传统图像处理也能做车牌识别：OpenCV定位、分割、匹配全流程拆解-平芜编程栈

简介：基于Python与OpenCV的车牌自动识别实战资源，面向图像处理初学者及智能交通、停车场管理等应用开发者，提供可直接运行的源码与配套素材。项目完整覆盖图像灰度化、二值化、滤波去噪、边缘检测、轮廓查找、形态学定位、字符垂直投影分割及模板匹配识别等关键步骤，能帮助读者从零搭建一套车牌识别流程。压缩包共2000个文件，核心是1个.py主程序，另含1999张jpg图片，既有多角度车辆样本，也有各地车牌的字符匹配模板，整体仅12.37MB，轻量易部署。已有3106人学习下载，适合作为课程设计、毕业设计或技术预研参考。通过该资源可掌握OpenCV在图像预处理、区域提取与字符识别中的典型用法，并可直接替换数据验证效果。

1. 车牌识别不是玄学：一个纯 OpenCV 也能跑通的小项目

“车牌识别”三个字一出，很多人的第一反应是得上深度学习、得调参、得有 GPU 才能做。但这份基于 Python + OpenCV 的车牌自动识别项目走的是完全相反的路线：不依赖任何神经网络，只靠传统图像处理，把“定位车牌、分割字符、匹配模板”三步走完，配套的源码、车辆图片数据集、字符匹配模板全都齐了。在一台没有独立显卡的笔记本上就能跑出完整的识别结果。适合两类人：一类是刚学完 OpenCV 基础、想看看图像处理怎么拼成完整应用的开发者；另一类是需要在本地快速搭一个车牌识别 Demo、再往里加自己业务的工程实践者。我拆完这套代码后的感受是：它不算惊艳，但作为“从零到一”的落地范本，链路极完整，改起来也顺手。

2. 架构设计与技术选型：传统图像处理为什么还有生命力

2.1 技术栈选择：OpenCV + NumPy，不上模型也能识别

整套项目以 OpenCV 为图像处理核心，辅以 NumPy 做数组计算，识别阶段用的是模板匹配而不是机器学习模型。这个选型决定了项目的几个底子：

依赖极轻：核心运行环境只需要 opencv-python、numpy 两个库，连深度学习框架都不装。
可解释性强：车牌是怎么被找出来的、字符是怎么被切开的，每一个中间结果都能以图片形式输出，调试时肉眼可见。
速度够快：单张图片从读入到输出结果，在普通 CPU 上通常是毫秒级，比动不动扛一个几百兆模型的做法轻量得多。

这个选择也意味着它天然有边界：模板匹配对字体变形、光照变化、车牌倾斜都比较敏感。如果目标是“识别精度无脑拉到 99%”，那得上 YOLO 一类的检测模型；如果目标是“先有一套能跑的识别流程，并且每一步都能看懂、能改”，传统图像处理反而更合适。

2.2 核心模块划分：定位、分割、匹配三个文件各管一段

项目源码的模块划分非常清楚，主目录下几个 Python 文件各司其职：

plate_recognition/ ├── main.py # 程序入口：组装整条识别流水线 ├── plate_locator.py # 车牌定位模块：颜色阈值 + 形态学处理 ├── char_segmenter.py # 字符分割模块：二值化 + 垂直投影 ├── char_matcher.py # 字符识别模块：模板匹配 + 置信度输出 ├── utils.py # 公共工具：图像缩放、中间结果可视化 ├── data/ │ ├── car_images/ # 测试车辆图片，含车牌 │ └── labels/ # 部分图片对应的真实车牌标注 ├── templates/ │ ├── chars/ # 字符模板：数字、字母、省份简称汉字 │ └── plate/ # 完整车牌模板（可选对比用） └── output/ # 识别结果与中间过程图输出目录

从文件命名就能看出设计思路：识别不是一个黑匣子，而是三段式流水线。每段都有独立的输入输出，改其中一段不影响另外两段。比如你觉得定位不准，只需要动plate_locator.py，分割和匹配的代码一行都不用碰。这种解耦方式是我比较认可的地方，也是后续做二次开发最容易上手的原因。

2.3 识别主流程：从一张车辆图到车牌字符串的四步链路

入口main.py里，主流程按顺序执行四个阶段：

图像读取与去噪：cv2.imread读图，转 HSV 色彩空间，为颜色筛选做准备；必要时用高斯模糊降低噪点。
车牌定位：按蓝色（或黄色）车牌的颜色范围生成二值掩膜，用形态学闭运算把断裂区域连接起来，再用轮廓检测圈出候选车牌区域。
字符分割：把定位到的车牌区域转灰度、做二值化，通过垂直投影找到每一列的像素分布，据此切出单个字符。
字符识别：将每个字符缩放到固定尺寸，依次与模板库里的字符模板做归一化相关匹配，得分最高的模板对应字符就是识别结果。

这段流程里，最值得学习的地方在于“把大问题拆成三个小问题”：它没有尝试一步到位直接用模板匹配全图找车牌，而是先靠颜色和轮廓缩小范围，再靠投影规则做分割，最后才进入匹配环节。每一步都控制变量，出问题时能快速定位到具体模块。我之前见过不少新手一上来就想用一个大模型解决所有问题，反而在调试时无从下手。

3. 核心代码拆解：定位、分割、匹配的完整链路

3.1 车牌定位：HSV 颜色阈值 + 形态学闭运算 + 轮廓筛选

车牌定位是整个识别链路里的第一道关卡，也是最容易翻车的地方。项目里用的是颜色特征来定位：国内蓝牌底色是蓝色，在 HSV 颜色空间里蓝色有一个相对稳定的区间，先用cv2.inRange把符合颜色范围的像素抠出来，再做形态学处理，最后用轮廓外接矩形筛选出车牌。

import cv2 import numpy as np def locate_plate(img): # 统一转到 HSV 颜色空间，方便按颜色做阈值筛选 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌阈值范围：H 100~124，S 90~255，V 90~255 lower_blue = np.array([100, 90, 90]) upper_blue = np.array([124, 255, 255]) mask = cv2.inRange(hsv, lower_blue, upper_blue) # 闭运算：先膨胀后腐蚀，把车牌上断裂的字符区域连成整块 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 7)) closed = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 提取外轮廓，并用面积和宽高比过滤掉干扰区域 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) # 面积太小直接跳过；正常车牌宽高比在 2 到 4 之间 if w * h < 3000 or w < 2 * h: continue return img[y:y + h, x:x + w] return None

这段代码有几点值得展开：

HSV 比 RGB 更适合做颜色筛选，因为 RGB 下蓝色受光照影响很大，同一块蓝牌在阳光和阴影里可能是完全不同的 RGB 值；而 HSV 把色调 H 单独拆出来，只要色相在蓝色区间内，S 和 V 在一定范围内变化都能命中。
闭运算的核大小(17, 7)是我试出来的经验值。车牌字符之间有空隙，如果不做闭运算，轮廓检测会把每个字符当成独立对象；核太小连不起来，核太大会把周围环境也并进来。这个值不是固定的，图片分辨率变高时要按比例放大。
w < 2 * h这个条件是为了过滤那些面积不小、但形状不像车牌的误检区域。正常蓝牌的长度大约是高度的 2~3 倍，如果轮廓细长或者接近正方形，直接放弃。

这里还有一个常见误区：有些人会先转灰度再做边缘检测来找车牌，但边缘检测在复杂背景下会产生大量干扰轮廓，反而更难筛。颜色 + 形态学的方式在车牌底色明显的场景下更稳。

3.2 字符分割：大津二值化 + 垂直投影找切分边界

定位到车牌区域后，下一步是把“一整块车牌”切成“一个个字符”。项目用的方法是垂直投影：把二值化后的车牌图像按列统计白色像素数量，连续有白色像素的区间就是一个候选字符。

def segment_chars(plate): # 车牌区域转灰度，再用大津法自动确定二值化阈值 gray = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) h, w = binary.shape # 统计每一列白色像素个数，构成垂直投影 col_sum = np.sum(binary == 255, axis=0) # 遍历每一列，找到连续非零区间作为字符边界 chars = [] in_char = False start = 0 for i in range(w): if col_sum[i] > 0 and not in_char: start = i in_char = True elif col_sum[i] == 0 and in_char: in_char = False # 太窄的区间大概率是噪声，过滤掉 if i - start > 5: chars.append((start, i)) return chars

这里cv2.threshold用的THRESH_OTSU是自动阈值：它会根据图像的灰度分布算出最合适的二值化阈值，省掉了手动调参的麻烦。不过它也有自己的脾气——如果车牌区域里有大面积阴影或者反光，大津法可能把阈值算偏，导致字符和背景分不清。后面避坑章节会专门讲这种情况。

垂直投影的原理很简单，但有几个细节会影响结果：

车牌边框：如果车牌定位时把边框也圈进来了，边框会形成一条横穿整行的白色带，直接影响列方向的投影。常见做法是先把车牌上下左右各裁掉几个像素，再去掉边框干扰。
铆钉和螺丝：车牌上的固定螺丝在投影图上会形成极窄的白色列，可能被误判成字符。所以代码里用i - start > 5过滤掉宽度太小的区间。
汉字结构特殊：比如一些省份简称汉字是左右结构，内部笔画之间有较大的空白，垂直投影可能把一个字切成两半。遇到这种情况，可以基于“车牌共有 7 个字符，宽度大致均匀”的先验知识，在分割后做一次宽度校正。

3.3 字符识别：归一化模板匹配 + 置信度排序

分割完成后，每个字符都是一张大小不一的小图。识别模块的职责是把它和模板库里的模板逐一比较，找出最像的那个。项目用的是cv2.matchTemplate，匹配方法选的是TM_CCOEFF_NORMED，也就是归一化相关系数，值越接近 1 越像。

def recognize_char(char_img, templates): best_score = -1 best_name = '' # 统一尺寸，避免字符大小差异影响匹配结果 target_size = (40, 80) char_img = cv2.resize(char_img, target_size) for name, tpl in templates.items(): tpl = cv2.resize(tpl, target_size) # 归一化相关性匹配，结果越接近 1 说明越相似 res = cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED) _, score, _, _ = cv2.minMaxLoc(res) if score > best_score: best_score = score best_name = name return best_name, best_score

模板加载部分一般会在程序启动时完成：遍历templates/chars/目录，文件名就是字符本身，比如A.png、7.png、以及代表省份简称的汉字模板。recognize_char每次调用只处理一个字符，主流程里循环调用即可。

这个方案的优点和缺点都写在脸上：

优点是不需要训练，模板库里加一个字符，识别能力就扩展一个字符；模板的收集成本极低，从车牌图片里截图就行。
缺点是模板匹配对“形变”很敏感。同一个字符在不同字体、不同粗细、略有倾斜的情况下，相关系数会明显下降。如果两个模板长得接近（比如O和0、B和8），很容易互相打架。

实际做识别时，我会额外打印每个字符的前三名匹配结果。比如某个字符的 Top1 是B、Top2 是8，且两者分数只差 0.03，那这个位置十有八九需要人工复核。这个“输出 Top3 而不是只输出 Top1”的习惯，在调模板时非常救命。

3.4 main 入口：把三段流水线串起来

main.py的职责比较薄，但它的组织方式值得学习：

if __name__ == '__main__': img = cv2.imread('data/car_images/test_001.jpg') plate = locate_plate(img) if plate is None: print('未定位到车牌') exit(1) # 保存中间结果，方便肉眼检查定位是否准确 cv2.imwrite('output/plate.jpg', plate) char_boxes = segment_chars(plate) for (start, end) in char_boxes: char_img = plate[:, start:end] char, score = recognize_char(char_img, templates) result.append(char) print('识别结果:', ''.join(result))

把中间结果output/plate.jpg落盘这个习惯我很推荐。很多开发者只盯着最终识别结果，定位错了就闷头调参数。把每一步中间结果都存下来，一眼就能看出是定位裁偏了、分割切碎了，还是匹配选错了，调试效率翻倍。

4. 常见问题与排查：跑不起来和识别不准的五个踩坑记录

4.1 读图颜色全乱，字符像是“鬼影”

现象：同一张车牌，用脚本识别出来是乱码，但人工看图片完全正常；中间过程图里字符底色和文字颜色对调了。

原因：OpenCV 的cv2.imread读进来是 BGR 顺序，而某些图像处理步骤用 RGB 顺序处理，或者用matplotlib显示时忘记转换，导致颜色通道错位。更隐蔽的是：如果模板图片用PIL读取（RGB），再和 OpenCV 处理过的字符图（BGR）做匹配，模板和待识别图在通道顺序上不一致，匹配分数会非常低。

解决：全项目统一使用cv2.imread读图，显示中间结果时显式执行cv2.cvtColor(img, cv2.COLOR_BGR2RGB)；模板加载也走 OpenCV，保持通道一致。从那以后我每次跑图像项目都强制检查一遍所有图片的读取入口。

4.2 车牌定位框偏了半个字

现象：定位环节输出的plate.jpg里，车牌左边被切掉一块，或者右边多出一截，导致分割时第一个字符残缺。

原因：最常见的是轮廓筛选条件太宽，把车牌附近的车身部件也并了进来；其次是形态学闭运算的核太大，把车牌和旁边的干扰区域粘连成一个轮廓。

解决：先看轮廓筛选条件w < 2 * h是否太松，尝试加上面积上限；闭运算核从(17, 7)改成(11, 5)再试。不要小看这个调整，核的宽高比直接影响纵向粘连程度，我踩过的坑是核高度设得过大，结果把车牌上下的两道白边全包进来了。

4.3 汉字被切碎，一个字变成三个字

现象：分割结果里，省份简称汉字被拆成好几段，后续匹配全部失败。

原因：垂直投影对左右结构的汉字非常不友好。汉字内部左右部件之间的空隙，在投影图上表现为白色像素骤降甚至为 0，于是被误判成字符边界。

解决：两步补救。第一，基于车牌字符数先验（通常 7 个字符），如果分割出的区间数量远大于 7，说明有字符被切开；第二，按字符的平均宽度做合并，把宽度明显小于均值的相邻区间合并成一个。我一般还会在分割前对二值图做一次膨胀，把汉字内部缝隙填上，能有效减少这种切碎问题。

4.4 模板匹配速度慢，像在“卡死”

现象：跑一张图没问题，连续跑几十张图时明显变慢，每张要几百毫秒。

原因：字符识别是串行遍历全部模板，每个模板都要resize再matchTemplate，模板库越大、图片分辨率越高，耗时越线性增长。

解决：先把所有模板在启动时统一resize到目标尺寸并缓存，避免每识别一个字符就 resize 一次。其次，可以用尺寸过滤缩小候选范围——数字和汉字的大小差异明显，先按字符宽高比粗筛一遍，再对剩余模板做精确匹配。实测把模板预处理缓存后，速度能提升一倍以上。

4.5 换一批照片识别率骤降，全家剩一个准

现象：在项目自带的数据集上识别率挺高，换成自己拍的照片，同一套参数的识别率掉了一大截。

原因：牌照颜色阈值和形态学核大小都是“经验值”，带有一定运气成分。新照片的拍摄角度、光照、分辨率变了，原来的参数就不再适配。

解决：明确一个验收流程——固定 5 张正常照片、5 张弱光照片、5 张远近不同的照片，每次调参后都把这 15 张全跑一遍记录识别率，而不是拿单张调“全对”就收工。调参的核心变量就两个：HSV 阈值范围和形态学核大小，其他参数尽量保持稳定，否则变量太多很难定位问题。

5. 二次开发改造：把模板匹配引擎换成你自己的识别引擎

5.1 替换识别层：保留定位和分割，只动一个模块

这套代码的模块边界设计得比较好，改造时可以明确“只换识别层”。具体做法是：在char_matcher.py里新增一个识别函数，输入仍是分割好的字符图像，输出仍是字符和置信度；然后在main.py中把recognize_char的调用改成新函数。这样定位和分割完全不动，当天就能看到换引擎前后的对比结果。

推荐两条路线。第一，把模板匹配换成“轮廓特征 + 最近邻”：提取每个字符的宽高比、笔画密度、轮廓点数，用距离度量找最近邻模板，鲁棒性比直接模板匹配好一点，代码量也不大。第二，直接换成小型 CNN：把分割结果统一缩放到64x128，用一个两三层卷积的小模型做分类，训练数据从模板生成或从 label 数据里切。这条路线上限高，但需要准备足够的字符样本。