简介一套面向Python课程设计场景的车牌识别项目完整代码包适合计算机、人工智能相关专业学生用作实训参考或二次开发起点可有效降低选题与实现门槛。项目整体覆盖车牌图像预处理、车牌定位、字符分割与中文车牌字符识别等核心流程以SVM分类器完成识别分类工程完整度高演示效果直观。压缩包共18个文件仅4.73MB结构清晰易读5个py脚本按图像处理流程拆分分别承担图像矫正、定位、识别与主逻辑2个dat文件存放SVM模型参数png/jpg图片可供实时测试另附车牌识别PPT与README说明便于汇报讲解和快速上手。目前已有651人学习下载。拿到后可直接运行验证也可结合代码注释、模型文件和演示素材系统梳理识别链路既能支撑课程设计与毕业设计也可作为自学图像识别项目的练手素材。 车牌识别这个题目在Python课程设计的选题列表里常年排在前三。原因很简单听起来足够硬核OpenCV又能提供大量现成函数感觉网上资料随便搜搜就有。但真正动手的人都知道网上的完整代码要么版本老旧、要么运行环境不一致很多人复制下来连依赖都装不齐。这篇文章我直接按自己做这个项目的思路来讲覆盖传统图像处理方案的完整流程、关键参数、常见坑和答辩经验适合正在准备Python课程设计的学生也适合想用OpenCV做入门级识别项目、但暂时不想碰深度学习的人。1. 选题定方案传统视觉路线为什么更适合课程设计1.1 深度学习方案为什么慎选车牌识别的实现路线大致分两派传统数字图像处理和深度学习。不少人上来就想用YOLO做车牌检测加CRNN做文字识别觉得效果好、自带科技感。但对课程设计来说这条路有几个现实问题训练需要数据集和算力笔记本电脑跑不动或者跑得极慢数据标注本身也是一大块工作量更关键的是训练完之后的模型对你来说基本是一个黑盒答辩时老师问“网络结构为什么要这么设计”“损失函数怎么调的”很难讲出实质性内容。我跟高校里带课程设计的老师交流过多数老师的评价标准是“你有没有把原理吃透”而不是“你的准确率有多高”。传统视觉路线在这点上明显占优定位、分割、识别每个模块的边界都清清楚楚每一步用到的函数都能在答辩现场打开源码逐行解释报告里也能画出完整的处理流程图。花同样的时间传统路线更容易讲出一个逻辑闭环。1.2 四段式流程和模块划分传统车牌识别的整体流程分成四步图像预处理、车牌定位、字符分割、字符识别。预处理负责把原始图片转成适合后续操作的格式定位负责从整张图里把车牌区域找出来分割负责把车牌里的7个字符省份简称汉字发牌机关字母5位数字字母逐个切出来识别负责把每个字符图片识别成对应的文字。工程上建议从一开始就统一封装入口函数例如process_one_image(img_path)输入图片路径返回车牌字符串中间每一步的结果都用cv2.imwrite保存到result文件夹。这样做的价值在后期调试时会完全体现出来定位不准就只看定位的中间图分割乱了就只看分割后的字符图不用每次都从头跑一遍还什么都不看到。写课程设计报告时这些中间结果图也可以直接作为插图使用。项目目录建议这样组织plate_recognition/ ├── main.py # 主流程入口 ├── preprocessing.py # 预处理模块 ├── locate.py # 车牌定位模块 ├── segment.py # 字符分割模块 ├── recognize.py # 字符识别模块 ├── test_images/ # 测试图片 └── result/ # 中间结果输出1.3 测试素材从哪里来一个很容易被忽略的问题是测试图片从哪搞。网上随便下载的车牌图片很多是打过码的而且分辨率大小不一直接用会带偏你的调试方向。更靠谱的做法是用公开的车牌数据集比如CCPD中国车牌数据集里面包含了不同场景、不同角度、不同光照条件下的真实车牌图片而且是学术用途免费开放的。如果网络条件不方便退而求其次可以自己拍一些清晰的车牌照片作为补充测试集不过要注意涉及他人车辆信息的内容建议还是以公开数据集为主。测试集不需要太多20到30张覆盖正常、倾斜、暗光、模糊这几类情况就够了重点在于你能用它说明你的算法在哪些情况下有效、哪些情况下会失效。2. 车牌定位颜色筛选、形态学处理和轮廓过滤2.1 为什么先转HSV再做颜色筛选定位车牌区域最稳定可靠的依据就是颜色。国内蓝底白字车牌占比最大蓝色在自然图像里又是比较突出的色系。但直接在RGB空间里判断颜色非常容易被光照干扰同一个蓝色在树荫下和阳光下RGB三个通道值可以差出好几十。HSV空间把色相H、饱和度S、明度V拆开颜色信息集中在H通道受亮度影响小得多。用cv2.cvtColor(img, cv2.COLOR_BGR2HSV)转完再用cv2.inRange()筛选出蓝色像素的掩膜。网上一搜一大把的HSV蓝色范围是hsv_lower (100, 43, 46) hsv_upper (124, 255, 255)这个范围覆盖常规蓝色没问题但实测下来很多老车牌褪色严重边缘发灰发白S和V的下限卡在43和46会把一部分车牌像素漏掉。我当时把下限放宽到(100, 40, 40)暗光图片的召回率明显提升。别直接照抄参数最好自己写一个带Trackbar的小工具实时看掩膜效果调到你的测试集整体都能筛出车牌轮廓为止。这一步花半小时后面所有步骤都会舒服很多。2.2 形态学闭运算把零散像素连成车牌矩形颜色筛选出来的掩膜上车牌区域往往不是完完整整的一块字符笔画之间的空隙、反光造成的断点让整个区域变成碎片。直接用cv2.findContours()找轮廓会得到一二百个小轮廓根本没法判断哪一个是车牌。这时候要用形态学闭运算把同一片区域里断开的像素连起来。闭运算就是先膨胀后腐蚀我用的是横条形的结构元素kernel cv2.getStructuringElement(cv2.MORPH_RECT, (15, 5)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)为什么用横向长条而不是方形车牌本身是横向的矩形字符的左右间隔小、上下间隔大横向的长条核能在不把上下相邻物体粘连进来的前提下把同一行的字符笔画接上。核的尺寸要看输入图片的大小我当时把图片统一缩放到宽度800像素再处理(15, 5)这个尺寸就够用。核太大会把车头的蓝色车标也连进来太小又连不上多试几次找到你的图片尺寸下的最优值。2.3 轮廓外接矩形过滤和坐标排序闭运算之后掩膜上的连通域就少多了。接下来用cv2.findContours()找到所有轮廓再用cv2.boundingRect()算出每个轮廓的外接矩形。车牌的标准宽高比是440mm乘140mm大约3.14考虑到拍摄有倾斜角度通常保留比例在2.5到5.0之间的候选项同时限制面积不小于整张图的1%。这两个条件能过滤掉绝大多数非车牌区域。如果画面里有干扰物或者多辆车可能会剩下多个候选项。我的策略是取面积最大的那个因为课程设计的测试场景基本是单辆车正面或斜前方这个策略足够用。如果你手头的测试图有多辆车就得加一个“车牌位置在画面下半部分”之类的先验条件或者干脆做一次边缘密度判断车牌区域的纹理比车身光滑区域密集很多用这个特征再做一轮筛选。找到车牌区域的矩形框后别急着截取建议顺手做一次透视矫正。车牌很少是正对着镜头的总有点倾斜直接截取出来的矩形区域里字符是歪的后面分割出来的字符会带着斜角识别率直线下降。透视矫正可以用四个角点配合cv2.getPerspectiveTransform()和cv2.warpPerspective()完成把倾斜区域拉成规整的矩形。这一步代码量不大但对最终效果的影响很大。3. 字符分割投影法的原理、实现和翻车处理3.1 分割前的二值化和干扰去除车牌区域截好之后先转灰度、去噪、二值化。二值化的阈值选择有讲究直接用固定阈值比如127遇到光照不均的车牌图片就会局部失效用大津法OTSU让算法自动根据像素分布计算阈值效果稳定得多。OpenCV里一行搞定_, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)二值化之后车牌边缘的白色边框如果不处理会在投影图的两端形成干扰峰所以要先做边缘裁剪。我的做法是用一个小的腐蚀核对二值图腐蚀两次然后手动去掉最外围的几行几列像素把白色边框去掉。这一步是那种“不做也不报错、做了效果完全不同”的细节分割结果最直接的差异就在这里。3.2 垂直投影法的核心逻辑字符分割的主流做法是投影法。把二值图像想象成一座城市白色像素是楼房统计每一列里白色像素的数量就是在画这座城市的楼高轮廓线。字符之间有间隔所以投影曲线会呈现“波峰-波谷-波峰”的形态白色像素接近零的那些列就是字符之间的街道也就是分隔位置。代码逻辑上把二值化后的车牌区域按列求和得到一个一维数组然后从左到右扫描连续大于某个阈值的区间算作一个字符h, w binary.shape projection np.sum(binary, axis0) // 255 in_char False char_regions [] start 0 for x in range(w): if projection[x] 0 and not in_char: in_char True start x elif projection[x] 0 and in_char: in_char False end x char_regions.append((start, end))投影法的效果直接受二值化质量影响所以前面的灰度化、去噪、去边框一步都不能省。省了一步后面分割出来的字符就可能是粘连的或断裂的再好的识别模型也救不回来。3.3 分割结果的个数校正和圆点处理正常车牌有7个字符但直接按投影分割结果往往不是7。最常见的干扰是第二个字符后面的小圆点分隔符它也会形成一个独立的投影峰面积很小。解决办法是设置一个最小宽度阈值宽度明显小于平均字符宽度的区域直接剔除。另外省份简称汉字结构复杂比如“京”字内部笔画间隙大投影时会裂成两段导致一个汉字被切成两个碎片分割结果变成8个甚至9个。处理逻辑是如果分割结果超过7个就把相邻且宽度明显偏小比如小于平均宽度一半的碎片合并再判断合并后的宽度是否接近正常字符宽度。这个合并判断是很容易被忽略的得分点很多人的代码卡在分割这一步就是少了这个后处理。分割完成后把所有字符统一缩放到固定大小比如20乘40保存成单张图片这组图片就是后续识别的输入同时也相当于你手工构建了一个小型字符数据集。4. 字符识别模板匹配兜底PaddleOCR保效果4.1 模板匹配为什么只适合当保底方案字符识别最直观的做法是模板匹配准备0到9、A到Z以及几十个省份简称汉字的模板图片把分割出来的字符缩放到相同尺寸用cv2.matchTemplate()逐一计算相似度取最高分作为结果。result cv2.matchTemplate(char_img, template, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ cv2.minMaxLoc(result)实测下来模板匹配有两个明显的局限一是对字体和清晰度极其敏感模板用宋体测试图里是黑体汉字识别率就崩二是对倾斜和笔画断裂鲁棒性差分割出来的字符稍微歪一点相似度分数就大幅下降。所以我的建议是模板匹配作为保底方案确保在没有网络、没有额外模型的情况下代码依然能跑通全流程但指望靠它拿高分不现实。4.2 PaddleOCR的集成方式和实测结论如果老师允许使用现成的OCR库PaddleOCR是比Tesseract更适合中文车牌场景的选择。车牌字符里有省份简称汉字Tesseract的中文识别需要额外下载训练数据识别率也不好PaddleOCR对中文的默认支持好很多安装也简单pip install paddlepaddle paddleocr调用方式很直接from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(char_img, clsTrue)这里有一个关键取舍整张车牌ROI一次性识别还是按分割出的字符逐个识别。我的实测结论是整张ROI识别的代码省事但对倾斜、模糊的图片容易漏字符逐字符识别更稳定前提是分割质量有保证。最终我采用的是折中方案优先按分割结果逐字符识别如果识别结果长度不等于7再回退到整张ROI识别拿两次结果做个取舍。这个“双通道”逻辑不容易翻车也方便在报告里写对比数据。PaddleOCR首次运行会自动下载模型文件需要等一会儿如果网络不太好建议提前手动把模型下载好放到缓存目录免得答辩现场卡在下载这一步。4.3 识别结果的正则校验和错误分析识别模型输出的是字符串但直接相信它也不行。车牌格式有严格规律第一位是省份简称汉字第二位是发牌机关字母后五位是字母和数字混合部分车牌还有“挂、警、学”等特殊字符。写一个校验函数检查识别结果长度是否为7、第二位是否是字母import re def validate_plate(plate): if len(plate) ! 7: return False if not re.match(r^[\u4e00-\u9fa5]$, plate[0]): return False if not plate[1].isalpha(): return False return True用这个校验函数跑一遍测试集把识别失败和格式异常的图片单独存到一个文件夹里统计错误集中在哪一位。我实测下来错误率最高的是第一位汉字其次是字母B和数字8混淆。把这些错误案例整理进报告配上失败原因分析反光、过曝、非标准车牌等答辩时是很加分的材料。它向老师展示的不仅是你跑通了一个Demo而是你真的在做工程化的错误分析。5. 环境配置、Demo演示和答辩通关经验5.1 Python环境和OpenCV安装的坑课程设计最常见的翻车现场就是代码在别人电脑上能跑在自己电脑上报错。OpenCV的安装现在其实很简单先装Python 3.9或3.10建一个虚拟环境然后pip install opencv-python numpy paddlepaddle paddleocr虚拟环境一定要建很多同学直接往全局环境里pip装了一堆库之后互相冲突import cv2就报错。如果遇到import cv2提示找不到DLL大概率是缺VC运行库补装就行如果是numpy版本不兼容把numpy降到1.24.3基本能解决。还有一个很隐蔽的坑OpenCV的imread()不支持中文路径项目文件夹只要带了中文名图片就会读取失败返回None而且不报错。所以项目目录从一开始就用纯英文命名这是最小的成本、最大的省心。提示千万不要在全局Python环境里直接pip install一旦把系统Python的环境搞乱后面装什么库都可能报错。用python -m venv venv建虚拟环境再激活使用。5.2 怎么设计一个让老师眼前一亮的Demo课程设计答辩通常只有5到10分钟与其现场一张张跑图不如提前准备好一个批量测试脚本把测试集里的20张图片全部跑完输出准确率和每张图的识别结果。然后挑3张有代表性的图片现场分步演示第一张展示正常车牌的完整流程第二张展示倾斜车牌的透视矫正过程第三张展示一个失败案例并解释原因。有精力的话可以再做一个tkinter小界面左边选图、中间显示车牌定位中间结果、右边显示最终识别字符串。这个界面的代码量大概在100行左右难度不大但展示效果比纯命令行强很多。界面代码放到一个单独的gui.py文件里不影响核心流程的整洁。如果时间紧至少保证process_one_image()能一次跑通并输出每一步的中间图路径。5.3 答辩高频问题和应对思路答辩时老师问得最多的不是某个具体函数怎么用而是“你这个算法换个场景还成立吗”。提前把这些问题的答案理清楚为什么用HSV而不用RGB因为HSV把亮度分离到V通道颜色判断不会因为光照变化剧烈波动。为什么要做闭运算字符笔画之间有很多断点闭运算能把断开的像素连成完整的车牌区域方便后续找轮廓。遇到新能源绿牌怎么办在颜色筛选阶段把HSV范围从蓝色扩展到绿色即可后续流程完全不用变。识别错误集中在哪类图片反光和倾斜最严重处理方法分别是加强预处理和优化透视矫正参数。这些问题的核心都在验证你有没有理解自己的代码。我建议答辩前把用到的cv2.inRange、cv2.morphologyEx、cv2.threshold、cv2.matchTemplate这几个函数逐个查一遍文档至少能说出每个参数的含义以及改一个参数会带来什么影响。另外提前把电脑调成演示模式关掉屏幕休眠不然讲到一半屏幕黑了非常影响节奏。5.4 提交前的自检清单课程设计交代码之前至少确认三件事第一代码在全新环境里能否从零跑通这要求你把依赖整理成一个requirements.txt并且用相对路径读取测试图片不要出现绝对路径第二中间结果是否完整保存报告里要用到的定位图、分割图、识别结果图提前全部跑一遍生成好第三代码里不要留大段注释掉的调试代码把无用的分支删干净让核心流程能一眼看清。这三点看起来是小事但直接影响老师对代码质量的印象分。最后分享一个我自己在调试这类图像处理项目时的真实感受大多数问题都不是算法逻辑错了而是输入数据不够干净。光照不均匀、拍摄角度奇怪、车牌被遮挡任何一类情况都会让某个环节失灵。所以从第一天开始就养成把每一步中间结果保存下来的习惯查问题会快得多。车牌识别这个题目天花板不低把传统流程吃透之后想进阶可以尝试用目标检测模型替换定位模块、用CRNN替换识别模块但先把手写的流程完整跑通、把每一行代码的原理讲清楚对课程设计来说才是最稳的路径。本文还有配套的精品资源点击获取