LPR(Vehicle License Plate Recognition)-传统方法
原文：https://zhanghuan95.github.io/2020/04/09/LPR/#more
前言
这是一个车牌识别的实例
我的平台是vs2017和opencv3.4
opencv下载链接点这里
这是老早在学校做的一个作业。github地址
这里分解了车牌识别的步骤。提供了大体的解决思路，其实你每一步都可以尝试用其他的方法来更好地解决问题，譬如最后的识别字符你完全可以使用ocr或者训练好的神经网络来更好的完成输出。
任务:识别下图中的车牌
要实现车牌识别，一共分为两大步。
第一，车牌定位，就是在图片中确定出车牌的位置；
第二，字符识别，将提取出来的字符图片进行识别。正文
一、车牌定位
1. 高斯滤波
为什么要高斯滤波呢？原因很简单，因为要平滑图像，去除噪声点。
2. sobel边缘提取
至于什么是sobel呢？
我先引用百度的一句话吧：
Sobel算子是像素图像边缘检测中最重要的算子之一，在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。
那我们用sobel算子干嘛呢？我们的目标是定位车牌，因为车牌的周围轮廓分明，使用sobel可以清晰的提取边缘，效果如图所示：
3.二值化图像
这时我们就可以看到车牌成为了图像中亮度最大的区域，所以我们这次再来进行二值化，只保留高于一定阈值的点，效果图如下：
4.闭运算
图像中的这些点我们怎么利用呢？这时我们需要将这些点所在的区域连通起来，所以会用到闭运算。
什么是闭运算呢？
在数学形态学中，闭运算被定义为先膨胀后腐蚀。
5.去除小区域
了解上面的之后，相信你也知道这里该怎么做啦！
6.提取轮廓
我们在上面已经找到了车牌所在区域，现在我们需要找到车牌的边界点。
我们有这一堆点集，我们可以迭代寻找出最左边且靠上的点之类的。
因为我们下一步要做仿射变换，需要三个边界点，所以我们找出如图所示的三个点就行了。
蓝色框可以点下面了解一下，后面会很有用。
绘制最小外接矩形
7.仿射变换
原理还是看博客吧，仿射变换能做到对图像旋转，平移和缩放。
这里根据提取到的点，再对高斯滤波后的图进行仿射变换，只保留车牌部分。
二、字符识别
1.提取字符轮廓
这里先对图像二值化，再寻找最小外接矩形。
当然汉字可不是很简单，因为有很多独立的笔画，所以还需要在容器中移除小于一定面积的矩形。
这样一些点啊，就不会在我们需要识别的对象中。
2.识别字符
当时做这个时间因素，采用了最简单也是很有效的一种方法，对每个字符变换到标准大小，和模板点与点之间逐个计算，最后输出与之匹配度最高的字符。
输出结果如下：
