

7.2 标签文件

二、车牌识别代码

我在识别俄过程中，发现自己字母字体与车牌字体对应不上，就可能出现偏差。

怎么办？我干脆就把车牌字符扣下来保存为模板！

locate.hpp

#include <iostream>
#include <opencv2/opencv.hpp>
#include<opencv2/freetype.hpp>
#include <fstream>
using namespace cv;
using namespace std;using namespace cv;
using namespace std;// 自定义车牌结构体
struct License
{Mat mat; // ROI图片Rect rect; // ROI所在矩形
};class Locate
{
private:// 车牌字符模板图片vector<Mat>  Dataset;// 车牌字符名vector<string> Data_name;// 字体文件路径string Font_Path;// 车牌字符扣出来另存路径string Character_Out_Path;bool Read_Data(string filename, vector<Mat>& dataset);bool Read_Data(string filename, vector<string>&data_name);void Image_Preprocessing(Mat& gray, Mat& result);void Morphological_Process(Mat& preprocess, Mat& result);void Character_ROI_Preprocessing(vector<License>& License_ROI);void Get_License_ROI(Mat &morpho, Mat &src,vector<License>& License_ROI);void Remove_vertial_Border(Mat& car_bord, Mat& result);void Remove_Horizon_Border(Mat& car_bord, Mat & result);public:bool Set_Input(string label_Path, string template_Path,string font_Path, string character_out_path);void Get_License_ROI(Mat& src, vector<License>& License_ROI);void Get_Character_ROI(vector<License>& License_ROI,vector<vector<License>>&Character_ROI,Mat &src, bool character_save);int pixCount(Mat image);void License_Recognition(vector<vector<License>>&Character_ROI,vector<vector<int>>&result_index);void Draw_Result(Mat &src,vector<License>& License_ROI,vector<vector<License>>&Character_ROI,vector<vector<int>>&result_index);};

locate.cpp

#include "Locate_License.h"// 读取文件 图片
bool Locate::Read_Data(string filename, vector<Mat>& dataset)
{vector<String> imagePathList;glob(filename, imagePathList); // 遍历文件夹下所有文件if (imagePathList.empty()) return  false;for (size_t i=0; i<imagePathList.size(); i++){cout << imagePathList[i] << endl;Mat image = imread(imagePathList[i]);resize(image, image, Size(50, 100), 1, 1, INTER_LINEAR);cvtColor(image, image, COLOR_BGR2GRAY);threshold(image, image, 0, 255, THRESH_BINARY_INV|THRESH_OTSU); // 字符需要是白色Mat kernel = getStructuringElement(MORPH_RECT, Size(3,3));dilate(image, image,kernel,Point(-1,-1),1);//        imshow(to_string(i), image);dataset.push_back(image);}this->Dataset = dataset;return true;
}//读取文件 标签
bool Locate::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 (getline(fin, s)){string str = s;data_name.push_back(str);}fin.close();this->Data_name = data_name;return  true;
}bool Locate::Set_Input(string label_Path,string template_Path,string font_Path="/usr/share/fonts/winFonts/SIMYOU.TTF",string character_out_path = "/home/jason/work/01-img/car/out")
{this->Font_Path = font_Path;printf("字体路径设置为: %s, 请检查该目录是否正确\n",font_Path.c_str());this->Character_Out_Path = character_out_path;printf("车牌字符输出路径设置为: %s, 请检查该目录是否正确\n",character_out_path.c_str());if (Read_Data(label_Path, this->Data_name) &&Read_Data(template_Path, this->Dataset)){printf("***** 成功读取模板图片、标签数据\n");return true;}else{printf("***** err:读取模板图片、标签数据\n");return false;}
}// 突出字符
void Locate::Image_Preprocessing(Mat& gray, Mat& result)
{// 开操作,平滑作用，断开较窄的狭颈和消除细的突出物Mat kernel = getStructuringElement(MORPH_RECT, Size(25,25));Mat gray_blur;morphologyEx(gray, gray_blur, MORPH_OPEN, kernel);imshow("open1", gray_blur);// 灰度图-开操作图，突显字符等部分Mat rst;subtract(gray, gray_blur, rst, Mat());imshow("rst", rst);// Canny算子进行边缘检测Mat canny_Image;Canny(rst, canny_Image, 400, 200, 3);imshow("canny_Image", canny_Image);result=canny_Image.clone();
}// 通过膨胀连接相近的图像区域，
// 利用腐蚀去除孤立细小的色块，从而将所有的车牌上所有的字符都连通起来
void Locate::Morphological_Process(Mat& preprocess, Mat& result)
{// 图片膨胀处理Mat dilate_image, erode_image;//自定义核：进行 x 方向的膨胀腐蚀Mat elementX = getStructuringElement(MORPH_RECT, Size(19, 1));Mat elementY = getStructuringElement(MORPH_RECT, Size(1, 19));Point point(-1, -1);dilate(preprocess, dilate_image, elementX, point, 2);imshow("dilate1", dilate_image);//    // 闭操作，避免车牌与 其他区域联通在一起
//    Mat kernel = getStructuringElement(MORPH_RECT, Size(10, 10));
//    morphologyEx(dilate_image, dilate_image, MORPH_OPEN,
//                 kernel, Point(-1,-1),2);
//    imshow("MORPH_OPEN", dilate_image);erode(dilate_image, erode_image, elementX, point, 3);imshow("erode1", erode_image);dilate(erode_image, dilate_image, elementX, point, 2);imshow("dialte2", dilate_image);//自定义核：进行 Y 方向的膨胀腐蚀erode(dilate_image, erode_image, elementY, point, 1);imshow("yerode", erode_image);dilate(erode_image, dilate_image, elementY, point, 2);imshow("Ydilate", erode_image);// 平滑处理Mat median_Image;medianBlur(dilate_image, median_Image, 15);imshow("median1",median_Image);medianBlur(median_Image, median_Image, 15);imshow("median2", median_Image);result = median_Image.clone();
}// 扣出车牌
void Locate::Get_License_ROI(Mat &morpho, Mat &src, vector<License>& License_ROI)
{vector<vector<Point>> contours;findContours(morpho, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);//Mat temp =src.clone();drawContours(temp, contours, -1, Scalar(255,0,0), 4);//double area;for (size_t i=0; i< contours.size(); i++){// 轮廓 --》 rectRect rect = boundingRect(contours[i]);// 车牌的宽高比大约为3.3double width_height = (double)rect.width/ (double)rect.height;printf("height_width:%.2f\n", width_height);if (width_height>2.5 && width_height < 4.0){rectangle(temp, rect, Scalar(0,0, 255), 4, 8);License temp_license = {src(rect), rect};License_ROI.push_back(temp_license);}}imshow("标出车牌",temp);if (License_ROI.size() > 0){printf("****** 共提取到 %d 块车牌\n",(int)License_ROI.size());for (size_t i = 0; i< License_ROI.size(); i++){string tempName = "第" + to_string(i) + "块车牌";imshow(tempName, License_ROI[i].mat);}}else{printf("****** 没有发现车牌\n");}}// 从图片中扣出车牌
void Locate::Get_License_ROI(Mat& src, vector<License>& License_ROI)
{// 灰度图Mat gray;cvtColor(src, gray, COLOR_BGR2GRAY);imshow("gray", gray);// 均衡化equalizeHist(gray, gray);// 突出字符，并获得canny边缘Mat preprocess_result;Image_Preprocessing(gray, preprocess_result);// 将车牌字符形成一个整体Mat morpho_image;Morphological_Process(preprocess_result, morpho_image);// 扣出整块车牌Get_License_ROI(morpho_image, src, License_ROI);}void Locate::Remove_vertial_Border(Mat& car_bord, Mat & result)
{Mat vline = getStructuringElement(MORPH_RECT, Size(1,car_bord.rows));Mat dst1, temp1;erode(car_bord, temp1, vline);
//    imshow("V-erode",temp1);dilate(temp1, dst1, vline);
//    imshow("V-dilate",dst1);subtract(car_bord, dst1, result, Mat());
//    imshow("V-result",result);
}void Locate::Remove_Horizon_Border(Mat& car_bord, Mat & result)
{Mat hline = getStructuringElement(MORPH_RECT, Size(car_bord.rows,1));Mat dst1, temp1;erode(car_bord, temp1, hline);
//    imshow("H-erode",temp1);dilate(temp1, dst1, hline);
//    imshow("H-dilate",dst1);subtract(car_bord, dst1, result, Mat());
//    imshow("H-result",result);
}// 对整块车牌进行预处理，
void Locate::Character_ROI_Preprocessing(vector<License>& License_ROI)
{for (size_t i=0; i<License_ROI.size(); i++){// 灰度化Mat gray;cvtColor(License_ROI[i].mat, gray, COLOR_BGR2GRAY);imshow("gray--", gray);//        // 均衡化 这里不需要用，用了方而效果不好，因为车牌中车牌字符本身就很显眼，不需要用均衡
//        equalizeHist(gray, gray);// 大津阈值化Mat thresh;threshold(gray, thresh, 0, 255, THRESH_BINARY|THRESH_OTSU ); // 字是白色的的imshow("thres", thresh);Mat hori;Remove_Horizon_Border(thresh, hori);Mat vert;Remove_vertial_Border(hori,vert);imshow("H V", vert);Mat open;Mat kernel = getStructuringElement(MORPH_RECT, Size(2,2));morphologyEx(vert, open,MORPH_CLOSE, kernel, Point(-1,-1),1);imshow("连接汉字两边", open);License_ROI[i].mat = open.clone();}}//
void Locate::Get_Character_ROI(vector<License>& License_ROI,vector<vector<License>>&Character_ROI,Mat &src,bool character_save=true)
{Character_ROI_Preprocessing(License_ROI);Mat temp = src.clone();for (size_t j=0; j<License_ROI.size(); j++){Mat temp_carbod = License_ROI[j].mat.clone();Character_ROI.push_back({}); // 必须先添加一个空项进去vector<vector<Point>> contours;findContours(License_ROI[j].mat, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);drawContours(temp, contours, -1, Scalar(255,0,0), 2, 8);imshow("Get_Character_ROI", temp);for (size_t 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 > 100){Rect rect = boundingRect(contours[i]);// 计算外接矩形框高比double ratio = double(rect.height)/ double(rect.width);if (ratio > 1){// 字符扣出来Mat roi = License_ROI[j].mat(rect);resize(roi, roi, Size(50, 100), 1, 1, INTER_LINEAR);Character_ROI[j].push_back({roi, rect});  // 前面不添加一个空项进去，这就就报错// 字符在原图画框rectangle(temp_carbod ,rect, Scalar(255, 0, 0), 2, 8);imshow("字符框",temp_carbod);// 字符另外为if (character_save){threshold(roi,roi,0, 255, THRESH_BINARY_INV|THRESH_OTSU);string outpath = this->Character_Out_Path + "/" + to_string(i) + ".png";imwrite(outpath,roi);}}}}//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 ； 你查一下，用41302自己排下序就懂了for (size_t k =0; k<Character_ROI.size(); k++){for (size_t ii =0; ii< Character_ROI[k].size(); ii++){for (size_t jj=0; jj< Character_ROI[k].size() -1 -ii; jj++){if (Character_ROI[k][jj].rect.x > Character_ROI[k][jj+1].rect.x){License temp = Character_ROI[k][jj];Character_ROI[k][jj] = Character_ROI[k][jj+1];Character_ROI[k][jj+1] = temp;}}}}}if (Character_ROI.size() > 0){for (size_t k =0; k<Character_ROI.size(); k++){printf("******* 第 %d 块车牌共扣出： %d 个字符\n", (int)k,(int)Character_ROI[k].size());}}else{printf("***** err :第车牌没有扣出字符！\n");}}int Locate::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) == 255) // 数的是白色像素{count++;}}}return count;}else{return -1;}
}// 识别车牌字符
// 使用OpenCV absdiff函数计算两张图像的像素差,以此来判断图像的相似程度
// 进行字符匹配的方法还有：模板匹配，基于Hu矩轮廓匹配
void Locate::License_Recognition(vector<vector<License>>&Character_ROI,vector<vector<int>>& result_inedx)
{for (size_t k =0; k<Character_ROI.size(); k++){result_inedx.push_back({});for (int i=0; i<Character_ROI[k].size(); i++){// 车牌单个字符预处理Mat roi_thresh;threshold(Character_ROI[k][i].mat, roi_thresh, 0, 255, THRESH_BINARY_INV); // 车牌字符需是白色string car = "car" + to_string(i);imshow(car,roi_thresh);int minCount = 1000000000;int index = 0;for (int j=0; j < this->Dataset.size(); j++){// 计算车牌字符与模板的像素差，以此判断两张图片是否相同Mat templa = this->Dataset[j];Mat dst;absdiff(roi_thresh, templa, dst);// 白字黑底，两图像素相减，白色像素越少，两图越接近int  count = pixCount(dst);if (count< minCount){minCount = count;index = j;}//            imshow(to_string(j),dst);}string p = "templ" + to_string(i);imshow(p, this->Dataset[index]);result_inedx[k].push_back(index);}}printf("*****共对 %d 块车牌的字符完成字符匹配\n",(int)Character_ROI.size());}// 显示最终效果
void Locate::Draw_Result(Mat &src, vector<License> &License_ROI,vector<vector<License>>&Character_ROI,vector<vector<int>>&result_index)
{Ptr<cv::freetype::FreeType2> ft2;ft2 = cv::freetype::createFreeType2();ft2->loadFontData(this->Font_Path,0);for (size_t k=0; k<License_ROI.size(); k++){// 原图上框出车牌rectangle(src, License_ROI[k].rect, Scalar(0, 255, 0), 2);// 在原图车牌框上方上打印车牌字符for (size_t i=0; i< Character_ROI[k].size(); i++){//        cout << data_name[result_index[i]] << " ";string str = this->Data_name[result_index[k][i]];ft2->putText(src, str,Point(License_ROI[k].rect.x + Character_ROI[k][i].rect.x,License_ROI[k].rect.y - Character_ROI[k][i].rect.y),30,Scalar(255, 0, 0), 1, 8, true);}//    cout  << endl;}}

main.cpp

#include "Locate_License.h"int main()
{Mat src = imread("/home/jason/work/01-img/car.png");if (src.empty()){cout << "No image!" << endl;system("pause");return -1;}Locate locate;locate.Set_Input("/home/jason/work/01-img/car/car.txt","/home/jason/work/01-img/car/template","/usr/share/fonts/winFonts/SIMYOU.TTF","/home/jason/work/01-img/car/out");vector<License> License_ROI;locate.Get_License_ROI(src, License_ROI);vector<vector<License>> Character_ROI;locate.Get_Character_ROI(License_ROI, Character_ROI,src, true);vector<vector<int>> result_index;locate.License_Recognition(Character_ROI,result_index);locate.Draw_Result(src, License_ROI,Character_ROI, result_index);imshow("车牌识别结果", src);waitKey();return 0;
}

想要模板图片文件和标签文件可以在评论区留言或者私信我，上传在CSDN还得是VIP你们才能下载。

三、项目总结

代码思路：

获取整个车牌（这里部分涉及预处理很有意思）
对车牌进行切割，获得7个字符
将获得的车牌字符与模板匹配

项目不足：

本项目仅仅对车牌字符为白色的车牌有用
未对车牌作旋转矫正【p1, p2】，透视矫正，这两个因素影响很大，后面有空再补上

ps: 这个项目做了好几天，cpp文件干到了500行，原文才300行，增加近一半代码，短时间不想改了

OpenCV实战5 车牌号识别相关推荐

用python写一个车牌号识别系统
写车牌号识别系统需要用到计算机视觉技术,具体的实现方法如下: 图像预处理:对图像进行预处理,包括灰度化.二值化.边缘检测等,以得到图像中车牌的区域. 区域分割:对图像进行分割,得到车牌区域. 文字识别 ...
Android扫车牌号识别技术SDK
Android扫车牌号识别技术SDK Android扫车牌号识别技术SDK描述 Android扫车牌号识别技术SDK是我公司开发的基于移动平台的车牌识别软件开发包,支持android.iOS等多种主流 ...
【机器学习】 - 作业4: 基于K-近邻的车牌号识别
课程链接: 清华大学驭风计划代码仓库:Victor94-king/MachineLearning: MachineLearning basic introduction (github.com) 驭 ...
halcon学习笔记-车牌号识别
1.读取图像快捷键:ctrl+r,以这张车牌为例: 2.图像三通道分割由于图像中颜色区分明显,尤其是车牌号与背景之间的色差较大,用颜色特征进行分割比较合适.通过三通道分割,将RGB图分成三层独立的 ...
通过百度API实现图片车牌号识别
本代码功能是通过调用百度API实现的,所有你需要去百度API官网申请下你的API Key 以及Secret Key才能使用它的功能哦! 首先导入maven依赖 <dependency>&l ...
基于python车牌号识别_如何用Python提取和识别车牌号？
下面是一个关于如何解决你的问题的粗略想法.你可以在此基础上再接再厉.您需要从图像中提取车牌号,然后将图像发送到您的tesseract.阅读代码注释以了解我正在尝试做什么.在import numpy a ...
spring boot + maven + opencv 车牌识别系统，包含车牌检测、车牌号识别训练
yx-image-recognition 介绍这是一个基于spring boot + maven + opencv 实现的图像识别及训练的Demo项目包含车牌识别.人脸识别等功能,贯穿样本处理.模 ...
OpenCV实战(二)——答题卡识别判卷
代码见 https://github.com/skyerhxx/Answer-card-recognition-and-judgment 答题卡识别判卷识别出考生选择的答案并能自动判分 Python ...
基于谷歌街景多位数字识别技术：TensorFlow的车牌号识别系统
向AI转型的程序员都关注了这个号

OpenCV实战5 车牌号识别

一、知识点学习：

1. fstream

2. 形态学开操作与形态闭操作

2.1 第一个角度:消除较小的联通区域 vs 弥合较小的联通区域

2.2 第二个角度：消除背景噪音 vs 消除前景噪音

3、approPolyDp函数

4、冒泡排序

5、匹配目标

6、putText函数打印中文

7、文字文件、标签文件

7.1 文字文件

7.2 标签文件

二、车牌识别代码

三、项目总结

OpenCV实战5 车牌号识别相关推荐

最新文章

热门文章