Merge branch 'develop' of https://bdgit.educoder.net/pmuy8zkev/Galaxy into wuxiuping_branch

# Conflicts:
#	src/src/core/plate_judge.cpp

src/src/core/core_func.cpp

@@ -7,16 +7,21 @@
 #include <ctime>
 
 namespace easypr {
-  Mat colorMatch(const Mat &src, Mat &match, const Color r,
+
+  //用于在HSV颜色空间中匹配特定的颜色。它可以用于识别图像中的蓝色、黄色和白色区域
+  Mat colorMatch(const Mat &src, Mat &match, const Color r, //函数接受四个参数：一个源图像src，一个输出图像match，一个颜色枚举r，和一个布尔值adaptive_minsv
     const bool adaptive_minsv) {
 
     // if use adaptive_minsv
     // min value of s and v is adaptive to h
+    //定义了一些常量，包括最大的饱和度和亮度值max_sv，参考的最小饱和度和亮度值minref_sv，和绝对的最小饱和度和亮度值minabs_sv
     const float max_sv = 255;
     const float minref_sv = 64;
 
     const float minabs_sv = 95; //95;
 
+
+//定义了蓝色、黄色和白色在HSV颜色空间中的H值范围
     // H range of blue 
 
     const int min_blue = 100;  // 100
@@ -32,18 +37,21 @@ namespace easypr {
     const int min_white = 0;   // 15
     const int max_white = 30;  // 40
 
+//将源图像从BGR颜色空间转换到HSV颜色空间
     Mat src_hsv;
 
     // convert to HSV space
     cvtColor(src, src_hsv, CV_BGR2HSV);
 
+
+//将HSV图像分割成三个通道，对V通道进行直方图均衡化，然后再合并回去
     std::vector<cv::Mat> hsvSplit;
     split(src_hsv, hsvSplit);
     equalizeHist(hsvSplit[2], hsvSplit[2]);
     merge(hsvSplit, src_hsv);
 
     // match to find the color
-
+//根据输入的颜色枚举r，设置H值的范围
     int min_h = 0;
     int max_h = 0;
     switch (r) {
@@ -64,9 +72,11 @@ namespace easypr {
       break;
     }
 
+//计算H值的差值和平均值
     float diff_h = float((max_h - min_h) / 2);
     float avg_h = min_h + diff_h;
 
+//获取图像的通道数、行数和列数。如果图像是连续的，那么将列数乘以行数，行数设置为1
     int channels = src_hsv.channels();
     int nRows = src_hsv.rows;
 
@@ -77,11 +87,15 @@ namespace easypr {
       nRows = 1;
     }
 
+//对图像进行遍历，对每个像素进行颜色匹配。如果像素的颜色匹配成功，那么将其设置为红色（255），否则设置为黑色（0）
+//定义变量用于后续的计算和循环
     int i, j;
     uchar* p;
     float s_all = 0;
     float v_all = 0;
     float count = 0;
+
+    //双重循环，遍历图像的每个像素。对于每个像素，我们获取其在HSV颜色空间中的H（色相）、S（饱和度）和V（亮度）值
     for (i = 0; i < nRows; ++i) {
       p = src_hsv.ptr<uchar>(i);
       for (j = 0; j < nCols; j += 3) {
@@ -89,13 +103,19 @@ namespace easypr {
         int S = int(p[j + 1]);  // 0-255
         int V = int(p[j + 2]);  // 0-255
 
+//此处计算了所有像素的S和V值的总和，以及像素的数量
         s_all += S;
         v_all += V;
         count++;
 
+//以下这段代码是颜色匹配的核心部分。
+//首先，检查像素的H值是否在预设的范围内。
+//如果在范围内，计算H值与平均H值的差值，然后根据这个差值和预设的阈值来计算最小的S和V值。
+//如果像素的S和V值都在这个范围内，认为这个像素的颜色匹配成功。
         bool colorMatched = false;
 
-        if (H > min_h && H < max_h) {
+        if (H > min_h && H < max_h) { ////如果在范围内，计算H值与平均H值的差值
+
           float Hdiff = 0;
           if (H > avg_h)
             Hdiff = H - avg_h;
@@ -105,7 +125,7 @@ namespace easypr {
           float Hdiff_p = float(Hdiff) / diff_h;
 
           float min_sv = 0;
-          if (true == adaptive_minsv)
+          if (true == adaptive_minsv) //然后根据这个差值和预设的阈值来计算最小的S和V值
             min_sv =
             minref_sv -
             minref_sv / 2 *
@@ -114,10 +134,11 @@ namespace easypr {
           else
             min_sv = minabs_sv;  // add
 
-          if ((S > min_sv && S < max_sv) && (V > min_sv && V < max_sv))
+          if ((S > min_sv && S < max_sv) && (V > min_sv && V < max_sv)) //如果像素的S和V值都在这个范围内，认为这个像素的颜色匹配成功
             colorMatched = true;
         }
 
+//如果像素的颜色匹配成功，将其设置为红色（在HSV颜色空间中，H=0，S=0，V=255表示红色）。否则，将其设置为黑色（H=0，S=0，V=0）
         if (colorMatched == true) {
           p[j] = 0;
           p[j + 1] = 0;
@@ -135,7 +156,8 @@ namespace easypr {
     // cout << "avg_v:" << v_all / count << endl;
 
     // get the final binary
-
+//将处理后的HSV图像分割成三个通道，取出V通道作为灰度图像，并返回这个灰度图像
+//在这个灰度图像中，匹配的颜色区域被标记为白色，其余区域为黑色
     Mat src_grey;
     std::vector<cv::Mat> hsvSplit_done;
     split(src_hsv, hsvSplit_done);
@@ -143,13 +165,16 @@ namespace easypr {
 
     match = src_grey;
 
-    return src_grey;
+    return src_grey; //函数返回一个灰度图像，其中匹配的颜色区域被标记为白色，其余区域为黑色
   }
 
+//该函数用于在图像中找到左右边界。它通过计算图像中的白色像素数量来确定边界
+//函数接受一个Mat类型的引用bound_threshold，以及两个整型引用posLeft和posRight作为参数
   bool bFindLeftRightBound1(Mat &bound_threshold, int &posLeft, int &posRight) {
-
+//首先，计算图像行数的20%，作为一个跨度span
     float span = bound_threshold.rows * 0.2f;
 
+//然后，从左到右遍历图像，每次跳过3列，计算每个跨度内的白色像素数量
     for (int i = 0; i < bound_threshold.cols - span - 1; i += 3) {
       int whiteCount = 0;
       for (int k = 0; k < bound_threshold.rows; k++) {
@@ -159,14 +184,15 @@ namespace easypr {
           }
         }
       }
+      //如果白色像素的比例超过15%，则认为找到了左边界
       if (whiteCount * 1.0 / (span * bound_threshold.rows) > 0.15) {
         posLeft = i;
         break;
       }
     }
-    span = bound_threshold.rows * 0.2f;
+    span = bound_threshold.rows * 0.2f; //再次计算跨度，用于寻找右边界
-
 
+// 接着，从右到左遍历图像，每次跳过2列，计算每个跨度内的白色像素数量
     for (int i = bound_threshold.cols - 1; i > span; i -= 2) {
       int whiteCount = 0;
       for (int k = 0; k < bound_threshold.rows; k++) {
@@ -177,11 +203,12 @@ namespace easypr {
         }
       }
 
+// 如果白色像素的比例超过6%，则认为找到了右边界
       if (whiteCount * 1.0 / (span * bound_threshold.rows) > 0.06) {
         posRight = i;
-        if (posRight + 5 < bound_threshold.cols) {
+        if (posRight + 5 < bound_threshold.cols) { // 如果右边界加5后仍在图像列数范围内，则右边界加5
           posRight = posRight + 5;
-        } else {
+        } else { // 否则右边界设为图像列数减1
           posRight = bound_threshold.cols - 1;
         }
 
@@ -189,17 +216,22 @@ namespace easypr {
       }
     }
 
+// 最后，如果左边界小于右边界，返回真，否则返回假
     if (posLeft < posRight) {
       return true;
     }
     return false;
   }
 
-  bool bFindLeftRightBound(Mat &bound_threshold, int &posLeft, int &posRight) {
 
+//该函数用于在图像中找到左右边界。它通过计算图像中的白色像素数量来确定边界
+//函数接受三个参数：一个Mat类型的引用bound_threshold，以及两个整型引用posLeft和posRight
+//函数返回一个布尔值，表示是否成功找到左右边界
+  bool bFindLeftRightBound(Mat &bound_threshold, int &posLeft, int &posRight) {
 
+//首先，计算图像行数的20%，作为一个跨度span
     float span = bound_threshold.rows * 0.2f;
-
+//然后，从左到右遍历图像，每次跳过2列，计算每个跨度内的白色像素数量。如果白色像素的比例超过36%，则认为找到了左边界
     for (int i = 0; i < bound_threshold.cols - span - 1; i += 2) {
       int whiteCount = 0;
       for (int k = 0; k < bound_threshold.rows; k++) {
@@ -214,9 +246,9 @@ namespace easypr {
         break;
       }
     }
-    span = bound_threshold.rows * 0.2f;
+    span = bound_threshold.rows * 0.2f; // 再次计算跨度，用于寻找右边界
-
 
+//接着，从右到左遍历图像，每次跳过2列，计算每个跨度内的白色像素数量。如果白色像素的比例超过26%，则认为找到了右边界
     for (int i = bound_threshold.cols - 1; i > span; i -= 2) {
       int whiteCount = 0;
       for (int k = 0; k < bound_threshold.rows; k++) {
@@ -232,18 +264,22 @@ namespace easypr {
         break;
       }
     }
-
+//最后，如果左边界小于右边界，返回真，否则返回假
     if (posLeft < posRight) {
       return true;
     }
     return false;
   }
 
-  bool bFindLeftRightBound2(Mat &bound_threshold, int &posLeft, int &posRight) {
 
+// 该函数接受一个Mat类型的引用bound_threshold和两个整型引用posLeft和posRight作为参数
+// 函数返回一个布尔值，表示是否成功找到左右边界
+  bool bFindLeftRightBound2(Mat &bound_threshold, int &posLeft, int &posRight) {
+//计算图像行数的20%，作为一个跨度span
     float span = bound_threshold.rows * 0.2f;
 
-    for (int i = 0; i < bound_threshold.cols - span - 1; i += 3) {
+    for (int i = 0; i < bound_threshold.cols - span - 1; i += 3) { //从左到右遍历图像，每次跳过3列
+    // 在每个跨度内，计算白色像素的数量
       int whiteCount = 0;
       for (int k = 0; k < bound_threshold.rows; k++) {
         for (int l = i; l < i + span; l++) {
@@ -252,15 +288,17 @@ namespace easypr {
           }
         }
       }
+      // 如果白色像素的比例超过32%，则认为找到了左边界
       if (whiteCount * 1.0 / (span * bound_threshold.rows) > 0.32) {
         posLeft = i;
         break;
       }
     }
+    //再次计算跨度，用于寻找右边界
     span = bound_threshold.rows * 0.2f;
 
-
+    for (int i = bound_threshold.cols - 1; i > span; i -= 3) { // 从右到左遍历图像，每次跳过3列
-    for (int i = bound_threshold.cols - 1; i > span; i -= 3) {
+    // 在每个跨度内，计算白色像素的数量
       int whiteCount = 0;
       for (int k = 0; k < bound_threshold.rows; k++) {
         for (int l = i; l > i - span; l--) {
@@ -269,46 +307,54 @@ namespace easypr {
           }
         }
       }
-
+// 如果白色像素的比例超过22%，则认为找到了右边界
       if (whiteCount * 1.0 / (span * bound_threshold.rows) > 0.22) {
         posRight = i;
         break;
       }
     }
-
+// 如果左边界小于右边界，返回真，否则返回假
     if (posLeft < posRight) {
       return true;
     }
     return false;
   }
 
-
+// 该函数接受一个Mat类型的引用src，一个颜色枚举r，一个布尔值adaptive_minsv，和一个浮点数引用percent作为参数
+// 函数返回一个布尔值，表示颜色是否匹配
   bool plateColorJudge(const Mat &src, const Color r, const bool adaptive_minsv,
                        float &percent) {
-
+// 定义一个常量thresh，表示阈值
     const float thresh = 0.45f;
 
+// 调用colorMatch函数，将源图像转换为灰度图像
     Mat src_gray;
     colorMatch(src, src_gray, r, adaptive_minsv);
 
+// 计算灰度图像中非零像素的比例
     percent =
         float(countNonZero(src_gray)) / float(src_gray.rows * src_gray.cols);
     // cout << "percent:" << percent << endl;
 
+// 如果非零像素的比例大于阈值，返回真，否则返回假
     if (percent > thresh)
       return true;
     else
       return false;
   }
 
+// 用于判断图像中的颜色类型（蓝色、黄色或白色）
+// 接受两个参数：一个Mat类型的引用src（源图像）和一个布尔值adaptive_minsv
+// 函数返回一个布尔值，表示颜色是否匹配。
   Color getPlateType(const Mat &src, const bool adaptive_minsv) {
+// 定义两个变量：max_percent用于存储最大的颜色匹配百分比，max_color用于存储对应的颜色。初始值分别设为0和UNKNOW
     float max_percent = 0;
     Color max_color = UNKNOWN;
-
+// 定义三个变量，用于存储蓝色、黄色和白色的匹配百分比。初始值都设为0
     float blue_percent = 0;
     float yellow_percent = 0;
     float white_percent = 0;
-
+// 调用plateColorJudge函数，判断源图像中的颜色是否为蓝色、黄色或白色。如果是，返回对应的颜色
     if (plateColorJudge(src, BLUE, adaptive_minsv, blue_percent) == true) {
       // cout << "BLUE" << endl;
       return BLUE;
@@ -320,7 +366,7 @@ namespace easypr {
                true) {
       // cout << "WHITE" << endl;
       return WHITE;
-    } else {
+    } else { // 如果源图像中的颜色既不是蓝色、也不是黄色、也不是白色，那么默认返回蓝色
       //std::cout << "OTHER" << std::endl;
 
       /*max_percent = blue_percent > yellow_percent ? blue_percent : yellow_percent;
@@ -332,37 +378,45 @@ namespace easypr {
     }
   }
 
+// 该函数用于清除图像中的噪声，提高图像处理的准确性
+// 接受一个Mat类型的引用img作为参数
+// 该函数主要通过计算图像中每一行的跳变次数（即像素值从0变为255，或从255变为0的次数）来判断是否为噪声，如果跳变次数小于某个阈值，那么就将这一行的所有像素值设为0，即黑色
   void clearLiuDingOnly(Mat &img) {
-    const int x = 7;
+    const int x = 7; // 设置阈值为7
-    Mat jump = Mat::zeros(1, img.rows, CV_32F);
+    Mat jump = Mat::zeros(1, img.rows, CV_32F); // 创建一个大小为图像行数，类型为浮点数的Mat对象，用于存储每一行的跳变次数
-    for (int i = 0; i < img.rows; i++) {
+    for (int i = 0; i < img.rows; i++) { // 遍历图像的每一行
-      int jumpCount = 0;
+      int jumpCount = 0; // 初始化跳变次数为0
-      int whiteCount = 0;
+      int whiteCount = 0; // 初始化白色像素的数量为0
-      for (int j = 0; j < img.cols - 1; j++) {
+      for (int j = 0; j < img.cols - 1; j++) { // 遍历当前行的每一个像素
-        if (img.at<char>(i, j) != img.at<char>(i, j + 1)) jumpCount++;
+        if (img.at<char>(i, j) != img.at<char>(i, j + 1)) jumpCount++; // 如果当前像素与下一个像素的值不同，跳变次数加1
-
+
-        if (img.at<uchar>(i, j) == 255) {
+        if (img.at<uchar>(i, j) == 255) { // 如果当前像素的值为255，即白色，白色像素的数量加1
           whiteCount++;
         }
       }
-
+// 将当前行的跳变次数存储到jump中
       jump.at<float>(i) = (float) jumpCount;
     }
 
-    for (int i = 0; i < img.rows; i++) {
+    for (int i = 0; i < img.rows; i++) { // 再次遍历图像的每一行
-      if (jump.at<float>(i) <= x) {
+      if (jump.at<float>(i) <= x) { // 如果当前行的跳变次数小于阈值
-        for (int j = 0; j < img.cols; j++) {
+        for (int j = 0; j < img.cols; j++) { // 遍历当前行的每一个像素
-          img.at<char>(i, j) = 0;
+          img.at<char>(i, j) = 0; // 将像素值设为0，即黑色
         }
       }
     }
   }
 
+//该函数用于清除图像中的噪声
+//接受一个Mat类型的引用img作为参数，返回一个布尔值，表示是否成功清除噪声
   bool clearLiuDing(Mat &img) {
+// 初始化一个浮点数向量fJump，一个整数whiteCount用于计数白色像素，一个常量x设为7，以及一个全零的Mat对象jump，大小为1行，列数为图像的行数
     std::vector<float> fJump;
     int whiteCount = 0;
     const int x = 7;
     Mat jump = Mat::zeros(1, img.rows, CV_32F);
+
+    // 遍历图像的每一行，计算每一行的跳变次数（即像素值从0变为255，或从255变为0的次数）和白色像素的数量，将跳变次数存储到jump中
     for (int i = 0; i < img.rows; i++) {
       int jumpCount = 0;
 
@@ -377,6 +431,7 @@ namespace easypr {
       jump.at<float>(i) = (float) jumpCount;
     }
 
+// 遍历jump，将其值添加到fJump中，如果jump的值在16到45之间，iCount加1
     int iCount = 0;
     for (int i = 0; i < img.rows; i++) {
       fJump.push_back(jump.at<float>(i));
@@ -388,6 +443,7 @@ namespace easypr {
     }
 
     // if not is not plate
+    // 如果iCount占图像行数的比例小于或等于40%，或者白色像素占图像总像素的比例小于15%或大于50%，则返回假，表示未能成功清除噪声
     if (iCount * 1.0 / img.rows <= 0.40) {
       return false;
     }
@@ -397,6 +453,7 @@ namespace easypr {
       return false;
     }
 
+// 遍历图像的每一行，如果该行的跳变次数小于或等于x，则将该行的所有像素值设为0，即黑色。最后返回真，表示成功清除噪声
     for (int i = 0; i < img.rows; i++) {
       if (jump.at<float>(i) <= x) {
         for (int j = 0; j < img.cols; j++) {
@@ -408,13 +465,21 @@ namespace easypr {
   }
 
 
+// 该函数用于清除图像的边界
+// 接受一个Mat类型的图像img和一个Rect类型的裁剪矩形cropRect作为参数
 void clearBorder(const Mat &img, Rect& cropRect) {
+// 获取图像的行数和列数
   int r = img.rows;
   int c = img.cols;
+
+// 创建一个全零的单通道矩阵boder，用于存储每一行是否为边界
   Mat boder = Mat::zeros(1, r, CV_8UC1);
+
+// 设置一个阈值，如果一行中像素值没有变化的次数超过这个阈值，那么认为这一行是边界
   const int noJunpCount_thresh = int(0.15f * c);
 
   // if nojumpcount >
+// 遍历图像的每一行，计算每一行中像素值没有变化的次数，如果这个次数超过阈值，那么认为这一行是边界，将boder对应的位置设为1
   for (int i = 0; i < r; i++) {
     int nojumpCount = 0;
     int isBorder = 0;
@@ -429,29 +494,31 @@ void clearBorder(const Mat &img, Rect& cropRect) {
     }
     boder.at<char>(i) = (char) isBorder;
   }
-
+// 设置上下边界的搜索范围，只在图像的中间80%的区域内搜索边界
   const int mintop = int(0.1f * r);
   const int maxtop = int(0.9f * r);
-
+// 初始化裁剪矩形的上下边界
   int minMatTop = 0;
   int maxMatTop = r - 1;
-
+// 从上到下搜索上边界
   for (int i = 0; i < mintop; i++) {
     if (boder.at<char>(i) == 1) {
       minMatTop = i;
     }
   }
-
+// 从下到上搜索下边界
   for (int i = r - 1; i > maxtop; i--) {
     if (boder.at<char>(i) == 1) {
       maxMatTop = i;
     }
   }
-
+// 根据找到的上下边界创建裁剪矩形
   cropRect = Rect(0, minMatTop, c, maxMatTop - minMatTop + 1);
 
 }
 
+
+//用于清除图像中的噪声
   void clearLiuDing(Mat mask, int &top, int &bottom) {
     const int x = 7;
 

src/src/core/plate_judge.cpp

@@ -6,43 +6,47 @@
 #include "easypr/core/params.h"
 
 namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类只有一个实例
-
+//定义了一个静态成员变量instance_，它是PlateJudge类的指针，初始化为nullptr。这是单例模式的关键，所有的PlateJudge实例都将共享这个变量
   PlateJudge* PlateJudge::instance_ = nullptr;
 
-  PlateJudge* PlateJudge::instance() {
+
-    if (!instance_) {
+//确保PlateJudge类只有一个实例，当需要使用PlateJudge类时，只需要调用PlateJudge::instance()即可获取到这个唯一的实例
-      instance_ = new PlateJudge;
+  PlateJudge* PlateJudge::instance() { //定义了一个静态成员函数instance()，它返回一个指向PlateJudge实例的指针
+    if (!instance_) { //检查instance_是否为nullptr
+      instance_ = new PlateJudge; //如果是，那么就创建一个新的PlateJudge实例，并将instance_设置为指向这个新创建的实例
     }
-    return instance_;
+    return instance_; //返回instance_，即指向PlateJudge实例的指针
   }
 
-  PlateJudge::PlateJudge() { //PlateJudge决定了使用哪种特征提取方法。
+  PlateJudge::PlateJudge() { //PlateJudge决定了使用哪种特征提取方法
-    bool useLBP = false;
+    bool useLBP = false; //定义一个布尔变量useLBP，并初始化为false
-    if (useLBP) {
+    if (useLBP) { //如果useLBP为true，即使用LBP特征提取方法
-      LOAD_SVM_MODEL(svm_, kLBPSvmPath);
+      LOAD_SVM_MODEL(svm_, kLBPSvmPath); //加载LBP的SVM模型
-      extractFeature = getLBPFeatures;
+      extractFeature = getLBPFeatures; //设置特征提取函数为getLBPFeatures
     }
-    else {
+    else { //如果useLBP为false，即使用直方图特征提取方法
-      LOAD_SVM_MODEL(svm_, kHistSvmPath);
+      LOAD_SVM_MODEL(svm_, kHistSvmPath); //加载直方图的SVM模型
-      extractFeature = getHistomPlusColoFeatures;
+      extractFeature = getHistomPlusColoFeatures; //设置特征提取函数为getHistomPlusColoFeatures
     }
   }
 
-  void PlateJudge::LoadModel(std::string path) { //LoadModel函数用于加载SVM模型。
+  void PlateJudge::LoadModel(std::string path) { //LoadModel函数用于加载SVM模型，函数接收一个字符串参数path，这个参数是SVM模型文件的路径
-    if (path != std::string(kDefaultSvmPath)) {
+    if (path != std::string(kDefaultSvmPath)) { //检查输入的路径path是否与默认的SVM路径kDefaultSvmPath不同。如果不同，那么就需要加载新的SVM模型
-      if (!svm_->empty())
+      if (!svm_->empty()) //检查当前的SVM模型是否为空。如果不为空，那么在加载新的SVM模型之前，需要先清空当前的SVM模型
-        svm_->clear();
+        svm_->clear(); //清空当前的SVM模型
-      LOAD_SVM_MODEL(svm_, path);
+      LOAD_SVM_MODEL(svm_, path); //加载新的SVM模型。LOAD_SVM_MODEL是一个宏，它接收两个参数：一个是SVM模型的指针，另一个是SVM模型文件的路径
     }
   }
 
   // set the score of plate
   // 0 is plate, -1 is not.
-  int PlateJudge::plateSetScore(CPlate& plate) { //plateSetScore函数用于设置车牌的评分。
+  int PlateJudge::plateSetScore(CPlate& plate) { //plateSetScore函数用于设置车牌的评分，接收一个CPlate类型的引用作为参数
-    Mat features;
+    Mat features; //定义一个Mat类型的变量features，用于存储特征
-    extractFeature(plate.getPlateMat(), features);
+    extractFeature(plate.getPlateMat(), features); //调用extractFeature方法提取车牌图像的特征，结果存储在features中
-    float score = svm_->predict(features, noArray(), cv::ml::StatModel::Flags::RAW_OUTPUT);
+    float score = svm_->predict(features, noArray(), cv::ml::StatModel::Flags::RAW_OUTPUT); //使用SVM模型对特征进行预测，得到的结果存储在score中
     //std::cout << "score:" << score << std::endl;
+
+//这是一个调试用的代码块，如果条件为真（此处为0，所以不会执行），则显示车牌图像，等待用户按键，然后销毁窗口
     if (0) {
       imshow("plate", plate.getPlateMat());
       waitKey(0);
@@ -51,14 +55,15 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
     // score is the distance of margin，below zero is plate, up is not
     // when score is below zero, the samll the value, the more possibliy to be a plate.
     plate.setPlateScore(score);
-    if (score < 0.5) return 0;
+    if (score < 0.5) return 0; //如果评分小于0.5，返回0，表示这是一个车牌；否则返回-1，表示这不是一个车牌
     else return -1;      
   }
 
+//定义了一个名为plateJudge的成员函数，它属于PlateJudge类。该函数接收一个Mat类型的常量引用参数plateMat，这个参数是需要进行车牌判断的图像
   int PlateJudge::plateJudge(const Mat& plateMat) { //plateJudge函数用于判断输入的图像是否为车牌。
-    CPlate plate;
+    CPlate plate; //这行创建了一个CPlate类型的对象plate。CPlate是一个类，它可能包含车牌的相关信息，如车牌图像、车牌位置等
-    plate.setPlateMat(plateMat);
+    plate.setPlateMat(plateMat); //调用了CPlate类的setPlateMat成员函数，将输入的图像plateMat设置为plate对象的车牌图像
-    return plateSetScore(plate);
+    return plateSetScore(plate); //调用了PlateJudge类的plateSetScore成员函数，对plate对象进行评分，然后返回评分结果
   }
 
   int PlateJudge::plateJudge(const std::vector<Mat> &inVec, //inVec是输入的图像向量，resultVec是输出的结果向量。
@@ -107,18 +112,25 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
     return 0; //结束循环并返回0，表示方法执行成功
   }
 
-  // non-maximum suppression
+  // non-maximum suppression -->非极大值抑制
+//函数接收三个参数：一个CPlate对象的向量inVec（输入的车牌向量），一个CPlate对象的向量resultVec（输出的车牌向量），以及一个double类型的overlap（重叠阈值）
   void NMS(std::vector<CPlate> &inVec, std::vector<CPlate> &resultVec, double overlap) { //NMS函数实现了非极大值抑制，用于消除重叠的车牌。
-    std::sort(inVec.begin(), inVec.end());
+    std::sort(inVec.begin(), inVec.end()); //首先对输入的车牌向量进行排序
+
+//然后遍历输入的车牌向量，对每一个车牌对象，获取其位置的边界矩形
     std::vector<CPlate>::iterator it = inVec.begin();
     for (; it != inVec.end(); ++it) {
       CPlate plateSrc = *it;
       //std::cout << "plateScore:" << plateSrc.getPlateScore() << std::endl;
       Rect rectSrc = plateSrc.getPlatePos().boundingRect();
+
+//在内层循环中，对当前车牌对象之后的每一个车牌对象，也获取其位置的边界矩形
       std::vector<CPlate>::iterator itc = it + 1;
       for (; itc != inVec.end();) {
         CPlate plateComp = *itc;
         Rect rectComp = plateComp.getPlatePos().boundingRect();
+
+//计算两个边界矩形的交并比（Intersection over Union，IoU），如果IoU大于设定的重叠阈值，那么就从输入的车牌向量中删除当前的车牌对象；否则，继续处理下一个车牌对象
         float iou = computeIOU(rectSrc, rectComp);
         if (iou > overlap) {
           itc = inVec.erase(itc);
@@ -128,19 +140,23 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
         }
       }
     }
-    resultVec = inVec;
+    resultVec = inVec; //最后，将处理后的车牌向量赋值给输出的车牌向量
   }
 
-  // judge plate using nms
+  // judge plate using nms --> 使用非极大值抑制进行车牌识别
+// 定义了一个名为plateJudgeUsingNMS的成员函数，它属于PlateJudge类。该函数使用非极大值抑制进行车牌识别，接收一个CPlate对象的向量inVec（输入的车牌向量）、一个CPlate对象的向量resultVec（输出的车牌向量）和一个整数maxPlates（最大车牌数量）作为参数
   int PlateJudge::plateJudgeUsingNMS(const std::vector<CPlate> &inVec, std::vector<CPlate> &resultVec, int maxPlates) { //plateJudgeUsingNMS函数使用非极大值抑制进行车牌识别。
-    std::vector<CPlate> plateVec;
+    std::vector<CPlate> plateVec; // 创建一个CPlate对象的向量，用于存储识别出的车牌
-    int num = inVec.size();
+    int num = inVec.size(); // 获取输入向量的大小
-    bool useCascadeJudge = true;
+    bool useCascadeJudge = true; // 定义一个布尔变量，表示是否使用级联判断
 
+// 遍历输入向量中的每一个元素
     for (int j = 0; j < num; j++) {
-      CPlate plate = inVec[j];
+      CPlate plate = inVec[j]; // 获取当前的CPlate对象
-      Mat inMat = plate.getPlateMat();
+      Mat inMat = plate.getPlateMat();  // 获取当前CPlate对象的车牌图像
-      int result = plateSetScore(plate);
+      int result = plateSetScore(plate); // 对当前的CPlate对象进行评分
+
+// 如果评分结果为0，表示这是一个车牌
       if (0 == result) {
         if (0) {
           imshow("inMat", inMat);
@@ -148,17 +164,22 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
           destroyWindow("inMat");
         }
 
-        if (plate.getPlateLocateType() == CMSER) {
+        if (plate.getPlateLocateType() == CMSER) { // 如果plate的定位类型为CMSER
-          int w = inMat.cols;
+          int w = inMat.cols; // 获取图像的宽度
-          int h = inMat.rows;
+          int h = inMat.rows; // 获取图像的高度
+	// 对图像进行裁剪
           Mat tmpmat = inMat(Rect_<double>(w * 0.05, h * 0.1, w * 0.9, h * 0.8));
-          Mat tmpDes = inMat.clone();
+          Mat tmpDes = inMat.clone(); // 克隆图像
-          resize(tmpmat, tmpDes, Size(inMat.size()));
+          resize(tmpmat, tmpDes, Size(inMat.size())); // 调整图像大小
-          plate.setPlateMat(tmpDes);
+          plate.setPlateMat(tmpDes); // 设置plate的车牌图像为调整后的图像
+
+	// 如果使用级联判断
           if (useCascadeJudge) {
-            int resultCascade = plateSetScore(plate);
+            int resultCascade = plateSetScore(plate); // 对调整后的图像进行评分
+	// 如果plate的定位类型不是CMSER，将plate的车牌图像设置为原图像
             if (plate.getPlateLocateType() != CMSER)
               plate.setPlateMat(inMat);
+	// 如果级联评分结果为0，将plate添加到plateVec中
             if (resultCascade == 0) {
               if (0) {
                 imshow("tmpDes", tmpDes);
@@ -168,22 +189,24 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
               plateVec.push_back(plate);
             }
           }
-          else 
+          else // 如果不使用级联判断，直接将plate添加到plateVec中
             plateVec.push_back(plate);
         }
-        else 
+        else // 如果plate的定位类型不是CMSER，直接将plate添加到plateVec中
           plateVec.push_back(plate);                  
       }
     }
 
-    std::vector<CPlate> reDupPlateVec;
+    std::vector<CPlate> reDupPlateVec; // 创建一个CPlate对象的向量，用于存储非极大值抑制后的结果
-    double overlap = 0.5;
+    double overlap = 0.5; // 定义重叠阈值
     // double overlap = CParams::instance()->getParam1f();
     // use NMS to get the result plates
+// 使用非极大值抑制处理plateVec，结果存储在reDupPlateVec中
     NMS(plateVec, reDupPlateVec, overlap);
-    // sort the plates due to their scores
+    // sort the plates due to their scores --> 根据评分对reDupPlateVec进行排序
     std::sort(reDupPlateVec.begin(), reDupPlateVec.end());
     // output the plate judge plates
+// 遍历reDupPlateVec，将结果添加到resultVec中，直到达到最大车牌数量
     std::vector<CPlate>::iterator it = reDupPlateVec.begin();
     int count = 0;
     for (; it != reDupPlateVec.end(); ++it) {
@@ -197,6 +220,6 @@ namespace easypr { //这部分代码实现了单例模式，确保PlateJudge类
       if (count >= maxPlates)
         break;
     }
-    return 0;
+    return 0;  // 返回0，表示函数执行成功
   }
 }