从像素到数据库：手搓一个车牌识别系统

基于qt opencv c++使用传统阈值分割加机器学习方法进行车牌识别 可识别图片与视频 可加数据库mysql sqlite包

最近在折腾一个好玩的项目——用C++搭配Qt和OpenCV搞车牌识别。这东西看着玄乎，拆开来看其实就是几个关键步骤：定位车牌、切字符、识别字符、存数据库。咱们直接上代码边说边聊。

先搞车牌定位。传统玩法离不开阈值分割，这里用颜色空间转换加边缘检测：

// 转HSV空间更容易捕捉车牌颜色 cv::Mat hsv, mask; cv::cvtColor(src, hsv, cv::COLOR_BGR2HSV); cv::inRange(hsv, cv::Scalar(100, 80, 80), cv::Scalar(140, 255, 255), mask); // 形态学操作去噪点 cv::morphologyEx(mask, mask, cv::MORPH_CLOSE, cv::getStructuringElement(cv::MORPH_RECT, cv::Size(15,3))); // 找轮廓 std::vector<std::vector<cv::Point>> contours; cv::findContours(mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

这里用了HSV颜色空间而不是RGB，因为车牌蓝底的色相更集中。闭运算（MORPH_CLOSE）用了个扁长的结构元素，专门对付车牌字符间的缝隙。

找到候选区域后，得用点机器学习的手段确认是不是真车牌。我直接偷懒用了OpenCV自带的SVM：

// 加载训练好的模型 cv::Ptr<cv::ml::SVM> svm = cv::ml::SVM::load("plate_svm.xml"); // 提取HOG特征 std::vector<float> descriptors; hog->compute(candidateROI, descriptors); // 预测 float result = svm->predict(descriptors); if(result > 0.5) { // 真·车牌区域 }

注意这里HOG特征的winSize要和训练时一致，不然分分钟翻车。当初训练模型时，我用了2000张正样本和5000张负样本，拿外卖的时间刚好够跑完训练。

字符切割是个精细活，垂直投影法效果不错：

// 二值化后做垂直投影 cv::reduce(binary, vertical, 0, cv::REDUCE_SUM, CV_32F); // 找波峰波谷 std::vector<int> splitPos; for(int i=1; i<vertical.cols; ++i){ if(vertical.at<float>(i-1)==0 && vertical.at<float>(i)>0){ splitPos.push_back(i); // 字符左边界 } }

遇到'川'这种中间有断的字符，得在投影后做连通域判断。实在切不开的时候，用宽度阈值兜底，超过平均宽度1.8倍的就强行劈开。

基于qt opencv c++使用传统阈值分割加机器学习方法进行车牌识别 可识别图片与视频 可加数据库mysql sqlite包

数据库部分用Qt自带的SQL模块：

QSqlDatabase db = QSqlDatabase::addDatabase("QSQLITE"); db.setDatabaseName("plates.db"); if(db.open()){ db.exec("CREATE TABLE IF NOT EXISTS plates(id INTEGER PRIMARY KEY, number TEXT, time DATETIME)"); } // 插入数据 QSqlQuery q; q.prepare("INSERT INTO plates(number, time) VALUES(?, datetime('now'))"); q.bindValue(0, plateNumber); q.exec();

想换MySQL就把QSQLITE改成QMYSQL，记得在pro文件里加QT += sql。遇到过个坑——同时开多个数据库连接时，得用不同connection name，不然数据乱窜。

视频流处理在Qt里可以挂到QMediaPlayer的信号上：

connect(player, &QMediaPlayer::videoFrameChanged, this, [=](const QVideoFrame &frame){ QImage img = frame.image(); if(!img.isNull()){ detectPlate(img.convertToFormat(QImage::Format_RGB888)); } });

这里要注意QImage和cv::Mat的格式转换，用错颜色空间的话，车牌能给你识别成彩虹糖。

整套系统跑起来后，发现最大的瓶颈在字符识别阶段。后来上了多线程，把图像处理和界面刷新分开，Qt的信号槽这时候是真香：

// 在子线程处理 void WorkerThread::processImage(const cv::Mat &frame) { auto result = plateRecognizer.detect(frame); emit detectionDone(result); // 通知主线程更新UI }

最后说个实战经验：千万别在代码里写死车牌颜色阈值！最好做个配置文件，遇到不同颜色的特种车牌，改个配置就能适配，省得重新编译。

（代码仓库地址假装这里有个GitHub链接）这个项目最爽的时刻，是看着监控视频里一辆辆车开过，数据库噌噌往上涨记录——虽然目前识别率大概就80%，停小区门口收停车费可能得挨揍，但自己玩是真够用了。