企业官网建设流程全解析

简介：这套基于Python与OpenCV的车牌识别系统，面向人工智能、计算机视觉方向的开发者和学生。除支持图片中的车牌识别外，还具备GUI界面操作、识别数据导出Excel、OpenCV摄像头实时识别等功能，作者并对原项目识别模块做了函数级优化，覆盖车牌定位、字符分割与识别等完整流程，识别速度与准确率均有明显提升，适合课程设计、毕业设计或工程实践参考。资源包共16468个文件，压缩后约24.91MB，以jpg车牌图像样本居多，同时包含Python脚本、sample样本、xml配置、svm.dat等模型数据，从数据集、训练配置到核心代码均有覆盖。已有1843人浏览学习。下载后可获得可直接运行的识别代码、丰富的车牌图像样本、SVM训练模型与工程配置文件，便于快速复现和二次开发，也可借助摄像头实现动态场景下的实时车牌识别。

1. 车牌识别系统没那么玄：先搞清楚定位和分割，再谈识别

做车牌识别最容易被忽悠的一点，就是上来就谈深度学习模型。实际上用 python-opencv 做一套能跑的蓝牌识别系统，核心链路只有三步：颜色定位、字符分割、字符匹配。我在一个车位管理模拟项目X里踩了一周，发现真正的难点根本不在识别网络，而在前面两步——光照一变，HSV 区间飘了，定位框就飞；车牌边框和铆钉没滤干净，分割就多一个字符。这套东西适合刚接触计算机视觉的开发者，也适合想快速验证识别逻辑的技术选型。先放下“人工智能高大上”的预设，用几何特征和颜色特征把流程跑通，后面加什么模型都只是替换最后一步。

2. 颜色定位：用 HSV 把蓝色车牌从复杂背景里抠出来

2.1 HSV 颜色空间筛选：为什么不用 RGB

车牌识别第一步是找到车牌在图片里的位置。很多新手直接拿 BGR 三通道做阈值，结果绿色树木、灰色路面全被圈进来。问题在于 BGR 对光照太敏感，同一块蓝色车牌在阴影和阳光下的 RGB 差值能超过 60。我一般会把图片转到 HSV 空间再做区间判断，因为 H 通道表示色相，对光照变化相对稳定。OpenCV 里 cvtColor 一行就能转，但要注意 OpenCV 的 HSV 范围是 H 0-180、S 0-255、V 0-255，别拿美术里的 0-360 去套。

下面这段代码是定位的起点，先读图、缩放、滤波、转 HSV，再按蓝色区间做掩码：

import cv2 import numpy as np def locate_plate(img): # 统一宽度，减少后续轮廓计算的像素量 img = cv2.resize(img, (800, int(img.shape[0] * 800 / img.shape[1]))) blur = cv2.GaussianBlur(img, (5, 5), 0) hsv = cv2.cvtColor(blur, cv2.COLOR_BGR2HSV) # 蓝色车牌常见区间，H 集中在 100~124 lower_blue = np.array([100, 90, 90]) upper_blue = np.array([124, 255, 255]) mask = cv2.inRange(hsv, lower_blue, upper_blue) return mask, img

这里 resize 到 800 宽是为了让后面的面积阈值有稳定参照，不然 1920 宽的图和 640 宽的图同一套阈值没法用。GaussianBlur 的核用 (5,5)，主要是去掉传感器噪声，避免掩码上出现碎点。HSV 下界的 S 和 V 我通常设 90 而不是 0，否则暗部区域的低饱和度噪声也会被当成蓝色。

2.2 形态学闭运算和轮廓筛选：把碎片拼成完整车牌

掩码图出来后，车牌区域往往不是一整块——车牌上的白色字符会把蓝色区域切断，变成好多个小碎块。直接找轮廓只能拿到半个车牌。常见做法是先做一次闭运算，用比字符宽度稍大的核把断裂处补上。闭运算的顺序是先膨胀后腐蚀，能弥合小缺口，同时保持整体面积不膨胀太夸张。

def extract_contour(mask, img): kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 5)) closed = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) area = w * h if area < 2000: continue ratio = w / h # 标准车牌比例约 3~5，宽度要大于高度 if 2.0 < ratio < 6.0: candidates.append((x, y, w, h)) candidates.sort(key=lambda r: r[2] * r[3], reverse=True) return candidates[0] if candidates else None

闭运算核选 (15, 5)，宽是高的三倍，贴合车牌横向拉长的形状。如果车牌字符间隙较大，可以加大到 (21, 5)，但核太宽会把附近蓝色物体也连进来。轮廓检索用 RETR_EXTERNAL 只取外轮廓，避免把车牌内部的字符轮廓也检出来。面积阈值 2000 是我在 800 宽图像下试出来的经验值，你如果改了 resize 宽度，这个下界要跟着调。

2.3 定位参数调试：光照过强和过暗怎么处理

HSV 区间不是一成不变的。正午阳光直射时，蓝色车牌的 S 会下降，V 很高，看起来发白；傍晚或阴影里，V 可能低于 80。我常用的调节思路是：先固定 H 区间，动态放宽 S 和 V 的下界。比如检测到的蓝色区域太少，就逐步把 S 下界从 90 降到 50，V 下界从 90 降到 60。反过来，如果误检了天空或蓝色广告牌，就收紧区间，把 H 上界从 124 降到 115。

另一个参数是面积阈值。如果你发现候选框把远处的蓝色垃圾桶也圈进来，就提高面积下界；如果近景大车牌的框被切掉，降低面积下界。这个条件很容易被忽略，因为它表现得像“找不到车牌”而非“找错了”。调参时我习惯打印出每一个候选框的 w、h、ratio，用 debug 模式画在图上，比盲调效率高很多。定位这部分是整个系统的地基，定位框歪了，后面分割和识别全白搭。

3. 字符分割：投影法切出七个字符，避开铆钉和边框的雷

3.1 灰度图和二值化：先裁剪定位框再做自适应阈值

拿到定位框之后，第一步是从原图裁出车牌区域，然后转灰度、二值化。这里不建议用全局固定阈值，因为车牌区域光照不均匀，左边亮右边暗时，固定阈值会让一半字符变成背景。我会先做一次高斯自适应阈值，块大小选 31，C 值选 5。块大小必须大于字符笔画宽度，否则每个字符内部会出现空洞。

def binarize_plate(plate_bgr): gray = cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2GRAY) # 自适应阈值，块大小选奇数，C 是常数偏差 binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 31, 5) return binary

THRESH_BINARY_INV 是把字符反成白色、背景反成黑色，因为后面投影分割要找白色连通块。注意这里一定要用 INV，否则找出来的就是背景块。adaptiveThreshold 的 blockSize 选 31，对 800 宽图裁剪出来的大约 240×80 车牌区域来说，刚好能覆盖两到三个字符的宽度，不会让梯度变化干扰太多。

3.2 去边框和铆钉：形态学开运算干掉细线

车牌边框和固定铆钉是分割阶段最烦人的噪声。白色边框在二值化后是一条贯穿整行的白线，垂直投影时会形成一个巨大的峰，导致字符区域被错误合并。我的处理顺序是：先做一次开运算，用比较宽的核对白色边框做“瘦身”，然后通过行投影找到字符的上下边界，裁掉顶部和底部的边框残留。

def strip_frame(binary): # 开运算去掉细的边框线，保留粗字符 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 水平投影：统计每行白点数量，定位字符区域的上下边界 row_sum = np.sum(opened, axis=1) rows = np.where(row_sum > 0)[0] if len(rows) == 0: return None top, bottom = rows[0], rows[-1] # 上下各裁掉 2 像素，避免残留的边框边缘 return opened[top+2:bottom-2, :]

开运算是先腐蚀后膨胀，能消除面积小于核的白色噪点。边框线在垂直方向只有 1~3 像素，而字符笔画通常有 8~15 像素宽，所以 (3,3) 核可以把边框腐蚀掉一部分，但字符主体仍然保留。水平投影找的是所有白点的最高行和最低行，这一步可以顺带把车牌顶部的白色边框排除。如果铆钉刚好在字符行范围内，水平投影切不掉，需要在后面的连通域分析里单独处理。

3.3 垂直投影分割：动态间隔切出字符块

字符分割最常见的方法是垂直投影法：统计每一列的白点数量，然后从投影曲线中找连续的“有内容”区间。但直接做会碰到两个问题：字符内部有笔画间隙导致一个字符被切成三段；左右边框与字符粘连导致两个字符并成一个块。我的做法是先用一个宽度阈值合并碎块，再用高度和宽高比过滤。

def split_chars(binary): col_sum = np.sum(binary, axis=0) # 找出所有白点数量大于0的列 cols = np.where(col_sum > 0)[0] if len(cols) == 0: return [] # 把连续的列划分为初始块 blocks = [] start = cols[0] for i in range(1, len(cols)): if cols[i] - cols[i-1] > 8: # 间隔超过8像素视为断开 blocks.append((start, cols[i-1])) start = cols[i] blocks.append((start, cols[-1])) # 合并过窄的碎块，宽度小于15像素且间隔小于字符宽度的块并入左侧 merged = [list(blocks[0])] for blk in blocks[1:]: w = blk[1] - blk[0] if w < 15 and (blk[0] - merged[-1][1]) < 30: merged[-1][1] = blk[1] else: merged.append(list(blk)) # 按宽度过滤：太宽的是两个字符粘连，太窄的是噪声 chars = [] for blk in merged: w = blk[1] - blk[0] h = np.sum(binary[:, blk[0]:blk[1]], axis=0).max() if 15 <= w <= 60 and h > 20: chars.append((blk[0], blk[1])) return chars

这里有个关键逻辑：合并碎块时只看“宽度小于15”和“与前一块间隔小于30”，这两个数是我从实际车牌字符宽度反推出来的。标准蓝牌在 800×600 的原始图中，每个字符宽度大约 35~50 像素，笔画间隔 3~6 像素。如果设的合并阈值太大，字符“京”的左右两半会被强行拼回去；太小又会把一个字符切成两半。过滤条件里宽度上限 60 是为了挡掉两个字符粘连后宽度超过 70 的块，这种情况虽然发生了粘连，但优先让它进不了识别环节，总比误识别好。

4. 字符识别：模板匹配够用，先别急着上深度学习

4.1 模板库构建：统一尺寸和笔画粗细

字符分割完成后，每个字符块需要归一化到固定尺寸，然后和模板做比较。模板匹配的精度完全取决于模板库的质量。我用的模板不是手写字，而是从标准车牌字体里截出来的单字符图，每个字符做三组变体：正常、轻微倾斜、加粗。尺寸统一缩放到 40×80，背景黑、字符白，和分割出来的二值图保持同一个方向。

def build_templates(): templates = {} chars = "ABCDEFGHJKLMNPQRSTUVWXYZ0123456789" for ch in chars: # 假设 template_dir 下每个字符有多张图片 for f in glob.glob(f"templates/{ch}_*.png"): img = cv2.imread(f, cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (40, 80)) # 二值化保证和输入字符一致 _, img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY) templates.setdefault(ch, []).append(img) return templates

注意字符集合里我排除了字母 I 和 O，这两个和数字 1、0 极易混淆，车牌标准里本来也不会同时出现。归一化用 40×80 是因为字符块经过分割后高度大于宽度，保持 1:2 的比例能减少拉伸变形。模板是白字符黑底，如果输入分割图是黑字符白底，识别前要取反。

4.2 识别与置信度：用归一化相关系数代替像素差

直接求两幅图对应像素差的绝对值平均，对位置偏移非常敏感。字符分割的边界不可能恰好和模板完全对齐，差一两个像素得分就掉一大截。我一般用归一化相关系数，也就是把两幅图都拉平成一维向量后算相关性，OpenCV 的 matchTemplate 里就有对应模式。

def recognize_char(char_img, templates): char_img = cv2.resize(char_img, (40, 80)) _, char_img = cv2.threshold(char_img, 128, 255, cv2.THRESH_BINARY) best_score = -1 best_char = None for ch, tmpl_list in templates.items(): for tmpl in tmpl_list: # 用相关系数匹配 res = cv2.matchTemplate(char_img, tmpl, cv2.TM_CCOEFF_NORMED) score = res[0][0] if score > best_score: best_score = score best_char = ch if best_score < 0.6: return None, best_score return best_char, best_score

TM_CCOEFF_NORMED 的输出范围是 -1 到 1，实际经验里同一字符的匹配分通常在 0.7~0.9 之间，不同字符在 0.3~0.5。阈值 0.6 是我定的底线，低于这个值宁可输出 None，也不要硬给一个结果。因为车牌识别最后要做综合判断，一个字符错了整个牌子就错了，不如先标记为未知，让上层逻辑决定是否重试。

4.3 模板匹配的短板和两个补救手段

模板匹配最大的短板是扛不住字体变形。新能源绿牌、老式黄牌、甚至某些省份的车牌字体边缘有细微差别，固定模板的识别率会明显下降。一个补救方式是做多模板投票，比如同一字符收集 5 种字体变体，取得分最高的前三个结果做投票，能稳定两到三个百分点。另一个补救方式是做字符的宽度归一化时保留原始宽高比，不要直接拉伸成 40×80，而是补零到目标尺寸，减少横向形变。这两个手段我都加进了完整代码，能显著提升不同摄像头下的鲁棒性。如果你手头的车牌数据包含倾斜角度较大的图片，建议先跑一下后面的倾斜校正，再进识别。

5. 避坑与常见问题：五个实测翻车场景及修复参数

5.1 现象：蓝色广告牌被当成车牌候选框

定位时 HSV 颜色过滤把商店招牌上的蓝色底也圈进来了，并且形态学闭运算后面积和宽高比都满足条件。原因是招牌蓝色和车牌蓝非常接近，而且招牌上可能有白色文字，闭运算正好把这些文字连接成了一个大块。解决方法是增加一个“内部纹理”判断：车牌的字符分布有固定排列，而招牌文字大小不均。在定位后计算候选框内白色像素的连通块数量，车牌通常有 7±2 个块，招牌可能只有 1 个或十几个。这个过滤逻辑我放在轮廓筛选之后，能干掉大约 70% 的误检。

5.2 现象：字符分割多出一个小方块

分割结果里除了七个字符，还多了一个宽度很小的窄条，通常是铆钉或者车牌边框的残留。我在前面用开运算去边框，但铆钉是圆形的，开运算核是矩形，对圆形腐蚀不彻底。解决方法是按宽度和“是否与相邻字符有重叠竖区间”来过滤。如果某个块的宽度小于标准字符宽度的一半，并且它的上下边界不在字符主体的公共区间内，直接丢弃。实测里这个条件可以过滤掉 90% 的铆钉碎片。

5.3 现象：识别结果总是少一位，比如“京A12345”变“京A1234”

先检查分割环节是否把两个字符粘在了一起。最常见的粘连发生在字符“1”和后面的字符之间，因为“1”的笔画细，垂直投影时如果间隔处被少量噪声填充，投影值会大于零，导致前一个字符的结束列和下一个字符的开始列之间没有空隙。解决方法是分割时不要用“投影值大于 0 就是字符列”的硬条件，改成“投影值大于某阈值才认为有字符”，阈值取这个区域内最大投影值的 15%。这样噪声列会被跳过，断开间隔就出来了。

5.4 现象：视频流里识别结果一闪一闪，时好时坏

单张图片识别没问题，但视频里每帧独立识别，某一帧因为运动模糊或光照突变导致分割失败，下一帧又恢复，结果就会闪烁。解决思路不是优化单帧识别，而是加一个“短时一致性”判断：连续三帧中如果两帧的识别结果相同，就采纳这个结果；如果结果在变就继续等。这其实是个状态机，非常简单，但效果很明显。后面第 6 章我会给出具体代码。

5.5 现象：换一个摄像头，识别率从 92% 掉到 70%

不同摄像头的焦距、白平衡、色彩增益差异很大。之前我在模拟项目X里用固定 HSV 区间，换摄像头后发现蓝色车牌的掩码面积缩了一大半。原因是对面那个摄像头的色彩偏淡，S 通道整体低了 30。解决方法是做一次“颜色自适应”：在画面中取一个统计蓝色像素的直方图，再把区间中心自动偏移。具体做法是先用宽松区间（比如 H 80-140）粗筛出蓝色像素，计算这些像素的 H 和 S 均值，再用均值附近 ±15 的区间重新掩码。这个逻辑几乎每个项目都需要。

6. 进阶：从单张图片到视频流实时识别，加一层去重逻辑

6.1 连续帧识别与简单状态机

把上面单帧函数封装成一个process_frame后，视频流的主要问题是时序噪声。我用的方案是维护一个长度为 3 的滑动窗口，窗口里出现两个相同结果时输出，否则继续。代码如下：

def video_recognize(video_path): cap = cv2.VideoCapture(video_path) window = [] last_output = None while True: ret, frame = cap.read() if not ret: break result = process_frame(frame) # 返回车牌字符串或 None if result is None: window.clear() continue window.append(result) if len(window) > 3: window.pop(0) if len(window) == 3 and window[0] == window[2]: # 首尾一致才输出，避免抖动 print(window[1]) window.clear()

注意这里不要求连续三帧完全一致，只要求第一帧和第三帧相同，因为中间一帧如果恰好被运动模糊污染，还能靠投票兜底。window 在识别失败时清空，是为了防止几秒前的结果一直占用窗口。

6.2 结果缓存与置信度加权：最后一层后悔药

状态机输出了字符串，但还不能直接作为最终结果。我一般再加一个缓存字典，记录最近 10 秒内每个字符串出现的次数和平均置信度。当某个结果的置信度超过 0.75、出现次数超过 3 次，才正式确认。这个逻辑能挡住误识别单帧闪烁，也能在车牌快速驶过时补上漏检的帧。实现时可以只维护一个队列，不复杂，但能让最终输出稳定很多。

这套流程跑通之后，你会意识到车牌识别真正的技巧不在模型，而在预处理和参数设计。从那以后我每次调识别系统，都强制走一遍“先固定分辨率，再调 HSV，再调分割阈值，最后才碰识别”的顺序，少走很多弯路。希望帮到你。

本文还有配套的精品资源，点击获取