OpenCV车牌识别系统源码解析：传统视觉方案与SVM模型实战

简介：基于Python与OpenCV实现的车牌识别系统源码，面向计算机视觉课程期末大作业及相关技术学习者，可帮助快速掌握车牌定位、字符分割与识别的完整流程。压缩包共29个文件，大小仅约13.87MB，内部包含Python预测脚本与界面模块、SVM分类模型文件、中英文训练字符数据集（7z）、多张JPG测试图片以及XML、IML等工程配置，结构划分清晰，便于对照学习。该项目曾获导师评审96分以上，代码经严格调试，下载后即可运行，适合直接作为课程设计、毕业设计的参考实现。目前已有七百余人学习下载，覆盖了从刚接触OpenCV的学生到需要快速搭建原型的研究者。通过阅读源码与数据组织，不仅能理解图像预处理、特征提取等关键环节，还能学习如何将训练好的SVM模型应用到实际车牌识别任务中，实用性与参考价值兼备。

1. 把 OpenCV 车牌识别源码包拆开：传统视觉方案为何还能拿 96 分

车牌识别在 OpenCV 与 Python 的经典组合下，一直是期末大作业和毕设的高频选题。这份“基于 Python+OpenCV 的车牌识别系统源码”，走的不是深度学习路线，而是传统计算机视觉里的三段式流程——车牌定位、字符分割、SVM 识别。它能在不依赖 GPU、不用 TensorFlow 的环境里稳定跑到 96 分，靠的是两个训练好的 SVM 模型文件（svm.dat 与 svmchinese.dat）加上一套完整的 test 实拍图验证集。对刚接触 opencv python 车牌识别的人而言，这是理解图像处理流水线的最佳起点，也是课程设计里性价比极高的参考实现。它的定位很明确：解决“怎么从一个复杂背景的车辆照片里，把车牌区域找出来、把字符读出来”这件事。

2. 系统全貌与文件角色：谁管定位，谁管识别

2.1 解压后的文件清单与运行入口

拿到压缩包后，第一件事是先看清每个文件干什么，避免瞎跑。从项目正文里能看到的主要文件有这些：

入口是 predict.py。打开它第一步应检查里面的图片路径参数，常见实现会写成sys.argv[1]从命令行接收图片文件名，或者在代码里硬编码成test/u=1691206349.jpg这种相对路径。我一般建议先跑自带的那张测试图，确认环境通，再换成自己的图片。

2.2 三段式识别流程：定位、分割、识别的配合逻辑

这套系统不依赖神经网络，整个预测过程可以拆成三个环节。

第一步是车牌定位。读入图片后先转成 HSV 色彩空间，因为蓝色车牌和黄色车牌的色调区间相对稳定，用颜色阈值做掩膜，比直接用灰度边缘检测更抗背景干扰。常见做法是用cv2.inRange提取蓝色区域，再做形态学闭运算，把零散的车牌字符连通成一个矩形块，最后通过轮廓的宽高比和面积过滤掉非车牌区域。

第二步是字符分割。拿到车牌矩形后，转灰度、二值化，用垂直投影统计每一列的黑白像素分布，字符之间的间隔会在投影图上形成低谷，据此切出单个字符区域。切完后统一缩放到固定尺寸，比如 20×20，保证 SVM 输入维度一致。

第三步是 SVM 分类。每个字符图生成特征向量，分别送进 svm.dat（字母数字）或 svmchinese.dat（汉字）做预测。这里有个值得注意的设计：字符识别分两套模型，是因为字母数字的类别空间与汉字差异较大，混在一起训容易互相干扰。predict.py 里通常能看到两次load调用，分别加载这两个模型文件。

2.3 双模型设计的工程考量：错一个汉字比错一个字母更伤

单独说下为什么汉字要单独占一个模型文件。车牌第一位是省份简称（京、沪、粤这类），如果这个字识别错，整个车牌就完全不对了。而后续的字母和数字，比如“A”和“4”在某些字体下本来就接近，错一个还能靠上下文猜测补救，但首位汉字没有这种容错空间。

所以工程上把汉字单独训练，样本集也单独存放一份 charsChinese.7z。这种做法在资源包里体现得很清楚。训练时汉字模型的类别数是 31 个左右（省份简称），而 svm.dat 覆盖 34 个字母数字类别（有些车牌字母与数字共用字符，比如 O 和 0 只保留一个）。两套特征提取参数可能也不一样，汉字笔画密集，特征维度或者核函数参数需要单独调。这就是为什么重训时不能只动 svm.dat，必须把 svmchinese.dat 一起考虑的底层原因。

3. 环境搭好与首次运行：一张图跑通需要几步

3.1 依赖安装与 Python 版本选择

这个项目从predict.cpython-37.pyc能看出来，原开发环境是 Python 3.7。OpenCV 的版本选择有讲究，推荐装 4.x 系列，因为接口和 3.x 基本兼容，但对新系统的支持更好。

pip install opencv-python==4.5.5.64 pip install numpy

逻辑说明：只装 opencv-python 和 numpy 就够跑预测流程。opencv-python 这个包自带 OpenCV 运行库，不需要单独装原生 OpenCV。版本锁到 4.5.5 是为了避免过新版本在 Windows 上出现 DLL 加载问题，如果你用 Linux 或 macOS，直接装最新版也可以。

参数说明：numpy 是 OpenCV 的底层依赖，mask 操作和矩阵运算全依赖它。缺少 numpy 时，cv2.inRange这类函数会直接报module 'numpy' has no attribute 'ndarray'之类的错，所以它必须单独确认安装成功。

3.2 解压与目录结构还原

train chars2.7z 和 charsChinese.7z 需要用 7-Zip 或 WinRAR 解压。解压后目录结构建议保持成这样：

LicensePlateRecognition/ ├── predict.py ├── surface.py ├── svm.dat ├── svmchinese.dat ├── config.js ├── train_chars/ # 由 train chars2.7z 解压得到 └── charsChinese/ # 由 charsChinese.7z 解压得到

逻辑说明：预测阶段其实不需要训练样本目录，但 svm.dat 和 svmchinese.dat 必须在 predict.py 的同一级目录下，否则代码里相对路径svm.dat会找不到文件。

参数说明：解压时注意路径不要带空格和中文。Windows 下解压到C:\Users\你的用户名\Desktop\xxx这种带中文的路径，OpenCV 的imread在部分版本下有历史遗留问题，读到中文路径会直接返回 None。后面避坑章节会再展开。

3.3 运行 predict.py 并理解输出

python predict.py test/wA87271.jpg

逻辑说明：如果 predict.py 内部用sys.argv[1]接收图片路径，上面的命令就会对 test 目录下的测试图执行识别。如果脚本内部不是这种写法，而是一开始就硬编码了某张图，那就直接改成python predict.py，看看默认效果。

参数说明：test 目录里那些以字母开头的 jpg（如 wA87271.jpg、cAA662F.jpg）都是不同省份、不同采集角度的真实场景图。以 w 开头的一般是蓝色车牌样例，c 开头的可能包含黄色或特殊底色车牌，跑批时最好把它们全测一遍，别只盯着一张图看效果。

3.4 config.js 里的参数到底改了有没有用

config.js 是这套代码里容易被忽略、但改错影响很大的文件。它通常保存 HSV 阈值范围、形态学核大小、字符归一化尺寸。例如这样的结构：

{ "blue_lower": [100, 43, 46], "blue_upper": [124, 255, 255], "kernel_size": [17, 3], "char_width": 20, "char_height": 20 }

逻辑说明：blue_lower 和 blue_upper 是 HSV 蓝色范围的上下限。OpenCV 的 HSV 中 H（色调）范围是 0 到 180，蓝色大约在 100 到 124 之间。如果你拍的图片偏色严重，定位不到蓝色车牌，先改这里，而不是改灰度阈值。

参数说明：kernel_size 是形态学闭运算的核大小。核太宽会把两个相邻字符粘成一个区域，导致分割失败；核太窄，车牌区域连不成一整块，轮廓筛选时会被面积条件过滤掉。这个值是按 136×36 这种典型车牌尺寸设计的，如果你的输入图分辨率特别大，按比例放大核大小会更稳。

提示：改完 config.js 后要重新启动 predict.py，这个文件只在程序启动时读一次，不是热加载。

4. 训练数据与模型重训：从 96 分往 98 分走的路径

4.1 样本集结构与数量估算

train chars2.7z 里是字母数字样本，charsChinese.7z 里是汉字样本。典型结构是每个字符一个文件夹，文件夹名就是标签，里面是该字符的各种字体、各种亮度样本。比如train_chars/0/放数字 0 的样本，train_chars/A/放字母 A 的样本。

这种结构对重训非常友好。用 Python 遍历文件夹就能得到带标签的数据集，不需要手动标注。样本数量上，字母数字每类几十到一两百张属于正常量级，汉字因为笔画复杂，样本量往往需要更多。如果你发现识别率卡在某个字上，比如“鄂”和“湘”经常互相认错，优先检查这个字的样本数是否太少。

4.2 特征提取与训练脚本：HOG 还是原始像素

经典做法有两种，一种是直接把字符图 resize 到 20×20，转灰度后拉成一维 400 维向量喂给 SVM；另一种是提取 HOG（方向梯度直方图）特征。这两种方案在这个项目里都有人用，但效果差异明显。原始像素对光照变化敏感，同一个字在不同亮度下像素分布差异大；HOG 特征关注梯度方向，对光照有一定的鲁棒性。

我一般建议用 HOG，因为车牌字符是印刷体，边缘清晰，梯度特征非常稳定。下面是一个基于 OpenCV 的 HOG 特征提取加 SVM 训练的补全思路：

import cv2 import numpy as np from sklearn.svm import LinearSVC import os def load_samples(base_dir): X, y = [], [] for label in os.listdir(base_dir): label_dir = os.path.join(base_dir, label) if not os.path.isdir(label_dir): continue for fname in os.listdir(label_dir): img = cv2.imread(os.path.join(label_dir, fname), cv2.IMREAD_GRAYSCALE) if img is None: continue img = cv2.resize(img, (20, 20)) hog = cv2.HOGDescriptor((20, 20), (10, 10), (5, 5), (5, 5), 9) feat = hog.compute(img).flatten() X.append(feat) y.append(label) return np.array(X), np.array(y) X, y = load_samples("train_chars") clf = LinearSVC() clf.fit(X, y)

逻辑说明：load_samples函数按文件夹名读取标签，对每张图统一 resize 到 20×20，然后用 HOGDescriptor 计算特征。HOGDescriptor 的参数(20, 20)是窗口大小，(10, 10)是块大小，(5, 5)是块步长，(5, 5)是单元格大小，9 是梯度方向数。这组参数对印刷体字符是比较通用的设定。

参数说明：如果做汉字重训，建议把窗口调大到 24×24 或 32×32，因为汉字笔画比字母数字密集，20×20 的分辨率可能丢失关键笔画细节。LinearSVC 的 C 值默认是 1.0，如果训练集不大，把 C 调小到 0.5 有助于防止过拟合。

4.3 保存模型并替换 svm.dat

训练完成后，需要把模型保存成 OpenCV 能加载的格式。sklearn 的模型不能直接被 predict.py 里的cv2.ml.SVM_load使用，需要做一层转换。常见做法是用 OpenCV 自带的 SVM 再训一遍，或者把 sklearn 的权重导出后重新构造。更省事的方案是直接用 OpenCV 的 SVM 接口训练：

svm = cv2.ml.SVM_create() svm.setType(cv2.ml.SVM_C_SVC) svm.setKernel(cv2.ml.SVM_LINEAR) svm.setC(1.0) svm.train(feat.astype(np.float32), cv2.ml.ROW_SAMPLE, labels.astype(np.int32)) svm.save("svm.dat")

逻辑说明：这段代码用 OpenCV 原生 SVM 训练线性分类器，setType指定 C-SVC 分类器，setKernel指定线性核，setC是惩罚系数。训练数据必须转成float32，标签必须转成int32，OpenCV 对数据类型的要求比 sklearn 严格得多。

参数说明：训练前要把标签映射成从 0 开始的连续整数。比如字母数字共 34 类，那就映射成 0 到 33，否则 OpenCV SVM 在训练时可能报train data must be a floating-point matrix或者类别数不连续的错误。保存成 svm.dat 后，要把原文件备份再替换，因为一旦新模型效果不理想，你还有后悔药可以吃。

提示：重训 svmchinese.dat 时，样本路径换成 charsChinese 解压后的目录，其他流程完全一样。但注意汉字类别多，训练时间会比字母数字长不少，如果卡住不动，先把图片缩到 24×24 再试。

5. 避坑指南：这套系统最容易翻车的五个现场

5.1 相对路径错误：svm.dat 明明存在却报文件不存在

现象：在 PyCharm 里点击运行 predict.py，报Unable to load SVM model from svm.dat，但文件管理器里看得到 svm.dat 就在项目根目录。

原因：PyCharm 的运行目录默认为项目根目录，但如果你把 test 目录设置为 working directory，或者代码里用了os.chdir切换了当前路径，相对路径就失效了。文件在磁盘上存在，但进程的工作目录不是文件所在目录。

解决：先把 predict.py 里的模型加载路径改成绝对路径，或者统一用os.path.join(os.path.dirname(__file__), "svm.dat")定位。这个写法是从脚本所在目录出发找文件，不受当前工作目录影响。从那以后我接手任何 Python 视觉项目，第一件事就是把所有静态资源路径改成基于__file__的形式。

5.2 OpenCV 版本不同导致接口报错

现象：运行到 SVM 加载时报AttributeError: module 'cv2.ml' has no attribute 'SVM_load'，或者训练时报SVM_create is not defined。

原因：OpenCV 2.x 时代，SVM 接口是cv2.SVM_create()；OpenCV 3.x 之后，SVM 被挪到cv2.ml子模块下。如果环境里装的是老版本或者自定义编译版本，接口路径对不上。

解决：统一用cv2.ml.SVM_create()和cv2.ml.SVM_load()。如果项目里既有老代码又有新代码，可以在文件头部加一段兼容层判断，例如if hasattr(cv2, 'ml'): SVM = cv2.ml.SVM_create。检查当前版本用print(cv2.__version__)，4.x 版本直接支持新接口，不需要额外处理。

5.3 中文车牌显示乱码：识别对但输出全是问号

现象：识别结果在控制台打印时，汉字部分显示成??或者乱码，英文字母和数字正常。

原因：控制台默认编码与 Python 输出编码不一致。Windows 中文系统的 GBK 编码与 Python 默认的 UTF-8 有冲突，print 中文字符串时被解码错误。另外 OpenCV 的putText无法直接渲染中文，如果 surface.py 里把结果画到图上，中文也会变成问号。

解决：如果只是控制台输出，在文件开头加import io, sys; sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')。如果是画到图片上，必须用 PIL 加载中文字体渲染，不能依赖 cv2.putText。这个坑在期末答辩演示时很尴尬，识别结果图上全是问号，分数直接受影响。

5.4 蓝色阈值调了半天，黄色车牌全漏检

现象：对蓝色车牌识别正常，换成黄色车牌（比如驾校教练车、部分工程车）直接定位不到，输出为空。

原因：config.js 里的 inRange 阈值只覆盖蓝色区间。如果代码里没有根据车牌颜色动态切换上下限，黄色车牌的 HSV 分量会被蓝色掩膜直接过滤掉。还有一层可能是 HSV 的 H 分量在 OpenCV 里范围是 0 到 180，而有些教程写的 Hue 范围是 0 到 360，直接套用导致阈值永远不匹配。

解决：看 config.js 里是否定义了 yellow_lower 和 yellow_upper。没有的话，通过cv2.cvtColor(img, cv2.COLOR_BGR2HSV)手动取黄色像素的 HSV 值，一般黄色 H 在 20 到 35 之间。然后修改定位逻辑，分别计算蓝色和黄色掩膜，做按位或后合并，再走后面的形态学与轮廓筛选。

5.5 样本泄漏：训练时把测试图当样本，评估分数虚高

现象：自己重训模型后，test 目录里几张图识别率接近 100%，但拿一张没见过的实拍图，识别率骤降。

原因：训练样本集和验证图片来自同一个采集来源，甚至有的测试图就是从样本库里挑出来的。这类数据在课程作业里很常见，但真实场景中车牌角度、光照、遮挡千差万别，模型泛化能力弱。

解决：重训时把样本随机划分成训练集和验证集，比例 8:2，验证集不参与拟合。每次训练完先看验证集准确率，再看 test 目录实拍准确率。如果训练集 98 分但验证集只有 85 分，这就是过拟合信号，减小 SVM 的 C 值或者增加训练样本量再试。

6. 进阶用法：把单张图识别改造成批量验证脚本

当单张图跑通后，下一步值得做的不是调参数，而是写一个批量验证脚本，把 test 目录里的二十多张图全部跑一遍，统计定位成功率和字符识别准确率。这个习惯能让你在答辩时拿出表格数据，而不是只演示三张效果好的图。

import os import subprocess test_dir = "test" results = [] for fname in os.listdir(test_dir): if not fname.endswith(".jpg"): continue fpath = os.path.join(test_dir, fname) out = subprocess.check_output(["python", "predict.py", fpath], encoding="utf-8") results.append((fname, out.strip())) print("共测试", len(results), "张") for item in results: print(item)

逻辑说明：这个脚本遍历 test 目录下所有 jpg，逐个调用 predict.py，收集识别结果。它不会修改原代码，只是把 predict.py 当作一个命令行工具来驱动，适合不熟悉内部接口的快速验证。输出格式是(文件名, 识别结果)的元组列表。

参数说明：如果你的 predict.py 不接受命令行参数，也可以改用surface.py的批处理入口，或者直接在脚本里import predict后调用其内部函数。判断依据是 predict.py 里的主逻辑是否包在if __name__ == "__main__":块里，包了就能安全导入。

做完批量验证后，把识别错的图片挑出来，单独看是定位问题还是字符分割问题：用调试模式保存中间结果图（掩膜图、二值化图、分割后的每个字符图），这一步能让你在报告里写清楚每个环节的错误来源。这类传统视觉项目的通病是定位错了后面全错，但答辩老师更关心你有没有排错能力。

我从那次以后，每次拿到新的车牌数据集，都强制自己走一遍「单张 → 批量 → 错误分类 → 针对性调参」这套流程，尤其是平时开发中，这算是这套源码带给我最大的价值了。如果你也准备把这份资源用在自己的课设或毕设里，建议先按第 3 章跑通一次，再按第 4 章重训一次，最后按第 6 章做批量验证，希望帮到你。

本文还有配套的精品资源，点击获取