目录
一、基础理论
1、思想
2、大致过程
二、详细过程
1、首先需要模板库
2、得到模板
3、原图限定大小
4、模板匹配
5、匹配所有子文件夹，保存最佳得分（最匹配项）
三、大致过程（细分类，节省时间）
1、汉字匹配
2、英文字符匹配
3、数字/英文匹配
4、显示
模板匹配总代码
参考资料
把提取到的每一张字符，和模板库中的所有字符进行对比。
先拿到模板库，把模板和待匹配的图像大小限制一致，匹配每一张子模板图，匹配每张模板图匹配后都会有一个得分，得分最高的最相近。再把每个子文件夹最高得分对比，用index找到最高的那个子文件夹下标，得到模板。
模板库下载链接1：（推荐）
https://download.csdn.net/download/great_yzl/21974008
模板库下载链接2：（不推荐）
http://www.zengqiang.club/blog/34
一个大文件夹
下包含很多子文件夹：
每一个子文件夹内包含该字符的一系列模板（为了更精确，牺牲了不少时间）：
# 路径
path = 'Template/' + List[i] + '/' + filename
# 1、得到模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
cv.imshow('template', template)
cv.waitKey(0)
# 2、原图限定大小（和模板相似）
h, w = template.shape
image = cv.resize(image, (w, h))
cv.imshow('image_', image)
cv.waitKey(0)
按照名称列表的方式，遍历模板库的所有子文件夹、子文件夹内的所有子图。
# 3、模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
匹配所有子文件夹的子图：
# 模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
每个文件夹的最佳得分：
# 一个文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score))+34
由于第一个必定是汉字，第二个必定是英文字符，后面的必定是英文字符/数字，我们在那里只需要做相应的判断即可。节约了很多时间。
# (1) 汉字（首个位置只能是汉字(省)）（为了节约时间）
if con == 0:
# 遍历34——65文件夹（汉字）
for i in range(34,65):
# 单个图片的得分
score = []
ForderPath = 'Template/' + List[i]
# 遍历单文件夹（每一个文件匹配）
for filename in os.listdir(ForderPath):
# 路径
path = 'Template/' + List[i] + '/' + filename
# 1、得到模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
# 2、原图限定大小（和模板相似）
h, w = template.shape
image = cv.resize(image, (w, h))
cv.imshow('image_', image)
cv.waitKey(0)
# 3、模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
# 4、保存子文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 5、根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score))+34 
# (2) 字母（第二个位置只能为字母）
elif con == 1:
# 遍历10~34文件夹（字母文件夹）
for i in range(10,34):
# 单个图片的得分
score = []
ForderPath = 'Template/' + List[i]
# 遍历单文件夹（每一个文件匹配）
for filename in os.listdir(ForderPath):
# 路径
path = 'Template/' + List[i] + '/' + filename
# 模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
h, w = template.shape
image = cv.resize(image, (w, h))
# 模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
# 一个文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score)) + 10
# (3) 数字+字母
else:
# 遍历0~34文件夹（数字+字母）
for i in range(34):
# 单个图片的得分
score = []
ForderPath = 'Template/' + List[i]
# 遍历单文件夹（每一个文件匹配）
for filename in os.listdir(ForderPath):
# 路径
path = 'Template/' + List[i] + '/' + filename
# 模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
h, w = template.shape
image = cv.resize(image, (w, h))
# 模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
# 一个文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score)) 
在切割字符函数的尾部，所有字符切割完、立刻进行模板匹配，同一张车牌所有字符切割完毕后，进行显示。
# 显示识别结果（图像）
Show_Result_Image()# 显示识别结果（图像）
def Show_Result_Image():
p = image_rect[0], image_rect[1]
w, h = image_rect[2] , image_rect[3]
# 框出车牌
cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)
# 输出字符（中文）
result = Text(img, str(final_result), p, (255,0,0), 16)
cv.imshow('result-%d'%count, result)
# cv.waitKey(0)
# 显示文字（中文）（用的PIL，RGB正常显示，即和opencv的RGB相反）
def Text(image, text, p, color, size):
# cv2读取图片
# BGR转RGB：cv2和PIL中颜色的hex码的储存顺序不同
cv2_image = cv.cvtColor(image, cv.COLOR_RGB2BGR)
pil_image = Image.fromarray(cv2_image)
# PIL图片上打印汉字
draw = ImageDraw.Draw(pil_image) # 图片上打印
font = ImageFont.truetype("./simhei.ttf", size, encoding="utf-8") # 参数1：字体文件路径，参数2：字体大小
draw.text((p[0]-60, p[1]-20), text, color, font=font)
# PIL图片转cv2 图片
cv2_result = cv.cvtColor(np.array(pil_image), cv.COLOR_RGB2BGR)
# cv2.imshow("图片", cv2_result) # 汉字窗口标题显示乱码
# cv.imshow("photo", cv2_result) # 输出汉字
return cv2_result
# 显示识别结果（文字）
def Show_Result_Words(index):
print(List[index])
final_result.append(List[index])
print(final_result)
# 显示识别结果（图像）
def Show_Result_Image():
p = image_rect[0], image_rect[1]
w, h = image_rect[2] , image_rect[3]
# 框出车牌
cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)
# 输出字符（中文）
result = Text(img, str(final_result), p, (255,0,0), 16)
cv.imshow('result-%d'%count, result)
# cv.waitKey(0)
# 三、模板匹配
# 原图和模板进行对比，越匹配，得分越大
def Template_Match(image):
# 单文件夹内的最佳得分
best_score = []
# 遍历所有文件夹（每一个文件夹匹配）
# (1) 汉字（首个位置只能是汉字(省)）（为了节约时间）
if con == 0:
# 遍历34——65文件夹（汉字）
for i in range(34,65):
# 单个图片的得分
score = []
ForderPath = 'Template/' + List[i]
# 遍历单文件夹（每一个文件匹配）
for filename in os.listdir(ForderPath):
# 路径
path = 'Template/' + List[i] + '/' + filename
# 1、得到模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
# 2、原图限定大小（和模板相似）
h, w = template.shape
image = cv.resize(image, (w, h))
# 3、模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
# 4、保存子文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 5、根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score))+34
# (2) 字母（第二个位置只能为字母）
elif con == 1:
# 遍历10~34文件夹（字母文件夹）
for i in range(10,34):
# 单个图片的得分
score = []
ForderPath = 'Template/' + List[i]
# 遍历单文件夹（每一个文件匹配）
for filename in os.listdir(ForderPath):
# 路径
path = 'Template/' + List[i] + '/' + filename
# 模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
h, w = template.shape
image = cv.resize(image, (w, h))
# 模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
# 一个文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score)) + 10
# (3) 数字+字母
else:
# 遍历0~34文件夹（数字+字母）
for i in range(34):
# 单个图片的得分
score = []
ForderPath = 'Template/' + List[i]
# 遍历单文件夹（每一个文件匹配）
for filename in os.listdir(ForderPath):
# 路径
path = 'Template/' + List[i] + '/' + filename
# 模板
template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）
gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰
ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值
h, w = template.shape
image = cv.resize(image, (w, h))
# 模板匹配，得到得分（匹配度越高，得分越大）
result = cv.matchTemplate(image, template, cv.TM_CCOEFF)
score.append(result[0][0]) #得分（每张模板图）
# 一个文件夹的最高得分（得分越高，匹配度越高）
best_score.append(max(score))
# 根据所有文件夹的最佳得分确定下标
index = best_score.index(max(best_score))
# 显示结果（文字）（每识别一个显示一次）
Show_Result_Words(index)总的来讲，为了追求较高的精度，匹配时间较长， 一张车牌约20秒。这里的模板匹配不算非常的精确，并且耗时严重，已经逐渐被淘汰了，这里只是作为学习用途，没有太高的实际应用价值。（后期进军深度学习/机器学习，可能会对这些进行优化）。有什么好的建议大家可以提出来，共同进步，谢谢~
https://www.bilibili.com/video/BV1yg4y187kU?p=3