企业官网建设流程全解析

简介：面向高校毕业设计的Python车牌识别完整项目，基于OpenCV完成车牌检测、字符分割与识别，使用Tkinter和PIL搭建图形界面，用户可上传图片并即时查看结果；同时内置SVM与CNN等识别流程，适合计算机视觉、图像处理方向的本科生作为课设或毕设参考，也可作为入门机器学习应用的实践案例。压缩包共47个文件，整体约28.46MB，包含6个Python源码、2个7z数据集压缩包、2个dat模型文件、1个Markdown说明文档和36张车牌图片样本，覆盖训练与测试图像，目录结构清晰，便于定位和二次开发。代码覆盖图像预处理、特征提取、模型训练与识别等完整环节，源码按主程序、图像处理、调试模块划分，配套数据集与已训练模型可省去大量采集标注时间；配合README文档，能快速掌握运行方式。目前已有1775人学习下载，适合希望深入理解原理并快速搭建车牌识别系统的开发者。 这个题目一眼看过去就很有代表性，“基于OpenCV的车牌识别”几乎是Python计算机视觉方向最经典的毕业设计选题之一。不过绝大多数同学拿到类似的源码之后，最多只能把界面跑起来，一旦被问到“定位怎么做的”“分割为什么用投影法”“识别准确率受什么影响”，就答不上来了。这篇内容我尽量把从题目拆解、核心算法、Tkinter界面整合，到数据集使用和调优经验都串起来讲，目标是一份能让你真正讲清楚、能应对答辩的系统，而不只是一个Demo。

先说明一个细节：标题里的“thinkter”其实是Tkinter的笔误。Tkinter是Python自带的GUI库，虽然界面风格偏复古，但因为零依赖、打包简单，每年的毕设里都有大量项目用它来做可视化外壳。下面所有内容都围绕一套可运行的完整系统展开。

1. 一套能演示、能答辩的车牌识别系统由哪几块拼成

1.1 从标题拆出来的技术栈与业务闭环

这套系统的关键词拆开看分别是：Python、OpenCV、车牌识别、Tkinter、源码加数据集。对应的业务闭环非常清晰：读入一张包含车牌的图片，用OpenCV做图像处理，定位出车牌区域，分割出字符，再识别成文本，最后把结果呈现在Tkinter窗口里，并且可以把识别记录保存下来。

从毕业设计的角度，这个闭环天然适合写成论文：输入输出明确、每个环节都有独立算法、可视化界面完整、还能加数据库存储。如果你的题目背景里还有“数据集”这三个字，那就更好展开——数据集的构建和使用是论文里可以单独成章的内容，比如训练字符分类器、验证识别阈值、统计测试集准确率。哪怕只是用数据集做测试，也比“直接跑通一个函数”要有说服力得多。

很多人拿到开源源码第一件事就是直接运行，等到界面弹出来就算完成。但你仔细想，论文最难写的部分恰恰是“过程”，而不是“结果”。真正建议的做法是一开始就把系统拆成几个模块：图像预处理、车牌定位、字符分割、字符识别、界面交互、数据存储，然后按模块去理解、改造、输出截图，这样论文每章都有内容，答辩时也经得住问。

1.2 为什么OpenCV加Tkinter是毕设友好的组合

先说OpenCV。它是一个计算机视觉库，底层用C/C++实现，Python只是调用接口，速度快、API稳定，图像处理领域大部分经典算法都有现成实现，比如颜色空间转换、高斯滤波、形态学操作、轮廓查找、模板匹配等。对于车牌识别这种典型图像处理任务，OpenCV自带的函数足以完成70%以上的工作，不需要从零实现图像算法，这让课程设计级别的项目周期大大缩短。

再说Tkinter。它的优势其实只有两个：第一个是Python安装后自带，不需要额外装第三方GUI框架；第二个是简单，一个Label显示图片、一个Entry输入路径、一个Button触发识别，这些基础组件用几行代码就能组合起来。相比PyQt5，Tkinter不用处理复杂的信号槽机制和窗体继承结构；相比Web前端方案，不用搭Flask、写HTML页面。它唯一的劣势是界面不够现代，但毕业设计答辩更看重功能完整性和你对自己代码的熟悉程度，界面风格的影响远小于你的实际讲解。

有一点值得提醒：如果你使用OpenCV的传统图像处理方案做识别，在论文里会有很多可写的算法细节；但如果直接上深度学习模型比如LPRNet，识别率确实更高，然而到了论文阶段，你大概率只能写“使用了某某网络结构”，细节不容易展开。最稳妥的路线是把经典图像处理作为主体实现，在“改进与展望”里再提深度模型方案，这样既有深度又有广度。

2. 车牌识别核心链路：定位、分割、识别的流水线设计

2.1 三个模块的职责与“识别率瓶颈”分布

车牌识别整体可以抽象成一条流水线：输入图像后先做预处理，然后定位车牌位置，再从车牌区域中分割出单个字符，最后对每个字符做识别。三个环节的失败率是累积的，也就是说最终识别率等于定位成功率乘以分割成功率乘以字符识别准确率。假设每个环节都做到了95%，最终也只有85%左右；如果某个环节只有80%，结果就会直接掉到60%到70%区间。

从实际经验来看，识别率瓶颈通常不在最后的字符识别，而在前两步。定位环节容易被复杂背景、相似颜色区域、光照不均干扰；分割环节容易受铆钉、车牌边框、字符粘连影响。很多同学调了一周识别模型，发现准确率提不上来，最后定位问题出在二值化阈值和字符区域过滤条件上，这类情况非常常见。所以后面我会把定位和分割部分讲细一点。

2.2 先把朴素流水线跑通，再谈优化

我个人的习惯是，拿到题目不急着优化算法，而是先搭一条最简单的可运行流水线，哪怕它只能处理几张背景干净的车牌图，也要把“输入图片、输出识别结果”这条链路完整跑通。

朴素版本的流程大致可以这样定：读图、转灰度、高斯滤波、Sobel边缘检测、二值化、形态学闭运算、查找轮廓、根据宽高比筛选候选区域、对候选区域做字符分割和模板匹配识别。这套方案里面，边缘检测负责“找边界”，闭运算负责“把边框中不连续的缝隙接上”，宽高比过滤负责“把不是车牌的轮廓排除掉”。第一次跑通时不需要追求参数完美，先把整条链路走通，再通过可视化方式观察每一步的输出图片，慢慢调整。

这一步非常关键，因为只有你先看到“失败案例到底挂在哪个环节”，后续调优才有方向。否则直接套用一个完整源码，运行时一旦出错，你连问题出在哪一步都无法判断。

3. 车牌定位部分：HSV颜色筛选加形态学是最好复现的组合

3.1 为什么定位选颜色空间而不是边缘检测

传统车牌定位有两条主流路线：一是基于边缘和形态学的侦测法，二是基于颜色特征的颜色分割法。边缘检测法的基本逻辑是：车牌区域字符密集，边缘信息非常丰富，通过边缘密度判断候选区。它的优点是车牌颜色种类不受限制，对蓝牌黄牌都有效；缺点是背景中如果有很多复杂纹理，比如树荫、建筑物表面，会产生大量干扰边缘，候选框数量暴增。

颜色分割法的逻辑更直白：蓝牌车牌的蓝色区域在HSV颜色空间里分布相对集中，先把蓝色像素提取出来，再用形态学操作把零散区域合并成完整的车牌连通域。这个方法对蓝色车牌的定位效果非常好，代码逻辑清晰、答辩容易解释。常见的蓝牌HSV阈值大致在“H通道100到124、S通道90到255、V通道90到255”这个范围，但实际使用几乎都要根据你的测试图片微调。

比较推荐的是把两者结合：先用颜色分割锁定候选区，再用边缘密度做二次确认。这样既能减少候选框数量，也能避免纯颜色方案在偏色、曝光异常时直接失效。论文里可以把这个策略写成“基于颜色特征与边缘特征融合的车牌定位算法”，听起来也更完整。

3.2 HSV阈值调试与形态学操作的全过程

实际操作时，定位的核心代码大概长这样：

import cv2 import numpy as np img = cv2.imread("car.jpg") hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色车牌阈值范围 lower_blue = np.array([100, 90, 90]) upper_blue = np.array([124, 255, 255]) mask = cv2.inRange(hsv, lower_blue, upper_blue) # 形态学闭运算：先膨胀后腐蚀，把零散蓝色区域连接成块 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) if w > 80 and h > 20 and 2.5 < w / h < 5.0: plate_area = img[y:y+h, x:x+w]

每个参数都有自己的作用需要弄清楚。闭运算的核尺寸很关键：车牌是横向的矩形，所以用(17,5)这种“宽大于高”的矩形核，目的是把同一行内相邻字符的蓝色边缘横向连起来。如果核太小，车牌区域可能被洞穿成多个小连通域；如果核太大，会把车灯、车身蓝色区域也合并进来。

宽高比过滤是目前最常用也是最好解释的筛选策略。一张标准车牌的长宽比大约是440比140毫米，约等于3.14:1，实际拍摄时因为角度、裁剪误差会有浮动，所以我把筛选范围放宽到2.5到5.0。这个范围既保留了可能倾斜的车牌，又过滤掉了大量细长或接近正方形的非车牌轮廓。值得注意的是，矩形度也可以作为一个补充过滤条件，计算轮廓面积与外接矩形面积的比值，车牌一般来说是一个实心矩形，比值应该比较高。

打完所有候选框之后，建议用cv2.drawContours把框画在原始图上保存下来。这步非常重要，它不只是为了展示，更是调试时最直观的观察方式——“为什么这张图没定位到”还是“定位到了错误区域”，一眼就能看出来。

3.3 倾斜车牌的透视校正

实际拍摄的车牌常常是倾斜的。如果只做简单的矩形裁剪，字符区域会出现透视变形，后续分割和识别准确率都会下降。校正方法不复杂：先提取车牌区域的轮廓，用cv2.minAreaRect获得最小外接矩形，它会返回中心点、宽高和旋转角度。然后根据角度构造一个仿射变换矩阵，把车牌区域旋转到水平。

rect = cv2.minAreaRect(cnt) angle = rect[2] if angle < -45: angle = -(90 + angle) else: angle = -angle M = cv2.getRotationMatrix2D(rect[0], angle, 1.0) rotated = cv2.warpAffine(img, M, (img.shape[1], img.shape[0]))

这里有个小坑：cv2.minAreaRect返回的角度范围是-90到0度，需要根据值判断到底是“往左偏”还是“往右偏”，处理不当很容易把正向车牌反过来旋到更歪。我的经验是先统一把角度映射到-45到45之间，再做旋转，这样处理逻辑更稳。校正完后再按外接矩形的宽高进行裁剪，得到一张相对规整的车牌小图，然后交给分割模块。

4. 字符分割与识别：投影法分割加模板匹配，兼顾速度与准确率

4.1 预处理与二值化的关键细节

拿到定位后的车牌小图，第一步通常是灰度化，然后做二值化，把字符变成白色、背景变成黑色，或者反过来。二值化方法在OpenCV里有固定阈值、自适应阈值和大津法（OTSU）。对于车牌这种背景比较均匀的图像，大津法通常效果不错，它依靠灰度直方图自动计算阈值，把前景和背景分得比较开。不过大津法对光照不均比较敏感，如果车牌被阴影遮挡，建议先做一次CLAHE直方图均衡化增强对比度，再进行二值化。

二值化之后要立刻用形态学操作去掉一些小的干扰块：用一个小的矩形核做一次开运算，目的是去掉字符周围的小噪点，特别是边缘残留的像素。这一步不要用太大的核，否则会把字符本身的笔画结构损伤掉。

有些车牌区域自带白色边框，二值化后边框会和字符连在一起，影响后续投影分割。处理方式很简单：把二值化图像的最外围一圈像素直接置成背景色，相当于给图像“裁边”。边框大约占2到4个像素，去掉之后字符区域才是干净的。

4.2 去除铆钉、过滤伪字符的实用技巧

字符分割最常用的算法是垂直投影法。核心思路是：把二值化图像在垂直方向做像素统计，每一列统计这一列中有多少像素是白色的，然后找到统计值为零的列作为字符之间的分割边界。正常车牌上字符间距明显，投影后会出现一连串波峰和波谷，波峰对应字符，波谷对应间隔。

但实际图像里常常会出现两个问题。第一个是车牌上固定车牌的铆钉，它在垂直投影上会形成一条窄窄的高峰，容易被误判成字符；第二个是第二个字符与第三个字符之间的间隔本来就很小，投影后分不开；第三个是车牌边框残留导致边缘两端的投影值不为零，分割结果多出两个假区域。

针对铆钉，最实用的办法是对二值图像做水平方向的连通域分析，统计每个连通域的高度和面积，铆钉的区域面积很小、宽高比接近1，与字符有明显差异，直接用面积阈值过滤。针对字符粘连，可以借助车牌字符的先验知识：标准车牌是7个字符，第一位是汉字省份简称，第二位是字母，后面五位是字母或数字，所以垂直投影之后应该得到7个主要区域。如果得到的是6个，大概率是有两个字符粘连了，可以用“区域宽度/车牌总宽度”来判断，结合每个字符的大致宽度范围去切分。这部分逻辑有点绕，但写起来也适合作为论文里的重点细节，很有内容可写。

4.3 模板匹配识别与“中文识别”的坑

字符识别最简单的方案是模板匹配。把每个分割出来的字符缩放到统一尺寸，例如20乘40像素，然后和模板库中所有字符的图片做比较，计算相似度，得分最高的就是识别结果。相似度可以用cv2.matchTemplate，也可以简单点计算像素差值的平方和。

def match_char(char_img, templates): char_img = cv2.resize(char_img, (20, 40)) best_score = -1 best_char = "" for char, templ in templates.items(): res = cv2.matchTemplate(char_img, templ, cv2.TM_CCOEFF_NORMED) _, score, _, _ = cv2.minMaxLoc(res) if score > best_score: best_score = score best_char = char return best_char

模板匹配的坑主要在中文省份简称上。中文汉字笔画复杂，不同字体差异也大，比如“苏”和“鲁”在低分辨率下笔画结构很接近，模板匹配很容易混淆。我的做法是给每个省份简称准备三到五个不同来源的模板样本，识别时取平均得分最高者。很多现成源码里中文识别率低，问题就出在模板样本太少且来源单一。如果数据集里有一些真实切割出来的省份字符，把它们加进模板库，效果会比单纯用字体渲染出来的模板好很多。

数字和字母的识别则相对轻松，因为笔画结构简单、类别数量少、字形差异大。实际项目中，用模板匹配对数字字母做到90%以上准确率并不难，难点始终在中文和受污染字符上。

5. Tkinter图形界面的正确打开方式：识别引擎与GUI解耦

5.1 界面布局、交互逻辑怎么设计

Tkinter界面的用途不是展示你的写码水平，而是让用户能直观地使用系统，所以布局上要遵循“所见即所得”的原则。

我建议界面分成三个区域：左边是一个较大的图片显示区，用户选择图片后立刻把原图显示出来，识别完成后把定位结果图也显示进来；右边是识别结果区，包含“车牌号码”的文本框和置信度等信息；底部是操作按钮，包括“选择图片”“开始识别”“保存记录”。

组件代码本身不复杂，比如选择图片按钮的回调函数：

from tkinter import filedialog, Label, Button, StringVar import cv2 from PIL import Image, ImageTk def choose_image(): path = filedialog.askopenfilename(filetypes=[("Image", "*.jpg *.png *.bmp")]) if path: img = cv2.imread(path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_pil = Image.fromarray(img) img_tk = ImageTk.PhotoImage(img_pil) label_img.config(image=img_tk) label_img.image = img_tk

这里要注意一个高频坑：Tkinter的Label显示图片时，必须保留一个引用变量（label_img.image = img_tk），否则Python的垃圾回收机制会把图片对象回收掉，界面里只会显示一个空白区域。这个问题几乎每届做Tkinter毕设的同学都碰到过，而且报错日志里完全看不出来，非常隐蔽。另外OpenCV读进来的是BGR顺序，而Tkinter的PhotoImage按RGB解释，如果不先转换会出现蓝红通道颠倒、颜色偏色的问题。

5.2 别让界面假死：多线程调用识别引擎

识别单张图片在普通CPU上可能只需要几百毫秒，但如果加了视频流识别，或者图片分辨率很高，耗时就会明显提升。更关键的是，Tkinter的事件循环是单线程的，如果在按钮回调里直接执行耗时识别操作，界面会一直卡在那个函数里，用户移动窗口、点击其他按钮都没反应，看起来就像程序死掉了。条件允许的话，务必用多线程把识别任务丢到子线程中执行：

import threading def start_recognition(): t = threading.Thread(target=recognition_job) t.daemon = True t.start() def recognition_job(): # 执行识别，拿到结果 result = plate_recognizer.recognize(img_path) # 用 after 把结果回传到主线程，避免直接操作控件 root.after(0, update_result, result)

子线程不能直接修改Tkinter控件，否则会引发线程安全问题。正确做法是用root.after(0, callback, result)把结果传回主线程，由主线程更新界面。这里的after相当于是把一个回调函数提交到事件循环队列里执行，是Tkinter跨线程通信最稳妥的方式。

还有一点容易被忽视：把识别引擎封装成独立的类，不要在按钮回调里直接堆整套OpenCV代码。因为界面是界面、算法是算法，你答辩时完全可以展示“调整算法不会动界面代码”这个工程化设计，很多答辩老师非常看重这一点。

5.3 用SQLite把识别记录留下来

毕设系统如果只有识别功能会显得单薄。最省事且能明显提升完整度的是加一个SQLite数据库，识别完自动把“车牌号、识别时间、置信度、图片路径”存进去，界面再加一个“历史记录”按钮，用Treeview控件展示所有记录。SQLite是Python内置的，不需要额外安装，数据库就是一个本地文件，答辩演示时也不依赖网络环境。

import sqlite3 conn = sqlite3.connect("plate_records.db") cursor = conn.cursor() cursor.execute(""" CREATE TABLE IF NOT EXISTS records ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate TEXT, time TEXT, confidence REAL, image_path TEXT ) """) conn.commit()

这个模块虽然技术含量不高，但是让你的系统从一个“算法脚本”变成了一个“管理系统”式的完整作品，在评分时很加分。也可以顺手做一个查询功能，按车牌号模糊搜索历史记录，这些交互逻辑写起来都不复杂，但对论文“系统实现”章节非常有用。

6. 数据集组织与调优：识别率从60%到90%+的实测过程

6.1 数据从哪来、测试集怎么标

“使用数据集”和“有数据集”是两回事。开源的车牌数据集比如CCPD（Chinese City Parking Dataset）包含大量真实场景图片，但它的数据有几个特点：图片里车牌不一定是主体，很多是停车场监控视角，车牌区域很小，直接用原图测试定位模块会非常困难。所以拿到数据集后，不要一股脑灌进系统里测准确率，而是按场景分成几类：近距离正视角、倾斜角度、弱光环境、复杂背景。

我实际做的时候是构建一个约200张图片的小型测试集，每张图片手动标注车牌位置和车牌号，标注保存成CSV文件。格式很简单，包含图片文件名、车牌框的四个坐标、车牌真实文本。这个过程不需要用专业标注工具，用画图软件看像素坐标就行。有了这个测试集，你就可以量化统计：定位成功率、分割成功率、字符识别准确率，三个指标分开统计，哪个环节差就补哪个。比笼统地说“系统准确率百分之九十”要专业得多。

6.2 最见效的五个调优点

根据实测经验，一组可复现的核心参数比任何花里胡哨的优化都更有效。以下是我调优过程中提升最大的五个点：

第一，定位阶段先做一次CLAHE直方图均衡化，对弱光和逆光场景的提升非常明显，尤其是车牌上有阴影遮挡的时候，这一步能让二值化阈值自动适配到正确的范围。

第二，闭运算的核尺寸要跟着图像分辨率走。如果输入图片是1080P以上，核的尺寸需要相应放大，否则同一个核在低分辨率下有效、在高分辨率下会把字符区域全部糊掉。一个经验做法是把核尺寸校准到车牌宽度的1/20左右。

第三，字符分割时先去掉二值图像最外围两圈像素。这能避免白色边框参与垂直投影，直接把分割准确率提上来，这个方法对带边框的车牌照片几乎百分百有效。

第四，不要只用一种二值化方法。大津法适合灰度背景均匀的情况，如果你发现某张图的大津法二值化结果很差，可以试一下自适应阈值配合高斯核，虽然速度慢一点，但对光照变化的适应性更好。

第五，模板库要“脏”一点。不要只放标准渲染字体，把真实图片中切割出来的模糊字符、倾斜字符都加进模板库做样本。模板匹配的识别效果极大程度上取决于模板覆盖的形态多样性，而不是单个模板的清晰度。

6.3 从传统图像方案到深度模型的升级路径

传统图像处理方案的优点是计算资源消耗小、逻辑清晰、答辩好讲，但鲁棒性确实不如深度模型。如果你的论文想要做“系统改进”章节，比较稳妥的写法是保留当前传统方案作为基础版本，再引入深度学习模型做对比实验。

比如车牌定位环节，可以用YOLOv8或者更轻量的目标检测模型来替代颜色加形态学的定位策略，训练数据就从车牌数据集中裁剪一个车牌类目标出来。字符识别环节，可以在开源ATR（License Plate Recognition）模型比如HyperLPR或者LPRNet基础上做微调。深度模型的识别率会明显上升，尤其是对倾斜、模糊、跨颜色车牌的鲁棒性提升非常大。

但在论文里不要一上来就写深度模型，否则你前面的传统图像处理部分就成了无意义铺垫。更好的做法是：正文“系统设计”部分是传统算法，“实验与改进”部分再展示深度模型对比，让论文有一条“由浅入深、发现问题并改进”的完整线索。

7. 答辩演示前的工程化完善

7.1 把代码拆成容易被提问的结构

答辩老师对你的代码不感兴趣，但他们一定会问“系统架构是怎样的”。所以在开发时就要把代码拆好模块。推荐下面这种文件组织方式：

plate_system/ ├── main.py # Tkinter入口 ├── preprocess.py # 图像预处理 ├── locate.py # 车牌定位 ├── segment.py # 字符分割 ├── recognize.py # 字符识别 ├── database.py # SQLite存储 ├── templates/ # 车牌字符模板库 ├── test_images/ # 测试图片 └── requirements.txt # 依赖列表

每个文件只干一件事，函数命名要表意清晰。答辩时老师问“定位是怎么实现的”，你就直接说“在locate.py里采用了HSV颜色分割加形态学闭运算”，然后打开文件指着代码讲，自然又有说服力。还建议写一份简短的requirements.txt，里面标注opencv-python、numpy、Pillow等依赖，现场部署演示时能节省大量时间。

7.2 演示时准备几个“事故现场”

现场演示最怕的是选的图片识别不出来。稳妥的做法不是只准备成功案例，而是准备一组“事故现场”来展示系统的处理能力而不是完美性。

我的建议是准备三类图片：一张非常清晰的正视角蓝牌，用于正常演示；一张有强光反射或者阴影遮挡的车牌图，然后展示预处理之后的效果；一张背景复杂、有较多蓝色物体干扰的图。前两张演示成功，第三张如果确实失败，你可以现场进行分析：“由于背景中存在蓝色车辆车身区域，颜色定位找到了多个候选框，这展示了当前算法对相似色干扰的局限，后续可以用深度检测模型来改进。”这样的表述反而真实体现你对系统的理解程度。

另外，演示前把测试图片路径和预期识别结果列表打印出来，贴在一张纸上。启动程序后先跑一遍图片识别，让结果窗口出现，再开始口头讲解，可以避免现场等待太久导致冷场。

7.3 实测结果与后续扩展建议

我在自己的环境里用200张测试图跑过一个中等规模测试，配置是普通i5处理器加Python 3.10、OpenCV 4.8。在正视角清晰蓝牌图片上定位成功率接近95%，字符分割成功率约90%，字符识别准确率约85%到90%。但只要遇到强烈反光、大倾角或者黄牌绿牌，指标会明显下滑。这个成绩放到论文里已经足够说明问题，因为你展现的是一个完整可运行系统，而不是一个刷分算法。

后续扩展方向有两个方向值得考虑：一是把静态图片识别升级为视频流识别，从摄像头或本地视频逐帧读取，用间隔抽样降低计算压力，界面里做一个“实时识别”按钮；二是引入多类型车牌支持，比如绿色新能源车牌和黄色大型车车牌，定位逻辑从单一蓝色阈值改成多组HSV阈值并联判断。哪个方向都能撑起一篇完整的毕业设计论文。

最后再分享一个小经验：所有的参数阈值不要硬编码在函数内部，最好集中放到一个配置类或者配置文件里。因为你在调优那一天改的HSV阈值，一周后答辩当天可能又要调回来，集中管理能让你快速恢复“当时的正确状态”，这件事我吃过不少亏，希望你不要重蹈覆辙。

本文还有配套的精品资源，点击获取