简介本资源是一套基于Python的车辆牌照识别系统设计源码面向计算机视觉入门者、课程设计或毕业设计开发者用于解决车牌自动检测与识别问题。压缩包共48个文件约30.78MB包含7个Python源文件、17个PNG与8个JPG图像样本、2个DAT训练数据文件以及UI界面、图标、配置脚本和演示视频等覆盖从界面到算法再到测试素材的完整链路。已有461人学习下载。源码中提供车牌检测、字符分割与SVM识别等核心模块并附带训练数据与多张实拍车牌图片便于读者直接运行验证、理解识别流程也可在此基础上替换数据集或调整参数完成二次开发。目录结构清晰适合作为车牌识别项目的参考实现与学习模板。1. 从一堆散图到能跑的车牌识别这套 Python 源码到底能干什么如果你手头正好有一批卡口抓拍图、停车场进出照片或者导师扔过来一个「车辆牌照识别系统设计」的课设题目这套基于 Python 的车辆牌照识别系统源码大概率能让你少熬两个通宵。它不是那种只放几张效果图、核心逻辑全靠脑补的「演示级」仓库而是把车牌定位、字符分割、SVM 字符识别这条完整链路都落到了代码里配套还带了训练数据、测试图片和一份 PyQt 界面。整套资源 47 个文件6 个 Python 源文件2 个 DAT 模型文件17 张 PNG 加 8 张 JPG 的测试素材拿到手就能直接跑通「读图 → 定位车牌 → 切字符 → 出结果」的全流程。它适合三类人一是做课程设计或毕设、需要一份能讲清楚原理又能演示的学生二是想快速验证车牌识别可行性、不想从零造轮子的开发者三是想拿它当骨架替换成自己数据集做二次训练的人。下面我按「先搞懂它怎么识别 → 再动手跑起来 → 最后避开那些必踩的坑」的顺序把这份源码拆开讲透。2. 车牌识别的三段式链路定位、分割、SVM 识别是怎么串起来的2.1 为什么是「定位 分割 SVM」而不是端到端先讲选型逻辑不然你改代码时容易改错地方。这套源码走的是传统机器视觉路线不是现在流行的端到端深度学习。原因很实际车牌识别这个场景字符集小汉字 字母 数字常见就几十类字符排列规则固定用 SVM 在小样本上反而比硬训一个 CNN 更稳而且不需要 GPU普通笔记本就能跑。整条链路拆成三步第一步是车牌定位核心思路是利用车牌区域的颜色和边缘特征。国内蓝牌底色是蓝色绿牌是渐变绿黄牌是黄色源码里card_seg.py和car_id_detect.py会先做颜色空间转换把图像转到 HSV 空间用蓝色或黄色的色相范围做掩膜再配合形态学操作把候选区域连成块最后用长宽比和面积阈值筛掉明显不是车牌的矩形。第二步是字符分割定位到车牌矩形后先做灰度化、二值化再用垂直投影法找字符之间的空隙。车牌上 7 个字符之间有固定间隔投影曲线上的波谷就是切分点。这一步的难点在于铆钉、边框、污渍会干扰投影源码里用了一些形态学去噪和固定宽度兜底。第三步是字符识别切出来的单个字符送进 SVM 分类器。svm_train.py负责训练svm.dat和svmchinese.dat是训练好的模型文件前者大概率是字母数字模型后者是汉字模型。SVM 用的是 HOG 特征或者简单的像素特征这个得看训练脚本里的特征提取部分。提示传统链路的好处是每一步都可解释、可单独调试。定位不准就调颜色阈值分割不准就调投影参数识别不准就换特征或补训练样本。端到端模型一旦效果不好你连从哪下手都不知道。2.2 关键文件的分工与调用关系拿到源码先别急着跑花五分钟把文件关系理清楚后面排错能省一半时间。核心文件分工如下文件作用是否需改动car_id_detect.py主检测逻辑串联定位、分割、识别调参时改card_seg.py车牌定位与字符分割的具体实现调参时改svm_train.pySVM 模型训练脚本换数据集时改my_main_ui.pyPyQt 界面主程序一般不动Ui_my_main_ui.py界面布局代码由 .ui 生成不动svm.dat/svmchinese.dat训练好的模型不重训就不动requirement.txt依赖清单按需补调用关系是my_main_ui.py启动界面用户选图后调用car_id_detect.py的检测函数检测函数内部调用card_seg.py做定位和分割分割结果送进加载好的 SVM 模型出识别结果最后回显到界面。svm_train.py是离线跑的跟运行时链路无关只有你想用自己的数据重训模型时才需要碰它。2.3 环境依赖与最小可跑配置requirement.txt里通常会有 opencv-python、numpy、scikit-learn、PyQt5 这几个。我一般会先建虚拟环境再装避免污染系统 Python# 创建虚拟环境Python 版本建议 3.8 到 3.10 python -m venv venv # 激活环境Windows 下是 venv\Scripts\activate source venv/bin/activate # 安装依赖如果 requirement.txt 版本太旧可以手动指定 pip install opencv-python numpy scikit-learn PyQt5 # 验证关键库能正常导入 python -c import cv2, numpy, sklearn; print(cv2.__version__)参数说明opencv-python 负责图像读写和形态学操作numpy 做矩阵运算scikit-learn 提供 SVM 实现PyQt5 撑起界面。如果requirement.txt里锁了很老的版本比如 opencv 3.x建议先按它装跑不通再升到 4.x因为部分 API 在新版本里改了名字。装完先跑python -c import cv2确认没报错再往下走。3. 把源码跑起来从加载模型到出识别结果的完整操作3.1 先跑通单图识别再碰界面新手最容易犯的错是一上来就双击run.bat或启动界面结果界面弹出来了但点按钮没反应也不知道错在哪。我的习惯是先绕过界面直接用脚本跑单张图把核心链路验证通。源码里test_img目录下有wA87271.jpg、lLD9016.jpg、cAA662F.jpg这些测试图拿它们开刀import cv2 import numpy as np from card_seg import segment_license_plate # 假设定位函数叫这个名 from car_id_detect import recognize_plate # 假设识别入口叫这个名 # 读一张测试图路径按实际目录调整 img cv2.imread(test_img/wA87271.jpg) if img is None: raise FileNotFoundError(图片没读到检查路径和文件名大小写) # 第一步定位车牌区域返回裁剪后的车牌图和坐标 plate_img, bbox segment_license_plate(img) print(车牌区域坐标:, bbox) # 第二步对车牌图做字符分割和识别 result recognize_plate(plate_img) print(识别结果:, result) # 把定位到的车牌区域画框存下来方便肉眼核对 cv2.rectangle(img, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2) cv2.imwrite(debug_locate.jpg, img)逻辑说明这段代码把「定位」和「识别」拆开调用中间打印坐标和结果还存了一张带框的调试图。参数上segment_license_plate返回的 bbox 一般是 (x1, y1, x2, y2) 格式但不同实现可能是 (x, y, w, h)你得打开card_seg.py确认返回值定义这是第一个容易翻车的地方。recognize_plate内部会加载svm.dat如果模型路径写的是相对路径你得保证工作目录在源码根目录否则会报模型加载失败。3.2 界面启动与 run.bat 的正确用法单图跑通后再启动 PyQt 界面。run.bat里一般就一行python my_main_ui.py但直接双击可能因为工作目录不对导致模型加载失败。稳妥做法是在命令行里先 cd 到源码根目录再执行# 切到源码根目录确保相对路径能找到 svm.dat cd /path/to/车牌识别源码 # 直接跑主程序不用 run.bat方便看报错 python my_main_ui.py界面起来后通常会有一个「选择图片」按钮和一个显示区域。选test_img里的图点识别结果会显示在下方文本框或叠加在图上。如果界面能起但识别没反应八成是my_main_ui.py里调用检测函数的信号槽没连上或者检测函数抛异常被吞了。这时候回到 3.1 的单图脚本看是不是核心链路本身就有问题。注意my_main_ui.spec是 PyInstaller 打包配置想生成 exe 才用得上。打包时要把svm.dat、svmchinese.dat和test_img一起打进去否则 exe 换台机器就跑不了。spec 文件里的 datas 列表要手动加上这些非 Python 文件。3.3 用自带测试图验证识别准确率源码给了 8 张 JPG 测试图覆盖了蓝牌、黄牌、绿牌几种情况。跑完单图后建议写个批量脚本把 8 张全过一遍统计哪些识别对了、哪些错了import os import cv2 from car_id_detect import recognize_plate from card_seg import segment_license_plate test_dir test_img for fname in os.listdir(test_dir): if not fname.lower().endswith((.jpg, .png)): continue img cv2.imread(os.path.join(test_dir, fname)) if img is None: print(f{fname}: 读取失败) continue try: plate, bbox segment_license_plate(img) result recognize_plate(plate) print(f{fname}: 定位{bbox} 识别{result}) except Exception as e: print(f{fname}: 异常 {e})这段脚本的价值在于快速暴露问题分布。如果某张图定位框明显偏了说明颜色阈值对这张图的底色不适用如果定位对了但识别结果乱码说明字符分割或 SVM 模型有问题。把失败案例单独拎出来看比盲目调参高效得多。4. 避坑与排查这套源码最容易翻车的五个地方4.1 模型文件加载失败或路径找不到现象运行时报FileNotFoundError: svm.dat或识别结果全是空。原因svm.dat和svmchinese.dat用的是相对路径加载而你的工作目录不在源码根目录或者打包后模型没被带进去。解决在加载模型的代码里把路径改成基于__file__的绝对路径例如os.path.join(os.path.dirname(__file__), svm.dat)这样无论从哪执行都能找到。打包时在 spec 的 datas 里显式加上两个 dat 文件。4.2 中文路径导致 OpenCV 读图返回 None现象cv2.imread返回 None但图片明明存在。原因OpenCV 的imread在 Windows 下对中文路径支持不好源码目录或图片路径里带中文就会读失败。解决用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)替代imread写图同理用cv2.imencode加tofile。这是血泪经验很多人卡在这里以为是代码逻辑问题。4.3 颜色阈值对黄牌、绿牌失效现象蓝牌能定位黄牌或绿牌定位框乱飞或定位不到。原因card_seg.py里的 HSV 色相范围大概率只调了蓝色黄色和绿色的范围没覆盖全。解决打开定位函数找到cv2.inRange那几行把黄色的 H 范围补上大概 20 到 35绿色的 H 范围补上大概 35 到 85饱和度下限适当降低以容纳渐变绿。调完用测试图逐张验证。4.4 字符分割把边框和铆钉当成字符现象识别结果多出字符或首尾字符错位。原因垂直投影时车牌边框、铆钉、螺丝孔也会形成投影峰被误判为字符。解决在投影前先做一次边缘裁剪把车牌图上下左右各裁掉几个像素投影后用宽度阈值过滤正常字符宽度在固定范围内过窄的峰直接丢弃再加一个「期望字符数」约束国内车牌 7 个字符分割出 6 个或 8 个就触发兜底逻辑重新切。4.5 PyQt 界面打包后闪退现象源码跑正常PyInstaller 打包成 exe 后双击闪退。原因除了模型文件没打进去还可能是 PyQt 插件路径问题或者my_pic_rc.py里的资源没被正确引用。解决先用命令行跑 exe 看报错信息不要双击确认 spec 里 datas 包含模型和测试图如果报 Qt 平台插件错误在 spec 里加--collect-all PyQt5或在代码里设置QT_QPA_PLATFORM_PLUGIN_PATH。打包这事玄学成分不少多打几次对比日志。5. 换自己的数据重训 SVM从标注到替换模型的实操5.1 准备字符样本与训练脚本改造自带模型只能认它训练过的字符分布遇到新字体、新底色、模糊图就容易崩。想提升效果最直接的办法是拿自己的数据重训。svm_train.py是入口但直接跑大概率报错因为它读的训练数据路径是写死的。你需要准备一个字符样本目录结构一般是每个字符一个子文件夹文件夹名就是标签train_dat/ ├── 京/ │ ├── 001.png │ └── 002.png ├── A/ │ ├── 001.png │ └── 002.png ├── 8/ │ ├── 001.png │ └── 002.png每个字符至少准备 30 到 50 张切好的单字符图尺寸统一到 20x40 或 28x28。样本来源可以是这套源码分割出来的字符图也可以自己用标注工具切。改造训练脚本时把数据加载部分改成遍历目录import os import cv2 import numpy as np from sklearn import svm from sklearn.model_selection import train_test_split def load_dataset(root): X, y [], [] for label in os.listdir(root): label_dir os.path.join(root, label) if not os.path.isdir(label_dir): continue for fname in os.listdir(label_dir): img cv2.imread(os.path.join(label_dir, fname), 0) if img is None: continue img cv2.resize(img, (20, 40)) # 统一尺寸 X.append(img.flatten()) # 展平成一维特征 y.append(label) return np.array(X), np.array(y) X, y load_dataset(train_dat) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) clf svm.SVC(kernelrbf, C10, gammascale) clf.fit(X_train, y_train) print(测试集准确率:, clf.score(X_test, y_test))参数说明kernelrbf是常用核C控制惩罚力度越大越容易过拟合gammascale让 sklearn 自动按特征数缩放。特征这里用的是原始像素展平简单但有效想提升可以换成 HOG 特征sklearn里没有现成 HOG得用skimage或自己实现。训练完用joblib.dump(clf, svm.dat)保存替换掉原来的模型文件。5.2 验证新模型与回退方案替换模型后别急着删旧模型先把旧的备份成svm.dat.bak。然后用第 3.3 节的批量脚本跑一遍测试图对比新旧模型的识别结果。如果新模型在测试集上准确率更高但实际图片上更差说明训练样本和实际场景分布不一致得补充实际场景的样本。我一般会保留两套模型界面上加个切换开关哪套好用用哪套。从那以后我每次重训模型都强制走一遍「备份旧模型 → 批量测试 → 对比结果 → 再替换」的流程再也没出现过换完模型效果反而变差还找不回旧版的情况。希望这套拆解能帮到你把这份源码真正跑成自己的东西。本文还有配套的精品资源点击获取
Python车牌识别源码实战：定位、分割与SVM识别全链路解析
简介本资源是一套基于Python的车辆牌照识别系统设计源码面向计算机视觉入门者、课程设计或毕业设计开发者用于解决车牌自动检测与识别问题。压缩包共48个文件约30.78MB包含7个Python源文件、17个PNG与8个JPG图像样本、2个DAT训练数据文件以及UI界面、图标、配置脚本和演示视频等覆盖从界面到算法再到测试素材的完整链路。已有461人学习下载。源码中提供车牌检测、字符分割与SVM识别等核心模块并附带训练数据与多张实拍车牌图片便于读者直接运行验证、理解识别流程也可在此基础上替换数据集或调整参数完成二次开发。目录结构清晰适合作为车牌识别项目的参考实现与学习模板。1. 从一堆散图到能跑的车牌识别这套 Python 源码到底能干什么如果你手头正好有一批卡口抓拍图、停车场进出照片或者导师扔过来一个「车辆牌照识别系统设计」的课设题目这套基于 Python 的车辆牌照识别系统源码大概率能让你少熬两个通宵。它不是那种只放几张效果图、核心逻辑全靠脑补的「演示级」仓库而是把车牌定位、字符分割、SVM 字符识别这条完整链路都落到了代码里配套还带了训练数据、测试图片和一份 PyQt 界面。整套资源 47 个文件6 个 Python 源文件2 个 DAT 模型文件17 张 PNG 加 8 张 JPG 的测试素材拿到手就能直接跑通「读图 → 定位车牌 → 切字符 → 出结果」的全流程。它适合三类人一是做课程设计或毕设、需要一份能讲清楚原理又能演示的学生二是想快速验证车牌识别可行性、不想从零造轮子的开发者三是想拿它当骨架替换成自己数据集做二次训练的人。下面我按「先搞懂它怎么识别 → 再动手跑起来 → 最后避开那些必踩的坑」的顺序把这份源码拆开讲透。2. 车牌识别的三段式链路定位、分割、SVM 识别是怎么串起来的2.1 为什么是「定位 分割 SVM」而不是端到端先讲选型逻辑不然你改代码时容易改错地方。这套源码走的是传统机器视觉路线不是现在流行的端到端深度学习。原因很实际车牌识别这个场景字符集小汉字 字母 数字常见就几十类字符排列规则固定用 SVM 在小样本上反而比硬训一个 CNN 更稳而且不需要 GPU普通笔记本就能跑。整条链路拆成三步第一步是车牌定位核心思路是利用车牌区域的颜色和边缘特征。国内蓝牌底色是蓝色绿牌是渐变绿黄牌是黄色源码里card_seg.py和car_id_detect.py会先做颜色空间转换把图像转到 HSV 空间用蓝色或黄色的色相范围做掩膜再配合形态学操作把候选区域连成块最后用长宽比和面积阈值筛掉明显不是车牌的矩形。第二步是字符分割定位到车牌矩形后先做灰度化、二值化再用垂直投影法找字符之间的空隙。车牌上 7 个字符之间有固定间隔投影曲线上的波谷就是切分点。这一步的难点在于铆钉、边框、污渍会干扰投影源码里用了一些形态学去噪和固定宽度兜底。第三步是字符识别切出来的单个字符送进 SVM 分类器。svm_train.py负责训练svm.dat和svmchinese.dat是训练好的模型文件前者大概率是字母数字模型后者是汉字模型。SVM 用的是 HOG 特征或者简单的像素特征这个得看训练脚本里的特征提取部分。提示传统链路的好处是每一步都可解释、可单独调试。定位不准就调颜色阈值分割不准就调投影参数识别不准就换特征或补训练样本。端到端模型一旦效果不好你连从哪下手都不知道。2.2 关键文件的分工与调用关系拿到源码先别急着跑花五分钟把文件关系理清楚后面排错能省一半时间。核心文件分工如下文件作用是否需改动car_id_detect.py主检测逻辑串联定位、分割、识别调参时改card_seg.py车牌定位与字符分割的具体实现调参时改svm_train.pySVM 模型训练脚本换数据集时改my_main_ui.pyPyQt 界面主程序一般不动Ui_my_main_ui.py界面布局代码由 .ui 生成不动svm.dat/svmchinese.dat训练好的模型不重训就不动requirement.txt依赖清单按需补调用关系是my_main_ui.py启动界面用户选图后调用car_id_detect.py的检测函数检测函数内部调用card_seg.py做定位和分割分割结果送进加载好的 SVM 模型出识别结果最后回显到界面。svm_train.py是离线跑的跟运行时链路无关只有你想用自己的数据重训模型时才需要碰它。2.3 环境依赖与最小可跑配置requirement.txt里通常会有 opencv-python、numpy、scikit-learn、PyQt5 这几个。我一般会先建虚拟环境再装避免污染系统 Python# 创建虚拟环境Python 版本建议 3.8 到 3.10 python -m venv venv # 激活环境Windows 下是 venv\Scripts\activate source venv/bin/activate # 安装依赖如果 requirement.txt 版本太旧可以手动指定 pip install opencv-python numpy scikit-learn PyQt5 # 验证关键库能正常导入 python -c import cv2, numpy, sklearn; print(cv2.__version__)参数说明opencv-python 负责图像读写和形态学操作numpy 做矩阵运算scikit-learn 提供 SVM 实现PyQt5 撑起界面。如果requirement.txt里锁了很老的版本比如 opencv 3.x建议先按它装跑不通再升到 4.x因为部分 API 在新版本里改了名字。装完先跑python -c import cv2确认没报错再往下走。3. 把源码跑起来从加载模型到出识别结果的完整操作3.1 先跑通单图识别再碰界面新手最容易犯的错是一上来就双击run.bat或启动界面结果界面弹出来了但点按钮没反应也不知道错在哪。我的习惯是先绕过界面直接用脚本跑单张图把核心链路验证通。源码里test_img目录下有wA87271.jpg、lLD9016.jpg、cAA662F.jpg这些测试图拿它们开刀import cv2 import numpy as np from card_seg import segment_license_plate # 假设定位函数叫这个名 from car_id_detect import recognize_plate # 假设识别入口叫这个名 # 读一张测试图路径按实际目录调整 img cv2.imread(test_img/wA87271.jpg) if img is None: raise FileNotFoundError(图片没读到检查路径和文件名大小写) # 第一步定位车牌区域返回裁剪后的车牌图和坐标 plate_img, bbox segment_license_plate(img) print(车牌区域坐标:, bbox) # 第二步对车牌图做字符分割和识别 result recognize_plate(plate_img) print(识别结果:, result) # 把定位到的车牌区域画框存下来方便肉眼核对 cv2.rectangle(img, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2) cv2.imwrite(debug_locate.jpg, img)逻辑说明这段代码把「定位」和「识别」拆开调用中间打印坐标和结果还存了一张带框的调试图。参数上segment_license_plate返回的 bbox 一般是 (x1, y1, x2, y2) 格式但不同实现可能是 (x, y, w, h)你得打开card_seg.py确认返回值定义这是第一个容易翻车的地方。recognize_plate内部会加载svm.dat如果模型路径写的是相对路径你得保证工作目录在源码根目录否则会报模型加载失败。3.2 界面启动与 run.bat 的正确用法单图跑通后再启动 PyQt 界面。run.bat里一般就一行python my_main_ui.py但直接双击可能因为工作目录不对导致模型加载失败。稳妥做法是在命令行里先 cd 到源码根目录再执行# 切到源码根目录确保相对路径能找到 svm.dat cd /path/to/车牌识别源码 # 直接跑主程序不用 run.bat方便看报错 python my_main_ui.py界面起来后通常会有一个「选择图片」按钮和一个显示区域。选test_img里的图点识别结果会显示在下方文本框或叠加在图上。如果界面能起但识别没反应八成是my_main_ui.py里调用检测函数的信号槽没连上或者检测函数抛异常被吞了。这时候回到 3.1 的单图脚本看是不是核心链路本身就有问题。注意my_main_ui.spec是 PyInstaller 打包配置想生成 exe 才用得上。打包时要把svm.dat、svmchinese.dat和test_img一起打进去否则 exe 换台机器就跑不了。spec 文件里的 datas 列表要手动加上这些非 Python 文件。3.3 用自带测试图验证识别准确率源码给了 8 张 JPG 测试图覆盖了蓝牌、黄牌、绿牌几种情况。跑完单图后建议写个批量脚本把 8 张全过一遍统计哪些识别对了、哪些错了import os import cv2 from car_id_detect import recognize_plate from card_seg import segment_license_plate test_dir test_img for fname in os.listdir(test_dir): if not fname.lower().endswith((.jpg, .png)): continue img cv2.imread(os.path.join(test_dir, fname)) if img is None: print(f{fname}: 读取失败) continue try: plate, bbox segment_license_plate(img) result recognize_plate(plate) print(f{fname}: 定位{bbox} 识别{result}) except Exception as e: print(f{fname}: 异常 {e})这段脚本的价值在于快速暴露问题分布。如果某张图定位框明显偏了说明颜色阈值对这张图的底色不适用如果定位对了但识别结果乱码说明字符分割或 SVM 模型有问题。把失败案例单独拎出来看比盲目调参高效得多。4. 避坑与排查这套源码最容易翻车的五个地方4.1 模型文件加载失败或路径找不到现象运行时报FileNotFoundError: svm.dat或识别结果全是空。原因svm.dat和svmchinese.dat用的是相对路径加载而你的工作目录不在源码根目录或者打包后模型没被带进去。解决在加载模型的代码里把路径改成基于__file__的绝对路径例如os.path.join(os.path.dirname(__file__), svm.dat)这样无论从哪执行都能找到。打包时在 spec 的 datas 里显式加上两个 dat 文件。4.2 中文路径导致 OpenCV 读图返回 None现象cv2.imread返回 None但图片明明存在。原因OpenCV 的imread在 Windows 下对中文路径支持不好源码目录或图片路径里带中文就会读失败。解决用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)替代imread写图同理用cv2.imencode加tofile。这是血泪经验很多人卡在这里以为是代码逻辑问题。4.3 颜色阈值对黄牌、绿牌失效现象蓝牌能定位黄牌或绿牌定位框乱飞或定位不到。原因card_seg.py里的 HSV 色相范围大概率只调了蓝色黄色和绿色的范围没覆盖全。解决打开定位函数找到cv2.inRange那几行把黄色的 H 范围补上大概 20 到 35绿色的 H 范围补上大概 35 到 85饱和度下限适当降低以容纳渐变绿。调完用测试图逐张验证。4.4 字符分割把边框和铆钉当成字符现象识别结果多出字符或首尾字符错位。原因垂直投影时车牌边框、铆钉、螺丝孔也会形成投影峰被误判为字符。解决在投影前先做一次边缘裁剪把车牌图上下左右各裁掉几个像素投影后用宽度阈值过滤正常字符宽度在固定范围内过窄的峰直接丢弃再加一个「期望字符数」约束国内车牌 7 个字符分割出 6 个或 8 个就触发兜底逻辑重新切。4.5 PyQt 界面打包后闪退现象源码跑正常PyInstaller 打包成 exe 后双击闪退。原因除了模型文件没打进去还可能是 PyQt 插件路径问题或者my_pic_rc.py里的资源没被正确引用。解决先用命令行跑 exe 看报错信息不要双击确认 spec 里 datas 包含模型和测试图如果报 Qt 平台插件错误在 spec 里加--collect-all PyQt5或在代码里设置QT_QPA_PLATFORM_PLUGIN_PATH。打包这事玄学成分不少多打几次对比日志。5. 换自己的数据重训 SVM从标注到替换模型的实操5.1 准备字符样本与训练脚本改造自带模型只能认它训练过的字符分布遇到新字体、新底色、模糊图就容易崩。想提升效果最直接的办法是拿自己的数据重训。svm_train.py是入口但直接跑大概率报错因为它读的训练数据路径是写死的。你需要准备一个字符样本目录结构一般是每个字符一个子文件夹文件夹名就是标签train_dat/ ├── 京/ │ ├── 001.png │ └── 002.png ├── A/ │ ├── 001.png │ └── 002.png ├── 8/ │ ├── 001.png │ └── 002.png每个字符至少准备 30 到 50 张切好的单字符图尺寸统一到 20x40 或 28x28。样本来源可以是这套源码分割出来的字符图也可以自己用标注工具切。改造训练脚本时把数据加载部分改成遍历目录import os import cv2 import numpy as np from sklearn import svm from sklearn.model_selection import train_test_split def load_dataset(root): X, y [], [] for label in os.listdir(root): label_dir os.path.join(root, label) if not os.path.isdir(label_dir): continue for fname in os.listdir(label_dir): img cv2.imread(os.path.join(label_dir, fname), 0) if img is None: continue img cv2.resize(img, (20, 40)) # 统一尺寸 X.append(img.flatten()) # 展平成一维特征 y.append(label) return np.array(X), np.array(y) X, y load_dataset(train_dat) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) clf svm.SVC(kernelrbf, C10, gammascale) clf.fit(X_train, y_train) print(测试集准确率:, clf.score(X_test, y_test))参数说明kernelrbf是常用核C控制惩罚力度越大越容易过拟合gammascale让 sklearn 自动按特征数缩放。特征这里用的是原始像素展平简单但有效想提升可以换成 HOG 特征sklearn里没有现成 HOG得用skimage或自己实现。训练完用joblib.dump(clf, svm.dat)保存替换掉原来的模型文件。5.2 验证新模型与回退方案替换模型后别急着删旧模型先把旧的备份成svm.dat.bak。然后用第 3.3 节的批量脚本跑一遍测试图对比新旧模型的识别结果。如果新模型在测试集上准确率更高但实际图片上更差说明训练样本和实际场景分布不一致得补充实际场景的样本。我一般会保留两套模型界面上加个切换开关哪套好用用哪套。从那以后我每次重训模型都强制走一遍「备份旧模型 → 批量测试 → 对比结果 → 再替换」的流程再也没出现过换完模型效果反而变差还找不回旧版的情况。希望这套拆解能帮到你把这份源码真正跑成自己的东西。本文还有配套的精品资源点击获取
