尧图网站建设 
简介这是一份面向计算机视觉初学者与进阶开发者的PythonOpenCV车牌识别实战资源聚焦真实场景下的车牌检测与字符识别全流程并配套图形界面提升交互体验。包内共122个文件以jpg、png图像样本和18个py脚本为主辅以md说明文档、dat模型文件、yml配置及Docker相关文件压缩包约22.71MB目录涵盖源码、数据、界面脚本与依赖清单结构清晰便于按模块查阅。已有406人学习下载适合希望打通图像预处理、车牌定位、字符分割与OCR识别链路的学习者。资源完整呈现从灰度化、边缘检测到Tesseract集成的实现思路并给出可运行的GUI示例读者可据此快速复现项目、理解各环节参数调整方法并借助Docker配置降低环境搭建成本积累计算机视觉落地经验。1. 从一张停车场抓拍图说起Python OpenCV 车牌识别 GUI 到底解决什么问题很多做 Python 图像处理项目的人第一次接触车牌识别往往是从一张停车场抓拍图开始的光照不均、车牌倾斜、背景杂乱直接套模板匹配基本全军覆没。这个标题要解决的核心问题是把「车牌定位 → 字符分割 → 字符识别」这条链路用 OpenCV 串起来再套一个 GUI 界面让非技术同事也能点按钮出结果。它适合两类人一类是刚学完 OpenCV 图像处理、想找一个完整项目练手的 Python 入门者另一类是需要快速做车牌识别 Demo 验证业务可行性的工程师。整条链路不依赖深度学习框架也能跑通用 OpenCV 的形态学、轮廓、Sobel 边缘就能完成定位字符识别可以用模板匹配或轻量 OCR。GUI 部分用 Tkinter 就够不需要额外装 Qt。下面按「图像预处理 → 车牌定位 → 字符分割 → 识别 → GUI 封装」的顺序把每一步的参数和坑讲清楚。2. 用 OpenCV 做车牌定位从灰度化到形态学闭运算的完整参数链车牌定位是整个项目里最容易翻车的一环。定位不准后面字符分割和识别全是白费。常见做法是走「灰度 → 高斯模糊 → Sobel 边缘 → 二值化 → 闭运算 → 轮廓筛选」这条链每一步的参数都直接影响最终框选结果。2.1 灰度化与高斯模糊的核大小怎么选先看一段最小可运行代码把一张车牌图读进来做预处理import cv2 import numpy as np # 读取原图注意路径不要带中文Windows 下容易读失败 img cv2.imread(car_plate.jpg) # 转灰度减少通道数后续边缘检测只在一个通道上做 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊核大小必须是奇数5x5 对 720p 图比较稳 blur cv2.GaussianBlur(gray, (5, 5), 0) # Sobel 水平方向求导车牌字符垂直边缘密集水平梯度响应强 sobel cv2.Sobel(blur, cv2.CV_16S, 1, 0) # 取绝对值并转回 uint8否则 imshow 显示全黑 abs_sobel cv2.convertScaleAbs(sobel) # 自适应二值化比固定阈值更能扛光照不均 thresh cv2.adaptiveThreshold(abs_sobel, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, -5)逻辑说明GaussianBlur的核大小决定平滑程度核越大噪点越少但边缘越糊720p 图用 5 或 7 比较合适。Sobel的dx1, dy0表示只求水平方向梯度因为车牌字符是竖直排列的垂直边缘在水平方向导数上响应最强。adaptiveThreshold的blockSize17是邻域大小必须是奇数C-5是常数项负值会让二值化更激进车牌区域更容易连成块。提示如果图片分辨率超过 1080p先把图缩到宽 800 左右再做后续处理否则闭运算的核要开得很大速度会明显变慢。2.2 形态学闭运算把车牌连成一块二值化之后车牌区域是一堆碎边缘需要用闭运算把字符之间的缝隙填上# 定义水平方向的长条核车牌是扁长形状 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) # 闭运算先膨胀后腐蚀填补字符间空隙 morph cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 再开一次去掉背景里孤立的小噪点 morph cv2.morphologyEx(morph, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)))参数说明闭运算的核宽度 17 是根据字符间距估的字符间距一般在 5~15 像素核宽要略大于间距才能连起来。核高度 5 是为了不把上下相邻的行连在一起。开运算的 3x3 小核专门清孤立噪点核再大就会把车牌边缘啃掉。2.3 轮廓筛选用长宽比和面积锁定车牌形态学处理完图上会有很多轮廓需要按车牌特征筛contours, _ cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) area w * h # 中国蓝牌长宽比约 3.14绿牌约 3.0留出容差 if 2.5 ratio 4.5 and area 2000: candidates.append((x, y, w, h)) # 按面积从大到小排最大的通常是车牌 candidates.sort(keylambda b: b[2] * b[3], reverseTrue)筛选条件里长宽比 2.5~4.5 覆盖了蓝牌、绿牌、黄牌的大致范围面积阈值 2000 是经验值低于这个数的多半是噪点或字符块。如果一张图里有多辆车candidates会返回多个框实际项目里可以再按位置画面下半部分二次过滤。参数典型值作用调大后果高斯核5x5平滑噪点边缘变糊定位偏移Sobel 方向dx1, dy0提取垂直边缘改 dy 会提取到水平边缘闭运算核17x5连接字符核过大把相邻车牌连一起长宽比范围2.5~4.5筛车牌形状范围过宽引入误检面积阈值2000去小噪点阈值过高漏掉远距离车牌3. 字符分割与识别把车牌切成 7 个字符再逐个匹配定位到车牌框之后下一步是把框里的字符切成单个再逐个识别。这一步的难点在于车牌可能有倾斜、有铆钉、有边框直接按等宽切会切歪。3.1 透视校正与二值化先对车牌区域做一次透视校正把倾斜的车牌拉正def align_plate(img, box): x, y, w, h box roi img[y:yh, x:xw] # 放大到固定宽度方便后续统一处理 roi cv2.resize(roi, (140, 44)) gray cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) # 用 Otsu 自动找阈值比固定阈值稳 _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binaryresize到 140x44 是常见做法这个尺寸下字符宽度大约 15~18 像素后续分割和模板匹配都好处理。Otsu 阈值适合双峰直方图的图车牌字符和底色的对比通常满足这个条件。3.2 垂直投影法切分字符字符分割用垂直投影最直接统计每一列的白像素个数字符之间的空白列投影值接近 0就是切分点。def split_chars(binary): # 统计每列白像素数 col_sum np.sum(binary 255, axis0) # 投影值小于阈值的列认为是字符间隙 threshold binary.shape[0] * 0.05 gaps col_sum threshold chars [] start None for i, is_gap in enumerate(gaps): if not is_gap and start is None: start i elif is_gap and start is not None: # 宽度太小的当噪点丢掉 if i - start 5: chars.append(binary[:, start:i]) start None return charsthreshold取行高的 5%意思是这一列白像素少于总高度的 5% 就算间隙。i - start 5过滤掉宽度小于 5 像素的碎片这些通常是铆钉或边框残留。切完之后正常应该得到 7 个字符块如果多或少说明二值化或投影阈值需要调。3.3 模板匹配识别字符字符识别用模板匹配最省事不需要训练模型def match_char(char_img, templates): char_img cv2.resize(char_img, (20, 40)) best_score, best_label -1, ? for label, tpl in templates.items(): tpl cv2.resize(tpl, (20, 40)) # 用归一化相关系数对亮度变化不敏感 score cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score, best_label score, label return best_label if best_score 0.5 else ?TM_CCOEFF_NORMED返回 -1 到 1 的相关系数越接近 1 越像。阈值 0.5 是经验值低于这个值说明模板库里没有匹配的字符返回问号比返回错误字符更安全。模板库需要自己准备每个字符0-9、A-Z、各省简称各存一张标准图实际项目里模板质量直接决定识别率。注意模板匹配对字体和尺寸敏感如果训练图和实际抓拍图字体差异大识别率会掉到 50% 以下。这种情况建议换轻量 OCR或者用 ONNX 跑一个字符分类模型。4. 用 Tkinter 封装 GUI让车牌识别变成点按钮就能用的工具命令行跑通之后套一个 GUI 界面才算完整项目。Tkinter 是 Python 自带的不用额外装包适合做这种小工具。4.1 界面布局与控件选择界面需要三个核心控件一个按钮选图、一个画布显示结果、一个文本框输出识别结果。import tkinter as tk from tkinter import filedialog from PIL import Image, ImageTk class PlateGUI: def __init__(self, root): self.root root self.root.title(车牌识别工具) self.root.geometry(800x600) # 选图按钮 self.btn tk.Button(root, text选择图片, commandself.load_image) self.btn.pack(pady10) # 画布显示原图和结果图 self.canvas tk.Canvas(root, width760, height400, bggray) self.canvas.pack() # 结果文本框 self.result tk.Text(root, height4, font(Arial, 14)) self.result.pack(fillx, padx10, pady10) def load_image(self): path filedialog.askopenfilename( filetypes[(图片, *.jpg *.png *.jpeg)]) if not path: return self.show_result(path)filedialog.askopenfilename的filetypes限制可选文件类型避免用户选到非图片文件导致imread返回 None。Canvas尺寸设成 760x400 是为了留出边距实际显示时图片要按比例缩放。4.2 把识别流程接到按钮回调show_result方法里串起整条识别链路并把结果画到画布上def show_result(self, path): img cv2.imread(path) if img is None: self.result.insert(end, 图片读取失败\n) return # 调用前面写的定位和识别函数 box locate_plate(img) if box is None: self.result.insert(end, 未检测到车牌\n) return plate_text recognize_plate(img, box) # 在原图上画框 x, y, w, h box cv2.rectangle(img, (x, y), (xw, yh), (0, 255, 0), 2) # OpenCV 是 BGRPIL 要 RGB转换后再显示 img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) pil_img Image.fromarray(img_rgb) pil_img pil_img.resize((760, 400)) self.tk_img ImageTk.PhotoImage(pil_img) self.canvas.create_image(0, 0, anchornw, imageself.tk_img) self.result.insert(end, f识别结果{plate_text}\n)关键点是self.tk_img必须存成实例属性否则 Python 垃圾回收会把图片对象回收掉画布上显示空白。这是 Tkinter 显示图片最常见的坑。颜色转换BGR2RGB也不能省否则显示出来颜色是反的。4.3 打包成 exe 分发给非技术同事写完 GUI 之后用 PyInstaller 打包成单文件 exe# 安装打包工具 pip install pyinstaller # 打包-w 去掉命令行窗口-F 打成单文件 pyinstaller -F -w plate_gui.py-w参数隐藏控制台窗口适合 GUI 程序-F打成单个 exe 文件方便分发。打包后如果报ModuleNotFoundError: No module named cv2在命令里加--hidden-importcv2显式声明。生成的 exe 在dist目录下第一次运行会慢几秒因为要解压依赖。打包参数作用适用场景-F单文件方便分发-w隐藏控制台GUI 程序--hidden-import显式导入模块动态导入的库--add-data打包资源文件模板图、字体5. 识别率上不去的排查顺序与几个实用技巧车牌识别跑通不难难的是识别率稳定。按下面的顺序排查能覆盖大部分问题。先看定位环节。如果框选位置偏移优先调闭运算核的宽度核太窄字符连不起来核太宽会把相邻区域连进来。再看二值化adaptiveThreshold的blockSize和C两个参数对结果影响最大光照均匀的图用 Otsu 更省事光照不均才用自适应。再看字符分割。切出来的字符数不是 7 个通常是投影阈值设得不对。把threshold从行高的 5% 调到 3% 或 8% 试或者先做一次水平投影去掉上下边框再切。车牌有铆钉的话铆钉会在投影里形成一个窄峰宽度过滤能去掉大部分。最后看识别环节。模板匹配识别率低先检查模板图是不是和实际车牌同字体。蓝牌用的是特定字体模板库如果拿其他字体凑相关系数会普遍偏低。另一个技巧是识别前对字符图做一次直方图均衡化增强对比度# 对单个字符图做直方图均衡提升匹配稳定性 char_eq cv2.equalizeHist(char_img)如果项目要求识别率超过 95%模板匹配基本到不了这时候常见做法是换 ONNX 跑一个轻量字符分类网络把分割好的字符图送进模型推理。OpenCV 的dnn模块可以直接加载 ONNX 模型不需要额外装推理框架cv2.dnn.readNetFromONNX一行就能加载。这样定位和分割仍然用 OpenCV 传统方法只有识别环节换成模型整体改动量不大识别率能明显上一个台阶。本文还有配套的精品资源点击获取 Python+OpenCV车牌识别GUI实战：从定位到Tkinter封装
简介这是一份面向计算机视觉初学者与进阶开发者的PythonOpenCV车牌识别实战资源聚焦真实场景下的车牌检测与字符识别全流程并配套图形界面提升交互体验。包内共122个文件以jpg、png图像样本和18个py脚本为主辅以md说明文档、dat模型文件、yml配置及Docker相关文件压缩包约22.71MB目录涵盖源码、数据、界面脚本与依赖清单结构清晰便于按模块查阅。已有406人学习下载适合希望打通图像预处理、车牌定位、字符分割与OCR识别链路的学习者。资源完整呈现从灰度化、边缘检测到Tesseract集成的实现思路并给出可运行的GUI示例读者可据此快速复现项目、理解各环节参数调整方法并借助Docker配置降低环境搭建成本积累计算机视觉落地经验。1. 从一张停车场抓拍图说起Python OpenCV 车牌识别 GUI 到底解决什么问题很多做 Python 图像处理项目的人第一次接触车牌识别往往是从一张停车场抓拍图开始的光照不均、车牌倾斜、背景杂乱直接套模板匹配基本全军覆没。这个标题要解决的核心问题是把「车牌定位 → 字符分割 → 字符识别」这条链路用 OpenCV 串起来再套一个 GUI 界面让非技术同事也能点按钮出结果。它适合两类人一类是刚学完 OpenCV 图像处理、想找一个完整项目练手的 Python 入门者另一类是需要快速做车牌识别 Demo 验证业务可行性的工程师。整条链路不依赖深度学习框架也能跑通用 OpenCV 的形态学、轮廓、Sobel 边缘就能完成定位字符识别可以用模板匹配或轻量 OCR。GUI 部分用 Tkinter 就够不需要额外装 Qt。下面按「图像预处理 → 车牌定位 → 字符分割 → 识别 → GUI 封装」的顺序把每一步的参数和坑讲清楚。2. 用 OpenCV 做车牌定位从灰度化到形态学闭运算的完整参数链车牌定位是整个项目里最容易翻车的一环。定位不准后面字符分割和识别全是白费。常见做法是走「灰度 → 高斯模糊 → Sobel 边缘 → 二值化 → 闭运算 → 轮廓筛选」这条链每一步的参数都直接影响最终框选结果。2.1 灰度化与高斯模糊的核大小怎么选先看一段最小可运行代码把一张车牌图读进来做预处理import cv2 import numpy as np # 读取原图注意路径不要带中文Windows 下容易读失败 img cv2.imread(car_plate.jpg) # 转灰度减少通道数后续边缘检测只在一个通道上做 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊核大小必须是奇数5x5 对 720p 图比较稳 blur cv2.GaussianBlur(gray, (5, 5), 0) # Sobel 水平方向求导车牌字符垂直边缘密集水平梯度响应强 sobel cv2.Sobel(blur, cv2.CV_16S, 1, 0) # 取绝对值并转回 uint8否则 imshow 显示全黑 abs_sobel cv2.convertScaleAbs(sobel) # 自适应二值化比固定阈值更能扛光照不均 thresh cv2.adaptiveThreshold(abs_sobel, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, -5)逻辑说明GaussianBlur的核大小决定平滑程度核越大噪点越少但边缘越糊720p 图用 5 或 7 比较合适。Sobel的dx1, dy0表示只求水平方向梯度因为车牌字符是竖直排列的垂直边缘在水平方向导数上响应最强。adaptiveThreshold的blockSize17是邻域大小必须是奇数C-5是常数项负值会让二值化更激进车牌区域更容易连成块。提示如果图片分辨率超过 1080p先把图缩到宽 800 左右再做后续处理否则闭运算的核要开得很大速度会明显变慢。2.2 形态学闭运算把车牌连成一块二值化之后车牌区域是一堆碎边缘需要用闭运算把字符之间的缝隙填上# 定义水平方向的长条核车牌是扁长形状 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) # 闭运算先膨胀后腐蚀填补字符间空隙 morph cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 再开一次去掉背景里孤立的小噪点 morph cv2.morphologyEx(morph, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)))参数说明闭运算的核宽度 17 是根据字符间距估的字符间距一般在 5~15 像素核宽要略大于间距才能连起来。核高度 5 是为了不把上下相邻的行连在一起。开运算的 3x3 小核专门清孤立噪点核再大就会把车牌边缘啃掉。2.3 轮廓筛选用长宽比和面积锁定车牌形态学处理完图上会有很多轮廓需要按车牌特征筛contours, _ cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) area w * h # 中国蓝牌长宽比约 3.14绿牌约 3.0留出容差 if 2.5 ratio 4.5 and area 2000: candidates.append((x, y, w, h)) # 按面积从大到小排最大的通常是车牌 candidates.sort(keylambda b: b[2] * b[3], reverseTrue)筛选条件里长宽比 2.5~4.5 覆盖了蓝牌、绿牌、黄牌的大致范围面积阈值 2000 是经验值低于这个数的多半是噪点或字符块。如果一张图里有多辆车candidates会返回多个框实际项目里可以再按位置画面下半部分二次过滤。参数典型值作用调大后果高斯核5x5平滑噪点边缘变糊定位偏移Sobel 方向dx1, dy0提取垂直边缘改 dy 会提取到水平边缘闭运算核17x5连接字符核过大把相邻车牌连一起长宽比范围2.5~4.5筛车牌形状范围过宽引入误检面积阈值2000去小噪点阈值过高漏掉远距离车牌3. 字符分割与识别把车牌切成 7 个字符再逐个匹配定位到车牌框之后下一步是把框里的字符切成单个再逐个识别。这一步的难点在于车牌可能有倾斜、有铆钉、有边框直接按等宽切会切歪。3.1 透视校正与二值化先对车牌区域做一次透视校正把倾斜的车牌拉正def align_plate(img, box): x, y, w, h box roi img[y:yh, x:xw] # 放大到固定宽度方便后续统一处理 roi cv2.resize(roi, (140, 44)) gray cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) # 用 Otsu 自动找阈值比固定阈值稳 _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binaryresize到 140x44 是常见做法这个尺寸下字符宽度大约 15~18 像素后续分割和模板匹配都好处理。Otsu 阈值适合双峰直方图的图车牌字符和底色的对比通常满足这个条件。3.2 垂直投影法切分字符字符分割用垂直投影最直接统计每一列的白像素个数字符之间的空白列投影值接近 0就是切分点。def split_chars(binary): # 统计每列白像素数 col_sum np.sum(binary 255, axis0) # 投影值小于阈值的列认为是字符间隙 threshold binary.shape[0] * 0.05 gaps col_sum threshold chars [] start None for i, is_gap in enumerate(gaps): if not is_gap and start is None: start i elif is_gap and start is not None: # 宽度太小的当噪点丢掉 if i - start 5: chars.append(binary[:, start:i]) start None return charsthreshold取行高的 5%意思是这一列白像素少于总高度的 5% 就算间隙。i - start 5过滤掉宽度小于 5 像素的碎片这些通常是铆钉或边框残留。切完之后正常应该得到 7 个字符块如果多或少说明二值化或投影阈值需要调。3.3 模板匹配识别字符字符识别用模板匹配最省事不需要训练模型def match_char(char_img, templates): char_img cv2.resize(char_img, (20, 40)) best_score, best_label -1, ? for label, tpl in templates.items(): tpl cv2.resize(tpl, (20, 40)) # 用归一化相关系数对亮度变化不敏感 score cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score, best_label score, label return best_label if best_score 0.5 else ?TM_CCOEFF_NORMED返回 -1 到 1 的相关系数越接近 1 越像。阈值 0.5 是经验值低于这个值说明模板库里没有匹配的字符返回问号比返回错误字符更安全。模板库需要自己准备每个字符0-9、A-Z、各省简称各存一张标准图实际项目里模板质量直接决定识别率。注意模板匹配对字体和尺寸敏感如果训练图和实际抓拍图字体差异大识别率会掉到 50% 以下。这种情况建议换轻量 OCR或者用 ONNX 跑一个字符分类模型。4. 用 Tkinter 封装 GUI让车牌识别变成点按钮就能用的工具命令行跑通之后套一个 GUI 界面才算完整项目。Tkinter 是 Python 自带的不用额外装包适合做这种小工具。4.1 界面布局与控件选择界面需要三个核心控件一个按钮选图、一个画布显示结果、一个文本框输出识别结果。import tkinter as tk from tkinter import filedialog from PIL import Image, ImageTk class PlateGUI: def __init__(self, root): self.root root self.root.title(车牌识别工具) self.root.geometry(800x600) # 选图按钮 self.btn tk.Button(root, text选择图片, commandself.load_image) self.btn.pack(pady10) # 画布显示原图和结果图 self.canvas tk.Canvas(root, width760, height400, bggray) self.canvas.pack() # 结果文本框 self.result tk.Text(root, height4, font(Arial, 14)) self.result.pack(fillx, padx10, pady10) def load_image(self): path filedialog.askopenfilename( filetypes[(图片, *.jpg *.png *.jpeg)]) if not path: return self.show_result(path)filedialog.askopenfilename的filetypes限制可选文件类型避免用户选到非图片文件导致imread返回 None。Canvas尺寸设成 760x400 是为了留出边距实际显示时图片要按比例缩放。4.2 把识别流程接到按钮回调show_result方法里串起整条识别链路并把结果画到画布上def show_result(self, path): img cv2.imread(path) if img is None: self.result.insert(end, 图片读取失败\n) return # 调用前面写的定位和识别函数 box locate_plate(img) if box is None: self.result.insert(end, 未检测到车牌\n) return plate_text recognize_plate(img, box) # 在原图上画框 x, y, w, h box cv2.rectangle(img, (x, y), (xw, yh), (0, 255, 0), 2) # OpenCV 是 BGRPIL 要 RGB转换后再显示 img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) pil_img Image.fromarray(img_rgb) pil_img pil_img.resize((760, 400)) self.tk_img ImageTk.PhotoImage(pil_img) self.canvas.create_image(0, 0, anchornw, imageself.tk_img) self.result.insert(end, f识别结果{plate_text}\n)关键点是self.tk_img必须存成实例属性否则 Python 垃圾回收会把图片对象回收掉画布上显示空白。这是 Tkinter 显示图片最常见的坑。颜色转换BGR2RGB也不能省否则显示出来颜色是反的。4.3 打包成 exe 分发给非技术同事写完 GUI 之后用 PyInstaller 打包成单文件 exe# 安装打包工具 pip install pyinstaller # 打包-w 去掉命令行窗口-F 打成单文件 pyinstaller -F -w plate_gui.py-w参数隐藏控制台窗口适合 GUI 程序-F打成单个 exe 文件方便分发。打包后如果报ModuleNotFoundError: No module named cv2在命令里加--hidden-importcv2显式声明。生成的 exe 在dist目录下第一次运行会慢几秒因为要解压依赖。打包参数作用适用场景-F单文件方便分发-w隐藏控制台GUI 程序--hidden-import显式导入模块动态导入的库--add-data打包资源文件模板图、字体5. 识别率上不去的排查顺序与几个实用技巧车牌识别跑通不难难的是识别率稳定。按下面的顺序排查能覆盖大部分问题。先看定位环节。如果框选位置偏移优先调闭运算核的宽度核太窄字符连不起来核太宽会把相邻区域连进来。再看二值化adaptiveThreshold的blockSize和C两个参数对结果影响最大光照均匀的图用 Otsu 更省事光照不均才用自适应。再看字符分割。切出来的字符数不是 7 个通常是投影阈值设得不对。把threshold从行高的 5% 调到 3% 或 8% 试或者先做一次水平投影去掉上下边框再切。车牌有铆钉的话铆钉会在投影里形成一个窄峰宽度过滤能去掉大部分。最后看识别环节。模板匹配识别率低先检查模板图是不是和实际车牌同字体。蓝牌用的是特定字体模板库如果拿其他字体凑相关系数会普遍偏低。另一个技巧是识别前对字符图做一次直方图均衡化增强对比度# 对单个字符图做直方图均衡提升匹配稳定性 char_eq cv2.equalizeHist(char_img)如果项目要求识别率超过 95%模板匹配基本到不了这时候常见做法是换 ONNX 跑一个轻量字符分类网络把分割好的字符图送进模型推理。OpenCV 的dnn模块可以直接加载 ONNX 模型不需要额外装推理框架cv2.dnn.readNetFromONNX一行就能加载。这样定位和分割仍然用 OpenCV 传统方法只有识别环节换成模型整体改动量不大识别率能明显上一个台阶。本文还有配套的精品资源点击获取