简介基于OpenCV与Python实现的车牌识别系统面向计算机相关专业学生的期末大作业与课程设计场景也适合需要实战练习的学习者。项目经导师指导并获高分完整覆盖车牌图像预处理、车牌区域定位、字符分割与识别等核心流程能够帮助读者将计算机视觉理论转化为可运行的代码。压缩包共18个文件包含5个Python源码文件、多张测试图片、SVM训练数据文件、演示PPT及说明文档整体约4.73MB目录结构清晰便于按模块理解与复用目前已有40人学习下载。通过该项目可掌握OpenCV常用图像处理操作、车牌字符识别思路并学习规范项目报告的撰写方法配套报告详细说明了设计思路、实现过程与测试结果代码配合README可快速上手。对于正在完成课程设计或希望积累项目经验的学生这份资源具有较高的参考价值。1. 车牌识别系统究竟藏着什么期末大作业的完整答案如果你正在找一份能直接交差的图像处理课程设计基于 OpenCV 与 Python 的车牌识别系统源码包是个典型的选择。它不仅实现了“摄像头拍一张照片 → 自动输出车牌号”的完整闭环还附带课程设计报告文档覆盖车牌定位、字符分割、字符识别三个核心模块。适合需要源码加报告的期末大作业场景也能让刚学完图像处理的入门者快速补齐实战经验。我从工程落地角度把这份源码包的每个环节拆开讲清楚包括参数设计的理由、运行环境的坑以及后期自己改动时容易翻车的细节。2. 从代码结构到原理推演先把黑板擦干净再动手2.1 代码包的文件都是干什么的拿到源码包后第一件事不是跑代码而是把目录结构读一遍。常见的工程组织方式会这样划分模块plate_recognition/ ├── main.py # 主入口读取图片并调用三个模块 ├── plate_locate.py # 车牌定位模块 ├── char_segment.py # 字符分割模块 ├── char_recognize.py # 字符识别模块 ├── templates/ # 字符模板图片目录省份汉字、字母、数字 ├── test_images/ # 测试样例图片 └── report/ # 课程设计报告文档主程序把整条流水线串起来读图 → 定位车牌 → 分割字符 → 识别字符 → 打印结果。这种分层设计的好处是每个模块都能单独调试识别效果差时只需要替换对应函数不用动整条链路。如果你打算在此基础上做二次开发建议先单独跑每个模块函数观察中间输出。比如只调用plate_locate函数把定位结果画框保存出来确认框选区域是否准确再继续走下一步。这个习惯能从根上避免“后面全错但不知道错在哪一环”的问题。2.2 运行环境与依赖版本这类项目对第三方库的依赖比较集中安装命令通常如下pip install opencv-python numpy需要注意opencv-python和opencv-contrib-python不要同时安装两者会冲突导致cv2.findContours等接口行为异常。如果电脑里之前装过旧版 OpenCV建议先卸载干净再装pip uninstall opencv-python opencv-contrib-pythonPython 版本建议 3.8 及以上OpenCV 4.x 均可。numpy 用于数组运算字符分割时大量用到矩阵切片和投影统计没有它整个流程寸步难行。2.3 识别流水线的数据流走向整条链路的核心思路可以概括为四步走预处理降噪、颜色锁定区域、二值化切字符、模板匹配定字符。车牌定位环节的重点是利用车牌颜色特征——国内蓝底白字车牌在 HSV 色彩空间下色调集中在特定区间通过颜色阈值就能把车牌区域从整张图中粗筛出来再结合轮廓形状做精过滤。字符分割环节则在车牌小图上做灰度化和二值化然后统计每一列黑色像素的数量列像素为 0 的位置就是字符间隙从而切开每个字符。字符识别环节把每个切好的字符归一化成统一尺寸与模板库中的字符图逐一对比相似度取最高分作为识别结果。这个架构很经典适合课程设计展示因为每一步都有可视化中间结果。相比直接调 OCR 接口这种“白盒”方案在答辩时更容易讲清楚原理。3. 车牌定位实战HSV 颜色空间与轮廓过滤的参数细节3.1 预处理清晰度不够后面全白搭定位车牌的第一步是图像预处理。常见做法是先把图片转成 HSV 色彩空间因为 HSV色调、饱和度、明度比 BGR 更能抵抗光照变化的影响对颜色本身的描述更稳定。import cv2 import numpy as np def preprocess_image(image_path): img cv2.imread(image_path) hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) return img, hsv def locate_plate_by_color(hsv): # 蓝色车牌的HSV阈值区间H色调在100~124之间 lower_blue np.array([100, 80, 60]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) return maskcv2.inRange会生成一张二值掩膜像素值在阈值区间内显示为白色255其余为黑色0。这个掩膜就是后续轮廓检测的直接输入。色调范围 100 到 124 对应蓝色饱和度下限设为 80 是为了排除灰白色区域明度下限 60 是为了避免暗光下偏黑像素被误判成目标。如果测试图片偏亮或偏暗优先微调这两个值而不是动色调范围。3.2 形态学操作把零散像素点拼成完整矩形颜色掩膜通常充满噪点和空洞车牌区域可能断开成好几块。此时要用形态学闭运算把相邻区域连成整体def close_mask(mask): kernel cv2.getStructuringElement(cv2.MORPH_RECT, (21, 15)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) return closed闭运算是先膨胀再腐蚀能填补前景物体内部的小空洞。这里用宽 21、高 15 的矩形核是因为车牌本身是宽扁矩形横向需要更大范围去连接断裂的笔画纵向保持适度即可。核尺寸太小时连通效果差太大则容易把周围无关区域也连进来。我一般会先试 (21, 15)如果车牌边界仍然破碎就加大到 (25, 19)代价是计算时间稍微变长。3.3 轮廓检测与矩形筛选锁定真正的车牌区域连通后的掩膜可以交给轮廓检测了。OpenCV 4.x 中cv2.findContours只返回轮廓和层级两个值注意别按旧版三层返回去接def find_plate_contour(closed, original): contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) plate_rect None for cnt in contours: x, y, w, h cv2.boundingRect(cnt) aspect_ratio w / h area w * h # 国内车牌长宽比大约在2.5~4.5之间面积需占图一定比例 if 2.5 aspect_ratio 4.5 and area 1500: plate_rect (x, y, w, h) break if plate_rect: x, y, w, h plate_rect cv2.rectangle(original, (x, y), (x w, y h), (0, 0, 255), 2) return plate_rect正常蓝色车牌的长宽比接近 3.14我留出 2.5 到 4.5 的浮动空间是为了兼容拍照角度造成的透视形变。面积下限 1500 像素是个经验值要根据输入图片分辨率调整。图片是 800×600 时这个阈值可用换成 1920×1080 的大图就需要按比例放大到 5000 甚至更高。如果定位失败常见原因有两个一是输入图片里车牌太小面积阈值设高了把目标滤掉二是底库里存在大量蓝色物体轮廓筛选后排在前面的不是车牌。解决办法是遍历所有轮廓按长宽比与面积的综合得分排序而不是取第一个符合条件的。3.4 边缘检测定位方案作为补充有些项目的定位方案不是颜色掩膜而是高斯模糊加 Canny 边缘检测。这种方案对蓝色车牌的专用性弱一些但适应灰度图或夜间场景def locate_by_edge(gray): blurred cv2.GaussianBlur(gray, (5, 5), 0) edged cv2.Canny(blurred, 50, 150) contours, _ cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return contours两种方案各有边界颜色方案在强光反射下容易失手边缘方案在背景杂乱时容易圈到景物边缘。我常用的折中做法是同时跑两个方案若颜色方案命中的矩形与边缘方案命中的矩形重叠度超过 60%才认为定位可信。源码包里通常是颜色方案为主你要新增检测逻辑就直接加在main.py后段。4. 字符分割与识别从切开车牌到输出字符串的实现细节4.1 灰度图二值化把字符从背景里拽出来定位到车牌区域后先把这块小图转为灰度图再做二值化处理。由于车牌图像可能受到光照不均匀影响固定阈值容易翻车我习惯用大津法OTSU自动计算阈值def binarize_plate(plate_img): gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary大津法会根据灰度分布自动寻找类间方差最大的阈值省去手调参数的痛苦。需要留意的是国内蓝底车牌的二值化结果是白字黑底这正好符合后续按白色像素做列投影的假设。如果拿到的是新能源绿牌底色变浅二值化结果可能反过来变成黑字白底此时要做一次反色让字符保持前景色。4.2 垂直投影分割利用字符间隙切出每一个字字符分割最直观的方法是垂直投影法。对二值图像按列统计前景像素数量字符区域数值高字符间隙数值接近零。找到连续的“有值区间”就是每个字符的左右边界def segment_chars(binary): h, w binary.shape # 统计每一列的前景像素个数 col_sum np.sum(binary, axis0) / 255 in_char False left, right 0, 0 boxes [] for i in range(w): if col_sum[i] 0 and not in_char: in_char True left i elif col_sum[i] 0 and in_char: in_char False right i if right - left 5: # 过滤细小噪声列 boxes.append((left, right)) # 车牌固定7位字符小客车通常取最大的7个区间 boxes sorted(boxes, keylambda b: b[1] - b[0], reverseTrue)[:7] boxes.sort(keylambda b: b[0]) return boxes这里把连续的白色列区间切开后按宽度从大到小排序截取前 7 个区间再按从左到右排回去。车牌字符数量也有特殊性——新能源车牌有 8 位货车黄牌后面还有挂车尾牌这些情况在课程设计要求里一般不讨论。如果你要适配新能源车就把[:7]修改为[:8]。粘连字符是分割环节最棘手的场景两个字符之间的列投影没有回落到零。常见做法是设定一个最小宽度阈值超过该阈值就按中间点强制切开。比如字符平均宽度 45 像素某区间宽 82 像素就在中间 41 像素处切开本质上是用启发式规则弥补投影法的盲区。4.3 字符模板匹配把归一化后的字符与模板逐个比对分割完成后每个字符都是一小块二值图。识别前先归一化成统一尺寸我常用 40×20 像素高 40、宽 20这是车牌字符本身的宽高比。模板库里每个字符都由同一尺寸的图像文件表示import os template_dir templates templates {} for filename in os.listdir(template_dir): char filename.split(.)[0] template_img cv2.imread(os.path.join(template_dir, filename), cv2.IMREAD_GRAYSCALE) template_img cv2.resize(template_img, (20, 40)) templates[char] template_img def match_char(char_img): char_img cv2.resize(char_img, (20, 40)) best_score -1 best_char None for char, templ in templates.items(): result cv2.matchTemplate(char_img, templ, cv2.TM_CCOEFF_NORMED) _, score, _, _ cv2.minMaxLoc(result) if score best_score: best_score score best_char char return best_charcv2.TM_CCOEFF_NORMED是归一化相关系数匹配输出范围在 -1 到 1 之间。数值越接近 1说明字符与模板越相似。这种方式对光照和轻微形变有一定抵抗力因为相关系数关注的是形状趋势而不是绝对灰度。模板匹配的精度下限通常看模板数量和质量。模板库覆盖省份汉字越全识别准确率越高。但汉字字符结构复杂比如“苏”和“浙”在某些归一化缩放后容易混淆。遇到这种相似字符一个补救做法是提取字符的轮廓骨架特征把 HOG 特征引入匹配。当然这只是优化思路课程设计阶段用模板匹配完全够用。4.4 整段流程串起来def recognize_plate(image_path): img, hsv preprocess_image(image_path) mask locate_plate_by_color(hsv) closed close_mask(mask) plate_rect find_plate_contour(closed, img) if plate_rect is None: return 未识别到车牌 x, y, w, h plate_rect plate_img img[y:yh, x:xw] binary binarize_plate(plate_img) boxes segment_chars(binary) result for left, right in boxes: char_img binary[:, left:right] result match_char(char_img) return result这段代码就是把之前每个环节拼接在一起。输入一张图片先定位车牌再逐字符识别最终输出字符串。值得强调的一点是分割出来的字符宽度各不相同有些字符如“1”宽度极小如果不加最小宽度过滤很容易被当成噪声丢弃。5. 项目避坑记录调试中反复翻车的五个场景5.1 定位框偏移车牌被截断或框住多余背景现象矩形框选出来的区域要么少了一截字符要么包含大量背景边缘导致分割时混入无关轮廓。 原因轮廓筛选时只按长宽比排序而牌照在画面中本身有透视倾斜旋转矩形被boundingRect转成正矩形后面积虚高。 解决改用cv2.minAreaRect获取最小外接旋转矩形再根据矩形的宽度高度来判断是否符合车牌比例最后用cv2.boxPoints计算四个顶点裁出四边形区域。透视矫正后字符投影会更干净。5.2 光照过强时颜色掩膜失效现象晴天正午拍摄的图片中车牌反光严重HSV 掩膜只圈到车牌的一小块区域。 原因反光区域明度值接近 255饱和度接近 0看起来是白色而不是蓝色超出了蓝色阈值范围。 解决在 HSV 转换前先做直方图均衡化把过曝区域的细节拉回来同时扩大饱和度和明度的有效范围。把蓝色掩膜与边缘检测掩膜做一次与运算两边同时命中的区域才保留能有效抑制镜面反射。5.3 蓝底车牌的蓝色阈值误伤车标区域现象定位框最终落在车标上识别结果乱码。 原因不少车标是蓝底圆标色调范围与车牌一致轮廓形状也接近矩形。 解决在轮廓筛选阶段加入面积和位置双重约束。面积约束要求候选区域占整图比例在 1% 到 20% 之间位置约束要求矩形底边靠近图像下半部分。车牌通常悬挂在保险杠区域而车标在车头的中上部。5.4 字符分割时“川”“鄂”等汉字分成两段现象汉字内部笔画结构复杂内部出现大面积空白导致垂直投影把单个汉字切成两个区间。 原因垂直投影对左右结构的汉字不友好“川”字三列的间距在投影结果上表现为三个独立峰。 解决分割前先做一次膨胀操作把相邻笔画连接起来。也可以用连通域标记代替纯列投影把同一连通域视为一个字符。后者对笔画断裂的汉字更友好但实现复杂度略高。5.5 模板匹配结果错把数字 0 认成字母 O现象数字“0”识别成字母“O”数字“1”识别成字母“I”。 原因归一化缩放到 40×20 后两者轮廓高度相似相关系数差距很小。 解决根据车牌规则做后处理。车牌第二位必须是字母其余特定位置只能是数字这是国内车牌编排规则的硬编码逻辑。识别完成后写一个修正规则函数把可疑位置的字符类别强行约束到合法集合。比如第二位若是数字就按字母识别符号“O”和“0”在同一位上唯一确定。提示课程设计报告中如果能收录以上五类问题以及对应的修正方案答辩分数通常会高于只贴成功结果的内容。判分老师最关心的就是你是否真正做了调试实验。6. 让识别更可靠形态学参数自整定与批量验证的技巧源码包能跑通只是起点真正考验在测试集上的综合表现。我整理了一套验证方法能快速定位是哪个环节拖了后腿。第一步是准备多样化测试集。至少收集 20 张不同场景的车牌照片覆盖白天、傍晚、阴天、逆光和近距离大角度五种情况。每张图提前记录真实车牌号建立一个比对表。脚本跑完结果后自动打印总准确率、定位准确率、字符级准确率三项指标def evaluate(test_set, ground_truth): total len(test_set) correct 0 char_total 0 char_correct 0 for path, true_label in zip(test_set, ground_truth): pred recognize_plate(path) if pred true_label: correct 1 for i, ch in enumerate(true_label): char_total 1 if i len(pred) and pred[i] ch: char_correct 1 print(f整牌准确率: {correct/total:.2%}) print(f字符准确率: {char_correct/char_total:.2%})整体准确率低但字符准确率高说明定位框偏移导致少字或多字两者都低则要从预处理和二值化入手。第二步是形态学核尺寸参数的自整定。闭运算核宽度直接影响连通质量常见做法是循环尝试多个尺寸组合找到准确率最高的参数best_param None best_acc 0 for kw in range(15, 31, 3): for kh in range(9, 21, 3): acc evaluate_with_param(kw, kh) if acc best_acc: best_acc acc best_param (kw, kh)这个网格搜索看起来简单但能把“拍脑袋定参数”变成“数据驱动定参数”。每次改动后记录性能变化你就知道该往哪个方向调整。第三步是对视频流场景做去抖。摄像头连续帧中某一帧可能识别错误但前后几帧结果正确。常见做法是引入滑动窗口投票连续五帧里取出现次数最多的结果作为最终输出。这比单纯提升单帧算法精度经济得多。做这些优化时我发现一个调节规律形态学参数宁可偏大也不偏小。核偏大最多是连通区域范围超出车牌边缘 1 到 2 像素基本不影响分割核偏小则会导致连通失败车牌区域碎成好几块直接定位失败。从那以后我每次调优都强制走一遍批量评估脚本让数据告诉我参数该往哪调而不是凭感觉改完就跑单张图。希望帮到你。本文还有配套的精品资源点击获取
简介基于OpenCV与Python实现的车牌识别系统面向计算机相关专业学生的期末大作业与课程设计场景也适合需要实战练习的学习者。项目经导师指导并获高分完整覆盖车牌图像预处理、车牌区域定位、字符分割与识别等核心流程能够帮助读者将计算机视觉理论转化为可运行的代码。压缩包共18个文件包含5个Python源码文件、多张测试图片、SVM训练数据文件、演示PPT及说明文档整体约4.73MB目录结构清晰便于按模块理解与复用目前已有40人学习下载。通过该项目可掌握OpenCV常用图像处理操作、车牌字符识别思路并学习规范项目报告的撰写方法配套报告详细说明了设计思路、实现过程与测试结果代码配合README可快速上手。对于正在完成课程设计或希望积累项目经验的学生这份资源具有较高的参考价值。1. 车牌识别系统究竟藏着什么期末大作业的完整答案如果你正在找一份能直接交差的图像处理课程设计基于 OpenCV 与 Python 的车牌识别系统源码包是个典型的选择。它不仅实现了“摄像头拍一张照片 → 自动输出车牌号”的完整闭环还附带课程设计报告文档覆盖车牌定位、字符分割、字符识别三个核心模块。适合需要源码加报告的期末大作业场景也能让刚学完图像处理的入门者快速补齐实战经验。我从工程落地角度把这份源码包的每个环节拆开讲清楚包括参数设计的理由、运行环境的坑以及后期自己改动时容易翻车的细节。2. 从代码结构到原理推演先把黑板擦干净再动手2.1 代码包的文件都是干什么的拿到源码包后第一件事不是跑代码而是把目录结构读一遍。常见的工程组织方式会这样划分模块plate_recognition/ ├── main.py # 主入口读取图片并调用三个模块 ├── plate_locate.py # 车牌定位模块 ├── char_segment.py # 字符分割模块 ├── char_recognize.py # 字符识别模块 ├── templates/ # 字符模板图片目录省份汉字、字母、数字 ├── test_images/ # 测试样例图片 └── report/ # 课程设计报告文档主程序把整条流水线串起来读图 → 定位车牌 → 分割字符 → 识别字符 → 打印结果。这种分层设计的好处是每个模块都能单独调试识别效果差时只需要替换对应函数不用动整条链路。如果你打算在此基础上做二次开发建议先单独跑每个模块函数观察中间输出。比如只调用plate_locate函数把定位结果画框保存出来确认框选区域是否准确再继续走下一步。这个习惯能从根上避免“后面全错但不知道错在哪一环”的问题。2.2 运行环境与依赖版本这类项目对第三方库的依赖比较集中安装命令通常如下pip install opencv-python numpy需要注意opencv-python和opencv-contrib-python不要同时安装两者会冲突导致cv2.findContours等接口行为异常。如果电脑里之前装过旧版 OpenCV建议先卸载干净再装pip uninstall opencv-python opencv-contrib-pythonPython 版本建议 3.8 及以上OpenCV 4.x 均可。numpy 用于数组运算字符分割时大量用到矩阵切片和投影统计没有它整个流程寸步难行。2.3 识别流水线的数据流走向整条链路的核心思路可以概括为四步走预处理降噪、颜色锁定区域、二值化切字符、模板匹配定字符。车牌定位环节的重点是利用车牌颜色特征——国内蓝底白字车牌在 HSV 色彩空间下色调集中在特定区间通过颜色阈值就能把车牌区域从整张图中粗筛出来再结合轮廓形状做精过滤。字符分割环节则在车牌小图上做灰度化和二值化然后统计每一列黑色像素的数量列像素为 0 的位置就是字符间隙从而切开每个字符。字符识别环节把每个切好的字符归一化成统一尺寸与模板库中的字符图逐一对比相似度取最高分作为识别结果。这个架构很经典适合课程设计展示因为每一步都有可视化中间结果。相比直接调 OCR 接口这种“白盒”方案在答辩时更容易讲清楚原理。3. 车牌定位实战HSV 颜色空间与轮廓过滤的参数细节3.1 预处理清晰度不够后面全白搭定位车牌的第一步是图像预处理。常见做法是先把图片转成 HSV 色彩空间因为 HSV色调、饱和度、明度比 BGR 更能抵抗光照变化的影响对颜色本身的描述更稳定。import cv2 import numpy as np def preprocess_image(image_path): img cv2.imread(image_path) hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) return img, hsv def locate_plate_by_color(hsv): # 蓝色车牌的HSV阈值区间H色调在100~124之间 lower_blue np.array([100, 80, 60]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) return maskcv2.inRange会生成一张二值掩膜像素值在阈值区间内显示为白色255其余为黑色0。这个掩膜就是后续轮廓检测的直接输入。色调范围 100 到 124 对应蓝色饱和度下限设为 80 是为了排除灰白色区域明度下限 60 是为了避免暗光下偏黑像素被误判成目标。如果测试图片偏亮或偏暗优先微调这两个值而不是动色调范围。3.2 形态学操作把零散像素点拼成完整矩形颜色掩膜通常充满噪点和空洞车牌区域可能断开成好几块。此时要用形态学闭运算把相邻区域连成整体def close_mask(mask): kernel cv2.getStructuringElement(cv2.MORPH_RECT, (21, 15)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) return closed闭运算是先膨胀再腐蚀能填补前景物体内部的小空洞。这里用宽 21、高 15 的矩形核是因为车牌本身是宽扁矩形横向需要更大范围去连接断裂的笔画纵向保持适度即可。核尺寸太小时连通效果差太大则容易把周围无关区域也连进来。我一般会先试 (21, 15)如果车牌边界仍然破碎就加大到 (25, 19)代价是计算时间稍微变长。3.3 轮廓检测与矩形筛选锁定真正的车牌区域连通后的掩膜可以交给轮廓检测了。OpenCV 4.x 中cv2.findContours只返回轮廓和层级两个值注意别按旧版三层返回去接def find_plate_contour(closed, original): contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) plate_rect None for cnt in contours: x, y, w, h cv2.boundingRect(cnt) aspect_ratio w / h area w * h # 国内车牌长宽比大约在2.5~4.5之间面积需占图一定比例 if 2.5 aspect_ratio 4.5 and area 1500: plate_rect (x, y, w, h) break if plate_rect: x, y, w, h plate_rect cv2.rectangle(original, (x, y), (x w, y h), (0, 0, 255), 2) return plate_rect正常蓝色车牌的长宽比接近 3.14我留出 2.5 到 4.5 的浮动空间是为了兼容拍照角度造成的透视形变。面积下限 1500 像素是个经验值要根据输入图片分辨率调整。图片是 800×600 时这个阈值可用换成 1920×1080 的大图就需要按比例放大到 5000 甚至更高。如果定位失败常见原因有两个一是输入图片里车牌太小面积阈值设高了把目标滤掉二是底库里存在大量蓝色物体轮廓筛选后排在前面的不是车牌。解决办法是遍历所有轮廓按长宽比与面积的综合得分排序而不是取第一个符合条件的。3.4 边缘检测定位方案作为补充有些项目的定位方案不是颜色掩膜而是高斯模糊加 Canny 边缘检测。这种方案对蓝色车牌的专用性弱一些但适应灰度图或夜间场景def locate_by_edge(gray): blurred cv2.GaussianBlur(gray, (5, 5), 0) edged cv2.Canny(blurred, 50, 150) contours, _ cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return contours两种方案各有边界颜色方案在强光反射下容易失手边缘方案在背景杂乱时容易圈到景物边缘。我常用的折中做法是同时跑两个方案若颜色方案命中的矩形与边缘方案命中的矩形重叠度超过 60%才认为定位可信。源码包里通常是颜色方案为主你要新增检测逻辑就直接加在main.py后段。4. 字符分割与识别从切开车牌到输出字符串的实现细节4.1 灰度图二值化把字符从背景里拽出来定位到车牌区域后先把这块小图转为灰度图再做二值化处理。由于车牌图像可能受到光照不均匀影响固定阈值容易翻车我习惯用大津法OTSU自动计算阈值def binarize_plate(plate_img): gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary大津法会根据灰度分布自动寻找类间方差最大的阈值省去手调参数的痛苦。需要留意的是国内蓝底车牌的二值化结果是白字黑底这正好符合后续按白色像素做列投影的假设。如果拿到的是新能源绿牌底色变浅二值化结果可能反过来变成黑字白底此时要做一次反色让字符保持前景色。4.2 垂直投影分割利用字符间隙切出每一个字字符分割最直观的方法是垂直投影法。对二值图像按列统计前景像素数量字符区域数值高字符间隙数值接近零。找到连续的“有值区间”就是每个字符的左右边界def segment_chars(binary): h, w binary.shape # 统计每一列的前景像素个数 col_sum np.sum(binary, axis0) / 255 in_char False left, right 0, 0 boxes [] for i in range(w): if col_sum[i] 0 and not in_char: in_char True left i elif col_sum[i] 0 and in_char: in_char False right i if right - left 5: # 过滤细小噪声列 boxes.append((left, right)) # 车牌固定7位字符小客车通常取最大的7个区间 boxes sorted(boxes, keylambda b: b[1] - b[0], reverseTrue)[:7] boxes.sort(keylambda b: b[0]) return boxes这里把连续的白色列区间切开后按宽度从大到小排序截取前 7 个区间再按从左到右排回去。车牌字符数量也有特殊性——新能源车牌有 8 位货车黄牌后面还有挂车尾牌这些情况在课程设计要求里一般不讨论。如果你要适配新能源车就把[:7]修改为[:8]。粘连字符是分割环节最棘手的场景两个字符之间的列投影没有回落到零。常见做法是设定一个最小宽度阈值超过该阈值就按中间点强制切开。比如字符平均宽度 45 像素某区间宽 82 像素就在中间 41 像素处切开本质上是用启发式规则弥补投影法的盲区。4.3 字符模板匹配把归一化后的字符与模板逐个比对分割完成后每个字符都是一小块二值图。识别前先归一化成统一尺寸我常用 40×20 像素高 40、宽 20这是车牌字符本身的宽高比。模板库里每个字符都由同一尺寸的图像文件表示import os template_dir templates templates {} for filename in os.listdir(template_dir): char filename.split(.)[0] template_img cv2.imread(os.path.join(template_dir, filename), cv2.IMREAD_GRAYSCALE) template_img cv2.resize(template_img, (20, 40)) templates[char] template_img def match_char(char_img): char_img cv2.resize(char_img, (20, 40)) best_score -1 best_char None for char, templ in templates.items(): result cv2.matchTemplate(char_img, templ, cv2.TM_CCOEFF_NORMED) _, score, _, _ cv2.minMaxLoc(result) if score best_score: best_score score best_char char return best_charcv2.TM_CCOEFF_NORMED是归一化相关系数匹配输出范围在 -1 到 1 之间。数值越接近 1说明字符与模板越相似。这种方式对光照和轻微形变有一定抵抗力因为相关系数关注的是形状趋势而不是绝对灰度。模板匹配的精度下限通常看模板数量和质量。模板库覆盖省份汉字越全识别准确率越高。但汉字字符结构复杂比如“苏”和“浙”在某些归一化缩放后容易混淆。遇到这种相似字符一个补救做法是提取字符的轮廓骨架特征把 HOG 特征引入匹配。当然这只是优化思路课程设计阶段用模板匹配完全够用。4.4 整段流程串起来def recognize_plate(image_path): img, hsv preprocess_image(image_path) mask locate_plate_by_color(hsv) closed close_mask(mask) plate_rect find_plate_contour(closed, img) if plate_rect is None: return 未识别到车牌 x, y, w, h plate_rect plate_img img[y:yh, x:xw] binary binarize_plate(plate_img) boxes segment_chars(binary) result for left, right in boxes: char_img binary[:, left:right] result match_char(char_img) return result这段代码就是把之前每个环节拼接在一起。输入一张图片先定位车牌再逐字符识别最终输出字符串。值得强调的一点是分割出来的字符宽度各不相同有些字符如“1”宽度极小如果不加最小宽度过滤很容易被当成噪声丢弃。5. 项目避坑记录调试中反复翻车的五个场景5.1 定位框偏移车牌被截断或框住多余背景现象矩形框选出来的区域要么少了一截字符要么包含大量背景边缘导致分割时混入无关轮廓。 原因轮廓筛选时只按长宽比排序而牌照在画面中本身有透视倾斜旋转矩形被boundingRect转成正矩形后面积虚高。 解决改用cv2.minAreaRect获取最小外接旋转矩形再根据矩形的宽度高度来判断是否符合车牌比例最后用cv2.boxPoints计算四个顶点裁出四边形区域。透视矫正后字符投影会更干净。5.2 光照过强时颜色掩膜失效现象晴天正午拍摄的图片中车牌反光严重HSV 掩膜只圈到车牌的一小块区域。 原因反光区域明度值接近 255饱和度接近 0看起来是白色而不是蓝色超出了蓝色阈值范围。 解决在 HSV 转换前先做直方图均衡化把过曝区域的细节拉回来同时扩大饱和度和明度的有效范围。把蓝色掩膜与边缘检测掩膜做一次与运算两边同时命中的区域才保留能有效抑制镜面反射。5.3 蓝底车牌的蓝色阈值误伤车标区域现象定位框最终落在车标上识别结果乱码。 原因不少车标是蓝底圆标色调范围与车牌一致轮廓形状也接近矩形。 解决在轮廓筛选阶段加入面积和位置双重约束。面积约束要求候选区域占整图比例在 1% 到 20% 之间位置约束要求矩形底边靠近图像下半部分。车牌通常悬挂在保险杠区域而车标在车头的中上部。5.4 字符分割时“川”“鄂”等汉字分成两段现象汉字内部笔画结构复杂内部出现大面积空白导致垂直投影把单个汉字切成两个区间。 原因垂直投影对左右结构的汉字不友好“川”字三列的间距在投影结果上表现为三个独立峰。 解决分割前先做一次膨胀操作把相邻笔画连接起来。也可以用连通域标记代替纯列投影把同一连通域视为一个字符。后者对笔画断裂的汉字更友好但实现复杂度略高。5.5 模板匹配结果错把数字 0 认成字母 O现象数字“0”识别成字母“O”数字“1”识别成字母“I”。 原因归一化缩放到 40×20 后两者轮廓高度相似相关系数差距很小。 解决根据车牌规则做后处理。车牌第二位必须是字母其余特定位置只能是数字这是国内车牌编排规则的硬编码逻辑。识别完成后写一个修正规则函数把可疑位置的字符类别强行约束到合法集合。比如第二位若是数字就按字母识别符号“O”和“0”在同一位上唯一确定。提示课程设计报告中如果能收录以上五类问题以及对应的修正方案答辩分数通常会高于只贴成功结果的内容。判分老师最关心的就是你是否真正做了调试实验。6. 让识别更可靠形态学参数自整定与批量验证的技巧源码包能跑通只是起点真正考验在测试集上的综合表现。我整理了一套验证方法能快速定位是哪个环节拖了后腿。第一步是准备多样化测试集。至少收集 20 张不同场景的车牌照片覆盖白天、傍晚、阴天、逆光和近距离大角度五种情况。每张图提前记录真实车牌号建立一个比对表。脚本跑完结果后自动打印总准确率、定位准确率、字符级准确率三项指标def evaluate(test_set, ground_truth): total len(test_set) correct 0 char_total 0 char_correct 0 for path, true_label in zip(test_set, ground_truth): pred recognize_plate(path) if pred true_label: correct 1 for i, ch in enumerate(true_label): char_total 1 if i len(pred) and pred[i] ch: char_correct 1 print(f整牌准确率: {correct/total:.2%}) print(f字符准确率: {char_correct/char_total:.2%})整体准确率低但字符准确率高说明定位框偏移导致少字或多字两者都低则要从预处理和二值化入手。第二步是形态学核尺寸参数的自整定。闭运算核宽度直接影响连通质量常见做法是循环尝试多个尺寸组合找到准确率最高的参数best_param None best_acc 0 for kw in range(15, 31, 3): for kh in range(9, 21, 3): acc evaluate_with_param(kw, kh) if acc best_acc: best_acc acc best_param (kw, kh)这个网格搜索看起来简单但能把“拍脑袋定参数”变成“数据驱动定参数”。每次改动后记录性能变化你就知道该往哪个方向调整。第三步是对视频流场景做去抖。摄像头连续帧中某一帧可能识别错误但前后几帧结果正确。常见做法是引入滑动窗口投票连续五帧里取出现次数最多的结果作为最终输出。这比单纯提升单帧算法精度经济得多。做这些优化时我发现一个调节规律形态学参数宁可偏大也不偏小。核偏大最多是连通区域范围超出车牌边缘 1 到 2 像素基本不影响分割核偏小则会导致连通失败车牌区域碎成好几块直接定位失败。从那以后我每次调优都强制走一遍批量评估脚本让数据告诉我参数该往哪调而不是凭感觉改完就跑单张图。希望帮到你。本文还有配套的精品资源点击获取
