简介这是一套基于Python与OpenCV实现的车牌识别系统源码资源面向计算机视觉入门者、课程设计或毕业设计需求的学生以及希望了解车牌检测与识别完整流程的开发者。资源在原项目基础上扩展了摄像头实时识别功能并优化了识别模块函数兼顾图片识别、GUI界面交互与识别结果导出Excel等实用能力。压缩包共16468个文件以16415张jpg图像样本为主辅以少量xml标注、py源码、dat模型文件及配置文件整体约24.91MB目录结构便于按模块查阅与二次开发。目前已有1843人学习下载。读者可从中获取车牌定位、字符分割与识别的完整代码实现理解OpenCV图像处理与SVM分类在真实场景中的配合方式并参考摄像头实时识别与数据导出的工程化思路适合作为视觉项目练手与功能扩展的起点。1. 车牌识别系统从一张图片到结构化结果的完整链路很多开发者第一次接触计算机视觉都是从车牌识别这个场景切入的。原因很直接它既有明确的输入输出又能把图像预处理、边缘检测、字符分割、模式识别这几个核心环节串起来。这份基于 python-opencv 的车牌识别系统源码做的就是这件事——输入一张车辆照片输出车牌上的字符内容。它适合两类人一类是刚学完 OpenCV 基础、想找一个完整项目练手的新手另一类是需要快速搭建车牌识别原型、验证业务可行性的开发者。整个项目不依赖深度学习框架纯靠传统图像处理算法实现这意味着你不需要 GPU也不需要训练数据集拿到源码配好环境就能跑。但传统算法有它的脾气光照、角度、车牌颜色稍有变化识别率就会波动这也是后面要重点聊的踩坑点。2. 技术选型与架构拆解为什么用传统图像处理而不是深度学习2.1 核心依赖与技术栈这个项目的技术栈非常克制核心依赖只有三个依赖作用版本建议opencv-python图像读取、灰度化、边缘检测、形态学操作、轮廓查找4.xnumpy矩阵运算、数组切片、像素值统计1.21matplotlib调试阶段可视化中间结果3.x没有 PyTorch没有 TensorFlow也没有训练好的权重文件。整个识别流程靠的是 OpenCV 提供的图像处理函数和一套基于规则的分割逻辑。这种选型的好处是部署轻量一个脚本就能跑坏处是对场景的泛化能力有限后面会具体说。2.2 整体处理流程项目的处理链路可以拆成五个阶段每个阶段对应一个函数或一组操作# 伪代码流程示意 def recognize_plate(image_path): img cv2.imread(image_path) # 1. 读取原图 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 2. 灰度化 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 3. 高斯模糊去噪 edged cv2.Canny(blurred, 50, 150) # 4. Canny边缘检测 contours cv2.findContours(edged, ...) # 5. 查找轮廓 plate_region locate_plate(contours, img) # 6. 定位车牌区域 chars split_characters(plate_region) # 7. 字符分割 result match_characters(chars) # 8. 字符识别 return result这段流程里第 6 步和第 8 步是变数最大的地方。定位车牌靠的是轮廓的宽高比和面积筛选字符识别靠的是模板匹配或简单的特征比对。没有神经网络兜底每一步的参数都需要根据实际图片调整。2.3 目录结构推测虽然项目正文没有给出完整的目录树但按这类项目的常见组织方式结构大致如下plate-recognition/ ├── main.py # 入口脚本串联整个识别流程 ├── preprocess.py # 图像预处理灰度、模糊、边缘检测 ├── locate.py # 车牌定位轮廓筛选、透视变换 ├── segment.py # 字符分割垂直投影、连通域分析 ├── recognize.py # 字符识别模板匹配或特征分类 ├── templates/ # 字符模板库如果采用模板匹配 │ ├── 0.png ~ 9.png │ └── A.png ~ Z.png ├── test_images/ # 测试图片 └── requirements.txt # 依赖清单这种拆分方式的好处是每个环节可以独立调试。比如定位不准你只需要改locate.py不用动识别部分的代码。我一般会建议在main.py里加一个debug开关打开后把每一步的中间结果都存成图片方便肉眼排查问题出在哪个环节。2.4 车牌定位的核心逻辑定位是整个流程里最关键的环节定位错了后面全白搭。项目里常用的做法是基于颜色和边缘双重筛选def locate_plate(contours, img): candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) aspect_ratio w / float(h) area w * h # 中国蓝牌宽高比约 3:1 到 4:1 之间 if 2.5 aspect_ratio 5.0 and area 2000: candidates.append((x, y, w, h)) # 按面积排序取最大的作为车牌区域 candidates.sort(keylambda c: c[2] * c[3], reverseTrue) return candidates[0] if candidates else None这里的参数2.5 aspect_ratio 5.0和area 2000是经验值。宽高比范围太窄会漏掉倾斜拍摄的车牌太宽又会把保险杠、车灯区域误判进来。面积阈值同理图片分辨率越高这个值要相应调大。常见做法是先跑几张测试图把中间结果可视化出来再根据实际轮廓的分布来定这两个参数。2.5 字符分割与识别定位到车牌区域后下一步是把车牌里的字符一个个切出来。传统做法是垂直投影法对车牌区域做二值化然后统计每一列的白色像素数量字符之间的间隔处投影值会接近零以此作为切分点。def split_characters(plate_img): gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 垂直投影统计每列白色像素数 projection np.sum(binary, axis0) / 255 # 找到投影值低于阈值的列作为分割点 split_points [] for i in range(1, len(projection)): if projection[i] 5 and projection[i-1] 5: split_points.append(i) # 根据分割点切出字符区域 chars [] for i in range(len(split_points) - 1): char binary[:, split_points[i]:split_points[i1]] chars.append(char) return chars分割完成后的字符识别项目里大概率用的是模板匹配。就是把切出来的字符缩放到统一尺寸然后和模板库里的字符逐个比对像素差异取差异最小的作为识别结果。这种方法的识别率高度依赖模板质量和字符归一化的精度。如果模板库覆盖不全或者字符有轻微倾斜识别就会出错。3. 环境搭建与运行从零把项目跑起来3.1 环境准备这个项目对环境的依赖很轻Python 3.7 以上都能跑。建议用虚拟环境隔离依赖避免和系统里的其他包冲突# 创建虚拟环境 python -m venv venv # 激活虚拟环境Windows venv\Scripts\activate # 激活虚拟环境macOS/Linux source venv/bin/activate # 安装依赖 pip install opencv-python numpy matplotlib如果下载速度慢可以换国内镜像源比如清华的-i https://pypi.tuna.tsinghua.edu.cn/simple。安装完成后在 Python 里执行import cv2; print(cv2.__version__)确认 OpenCV 能正常导入。3.2 运行入口与参数说明项目的入口通常是main.py调用方式一般有两种命令行传参或直接改脚本里的图片路径。# 方式一命令行传参 python main.py --image test_images/car1.jpg # 方式二直接运行图片路径写在脚本里 python main.py如果项目用的是argparse解析参数--image后面跟的就是待识别的图片路径。有些版本还会提供--debug参数打开后会把中间处理结果保存到output/目录下。我建议第一次运行时把 debug 打开这样能直观看到每一步的处理效果。3.3 验证运行结果跑通之后终端会输出识别到的车牌号码同时可能弹出一个窗口显示标注了车牌区域的图片。如果窗口没弹出来检查一下是不是在无头环境比如服务器里运行这种情况下需要把cv2.imshow相关的代码注释掉改成cv2.imwrite保存结果。一个正常的输出大概长这样检测到车牌区域: (320, 180, 200, 60) 分割出 7 个字符 识别结果: 京A12345如果输出是空的或者乱码先别急着改代码按下一章的排查思路一步步定位。4. 避坑与排查识别率上不去的五个常见原因4.1 现象车牌区域定位不到返回空结果原因Canny 边缘检测的双阈值设置不合理导致车牌边缘没被检测出来或者轮廓筛选的宽高比范围太窄把正确的轮廓过滤掉了。解决先把 Canny 的低阈值降到 30高阈值降到 100看看边缘图里车牌轮廓是否清晰。如果边缘没问题但轮廓还是筛不出来把宽高比范围放宽到2.0 ratio 6.0面积阈值降到 1000先确保能定位到再逐步收紧参数。4.2 现象字符分割多切或少切原因垂直投影的阈值设得太高或太低。阈值太高字符内部的空白列被当成分割点导致一个字符被切成两半阈值太低字符之间的间隔没被识别出来两个字符粘在一起。解决把二值化后的车牌区域和投影曲线都存成图片肉眼观察投影值的分布。字符间隔处的投影值通常接近零字符内部的投影值在几十到几百之间。根据实际分布把阈值定在两者之间一般取 5 到 15 之间的值。4.3 现象识别结果张冠李戴把 0 认成 O把 1 认成 I原因模板匹配对相似字符的区分能力弱尤其是数字和字母混排的车牌。模板库里的字符如果字体和实际车牌不一致匹配分数会很接近导致选错。解决在模板匹配的基础上加一层规则约束。比如中国车牌的第一个字符是汉字第二个是字母后面五位是数字和字母的组合。利用这个位置规则可以在匹配结果里排除掉不符合位置类型的候选字符。4.4 现象换一张图片就完全识别不出来原因参数过拟合到测试图片上了。宽高比、面积阈值、投影阈值这些参数都是针对某一张或某几张图片调的换一张光照、角度、分辨率不同的图片参数就不适用了。解决收集至少 20 张不同场景的车辆图片包括白天、傍晚、正面、侧面、蓝牌、黄牌然后写一个批量测试脚本统计每张图片的识别结果。参数调整的目标是让整体识别率最高而不是让某一张图片识别对。4.5 现象程序运行报错error: (-215:Assertion failed)原因最常见的是图片路径写错了cv2.imread返回None后续操作就崩了。另一种可能是图片格式不支持或者 OpenCV 安装不完整。解决在cv2.imread后面加一行判断img cv2.imread(image_path) if img is None: print(f图片读取失败请检查路径: {image_path}) exit(1)这样能快速定位是路径问题还是图片本身的问题。5. 二次开发与改造从能跑到好用5.1 替换字符识别方案模板匹配的识别率天花板很低如果你想提升效果最直接的改造方向是把字符识别换成轻量级的 CNN 模型。不需要上 ResNet 这种大网络一个三层的卷积网络就够用。改造步骤用 OpenCV 的cv2.dnn模块加载 ONNX 格式的模型这样不用额外装深度学习框架。把分割出来的字符缩放到 32x32归一化后输入模型。模型输出 65 个类别10 个数字 26 个大写字母 汉字的概率分布取最大概率对应的字符。# 用 OpenCV DNN 加载 ONNX 模型做字符识别 net cv2.dnn.readNetFromONNX(char_recognition.onnx) def recognize_char(char_img): blob cv2.dnn.blobFromImage(char_img, 1/255.0, (32, 32)) net.setInput(blob) output net.forward() char_index np.argmax(output) return index_to_char[char_index]这种改造的好处是识别率能提升到 95% 以上代价是需要准备训练数据。如果不想自己训练可以在网上找开源的字符数据集用迁移学习微调一下。5.2 增加车牌颜色识别现在的项目大概率只处理蓝牌但实际场景里还有黄牌大型车、绿牌新能源车。改造思路是在定位到车牌区域后加一步颜色判断def detect_plate_color(plate_img): hsv cv2.cvtColor(plate_img, cv2.COLOR_BGR2HSV) # 蓝色范围 blue_mask cv2.inRange(hsv, (100, 80, 80), (130, 255, 255)) # 绿色范围 green_mask cv2.inRange(hsv, (40, 80, 80), (80, 255, 255)) # 黄色范围 yellow_mask cv2.inRange(hsv, (20, 80, 80), (35, 255, 255)) blue_ratio np.sum(blue_mask) / blue_mask.size green_ratio np.sum(green_mask) / green_mask.size yellow_ratio np.sum(yellow_mask) / yellow_mask.size if green_ratio 0.3: return 新能源绿牌 elif yellow_ratio 0.3: return 大型车黄牌 else: return 普通蓝牌颜色识别能帮你过滤掉一些误检区域比如把蓝色车身误判成车牌的情况。5.3 批量处理与结果导出单张图片识别只能用来演示实际用的时候肯定要批量处理。改造方向是加一个batch_process函数遍历指定目录下的所有图片把识别结果写进 CSV 文件import csv import os def batch_process(image_dir, output_csv): results [] for filename in os.listdir(image_dir): if filename.endswith((.jpg, .png, .jpeg)): path os.path.join(image_dir, filename) plate recognize_plate(path) results.append({filename: filename, plate: plate}) with open(output_csv, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnames[filename, plate]) writer.writeheader() writer.writerows(results)这个改造看起来简单但实际用的时候能省很多事。我一般还会在 CSV 里加一列confidence记录识别时的匹配分数方便后续筛选出低置信度的结果人工复核。5.4 一个容易忽略的细节改造过程中最容易翻车的地方是字符分割和识别的衔接。模板匹配对字符的尺寸很敏感如果你在分割阶段没有把字符统一缩放到模板的尺寸匹配分数会整体偏低导致识别结果随机。我的习惯是在split_characters返回之前就把每个字符resize到固定尺寸比如(20, 40)这样识别模块拿到的输入就是规整的。从那以后我每次改分割逻辑都会先把中间结果存图看一眼确认字符切得干净、尺寸一致再往下走识别。希望帮到你。本文还有配套的精品资源点击获取