简介这是一份面向计算机相关专业学生的数字图像处理课程设计资源以Python结合OpenCV实现车牌识别系统适合用于期末大作业、课程设计或计算机视觉入门实战。项目覆盖车牌定位、字符分割与字符识别等核心环节涉及颜色分割、边缘检测、形态学操作、模板匹配及SVM分类等典型方法能帮助读者理解图像处理在实际场景中的落地流程。压缩包共18个文件约4.73MB包含5个py源码文件、5个png与3个jpg图像素材、2个dat模型数据、1个pptx演示文稿及README说明文档源码经调试可直接运行。目前已有75人学习下载。通过阅读与运行源码读者可掌握OpenCV图像滤波、特征提取与字符识别等关键实现并借助演示文稿与说明文档快速梳理项目结构为后续课程设计或视觉项目开发提供可复用的参考框架。1. 车牌识别课程设计为什么它是数字图像处理最值得啃的实战题如果你正在做数字图像处理课程设计又不想交一份只会调库、答辩时被老师三句话问穿的作业车牌识别几乎是性价比最高的选题。它把灰度化、滤波、边缘检测、形态学、二值化、轮廓筛选、字符分割这一整条链路全串起来了每一步都能在论文里写出公式也能在代码里找到对应函数。用 Python 加 OpenCV 实现环境搭起来不超过半小时但真正跑通一张夜间倾斜车牌的定位你会踩到阈值、核大小、宽高比这些参数的血泪坑。这篇笔记按我实际做课设的顺序拆先讲清整条流水线为什么这么设计再给出可复现的代码和参数最后把那些让定位框乱飞的坑一条条列出来。适合刚学完 OpenCV 基础、想拿一个完整项目练手的学生也适合想快速复现一套传统车牌识别基线的工程师。2. 车牌识别的流水线拆解从一张彩色图到字符序列2.1 为什么传统方案仍然是课设首选深度学习做车牌识别当然精度更高但课设的评分点往往不在最终准确率而在你是否理解每一步图像变换的物理意义。传统流水线的每一环都是可解释的高斯滤波为什么用 5x5 而不是 3x3Sobel 为什么对垂直边缘敏感闭运算的结构元素为什么选扁长矩形这些都能在答辩时讲出道理。而且传统方案不依赖 GPU不依赖标注数据集一台普通笔记本就能跑完整个流程这对课程设计的时间约束非常友好。整条流水线可以概括为五个阶段预处理去噪、边缘与颜色特征提取、形态学增强、车牌区域定位、字符分割与识别。每个阶段的输出都是下一阶段的输入任何一步参数跑偏后面就会连锁翻车。我一般会先把中间结果全部 imshow 出来确认每一步的图像是干净的再往下走而不是一口气写完最后发现定位框飘到天上。2.2 预处理灰度化、滤波与边缘检测的参数选择预处理的目标是把彩色图变成一张边缘清晰、噪声可控的灰度图。常见做法是先转灰度再做高斯模糊抑制噪声然后用 Sobel 或 Canny 提取边缘。这里有个容易被忽略的点车牌字符是垂直排列的垂直边缘比水平边缘更能反映车牌特征所以 Sobel 的 x 方向梯度往往比 y 方向更有用。import cv2 import numpy as np def preprocess(img): # 转灰度减少计算量并统一通道 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊5x5 核在 720p 图上能压住噪点又不过度糊掉字符 blur cv2.GaussianBlur(gray, (5, 5), 0) # Sobel 取 x 方向梯度突出垂直边缘字符笔画 sobel_x cv2.Sobel(blur, cv2.CV_16S, 1, 0, ksize3) # 转回 uint8 并取绝对值负梯度也要保留 abs_x cv2.convertScaleAbs(sobel_x) # 自适应阈值二值化应对不同光照 binary cv2.adaptiveThreshold(abs_x, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, -2) return gray, binary这段代码里ksize3的 Sobel 核是最小可用尺寸再大边缘会变粗导致后续轮廓粘连。自适应阈值的blockSize15表示每个像素参考周围 15x15 区域计算阈值C-2是常数偏移负值让二值化更激进地保留边缘。如果换成固定阈值 127遇到逆光或阴影车牌会直接丢边缘这是新手最常踩的坑。返回的gray留着后面做颜色判断binary进入形态学阶段。2.3 形态学处理闭运算把字符连成一块车牌二值化后的边缘图里字符是断开的细线直接找轮廓会得到几十个小碎片。闭运算先膨胀后腐蚀能把相邻字符连成一个矩形块同时不显著改变整体尺寸。关键在于结构元素的形状车牌是扁长的所以用宽大于高的矩形核比如 17x3 或 19x5横向连接字符纵向不粘连。def morphology(binary): # 扁长矩形核横向连接字符纵向保持分离 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) # 闭运算先膨胀填缝再腐蚀恢复边界 closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 再开运算去掉孤立小噪点 kernel2 cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel2) return opened(17, 5)这个尺寸不是随便定的中国蓝牌字符间距大约 10 到 15 像素在 720p 图上17 宽足够跨过间隙5 高则不会把上下两行文字连起来。如果你的图分辨率更高核要按比例放大否则字符连不上轮廓筛选时一个车牌都找不到。开运算的 3x3 核负责清掉残留的椒盐噪点但核不能太大否则会把细的字符笔画也腐蚀掉。2.4 轮廓筛选用宽高比和面积锁定车牌形态学处理后图上会有若干白色矩形块车牌只是其中之一。筛选依据主要是宽高比和面积。中国蓝牌和新能源绿牌的宽高比大约在 2.5 到 5 之间面积则要排除太小的噪点和太大的背景块。def find_plate_contours(opened, img): contours, _ cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) area w * h ratio w / float(h) # 面积下限排除噪点上限排除整幅背景 if 2000 area 50000 and 2.2 ratio 5.5: candidates.append((x, y, w, h)) # 按面积从大到小排序通常车牌是最大候选 candidates.sort(keylambda b: b[2] * b[3], reverseTrue) return candidatesarea的上下限要根据你的图片分辨率调整2000 到 50000 是针对 720p 的粗略范围。ratio放宽到 2.2 到 5.5 是为了兼容倾斜拍摄导致的透视变形太严会漏掉真实车牌。排序后取第一个通常就是车牌但如果图中有多个类似矩形比如广告牌就需要结合颜色进一步确认。这一步的调参建议是先把所有候选框画出来看再决定阈值往哪边收。3. 车牌定位与字符分割把矩形框变成七个字符3.1 颜色辅助定位HSV 空间筛蓝牌和绿牌边缘法在光照均匀时够用但遇到车身有蓝色装饰条或背景有类似纹理时容易误检。加一层颜色过滤能显著提升鲁棒性。中国车牌的颜色特征很明显蓝牌底色是特定范围的蓝色绿牌是渐变绿。在 HSV 空间做阈值比 RGB 稳定因为 HSV 把色调和亮度分离了。def color_mask(img): hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝牌底色范围H 在 100-124 之间 lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask_blue cv2.inRange(hsv, lower_blue, upper_blue) # 绿牌底色范围H 在 40-80 之间 lower_green np.array([40, 60, 60]) upper_green np.array([80, 255, 255]) mask_green cv2.inRange(hsv, lower_green, upper_green) mask cv2.bitwise_or(mask_blue, mask_green) # 闭运算填补车牌内部字符造成的空洞 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (15, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) return maskHSV 的 H 通道范围 0 到 179OpenCV 的特殊设计蓝牌 H 在 100 到 124绿牌在 40 到 80。S 和 V 的下限设 60 到 80 是为了排除灰暗或过曝区域。闭运算核用 (15, 5) 和前面形态学一致目的是把车牌上白色字符挖出的洞补上让整个车牌成为一个实心块。颜色掩码和边缘掩码做与运算能同时满足“有垂直边缘”和“底色正确”的区域才是车牌误检率大幅下降。3.2 透视校正把倾斜车牌摆正再分割实际拍摄的车牌往往有倾斜直接分割字符会切歪。用cv2.minAreaRect拿到最小外接旋转矩形再做仿射变换摆正。这一步对后续字符分割的准确率影响很大摆正后字符是垂直的投影法分割才准。def deskew(img, cnt): rect cv2.minAreaRect(cnt) box cv2.boxPoints(rect) box np.int0(box) # 取旋转矩形的宽高宽大于高说明是横排车牌 w, h rect[1] if w h: w, h h, w # 目标矩形宽高比固定为 440:140常见车牌比例 dst np.float32([[0, 0], [w, 0], [w, h], [0, h]]) # 按四点顺序排序源点 src np.float32(sorted(box, keylambda p: (p[0], p[1]))) M cv2.getPerspectiveTransform(src, dst) warped cv2.warpPerspective(img, M, (int(w), int(h))) return warpedminAreaRect返回的中心、宽高、角度需要理解角度在 OpenCV 4.x 里是 0 到 90 度宽高可能互换。所以先判断 w 和 h 谁大保证输出是横排。透视变换的目标尺寸按 440:140 设定这是中国车牌的物理比例摆正后字符间距均匀投影法分割的波峰波谷会很清晰。如果跳过这一步倾斜 15 度以上的车牌分割出来的字符会带斜边识别率直接掉一半。3.3 字符分割垂直投影法的波峰波谷怎么找摆正后的车牌是灰度图先二值化让字符变白底黑字或黑底白字再做垂直投影统计每一列白色像素的数量字符所在列投影值高字符间隙投影值低。找到波谷就找到了分割点。def split_chars(warped): gray cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY) # 大津法自动阈值适合车牌这种双峰直方图 _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 确保字符是白色若背景白则反色 if np.mean(binary) 127: binary cv2.bitwise_not(binary) # 垂直投影每列白点数量 projection np.sum(binary, axis0) / 255 # 找投影小于阈值的列作为分割点 threshold np.max(projection) * 0.15 splits [] in_char False for i, v in enumerate(projection): if v threshold and not in_char: start i in_char True elif v threshold and in_char: splits.append((start, i)) in_char False # 过滤太窄的区间噪点和太宽的区间粘连 chars [binary[:, s:e] for s, e in splits if 5 e - s 60] return chars大津法自动找阈值比固定 127 更适应不同光照。投影阈值取最大值的 15%这个比例能过滤掉字符边缘的弱投影又不漏掉细笔画。5 e - s 60的宽度过滤很关键太窄的是噪点太宽的是两个字符粘在一起需要额外做垂直切割。中国车牌第一个是汉字后面是字母数字汉字通常比字母宽所以宽度范围要留够。分割出来的字符再统一 resize 到 20x40 送识别。4. 字符识别与模板匹配不训练模型也能出结果4.1 模板匹配的适用边界课设时间紧训练 CNN 不现实模板匹配是最快能出结果的路子。原理是把分割出的字符和预先准备好的字符模板逐一比对取相似度最高的作为结果。模板可以从标准车牌字体生成也可以从训练图上手动截取。它的边界很清楚对字体、大小、清晰度敏感一旦字符有旋转或严重模糊就会错。但在课设场景下只要分割质量过关模板匹配的准确率能到 80% 以上足够答辩。模板匹配用cv2.matchTemplate的TM_CCOEFF_NORMED方法返回值在 -1 到 1 之间越接近 1 越相似。关键是把待识别字符和模板都 resize 到同一尺寸否则匹配无意义。def match_char(char_img, templates): char_resized cv2.resize(char_img, (20, 40)) best_score -1 best_label ? for label, tmpl in templates.items(): tmpl_resized cv2.resize(tmpl, (20, 40)) res cv2.matchTemplate(char_resized, tmpl_resized, cv2.TM_CCOEFF_NORMED) score res[0][0] if score best_score: best_score score best_label label return best_label, best_scoretemplates是一个字典键是字符标签值是模板图。TM_CCOEFF_NORMED对亮度变化不敏感比TM_SQDIFF更适合车牌这种光照不均的场景。score低于 0.5 时建议标记为不确定而不是硬给一个结果这样在答辩时能说明你考虑了置信度。模板数量取决于你要识别的字符集中国车牌汉字加字母数字大约 60 多个每个字符准备 2 到 3 个不同字体的模板能提升鲁棒性。4.2 识别结果的后处理用规则纠正明显错误模板匹配难免出错但车牌有固定规则可以纠错。比如中国车牌第二位通常是字母最后一位可能是字母或数字汉字只出现在第一位。利用这些先验知识可以把一些明显不合理的识别结果纠正过来。def postprocess(chars): # 第一位必须是汉字若识别成字母则尝试替换 # 第二位必须是字母 # 后续位是字母或数字 result [] for i, (label, score) in enumerate(chars): if i 0 and label.isalpha() and not \u4e00 label \u9fff: # 第一位识别成字母可能是汉字模板缺失标记待定 result.append(?) elif i 1 and not label.isalpha(): result.append(?) else: result.append(label) return .join(result)这段后处理逻辑不复杂但能挡掉一部分低级错误。实际做的时候我会把每个字符的 score 也打印出来低于阈值的用?占位答辩时老师看到你有置信度机制印象分会高。如果时间允许可以再叠一个简单的 SVM 或 KNN 分类器用 HOG 特征准确率能再提一截但那是加分项不是必需项。5. 避坑与排查车牌定位翻车的五个真实原因5.1 定位框飘到车身装饰条上现象画出的矩形框不在车牌上而是框住了保险杠的蓝色装饰条或车标。原因颜色掩码把装饰条也包含进去了而轮廓筛选只看了宽高比没看位置。解决把颜色掩码和边缘掩码做与运算只有同时满足两个条件的区域才保留另外可以加位置约束车牌通常在图像下半部分把上半部分的候选框过滤掉。5.2 字符分割多切或少切现象分割出 6 个或 8 个字符或者一个字符被切成两半。原因投影阈值设得不对或者车牌没摆正导致字符倾斜。解决先确认透视校正那一步的输出是水平的再调投影阈值从最大值的 10% 到 20% 之间试。如果字符粘连在粘连处做垂直投影的二次切割找局部最小值点切开。5.3 夜间或逆光图片完全找不到车牌现象白天能跑通的代码换一张夜间图就一个候选框都没有。原因自适应阈值的 blockSize 在低对比度下失效边缘提取不到。解决对夜间图先做直方图均衡化cv2.equalizeHist或 CLAHE提升局部对比度再走后续流程。CLAHE 的 clipLimit 设 2.0 到 3.0tileGridSize 设 8x8效果比全局均衡化好。5.4 模板匹配把 0 和 O、1 和 I 搞混现象识别结果里数字和字母混淆。原因模板匹配只看形状相似度0 和 O 在低分辨率下几乎一样。解决结合位置规则比如车牌第二位是字母那这个位置优先匹配字母模板最后一位如果是数字位就优先数字模板。另外把模板尺寸从 20x40 提到 30x60分辨率高了区分度会好一些。5.5 换一张分辨率不同的图就全乱套现象在 720p 上调好的参数换 1080p 或手机拍的 4000x3000 图定位和分割全错。原因形态学核大小、面积阈值、投影阈值都是像素级的和分辨率强相关。解决在预处理第一步就把图像统一 resize 到固定宽度比如 720高度按比例缩放。这样所有后续参数都基于同一尺度换图不用重调。这个习惯能省掉大量重复调参的时间。6. 从课设到能用的进阶技巧把准确率再往上推一截课设做完能跑通只是及格线如果你想让这个项目在答辩时脱颖而出或者真的想把它用到某个小场景里有几个方向可以继续挖。第一个是字符识别从模板匹配换成轻量级 CNN比如用 3 层卷积加 2 层全连接在生成的车牌数据集上训练几十个 epoch准确率能从 80% 提到 95% 以上。数据生成可以用 OpenCV 的putText把字符画到车牌底图上加上随机旋转、模糊、噪声几千张就够。这个改动代码量不大但效果提升明显答辩时也能讲出深度学习的点。第二个是处理多车牌场景。现在的流程默认一张图只有一个车牌如果图里有多个取面积最大的那个。要支持多个就在轮廓筛选后不取 top1而是对每个候选框都走一遍分割识别再用非极大值抑制去掉重叠框。NMS 的 IoU 阈值设 0.3 到 0.5 之间具体看车牌间距。第三个是视频流处理。把整个流程封装成一个函数输入一帧输出识别结果然后用cv2.VideoCapture读视频或摄像头逐帧处理。这里要注意性能模板匹配在每帧上跑会比较慢可以每隔几帧做一次完整定位中间帧只做跟踪。或者把图像 resize 到更小的尺寸再处理牺牲一点精度换帧率。验证方法上我一般会准备三组测试图白天正拍、夜间逆光、倾斜角度大于 20 度。每组 10 张统计定位成功率和识别准确率。定位成功率看 IoU 大于 0.5 的比例识别准确率看整牌完全正确的比例。这两个指标能客观反映你的方案边界答辩时拿数据说话比空口说“效果不错”有说服力得多。最后说个我自己的习惯每调一个参数都把中间结果图存下来命名带上参数值比如binary_block15_C-2.png。这样当效果变差时能快速回滚到上一个可用版本不用凭记忆猜之前改了什么。这个后悔药机制在课设冲刺阶段能救命。希望帮到你。本文还有配套的精品资源点击获取