车牌识别Python源码包实战：OpenCV模板匹配与调优

简介：面向初学者与课程设计的车牌识别案例源码包，基于Python与OpenCV实现，涵盖图像灰度化、边缘检测、形态学处理、车牌定位以及基于SVM和OCR的字符识别等关键环节，适合作为计算机视觉入门实践或毕业设计参考。压缩包共24个文件，容量约14.94MB，包含两个Python识别脚本、SVM模型文件、中文与英文字符集压缩包、测试图片（jpg/png）以及说明文档与配置脚本，目录划分清晰，便于按模块阅读。已有429人学习下载。资源不仅提供可运行的识别代码，还附带了多组不同角度与场景的车牌照片，方便读者验证效果并调试参数；同时模型文件与字符集可直接用于字符分类，省去自行训练时间。通过学习该项目，可以理解从图像预处理、车牌分割到文字识别的完整技术链路，掌握OpenCV、SVM及OCR在实际问题中的组合用法，为后续优化或拓展识别精度打下基础。

1. 车牌识别Python源码包：一个小而完整的学习项目，能让你跑通识别流程

当你看到“简单的车牌识别-python源码.zip”这个压缩包时，里面大概率是一个基于OpenCV的传统视觉项目：边缘检测加轮廓分析定位车牌，投影法切分字符，再用模板匹配或OCR输出结果。整个过程不需要GPU、不需要上千张标注图片，在一台普通电脑上就能跑通，适合停车场出入口、固定摄像头这类背景相对干净的场景。如果你是在学图像处理的学生、刚入门Python视觉方向的开发者，或者要快速验证一个识别方案能不能落地的工程师，这类源码包值得花一个晚上拆开看一遍。但也要有清醒预期：它离复杂路况下的产品化还有距离，倾斜、反光和模糊都会让识别率肉眼可见地下降。

2. 车牌识别技术选型：为什么“简单源码包”大多走OpenCV加模板匹配路线

2.1 传统视觉vs深度学习：数据集和硬件成本决定的现实取舍

车牌识别抽象来看是两个任务的串联：定位加识别。现在生产环境里能看到两种主流路线。深度学习路线用YOLO系列做车牌检测，再用CRNN或Transformer做字符识别，优点是抗干扰能力强，但训练数据准备工作量很大，几百张带框标注图片加上清洗和增广，一周打底。传统视觉路线则用Canny边缘检测提取轮廓，用宽高比和面积过滤候选框，识别阶段用模板匹配或Tesseract OCR，普通CPU就能实时运行。

做一个“简单”的源码包为什么选传统视觉？因为这类包要解决的问题是“让一个人下载下来就能跑通”，深度学习方案的模型权重文件动辄几十MB，加上推理框架的安装成本，已经不符合“简单”这个前提。传统视觉路线依赖少、单文件能讲清楚、运行快，作为教学和POC验证非常合适。我用一张表把两者的边界列出来，方便你判断什么时候该换路：

实操里我见过不少团队在监控杆场景试过传统视觉方案，白天识别率能到85%以上，一到夜间就掉到60%甚至更低，最后都转向深度学习。但反过来，如果只是做一个小区出入口道闸的验证Demo，传统视觉完全够用，没必要为了蹭“AI热度”去从头训练一个YOLO模型。深度学习还有个问题是模型像个黑匣子，出错了很难说清是检测框偏了还是字符识别错了，而传统视觉每一步的中间结果都能可视化，对学习和排错都友好得多。

2.2 zip压缩包里的常见文件结构：先看模板目录再决定跑不跑

拿到“简单的车牌识别-python源码.zip”，我建议先解压确认结构，再决定要不要花时间跑。zip解压到本地后是典型的Python工程布局：

unzip "简单的车牌识别-python源码.zip" -d plate_recognition cd plate_recognition && tree

解压后常见的文件组成如下：

plate_recognition/ ├── main.py 主入口，读图、调模块、输出结果 ├── plate_locate.py 车牌定位模块 ├── plate_segment.py 字符分割模块 ├── plate_recognize.py 模板匹配识别模块 ├── templates/ 字符模板目录 │ ├── 京.png │ ├── 沪.png │ ├── A.png ... Z.png │ └── 0.png ... 9.png ├── test_images/ 测试图片 └── requirements.txt Python依赖清单

看压缩包“成色”有两个关键点。第一，模板目录是否完整：好的源码包至少覆盖31个省份简称、24个字母、10个数字。注意车牌字符里字母I和O不出现，如果你发现模板里有这两个字符，说明作者没仔细处理过真实车牌。第二，requirements.txt是否锁了版本：只写“opencv-python”不写版本号的，在OpenCV新版本上往往有接口兼容问题。我踩过一次很典型的坑：下载的源码包模板目录只有字母和数字，没有汉字模板，跑出来车牌号后段全对、省份汉字永远识别成乱码。这类缺文件的zip包在网盘分享里很常见，解压后第一步务必检查templates目录完整性。

2.3 识别流程拆解：定位、分割、识别三步走

车牌识别的完整流程可以拆成三步，理解清楚这三步对你之后的调参思路非常重要。

第一步是定位。灰度化后用高斯滤波去掉噪点，用Canny算子提取边缘，再用形态学闭运算把车牌的矩形外边框连接成闭合区域，最后用findContours查找轮廓并按车牌的宽高比、面积过滤候选。标准小型车蓝牌的比例是440mm比140mm，宽高比约3.14，所以候选框宽高比通常卡在2.5到4.5之间。

第二步是分割。在定位到的车牌区域里做二值化，把字符从背景中分离出来。常用做法是先做水平投影，把字符区域和上下边框分开，再做垂直投影，按列方向上的非零像素分布把每个字符切开。这一步最怕车牌倾斜和光照不均：倾斜时投影切分的位置会偏，光照不均时二值化会把字符细节吞掉。

第三步是识别。有两条路线：走Tesseract OCR，或者走模板匹配。模板匹配的逻辑不复杂，把切出的字符图片和templates目录里每张模板逐一算相似度，取相似度最高的模板名称作为识别结果。这个方案对字体一致、位置规整的场景表现稳定，而且不需要额外装OCR引擎，所以我下面讲代码示例时以模板匹配为主线。如果你手里的源码包是OCR路线，流程框架完全一样，只是第三步换成了pytesseract调用。

2.4 环境配置：Python版本、依赖安装和两条路线的差别

要在本地跑起来，环境其实非常轻。Python建议装3.8到3.10版本，python安装时记得勾选“Add Python to PATH”这个选项，否则后面命令行里敲pip会报command not found。我用3.9比较多，3.10以上跑老源码包时，findContours返回值解包写法不同会有兼容问题。依赖只需要三个：

pip install opencv-python numpy matplotlib

matplotlib不是必选项，但调试定位结果时画框标注非常方便，建议一起装上。如果pip下载速度慢，可以临时加国内镜像源：

pip install opencv-python numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

如果是走Tesseract OCR路线的源码包，还要多一步系统级安装。Windows下要先下载tesseract.exe，安装后配置环境变量或在代码里写死pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"；Linux下要apt install tesseract-ocr，中文识别还要单独装tesseract-ocr-chi-sim语言包。这一步是OCR路线最容易翻车的地方，报错里出现TesseractNotFoundError基本就是路径没配好。模板匹配路线没有这些额外依赖，这也是我推荐先从模板匹配入手的另一个原因。环境就绪后，接下来进入核心代码实现。

3. 最小可跑通的代码：从图片读取到车牌号输出的完整实现

3.1 车牌定位：边缘检测加轮廓过滤的定位模块

先写定位模块。我习惯单独建一个plate_locate.py文件，输入是原始BGR图像，输出车牌区域的坐标元组。

# plate_locate.py import cv2 import numpy as np def locate_plate(img): """ 定位车牌区域 img: OpenCV读入的BGR图像 返回: (x, y, w, h) 或 None """ # 灰度化，消除颜色干扰 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯滤波，核大小(5,5)，去掉传感器噪点 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # Canny边缘检测，参数为(低阈值, 高阈值) edges = cv2.Canny(blurred, 100, 200) # 形态学闭运算：先膨胀后腐蚀，把车牌的边缘连成闭合矩形 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel) # 查找外层轮廓，OpenCV 4.x返回两个值 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 按面积从大到小排序 contours = sorted(contours, key=cv2.contourArea, reverse=True) for cnt in contours[:15]: x, y, w, h = cv2.boundingRect(cnt) aspect = w / h area = w * h # 标准车牌宽高比约3.14，面积阈值按图片分辨率动态调整 if 2.5 < aspect < 4.5 and area > 8000: return x, y, w, h return None

这段代码里参数的含义逐个说清楚。高斯滤波核(5,5)是800x600级别图片的经验值，图片分辨率更高时可以换到(7,7)。Canny阈值(100,200)的意思是梯度幅值超过200的像素直接判为边缘，超过100且与强边缘相邻的也判为边缘，低于100的丢弃。形态学核(17,5)是横向长条，因为车牌是横向矩形，这个核能把四条边的断裂处连起来，同时避免把上下两边横向连接到车身其他位置。

过滤条件里的宽高比2.5到4.5覆盖了正常拍摄、轻微侧向角度下投影比例的变化。面积8000是以1080p图像为参考的经验值，如果测试图只有640x480，这个值要下调到2000到3000，否则小目标会被过滤掉。调试定位效果时，加一行cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)画出框选位置，比看打印输出直观得多。

3.2 字符分割：投影法把车牌切成单字符

定位到车牌之后，第二步是把车牌区域切分成单个字符。这个模块的输入是原始图像加定位框，输出字符图像列表。

# plate_segment.py import cv2 import numpy as np def segment_characters(img, box, target_size=(48, 96)): """ 从车牌区域切分出字符 img: 原始BGR图像 box: locate_plate返回的(x, y, w, h) target_size: 输出字符的(宽, 高) 返回: 字符图像列表 """ x, y, w, h = box # 裁出车牌区域并统一缩放到标准宽高440x140 plate = img[y:y + h, x:x + w] plate = cv2.resize(plate, (440, 140)) # 灰度 + Otsu自动二值化 gray = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 蓝底白字车牌字符应为白色，若白色像素占多数说明反色了 if np.sum(binary == 255) > np.sum(binary == 0): binary = cv2.bitwise_not(binary) # 水平投影：找非零行范围，裁掉上下边框 h_proj = np.sum(binary, axis=1) // 255 rows = np.where(h_proj > 0)[0] if len(rows) == 0: return [] y_top, y_bottom = rows[0], rows[-1] binary = binary[y_top:y_bottom, :] # 垂直投影：找每列非零像素数，按连续区间切分字符 v_proj = np.sum(binary, axis=0) // 255 char_regions = [] in_char = False start = 0 for i, v in enumerate(v_proj): if v > 2 and not in_char: in_char = True start = i elif v <= 2 and in_char: in_char = False if i - start >= 15: # 过滤笔画断裂产生的碎片 char_regions.append((start, i)) if in_char: char_regions.append((start, len(v_proj))) # 每个字符统一缩放到目标尺寸 result = [] for s, e in char_regions: char_img = binary[:, s:e] char_img = cv2.resize(char_img, target_size) result.append(char_img) return result

这里有一个很关键但容易被新手忽略的处理：二值化之后要检查字符颜色在哪一边。蓝底白字的车牌，二值化后字符应该是白色；但如果输入是临时牌照或者反光导致颜色反转，二值化结果就会变成白底黑字，此时不反转的话，后续投影切分出来的全是背景。判断逻辑很简单：白色像素明显多于黑色像素就说明白的是背景，取反一次就好。

垂直投影切分时用v > 2而不是v > 0，是为了跳过个别噪点列。宽度过滤i - start >= 15，过滤掉笔画断裂或污渍产生的碎片区间。注意“京”“沪”这类汉字内部结构复杂，可能出现一个汉字被切分成多块的极端情况，遇到这种要回到分辨率和二值化参数上找原因，或者改用连通域标记切分。

3.3 字符识别：模板匹配类的完整实现

字符识别我推荐写成模板匹配类。好处是启动时一次性加载所有模板，之后每张字符图只需要做几十次matchTemplate计算，速度非常快。

# plate_recognize.py import os import cv2 import glob class PlateRecognizer: def __init__(self, template_dir, template_size=(48, 96)): """ template_dir: 模板目录，文件名即字符名称 template_size: 模板统一尺寸，必须与分割输出一致 """ self.templates = {} self.template_size = template_size for path in glob.glob(os.path.join(template_dir, "*.png")): name = os.path.splitext(os.path.basename(path))[0] tpl = cv2.imread(path, cv2.IMREAD_GRAYSCALE) if tpl is None: print(f"警告: 无法读取模板 {path}") continue tpl = cv2.resize(tpl, template_size) _, tpl = cv2.threshold(tpl, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) self.templates[name] = tpl def match(self, char_img): """ 对单个字符图像做模板匹配 返回: (字符, 相似度得分) """ if len(self.templates) == 0: return None, -1 best_name = None best_score = -1 for name, tpl in self.templates.items(): res = cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED) _, score, _, _ = cv2.minMaxLoc(res) if score > best_score: best_score = score best_name = name return best_name, best_score

模板匹配的相似度指标用TM_CCOEFF_NORMED，这是归一化相关系数，取值范围从-1到1，1代表完全一致。它对比度变化有一定鲁棒性，比直接算像素差更适合实际照片。得分超过0.7基本可以认为匹配正确，0.5到0.7之间要警惕相似字符，比如数字0和字母O在同一个字体下得分可能非常接近。模板目录里的文件名即识别结果，所以汉字模板用“京.png”这种格式，数字用“0.png”，字母用“A.png”，不要用小写字母做文件名，否则识别结果里会混入非法的小写字符。

3.4 主流程串联：main.py的调用逻辑

最后把三个模块串进main.py：

# main.py import cv2 from plate_locate import locate_plate from plate_segment import segment_characters from plate_recognize import PlateRecognizer def recognize_image(img_path, recognizer): img = cv2.imread(img_path) if img is None: print(f"无法读取图片: {img_path}") return None, 0.0 box = locate_plate(img) if box is None: print("未定位到车牌区域") return "", 0.0 chars = segment_characters(img, box) plate_str = "" total_score = 0.0 for c in chars: ch, score = recognizer.match(c) if ch is None: plate_str += "?" continue plate_str += ch total_score += score avg_score = total_score / len(chars) if chars else 0.0 return plate_str, avg_score if __name__ == "__main__": recognizer = PlateRecognizer("templates") result, score = recognize_image("test_images/京A12345.jpg", recognizer) print(f"识别结果: {result}, 平均置信度: {score:.2f}")

主流程的逻辑顺序和前面拆解的三步完全一致。特别注意recognizer对象在整个程序里只创建一次，不要每次识别都重新加载模板，否则批量图片时磁盘I/O会吃掉很多时间。这段代码整体就是“下载一个车牌识别-python源码包解压后”最常见的组织方式，如果包里没有main.py而是把所有逻辑堆在一个文件里，也不影响理解，只是可维护性差一些。

4. 参数调优的4个关键细节：从识别率60%到90%的差距往往就在这些参数里

4.1 Canny阈值：边缘太少会漏检，边缘太多会误检

Canny两个阈值直接决定后续轮廓分析的质量。高阈值太大，车牌边缘可能因为对比度不够而断成碎段；低阈值太小，车身线条、树影、灯柱纹理全进入边缘图，闭运算后会出现大量噪声轮廓。调Canny参数这件事有一定“玄学”成分，差一个数字识别率就完全不同，但核心原则是固定的：边缘宁可多不可少，因为后面还有宽高比和面积过滤能去掉误检，漏检就什么都没了。

实际调参建议是：先固定形态学内核参数，在测试图片上跑一遍，把edges图用imshow打出来看。发现车牌边缘断裂明显，就把高阈值从200下调到150，低阈值同步调到80。发现边缘图里噪点密布，就把低阈值往上提到120，高阈值不动。不同光照的经验值：白天强光(100, 200)稳定，黄昏或阴影降到(80, 150)，夜间补光可以提高到(120, 240)。曝光不稳定的视频流，可以用cv2.Canny(blurred, 50, 150)配合前面提到的CLAHE对比度增强，对动态范围大的场景更宽容。

4.2 形态学内核大小：连不上断线和连出伪轮廓之间只有几步

形态学闭运算的内核尺寸，对定位结果的影响比Canny阈值更直观。内核太小，车牌边缘的断口连不上，闭运算后矩形不闭合，findContours找不到完整外框。内核太大，车牌上下边缘会被横向拉长并和车身线条连通，候选框变成覆盖半个车头的超大矩形，宽高比过滤直接失效。

(17, 5)这个尺寸的经验基础是车牌宽高比3.14。宽度17是为了覆盖横向断口，高度5是因为车牌字符和边缘之间通常有几像素间隙，太高会把字符连入外框。框选结果偏宽、包住多个字符，说明内核宽度太大，从17改到11或9。定位经常失败返回None，先看闭运算后的closed图，确认车牌区域是否形成了完整闭合的白块，没有就加大内核尺寸。这里可以用一个调试小技巧：把不同内核尺寸跑出来的closed图横向拼在一起对比，一眼就能找到合适的区间。

4.3 车牌宽高比与面积阈值：两道候选过滤最容易出错的地方

过滤条件直接决定最终返回哪个候选框。宽高比2.5到4.5已经排除掉大部分非车牌矩形，但挡不住两种特殊情况：一是车身侧面线条或前保险杠形成的长条矩形，宽高比也在3附近；二是远处的小车车牌，面积不够却又真是目标。

面积阈值8000在1080p上够用，但640x480的图里车牌区域面积可能只有1500到3000，阈值不降下来车牌就被误过滤了。我的做法是让面积阈值和图片分辨率挂钩：area_threshold = int(img_width * img_height * 0.001)，车牌至少占全图千分之一面积。低于这个值的基本不可能是车牌。宽高比过滤之后还可以加一道颜色校验：统计候选区域在HSV空间里的蓝色像素占比，超过30%再认可为蓝牌，这招对白车和银灰色车干扰频繁的情况非常有效；换到黄牌或新能源绿牌时，色相范围也要跟着换。

4.4 二值化与模板尺寸统一：模板匹配翻车的最常见源头

分割模块里选Otsu而不是固定阈值，是因为车牌图片亮度变化太大，固定阈值在暗场景下会把字符和背景融为一体。Otsu自动找全局最优阈值，适合大部分场景，但强反光或阴影横穿车牌时也会失效，此时改用cv2.adaptiveThreshold局部自适应二值化，对光照不均的鲁棒性好很多，代价是计算量增加。

模板尺寸统一是模板匹配成功的前提。模板不能存多大就用多大，必须resize到和分割输出完全一致的(48, 96)。尺寸不一致时matchTemplate会直接报断言错误，报错信息还很隐晦。模板预处理时也做一遍Otsu二值化，保证模板和待识别字符都是黑底白字，否则模板是灰度图、待识别字符是二值图，相关系数普遍偏低。

注意：模板匹配的前提是模板和待识别字符在同一个色彩空间、同一个尺寸下。如果你的匹配得分普遍低于0.5，先检查模板预处理逻辑是否和分割模块的二值化方向一致，这是最容易被忽略的隐含约定。

5. 车牌识别常见问题排查与避坑：五个翻车现场和对应解法

5.1 定位框一大片或者返回None，车牌明明在画面里

现象：locate_plate返回一个超大矩形框，框里露出半个车头；或者直接返回None，调试输出“未定位到车牌区域”。

原因：超大矩形框是形态学内核(17, 5)偏大，把车牌边缘和保险杠、大灯等亮色轮廓连成一片，闭运算后合成一个大外框。返回None则相反，是Canny阈值偏高导致车牌边缘断裂，形态学闭运算连不起来。

解决：先看中间结果，把edges和closed两张图分别打出来，确认车牌区域在edges里是否清晰完整。边缘断裂就降Canny低阈值到80左右；边缘完整但框太大就缩小形态学内核宽度到11。可视化中间结果是定位调参的唯一可靠手段，不要凭感觉盲改。

5.2 字符分割多出来一个竖条，或多切出一块

现象：识别结果末尾多了一个字母或数字，或者汉字被切成两半，模板匹配输出两个奇怪字符。

原因：多出来的字符通常来自车牌右边框或螺孔，铆钉螺帽在二值化后是圆形亮点，位置落在字符区间外时会被垂直投影当成字符列。汉字被切两半则是“京”“沪”这类字中间空隙大，垂直投影在汉字内部出现断点。

解决：分割前先裁剪上下边框，然后对二值图做一次形态学开运算，核大小(3, 3)，去掉螺帽和细小噪点。针对汉字内部断裂，在切分后加一个合并约束：如果相邻两个字符区间的间隔小于平均字符宽度的三分之一，就合并成一个区间。标准车牌是7个字符，区间数量超出7个时优先怀疑边框或螺帽未滤干净。

5.3 汉字模板匹配得分普遍偏低，数字和字母正常

现象：识别结果数字字母全对，汉字部分每次得分只有0.5左右，经常匹配成错字或输出问号。

原因：模板库里的汉字模板太少或风格单一。网上流传的源码包模板大多是官方标准字体，但实际照片里的汉字会因光源、污染、轻微角度产生形变；另外多个省份简称字形相近，低分辨率下得分非常接近。

解决：把测试图里真实出现的汉字字符裁剪下来，存成实际场景模板，扩进templates目录，让模板集覆盖不同光照下的字形。如果某几个汉字模板互相干扰，在识别后加最低得分阈值兜底，低于0.6就输出“？”并在日志里提示人工复核，宁可识别成未知，也不要输出一个错误字符。

5.4 同一份源码在别人电脑上跑得好好的，自己环境一跑就崩

现象：报ModuleNotFoundError: No module named 'cv2'，或者findContours解包时报“ValueError: not enough values to unpack”。

原因：前者是依赖没装或者装进了错误的虚拟环境；后者是OpenCV版本不一致，OpenCV 3和OpenCV 4的findContours返回值约定不同，老源码包按OpenCV 3语法解包在OpenCV 4上就会崩。

解决：严格按requirements.txt装依赖，如果requirements.txt没有锁版本，手动指定稳定版pip install opencv-python==4.5.5.64。用python -m venv venv建独立环境再安装，避免系统环境里多版本OpenCV互相污染。findContours兼容问题统一改成contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)，只使用contours返回值。这也是我的血泪经验，帮同事排查过三次同样的报错，全是版本环境问题。

5.5 识别率白天正常，晚上掉一半

现象：白天测试图批量识别率85%，晚上或黄昏的照片大量定位失败，或者定位成功但结果是乱码。

原因：光照不足直接削弱边缘信号，车牌在暗场景下对比度低；蓝底在弱光下变成灰蓝色，颜色过滤效果变差；夜间补光过强还会造成车牌反光，字符和背景的灰度差被压缩。

解决：为夜间单独准备一组参数：Canny低阈值降到60，形态学核加大到(21, 5)，二值化换adaptiveThreshold。对速度要求不高时，在定位前先做CLAHE对比度增强：cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))，能显著提升暗场景边缘的可检测性。工程上拆成白天和夜间两套配置，在调用入口按图片亮度均值自动选择，改动不大但效果立竿见影。

6. 进阶用法：用批量识别和置信度阈值，把图片集上的表现量化出来

模板匹配的识别结果会伴随置信度得分，这个得分不只是调试信息，它可以成为你判断系统质量、过滤低质量识别的依据。我写一个批量测试脚本，把整个test_images目录的图片全跑一遍并输出CSV：

# batch_test.py import os import cv2 import csv from plate_locate import locate_plate from plate_segment import segment_characters from plate_recognize import PlateRecognizer def batch_recognize(img_dir, recognizer, output_csv): rows = [] for fname in sorted(os.listdir(img_dir)): if not fname.lower().endswith((".jpg", ".png", ".jpeg")): continue path = os.path.join(img_dir, fname) img = cv2.imread(path) if img is None: continue box = locate_plate(img) if box is None: rows.append([fname, "", 0.0]) continue chars = segment_characters(img, box) plate = "" scores = [] for c in chars: ch, score = recognizer.match(c) plate += ch if ch else "?" scores.append(score) avg = sum(scores) / len(scores) if scores else 0.0 rows.append([fname, plate, round(avg, 3)]) with open(output_csv, "w", newline="", encoding="utf-8-sig") as f: writer = csv.writer(f) writer.writerow(["图片名", "识别结果", "平均置信度"]) writer.writerows(rows) if __name__ == "__main__": rec = PlateRecognizer("templates") batch_recognize("test_images", rec, "results.csv")

跑完这个脚本，你手里就有一张图片名、识别结果、置信度三列的表格。接下来不要急着改参数，先按置信度分层看错误分布：平均置信度低于0.5的，大部分是定位失败或车牌倾斜严重，要调形态学和Canny；0.5到0.7之间的，大概率是字符分割把边框切进来或汉字形变，要调分割和二值化；0.7以上还识别错，才需要怀疑模板质量。按这个顺序排查，比对着几十张图挨个肉眼看高效得多。

另一个实际部署里很值钱的习惯是设置置信度阈值：低于0.6的输出标记为“待人工确认”。停车场道闸系统里，低置信度的抓拍图自动转人工复核队列，比强行让系统输一个错误车牌好太多。早期我做的版本不加置信度过滤，夜间识别把“鲁A”认成“鲁B”，用户一天投诉两起；后来加了阈值过滤，虽然多了一批人工复核单，但用户体验反而上来了。希望这些经验和坑位记录能帮到你，让你在车牌识别的路上少走几段弯路。

本文还有配套的精品资源，点击获取