简介：这是一份面向数字图像处理课程设计与车牌识别实战的Python完整项目包，适合计算机、自动化等专业学生完成课设或入门图像识别项目。项目围绕车牌识别全流程展开，覆盖图像预处理、车牌区域定位、字符分割、特征提取与分类识别等核心环节，可直接作为课设汇报或二次开发的参考基准。压缩包共5个文件，包括3个Python脚本与2个RAR数据集压缩包，整体大小约8.02MB，体量轻巧、结构清晰。Python脚本分别负责省份汉字、字母以及数字三类字符的训练与识别，RAR包内则是配套的样本图片与测试图片，便于对照验证。目前已有657人学习下载，对于希望快速跑通传统图像处理方案的学习者而言，是一份实用的工程参考。通过学习此项目，读者能获得可直接运行的代码框架、数据集目录的组织方式以及从输入图像到输出识别结果的完整处理思路，并借助代码注释理解各环节参数的作用与调优方法，从而加深对数字图像处理技术在真实场景中落地的认识。
1. Python车牌识别课设：卡住你的往往不是算法，而是端到端跑通
从资源站把“基于Python实现数字图像处理车牌识别课设项目.zip”拖下来，解压、双击 main.py 的那一瞬间，十有八九会被报错劝退：要么是findContours解包个数不对，要么是模型权重找不到，要么是跑完了一张图也没识别出来。你以为缺的是“车牌识别”的算法原理，其实缺的是怎么把颜色空间转换、形态学处理、轮廓提取、字符分割和分类识别这几件事按顺序串成一条能跑的流水线。
这个课设一般出现在《数字图像处理》的配套大作业里，它刚好覆盖了教材里 HSV 颜色模型、膨胀腐蚀、大津阈值、连通域分析这些章节的重点。我的建议很直接：不要一开始就上 YOLO 或大规模深度学习检测模型，就把 OpenCV 传统图像处理方案吃透，把定位、矫正、分割、识别四段流程跑通，识别率做到七八成，配几张过程可视化图，这份课设就已经能站住了。本文按这条路线把每一步的代码、参数和常见坑一次讲清楚。
2. 识别路线怎么选：为什么 OpenCV 传统方案比上来就训检测模型更稳
2.1 课设可选的三条路线：模板匹配、传统特征加分类器、通用检测模型
做车牌识别，网上能搜到的方案大致分成三类。我先给一个对比，你按课程要求和自身基础选。
| 路线 | 核心做法 | 优点 | 课设风险 |
|---|---|---|---|
| 模板匹配 | 用标准车牌字符图像做模板，对分割出的字符逐一比对 | 代码量最小，原理好讲 | 对字体、清晰度、倾斜极敏感，真实图片识别率低 |
| 传统特征加分类器 | HSV 定位、形态学处理、轮廓提取、投影分割，再用 SVM、MLP 或轻量 CNN 做字符识别 | 流程完整，每个阶段都能可视化，正好贴合《数字图像处理》课程内容 | 参数多，需要逐个调 |
| 通用检测模型 | 用 YOLO 等目标检测模型直接端到端输出车牌字符 | 识别率可能最高 | 环境配置重、训练数据需求大、报告难解释，演示现场容易出岔子 |
我在课程设计里最推荐第二条路。原因很实际：数字图像处理课设的评分重点不是你用了多新的模型，而是你能不能把教材里的图像处理方法串起来。传统这条路每一步都有中间结果可以截图，报告里能放定位掩膜图、二值化图、分割图，答辩时讲得清楚。深度学习方案到了答辩环节往往变成“黑匣子”，老师一问为什么用这个网络结构、参数怎么来的，很容易卡壳。
另外从环境角度考虑，传统方案只需要 OpenCV 和 NumPy，不需要 GPU。一个实验室老电脑也能稳定跑完。安装依赖时我习惯固定版本，避免新版 API 变化带来额外问题：
# 课程设计最小依赖集合，推荐 Python 3.8 或 3.9 # opencv-python 用 4.x，不要直接装最新版，新版本对 findContours 等接口兼容性要额外验证 pip install opencv-python==4.8.1.78 numpy matplotlib scikit-learn参数说明：opencv-python 锁版本是因为 4.0 之后findContours的返回值从三个变成两个，老代码直接解包会报错；numpy 和 matplotlib 用于数组运算和中间结果可视化；scikit-learn 是做 SVM 或 MLP 分类器时用，如果直接用 CNN 可以去掉。
2.2 把“车牌识别”拆成四级流水线：定位、矫正、分割、识别
无论选哪条路线，车牌识别的任务都可以拆成四个串行阶段。每个阶段有明确的输入输出，这样调试时就能定位到底哪一步出了问题，而不是对着最终识别结果瞎猜参数。
| 阶段 | 输入 | 输出 | 关键操作 |
|---|---|---|---|
| 车牌定位 | 一张完整的车辆图片 | 包含车牌的矩形区域 | HSV 颜色掩膜、形态学闭运算、轮廓外接矩形 |
| 倾斜矫正 | 定位出的车牌 ROI | 水平摆正的单行车牌图 | 最小外接矩形角度、仿射变换或透视变换 |
| 字符分割 | 矫正后的车牌图 | 多个单字符图像 | 灰度化、大津阈值、垂直投影切分 |
| 字符识别 | 单字符图像列表 | 车牌字符串 | 模板匹配或轻量 CNN 分类 |
这个流程设计的核心逻辑是“先找颜色，再找形状，再切字符，最后认字”。为什么先找颜色？因为车牌有非常固定的颜色特征，蓝底白字、黄底黑字、绿底黑字，这在 HSV 颜色空间里是一个很窄的区间，比直接用边缘检测找矩形要稳得多。边缘检测会把车灯、保险杠、路牌全带出来，后期过滤条件要写一大堆。
定位和分割是这道课设的主战场，识别反而是最按部就班的一步。很多学生把精力全放在识别网络结构上，结果定位没做好，输入都是歪的，后面再好的分类器也白搭。我自己的习惯是，先确保每一阶段的中间结果肉眼看着没问题，再进入下一阶段。这也是后面所有调参工作的核心原则。
3. 复现车牌识别主流程：从 HSV 定位到字符分类的四段 Python 代码
3.1 车牌定位：HSV 颜色掩膜与轮廓过滤，把“蓝底”变成可计算的区域
定位阶段的思路是：把 BGR 图像转到 HSV 颜色空间，用颜色区间生成掩膜，再用形态学闭运算把车牌上被字符隔断的色块重新连成一个完整区域，最后通过轮廓的外接矩形宽高比和面积把车牌框出来。
import cv2 import numpy as np def locate_plate(img_bgr): """定位蓝色车牌，返回候选区域的 (x, y, w, h) 列表""" # 1. BGR 转到 HSV。HSV 把颜色和亮度分开，受车灯和阴影干扰更小 hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) # 2. 蓝色车牌阈值：H 在 100~124，S 在 43~255，V 在 46~255 # 这个范围是 OpenCV 下蓝色车牌的常见区间，亮度低时要把 V 的下限放低 blue_mask = cv2.inRange(hsv, (100, 43, 46), (124, 255, 255)) # 3. 闭运算（先膨胀再腐蚀）：把字符之间断开的蓝色底连成整块 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) blue_mask = cv2.morphologyEx(blue_mask, cv2.MORPH_CLOSE, kernel) # 4. 找外轮廓，按宽高比和面积过滤 contours, _ = cv2.findContours(blue_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) res = [] img_h, img_w = img_bgr.shape[:2] for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) # 标准蓝牌宽高比约 3.1:1，留出余量设 2.5~5.5 if 2.5 < w / h < 5.5 and w * h > img_h * img_w * 0.003: res.append((x, y, w, h)) return res逻辑说明与参数说明：HSV 转换是为了把“颜色”和“亮度”解耦，夜间车牌的 V 值普遍偏低，只要 H 和 S 在范围内仍能筛出来。闭运算核设为 (17, 5) 是贴合车牌字符的尺寸关系——字符宽度大约 20 到 30 像素，核的宽度必须大于字符间距才能把色块连成一片；高度取 5 是为了避免把相邻车道的噪声也连进来。宽高比范围 2.5 到 5.5 是根据中国车牌 440×140 的比例来的，轿车和货车都在这个区间内。面积下限 0.003 用于排除远距离的小噪点，这个值要按你的输入图片尺寸微调。
这套代码跑完后，用cv2.rectangle把候选框画在原图上，肉眼检查是否框住了车牌。如果框偏了，优先调整闭运算核的宽度，而不是去调 HSV 阈值。HSV 阈值只要不离谱，对定位结果的影响远小于形态学处理。
3.2 字符分割：灰度化、大津阈值与垂直投影切分
拿到车牌 ROI 之后，下一步是把“一整块车牌”拆成“单个字符”。常规做法是灰度化后用大津法自动阈值做二值化，再用垂直投影找到字符的左右边界。投影法的思想很直观：统计每一列白色像素的数量，字符所在列数值高，字符间隙列数值接近零，连续的非零段就是一个字符的边界。
def split_chars(roi_bgr): """把车牌 ROI 变成单个字符图像列表""" gray = cv2.cvtColor(roi_bgr, cv2.COLOR_BGR2GRAY) # 大津法自动求阈值，适合整体偏亮或偏暗的输入 _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 去掉边缘：车牌外框会让投影连成一片，先裁掉四周几像素 h, w = binary.shape binary = binary[3:h-3, 3:w-3] # 垂直投影：统计每列白色像素个数 col_sum = np.sum(binary == 255, axis=0) # 找连续非零段，每一段视为一个字符 segments = [] in_char = False for i, v in enumerate(col_sum): if v > 0 and not in_char: start = i in_char = True elif v == 0 and in_char: end = i in_char = False # 过滤宽度过小的噪点列 if end - start > 3: segments.append((start, end)) # 按边界从原二值图上切出字符，左右各扩 1 像素防止切掉字边 chars = [] for start, end in segments: s = max(0, start - 1) e = min(binary.shape[1], end + 1) chars.append(binary[:, s:e]) return chars逻辑说明与参数说明：大津法假设图像前景背景像素分布呈双峰，自动选取阈值把两类分开，不需要人工指定具体数值。边缘裁剪 3 像素是因为车牌外框在投影图上会形成很宽的连续段，导致第一个字符和边框粘在一起，这是投影法最常见的失效原因。连续段宽度下限 3 像素是为了过滤噪声点，但你注意不要设太大，否则汉字“京”中间如果有较大空白会被拦腰截断。
投影法有一个已知边界问题：如果车牌上有铆钉或者污渍，会在字符之间产生一个“伪字符段”。解决方法是切完后按相邻字符宽度一致性过滤——正常车牌字符宽度相差不大，突然出现一个特别窄的段，大概率是噪声，直接删掉。我一般在切完后统计所有字符宽度的中位数，把小于中位数一半的段剔除。
3.3 字符识别：模板匹配兜底，轻量 CNN 提高分数
字符识别有两个档次的方案。第一档是模板匹配，代码量最小，适合先跑通；第二档是轻量 CNN，识别率更高，适合冲高分。我建议两个都写在代码里，用一个开关切换，报告里也能体现你的工作量。
模板匹配的做法是准备一套标准车牌字符模板，把分割出的字符缩放到与模板相同尺寸，用归一化相关系数计算相似度，取最高分对应的字符作为结果。
def match_templates(char_img, templates): """templates: dict，键为字符，值为标准模板图""" char_resized = cv2.resize(char_img, (20, 40)) best_char, best_score = None, -1 for ch, tmp in templates.items(): tmp = cv2.resize(tmp, (20, 40)) # TM_CCOEFF_NORMED 对光照变化不敏感，适合字符灰度图比对 score = cv2.matchTemplate(char_resized, tmp, cv2.TM_CCOEFF_NORMED)[0][0] if score > best_score: best_score, best_char = score, ch return best_char, best_score逻辑说明与参数说明：统一缩放到 20×40 是为了消除车牌图片距离远近带来的字符大小差异，这个尺寸也是传统字符识别里常用的归一化尺寸。TM_CCOEFF_NORMED会把模板和输入都减去各自均值再做相关计算，所以对整体亮度变化不敏感。模板库里汉字模板至少准备相近字体的 3 套，因为汉字笔画复杂，同样是“京”字，黑体、宋体差异带来的匹配分数下降很明显。
第二档轻量 CNN 的做法是在同样 20×40 的输入上训练一个简单卷积网络。结构不需要深，因为字符类别之间差异足够大，网络太深反而在小数据集上过拟合。
# 轻量 CNN 骨架：输入 20x40 灰度图，输出 65 类（数字+字母+汉字） from tensorflow.keras import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense def build_cnn(num_classes=65): model = Sequential([ Conv2D(16, 3, activation='relu', input_shape=(40, 20, 1)), MaxPooling2D(2), Conv2D(32, 3, activation='relu'), MaxPooling2D(2), Flatten(), Dense(128, activation='relu'), Dense(num_classes, activation='softmax') ]) return model这个网络两个卷积层加两个池化层，参数量很小，CPU 上训练几分钟就能收敛。注意input_shape是 (40, 20, 1)，对应高度 40、宽度 20、单通道灰度图。训练前要把字符图像统一cv2.resize到这个尺寸，并且做归一化到 0~1 区间，而不是直接喂 0~255 像素值。教师机如果没有 TensorFlow，可以退回模板匹配方案，及格没问题。
4. 识别率从“偶尔对”到“稳定对”的关键参数：矫正角度、二值化与字符过滤
4.1 倾斜矫正：minAreaRect 的角度为什么要加 90 度
车牌在照片里很少是绝对水平的，稍微歪一点，投影分割就会出错。字符上下边缘错位，垂直投影会把两个字符的投影区域重叠在一起。所以定位之后先做倾斜矫正，我用的是最小外接矩形取角度的方式。
# 在定位阶段拿到轮廓 cnt 后，用 minAreaRect 替代 boundingRect rect = cv2.minAreaRect(cnt) center = rect[0] angle = rect[2] # minAreaRect 返回的角度范围是 [-90, 0) # 车牌横向放置时角度接近 -90 或 0，需要统一处理 if angle < -45: angle += 90 # 以中心点旋转，保持原图大小不变，空白处填黑色 M = cv2.getRotationMatrix2D(center, angle, 1.0) rotated = cv2.warpAffine(img_bgr, M, (img_w, img_h))逻辑说明与参数说明：minAreaRect返回的角度语义是“矩形长边与水平轴的夹角”，范围在 -90 到 0 之间。当车牌竖着倾倒超过 45 度时，返回的角度会跳到接近 -90，直接拿去旋转会把车牌转成竖直方向。加 90 度是把长边方向归一到水平。旋转后你可能发现车牌区域跑到图像边缘，因为旋转会改变图像的边界范围，解决方法是旋转前把车牌 ROI 先裁出来，只对这个小区域操作，转完再按字符数量判断方向是否需要再转 180 度。
倾斜矫正的效果判断很简单：矫正后的车牌，字符下边缘应该在同一条水平线上。如果字符上下错位超过 2 像素，投影分割基本必出问题。这一步值得多花时间调，因为后面分割、识别的错误大多从这里蔓延出去。
4.2 二值化的顺序和字符过滤规则：先均衡再二值化，按宽高比过滤字符
预处理顺序是一个容易被忽略但影响极大的细节。常见做法是先灰度化，然后直方图均衡化，最后才做阈值二值化。如果你先二值化再做均衡化，灰度信息已经丢了，均衡化只能改变黑白像素的比例，没办法提升对比度。
gray = cv2.cvtColor(roi_bgr, cv2.COLOR_BGR2GRAY) # 直方图均衡化：拉伸灰度分布，让字符和背景的对比度更清晰 gray = cv2.equalizeHist(gray) # 再用大津法二值化 _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)这么做对夜间图片尤其重要。夜间车牌的照明不均匀，一边亮一边暗，直接大津法会把暗处的字符和背景一起归为黑色。均衡化先拉伸暗部灰度，再二值化就能把字符从暗背景里分出来。
分割之后的字符过滤同样关键。很多误识别来自“切出来的不是字符，而是边框碎片或铆钉”。我在切完字符后用一个函数做统一过滤：
def is_valid_char(block, bbox, img_area): """判断切出来的块是否像字符，bbox 为 (x, y, w, h)""" x, y, w, h = bbox if h == 0: return False ratio = w / h # 车牌字符宽高比多数在 0.3~0.9 之间 if not (0.3 <= ratio <= 0.9): return False # 白点面积占比：字符笔划不会太少也不会糊成整块 white_ratio = np.sum(block == 255) / (w * h) if white_ratio < 0.05 or white_ratio > 0.95: return False return True逻辑说明与参数说明：宽高比下限 0.3 排除横向的边框条，上限 0.9 排除误切的汉字碎片。白点面积占比用于区分“字符”和“噪声”：真正的字符笔划面积通常占 10% 到 60%，如果超过 95% 说明这一块是纯白背景或过度膨胀，小于 5% 说明是孤立噪点。过滤后如果字符数量不等于 7（蓝牌标准 7 位），可以做一次补救：检查相邻字符间距，若某两段间距明显大于正常值，说明中间漏切了一个字符，把阈值放低重新分割。
5. 车牌识别课设避坑实录：环境、颜色空间与断笔汉字的五个翻车点
5.1 OpenCV 版本不一致导致 findContours 解包直接崩溃
现象：从网上下载的代码第一次运行就报not enough values to unpack (expected 3, got 2)。 原因：OpenCV 4.0 之前findContours返回三个值，4.0 之后改为返回两个值，很多旧教程代码没同步更新。 解决：把image, contours, hierarchy = cv2.findContours(...)改成contours, hierarchy = cv2.findContours(...)。如果暂时不想改代码，就固定安装opencv-python==3.4.2.17，但后续新代码兼容性会受限。我的建议是统一用 OpenCV 4.x 的写法，代码里所有findContours都要改成两个返回值。
5.2 HSV 阈值写死，白天识别正常，新能源绿牌全灭
现象：蓝牌识别率很高，遇到绿牌新能源车直接定位失败，或者把车身绿色部分误判为候选区域。 原因：HSV 里蓝色和绿色是两个不同区间，只写了一段蓝色掩膜当然找不出绿牌。新能源车牌的绿色和车身绿色在 H 通道上可能重叠，单纯调阈值无法分离。 解决：定位函数里根据色相区间生成多段掩膜，蓝牌 H 100~124，绿牌 H 35~77，黄牌 H 15~34，分别处理再合并。对于车身的绿色干扰，靠形态学闭运算和宽高比过滤来排除，因为车身绿色区域通常是长条或大片，不符合车牌的比例约束。写成多分支掩膜后，定位逻辑从“只找蓝牌”变成“按颜色找车牌”。
5.3 “京”字被识别成乱码或“示”，汉字成为整套系统最弱的一环
现象：数字和字母识别率都在 90% 以上，唯独第一个汉字频繁出错，甚至被识别成完全不相关的字符。 原因：汉字笔画多，在 20×40 的归一化尺寸下细节容易丢失；模板库里汉字样本太少，一个字体只有一个模板，遇到笔画断裂就匹配不上；投影分割时汉字笔画容易粘连断裂，切出来的图本身就残缺。 解决：三管齐下。第一，分割前对二值图做一次cv2.dilate，用 3×3 核膨胀一次，把断裂的笔画连起来。第二，模板库里每个汉字准备至少 3 到 5 个字体变体，覆盖黑体、宋体、圆体和模糊后的效果。第三，如果用了 CNN，单独为汉字类别增加训练样本，一个汉字至少 50 张经过旋转、缩放、加噪声的增强图。
5.4 夜间车牌二值化后字符全部发白，分割出来一片黑块
现象：夜间图片定位没问题，但二值化后字符和底色糊成一片，分割出来不是字符而是黑色团块。 原因：夜间环境光照不均匀，车牌区域一半被车灯照亮一半在阴影里。大津法求出的全局阈值只对亮部有效，暗部的字符被误判为背景。 解决：二值化前先做直方图均衡化，把暗部灰度拉伸；如果仍然不行，改用cv2.adaptiveThreshold自适应阈值，它的核大小设为车牌宽度的三分之一左右，对光照渐变有更好的适应能力。注意自适应阈值后要对图像做中值滤波去噪，否则分割时会产生大量细小伪边界。这是整个流程里最需要反复试的一组参数。
5.5 一张 4000×3000 的照片让定位卡顿数秒，演示现场电脑风扇狂转
现象：用手机照片测试时程序运行特别慢，定位一步就卡了几秒。 原因：输入图片太大，HSV 转换和形态学运算的耗时和像素数成正比。课程设计的演示图片往往直接用手机拍摄，动辄 4000 像素宽。 解决：读图后先判断宽度超过 800 就缩放到 800 再进入定位流程。缩放会损失细节，但车牌在整图中的比例不变，定位结果基本不受影响。定位得到坐标后乘以缩放比例映射回原图坐标，再在原图上按放大后的坐标裁车牌，这样字符分割阶段仍保留高分辨率细节。这个技巧特别实用，既保证了速度又不损失分割精度。
6. 交作业前的最后一步：保存中间结果并给每个字符一个置信度
课设答辩最尴尬的瞬间是老师问“这张图为什么识别错了”，而你只能对着终端里的一行字符串说“可能参数没调好”。我的解决办法是在主流程里加一个调试输出开关，把每一步的中间结果保存成图片。定位框画在原图上、掩膜图、二值化图、分割后的每个字符图，全部输出到output/目录。这样老师问任何一个环节，你都能打开对应图片讲清楚发生了什么。
同时给识别结果加一个置信度输出。模板匹配的分数或 CNN 的 softmax 概率都可以作为置信度，低于阈值就输出“?”而不是硬给一个错误答案。这个细节在答辩时特别加分，说明你理解“模型可能出错”这件事。
# 假设 chars 是分割出的字符图像列表，model 是分类器 scores = [] results = [] for ch_img in chars: prob = predict_prob(model, ch_img) # 返回各类别概率向量 idx = int(np.argmax(prob)) score = float(prob[idx]) if score > 0.6: results.append(CHARS[idx]) else: results.append('?') # 低置信度不硬猜 scores.append(score) plate = ''.join(results) print(f'识别结果: {plate}') print(f'逐字置信度: {[round(s, 2) for s in scores]}')这段代码的价值不只是好看。它让你在调参时知道是哪一步出了问题：如果某个字符置信度长期偏低但人工能看出是什么，说明分割切歪了或模板缺失；如果所有字符置信度都低，说明预处理和矫正环节有问题。置信度是你判断“该调哪一步”的仪表盘。
我写这类课设时吃过最大的亏，是把所有调参过程都留在脑子里，改完参数不记录，换一张测试图效果不对又不知道改了什么。后来我养成一个习惯：每个版本跑完自动把参数值和识别率存成一行日志。这个习惯让我从“玄学调参”变成“对照实验”，识别率从五成提到八成就是靠一次次记录和对比堆出来的。希望帮到你。
本文还有配套的精品资源，点击获取
