OpenCV+SVM车牌识别方案：从定位分割到字符分类的完整实现

简介：面向计算机相关专业毕业设计或课程设计场景，这是一套基于Python3.6与Opencv的车牌识别完整项目，融合SVM机器学习算法与百度AI平台兜底识别，覆盖图像边缘与颜色联合定位、SVM字符识别以及备用API调用等核心流程。包内共171个文件，包含Python源码、pyc编译文件、SVM训练模型数据、车牌jpg/png样本、XML配置、SQL数据库脚本、xls表格，以及说明文档和mp4演示视频，整体压缩包约94.55MB，目录结构便于按模块查阅。项目在Pycharm+MySQL环境下实测运行通过，字符识别采用Opencv自带SVM训练模型，两种识别方式失效时可通过手动按钮调用百度API，能帮助读者理解传统视觉与云端识别结合的完整方案。随包提供代码注释与演示录屏，下载后若运行遇到问题还可获得远程指导，适合需要完整毕设参照、学习Opencv与SVM实战应用或进行项目二次开发的学生与开发者。目前已有77人学习下载。

1. 车牌识别毕设为什么我推荐这套OpenCV+SVM方案

做车牌识别毕设，网上十套资源里有八套是YOLOv5套壳，真正能离线跑通、模型文件只有几百KB、不依赖GPU的老实方案，反而是OpenCV加SVM这套组合。这份资源把一条完整链路串起来了：先用图像边缘和车牌颜色定位车牌，再对字符做分割，最后用两个SVM模型分别识别字母数字和中文省份简称；本地识别拿不准时，还留了百度AI平台车牌识别的兜底入口，并且提供了手动按钮，方便你在演示时主动触发。

它不是什么高深发明，而是典型的“传统CV兜底 + 云端兜底”的双层结构。如果你是计科、人工智能、通信工程、自动化、电子信息方向的学生，手里拿着一份跑不通的YOLO代码正发愁，这份资源能让你在半天内跑出一条完整可演示的识别链路。下面我按定位、分割、识别、调参、避坑的顺序，把这份源码掰开讲清楚。

2. 链路结构与SVM分工：为什么这个方案比深度学习更快落地

先说整体架构。这套系统的流程很直白：摄像头或图片输入 → 车牌定位 → 字符分割 → SVM字符识别 → 置信度低的片段交给百度AI → 输出车牌字符串。定位环节用了“图像边缘”和“车牌颜色”两条路，识别环节用的是OpenCV自带的SVM模型，Pycharm+Python3.6环境就能跑，不需要CUDA，不需要Torch，光这两点就比一堆毕设项目省心得多。

2.1 一份资源包含哪些模块：从文件命名反推系统设计

解压后你会看到svm.dat、svmchinese.dat、duibi.gif、log.gif这些关键文件。duibi.gif是识别效果对比图，log.gif是调试时的日志记录。两个.dat文件才是核心：svm.dat是字母数字SVM模型，svmchinese.dat是中文车牌字符模型。

这两个模型文件的区分本身就是系统设计的核心。车牌字符串的第一位是省份汉字，比如“京”“鲁”“粤”，第二位是发牌机关字母，后面是字母数字混合。把汉字单独建一个模型，是因为汉字笔画结构复杂，类别多，和26个字母加10个数字混在一起训练时，类别间互相干扰很严重。分开训练之后，每个模型体积小、加载快、单一类别内部差异更可控。

2.2 SVM在这里到底承担什么：不是端到端，而是字符分类器

很多人一听到“SVM机器学习算法”就会以为整个识别过程全是SVM，其实不是。SVM在这套系统里只负责最后一个环节：把分割出来的单个字符图片归到某一类。也就是说，定位靠OpenCV图像处理，分割靠二值化和轮廓分析，SVM只回答“这个字符是几还是B”这个问题。

SVM本身是二分类算法，OpenCV的cv2.ml.SVM实现里通过一对多或一对一策略扩展到多分类。车牌字符识别需要分清的类别大概是：字母A-Z（通常会去掉容易混淆的I和O）、数字0-9、各省份简称。每个字符被提成特征向量后，送入SVM预测类别。用SVM而不是模板匹配，是因为SVM对字体粗细、光照变化、轻微形变有一定容忍度，而模板匹配稍微换个字体就崩。

提示：SVM的输入不是图片原始像素，而是特征向量。OpenCV官方sample里常用HOG特征，这也是后面重训模型时最容易踩坑的地方。

2.3 模型加载与单字符识别：兼容OpenCV 3.4和4.x的写法

OpenCV 4.x以后把机器学习模块归到cv2.ml下面，很多旧sample代码里的写法会直接报错。这套资源的代码沿用了sample里的StatModel类思路，但到了新版OpenCV上，更推荐直接用cv2.ml.SVM_load来加载模型：

import cv2 import numpy as np class PlateSVM: def __init__(self, model_path): # OpenCV 4.x 推荐：直接加载 svm.dat 或 svmchinese.dat self.model = cv2.ml.SVM_load(model_path) def predict(self, feature): # feature 是 1×N 的二维数组，必须是 float32 ret, result = self.model.predict(feature) return int(result[0][0])

这里feature不是原始字符图片，而是已经提好的特征向量。predict返回的result是一个二维数组，取[0][0]得到类别ID。类别ID到字符的映射关系，是训练时写死的，原样保留即可。

加载两个模型后，识别时按字符位置决定使用哪个模型：第一位汉字走svmchinese.dat，其余位走svm.dat。这是整个识别逻辑的关键分支，后面避坑章节会专门讲错用它引发的乱码问题。理解了这一层，你再去看源码里的主循环，会发现结构非常清晰，什么东西在哪个环节发生，一眼就能对位。

3. 定位环节：颜色与边缘双路并行，把蓝色车牌从背景里抠出来

车牌定位是整个系统里最考验OpenCV基本功的部分。这套资源给的处理思路是先颜色后边缘，两条路都试，都失败了才轮到百度兜底。实际跑下来你会发现，颜色定位在白天非常好用，但一到黄昏和晚上就萎；边缘定位相反，对光照不敏感，但对复杂背景很敏感。两条路配合，才能保证演示时不翻车。

3.1 HSV颜色过滤：为什么用HSV而不是RGB

RGB颜色空间里，蓝色的“蓝”会被亮度深深影响，同样一块蓝牌，上午十点和傍晚六点拍出来的RGB值差很远。HSV把色调H和饱和度S、亮度V分开，蓝色车牌的H值落在一个相对稳定的区间里，这就是定位用HSV的根本原因。

在OpenCV里，H的范围是0到180，蓝色车牌大约落在100到124之间。下面是颜色定位的完整代码：

def locate_by_color(img): hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌：H 100~124，S和V放开一些 lower = (100, 80, 40) upper = (124, 255, 255) mask = cv2.inRange(hsv, lower, upper) # 闭运算：填补车牌内部字符造成的空洞 mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, np.ones((5, 5), np.uint8)) contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in contours: x, y, w, h = cv2.boundingRect(c) # 车牌宽高比约 3.14:1，放宽到 2.5~4.5 if 20 < h < 200 and 2.5 < w / h < 4.5: return img[y:y + h, x:x + w] return None

这段代码里有两个参数值得细说。第一，inRange的下限里S和V分别是80和40，意思是颜色必须有一定饱和度、亮度不能太低。晚上蓝牌的S值会掉得很低，这套参数识别不到，需要动态调整，我在避坑章再展开。第二，宽高比筛选在2.5到4.5之间，这个范围比真实车牌比例宽，目的是容忍拍摄角度造成的透视形变，但也不能放得太宽，否则会把蓝色广告牌也框进来。

3.2 Sobel边缘加形态学闭运算：第二条定位路径

颜色定位失败时，软件会转去用车牌边缘定位。车牌上有大量字符和边框，水平方向梯度变化密集，用Sobel算子取x方向梯度就能得到一副“边缘响应图”，再配合形态学操作把相邻边缘连成块：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) sobel = cv2.Sobel(gray, cv2.CV_16S, 1, 0, ksize=3) abs_sobel = cv2.convertScaleAbs(sobel) _, edge_bin = cv2.threshold(abs_sobel, 120, 255, cv2.THRESH_BINARY) # 横向膨胀，让字符左右连成整体 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed = cv2.morphologyEx(edge_bin, cv2.MORPH_CLOSE, kernel) # 后续找轮廓、筛矩形，逻辑与颜色定位一致

这里用ksize=3的Sobel核提取x方向梯度，CV_16S是带符号的16位输出，防止梯度值溢出。阈值120过滤掉弱边缘，膨胀核宽度17是用来把单个字符的竖向边缘横向连接起来，因为车牌字符是横向排布，字符间的空隙用小核膨胀就能填上。

注意：边缘定位出来的候选框往往比颜色定位多，筛选条件要更严格。如果宽高比和面积占比同时满足条件的候选超过3个，优先选面积最大的那个，这是最省事的策略。

3.3 候选框筛选与倾斜矫正：为什么识别前必须把车牌摆正

定位返回的矩形框，如果是手机随手拍的，多半带一点倾斜。SVM字符识别对倾斜非常敏感，一个5度的歪斜就可能让“8”变成“3”。倾斜角可以用cv2.minAreaRect拿到，再通过仿射变换转正：

rect = cv2.minAreaRect(contour) angle = rect[2] # minAreaRect 返回 -90 到 0 度的角度，转成旋转矩阵 if angle < -45: angle += 90 M = cv2.getRotationMatrix2D(center, angle, 1.0) rotated = cv2.warpAffine(plate_img, M, (w, h))

获取旋转矩阵时，angle正负号取决于OpenCV坐标系定义，不同版本会有细微差异。我的习惯是转正后打印一下输出图片尺寸，如果宽小于高，说明旋转方向反了，需要把angle取反重来。这个“转正后宽大于高”的检查，是这套系统里最不起眼但最实用的一个校验。

车牌转正之后，下一步的字符分割就轻松很多。倾斜矫正不是可选项，是识别准确率的基本保障。停车场闸机那种固定俯拍场景还好，手持手机演示时这个步骤直接决定你能不能在老师面前跑出漂亮结果。

4. 分割与识别：把车牌字符串从二值图里读出来

定位拿到干净的车牌图后，就进入字符分割环节。中文车牌的固定格式是“省份汉字+字母+字母数字混合”，一共7个字符。分割方法常见的有垂直投影法和连通域法两种，这套系统的做法建立在二值化基础上，把车牌区域变成黑白图，再找出每个字符的独立区域。

4.1 二值化与字符分割：连通域方法比投影法更稳

先做预处理：灰度化 → 高斯模糊 → 大津法二值化。因为车牌底色是蓝色，字符是白色，二值化后要反色，让字符变成白色、背景变黑，方便后续操作：

gray = cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (3, 3), 0) _, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 如果字符是黑底白字，直接取反 if np.mean(binary) > 127: binary = cv2.bitwise_not(binary)

二值化之后，用连通域分析比用垂直投影更稳。垂直投影靠统计每列白色像素数找波谷来切分，但汉字内部笔画有空白，很容易把一个汉字切成两块；数字“1”本身很窄，又容易被误判成噪声滤掉。连通域方法直接按8邻域找独立区域，配合宽高筛选，对汉字和窄字符都更友好：

num_labels, labels, stats, centers = cv2.connectedComponentsWithStats( binary, connectivity=8 ) chars = [] for i in range(1, num_labels): x, y, w, h, area = stats[i] # 字符高度约占车牌高度 60%~90%，宽度按比例过滤 if 0.6 * binary.shape[0] < h < 0.95 * binary.shape[0]: if w > 2: # 过滤掉单像素噪声 chars.append(binary[y:y + h, x:x + w]) # 按x坐标从左到右排序 chars.sort(key=lambda c: cv2.boundingRect(c)[0])

connectedComponentsWithStats返回的stats每行是[x, y, w, h, area]，第0个标签是背景，所以循环从1开始。高度筛选用了比例而不是绝对像素，这样不管你定位出来的车牌是200像素宽还是800像素宽，逻辑都一样。宽度过滤只去掉2像素以下的噪声，而不是去掉窄字符。

分割完如果字符数量不是7个，常见情况是“京”字被拆成两块，或者车牌上铆钉被当成字符。前者说明二值化质量差，后者需要额外加一条规则：按位置过滤，高度特别小的区域直接丢弃。

4.2 字符尺寸归一化与HOG特征：识别错乱的第一嫌疑

SVM模型训练时输入尺寸是固定的。原sample的做法通常是把字符缩放到16×32或20×20的小图，然后提取HOG特征。你在源码里会看到resize操作，这个尺寸必须和训练模型时保持一致，差一个像素都不行。

下面这段是特征提取和预测的配合写法：

def get_hog_feature(char_img): # 统一尺寸，然后交给 HOG 提取 3780 维特征（OpenCV 默认参数） resized = cv2.resize(char_img, (64, 64)) hog = cv2.HOGDescriptor((64, 64), (16, 16), (8, 8), (8, 8), 9) feat = hog.compute(resized) return feat.reshape(1, -1).astype(np.float32)

这里故意写了OpenCV的HOGDeskDescriptor参数，winSize是检测窗口64×64，block是16×16，blockStride和cell都是8×8，bins是9。这组参数是OpenCV里的经典组合，你可以直接复用，但一定要确保训练脚本和预测脚本用的是同一组参数。

提示：如果直接拿字符像素做SVM特征，也不是不行，但准确率会明显低于HOG。HOG描述的是梯度方向分布，对光照变化更不敏感，这正好补足了颜色定位在光线差时的短板。

4.3 识别主循环与置信度：什么情况才该交给百度

分割好的每个字符，按位置送进不同的SVM模型。第一个字符用svmchinese.dat，第二到第七个字符用svm.dat。识别主循环长这样：

def recognize_plate(self, plate_img): chars = self.split_chars(plate_img) result = [] for i, c in enumerate(chars): feat = get_hog_feature(c) if i == 0: label = self.cn_svm.predict(feat) # 汉字模型 else: label = self.en_svm.predict(feat) # 字母数字模型 result.append(self.label_to_char(label)) return ''.join(result)

这个循环本身没什么玄机，真正的关键在置信度判断。SVM在多分类下返回的只是一个类别标签，不是概率，你怎么知道这次识别是靠得住还是瞎猜？常见做法是看字符分割质量和多个候选字符的得分差。我自己会在主循环里加一个打分器：字符宽度是否异常、识别结果里是否出现非法字符（比如字母I和O）、7位结果是否都能对上位次。任何一条不满足，就标记为“低置信度”，触发百度API兜底。

百度AI平台的调用逻辑也不复杂。本地无法识别时，把车牌小图base64编码后POST到接口，返回JSON里直接有标准车牌字符串。它的优势是识别错误牌和倾斜车牌比SVM抗造，但代价是网络请求有延迟，演示现场要是断网就尴尬了。所以这套资源特意做了手动按钮，让本地识别失败时由你决定要不要调云端，而不是每次都自动请求。这个设计很聪明，既演示了SVM能力，又展示了云API接入，还避免了现场不可控的网络问题。

5. 避坑记录：模型加载、中文乱码、夜光识别失败等常见问题

这套资源我在Windows和Linux上都跑过，整体架构稳定，但有些坑几乎人人都会踩一遍。下面按“现象→原因→解决”的顺序，把我遇到的几个高频问题记录在这里，照着排查能省下大半天。

5.1 模型文件加载失败：版本和路径都要较真

现象：程序启动后直接报错，提示类似Could not open the file svm.dat，或者Invalid HDF5 file。

原因：一个是路径问题。很多人用相对路径，但工作目录不在源码目录下，模型文件自然找不到。另一个是OpenCV版本问题：旧版本生成的SVM模型是xml/yaml格式，OpenCV 4.x训练出来的默认是HDF5格式，两者不通用，用错版本加载就会报文件格式错误。

解决：先把两个.dat文件放到单独的models目录，代码里用绝对路径拼接；然后在加载后加一行打印，确认SVM_load成功。对于版本不匹配，最省事的做法是统一用OpenCV 4.x重新训练或转换模型，别在旧格式上死磕。

5.2 中文省份识别成乱码：模型选错和尺寸不一致

现象：字母数字识别全对，但第一位的“京”“鲁”“粤”这类汉字被识别成字母，比如“京A12345”变成“8A12345”。

原因：最常见的错误是把第一位汉字也送进了svm.dat，跳过了svmchinese.dat。第二个原因是字符resize尺寸与训练时不匹配，汉字笔画复杂，尺寸一变特征就乱。

解决：在主循环里强制按位置分流：i == 0必须走中文模型。同时核对resize尺寸，训练时是20×20，预测时就不能用16×32。这两个检查做完，汉字识别基本恢复正常。

5.3 白天正常夜间全崩：HSV阈值要跟着亮度走

现象：下午测试准确率还能看，天一黑颜色定位直接找不到车牌，日志里显示颜色和边缘两条路径全部落空。

原因：HSV里S饱和度在暗光下会大幅下降，蓝色车牌的S值可能掉到30以下，代码里写死的lower=(100, 80, 40)就把车牌过滤掉了。

解决：先统计整张图灰度均值，亮度低时自动放宽S和V的下限。我一般这样处理：图像整体亮度低于80时，把inRange下限改成(100, 30, 30)。代价是噪声也会变多，所以这时候要更依赖宽高比和面积排序来筛掉假目标。

5.4 百度接口超时和限额：兜底链路也要有兜底

现象：演示现场本地识别失败，点击手动按钮调百度API，等了十几秒没有返回，最后报超时或者提示配额不足。

原因：百度AI开放平台的QPS限制很严，免费并发一高就会拒绝请求；另外access_token过期也会导致鉴权失败。这两个问题叠加起来，兜底反而变成了新的故障点。

解决：在调用API的代码里强制设置5秒超时，失败时直接提示“百度识别不可用”，绝不阻塞主流程。access_token做本地缓存，过期再重新获取，不要每次都申请。如果只是演示，建议提前在代码里把token文件准备好。

5.5 OpenCV升级后SVM接口不兼容：统一到ml模块

现象：把资源从OpenCV 3.4换到4.x环境后，原来调cv2.SVM或StatModel的地方直接报AttributeError。

原因：OpenCV 4.x把机器学习接口收编到cv2.ml子模块，旧的顶层接口删除了。

解决：把所有SVM相关调用改成cv2.ml.SVM_create、cv2.ml.SVM_load，同时用我在2.3节写的PlateSVM类做一层包装。Python环境建议直接pip install opencv-contrib-python，它同时包含了基础库和扩展模块，比裸装opencv-python少很多幺蛾子。

6. 重训SVM与批量验证：让这套系统适配你自己的场景

拿到源码跑通只是第一步，毕设答辩时老师大概率会问：“如果遇到新能源绿牌怎么处理？如果停车场里全是深色车怎么办？”这时候你如果能当场重训一个模型或者跑一组批量准确率数据，说服力会完全不一样。最后这一章就讲两个进阶操作：重训SVM模型和用批量脚本验证效果。

6.1 用分割脚本攒样本，重训属于你自己的svm.dat

源码里的分割逻辑本身就是一个样本生成器。找一批真实车牌图片，跑一遍定位和分割，把切出来的字符按真实车牌标签保存到对应文件夹：

import os import cv2 def save_plate_chars(plate_img, plate_str): chars = split_chars(plate_img) # 复用源码里的分割函数 for i, ch in enumerate(chars): ch = cv2.resize(ch, (16, 32)) label_dir = f"dataset/{plate_str[i]}" os.makedirs(label_dir, exist_ok=True) cv2.imwrite(f"{label_dir}/{len(os.listdir(label_dir))}.jpg", ch)

字符和标签按位置对齐，第一位汉字存到对应省份简称文件夹，其余位存到字母数字文件夹。攒到每个类十几张图就可以开训，SVM在小样本上表现得比神经网络从容得多。

然后调用OpenCV的SVM训练接口：

svm = cv2.ml.SVM_create() svm.setType(cv2.ml.SVM_C_SVC) # 多分类 svm.setKernel(cv2.ml.SVM_RBF) # RBF核，对字符分类足够 svm.setC(1.0) # 惩罚系数 svm.setGamma(0.1) # RBF核参数 svm.train(samples, cv2.ml.ROW_SAMPLE, labels) svm.save("svm_new.dat")

这里C和gamma是决定模型表现的两个核心旋钮。C越大对错分的惩罚越重，容易过拟合；gamma越大决策边界越弯曲，但也会在样本少的地方产生奇怪形状。之前有人做过optdigits手写数字分类里SVM核函数与参数的影响研究，结论同样适用于车牌字符：RBF核加适中的C值通常比线性核准。

6.2 批量验证：别拿一张图调参，拿一百张图说话

调整阈值和SVM参数时，最忌讳单图调试，一张图跑通了换一张就翻车。我的习惯是准备一批测试图片，文件名前缀直接标真实车牌，跑完自动统计准确率：

correct = 0 total = 0 for path in test_images: plate = recognizer.run(cv2.imread(path)) ground_truth = os.path.basename(path).split("_")[0] total += 1 correct += (plate == ground_truth) print(f"总准确率 {correct / total * 100:.2f}%")

批量结果出来，你就会发现瓶颈往往不在SVM本身，而在定位和分割。准确率低的时候，先统计“定位失败”和“识别失败”分别占多少，再去对应环节调参数，效率比盲改高得多。

6.3 一个可以带进答辩现场的运营习惯

把这个流程封装成一个接口类，参数集中在构造函数里，跑完批量测试后顺手把结果记录成一份CSV，这就是你答辩时的实验报告素材。duibi.gif和log.gif这两个文件我建议你也看一下，它们记录的就是开发者在调参过程中留下的对比实验和日志——这种留痕习惯，比代码本身更能体现你做了完整的工作量。

我最早把这套系统拿去地下车库的监控帧上跑，白天成功率尚可，傍晚灯光一暗全崩，后来才明白HSV阈值加上一条边缘检测兜底有多重要。从那以后，我每次改阈值和SVM参数都强制走一遍批量脚本，而不是单张图调得开心。这套资源的价值也在于此：它给你一个完整的实验基座，朝哪个方向改、怎么验证，都是可复现的。希望帮到你。

本文还有配套的精品资源，点击获取