简介基于OpenCV库与Python语言的车牌识别系统完整代码包从车牌定位、字符分割到SVM支持向量机模型识别均有实现适合计算机视觉初学者、AI竞赛参与者以及需要课程设计或毕业设计参考的高校学生。整包共25个文件核心为Python源码另含训练好的SVM模型数据、中英文车牌字符数据集压缩包、测试用车辆图片及说明文档压缩包整体大小14.56MB目录结构清晰便于按模块阅读。已有1104人学习下载。资源提供预测脚本和界面脚本可直接在本地环境运行通过样本图片快速验证识别效果附带中英文车牌字符数据可支持模型再训练同时包含训练好的SVM模型文件做到开箱即用。测试图片覆盖不同角度和背景的车牌文档说明了项目结构与配置方法可帮助读者快速掌握传统图像处理与机器学习结合的项目流程适合作为完整参考案例进行二次开发或算法研究。1. 拿到「Opencvpython 的车牌识别系统完整代码.zip」先认清楚它能做什么后台经常有人下载了这份资源包解压后对着一堆.py文件发懵。Opencvpython的车牌识别系统完整代码.zip 这个名字很直白用 OpenCV 和 Python 做一整套车牌识别流程从图像里找到车牌位置、把倾斜的车牌拉正、逐字符切割、再识别出车牌字符串。它解决的不是「训练一个模型」而是传统视觉方案里最经典的一条完整管线适合两类人一类是要在固定机位的停车场门口、小区出入口快速验证车牌识别原型的开发者另一类是刚学完 OpenCV 基础、想找一个能跑通、能改错、能看清每一步在做什么的全流程练习项目。它的边界也必须先说清楚这套流程对摄像头位置固定、光照常规的场景够用一旦机位随车辆晃动、夜间红外过曝或者车牌反光严重它就会暴露短板那种场景该换深度学习检测方案不是靠这个 zip 包能兜住的。2. 先跑通环境再谈识别Python 版本、OpenCV 安装与 zip 包检查2.1 Python 与 OpenCV 的版本配对先避开两个大坑打开资源包之前先把你本地 Python 环境理顺。常见做法是用 Python 3.8 或 3.9 配合 opencv-python 的 4.x 版本这是目前能找到最多兼容案例的组合。Python 3.11 以上不是不能用但某些老代码里用了cv2.CV_*这类旧常量在新版本里已经被移除运行到那行就会报AttributeError排查起来非常绕。第二个坑藏在 OpenCV 本身的版本差异里OpenCV 3.x 的cv2.findContours返回三个值OpenCV 4.x 改成返回两个值。很多网上下载的老代码是照着 OpenCV 3 写的你在新环境里一跑就报ValueError: not enough values to unpack。拿到同样一份参考代码3.x 和 4.x 的行为完全不一样这就是为什么版本配对这件事要先做。我一般建议按照下面这个搭配来选少折腾Python 版本OpenCV 安装包适合场景3.8 / 3.9opencv-python 4.5.x ~ 4.7.x跑老项目最稳绝大多数车牌识别代码没压力3.10opencv-python 4.6新语法特性可用注意老代码里np.float要改成np.float323.11 / 3.12opencv-python 4.8新环境首选发现编译 wheel 缺失时别硬装旧版不管选哪个记住一个最容易混乱的点pip 安装的包名是opencv-python但代码里 import 的名字是cv2。很多人pip list里看不到 OpenCV 以为自己没装上其实cv2就是它这个对应关系是新手第一个容易卡住的地方。2.2 收到 zip 包后的第一轮检查与最小安装解压这一步也有讲究。Windows 自带解压功能在碰到中文文件名的压缩包时容易出乱码有些网盘下载的 zip 还会报「文件损坏」。如果文件头只是被改了伪加密标记用 7-Zip 这类工具双击一次往往能直接解开不一定需要去搜密码。把解压工具换成 7-Zip 或 Bandizip是解压环节最便宜的后悔药。解压完先不要急着跑按顺序做三件事看目录结构、找入口文件、建虚拟环境装依赖。典型资源包会包含主程序、模板目录、测试图片和一份requirements.txt入口通常是main.py或plate_recognition.py。如果入口名不明确就找文件里带if __name__ __main__:的那个脚本。# 解压-oC:\plate_recognition 指定输出目录避免散落桌面 7z x 车牌识别系统.zip -oC:\plate_recognition # 进入目录看一眼结构 cd C:\plate_recognition tree /F # 创建独立虚拟环境防止污染全局 Python python -m venv .venv # Windows 命令行激活PowerShell 用 .venv\Scripts\Activate.ps1 .venv\Scripts\activate.bat # 升级 pip 后安装依赖 python -m pip install --upgrade pip pip install -r requirements.txt如果资源包里没有requirements.txt最小依赖其实就两个pip install opencv-python numpy装完立刻验证版本这一步能省掉后面半夜排查的力气python -c import cv2; print(cv2.__version__)能打印出4.x.y就说明环境通了。如果这里报ModuleNotFoundError基本可以判断是包装进了别的解释器这在后面避坑章里细说。2.3 在 VS Code 里配 Python 环境跑通前最容易翻车的一步环境装好之后打开 VS Code 加载项目文件夹。最经典的问题就是终端能 import cv2但按 F5 运行时报ModuleNotFoundError。这通常是因为 VS Code 左下角选中的解释器不是刚才激活的.venv终端用的是虚拟环境调试器用的是全局 Python两边不一致。正确顺序是按CtrlShiftP输入Python: Select Interpreter在列表里找到.venv对应的解释器路径确认后再运行。判断是否选对看 VS Code 右下角状态栏是否显示.venv字样。把这一步做对了环境问题基本就清零了。如果你拿到的是不带界面的纯脚本项目不配置 debug 也能跑但强烈建议配一个launch.json因为车牌识别中间过程会输出大量调试图断点停在关键步骤上比加 print 高效得多。我的习惯是先随便跑一张测试图能输出结果再回头补调试配置这样能确认是代码问题还是环境问题不至于对着黑匣子瞎猜。3. 车牌定位环节为什么非要用 HSV以及让定位不翻车的三个参数3.1 为什么是 HSV 而不是 RGB车牌识别的第一步是把车牌从整张图里找出来常见做法是颜色定位因为中国大陆车牌蓝色底占比最大颜色特征最稳定。但直接用 RGB 做颜色判断是新手最容易踩的坑同一个蓝色车牌早上、正午、傍晚三个时间拍出来RGB 三个通道的值一起漂移你在 RGB 空间里写死一组阈值换一张图就失效。HSV 把颜色拆成色相、饱和度、明度三个分量其中 H 表达「这是什么颜色」光照变化主要影响的是 V 和一部分 SH 相对稳定。所以用cv2.cvtColor转到 HSV 之后再用inRange圈定蓝牌范围鲁棒性比 RGB 好一个量级。这也是 OpenCV 图像处理项目里做颜色筛选的通用做法车牌识别只是其中一个典型场景。3.2 定位车牌的最小实现颜色筛选 形态学闭运算 轮廓筛选下面这份是完整的定位代码可以直接存成locate_plate.py跑import cv2 import numpy as np def read_img(path): # imread 不认中文路径返回 None 会导致后续 cvtColor 直接报错 data np.fromfile(path, dtypenp.uint8) return cv2.imdecode(data, cv2.IMREAD_COLOR) img read_img(samples/粤B12345.jpg) hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌的 HSV 范围S/V 下限按环境光微调 # 正午发白时把 V 下限从 60 降到 40 能捡回更多像素 lower_blue np.array([100, 100, 60]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 车牌汉字笔画细闭运算核横向拉长把笔画和底框连成整体 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask_close cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(mask_close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area cv2.contourArea(cnt) if area 1200: continue # 1080p 下小于 1200 的基本是噪点 rect cv2.minAreaRect(cnt) w, h rect[1] long_side, short_side max(w, h), min(w, h) if short_side 0: continue ratio long_side / short_side if 2.0 ratio 5.5: box cv2.boxPoints(rect).astype(np.int0) cv2.drawContours(img, [box], -1, (0, 0, 255), 2) cv2.imwrite(locate_result.png, img)这段代码里有三个参数是真正决定定位成败的。第一是 HSV 的上下限[100, 100, 60]到[124, 255, 255]是针对常规室外蓝牌的基准值监控画面偏暗时把 S 下限降到 80、V 下限降到 40回召率会明显上升但误检也会变多。第二是闭运算核(17, 5)车牌是横向长条核横长竖短作用是填掉字符间隙把整个车牌连成一个连通域核太大会把旁边白色车身也带进来太小则汉字断开后车牌被切成好几块。第三是面积阈值 1200这个跟图像分辨率强相关1920x1080 下合适换成 640x480 的测试图就要降到 300 左右否则整张图找不到一个候选框。这里再强调一次语法OpenCV 4.x 的findContours只返回两个值如果你抄的代码写的是_, contours, hierarchy cv2.findContours(...)运行必炸。这行代码是版本差异的重灾区老项目里十有八九会踩到。3.3 透视矫正把歪斜车牌拉正的四个点轮廓筛出来得到的是带角度的最小外接矩形但如果直接把这个矩形裁下来里面的字符是歪的模板匹配阶段会因为字符倾角过大直接废掉。标准做法是用minAreaRect给出的四个角点做透视变换把歪斜的车牌映射到一张正面的矩形图上。值得注意cv2.minAreaRect返回的四个点没有固定顺序直接传给getPerspectiveTransform会得到一张翻转或者扭曲的图。用一个排序函数把角点整理成「左上、右上、右下、左下」的顺序最稳妥def order_points(pts): # 和最小的是左上和最大的是右下 # 差最小的是右上差最大的是左下 s pts.sum(axis1) d np.diff(pts, axis1) return np.array([ pts[np.argmin(s)], pts[np.argmin(d)], pts[np.argmax(s)], pts[np.argmax(d)], ], dtypefloat32) box_ordered order_points(box.astype(float32)) dst np.array([[0, 0], [440, 0], [440, 140], [0, 140]], dtypefloat32) M cv2.getPerspectiveTransform(box_ordered, dst) plate cv2.warpPerspective(img, M, (440, 140)) cv2.imwrite(plate_out.png, plate)输出尺寸定成440x140不是拍脑袋蓝牌标准长宽比约 3.14440/140 接近这个比例固定尺寸后字符大小也基本统一后续模板匹配阶段可以把字符统一缩放到模板尺寸少一个重要变量。很多人习惯用rect[2]里的角度做rotate来转正我试过几次后发现角度正负方向在不同图像方向下很难判断转出来字符可能是反的除非做额外的方向判定否则不如透视变换干净。这一步也是整个流程里最「玄学」的地方如果矫正出来车牌左右颠倒先检查order_points的排序逻辑是不是被np.diff的符号搞反了。4. 字符分割与模板匹配从二值化到输出车牌字符串4.1 字符分割用垂直投影但汉字是最大变数定位矫正之后的车牌图下一步是把 7 个字符逐个切出来。常见做法是转灰度、二值化、再做垂直投影。二值化用大津法Otsu自动找阈值避免手动写死亮度值gray cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY) # THRESH_BINARY_INV 让字符变白、底色变黑便于统计投影 _, th cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) # 垂直投影统计每一列的白色像素数 col_pixels th.sum(axis0) / 255 segments [] in_seg False start 0 for i, v in enumerate(col_pixels): if v 0 and not in_seg: start i in_seg True elif v 0 and in_seg: if i - start th.shape[0] * 0.12: # 段宽度达到牌高 12% 才算候选 segments.append((start, i)) in_seg False # 汉字笔画容易被拆成多段间距小于 3px 的段合并成同一个字 merged [segments[0]] for seg in segments[1:]: if seg[0] - merged[-1][1] 3: merged[-1] (merged[-1][0], seg[1]) else: merged.append(seg)这个 0.12 的高度比例和 3px 的合并间距是我反复调过之后比较稳的一组值。大津法会把车牌上的铆钉、边框残留也变成噪点如果只按「连续非零段」切割会多出来一堆假字符加上段宽比例过滤能去掉绝大多数。而中文汉字是分割里最不可控的汉字笔画的连通性比字母差「苏」「粤」这类字经常拆成两三个孤立段。如果合并阈值设太大会把相邻字母也黏成一个设太小汉字就切碎了。判断标准很简单正常蓝牌切出来应该是 7 段第一个稍宽后面 6 个相对均匀。得到 8 段优先怀疑合并阈值太小得到 5~6 段优先怀疑某个字符被过滤条件误删。4.2 字符识别模板匹配的参数与适用边界切出单个字符的图像后识别手段有很多但这份传统流程里最常用、也最容易跑通的是模板匹配。核心代码很短def match_char(ch, templates): best_score -1.0 best_ch ? for ch_name, tpl in templates.items(): res cv2.matchTemplate(ch, tpl, cv2.TM_CCOEFF_NORMED) _, score, _, _ cv2.minMaxLoc(res) if score best_score: best_score score best_ch ch_name return best_ch if best_score 0.6 else ?TM_CCOEFF_NORMED对线性光照变化不敏感是模板匹配里最常用的模式。两个细节直接影响准确率一是字符图必须和模板图缩放到同一个尺寸我在前面把车牌统一成 440x140就是为了让分割出来的字符高度基本一致resize 到 40x20 左右失真不会太严重二是阈值 0.6 这个值太高会把不确定的字符全部判成?太低则会把「0」认成「O」、「B」认成「8」这类相似字。模板匹配的原理决定了它对字体变化敏感模板里存的是标准字体现场抓拍的字符带变形时分数会被拉低这是传统视觉方案的天然短板不是调参能彻底解决的。4.3 结果后处理让输出看起来像个真车牌模板匹配输出的 7 个独立字符直接拼起来就完事了吗不能这样。还要做一步序列校验因为车牌本身有强规则第一位必须是省份汉字第二位是字母后面五位是字母或数字。规则校验代码很薄作用却很大import re CHINESE_SET 京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼 def validate_plate(raw): # raw 形如 苏E12345长度不足时先补位 raw raw.ljust(7, ?) if raw[0] not in CHINESE_SET: raw ? raw[1:] if not re.match(r^[A-Z][A-Z0-9]{5}$, raw[1:]): # 车牌第二位是字母后五位字母数字 raw raw[0] ? raw[2:] return raw这段规则至少能拦住两类误识别一是模板匹配把汉字认成字母或数字时第一位直接变成?而不是输出一个荒谬字符串二是车牌字符集本身不存在 I 和 O如果模板库里混入了这两个字符规则层可以强制排除。识别结果经过这一步交给下游道闸或数据库时才不会出现「苏E1O234」这种一眼假的输出。5. 车牌识别避坑指南环境、路径、参数与版本差异的五个血泪案例5.1ModuleNotFoundError: No module named cv2现象跑import cv2时直接报模块不存在但明明执行过pip install opencv-python。原因最常见是包装进了另一个 Python 解释器。命令行工具、VS Code 调试器、pip三者各自使用的 Python 路径不一致时就会出现这种诡异情况。其次是服务器上装的是opencv-python-headless这个包没有 GUI 相关模块某些老代码里用到cv2.imshow时同样报错。解决先执行where python和where pip确认两个路径在同一个环境里然后重新激活虚拟环境后执行pip install opencv-python --upgrade强制重装。排查时不要慌这一步是环境问题里最常见的不是代码问题。5.2 读图返回 None中文路径让imread直接罢工现象代码在cv2.cvtColor(img, cv2.COLOR_BGR2HSV)这行报错提示img是 None。但用图片查看器打开同一张图文件明明存在。原因OpenCV 的imread底层不支持 Windows 中文路径和部分非 ASCII 路径文件路径里有「测试」「车牌」这类中文时就返回空。这是 OpenCV 在 Windows 平台的老毛病跟图片本身没有任何关系。解决不要用imread改用np.fromfile读字节流再交给cv2.imdecodedata np.fromfile(path, dtypenp.uint8) img cv2.imdecode(data, cv2.IMREAD_COLOR)这段代码我在定位环节已经放过一次凡是做中文路径项目建议直接封装成公共工具函数全项目统一调用省得每个脚本各写一份。5.3findContours返回值数目不对现象运行到轮廓提取时抛ValueError: not enough values to unpack。原因OpenCV 3.x 的cv2.findContours返回(image, contours, hierarchy)三个值OpenCV 4.x 返回(contours, hierarchy)两个值。网上下载的车牌识别代码大多源自 OpenCV 3 时代写法是三参数解包放到 4.x 环境里必然报错。解决统一改成两参数解包并保证项目里所有findContours调用保持一致contours, hierarchy cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)如果这段代码要发给别人用建议在文件头注释写明要求 OpenCV 4.x或者在代码里加一个版本判断兼容两种写法。两参数写法是当前最主流的形态别在这上面浪费半小时。5.4 蓝牌在强光下定位不到HSV 的 S/V 下限拖的后腿现象白天正午拍摄时整张图找不到车牌候选框傍晚光线暗时车牌区域呈现灰蓝色也定位不到。原因强光把蓝色车牌的饱和度拉低S 分量跌出设定的下限暗光则让 V 分量整体下移。inRange是一个包络判断S/V 任何一个低于下限都会把该像素滤掉。这份代码里[100, 100, 60]的下限是针对上午顺光场景调的其他光照环境自然失效。解决S 下限从 100 降到 80V 下限从 60 降到 40可以在不显著增加误检的情况下把召回范围扩大。如果不想写死就把一组测试图在不同时段跑一遍取 S/V 的 5% 分位作为下限。这里有个经验参数是数据驱动的不要相信一份参数吃一年换摄像头、换安装位置后定位参数必须重新标定。5.5 汉字被切成两三段识别结果第一位永远是错的现象车牌定位和矫正都正常字符分割后得到 8 段以上模板匹配结果里第一位汉字频繁识别错误。原因汉字笔画结构与字母数字差异很大垂直投影会把「苏」「京」这类左右结构的字拆成多个不连通区域。如果不做合并每个碎片都会被当成独立字符去匹配第一位自然永远对不了。解决在投影分割后增加段合并逻辑间距小于 3 像素的相邻段合并成一个字符。同时把段宽过滤比例从 0.12 放宽到 0.1避免汉字偏旁被当作噪点丢弃。合并后检查段数正常 7 段如果不匹配就打印各段宽度辅助判断。这种问题用调试图看一次就明白定位到的车牌图可以顺手存下来改参数时反复对照。6. 让识别率再往上走的三个小动作与验证习惯这套流程跑通之后别急着收工。真正放到现场单张图 95% 的识别率是不够的实际项目里我一般会在三个方面做增强。第一个动作是把固定阈值的大津法换成局部自适应阈值。cv2.adaptiveThreshold相比 Otsu 有一个明显优势在车牌表面光照不均、半边有阴影时能保留字符轮廓的完整性。代价是参数多了两个块大小按字符宽度的 1.5 到 2 倍取C 值从 5 开始调。第二个动作是重建模板库用现场摄像头抓一两百张定位成功的车牌把分割出来的字符按类别贴进模板目录每类取 5 张以上做像素均值模板识别率往往比用网上下载的标准字体模板高出一截。第三个动作是视频流场景里加帧间投票连续 5 帧中同一结果出现 3 次以上才输出能过滤掉单帧偶发误识别。增强方向适用场景主要改动点自适应阈值光照不均、阴影遮挡替换threshold为adaptiveThreshold调整 blockSize 与 C扩充现场模板库机位固定、目标车牌字体统一从分割结果收集样本做均值模板帧间投票视频流实时识别维护一个 5 帧结果队列取众数输出调试习惯上我给每个阶段都留一个中间产物开关定位框、矫正后的车牌、二值化图、切割后的字符图全都可以一键导出。不要相信「跑出结果就真出结果了」一定要拿测试集跑一遍统计哪些字符经常错、哪些图片定位失败。我的教训是有一版识别率看着很高结果发现「0」和「O」在结果里混得稀里哗啦因为模板库里根本没有区分这两个字符的样本把输出校验和模板库一起加固后这个错误才真正降下去。希望这片避坑思路能帮到你至少在你调试这辆「车」时少几次半夜拉日志的时刻。本文还有配套的精品资源点击获取