简介一套基于OpenCV的车牌识别系统完整源码面向图像处理初学者、计算机视觉课程学生及智能交通方向开发者帮助快速掌握车牌定位、字符分割与OCR识别的工程实现。压缩包共23个文件约14.56MB包含Python源码、车牌样本图片jpg/png、SVM训练数据dat、模型压缩包7z、使用说明md及许可文件等目录结构清晰便于按模块查阅。已有1175人学习下载。代码按“图像预处理—车牌定位—字符分割—字符识别”主线组织涉及灰度化、Canny边缘检测、形态学操作、模板匹配/SVM分类等关键环节随包提供正负样本和预训练模型读者可复现实验也可替换数据或调整参数改进识别效果非常适合课程设计、毕业设计或智能交通项目预研。通过完整流程演示能直观理解从图像到文本输出的每个步骤也可为后续引入深度学习识别打下基础。1. 拿到基于Opencv的车牌识别系统代码.zip之后先搞清楚这到底是一套什么方案拿到一个名为“车牌识别系统代码.zip”的压缩包时多数人期待的是解压后跑一下就能出结果。但 OpenCV 车牌识别真正的分水岭不在“能不能跑”而在“换一个场景还能不能跑”。固定机位、车牌端正、光照稳定的条件下纯 OpenCV 方案识别率做到 90% 以上并不难CPU 单核就能实时一旦加入夜间、逆光、新能源绿牌算法就要重新调参。这套代码解决的是从单张图像到车牌字符串的完整链路——车牌定位、字符分割、字符识别。适合课程设计、毕业设计、停车场道闸这类固定场景也适合想先看懂传统图像处理流程再上深度学习的入门者。打开这类 zip 后第一件事不是直接双击运行而是先确认依赖OpenCV 版本、NumPy、图像路径是不是写死。很多“跑不起来”的报错都出在路径和版本上与算法本身无关。下面按预处理、定位、分割、识别这条主线把每一段的原理、命令和参数讲透最后给出一组排查经验。2. 先把图像“洗干净”灰度、高斯滤波与二值化的顺序问题2.1 为什么从灰度开始去掉颜色干扰保留结构信息车牌识别的第一步几乎都是灰度化原因很直接边缘检测和后续的投影分割都在单通道上进行彩色信息在计算梯度时不仅没有帮助还会把光照变化放大成噪声。OpenCV 里的转换函数是cv2.cvtColor参数COLOR_BGR2GRAY表示把蓝绿红三通道按加权公式合并成单通道这个加权系数是固定的0.299*R 0.587*G 0.114*B。这里有一个容易被忽略的点灰度化只服务于边缘检测这条路。车牌定位还有另一条常用路线——基于颜色的 HSV 过滤它需要的是原始彩色图像不是灰度图。所以预处理阶段不是“只保留灰度图”而是两条路线各留一份数据。你会看到实际代码里往往同时保留img和gray两个变量后面各取所需。import cv2 import numpy as np # 读取原始图像BGR 通道顺序这是 OpenCV 的默认格式 img cv2.imread(car.jpg) if img is None: raise ValueError(图像路径不对先确认文件是否存在) # 转灰度后续 Sobel 边缘检测只需要亮度梯度不需要颜色 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)这段代码最值得注意的不是cvtColor本身而是img is None的判断。很多从 zip 里直接跑imread报错的情况都是因为相对路径写错了比如脚本在src/目录下图像在images/目录下运行时当前工作目录不同就会读到空指针。所以拿到别人的代码包第一件事就是把图像路径改成绝对路径或者用os.path.join拼接。2.2 高斯滤波与 Sobel先平滑再求导避免噪声被放大成假边缘灰度图之后常见的做法是高斯滤波而不是直接上Sobel。原因是梯度算子对噪声非常敏感一个孤立噪点就能产生很强的边缘响应滤波的作用就是把这种高频噪声压下去。高斯滤波有两个参数核大小(5, 5)和标准差sigma。核大小决定平滑范围5x5 比 3x3 去掉的噪声更多但也会让真正的地面边缘变粗定位时矩形轮廓会更“臃肿”。sigma 一般取 1.0 到 1.5 之间的经验值太小等于没平滑太大则把车牌字符的笔画边缘都糊掉了。车牌定位关心的是“车牌整块区域”而不是“每个字符”所以这里选择适度模糊是安全的。# 高斯滤波核大小 5x5sigma1.0先平滑再求导 blurred cv2.GaussianBlur(gray, (5, 5), 1.0) # 对 x 方向求一阶偏导突出竖直边缘 # 车牌字符笔画、左右边框都有大量竖直边缘Sobel_x 响应最强 sobel_x cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize3) # 把负梯度值取绝对值并转回 8 位图方便后续找阈值 abs_sobel cv2.convertScaleAbs(sobel_x)这里必须注意cv2.CV_64F这个中间类型。Sobel 求导的结果有正有负如果直接用 8 位无符号类型接收负值会被截断成 0边缘信息直接丢失一半。convertScaleAbs会把负值取绝对并映射到0~255范围。ksize3是 Sobel 核的最小尺寸3x3 对细笔画敏感适合字符边缘如果设成 5边缘会更粗反而会让后续形态学处理把两个相邻字符连在一起。2.3 二值化大津法还是固定阈值取决于光照环境Sobel 输出的是梯度强度图接下来要用阈值把它变成黑白二值图。常见的二值化方式有两种固定阈值和大津法OTSU。大津法自动计算阈值核心思想是让前景和背景的类间方差最大在光照还算均匀的画面里表现稳定所以代码包里默认用 OTSU 比较常见。如果换成固定阈值比如cv2.threshold(abs_sobel, 100, 255, cv2.THRESH_BINARY)阈值 100 的含义是梯度强度大于 100 的像素判为边缘。固定阈值的问题是白天强光照下车身边缘的梯度可能到 200到了傍晚只有 80同一个阈值在不同时间点效果完全不同。我一般会把固定阈值留给夜间场景因为夜间背景简单固定阈值反而比 OTSU 更稳。# OTSU 自动选阈值第二个参数传 0 会被忽略阈值由算法自己算 ret, binary cv2.threshold(abs_sobel, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 闭运算先膨胀后腐蚀把断续的字符笔画连成一个完整的“白块” kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)闭运算是车牌定位里最关键的形态学操作。二值化之后字符笔画是一根根碎的边缘线膨胀会把它们沿上下左右方向“加粗”让相邻笔画搭在一起腐蚀再把多余的部分削薄。核选(17, 5)而不是正方形是因为车牌本身是横向矩形横向跨度远大于纵向横长条核能把整排字符连成一块完整的白色区域同时不把上下两行异物粘连。这个核的宽度是整套算法里最敏感的参数。太小比如(7, 5)字符连不成整块车牌会出现断裂太大比如(31, 5)会把车牌附近的保险杠边缘也并进来定位框直接套住半边车身。实际调参时从 11 开始往上试每次加 2观察找出来的轮廓是否完整覆盖七个字符。3. 车牌定位Sobel 边缘与 HSV 颜色两条路线怎么选3.1 定位逻辑车牌是一块“竖边密集”的横向矩形预处理之后图像里所有边缘都被闭运算连成了白色块接下来要做的是从这些块里找出“最像车牌”的那一个。车牌在图像里的直观特征有三个横向矩形、面积适中、边缘密集。标准车牌的宽高比是 440:140约等于 3.14实际拍摄有透视变形所以阈值范围要给到 2.5 到 4.5 之间。cv2.findContours在二值图上找轮廓RETR_EXTERNAL只取最外层轮廓避免车牌内部字符产生的子轮廓干扰。然后对每个轮廓调用cv2.minAreaRect得到一个旋转矩形。这一步比直接取外接矩形要稳因为车辆停在道闸前时车头可能偏转车牌在画面里不是笔直的横条而是一个带角度的平行四边形。contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: rect cv2.minAreaRect(cnt) # 返回 (中心点, (宽, 高), 角度) w, h rect[1] # minAreaRect 不保证 w 是长边先交换到 w h if w h: w, h h, w ratio w / h area w * h # 宽高比按标准车牌的 3.14 留出余量 # 面积下限滤掉远处小噪点上限滤掉整个车身的大轮廓 if 2.5 ratio 4.5 and 500 area img.shape[0] * img.shape[1] * 0.3: box cv2.boxPoints(rect) box np.int0(box) # box 就是候选车牌的四个角点后面再决定是否保留minAreaRect返回的角度在 OpenCV 里是 0 到 90 度之间且角度方向跟 x 轴的夹角定义容易绕晕所以不要直接用角度做矫正而是用四个角点去算。面积上限用img.shape[0] * img.shape[1] * 0.3而不是写死数字是为了让同一套阈值适配不同分辨率的图像。如果你的代码包跑出来一个框把整辆车都套住了优先检查面积上限是不是没有按分辨率缩放。3.2 用 HSV 过滤蓝色光线变化时的救命稻草Sobel 边缘定位在面对车身颜色与背景相近的场景时会翻车比如白车停在白色墙前边缘定位会把整块区域连成一片。这时候颜色是最强的特征传统蓝牌在 HSV 颜色空间里占据一个非常稳定的区间。OpenCV 的 HSV 转换中H色相范围是 0 到 180S饱和度和 V明度范围都是 0 到 255。蓝色车牌的 H 值大致落在 100 到 124 之间饱和度下限 80明度下限 46。这个范围的来源是 OpenCV 教程里的标准值但不是所有场景都适用夜间蓝牌的明度会掉到 50 以下逆光时饱和度会被压低。实际工程里我会把 S 下限和 V 下限单独拆出来做成配置文件方便在不同摄像头下微调。hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌的 HSV 范围OpenCV 的 H 范围是 0-180 lower_blue np.array([100, 80, 46]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) mask_closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)))inRange输出的是二值掩膜符合范围的像素为白色其余为黑色。再走一次闭运算把车牌上可能因反光产生的蓝色空洞填掉。这套逻辑识别蓝牌非常稳但它有一个明显盲区新能源绿牌。绿牌在 HSV 里 H 值大约在 35 到 85 之间与蓝色区间完全不重合。如果守着一套车牌识别系统只做蓝牌会漏掉越来越多上路的新能源车。绿牌的解决办法是再加一个颜色的inRange区间用cv2.bitwise_or把两个掩膜合并。调参时要注意绿的饱和度不能跟背景的绿色混淆城市里的绿化带、绿色围挡都会被误检。如果发现绿色掩膜导致误检率上升宁可把 H 范围收紧到 40 到 70牺牲一点召回率保证精度。提示HSV 的范围参数强烈建议用滑动条调试不要靠猜。核心逻辑是先取一个值让蓝牌全亮再慢慢往下调 S 下限直到背景里的蓝色不再触发。3.3 定位框的后处理透视纠正才是分水岭定位框拿到之后最直观的问题是视角倾斜。车牌在画面里通常不是正对摄像头尤其道闸机安装在侧面时车牌是一个透视变形后的不规则四边形。字符分割依赖“字符水平排列”的假设倾斜超过 5 度垂直投影的波谷就会变浅分割准确率明显下降。所以定位之后要做透视纠正把四个角点映射到一个固定的横向矩形上。def order_points(pts): 按左上、右上、右下、左下排序四个角点 rect np.zeros((4, 2), dtypenp.float32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上角xy 最小 rect[2] pts[np.argmax(s)] # 右下角xy 最大 diff np.diff(pts, axis1).ravel() rect[1] pts[np.argmin(diff)] # 右上角y-x 最小 rect[3] pts[np.argmax(diff)] # 左下角y-x 最大 return rect src order_points(np.float32(box)) dst np.array([[0, 0], [239, 0], [239, 79], [0, 79]], dtypenp.float32) M cv2.getPerspectiveTransform(src, dst) plate cv2.warpPerspective(img, M, (240, 80))这段代码是整个流程里最值得精读的部分。order_points按坐标和差排序避免四个角点顺序错乱导致图像翻转。目标尺寸选240x80是权衡结构宽高比正好 3:1像素数足够后续模板匹配使用又不至于让计算量变大。如果你用 440x140 这样的标准车牌尺寸分割和识别会更准但二值化的光照不均匀问题也会更明显因为每个像素的明暗差异被放大了。透视纠正后车牌区域被单独切出来。到此定位阶段结束下一章进入字符分割。这里必须强调没有做透视纠正的“车牌识别”在测试集上可能只有六成识别率而加了一个透视映射后直接到八成。这一步是性价比最高的改进点。4. 字符分割与识别垂直投影、连通域和模板匹配4.1 分割前先清场去掉边框与铆钉定位纠正后的车牌图像除了七个字符外还有上下边框、左右边框、以及固定车牌的铆钉。这些元素如果不清理会干扰后续的投影分割。清理的常见做法是对二值化后的车牌图做行投影——统计每一行的白色像素数量字符所在行白色像素多边框所在行白色像素也多但边框线条与字符区域之间存在明显的低谷。先把车牌图像转灰度、二值化然后用np.sum按行统计白色像素。找到第一个和最后一个高于阈值的行把它们之间的区域裁剪出来。这样上下边框就被去掉了。左右边框用同样的方法按列裁剪。阈值通常取最大行像素数的 10% 到 20%太低会残留边框太高会把上下边缘笔画较淡的字符剪掉。gray_plate cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY) _, binary_plate cv2.threshold(gray_plate, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 按行统计白色像素找到上下边缘 row_sum np.sum(binary_plate, axis1) / 255 rows np.where(row_sum row_sum.max() * 0.1)[0] y_top, y_bottom rows[0], rows[-1] plate_cropped binary_plate[y_top:y_bottom 1, :]这里有个血泪经验很多代码包在这一步只做上下裁剪不做左右裁剪。结果车牌左边框残留垂直投影时左边框被视为一个宽字符分割出的第一个字符其实是“边框加半个汉字”后续模板匹配必然出错。左右边框的裁剪方式和行投影完全对称但要注意车牌左右两侧在透视纠正后可能还带有背景像素所以左右裁剪的阈值要比上下更严格取最大值的 30% 左右。4.2 垂直投影分割字符阈值的宽窄决定成败清洗完边框后字符排列在二值图上每个字符之间有明显空隙。垂直投影就是对每一列统计白色像素数量字符所在列数值高空隙所在列数值低。找阈值的常用做法是取最大列像素数的 15% 到 25%高于阈值的列视为“字符内”连续的字符列组成一个分段。col_sum np.sum(plate_cropped, axis0) / 255 col_thresh col_sum.max() * 0.2 segments [] in_char False start 0 for i, v in enumerate(col_sum): if v col_thresh and not in_char: start i in_char True elif v col_thresh and in_char: end i # 宽度小于 5 像素的分段基本是噪声、铆钉或分隔圆点 if end - start 5: segments.append((start, end)) in_char False # segments 里每个元素就是一个字符的左右边界20% 阈值在理论上是合理的但实际调试中你会发现字符“1”的笔画最少它的列像素峰值远低于汉字按最大值的百分比算可能低于阈值直接被过滤掉。这是垂直投影法的经典缺陷窄字符容易被当成分隔噪声。我一般会把宽度判断放在阈值之前先记录所有投影峰值超过 5% 阈值的连续段再按宽度过滤而不是直接用硬阈值切分。圆点问题也需要在这里处理车牌第二个字符和第三个字符之间的分隔圆点直径只有 3 到 4 像素投影后形成一个尖峰宽度明显小于正常字符。宽度小于 5 像素的分段直接丢弃就能把圆点排除。另一个办法是按面积过滤分割后的字符区域如果小于所有区域平均面积的 30%视为噪声。两种方式结合虚检率会大幅下降。4.3 模板匹配识别结果与置信度一起返回字符分割完成后每个字符是一块二值图。识别环节在传统 OpenCV 方案里最常见的是模板匹配把字符缩放到固定尺寸与模板库里每张字符图计算相似度取最高分作为结果。模板库一般包含省份汉字简称、字母 A-Z、数字 0-9省份汉字模板通常只有几十张能量远小于字母数字模板所以汉字识别率往往是最弱的环节。模板匹配方法选用TM_CCOEFF_NORMED它计算的是归一化相关系数结果范围在 -1 到 1 之间越接近 1 越相似。它对比的是图像之间的“相对变化模式”所以对亮度变化不敏感。字符图像必须先缩放到与模板一致通常是 20x40 或 28x56缩放时用cv2.INTER_AREA它对缩小时的抗锯齿效果比线性插值好。def match_char(cell, template_dict): cell 是一个字符的二值图template_dict 是 {字符名: 模板图} best_score, best_char -1, None # 缩放到模板尺寸二值图用 INTER_AREA 保留笔画结构 cell cv2.resize(cell, (20, 40), interpolationcv2.INTER_AREA) # 归一化到 0-255消除缩放后灰度偏移 cell cv2.normalize(cell, None, 0, 255, cv2.NORM_MINMAX) for char, template in template_dict.items(): result cv2.matchTemplate(cell, template, cv2.TM_CCOEFF_NORMED) score result[0][0] if score best_score: best_score, best_char score, char return best_char, best_score plate_str for (start, end) in segments: cell plate_cropped[:, start:end] ch, conf match_char(cell, template_dict) if conf 0.6: plate_str ch else: plate_str ? # 宁可标未知不要硬识别成错字置信度阈值 0.6 是经验值实际要根据模板库质量调整模板图越多、采集越规范阈值可以提到 0.7模板不足时0.6 已经能保证大多数字母数字正确。加一个置信度判断比直接取最高分可靠得多——在模板库里“最相似的字符”和“真的就是这个字符”是两回事低置信度情况下返回?让用户知道这段需要人工确认好过输出一个错误车牌去比对门禁。5. 跑不通先别怪算法5 个高频排查点与避坑记录5.1 定位框外的黑边导致分割全乱现象分割阶段把车牌上下边框也当成字符七个字符变成了八个或九个区域模板匹配结果全是乱的。原因定位后把车牌区域直接送去切割没有先做边缘裁剪。车牌二值化后上下边框和字符区域同样有白色像素垂直投影把边框也算成一个独立的“字符列”。解决在分割前先做行列投影裁剪上下裁剪阈值取行投影最大值的 10% 到 20%左右裁剪阈值取 30% 左右因为左右边框往往比字符淡且有背景干扰。做完裁剪后再检查字符区域数量是否为 7 个如果不是回看裁剪阈值。5.2 蓝牌之外还有绿牌颜色区间只写死了一个现象新能源绿牌在 HSV 定位阶段直接被过滤掉定位框为空。原因代码里只写了蓝色车牌的inRange区间H 值 100 到 124 完全覆盖不了绿色。解决增加一个绿色区间H 范围先按 35 到 85 设定S 下限 80、V 下限 46与蓝色掩膜用cv2.bitwise_or合并。调试时优先用一个绿色车牌样本单独验证确认绿牌区域被完整点亮再合入主流程。合并后误检率可能上升此时收紧 S 下限比收紧 H 范围更有效因为背景绿色的饱和度通常低于车牌绿色。5.3 夜间识别率暴跌V 通道是最大变量现象白天好好的系统晚上同一角度识别率从 90% 掉到 60%。原因HSV 定位的 V 通道代表明度夜间车牌区域亮度低低于 46 的 V 下限时掩膜直接变黑。同时夜间车灯产生的强光晕让 Sobel 边缘图上出现大面积虚假轮廓。解决两件事同时做。一是对原图先做 CLAHE 直方图均衡限制对比度增强把夜间车牌区域的亮度整体抬起来二是把 V 下限从 46 降到 20但只对夜间时段生效。如果系统运行在固定场地建议按时间切两套参数白天用标准参数夜间用低 V 阈值加 CLAHE。5.4 第二个字符后面的圆点被当成一个字符现象分割结果出现了 8 段区域第三段是一个小方块模板匹配把它误判成数字 1 或字母 I。原因车牌字符之间的分隔圆点在投影图上产生一个窄峰宽度大约 3 像素高于投影阈值后被当成字符。解决在分割循环里加两个过滤条件——分段宽度小于 5 像素的直接丢弃分段宽度大于投影总宽度四分之一的是疑似两个字符粘连也要处理。圆点的尺寸相对于字符来说非常稳定宽度过滤基本不会误伤真正的窄字符因为数字 1 即使最窄也有完整笔画宽度能到 8 像素以上。5.5 汉字模板匹配全是幻觉相似字符互相串现象字母和数字识别很准汉字部分要么置信度低于阈值返回?要么把结构相近的省份简称互相认错。原因模板匹配的本质是像素级相关汉字笔画密集结构相似的两个汉字在归一化相关系数上差距很小。模板库里每个汉字只放一张图没有覆盖不同摄像头角度下的笔画粗细差异。解决给每个汉字准备多张模板比如正常视角一张、轻微左偏一张、轻微右偏一张识别时取与所有模板比较后的最高分。另一个有效做法是单独训练一个字符分类器用提取后的 HOG 特征或轮廓特征代替原始像素几十张样本就能比模板匹配提升明显。6. 进阶给识别率做一次“体检”再决定要不要上深度学习传统 OpenCV 车牌识别做到最后瓶颈通常在参数上闭运算核宽度、投影阈值、置信度阈值每个参数的合理值都跟着场景变。与其靠手感调参不如把参数组合成一个网格在一批标注好的验证集上批量跑用准确率做排序。这样每次换摄像头、换场地都能在半小时内找到新环境下最优的参数组合。from itertools import product # 固定场景下需要重点调的三组参数 param_grid { close_w: [13, 17, 21], # 闭运算核宽度 proj_thresh: [0.15, 0.2, 0.25], # 投影分割阈值比例 conf_thresh: [0.5, 0.6, 0.7], # 模板匹配置信度 } best_acc, best_params 0, None for close_w, proj_t, conf_t in product(*param_grid.values()): acc evaluate(close_w, proj_t, conf_t) # 在标注好的验证集上计算识别准确率 if acc best_acc: best_acc, best_params acc, (close_w, proj_t, conf_t) print(best acc:, best_acc, params:, best_params)evaluate函数需要你准备一批真实场景的车牌照片每张照片标注好车牌字符串识别结果的正确性可以按整串匹配判断也可以按字符级准确率判断。我一般用字符级准确率做排序指标因为它能反映“到底哪一位最容易错”比整串正确率更敏感。验证集不用大每个场景 15 到 30 张足够覆盖白天、傍晚、夜间和不同行驶角度。网格搜索的价值不只是找到最优参数它还能告诉你这个系统的性能上限。如果三个参数组合全部跑不出 85% 以上的准确率问题大概率不在调参而在定位或分割逻辑本身这时候才需要往上走深度学习方案。一大批熟练工程经验是把整套流程先验证到极限再把算子替换成神经网络。这个“证明传统极限”的步骤恰恰是深度学习方案落地前最好的参照物。我自己吃过亏曾经用一张测试图调参调得很漂亮换到另一个摄像头后全盘崩溃后来养成了“参数网格搜索加验证集”的习惯才把这类系统从靠运气变成了可复现的工程。希望帮到你。本文还有配套的精品资源点击获取