简介：这是一份面向计算机视觉初学者与进阶开发者的Python+OpenCV车牌识别实战资源，聚焦真实场景下的车牌检测与字符识别全流程，并配套图形界面提升交互体验。包内共122个文件，以jpg、png图像样本和18个py脚本为主，辅以md说明文档、dat模型文件、yml配置及Docker相关文件，压缩包约22.71MB，目录涵盖源码、数据、界面脚本与依赖清单，结构清晰便于按模块查阅。已有406人学习下载，适合希望打通图像预处理、车牌定位、字符分割与OCR识别链路的学习者。资源完整呈现从灰度化、边缘检测到Tesseract集成的实现思路，并给出可运行的GUI示例，读者可据此快速复现项目、理解各环节参数调整方法，并借助Docker配置降低环境搭建成本，积累计算机视觉落地经验。
1. 从一张停车场抓拍图说起：Python + OpenCV 车牌识别 GUI 到底解决什么问题
很多做 Python 图像处理项目的人，第一次接触车牌识别，往往是从一张停车场抓拍图开始的：光照不均、车牌倾斜、背景杂乱，直接套模板匹配基本全军覆没。这个标题要解决的核心问题，是把「车牌定位 → 字符分割 → 字符识别」这条链路用 OpenCV 串起来，再套一个 GUI 界面，让非技术同事也能点按钮出结果。
它适合两类人：一类是刚学完 OpenCV 图像处理、想找一个完整项目练手的 Python 入门者；另一类是需要快速做车牌识别 Demo 验证业务可行性的工程师。整条链路不依赖深度学习框架也能跑通，用 OpenCV 的形态学、轮廓、Sobel 边缘就能完成定位，字符识别可以用模板匹配或轻量 OCR。GUI 部分用 Tkinter 就够，不需要额外装 Qt。下面按「图像预处理 → 车牌定位 → 字符分割 → 识别 → GUI 封装」的顺序，把每一步的参数和坑讲清楚。
2. 用 OpenCV 做车牌定位：从灰度化到形态学闭运算的完整参数链
车牌定位是整个项目里最容易翻车的一环。定位不准，后面字符分割和识别全是白费。常见做法是走「灰度 → 高斯模糊 → Sobel 边缘 → 二值化 → 闭运算 → 轮廓筛选」这条链，每一步的参数都直接影响最终框选结果。
2.1 灰度化与高斯模糊的核大小怎么选
先看一段最小可运行代码，把一张车牌图读进来做预处理：
import cv2 import numpy as np # 读取原图，注意路径不要带中文，Windows 下容易读失败 img = cv2.imread("car_plate.jpg") # 转灰度，减少通道数，后续边缘检测只在一个通道上做 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊，核大小必须是奇数，5x5 对 720p 图比较稳 blur = cv2.GaussianBlur(gray, (5, 5), 0) # Sobel 水平方向求导，车牌字符垂直边缘密集，水平梯度响应强 sobel = cv2.Sobel(blur, cv2.CV_16S, 1, 0) # 取绝对值并转回 uint8，否则 imshow 显示全黑 abs_sobel = cv2.convertScaleAbs(sobel) # 自适应二值化，比固定阈值更能扛光照不均 thresh = cv2.adaptiveThreshold(abs_sobel, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, -5)逻辑说明：GaussianBlur的核大小决定平滑程度，核越大噪点越少但边缘越糊，720p 图用 5 或 7 比较合适。Sobel的dx=1, dy=0表示只求水平方向梯度，因为车牌字符是竖直排列的，垂直边缘在水平方向导数上响应最强。adaptiveThreshold的blockSize=17是邻域大小，必须是奇数，C=-5是常数项，负值会让二值化更激进，车牌区域更容易连成块。
提示：如果图片分辨率超过 1080p，先把图缩到宽 800 左右再做后续处理，否则闭运算的核要开得很大，速度会明显变慢。
2.2 形态学闭运算把车牌连成一块
二值化之后车牌区域是一堆碎边缘，需要用闭运算把字符之间的缝隙填上：
# 定义水平方向的长条核，车牌是扁长形状 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) # 闭运算：先膨胀后腐蚀，填补字符间空隙 morph = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 再开一次，去掉背景里孤立的小噪点 morph = cv2.morphologyEx(morph, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)))参数说明：闭运算的核宽度 17 是根据字符间距估的，字符间距一般在 5~15 像素，核宽要略大于间距才能连起来。核高度 5 是为了不把上下相邻的行连在一起。开运算的 3x3 小核专门清孤立噪点，核再大就会把车牌边缘啃掉。
2.3 轮廓筛选：用长宽比和面积锁定车牌
形态学处理完，图上会有很多轮廓，需要按车牌特征筛：
contours, _ = cv2.findContours(morph, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) ratio = w / float(h) area = w * h # 中国蓝牌长宽比约 3.14，绿牌约 3.0，留出容差 if 2.5 < ratio < 4.5 and area > 2000: candidates.append((x, y, w, h)) # 按面积从大到小排，最大的通常是车牌 candidates.sort(key=lambda b: b[2] * b[3], reverse=True)筛选条件里，长宽比 2.5~4.5 覆盖了蓝牌、绿牌、黄牌的大致范围；面积阈值 2000 是经验值，低于这个数的多半是噪点或字符块。如果一张图里有多辆车，candidates会返回多个框，实际项目里可以再按位置（画面下半部分）二次过滤。
| 参数 | 典型值 | 作用 | 调大后果 |
|---|---|---|---|
| 高斯核 | 5x5 | 平滑噪点 | 边缘变糊，定位偏移 |
| Sobel 方向 | dx=1, dy=0 | 提取垂直边缘 | 改 dy 会提取到水平边缘 |
| 闭运算核 | 17x5 | 连接字符 | 核过大把相邻车牌连一起 |
| 长宽比范围 | 2.5~4.5 | 筛车牌形状 | 范围过宽引入误检 |
| 面积阈值 | 2000 | 去小噪点 | 阈值过高漏掉远距离车牌 |
3. 字符分割与识别：把车牌切成 7 个字符再逐个匹配
定位到车牌框之后，下一步是把框里的字符切成单个，再逐个识别。这一步的难点在于车牌可能有倾斜、有铆钉、有边框，直接按等宽切会切歪。
3.1 透视校正与二值化
先对车牌区域做一次透视校正，把倾斜的车牌拉正：
def align_plate(img, box): x, y, w, h = box roi = img[y:y+h, x:x+w] # 放大到固定宽度，方便后续统一处理 roi = cv2.resize(roi, (140, 44)) gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) # 用 Otsu 自动找阈值，比固定阈值稳 _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) return binaryresize到 140x44 是常见做法，这个尺寸下字符宽度大约 15~18 像素，后续分割和模板匹配都好处理。Otsu 阈值适合双峰直方图的图，车牌字符和底色的对比通常满足这个条件。
3.2 垂直投影法切分字符
字符分割用垂直投影最直接：统计每一列的白像素个数，字符之间的空白列投影值接近 0，就是切分点。
def split_chars(binary): # 统计每列白像素数 col_sum = np.sum(binary == 255, axis=0) # 投影值小于阈值的列认为是字符间隙 threshold = binary.shape[0] * 0.05 gaps = col_sum < threshold chars = [] start = None for i, is_gap in enumerate(gaps): if not is_gap and start is None: start = i elif is_gap and start is not None: # 宽度太小的当噪点丢掉 if i - start > 5: chars.append(binary[:, start:i]) start = None return charsthreshold取行高的 5%，意思是这一列白像素少于总高度的 5% 就算间隙。i - start > 5过滤掉宽度小于 5 像素的碎片，这些通常是铆钉或边框残留。切完之后正常应该得到 7 个字符块，如果多或少，说明二值化或投影阈值需要调。
3.3 模板匹配识别字符
字符识别用模板匹配最省事，不需要训练模型：
def match_char(char_img, templates): char_img = cv2.resize(char_img, (20, 40)) best_score, best_label = -1, "?" for label, tpl in templates.items(): tpl = cv2.resize(tpl, (20, 40)) # 用归一化相关系数，对亮度变化不敏感 score = cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED)[0][0] if score > best_score: best_score, best_label = score, label return best_label if best_score > 0.5 else "?"TM_CCOEFF_NORMED返回 -1 到 1 的相关系数，越接近 1 越像。阈值 0.5 是经验值，低于这个值说明模板库里没有匹配的字符，返回问号比返回错误字符更安全。模板库需要自己准备，每个字符（0-9、A-Z、各省简称）各存一张标准图，实际项目里模板质量直接决定识别率。
注意：模板匹配对字体和尺寸敏感，如果训练图和实际抓拍图字体差异大，识别率会掉到 50% 以下。这种情况建议换轻量 OCR，或者用 ONNX 跑一个字符分类模型。
4. 用 Tkinter 封装 GUI：让车牌识别变成点按钮就能用的工具
命令行跑通之后，套一个 GUI 界面才算完整项目。Tkinter 是 Python 自带的，不用额外装包，适合做这种小工具。
4.1 界面布局与控件选择
界面需要三个核心控件：一个按钮选图、一个画布显示结果、一个文本框输出识别结果。
import tkinter as tk from tkinter import filedialog from PIL import Image, ImageTk class PlateGUI: def __init__(self, root): self.root = root self.root.title("车牌识别工具") self.root.geometry("800x600") # 选图按钮 self.btn = tk.Button(root, text="选择图片", command=self.load_image) self.btn.pack(pady=10) # 画布显示原图和结果图 self.canvas = tk.Canvas(root, width=760, height=400, bg="gray") self.canvas.pack() # 结果文本框 self.result = tk.Text(root, height=4, font=("Arial", 14)) self.result.pack(fill="x", padx=10, pady=10) def load_image(self): path = filedialog.askopenfilename( filetypes=[("图片", "*.jpg *.png *.jpeg")]) if not path: return self.show_result(path)filedialog.askopenfilename的filetypes限制可选文件类型，避免用户选到非图片文件导致imread返回 None。Canvas尺寸设成 760x400 是为了留出边距，实际显示时图片要按比例缩放。
4.2 把识别流程接到按钮回调
show_result方法里串起整条识别链路，并把结果画到画布上：
def show_result(self, path): img = cv2.imread(path) if img is None: self.result.insert("end", "图片读取失败\n") return # 调用前面写的定位和识别函数 box = locate_plate(img) if box is None: self.result.insert("end", "未检测到车牌\n") return plate_text = recognize_plate(img, box) # 在原图上画框 x, y, w, h = box cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) # OpenCV 是 BGR，PIL 要 RGB，转换后再显示 img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(img_rgb) pil_img = pil_img.resize((760, 400)) self.tk_img = ImageTk.PhotoImage(pil_img) self.canvas.create_image(0, 0, anchor="nw", image=self.tk_img) self.result.insert("end", f"识别结果：{plate_text}\n")关键点是self.tk_img必须存成实例属性，否则 Python 垃圾回收会把图片对象回收掉，画布上显示空白。这是 Tkinter 显示图片最常见的坑。颜色转换BGR2RGB也不能省，否则显示出来颜色是反的。
4.3 打包成 exe 分发给非技术同事
写完 GUI 之后，用 PyInstaller 打包成单文件 exe：
# 安装打包工具 pip install pyinstaller # 打包，-w 去掉命令行窗口，-F 打成单文件 pyinstaller -F -w plate_gui.py-w参数隐藏控制台窗口，适合 GUI 程序；-F打成单个 exe 文件，方便分发。打包后如果报ModuleNotFoundError: No module named 'cv2'，在命令里加--hidden-import=cv2显式声明。生成的 exe 在dist目录下，第一次运行会慢几秒，因为要解压依赖。
| 打包参数 | 作用 | 适用场景 |
|---|---|---|
| -F | 单文件 | 方便分发 |
| -w | 隐藏控制台 | GUI 程序 |
| --hidden-import | 显式导入模块 | 动态导入的库 |
| --add-data | 打包资源文件 | 模板图、字体 |
5. 识别率上不去的排查顺序与几个实用技巧
车牌识别跑通不难，难的是识别率稳定。按下面的顺序排查，能覆盖大部分问题。
先看定位环节。如果框选位置偏移，优先调闭运算核的宽度，核太窄字符连不起来，核太宽会把相邻区域连进来。再看二值化，adaptiveThreshold的blockSize和C两个参数对结果影响最大，光照均匀的图用 Otsu 更省事，光照不均才用自适应。
再看字符分割。切出来的字符数不是 7 个，通常是投影阈值设得不对。把threshold从行高的 5% 调到 3% 或 8% 试，或者先做一次水平投影去掉上下边框再切。车牌有铆钉的话，铆钉会在投影里形成一个窄峰，宽度过滤能去掉大部分。
最后看识别环节。模板匹配识别率低，先检查模板图是不是和实际车牌同字体。蓝牌用的是特定字体，模板库如果拿其他字体凑，相关系数会普遍偏低。另一个技巧是识别前对字符图做一次直方图均衡化，增强对比度：
# 对单个字符图做直方图均衡，提升匹配稳定性 char_eq = cv2.equalizeHist(char_img)如果项目要求识别率超过 95%，模板匹配基本到不了，这时候常见做法是换 ONNX 跑一个轻量字符分类网络，把分割好的字符图送进模型推理。OpenCV 的dnn模块可以直接加载 ONNX 模型，不需要额外装推理框架，cv2.dnn.readNetFromONNX一行就能加载。这样定位和分割仍然用 OpenCV 传统方法，只有识别环节换成模型，整体改动量不大，识别率能明显上一个台阶。
本文还有配套的精品资源，点击获取
