车牌识别需自建OpenCV流水线：先用HSV颜色+形态学定位并矫正车牌，再用ONNX轻量OCR模型识别字符，部署时须应对光照突变、小车牌、遮挡，并加帧间投票提升视频流稳定性。
车牌识别不是OpenCV内置功能，得自己搭流水线
OpenCV本身不提供detect_plate()或recognize_license_plate()这类开箱即用的函数。它只提供底层图像处理能力（如滤波、二值化、轮廓查找）和基础模型接口（如cv::dnn::Net），识别流程必须手动串联：定位→校正→字符分割→识别。直接调cv::CascadeClassifier想靠Haar检测车牌？在复杂光照或倾斜角度下漏检率极高，不推荐作为主方案。
车牌定位推荐用颜色+形态学+轮廓过滤组合
国内蓝牌、黄牌、绿牌在HSV空间有较稳定色域，比单纯灰度边缘更鲁棒。关键不是“找到最大轮廓”，而是排除干扰：
- 先用
cv::inRange()提取蓝色/黄色通道（注意H值范围：蓝牌约100–124，黄牌约15–35） - 接
cv::morphologyEx()用矩形核做闭运算补全断裂字符区域 - 用
cv::findContours()找轮廓后，筛掉长宽比不在2.5–5.5、面积小于图像0.005倍的候选区 - 对剩余轮廓用
cv::minAreaRect()拟合旋转矩形，再用cv::warpPerspective()矫正成正视图
纯Canny+霍夫直线容易把栏杆、广告牌边框误判为车牌，HSV+形态学在实车视频流中准确率明显更高。
字符识别别硬写OCR，优先接入轻量模型
OpenCV的cv::ml::SVM或cv::ml::KNearest训练单字分类器，需要大量标注样本且泛化差。更可行的是用ONNX模型跑推理：
- 把车牌ROI缩放到
32×128（宽高比适配CNN输入） - 加载预训练中文车牌OCR模型（如
plate_ocr.onnx），用cv::dnn::readNetFromONNX()读取 - 注意预处理：归一化到
[0, 1]、cv::dnn::blobFromImage()时设swapRB=true（BGR→RGB） - 输出通常是CTC解码后的字符串，需调用
ctc_decode()逻辑（可复用PyTorch OCR项目里的C++版decode函数）
自己从零训练CRNN或DBNet太重，但直接用现成ONNX模型+OpenCV DNN模块，30行代码内就能跑通端到端识别。
实际部署要防三个坑：光照突变、小车牌、遮挡
测试时一切正常，上路就失效，大概率栽在这三处：
-
cv::inRange()阈值固定 → 改成自适应：先算ROI内HSV均值，再动态偏移H上下限±5 - 远距离车牌在图像中不足
20px高 → 在定位前加cv::resize()放大2倍，但只对ROI区域放大，避免全局计算浪费 - 雨滴、泥点造成字符粘连 → 分割前插一句
cv::morphologyEx(mask, mask, cv::MORPH_OPEN, kernel)，用3×3椭圆核去噪
真正难的不是单帧识别精度，而是视频流中保持结果稳定——同一车牌连续5帧识别结果不一致时，得加简单投票逻辑，而不是盲目信最新一帧。
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！
