简介：压缩包内含一套基于OpenCV的车牌识别完整工程代码，面向希望实践车牌定位、倾斜校正与字符识别的开发者。代码涵盖图像预处理、车牌检测、透视校正及SVM/OCR字符分类等核心模块，并配有训练脚本、评估脚本与测试图片，可帮助读者快速梳理从车牌定位到字符输出的全流程实现思路。资源共30个文件，以C++源文件（.cpp/.h）、图片（.jpg/.png）、Shell脚本（.sh）和算法模型文件（.xml）为主，其中jpg/png为不同场景的车牌测试样本，cpp/h为可直接阅读的源码模块，整体大小约5.54MB，目录结构清晰，便于按模块对照学习。已有566人学习下载，适合计算机视觉入门及进阶者参考，也可作为课程设计或车牌识别项目的起步代码。通过阅读代码可掌握Canny边缘检测、霍夫变换、透视变换等关键OpenCV操作，了解SVM分类器与神经网络在字符识别中的具体用法，并为后续结合深度学习提升识别鲁棒性打下基础。
1. 用 OpenCV 写车牌识别：这个 lpr.rar 值不值得你动手跑一遍
停车场道闸抬杆、违章抓拍、小区出入口门禁，这些场景背后都是同一种技术：LPR 车牌识别。你手里这份名为"lpr.rar_OpenCV 车牌定位_opencv 车牌识别_opencv车牌识别_车牌识别 代码"的项目，把"从一张包含车辆的图片里自动读出车牌字符串"这件事用 OpenCV 完整实现了一遍。它不依赖第三方深度学习框架，纯图像处理就能跑通定位、分割、识别三条链路，非常适合正在啃 OpenCV 想找真实项目练手的人，也适合做毕设或车辆管理演示系统的一线工程师。作为做过类似项目的人，我下面把流程、参数和踩过的坑一次讲清楚，帮你少走弯路。
2. 车牌识别整体流程与 OpenCV 环境搭建：先把 pipeline 立起来
2.1 车牌识别 pipeline：定位、分割、识别三步走
先把整体框架立起来。一个典型的 OpenCV 车牌识别程序，输入是一张彩色图像，可能来自摄像头抓拍，也可能来自相册里的随手拍；输出是一个车牌字符串，比如"粤B12345"。中间靠三个环节串起来：
- 车牌定位：在整张图中找出车牌所在的矩形区域。常规思路是先用边缘检测找出车牌的强边缘，再用颜色筛选锁定底色，然后通过形态学操作把零散边缘连成块，最后用轮廓的宽高比和面积过滤掉非车牌区域。
- 字符分割：把车牌矩形区域内部的字符一个个切分开。最常见的是垂直投影法，统计每一列白色像素的数量，字符之间会出现明显的波谷，按波谷位置切分。
- 字符识别：对切出来的每一块小图做识别。传统 OpenCV 方案里最常用的是模板匹配，把字符和预先准备的模板逐一比对，取相似度最高的作为识别结果。
每一步都有独立可见的中间结果，所以特别适合用来理解"形态学操作、轮廓分析、模板匹配"这些核心概念。三个环节里定位最重要，定位框画偏了，后面的分割和识别全跟着错。我见过不少压缩包里的大部分代码量都花在定位上，就是这个原因。
为什么现在还有人用 OpenCV 传统方案而不是直接上深度学习？一个很现实的原因是落地成本：YOLO 这类检测模型需要标注数据、GPU 训练、部署框架，在树莓派或者老式 IPC 上跑实时识别很吃力。传统方案只要一个几百 KB 的模板库加几行形态学操作，就能在低算力设备上跑出可用的结果，这也是它十几年了仍然有人翻出来用的根本原因。
2.2 安装 OpenCV 并跑通最小图像处理示例
拿到 lpr.rar 解压之后，第一步不是急着看代码，而是先把 OpenCV 环境装好并验证导入成功。这里有一个新手很容易忽略的点：车牌识别如果后续想换 SIFT、SURF 这类特征方案，需要扩展模块，所以我建议直接把主库和扩展库一起装上，省得回头折腾。
# Python 3.8+ 环境下安装 OpenCV 主库和扩展库 pip install opencv-python opencv-contrib-python # 验证安装 python -c "import cv2; print(cv2.__version__)"输出类似 4.x.y 的版本号就说明装好了。需要注意 opencv-python 和 opencv-contrib-python 必须同一次安装，混着装容易出现运行时报 module 'cv2' has no attribute 'xfeatures2d' 这类错。现在的 OpenCV 版本基本都大于等于 4.2，findContours 的返回值个数和旧教程不一样，这个后面避坑章会细说。另外要确认 pip 装到的环境和运行代码的环境是同一个，很多人 conda、系统 Python 混着用，最后 import cv2 报 No module named 'cv2'，其实不是没装上，是装到别的环境里了。
装好之后用最小示例验证整条图像处理链路能跑通：
import cv2 # 读取一张含车牌的图片，路径不要带中文 img = cv2.imread("car.jpg") # 转灰度，车牌识别只关心亮度结构 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊，核大小必须是正奇数 blur = cv2.GaussianBlur(gray, (5, 5), 0) # Canny 边缘检测，两个阈值控制边缘保留程度 edges = cv2.Canny(blur, 100, 200) cv2.imshow("edges", edges) cv2.waitKey(0) cv2.destroyAllWindows()GaussianBlur 的 (5, 5) 是高斯核尺寸，核越大越平滑，但车牌字符边缘也会被抹掉，一般 3×3 到 7×7 之间选。Canny 的 100 和 200 分别是低阈值和高阈值，小于低阈值的边缘直接丢弃，大于高阈值的强边缘保留，介于中间的要和强边缘相连才保留。实际处理 1080p 图片时我先把阈值放到 50 和 150，因为远距离拍摄的车牌边缘对比度不高，阈值太大会把整个车牌边缘丢掉。至于从源码 cmake 编译 OpenCV 这种进阶操作，我一般不建议新手碰，pip 装的预编译包足够跑通整个项目了。
2.3 lpr.rar 里最常见的文件结构与代码入口
解压这类压缩包，最典型的目录结构是下面这样，先摸清入口再动手能省很多时间：
lpr/ ├── main.py # 主程序，图片或摄像头推断入口 ├── plate_locate.py # 车牌定位模块 ├── char_segment.py # 字符分割模块 ├── char_recognize.py# 字符识别模块，模板匹配或 SVM ├── templates/ # 字符模板图片，按字符命名 ├── images/ # 测试图片目录 └── config.py # 阈值和参数集中管理这种按模块拆分的结构在经典 LPR 项目里很常见。main.py 里会有一个类似于 process_image() 的函数，流程就是先调用 plate_locate 得到车牌区域坐标，再调用 char_segment 切出字符列表，最后调用 char_recognize 返回字符串。我建议先把 config.py 里的参数打印出来看一遍，因为不同来源的代码参数差异很大，有的是按蓝牌调的，有的是针对黄牌，直接跑不调参数效果往往很差。config.py 里集中管理参数有个明显好处：定位不准时只需改一处，不用在代码里到处找魔法数字。我自己做的时候也习惯把所有阈值、核大小、宽高比范围全部收进一个配置文件，这样后续换场景调参时心里有底。
3. 车牌定位：边缘检测、颜色筛选与形态学处理怎么配合
3.1 三种定位思路的选型：边缘检测、颜色筛选，还是轮廓筛选
车牌定位是整个 LPR 系统里最核心的一步，定位精度直接决定后续分割和识别的质量。OpenCV 时代常见的定位思路有三种：
第一种是边缘检测加形态学。先对图像做 Sobel 边缘检测，再用闭运算把车牌的边缘连成一个连通块，最后按轮廓的宽高比和面积过滤。这条路的优势是速度快、对车牌颜色不敏感，缺点是车头散热格栅、车灯这类强边缘区域容易被当成候选框。
第二种是颜色筛选。把图像从 BGR 转到 HSV，按车牌底色的色相范围做二值化，比如蓝牌 H 值大约在 100 到 124 之间。然后做轮廓过滤。这条路对目标颜色很明确的车牌有效，但对光照变化敏感，蓝色车身、蓝色广告牌会造成误检。
第三种是纯轮廓筛选。直接提取二值图像的所有轮廓，靠车牌特有的宽高比、面积、矩形度来过滤。一般是前面两种思路的收尾步骤，单独用容易漏检。
我的项目经验是：纯边缘检测在白天顺光场景表现不错，一到夜间车灯照亮或者车身颜色和车牌相近时容易翻车；纯颜色筛选在出现相近蓝色物体时误检率高。比较稳的做法是两条路并行，各自给出候选框再交叉验证，这也是很多商用方案的雏形。接下来说说一条能跑的完整路线。
3.2 用 OpenCV 定位车牌的完整代码与参数设置
给出一条基于边缘检测加颜色筛选加形态学处理的定位代码，能处理大多数顺光、略微倾斜的蓝牌场景：
import cv2 import numpy as np def locate_plate(img): """定位车牌区域，返回 (x, y, w, h) 或 None""" # 1. 转 HSV，提取蓝色和黄色区域 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色范围：H 100~124，S/V 限制饱和度和亮度 blue_mask = cv2.inRange(hsv, (100, 80, 80), (124, 255, 255)) # 黄色范围：H 20~34 yellow_mask = cv2.inRange(hsv, (20, 80, 80), (34, 255, 255)) color_mask = cv2.bitwise_or(blue_mask, yellow_mask) # 2. 对灰度图做 Sobel 垂直边缘检测，检测车牌边框竖线 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # ksize=3 表示 Sobel 核大小，dx=1 dy=0 表示只算水平方向梯度 sobel = cv2.Sobel(gray, cv2.CV_16S, 1, 0, ksize=3) abs_sobel = cv2.convertScaleAbs(sobel) # 边缘灰度转二值图，阈值 100，超过为白色 _, edge_bin = cv2.threshold(abs_sobel, 100, 255, cv2.THRESH_BINARY) # 3. 边缘图和颜色图叠加，再闭运算连接断开的边缘 combined = cv2.bitwise_or(edge_bin, color_mask) # 闭运算先膨胀后腐蚀，40x15 的核尺寸贴合车牌长条形 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40, 15)) closed = cv2.morphologyEx(combined, cv2.MORPH_CLOSE, kernel) # 4. 提取轮廓并按面积、宽高比过滤 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for c in contours: x, y, w, h = cv2.boundingRect(c) area = w * h if area < 500: # 太小多半是噪点或远距离伪目标 continue if h == 0: continue ratio = w / h # 中国车牌长宽比约 3.14，允许 1.8~5.0 适应拍摄角度 if 1.8 < ratio < 5.0 and 2000 < area < 120000: candidates.append((x, y, w, h)) if not candidates: return None # 优先按宽高比接近车牌的比例排序，再按面积排序 candidates.sort(key=lambda r: (abs(r[2] / r[3] - 3.14), -(r[2] * r[3]))) return candidates[0]几个参数是实际调过才这样定的。Sobel 的 ksize 用 3，核越大边缘越粗，定位框容易向外扩一圈。二值化阈值 100 只保留强边缘，目的是避开车身复杂纹理，车身纹理的边缘通常比车牌边框弱得多。闭运算核选 40×15，因为车牌本身大致是这个长宽比例，核太大会把旁边车灯连进来，核太小则边缘断开无法形成完整连通块。最后过滤的宽高比 1.8 到 5.0 是刻意放宽的，不同拍摄角度下投影宽高比会被压缩，窄到 1.8 的车牌仍然能读出字符，小于 1.5 的矩形基本可以断定不是车牌。
3.3 定位结果的可视化验证与中间结果保存
定位的成败由闭运算结果决定，但很多初学者把 contours、morphologyEx 这些中间变量丢掉，只在最后画个框。我建议加一个调试开关，把每一步都保存下来，否则调参全靠猜，极其浪费时间。
def save_debug(prefix, step_name, img): """保存中间结果，debug_mode 为 True 时生效""" if debug_mode: cv2.imwrite(f"{prefix}_{step_name}.jpg", img) # 在 locate_plate 里合适位置插入 save_debug("car", "edge_bin", edge_bin) save_debug("car", "color_mask", color_mask) save_debug("car", "closed", closed)当定位框不准时，打开这几个中间图就能一眼看出问题出在哪一步。闭运算图里车牌区域没连成整块，说明核太小或者 Sobel 阈值太高；如果连成一大片远超车牌尺寸，说明核太大或者颜色筛选误检了相似颜色物体。这种可视化排查习惯比闷头调参数高效得多。
另外，倾斜车牌的定位框是带旋转角度的，直接用 boundingRect 会把非车牌区域包进来。如果测试图倾斜超过 15 度，建议加一步 minAreaRect 求旋转矩形，再按角度做仿射变换矫正。常规做法是先拿到中心点、宽高和旋转角，判断长边方向后，用 cv2.getRotationMatrix2D 和 cv2.warpAffine 把车牌区域转正，之后再做字符分割。这一步不做，字符会因为不在同一水平线上而切得歪歪扭扭。如果镜头本身畸变严重，还需要先做相机标定去畸变，否则车牌边缘是弧线，定位框怎么都包不准。
4. 字符分割与识别：从车牌区域到最终字符串
4.1 字符分割的两种经典做法：垂直投影与连通域分析
定位到车牌区域后，下一步是把"粤B12345"切成独立字符。OpenCV 方案里最常见的分割做法是垂直投影法和连通域分析法。
垂直投影法的核心是把车牌区域二值化，统计每一列白色像素的数量。字符区域内白像素集中，字符间隙白像素接近零，投影图呈现高-低-高-低的波形。按波谷切分，就能得到每个字符的左右边界。这个方法对等宽字符效果好，但碰上字符粘连或者二值化噪声干扰，波谷不明显，切分就会出错。车牌二值化时要注意让字符为白、背景为黑，蓝底白字和黄底黑字两种牌照的处理方式刚好相反。
连通域分析是先找出二值图的所有连通区域，再按宽度、高度、间距过滤。好处是不依赖严格的等宽排列，字符倾斜也能按实际连通区域切分；缺点是汉字笔画断裂，比如"京"字内部的几个分离部分会被切成好几块，需要额外合并逻辑。
我通常以垂直投影为主、连通域为辅：先用投影切出候选块，再检查每块宽度是否小于整个车牌宽度的七分之一，小于则说明汉字断裂，需要合并相邻块。合并规则在工程里很关键，字间空隙和字内断裂的投影模式完全不同，前者波谷宽度小且深度大，后者波谷连续跨越多个像素列。
def segment_chars(plate_bin): """输入二值化后的车牌图，返回字符小图列表""" import numpy as np h, w = plate_bin.shape # 垂直投影：统计每列白点数 col_sum = np.sum(plate_bin, axis=0) // 255 in_char = False char_cols = [] start = 0 for i in range(w): if col_sum[i] > 0 and not in_char: in_char = True start = i elif col_sum[i] == 0 and in_char: in_char = False if i - start > 5: # 宽度太窄的块多半是噪点 char_cols.append((start, i)) # 剔除边框残留和过宽块 plate_w = w chars = [] for (s, e) in char_cols: cw = e - s if cw > plate_w * 0.5: # 超过半宽说明是整块边框 continue chars.append(plate_bin[:, s:e]) return chars这段代码里有两个容易忽略的细节。第一个是 col_sum 以空列作为分隔符，但车牌边框在二值图中会形成连续白色竖线，导致字符间隙被填上，所以分割前必须先做边框剔除。常见做法是检测接近四边的白色长条直接裁剪掉。第二个是汉字宽度问题，后面模板匹配时单独处理第一位汉字，汉字笔画多、投影值密，切出的块宽通常比数字大，按统一宽度过滤会误删。
4.2 模板匹配识别：matchTemplate 的工程细节与参数
字符分割完成后进入识别环节，OpenCV 传统方案里最经典的是模板匹配。做法是准备一张包含全部候选字符的模板库，用字符小图和模板库里每个字符比对，取相似度最高的那个。
import cv2 import numpy as np def match_char(char_img, template_dict): """模板匹配识别单个字符，返回字符和置信度""" best_score = -1 best_char = '?' char_img = cv2.resize(char_img, (20, 40)) for char_name, tmpl in template_dict.items(): tmpl = cv2.resize(tmpl, (20, 40)) result = cv2.matchTemplate(char_img, tmpl, cv2.TM_CCOEFF_NORMED) _, score, _, _ = cv2.minMaxLoc(result) if score > best_score: best_score = score best_char = char_name # 低于阈值直接返回未知字符 return best_char if best_score > 0.6 else '?', best_score匹配方法选 TM_CCOEFF_NORMED 而不是 TM_SQDIFF，因为前者对亮度和对比度变化不敏感，归一化后的相关系数在 -1 到 1 之间，不同模板之间的分数可以直接比较。细节上，char_img 和模板图必须用相同的方式和尺寸 resize，我一般固定为 20×40，缩小用 INTER_AREA，放大用 INTER_LINEAR。模板库的覆盖范围要完整，包括各省简称汉字京津冀鲁粤这些，大写字母不能有 I 和 O，数字 0 到 9，总数在 60 个左右。模板来源最好是真实车牌截图里抠出来的字符，而不是网上找的字体渲染图，因为车牌用的是专用字体，笔画结构和普通黑体宋体差异很大。模板匹配的短板在汉字上暴露得最明显，不同字体不同笔画粗细的汉字相关系数差异大，实际工程中汉字识别率通常在七成左右，远低于数字字母的九成以上。如果项目允许引入机器学习，建议给汉字单建一个 HOG 特征加 SVM 的分类器，识别率能到九成上下，代价是准备几百张标注字符做训练。
4.3 识别结果的置信度判断与后处理
识别流程不能只看每次匹配的最高分，还要建立置信度判断。常见做法是给每个字符一个阈值，低于阈值的置为问号，整条结果交给上层业务逻辑判断是重新抓拍还是人工复核。
result_str = [] detail = [] for i, char_img in enumerate(char_imgs): ch, score = match_char(char_img, template_dict) result_str.append(ch) detail.append((ch, round(score, 2))) print("".join(result_str)) print(detail)后处理规则同样重要。比如识别结果出现 I、O、Q 这些容易和 1、0 混淆的字符时，要按车牌编码规范修正：车牌第一位必须是汉字省份简称，第二位是字母，第三位到第七位是字母数字混合，其中字母 I 和 O 不会出现。这些规则写成一个 validator 函数，能把准确率从"字符级"提升到"整牌级"。我见过不少人在这个环节偷懒，单字符识别率九成，但整牌识别率只有一半，因为七个字符只要错一个整牌就算失败。后处理还有一个作用，就是输出结构化结果，比如省份、发牌机关代码、序号分离，方便对接业务流程。
5. 车牌识别避坑指南：我踩过的 5 个实战坑
5.1 No module named 'cv2'：环境装错地方了
现象：按网上的教程执行 pip install opencv-python 后，运行 import cv2 却直接报错 No module named 'cv2'。
原因：绝大多数情况是 pip 把包装到了某个 Python 环境，但运行代码用的是另一个环境。常见于电脑里同时有 Anaconda、系统 Python、PyCharm 内置解释器，命令行敲 python 和 IDE 选择的解释器不是同一个。
解决：先分别执行 python -c "import sys; print(sys.executable)" 和 pip -V，确认当前解释器路径和包安装路径一致。更省事的做法是从一开始就用虚拟环境：python -m venv venv，激活后先升级 pip 再装 OpenCV。这一步做对了，后面能省掉大量依赖冲突的奇怪报错，也算是环境管理上的后悔药。
5.2 定位框总往车灯上跑：闭运算核尺寸的连锁反应
现象：定位代码跑出来的候选框不是车牌，而是车头大灯连成的区域，或者散热格栅被整体框了进来。
原因：闭运算核太大，把车灯和车牌之间的空隙也填上了；或者 Sobel 阈值太低，车身强边缘和车牌边缘全连到了一起。候选框排序直接取面积最大时，大灯区域形态学填充完整后面积反而比车牌大。
解决：用调试模式把 closed 中间图存下来，确认是不是整个车头连成一片。如果是，把闭运算核从 40×15 缩小到 20×8，同时把 Sobel 二值化阈值从 100 提高到 130，让弱边缘提前过滤。排序策略也改掉，先按宽高比接近 3.14 的程度打分再按面积排序，而不是死板地取面积最大。
5.3 蓝色车牌定位在阴天和夜间反复横跳：HSV 阈值写死了
现象：同一套定位代码，大太阳底下识别正常，一到阴天或傍晚路灯下，定位框要么框不到车牌，要么把蓝色车身框进来。
原因：HSV 参数是写死的，但实际场景中色相 H 相对稳定，饱和度 S 和亮度 V 受光照影响极大。蓝牌在阴影下 S 值可能掉到 50 以下，而蓝色车身在阳光直射下 S 值又可能冲到 200 以上，固定阈值必然顾此失彼。
解决：把 inRange 的 S 下限从 80 降到 40，V 下限从 80 降到 50，同时强化面积和宽高比双重约束来弥补颜色筛选的不足。更稳的方案是动态自适应：先统计图像中心区域的 HSV 均值估算当前光照强度，再按光照档位切换不同的阈值。这个做法比任何固定的魔法数字都可靠。
5.4 contourArea() 未定义标识符：OpenCV 版本 API 变动
现象：代码之前跑得好好的，某天重装环境后报错 contourArea() 未定义标识符，或者 findContours 返回值数量不对。
原因：OpenCV 从 3.x 到 4.x 有一次大版本 API 变更。findContours 在 4.x 返回两个值 contours 和 hierarchy，在 3.x 返回三个值。contourArea 未定义这类报错，通常是把不同版本的代码混用了，比如 pip 装的是 opencv-python 4.x，代码却是照着 2.x 教程写的。
解决：所有查找轮廓的代码统一改成 contours, _ = cv2.findContours(...) 的写法，用下划线接收不再使用的返回值。排查这类问题前先运行 python -c "import cv2; print(cv2.version)" 确认版本，再对照代码里的 API。这个坑问的人特别多，属于典型的版本黑匣子问题。
5.5 汉字识别率只有五成：模板匹配的字体短板
现象：数字和字母识别率都很高，唯独第一位省份简称汉字常年认错，比如"京"被识别成"示"或者"就"。
原因：模板匹配对字体极度敏感。车牌上的汉字是专用字体，笔画结构和常见的黑体宋体差异很大。模板库里的汉字如果来自网络随便找的字体，匹配分数自然上不去。另外，字符切出来带了倾斜时，笔画错位会把相似字全部带偏。
解决：第一优先是把模板换成真实车牌截图中抠出的汉字，每个省份收集五到十个样例，对同一汉字的多张模板取匹配分数的最大值。第二优先是给汉字单独建分类器，用 HOG 特征加 SVM，训练集至少几百张。如果项目只是做演示，用模板匹配可以接受，但对外演示前一定先用几十张真实图片把识别率完整测一遍，别拿三张样例图就下结论。
6. 从单张图片到视频流：性能优化与精度验证方法
6.1 视频流接入：VideoCapture 与帧率优化
把单张图片流程搬到视频流，第一件事是用 VideoCapture 替换 imread，同时注意帧率波动不能影响识别逻辑：
import cv2 cap = cv2.VideoCapture(0) # 0 为默认摄像头 frame_count = 0 while True: ret, frame = cap.read() if not ret: break frame_count += 1 if frame_count % 2 != 0: # 每两帧处理一帧，降低 CPU 占用 continue result = process_frame(frame) if result: draw_plate_box(frame, result) cv2.imshow("lpr", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()帧率上不去时，性能优化的顺序是：先把处理图像缩小到原图的一半再做边缘检测，定位精度损失很小但计算量降到四分之一；再把 Sobel 换成计算量更小的梯度算子；最后才考虑跳帧。真正做实时场景时，建议把输入分辨率固定在 1280×720，而不是用摄像头默认的最高分辨率。处理视频流偶尔会遇到拉流中断或丢帧，重连逻辑和跳帧逻辑要分开写，别让一次断流把整个进程带崩。
6.2 精度验证：固定测试集与回归测试
精度验证方面，我习惯固定留出三十张不同场景的测试图，统计三个指标：定位成功数、字符分割成功数、整牌识别正确数。每张测试图按场景分类，包括白天顺光、逆光、阴天、夜间、倾斜五个类别，每类六张。定位框画偏一次，就保存中间结果查是哪一步的问题。每改一个参数，把整组测试图重跑一遍做回归，对比识别率变化。
我自己的经验是：车牌识别这类项目，真的不是把代码跑通就完事。血泪教训是，每改一个参数都要把中间结果存一遍，否则你根本不知道是哪一步让你翻车。调参时只盯着最终识别率，等于在黑匣子里修东西。先定位到具体环节，再动手改，才是有效率的做法。希望这套流程能帮你把 LPR 项目顺顺利利推下去，也建议你在落地时多留几组真实场景图做回归，识别率这东西，只有数据不会骗人。
本文还有配套的精品资源，点击获取
