简介这份资源是面向高校学生与Python初学者的一套车牌识别课程设计完整代码包围绕计算机视觉与图像处理方向帮助读者完成从图像预处理、车牌定位到字符分割与识别的全流程实践适合作为课程设计、毕业设计或自学练手项目。压缩包共18个文件约4.73MB以py源码为主配合png、jpg示例图片、dat模型数据、pptx演示文稿及md说明文档覆盖算法实现、测试素材与答辩展示等环节。目前已有652人学习下载具备一定参考热度。代码按功能模块拆分包含图像处理、数学运算、识别逻辑与主程序入口并附带训练好的SVM模型文件读者可直接运行调试也能在此基础上替换数据集、调整参数以适配不同场景。整体结构清晰便于理解车牌识别项目的工程组织方式为课程设计提交与后续扩展提供可复用的实现思路。1. 从一张糊到看不清的抓拍图说起这个车牌识别课设包到底能跑出什么很多做课程设计的同学都遇到过这种场景老师扔过来一段路口监控视频要求“识别出所有车牌并统计数量”而你手里只有 Python 基础和一台没有独显的笔记本。这个python课程设计车牌识别项目代码.zip就是冲着这类需求打包的——它把车牌检测、字符分割、字符识别这条链路用 Python 串了起来配套完整可运行代码适合计算机相关专业做课设、毕设开题或者刚入门计算机视觉想找一个能跑通全流程的练手项目。它不追求工业级精度重点在于流程完整、依赖清晰、代码可读能让你在本地把“输入一张车图输出车牌字符串”这件事从头到尾走一遍。如果你正被课设卡住或者想找一个不依赖复杂环境的车牌识别入门实现这份代码值得拆开看看。2. 车牌识别的三段式流水线检测、分割、识别各自在干什么车牌识别看起来是一个动作实际拆开是三个独立环节每个环节的输入输出都不一样。理解这条流水线比直接跑代码更重要因为后面调参、排错都依赖你对每一段职责的清楚认知。2.1 车牌定位从整张图里把车牌框出来第一段任务是“定位”。输入是一张包含车辆的彩色图输出是车牌的矩形区域坐标。常见做法有两类一类基于传统图像处理用颜色空间转换加形态学操作找矩形轮廓另一类用深度学习检测模型直接回归框。这个课设包通常走的是传统路线因为依赖少、不需要训练权重、在 CPU 上就能跑。传统路线的核心逻辑是车牌区域在 HSV 空间里有比较集中的颜色分布蓝底白字或绿底黑字先把图像转到 HSV用cv2.inRange做颜色掩膜再经过开闭运算把零散区域连成块最后用cv2.findContours找轮廓按宽高比和面积筛掉不像车牌的框。import cv2 import numpy as np def locate_plate(image_path): img cv2.imread(image_path) # 转 HSV车牌颜色在这个空间里更稳定 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌的经验范围绿牌需要另调 lower np.array([100, 80, 80]) upper np.array([124, 255, 255]) mask cv2.inRange(hsv, lower, upper) # 闭运算把字符间的缝隙填上让车牌成为一个整块 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for c in contours: x, y, w, h cv2.boundingRect(c) ratio w / float(h) # 中国车牌宽高比大致在 2.5 到 5 之间 if 2.5 ratio 5.0 and w 80: candidates.append((x, y, w, h)) return img, candidates这段代码里几个参数值得说清楚。HSV 的 lower/upper 决定了颜色掩膜的宽容度范围太窄会漏掉偏色车牌太宽会把车身广告也框进来。闭运算的 kernel 尺寸(17, 5)是横向长条因为车牌是扁的横向连接更符合实际。宽高比 2.5 到 5.0 是经验区间新能源绿牌比例略有不同需要单独处理。w 80是面积下限防止把远处的小色块误判成车牌。2.2 字符分割把车牌切成一个个单字定位拿到车牌区域后下一步是把它切成独立的字符。常见做法是灰度化、二值化、然后做垂直投影根据投影的波谷位置切分。这一步的难点在于铆钉、边框、污渍都会干扰投影曲线切多了或切少了都会让后面的识别崩掉。def split_characters(plate_img): gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) # 自适应阈值比固定阈值更抗光照不均 binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 19, 5) # 垂直投影统计每一列的白点数量 projection np.sum(binary, axis0) # 找到投影中的字符区间 chars [] in_char False start 0 for i, val in enumerate(projection): if val 0 and not in_char: in_char True start i elif val 0 and in_char: in_char False if i - start 5: # 过滤太窄的噪点 chars.append(binary[:, start:i]) return chars自适应阈值的blockSize19和C5是两个关键参数。blockSize 必须是奇数越大越平滑但越容易丢失细节C 是从均值里减去的常数用来抑制噪声。垂直投影里i - start 5这个过滤条件是为了去掉铆钉或边框产生的细窄干扰。如果分割结果里字符数量明显不对比如 7 个字符切出 9 块优先检查二值化效果而不是去改投影逻辑。2.3 字符识别模板匹配还是轻量分类器最后一段是把切出来的字符图变成具体文字。课设包里常见两种方案模板匹配和轻量级分类器。模板匹配实现简单把标准字符模板和待识别字符做归一化后算相似度取最高分缺点是字体变化、倾斜、模糊都会拉低准确率。轻量分类器一般用 CNN 或 SVM需要预先训练好的权重文件精度更高但依赖也更多。模板匹配的核心代码大致是这样def match_character(char_img, templates): # 统一尺寸消除分割带来的大小差异 char_img cv2.resize(char_img, (20, 40)) best_score -1 best_label ? for label, tmpl in templates.items(): tmpl cv2.resize(tmpl, (20, 40)) # 归一化互相关对亮度变化不敏感 score cv2.matchTemplate(char_img, tmpl, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score score best_label label return best_labelcv2.TM_CCOEFF_NORMED是归一化相关系数返回值在 -1 到 1 之间越接近 1 越相似。统一 resize 到(20, 40)是为了让模板和待识别图在同一尺度上比较。模板库的质量直接决定上限——如果模板本身是模糊的或者字体和实际车牌差异大再好的匹配算法也救不回来。3. 把代码跑起来环境、依赖和第一次推理的完整步骤拿到一个代码包最怕的是环境装不上、依赖冲突、跑起来报一堆看不懂的错。这一章按实际操作的顺序把从解压到出结果的过程拆开每一步都给出可复制的命令和排查方向。3.1 环境准备与依赖安装这个项目基于 Python 和 OpenCV不需要 GPU普通笔记本就能跑。建议用虚拟环境隔离依赖避免和系统里其他包的版本打架。# 创建虚拟环境Python 3.8 到 3.10 都比较稳 python -m venv plate_env # 激活环境Windows 用 plate_env\Scripts\activate source plate_env/bin/activate # 安装核心依赖 pip install opencv-python numpy # 如果代码里用了 sklearn 做分类补上 pip install scikit-learnopencv-python是主库负责图像读写、颜色转换、形态学、轮廓查找。numpy负责矩阵运算OpenCV 的很多返回值本身就是 numpy 数组。版本上OpenCV 4.x 和 3.x 在 API 上有差异比如findContours的返回值数量不同如果代码是按 3.x 写的在 4.x 上跑会报“too many values to unpack”这时候要么改代码要么降版本。提示如果 pip 安装 opencv-python 特别慢可以换国内镜像源命令后面加-i https://pypi.tuna.tsinghua.edu.cn/simple。3.2 目录结构与入口脚本解压后先别急着跑花两分钟看清楚目录结构。典型的课设包会有这几个部分main.py或run.py作为入口utils/放图像处理函数templates/放字符模板图test_images/放测试图可能还有一个models/放预训练权重。入口脚本一般会读一张测试图依次调用定位、分割、识别最后打印结果或弹窗显示。# 先看目录确认入口文件和测试图位置 ls -R # 跑入口脚本传入一张测试图 python main.py --image test_images/car1.jpg如果入口脚本用的是 argparse--image就是图片路径参数如果代码里写死了路径需要手动改成你的图片位置。第一次跑建议用包里自带的测试图先确认流程能通再换自己的图。3.3 第一次推理从输入图到输出字符串跑通之后观察输出。正常情况下会看到类似识别结果: 京A12345的打印或者一个弹窗显示原图加框加识别文字。如果结果为空或乱码按下面的顺序排查。先看定位有没有框对。可以在定位函数里加一行cv2.imshow(mask, mask)把掩膜显示出来如果掩膜里车牌区域是白的、背景是黑的说明颜色分割没问题如果掩膜一片黑或一片白说明 HSV 范围不对需要根据你的图片调整 lower/upper。再看分割出来的字符数量。正常蓝牌是 7 个字符如果切出来 5 个或 9 个说明二值化或投影逻辑有问题。可以把二值化结果存下来看一眼字符是否清晰、有没有粘连。最后看识别结果。如果字符切对了但识别错问题在模板匹配。检查模板图是否清晰、尺寸是否统一、字体是否和实际车牌接近。模板匹配对字体非常敏感黑体模板去匹配宋体车牌准确率会明显下降。# 调试用把中间结果都存下来逐个环节看 cv2.imwrite(debug_mask.jpg, mask) cv2.imwrite(debug_binary.jpg, binary) for i, ch in enumerate(chars): cv2.imwrite(fdebug_char_{i}.jpg, ch)把中间结果落盘比在代码里打断点更直观尤其是处理图像这种“看一眼就知道对不对”的任务。4. 避坑与排查颜色阈值、字符粘连、模板失配这三类问题最常翻车课设代码跑不通八成不是逻辑错而是参数和实际图片不匹配。下面这几条是血泪经验里出现频率最高的每条按现象、原因、解决三步说清楚。4.1 现象掩膜全黑或全白定位完全失效原因HSV 阈值范围是照着某张特定图片调的换一张光照不同、车牌颜色偏淡或偏深的图颜色就落不到区间里。全黑说明阈值太窄全白说明阈值太宽把背景也包进来了。解决不要死记硬背阈值用滑动条现场调。OpenCV 的cv2.createTrackbar可以实时改 HSV 上下限边拖边看掩膜变化找到当前图片的最佳区间后再写回代码。如果要做批量处理考虑用自适应方法比如先统计图像的颜色直方图自动确定主色范围。4.2 现象字符分割数量不对7 个字符切出 5 块或 9 块原因二值化后字符之间有粘连或者铆钉、边框被当成了字符。垂直投影的波谷判断太粗糙遇到“川”这种笔画稀疏的字中间可能出现假的波谷。解决先做形态学开运算去掉细小的噪点再在投影里加最小宽度和最小间隔约束。对于粘连可以尝试在波谷处强制切分或者用连通域分析代替投影。连通域方法对每个独立白块单独处理能更好地应对字符间距不均的情况。4.3 现象字符切对了但识别结果乱跳同一个字有时对有时错原因模板匹配对尺寸和字体极度敏感。分割出来的字符大小不一resize 之后笔画粗细变了和模板的相似度就不稳定。另外模板本身如果只有一种字体遇到其他字体就抓瞎。解决统一分割后字符的尺寸并且在 resize 时用cv2.INTER_AREA插值比默认的线性插值更适合缩小。模板库尽量覆盖多种字体和粗细或者干脆换用轻量 CNN 分类器让模型自己学特征比手工模板鲁棒得多。4.4 现象换自己的图片就报错提示通道数不对或尺寸不匹配原因代码里默认输入是三通道彩色图如果你的图是灰度图或带 alpha 通道的 PNGcv2.cvtColor就会报错。另外有些函数对输入尺寸有隐含要求比如模板匹配要求模板不能大于搜索图。解决读图后统一做一次预处理确保是三通道 BGR。用img cv2.imread(path)读进来后判断len(img.shape)如果是 2 就cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)如果是 4 就丢掉 alpha 通道。尺寸方面在定位前先 resize 到一个合理范围比如宽度不超过 1200既保证速度又避免内存爆掉。注意调试图像处理代码时最有效的办法是把每一步的中间结果都存成图片看一眼。代码里的逻辑对不对眼睛比打印语句更可靠。5. 从能跑到好用提升识别率的几个实操技巧把流程跑通只是起点课设要拿得出手还得在准确率上做点文章。这一章说几个不增加太多复杂度、但效果立竿见影的调整方向。5.1 用透视校正把倾斜车牌拉正实际拍摄的车牌很少是正对镜头的总有倾斜或透视变形。倾斜的车牌会让字符分割和模板匹配都变差。一个实用的技巧是在定位到车牌后用cv2.minAreaRect拿到最小外接旋转矩形再用cv2.warpAffine做仿射变换把车牌转正。def deskew_plate(plate_img): gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) coords np.column_stack(np.where(binary 0)) angle cv2.minAreaRect(coords)[-1] # 角度修正OpenCV 返回的角度范围需要归一化 if angle -45: angle 90 angle (h, w) plate_img.shape[:2] center (w // 2, h // 2) M cv2.getRotationMatrix2D(center, angle, 1.0) rotated cv2.warpAffine(plate_img, M, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE) return rotatedcv2.minAreaRect返回的角度在不同 OpenCV 版本里定义不一致这是最容易翻车的地方。稳妥的做法是拿到角度后先判断绝对值是否大于 45 度大于就做 90 度补偿。borderModecv2.BORDER_REPLICATE用边缘像素填充旋转后的空白比填黑色更不容易干扰后续二值化。5.2 模板匹配的替代方案用轻量分类器兜底模板匹配的天花板很低字体一变就崩。如果课设允许引入额外依赖可以用 sklearn 训练一个简单的 SVM 或 KNN 分类器特征用 HOG 或者直接展平像素。训练数据可以用公开的字符数据集也可以自己合成——把标准字体渲染成不同大小、不同模糊程度的图扩充样本量。from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline # X 是展平后的字符图y 是对应标签 model make_pipeline(StandardScaler(), SVC(kernelrbf, C10)) model.fit(X_train, y_train) # 预测时把分割出的字符 resize 到训练时的尺寸再展平 pred model.predict([char_img.flatten()])C10是正则化参数越大越容易过拟合越小越容易欠拟合。RBF 核适合非线性可分的情况字符分类一般够用。相比模板匹配分类器对字体变化的容忍度高得多代价是需要准备训练数据。5.3 用批量测试量化效果别靠感觉改完参数后不要只拿一张图看结果那样很容易过拟合到单张图。把测试集里所有图跑一遍统计定位成功率、分割准确率、识别准确率三个指标才能看出改动是真有效还是碰运气。指标计算方式关注点定位成功率框对车牌的图数 / 总图数低于 80% 先查颜色阈值分割准确率字符数正确的图数 / 定位成功图数低于 85% 查二值化和投影识别准确率字符全对的图数 / 分割成功图数低于 90% 考虑换分类器这三个指标是串联的前一步失败后面就没意义。所以排查时从定位开始逐段往后看不要一上来就怀疑识别算法。5.4 一个容易被忽略的细节图像预处理顺序很多人把 resize、去噪、增强的顺序搞反导致效果打折。合理的顺序是先 resize 到统一尺寸再去噪再做颜色转换和增强。resize 放在最前面是因为后续所有操作的计算量都和图像尺寸相关先缩小能省时间去噪放在颜色转换前是因为噪声会在颜色空间里被放大。def preprocess(image_path, target_width800): img cv2.imread(image_path) h, w img.shape[:2] scale target_width / w img cv2.resize(img, (target_width, int(h * scale)), interpolationcv2.INTER_AREA) # 高斯模糊去噪kernel 用奇数 img cv2.GaussianBlur(img, (5, 5), 0) return imgcv2.INTER_AREA在缩小图像时效果最好能避免摩尔纹。高斯核(5, 5)是温和去噪如果图片噪点特别多可以加到(7, 7)但太大会把字符边缘也糊掉。从那以后我每次拿到一个新的图像处理项目都强制自己先把中间结果落盘看一遍再谈调参和优化。这份车牌识别课设代码的价值不在于它有多高的精度而在于它把一条完整的链路摊开在你面前让你能亲手摸到每一个环节的输入输出和失败模式。把这条链路吃透再去看更复杂的检测模型或端到端识别方案心里就有底了。希望帮到你。本文还有配套的精品资源点击获取