基于OpenCV的车牌识别实战：从图像预处理到字符分割的完整链路

简介本资源是一套基于Python、PyCharm与OpenCV的车牌识别完整项目源码面向具备一定Python基础、希望入门计算机视觉与深度学习实战的开发者可用于交通监控、智能停车等场景的学习与二次开发。压缩包共69个文件约35.89MB包含21个py脚本、23个pyc编译文件、7个h5模型权重、7张jpg与3个gif示例图、2个xml配置、1个ttf字体及1个mp4演示视频覆盖从图像预处理、车牌定位、文本分割到字符识别的完整流程。项目内含模型配置、字体资源与检测脚本便于直接运行与调试。目前已有876人学习下载。通过该资源读者可掌握灰度化、直方图均衡化、边缘检测、轮廓筛选等预处理方法理解连通组件分析与CNN字符识别思路并借助PyCharm的项目结构高效组织代码、调试模型为后续数据集标注、模型优化与实时性能调优提供可复用的实践参考。1. 从一张糊到看不清的抓拍说起这套车牌识别源码到底能跑出什么地下车库出口的摄像头抓拍十张里有三张车牌是斜的、两张过曝、一张被前车挡住半边。拿这种图去跑识别能出结果才怪。我手上这套基于 PyCharm Python OpenCV 的车牌识别项目解决的正是这种非理想图像下的车牌定位与字符分割问题——它不依赖深度学习模型纯靠 OpenCV 的形态学、边缘检测和轮廓筛选把车牌抠出来再走字符切分和模板匹配。整套代码在 PyCharm 社区版里直接打开就能跑不需要 GPU不需要训练权重适合刚学完 OpenCV 基础、想找一个完整图像处理链路练手的 Python 入门者也适合需要快速搭一个车牌定位原型、后续再替换识别模块的工程师。它最大的价值不是识别率有多高而是把图像预处理 → 车牌定位 → 字符分割 → 字符识别这条链路用可调试的代码摊开给你看每一步都能单独停下来看中间结果。2. 环境搭建与工程结构PyCharm 里怎么把 OpenCV 跑通2.1 为什么选 PyCharm 社区版而不是别的这套代码对 IDE 没有硬性要求但 PyCharm 社区版有个实际好处它的项目解释器管理足够直观装 OpenCV 和 NumPy 不容易把环境搞乱。很多人用系统 Python 直接 pip install结果 cv2 和 numpy 版本打架报出cv2.error: OpenCV(4.4.0) ... pip-req-build这种一看就头大的错误。我的习惯是每个图像处理项目单独建虚拟环境PyCharm 新建项目时勾选New environment using Virtualenv解释器路径指向项目目录下的 venv这样后面装什么包都不会污染全局。工程结构上这套源码通常长这样license_plate_recognition/ ├── main.py # 主流程入口 ├── plate_locate.py # 车牌定位 ├── plate_split.py # 字符分割 ├── plate_recog.py # 字符识别 ├── utils.py # 图像显示、保存等工具函数 ├── templates/ # 字符模板图0-9、A-Z、省份简称 └── images/ # 测试用车辆图片如果你拿到的包结构略有不同不影响核心是找到那个main.py或者类似的入口文件。先别急着改代码把环境跑通再说。2.2 安装依赖一行命令背后的版本坑在 PyCharm 的 Terminal 里执行pip install opencv-python numpy matplotlib这里有个血泪经验opencv-python不要盲目装最新版。有些老代码用了cv2.findContours的旧返回值两个返回值而 OpenCV 4.x 返回三个值直接报ValueError: not enough values to unpack。如果你拿到的源码是几年前写的先确认它适配的 OpenCV 版本。稳妥做法是装 4.5.x 系列pip install opencv-python4.5.5.64 pip install numpy1.21.6装完在 PyCharm 里跑一句验证import cv2 import numpy as np print(cv2.__version__) print(np.__version__)如果报ModuleNotFoundError: No module named cv2九成是 PyCharm 当前项目解释器没选对。去 File → Settings → Project → Python Interpreter确认选的是你刚建虚拟环境那个解释器而不是系统默认的。这个坑我见过太多次新手往往在 cmd 里 pip install 成功了但 PyCharm 用的却是另一个解释器两边对不上。2.3 第一次运行先跑通再谈调参把测试图片放进images/目录运行main.py。如果一切正常你会看到弹出窗口依次显示原图、灰度图、边缘检测结果、形态学处理后的车牌候选区域最后框出车牌并输出识别字符。如果窗口一闪而过在cv2.imshow后面加cv2.waitKey(0)这是 OpenCV 的 GUI 事件循环不加的话窗口来不及显示就关了。第一次跑不建议直接上自己的图先用源码自带的测试图确认链路通畅。跑通之后再换自己的图观察哪一步开始出问题——是定位框歪了还是字符切分切多了还是模板匹配对不上。这套代码的调试友好之处就在于每一步都有中间输出你可以逐段注释掉后面的流程只看定位结果。3. 车牌定位的完整链路从灰度图到候选矩形3.1 预处理高斯模糊、Sobel 与形态学闭运算的配合车牌定位的核心思路是利用车牌区域的纹理特征——字符和背景之间有密集的垂直边缘。所以第一步不是找颜色而是找边缘。import cv2 import numpy as np def locate_plate(image_path): # 读取原图 img cv2.imread(image_path) # 转灰度减少计算量 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊抑制噪声核大小(5,5)是经验值 blur cv2.GaussianBlur(gray, (5, 5), 0) # Sobel算子求x方向梯度车牌字符垂直边缘明显 sobel_x cv2.Sobel(blur, cv2.CV_16S, 1, 0, ksize3) # 转回uint8并取绝对值 abs_x cv2.convertScaleAbs(sobel_x) # 二值化阈值可调150是常用起点 _, binary cv2.threshold(abs_x, 150, 255, cv2.THRESH_BINARY) # 形态学闭运算把断裂的字符边缘连成块 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) return img, closed这段代码里每个参数都有讲究。高斯核(5,5)太小去不掉噪点太大把边缘也糊没了。Sobel 的ksize3是最小核对细边缘敏感如果你处理的图分辨率很高可以试ksize5。二值化阈值 150 不是固定的光照强的图可能要提到 180暗图要降到 100 左右。形态学闭运算的核(17,5)是横向长条因为车牌字符是横向排列的这个核能把同一行的字符边缘连成一个矩形块同时不会把上下无关区域粘进来。如果你发现定位框把整个车头都框进去了先把核改小比如(13,5)。3.2 轮廓筛选用长宽比和面积把车牌挑出来闭运算之后图上会出现若干白色块车牌只是其中之一。接下来用findContours找轮廓再按几何特征筛选。# 找轮廓RETR_EXTERNAL只取外轮廓 contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: # 计算外接矩形 x, y, w, h cv2.boundingRect(cnt) # 长宽比中国蓝牌大约3:1到4:1 ratio w / float(h) # 面积过滤太小的噪点不要 area w * h if 2.5 ratio 5.0 and area 1000: candidates.append((x, y, w, h)) # 按面积从大到小排序取最大的几个作为候选 candidates.sort(keylambda b: b[2] * b[3], reverseTrue) return img, candidates长宽比范围2.5 ratio 5.0是覆盖蓝牌和新能源绿牌的常见比例。面积阈值 1000 是针对 720p 以上图片的经验值如果你的图很小这个值要降。RETR_EXTERNAL只取最外层轮廓避免字符内部的孔洞干扰。筛选出来的候选框按面积排序通常车牌是面积最大的那个但也不绝对——如果图里有广告牌、路标可能被误选。所以后面还要加颜色验证。3.3 颜色验证HSV 空间里把蓝色车牌捞出来几何筛选之后对每个候选框做颜色判断进一步排除误检。def verify_by_color(img, box): x, y, w, h box roi img[y:yh, x:xw] hsv cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) # 蓝色车牌HSV范围OpenCV中H是0-180 lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 蓝色像素占比超过30%认为是车牌 blue_ratio cv2.countNonZero(mask) / float(w * h) return blue_ratio 0.3HSV 的 H 通道在 OpenCV 里是 0 到 180不是 0 到 360这个容易搞混。蓝色范围[100, 80, 80]到[124, 255, 255]覆盖了大多数蓝牌。饱和度下限 80 是为了排除灰白色的干扰。占比阈值 0.3 是保守值实际车牌区域蓝色占比通常超过 50%但考虑到反光和污渍放宽到 0.3 更稳。如果是新能源绿牌把 H 范围改成[35, 80, 80]到[85, 255, 255]。4. 字符分割与模板匹配把车牌拆成单个字符4.1 垂直投影法切分字符定位到车牌后裁剪出来做二值化然后用垂直投影找字符之间的间隙。def split_characters(plate_img): # 转灰度并二值化OTSU自动阈值 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个数 projection np.sum(binary, axis0) / 255 # 找字符边界投影值从低到高再降低算一个字符 chars [] in_char False start 0 for i, val in enumerate(projection): if val 2 and not in_char: in_char True start i elif val 2 and in_char: in_char False # 宽度过滤太窄的当噪点 if i - start 5: chars.append(binary[:, start:i]) return charsTHRESH_OTSU会自动算阈值比手动指定省事但对光照不均的图可能翻车。投影阈值val 2表示这一列至少有两个白色像素才算字符区域这个值可以根据车牌图大小调整。宽度过滤i - start 5是去掉那些一两个像素宽的噪点列。切分出来的字符顺序是从左到右但要注意中文车牌第一个字符是省份简称宽度通常比后面的字母数字大模板匹配时要单独处理。4.2 模板匹配归一化后的字符比对字符识别用的是最朴素的模板匹配把切分出的字符缩放到统一尺寸和 templates 目录下的模板逐个比对。def recognize_char(char_img, templates): # 统一缩放到20x40 char_resized cv2.resize(char_img, (20, 40)) best_score -1 best_label ? for label, tmpl in templates.items(): # 模板匹配TM_CCOEFF_NORMED返回-1到1 score cv2.matchTemplate(char_resized, tmpl, cv2.TM_CCOEFF_NORMED) score score[0][0] if score best_score: best_score score best_label label return best_label, best_scoreTM_CCOEFF_NORMED是归一化相关系数匹配对亮度变化不敏感适合这种场景。模板图要提前准备好每个字符一张尺寸和char_resized一致。匹配分数低于 0.5 的基本可以认为是误识别实际使用中可以把低分结果标记出来人工复核。这套模板匹配的识别率在清晰车牌上能到 80% 左右模糊或倾斜的会明显下降——这是方法本身的边界不是代码 bug。4.3 把整条链路串起来主流程就是把上面的函数按顺序调用def main(image_path): img, closed locate_plate(image_path) _, candidates find_candidates(closed) for box in candidates: if verify_by_color(img, box): x, y, w, h box plate img[y:yh, x:xw] chars split_characters(plate) result for ch in chars: label, score recognize_char(ch, templates) result label print(识别结果:, result) cv2.rectangle(img, (x, y), (xw, yh), (0, 255, 0), 2) cv2.imshow(result, img) cv2.waitKey(0)跑通之后你会发现定位和分割的中间结果比最终识别结果更有调试价值。识别错了先看分割对不对分割不对回头看定位框准不准定位不准回去调形态学核和阈值。这条链路每一环都可控这也是纯 OpenCV 方案相比深度学习黑匣子的优势。5. 避坑与排查那些让代码跑不起来的常见问题5.1 cv2.error 版本不兼容现象运行时报cv2.error: OpenCV(4.4.0) ... pip-req-build或者findContours返回值解包失败。原因OpenCV 4.x 的findContours返回三个值(contours, hierarchy, _)而旧代码按两个值解包或者 opencv-python 和 numpy 版本不匹配。解决确认代码适配的 OpenCV 版本统一降级到 4.5.x同时把 numpy 锁在 1.21.x。用pip list看实际安装版本不要只看 requirements.txt。5.2 定位框把整个车头框进去现象画出的矩形远大于车牌甚至覆盖半个车身。原因形态学闭运算的核太大把车身其他边缘也连成块了或者二值化阈值太低背景噪声太多。解决先把闭运算核从(17,5)降到(13,5)甚至(11,5)再把二值化阈值提高 20 到 30。如果还不行在轮廓筛选里把长宽比范围收窄比如3.0 ratio 4.5。5.3 字符切分多切或少切现象识别结果里多出无意义的字符或者两个字符粘在一起。原因垂直投影的阈值val 2不适合当前图片的字符粗细或者二值化后字符有断裂。解决把投影阈值改成动态的比如取投影最大值的 10% 作为阈值。字符断裂的话在二值化后加一次形态学闭运算核用(3,3)小核把断笔连上。5.4 PyCharm 里 import cv2 报红但能运行现象代码编辑器里import cv2下面有红色波浪线但运行没问题。原因PyCharm 的索引没更新或者当前解释器选错了。解决File → Invalidate Caches → Restart然后确认 Project Interpreter 指向 venv 里的 python。如果还报红在 Settings → Project Structure 里把源码目录标记为 Sources。5.5 换自己的图后完全没结果现象测试图能跑换成自己的图后一个候选框都没有。原因图片分辨率、光照、车牌颜色和测试图差异太大所有阈值都不适用。解决先把图缩放到和测试图相近的尺寸再逐步放宽筛选条件——面积阈值降到 500长宽比范围扩到2.0 ratio 6.0颜色占比阈值降到 0.2。观察中间输出看是在哪一步丢的。6. 进阶调优把识别率从能用推到好用模板匹配的天花板就在那里想再往上走有几个方向可以试。第一个是字符归一化做得更细不要统一缩放到 20x40而是先做透视校正把倾斜的车牌拉正再按字符实际宽高比缩放。透视校正用cv2.getPerspectiveTransform和cv2.warpPerspective需要手动或自动找到车牌的四个角点。自动找角点可以用cv2.approxPolyDP对车牌轮廓做多边形逼近取四个顶点的版本。第二个方向是模板库的扩充。同一字符准备多张不同字体、不同粗细的模板匹配时取最高分。比如京字黑体和宋体各一张能覆盖更多实际场景。模板图不用多每个字符三到五张就够关键是覆盖你实际会遇到的字体风格。第三个方向是后处理校验。中国车牌有固定格式第一个是省份简称第二个是字母后面五位是字母数字混合。识别完之后用正则校验一遍不符合格式的字符用次高分候选替换。这一步能把识别率再拉几个百分点而且实现成本很低。import re def post_process(result): # 中国车牌正则省份简称字母5位字母数字 pattern r^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5}$ if re.match(pattern, result): return result # 不符合格式的尝试常见混淆替换 confusion {0: O, O: 0, 1: I, I: 1, 8: B, B: 8} for i, ch in enumerate(result): if ch in confusion: candidate result[:i] confusion[ch] result[i1:] if re.match(pattern, candidate): return candidate return result这个后处理逻辑不复杂但效果立竿见影。我一般会在识别完每个字符后保留前三个候选后处理时按格式约束做组合搜索比单纯替换更稳。最后一个技巧是关于调试的把每一步的中间结果都存成图片用cv2.imwrite写到 debug 目录文件名带上步骤序号。这样跑完一遍你有一整套可视化流程哪一步出问题一目了然。比在 PyCharm 里打断点看变量快得多尤其是处理批量图片的时候。从那以后我每次拿到新的图像处理项目都强制先跑一遍中间结果可视化确认每一环的输出符合预期再往下走。这套车牌识别代码的价值不在于它多完美而在于它把每一步都摊开了让你能看见问题出在哪。希望帮到你。本文还有配套的精品资源点击获取