毕业设计实战：基于OpenCV的车牌识别系统从原型到部署

毕业设计实战：基于OpenCV的车牌识别系统从原型到部署

1. 背景痛点：为什么“跑不通”的总是我

做车牌识别最容易踩的坑，90% 集中在以下三点：

• 光照敏感：手机随手拍一张，正午逆光、地库昏黄、夜间强闪光，灰度图一出来全是噪点，边缘检测直接“失踪”。
• 角度多样：毕业答辩现场老师随手举图，侧拍 30°、俯视 15°，车牌菱形变形，字符“挤”在一起，投影法直接裂开。
• 字符粘连：蓝牌白字在低分辨率下边界模糊，二值化后“8”和“B”粘成一块，Tesseract 只能认出一个“日”。

把以上问题全丢给深度学习当然能缓解，但 GPU 机房排队 3 天、显存 8 G 起步，对“两周交稿”的毕设节奏并不友好。于是我把目标拆成一句话：“用笔记本 CPU 也能跑，且 80% 场景一次通过。”

2. 技术选型：为什么不是 YOLOv8

在毕设场景里，“能跑”>“SOTA”。我对比过三条路线：

结论很现实：后两种在笔记本都能实时，但 OpenCV 版依赖最少，答辩电脑没网也能 pip install -r requirements.txt 一次过，于是敲定“传统图像 + 轻量 OCR”路线。

3. 核心实现：四步流水线

整个工程只保留 4 个模块，每个模块单独跑通，再串起来，方便老师提问时随时注释掉任一段演示。

3.1 车牌粗定位：边缘 + 形态学

思路：车牌矩形长宽比固定≈3:1，用“闭运算”粘成连通块后直接找外接矩形。

• 高斯模糊 5×5 去噪
• Sobel 横向梯度 → 二值化（Otsu）
• 水平方向闭运算 (30×1)，把断续边缘粘成“一条”
• 找外轮廓，按长宽比、面积双重过滤

代码节选（带注释）：

def locate_plate_roi(img): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0) sobel = cv2.Sobel(blur, cv2.CV_16S, 1, 0) # 横向梯度 sobel = cv2.convertScaleAbs(sobel) _, binary = cv2.threshold(sobel, 0, 255, cv2.THRESH_OTSU) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 1)) morph = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) contours, _ = cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) if 2.5 < w/h < 4 and w*h > 1000: # 长宽比+面积双重门限 return gray[y:y+h, x:x+w] return None

3.2 倾斜校正：霍夫变换 + 透视变换

拍歪 15° 以内，Tesseract 还能忍；超过 20° 字符高度被压扁，识别率跳水。用“霍夫直线”求平均角度，再透视拉正：

1. 二值化后 Canny 边缘
2. 霍夫直线检测，累加器阈值 120
3. 对所有直线角度做直方图，取峰值 ±5°
4. 计算旋转矩阵，双线性插值旋转
5. 如果透视变形严重，再找 4 个角点做透视变换（代码里留好开关，默认关闭，节省耗时）

3.3 字符分割：垂直投影 + 动态门限

旋转后的车牌上下留白多，先上下裁边（按行像素和 < 10% 均值切），再做垂直投影：

• 对每列统计白像素数，得到一维数组
• 找波谷，波谷宽度 > 2 px 且深度 < 30% 峰值视为切分点
• 对切分过窄的块，若相邻两块宽度均 < 20 px，则合并（解决“8”被劈成上下两个圈”）

经验：二值化前加 1 px 边框，可防止最左最右字符贴边导致投影谷值消失。

3.4 字符识别：Tesseract 白名单 + 单字裁剪

Tesseract 在 Linux/Win 下的版本差异大，统一做法：

1. 训练数据只保留eng+osd，省体积
2. 设置白名单0123456789ABCDEFGHJKLMNPQRSTUVXYZ（不含 I、O 易混淆）
3. 每个字符图缩放到 48×24，白边 4 px，再喂给 Tesseract，识别模式选--psm 10（单字符）

单字符循环识别，最后拼成字符串，与车牌颜色规则（蓝牌首位汉字、新能源固定格式）做后校验，可再干掉 5% 误识。

4. 完整可读代码：Clean Code 示范

项目结构：

plate_recognition/ ├── main.py ├── plate_locate.py ├── perspective_correct.py ├── char_split.py ├── ocr_recognize.py └── requirements.txt

main.py 主循环 60 行，核心函数全部 <= 20 行，方便老师一眼看懂。所有路径用pathlib.Path，中文目录自动兼容；opencv-python headless 版减少打包体积。文末 GitHub 链接已放完整源码，这里只贴主循环：

from pathlib import Path import cv2 from plate_locate import locate_plate_roi from perspective_correct import correct_tilt from char_split import split_chars from ocr_recognize import recognize_str img_dir = Path("images") for img_path in img_dir.glob("*.*"): img = cv2.imread(str(img_path)) roi = locate_plate_roi(img) if roi is None: print(f"{img_path.name}: plate not found") continue roi = correct_tilt(roi) char_list = split_chars(roi) plate_str = recognize_str(char_list) print(f"{img_path.name} -> {plate_str}")

5. 性能与鲁棒性：在 4 年老笔记本上跑分

测试集：自己拍 320 张，含晴天、地库、夜间、雨天 4 类场景，角度从 −30° 到 +30°。

内存占用：Python 单进程峰值 380 M；冷启动（含 Tesseract 加载）1.2 s，后续单图保持 120 ms 左右。对毕设“点按钮拍照识别”场景足够。

6. 生产环境避坑 10 条

1. 路径硬编码：Windows 打包后cv2.imread("images\test.jpg")会转义，全部改用Path()。
2. 中文路径：Tesseract 在 C++ 层默认 ANSI，Python 端用subprocess.run时加encoding="utf-8"。
3. OpenCV 版本差异：cv2.findContours3.4 返回 2 值，4.x 返回 3 值，统一拆包_占位。
4. 形态学核大小：1366×768 摄像头与 4K 图，核要按宽度比例缩放，否则闭运算过度。
5. 头文件缺失：pip 安装opencv-python-headless可减 40 M，但服务器无 GUI，调试时本地换opencv-python。
6. Tesseract 训练数据：GitHub 下载eng.traineddata放tessdata，防止客户机缺失。
7. 拍照分辨率：>1080p 时先缩 < 1200 px 宽，再处理，能降 30% 耗时。
8. 日志中文：日志输出print在 Win 控制台缺编码会卡，统一logging模块 + UTF-8。
9. 打包 exe：PyInstaller 加--add-data="tessdata;tessdata"，否则运行时报找不到 traineddata。
10. 评估脚本：写evaluate.py批量跑图，输出 Excel，老师最爱看“准确率/召回率”曲线。

7. 后续可玩：替换 OCR 与视频流

整套代码把“字符识别”封装成recognize_str(char_imgs)，只要返回同格式字符串，就能无缝替换。你可以：

• 把 Tesseract 换成 PaddleOCR 的PaddlePPOCRv3，CPU 端提速 30%，中文车牌多一行汉字也能认。
• 加视频流：cv2.VideoCapture(0)逐帧跑，配合threading把定位与识别放后台，前台实时画框。
• 用 PyQt 做图形界面，打包成单文件 EXE，老师插 U 盘就能演示。

毕业设计不是论文堆砌，而是“能跑、能讲、能改进”。希望这篇流水账能帮你把“车牌识别”从“跑不通”变成“跑得欢”。如果顺利过答辩，别忘了把代码再整理一遍开源，让下一届少掉两根头发。祝验收一次通过！