分三步走
1車牌的提取
1.1對灰度圖先做高斯平滑，canny邊緣提取，findcontours 找出長寬比大致爲2到5.5之間的矩形。
可能找出來的有好幾個。需要做車牌矩形排除
1.2使用size(19,4)的內核開閉運算，找出來的車牌矩形比較理想
像下面兩張效果不太理想，車牌數字被截斷了。需要進一步精確定位處理。
1.3 進行一定的仿射變換將某些車牌擺正。
先找出車牌的輪廓最小矩形。因爲車牌有可能是傾斜的，使用minAreaRect可以找到最貼近的最小矩形。
但是實際操作發現minAreaRect 面對旋轉矩形時還行。面對不規則形狀時變現一般。
minAreaRect 返回的四個點座標
[43.0054, 353.255]
[36.3634, 41.0774]
[270.874, 36.0878]
[277.516, 348.266]
這個負數座標真的過分，不知道是怎麼算出來的...
[142.15, 219.369]
[49.8584, 69.3948]
[174.893, -7.54938]
[267.185, 142.425]
最終還是決定採用直線求交點的方法。利用初中的知識。
設已知的一條線段的起點和終點爲(x1,y1),(x2,y2)，另一條爲 (x3,y3),(x4,y4)；首先求出兩條線段的一次函數，再聯立求出交點座標
交點公式：
x=(y3x4x2-y4x3x2-y3x4x1+y4x3x1-y1x2x4+y2x1x4+y1x2x3-y2x1x3)/x4y2-x4y1-x3y2+x3y1-x2y4+x2y3+x1y4-x1y3
y=(-y3x4y2+y4x3y2+y3x4y1-y4x3y1+y1x2y4-y1x2y3-y2x1y4+y2x1y3)/y4x2-y4x1-y3x2+x1y3-y2x4+y2x3+y1x4-y1x3
————————————————
版權聲明：本文爲CSDN博主「Tron_future」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/Tron_future/article/details/77828665
1.4 車牌矩形排除：
使用HSV空間--計算藍色， 黃色，綠色的像素點是否佔總像素的一半以上。是則判定爲車牌。下圖爲算法選中的車牌矩形。我把它作爲roi截取出來
1.5 精確定位處理：
具體步驟：先擴大矩形範圍， 再使用HSV顏色空間，再定位，縮小邊緣。在正常情況下，車身與車牌不同色，可以通過H值的不同輕鬆區分。但是當車身與車牌顏色相近時，Ｈ值就不管用了。
例如下圖中的車身其實是淡藍色的，H=107,S=30
而車牌是深藍色的，H=107,S=160.所以只能用S值的不同來區分
先看看效果吧（我覺得這效果剛剛的）。
總結：這種精確定位的算法有侷限性，很難做到通用，對於不同的輸入圖片需要調整H,S,V的判斷閾值。
1.6 樓主現在也束手無策的情形：
黃色車身，識別黃色車牌! (車身與車牌的HSV值幾乎一致。完全做不了精確定位)
思前想後之下，突發奇想，既然我後面的數字識別都用了minst , 爲什麼車牌定位不乾脆也使用yolo等物體檢測網絡來預測呢。
此處靜聽下回分解。
2車牌數字的分割
2.1 利用線掃進行字體的分割。
效果如圖：
3輸入minst神經網絡得出結果
原圖：
輸出：（那個點網絡識別不了，變成了J）
