车牌识别前必须做好三件事：准备清晰正面光照均匀的图片；使用opencv≥4.5版本并合理筛选轮廓（长宽比2.0–3.5、宽度＞图像15%、面积＞500像素）；对候选区域做倾斜校正后再字符分割与模板匹配。

车牌识别前必须做好的三件事

OpenCV 本身不带车牌识别模型，所谓“简单车牌识别”其实是传统图像处理流水线：定位车牌区域 → 切割 → 二值化 → 字符分割 → 模板匹配或简易 OCR。别指望 cv::detectAndCompute 一键搞定，它连车牌在哪都找不到。

• 必须准备清晰、正面、光照均匀的车辆图片（倾斜 >15° 或模糊图片基本无法定位）
• OpenCV 版本建议 ≥4.5，低版本缺少 cv::dnn::blobFromImage 等关键接口，且 cv::text::OCRTesseract 在 4.7+ 才稳定支持中文
• 不要用 cv::findContours 直接套所有边缘——车牌区域常被车灯、格栅干扰，得先过滤长宽比、面积、颜色（蓝牌 HSV 范围约 H:100–124, S:70–255, V:46–255）

用形态学+轮廓筛选准确定位车牌区域

核心不是“找文字”，是“找矩形块”。车牌在自然图中属于高对比度、近似矩形、长宽比固定（约 2.2:1～3.2:1）、灰度/颜色分布规律强的区域。

• 先转灰度，用 cv::GaussianBlur 降噪（核大小 5 足够，太大反而糊掉字符边缘）
• 用 cv::Sobel 或 cv::Scharr 提取水平梯度（车牌字符横向排列，水平边缘更密集），再 cv::threshold 得到二值图
• 关键一步：两次形态学操作——cv::morphologyEx 先用 MORPH_CLOSE（结构元 Size(17,3)）闭合字符间空隙，再用 MORPH_OPEN（Size(3,3)）去噪点
• 对结果图调用 cv::findContours，逐个检查 boundingRect：
  • 长宽比是否在 2.0～3.5 之间
  • 宽度是否 > 图像宽度的 15%（排除过小干扰）
  • 面积是否 > 500 像素（避免噪点误判）

字符分割时别直接切 ROI，先做倾斜校正

很多车牌有俯仰角或拍摄角度偏斜，直接按外接矩形切会导致字符歪斜，后续模板匹配失败率飙升。

C++ Code Review Master

组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。

下载

• 对每个候选车牌 ROI，用 cv::minAreaRect 获取最小外接旋转矩形，得到 RotatedRect 对象
• 若旋转角度绝对值 > 3.0 度，用 cv::getRotationMatrix2D + cv::warpAffine 校正（注意插值选 INTER_LINEAR，别用 INTER_NEAREST 锯齿严重）
• 校正后裁剪，再做 cv::adaptiveThreshold（ADAPTIVE_THRESH_GAUSSIAN_C，块大小 51，C 值 12）增强字符对比度
• 字符分割不用复杂算法：对二值图做垂直投影，找连续非零区间的谷底作为字符间隙；投影峰值宽度 像素的忽略（可能是噪声或粘连）

用模板匹配比训练 OCR 更快但更脆弱

OpenCV 自带的 cv::matchTemplate 在固定字体（如标准蓝牌黑体）、无遮挡、无反光场景下准确率可达 90%+，但换字体或局部污损就崩。

• 准备 32 个字符模板（0–9、A–Z、京沪粤等常见汉字），尺寸统一为 40x60，灰度图，保存为 template_0.png 等文件
• 对每个分割出的字符 ROI，resize 到模板尺寸，用 cv::matchTemplate 计算 TM_CCOEFF_NORMED 相似度
• 取最大响应值对应模板名：若最大值 ，标为 <code>'?'（别硬猜）
• 注意：汉字模板必须和实际车牌字体一致——国产车牌用“汉仪旗黑”，拿 Windows 默认黑体模板去匹配会全错

实际部署时最容易被忽略的是光照鲁棒性。同一套参数在正午阳光和阴天停车场效果可能差 40%，建议把 cv::equalizeHist 插入预处理链首，或者用 CLAHE 替代全局直方图均衡。

C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！