基于STM32F103与OV7670的车牌识别系统：从图像采集到OpenCV识别

简介基于STM32F103与OV7670的车牌识别系统设计是一份面向嵌入式方向毕业设计的完整方案适合高校学生、嵌入式初学者及智能交通项目开发者参考。项目以STM32F103为控制核心通过OV7670图像传感器采集车辆图像系统性地覆盖了图像去噪、灰度化、直方图均衡化等预处理环节以及字符分割、特征提取与模式识别等车牌识别关键步骤并针对渝、辽、沪、浙、苏、粤六个省份的车牌样式特点进行了识别优化以提高不同地区车牌的识别准确率。资料中还包含车牌识别AD格式电路图能够帮助理解模拟数字转换电路与摄像头接口的设计要点对硬件选型、电路搭建和调试排错有直接参考价值。压缩包约16.54MB已有2193人学习整体可作为毕业设计选题、系统框架搭建与算法验证的实用参考资料。1. 项目背景与整体认知1.1 这个毕设到底在做什么先说结论基于STM32F103和OV7670的车牌识别系统本质上是一套“嵌入式图像采集 上位机算法处理”的典型教学案例。它的核心链路是——OV7670摄像头完成图像采集STM32F103作为主控负责配置传感器、缓存图像数据并通过串口或USB传给PC端最终由PC端跑OpenCV或其他图像处理算法完成车牌区域的定位、字符分割和识别。这几年我陆陆续续帮人看过不少类似的毕设项目STM32F103 OV7670这个组合出镜率极高。原因不复杂STM32F103是Cortex-M3内核的经典芯片资料多、外设丰富、开发门槛低OV7670则是30万像素级别的CMOS图像传感器价格便宜几块钱到十几块钱一片输出的RGB565/YCbCr422格式非常适合给单片机做图像采集教学。两者组合在一起既能体现嵌入式底层能力I2C寄存器配置、DMA传输、FIFO时序控制又能衔接上层图像处理算法正好覆盖了电子信息、自动化、计算机等专业毕业设计要考察的几项核心技能。但这里我必须先把一个关键问题说清楚STM32F103这颗MCU的主频最高72MHzSRAM只有20KB大容量型号到48KBFlash最大512KB。拿它直接跑车牌识别算法——比如边缘检测、连通域分析、字符模板匹配——不是不行而是性能极其紧张跑起来很吃力。业界常见的做法有两种要么用OV7670输出JPEG压缩数据OV7670内部自带压缩引擎但需要额外购买带FIFO的模块把识别任务交给PC要么干脆把OV7670当成图像采集前端通过串口把原始图像数据传到上位机识别全部在PC上完成。所以你在做这个项目之前先想清楚一件事你到底是想要一个“能跑通的完整系统”还是想要一个“纯嵌入式端实现识别”的硬核方案方向不同工作量和技术路线差别很大。1.2 这个项目的技术链条和应用场景从技术链条来看这个项目横跨了三个层面硬件层STM32F103最小系统板或者自己画PCB、OV7670摄像头模块带FIFO版本更推荐、供电电路、串口转USB模块、PC上位机。驱动层STM32的I2C驱动用于配置OV7670寄存器、DMA 定时器驱动用于读取FIFO数据、串口/UART驱动用于图像数据传输。算法层OpenCV图像预处理灰度化、二值化、边缘检测、车牌定位颜色特征或形态学操作、字符分割、模板匹配或OCR识别。应用场景方面虽然这个项目是教学性质但它映射的实际需求很明确——停车场出入口管理、高速收费站车牌抓拍、小区门禁系统这些场景的核心图像采集端和识别端架构和这个毕设是高度一致的。唯一区别是工业级系统会用更高分辨率的相机、更稳定的补光方案和专用识别芯片或GPU但“图像采集 传输 算法识别”这条链路原理完全相同。所以如果你是冲着“把项目做完、顺利答辩”这个目标来的这个文章里的方案可以直接用如果你是想把项目做扎实、甚至在简历上写一句“熟悉嵌入式视觉系统开发”那这篇文章的方法论同样适用而且我会把一些常规文档里不讲的经验都交代清楚。2. 系统整体方案与关键选型分析2.1 架构设计为什么识别不在单片机上做这是整个项目最核心的一个决策点也往往是答辩时老师最爱问的问题。很多同学拿到题目后的第一反应是——STM32F103 OV7670那我直接在STM32上跑车牌识别算法呗。这个想法本身没错但实际做起来会遇到几个硬伤第一内存不够。一帧QVGA320×240的RGB565图像裸数据是320×240×2 153600字节也就是150KB。而STM32F103的大容量型号最多也就48KB SRAM连一帧图像都存不下。这时候你得用OV7670带FIFO的模块摄像头先把一帧数据写入FIFO芯片通常是AL422B容量384KBMCU再从FIFO里分批读出来处理。第二算力不够。车牌识别里最基础的车牌定位算法比如Sobel边缘检测加形态学闭运算在一张320×240的灰度图上72MHz主频的Cortex-M3裸奔跑起来大概需要几百毫秒到一秒以上。这还只是定位后面还有字符分割、模板匹配整体跑完可能要好几秒。作为毕设演示不是不能接受但实时性确实谈不上。第三算法调试难度高。嵌入式端的图像处理库和调试工具远不如PC端方便。你在PC上用OpenCV几行代码就能看到中间结果在单片机上你得把每一帧中间处理结果通过串口发出来看开发效率低一个量级。所以我的建议非常明确如果你不是对嵌入式算法优化有特别强烈的兴趣采用“单片机采图 串口传输 PC端识别”的架构。这样STM32部分重点展示的是你对底层硬件、时序控制、外设配置的理解PC端展示的是你对图像处理算法的掌握两部分都有技术含量而且工作量分配合理、调试难度可控。这个方案在答辩时的表达口径也很清晰“考虑到MCU算力与内存资源限制本设计采用主从式架构。前端STM32完成图像采集与传输后端PC完成车牌识别算法在保证系统功能完整性的同时兼顾了实时性与可扩展性。”这句话一说老师基本不会在这个方向上继续纠结。2.2 器件选型OV7670模块的版本差异OV7670摄像头模块在淘宝上有两种常见版本长得几乎一样但内部电路差很多买之前一定要看清楚。第一种是裸传感器版本摄像头直接引出D0-D7数据线、PCLK、VSYNC、HREF、SIOC、SIOD等信号所有时序控制都需要MCU自己完成。这种版本便宜但用起来很麻烦尤其是你要在STM32的GPIO上手动去读PCLK时钟边沿的数据稍微有点时序抖动就会出花屏。第二种是带FIFO版本模块上多了一片AL422B FIFO芯片或者类似的缓存芯片摄像头采集的图像数据会自动写入FIFOMCU只需要在VSYNC信号出现时等待一帧写入完成然后通过读FIFO的方式把图像数据取出来。这种版本贵一点多十几块钱但用起来舒服太多强烈推荐。在买带FIFO版本时还要注意一个细节有些模块把FIFO的写时钟WRCLK接到了OV7670的PCLK上摄像头输出一像素FIFO就自动存一像素读时钟RDCLK则接到STM32的某个定时器通道上由MCU控制。这种设计下你只需要在VSYNC下降沿一帧结束后等一小段时间然后疯狂读FIFO即可。此外OV7670有几种分辨率模式QQVGA160×120、QVGA320×240、VGA640×480。做车牌识别QVGA是一个比较均衡的选择——分辨率足够识别车牌字符图像数据量又不至于太大。VGA的话单帧裸数据有921600字节按RGB565算传输时间会明显拉长而且对于30万像素的传感器来说VGA和QVGA在图像细节上的差距并不大。2.3 供电与电平匹配是容易踩的坑OV7670模块的工作电压是2.45V到3.0V很多模块板上自带稳压电路可以直接用3.3V供电。但如果你用的是裸传感器版本或者模块上没有稳压芯片一定要确认供电电压否则传感器的模拟部分可能工作不正常表现为图像偏色、有横纹。另一个容易忽略的问题是I2C上拉电阻。OV7670的SCCB接口本质上就是I2C只是时序定义略有差别需要外部上拉电阻一般模块上已经焊好了但如果你自己画PCB或者用杜邦线连接一定要记得加上4.7kΩ左右的上拉电阻。否则I2C通信会时好时坏配置寄存器的时候偶尔成功偶尔失败排查起来非常痛苦。STM32的GPIO电平是3.3VOV7670模块的信号线也是3.3V正常情况下不需要电平转换。但如果你的STM32开发板是5V供电的注意别把5V引到模块的3.3V引脚上这个错误烧过不少人的摄像头。3. OV7670驱动与图像采集的实操细节3.1 SCCB接口配置初始化顺序有讲究OV7670的寄存器配置走的是SCCB协议它和标准I2C的区别在于SCCB只支持单字节写、单字节读和突发读不支持重复起始条件repeat start。好在STM32的硬件I2C外设可以直接拿来用只要把通讯速率控制在400kHz以下绝大多数模块都能正常响应。下面我给出一个用标准库Standard Peripheral Library配置I2C1的示例这是STM32F103系列最常用的开发方式void I2C1_Init(void) { GPIO_InitTypeDef GPIO_InitStructure; I2C_InitTypeDef I2C_InitStructure; RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOB, ENABLE); RCC_APB1PeriphClockCmd(RCC_APB1Periph_I2C1, ENABLE); // I2C1_SCL - PB6, I2C1_SDA - PB7 GPIO_InitStructure.GPIO_Pin GPIO_Pin_6 | GPIO_Pin_7; GPIO_InitStructure.GPIO_Mode GPIO_Mode_AF_OD; // 开漏复用 GPIO_InitStructure.GPIO_Speed GPIO_Speed_50MHz; GPIO_Init(GPIOB, GPIO_InitStructure); I2C_InitStructure.I2C_Mode I2C_Mode_I2C; I2C_InitStructure.I2C_DutyCycle I2C_DutyCycle_2; I2C_InitStructure.I2C_OwnAddress 0x30; I2C_InitStructure.I2C_Ack I2C_Ack_Enable; I2C_InitStructure.I2C_AcknowledgedAddress I2C_AcknowledgedAddress_7bit; I2C_InitStructure.I2C_ClockSpeed 200000; // 200kHz I2C_Init(I2C1, I2C_InitStructure); I2C_Cmd(I2C1, ENABLE); }OV7670的SCCB从机地址是0x42写地址一个典型的写寄存器函数长这样uint8_t OV7670_WriteReg(uint8_t reg, uint8_t val) { // 起始条件 从机地址(写) // 发送寄存器地址 // 发送寄存器值 // 停止条件 }这里有一个非常关键的初始化顺序问题。OV7670上电后默认输出的是VGA分辨率的RGB565图像但如果你想切换到QVGA或者其他输出格式必须按照一定的顺序写寄存器。有一个比较容易出问题的点是必须先设置分辨率相关的寄存器再设置输出格式相关的寄存器最后设置图像质量控制寄存器。如果顺序反了可能出现图像花屏、颜色错乱或者干脆没有输出。我习惯的做法是先将OV7670恢复默认值写寄存器0x12的bit7为1即RESET延时50ms以上然后再逐项写入配置。这个RESET操作非常必要因为模块上电后内部的寄存器状态是不确定的如果不先复位就直接配置会出现“这次配置成功了、下次配置失败了”的随机现象。3.2 关键寄存器配置参考表下面是我实际调试过的一套QVGA RGB565配置可以直接套用。注意这些值是基于OV7670官方手册和常见模块如ATK-OV7670的默认配置整理出来的寄存器地址寄存器名称配置值功能说明0x12COM70x00恢复默认不使用RGB565输出模式0x04为RGB5650x08为RGB4440x40COM150xD0配置RGB565输出范围0xD0配full range0x11CLKRC0x01内部PLL分频设置输出时钟频率0x17HSTART0x13水平起始位置0x18HSTOP0x01水平结束位置0x32HREF0xB6控制HREF参考0x19VSTART0x02垂直起始位置0x1AVSTOP0x7A垂直结束位置0x03VREF0x0A控制VREF参考0x0CCOM30x00默认设置关闭缩放0x3DCOM120x03配置HREF和VSYNC极性0x70SCALING_XSC0x3A水平缩放系数0x71SCALING_YSC0x35垂直缩放系数0x72SCALING_DCWCTR0x11缩放控制使能DSP缩放0x73SCALING_PCLK_DELAY0x00PCLK延时设置为00xA2SCALING_PCLK_DIV0x02PCLK分频这套配置的效果是输出320×240分辨率的RGB565图像数据在FIFO里按行排列每像素2字节。需要特别提醒的是不同型号模块的寄存器复位值和默认值可能有差异网上搜到的配置表也不尽相同。我的建议是拿到模块后先看商家提供的初始化代码如果没有就用上面这套作为起点再根据实际图像效果微调。调试时把图像保存下来逐项调整比盲目改寄存器值要高效得多。3.3 图像数据的读取DMA 定时器方案OV7670带FIFO模块的数据读取核心思路是当一帧图像写入FIFO后STM32通过DMA从FIFO读出数据存储到SRAM缓冲区然后通过串口发送到PC。这里有一个常用的技巧用定时器生成读时钟信号。void TIM2_PWM_Init(void) { GPIO_InitTypeDef GPIO_InitStructure; TIM_TimeBaseInitTypeDef TIM_TimeBaseStructure; TIM_OCInitTypeDef TIM_OCInitStructure; // 使用PA1作为PWM输出接到FIFO的RDCLK RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOA, ENABLE); RCC_APB1PeriphClockCmd(RCC_APB1Periph_TIM2, ENABLE); GPIO_InitStructure.GPIO_Pin GPIO_Pin_1; GPIO_InitStructure.GPIO_Mode GPIO_Mode_AF_PP; GPIO_InitStructure.GPIO_Speed GPIO_Speed_50MHz; GPIO_Init(GPIOA, GPIO_InitStructure); TIM_TimeBaseStructure.TIM_Period 7; // 8分频 TIM_TimeBaseStructure.TIM_Prescaler 0; TIM_TimeBaseStructure.TIM_ClockDivision TIM_CKD_DIV1; TIM_TimeBaseStructure.TIM_CounterMode TIM_CounterMode_Up; TIM_TimeBaseInit(TIM2, TIM_TimeBaseStructure); TIM_OCInitStructure.TIM_OCMode TIM_OCMode_PWM1; TIM_OCInitStructure.TIM_OutputState TIM_OutputState_Enable; TIM_OCInitStructure.TIM_Pulse 3; // 占空比约50% TIM_OCInitStructure.TIM_OCPolarity TIM_OCPolarity_High; TIM_OC1Init(TIM2, TIM_OC1InitStructure); TIM_Cmd(TIM2, ENABLE); }这个PWM输出的频率大概就是72MHz / 8 9MHz也就是每秒钟能从FIFO读出900万个像素。QVGA一帧有76800个像素理论上1kHz的帧率都够但实际中由于DMA读取和串口发送之间存在同步开销稳定在10-20帧每秒完全没有问题。读取一帧图像的核心逻辑可以用下面这段伪代码描述void OV7670_CaptureFrame(uint8_t *buffer, uint32_t size) { // 1. 等待VSYNC下降沿一帧写入完成 while(OV7670_VSYNC 1); while(OV7670_VSYNC 0); while(OV7670_VSYNC 1); // 2. 稍微延时确保FIFO写指针稳定 delay_ms(10); // 3. 拉低WE进入读模式 OV7670_FIFO_WE_LOW(); // 关闭写入 OV7670_FIFO_OE_LOW(); // 使能输出 // 4. 通过DMA读取FIFO数据到buffer // 这里需要配置DMA的源地址为FIFO数据端口目的地址为buffer // 5. 读取完成后拉高WE恢复写入 OV7670_FIFO_WE_HIGH(); OV7670_FIFO_OE_HIGH(); }这个过程中的时序配合很容易出问题常见的表现是图像有规律的错位或者撕裂。遇到这种问题优先检查WE和OE的时序切换以及VSYNC的边沿检测方式。有些模块的VSYNC是低电平有效有些是高电平有效一定要看模块的原理图确认。4. PC端车牌识别算法设计与实现4.1 图像接收与预处理流程串口把图像数据发到PC端之后第一步是把原始RGB565数据转换成OpenCV能处理的BGR格式。这里有个细节值得注意OV7670输出的RGB565在字节序上可能是大端或者小端取决于寄存器的配置。如果你发现图像颜色整体偏蓝或者偏红第一反应应该是交换高低字节而不是怀疑白平衡配置有问题。import cv2 import numpy as np import serial def read_image_from_serial(port, baudrate921600, width320, height240): ser serial.Serial(port, baudrate, timeout5) # 等待帧头 while True: header ser.read(2) if header bST: # 自定义帧头 break # 读取数据 data ser.read(width * height * 2) # 转换为numpy数组 img_rgb565 np.frombuffer(data, dtypenp.uint16).reshape(height, width) # 分离R、G、B分量 r ((img_rgb565 11) 0x1F) 3 g ((img_rgb565 5) 0x3F) 2 b (img_rgb565 0x1F) 3 img_bgr cv2.merge([b, g, r]) return img_bgr收到图像之后预处理流程通常包括灰度化、高斯滤波、直方图均衡化、Sobel边缘检测、形态学闭运算等。车牌区域在图像中的特征是高对比度的边缘密集区域尤其是字符区域和车牌背景之间的边界非常明显。4.2 车牌定位与字符分割的具体实现车牌定位在传统图像处理方案里最实用的一种是基于颜色特征的方法。蓝底白字车牌是主流所以可以先把RGB图像转换到HSV空间然后提取蓝色区域再做形态学处理找到最大的连通域作为候选车牌区域。def locate_plate(img_bgr): hsv cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) # 提取蓝色区域蓝色车牌的色调范围大约在100-124之间 mask cv2.inRange(hsv, (100, 43, 46), (124, 255, 255)) # 形态学操作去除噪声并填充孔洞 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations2) # 找到所有轮廓 contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 按面积排序取最大的一个 if len(contours) 0: return None plate_contour max(contours, keycv2.contourArea) x, y, w, h cv2.boundingRect(plate_contour) # 车牌长宽比一般接近3.14:1可以做一次校验 aspect_ratio w / h if aspect_ratio 2.0 or aspect_ratio 5.0: return None return img_bgr[y:yh, x:xw]定位到车牌区域后接下来是字符分割。为了降低光照不均对二值化的影响可以对方形区域先做自适应二值化然后通过垂直投影找到字符的左右边界。正常车牌的7个字符省简称汉字 字母 字母/数字组合之间的空隙相对固定可以用投影直方图比较靠谱地切分出来。def segment_characters(plate_roi): gray cv2.cvtColor(plate_roi, cv2.COLOR_BGR2GRAY) # 自适应阈值二值化 binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) # 去除边框和铆钉区域 binary remove_border(binary) # 垂直投影 vertical_projection np.sum(binary, axis0) / 255 # 寻找字符边界 chars find_char_boundaries(vertical_projection) return chars字符识别部分如果项目要求不高用模板匹配就够用。准备一套标准字符模板包括各省简称、字母、数字对分割出的字符做尺寸归一化后逐一匹配取相似度最高的作为结果。如果想让系统更有“含金量”也可以接入OCR引擎如Tesseract或者用PaddleOCR不过对于毕业设计来说模板匹配已经能说明问题答辩效果也不差。4.3 算法性能实测与优化方向在自己PC上跑通上述算法流程我用一张在真实停车场环境下采集的图片光照正常、车牌清晰从图像读入到识别出车牌号总耗时大约在80到150毫秒之间基本满足演示要求。如果摄像头正对车牌、距离在1到1.5米识别率能达到90%以上如果车牌有倾斜、遮挡或者光照特别差识别率会明显下降。提升识别率有几个简单有效的方向一是图像预处理阶段加入透视校正把倾斜的车牌区域矫正成矩形二是二值化环节使用更大的自适应窗口降低噪点干扰三是在字符匹配阶段使用多个模板覆盖不同字体和磨损程度的车牌。5. 系统联调与问题排查实录5.1 硬件联调中遇到的高频问题这个项目在联调阶段容易出现的问题我按出现频率从高到低整理成一张速查表问题现象可能原因排查方法画面全黑传感器上电时序不对或者PCLK没有配置检查VSYNC和PCLK引脚是否有波形用示波器量画面花屏、横向条纹I2C配置不成功寄存器没写进去串口打印读回的寄存器值和期望值对比图像颜色偏蓝或偏红RGB565字节序不对试着交换高低字节看颜色是否正常图像有锯齿状错位FIFO读时序有问题检查WE和OE的时序确认VSYNC边沿检测方向正确串口传输丢帧波特率设置太高或者双方流控不匹配将波特率降到460800或更低加上帧头校验识别率低图像亮度不够或者过曝调整OV7670的AEC/AGC配置或者调整补光最典型的坑是I2C配置时“头几次能读到后面就读不到了”。这种问题绝大多数是SCL和SDA的上拉电阻没焊或者虚焊也有的是两条线接反了。处理办法是用示波器或逻辑分析仪先看SCL和SDA上有没有正常的波形再谈寄存器配置的事。5.2 串口传输协议的坑你的波特率可能虚高很多同学拿到STM32后用串口传图像直接上921600甚至更高波特率。但实际上STM32的USART在921600波特率下如果系统时钟精度不高或者用了内部RC振荡器HSI而不是外部晶振HSE波特率误差可能超过容忍范围导致传输出错率上升。我的建议是优先用外部8MHz晶振作为系统时钟来源并把USART的波特率配置在460800或者更保守的230400。一帧QVGA RGB565图像是153600字节在460800波特率下8N1格式实际有效数据率约46080字节/秒传一帧需要3.3秒左右。这个速度演示起来确实有点慢如果嫌慢可以做图像压缩——把RGB565转成灰度图大小直接减半或者用OV7670输出RGB444/YCbCr422减小数据量。另一个更快的方法是用USB虚拟串口VCP速度能到1Mbps以上但驱动配置稍复杂需要装ST官方的VCP驱动。传输协议上我习惯自定义一个简单的帧格式帧头2字节如0xAA 0x55 数据长度2字节 图像数据 校验1字节累加校验。PC端通过帧头同步用数据长度确定一帧图像的大小。这样做的好处是即使传输中出现丢包也能通过帧头重新同步不会出现整帧数据错乱。5.3 答辩时遇到的技术追问怎么答这个项目在答辩环节老师通常会在三个方向发问为什么选择这个架构怎么保障系统的稳定性算法在什么条件下会失效架构问题我在2.1节已经给了参考答案。稳定性的问题可以这样回应硬件层面OV7670的I2C配置增加了校验机制写后读验证传输层面串口协议带帧头和累加校验丢帧后上位机能自动重新请求软件层面增加了看门狗定时器主循环卡死会自动复位。这三个层面体现了嵌入式系统设计的“可靠性思维”比单纯说“项目能跑”要高一个档次。失效条件的问题如果用的是传统图像处理方案就如实回答“在强逆光、车牌倾斜超过15度、夜间无补光条件下识别率会下降”然后补一句“后续可以通过加入透视矫正、自动白平衡、以及补光电路来增强环境适应性”。这样既体现了你对算法边界有清晰认知又能体现你思考过改进方向。6. 总结与经验心得做这个项目前后我花了大约三周时间真正调试通过、图像稳定传输、识别率能看的版本是在第二周的周五才跑通的。中间踩过最大的一个坑也是最想提醒后来人的一点不要一上来就写代码先把手头的硬件模块吃透。我指的“吃透”不是看完数据手册而是画一块最小测试板或者用面包板搭出来把I2C读寄存器这个动作跑通把一帧图像的显示调通再考虑往上叠算法。这一步看起来慢其实是最省时间的。另外这个项目做完之后其实还有很多可以扩展的空间。比如把PC端的识别算法换成深度学习YOLO系列或者PaddleOCR识别率会提升一大截把串口传输换成Wi-Fi或者以太网就能变成一个分布式系统的前端采集节点给STM32加上停车场的道闸控制逻辑配合继电器模块就是一个完整的停车场门禁样机。顺着这些方向往下做这个毕设的深度和广度都会好很多写进简历里也会更有说服力。最后分享一个小技巧调试OV7670的时候在PC端写一个单独的“图像预览”程序不要每次都把识别算法跑完整一遍。先把图像显示出来确认图像质量没问题再开始调识别算法。图像质量不过关算法调得再努力也是白搭。这个习惯我一直保留到后来做工业视觉项目屡试不爽。本文还有配套的精品资源点击获取