毕业设计实战：基于OpenCV的车牌识别系统从零实现与避坑指南-开发者社区

毕业设计实战：基于OpenCV的车牌识别系统从零实现与避坑指南

一、先吐槽：那些年我们一起踩过的坑

做车牌识别毕设，导师一句“用 OpenCV 就行”，听起来轻飘飘，真上手才发现：

手机拍的照片光线一暗，二值化后车牌直接“隐身”。
路边违停车辆角度刁钻，边缘检测框出一堆“鬼影”。
字符分割阶段，数字“1”和汉字“川”常被拦腰斩断，模板匹配秒变“连连看”。
实验室 8G 内存的笔记本，一跑循环就风扇起飞，GPU 却没有，深度学习只能干瞪眼。

如果你也卡在以上任意一步，下面的踩坑笔记或许能救你一次。

二、技术选型：为什么坚持“纯 OpenCV”路线

很多同学一上来就想上 YOLO、CRNN，结果显存不足、环境配三天、答辩前夜还在调参。毕业设计不是发顶会，“能跑起来 + 讲清楚”才是硬指标。OpenCV 的优势一句话总结：

纯 CPU 可跑，实验室老机器也能秒级响应。
接口成熟，C++/Python 资料一搜一大把，老师看你代码不头疼。
算法链路透明，调阈值、改 kernel 大小，答辩时能说清楚“为什么”而不是“玄学调参”。

当然，深度模型精度高，但把传统方法先吃透，再升级网络也更有底气。

三、整体流程速览

先给一张脑图，后面分步拆解：

图像采集：手机/电脑摄像头均可，保存为 JPG/PNG。
车牌定位：高斯模糊 → Sobel 边缘 → 阈值 → 形态学闭运算 → 轮廓筛选。
字符分割：透视变换矫正 → 垂直投影 → 连通域过滤 → 统一 32×40 尺寸。
OCR 识别：自制模板 or Tesseract，投票后处理。
结果输出：图片画框 + JSON 存档，方便后续写论文插图。

四、核心实现：代码逐段讲

以下代码全部在 Python3.9 + OpenCV4.7 下调通，每行都有注释，复制即可运行。项目结构建议：

plate_recognition/ ├─ main.py ├─ utils/ │ ├─ locate.py │ ├─ segment.py │ └─ ocr.py └─ template/ ├─ 0.png .. 9.png ├─ A.png .. Z.png └─ zh_png/

1. 图像预处理与车牌定位（utils/locate.py）

import cv2 import numpy as np def preprocess(image): """转灰度 + 高斯去噪，保留边缘""" gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0) return blur def sobel_edge(gray): """Sobel 求梯度，突出车牌边缘""" sobelx = cv2.Sobel(gray, cv2.CV_16S, 1, 0) absX = cv2.convertScaleAbs(sobelx) return absX def morph_close(gradient): """闭运算把车牌区域糊成块""" kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed = cv2.morphologyEx(gradient, cv2.MORPH_CLOSE, kernel) return closed def find_plates(closed, img): """轮廓筛选：面积 + 宽高比""" cnts, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) plates = [] for c in cnts: x, y, w, h = cv2.boundingRect(c) aspect = w / float(h) if 2.5 < aspect < 5.5 and 2000 < cv2.contourArea(c) < 30000: plates.append((x, y, w, h)) return plates

调用示例：

if __name__ == "__main__": img = cv2.imread("test.jpg") gray = preprocess(img) edge = sobel_edge(gray) closed = morph_close(edge) plates = find_plates(closed, img) for (x, y, w, h) in plates: cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2) cv2.imwrite("detect.jpg", img)

2. 透视矫正 + 字符分割（utils/segment.py）

def correct_tilt(roi): """简易四点透视，把车牌拉正""" gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) coords = np.column_stack(np.where(binary > 0)) angle = cv2.minAreaRect(coords)[-1] if angle < -45: angle += 90 (h, w) = roi.shape[:2] M = cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) rotated = cv2.warpAffine(roi, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE) return rotated def split_chars(rot): """垂直投影法分割字符""" gray = cv2.cvtColor(rot, cv2.COLOR_BGR2GRAY) _, th = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) h_proj = np.sum(th, axis=0) in_char = False start = 0 chars = [] for i, val in enumerate(h_proj): if val > 50 and not in_char: start = i in_char = True elif val < 50 and in_char: if i - start > 10: # 过滤小碎片 chars.append(th[:, start:i]) in_char = False return chars

3. OCR 识别（utils/ocr.py）

模板匹配思路：把 0-9、A-Z、各省简称做成 32×40 模板，归一化相关匹配取最高分。

templates = {} for ch in "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ": templates[ch] = cv2.imread(f"template/{ch}.png", 0) def template_match(char_img): scores = {} for ch, tpl in templates.items(): res = cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ = cv2.minMaxScalar(res) scores[ch] = max_val return max(scores, key=scores.get)

若不想做模板，可直接调 Tesseract，记得白底黑字：

import pytesseract def tess_ocr(char_img): char_img = cv2.resize(char_img, (32, 40)) txt = pytesseract.image_to_string(char_img, config="--psm 10 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ") return txt.strip()