简介这是一份面向计算机视觉入门者与毕业设计学生的车牌识别实战源码基于Python与OpenCV实现并配有图形化操作界面可用于智能交通、停车场管理等场景的课程设计或项目练手。压缩包共约2000个文件整体26.85MB以16414张jpg图片作为训练与测试样本另有7个py脚本承载预处理、车牌定位、字符分割与识别逻辑4个xml与2个dat模型文件支撑分类与OCR1个ui文件配合界面布局并附带md说明文档。资源完整呈现了从图像灰度化、边缘检测、车牌定位到颜色区分与字符识别的处理链路界面部分支持上传图片并查看识别结果源码按功能模块组织便于理解与二次修改。目前已有1875人学习下载适合希望打通OpenCV图像处理与UI交互、快速搭建可演示车牌识别系统的读者参考。1. 从一张停车场照片说起PythonOpenCV车牌识别到底能跑多快手头有一张地下车库入口的抓拍图光线偏暗、车牌略倾斜用 Python 加 OpenCV 从读图到输出「京A·12345蓝色」这条结果在普通笔记本上大概 200 毫秒。这个数字是我自己反复测出来的不是理论值。车牌识别这个方向之所以在毕业设计里年年有人做核心原因就一条它把图像处理、形态学、轮廓查找、字符分割、颜色空间转换这些 OpenCV 基础能力串成了一条完整链路做完能讲清楚每一环在干什么而不是调个库就交差。这篇笔记面向两类人一是正在做计算机毕业设计、需要一套能跑通、能讲清、能改参数的 PythonOpenCV 车牌识别源码二是刚入门 OpenCV 图像处理项目、想找一个有界面、有颜色判断、能当练手模板的实战案例。下面按「环境怎么搭 → 车牌怎么定位 → 字符怎么切 → 颜色怎么判 → 界面怎么接 → 坑在哪」的顺序把每一步的参数和翻车点都摊开讲。2. 环境搭建与最小可跑通链路Python、OpenCV、NumPy 三件套2.1 为什么选 OpenCV 而不是别的视觉库做车牌识别选型其实就三条路OpenCV、Halcon、深度学习框架自训练。Halcon 和 OpenCV 的区别在于前者是商业授权、算子封装更厚适合产线级部署OpenCV 免费、Python 绑定成熟、社区示例多毕业设计阶段完全够用。深度学习方案比如 YOLO 检测车牌 CRNN 识别字符精度更高但训练数据、标注、GPU 环境三座大山压下来本科毕设周期内很容易翻车。所以常见做法是用 OpenCV 做传统图像处理链路把车牌定位、字符分割讲透识别环节用模板匹配或轻量 OCR 兜底。这样代码量可控答辩时每一行都能解释。2.2 安装与验证避开 ModuleNotFoundError 和 cv2.error新手最容易卡在第一步。ModuleNotFoundError: No module named opencv和cv2.error: OpenCV(4.4.0) ...这两个报错几乎每个做 OpenCV 图像处理项目的人都见过。前者是包没装对后者多半是版本和 NumPy 不兼容或者读图路径里有中文。# 建议用虚拟环境避免污染全局 python -m venv lpr_env # Windows 激活 lpr_env\Scripts\activate # macOS / Linux 激活 source lpr_env/bin/activate # 安装三件套指定版本区间更稳 pip install opencv-python4.8.1.78 pip install numpy1.24.3 pip install pillow10.0.0装完立刻验证别等到写了几百行才发现 cv2 导不进来import cv2 import numpy as np print(OpenCV 版本:, cv2.__version__) print(NumPy 版本:, np.__version__) # 读一张测试图路径不要带中文 img cv2.imread(test_car.jpg) if img is None: print(读图失败检查路径或文件名是否含中文) else: print(图像尺寸:, img.shape) # (高, 宽, 通道)逻辑说明cv2.imread返回 None 是最常见的「黑匣子」现象不报错但后面全崩。参数上imread第二个参数默认是IMREAD_COLOR读进来是 BGR 三通道不是 RGB这一点后面做颜色判断时必须记住。如果路径含中文Windows 下 OpenCV 会读失败解决办法是用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)绕过去。提示安装 OpenCV 时不要同时装opencv-python和opencv-contrib-python的不同版本会互相覆盖导致 cv2.error。二选一即可需要 SIFT 等扩展算子就装 contrib 版。2.3 最小可跑通链路读图 → 灰度 → 边缘 → 找轮廓在正式写车牌定位之前先跑通一条最小链路确认环境没问题、图像能处理、轮廓能画出来。import cv2 import numpy as np img cv2.imread(test_car.jpg) if img is None: raise FileNotFoundError(图片没读到检查路径) # 转灰度减少计算量 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊压掉噪点参数 (5,5) 是核大小必须奇数 blur cv2.GaussianBlur(gray, (5, 5), 0) # Canny 边缘检测双阈值低阈值:高阈值 常见 1:2 或 1:3 edges cv2.Canny(blur, 50, 150) # 找轮廓 contours, _ cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) print(找到轮廓数:, len(contours)) # 把轮廓画出来看看 vis img.copy() cv2.drawContours(vis, contours, -1, (0, 0, 255), 2) cv2.imwrite(contours_debug.jpg, vis)逻辑说明GaussianBlur的核大小必须是奇数写偶数会直接报错。Canny的双阈值决定边缘的松紧50/150 是通用起点车牌场景如果边缘太碎就调高边缘断太多就调低。findContours在 OpenCV 4.x 里返回两个值轮廓列表、层级OpenCV 3.x 返回三个值网上老代码抄过来会报「too many values to unpack」这是版本差异的经典坑。参数RETR_TREE保留完整层级CHAIN_APPROX_SIMPLE只存拐点省内存。3. 车牌定位颜色分割 形态学 轮廓筛选三步走3.1 颜色分割HSV 空间比 RGB 靠谱在哪车牌定位有两条主流路线一是基于边缘和形态学找矩形二是基于颜色分割。国内车牌底色以蓝、黄、绿为主蓝色车牌占比最高所以先用 HSV 颜色空间把蓝色区域抠出来再在候选区域里找矩形命中率比纯边缘法高不少。RGB 三个通道受光照影响大HSV 把色相H、饱和度S、明度V分开调阈值时只动 H 就能锁定颜色光照变化主要影响 V鲁棒性更好。import cv2 import numpy as np img cv2.imread(test_car.jpg) hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌 HSV 范围H 在 OpenCV 里是 0-179 lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 形态学闭运算把车牌内部字符造成的空洞填上 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) cv2.imwrite(blue_mask.jpg, mask)逻辑说明inRange输出的是二值掩膜白色是命中区域。H 范围 100-124 覆盖蓝色S 和 V 下限设 80 是为了排除灰暗和发白的区域。闭运算的核(17,5)是横向长条因为车牌是扁的横向连接比纵向更重要。这个核大小不是固定的图里车牌越小核要相应调小否则会把相邻车牌或车身蓝色区域连成一片。3.2 形态学处理与轮廓筛选长宽比和面积是硬指标拿到掩膜后找轮廓然后按车牌的长宽比和面积过滤。国内单层蓝牌长宽比大约 3:1 到 4:1面积不能太小也不能占满整张图。contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: area cv2.contourArea(cnt) if area 2000: # 太小的直接丢 continue x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) if 2.5 ratio 5.0: # 长宽比落在车牌区间 candidates.append((x, y, w, h)) # 按面积排序取最大的当车牌 candidates.sort(keylambda b: b[2] * b[3], reverseTrue) if candidates: x, y, w, h candidates[0] plate img[y:yh, x:xw] cv2.imwrite(plate_crop.jpg, plate) print(车牌区域:, x, y, w, h)逻辑说明RETR_EXTERNAL只取最外层轮廓避免车牌内部字符轮廓干扰。面积阈值 2000 是经验值图片分辨率越高这个值要越大建议按图像总面积的千分之一到千分之五来估。长宽比 2.5 到 5.0 是留了余量因为车牌倾斜时外接矩形会变形。排序取最大面积是简化策略实际场景里如果图中有多个蓝色物体需要再加位置约束比如车牌通常在图像下半部分。3.3 倾斜校正最小外接矩形 仿射变换车牌有倾斜角时直接裁外接矩形会带进背景字符分割会受影响。用minAreaRect拿到带角度的矩形再做仿射变换摆正。rect cv2.minAreaRect(cnt) # 返回 (中心点, (宽,高), 角度) box cv2.boxPoints(rect) box np.int0(box) # 取角度注意 OpenCV 版本差异4.5 之后角度定义有调整 angle rect[-1] if angle -45: angle 90 angle # 计算旋转矩阵并校正 (h, w) img.shape[:2] center (w // 2, h // 2) M cv2.getRotationMatrix2D(center, angle, 1.0) rotated cv2.warpAffine(img, M, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)逻辑说明minAreaRect返回的角度在不同 OpenCV 版本里定义不一致4.5 之前和之后有变化这是血泪经验——同一段代码换台机器结果就变了。稳妥做法是判断角度绝对值超过 45 度就做补偿。warpAffine的borderMode用BORDER_REPLICATE避免旋转后出现黑边影响后续处理。校正后再重新走一遍颜色分割和轮廓筛选拿到水平车牌。4. 字符分割与识别从二值化到模板匹配的完整链路4.1 灰度化 自适应阈值为什么不用全局阈值车牌区域裁出来后下一步是把字符和底色分开。全局阈值cv2.threshold固定值在光照均匀时能用但车牌常有反光、阴影固定阈值会一半字符丢失。自适应阈值按局部邻域算阈值对光照不均更稳。plate_gray cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY) # 自适应阈值blockSize 必须是奇数 binary cv2.adaptiveThreshold(plate_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 19, 10) cv2.imwrite(plate_binary.jpg, binary)逻辑说明THRESH_BINARY_INV让字符变白、底色变黑方便后续找字符轮廓。blockSize19是邻域大小车牌字符笔画宽度大概几个像素19 能覆盖一个字符的局部范围太小会把笔画内部掏空太大就退化成全局阈值。常数 10 是从邻域均值里减去的偏移值越大字符越粗。这两个参数需要按实际图片分辨率微调没有万能值。4.2 垂直投影法切字符七个字符怎么分开国内蓝牌是 7 个字符省份简称 字母 5 位数字字母混合字符之间有固定间隙。垂直投影法统计每一列白色像素数量投影值低的列就是字符间隙。# 垂直投影 projection np.sum(binary, axis0) / 255 # 找字符边界 chars [] in_char False start 0 for i, val in enumerate(projection): if val 2 and not in_char: # 进入字符 in_char True start i elif val 2 and in_char: # 离开字符 in_char False if i - start 5: # 过滤太窄的噪点 chars.append((start, i)) print(切出字符数:, len(chars))逻辑说明投影阈值 2 是经验值表示这一列至少有 2 个白色像素才算字符。i - start 5过滤掉宽度小于 5 像素的噪点。切出来字符数不一定是 7可能多可能少多是因为车牌边框或铆钉被当成字符少是因为字符粘连。常见做法是如果切出多于 7 个按宽度排序取前 7 个如果少于 7 个说明二值化或投影阈值需要调。4.3 模板匹配识别字符归一化 逐像素比对识别环节毕业设计里最稳的是模板匹配把切出的字符缩放到统一尺寸和预制的字符模板逐一比对取相似度最高的。def match_char(char_img, templates): # 统一缩放到 20x40 char_resized cv2.resize(char_img, (20, 40)) best_char ? best_score -1 for label, tmpl in templates.items(): tmpl_resized cv2.resize(tmpl, (20, 40)) # 归一化互相关 score cv2.matchTemplate(char_resized, tmpl_resized, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score score best_char label return best_char, best_score逻辑说明matchTemplate在模板和图像同尺寸时返回 1x1 矩阵取[0][0]就是相似度。TM_CCOEFF_NORMED输出 -1 到 1越接近 1 越像。模板需要提前准备每个字符0-9、A-Z、省份简称各一张二值图放在字典里。这个方法的边界很明显字体变化、字符破损、光照差异都会拉低准确率所以实际项目里常配合ddddocr这类轻量 OCR 库兜底。注意ddddocr未安装时会报导入错误需要单独pip install ddddocr。5. 颜色识别与 GUI 界面让结果能看、能点、能演示5.1 车牌颜色判断HSV 均值 区间归类颜色识别不是简单看几个像素而是对车牌区域做 HSV 统计取色相中位数再归类到蓝、黄、绿、白、黑。def detect_color(plate_bgr): hsv cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2HSV) h hsv[:, :, 0].flatten() s hsv[:, :, 1].flatten() v hsv[:, :, 2].flatten() # 过滤掉低饱和度的像素可能是白字或反光 valid s 60 if valid.sum() 10: return 未知 h_median np.median(h[valid]) if 100 h_median 124: return 蓝色 elif 26 h_median 34: return 黄色 elif 35 h_median 85: return 绿色 else: return 其他逻辑说明先按饱和度过滤只统计有颜色的像素避免白色字符拉偏结果。取中位数而不是均值是因为中位数对反光点更鲁棒。色相区间是 OpenCV 的 0-179 刻度蓝色 100-124、黄色 26-34、绿色 35-85 是常用范围实际图片可能需要微调边界。这个函数返回的是颜色标签和字符识别结果拼在一起就是完整输出。5.2 Tkinter 界面三个按钮 一个结果区毕业设计要「有界面」Tkinter 是 Python 自带、零依赖的选择。界面不用花哨能选图、能显示原图和处理结果、能输出识别文本就够。import tkinter as tk from tkinter import filedialog from PIL import Image, ImageTk import cv2 class LPRApp: def __init__(self, root): self.root root self.root.title(车牌识别系统) self.root.geometry(800x600) self.btn_open tk.Button(root, text选择图片, commandself.open_image) self.btn_open.pack(pady10) self.btn_run tk.Button(root, text开始识别, commandself.run_lpr) self.btn_run.pack(pady10) self.label_img tk.Label(root) self.label_img.pack() self.label_result tk.Label(root, text识别结果, font(Arial, 16)) self.label_result.pack(pady20) self.img_path None def open_image(self): self.img_path filedialog.askopenfilename( filetypes[(图片, *.jpg *.png *.jpeg)]) if self.img_path: img Image.open(self.img_path) img img.resize((400, 300)) self.tk_img ImageTk.PhotoImage(img) self.label_img.config(imageself.tk_img) def run_lpr(self): if not self.img_path: return # 这里调用前面写好的识别链路 result 京A·12345 蓝色 # 占位实际替换为识别函数返回值 self.label_result.config(text识别结果 result) if __name__ __main__: root tk.Tk() app LPRApp(root) root.mainloop()逻辑说明filedialog.askopenfilename弹出文件选择框ImageTk.PhotoImage把 PIL 图像转成 Tkinter 能显示的格式。run_lpr里应该调用第 3、4 章写好的定位、分割、识别函数把结果拼成字符串显示。注意 Tkinter 和 OpenCV 的图像格式不同OpenCV 是 BGR ndarrayPIL 是 RGB Image转换时要用cv2.cvtColor换通道。界面线程和识别计算如果在同一线程大图会卡界面简单做法是识别前先root.update()刷新一下。6. 避坑与排查那些让车牌识别翻车的细节6.1 读图返回 None后面全崩现象cv2.imread不报错但返回 None后续cvtColor直接抛异常。 原因路径含中文、文件不存在、或者图片格式实际不是 jpg 但扩展名写成了 jpg。 解决读图后立刻判空路径统一用英文或者用np.fromfileimdecode处理中文路径。6.2 轮廓层级参数用错字符轮廓混进车牌轮廓现象车牌定位时找到一堆小轮廓把字符当成车牌。 原因findContours用了RETR_TREE或RETR_LIST保留了内部轮廓。 解决定位阶段用RETR_EXTERNAL只取外层字符分割阶段再用RETR_EXTERNAL在车牌区域内找。6.3 自适应阈值 blockSize 设成偶数直接报错现象cv2.adaptiveThreshold抛Assertion failed。 原因blockSize必须是大于 1 的奇数。 解决写死 19、21、25 这类奇数或者用blockSize blockSize if blockSize % 2 1 else blockSize 1兜底。6.4 模板匹配准确率低换个字体就废现象训练集里识别好好的换一张新图字符全错。 原因模板匹配对字体、缩放、笔画粗细极度敏感泛化能力弱。 解决模板做多套不同字体、不同粗细或者引入ddddocr做二次识别两者结果不一致时取置信度高的。注意ddddocr未安装会报ModuleNotFoundError需要单独装。6.5 界面卡死点按钮没反应现象点「开始识别」后窗口无响应几秒后才出结果。 原因识别计算在主线程执行阻塞了 Tkinter 事件循环。 解决把识别放到子线程用threading.Thread启动识别完通过root.after回主线程更新界面。简单场景也可以在计算前调root.update_idletasks()让界面先刷新。7. 进阶技巧用 ddddocr 兜底 批量测试脚本模板匹配的准确率天花板不高实际交付时我一般会加一层ddddocr兜底。它不是万能的但对印刷体字符的识别率比手写模板稳得多而且安装简单。import ddddocr ocr ddddocr.DdddOcr(show_adFalse) def ocr_fallback(char_img): # char_img 是 OpenCV 的 ndarray需要编码成 bytes _, buf cv2.imencode(.jpg, char_img) result ocr.classification(buf.tobytes()) return result逻辑说明DdddOcr初始化时show_adFalse关掉启动广告输出。classification接收 bytes所以先用imencode把 ndarray 编码成 jpg 字节流。这个兜底策略的用法是模板匹配置信度低于 0.6 时调ocr_fallback再识别一次两个结果都记录下来人工核对时能看出哪套更准。批量测试是验证识别链路稳定性的关键。单张图跑通不代表方案可用我习惯准备 20 到 50 张不同光照、不同角度的车牌图写个脚本批量跑统计定位成功率和字符准确率。import os import cv2 test_dir test_images total 0 locate_ok 0 for fname in os.listdir(test_dir): if not fname.lower().endswith((.jpg, .png)): continue total 1 path os.path.join(test_dir, fname) img cv2.imread(path) if img is None: print(f{fname}: 读图失败) continue # 调用定位函数返回车牌区域或 None plate locate_plate(img) if plate is not None: locate_ok 1 print(f{fname}: 定位成功, 尺寸 {plate.shape}) else: print(f{fname}: 定位失败) print(f定位成功率: {locate_ok}/{total} {locate_ok/total*100:.1f}%)逻辑说明locate_plate是前面颜色分割加轮廓筛选封装成的函数。批量跑完看成功率低于 70% 说明参数需要系统性调整通常是 HSV 范围或面积阈值的问题。这个脚本的价值在于把「感觉能跑」变成「数据说话」答辩时拿得出成功率数字比空口说「效果不错」有说服力。参数调优上我自己的习惯是先固定形态学核大小再调 HSV 范围最后调面积和长宽比阈值。顺序反了会互相干扰调一个动全身。另外测试图集要覆盖白天、夜晚、顺光、逆光、正拍、斜拍这几种情况只拿一张清晰正拍图调出来的参数换张夜景图大概率翻车。这套方案值不值得做取决于你的目标如果是要一套能讲清图像处理全链路、有界面、能演示的毕业设计它完全够用如果是要产线级精度那得往深度学习方向走传统方法的天花板就在那里。希望帮到你。本文还有配套的精品资源点击获取
Python+OpenCV车牌识别实战：从图像处理到GUI界面完整链路
简介这是一份面向计算机视觉入门者与毕业设计学生的车牌识别实战源码基于Python与OpenCV实现并配有图形化操作界面可用于智能交通、停车场管理等场景的课程设计或项目练手。压缩包共约2000个文件整体26.85MB以16414张jpg图片作为训练与测试样本另有7个py脚本承载预处理、车牌定位、字符分割与识别逻辑4个xml与2个dat模型文件支撑分类与OCR1个ui文件配合界面布局并附带md说明文档。资源完整呈现了从图像灰度化、边缘检测、车牌定位到颜色区分与字符识别的处理链路界面部分支持上传图片并查看识别结果源码按功能模块组织便于理解与二次修改。目前已有1875人学习下载适合希望打通OpenCV图像处理与UI交互、快速搭建可演示车牌识别系统的读者参考。1. 从一张停车场照片说起PythonOpenCV车牌识别到底能跑多快手头有一张地下车库入口的抓拍图光线偏暗、车牌略倾斜用 Python 加 OpenCV 从读图到输出「京A·12345蓝色」这条结果在普通笔记本上大概 200 毫秒。这个数字是我自己反复测出来的不是理论值。车牌识别这个方向之所以在毕业设计里年年有人做核心原因就一条它把图像处理、形态学、轮廓查找、字符分割、颜色空间转换这些 OpenCV 基础能力串成了一条完整链路做完能讲清楚每一环在干什么而不是调个库就交差。这篇笔记面向两类人一是正在做计算机毕业设计、需要一套能跑通、能讲清、能改参数的 PythonOpenCV 车牌识别源码二是刚入门 OpenCV 图像处理项目、想找一个有界面、有颜色判断、能当练手模板的实战案例。下面按「环境怎么搭 → 车牌怎么定位 → 字符怎么切 → 颜色怎么判 → 界面怎么接 → 坑在哪」的顺序把每一步的参数和翻车点都摊开讲。2. 环境搭建与最小可跑通链路Python、OpenCV、NumPy 三件套2.1 为什么选 OpenCV 而不是别的视觉库做车牌识别选型其实就三条路OpenCV、Halcon、深度学习框架自训练。Halcon 和 OpenCV 的区别在于前者是商业授权、算子封装更厚适合产线级部署OpenCV 免费、Python 绑定成熟、社区示例多毕业设计阶段完全够用。深度学习方案比如 YOLO 检测车牌 CRNN 识别字符精度更高但训练数据、标注、GPU 环境三座大山压下来本科毕设周期内很容易翻车。所以常见做法是用 OpenCV 做传统图像处理链路把车牌定位、字符分割讲透识别环节用模板匹配或轻量 OCR 兜底。这样代码量可控答辩时每一行都能解释。2.2 安装与验证避开 ModuleNotFoundError 和 cv2.error新手最容易卡在第一步。ModuleNotFoundError: No module named opencv和cv2.error: OpenCV(4.4.0) ...这两个报错几乎每个做 OpenCV 图像处理项目的人都见过。前者是包没装对后者多半是版本和 NumPy 不兼容或者读图路径里有中文。# 建议用虚拟环境避免污染全局 python -m venv lpr_env # Windows 激活 lpr_env\Scripts\activate # macOS / Linux 激活 source lpr_env/bin/activate # 安装三件套指定版本区间更稳 pip install opencv-python4.8.1.78 pip install numpy1.24.3 pip install pillow10.0.0装完立刻验证别等到写了几百行才发现 cv2 导不进来import cv2 import numpy as np print(OpenCV 版本:, cv2.__version__) print(NumPy 版本:, np.__version__) # 读一张测试图路径不要带中文 img cv2.imread(test_car.jpg) if img is None: print(读图失败检查路径或文件名是否含中文) else: print(图像尺寸:, img.shape) # (高, 宽, 通道)逻辑说明cv2.imread返回 None 是最常见的「黑匣子」现象不报错但后面全崩。参数上imread第二个参数默认是IMREAD_COLOR读进来是 BGR 三通道不是 RGB这一点后面做颜色判断时必须记住。如果路径含中文Windows 下 OpenCV 会读失败解决办法是用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)绕过去。提示安装 OpenCV 时不要同时装opencv-python和opencv-contrib-python的不同版本会互相覆盖导致 cv2.error。二选一即可需要 SIFT 等扩展算子就装 contrib 版。2.3 最小可跑通链路读图 → 灰度 → 边缘 → 找轮廓在正式写车牌定位之前先跑通一条最小链路确认环境没问题、图像能处理、轮廓能画出来。import cv2 import numpy as np img cv2.imread(test_car.jpg) if img is None: raise FileNotFoundError(图片没读到检查路径) # 转灰度减少计算量 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊压掉噪点参数 (5,5) 是核大小必须奇数 blur cv2.GaussianBlur(gray, (5, 5), 0) # Canny 边缘检测双阈值低阈值:高阈值 常见 1:2 或 1:3 edges cv2.Canny(blur, 50, 150) # 找轮廓 contours, _ cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) print(找到轮廓数:, len(contours)) # 把轮廓画出来看看 vis img.copy() cv2.drawContours(vis, contours, -1, (0, 0, 255), 2) cv2.imwrite(contours_debug.jpg, vis)逻辑说明GaussianBlur的核大小必须是奇数写偶数会直接报错。Canny的双阈值决定边缘的松紧50/150 是通用起点车牌场景如果边缘太碎就调高边缘断太多就调低。findContours在 OpenCV 4.x 里返回两个值轮廓列表、层级OpenCV 3.x 返回三个值网上老代码抄过来会报「too many values to unpack」这是版本差异的经典坑。参数RETR_TREE保留完整层级CHAIN_APPROX_SIMPLE只存拐点省内存。3. 车牌定位颜色分割 形态学 轮廓筛选三步走3.1 颜色分割HSV 空间比 RGB 靠谱在哪车牌定位有两条主流路线一是基于边缘和形态学找矩形二是基于颜色分割。国内车牌底色以蓝、黄、绿为主蓝色车牌占比最高所以先用 HSV 颜色空间把蓝色区域抠出来再在候选区域里找矩形命中率比纯边缘法高不少。RGB 三个通道受光照影响大HSV 把色相H、饱和度S、明度V分开调阈值时只动 H 就能锁定颜色光照变化主要影响 V鲁棒性更好。import cv2 import numpy as np img cv2.imread(test_car.jpg) hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌 HSV 范围H 在 OpenCV 里是 0-179 lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 形态学闭运算把车牌内部字符造成的空洞填上 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) cv2.imwrite(blue_mask.jpg, mask)逻辑说明inRange输出的是二值掩膜白色是命中区域。H 范围 100-124 覆盖蓝色S 和 V 下限设 80 是为了排除灰暗和发白的区域。闭运算的核(17,5)是横向长条因为车牌是扁的横向连接比纵向更重要。这个核大小不是固定的图里车牌越小核要相应调小否则会把相邻车牌或车身蓝色区域连成一片。3.2 形态学处理与轮廓筛选长宽比和面积是硬指标拿到掩膜后找轮廓然后按车牌的长宽比和面积过滤。国内单层蓝牌长宽比大约 3:1 到 4:1面积不能太小也不能占满整张图。contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: area cv2.contourArea(cnt) if area 2000: # 太小的直接丢 continue x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) if 2.5 ratio 5.0: # 长宽比落在车牌区间 candidates.append((x, y, w, h)) # 按面积排序取最大的当车牌 candidates.sort(keylambda b: b[2] * b[3], reverseTrue) if candidates: x, y, w, h candidates[0] plate img[y:yh, x:xw] cv2.imwrite(plate_crop.jpg, plate) print(车牌区域:, x, y, w, h)逻辑说明RETR_EXTERNAL只取最外层轮廓避免车牌内部字符轮廓干扰。面积阈值 2000 是经验值图片分辨率越高这个值要越大建议按图像总面积的千分之一到千分之五来估。长宽比 2.5 到 5.0 是留了余量因为车牌倾斜时外接矩形会变形。排序取最大面积是简化策略实际场景里如果图中有多个蓝色物体需要再加位置约束比如车牌通常在图像下半部分。3.3 倾斜校正最小外接矩形 仿射变换车牌有倾斜角时直接裁外接矩形会带进背景字符分割会受影响。用minAreaRect拿到带角度的矩形再做仿射变换摆正。rect cv2.minAreaRect(cnt) # 返回 (中心点, (宽,高), 角度) box cv2.boxPoints(rect) box np.int0(box) # 取角度注意 OpenCV 版本差异4.5 之后角度定义有调整 angle rect[-1] if angle -45: angle 90 angle # 计算旋转矩阵并校正 (h, w) img.shape[:2] center (w // 2, h // 2) M cv2.getRotationMatrix2D(center, angle, 1.0) rotated cv2.warpAffine(img, M, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)逻辑说明minAreaRect返回的角度在不同 OpenCV 版本里定义不一致4.5 之前和之后有变化这是血泪经验——同一段代码换台机器结果就变了。稳妥做法是判断角度绝对值超过 45 度就做补偿。warpAffine的borderMode用BORDER_REPLICATE避免旋转后出现黑边影响后续处理。校正后再重新走一遍颜色分割和轮廓筛选拿到水平车牌。4. 字符分割与识别从二值化到模板匹配的完整链路4.1 灰度化 自适应阈值为什么不用全局阈值车牌区域裁出来后下一步是把字符和底色分开。全局阈值cv2.threshold固定值在光照均匀时能用但车牌常有反光、阴影固定阈值会一半字符丢失。自适应阈值按局部邻域算阈值对光照不均更稳。plate_gray cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY) # 自适应阈值blockSize 必须是奇数 binary cv2.adaptiveThreshold(plate_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 19, 10) cv2.imwrite(plate_binary.jpg, binary)逻辑说明THRESH_BINARY_INV让字符变白、底色变黑方便后续找字符轮廓。blockSize19是邻域大小车牌字符笔画宽度大概几个像素19 能覆盖一个字符的局部范围太小会把笔画内部掏空太大就退化成全局阈值。常数 10 是从邻域均值里减去的偏移值越大字符越粗。这两个参数需要按实际图片分辨率微调没有万能值。4.2 垂直投影法切字符七个字符怎么分开国内蓝牌是 7 个字符省份简称 字母 5 位数字字母混合字符之间有固定间隙。垂直投影法统计每一列白色像素数量投影值低的列就是字符间隙。# 垂直投影 projection np.sum(binary, axis0) / 255 # 找字符边界 chars [] in_char False start 0 for i, val in enumerate(projection): if val 2 and not in_char: # 进入字符 in_char True start i elif val 2 and in_char: # 离开字符 in_char False if i - start 5: # 过滤太窄的噪点 chars.append((start, i)) print(切出字符数:, len(chars))逻辑说明投影阈值 2 是经验值表示这一列至少有 2 个白色像素才算字符。i - start 5过滤掉宽度小于 5 像素的噪点。切出来字符数不一定是 7可能多可能少多是因为车牌边框或铆钉被当成字符少是因为字符粘连。常见做法是如果切出多于 7 个按宽度排序取前 7 个如果少于 7 个说明二值化或投影阈值需要调。4.3 模板匹配识别字符归一化 逐像素比对识别环节毕业设计里最稳的是模板匹配把切出的字符缩放到统一尺寸和预制的字符模板逐一比对取相似度最高的。def match_char(char_img, templates): # 统一缩放到 20x40 char_resized cv2.resize(char_img, (20, 40)) best_char ? best_score -1 for label, tmpl in templates.items(): tmpl_resized cv2.resize(tmpl, (20, 40)) # 归一化互相关 score cv2.matchTemplate(char_resized, tmpl_resized, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score score best_char label return best_char, best_score逻辑说明matchTemplate在模板和图像同尺寸时返回 1x1 矩阵取[0][0]就是相似度。TM_CCOEFF_NORMED输出 -1 到 1越接近 1 越像。模板需要提前准备每个字符0-9、A-Z、省份简称各一张二值图放在字典里。这个方法的边界很明显字体变化、字符破损、光照差异都会拉低准确率所以实际项目里常配合ddddocr这类轻量 OCR 库兜底。注意ddddocr未安装时会报导入错误需要单独pip install ddddocr。5. 颜色识别与 GUI 界面让结果能看、能点、能演示5.1 车牌颜色判断HSV 均值 区间归类颜色识别不是简单看几个像素而是对车牌区域做 HSV 统计取色相中位数再归类到蓝、黄、绿、白、黑。def detect_color(plate_bgr): hsv cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2HSV) h hsv[:, :, 0].flatten() s hsv[:, :, 1].flatten() v hsv[:, :, 2].flatten() # 过滤掉低饱和度的像素可能是白字或反光 valid s 60 if valid.sum() 10: return 未知 h_median np.median(h[valid]) if 100 h_median 124: return 蓝色 elif 26 h_median 34: return 黄色 elif 35 h_median 85: return 绿色 else: return 其他逻辑说明先按饱和度过滤只统计有颜色的像素避免白色字符拉偏结果。取中位数而不是均值是因为中位数对反光点更鲁棒。色相区间是 OpenCV 的 0-179 刻度蓝色 100-124、黄色 26-34、绿色 35-85 是常用范围实际图片可能需要微调边界。这个函数返回的是颜色标签和字符识别结果拼在一起就是完整输出。5.2 Tkinter 界面三个按钮 一个结果区毕业设计要「有界面」Tkinter 是 Python 自带、零依赖的选择。界面不用花哨能选图、能显示原图和处理结果、能输出识别文本就够。import tkinter as tk from tkinter import filedialog from PIL import Image, ImageTk import cv2 class LPRApp: def __init__(self, root): self.root root self.root.title(车牌识别系统) self.root.geometry(800x600) self.btn_open tk.Button(root, text选择图片, commandself.open_image) self.btn_open.pack(pady10) self.btn_run tk.Button(root, text开始识别, commandself.run_lpr) self.btn_run.pack(pady10) self.label_img tk.Label(root) self.label_img.pack() self.label_result tk.Label(root, text识别结果, font(Arial, 16)) self.label_result.pack(pady20) self.img_path None def open_image(self): self.img_path filedialog.askopenfilename( filetypes[(图片, *.jpg *.png *.jpeg)]) if self.img_path: img Image.open(self.img_path) img img.resize((400, 300)) self.tk_img ImageTk.PhotoImage(img) self.label_img.config(imageself.tk_img) def run_lpr(self): if not self.img_path: return # 这里调用前面写好的识别链路 result 京A·12345 蓝色 # 占位实际替换为识别函数返回值 self.label_result.config(text识别结果 result) if __name__ __main__: root tk.Tk() app LPRApp(root) root.mainloop()逻辑说明filedialog.askopenfilename弹出文件选择框ImageTk.PhotoImage把 PIL 图像转成 Tkinter 能显示的格式。run_lpr里应该调用第 3、4 章写好的定位、分割、识别函数把结果拼成字符串显示。注意 Tkinter 和 OpenCV 的图像格式不同OpenCV 是 BGR ndarrayPIL 是 RGB Image转换时要用cv2.cvtColor换通道。界面线程和识别计算如果在同一线程大图会卡界面简单做法是识别前先root.update()刷新一下。6. 避坑与排查那些让车牌识别翻车的细节6.1 读图返回 None后面全崩现象cv2.imread不报错但返回 None后续cvtColor直接抛异常。 原因路径含中文、文件不存在、或者图片格式实际不是 jpg 但扩展名写成了 jpg。 解决读图后立刻判空路径统一用英文或者用np.fromfileimdecode处理中文路径。6.2 轮廓层级参数用错字符轮廓混进车牌轮廓现象车牌定位时找到一堆小轮廓把字符当成车牌。 原因findContours用了RETR_TREE或RETR_LIST保留了内部轮廓。 解决定位阶段用RETR_EXTERNAL只取外层字符分割阶段再用RETR_EXTERNAL在车牌区域内找。6.3 自适应阈值 blockSize 设成偶数直接报错现象cv2.adaptiveThreshold抛Assertion failed。 原因blockSize必须是大于 1 的奇数。 解决写死 19、21、25 这类奇数或者用blockSize blockSize if blockSize % 2 1 else blockSize 1兜底。6.4 模板匹配准确率低换个字体就废现象训练集里识别好好的换一张新图字符全错。 原因模板匹配对字体、缩放、笔画粗细极度敏感泛化能力弱。 解决模板做多套不同字体、不同粗细或者引入ddddocr做二次识别两者结果不一致时取置信度高的。注意ddddocr未安装会报ModuleNotFoundError需要单独装。6.5 界面卡死点按钮没反应现象点「开始识别」后窗口无响应几秒后才出结果。 原因识别计算在主线程执行阻塞了 Tkinter 事件循环。 解决把识别放到子线程用threading.Thread启动识别完通过root.after回主线程更新界面。简单场景也可以在计算前调root.update_idletasks()让界面先刷新。7. 进阶技巧用 ddddocr 兜底 批量测试脚本模板匹配的准确率天花板不高实际交付时我一般会加一层ddddocr兜底。它不是万能的但对印刷体字符的识别率比手写模板稳得多而且安装简单。import ddddocr ocr ddddocr.DdddOcr(show_adFalse) def ocr_fallback(char_img): # char_img 是 OpenCV 的 ndarray需要编码成 bytes _, buf cv2.imencode(.jpg, char_img) result ocr.classification(buf.tobytes()) return result逻辑说明DdddOcr初始化时show_adFalse关掉启动广告输出。classification接收 bytes所以先用imencode把 ndarray 编码成 jpg 字节流。这个兜底策略的用法是模板匹配置信度低于 0.6 时调ocr_fallback再识别一次两个结果都记录下来人工核对时能看出哪套更准。批量测试是验证识别链路稳定性的关键。单张图跑通不代表方案可用我习惯准备 20 到 50 张不同光照、不同角度的车牌图写个脚本批量跑统计定位成功率和字符准确率。import os import cv2 test_dir test_images total 0 locate_ok 0 for fname in os.listdir(test_dir): if not fname.lower().endswith((.jpg, .png)): continue total 1 path os.path.join(test_dir, fname) img cv2.imread(path) if img is None: print(f{fname}: 读图失败) continue # 调用定位函数返回车牌区域或 None plate locate_plate(img) if plate is not None: locate_ok 1 print(f{fname}: 定位成功, 尺寸 {plate.shape}) else: print(f{fname}: 定位失败) print(f定位成功率: {locate_ok}/{total} {locate_ok/total*100:.1f}%)逻辑说明locate_plate是前面颜色分割加轮廓筛选封装成的函数。批量跑完看成功率低于 70% 说明参数需要系统性调整通常是 HSV 范围或面积阈值的问题。这个脚本的价值在于把「感觉能跑」变成「数据说话」答辩时拿得出成功率数字比空口说「效果不错」有说服力。参数调优上我自己的习惯是先固定形态学核大小再调 HSV 范围最后调面积和长宽比阈值。顺序反了会互相干扰调一个动全身。另外测试图集要覆盖白天、夜晚、顺光、逆光、正拍、斜拍这几种情况只拿一张清晰正拍图调出来的参数换张夜景图大概率翻车。这套方案值不值得做取决于你的目标如果是要一套能讲清图像处理全链路、有界面、能演示的毕业设计它完全够用如果是要产线级精度那得往深度学习方向走传统方法的天花板就在那里。希望帮到你。本文还有配套的精品资源点击获取