简介这套智能停车场车牌识别计费系统源码基于Python实现完整计算机视觉项目适合Python开发者、计算机视觉学习者以及需要课程设计或毕业设计选题的在校学生。系统利用OpenCV完成图像预处理、形态学变换与车牌定位通过Tesseract OCR识别车牌字符再结合数据库进行停车计时与费用计算并配备简单GUI便于管理。压缩包为ZIP格式约187.4MB内含完整Python源码和说明文档可帮助读者快速理解项目结构与实现思路。已有363人学习说明具备参考价值。通过源码可掌握OpenCV图像处理、pytesseract调用、SQLite/MySQL数据库操作和Tkinter界面开发等综合技能同时说明文档也能辅助环境配置与功能调试方便在此基础上扩展或二次开发。1. 从图像到扣费这个停车场计费系统解决了什么停车场车牌识别计费系统说白了就是把「人工看车牌、记时间、算钱」这一套流程交给 Python 代码去干。这套基于 Python 的源码方案核心链路就三步摄像头拍下车辆进出画面 → OpenCV 从图像里定位并识别出车牌号码 → 数据库记录时间、计算停车费。我拆完这套项目后最直观的感受是它不是一个只能跑 demo 的教学代码而是一个思路完整的闭环——图像处理、OCR 识别、数据库存储、GUI 管理界面都有对应实现。适合三类人正在做课程设计的本科生、准备把车牌识别作为切入点的 Python 开发者以及想在本地快速验证一套自动计费流程的技术爱好者。你不需要自己从零调优识别模型跟着代码把流程跑通再按自己停车场的计费标准改参数就行。2. 车牌定位OpenCV 预处理与形态学运算2.1 灰度化与二值化把彩色画面变成可处理的数据车牌识别的第一步不是直接去读字符而是先让车牌区域从背景里「跳」出来。摄像头拍到的原始图像是 BGR 三通道彩色图直接拿它做轮廓分析和特征提取计算量大且容易受车身颜色、光照干扰。常见做法是先把图像转成灰度图再做二值化把 0-255 的像素值压缩到 0 和 1 两个值这样后续的形态学操作和轮廓查找才有干净的输入。import cv2 # 读取图像默认BGR格式 img cv2.imread(car_entry.jpg) # 转为灰度图BGR - GRAY gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊降低噪声避免细小纹理干扰后续轮廓提取 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 固定阈值二值化像素值127置255否则置0 ret, binary cv2.threshold(blurred, 127, 255, cv2.THRESH_BINARY) # 保存中间结果方便排查 cv2.imwrite(step1_gray.jpg, gray) cv2.imwrite(step2_binary.jpg, binary)这段代码里cv2.cvtColor完成颜色空间转换参数COLOR_BGR2GRAY对应 OpenCV 默认的 BGR 通道顺序如果你用 PIL 读图再转 numpy 数组通道顺序是 RGB直接丢给 OpenCV 函数会出问题这是个典型坑点。cv2.GaussianBlur的核大小(5, 5)是经验值图像分辨率高可以适当加大到(7, 7)但如果车牌字符本身较细核太大会把字符边缘抹掉。cv2.threshold的阈值 127 是固定值我一般会先用cv2.calcHist看一眼灰度直方图再决定阈值或者直接用cv2.adaptiveThreshold做自适应二值化对光照不均的图像更友好。2.2 形态学操作与连通组件分析找出车牌那块矩形区域二值化之后图像里除了车牌往往还有车灯、保险杠、路面标线等干扰区域。这时候需要靠车牌的先验特征来筛选车牌是矩形、宽高比约 3:1 到 4:1、字符密集且水平排列。形态学操作在这里的作用是增强这些特征——用矩形核做闭运算可以把分散的字符边缘连通成一个完整的矩形块再用腐蚀去掉细小的噪点区域。OpenCV 里cv2.morphologyEx配合cv2.getStructuringElement就能完成这一步。import cv2 import numpy as np # 读取上一节生成二值图 binary cv2.imread(step2_binary.jpg, cv2.IMREAD_GRAYSCALE) # 先做边缘检测突出车牌字符边界 edges cv2.Canny(binary, 50, 150) # 形态学闭运算先膨胀再腐蚀连接断裂的字符边缘 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel) # 再腐蚀一次去掉细小的孤立噪点 kernel_erode cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) eroded cv2.erode(closed, kernel_erode, iterations2) # 查找轮廓 contours, hierarchy cv2.findContours( eroded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) # 遍历轮廓根据面积和宽高比筛选车牌区域 candidate_plate None for contour in contours: x, y, w, h cv2.boundingRect(contour) area w * h aspect_ratio w / h # 车牌常见参数面积占比和宽高比范围 if area 2000 and 2.5 aspect_ratio 5.0: # 记录候选区域实际项目中可能多个需要再比较 candidate_plate (x, y, w, h) # 画出框看看效果 cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2) # 输出定位结果坐标 if candidate_plate: print(定位到的车牌区域:, candidate_plate) else: print(未找到符合参数的车牌区域) cv2.imwrite(step3_plate_boxed.jpg, img)这里cv2.Canny的低阈值 50、高阈值 150 需要根据实际图像调整如果边缘碎屑太多就提高低阈值。cv2.getStructuringElement生成的是矩形核(17, 5)的意思是核宽 17 像素、高 5 像素——宽大于高是为了贴合车牌字符横向排列的特点。实际运行中最常出现的情况是宽高比阈值卡太死不同省份车牌比如新能源绿牌是 8 位字符比例略有差异建议把范围放宽到2.0 aspect_ratio 5.5先保证候选区域不丢再后续筛选。2.3 定位失败时的调试思路如果上面这段跑完没有输出坐标不要急着改代码先看中间产物。我一般会把step1_gray、step2_binary、closed、eroded这几张图全部存下来用图像查看工具逐个排查。典型问题有三种二值化阈值不合适导致车牌字符和背景糊在一起形态学核尺寸不对导致字符边缘连不成块或者连过了头宽高比筛选条件把真实车牌过滤掉了。另外补充一点cv2.findContours在不同 OpenCV 版本里返回值个数不一样老版本返回 2 个值新版本返回 3 个值代码里用了 2 个接收变量在 OpenCV 4.x 会直接报错这也是拆这套项目时最容易遇到的版本兼容问题。3. 车牌字符识别Tesseract OCR 接入与调参3.1 pytesseract 的安装与中文语言包车牌区域定位出来后下一步就是把区域里的图像交给 OCR 引擎识别成字符串。Tesseract 是目前开源 OCR 里最成熟的方案Python 侧通过pytesseract这个封装库调用它。这里有个前置条件容易忽略pytesseract只是 Python 库它底层需要真正的 Tesseract 可执行文件前者用pip install pytesseract安装后者需要单独下载安装程序。Windows 上安装 Tesseract 时记得勾选中文语言包chi_sim否则只能识别英文和数字中文车牌会直接识别乱码。import pytesseract from PIL import Image import cv2 # 读取上一步裁剪出的车牌区域图像 plate_img cv2.imread(plate_crop.jpg) # 车牌区域在定位阶段是小尺寸图像先放大2倍提升OCR准确率 plate_img cv2.resize(plate_img, None, fx2, fy2, interpolationcv2.INTER_CUBIC) # 转灰度并做一次二值化让字符更清晰 plate_gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, plate_binary cv2.threshold(plate_gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 用PIL读取并调用tesseract识别 pil_img Image.fromarray(plate_binary) # 识别参数单行模式白名单限定车牌常用字符 config r--psm 7 -c tessedit_char_whitelistABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙青贵藏川粤琼宁陕 result_text pytesseract.image_to_string(pil_img, langeng, configconfig) # 清洗结果去掉空格和特殊符号 plate_number result_text.strip().replace( , ) print(识别结果:, plate_number)参数说明fx2, fy2是图像缩放原始车牌在画面里可能只有几十像素宽直接送 OCR 识别率很低放大后字符边缘更平滑。THRESH_OTSU是 Otsu 自动阈值它不需要人工设定阈值会自己找最佳分割点比固定阈值稳定得多。--psm 7是 Tesseract 的 page segmentation mode7 表示「单行文本」因为车牌字符本来就是一行如果换成默认的--psm 3Tesseract 会尝试自动检测页面布局反而容易出错。tessedit_char_whitelist限定字符集合车牌只有汉字、大写字母和数字白名单能显著减少误识别比如把O和0混为一谈的概率。3.2 中文车牌识别的难点与容错中文车牌比纯英文数字难识别核心难点在于汉字字符种类多、笔画密Tesseract 自带的chi_sim语言包对车牌汉字支持有限。这套项目里我用过几种实际做法一是用langchi_sim配合--psm 7识别率尚可但偶尔会有汉字错漏二是只保留英文和数字识别结果汉字部分单独走模板匹配三是把识别结果和正则表达式做匹配不符合「省份简称 字母 数字」模式的结果判定为识别失败重新处理。对课程设计或内部测试来说第一种方案就够用但如果要做产品级系统通常是换更重的方案比如基于 deep learning 的 LPRNet 或者 PaddleOCR不过那不是这个源码包的教学范畴。import re # 车牌正则第一位是省份汉字第二位是发牌机关字母后五位是字母数字混合 plate_pattern re.compile(r^[京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙青贵藏川粤琼宁陕]{1}[A-Z]{1}[A-Z0-9]{5}$) # 检查识别结果是否符合车牌结构 if plate_pattern.match(plate_number): print(车牌格式合法:, plate_number) else: print(疑似识别错误原始输出:, plate_number) # 常见补救去掉末尾疑似误识别字符后重试 if len(plate_number) 7: cleaned plate_number[:7] print(截取前7位后的结果:, cleaned)这段代码的定位是「识别完之后的保险丝」。车牌识别不会 100% 正确但格式校验能挡掉一部分明显错误。实际测试中我见过 OCR 把鲁A12345 识别成鲁A1234S 的情况尾字母大概率是噪点干扰正则校验就会触发失败分支。re.compile里车牌省份的枚举是固定的字母I在车牌里通常不用所以正则里没有加。3.3 识别结果的清洗与格式化OCR 输出往往带着空格、换行、甚至|之类的符号直接存数据库会产生脏数据。清洗逻辑要按场景分层先strip()去掉首尾空白再replace( , )去掉内部空格最后对特殊字符如·、-做过滤。如果发现识别结果长度不等于 7 或 8新能源车牌是 8 位要么补全要么标记异常让管理员在 GUI 里手动确认。def clean_plate(raw_text: str) - str: 清洗OCR原始输出返回标准化车牌号 # 移除所有空白字符 text raw_text.replace( , ).replace(\n, ).replace(\t, ) # 移除常见误识别符号 for ch in [·, ., -, |, —]: text text.replace(ch, ) # 转大写 text text.upper() return text # 使用示例 raw_ocr_result 鲁A·12345 \n plate clean_plate(raw_ocr_result) print(repr(plate)) # 输出: 鲁A12345主要逻辑就是顺序清洗先处理格式类噪声再替换字符类噪声最后统一大小写。这一步不能省因为后面数据库查询、计费计算都以这个字符串做唯一标识脏数据会导致同一位车主两次入库、无法正确关联进出记录的问题。4. 数据库与计费逻辑从入场到扣费的核心设计4.1 SQLite 表结构设计与选择理由计费系统需要一个数据库来存储每辆车的进出记录。这个项目用的是 SQLite我拆代码时觉得这个选型是合理的单文件、零配置、Python 内置sqlite3模块直接驱动不需要单独装 MySQL 服务。对单机运行的停车场管理系统SQLite 完全够用而且整个数据库就是一个.db文件备份和迁移都非常方便。表结构设计上至少要两张表车辆信息表和进出记录表前者存车牌号和车主信息后者存每次进出的时间戳和费用。-- 创建车辆信息表 CREATE TABLE IF NOT EXISTS vehicles ( plate_number TEXT PRIMARY KEY, owner_name TEXT, phone TEXT, vehicle_type TEXT DEFAULT car, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); -- 创建进出记录表 CREATE TABLE IF NOT EXISTS parking_records ( record_id INTEGER PRIMARY KEY AUTOINCREMENT, plate_number TEXT NOT NULL, entry_time TIMESTAMP NOT NULL, exit_time TIMESTAMP, duration_minutes INTEGER, fee REAL DEFAULT 0, status TEXT DEFAULT parking, -- parking: 在场, finished: 已离场, abnormal: 异常 FOREIGN KEY (plate_number) REFERENCES vehicles(plate_number) ); -- 为查询性能添加索引按车牌和进出状态查询最频繁 CREATE INDEX idx_records_plate ON parking_records(plate_number); CREATE INDEX idx_records_status ON parking_records(status);设计逻辑上vehicles表的主键直接用车牌号因为车牌在一辆车生命周期内不变重复插入会触发主键冲突需要用INSERT OR REPLACE或者先查再插。parking_records表是核心流水表入场时插入一条statusparking的记录离场时更新同一条记录的exit_time并计算时长费用。status字段非常重要它区分了「在场」和「已离场」两种状态避免有人重复入场时找不到在停记录。4.2 计费规则实现按小时、按次、免费时段计费逻辑是停车场系统的核心业务规则不同停车场差异很大。常见标准有三种按小时计费首小时 xx 元之后每小时 xx 元不足一小时按一小时算、按次计费每次固定金额、混合模式免费时长 按小时叠加。这套源码里预留了计费函数接口你只需要改费率常量即可适配不同停车场。下面是按小时计费的标准实现。import math from datetime import datetime # 计费配置常量 FEE_FIRST_HOUR 5 # 首小时收费5元 FEE_PER_HOUR 2 # 之后每小时2元 FREE_MINUTES 15 # 免费时长15分钟 MAX_DAILY_FEE 20 # 单日封顶20元 def calculate_fee(entry_time_str: str, exit_time_str: str) - float: 根据入场和离场时间计算停车费用 entry datetime.strptime(entry_time_str, %Y-%m-%d %H:%M:%S) exit_time datetime.strptime(exit_time_str, %Y-%m-%d %H:%M:%S) duration exit_time - entry total_minutes int(duration.total_seconds() // 60) # 免费时长内免费 if total_minutes FREE_MINUTES: return 0 # 按小时向上取整计算先扣除免费时长 billable_minutes total_minutes - FREE_MINUTES hours math.ceil(billable_minutes / 60) # 首小时单独算 if hours 1: fee FEE_FIRST_HOUR else: fee FEE_FIRST_HOUR (hours - 1) * FEE_PER_HOUR # 封顶处理 return min(fee, MAX_DAILY_FEE) # 测试用例 print(calculate_fee(2024-01-01 08:00:00, 2024-01-01 08:10:00)) # 0元免费时长 print(calculate_fee(2024-01-01 08:00:00, 2024-01-01 09:00:00)) # 5元正好1小时 print(calculate_fee(2024-01-01 08:00:00, 2024-01-01 12:00:00)) # 5 3*2 11元这个实现里math.ceil是计费的关键它把不足一小时的部分向上取整比如停了 61 分钟扣除免费 15 分钟后剩余 46 分钟不足一小时按 1 小时算收首小时费。MAX_DAILY_FEE做封顶防止长时间停车费用过高这个值很多停车场确实有。实际改造时你只需要改这四个常量比如你所在停车场首小时 8 元、之后每小时 3 元、夜间不免费就替换对应数值。需要注意total_minutes是向下取整如果入场离场时间完全一样时长是 0直接命中免费分支。4.3 GUI 管理界面与流程串联系统还包含一个基于 Tkinter 的桌面界面用于管理员人工干预和车主查询缴费。这套界面不需要做得多华丽核心功能就四个入场登记、出场结算、在场车辆列表、历史记录。Tkinter 是 Python 标准库自带的 GUI 框架不需要额外安装适合快速搭建这类工具型界面。界面与业务逻辑的衔接方式一般是入场时调用车牌识别函数获取车牌 → 查询数据库看该车是否已在场 → 入库出场时再次识别 → 查询入场记录 → 计算费用 → 更新状态。import tkinter as tk from tkinter import ttk, messagebox import sqlite3 class ParkingApp: def __init__(self, root): self.root root self.root.title(停车场管理系统) # 初始化数据库连接 self.conn sqlite3.connect(parking.db) self.create_tables() # 构建界面元素 self.plate_var tk.StringVar() ttk.Label(root, text车牌号:).grid(row0, column0, padx5, pady5) ttk.Entry(root, textvariableself.plate_var).grid(row0, column1, padx5, pady5) # 入场和出场按钮 ttk.Button(root, text车辆入场, commandself.car_entry).grid(row1, column0, padx5, pady5) ttk.Button(root, text车辆出场, commandself.car_exit).grid(row1, column1, padx5, pady5) # 在场车辆列表 self.tree ttk.Treeview(root, columns(plate, entry_time), showheadings) self.tree.heading(plate, text车牌号) self.tree.heading(entry_time, text入场时间) self.tree.grid(row2, column0, columnspan2, padx5, pady5) self.refresh_list() def car_entry(self): 车辆入场处理 plate self.plate_var.get().strip().upper() if not plate: messagebox.showwarning(提示, 请先输入或识别车牌号) return # 查询该车是否已经在场 cursor self.conn.execute( SELECT record_id FROM parking_records WHERE plate_number? AND statusparking, (plate,) ) if cursor.fetchone(): messagebox.showwarning(提示, 该车已在场内无需重复入场) return # 插入入场记录 self.conn.execute( INSERT INTO parking_records (plate_number, entry_time, status) VALUES (?, datetime(now, localtime), parking), (plate,) ) self.conn.commit() messagebox.showinfo(成功, f车辆 {plate} 入场成功) self.refresh_list() def car_exit(self): 车辆出场结算 plate self.plate_var.get().strip().upper() if not plate: messagebox.showwarning(提示, 请先输入或识别车牌号) return # 查询在场记录 cursor self.conn.execute( SELECT record_id, entry_time FROM parking_records WHERE plate_number? AND statusparking, (plate,) ) row cursor.fetchone() if not row: messagebox.showwarning(提示, 该车没有在场记录请检查车牌)) return record_id, entry_time row # 计算费用并更新记录 exit_time datetime.now().strftime(%Y-%m-%d %H:%M:%S) fee calculate_fee(entry_time, exit_time) self.conn.execute( UPDATE parking_records SET exit_time?, fee?, statusfinished WHERE record_id?, (exit_time, fee, record_id) ) self.conn.commit() messagebox.showinfo(结算成功, f{plate} 停车费: {fee:.2f} 元) self.refresh_list() def refresh_list(self): 刷新在场车辆列表 for item in self.tree.get_children(): self.tree.delete(item) cursor self.conn.execute( SELECT plate_number, entry_time FROM parking_records WHERE statusparking ) for row in cursor.fetchall(): self.tree.insert(, end, valuesrow) def create_tables(self): 建表逻辑与sql脚本对应 self.conn.execute(CREATE TABLE IF NOT EXISTS parking_records ( record_id INTEGER PRIMARY KEY AUTOINCREMENT, plate_number TEXT NOT NULL, entry_time TEXT NOT NULL, exit_time TEXT, fee REAL DEFAULT 0, status TEXT DEFAULT parking )) self.conn.commit() # 启动代码 if __name__ __main__: root tk.Tk() app ParkingApp(root) root.mainloop()这段代码展示了 GUI 和数据库如何联动。datetime.now().strftime用的是本地时间而不是 UTC 时间否则入库时间和北京时间会差 8 小时。入场时先查询在场记录再决定是否插入这个防重复逻辑去掉的话同一辆车连续刷入场会生成多条在场记录离场结算时取到的可能是最早那条导致计费错误。界面操作层面没有做线程处理识别过程如果耗时超过 2 秒界面会卡顿但教学项目里这是可接受的。5. 避坑与常见问题从跑通到真正能用的关键排错5.1 报错pytesseract.pytesseract.TesseractNotFoundError现象运行识别代码时直接抛TesseractNotFoundError: tesseract is not installed or its not in your PATH。原因pytesseract库只是 Python 封装层真正的 OCR 引擎是 Tesseract 可执行程序。这个程序没有随 pip 包一起安装如果你电脑上从没装过 Tesseract调用时必然报错。解决去 Tesseract 官方 GitHub 仓库下载 Windows 安装包安装时勾选Additional language data里的Chinese (Simplified)。安装完成后如果程序还是找不到你需要在代码里显式指定路径import pytesseract # 显式指定Tesseract可执行文件路径 pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe5.2 车牌定位框偏移或根本框不住现象cv2.rectangle画出的绿色框要么偏大、把前后保险杠都框进去要么只框住半个车牌。原因形态学核的尺寸和二值化阈值不匹配实际图像。核太大会让闭运算把车牌的上下边缘和车身连通成一个更大的区域阈值太高则字符间的空隙变成黑色、车牌区域断裂。解决把二值化改为 Otsu 自适应阈值形态学核从(17, 5)开始调图像分辨率高就按比例放大。另外检查cv2.Canny的阈值边缘点太多会导致轮廓粘连。定位不准时我习惯把预处理中间图全部输出到磁盘眼过一遍就知道哪一步出了问题。5.3 同一辆车重复入场生成多条在场记录现象手动测试时连续点击两次「车辆入场」界面上出现两条相同车牌的在停记录出场时只结算最早一条。原因入场逻辑没有做「该车是否已在场」的查询校验或者查询条件写错比如status字段拼写为stauts。解决入场前必须先SELECT record_id FROM parking_records WHERE plate_number? AND statusparking有结果就提示不允许再次入场。出场时也同理先查在场记录再计算费用避免对已离场车辆重复结算。5.4 双击启动脚本闪退却没有保存任何日志现象双击启动.bat后窗口一闪而过什么都看不到程序也没跑起来。原因.bat脚本默认执行完自动关闭窗口如果 Python 环境没配置好或者缺少依赖库报错信息还没来得及看窗口就关了。解决改启动脚本在python main.py后加一行pause让窗口停留或者把输出重定向到日志文件。标准做法是加日志输出echo off echo 正在启动停车场车牌识别计费系统... cd /d %~dp0 python main.py logs\runtime.log 21 pause5.5 OCR 把车牌识别成乱码、大小写混乱现象识别结果出现「鲁A1a345」这种不合规字符或者把0识别成O、1识别成I。原因OCR 引擎本质是概率模型在字符笔画细、分辨率低的情况下结构相似的字符最容易混淆。大小写混用是因为 Tesseract 默认输出原始大小写形态。解决识别后统一upper()转大写用tessedit_char_whitelist限制字符集再加一道正则校验过滤。更稳妥的做法是把识别结果和入场车辆列表做模糊匹配匹配到唯一候选就自动纠正。6. 模型调优与完整流程验证从识别到扣费的最后一公里这套系统跑通基础流程后真正让它稳定工作的是两类调整图像参数的微调和业务流程边界的处理。先说图像参数我建议把你停车场实际拍到的照片收集 50 张左右分三个场景白天强光、傍晚逆光、夜间灯光下。针对每张图跑一遍预处理管线记录定位成功率。如果白天定位率不足 90%优先调整二值化阈值方式——固定阈值换成cv2.adaptiveThreshold或者 Otsu如果是夜间车牌反光导致字符过曝可以尝试先做一次cv2.equalizeHist直方图均衡化增强对比度。这些参数调整没有标准答案只有针对你的摄像头角度和光线条件调出来的最优解。业务边界这块重点测试几类异常场景无牌车进场此时 OCR 识别结果为空字符串应该弹出手动输入框而非报错崩溃、出场时车牌识别错误导致找不到入场记录应该支持管理员人工修正识别结果用正确车牌查询、同一辆车短时间重复进出闸免费时长逻辑要能正确处理。我实际测试中遇到过一次扣费异常车辆入场识别成「鲁A12345」出场时识别的却是「鲁A1234S」最终正则是按 7 位校验的导致应结算的车辆没有离场记录一直在计费。后面我加了一条规则当识别结果无法匹配车牌格式时自动取带置信度最高的前 7 位作为候选并标记「待人工确认」这样管理员在 GUI 上一眼就能看到异常记录并手动修正。最后分享一个我的习惯每次拿到这种带「双击即启动」的 Python 项目我复现完之后第一件事不是看功能多完整而是把requirements.txt里的每个依赖版本固定下来。这个源码包依赖 OpenCV、numpy、pytesseract、Pillow 这几个库不同大版本之间 API 差异很大特别是 OpenCV 从 3.x 到 4.x 的findContours返回值变化以及 Tesseract 3.x 和 4.x 的识别引擎差异版本不对代码直接翻车都是从这些地方开始的。从那以后我每次跑环境前都强制先pip freeze environment_backup.txt存一份当前依赖快照出了问题能快速对比遇到任何基于源码包的 Python 项目都能少走弯路。希望这些拆包经验对你有帮助。本文还有配套的精品资源点击获取