简介面向Python课程设计与图像识别入门的车牌识别项目完整提供一套可运行的课程设计源码。项目基于OpenCV与SVM实现车牌检测和字符识别包含图像预处理、车牌定位、字符分割、模型预测等模块适合高校学生参考课程设计或毕业设计也适合初学者结合代码理解传统图像处理识别流程。压缩包共18个文件大小约4.73MB以5个Python源码文件为核心辅以车牌图片样本、SVM训练模型文件、项目展示PPT、说明文档及Git配置信息结构清晰便于按模块阅读和二次开发。配套代码涵盖图像处理函数、主程序、识别模块并附带已训练好的中文字符与数字字母模型dat文件以及多张实际场景图片能够帮助使用者直接运行测试并了解车牌识别完整链路。目前已有651人学习/下载可作为课程设计报告的代码基础与演示素材。 最近被问到最多的就是这份python课程设计车牌识别项目代码.zip表面看只是一个打包好的课程代码但打开之后不同基础的人拿到的完全是两种体验——会折腾环境的十几分钟跑起来不会折腾的卡在import cv2就能耗一个下午。这篇文章我想以实际带这个项目的角度拆一拆它到底是怎么工作的以及从解压到跑通再到写报告每一步你该怎么避坑。这套代码本质上是一个典型的图像识别入门项目技术栈选的是OpenCV加传统图像处理的路线不依赖GPU、不拉大模型笔记本电脑就能跑。正因为它门槛适中很多学校把它作为数字图像处理或人工智能导论的课程设计题目。接下来我会按照一个完整项目从启动到交付的流程把代码结构、核心算法、实测参数、常见报错一次讲透。1. 拿到zip之后先搞懂这个项目的整体设计思路1.1 课程设计版车牌识别到底在做什么车牌识别系统听起来高大上拆开以后其实就四个步骤图像采集、车牌定位、字符分割、字符识别。课程设计版本通常把“图像采集”简化为读入一张图片后面三个才是你真正要写代码和写进报告的核心。很多同学拿到zip就直接跑main.py发现识别结果不对或者直接报错就以为是代码坏了。实际上问题往往出在你不理解每一步做了什么自然也不知道参数为什么这么调。我建议拿到代码后先不要急着运行先用画图软件或者打印的方式把整个处理流程走一遍原图长什么样、灰度图长什么样、边缘检测后长什么样、最终框出的车牌区域在哪。理解了这个链路后面改代码才有方向。1.2 传统图像处理路线和深度学习路线的取舍现在网上能搜到的车牌识别方案大致分两类。一类是YOLO类目标检测模型加CRNN/LPRNet识别字符序列精度高、适应性强但环境配置重、训练时间成本高课程设计答辩的时候也很难把原理讲透。另一类就是这份zip里的方案用颜色特征定位车牌用轮廓特征筛选候选区域再用垂直投影分割字符最后用模板匹配或OCR完成识别。传统路线的优势在于每一步都可解释、可调试、可写进报告老师问到“为什么用HSV而不是RGB”的时候你能答得上来。缺点也很明显对复杂背景、倾斜视角、光线不均匀的鲁棒性一般。所以这个项目更适合定位为“入门练手原理验证”而不是工业级产品。如果你有余力可以在报告里把深度学习方案作为一种改进方向来对比但主流程建议还是跑通传统方案再说。1.3 拆开zip看看里面应当包含哪些文件正常情况下解压之后应该是这样一个结构plate_recognize/ ├── main.py # 主入口 ├── plate_detector.py # 车牌定位模块 ├── char_segment.py # 字符分割模块 ├── char_recognizer.py # 字符识别模块 ├── requirements.txt # 依赖清单 ├── templates/ # 字符模板图片 ├── test_images/ # 测试图片 └── 实验报告.docx / 说明文档如果你解压之后发现缺了模板文件夹或者requirements.txt那大概率是下载的文件不完整或者压缩包里套了一层目录。建议先整个解压到纯英文路径下比如D:\plate_recognize千万别放在桌面带中文的文件夹里否则后面OpenCV读图会读不出来。这个问题我在第5章还会专门讲遇到的人非常多。2. 环境配置这一步卡住了90%的新手2.1 Python版本和OpenCV等依赖的安装要点打开requirements.txt你大概率会看到这几个库opencv-python、numpy、pytesseract、Pillow。有的版本还会加一个matplotlib用来显示中间结果。先说Python版本。我建议用Python 3.8到3.10之间的版本不要一上来就装最新版3.12或3.13。原因很现实OpenCV、numpy这类库的新版本虽然也在适配新Python但很多教学代码是在旧版本环境下写的新环境里可能遇到方法过期、wheel不兼容的坑。安装依赖的时候最快的命令是pip install -r requirements.txt如果你用的是国内网络可以换国内PyPI镜像速度会快很多pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里有一个细节很多人忽略如果你电脑里同时装了Python和Anaconda务必先确认你用哪个解释器。在终端里输入python --version看看路径是不是你装OpenCV的那个环境。我在实际指导中见过好几个项目代码写得很完整结果因为跑在了一个没有OpenCV的旧环境里白白Debug了两小时。2.2 字符识别依赖的特殊坑如果代码里的识别模块用的是pytesseract那你的电脑还需要额外安装一个Tesseract-OCR引擎才能调用pytesseract.image_to_string()。这个软件不是pip能装的需要到Tesseract官网下载安装包。安装完之后需要在代码里指定它的路径import pytesseract # Windows用户需要指定tesseract.exe路径 pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe顺便提醒一句Tesseract默认支持中文识别的是chi_sim语言包但车牌字符包含汉字、字母、数字混合默认英文包对纯汉字支持有限。所以很多课程设计代码会在字符分割之后用模板匹配而不是Tesseract来做最终识别。下一章我会把这一块讲清楚。2.3 解压和路径的隐藏风险zip包本身其实也有门道。Windows自带的zip解压工具对中文编码的处理不太稳定压缩包在Linux系统上打包时用的是UTF-8编码到了Windows上解压可能变成乱码文件名。这种乱码一旦出现程序会因为找不到模板文件或者图片路径而报错。我的建议是下载zip后先不要急着双击解压用7-Zip或Bandizip这类工具打开确认文件名是否正常。如果已解压但出现了乱码目录直接从资源管理器重命名回正确名字也行total command的效率更高。另外解压后的路径不要带空格和中文这是我反复强调的一点。3. 核心代码实现从一张图片到车牌号码的完整链路3.1 车牌定位颜色与边缘的组合拳车牌定位是整个项目里最核心、也最值得在报告中展开的部分。常见思路是先用HSV颜色空间过滤出蓝色区域因为国内蓝底白字的燃油车牌占比最大。为什么不直接用RGB因为RGB三个通道受光照影响太明显同样的蓝色在强光和阴影下差别巨大HSV把色相H、饱和度S、明度V分开只看色相就能稳定筛选出目标颜色。一份实测可用的HSV蓝色阈值大约是这个范围不同代码略有差异需按实际图片微调import cv2 import numpy as np def locate_plate(image): # 转到HSV空间 hsv cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 蓝色的HSV范围 lower_blue np.array([100, 80, 60]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 形态学闭运算把断裂的区域连接起来 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (15, 15)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 寻找轮廓 contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: x, y, w, h cv2.boundingRect(cnt) # 车牌宽高比约3:1面积不能太小 if w / h 2.5 and w / h 5.5 and w * h 2000: return image[y:y h, x:x w] return None这个宽高比区间怎么来的标准蓝色车牌尺寸是440mm x 140mm宽高比约3.14。再加上摄像头拍摄角度的偏差2.5到5.5是一个比较宽松的筛选范围。如果车牌是新能源绿牌或者黄色大型车牌那HSV阈值就得换成绿色或者黄色这也是我在测试时建议多准备几种颜色样图的原因。3.2 字符分割垂直投影法拿到定位出来的车牌区域图之后接下来要做的就是把“渝A·D12345”这样的字符一个个切开。最常用的算法是垂直投影法原理一句话就能说清把二值化后的图像按每一列的黑色像素数量做一个统计字符所在的列投影值很高字符之间的空隙列投影值很低或为零根据这个低谷就能把连续区间切出来。具体流程一般是这样def segment_chars(plate_gray): # 二值化 _, binary cv2.threshold(plate_gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) # 计算垂直方向投影 col_sum np.sum(binary 255, axis0) # 找到连续的非零区域作为字符候选 chars [] i 0 while i len(col_sum): if col_sum[i] 0: start i while i len(col_sum) and col_sum[i] 0: i 1 end i if end - start 10: # 过滤掉噪点 chars.append((start, end)) else: i 1 return chars实际使用中会遇到一个常见问题车牌中间的那个圆点分隔符以及铆钉、边框残影会把字符区域分割得比预期多。怎么处理可以在分割之后统计每个候选区间的宽度把宽度明显小于平均值的候选去掉因为车牌圆点和噪点宽度远小于字符宽度。按照中国大陆车牌标准字符宽高比例接近1:2这个先验知识用来过滤非常有效。模板匹配的方案则是把分割出来的每个字符归一化到模板同样的大小然后和templates文件夹里的标准字符模板逐一比对计算相似度取最高分对应的字符作为识别结果。特别注意模板里要包含省份汉字、24个字母I和O一般不出现、10个数字加起来大约55到60张图。如果你用的是Tesseract代码会更短import pytesseract def recognize_chars(char_img): text pytesseract.image_to_string(char_img, config--psm 7 -c tessedit_char_whitelistABCDEFGHJKLMNPQRSTUVWXYZ0123456789) return text.strip()这里--psm 7表示把图片按单行文本处理tessedit_char_whitelist限制了只识别字母和数字。这个方案的好处是省去了准备模板的时间但前提是字符分割做得足够干净否则识别率断崖式下降。我的经验是课程设计用模板匹配更稳妥因为整个识别逻辑你自己可控答辩时能讲清楚Tesseract适合作为对比方案写出不足和改进。4. 实测记录与效果调优4.1 用测试图评估识别率代码跑通之后不要只看一张图成功就急着截图写报告。我建议你从网上找或自己拍15到20张不同角度、不同光线、不同背景的车牌图实在找不到可以用电脑摄像头对着路边车辆视频逐帧截取把识别结果统计到一张表里图片编号、实际车牌、识别结果、是否完全正确、定位是否准确、哪个环节出了问题。我用一份典型的课程设计测试集跑下来大概的效果是这样图片场景图片数量车牌定位成功数字符全对数量主要问题标准正面、光线良好8871张字符分割粘连侧面角度约15度542轮廓定位偏移宽高比失准逆光或阴影420HSV色偏导致蓝色过滤失败复杂背景331ORC误识别汉字这个数据是一个很现实的水平。全对率如果做到50%以上在课程设计里已经完全够用了因为你在报告里可以对比分析每一类失败原因这本身就是很好的答辩素材。4.2 提高识别率的三条实用建议第一定位阶段的形态学核大小值得优先调。很多代码把闭运算的核固定成(15,15)但如果你输入的图片分辨率比较低或者车牌占画面比例小这个核会让车牌区域和车身其他蓝色元素连成一片。建议把核的大小和车牌在画面中的占比挂钩或者在主程序里对输入图片先做一次统一缩放。第二字符分割之后做一次尺寸归一化。常见做法是把所有切出的字符统一缩放为20x40像素减少字体大小不一致对模板匹配的干扰。归一化时需要注意保持宽高比否则字符会发生形变反而降低识别率。如果高度固定为40那么宽度用插值缩放后再放到中间剩下的两侧补黑边。第三程序里可以加一个中文字符的二次校验。国内车牌的汉字是省份简称就几十种模板匹配时优先匹配这些汉字模板的相似度而不是把所有字符都交给字母数字的候选集合。这个规则几乎零成本但能显著降低“渝”识别成“0”这类荒唐错误。4.3 进一步扩展从静态图片到摄像头实时识别很多同学做完图片识别之后想加一个摄像头实时识别的模块作为加分项。其实代码改动不大用cv2.VideoCapture(0)打开摄像头循环读取每一帧调用识别函数就行。但要注意两个问题一是传统图像处理逐帧跑起来帧率很低可能不到每秒5帧需要把图像缩小再处理二是每帧画面中车牌不总是清晰的最好只在画面中出现足够大的蓝色候选框时才触发识别否则控制台会被无意义的识别结果刷屏。网上热词里能看到“ov7670摄像头模块 如何车牌识别”这种问题。ov7670是一个老款CMOS摄像头模块一般配合单片机使用并不适合跑OpenCV这种依赖操作系统的图像处理库。课程设计如果要做嵌入式方向的实时识别更合理的组合是树莓派或Jetson Nano加USB摄像头而不是用ov7670硬怼。如果你想快速看到效果直接用电脑自带摄像头就够了。5. 常见问题与排查技巧实录5.1 新手最容易踩的五个坑我在指导过程中把高频报错整理成了一个速查表第一次跑代码的人基本都能在里面找到自己的问题报错信息或现象原因解决方案ModuleNotFoundError: No module named cv2没有安装OpenCVpip install opencv-pythoncv2.imread返回None图片路径含中文或不存在使用imdecode函数或改纯英文路径findContours() argument value count错误OpenCV版本API变化用contours, _ cv2.findContours(...)pytesseract.pytesseract.TesseractNotFoundError没安装Tesseract引擎下载安装Tesseract并指定tesseract_cmd路径UnicodeDecodeErrorgbk codec ...代码文件编码问题用UTF-8保存源码并处理文件读取编码其中中文路径的问题是重灾区。我最推荐的做法是把项目整个放在纯英文路径下如果一定要读中文路径下的图片可以用这段代码绕过去import cv2 import numpy as np def cv_imread(file_path): # cv2.imread不支持中文路径时用imdecode来读 data np.fromfile(file_path, dtypenp.uint8) img cv2.imdecode(data, cv2.IMREAD_COLOR) return img还有一个看起来奇怪但很常见的问题程序第一次运行识别结果正常第二次运行同一张图片却报错。这通常是因为你代码里修改了原图变量比如直接把彩色图灰度化时用了img cv2.cvtColor(img, ...)后续想再次读取原图时已经不是原来的数据了。建议在整个流水线里保留原始图的副本或者把每一步的中间结果封装成函数返回新图像而不是覆盖输入。5.2 关于zip包本身的两个提醒收到这个zip之后如果压缩包设置了密码不要尝试用网上的所谓密码恢复工具暴力破解。课程设计源码一般是你自己老师或同学传给你的密码直接问来源方要就行折腾那些工具纯属浪费时间还有人在搞这种操作时把自己的电脑弄出了病毒。另外如果你后续在GitHub上找到了功能更强的车牌识别源码并下载了zip包想拿到本地继续修改时遇到“变基到远程仓库失败”类似的报错大概率是因为你直接解压了zip覆盖了已有的项目目录。正确做法是在本地先git init初始化一个仓库然后把zip里的文件拷贝进去再关联远程分支这样就能避免一堆莫名其妙的合并冲突。5.3 给课程设计文档和答辩的补充建议最后说说报告和答辩的准备。这个项目写进报告时至少要有三张图系统整体流程图、车牌定位算法的流程图、识别结果的界面截图。流程图用Visio或draw.io画就行重点是把每一步的输入输出标清楚比如HSV过滤之后是mask图轮廓筛选之后是候选框坐标。答辩时老师最爱问的问题是“为什么这里用闭运算而非开运算”。你只要记住核心逻辑闭运算是先膨胀后腐蚀能把车牌内部字符笔画形成的小孔洞封住让蓝色区域连成一个整体而开运算是先腐蚀后膨胀主要用来去掉孤立的噪点。这两个操作效果相反在实际代码里经常会组合使用。关于改进方向你可以提三个不算太复杂的优化支持新能源绿牌和黄色大型车牌只需增加HSV颜色判断分支、增加倾斜矫正用minAreaRect得到旋转角度后做仿射变换、结合YOLO做端到端的车牌检测。这三个方向可以作为报告里的“不足与展望”既体现你思考过又不至于给自己挖坑。我个人在实际操作中的体会是这个课程设计真正难的不是算法原理而是把一个看起来完整的工程代码在自己的电脑上稳定跑通并且每一步都能讲出“为什么”。你只需要先复现再对着测试结果优化最后把失败案例整理成报告素材就能拿到一个说服力很强的项目经历。本文还有配套的精品资源点击获取 Python+OpenCV车牌识别项目实战：从解压到跑通全流程解析
简介面向Python课程设计与图像识别入门的车牌识别项目完整提供一套可运行的课程设计源码。项目基于OpenCV与SVM实现车牌检测和字符识别包含图像预处理、车牌定位、字符分割、模型预测等模块适合高校学生参考课程设计或毕业设计也适合初学者结合代码理解传统图像处理识别流程。压缩包共18个文件大小约4.73MB以5个Python源码文件为核心辅以车牌图片样本、SVM训练模型文件、项目展示PPT、说明文档及Git配置信息结构清晰便于按模块阅读和二次开发。配套代码涵盖图像处理函数、主程序、识别模块并附带已训练好的中文字符与数字字母模型dat文件以及多张实际场景图片能够帮助使用者直接运行测试并了解车牌识别完整链路。目前已有651人学习/下载可作为课程设计报告的代码基础与演示素材。 最近被问到最多的就是这份python课程设计车牌识别项目代码.zip表面看只是一个打包好的课程代码但打开之后不同基础的人拿到的完全是两种体验——会折腾环境的十几分钟跑起来不会折腾的卡在import cv2就能耗一个下午。这篇文章我想以实际带这个项目的角度拆一拆它到底是怎么工作的以及从解压到跑通再到写报告每一步你该怎么避坑。这套代码本质上是一个典型的图像识别入门项目技术栈选的是OpenCV加传统图像处理的路线不依赖GPU、不拉大模型笔记本电脑就能跑。正因为它门槛适中很多学校把它作为数字图像处理或人工智能导论的课程设计题目。接下来我会按照一个完整项目从启动到交付的流程把代码结构、核心算法、实测参数、常见报错一次讲透。1. 拿到zip之后先搞懂这个项目的整体设计思路1.1 课程设计版车牌识别到底在做什么车牌识别系统听起来高大上拆开以后其实就四个步骤图像采集、车牌定位、字符分割、字符识别。课程设计版本通常把“图像采集”简化为读入一张图片后面三个才是你真正要写代码和写进报告的核心。很多同学拿到zip就直接跑main.py发现识别结果不对或者直接报错就以为是代码坏了。实际上问题往往出在你不理解每一步做了什么自然也不知道参数为什么这么调。我建议拿到代码后先不要急着运行先用画图软件或者打印的方式把整个处理流程走一遍原图长什么样、灰度图长什么样、边缘检测后长什么样、最终框出的车牌区域在哪。理解了这个链路后面改代码才有方向。1.2 传统图像处理路线和深度学习路线的取舍现在网上能搜到的车牌识别方案大致分两类。一类是YOLO类目标检测模型加CRNN/LPRNet识别字符序列精度高、适应性强但环境配置重、训练时间成本高课程设计答辩的时候也很难把原理讲透。另一类就是这份zip里的方案用颜色特征定位车牌用轮廓特征筛选候选区域再用垂直投影分割字符最后用模板匹配或OCR完成识别。传统路线的优势在于每一步都可解释、可调试、可写进报告老师问到“为什么用HSV而不是RGB”的时候你能答得上来。缺点也很明显对复杂背景、倾斜视角、光线不均匀的鲁棒性一般。所以这个项目更适合定位为“入门练手原理验证”而不是工业级产品。如果你有余力可以在报告里把深度学习方案作为一种改进方向来对比但主流程建议还是跑通传统方案再说。1.3 拆开zip看看里面应当包含哪些文件正常情况下解压之后应该是这样一个结构plate_recognize/ ├── main.py # 主入口 ├── plate_detector.py # 车牌定位模块 ├── char_segment.py # 字符分割模块 ├── char_recognizer.py # 字符识别模块 ├── requirements.txt # 依赖清单 ├── templates/ # 字符模板图片 ├── test_images/ # 测试图片 └── 实验报告.docx / 说明文档如果你解压之后发现缺了模板文件夹或者requirements.txt那大概率是下载的文件不完整或者压缩包里套了一层目录。建议先整个解压到纯英文路径下比如D:\plate_recognize千万别放在桌面带中文的文件夹里否则后面OpenCV读图会读不出来。这个问题我在第5章还会专门讲遇到的人非常多。2. 环境配置这一步卡住了90%的新手2.1 Python版本和OpenCV等依赖的安装要点打开requirements.txt你大概率会看到这几个库opencv-python、numpy、pytesseract、Pillow。有的版本还会加一个matplotlib用来显示中间结果。先说Python版本。我建议用Python 3.8到3.10之间的版本不要一上来就装最新版3.12或3.13。原因很现实OpenCV、numpy这类库的新版本虽然也在适配新Python但很多教学代码是在旧版本环境下写的新环境里可能遇到方法过期、wheel不兼容的坑。安装依赖的时候最快的命令是pip install -r requirements.txt如果你用的是国内网络可以换国内PyPI镜像速度会快很多pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里有一个细节很多人忽略如果你电脑里同时装了Python和Anaconda务必先确认你用哪个解释器。在终端里输入python --version看看路径是不是你装OpenCV的那个环境。我在实际指导中见过好几个项目代码写得很完整结果因为跑在了一个没有OpenCV的旧环境里白白Debug了两小时。2.2 字符识别依赖的特殊坑如果代码里的识别模块用的是pytesseract那你的电脑还需要额外安装一个Tesseract-OCR引擎才能调用pytesseract.image_to_string()。这个软件不是pip能装的需要到Tesseract官网下载安装包。安装完之后需要在代码里指定它的路径import pytesseract # Windows用户需要指定tesseract.exe路径 pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe顺便提醒一句Tesseract默认支持中文识别的是chi_sim语言包但车牌字符包含汉字、字母、数字混合默认英文包对纯汉字支持有限。所以很多课程设计代码会在字符分割之后用模板匹配而不是Tesseract来做最终识别。下一章我会把这一块讲清楚。2.3 解压和路径的隐藏风险zip包本身其实也有门道。Windows自带的zip解压工具对中文编码的处理不太稳定压缩包在Linux系统上打包时用的是UTF-8编码到了Windows上解压可能变成乱码文件名。这种乱码一旦出现程序会因为找不到模板文件或者图片路径而报错。我的建议是下载zip后先不要急着双击解压用7-Zip或Bandizip这类工具打开确认文件名是否正常。如果已解压但出现了乱码目录直接从资源管理器重命名回正确名字也行total command的效率更高。另外解压后的路径不要带空格和中文这是我反复强调的一点。3. 核心代码实现从一张图片到车牌号码的完整链路3.1 车牌定位颜色与边缘的组合拳车牌定位是整个项目里最核心、也最值得在报告中展开的部分。常见思路是先用HSV颜色空间过滤出蓝色区域因为国内蓝底白字的燃油车牌占比最大。为什么不直接用RGB因为RGB三个通道受光照影响太明显同样的蓝色在强光和阴影下差别巨大HSV把色相H、饱和度S、明度V分开只看色相就能稳定筛选出目标颜色。一份实测可用的HSV蓝色阈值大约是这个范围不同代码略有差异需按实际图片微调import cv2 import numpy as np def locate_plate(image): # 转到HSV空间 hsv cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 蓝色的HSV范围 lower_blue np.array([100, 80, 60]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 形态学闭运算把断裂的区域连接起来 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (15, 15)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 寻找轮廓 contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: x, y, w, h cv2.boundingRect(cnt) # 车牌宽高比约3:1面积不能太小 if w / h 2.5 and w / h 5.5 and w * h 2000: return image[y:y h, x:x w] return None这个宽高比区间怎么来的标准蓝色车牌尺寸是440mm x 140mm宽高比约3.14。再加上摄像头拍摄角度的偏差2.5到5.5是一个比较宽松的筛选范围。如果车牌是新能源绿牌或者黄色大型车牌那HSV阈值就得换成绿色或者黄色这也是我在测试时建议多准备几种颜色样图的原因。3.2 字符分割垂直投影法拿到定位出来的车牌区域图之后接下来要做的就是把“渝A·D12345”这样的字符一个个切开。最常用的算法是垂直投影法原理一句话就能说清把二值化后的图像按每一列的黑色像素数量做一个统计字符所在的列投影值很高字符之间的空隙列投影值很低或为零根据这个低谷就能把连续区间切出来。具体流程一般是这样def segment_chars(plate_gray): # 二值化 _, binary cv2.threshold(plate_gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) # 计算垂直方向投影 col_sum np.sum(binary 255, axis0) # 找到连续的非零区域作为字符候选 chars [] i 0 while i len(col_sum): if col_sum[i] 0: start i while i len(col_sum) and col_sum[i] 0: i 1 end i if end - start 10: # 过滤掉噪点 chars.append((start, end)) else: i 1 return chars实际使用中会遇到一个常见问题车牌中间的那个圆点分隔符以及铆钉、边框残影会把字符区域分割得比预期多。怎么处理可以在分割之后统计每个候选区间的宽度把宽度明显小于平均值的候选去掉因为车牌圆点和噪点宽度远小于字符宽度。按照中国大陆车牌标准字符宽高比例接近1:2这个先验知识用来过滤非常有效。模板匹配的方案则是把分割出来的每个字符归一化到模板同样的大小然后和templates文件夹里的标准字符模板逐一比对计算相似度取最高分对应的字符作为识别结果。特别注意模板里要包含省份汉字、24个字母I和O一般不出现、10个数字加起来大约55到60张图。如果你用的是Tesseract代码会更短import pytesseract def recognize_chars(char_img): text pytesseract.image_to_string(char_img, config--psm 7 -c tessedit_char_whitelistABCDEFGHJKLMNPQRSTUVWXYZ0123456789) return text.strip()这里--psm 7表示把图片按单行文本处理tessedit_char_whitelist限制了只识别字母和数字。这个方案的好处是省去了准备模板的时间但前提是字符分割做得足够干净否则识别率断崖式下降。我的经验是课程设计用模板匹配更稳妥因为整个识别逻辑你自己可控答辩时能讲清楚Tesseract适合作为对比方案写出不足和改进。4. 实测记录与效果调优4.1 用测试图评估识别率代码跑通之后不要只看一张图成功就急着截图写报告。我建议你从网上找或自己拍15到20张不同角度、不同光线、不同背景的车牌图实在找不到可以用电脑摄像头对着路边车辆视频逐帧截取把识别结果统计到一张表里图片编号、实际车牌、识别结果、是否完全正确、定位是否准确、哪个环节出了问题。我用一份典型的课程设计测试集跑下来大概的效果是这样图片场景图片数量车牌定位成功数字符全对数量主要问题标准正面、光线良好8871张字符分割粘连侧面角度约15度542轮廓定位偏移宽高比失准逆光或阴影420HSV色偏导致蓝色过滤失败复杂背景331ORC误识别汉字这个数据是一个很现实的水平。全对率如果做到50%以上在课程设计里已经完全够用了因为你在报告里可以对比分析每一类失败原因这本身就是很好的答辩素材。4.2 提高识别率的三条实用建议第一定位阶段的形态学核大小值得优先调。很多代码把闭运算的核固定成(15,15)但如果你输入的图片分辨率比较低或者车牌占画面比例小这个核会让车牌区域和车身其他蓝色元素连成一片。建议把核的大小和车牌在画面中的占比挂钩或者在主程序里对输入图片先做一次统一缩放。第二字符分割之后做一次尺寸归一化。常见做法是把所有切出的字符统一缩放为20x40像素减少字体大小不一致对模板匹配的干扰。归一化时需要注意保持宽高比否则字符会发生形变反而降低识别率。如果高度固定为40那么宽度用插值缩放后再放到中间剩下的两侧补黑边。第三程序里可以加一个中文字符的二次校验。国内车牌的汉字是省份简称就几十种模板匹配时优先匹配这些汉字模板的相似度而不是把所有字符都交给字母数字的候选集合。这个规则几乎零成本但能显著降低“渝”识别成“0”这类荒唐错误。4.3 进一步扩展从静态图片到摄像头实时识别很多同学做完图片识别之后想加一个摄像头实时识别的模块作为加分项。其实代码改动不大用cv2.VideoCapture(0)打开摄像头循环读取每一帧调用识别函数就行。但要注意两个问题一是传统图像处理逐帧跑起来帧率很低可能不到每秒5帧需要把图像缩小再处理二是每帧画面中车牌不总是清晰的最好只在画面中出现足够大的蓝色候选框时才触发识别否则控制台会被无意义的识别结果刷屏。网上热词里能看到“ov7670摄像头模块 如何车牌识别”这种问题。ov7670是一个老款CMOS摄像头模块一般配合单片机使用并不适合跑OpenCV这种依赖操作系统的图像处理库。课程设计如果要做嵌入式方向的实时识别更合理的组合是树莓派或Jetson Nano加USB摄像头而不是用ov7670硬怼。如果你想快速看到效果直接用电脑自带摄像头就够了。5. 常见问题与排查技巧实录5.1 新手最容易踩的五个坑我在指导过程中把高频报错整理成了一个速查表第一次跑代码的人基本都能在里面找到自己的问题报错信息或现象原因解决方案ModuleNotFoundError: No module named cv2没有安装OpenCVpip install opencv-pythoncv2.imread返回None图片路径含中文或不存在使用imdecode函数或改纯英文路径findContours() argument value count错误OpenCV版本API变化用contours, _ cv2.findContours(...)pytesseract.pytesseract.TesseractNotFoundError没安装Tesseract引擎下载安装Tesseract并指定tesseract_cmd路径UnicodeDecodeErrorgbk codec ...代码文件编码问题用UTF-8保存源码并处理文件读取编码其中中文路径的问题是重灾区。我最推荐的做法是把项目整个放在纯英文路径下如果一定要读中文路径下的图片可以用这段代码绕过去import cv2 import numpy as np def cv_imread(file_path): # cv2.imread不支持中文路径时用imdecode来读 data np.fromfile(file_path, dtypenp.uint8) img cv2.imdecode(data, cv2.IMREAD_COLOR) return img还有一个看起来奇怪但很常见的问题程序第一次运行识别结果正常第二次运行同一张图片却报错。这通常是因为你代码里修改了原图变量比如直接把彩色图灰度化时用了img cv2.cvtColor(img, ...)后续想再次读取原图时已经不是原来的数据了。建议在整个流水线里保留原始图的副本或者把每一步的中间结果封装成函数返回新图像而不是覆盖输入。5.2 关于zip包本身的两个提醒收到这个zip之后如果压缩包设置了密码不要尝试用网上的所谓密码恢复工具暴力破解。课程设计源码一般是你自己老师或同学传给你的密码直接问来源方要就行折腾那些工具纯属浪费时间还有人在搞这种操作时把自己的电脑弄出了病毒。另外如果你后续在GitHub上找到了功能更强的车牌识别源码并下载了zip包想拿到本地继续修改时遇到“变基到远程仓库失败”类似的报错大概率是因为你直接解压了zip覆盖了已有的项目目录。正确做法是在本地先git init初始化一个仓库然后把zip里的文件拷贝进去再关联远程分支这样就能避免一堆莫名其妙的合并冲突。5.3 给课程设计文档和答辩的补充建议最后说说报告和答辩的准备。这个项目写进报告时至少要有三张图系统整体流程图、车牌定位算法的流程图、识别结果的界面截图。流程图用Visio或draw.io画就行重点是把每一步的输入输出标清楚比如HSV过滤之后是mask图轮廓筛选之后是候选框坐标。答辩时老师最爱问的问题是“为什么这里用闭运算而非开运算”。你只要记住核心逻辑闭运算是先膨胀后腐蚀能把车牌内部字符笔画形成的小孔洞封住让蓝色区域连成一个整体而开运算是先腐蚀后膨胀主要用来去掉孤立的噪点。这两个操作效果相反在实际代码里经常会组合使用。关于改进方向你可以提三个不算太复杂的优化支持新能源绿牌和黄色大型车牌只需增加HSV颜色判断分支、增加倾斜矫正用minAreaRect得到旋转角度后做仿射变换、结合YOLO做端到端的车牌检测。这三个方向可以作为报告里的“不足与展望”既体现你思考过又不至于给自己挖坑。我个人在实际操作中的体会是这个课程设计真正难的不是算法原理而是把一个看起来完整的工程代码在自己的电脑上稳定跑通并且每一步都能讲出“为什么”。你只需要先复现再对着测试结果优化最后把失败案例整理成报告素材就能拿到一个说服力很强的项目经历。本文还有配套的精品资源点击获取