尧图网站建设 
简介面向计算机视觉初学者与智能交通应用开发者的车牌识别模板匹配示例包提供了一套从车牌定位、图像预处理到字符识别的完整可运行流程。压缩包共135个文件整体仅192KB其中67个bmp为车牌字符/省份模板66个jpg为不同场景下的车辆或车牌样本1个m脚本承载模板匹配与识别主逻辑1个db文件存放模板索引或匹配数据结构轻量且便于直接打开调试。内容围绕图片匹配与模板匹配展开包含灰度化、直方图均衡化、二值化等预处理思路以及相似度阈值判定、边缘检测、连通域验证等实现要点同时覆盖了字符分割与现代OCR识别的基本框架。目前已有140人学习下载适合用于课程设计、毕业设计或车牌识别入门实验使用时可调整匹配参数、扩充模板库来适配不同省份、不同光照条件下的车牌具有较强的扩展学习价值。1. main.zip 车牌识别模板图片匹配与模板匹配的差异先要落实拿到一个名为 main.zip 的车牌识别模板工程第一件事不是直接跑识别而是先把“图片匹配”和“模板匹配”这两个概念掰开。模板匹配是拿一张已知的小图在待检测的大图上逐像素滑动计算相似度属于典型的全局穷举对比而图片匹配在工程里通常指图像检索、特征匹配或内容比对目标是判断两张图是否描绘同一物体或区域。车牌识别会同时用到这两条线定位阶段用模板匹配或特征找车牌区域字符阶段再逐字小模板做精确识别。main.zip 这个名字很直白解压后大概率是一个以 main.py 为入口的快速验证包适合做蓝牌、黄牌甚至新能源车牌的规则化识别。这篇文章就把模板匹配的原理、main.zip 这类模板工程的最小跑通方式、字符分割和逐字识别流程一次讲透顺带给出参数调优和误匹配处理的一般做法。适合刚接触车牌识别想快速在本地跑出检测框又不想一上来就上深度模型的人。2. 模板匹配原理与参数从平方差到归一化相关系数2.1 模板匹配与整图检索的边界滑窗、相似度图与归一化模板匹配的核心是一次滑窗穷举。假设模板尺寸是 100×30被搜索图是 1920×1080算法会从图中左上角开始切出同样大小的区域与模板做逐像素运算得到一个相似度得分然后向右滑动一个像素得到下一个得分全部滑完后形成一张与搜索图尺寸等比例缩小的得分图得分最高的位置就是匹配结果。它和特征匹配的根本区别在于模板匹配不提取关键点不做仿射变换估计遇到旋转、缩放、遮挡都会明显失效。正是因为这种“逐像素硬对比”的特性模板匹配适合两类车牌场景。第一类是摄像头角度固定车牌在画面中大小、位置相对稳定的停车场入口可以直接用整块车牌模板定位第二类是字符阶段每个字符已经标准化到固定尺寸把 0-9、省份简称、字母等做成小模板逐一匹配。这两种场景里的共同要求是模板和待搜索区域的成像条件尽量一致包括光照方向、灰度分布和字符粗细。做模板匹配前还要明确一个容易混淆的点归一化不是可选项而是必须项。cv2.matchTemplate有带_NORMED后缀的算法也有不带后缀的原始版本。不带归一化的TM_SQDIFF对图像整体亮度极敏感同一张图电平从 20 变成 40得分会差好几倍。实际工程里我会先把输入的 BGR 图转成灰度再做一次高斯模糊大幅降低像素级噪声对得分图的影响。模板也做同样的预处理保证两者处于同一个灰度分布区间。2.2 matchTemplate 的六种相似度算法与阈值设计OpenCV 的matchTemplate提供六种方法记不住也没关系但必需知道哪几个常用以及最大最小值的含义。下表把核心差异列出来方法计算逻辑最佳值适用偏好TM_SQDIFF像素差平方和越小越好光照稳定、噪声低TM_SQDIFF_NORMED归一化平方差越接近 0 越好光照变化时更稳TM_CCORR乘积相关越大越好速度最快但偏差高TM_CCORR_NORMED归一化相关越接近 1 越好整体亮度敏感度低TM_CCOEFF减去均值后再相关越大越好有效抗直流分量TM_CCOEFF_NORMED归一化相关系数越接近 1 越好工程首选抗光照最好实际代码里最常用的是TM_CCOEFF_NORMED因为它对图像整体亮度和对比度变化相对不敏感。车牌表面有反光、阴影、夜间补光不均时它的得分分布比平方差类方法更集中阈值也好设。下面的代码段是模板匹配的最小闭环输入一张场景图和一张车牌模板输出最高得分和匹配矩形import cv2 import numpy as np def locate_plate_with_template(scene_path, template_path): # 读取灰度图模板和场景都统一到 0-255 灰度域 scene cv2.imread(scene_path, cv2.IMREAD_GRAYSCALE) templ cv2.imread(template_path, cv2.IMREAD_GRAYSCALE) # 适度模糊减少传感器噪声带来的虚假高响应 scene cv2.GaussianBlur(scene, (5, 5), 0) templ cv2.GaussianBlur(templ, (5, 5), 0) # 执行滑动窗口匹配 result cv2.matchTemplate(scene, templ, cv2.TM_CCOEFF_NORMED) # 找到全局最高分和对应位置 min_val, max_val, min_loc, max_loc cv2.minMaxLoc(result) h, w templ.shape[:2] top_left max_loc bottom_right (top_left[0] w, top_left[1] h) print(f最高置信度: {max_val:.4f}) return top_left, bottom_right, max_val # 调用示例返回的矩形可以直接画到原图上 # box locate_plate_with_template(car_plate_scene.jpg, plate_template.jpg)这段代码最需要关注的是minMaxLoc的返回值TM_CCOEFF_NORMED下要取max_val和max_loc如果用TM_SQDIFF_NORMED就要反过来取min_val和min_loc这是最常见的坑。另外一个隐藏参数是模板图像必须与场景图像同类型一个是 uint8另一个是 float32OpenCV 虽然不会直接报错但结果会变成无意义的噪声。多尺度场景下模板往往是从外部资源里缩放过很多次的需要在匹配前用cv2.resize统一到基准尺寸。到这里已经可以解释 main.zip 里最可能的第一个模块加载模板、加载场景、输出候选框。下一章就以此为基础做真正能处理不同图片尺寸的多尺度定位。3. 解压 main.zip 后先跑通最小车牌定位工程3.1 模板工程的文件组织与运行顺序一个常见的 main.zip 模板工程内部一般不会只有单文件。至少应该包含main.py、templates/目录和samples/目录。templates/下放车牌模板比如蓝牌的整牌模板、单个字符模板、新能源绿牌模板samples/下放实际拍摄的车辆图片。解压后的第一条命令是把 zip 解开并确认目录结构符合预期unzip main.zip -d plate_project cd plate_project find . -type f | sortfind的输出里重点看几个文件入口脚本是否叫main.py模板目录里是否同时存在多尺寸模板比如plate_1x.png、plate_1.2x.png。很多模板包会把模板放在子目录深处如果直接用相对路径读取容易报FileNotFoundError。我一般会在运行前先用os.listdir打印一遍模板目录把路径硬编码到配置里避免脚本一启动就崩。代码组织的顺序应当是先读模板再读场景然后做多尺度匹配。直接固定一个尺度去匹配只能处理模板和车辆图恰好等大的情况。摄像头安装位置变化后车牌在画面中占比会持续变化因此必须在尺度维度上做“图像金字塔”。常见做法不是把大图缩放成不同尺寸而是把模板缩放成多个尺度因为模板小缩放计算代价低。3.2 用多尺度模板匹配定位车牌的逐行实现下面这段代码完成固定步长的多尺度模板搜索并把超过置信度阈值的候选框合并输出。核心思想是对模板按尺度列表逐次缩放每次与原始场景图做一次matchTemplate把所有得分图汇总最后取全局最高分。import cv2 import numpy as np def multi_scale_match(scene, templ, scales(0.8, 0.9, 1.0, 1.1, 1.2), step0.1): best_score -1.0 best_rect None best_scale 1.0 h0, w0 templ.shape[:2] for scale in scales: # 按当前尺度缩放模板插值方法选 INTER_AREA 以减小缩小锯齿 resized cv2.resize(templ, (int(w0 * scale), int(h0 * scale)), interpolationcv2.INTER_AREA) if resized.shape[0] scene.shape[0] or resized.shape[1] scene.shape[1]: continue # 归一化相关系数匹配 result cv2.matchTemplate(scene, resized, cv2.TM_CCOEFF_NORMED) _, max_val, _, max_loc cv2.minMaxLoc(result) if max_val best_score: best_score max_val best_scale scale best_rect (max_loc[0], max_loc[1], max_loc[0] resized.shape[1], max_loc[1] resized.shape[0]) return best_rect, best_score, best_scale # 使用示例 scene cv2.imread(samples/car.jpg, 0) plate_templ cv2.imread(templates/plate_blue.png, 0) rect, score, scale multi_scale_match(scene, plate_templ) x1, y1, x2, y2 rect print(f检测结果: scale{scale:.2f}, score{score:.2f}, rect({x1},{y1},{x2},{y2}))这段代码里resized.shape判断很关键。如果模板被放大到比场景还大matchTemplate会直接抛异常。另一个容易被忽略的参数是scales的粒度相邻尺度步长越大匹配速度越快但可能漏掉真实尺度的车牌。一般我会先设step0.1做粗筛拿到位置后再在当前尺度附近用step0.02精修。要注意每一次matchTemplate都在消费 CPU尺度越多耗时越长720p 以下的图用五个尺度还可接受1080p 图就需要把搜索区域先裁剪到感兴趣区域。拿到候选框后不要直接认为它就是车牌区域。很多车辆图的车头进气格栅、保险杠纹理和车牌边框灰度相似会造成假阳性。此时可以加两条后置规则一是候选框宽高比蓝牌比例接近 440:140也就是 3.14:1 左右超过 3.4 或小于 2.8 的直接丢弃二是框内灰度统计车牌区域二值化后白色车牌的背景像素通常占比较高边缘密度也稳定。把这些规则写进 main.py 里比单纯调高阈值更可靠。4. 车牌字符切割与逐字模板匹配识别流程4.1 定位区域预处理灰度、二值化与垂直投影定位到车牌区域后下一步是把车牌上的字符逐个裁切出来再用字符模板做匹配。很多初学模板匹配的人直接在彩色图里对每个字符抠模板结果换一张车灯多的图就全乱了。实际上字符切割的基石是稳定的二值化而不是模板匹配本身。先把定位区域转灰度再做闭运算填平铆钉和螺丝孔然后用 Otsu 自动阈值得到二值图。车牌背景如果是深色蓝底、绿底二值化后字符会变白背景变黑如果是白底黑字结果正好相反。所以统一做一次反转把字符统一设为前景白色。import cv2 import numpy as np def preprocess_plate(plate_bgr): gray cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2GRAY) # 5x5 闭运算消除小噪点和铆钉干扰 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel) # Otsu 自动阈值比固定阈值更稳 _, binary cv2.threshold(closed, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 保证字符为白色统计四角像素如果四角为白则反转 height, width binary.shape corner (int(binary[3, 3]) int(binary[3, width - 4]) int(binary[height - 4, 3]) int(binary[height - 4, width - 4])) / 4 if corner 127: binary cv2.bitwise_not(binary) return binary反转逻辑其实是对场景的妥协。常见车牌有蓝底白字、绿底黑字、黄底黑字、白底黑字几种靠判断四角颜色确定背景深浅比假设“车票就是蓝底”可靠得多。二值化之后的垂直投影是切割字符的标准做法对二值图按列累加白色像素连续的非零列就是一个字符候选区零值列就是字符间隙。因为汉字中间笔画多垂直投影会出现内部断裂因此还要在投影序列上做一次膨胀把间距过近的列合并成一个整体。4.2 字符模板库的组织、匹配判定与结果输出字符模板库是模板匹配识别能否成功的关键。main.zip 的模板目录里常见的是按照数字字母_0.png、省份_京.png、字母_A.png这样的命名规则组织。匹配时不需要一次性比较全部模板只需要把分割出的字符缩放到模板同样尺寸然后遍历模板取得分最高者作为结果。下面的代码演示了单字符匹配过程。考虑到车牌汉字笔画复杂单纯的灰度模板匹配对字体变形极敏感我会在匹配前把模板和分割字符都做一次细线化或者只保留边缘减少填充区域差异。import cv2 import os def recognize_char(char_bgr, template_dir): gray_char cv2.cvtColor(char_bgr, cv2.COLOR_BGR2GRAY) # 统一尺寸尺寸差太大会导致模板完全失配 char_resized cv2.resize(gray_char, (24, 48)) best_label None best_score -1.0 for fname in os.listdir(template_dir): if not fname.lower().endswith((.png, .jpg)): continue templ_path os.path.join(template_dir, fname) templ cv2.imread(templ_path, cv2.IMREAD_GRAYSCALE) templ cv2.resize(templ, (24, 48)) result cv2.matchTemplate(char_resized, templ, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ cv2.minMaxLoc(result) if max_val best_score: best_score max_val best_label fname.split(_)[1].split(.)[0] return best_label, best_score这是一个相当“朴素”的实现但已经能说明字符模板匹配的完整链路。真正要提示的是matchTemplate只适合尺寸完全对得上的情况所以我在这里先缩放到固定尺寸。缩放改变宽高比会造成形变所以如果模板是 24×48而字符分割出来是 20×40我会先按高度缩放到 48再按等比例计算宽度若宽度不等于 24再补边或略微拉伸。实际工程里字符模板匹配的上限大约在 95%卡在汉字上比如“沪”和“苏”的笔画结构非常接近灰度分布差异不大模板匹配容易混淆。为了避免全链接混乱输出结果时要把第一个字符省份汉字、第二个字符发牌机关字母、后续字符数字或字母组合分开处理。下面这个表格是标准车牌结构的对应关系也是模板筛选的重要依据顺序含义模板集合示例第 1 位省份简称31 个汉字模板京、沪、粤第 2 位发牌机关代号24 个大写字母A、B、C第 3-8 位序号大写字母数字5、K、8这种结构化约束比单纯调模板阈值更高阶一旦识别出的第 6 位是汉字直接判定为异常重新回到定位阶段检查切割是否错误。5. 用边缘掩码过滤重复纹理误匹配的落地技巧5.1 给模板匹配叠加边缘响应过滤模板匹配最大的误匹配来源不是噪点而是“结构相似、纹理重复”的区域。车牌的边框、号码字体、铆钉和某些车型的中网网格都可能在同一尺度下产生接近 1.0 的得分。纯灰度模板匹配无法区分这些情况因为它在像素层面已经把纹理当成有效特征。这时我会在匹配前额外生成一张边缘图与灰度图叠加让得分同时反映边缘结构。可以使用Canny边缘检测然后把边缘图以一定权重加到灰度图上再执行模板匹配。具体逻辑如下import cv2 import numpy as np def matched_with_edge(scene_gray, templ_gray): scene_edge cv2.Canny(scene_gray, 50, 150) templ_edge cv2.Canny(templ_gray, 50, 150) # 把边缘图转成 float32按权重叠加 scene_mixed scene_gray.astype(np.float32) * 0.7 scene_edge.astype(np.float32) * 0.3 templ_mixed templ_gray.astype(np.float32) * 0.7 templ_edge.astype(np.float32) * 0.3 scene_mixed np.clip(scene_mixed, 0, 255).astype(np.uint8) templ_mixed np.clip(templ_mixed, 0, 255).astype(np.uint8) result cv2.matchTemplate(scene_mixed, templ_mixed, cv2.TM_CCOEFF_NORMED) return result混合后的图像保留了灰度纹理的连贯性又强化了字符轮廓的梯度差异。这样做的代价是会稍微降低高分区域的峰值因为边缘图里的噪声也会参与计算但换来的好处是显著降低与车牌无关的平滑区域得分。Canny的高低阈值直接控制边缘密度车牌区域对比度强阈值 50 和 150 通常能直接把车牌字符轮廓完整提取出来如果场景过暗就把阈值下调到 30 和 90否则边缘图基本是空的叠加后反而损失灰度信息。5.2 用离线样本自检阈值而不是凭感觉调模板匹配的阈值不能一次定死。我会准备一个三十张左右的本地样本集里面存成positive/和negative/两个目录positive 是确定含有车牌的图negative 是不含车牌但纹理接近的图比如车尾特写、路灯杆、广告牌。每次修改算法后跑一遍自检统计正样本最高分和负样本最高分之间的间隔。Expected Positive Score: 0.81 Expected Negative Score: 0.46 Margin: 0.35当 margin 大于 0.2 时阈值取负样本最高分加上 0.05 到 0.10当 margin 小于 0.15 时说明特征区分度不够这时候加阈值没意义应该回到算法层增加边缘掩码或更换模板尺寸。把这一套自检逻辑写进 main.py 的--validate参数里每次改动后批量输出得分分布比对着单张图片调参高效得多。最后一个实用细节是多模板匹配时不要只保留全局最高分。把得分高于阈值的所有候选框用非极大值抑制合并再按宽高比排序。这样如果模板库里同时存在蓝牌和黄牌可以分别计算输出两套结果选出置信度更高的那种。车牌识别这个任务模板匹配能做到的极限大致到这里后续如果遇到倾斜超过十度的场景就需要换透视校正或特征匹配但那已是另一个工程了。本文还有配套的精品资源点击获取 OpenCV模板匹配车牌识别实战：从main.zip到字符分割
简介面向计算机视觉初学者与智能交通应用开发者的车牌识别模板匹配示例包提供了一套从车牌定位、图像预处理到字符识别的完整可运行流程。压缩包共135个文件整体仅192KB其中67个bmp为车牌字符/省份模板66个jpg为不同场景下的车辆或车牌样本1个m脚本承载模板匹配与识别主逻辑1个db文件存放模板索引或匹配数据结构轻量且便于直接打开调试。内容围绕图片匹配与模板匹配展开包含灰度化、直方图均衡化、二值化等预处理思路以及相似度阈值判定、边缘检测、连通域验证等实现要点同时覆盖了字符分割与现代OCR识别的基本框架。目前已有140人学习下载适合用于课程设计、毕业设计或车牌识别入门实验使用时可调整匹配参数、扩充模板库来适配不同省份、不同光照条件下的车牌具有较强的扩展学习价值。1. main.zip 车牌识别模板图片匹配与模板匹配的差异先要落实拿到一个名为 main.zip 的车牌识别模板工程第一件事不是直接跑识别而是先把“图片匹配”和“模板匹配”这两个概念掰开。模板匹配是拿一张已知的小图在待检测的大图上逐像素滑动计算相似度属于典型的全局穷举对比而图片匹配在工程里通常指图像检索、特征匹配或内容比对目标是判断两张图是否描绘同一物体或区域。车牌识别会同时用到这两条线定位阶段用模板匹配或特征找车牌区域字符阶段再逐字小模板做精确识别。main.zip 这个名字很直白解压后大概率是一个以 main.py 为入口的快速验证包适合做蓝牌、黄牌甚至新能源车牌的规则化识别。这篇文章就把模板匹配的原理、main.zip 这类模板工程的最小跑通方式、字符分割和逐字识别流程一次讲透顺带给出参数调优和误匹配处理的一般做法。适合刚接触车牌识别想快速在本地跑出检测框又不想一上来就上深度模型的人。2. 模板匹配原理与参数从平方差到归一化相关系数2.1 模板匹配与整图检索的边界滑窗、相似度图与归一化模板匹配的核心是一次滑窗穷举。假设模板尺寸是 100×30被搜索图是 1920×1080算法会从图中左上角开始切出同样大小的区域与模板做逐像素运算得到一个相似度得分然后向右滑动一个像素得到下一个得分全部滑完后形成一张与搜索图尺寸等比例缩小的得分图得分最高的位置就是匹配结果。它和特征匹配的根本区别在于模板匹配不提取关键点不做仿射变换估计遇到旋转、缩放、遮挡都会明显失效。正是因为这种“逐像素硬对比”的特性模板匹配适合两类车牌场景。第一类是摄像头角度固定车牌在画面中大小、位置相对稳定的停车场入口可以直接用整块车牌模板定位第二类是字符阶段每个字符已经标准化到固定尺寸把 0-9、省份简称、字母等做成小模板逐一匹配。这两种场景里的共同要求是模板和待搜索区域的成像条件尽量一致包括光照方向、灰度分布和字符粗细。做模板匹配前还要明确一个容易混淆的点归一化不是可选项而是必须项。cv2.matchTemplate有带_NORMED后缀的算法也有不带后缀的原始版本。不带归一化的TM_SQDIFF对图像整体亮度极敏感同一张图电平从 20 变成 40得分会差好几倍。实际工程里我会先把输入的 BGR 图转成灰度再做一次高斯模糊大幅降低像素级噪声对得分图的影响。模板也做同样的预处理保证两者处于同一个灰度分布区间。2.2 matchTemplate 的六种相似度算法与阈值设计OpenCV 的matchTemplate提供六种方法记不住也没关系但必需知道哪几个常用以及最大最小值的含义。下表把核心差异列出来方法计算逻辑最佳值适用偏好TM_SQDIFF像素差平方和越小越好光照稳定、噪声低TM_SQDIFF_NORMED归一化平方差越接近 0 越好光照变化时更稳TM_CCORR乘积相关越大越好速度最快但偏差高TM_CCORR_NORMED归一化相关越接近 1 越好整体亮度敏感度低TM_CCOEFF减去均值后再相关越大越好有效抗直流分量TM_CCOEFF_NORMED归一化相关系数越接近 1 越好工程首选抗光照最好实际代码里最常用的是TM_CCOEFF_NORMED因为它对图像整体亮度和对比度变化相对不敏感。车牌表面有反光、阴影、夜间补光不均时它的得分分布比平方差类方法更集中阈值也好设。下面的代码段是模板匹配的最小闭环输入一张场景图和一张车牌模板输出最高得分和匹配矩形import cv2 import numpy as np def locate_plate_with_template(scene_path, template_path): # 读取灰度图模板和场景都统一到 0-255 灰度域 scene cv2.imread(scene_path, cv2.IMREAD_GRAYSCALE) templ cv2.imread(template_path, cv2.IMREAD_GRAYSCALE) # 适度模糊减少传感器噪声带来的虚假高响应 scene cv2.GaussianBlur(scene, (5, 5), 0) templ cv2.GaussianBlur(templ, (5, 5), 0) # 执行滑动窗口匹配 result cv2.matchTemplate(scene, templ, cv2.TM_CCOEFF_NORMED) # 找到全局最高分和对应位置 min_val, max_val, min_loc, max_loc cv2.minMaxLoc(result) h, w templ.shape[:2] top_left max_loc bottom_right (top_left[0] w, top_left[1] h) print(f最高置信度: {max_val:.4f}) return top_left, bottom_right, max_val # 调用示例返回的矩形可以直接画到原图上 # box locate_plate_with_template(car_plate_scene.jpg, plate_template.jpg)这段代码最需要关注的是minMaxLoc的返回值TM_CCOEFF_NORMED下要取max_val和max_loc如果用TM_SQDIFF_NORMED就要反过来取min_val和min_loc这是最常见的坑。另外一个隐藏参数是模板图像必须与场景图像同类型一个是 uint8另一个是 float32OpenCV 虽然不会直接报错但结果会变成无意义的噪声。多尺度场景下模板往往是从外部资源里缩放过很多次的需要在匹配前用cv2.resize统一到基准尺寸。到这里已经可以解释 main.zip 里最可能的第一个模块加载模板、加载场景、输出候选框。下一章就以此为基础做真正能处理不同图片尺寸的多尺度定位。3. 解压 main.zip 后先跑通最小车牌定位工程3.1 模板工程的文件组织与运行顺序一个常见的 main.zip 模板工程内部一般不会只有单文件。至少应该包含main.py、templates/目录和samples/目录。templates/下放车牌模板比如蓝牌的整牌模板、单个字符模板、新能源绿牌模板samples/下放实际拍摄的车辆图片。解压后的第一条命令是把 zip 解开并确认目录结构符合预期unzip main.zip -d plate_project cd plate_project find . -type f | sortfind的输出里重点看几个文件入口脚本是否叫main.py模板目录里是否同时存在多尺寸模板比如plate_1x.png、plate_1.2x.png。很多模板包会把模板放在子目录深处如果直接用相对路径读取容易报FileNotFoundError。我一般会在运行前先用os.listdir打印一遍模板目录把路径硬编码到配置里避免脚本一启动就崩。代码组织的顺序应当是先读模板再读场景然后做多尺度匹配。直接固定一个尺度去匹配只能处理模板和车辆图恰好等大的情况。摄像头安装位置变化后车牌在画面中占比会持续变化因此必须在尺度维度上做“图像金字塔”。常见做法不是把大图缩放成不同尺寸而是把模板缩放成多个尺度因为模板小缩放计算代价低。3.2 用多尺度模板匹配定位车牌的逐行实现下面这段代码完成固定步长的多尺度模板搜索并把超过置信度阈值的候选框合并输出。核心思想是对模板按尺度列表逐次缩放每次与原始场景图做一次matchTemplate把所有得分图汇总最后取全局最高分。import cv2 import numpy as np def multi_scale_match(scene, templ, scales(0.8, 0.9, 1.0, 1.1, 1.2), step0.1): best_score -1.0 best_rect None best_scale 1.0 h0, w0 templ.shape[:2] for scale in scales: # 按当前尺度缩放模板插值方法选 INTER_AREA 以减小缩小锯齿 resized cv2.resize(templ, (int(w0 * scale), int(h0 * scale)), interpolationcv2.INTER_AREA) if resized.shape[0] scene.shape[0] or resized.shape[1] scene.shape[1]: continue # 归一化相关系数匹配 result cv2.matchTemplate(scene, resized, cv2.TM_CCOEFF_NORMED) _, max_val, _, max_loc cv2.minMaxLoc(result) if max_val best_score: best_score max_val best_scale scale best_rect (max_loc[0], max_loc[1], max_loc[0] resized.shape[1], max_loc[1] resized.shape[0]) return best_rect, best_score, best_scale # 使用示例 scene cv2.imread(samples/car.jpg, 0) plate_templ cv2.imread(templates/plate_blue.png, 0) rect, score, scale multi_scale_match(scene, plate_templ) x1, y1, x2, y2 rect print(f检测结果: scale{scale:.2f}, score{score:.2f}, rect({x1},{y1},{x2},{y2}))这段代码里resized.shape判断很关键。如果模板被放大到比场景还大matchTemplate会直接抛异常。另一个容易被忽略的参数是scales的粒度相邻尺度步长越大匹配速度越快但可能漏掉真实尺度的车牌。一般我会先设step0.1做粗筛拿到位置后再在当前尺度附近用step0.02精修。要注意每一次matchTemplate都在消费 CPU尺度越多耗时越长720p 以下的图用五个尺度还可接受1080p 图就需要把搜索区域先裁剪到感兴趣区域。拿到候选框后不要直接认为它就是车牌区域。很多车辆图的车头进气格栅、保险杠纹理和车牌边框灰度相似会造成假阳性。此时可以加两条后置规则一是候选框宽高比蓝牌比例接近 440:140也就是 3.14:1 左右超过 3.4 或小于 2.8 的直接丢弃二是框内灰度统计车牌区域二值化后白色车牌的背景像素通常占比较高边缘密度也稳定。把这些规则写进 main.py 里比单纯调高阈值更可靠。4. 车牌字符切割与逐字模板匹配识别流程4.1 定位区域预处理灰度、二值化与垂直投影定位到车牌区域后下一步是把车牌上的字符逐个裁切出来再用字符模板做匹配。很多初学模板匹配的人直接在彩色图里对每个字符抠模板结果换一张车灯多的图就全乱了。实际上字符切割的基石是稳定的二值化而不是模板匹配本身。先把定位区域转灰度再做闭运算填平铆钉和螺丝孔然后用 Otsu 自动阈值得到二值图。车牌背景如果是深色蓝底、绿底二值化后字符会变白背景变黑如果是白底黑字结果正好相反。所以统一做一次反转把字符统一设为前景白色。import cv2 import numpy as np def preprocess_plate(plate_bgr): gray cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2GRAY) # 5x5 闭运算消除小噪点和铆钉干扰 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel) # Otsu 自动阈值比固定阈值更稳 _, binary cv2.threshold(closed, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 保证字符为白色统计四角像素如果四角为白则反转 height, width binary.shape corner (int(binary[3, 3]) int(binary[3, width - 4]) int(binary[height - 4, 3]) int(binary[height - 4, width - 4])) / 4 if corner 127: binary cv2.bitwise_not(binary) return binary反转逻辑其实是对场景的妥协。常见车牌有蓝底白字、绿底黑字、黄底黑字、白底黑字几种靠判断四角颜色确定背景深浅比假设“车票就是蓝底”可靠得多。二值化之后的垂直投影是切割字符的标准做法对二值图按列累加白色像素连续的非零列就是一个字符候选区零值列就是字符间隙。因为汉字中间笔画多垂直投影会出现内部断裂因此还要在投影序列上做一次膨胀把间距过近的列合并成一个整体。4.2 字符模板库的组织、匹配判定与结果输出字符模板库是模板匹配识别能否成功的关键。main.zip 的模板目录里常见的是按照数字字母_0.png、省份_京.png、字母_A.png这样的命名规则组织。匹配时不需要一次性比较全部模板只需要把分割出的字符缩放到模板同样尺寸然后遍历模板取得分最高者作为结果。下面的代码演示了单字符匹配过程。考虑到车牌汉字笔画复杂单纯的灰度模板匹配对字体变形极敏感我会在匹配前把模板和分割字符都做一次细线化或者只保留边缘减少填充区域差异。import cv2 import os def recognize_char(char_bgr, template_dir): gray_char cv2.cvtColor(char_bgr, cv2.COLOR_BGR2GRAY) # 统一尺寸尺寸差太大会导致模板完全失配 char_resized cv2.resize(gray_char, (24, 48)) best_label None best_score -1.0 for fname in os.listdir(template_dir): if not fname.lower().endswith((.png, .jpg)): continue templ_path os.path.join(template_dir, fname) templ cv2.imread(templ_path, cv2.IMREAD_GRAYSCALE) templ cv2.resize(templ, (24, 48)) result cv2.matchTemplate(char_resized, templ, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ cv2.minMaxLoc(result) if max_val best_score: best_score max_val best_label fname.split(_)[1].split(.)[0] return best_label, best_score这是一个相当“朴素”的实现但已经能说明字符模板匹配的完整链路。真正要提示的是matchTemplate只适合尺寸完全对得上的情况所以我在这里先缩放到固定尺寸。缩放改变宽高比会造成形变所以如果模板是 24×48而字符分割出来是 20×40我会先按高度缩放到 48再按等比例计算宽度若宽度不等于 24再补边或略微拉伸。实际工程里字符模板匹配的上限大约在 95%卡在汉字上比如“沪”和“苏”的笔画结构非常接近灰度分布差异不大模板匹配容易混淆。为了避免全链接混乱输出结果时要把第一个字符省份汉字、第二个字符发牌机关字母、后续字符数字或字母组合分开处理。下面这个表格是标准车牌结构的对应关系也是模板筛选的重要依据顺序含义模板集合示例第 1 位省份简称31 个汉字模板京、沪、粤第 2 位发牌机关代号24 个大写字母A、B、C第 3-8 位序号大写字母数字5、K、8这种结构化约束比单纯调模板阈值更高阶一旦识别出的第 6 位是汉字直接判定为异常重新回到定位阶段检查切割是否错误。5. 用边缘掩码过滤重复纹理误匹配的落地技巧5.1 给模板匹配叠加边缘响应过滤模板匹配最大的误匹配来源不是噪点而是“结构相似、纹理重复”的区域。车牌的边框、号码字体、铆钉和某些车型的中网网格都可能在同一尺度下产生接近 1.0 的得分。纯灰度模板匹配无法区分这些情况因为它在像素层面已经把纹理当成有效特征。这时我会在匹配前额外生成一张边缘图与灰度图叠加让得分同时反映边缘结构。可以使用Canny边缘检测然后把边缘图以一定权重加到灰度图上再执行模板匹配。具体逻辑如下import cv2 import numpy as np def matched_with_edge(scene_gray, templ_gray): scene_edge cv2.Canny(scene_gray, 50, 150) templ_edge cv2.Canny(templ_gray, 50, 150) # 把边缘图转成 float32按权重叠加 scene_mixed scene_gray.astype(np.float32) * 0.7 scene_edge.astype(np.float32) * 0.3 templ_mixed templ_gray.astype(np.float32) * 0.7 templ_edge.astype(np.float32) * 0.3 scene_mixed np.clip(scene_mixed, 0, 255).astype(np.uint8) templ_mixed np.clip(templ_mixed, 0, 255).astype(np.uint8) result cv2.matchTemplate(scene_mixed, templ_mixed, cv2.TM_CCOEFF_NORMED) return result混合后的图像保留了灰度纹理的连贯性又强化了字符轮廓的梯度差异。这样做的代价是会稍微降低高分区域的峰值因为边缘图里的噪声也会参与计算但换来的好处是显著降低与车牌无关的平滑区域得分。Canny的高低阈值直接控制边缘密度车牌区域对比度强阈值 50 和 150 通常能直接把车牌字符轮廓完整提取出来如果场景过暗就把阈值下调到 30 和 90否则边缘图基本是空的叠加后反而损失灰度信息。5.2 用离线样本自检阈值而不是凭感觉调模板匹配的阈值不能一次定死。我会准备一个三十张左右的本地样本集里面存成positive/和negative/两个目录positive 是确定含有车牌的图negative 是不含车牌但纹理接近的图比如车尾特写、路灯杆、广告牌。每次修改算法后跑一遍自检统计正样本最高分和负样本最高分之间的间隔。Expected Positive Score: 0.81 Expected Negative Score: 0.46 Margin: 0.35当 margin 大于 0.2 时阈值取负样本最高分加上 0.05 到 0.10当 margin 小于 0.15 时说明特征区分度不够这时候加阈值没意义应该回到算法层增加边缘掩码或更换模板尺寸。把这一套自检逻辑写进 main.py 的--validate参数里每次改动后批量输出得分分布比对着单张图片调参高效得多。最后一个实用细节是多模板匹配时不要只保留全局最高分。把得分高于阈值的所有候选框用非极大值抑制合并再按宽高比排序。这样如果模板库里同时存在蓝牌和黄牌可以分别计算输出两套结果选出置信度更高的那种。车牌识别这个任务模板匹配能做到的极限大致到这里后续如果遇到倾斜超过十度的场景就需要换透视校正或特征匹配但那已是另一个工程了。本文还有配套的精品资源点击获取