Halcon车牌识别实战：传统图像处理搞定定位与字符分割

直接上结论：Halcon做车牌识别，比很多人想象中要简单得多。不管你是刚入行机器视觉的工程师，还是学校里头一次接触Halcon做课程设计的同学，“基于Halcon的简易车牌识别”都是一个非常合适的练手项目。它不依赖深度学习、不需要训练模型，只用Halcon里最常用的图像处理算子和模板匹配就能跑通一整套流程：定位车牌、分割字符、识别字符、输出结果。这个项目的价值不在于“能识别得多准”，而在于它能完整逼你走一遍机器视觉项目的基本路线，把图像预处理、形态学操作、区域筛选、模板匹配这些基本功练扎实。这篇文章就围绕这个标题，把整个项目的设计思路、代码实现和踩坑记录全部分享出来，希望对准备上手Halcon的同行有帮助。

1. 项目整体设计与方案选型思路

先说结论：简易车牌识别不用上深度学习，传统图像处理方案在这个场景下反而更合适。核心原因有三个：样本需求低、调试过程透明、硬件要求不高。深度学习方案对样本量和训练环境都有门槛，而传统方案只要图像质量不是太离谱，几十行算子就能跑出一个可用的结果。

1.1 为什么选Halcon而不选OpenCV

很多新手会纠结Halcon和OpenCV的选型。这里不吹不黑，直接说两者在这个项目里的实际差异：

说点实际感受。我第一次用Halcon跑车牌识别的时候，最大的感触是“区域操作太方便了”。OpenCV里的阈值分割、轮廓查找、筛选，每一步都得自己维护数据结构；而Halcon里把Region这个东西做到了极致，分割出来的区域天然支持面积、宽高比、形状等特征筛选，很多在OpenCV里要写几十行的逻辑，Halcon一个select_shape搞定。

另外，HDevelop的调试环境对入门者极其友好。每个算子的输出都能立刻可视化，阈值选高了还是选低了、形态学核选大了还是选小了，眼睛一看就知道。这种“所见即所得”的调试方式，对理解图像处理每一步在干什么非常有帮助。

1.2 简易车牌识别的整体技术流程

整个项目可以用一条清晰的流水线来概括：

1. 读取图像，转灰度图预处理
2. 通过灰度阈值和形态学处理定位车牌区域
3. 裁剪出车牌区域，做字符级的二值化
4. 对车牌区域做字符分割，按顺序排列
5. 用模板匹配或OCR识别每个字符
6. 后处理校验，输出完整车牌号

这个流程基本覆盖了传统机器视觉项目的地基：预处理、分割、特征提取、模式识别。这里面最核心的难点是第2步“车牌定位”，因为自然场景下的背景干扰最多；真正到了字符识别阶段，只要前两步做扎实，识别反而相对简单。这也是为什么标题强调“简易”——它不求应对各种极端场景，只要求在可控条件下跑通全流程。

有一点要提醒：车牌识别这个方向，难点从来不在于“识别”本身，而在于“定位”和“分割”。很多新手一上来就研究字符识别的算法选型，结果发现识别准确率很高但根本没定位到车牌，这是走偏了。我的建议是把70%的调试精力放在定位环节。

2. 车牌定位：从复杂背景中锁定车牌区域

车牌定位是整个项目里最考验图像处理基本功的环节。实际拍摄的图片里，背景可能是路面、绿化带、车身、建筑，如何把蓝底白字的车牌从这些干扰中剥出来，核心套路是先靠颜色或灰度差异做初筛，再用形态学操作和形状特征做精筛。

2.1 图像预处理与灰度化思路

Halcon里读取图像后，第一步通常是灰度化。

read_image (Image, 'car_plate.jpg') rgb1_to_gray (Image, GrayImage)

有人会问：既然车牌是蓝色的，直接用彩色通道处理不是更好吗？确实可以，而且某些场景下效果更好。但简易方案里我建议先用灰度图，原因有二：一是灰度化后所有后继操作都是单通道，逻辑简单、调试直观；二是很多自然图像里的干扰来自颜色相近的区域，灰度化反而能减少颜色因素带来的误判。

当然，如果你的图像里车身的蓝色和车牌蓝非常接近，灰度化后可能会粘连在一起难以分离。这时候可以换个思路，在HSV空间里提取蓝色通道。但既然标题是“简易车牌识别”，这里不做深度展开，灰度化方案已能覆盖大多数白天光线下的场景。

2.2 灰度阈值分割与形态学处理

灰度化之后，关键一步是阈值分割。蓝底车牌的灰度值通常呈现一个特征：在灰度图上，蓝色车牌的亮度介于深色背景和白色字符之间。实际操作中，我们会先用threshold初步提取一个大致区域：

threshold (GrayImage, Region, 80, 180)

这个阈值的取值没有标准答案，完全取决于你的图像样本。括号里“80, 180”的意思是提取灰度值在80到180之间的像素区域。如果你发现车牌区域被漏掉了，说明阈值范围选窄了；如果背景干扰太多，说明范围选宽了。

阈值分割得到的是一个个离散的像素块，看起来杂乱无章。这时候就要靠形态学操作把它们连成完整的候选区域。最常用的是开运算和闭运算的组合：

opening_circle (Region, RegionOpening, 3.5) closing_circle (RegionOpening, RegionClosing, 8.5)

开运算的作用是去掉细小的噪声点，闭运算的作用是填补区域内部的空洞、连接断开的边缘。车牌本身的字符是白色的，会形成一个个空洞，闭运算后字符空洞被填补，整个车牌形成一个完整的矩形块。这一步做完，车牌区域的雏形就出来了。

这里有一个非常实用的调参思路：先做开运算，逐渐增大半径，观察噪声点是否消失；再做闭运算，逐渐增大半径，观察车牌区域是否连成整体。每次调整后用HDevelop的可视化窗口看中间结果，基本上调个三四轮就能找到合适的参数组合。

2.3 用形状特征筛选候选区域

形态学处理后，图像里还会残留很多非车牌区域。接下来用形状特征做筛选。车牌区域最典型的特征是宽高比，标准燃油车牌的宽高比约为3.14左右。实际拍摄时因为透视角度差异，通常会落在2.5到4.0之间。Halcon里的select_shape就是为这种情况设计的：

connection (RegionClosing, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, ['width', 'height', 'area'], 'and', [180, 50, 4000], [450, 160, 30000])

这段代码的意思是：先把形态学区域拆解成一个个独立连通域，然后按宽度180到450像素、高度50到160像素、面积4000到30000像素的约束条件筛选。这样就能把大多数细长条、小碎块、超大块干扰全部滤除。

如果筛选完还剩多个候选区域，可以用sort_region按面积或者坐标排序，取面积最大或位置最居中的那个。再到HDevelop窗口里用smallest_rectangle2算子取候选区域的最小外接矩形，如果矩形的倾斜角度接近水平，则可以直接按矩形坐标裁剪出来。

有同行可能会问：如果车牌是倾斜的怎么办？简易方案里先不考虑校正，直接对矩形区域做截取也能凑合，但识别率的确会受到一定影响。如果你的图像里存在明显倾斜角，可以在截取前用deskew类算子或者仿射变换做摆正，这个属于进阶优化，项目跑通后再加不迟。

2.4 从图像中裁剪出车牌区域

定位完成之后，用reduce_domain把车牌区域从原图里裁出来：

reduce_domain (GrayImage, SelectedRegions, PlateImage)

到这一步，你已经拿到了一个只包含车牌的小图，后续的字符分割和识别都在这个小图上操作。处理区域变小之后，算法速度会快很多，而且干扰少，识别率也会明显提升。我把这部分单独列出来，是想强调一个工程习惯：能用区域裁剪缩小处理范围的地方，一定要裁剪，不要动不动就在全图上跑算法。

3. 字符分割与识别：把车牌拆解成可识别的单元

车牌定位完成，下一步是把车牌里的字符一个个拆出来，然后分别识别。这一步的成败取决于二值化做得好不好，以及字符之间是否粘连、断裂。

3.1 车牌字符分割的完整流程

拿到裁剪后的车牌区域，第一步是二值化。因为车牌字符是白色的，背景是蓝色，灰度对比非常明显：

threshold (PlateImage, CharRegion, 100, 255)

这一步提取的就是字符本身的白色像素。提取完之后再用connection算子做连通域分析，每一个连通域理论上对应一个字符或者字符的一部分。

但实际处理时有两个问题几乎是必然遇到的：字符断裂和字符粘连。断裂的典型场景是光照不均导致字符中间出现暗纹，粘连的典型场景是字符边缘模糊导致相邻字符之间有灰度过渡区域。处理思路如下：

* 先用开运算消除小的断裂噪声 opening_circle (CharRegion, CharOpening, 1.5) * 再用闭运算把同一字符内断裂的部分连接起来 closing_circle (CharOpening, CharClosing, 2.5) * 连通域分析 connection (CharClosing, CharConnected) * 按字符宽度、高度、面积筛选有效连通域 select_shape (CharConnected, CharSelected, ['width', 'height'], 'and', [15, 20], [80, 150]) * 按照从左到右的顺序排列字符 sort_region (CharSelected, SortedChars, 'character', 'true', 'row')

这里的开运算核设置为1.5，闭运算核设置为2.5，是一个偏保守的参数。核太大容易把相邻字符连成一片，核太小又解决不了字符断裂问题。实际操作时建议把核大小做成参数，用同一个车牌图像反复测试，找到“既能断开相邻字符、又能连上同一字符内断裂”的临界值。

sort_region这一步千万别省。Halcon默认的连通域顺序不一定是按从左到右的阅读顺序排序的，直接识别会输出乱序的车牌号。用sort_region按“character”模式排序后，得到的才是从左到右依次排列的字符序列。

3.2 识别方案：模板匹配还是OCR分类器

字符分割完成后，接下来就是字符识别。Halcon提供两条路：一是用自带OCR分类器（read_ocr_class_mlp直接加载训练好的模型），二是自己建模板做模板匹配。

这两条路的对比很明确：

简易项目里我推荐用模板匹配。理由很实在：模板匹配的逻辑一眼就能看懂，对新手特别友好。你准备一些标准字符图（数字0到9、字母A到Z、省份简称汉字），识别时把每个待识别字符跟模板逐一比对，取相似度最高的作为结果。这个思路几乎不需要解释，上手就能理解。

模板匹配的具体做法是先用create_shape_model建立模板，再用find_shape_model在待识别区域里找最佳匹配。对数字和字母来说，找一组清晰的车牌字符图片，抠出单个字符做成模板即可。省份汉字比较麻烦，因为各省简称字形差异大，模板数量多。简易方案可以先只做几个常见省份的汉字模板，后续再扩展。

有一点必须说：模板匹配对图像质量的要求偏高。如果字符分割后字符本身有残缺，或者透视导致字符变形，匹配的相似度会明显下降。所以做模板匹配前，尽量保证输入字符的清晰度。如果你的车牌图像本身就是模糊的，那不要纠结模板匹配，老老实实去研究Halcon自带的OCR分类器更靠谱。

3.3 字符间“O和0、I和1”混淆的处理

识别完所有字符之后，最后一步是做结果校验。车牌是有固定规则的字符串，可以利用这个规则修正识别结果。最经典的例子是“O”和“0”、“I”和“1”的混淆。英文字母O和数字0在图像上极其相似，模板匹配很可能把它们搞混。

处理办法是在后处理阶段加入规则约束。以标准燃油车牌为例：第一位是省份简称汉字，第二位是英文字母，第三到第七位是字母和数字的组合。其中第二位不可能是“I”和“O”，因为交管规定中这两个字母不用于号牌。所以如果第二位识别出“I”或“0”，可以判定为“1”或“0”。类似地，如果后几位识别出“O”，在中文车牌语境下大概率是“0”。

这段规则逻辑用简单的条件判断就能实现：

* 假设CharList是排序后的字符识别结果 * 第二位如果是I或O，视为异常，按相似度重新匹配

实际处理中，你可以把“O/0”模板同时保留，让匹配算子输出得分最高的候选，然后利用位置规则在多个候选里挑一个合理的。这就是“图像算法+业务规则”的组合打法，能有效提升最终识别准确率。这个技巧在工业生产里也特别常用，千万别只盯着算法本身，业务规则往往是性价比最高的优化手段。

4. 实操全流程：从Halcon代码到完整Demo运行

前面把各个核心环节都拆开讲了一遍，这一节把它们串成一个完整的可运行的Demo。我会按实际操作顺序来写，尽量做到每一步都能照着操作。

4.1 开发环境准备与图像素材建议

Halcon的开发环境是HDevelop，安装包可以到Halcon官方网站下载试用版，试用版对学习来说完全够用。安装完成后打开HDevelop，新建一个程序文件即可开始。

图像素材是不少人的痛点。这里有两个建议，一是自己去停车场、路边用手机拍几张清晰的车牌照片，二是用模拟车牌图片。要注意的是，如果使用模拟车牌做项目，最好选带有光照变化和轻微透视的版本，不要用纯正面、纯平整的素材，否则项目跑通后换真实图像容易直接翻车。

我自己的经验是准备6到10张不同场景的测试图：正面停车、侧向30度、阴影遮挡一半、曝光偏亮、曝光偏暗、夜晚车灯照射。这些场景基本覆盖了“简易方案能处理”的边界。项目跑到什么程度、哪些场景识别不了，心里要有数。

4.2 完整代码流程与关键参数表

下面是一套能够跑通的基本代码框架，结合了前面的所有步骤。为方便阅读，我按阶段编号注释了：

* 1. 读取图像并灰度化 read_image (Image, 'plate.jpg') rgb1_to_gray (Image, GrayImage) * 2. 车牌定位 threshold (GrayImage, Region, 80, 180) opening_circle (Region, RegionOpening, 3.5) closing_circle (RegionOpening, RegionClosing, 8.5) connection (RegionClosing, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, ['width', 'height', 'area'], 'and', [180, 50, 4000], [450, 160, 30000]) * 若存在多个候选区域，选择面积最大的区域 select_shape_max (SelectedRegions, MaxRegion, 'area') reduce_domain (GrayImage, MaxRegion, PlateImage) * 3. 字符分割 threshold (PlateImage, CharRegion, 100, 255) opening_circle (CharRegion, CharOpening, 1.5) closing_circle (CharOpening, CharClosing, 2.5) connection (CharClosing, CharConnected) select_shape (CharConnected, CharSelected, ['width', 'height'], 'and', [15, 20], [80, 150]) sort_region (CharSelected, SortedChars, 'character', 'true', 'row') * 4. 字符识别（模板匹配方式） for i := 1 to |SortedChars| by 1 reduce_domain (PlateImage, SortedChars[i-1], CharImage) find_shape_model (CharImage, CharModelID, 0, 0, 0.5, 1, 0.5, 'false', 0, 0, Row, Column, Angle, Score) * 根据Score选择最佳模板，输出字符 endfor

这段代码是一个骨架，真正跑的时候有几个参数需要根据你的图像调整。我把最关键的参数整理成了一张表：

这张表的价值在于：当你的结果不对时，不要盲目乱改，先判断是“哪种现象”，再去对应调整参数。项目调试里最高的效率来自这种“现象对照参数”的调优方式。

4.3 实际运行效果与处理速度优化建议

我拿一组自己拍的测试图来验证这套代码，运行环境是普通笔记本电脑。处理速度方面，一张1920x1080的图片完整跑完大约耗时150毫秒左右，对于“简易”项目来说已经可以接受。

识别率的表现大致如下：

这个结果应该能看出来，简易方案的瓶颈从高到低依次是：弱光环境、遮挡、倾斜。如果你的项目后续想提升识别率，优先解决的是图像质量改善，比如增加光源、正对车牌拍摄，而不是盲目换算法。这一点做项目的时候要有一个清醒的认识。

速度优化方面有几个性价比很高的做法。一是把图像先缩小再处理，分辨率下降之后，定位环节所需的时间能减少三分之一甚至一半；二是用reduce_domain之后再做后续操作，处理区域小了，算子耗时自然下降；三是在交互式调试完成后，用dev_update_off关闭窗口更新，能大幅减少HDevelop内部刷新耗时。

还有一点：如果你最终要把这套东西做成独立程序，可以把图像采集和处理做成一个循环，从本地视频或相机实时取流，逐帧调用上面这些算子。循环里最需要注意的是每帧之间窗口状态的清理，否则HDevelop里会同时弹出大量窗口，直接卡死。

5. 常见问题与排查技巧实录

这部分直接整理成速查表，每一条都是我在实际调试中踩过的坑，或者帮别人看代码时遇到的高频问题。

5.1 定位不到车牌或候选区域过多

定位不到车牌，最常见的三个原因分别是阈值范围不当、形态学结构元过大、车牌在图像中占比太小。阈值范围不当会导致车牌区域根本没有进入threshold的灰度区间；结构元过大会直接把车牌区域“抹平”；占比太小则会在select_shape里被当噪声滤除。

遇到候选区域过多的情况，优先检查select_shape的约束条件是否太宽。可以把width、height的范围日志打印出来看一下，车牌区域的宽高比一般在3左右，如果筛选出来的区域宽高比忽大忽小，说明阈值或者形态学步骤出了问题，导致背景被过度保留。

一个比较实用的调试技巧是：在HDevelop里用disp_obj分别查看每一步的中间结果，看到哪一步开始出现异常，问题就锁定在哪一步。很多新手卡了很久的问题，一查中间图像立刻就能定位到原因。

5.2 字符粘连或断裂怎么处理

字符粘连的典型表现是识别出来的字符只有一个超宽连通域，分割后直接变成一个物体。解决办法是调整字符分割时的closing_circle核大小，核太大容易黏连，核太小又无法连接断裂部分。这里需要耐心地二分法试参数。

字符断裂的典型表现是同一个字符被分割成了两到三个连通域，最终选择区域时会漏掉部分字符。解决办法第一选择是调大closing_circle，先用闭运算把断口“焊”起来，如果还不行，可以对字符区域做一次dilation（膨胀）。但要小心，膨胀也会让字符边缘变粗，影响后续匹配精度，所以膨胀核宁小勿大。

5.3 字符识别结果中O和0、I和1混淆

这个问题在模板匹配方案里几乎必然出现。最简单的处理办法是准备好O、0、I、1的模板，在识别时同时输出得分前两位的候选，然后靠后处理规则判定。第二位不可能是O和I，后五位里O更大概率是0，I更大概率是1。如果匹配得分差距非常小，规则判定可以放在最高优先级。

5.4 处理速度太慢怎么办

如果一帧处理时间超过1秒，先检查是不是HDevelop的窗口在线更新拖慢了速度，用dev_update_off关闭。再检查是否在全图上跑了形态学大半径算子，大半径的形态学操作非常耗时，建议先缩小图像，或者用金字塔模式的金字塔匹配。

这里的优化逻辑很简单：不要让算法在大画布上做全局操作，而是尽快缩小处理区域。定位阶段哪怕先用很小的图像找到车牌的大致位置，再映射回原图坐标做精处理，速度也会比全程高清处理快得多。这个思想在Halcon项目里非常重要。

另外，如果连续跑视频帧，可以尝试把模板匹配的金字塔层数提高。find_shape_model的时间复杂度跟模板大小和搜索范围相关，提高金字塔层数意味着在高缩小的图像里先粗匹配，再逐级细化，速度会有明显提升，但匹配精度可能会略有下降，需要根据实际识别效果权衡。

最后再分享几点个人体会

这个简易车牌识别项目，我前前后后帮朋友调过好多次代码，每次看到新手在定位环节反复改动阈值都很有感触。其实这个项目真正的核心价值在于：它能够很自然地把图像处理和机器视觉的基本功串起来。很多人说“学了Halcon但不知道拿来做什么”，这个项目就是一个很好的桥梁。从阈值到形态学，从连通域到特征筛选，从模板匹配到规则后处理，机器视觉项目里最常见的技术点几乎全部覆盖到了。

如果后续想做得更深入，有几个方向可以考虑：一是把车牌的倾斜校正补上，能明显提升侧方拍摄场景的识别率；二是研究Halcon的OCR分类器，不再局限于模板匹配；三是在定位环节引入多尺度分析，让算法适应车牌大小变化。这些方向都能在现有框架上稳步扩展，祝调试顺利。