简介这份资源是面向数字图像处理课程学习者的车牌识别课程作业包基于Python3与OpenCV实现使用tkinter搭建图形界面适合作为课程设计、大作业、工程实训或初期项目立项的参考案例也适合希望入门图像处理与计算机视觉的进阶学习者。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分类器数据文件、1个pptx答辩演示文稿以及md说明文档等目录中区分了数字图像处理过程、车牌样本图片与程序界面截图结构便于按模块查阅。目前已有219人学习下载。读者可从中获取完整的车牌识别实现思路、图像预处理与字符分割流程、SVM分类器调用方式以及配套答辩PPT便于理解项目整体框架并在此基础上自行调试、修改与扩展功能。1. 从一份课程作业拆起PythonOpenCV 车牌识别到底能跑出什么如果你手头正好有一份license-plate.zip里面躺着main.py、img_recognition.py、img_math.py、img_function.py四个核心脚本外加svm.dat、svmchinese.dat两个模型文件和一份答辩 PPT那这大概率就是一套典型的数字图像处理课程设计——用 Python3 OpenCV 做车牌定位与字符识别界面用 tkinter 搭。它解决的不是工业级识别率问题而是把「图像预处理 → 边缘检测 → 形态学 → 颜色定位 → 字符分割 → SVM 分类」这条链路完整跑通让你在答辩时能指着每一步的中间图讲清楚原理。适合正在做课程设计、大作业、毕设开题或者想找一个能改、能调、能加功能的小白到进阶过渡项目的人。作者自己都说了识别率不高、程序不完善这反而意味着它有足够的空间让你动手改——而不是一个封装好、你只能看不能碰的黑匣子。2. 环境搭不起来后面全是空谈依赖、目录与首次运行2.1 三个 pip 包背后的版本坑项目正文只给了三条安装命令看起来简单但 OpenCV 的 Python 轮子在 Windows、Linux、macOS 上的行为差异很大尤其是opencv-python和opencv-contrib-python混装会导致cv2命名空间冲突。我一般会先建虚拟环境再装避免污染系统 Python。# 建议 Python 3.8 ~ 3.10太新的版本部分旧轮子没有预编译包 python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate # 按顺序装numpy 让 pip 自己解析兼容版本 pip install numpy pip install pillow pip install opencv-python逻辑说明numpy是 OpenCV 的底层数组依赖pillow主要给 tkinter 界面做图像格式转换用opencv-python提供cv2模块。参数上不建议手动锁numpy版本除非你遇到RuntimeError: module compiled against API version这类报错那说明 numpy 和 OpenCV 的 ABI 对不上回退到numpy2通常能解决。2.2 目录结构决定脚本能不能找到模型解压后你会看到svm.dat和svmchinese.dat直接躺在根目录chepai/放车牌图片pic/放界面截图tmp/是处理过程输出。img_recognition.py里加载 SVM 模型时用的是相对路径所以必须在license-plate根目录下执行python main.py不能跑到子目录里去运行。# 正确在包含 svm.dat 的目录下启动 cd license-plate python main.py如果你在chepai/里执行会直接抛FileNotFoundError: svm.dat。这是最常见的翻车点没有之一。另外.DS_Store是 macOS 压缩时带进来的垃圾文件Windows 下可以无视Linux 下直接删掉不影响运行。2.3 首次运行该看什么启动后 tkinter 窗口会弹出一般有「选择图片」「开始识别」「显示中间过程」几个按钮。第一次跑建议先用chepai/里自带的car4.jpg或01.png不要一上来就传自己拍的高分辨率照片。自带图的分辨率和光照是作者调过的能跑通说明环境没问题跑不通就是依赖或路径问题跟算法无关。识别结果会在界面上叠加绿色矩形框和字符文本同时tmp/下会生成每一步的中间图答辩时这些图就是你的讲解素材。3. 车牌定位的四个关键步骤从 RGB 到候选矩形3.1 高斯模糊与灰度化为什么先模糊再转灰度img_math.py里通常第一步是cv2.GaussianBlur再cv2.cvtColor。很多人会问为什么不直接灰度化——因为高斯模糊在彩色图上做能同时平滑三个通道的噪声转灰度后再模糊会丢失通道间的相关性。常见做法是核大小取(5,5)标准差让 OpenCV 自己算。import cv2 import numpy as np def preprocess(img): # 高斯模糊核大小 5x5sigmaX0 表示按核大小自动推导 blurred cv2.GaussianBlur(img, (5, 5), 0) # 转灰度 gray cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY) # Sobel 水平边缘车牌字符垂直边缘丰富水平梯度能突出字符区域 sobel cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize3) # 二值化阈值 200 是经验值光照强可降到 150 _, binary cv2.threshold(sobel, 200, 255, cv2.THRESH_BINARY) return gray, binary逻辑说明GaussianBlur的核越大越模糊但太大车牌边缘也会糊掉5×5 是课程作业级别的平衡点。Sobel的ksize3是最小奇数核再大计算量上去但效果提升有限。阈值 200 这个数不是固定的如果你的图片偏暗二值化后全是黑就往下调到 150 甚至 120。3.2 形态学闭运算把断裂的字符连成块Sobel 之后字符边缘是断断续续的需要用闭运算先膨胀后腐蚀把同一行的字符连成一个矩形区域。img_math.py里一般用cv2.morphologyEx配合一个宽扁的矩形核。# 宽 17 高 5 的核横向连接字符纵向不要连到相邻行 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 再腐蚀一次去掉细小噪点 eroded cv2.erode(closed, kernel, iterations1)参数说明核的宽度决定能连接多远间隔的字符中国车牌 7 个字符字符间距大概 10~15 像素所以 17 够用。高度 5 是为了不把上下两行比如车牌上下边缘连在一起。iterations1是保守值腐蚀多了车牌区域会缩没。3.3 轮廓筛选长宽比和面积双条件cv2.findContours找到一堆轮廓后要靠长宽比和面积过滤掉非车牌区域。中国蓝牌的标准长宽比约 3:1 到 4:1面积太小的是噪点太大的是车身。contours, _ cv2.findContours(eroded, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) area w * h # 长宽比 2.5~5.5面积大于 2000这两个阈值按图片分辨率调 if 2.5 ratio 5.5 and area 2000: candidates.append((x, y, w, h))逻辑说明RETR_TREE会返回层级关系方便后续判断轮廓嵌套。长宽比范围放宽到 2.5~5.5 是因为拍摄角度会导致透视变形。面积阈值 2000 是针对 640×480 左右的图如果你用手机拍的 4000×3000 大图这个值要乘 20 以上否则满屏都是候选框。3.4 颜色定位兜底HSV 空间找蓝色区域边缘检测在车牌倾斜或光照不均时会漏检img_math.py里通常还有一路 HSV 颜色定位作为补充。蓝色车牌的 H 通道在 100~124 之间S 和 V 有下限。hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色范围H 100~124S 43~255V 46~255 lower np.array([100, 43, 46]) upper np.array([124, 255, 255]) mask cv2.inRange(hsv, lower, upper) # 同样做闭运算连接 mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)参数说明这三个下限是 OpenCV 官方文档里蓝色检测的经典值但实际图片偏暗时 V 的下限要降到 30 左右。颜色定位和边缘定位的结果一般取交集或按面积择优具体看img_math.py里的融合逻辑。4. 字符分割与 SVM 识别两个模型文件怎么用4.1 垂直投影法切字符定位到车牌矩形后img_recognition.py会把它裁剪出来转灰度、二值化然后做垂直投影——统计每一列白色像素的个数波谷就是字符间隙。def split_chars(plate_gray): # 二值化OTSU 自动阈值 _, binary cv2.threshold(plate_gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 垂直投影按列求和 projection np.sum(binary, axis0) / 255 # 找波谷连续低于阈值的列就是间隙 threshold binary.shape[0] * 0.1 gaps [] in_gap False for i, val in enumerate(projection): if val threshold and not in_gap: start i in_gap True elif val threshold and in_gap: gaps.append((start, i)) in_gap False return gaps逻辑说明THRESH_OTSU会自动算阈值比手动指定稳。投影阈值取行高的 10%意思是这一列白色像素不到总高度的十分之一就算间隙。gaps列表里每个元组是一段间隙的起止列两个间隙之间的就是字符。中国车牌第一个是汉字第二个是字母后面五位混合分割时要注意汉字可能比数字宽。4.2 加载 svm.dat 做数字字母分类svm.dat是作者训练好的 SVM 模型用cv2.ml.SVM_load加载。输入特征是字符图像 resize 到固定尺寸后的像素向量。# 加载模型 svm cv2.ml.SVM_load(svm.dat) def recognize_char(char_img): # resize 到训练时的尺寸一般是 20x20 或 28x28 char_img cv2.resize(char_img, (20, 20)) # 展平成一维转 float32 feature char_img.reshape(1, -1).astype(np.float32) # 预测 _, result svm.predict(feature) return int(result[0][0])参数说明resize的尺寸必须和训练时一致否则特征维度对不上会报错。reshape(1, -1)里的 1 是样本数-1 自动算特征长度。svm.dat里存的是数字和英文字母的分类器汉字用svmchinese.dat两个模型分开加载、分开预测。4.3 汉字识别的特殊处理svmchinese.dat只处理省份简称类别数比数字字母少得多。img_recognition.py里一般会先判断第一个字符是不是汉字——通过宽高比或像素密度——是汉字才走中文模型否则走英文模型。这里有个常见坑如果分割时把汉字切成了两半中文模型会输出一个莫名其妙的省份整个车牌就错了。所以分割后的字符要做一次宽度校验太窄的合并、太宽的再切。5. 避坑与排查五个让你少熬一晚上的血泪经验5.1 现象运行报ModuleNotFoundError: No module named cv2原因opencv-python没装成功或者装到了另一个 Python 环境里。虚拟环境激活后 pip 和 python 必须指向同一个解释器。解决pip list确认opencv-python在列表里python -c import cv2; print(cv2.__version__)确认能导入。如果 pip 装成功但导入失败大概率是虚拟环境没激活或者系统里有多个 Python 版本。5.2 现象识别结果框歪了框到车牌旁边原因形态学核的尺寸和图片分辨率不匹配。作者调参时用的是小图你传大图17×5 的核相对太小字符连不起来轮廓就偏了。解决按图片宽度等比放大核尺寸。图片宽 640 时用 17宽 1280 就用 34宽 1920 用 51。或者先把图片 resize 到 640 宽再处理最后把坐标映射回原图。5.3 现象svm.dat加载报错(-215:Assertion failed)原因OpenCV 版本和模型文件格式不兼容。旧版cv2.ml.SVM_load保存的模型在新版 OpenCV 里可能读不了。解决确认opencv-python版本在 4.x 的某个稳定版比如 4.5.x 或 4.8.x。如果还是不行用svm cv2.ml.SVM_create()重新训练一个——chepai/里的图片可以当训练数据虽然费时间但能彻底解决兼容问题。5.4 现象tkinter 窗口闪退没有任何报错原因main.py里某个回调函数抛了异常但 tkinter 默认把异常吞了窗口直接关。解决在main.py开头加import traceback在按钮回调里包一层try/except打印traceback.format_exc()。或者直接在命令行运行python main.py异常会打到终端里。5.5 现象识别率极低十个车牌错八个原因作者自己都说了「识别率不高」这套代码的 SVM 训练数据量小泛化能力有限。加上光照、角度、车牌脏污错是正常的。解决别指望改几个参数就能到 95%。要提升就换思路——用ddddocr这类现成 OCR 库替代 SVM或者自己采集几百张车牌图重新训练。课程作业级别能把流程讲清楚、中间图对得上比识别率重要。6. 从能跑到能讲答辩 PPT 与中间过程图的配合技巧答辩时老师不会盯着你的识别率看他们看的是你知不知道每一步在干什么。tmp/文件夹里那些中间图就是你的证据链——原图、灰度图、Sobel 边缘、闭运算结果、候选框、分割后的字符一张一张放每张配一句「这一步是为了什么」。PPT 里不要堆代码放流程图和中间图对比代码留在源码里让老师自己翻。我自己的习惯是答辩前把chepai/里每张图都跑一遍把成功的和失败的各挑两张失败的图专门讲「为什么失败、我试过什么改进」。老师对失败的反思比对成功的展示更感兴趣因为这证明你真的动手调过而不是抄了个能跑的代码就来了。另外svm.dat和svmchinese.dat的加载路径在 PPT 里可以提一句「模型文件必须和主程序同目录」这是工程细节能加分。如果你打算把这个项目继续做下去下一步可以把 SVM 换成轻量级 CNN用chepai/里的图做数据增强训练一个端到端的字符识别模型。但那是另一个故事了先把眼前这份源码跑通、讲透比什么都实在。希望帮到你。本文还有配套的精品资源点击获取