简介这份资源是面向数字图像处理初学者与进阶学习者的课程设计参考包以Python3结合OpenCV实现车牌识别并用tkinter搭建可视化界面可作为课程作业、大作业或工程实训的起步项目。压缩包共19个文件约4.74MB包含5个py源码文件、5个png与3个jpg界面及车牌图片、2个dat训练数据、1份pptx答辩演示文稿以及md说明文档等目录中数字图像处理过程与车牌样本分开存放便于对照理解识别流程。目前已有219人学习下载。读者可从中获得完整的车牌识别实现思路、图像预处理与字符分割的代码参考、SVM识别模型数据以及验收答辩用的PPT框架适合在读懂代码的基础上自行调试、修改功能并逐步提升识别效果。1. 车牌识别课程作业从一张糊图到能跑通的 PythonOpenCV 方案课程作业里做车牌识别最尴尬的不是算法不会而是拿一张手机拍的、带反光、车牌还歪着的照片跑出来的框比车牌大两倍字符分割出来全是噪点。这个标题——基于 PythonOpenCV 实现的数字图像处理课程作业车牌识别——本质上就是一套用经典图像处理链路把车牌从背景里抠出来、再切出字符、最后识别出号码的完整流程配套源码和答辩 PPT。它适合两类人一是正在赶数字图像处理课程设计、需要一份能讲清楚原理又能跑出结果的作业二是刚学完 OpenCV 图像处理、想找一个综合项目把灰度化、滤波、边缘检测、形态学、轮廓筛选串起来练手的人。整套方案不依赖深度学习框架纯 CPU 就能跑代码量可控答辩时每一步都能对应到课本上的知识点这是它最大的价值。2. 车牌识别的图像处理链路为什么先做边缘和形态学而不是直接上 OCR2.1 经典链路的五个阶段与选型理由一套能跑通的车牌识别图像处理部分通常拆成五步预处理、边缘/纹理增强、形态学定位、车牌校正与裁剪、字符分割。每一步都有明确的输入输出答辩时按这个顺序讲逻辑最顺。预处理阶段做灰度化和去噪。彩色图对车牌定位没有额外帮助反而三通道计算量翻三倍所以先转灰度。去噪用高斯滤波核大小一般取 5×5太大车牌边缘会被抹掉太小椒盐噪声去不干净。这里有个容易忽略的点如果原图分辨率很高比如 4000×3000直接做形态学会非常慢通常先缩放到宽 1000 左右再处理定位到车牌后再按比例映射回原图裁剪这样速度和精度都能兼顾。边缘增强阶段Sobel 算子对水平边缘敏感适合提取车牌字符的竖向笔画Canny 边缘检测更完整但参数敏感。课程作业里常见做法是先用 Sobel 求 x 方向梯度再做二值化这样车牌区域的字符边缘会形成密集的竖向纹理背景区域则比较干净。形态学定位是核心。车牌字符经过边缘增强后是一堆离散的短竖线用闭运算先膨胀后腐蚀把同一行的字符连成一个矩形块。这里结构元素的形状和尺寸直接决定成败矩形结构元素比椭圆更适合车牌宽度一般取 17 左右对应字符间距高度取 5 左右。闭运算之后再做一次开运算去掉小噪点然后找轮廓按宽高比国内蓝牌约 440:140即 3.14 左右和面积筛选。车牌校正与裁剪阶段如果车牌有倾斜用最小外接矩形minAreaRect拿到角度做仿射变换转正。裁剪时向外扩几个像素避免字符被切掉。字符分割阶段对裁剪后的车牌做二值化然后垂直投影统计每一列的白色像素数字符之间的间隙处投影值接近零据此切出 7 个字符。新能源车牌 8 位需要单独处理。2.2 用 OpenCV 跑通定位的最小代码下面这段代码是定位部分的最小可运行版本输入一张车辆图片输出候选车牌区域的裁剪图。依赖只有 opencv-python 和 numpy。import cv2 import numpy as np def locate_plate(image_path): # 读取并缩放控制处理分辨率 img cv2.imread(image_path) if img is None: raise FileNotFoundError(f无法读取图片: {image_path}) scale 1000.0 / img.shape[1] img_resized cv2.resize(img, (1000, int(img.shape[0] * scale))) # 灰度化 高斯去噪 gray cv2.cvtColor(img_resized, cv2.COLOR_BGR2GRAY) gray cv2.GaussianBlur(gray, (5, 5), 0) # Sobel 求 x 方向梯度突出字符竖向边缘 sobel_x cv2.Sobel(gray, cv2.CV_16S, 1, 0, ksize3) abs_x cv2.convertScaleAbs(sobel_x) # 二值化阈值用 Otsu 自动选取 _, binary cv2.threshold(abs_x, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 形态学闭运算连接字符再开运算去噪 kernel_close cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel_close) kernel_open cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel_open) # 找轮廓并按宽高比筛选 contours, _ cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) if h 0: continue ratio w / float(h) area w * h # 蓝牌宽高比约 2.5~4.5面积过滤掉过小区域 if 2.5 ratio 4.5 and area 2000: candidates.append((x, y, w, h)) # 按面积从大到小返回候选 candidates.sort(keylambda b: b[2] * b[3], reverseTrue) return img_resized, candidates if __name__ __main__: img, boxes locate_plate(car.jpg) for i, (x, y, w, h) in enumerate(boxes[:3]): crop img[y:yh, x:xw] cv2.imwrite(fplate_candidate_{i}.jpg, crop) print(f候选 {i}: 位置({x},{y}), 尺寸{w}x{h}, 宽高比{w/h:.2f})逻辑说明先缩放控制计算量灰度化和高斯滤波是标准预处理。Sobel 的 ksize3 是速度和精度的折中ksize5 边缘更粗但慢。Otsu 阈值适合光照均匀的场景如果图片明暗差异大需要改用自适应阈值。闭运算的 (17,5) 结构元素是经验值17 对应字符间距5 对应字符笔画宽度实际调参时可以先可视化 closed 图再决定。宽高比 2.5~4.5 覆盖了蓝牌和部分黄牌面积阈值 2000 是在 1000 宽度下的经验值图片缩放比例变了要同步调整。参数说明scale控制处理分辨率1000 是速度和精度的平衡点GaussianBlur的 (5,5) 是去噪核噪声大可以加到 (7,7)Sobel的 ksize 取 3 或 5threshold用 Otsu 自动阈值也可以手动指定 100~150 之间的值kernel_close的 (17,5) 是最关键的参数车牌定位失败八成是这里不对ratio范围根据车牌类型调整新能源绿牌比例接近 3.0也在范围内。2.3 字符分割的投影法实现与参数定位到车牌后字符分割用垂直投影最稳。先把车牌转灰度、二值化然后逐列统计白色像素数找到投影值低于阈值的列作为切分点。def split_characters(plate_img): # 车牌图转灰度并二值化 gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 垂直投影统计每列白色像素数 projection np.sum(binary 255, axis0) # 找字符区间投影值大于阈值的连续列 threshold max(projection) * 0.15 # 动态阈值避免固定值失效 chars [] in_char False start 0 for i, val in enumerate(projection): if val threshold and not in_char: in_char True start i elif val threshold and in_char: in_char False if i - start 5: # 过滤过窄的噪声区间 chars.append((start, i)) # 按宽度排序取前 7 个蓝牌或 8 个新能源 chars.sort(keylambda c: c[0]) return binary, chars if __name__ __main__: plate cv2.imread(plate_candidate_0.jpg) binary, chars split_characters(plate) print(f分割出 {len(chars)} 个字符区间) for i, (s, e) in enumerate(chars): cv2.imwrite(fchar_{i}.jpg, binary[:, s:e])逻辑说明动态阈值max(projection) * 0.15比固定阈值更鲁棒因为不同图片的投影幅值差异很大。i - start 5过滤掉宽度小于 5 像素的噪声区间这个值根据车牌图分辨率调整如果车牌裁剪图很小可以降到 3。字符区间按左边界排序后蓝牌取前 7 个新能源取前 8 个多余区间通常是车牌边框或螺丝孔。参数说明二值化用 Otsu 自动阈值如果车牌有反光导致二值化不干净可以先做一次直方图均衡化threshold系数 0.15 是经验值字符清晰可以降到 0.1噪声多可以升到 0.2i - start 5的最小宽度过滤车牌图宽度 200 左右时取 5 合适宽度 100 左右时取 3。3. 从源码到答辩工程结构、依赖安装与 PPT 讲解顺序3.1 项目目录结构与依赖清单一份能直接交的课程作业目录结构要清晰答辩时老师一眼能看出模块划分。常见做法是plate_recognition/ ├── main.py # 主入口串联定位、分割、识别 ├── locate.py # 车牌定位模块 ├── split.py # 字符分割模块 ├── recognize.py # 字符识别模块模板匹配或简单分类 ├── utils.py # 绘图、保存、参数配置 ├── data/ │ ├── test_images/ # 测试图片 │ └── templates/ # 字符模板如果做模板匹配 ├── requirements.txt └── README.md依赖只有三个opencv-python、numpy、matplotlib可选用于答辩展示中间结果。requirements.txt 写opencv-python4.5.0 numpy1.19.0 matplotlib3.3.0安装命令pip install -r requirements.txt如果遇到ModuleNotFoundError: No module named cv2说明 opencv-python 没装成功先确认 pip 版本再试pip install opencv-python --upgrade。Windows 下如果报 DLL 加载失败装一下 Visual C Redistributable。Linux 下如果报libGL.so.1找不到装libgl1-mesa-glx。3.2 答辩 PPT 的讲解顺序与每页要点答辩 PPT 不需要花哨按「问题—方法—结果—分析」四段走10~12 页足够。第一页标题和姓名学号。第二页讲问题背景车牌识别在停车场、交通监控里的应用课程作业为什么选这个题。第三页讲整体流程放一张流程图用 PPT 自带形状画不要用 mermaid。第四页到第八页按五个阶段分别讲预处理展示灰度化和滤波前后的对比图边缘增强展示 Sobel 和 Canny 的效果差异形态学定位展示闭运算前后的二值图重点讲结构元素尺寸怎么定的字符分割展示垂直投影曲线和切分结果识别部分展示模板匹配或简单分类的结果。第九页放失败案例倾斜车牌、反光车牌、夜间车牌各一张说明当前方案的边界。这一页反而是加分项老师更看重你知不知道自己方法的局限。第十页放准确率统计在多少张测试图上定位成功多少张分割成功多少张识别成功多少张用表格呈现。第十一页讲改进方向倾斜校正用透视变换、识别用 CNN、多车牌场景用聚类。第十二页致谢。每页文字不超过 6 行图占 60% 以上。答辩时不要念 PPT指着图讲每一步在做什么、参数为什么这么设。3.3 识别环节的两种低成本方案课程作业里识别环节通常不做深度学习两种低成本方案模板匹配和简单特征分类。模板匹配提前把 0-9、A-Z、省份简称的字符模板切成小图识别时把分割出的字符缩放到模板同尺寸算归一化相关系数取最高分对应的字符。优点是代码简单、可解释缺点是字体变化、模糊、倾斜时准确率掉得快。简单特征分类统计字符的笔画数、投影特征、孔洞数用规则判断。比如「0」有一个孔洞「8」有两个「1」没有孔洞且投影窄。这种方法对清晰车牌有效但规则写起来繁琐。实际课程作业里模板匹配更常见因为模板可以自己生成答辩时能讲清楚匹配过程。如果时间充裕可以用 sklearn 的 KNN 或 SVM 对字符的 HOG 特征做分类准确率比模板匹配高代码量也不大。4. 车牌识别踩坑记录定位框偏移、字符粘连、反光失效怎么排查4.1 定位框比车牌大一圈或小一圈现象画出来的矩形框明显偏离车牌要么把车标也框进去要么只框到车牌一半。原因形态学闭运算的结构元素尺寸不对。结构元素太宽相邻字符连成一片后和背景粘连轮廓变大结构元素太窄字符连不起来轮廓碎成多个小块筛选时被面积阈值过滤掉。解决把闭运算后的二值图用cv2.imshow或cv2.imwrite存下来看调整kernel_close的宽度。蓝牌在 1000 宽度图片下宽度 15~20 之间试高度 3~7 之间试。同时检查宽高比筛选范围如果车牌是黄牌比例接近 2.0要把下限从 2.5 降到 1.8。4.2 字符分割时两个字符粘在一起现象分割出的字符区间数量少于 7 个某个区间特别宽里面有两个字符。原因车牌二值化后字符之间的间隙被填满垂直投影在间隙处没有降到阈值以下。常见于车牌有污损、反光或者二值化阈值选得偏低导致笔画变粗。解决先对车牌图做一次开运算结构元素 2×2 或 3×3把字符之间的细连接断开。如果还不行改用连通域分析对二值图做connectedComponentsWithStats按连通域宽度筛选宽度接近单个字符宽度的保留宽度是两倍以上的尝试从中间切开。另外二值化前做一次直方图均衡化能改善反光导致的对比度不均。4.3 夜间或强反光图片定位完全失效现象白天图片能定位夜间或车灯反光的图片跑出来全是噪点没有候选框。原因Sobel 边缘检测对光照变化敏感夜间图片整体偏暗Otsu 阈值把大量背景也二值化成白色形态学闭运算后整张图连成一片。解决预处理阶段加一步自适应直方图均衡化CLAHE提升局部对比度。代码clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) gray clahe.apply(gray)clipLimit控制对比度增强幅度2.0 是常用值太高会放大噪声tileGridSize是分块大小8×8 适合 1000 宽度图片。如果反光严重可以在灰度化之前先用cv2.cvtColor转到 HSV 空间对 V 通道做 CLAHE 再转回灰度。另外夜间图片可以先把整体亮度拉高cv2.convertScaleAbs(gray, alpha1.5, beta30)再做后续处理。4.4 倾斜车牌裁剪后字符是斜的分割失败现象车牌本身有 10~20 度倾斜裁剪出来字符跟着斜垂直投影找不到清晰的间隙。原因定位阶段只用了boundingRect正矩形没有做倾斜校正。解决改用cv2.minAreaRect拿到最小外接矩形和角度然后用cv2.getRotationMatrix2D和cv2.warpAffine做仿射变换转正。角度处理要注意OpenCV 返回的角度范围是 [-90, 0)如果角度小于 -45实际倾斜方向要加 90 度再旋转。转正后再裁剪字符分割的投影曲线会清晰很多。4.5 答辩时被问「为什么不用深度学习」现象老师问「现在都用 YOLO 了你为什么还用传统方法」。原因这是课程作业考察的是数字图像处理的知识点不是模型调参能力。解决回答时先承认深度学习在复杂场景下准确率更高然后说明课程作业的目的是把灰度化、滤波、边缘检测、形态学、投影分割这些课本知识串起来传统方法每一步都可解释、可调参适合理解图像处理的底层逻辑。如果老师追问可以补一句「如果要做产品化会在定位阶段用 YOLO 做粗定位再用传统方法做字符分割两者结合」。5. 把识别率从 60% 拉到 85% 的三个调参技巧第一个技巧是动态调整形态学结构元素。固定 (17,5) 只能覆盖一种分辨率下的蓝牌实际测试时图片尺寸差异很大。我一般会按车牌候选区域的宽度反推结构元素尺寸先跑一遍粗定位拿到候选框如果候选框宽度普遍偏大把闭运算宽度调小 2~3 像素再跑一遍。更稳的做法是写一个循环宽度从 13 到 21 步进 2每个值跑一遍定位取候选框宽高比最接近 3.14 的那组结果。这个循环在 1000 宽度图片上跑 5 次大约 0.3 秒完全可接受。第二个技巧是二值化前做通道选择。蓝牌在 HSV 空间的 H 通道值集中在 100~124 之间直接对 H 通道做阈值分割比灰度图二值化更干净。代码hsv cv2.cvtColor(plate_img, cv2.COLOR_BGR2HSV) h_channel hsv[:, :, 0] _, binary cv2.threshold(h_channel, 100, 255, cv2.THRESH_BINARY_INV)THRESH_BINARY_INV是因为蓝牌 H 值在 100~124取反后车牌区域变白字符变黑投影时统计白色像素就是统计车牌背景字符间隙反而变成投影低谷分割逻辑要对应调整。这个技巧对蓝牌效果明显黄牌要换 H 范围20~35。第三个技巧是识别阶段加拒识。模板匹配时如果最高分低于某个阈值比如 0.6不要强行输出字符标记为「?」。这样虽然识别率数字会降但错误率大幅下降答辩时统计「正确识别 / 总字符数」反而更高。我一般会在recognize.py里加一个confidence_threshold参数默认 0.6低于这个值返回?。测试时先跑一遍看分数分布再决定阈值。最后一个习惯每次调参前先把中间结果存图。定位阶段存binary、closed、opened三张图分割阶段存投影曲线图。翻车的时候不用重新跑代码直接看哪一步的图不对就能定位到是哪个参数的问题。这个习惯帮我省了至少一半的调试时间。希望帮到你。本文还有配套的精品资源点击获取
基于Python+OpenCV的车牌识别课程作业：从图像处理链路到答辩PPT全流程
简介这份资源是面向数字图像处理初学者与进阶学习者的课程设计参考包以Python3结合OpenCV实现车牌识别并用tkinter搭建可视化界面可作为课程作业、大作业或工程实训的起步项目。压缩包共19个文件约4.74MB包含5个py源码文件、5个png与3个jpg界面及车牌图片、2个dat训练数据、1份pptx答辩演示文稿以及md说明文档等目录中数字图像处理过程与车牌样本分开存放便于对照理解识别流程。目前已有219人学习下载。读者可从中获得完整的车牌识别实现思路、图像预处理与字符分割的代码参考、SVM识别模型数据以及验收答辩用的PPT框架适合在读懂代码的基础上自行调试、修改功能并逐步提升识别效果。1. 车牌识别课程作业从一张糊图到能跑通的 PythonOpenCV 方案课程作业里做车牌识别最尴尬的不是算法不会而是拿一张手机拍的、带反光、车牌还歪着的照片跑出来的框比车牌大两倍字符分割出来全是噪点。这个标题——基于 PythonOpenCV 实现的数字图像处理课程作业车牌识别——本质上就是一套用经典图像处理链路把车牌从背景里抠出来、再切出字符、最后识别出号码的完整流程配套源码和答辩 PPT。它适合两类人一是正在赶数字图像处理课程设计、需要一份能讲清楚原理又能跑出结果的作业二是刚学完 OpenCV 图像处理、想找一个综合项目把灰度化、滤波、边缘检测、形态学、轮廓筛选串起来练手的人。整套方案不依赖深度学习框架纯 CPU 就能跑代码量可控答辩时每一步都能对应到课本上的知识点这是它最大的价值。2. 车牌识别的图像处理链路为什么先做边缘和形态学而不是直接上 OCR2.1 经典链路的五个阶段与选型理由一套能跑通的车牌识别图像处理部分通常拆成五步预处理、边缘/纹理增强、形态学定位、车牌校正与裁剪、字符分割。每一步都有明确的输入输出答辩时按这个顺序讲逻辑最顺。预处理阶段做灰度化和去噪。彩色图对车牌定位没有额外帮助反而三通道计算量翻三倍所以先转灰度。去噪用高斯滤波核大小一般取 5×5太大车牌边缘会被抹掉太小椒盐噪声去不干净。这里有个容易忽略的点如果原图分辨率很高比如 4000×3000直接做形态学会非常慢通常先缩放到宽 1000 左右再处理定位到车牌后再按比例映射回原图裁剪这样速度和精度都能兼顾。边缘增强阶段Sobel 算子对水平边缘敏感适合提取车牌字符的竖向笔画Canny 边缘检测更完整但参数敏感。课程作业里常见做法是先用 Sobel 求 x 方向梯度再做二值化这样车牌区域的字符边缘会形成密集的竖向纹理背景区域则比较干净。形态学定位是核心。车牌字符经过边缘增强后是一堆离散的短竖线用闭运算先膨胀后腐蚀把同一行的字符连成一个矩形块。这里结构元素的形状和尺寸直接决定成败矩形结构元素比椭圆更适合车牌宽度一般取 17 左右对应字符间距高度取 5 左右。闭运算之后再做一次开运算去掉小噪点然后找轮廓按宽高比国内蓝牌约 440:140即 3.14 左右和面积筛选。车牌校正与裁剪阶段如果车牌有倾斜用最小外接矩形minAreaRect拿到角度做仿射变换转正。裁剪时向外扩几个像素避免字符被切掉。字符分割阶段对裁剪后的车牌做二值化然后垂直投影统计每一列的白色像素数字符之间的间隙处投影值接近零据此切出 7 个字符。新能源车牌 8 位需要单独处理。2.2 用 OpenCV 跑通定位的最小代码下面这段代码是定位部分的最小可运行版本输入一张车辆图片输出候选车牌区域的裁剪图。依赖只有 opencv-python 和 numpy。import cv2 import numpy as np def locate_plate(image_path): # 读取并缩放控制处理分辨率 img cv2.imread(image_path) if img is None: raise FileNotFoundError(f无法读取图片: {image_path}) scale 1000.0 / img.shape[1] img_resized cv2.resize(img, (1000, int(img.shape[0] * scale))) # 灰度化 高斯去噪 gray cv2.cvtColor(img_resized, cv2.COLOR_BGR2GRAY) gray cv2.GaussianBlur(gray, (5, 5), 0) # Sobel 求 x 方向梯度突出字符竖向边缘 sobel_x cv2.Sobel(gray, cv2.CV_16S, 1, 0, ksize3) abs_x cv2.convertScaleAbs(sobel_x) # 二值化阈值用 Otsu 自动选取 _, binary cv2.threshold(abs_x, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 形态学闭运算连接字符再开运算去噪 kernel_close cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel_close) kernel_open cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel_open) # 找轮廓并按宽高比筛选 contours, _ cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) if h 0: continue ratio w / float(h) area w * h # 蓝牌宽高比约 2.5~4.5面积过滤掉过小区域 if 2.5 ratio 4.5 and area 2000: candidates.append((x, y, w, h)) # 按面积从大到小返回候选 candidates.sort(keylambda b: b[2] * b[3], reverseTrue) return img_resized, candidates if __name__ __main__: img, boxes locate_plate(car.jpg) for i, (x, y, w, h) in enumerate(boxes[:3]): crop img[y:yh, x:xw] cv2.imwrite(fplate_candidate_{i}.jpg, crop) print(f候选 {i}: 位置({x},{y}), 尺寸{w}x{h}, 宽高比{w/h:.2f})逻辑说明先缩放控制计算量灰度化和高斯滤波是标准预处理。Sobel 的 ksize3 是速度和精度的折中ksize5 边缘更粗但慢。Otsu 阈值适合光照均匀的场景如果图片明暗差异大需要改用自适应阈值。闭运算的 (17,5) 结构元素是经验值17 对应字符间距5 对应字符笔画宽度实际调参时可以先可视化 closed 图再决定。宽高比 2.5~4.5 覆盖了蓝牌和部分黄牌面积阈值 2000 是在 1000 宽度下的经验值图片缩放比例变了要同步调整。参数说明scale控制处理分辨率1000 是速度和精度的平衡点GaussianBlur的 (5,5) 是去噪核噪声大可以加到 (7,7)Sobel的 ksize 取 3 或 5threshold用 Otsu 自动阈值也可以手动指定 100~150 之间的值kernel_close的 (17,5) 是最关键的参数车牌定位失败八成是这里不对ratio范围根据车牌类型调整新能源绿牌比例接近 3.0也在范围内。2.3 字符分割的投影法实现与参数定位到车牌后字符分割用垂直投影最稳。先把车牌转灰度、二值化然后逐列统计白色像素数找到投影值低于阈值的列作为切分点。def split_characters(plate_img): # 车牌图转灰度并二值化 gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 垂直投影统计每列白色像素数 projection np.sum(binary 255, axis0) # 找字符区间投影值大于阈值的连续列 threshold max(projection) * 0.15 # 动态阈值避免固定值失效 chars [] in_char False start 0 for i, val in enumerate(projection): if val threshold and not in_char: in_char True start i elif val threshold and in_char: in_char False if i - start 5: # 过滤过窄的噪声区间 chars.append((start, i)) # 按宽度排序取前 7 个蓝牌或 8 个新能源 chars.sort(keylambda c: c[0]) return binary, chars if __name__ __main__: plate cv2.imread(plate_candidate_0.jpg) binary, chars split_characters(plate) print(f分割出 {len(chars)} 个字符区间) for i, (s, e) in enumerate(chars): cv2.imwrite(fchar_{i}.jpg, binary[:, s:e])逻辑说明动态阈值max(projection) * 0.15比固定阈值更鲁棒因为不同图片的投影幅值差异很大。i - start 5过滤掉宽度小于 5 像素的噪声区间这个值根据车牌图分辨率调整如果车牌裁剪图很小可以降到 3。字符区间按左边界排序后蓝牌取前 7 个新能源取前 8 个多余区间通常是车牌边框或螺丝孔。参数说明二值化用 Otsu 自动阈值如果车牌有反光导致二值化不干净可以先做一次直方图均衡化threshold系数 0.15 是经验值字符清晰可以降到 0.1噪声多可以升到 0.2i - start 5的最小宽度过滤车牌图宽度 200 左右时取 5 合适宽度 100 左右时取 3。3. 从源码到答辩工程结构、依赖安装与 PPT 讲解顺序3.1 项目目录结构与依赖清单一份能直接交的课程作业目录结构要清晰答辩时老师一眼能看出模块划分。常见做法是plate_recognition/ ├── main.py # 主入口串联定位、分割、识别 ├── locate.py # 车牌定位模块 ├── split.py # 字符分割模块 ├── recognize.py # 字符识别模块模板匹配或简单分类 ├── utils.py # 绘图、保存、参数配置 ├── data/ │ ├── test_images/ # 测试图片 │ └── templates/ # 字符模板如果做模板匹配 ├── requirements.txt └── README.md依赖只有三个opencv-python、numpy、matplotlib可选用于答辩展示中间结果。requirements.txt 写opencv-python4.5.0 numpy1.19.0 matplotlib3.3.0安装命令pip install -r requirements.txt如果遇到ModuleNotFoundError: No module named cv2说明 opencv-python 没装成功先确认 pip 版本再试pip install opencv-python --upgrade。Windows 下如果报 DLL 加载失败装一下 Visual C Redistributable。Linux 下如果报libGL.so.1找不到装libgl1-mesa-glx。3.2 答辩 PPT 的讲解顺序与每页要点答辩 PPT 不需要花哨按「问题—方法—结果—分析」四段走10~12 页足够。第一页标题和姓名学号。第二页讲问题背景车牌识别在停车场、交通监控里的应用课程作业为什么选这个题。第三页讲整体流程放一张流程图用 PPT 自带形状画不要用 mermaid。第四页到第八页按五个阶段分别讲预处理展示灰度化和滤波前后的对比图边缘增强展示 Sobel 和 Canny 的效果差异形态学定位展示闭运算前后的二值图重点讲结构元素尺寸怎么定的字符分割展示垂直投影曲线和切分结果识别部分展示模板匹配或简单分类的结果。第九页放失败案例倾斜车牌、反光车牌、夜间车牌各一张说明当前方案的边界。这一页反而是加分项老师更看重你知不知道自己方法的局限。第十页放准确率统计在多少张测试图上定位成功多少张分割成功多少张识别成功多少张用表格呈现。第十一页讲改进方向倾斜校正用透视变换、识别用 CNN、多车牌场景用聚类。第十二页致谢。每页文字不超过 6 行图占 60% 以上。答辩时不要念 PPT指着图讲每一步在做什么、参数为什么这么设。3.3 识别环节的两种低成本方案课程作业里识别环节通常不做深度学习两种低成本方案模板匹配和简单特征分类。模板匹配提前把 0-9、A-Z、省份简称的字符模板切成小图识别时把分割出的字符缩放到模板同尺寸算归一化相关系数取最高分对应的字符。优点是代码简单、可解释缺点是字体变化、模糊、倾斜时准确率掉得快。简单特征分类统计字符的笔画数、投影特征、孔洞数用规则判断。比如「0」有一个孔洞「8」有两个「1」没有孔洞且投影窄。这种方法对清晰车牌有效但规则写起来繁琐。实际课程作业里模板匹配更常见因为模板可以自己生成答辩时能讲清楚匹配过程。如果时间充裕可以用 sklearn 的 KNN 或 SVM 对字符的 HOG 特征做分类准确率比模板匹配高代码量也不大。4. 车牌识别踩坑记录定位框偏移、字符粘连、反光失效怎么排查4.1 定位框比车牌大一圈或小一圈现象画出来的矩形框明显偏离车牌要么把车标也框进去要么只框到车牌一半。原因形态学闭运算的结构元素尺寸不对。结构元素太宽相邻字符连成一片后和背景粘连轮廓变大结构元素太窄字符连不起来轮廓碎成多个小块筛选时被面积阈值过滤掉。解决把闭运算后的二值图用cv2.imshow或cv2.imwrite存下来看调整kernel_close的宽度。蓝牌在 1000 宽度图片下宽度 15~20 之间试高度 3~7 之间试。同时检查宽高比筛选范围如果车牌是黄牌比例接近 2.0要把下限从 2.5 降到 1.8。4.2 字符分割时两个字符粘在一起现象分割出的字符区间数量少于 7 个某个区间特别宽里面有两个字符。原因车牌二值化后字符之间的间隙被填满垂直投影在间隙处没有降到阈值以下。常见于车牌有污损、反光或者二值化阈值选得偏低导致笔画变粗。解决先对车牌图做一次开运算结构元素 2×2 或 3×3把字符之间的细连接断开。如果还不行改用连通域分析对二值图做connectedComponentsWithStats按连通域宽度筛选宽度接近单个字符宽度的保留宽度是两倍以上的尝试从中间切开。另外二值化前做一次直方图均衡化能改善反光导致的对比度不均。4.3 夜间或强反光图片定位完全失效现象白天图片能定位夜间或车灯反光的图片跑出来全是噪点没有候选框。原因Sobel 边缘检测对光照变化敏感夜间图片整体偏暗Otsu 阈值把大量背景也二值化成白色形态学闭运算后整张图连成一片。解决预处理阶段加一步自适应直方图均衡化CLAHE提升局部对比度。代码clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) gray clahe.apply(gray)clipLimit控制对比度增强幅度2.0 是常用值太高会放大噪声tileGridSize是分块大小8×8 适合 1000 宽度图片。如果反光严重可以在灰度化之前先用cv2.cvtColor转到 HSV 空间对 V 通道做 CLAHE 再转回灰度。另外夜间图片可以先把整体亮度拉高cv2.convertScaleAbs(gray, alpha1.5, beta30)再做后续处理。4.4 倾斜车牌裁剪后字符是斜的分割失败现象车牌本身有 10~20 度倾斜裁剪出来字符跟着斜垂直投影找不到清晰的间隙。原因定位阶段只用了boundingRect正矩形没有做倾斜校正。解决改用cv2.minAreaRect拿到最小外接矩形和角度然后用cv2.getRotationMatrix2D和cv2.warpAffine做仿射变换转正。角度处理要注意OpenCV 返回的角度范围是 [-90, 0)如果角度小于 -45实际倾斜方向要加 90 度再旋转。转正后再裁剪字符分割的投影曲线会清晰很多。4.5 答辩时被问「为什么不用深度学习」现象老师问「现在都用 YOLO 了你为什么还用传统方法」。原因这是课程作业考察的是数字图像处理的知识点不是模型调参能力。解决回答时先承认深度学习在复杂场景下准确率更高然后说明课程作业的目的是把灰度化、滤波、边缘检测、形态学、投影分割这些课本知识串起来传统方法每一步都可解释、可调参适合理解图像处理的底层逻辑。如果老师追问可以补一句「如果要做产品化会在定位阶段用 YOLO 做粗定位再用传统方法做字符分割两者结合」。5. 把识别率从 60% 拉到 85% 的三个调参技巧第一个技巧是动态调整形态学结构元素。固定 (17,5) 只能覆盖一种分辨率下的蓝牌实际测试时图片尺寸差异很大。我一般会按车牌候选区域的宽度反推结构元素尺寸先跑一遍粗定位拿到候选框如果候选框宽度普遍偏大把闭运算宽度调小 2~3 像素再跑一遍。更稳的做法是写一个循环宽度从 13 到 21 步进 2每个值跑一遍定位取候选框宽高比最接近 3.14 的那组结果。这个循环在 1000 宽度图片上跑 5 次大约 0.3 秒完全可接受。第二个技巧是二值化前做通道选择。蓝牌在 HSV 空间的 H 通道值集中在 100~124 之间直接对 H 通道做阈值分割比灰度图二值化更干净。代码hsv cv2.cvtColor(plate_img, cv2.COLOR_BGR2HSV) h_channel hsv[:, :, 0] _, binary cv2.threshold(h_channel, 100, 255, cv2.THRESH_BINARY_INV)THRESH_BINARY_INV是因为蓝牌 H 值在 100~124取反后车牌区域变白字符变黑投影时统计白色像素就是统计车牌背景字符间隙反而变成投影低谷分割逻辑要对应调整。这个技巧对蓝牌效果明显黄牌要换 H 范围20~35。第三个技巧是识别阶段加拒识。模板匹配时如果最高分低于某个阈值比如 0.6不要强行输出字符标记为「?」。这样虽然识别率数字会降但错误率大幅下降答辩时统计「正确识别 / 总字符数」反而更高。我一般会在recognize.py里加一个confidence_threshold参数默认 0.6低于这个值返回?。测试时先跑一遍看分数分布再决定阈值。最后一个习惯每次调参前先把中间结果存图。定位阶段存binary、closed、opened三张图分割阶段存投影曲线图。翻车的时候不用重新跑代码直接看哪一步的图不对就能定位到是哪个参数的问题。这个习惯帮我省了至少一半的调试时间。希望帮到你。本文还有配套的精品资源点击获取
