企业官网建设流程全解析

简介：本资源是一套基于Python、PyCharm与OpenCV的车牌识别完整项目源码，面向具备一定Python基础、希望入门计算机视觉与深度学习实战的开发者，可用于交通监控、智能停车等场景的学习与二次开发。压缩包共69个文件，约35.89MB，包含21个py脚本、23个pyc编译文件、7个h5模型权重、7张jpg与3个gif示例图、2个xml配置、1个ttf字体及1个mp4演示视频，覆盖从图像预处理、车牌定位、文本分割到字符识别的完整流程。项目内含模型配置、字体资源与检测脚本，便于直接运行与调试。目前已有876人学习下载。通过该资源，读者可掌握灰度化、直方图均衡化、边缘检测、轮廓筛选等预处理方法，理解连通组件分析与CNN字符识别思路，并借助PyCharm的项目结构高效组织代码、调试模型，为后续数据集标注、模型优化与实时性能调优提供可复用的实践参考。

1. 从一张糊到看不清的抓拍说起：这套车牌识别源码到底能跑出什么

地下车库出口的摄像头抓拍，十张里有三张车牌是斜的、两张过曝、一张被前车挡住半边。拿这种图去跑识别，能出结果才怪。我手上这套基于 PyCharm + Python + OpenCV 的车牌识别项目，解决的正是这种"非理想图像"下的车牌定位与字符分割问题——它不依赖深度学习模型，纯靠 OpenCV 的形态学、边缘检测和轮廓筛选把车牌抠出来，再走字符切分和模板匹配。整套代码在 PyCharm 社区版里直接打开就能跑，不需要 GPU，不需要训练权重，适合刚学完 OpenCV 基础、想找一个完整图像处理链路练手的 Python 入门者，也适合需要快速搭一个车牌定位原型、后续再替换识别模块的工程师。它最大的价值不是识别率有多高，而是把"图像预处理 → 车牌定位 → 字符分割 → 字符识别"这条链路用可调试的代码摊开给你看，每一步都能单独停下来看中间结果。

2. 环境搭建与工程结构：PyCharm 里怎么把 OpenCV 跑通

2.1 为什么选 PyCharm 社区版而不是别的

这套代码对 IDE 没有硬性要求，但 PyCharm 社区版有个实际好处：它的项目解释器管理足够直观，装 OpenCV 和 NumPy 不容易把环境搞乱。很多人用系统 Python 直接 pip install，结果 cv2 和 numpy 版本打架，报出cv2.error: OpenCV(4.4.0) ... pip-req-build这种一看就头大的错误。我的习惯是每个图像处理项目单独建虚拟环境，PyCharm 新建项目时勾选"New environment using Virtualenv"，解释器路径指向项目目录下的 venv，这样后面装什么包都不会污染全局。

工程结构上，这套源码通常长这样：

license_plate_recognition/ ├── main.py # 主流程入口 ├── plate_locate.py # 车牌定位 ├── plate_split.py # 字符分割 ├── plate_recog.py # 字符识别 ├── utils.py # 图像显示、保存等工具函数 ├── templates/ # 字符模板图（0-9、A-Z、省份简称） └── images/ # 测试用车辆图片

如果你拿到的包结构略有不同，不影响，核心是找到那个main.py或者类似的入口文件。先别急着改代码，把环境跑通再说。

2.2 安装依赖：一行命令背后的版本坑

在 PyCharm 的 Terminal 里执行：

pip install opencv-python numpy matplotlib

这里有个血泪经验：opencv-python不要盲目装最新版。有些老代码用了cv2.findContours的旧返回值（两个返回值），而 OpenCV 4.x 返回三个值，直接报ValueError: not enough values to unpack。如果你拿到的源码是几年前写的，先确认它适配的 OpenCV 版本。稳妥做法是装 4.5.x 系列：

pip install opencv-python==4.5.5.64 pip install numpy==1.21.6

装完在 PyCharm 里跑一句验证：

import cv2 import numpy as np print(cv2.__version__) print(np.__version__)

如果报ModuleNotFoundError: No module named 'cv2'，九成是 PyCharm 当前项目解释器没选对。去 File → Settings → Project → Python Interpreter，确认选的是你刚建虚拟环境那个解释器，而不是系统默认的。这个坑我见过太多次，新手往往在 cmd 里 pip install 成功了，但 PyCharm 用的却是另一个解释器，两边对不上。

2.3 第一次运行：先跑通再谈调参

把测试图片放进images/目录，运行main.py。如果一切正常，你会看到弹出窗口依次显示原图、灰度图、边缘检测结果、形态学处理后的车牌候选区域，最后框出车牌并输出识别字符。如果窗口一闪而过，在cv2.imshow后面加cv2.waitKey(0)，这是 OpenCV 的 GUI 事件循环，不加的话窗口来不及显示就关了。

第一次跑不建议直接上自己的图，先用源码自带的测试图确认链路通畅。跑通之后，再换自己的图，观察哪一步开始出问题——是定位框歪了，还是字符切分切多了，还是模板匹配对不上。这套代码的调试友好之处就在于每一步都有中间输出，你可以逐段注释掉后面的流程，只看定位结果。

3. 车牌定位的完整链路：从灰度图到候选矩形

3.1 预处理：高斯模糊、Sobel 与形态学闭运算的配合

车牌定位的核心思路是利用车牌区域的纹理特征——字符和背景之间有密集的垂直边缘。所以第一步不是找颜色，而是找边缘。

import cv2 import numpy as np def locate_plate(image_path): # 读取原图 img = cv2.imread(image_path) # 转灰度，减少计算量 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊，抑制噪声，核大小(5,5)是经验值 blur = cv2.GaussianBlur(gray, (5, 5), 0) # Sobel算子求x方向梯度，车牌字符垂直边缘明显 sobel_x = cv2.Sobel(blur, cv2.CV_16S, 1, 0, ksize=3) # 转回uint8并取绝对值 abs_x = cv2.convertScaleAbs(sobel_x) # 二值化，阈值可调，150是常用起点 _, binary = cv2.threshold(abs_x, 150, 255, cv2.THRESH_BINARY) # 形态学闭运算，把断裂的字符边缘连成块 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) return img, closed

这段代码里每个参数都有讲究。高斯核(5,5)太小去不掉噪点，太大把边缘也糊没了。Sobel 的ksize=3是最小核，对细边缘敏感；如果你处理的图分辨率很高，可以试ksize=5。二值化阈值 150 不是固定的，光照强的图可能要提到 180，暗图要降到 100 左右。形态学闭运算的核(17,5)是横向长条，因为车牌字符是横向排列的，这个核能把同一行的字符边缘连成一个矩形块，同时不会把上下无关区域粘进来。如果你发现定位框把整个车头都框进去了，先把核改小，比如(13,5)。

3.2 轮廓筛选：用长宽比和面积把车牌挑出来

闭运算之后，图上会出现若干白色块，车牌只是其中之一。接下来用findContours找轮廓，再按几何特征筛选。

# 找轮廓，RETR_EXTERNAL只取外轮廓 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for cnt in contours: # 计算外接矩形 x, y, w, h = cv2.boundingRect(cnt) # 长宽比，中国蓝牌大约3:1到4:1 ratio = w / float(h) # 面积过滤，太小的噪点不要 area = w * h if 2.5 < ratio < 5.0 and area > 1000: candidates.append((x, y, w, h)) # 按面积从大到小排序，取最大的几个作为候选 candidates.sort(key=lambda b: b[2] * b[3], reverse=True) return img, candidates

长宽比范围2.5 < ratio < 5.0是覆盖蓝牌和新能源绿牌的常见比例。面积阈值 1000 是针对 720p 以上图片的经验值，如果你的图很小，这个值要降。RETR_EXTERNAL只取最外层轮廓，避免字符内部的孔洞干扰。筛选出来的候选框按面积排序，通常车牌是面积最大的那个，但也不绝对——如果图里有广告牌、路标，可能被误选。所以后面还要加颜色验证。

3.3 颜色验证：HSV 空间里把蓝色车牌捞出来

几何筛选之后，对每个候选框做颜色判断，进一步排除误检。

def verify_by_color(img, box): x, y, w, h = box roi = img[y:y+h, x:x+w] hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) # 蓝色车牌HSV范围，OpenCV中H是0-180 lower_blue = np.array([100, 80, 80]) upper_blue = np.array([124, 255, 255]) mask = cv2.inRange(hsv, lower_blue, upper_blue) # 蓝色像素占比超过30%认为是车牌 blue_ratio = cv2.countNonZero(mask) / float(w * h) return blue_ratio > 0.3

HSV 的 H 通道在 OpenCV 里是 0 到 180，不是 0 到 360，这个容易搞混。蓝色范围[100, 80, 80]到[124, 255, 255]覆盖了大多数蓝牌。饱和度下限 80 是为了排除灰白色的干扰。占比阈值 0.3 是保守值，实际车牌区域蓝色占比通常超过 50%，但考虑到反光和污渍，放宽到 0.3 更稳。如果是新能源绿牌，把 H 范围改成[35, 80, 80]到[85, 255, 255]。

4. 字符分割与模板匹配：把车牌拆成单个字符

4.1 垂直投影法切分字符

定位到车牌后，裁剪出来，做二值化，然后用垂直投影找字符之间的间隙。

def split_characters(plate_img): # 转灰度并二值化，OTSU自动阈值 gray = cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 垂直投影：统计每列白色像素个数 projection = np.sum(binary, axis=0) / 255 # 找字符边界，投影值从低到高再降低算一个字符 chars = [] in_char = False start = 0 for i, val in enumerate(projection): if val > 2 and not in_char: in_char = True start = i elif val <= 2 and in_char: in_char = False # 宽度过滤，太窄的当噪点 if i - start > 5: chars.append(binary[:, start:i]) return chars

THRESH_OTSU会自动算阈值，比手动指定省事，但对光照不均的图可能翻车。投影阈值val > 2表示这一列至少有两个白色像素才算字符区域，这个值可以根据车牌图大小调整。宽度过滤i - start > 5是去掉那些一两个像素宽的噪点列。切分出来的字符顺序是从左到右，但要注意中文车牌第一个字符是省份简称，宽度通常比后面的字母数字大，模板匹配时要单独处理。

4.2 模板匹配：归一化后的字符比对

字符识别用的是最朴素的模板匹配，把切分出的字符缩放到统一尺寸，和 templates 目录下的模板逐个比对。

def recognize_char(char_img, templates): # 统一缩放到20x40 char_resized = cv2.resize(char_img, (20, 40)) best_score = -1 best_label = '?' for label, tmpl in templates.items(): # 模板匹配，TM_CCOEFF_NORMED返回-1到1 score = cv2.matchTemplate(char_resized, tmpl, cv2.TM_CCOEFF_NORMED) score = score[0][0] if score > best_score: best_score = score best_label = label return best_label, best_score

TM_CCOEFF_NORMED是归一化相关系数匹配，对亮度变化不敏感，适合这种场景。模板图要提前准备好，每个字符一张，尺寸和char_resized一致。匹配分数低于 0.5 的基本可以认为是误识别，实际使用中可以把低分结果标记出来人工复核。这套模板匹配的识别率在清晰车牌上能到 80% 左右，模糊或倾斜的会明显下降——这是方法本身的边界，不是代码 bug。

4.3 把整条链路串起来

主流程就是把上面的函数按顺序调用：

def main(image_path): img, closed = locate_plate(image_path) _, candidates = find_candidates(closed) for box in candidates: if verify_by_color(img, box): x, y, w, h = box plate = img[y:y+h, x:x+w] chars = split_characters(plate) result = '' for ch in chars: label, score = recognize_char(ch, templates) result += label print('识别结果:', result) cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.imshow('result', img) cv2.waitKey(0)

跑通之后你会发现，定位和分割的中间结果比最终识别结果更有调试价值。识别错了，先看分割对不对；分割不对，回头看定位框准不准；定位不准，回去调形态学核和阈值。这条链路每一环都可控，这也是纯 OpenCV 方案相比深度学习黑匣子的优势。

5. 避坑与排查：那些让代码跑不起来的常见问题

5.1 cv2.error 版本不兼容

现象：运行时报cv2.error: OpenCV(4.4.0) ... pip-req-build或者findContours返回值解包失败。

原因：OpenCV 4.x 的findContours返回三个值(contours, hierarchy, _)，而旧代码按两个值解包；或者 opencv-python 和 numpy 版本不匹配。

解决：确认代码适配的 OpenCV 版本，统一降级到 4.5.x，同时把 numpy 锁在 1.21.x。用pip list看实际安装版本，不要只看 requirements.txt。

5.2 定位框把整个车头框进去

现象：画出的矩形远大于车牌，甚至覆盖半个车身。

原因：形态学闭运算的核太大，把车身其他边缘也连成块了；或者二值化阈值太低，背景噪声太多。

解决：先把闭运算核从(17,5)降到(13,5)甚至(11,5)，再把二值化阈值提高 20 到 30。如果还不行，在轮廓筛选里把长宽比范围收窄，比如3.0 < ratio < 4.5。

5.3 字符切分多切或少切

现象：识别结果里多出无意义的字符，或者两个字符粘在一起。

原因：垂直投影的阈值val > 2不适合当前图片的字符粗细；或者二值化后字符有断裂。

解决：把投影阈值改成动态的，比如取投影最大值的 10% 作为阈值。字符断裂的话，在二值化后加一次形态学闭运算，核用(3,3)小核，把断笔连上。

5.4 PyCharm 里 import cv2 报红但能运行

现象：代码编辑器里import cv2下面有红色波浪线，但运行没问题。

原因：PyCharm 的索引没更新，或者当前解释器选错了。

解决：File → Invalidate Caches → Restart，然后确认 Project Interpreter 指向 venv 里的 python。如果还报红，在 Settings → Project Structure 里把源码目录标记为 Sources。

5.5 换自己的图后完全没结果

现象：测试图能跑，换成自己的图后一个候选框都没有。

原因：图片分辨率、光照、车牌颜色和测试图差异太大，所有阈值都不适用。

解决：先把图缩放到和测试图相近的尺寸，再逐步放宽筛选条件——面积阈值降到 500，长宽比范围扩到2.0 < ratio < 6.0，颜色占比阈值降到 0.2。观察中间输出，看是在哪一步丢的。

6. 进阶调优：把识别率从能用推到好用

模板匹配的天花板就在那里，想再往上走，有几个方向可以试。第一个是字符归一化做得更细：不要统一缩放到 20x40，而是先做透视校正，把倾斜的车牌拉正，再按字符实际宽高比缩放。透视校正用cv2.getPerspectiveTransform和cv2.warpPerspective，需要手动或自动找到车牌的四个角点。自动找角点可以用cv2.approxPolyDP对车牌轮廓做多边形逼近，取四个顶点的版本。

第二个方向是模板库的扩充。同一字符准备多张不同字体、不同粗细的模板，匹配时取最高分。比如"京"字，黑体和宋体各一张，能覆盖更多实际场景。模板图不用多，每个字符三到五张就够，关键是覆盖你实际会遇到的字体风格。

第三个方向是后处理校验。中国车牌有固定格式：第一个是省份简称，第二个是字母，后面五位是字母数字混合。识别完之后用正则校验一遍，不符合格式的字符用次高分候选替换。这一步能把识别率再拉几个百分点，而且实现成本很低。

import re def post_process(result): # 中国车牌正则：省份简称+字母+5位字母数字 pattern = r'^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5}$' if re.match(pattern, result): return result # 不符合格式的，尝试常见混淆替换 confusion = {'0': 'O', 'O': '0', '1': 'I', 'I': '1', '8': 'B', 'B': '8'} for i, ch in enumerate(result): if ch in confusion: candidate = result[:i] + confusion[ch] + result[i+1:] if re.match(pattern, candidate): return candidate return result

这个后处理逻辑不复杂，但效果立竿见影。我一般会在识别完每个字符后保留前三个候选，后处理时按格式约束做组合搜索，比单纯替换更稳。

最后一个技巧是关于调试的：把每一步的中间结果都存成图片，用cv2.imwrite写到 debug 目录，文件名带上步骤序号。这样跑完一遍，你有一整套可视化流程，哪一步出问题一目了然。比在 PyCharm 里打断点看变量快得多，尤其是处理批量图片的时候。

从那以后我每次拿到新的图像处理项目，都强制先跑一遍中间结果可视化，确认每一环的输出符合预期再往下走。这套车牌识别代码的价值不在于它多完美，而在于它把每一步都摊开了，让你能看见问题出在哪。希望帮到你。

本文还有配套的精品资源，点击获取