简介：一份面向初学者的车牌识别Python源码压缩包，以课程案例形式串联开源计算机视觉库图像预处理、图像分割、边缘检测、形态学操作及光学字符识别等核心环节，适合计算机视觉或智能交通场景入门。压缩包共24个文件，约14.94MB，包含Python脚本、车牌与字符图像样本、SVM模型数据及说明文档；其中图片与数据文件供训练验证，脚本演示车牌定位、字符分割与识别流程。截至目前已有429人学习浏览。读者对照源码和样本，可理解从图像灰度化、噪声过滤到字符模板匹配或模型推理的完整步骤，并学习数据标准化、精确率与召回率等评估方法。该案例既能为初学者提供可复现的练习环境，也为后续扩展实时视频识别或卷积神经网络方案打下基础，是一份教学价值明确的实践素材。

1. 车牌识别python源码.zip：一个能跑起来的落地起点

拿到“简单的车牌识别-python源码.zip”，多数人不是为了研究算法本身，而是想用最短时间把“图片进、车牌号文本出”这条链路跑通。这个压缩包里通常是车牌定位、字符分割、字符识别三段代码，依赖OpenCV和NumPy，能在普通笔记本上处理蓝牌和部分新能源绿牌，正好覆盖课程设计、毕业设计和小型原型验证的需求。它值得投入，是因为车牌识别是计算机视觉里少有的低算力、小样本、每步效果都可见的方向：跑通一份源码，你就把检测、分割、识别三个层次全部亲手摸了一遍，后续再接触目标检测、OCR、深度学习推理都会轻松不少。下面按跑通、拆读、调参、排错、提升五步推进。

2. 拆包、装环境、跑第一张图：三步建立基线

实操上我把它拆成三块：解压zip、装配依赖、跑通一张已知样本。这一步的目标是先建立“还能跑”的基线，而不是马上读懂源码；所有调试动作都放进虚拟环境，避免污染系统Python，后面优化识别率时也方便随时对比。

2.1 用命令解压，别只用鼠标双击

无论压缩包叫什么名字，我拿到手第一件事是建一个干净的工作目录，然后用Python内置模块解压，而不是直接双击。原因很简单：Windows资源管理器对中文文件名默认按系统区域编码处理，而zip包里的中文目录名很可能是按UTF-8写入的，两边对不上，解出来就是一堆乱码文件名，后面代码里所有路径引用全断。用python -m zipfile -e走的是Python内置的UTF-8逻辑，能绕开这层编码转换。

mkdir plate_prac && cd plate_prac python -m zipfile -e "简单的车牌识别-python源码.zip" . ls -R

这里python -m zipfile -e的-e是解压动作，等价于把归档内容原样提取到当前目录。解压完成后用ls -R确认目录层级，这类源码常见一个多余嵌套：解压后出现两层同名目录，比如“车牌识别/车牌识别/main.py”，如果直接在当前目录运行python main.py会提示找不到文件，得先cd进真正的源码根目录。解压后重点确认这四样东西是否都在：README、requirements.txt、imgs测试图目录、template字符模板目录。没有README的版本，后面用grep找主入口即可。

2.2 虚拟环境装依赖，版本选对能少踩一半坑

依赖安装建议用虚拟环境隔离，避免和系统Python环境串包：

cd ./车牌识别 python -m venv .venv source .venv/bin/activate pip install --upgrade pip

Windows下激活命令是.venv\Scripts\activate，Linux和macOS用source那一行。venv创建一套独立环境，之后pip安装的包都只属于这个目录，删除目录即可清干净，不污染系统，也不受系统里其他项目影响。这个习惯对OpenCV这类依赖庞大且版本敏感的项目尤其重要。

依赖安装分两种情况。有requirements.txt就一起装，没有就手动补最基础的两个包：

pip install -r requirements.txt pip install opencv-python numpy

opencv-python负责图像读取、颜色转换、轮廓查找和模板匹配，numpy负责数组运算和矩阵操作，这两者是车牌识别源码的地基。如果项目里用到了matplotlib画中间结果图，再补一个matplotlib即可。装包慢时用国内镜像源，把命令行改成pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python numpy，一次见效。Python版本优先选3.8到3.10，旧源码大多在这个区间验证过；Python 3.12以后，部分把cv2.findContours返回值按三个变量解包的写法会直接抛异常，这一点在第5章专门展开。

2.3 第一次运行一张图片，把基线记录在案

环境就绪后，找一张光照正常、车牌清晰的测试图跑起来。大多数这类源码的调用方式如下：

python main.py --image imgs/plate_1.jpg

如果入口脚本不叫main.py，刚才用grep找出来的文件就是入口，替换文件名即可；有些版本把图片路径当作位置参数而不是--image，那就去掉--image只写路径。初次跑通的输出一般是“京A12345 0.92”之类的文本，前面是车牌号，后面是置信度。把这个结果手工记录一下，作为后面调参的基线。有些源码还支持--debug参数，会在本地输出中间过程图，我用它来看每一层实际产物，比盲目改代码高效得多。

如果运行时报ModuleNotFoundError，优先回头检查依赖是否装进当前虚拟环境；如果报找不到图片，看imgs目录里的实际文件名，注意大小写和中文路径。第一次跑通后，保存一张识别成功和一张识别失败的样例图，后面调参数时专门用这两张做回归对比，避免调好了A图又弄坏了B图。提示：python安装阶段常见的问题就是同时存在多个Python版本，命令行python与pip不是同一个解释器，这时用python -m pip install xxx能强制指定到当前解释器，也是血泪经验之一。

3. 主流程拆读：定位、分割、识别三个函数各自在做什么

跑通只是开始，真正把源码改成自己能用的东西，得把核心文件从头读一遍。这类源码的核心逻辑集中在plate_recognition.py，全流程就是三个函数：车牌定位、字符分割、字符识别。下面按顺序逐层拆。

3.1 车牌定位：颜色过滤加宽高比筛选

先看用HSV颜色空间定位蓝色车牌的代码，这也是多数简单版本的主定位方式：

import cv2 import numpy as np def locate_plate(img_bgr): hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) lower_blue = np.array([100, 43, 46]) upper_blue = np.array([124, 255, 255]) mask = cv2.inRange(hsv, lower_blue, upper_blue) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates = [] for c in contours: x, y, w, h = cv2.boundingRect(c) aspect = w / h area = w * h if 2.0 <= aspect <= 5.5 and 1500 <= area <= 60000: candidates.append((x, y, w, h)) candidates.sort(key=lambda b: b[2] * b[3], reverse=True) return candidates

cv2.cvtColor把BGR图像转成HSV，HSV将颜色的色相、饱和度、亮度拆开。光照变化主要影响亮度分量V，对色相H影响相对小，所以比RGB阈值更抗光线干扰。cv2.inRange生成二值掩码，落在蓝色区间内的像素为白色，其余为黑色。参数为什么是[100, 43, 46]到[124, 255, 255]？OpenCV的H取值范围是0到180，100到124覆盖了车牌蓝的典型色相区间，涵盖从偏青的浅蓝到偏紫的深蓝；S下限43过滤掉灰色和白色干扰，V下限46过滤掉接近黑色的暗区。S和V放宽能增强暗光下的召回率，但容易带进蓝色车身的干扰；H收紧则会丢蓝绿色，实际使用时这两个值要一起调。

闭运算是定位函数里容易忽略的关键。拍摄时车牌常因反光或镀膜产生断裂，不做闭运算，一个完整车牌会被拆成好几段。MORPH_RECT(17, 5)创建的矩形核，水平方向17像素、垂直方向5像素。为什么水平方向更长？车牌是扁长结构，断裂主要发生在水平方向，用水平长核闭合能把断口连起来，同时短垂直核不会把上下相邻物体的边缘粘在一起。

宽高比和面积是两道筛选闸门。标准车牌宽高比约440mm比140mm，即3.14左右；加上拍摄透视变形后，2.0到5.5之间都要先兜住。面积1500到60000是按常见测试图分辨率设定的经验值，如果换用4K超高清图，这个面积上限至少扩到十倍，否则真正的车牌区域会被误过滤掉。定位阶段宁可多留候选框，也不要一刀切太狠，后面的分割和识别会给出最终判断，这是训训源码时我比较坚持的一条原则。

3.2 字符分割：垂直投影找出字符边界

定位到车牌区域后，先转灰度再二值化，然后把二值图按垂直方向投影，根据列上像素分布切出每个字符。垂直投影法在这类源码里最常见，因为它实现直觉、不依赖额外模型：

def split_chars(binary_img): h, w = binary_img.shape col_sum = np.sum(binary_img, axis=0) regions = [] in_char = False 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 regions.append((start, i)) valid = [(s, e) for s, e in regions if 4 <= (e - s) <= 90] return valid

np.sum(binary_img, axis=0)把二值图按列求和，有文字的列像素累加值大于0，空白列等于0。代码用一个布尔变量跟踪当前是否已经进入文字区域：遇到某列从0变成非0，记录起点；遇到从非0跳回0，就认为一个字符结束。valid过滤条件去掉宽度过窄和过宽的列带，避免噪声列和粘连列混进来。

为什么投影法在中文字符上经常把“京”字拆成两半？因为二值化后，汉字内部可能产生完全空白的一列，投影法把这个断裂当成了字符边界。解决办法有几个：第一，给分割点加最小空白宽度限制，空白窄列不超过3像素时不视为边界；第二，对分割结果按字符宽度中位数过滤，明显偏窄的片段合并到相邻块；第三，改用连通域分析替代投影法，对汉字内部断裂更鲁棒。模板匹配体系里，分割质量比识别算法更重要，字符一旦切错，后面怎么匹配都是错的。

3.3 字符识别：模板匹配为什么是这个场景的性价比之王

字符识别是三层中最直接的一环，因为车牌字符集是封闭的：31个省份汉字加24个英文字母，再加10个数字。模板匹配把分割出来的字符缩放到和模板一致，逐像素算相似度，取最高分作为结果：

import glob import os def match_char(char_img, template_dir): best_name, best_score = None, -1.0 for path in glob.glob(os.path.join(template_dir, "*.png")): name = os.path.splitext(os.path.basename(path))[0] tmpl = cv2.imread(path, cv2.IMREAD_GRAYSCALE) tmpl = cv2.resize(tmpl, (char_img.shape[1], char_img.shape[0])) res = cv2.matchTemplate(char_img, tmpl, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ = cv2.minMaxLoc(res) if max_val > best_score: best_score = max_val best_name = name return best_name, best_score

这段代码遍历模板目录下所有png文件，文件名去掉后缀后就是候选字符本身，所以模板文件名不能随意改，比如“京.png”如果改成“beijing.png”，识别结果就会变成beijing。每个模板先读为灰度图，再resize成与输入字符图相同尺寸，保证matchTemplate时尺寸一致。cv2.matchTemplate用滑动窗口把模板在输入图上逐位置扫描，TM_CCOEFF_NORMED返回归一化相关系数，1是完全匹配，0和负数是弱匹配。minMaxLoc从相关系数图中取最大值，作为该模板的得分，最后选取分最高的模板名返回。

为什么模板匹配够用？因为车牌字符集封闭且字体相对统一，蓝底白字、黑底白字的对比度足够，模板在150x40像素级别就能达到不错的区分度。真正限制识别率的是前面分割是否干净，而不是模板匹配本身。可以替代的方案有两种：CNN分类器和通用OCR引擎。CNN需要标注样本和训练时间，通用OCR对窄字符和倾斜字符的鲁棒性未必比模板匹配好。在“简单车牌识别”这类源码里，模板匹配是投入产出比最高的选择，这一点在毕设答辩时也容易讲清楚。

4. 调参实操：把阈值调成适合自己的光线和角度

源码能跑通只是及格线，真正要面对的是换个场景就识别翻车的问题。不要一上来重写算法，先调几个关键阈值。多数识别失败不是算法不行，而是定位阈值、分割阈值、置信度阈值三者没配合好。下面按调整入口逐个说。

4.1 先输出中间结果图，让问题可见

很多源码默认不保存中间图，出问题时看不到是哪一层坏掉。建议先加上调试输出，用最简单的方式把每一层产物写盘：

import os def debug_save(name, img): os.makedirs("debug", exist_ok=True) cv2.imwrite(os.path.join("debug", name), img) print("saved:", name)

在主函数的调用的合适位置插入debug_save调用：找完轮廓后存“mask.png”，画完定位框后存“box.png”，分割出每个字符后按顺序存“char_1.png”“char_2.png”等。这样一次跑完，就能用图片浏览工具逐层检查：掩码多不多、矩形框偏不偏、切出来的字符是否完整。这一步能把“识别结果不对”定位到具体某一层，避免盲调参数。

4.2 HSV和面积阈值：先解决定位层

定位层最常见的两个调节点，一个是HSV颜色范围，一个是面积上下限。白天强光下，车牌蓝可能偏浅，H下限可以下探到95，让更多浅蓝进来；阴天或傍晚，蓝色偏深，H上限可以升到130。S下限从43上调到60能过滤浅色背景，但也会丢掉暗光下的车牌。面积阈值更直接：图片分辨率越高，车牌像素面积越大。用一张测试图跑出候选框后，打印每个候选框的w、h和area，再对照真实车牌位置，把1500和60000这两个值改成实际分布的合理区间。定位层宁可多留框，也不要漏掉真正的车牌。

4.3 分割阈值：宽度中位数做动态过滤

固定宽度过滤在手写代码里很脆弱，因为不同图片中车牌的像素尺寸差异很大。一种更稳的做法是用动态中位数：

def filter_char_regions(regions): widths = [e - s for s, e in regions] if len(widths) < 3: return regions median_w = sorted(widths)[len(widths) // 2] return [(s, e) for s, e in regions if 0.4 * median_w <= (e - s) <= 1.8 * median_w]

这段代码先计算所有分割块的宽度中位数，然后保留宽度在中位数40%到180%之间的分区。为什么要用相对值而不是绝对值？因为不同距离拍摄时，字符像素宽度可能是20到80像素之间浮动，固定阈值无法覆盖全场景，相对值能自适应。窄于中位数40%的通常是噪声点或汉字内部碎片，宽于180%的多是多个字符粘连。这样一轮过滤之后，再把剩余区间的数量与7或8做一次匹配，基本能排除二值化噪声的干扰。

4.4 置信度门槛：宁可不输出也不要输出错的

模板匹配返回的置信度绝对值没有跨场景可比性，但同一张图内相对高低是有效的。当字符分数低于0.6时，宁可直接标记为“无法识别”，也不要硬猜测。因为车牌识别任务里，很多应用是闸机和安防，错误识别比识别失败危害更大。具体阈值在0.55到0.65之间调试，太低会混入大量误识别，太高会牺牲召回率。加了这道门槛后，输出格式可以改成“京A12345_0.94”，有时看到连续几帧车牌置信度都在0.7以下，就说明前面定位或分割出了问题，而不是匹配器不行。

5. 车牌识别源码避坑排查：五条高频问题记录

这一章记录的是我实际带人跑通这类源码时遇到过的高频问题。每一条按“现象、原因、解决”三件套写，方便你对着自己的报错快速定位。

5.1 现象一：定位框把整个蓝色车身框了进来

现象：识别结果里矩形框覆盖了大半个车头，宽高比完全不像车牌，后续分割和识别输出一堆乱码。原因：HSV阈值中S和V设置得过宽，把车身漆面蓝色也识别成了车牌色，同时闭运算核太大，把车灯、进气格栅和车牌粘连成一个整体。解决：先把S下限从43调到90以上，V下限从46调到80以上，让车身这种偏灰偏暗的蓝色出去；再把闭运算核心从(17, 5)缩到(11, 3)，减少过度粘连；最后收紧宽高比上限到5.0以下。调整顺序不要反过来，先把颜色阈值收紧，再调形态学参数，否则容易越调越玄。

5.2 现象二：汉字“京”被切成了两个字符

现象：识别结果第一位变成了单个数字或字母，第二位却是汉字的一半，整体字符数多于7。原因：垂直投影法把汉字内部笔画之间的空白列当成了字符边界，尤其是复杂度高的省份简称，比如“鄂”“粤”。解决：在投影分割时引入最小空白间隙限制，连续空白少于3列的，不视为分隔点；同时用宽度中位数做二次过滤，明显窄于中位数的块合并到前一个块。如果换用连通域分割法，按字符连通块而非列投影来切，对汉字断裂的鲁棒性会好很多。实际项目里我倾向连通域方案，简单源码保留投影法时就把上述两个过滤条件加上。

5.3 现象三：import cv2直接ModuleNotFoundError

现象：跑main.py刚开头就报错，提示ModuleNotFoundError: No module named 'cv2'。原因：依赖没装进当前激活的Python环境，或者系统默认Python和虚拟环境Python不是同一个解释器。解决：先确认虚拟环境已激活，命令行提示符前缀应显示(.venv)；再执行python -m pip install opencv-python numpy，让包装到当前解释器对应环境；最后用python -c "import cv2; print(cv2.__version__)"验证。注意不要用pip install而用python -m pip install，后者能避免多Python版本下装错环境的问题。python安装和配置是这类源码第一道坎，环境理不清，后面全是白搭。

5.4 现象四：蓝牌识别正常，新能源绿牌一个都识别不了

现象：同一份源码，蓝牌完全正常，换成渐变绿的新能源车牌，定位框直接为空，整体输出“未识别”。原因：定位函数只过滤了蓝色HSV区间，绿色车牌在掩码层就被过滤掉了，后面所有环节都拿不到有效区域。解决：在定位函数中增加一组绿色HSV范围，与蓝色区域合并后一起进入后续处理。绿色车牌的主要H区间在50到75之间，S下限取60，V下限取60，实际值根据测试图微调。合并掩码用mask = cv2.bitwise_or(mask_blue, mask_green)即可。注意新能源车牌的字符数与蓝牌不同，后面分割和校验时要允许8位结果。

5.5 现象五：识别结果总是多一位或少一位

现象：输出结果是“京A12345”末尾多出一个随机点，或者最后一位数字直接消失。原因：二值化噪声在首个字符前形成小块伪轮廓，或最后一个字符被定位框边缘裁剪掉。解决：分三步，定位框向外扩5像素再切割，避免边缘裁字符；分割结果用字符宽度中位数过滤异常窄块；最后用字符数约束，普通蓝牌固定7位，新能源绿牌8位，超范围直接判定为失败。这三个措施组合使用后，多字符和少字符的情况基本消除。

6. 再进一步：透视校正、多帧投票和合规校验

在把这个方案用进真实场景之前，还有三步低成本改进，能让识别稳定性再上一个台阶。这三个技巧不需要额外数据集，动手就能完成。

6.1 透视校正，让倾斜车牌回到标准矩形

车牌在画面里一旦倾斜，字符投影和模板匹配都会变差。常见做法是用cv2.findContours定位到的四个角点做透视变换，把车牌区域矫正到固定矩形：

def four_point_transform(roi, pts): rect = np.array(pts, dtype=np.float32) dst = np.array([[0, 0], [440, 0], [440, 140], [0, 140]], dtype=np.float32) M = cv2.getPerspectiveTransform(rect, dst) return cv2.warpPerspective(roi, M, (440, 140))

这里标准输出设为440x140像素，即宽高比3.14，符合真实车牌尺寸，能减少字符在水平方向的压缩变形。校正后二值化和垂直投影的稳定性提升明显，这一小段代码是提升识别率性价比最高的单个改动。

6.2 多帧投票，用时序消除单帧偶发错误

单帧识别中的偶发错误无法通过阈值完全消除，但视频流天然有多帧信息可用。常见做法是取最近5帧的识别结果，相同结果出现3次及以上才输出，否则继续等待。这个投票机制代码量不大，却能把闸机场景的误识别率压到很低。反过来，如果单帧置信度低于0.6，直接丢弃这一帧，不参与投票。

6.3 合规校验，用字符集约束做最终兜底

车牌字符集是封闭的，可以利用这一点在最后加一道合规校验：第一位必须是省份汉字且只能来自省份简称集合，第二位必须是字母，后面是字母数字混合，总长度固定。任何不满足规则的输出直接丢弃。这套规则是最后一道后悔药，能拦住绝大多数模板匹配的幻觉结果。

我平时的习惯是，先把每层中间结果图全部打印出来跑一遍，再动手调参数，改一版就对比一次基线样例，而不是凭感觉猜。这样即使改错方向，回滚也很快。希望这篇拆解能帮你在车牌识别这条路上少走几步弯路。

本文还有配套的精品资源，点击获取