简介：这是一套基于Python开发的车牌识别参考项目源码包，面向图像处理、模式识别领域的开发者与学习者，适用于课程设计、毕业设计、算法验证或实际项目二次开发场景。项目采用PyQt5构建友好交互界面，借助OpenCV完成车牌图像预处理、车牌定位、字符分割与识别等完整环节，在Python 3.6/3.7环境下可直接运行，并兼顾了多个库版本组合的兼容性。压缩包内共2000个文件，包含1987张JPG调试图片，以及7个Python源码文件、3个XML配置、2个Markdown说明文档和1个Qt界面UI文件，包体约25.53MB；其中图片素材对应识别过程的中间产物，能作为算法调优的重要参考。目前已有309人学习下载，结合源码与调试图片，可以快速理解从图像输入到结果输出的完整处理链路，并能通过替换样本图片或调整参数实现个性化二次开发，对智能交通、车辆监控等领域的车牌识别技术研究具有切实帮助。
1. 用 Python 做车牌识别，不是换个库那么简单
车牌识别在智能化停车场、卡口监控、高速收费、园区门禁里早就不是新鲜事了，但真正自己动手做一套，和一个pip install就完事儿的“demo”差距非常大。你搜到一堆“python车牌识别源码”，下载后能跑，可一换场景就识别失败，问题大多出在两个地方：一是把“识别”理解成了单一 OCR 过程，实际车牌照要先被定位出来，再分字符识别；二是根本没搞清阈值、字符分割、置信度这些参数在真实图像里意味着什么。
这个标题里的“参考项目”其实就是一个很好的里手货：它把检测、字符分割、识别串成了一条可运行的流水线。这篇博文就顺着这个思路，从流程选型讲到最小可复现，再从排错参数讲到部署边界。适合刚入手做车牌识别工具的 Python 工程师，也适合想快速试跑一个检测+识别模型的算法同学——源码能跑只是起点，知道每个环节为什么这么写才是收益所在。
2. 车牌识别的流程拆解：先定位、再分割、最后识别
2.1 车牌识别不是 OCR，是一条“检测 + 分类”的流水线
很多入门者会把车牌识别等同于“把图片扔给 OCR 引擎”，实际效果极差。车牌图像里包含车身、场景背景、光照干扰，直接对整图做文字识别时，OCR 模型会去学“车身上经过的字体纹理”，反而忽略了车牌区域的字符结构。一个标准的 Python 车牌识别参考项目，内部至少分三段：
- 车牌定位（Plate Detection）：从整图里找出“哪个区域是车牌”。
- 字符切分（Segmentation）：把车牌区域切成一个一个字符块。
- 字符识别（Recognition）：对每个字符块做分类，得出最终车牌号。
# 伪代码展示流水线结构 def recognize_plate(image_path): img = cv2.imread(image_path) plate_region = locate_plate(img) # 阶段1：检测车牌区域 char_images = segment_chars(plate_region) # 阶段2：字符切分 plate_text = ''.join(recognize_char(c) for c in char_images) # 阶段3：字符识别 return plate_text这个三段式结构决定了下游每一步的容错方式。定位错了，后面识别得再准也没用；切分错了，单个字符识别再强也拼不回来。所以最优选型的思路是：用相对稳的检测方式快速缩小范围，再用分类器做精识别，避免一上来就搞庞大的端到端模型。
2.2 检测阶段两种路线：传统视觉与深度学习的取舍
早期参考项目用颜色或边缘特征，比如把 HSV 空间里蓝色/黄色像素的区域拉出来，找矩形轮廓。这种方案跑得快、不依赖 GPU，但光照变化和车身贴膜会让它频繁失效。现在的开源车牌检测识别模型普遍转向目标检测网络，在测试集上的抗干扰能力更稳定。
| 检测路线 | 典型实现 | 优点 | 缺点 |
|---|---|---|---|
| 传统视觉 | HSV 颜色过滤 + 轮廓最小外接矩形 | CPU 实时、无依赖、入门快 | 光照和遮挡敏感，蓝绿车牌干扰大 |
| 目标检测 | YOLO 系列（yolov5/yolov8） | 泛化强，能摆脱固定颜色限制 | 需要标注数据或预训练权重 |
| 单阶段文本检测 | EAST / DBNet | 适合场景文字，但车牌短文本容易漏检 | 后处理门槛略高 |
参考项目之所以常用 YOLO 检测车牌区域，是因为车牌这个目标类内差异小，训练成本又低。常见做法是直接用预训练权重跑推理，跳过了自己标注的步骤。下面第 3 章就会给一套基于 yolo 做检测、基于 CNN 做识别的最小实现。
3. 本地跑通一套 Python 车牌识别的最小实现
3.1 项目目录与依赖准备
一个完整的参考项目，通常不只一个识别脚本，需要跑通三个环节才能输出结果。建议先准备好虚拟环境，避免依赖冲突：
mkdir plate_recognition && cd plate_recognition python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install opencv-python torch torchvision numpy如果走检测路线，还需要安装ultralytics来加载 YOLO 推理。
pip install ultralytics这两个安装包是整个识别链路最重的依赖项。OpenCV 负责图像预处理与最终的结果绘制，PyTorch 负责字符分类模型的加载与推理。
3.2 用 YOLO 权重定位车牌区域
这里不推荐自己从零训练一个检测模型——车牌目标量级不大，使用现成的开源车牌检测识别模型权重即可。加载权重后的检测代码如下：
from ultralytics import YOLO # 加载检测模型（比如车牌检测专用权重） model = YOLO("plate_detector.pt") results = model.predict("car.jpg", conf=0.5, imgsz=640) for r in results: boxes = r.boxes.xyxy.cpu().numpy() for box in boxes: x1, y1, x2, y2 = box.astype(int) plate_crop = r.orig_img[y1:y2, x1:x2] cv2.imwrite("plate_crop.jpg", plate_crop)conf=0.5是置信度阈值，低于 0.5 的检测框会被丢弃。如果出现漏检，适当降低到 0.4 并观察输出；如果背景干扰严重，就提高阈值。保存裁剪区域后，识别阶段只需要面对一块小图，字符分割的成功率会高很多。
3.3 字符切分与识别：一个可控的分类器任务
拿到车牌裁剪图后，先做灰度化、二值化，再做连通域分析切出字符。锐化可以去噪点，cv2.threshold的THRESH_BINARY比自适应阈值更适合均匀光照下的车牌二值化。
import cv2 import numpy as np def segment_characters(plate_img): # 转灰度并锐化 gray = cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) gray = cv2.bilateralFilter(gray, 11, 17, 17) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) chars = [] for c in contours: x, y, w, h = cv2.boundingRect(c) # 过滤掉过小或过大的轮廓，防止把边框、铆钉当字符 if 0.2 * plate_img.shape[0] < h < 0.9 * plate_img.shape[0]: chars.append((x, y, w, h)) chars.sort(key=lambda item: item[0]) # 按 x 坐标排序，保证字符顺序 return chars这几个参数是经验值。bilateralFilter在保持边缘的情况下磨掉噪点；高度过滤里的0.2和0.9作用是把车牌上下边缘的干扰排除在外。不同省市车牌字符数量和排列规则一致，但新能源车牌的字符更密集，需要手动调整宽度过滤。
识别阶段建议用一个轻量 CNN 模型，输入 128x32 的灰度图，输出类别到 65 类字符。如果只是做参考验证，也可以用 OCR 替代，但泛化效果一般。
4. 参数调优 与 排错：识别率低，先在源码里找四个坑
4.1 二值化参数和场景强相关
参考项目里最常见的一个问题，是同一个二值化阈值套在所有图片上。白天顺光、夜间逆光、地下车库黄光下的车牌灰度直方图差异极大。固定阈值if pixel > 127在过曝图片里会把字符和背景糊在一起，在欠曝图片里又什么都分不出来。
通用做法是改用大津法THRESH_OTSU自动计算阈值，让算法根据当前图像的亮度分布选择最优分割点。如果发现二值化后字符粘连，可以试试cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)，用开运算去掉小的白色噪点；如果字符断线，则换闭运算把断裂笔画连起来。
kernel = np.ones((2, 2), np.uint8) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)这里 kernel 的尺寸值得注意：2x2 适合像素较小的图像，如果车牌裁剪图分辨率高，建议改为 3x3；过大会直接吃掉字符笔画，识别率反而下降。
4.2 字符切分的致命伤：边框和铆钉被当成字符
车牌有白色边框和固定铆钉，这两个东西在连通域分析里极易成为误检目标。常见做法是在contour过滤条件上同时限制宽度比例和填充率，比如过滤掉宽高比 > 0.5 或 < 0.1 的轮廓。边框在二值化后通常是接近整行宽度的连通域，宽高比直接超出合理范围，过滤规则顺手就清掉了。
4.3 检测框置信度调的越高越好？不一定
把conf调到 0.8 以上时，误检变少了，但遮挡车牌、倾斜角度大的样本也更容易漏检。参考项目里推荐相机正向拍、角度小于 30 度时用 0.6-0.7；如果视频监控安装角度偏低，或闸机离车太近产生透视畸变，则降到 0.4。这里的取舍很直接：宁可多裁出一块错误区域让后级过滤，也不要漏框导致整条链路输出为空。
4.4 多卡口场景需要统一分辨率
有些参考项目能同时跑多路视频，但每路摄像头的图像分辨率不同。YOLO 推理时会统一缩放到imgsz=640，但是裁剪后的车牌区域如果分辨率太低，特征会很模糊。高分辨率输入不一定准——车牌这种小目标，过度缩小时信息丢失严重，imgsz=960对远处小车牌提升明显，但推理时间也会成倍上涨。
我的建议是：远程小目标卡口用 960，近距离闸机用 640，再在识别阶段增加一个cv2.resize(plate, (128, 32))的固定缩放，保证分类器输入稳定。验证时看的不只是准确率，还要看漏检数量和误检数量的比例：
python evaluate.py --detect-dir test_images --conf 0.6 --imgsz 640标准测试结果至少包含三个维度：识别准确率、平均处理时长、漏检率。漏检率比准确率更影响实际体验——用户能容忍一次识别错，但不能容忍系统直接没反应。
5. 最后一段：把参考项目改造成可用的批量推理工具
5.1 批处理脚本与结果日志化
跑通单张图片后，把代码包装成能够遍历目录的批量脚本，才能用于实际验证和调参。参考项目里这层封装往往简陋，可以用一个简单的生成器实现：
import os import glob def batch_predict(image_dir): results = [] for img_path in glob.glob(f"{image_dir}/*.jpg"): text = recognize_plate(img_path) results.append({"image": img_path, "plate": text}) print(f"{os.path.basename(img_path)} -> {text}") return results日志输出会帮你快速定位是哪一类图片识别不了：是模糊、倾斜，还是二值化失败。把失败图片单独挑出来看，比对着平均准确率调参高效十倍。
5.2 车牌识别项目最实用的验证技巧
我通常会在测试集中预留一类“无车牌干扰图”（车尾但没有挂车牌），用来考察误检率。如果模型在上边输出了车牌，说明检测器的置信度阈值得上调，因为这种错误一旦用到停车场上，会造成重复扣费或开闸误判。这比单纯提高总体准确率更贴近真实场景。
上传到生产环境前，建议先用多路卡口的录像截帧，抽 50 张做成验证集。不要只挑清晰的样本——刻意混入阴天、逆光、夜晚闪光灯直打的图，再看源码里二值化和置信度参数能不能扛住。扛不住的，优先优化检测阶段的曝光归一化，而不是反复调字符分类器的学习率。
“车牌识别参考项目”本身不复杂，复杂的是把这些代码钉在真实的物理世界上。先把定位、切分、识别三段各自验证过，再把它们连起来做整体回归，这比换一个更厚的模型更实际。
本文还有配套的精品资源，点击获取
