简介：面向需要快速落地车牌识别方案的开发者和计算机视觉学习者，这份资源覆盖从车牌定位、字符识别到数据库比对的完整流程。基于OpenCV与百度API实现轻量级识别，集成HyperLPR进一步提高准确率，支持本地图片、网络图片地址、实时截图、摄像头拍照识别，同时提供车牌搜索、对比识别、数据库认证、图文检索等功能模块，并对图片自适应窗口显示做了适配。包内共139个文件，以jpg/png/jpeg图像样本、Python脚本、YML配置文件及Markdown说明文档为主，压缩包约73.86MB，目录结构清晰，便于直接对照代码、样例与配置说明运行调试。资源附带多样化车牌图像样本，可用于测试不同光线、角度和复杂背景下的识别效果，从环境准备、模型配置、接口调用到识别模块扩展均有可参考实现，适合课程设计、毕设演示或小型停车场管理等入门到进阶项目。目前已有1608人学习下载。
1. 车牌识别不只是调库：这份 OpenCV Python 工程能直接改成你的业务
拿到这份工程前，我也以为车牌识别就是pip install hyperlpr然后三行代码出结果。真正跑起来才发现，识别的下半场全在工程里：图片、截图、摄像头、网络图片地址七种输入要统一走同一条识别管线，SVM 和 HyperLPR 要按置信度做融合，识别结果还要落进一个能按车牌号检索、比对的数据库逻辑里。这套基于 OpenCV Python 的车牌识别代码，把「单张图出车牌」和「找某个车牌」之间的所有环节都补齐了，适合已经会写 Python 基础语法、想直接上手计算机视觉业务项目的开发者。我把几个关键模块拆开跑了一遍，把环境、参数和坑都记在下面。
2. 环境搭建与工程目录：先把依赖和配置文件理顺
2.1 Python 环境：我为什么建议用虚拟环境而非全局安装
工程依赖 OpenCV、HyperLPR、百度 API SDK 和基础的科学计算库。最常见的翻车现场是全局环境里已有不同版本的 numpy 或 opencv-python，导致 HyperLPR 里的模型加载时报ValueError，或者 cv2 的dnn模块不可用。我习惯按项目隔离环境，Windows 和 Linux 都适用：
python -m venv venv source venv/bin/activate # Windows 下执行 venv\Scripts\activate pip install --upgrade pip pip install opencv-python opencv-contrib-python numpy requests python-dotenv这里要说明两点。opencv-contrib-python包含cv2.ximgproc等扩展模块，本项目主流程没有强制调用，但后续你要对车牌图像做形态学处理、超分辨率增强时大概率会用到。python-dotenv用来读取.env配置文件，工程里的百度 API Key 就是从这个文件加载的，也建议你把密钥放到环境变量里而不是写死在代码中。
如果你跑的是 Docker 部署，仓库里提供了 Dockerfile 和 .env.docker 示例。宿主机架好容器后，把 .env 映射进去即可，注意镜像内必须单独安装 libgl1 和 libglib2.0-0，否则 OpenCV 的imshow和VideoCapture会报找不到共享库的错误。
2.2 依赖文件与模型文件清单：哪些不能删
工程根目录下有svm.dat和svmchinese.dat两个文件，这是训练好的 SVM 分类模型，分别负责普通车牌字符和汉字字符的分类。这两个文件在字符识别阶段会被cv2.ml.SVM_load()直接加载，删掉或路径不对会出现error: (-212:Parsing error)。
.env文件里需要配置百度 API 的API_KEY和SECRET_KEY，代码会拿它换 access_token，网络图片地址识别和文字识别兜底都走这条路。.env.docker是容器环境的模板，字段一样。IMG_1762.jpeg、IMG_1872.jpeg是测试原图，duibi.gif和log.gif是运行效果录屏，可以帮你快速判断自己的输出结果对不对。
# 目录结构关键文件速览 ├── svm.dat # 普通字符 SVM 模型 ├── svmchinese.dat # 中文汉字 SVM 模型 ├── .env # 百度 API 密钥配置 ├── Dockerfile # 容器化部署文件 ├── IMG_1762.jpeg # 测试图 └── duibi.gif # 识别效果演示依赖装完后，先跑一张测试图。如果输出端出现了车牌的省份简称和字母数字组合，说明 SVM 模型加载成功、识别主链路是通的。此时再去看识别准确率，如果不理想，问题大概率出在图像预处理参数上，而不是模型文件损坏。
3. 识别主流程：从车牌定位到 SVM 字符分类的完整管线
3.1 车牌定位：OpenCV 颜色空间与轮廓筛选的配合
车牌的准确定位是整套系统里最依赖图像预处理经验的一步。项目用的是「HSV 颜色空间提取蓝色区域 + 轮廓筛选」的方案，这也是 OpenCV 车牌识别项目里最经典、最容易调参的策略。
import cv2 import numpy as np def locate_plate(img): hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌 HSV 范围，H 通道 100~124，S 和 V 留出余量 mask = cv2.inRange(hsv, (100, 100, 50), (124, 255, 255)) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, cv2.getStructuringElement(cv2.MORPH_RECT, (15, 5))) contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) if w > 80 and h > 20 and 2.2 < w / h < 5.5: candidates.append((x, y, w, h)) return candidates这套定位逻辑的关键参数有两个。第一个是inRange的 HSV 阈值：蓝色车牌的 H 通道通常落在 100～124，但我见过偏绿和偏紫的车牌，实拍图里如果定位不到，优先把 S 下界从 100 调到 80，V 下界从 50 调到 40。第二个是宽高比范围：标准蓝牌尺寸 440×140，宽高比约 3.14，所以 2.2～5.5 这个区间能覆盖大部分倾斜和畸变场景。MORPH_CLOSE的结构元素宽高比设置为 15×5，是为了弥合车牌字符之间的空隙，让整个车牌区域连成一个整体，否则字符间隙可能把车牌轮廓切断。
如果视频流里的车牌没定位到，最常见原因是运动模糊导致 HSV 颜色提取出的区域不完整。这时可以把inRange里的 S 阈值再放宽到 60，代价是背景里蓝色的广告牌、指示牌也会进入候选框，靠后级的 SVM 过滤掉误检。
3.2 字符分割与 SVM 识别：svm.dat 和 svmchinese.dat 的分工
定位到车牌区域后，先对灰度图做二值化，再通过垂直投影做字符分割。每分割出一个字符块，就归一化到 SVM 需要的尺寸，分别喂给svm.dat和svmchinese.dat。第一个字符是汉字，必须走svmchinese.dat，其余字母和数字走svm.dat，这是两个模型分开训练的原因。
def recognize_chars(plate_img, model_cn, model_en): gray = cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) chars = split_by_vertical_projection(binary) # 垂直投影切分 result = [] for idx, char_img in enumerate(chars): char_img = cv2.resize(char_img, (20, 20)) char_img = char_img.reshape(1, -1).astype(np.float32) if idx == 0: result.append(model_cn.predict(char_img)[1][0]) else: result.append(model_en.predict(char_img)[1][0]) return ''.join(result)split_by_vertical_projection是按列统计黑色像素数，找到像素数接近 0 的列作为字符边界。这里有个现实问题：车牌上的圆点和铆钉会在投影图上造成假边界，需要在分割时按字符宽度阈值过滤。字符归一化尺寸是 20×20，这是很多经典车牌识别论文里验证过的尺寸，既能保留笔画细节，又不至于让 SVM 特征维度过高。
SVM 的置信度输出其实没有直接暴露在最终结果里，代码里只在所有字符预测完成后判断总长度是否等于 7。如果车牌被倾斜或者光照不均导致二值化后字符黏连，分割出的字符数会少于 7，这时就该进入 HyperLPR 兜底流程。
3.3 HyperLPR 兜底：第二套识别管线如何融合进来
工程里把 HyperLPR 作为识别率增强手段而不是主力，这是我比较认可的设计。SVM 的优点是轻量、可解释，缺点是只认你训练过的字体和排版，一旦遇到新能源绿牌、使馆黑牌、或者倾斜超过 15 度的图，准确率会明显下降。HyperLPR 使用端到端的深度学习模型，对这类干扰更鲁棒。
from hyperlpr import HyperLPR def recognize_with_hyperlpr(plate_img): result = HyperLPR(plate_img) if result and result[0] and result[0]['plate_no']: return result[0]['plate_no'] return None实际用法是：先跑 SVM 流程，如果识别出的字符串长度不等于 7，或者包含非车牌字符，就切到 HyperLPR。反过来，HyperLPR 的返回值里通常带 confidence 字段，只有置信度高于 0.6 才采纳，否则保留 SVM 结果。这种双保险在大批量测试里，识别率能比单用 SVM 提升 8 到 12 个百分点，代价是单张识别耗时从 80 毫秒涨到 200 毫秒左右，对于人工审核场景完全可接受。
4. 多路输入适配：本地图片、网络地址、实时截图和摄像头怎么统一入口
4.1 统一输入层设计：一切皆 ndarray
工程里最实用的设计是七种输入方式共用同一个识别函数。无论传入的是本地路径、URL 还是摄像头帧，都先转成 numpy 的 ndarray，再交给主流程处理。这样做的收益是：换输入源时不需要改识别逻辑，只改输入适配器。
def load_image_from_source(source): if source.startswith('http'): # 网络图片地址：请求后解码为 ndarray resp = requests.get(source, timeout=5) arr = np.frombuffer(resp.content, np.uint8) return cv2.imdecode(arr, cv2.IMREAD_COLOR) if source == 'clipboard': # 从剪贴板读取截图 img = ImageGrab.grabclipboard() return cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR) if source == 'camera': # 摄像头取帧 cap = cv2.VideoCapture(0) ret, frame = cap.read() cap.release() return frame return cv2.imread(source) # 本地文件网络图片识别那块，工程里同时接入了百度 API。原因是有些网络图片经过了压缩、加水印，OpenCV 的定位算法很难找到车牌区域，此时请求百度车牌识别接口做兜底，代价是单张耗时 500 毫秒以上，但胜在稳定。
4.2 实时截图与图片自适应窗口：配合 C 盘路径注意编码
实时截图识别依赖pyautogui或PIL.ImageGrab截取屏幕指定区域，然后立刻交给识别管线。这里最容易被忽略的是截图区域得用region参数固定，否则全屏截图会导致车牌区域太小、inRange提取不到蓝色像素块。常见做法是先把窗口放大到实际大小，再截取窗口内的固定区域。
图片自适应窗口大小则在imshow时用cv2.namedWindow('plate', cv2.WINDOW_NORMAL)，否则 4K 屏上显示一张 800 万像素的原图，窗口会超出屏幕边界，看着像程序卡死。这只是显示层的小技巧，但它直接影响你肉眼判断识别结果对不对。
摄像头识别需要注意分辨率设置，cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)和cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)能显著提高远景车牌的识别率。默认 640×480 的画面里，车牌宽通常不到 100 像素，定位算法的w > 80阈值可能正好被卡掉。
5. 避坑清单：从环境报错到识别失灵的常见问题
5.1 报错No module named 'cv2'：环境和安装在作怪
现象：import cv2直接抛 ModuleNotFoundError。
原因分三种：当前 shell 激活的不是项目虚拟环境；虚拟环境里安装的包名和导入名不一致；pip install 过程中网络中断导致安装不完整。这种情况我十次里有六次是环境激活问题。
解决：先用which python确认解释器路径指向虚拟环境；再用pip list | grep opencv确认 opencv-python 在列表里。如果都没有问题，在项目根目录执行python -c "import cv2; print(cv2.__version__)"。如果到这里才报错，那是 python 命令和 pip 指向了不同的环境，用python -m pip install opencv-python重新安装即可。
5.2 模型加载时报svmchinese.dat解析错误
现象：程序启动时提示error: (-212:Parsing error) Unknown node.，或者模型加载路径找不到。
原因：工作目录不在工程根目录。cv2.ml.SVM_load('svmchinese.dat')用的相对路径，你如果从别的目录执行脚本，文件就找不到了。另一种原因是下载时文件损坏，两个 dat 文件大小应该都在几百 KB 到几 MB 之间，过小的文件基本是坏的。
解决：代码开头用os.chdir(os.path.dirname(os.path.abspath(__file__)))把工作目录固定到脚本所在目录。如果这样还报错，重新下载模型文件并对比文件 MD5。
5.3 识别结果只有 6 位或 8 位字符
现象：蓝牌车牌应该是 7 位，但输出结果是 6 位或缺汉字。
原因：二值化阶段车牌图像过暗，字符与底色粘连，垂直投影分割把两个字符当成了一个。此外，新能源绿牌是 8 位，如果你拿绿牌测试蓝牌模型，切分逻辑和模型类别都会错位。
解决：二值化前先对车牌区域做直方图均衡化cv2.equalizeHist(gray)；同时检查定位阶段宽高比，绿牌宽高比约 2.4 到 3.0，需要单独适配。工程默认按蓝牌处理，绿牌要走 HyperLPR 兜底。
5.4 视频流识别偶发闪退，截图后单帧正常
现象：摄像头连续识别能跑几分钟，然后程序直接退出，没有任何报错。
原因：摄像头缓冲区堆积。VideoCapture在低速识别场景下，如果处理一帧耗时超过 100 毫秒，USB 摄像头的环形缓冲会被占满，旧帧的 buffer 自然溢出，OpenCV 在 Windows 下会触发底层访问冲突。
解决：处理完一帧后立即cap.grab()丢弃缓冲区的下一帧，或者开一个线程专门读帧，主线程只负责识别。我自己更常用后一种方案，把摄像头帧读入队列，识别线程每次从队列取最新帧，保证不会堆积到溢出。
6. 验证与调优方法：A/B 对比后我留下的参数习惯
6.1 识别率验证：用测试图和录屏建立基线
工程自带的IMG_1762.jpeg和IMG_1872.jpeg就是两张标准测试图，duibi.gif是运行效果录屏。拿到代码后先别急着改参数，把原效果跑出来作为基线，后续每次调参都和这个基线比对。我习惯准备一个 20 张图的测试集，包含白天顺光、夜晚、倾斜三种场景，每张图对应一个标注好的车牌号。跑一遍记录失败样本，再针对失败样本反向调参与。
# 批量预测脚本片段 import os, csv results = [] for name in os.listdir('test_imgs'): img = cv2.imread(os.path.join('test_imgs', name)) plate = recognize_main(img) # 主流程函数 gt = name.split('_')[0] # 文件名前缀为标准答案 results.append((name, plate, plate == gt)) print('acc =', sum(r[2] for r in results) / len(results))建议这个脚本单独保存为evaluate.py，每次改动预处理参数后都重跑一遍，比对着单张图「看着好了」可靠得多。我在自己的测试集上，用这套方法把定位失败率从最初的 25% 压到了 7%，代价是每次调参都要跑十分钟。
6.2 参数调优的两个快速习惯
我在调参与中得出的两个习惯对你的识别率影响最直接。第一个是 HSV 蓝色范围用上下界组合调，不要只改 H 通道，S 和 V 的联动调整对逆光场景尤其有效。当 S 下界从 100 降到 80 时，V 下界也同步降到 40，否则偏暗环境下的蓝色像素会被 V 通道过滤掉。
第二个是形态学结构元素尺寸跟着分辨率走。处理 1920×1080 的截图时，15×5 的 MORPH_RECT 有点小，我会放大到 25×9；处理 640×480 的摄像头帧时，缩小到 11×3 反而效果更好。这个没有固定公式，我的经验是结构元素的宽度约等于车牌宽度的 1/30，高度约等于 1/80。
我最后保留的融合策略是：SVM 结果长度合法且置信度最高字符大于阈值时直接采用，否则把 HyperLPR 结果作为最终输出；如果两者结果都不合法，标记为「待人工确认」。这个逻辑在双模型之外又加了一道兜底，也让我后来做车牌数据库检索时少了很多误匹配。从那次以后，每次拿到新环境我都强制走一遍批量预测脚本，不对比就不上线。希望这套流程和踩坑记录能帮你的车牌识别项目少走几步弯路。
本文还有配套的精品资源，点击获取
