阿莱克西斯车牌识别（License Plate Recognition，LPR）算是机器视觉方向里最经典的毕业设计题目之一。用 Python 做车牌识别，核心流程就四步：图像预处理、车牌定位、字符分割、字符识别，听起来不复杂，但真做起来，从环境配置到识别率调优，每一步都有坑。这篇文章我以自己带学生做这个题目的实际经验为基础，把方案选型、核心代码、测试思路和答辩要点一次讲清楚，顺便把那些教程里不会写的坑也一并填掉。不管你是刚拿到题目的本科生，还是想拿这个项目练手机器视觉的初学者，看完应该都能少走不少弯路。
选择这个题目的学生很多，但真正做出高分作品的很少。原因在于车牌识别项目最大的价值不是"调通一个代码"，而是它把机器视觉里最常见的技术点全串起来了：颜色空间转换、边缘检测、形态学操作、轮廓分析、几何校正、光学字符识别，传统算法和深度学习方法都能落地。这意味着你做的不只是一个"调包"项目，而是一套完整的工程链路。毕设答辩时老师最喜欢问的就是"每一步为什么这么做"，这篇文章里我会把每个选择的理由也讲透，方便你应付提问。
1. 整体方案设计：先想清楚再做，别上来就写代码
1.1 需求拆解与功能边界
做毕设第一件事不是找代码，而是把需求边界画清楚。一个完整的车牌识别系统，从输入到输出要经过这么几层：图像采集、图像预处理、车牌区域定位、车牌图像校正、字符分割、字符识别、结果输出。你要想清楚的是，这套系统是处理单张图片还是视频流，是只识别蓝牌还是也要兼容新能源绿牌和黄牌，是否需要支持夜间或低照度场景。这些决定了你后面每一步的技术选型，也直接决定了论文的工作量。
以常见的毕设要求来看，通常做到"输入一张包含车牌的图片，程序输出车牌号码字符串"就算达标。但如果你想拿高分，我建议至少补上倾斜校正和视频流识别两个功能块。倾斜校正能体现你对几何变换的理解，而视频流识别说明你的算法有实时性意识，这两个点都是答辩时的加分项。
功能边界画好之后，最忌讳的是想一步到位做"全网最全"的识别系统。我见过不少学生一开始就想识别七八种车牌类型、还要支持雨雪天气，结果做到最后连蓝牌都识别不稳。我的建议是：第一版只做蓝牌加新能源绿牌，场景先限定在白天、水平或轻微倾斜、车头朝前三个条件下，先把主链路跑通，再逐步放开约束。毕设评分看的是完整性、逻辑性和工作量，不是看你口头上能吹多少功能。
1.2 技术路线对比：传统视觉还是深度学习
这是整个项目最核心的决策点。两条路线都能做，但工作量和容错率差异很大。
传统机器视觉路线的思路是这样的：利用车牌的颜色特征（蓝色、绿色、黄色）或边缘特征在图像里找到候选区域，用形态学操作把候选区连成整体，再通过轮廓的宽高比、面积等几何条件筛选出真正的车牌位置；定位后用投影法或连通域分析把字符一个个切开；最后用模板匹配或SVM+HOG分类器识别字符。这条线的优点是完全不依赖GPU，普通笔记本CPU跑起来毫无压力，代码量大概几百行，每一步都能可视化，非常适合写论文、画流程框图。缺点是鲁棒性差，光照一变、角度一大、画面一糊，识别率就会明显往下掉。
深度学习路线的思路是用目标检测网络端到端定位车牌，用CNN或LSTM+CTC结构的识别网络直接完成字符识别。主流的做法是YOLOv5或YOLOv8做车牌检测，LPRNet或PaddleOCR的PP-LPR做字符识别。这条线的检测精度和泛化能力远好于传统方法，在真实道路场景下也能达到很高的检测率，但你需要准备标注数据、配置PyTorch环境、可能还要做模型剪枝或转换，环境问题带来的挫败感非常强，而且答辩时如果老师追问网络原理，你也得有心理准备。
我的建议是：如果时间紧张、之前没有深度学习基础，就选传统路线，但要在预处理和字符识别两个环节做得细致；如果时间充裕、想在算法上有亮点，就选"传统定位+深度学习识别"的混合路线。这里有个折中技巧：用OpenCV的HSV颜色空间定位车牌（速度快、不依赖训练数据），用训练好的LPRNet或PaddleOCR模型做字符识别（识别精度高、不用自己标注大量数据）。这样论文既有传统算法的过程分析，又有深度学习的效果对比，工作量和技术含量都够了。我自己带学生时最推荐的就是这个方案，累是累一点，但边查资料边做下来，机器视觉的底子能打得很扎实。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心环节拆解：定位、分割、识别到底难在哪
2.1 图像预处理与形态学参数原理
预处理是整个流程的第一步，也是很多人最容易写糊弄的一步。拿到相机原始图像后，第一件要做的事是去噪和增强。常用处理是转灰度图，再用高斯滤波消除噪声。高斯滤波核的大小一般取5x5，sigma自动计算即可，核太大图像会发虚，太小等于没滤波。这里有个很容易被忽略的点：车牌图像的分辨率如果本身很低（比如小于80x40），先做一次归一化放大或锐化，比单纯调滤波参数效果要好得多。
预处理里最有技术含量的是边缘检测和形态学操作。边缘检测常用Canny算子，它的两个阈值要按场景调。我一般用Canny(gray， 100， 200)起步，光照强的场景把低阈值提到120，夜间把低阈值降到60。高阈值和低阈值大约保持2:1到3:1的比例，这个比例能有效抑制梯度变化平缓的纹理，又不会把车牌字符边缘也砍掉。注意Canny之前一定要滤波，不然噪点会产生大量假边缘，后面腐蚀膨胀都救不回来。
接下来是形态学操作。很多初学者只知道"闭运算连接、开运算去噪"，但参数一调就懵。开闭运算的本质是腐蚀和膨胀的组合，核的大小和形状直接决定效果。开运算是先腐蚀后膨