简介：基于MATLAB的车牌识别项目提供了一套完整的车牌自动识别源码实现，覆盖图像灰度化与去噪、车牌定位与分割、字符切割、特征提取与模板识别等全流程，适合计算机视觉初学者、MATLAB开发者以及需要完成车牌识别课程设计或毕业设计的学生参考学习。压缩包共69个文件，其中10个m脚本为算法主体，覆盖主程序、形态学处理、投影切割、字符识别等功能模块；44个bmp是各省简称及数字字母字符模板；14张jpg为不同场景下的车辆测试图片；整体仅4.51MB，目录结构清晰，便于直接运行和二次开发。该资源已有539人学习下载。通过研读源码，可掌握边缘检测、连通区域分析、垂直投影、模板匹配等关键技术，并能利用自带模板与图片验证识别效果，是快速入门MATLAB图像处理和模式识别的一份实用参考。
1. 基于 MATLAB 的车牌识别：从课程设计到能落地的图像处理方案
车牌识别（LPR，License Plate Recognition）是数字图像处理领域最经典的综合性实战项目，也几乎是每个 MATLAB 学习者绕不开的里程碑。它不是单个算法能搞定的任务，而是「图像预处理 → 车牌定位 → 字符分割 → 字符识别」四步流水线。这四步里每一步都有成熟的算法选型，也有大量值得记录的工程细节，尤其是光照不均、车牌倾斜、字符粘连这类真实场景下的常见翻车点。我有段时间在本地用模拟车牌的图片反复调参，走了不少弯路，也积累了可复现的完整流程。这篇笔记面向两类人：一是正在做课程设计、想跑通一个靠谱车牌的初学者，二是已经在用其他语言做识别、想用 MATLAB 快速验证算法效果的熟手。读完你会明白怎么从零搭起一条处理链，每步的算法为什么这样选，以及参数调到哪里才算「能用」——毕竟实验室里跑通一张图容易，换一批图还能稳定识别才是真本事。
2. 车牌定位：从灰度图到候选区域的常规打法
2.1 为什么先做灰度化和边缘检测：把彩色图降维的思路
拿到一张包含车牌的图片，第一步不是急着找车牌，而是把问题简化。彩色图含 RGB 三个通道，每个通道的纹理信息互相干扰，直接处理计算量也大。常见做法是先转成灰度图，再用边缘检测把图像里的「突变」位置标出来。车牌区域本身有两大特征：一是字符与背景之间对比度高，二是车牌边框和字符共同构成密集的垂直线段。这两点让车牌成为整张图里边缘密度最高的区域之一。
灰度化是整套流程的地基。MATLAB 里用 rgb2gray 就能完成，但有个容易被忽略的点：如果是模拟生成或夜间拍摄的图，灰度化之前可以考虑先做一次光照补偿，比如用直方图均衡化（histeq）把过暗或过曝的区域拉伸开。我踩过的坑是，在强逆光下直接做边缘检测，车牌区域反而因为对比度过低而「隐形」，先均衡化再走后续流程会稳很多。
边缘检测算子方面，Sobel、Prewitt、Canny 都有人用。我的习惯是优先用 Canny，它对弱边缘的连续性保持得更好，车牌的上下边框不容易断。但 Canny 的两个阈值（thresh 和 thresh*2）需要根据图片整体亮度微调，过于依赖默认参数换图就容易失效。这里贴一段最小可跑的定位前置代码：
img = imread('car.jpg'); gray = rgb2gray(img); grayEq = histeq(gray); % 光照补偿，弱光图强烈建议加 bwEdge = edge(grayEq, 'canny', [0.1 0.25]); % 双阈值，前小后大 figure, imshow(bwEdge);分段说明：第一步读图，第二步转灰度，第三步直方图均衡化，第四步 Canny 提取边缘。这里两个阈值不是随便写的，[0.1 0.25] 表示低阈值 0.1、高阈值 0.25，高阈值决定哪些边缘是「强边缘」必须保留，低阈值决定弱边缘能否连成闭合轮廓。换到对比度不同的图片时，低阈值往 0.08 调、高阈值往 0.2 调是止血操作；如果边缘断得厉害，多半是高阈值太高，降低它比换算子更见效。
2.2 形态学操作让车牌区域「连成一块」：闭运算与矩形结构元
边缘检测之后得到的是密集的线条，但这些线条还是散的，不能直接作为车牌候选区域。这时候需要形态学操作来「缝合」它们。闭运算（先膨胀后腐蚀）是首选，因为车牌区域的边缘之间缝隙小，闭运算能把缝隙填上，让整个车牌变成一个连通的矩形块。背景里的树干、路面标线等杂乱边缘，因为不满足这种「紧密排列」的形态特征，多数情况下不会被缝合到一起。
结构元素（structuring element）的形状和尺寸决定缝合效果。车牌是水平方向长、垂直方向短的矩形，所以结构元也用矩形，比如 strel('rectangle', [5, 19])——垂直方向 5 像素、水平方向 19 像素。这个比例不是拍脑袋定的，水平方向比你预期的字符间距略大，才能把相邻字符间的空隙填上；垂直方向设小一些，避免把车牌以外的高边缘区域也误并进来。
形态学做完后，下一步是找连通域并筛选。一个很实用的技巧是：先标记所有连通区域，再用「宽高比」过滤。标准车牌宽高比大约在 2.5 到 3.5 之间，加上拍摄角度的影响可以放宽到 2 到 4。面积也要限制，滤掉那些虽然形状像但实际很小的干扰块。下面是定位环节的代码：
se = strel('rectangle', [5, 19]); % 矩形结构元：高5宽19 bwClose = imclose(bwEdge, se); bwFill = imfill(bwClose, 'holes'); % 填充内部孔洞 stats = regionprops(bwFill, 'BoundingBox', 'Area'); for k = 1:length(stats) w = stats(k).BoundingBox(3); h = stats(k).BoundingBox(4); ratio = w / h; if ratio > 2 && ratio < 4 && stats(k).Area > 2000 plateBox = stats(k).BoundingBox; % 保存候选车牌框 end end plateImg = imcrop(img, plateBox);这段代码的思路是：闭运算把边缘缝成块，imfill 填掉车牌字符之间的孔洞，让整个区域更「实心」，然后用 regionprops 提取每个连通域的宽、高和面积。筛选条件里的宽高比 2~4 和面积阈值 2000，是我多次换图后调出来的经验值，前者相对通用，后者和图片分辨率强相关——如果你的图是 1920 宽的大图，这个面积阈值可能要翻几倍。具体使用中可以先画一幅所有连通域外接矩形的图，看看干扰块的面积分布，再决定阈值。
2.3 定位不准时优先查什么：边缘断点与结构元尺寸
定位环节的常见失败模式就几种。第一种是候选框把整块车身框了进去，通常是结构元水平尺寸设得过大，把车灯、车窗等区域也并进了同一连通域；第二种是车牌区域被漏掉，原因是 Canny 高阈值太高，车牌边框边缘断裂太严重；第三种是选出了多个候选框，说明过滤条件太宽，需要收紧宽高比范围。
调试这些问题的顺序有讲究。先看 bwEdge 的显示结果，确认边缘是否完整；再看 bwClose 的结果，确认车牌是否被缝合成了完整块；最后才调宽高比和面积阈值。从前往后逐层排查，能快速定位问题出在哪一级。很多人一上来就改面积参数，越改越乱，这是没理解每层操作的责任边界——边缘检测管「哪些线保留」，形态学管「线怎么连成块」，筛选规则管「哪些块是车牌」。
3. 字符分割：把车牌区域切成 7 个独立字符
3.1 投影法分割的原理与实现：垂直投影为什么够用
车牌定位完成后，得到的一般是一张只剩车牌区域的彩色或灰度图。接下来要把这块区域均匀地切成单个字符。国内标准车牌是 7 个字符（如「某A·12345」），但字符之间有间隔、首字符后面还有分隔符点，直接均分切割是不靠谱的。更稳的做法是利用字符排列的「投影」特性：把二值图按列累加像素值，字符所在的列区段会有明显的响应，字符间隔的列区段响应接近零，这就是垂直投影法的核心思想。
投影法之所以够用，本质上是因为车牌字符的排列是规整的，每个字符占据一个独立的列区间，互相之间的间隔足够产生「谷值」分隔信号。实现时先要把车牌区域转成二值图，这一步的阈值选择直接决定投影效果——我稍后会展开说。垂直投影的 MATLAB 实现很短，核心就是 sum 函数沿着列方向累加。
plateGray = rgb2gray(plateImg); bwPlate = imbinarize(plateGray); % 自动阈值二值化，后续可调 projCols = sum(bwPlate, 1); % 垂直投影：每列白像素数 isChar = projCols > 2; % 门限：大于2视为字符列 colRanges = find(diff([0, isChar, 0]) == 1); colEnds = find(diff([0, isChar, 0]) == -1) - 1; % colRanges 和 colEnds 一一对应，组成每个字符的左右边界投影数组 projCols 的长度等于图像宽度，值表示该列有多少个白色像素。isChar 做一次阈值判断，把「有字符」的列标成 1。diff 然后 find 的技巧是找到 0→1 和 1→0 的跳变位置，分别得到每个字符段的起点和终点。这里阈值「2」不是固定的，如果字符在二值化后变细，阈值要降到 1；如果图像噪声多，要提高到 3 或 4，否则会把噪声列也算成字符。
3.2 二值化阈值的选择：固定阈值与自适应阈值的取舍
二值化是分割环节最容易翻车的一步。用 imbinarize 的默认 Otsu 方法（全局阈值），在均匀光照下车牌图片表现不错，因为字符和背景的灰度分布是两个明显的峰。但真实拍摄场景经常有偏光、阴影或金属反光，全局阈值可能把部分字符的背景也二值化成白色，或者反过来把字符断开。这时候自适应阈值（local threshold）往往更可靠，它按局部邻域计算阈值，能适应同一张图里不同区域的亮度差异。
MATLAB 里自带的 adaptthresh 函数就是干这个的，核心参数是邻域大小 sensitivity。灵敏度设得越大，二值化后保留的细节越多，但也更容易引入噪点；设得太小，字符可能会缺笔画。我的经验值是 sensitivity 在 0.3 左右起步，根据显示的二值图微调。这里给出完整的分割后再筛选步骤：
T = adaptthresh(plateGray, 0.3, 'ForegroundPolarity', 'dark'); bwPlate = imbinarize(plateGray, T); bwPlate = ~bwPlate; % 车牌字符是深色，需要反色让字符为白色 bwPlate = bwareaopen(bwPlate, 50); % 去掉小噪点块这段代码的要点是 ForegroundPolarity 参数：它告诉算法前景（字符）是亮还是暗。国内蓝底白字车牌中，字符比背景暗的情况不常见，但新能源绿牌或者某些反光严重的场景里，极性设置错了会导致二值化结果完全颠倒，字符变成背景、背景变成字符。加 bwareaopen 是为了清除面积小于 50 像素的孤立噪点块，这些块通常来自车牌螺丝或边框残留。分割完成后，逐个把字符从原图上裁出来，统一缩放到相同尺寸，识别环节就能用统一的特征了。
3.3 分割结果不理想时的三个快速修正手段
分割最常见的问题有三种。一是字符粘连，多发生在字符间距因拍摄角度而压缩时，垂直投影的谷值不够低，两个字符被并成了一个。二是汉字断开，尤其是「某」这类笔画多的汉字，二值化后中间可能出现断裂，投影时被拆成了两块。三是分隔符被误判成字符，国内车牌的圆点或方点虽然小，但投影后会形成一个小响应区，容易被当成字符。
针对这三个问题，我一般会先做同一件事：显示投影曲线图和二值图，肉眼对齐确认问题原因。然后是修正手段——字符粘连时，尝试用形态学开运算把字符间的细连接断开；汉字断开时，反过来用闭运算把断裂的笔画连上；误判分隔符时，用一个简单的宽度阈值过滤：字符宽度与整体平均宽度差异超过 50% 的段直接丢弃。这些操作都是针对 bwPlate 的微调，代价小、见效快，比反复换二值化方法更省时间。经过这些处理，分割出的 7 个字符块就可以进入最后的识别环节了。
4. 字符识别：模板匹配与特征提取的实操对比
4.1 模板匹配的思路：为什么要统一尺寸和训练样本
分割出来的字符图，接下来要回答「这个字符是什么」。最朴素也最容易上手的方法是模板匹配：把每个待识别字符和预先存好的标准字符模板做相似度对比，取最相似的作为识别结果。实现模板匹配前，必须把待识别字符和模板缩放到同一尺寸，这是匹配准确率的基础。常见的缩放目标大小是 40×20 或 48×24，保持宽高比一致，不要压变形。
模板的来源通常有两种。一种是自己截取标准车牌字符图片，二值化后做成模板库；另一种是从公开的字体文件直接渲染生成。用字体生成的好处是量大、覆盖全，但要注意字体风格与车牌实际字体的差异。车牌字符的字体宽度、笔画粗细与否，对匹配结果影响很明显。这里给出模板匹配的简化版实现，逻辑清晰且容易扩展：
function label = matchChar(charImg, templates, labels) charRes = imresize(charImg, [24, 12]); % 统一尺寸：高24宽12 charVec = charRes(:); bestScore = -1; label = '?'; for i = 1:length(templates) tRes = imresize(templates{i}, [24, 12]); score = corr2(charVec, tRes(:)); % 皮尔逊相关系数 if score > bestScore bestScore = score; label = labels{i}; end end end这段代码的思路是：把待识别图与每个模板都缩放到相同尺寸，然后按列展开成向量，计算二者的相关系数。相关系数越接近 1，说明两张图的线性关系越强，匹配度越高。corr2 的好处是它对整体亮度和对比度变化不敏感，也就是说待识别字符的笔画粗细和模板略有差异时，匹配结果仍然相对稳定。坏处是对字符的形变很敏感，旋转超过 5 度就会明显掉分，所以前面分割时要把倾斜矫正做好。
4.2 特征提取：用网格特征代替全像素匹配，抗干扰更强
纯模板匹配依赖像素级比较，抗干扰能力有限。更实用的方案是先用特征提取把字符图像压缩成一个低维向量，再做分类。网格特征是其中最简单有效的手段：把归一化后的字符图划分成若干小格子，统计每个格子内的白像素密度，把这些密度值串成一个特征向量。这个特征向量的维度比原始像素少得多，且对微小位移和笔画粗细有一定容忍度。
网格划分的粒度影响识别效果。常见做法是 4×4 或 6×4 的网格，格子太少，特征区分度不足；格子太多，又回到了像素级比较的困境。我一般选择 6×4，也就是把字符图横向切 6 等份、纵向切 4 等份，得到 24 维特征。训练一个最近邻分类器，对中小规模的模板库来说速度和准确率都是可接受的。实际操作中把模板也做同样的网格化处理，待识别的字符和模板在同一个特征空间里做距离比较，会比全像素比较更稳定。贴出特征提取的核心代码：
function feat = extractGridFeature(img, rows, cols) imgRes = imresize(img, [rows*10, cols*10]); % 放大后分块更均匀 feat = zeros(rows, cols); h = size(imgRes, 1) / rows; w = size(imgRes, 2) / cols; for i = 1:rows for j = 1:cols block = imgRes(round((i-1)*h)+1 : round(i*h), ... round((j-1)*w)+1 : round(j*w)); feat(i, j) = mean(block(:)); % 每格白色像素占比 end end feat = feat(:); % 展平成列向量 end这段代码的可替换参数在于 rows 和 cols 的取值。把字符放大是技巧所在——直接在原图尺寸上分块，网格边界容易落在字符笔画边缘上，导致特征抖动。放大 10 倍后再分块，边界位置更稳定。mean(block(:)) 计算的是该格子里白像素的平均值，值域在 0 到 1 之间。特征向量的比较可以继续用相关系数，也可以用欧氏距离，在 MATLAB 里 knnsearch 一行就能实现。实践下来，网格特征在「同一字符不同字体」的场景下，比全像素匹配的错误率低一半左右。
4.3 识别结果验证：用多张图而不是一张图来评测
识别模型跑通后，最忌讳的是用一两张图验证就宣布「可用」。我习惯的做法是准备至少 20 张不同场景的车牌图：白天、傍晚、雨天、略微倾斜的角度都要覆盖。跑完后统计每个字符的识别率，而不是只看整张车牌对不对。整张对只不过说明运气好，单字符识别率才能反映算法短板。比如「0 和 O」「1 和 I」「B 和 8」这类容易混淆的字符，单独统计混淆对是很直观的反馈。
如果识别率在 90% 以下，不要急着换识别算法，先回头检查分割结果。很多识别错误其实是分割时把字符切歪了或者切断了——识别环节只是把前面的错误放大了。我经历过一次大面积误识别，排查后发现问题出在二值化阈值太高，字符「某」的笔画被切掉一块，模板匹配时和相似的字符产生了强相关。这类问题不看中间结果根本发现不了。识别率到 90% 以上后，才值得考虑更复杂的分类器换 CNN，或者增加模板数量。记住一个原则：流程中的每一步错误率是相乘的，分割 5% 的错误会让总正确率显著下降，先优化错误率最高的环节，收效最快。
5. 车牌识别避坑指南：四类常见问题的现象、原因、解决
做这个项目跑了一个多月，遇到的坑集中在四类：光照导致的前处理失效、倾斜车牌的定位失败、字符分割时的粘连与断裂、二值化极性搞反。下面逐条记录现象、根因和最终的处理策略。
坑 1：强逆光下车牌整体偏暗，定位框直接落到车灯上。现象：候选区域框住了车灯或车窗，车牌被忽略。原因：Canny 边缘检测对低对比度区域的响应很弱，车牌边缘没有形成足够的线密度，而车灯反而是高亮高对比区域。解决：先做直方图均衡化，再进边缘检测。具体做法是在 rgb2gray 后加 histeq，对比度拉伸会让车牌字符边缘重新「显形」。这是调参之外最值得优先做的事，效果往往是立竿见影的。
坑 2：车牌旋转超过 10 度，宽高比过滤把真车牌滤掉了。现象：字符是斜的，定位环节没有任何候选框通过过滤条件。原因：旋转使车牌的外接矩形宽高比变化，比如斜 15 度时水平宽度明显增大，比例超出 2~4 的范围。解决：先做倾斜矫正再做宽高比过滤。矫正方法不复杂——用 Hough 变换检测车牌边框的长直线，计算直线与水平方向的夹角，然后对车牌区域做旋转。实践中最常见的做法是：先粗定位到车牌区域，再做矫正，最后用更严格的宽高比二次筛掉误检区域。不矫正直接放宽过滤范围的方案不推荐，那是把其他干扰块一并放进来了。
坑 3：字符分割时「某」被切成两段。现象：项目中的「某」字（泛指一个常见汉字省称，替换含义）笔画密集，二值化后笔画之间出现细缝，垂直投影形成两个相邻的波峰，被分成两个字符。原因：汉字笔画密集区域的列投影值波动大，字符内部出现谷值，但谷值并未降到「无字符」的水平——问题出在二值化后笔画出现了断裂，而不是投影方向选错了。解决：使用闭运算把断口连上，然后重新投影。具体是 strel('line', 3, 90) 这样的垂直短线结构元做闭运算，注意控制长度，太长了会把字符之间的间隔也连起来。
坑 4：二值化后字符和背景的颜色关系反了，识别全乱。现象：二值图里车牌背景是白色、字符是黑色，后续投影和识别全失效。原因：拍摄时车牌类型不同（蓝底白字、黄底黑字、绿底白字），前景极性与 Otsu 的假设不一致；或者使用 adaptthresh 时没有指定 ForegroundPolarity，默认值不匹配当前字符颜色。解决：处理前明确车牌的字符极性，调用 adaptthresh 时显式传入 'ForegroundPolarity', 'dark' 或 'bright'。如果字符颜色在图片中不统一，比如反光导致白字变灰，就需要先做局部亮度更均匀的预处理。这个坑的特点是出错快、全错，但只要定义了字符极性并显示二值图确认一遍，就不会被它反复影响。
以上四坑基本覆盖了做车牌识别时前 80% 的翻车原因。大多数错误最终都能追溯到「输入没准备好」，也就是前处理没有适配图片的实际情况。先把中间过程可视化地检查一遍，再谈调识别网络，这是做这个项目最快的debug路径。
6. 验证与进阶：用批处理脚本做一次完整的端到端自检
项目做到能识别单张图还不够，我会建议你用一批图做完整的验证，同时把流程固化成一个批处理函数，为后续换算法留好接口。这个函数接收图片路径、返回识别结果字符，内部依次调用前文各部分。批处理跑完后计算识别率，再决定哪些环节值得深挖。
function result = recognizePlate(imgPath) img = imread(imgPath); % Step 1: 定位 gray = rgb2gray(img); grayEq = histeq(gray); bwEdge = edge(grayEq, 'canny', [0.1 0.25]); % ... 形态学、筛选、裁切 % Step 2: 分割 % ... 投影分割、二值化、去噪 % Step 3: 识别 % ... 模板匹配或特征 + 分类器 result = ['识别的车牌字符序列']; end这段框架代码的意图是结构化。你可以把每个 step 内的细节替换成自己调好的参数；如果之后要引入新的分割算法或识别模型，只需要改对应的 step 块，不影响整体流程。建议把每张图的中间结果保存到文件夹里，一次批处理跑完再逐个看，能很清楚地发现有问题的环节在哪里。
验证集的选择也很关键。不要只用干净的高清大图，那种图容易在实验室里「人人通过」。至少包含这样几类：有轻微倾斜的、背景有树荫或车身反光的、夜间弱光但肉眼可辨的、以及不同车牌颜色（蓝底、黄底、绿底）的样本。每类 5~10 张就足够暴露大多数问题。如果某类图识别率特别低，单独分析是在前处理、定位还是分割环节掉的链子。
经过这些验证，你会对流程的稳定性有更准确的判断。我自己做过一版识别，在实验室的干净图上正确率很高，但换到夜间场景掉到 60% 以下。后来发现解决问题的最短路径，不是上更复杂的模型，而是把前处理做到位：直方图均衡化、自适阈值、闭运算，这三步让夜间图的车牌区域「显形」程度提升了一大截。后面即便再用同样的模板匹配，识别率也能回到 90% 上下。这个经历让我学到一个习惯：遇到识别结果不好，先不要怪分类器，回去看中间图像，90% 的问题在特征提取之前就已经埋下了。希望这些方法对你有帮助，少走我当时走过的弯路。
本文还有配套的精品资源，点击获取
