简介面向毕业设计与智能视觉入门的一款车牌识别系统完整源码包基于Python与OpenCV实现并引入HyperLPR提升识别准确率适合高校学生、开发者用于课程设计、毕设演示或二次开发。资源覆盖多场景识别能力支持本地图片、网络图片地址、实时截图与摄像头拍照识别同时集成车牌搜索、对比识别、数据库认证与图文检索等功能并自适应窗口显示方便直接观察结果。包内共119个文件约22.37MB核心为18个Python脚本配合49张JPG与33张PNG测试图、OpenCV的SVM数据文件、Dockerfile及环境配置可快速构建可复现的运行环境另含Markdown说明文档、GIF演示动图与运行脚本便于对照学习与排错。项目代码按模块组织从模型加载、图像预处理到车牌定位与字符识别均可单独调用适合在已有框架上做功能扩展。整个项目目录结构清晰已有412人学习下载是快速跑通车牌识别流程并理解工程化结构的实用参考。1. 车牌识别系统听起来简单但你的毕业设计能不能跑起来是另一回事每年毕设季都能看到一堆选车牌识别系统的同学以为调几个 OpenCV 函数就能交差。实际做起来却发现Python 版本不对装不上 cv2HSV 阈值调了半天定位不准好不容易识别出来连自己的车牌照片都认错。这个项目的价值不只是给你一堆源码而是告诉你一条能落地的路径图像预处理为什么这么写车牌定位为什么选颜色而不是边缘字符分割怎么躲开车牌铆钉的干扰以及最后那个“项目运行说明”怎么写才能让评审老师三分钟跑起来。这套东西适合课程设计、毕业设计也适合想用 OpenCV 入门计算机视觉的开发者。下面从技术原理开始一步步把这条路径打通。2. 车牌识别系统的技术拆解定位、分割、识别三步中 OpenCV 帮你扛住哪几步车牌识别系统中讲白了就是三个问题车牌在哪里、车牌上有哪几个字符、每个字符是什么。OpenCV 在每一步都有成熟解法但选型错误会让你后面疯狂返工。这一章先把原理讲透后一章再给可运行的代码。2.1 车牌定位边缘检测、颜色空间、级联分类器三条路怎么选车牌定位是整套系统的基石。定位不准后面分割识别全白干。常见的定位思路有三条边缘检测、颜色空间、级联分类器Haar Cascade。边缘检测的思路是利用车牌边框和背景之间的灰度突变。常见做法是高斯模糊后用 Sobel 算子检测垂直边缘因为车牌字符和边框会产生大量垂直边缘。然后做二值化、形态学闭运算把相邻边缘连成连通域再用轮廓外接矩形的长宽比筛选出车牌区域。这条思路对光线均匀、背景简单的图像效果好而且计算量小。但问题也很明显车头有散热格栅、车灯、保险杠边缘这些都会产生强垂直边缘容易误检。我当年用 Sobel 定位在一张白色车身上反复找到好几块“假车牌”。颜色空间定位是中文蓝牌识别最实用的路线。中国车牌以蓝色为主在 HSV 颜色空间里蓝色的色调范围比较稳定用cv2.inRange做一个阈值掩膜就能把蓝色像素区域单独提出来。然后对掩膜做闭运算和轮廓查找再按面积和矩形度筛掉干扰。这条路线对单张图片最稳但依赖 HSV 阈值的准确性而且阳光直射下蓝色会偏白阴影里会偏暗需要把阈值范围放宽到“宁可多检不能漏检”。Haar Cascade 是传统机器学习路线需要准备大量车牌正样本和非车牌负样本训练分类器。OpenCV 自带训练好的haarcascade_russian_plate_number.xml但那是俄罗斯车牌直接拿来识别中国车牌基本不可用。自己训练的话样本采集、标注、训练参数调优的工作量远超毕设范围。我的建议是毕设选颜色空间定位为主边缘检测作为备选和对比实验Haar Cascade 一句话带过即可答辩时导师不会因此为难你。2.2 字符分割投影法 vs 连通域分析哪种不容易被车牌铆钉干扰定位到车牌区域后要把七个字符逐个切开。字符分割最常用的方法是垂直投影法把车牌区域二值化统计每一列白色像素的数量像素少的列就是字符之间的间隙。这个方法思路简单但怕两种干扰一是车牌边框和铆钉二是字符本身笔画断裂比如“苏”字如果二值化阈值不好偏旁可能断成好几块。很多人用投影法时一个“京”字被分裂成两个字符最终导致识别结果多出一位码。更稳的做法是连通域分析。对二值化后的车牌区域用cv2.findContours找每一个白色连通区域然后按轮廓外接矩形的面积、宽度、高度进行过滤。正常字符的高度占车牌高度的 60% 到 90%宽度占 10% 到 30%而且七个字符之间的排列比较规律。我把这些几何约束写死就能把字符轮廓一个个提出来。不过连通域分析也有坑如果两个字符粘连比如二值化过粗它们会变成一个连通域。所以二值化之前必须做好预处理比如使用自适应阈值或形态学开运算去掉细微噪声。分割时还有一道工序把车牌区域从倾斜矫正为水平。中文车牌在摄像头下大概率不是正对着的直接分割水平投影会乱套。常见做法是用cv2.minAreaRect拿到车牌最小外接矩形的旋转角度然后按角度旋转图像或用透视变换把车牌拉正。这一步在代码阶段就可以做成一个独立函数方便反复测试。2.3 字符识别模板匹配能毕业深度学习作为加分项字符识别是最后一步也是最容易被人拿来对比“技术含量”的一步。模板匹配的思路很简单准备 0-9 和各省简称、字母的图片模板把待识别字符归一化成相同尺寸然后计算模板和字符的相似度取最高分对应的模板作为识别结果。为什么毕设推荐模板匹配第一是可控每个字符的识别结果你都能看到匹配度分数答辩时能直接解释“这个字符和模板的相似度是 0.85超过了阈值所以识别为‘A’”。第二是代码量少cv2.matchTemplate一行就能算相似度。第三是模板可以自己截图制作不需要额外数据集。但模板匹配的缺点也很致命它对字体、粗细、噪声非常敏感。同一辆车的车牌夏天和冬天拍出来的字符边缘可能差好几个像素。模板是标准车管所字体而实际车牌字符可能因为磨损和污渍变化很大。为了缓解这个问题可以准备多个模板池例如把“A”的两种粗细、三个不同角度都放进去取最高分。也可以先把字符做形态学细化让模板和待识别字符在结构上更接近。如果你想在毕设里加一点深度学习最稳妥的替代方案是 SVM。用 HOG 特征提取字符的边缘梯度信息再训练一个分类器。这样既能避开“模板匹配太简单”的质疑又不像卷积神经网络那样需要大量数据和 GPU 训练时间。但如果你的毕设开题已经定了“基于 OpenCV 的车牌识别”我劝你安心用模板匹配把精力放在系统的稳定性和异常处理上这东西比模型精度更能让评委给出好评价。3. 用 PythonOpenCV 跑通车牌识别最小系统定位到识别的完整代码光说不练是假把式。这一章给出一套可以直接复制改用的最小实现。我按处理流程拆成三个代码块每段后面说明逻辑和参数方便你按自己的图片调。3.1 图像预处理与蓝色车牌定位核心代码先读图、缩放、转 HSV、存取蓝色掩膜然后通过闭运算联通相邻区域。这段代码的输出是一个二值掩膜后续所有流程都依赖它。import cv2 import numpy as np def locate_license_plate(image): # 统一宽度避免原图过大导致轮廓太多 image cv2.resize(image, (600, int(image.shape[0] * 600 / image.shape[1]))) hsv cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 蓝色车牌 HSV 范围H 100~124S 80~255V 34~255 # 阳光强时可以提高 V 的下限阴天时降低 S 的下限 mask cv2.inRange(hsv, (100, 80, 34), (124, 255, 255)) # 闭运算先膨胀再腐蚀填满字符间的空隙 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 查找外部轮廓 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) car_plate_contour None for cnt in contours: x, y, w, h cv2.boundingRect(cnt) area w * h # 最小面积和长宽比约束车牌宽高比约 3:1 到 4.5:1 if area 1000: continue if 2.5 w / h 5.5: car_plate_contour cnt break if car_plate_contour is None: return None, None, mask x, y, w, h cv2.boundingRect(car_plate_contour) return image[y:y h, x:x w], (x, y, w, h), maskcv2.inRange的阈值是车牌定位的命门。如果你拍的是新能源绿色车牌需要把色相范围改成绿色区间H 约 35~77。闭运算的核大小 (17, 5) 是经验值核太大会把不相干的蓝色物体连在一起太小又填不住字符间隙。RETR_EXTERNAL只取最外层轮廓避免了车标、车窗边框等内部轮廓的干扰。长宽比约束里没有卡得太死因为车牌在倾斜时外接矩形的宽高比会变小如果硬卡 3:1倾斜角度稍大就找不到。3.2 车牌区域矫正与字符分割的代码实现拿到车牌区域后先用最小外接矩形判断它是否倾斜然后做透视变换拉正。拉正后的车牌经过灰度化和二值化再用连通域分析切割出字符。def correct_and_split(plate_img): # 如果车牌区域本身不是矩形先转灰度并找最小外接矩形 gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary_plate cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 用白色像素的轮廓最小外接矩形计算旋转角 contours, _ cv2.findContours(binary_plate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None, None rect cv2.minAreaRect(max(contours, keycv2.contourArea)) angle rect[2] if angle 45: angle angle - 90 # 旋转车牌区域让字符水平对齐 matrix cv2.getRotationMatrix2D((plate_img.shape[1] / 2, plate_img.shape[0] / 2), angle, 1.0) rotated cv2.warpAffine(plate_img, matrix, (plate_img.shape[1], plate_img.shape[0])) # 再对旋转后的图像做一次二值化用于字符分割 gray cv2.cvtColor(rotated, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 去边框去掉上下左右边缘最外层的白色连接区域 binary[0:2, :] 0 binary[-2:, :] 0 binary[:, 0:2] 0 binary[:, -2:] 0 # 查找所有字符轮廓 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) chars [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) # 字符高度占车牌区域高度的一半以上排除噪声 if h binary.shape[0] * 0.5 and w 2: chars.append((x, y, w, h)) # 按 x 坐标排序得到从左到右的字符序列 chars.sort(keylambda c: c[0]) return rotated, chars这里cv2.threshold使用了 Otsu 自动阈值它会在双峰直方图上自动找一个分割值比手动二值化更抗光照变化。不过 Otsu 只适合车牌区域整体亮度均匀的情况如果车牌照到一半阳光一半阴影建议改用cv2.adaptiveThreshold。旋转角度的正负需要你自己打印出来看看因为minAreaRect返回的角度定义在特定象限处理不好会越转越歪。我习惯在旋转后把rotatedimshow出来验证而不是直接进下一步。去边框那四行代码是按“车牌边框与字符连通”的情况写的。如果你用的是我这种定位方式边框和字符会在二值图里连成一片不切掉边框第一个字符就会和边框粘在一起。去掉边缘后字符轮廓的宽度和高度更加规整分割准确率会明显上升。3.3 模板匹配识别与结果输出代码对每个分割出的字符缩放成与模板相同大小用cv2.matchTemplate计算相似度取最高得分对应的字符作为结果。注意字符的归一化要统一底色和缩放比例。def recognize_chars(chars, plate_width, plate_height, templates): # templates: 字典key 是字符value 是模板图片已转灰度 results [] for (x, y, w, h) in chars: # 原字符从旋转后的二值图上切出来效果更好此处直接从灰度图切 # 这里简化为使用外部传入的字符图你可以在 split 函数里保留 binary char_img binary[y:yh, x:xw] # binary 需要在外部定义或作为参数传入 # 统一尺寸为模板大小 char_img cv2.resize(char_img, (40, 80), interpolationcv2.INTER_CUBIC) best_char ? best_score -1 for ch, template in templates.items(): template_resized cv2.resize(template, (40, 80)) # 归一化相关匹配输出在 -1 到 1 之间越接近 1 越相似 score cv2.matchTemplate(char_img, template_resized, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score score best_char ch results.append(best_char) return resultscv2.matchTemplate的匹配模式里TM_CCOEFF_NORMED对光照变化最不敏感因为它会先去均值再应用相关性计算。模板匹配的阈值不是固定的我见过同一套模板在不同图片上得分差 0.2所以建议只取最高分不设硬阈值。识别结束后你可以把所有字符的得分打印出来自己看看是哪个字符和模板相似度最低再去针对它加深模板。这章代码是“最小系统”没有处理车牌定位返回None没有处理分割不到 7 个字符的情况。你在做完整项目的时候需要在这些位置加try/except和默认返回值否则一遇到异常就会整个崩掉。下一章我们专门踩这些坑。4. 车牌识别项目最容易翻车的 5 个坑现象、原因与解决办法我见过太多人把源码下载下来按 README 装依赖然后跑出一个“ModuleNotFoundError”就再没下文了。这一章把我自己和周围人踩过的坑整理成 5 条每条都按现象到原因到解决的顺序写你照着排查会省很多时间。4.1 环境安装pip 装完 cv2 却报 No module named cv2现象在命令行执行pip install opencv-python安装提示成功代码里import cv2报ModuleNotFoundError: No module named cv2。原因最常见的两种。第一你当前 Python 环境不是你 pip 安装时所在的环境比如你在系统 Python 里装了包但代码跑在 Anaconda 的虚拟环境里。第二pip 装到了用户目录而当前终端的工作目录或者 IDE 没有引用到。解决先在代码里打印一下import sys; print(sys.executable)确认解释器路径。然后在终端里用这个解释器执行python -m pip install opencv-python用-m方式让安装和解释器严格对应。如果你用的是虚拟环境记得先激活环境再安装。另外注意opencv-python 和 opencv-contrib-python 不要同时装它们会互相覆盖文件容易出这种莫名奇妙的问题。4.2 车牌定位HSV 阈值调半天结果把红色车标也当成车牌现象定位函数把车标的蓝色车标、蓝色广告牌识别成车牌打印出来的候选框有七八个最后break取到的第一个轮廓不是车牌。原因cv2.inRange的 HSV 范围太宽或者闭运算核太大把非车牌区域的蓝色像素连成了块。还有一个原因是摄像头白平衡导致蓝色偏移到了其他色调范围。解决把inRange输出的mask用cv2.imshow显示出来一边调节滑杆一边观察蓝色像素是否准确覆盖车牌。调优时不要一次性大改用“H ±10S 下限 60~90”这样的步进慢慢试。定位到多个候选区域时按面积从大到小排序然后依次用字符分割逻辑验证如果该区域内部能分出 7 个左右宽高合理的字符才认为是车牌。这个“分割验证法”比单纯看面积和长宽比可靠得多。4.3 字符分割七个字符分成八份铆钉成了第八个字符现象字符列表中多出一个高度很小的块或者“京”字的“口”和“小”被切开识别结果多一位码。原因二值化处理不够干净车牌左上角或者两个字符之间有小块白色噪声也可能是因为车牌铆钉在预处理时没有被滤掉它们的高度虽然小但宽度在 2-3 像素左右被误认为笔画。解决在过滤条件里加上“高度大于车牌高度 40% 且 宽度大于车牌高度 15%”的限制。铆钉的连通域宽度很小宽度小于字符平均宽度的 1/3 可以直接丢弃。对于字符内部断裂可尝试用cv2.morphologyEx做一次水平方向的开运算核大小 3x3把细小断裂桥接起来。分割后写一段校验代码如果字符数量不等于 7就把当前分割结果和对应图像打印到磁盘方便批量观察。4.4 模板匹配换个字体直接废训练样本不够用现象自己截模板时同一字符在不同车牌的形态差距很大。比如“A”中间那个横杠在有些车牌上很细在另一些车牌上很宽跟模板匹配分数低识别成“4”。原因模板匹配的原理决定它对形状和纹理细节敏感没有泛化能力。单个模板只能代表一种固定字体和粗细程度。解决对每个字符准备 2 到 3 个模板模板来源可以是从不同车牌上截取的同一字符也可以在单个模板上做形态学膨胀和腐蚀生成变体。识别的时候取模板池的最大值。再一个办法是把字符图像缩放到统一尺寸前先做一次骨架化cv2.ximgproc.thinning让所有字符变成单像素宽度模板匹配的鲁棒性会大幅提高。代价是识别速度慢一点但对毕设的离线图片识别来说完全够用。4.5 运行说明代码在你电脑能跑换台电脑就白屏现象把项目打包发给同学他装好依赖后运行窗口一片黑或直接报数组越界。你在他电脑上调试发现图像读取路径错了或某个临时文件目录不存在。原因运行说明里没有写明“需要把测试图片放在哪个目录”“本代码使用相对路径还是绝对路径”“是否需要先运行prepare_data.py生成字符模板”。还有可能是依赖版本差异他装的是 opencv-python 4.x而你的代码用了 3.x 才有的 API。解决在运行说明里明确列出Python 版本、OpenCV 版本、numpy 版本测试图片路径和输出路径程序入口文件是否需要联网下载额外数据。在代码里统一使用os.path.join拼接路径不要写死/home/xxx/这种绝对路径。另外在读取文件时加一个存在性判断不存在就抛出中文提示“请检查 test_images 目录是否存在”这比一个FileNotFoundError让外行人看得懂得多。5. 写好项目运行说明让评审老师三分钟跑起来你的车牌识别系统代码写完了但毕设评分里“项目可运行性”往往占三成。很多同学代码写得还行但运行说明只有一句“python main.py”结果老师换个环境直接翻车。这一章给你一个运行说明的模板照着填就能用。5.1 运行说明里必须写清的 5 个要素第一个要素是环境版本。别只写“需要 Python”要写“Python 3.8.10 opencv-python 4.5.5.64 numpy 1.21.2 imutils 0.5.4”。版本号不是玄学OpenCV 4.x 里一些函数签名改了像我之前用的cv2.findContours返回值在 OpenCV 3 和 4 就是两套写法直接拷贝老代码会在新环境报错。第二个要素是目录结构。用树形图展示license_plate_recognition/ ├── main.py # 程序入口 ├── templates/ # 字符模板图片 │ ├── A.png │ └── ... ├── test_images/ # 测试图片 ├── outputs/ # 识别结果输出 ├── requirements.txt └── README.md目录结构清晰不仅方便别人运行也方便你自己答辩时讲模块划分。注意模板目录里如果没有模板文件程序要给出提示否则又是“白屏”问题。第三个要素是启动命令。给出 Windows 和 Linux 下各一条命令然后说明执行后会看到什么输出。例如“运行成功后会在 outputs 目录生成带识别结果的车牌图片同时在终端打印识别到的车牌号码”。最好把预期的输出示例贴出来这样别人能判断自己跑的是不是成功了。第四个要素是参数可调清单。把你调过的变量列成表格说明每个参数的作用和建议范围。我可以给你一个例子参数位置建议范围说明hsv_lowerlocate_license_plate(100, 80, 34)蓝色车牌下限可随光线调整hsv_upperlocate_license_plate(124, 255, 255)蓝色车牌上限kernel_sizemorphologyEx(17, 5)闭运算核越大越容易连通区域min_overall_scorerecognize_chars0.6~0.8匹配分数阈值低于则输出未知这样别人遇到识别率低就能自己先调这几个量而不是发消息问你。最后一个要素是常见问题排查表。这个不用写多写两三条就行。比如“定位不到车牌尝试调高S下限到 120”“报错ModuleNotFoundError使用python -m pip install -r requirements.txt安装”。目的是让对方在遇到问题时有点底不会直接放弃。5.2 依赖清单与启动命令的模板写一个标准的requirements.txt文件是毕设项目该有的基本功。不要用pip freeze requirements.txt生成的超长清单手工精简成这几个关键包即可opencv-python4.5.5.64 numpy1.21.2 imutils0.5.4 pillow9.0.0启动命令的模板按照 Windows 写cd 项目目录 python -m venv venv venv\Scripts\activate pip install -r requirements.txt python main.pyLinux/macOS 下激活虚拟环境的命令是source venv/bin/activate其他不变。在 README 里把这两个平台分开写别指望老师只用 Windows。启动后如果没有任何输出检查图片路径是否在test_images下如果能输出候选框但识别结果不对按上一章的调参表逐个微调。运行说明里还有一个小技巧在main.py开头加上一行print(OpenCV 版本:, cv2.__version__)。这样能第一时间发现版本不匹配并且让读者感觉你的项目很严谨。6. 从能跑到能答辩把识别率从 70% 拉到 90% 的三个进阶技巧如果你的代码已经能跑通但识别率总卡在 70% 左右先别急着换深度学习模型下面三个技巧能让你的毕设在传统方案里再上一个台阶。第一个技巧是“多尺度定位 分数融合”。现在你的locate_license_plate是在缩放到 600 宽度的图像上定位的。很多小尺寸图片里的车牌缩小后字符模糊轮廓特征被抹平。我建议把图片分别缩放到 400、600、800 三个尺寸各定位一次得到三个候选车牌区域。然后对每个候选区域单独做字符分割和识别最后按识别置信度排序取分数最高的那个结果。多尺度定位还能兼顾近景和远景的车牌比单一尺寸鲁棒很多。第二个技巧是“HSV 阈值动态化”。固定阈值在室内灯光下好使但在户外阳光直射时经常失效。做法是先算一下图像整体亮度均值如果均值偏高比如超过 150就把 HSV 的 V 下限从 34 提升到 60如果均值偏低就把 S 下限从 80 降到 60。这个规则不需要机器学习一个if判断就能搞定却能让你的系统从“实验室玩具”变成“户外能用的工具”。我当时就是在停车场拍了一组测试图后加的这条自适应逻辑识别率直接涨了 12 个百分点。第三个技巧是“模板池扩充 骨架化预处理”。把模板从单个图片变成每个字符 3 个模板包括标准模板、膨胀后的模板、收缩后的模板。识别前对字符和模板都做cv2.ximgproc.thinning骨架化把笔画宽度差异消除。这样做会让匹配分数上升而且能消除字体粗细带来的误判。代价是速度变慢但在离线识别场景下完全可接受。做这个项目时我最懊悔的是没在一开始就把 HSV 阈值和模板路径做成配置文件而是把参数散落在代码里。后来每次调完一个参数都要重新运行整个流程浪费了大量时间。如果你现在还在起步阶段建议把这些可调参数集中写到一个config.py里一种参数组合对应一条测试记录这样答辩时你能拿出“参数对比实验”来支撑你的调优过程。希望帮到你。本文还有配套的精品资源点击获取