MATLAB车牌识别系统：从图像处理到模式识别的完整实现

简介：本资源是一套面向本科课程设计、毕业设计及智能交通类实践项目的完整MATLAB车牌识别系统实现方案，适用于具备基础图像处理与MATLAB编程能力的学习者。系统涵盖车牌定位、二值化、噪声滤波、字符分割与模板匹配识别等核心流程，支持白底黑字、蓝底白字等多种常见车牌格式，含可直接运行的53幅BMP与19幅JPG实测图像、4个关键功能M文件（如qiege.m、getword.m）、以及1份结构清晰的答辩PPT，全面覆盖从算法原理到演示汇报的各环节需求。压缩包共77个文件，总大小2.11MB，轻量易解压，适合作为教学案例或快速复现参考。目前已有2526人学习下载，提供即用型源码、多场景测试图库及答辩材料，显著降低项目搭建门槛，助力高效完成课程答辩与系统验证。

1. 项目概述：从“看见”到“读懂”车牌

车牌识别系统，听起来是个挺高大上的词，但说白了，它的核心任务就两步：第一步，在一张复杂的图片里，准确地“看见”并框出那块车牌；第二步，把框出来的车牌图片，准确地“读懂”上面的字符。这和我们人眼看车牌的过程几乎一模一样。这个项目之所以经典，是因为它完美地串联了数字图像处理、模式识别和机器学习中的多个核心知识点，是检验一个图像处理工程师基本功的绝佳试金石。

我最早接触这个项目，还是在大学做课程设计的时候。当时觉得，不就是找一块区域然后识别几个字嘛，能有多难？真正上手才发现，从一张可能模糊、倾斜、光照不均、背景杂乱的车牌图片，到最终输出一串准确的字符，中间每一步都藏着“坑”。比如，车牌定位不准，后续识别全白费；字符分割粘连，识别率直线下降。这个项目特别适合那些已经掌握了MATLAB基础语法，想深入图像处理领域，或者正在寻找一个综合性大作业题目的同学。通过它，你不仅能巩固理论知识，更能获得宝贵的“实战”经验，理解算法在实际应用中的局限性与优化方向。

2. 系统整体架构与设计思路

一个完整的车牌识别系统，其工作流程是一条清晰的流水线。我们可以把它拆解为四个核心阶段，每个阶段都承担着特定的任务，并且前一阶段的输出质量直接决定了后一阶段的处理效果。

2.1 核心流程四步走

整个系统的骨架如下图所示，这是一个高度概括但至关重要的顶层设计：

原始车辆图像 ↓ [1. 图像预处理] ↓ [2. 车牌区域定位] ↓ [3. 字符分割] ↓ [4. 字符识别] ↓ 识别结果输出

第一阶段：图像预处理。这是所有图像分析工作的“热身运动”。我们拿到的原始图像可能来自不同的摄像头，光照条件各异（过曝、逆光、夜间），也可能存在噪声。预处理的目标不是改变图像内容，而是为后续更复杂的分析创造一个“友好”的环境。主要操作包括：灰度化（将彩色图转为灰度图，减少计算量）、图像增强（如直方图均衡化，提高对比度）、滤波去噪（如中值滤波，消除椒盐噪声）以及边缘检测（如Sobel、Canny算子，突出车牌边框和字符轮廓）。这里的核心思想是“突出感兴趣的特征，抑制无关信息”。

第二阶段：车牌区域定位。这是整个系统的“咽喉要道”，也是最容易出错的环节。定位不准，后面全错。我们的目标是基于车牌的先验知识（颜色、纹理、形状、长宽比），从预处理后的图像中筛选出最可能是车牌的矩形区域。常用的方法有：

• 基于颜色的方法：利用车牌底色（蓝、黄、白、绿等）与车身颜色的显著差异，在特定的颜色空间（如HSV空间比RGB空间更稳定）进行阈值分割，提取候选区域。这种方法直观，但对光照变化敏感。
• 基于纹理的方法：车牌区域具有密集的、高对比度的字符边缘，纹理特征明显。可以通过计算图像的垂直方向梯度或边缘密度，找到纹理密集的区域。
• 基于形态学的方法：结合边缘检测和数学形态学操作（如闭运算），连接断开的边缘，形成闭合的候选区域。 在实际项目中，我通常会采用“颜色初筛 + 纹理验证 + 形态学精修”的组合策略，以提高定位的鲁棒性。

第三阶段：字符分割。定位到车牌区域后，我们需要把这块“小图”里的每一个字符（汉字、字母、数字）单独切割出来，为识别做准备。这一步的关键在于解决字符之间的粘连和断裂问题。经典流程是：对车牌区域二值化 -> 垂直投影（统计每一列黑色像素点的数量，波谷即为字符间隙） -> 根据波谷位置进行切割。对于简单的车牌，投影法效果很好。但如果字符倾斜或粘连，就需要先进行倾斜校正（如Hough变换检测倾斜角度并旋转），或者使用更复杂的连通域分析结合先验知识（字符的宽高比、间距）进行分割。

第四阶段：字符识别。这是最后一步，也是“临门一脚”。我们将分割好的单个字符图像，与模板库进行匹配，识别出对应的字符。传统方法主要使用模板匹配：预先制作一个包含所有可能字符（0-9， A-Z， 各省简称汉字）的标准模板库。识别时，将待识别的字符图像归一化到与模板相同尺寸，然后计算其与每个模板的相似度（如相关系数、欧氏距离），取相似度最高的模板对应的字符作为识别结果。这种方法简单直接，对印刷体字符效果不错，但抗干扰能力（如污损、模糊）较弱。更先进的方法是使用机器学习，例如训练一个卷积神经网络（CNN）模型来进行端到端的识别，这属于进阶内容。

2.2 为什么选择MATLAB？

很多新手会问，Python的OpenCV那么火，为什么还要用MATLAB来做？这恰恰是这个项目的教学意义所在。MATLAB在算法原型验证和快速开发上具有无可比拟的优势：

1. 强大的图像处理工具箱（Image Processing Toolbox）：它提供了几乎所有经典图像处理算法的现成、高度优化的函数。比如imread,rgb2gray,imhisteq,edge,imclose等，你只需要一两行代码就能完成在C++/Python中需要大量编码的工作。这让你能快速搭建流程，把精力集中在算法逻辑和调优上，而不是底层实现。
2. 直观的可视化与调试能力：MATLAB的Figure窗口可以实时显示每一步处理后的图像结果。你可以随时用imshow、plot来观察灰度直方图、边缘图、投影曲线，这对于理解算法行为和调试参数至关重要。这种“所见即所得”的调试体验，是学习图像处理的最佳伴侣。
3. 丰富的数学计算与矩阵操作：图像本质上就是矩阵。MATLAB的核心就是矩阵运算，其语法天然适合图像处理。进行滤波、变换等操作非常简洁高效。
4. 完善的帮助文档和社区：MATLAB每个函数都有极其详细的帮助文档和示例，学习曲线相对平缓。

注意：选择MATLAB并不意味着它比Python/OpenCV更好，而是侧重点不同。本项目旨在“深入理解原理和流程”。当你用MATLAB亲手实现一遍后，再迁移到OpenCV或其他平台，你会对每个API背后的数学原理有更深刻的认识，而不是仅仅停留在调包层面。

3. 核心模块深度解析与实现细节

纸上谈兵终觉浅，接下来我们深入到每个模块的代码层面，看看具体怎么实现，以及会遇到哪些“坑”。

3.1 图像预处理：为定位打好地基

预处理的目标是提升图像质量，便于后续特征提取。我们读入一张car_image.jpg。

% 1. 读取图像 original_img = imread('car_image.jpg'); figure; imshow(original_img); title('原始图像'); % 2. 灰度化 gray_img = rgb2gray(original_img); figure; imshow(gray_img); title('灰度图像'); % 3. 直方图均衡化（增强对比度） enhanced_img = histeq(gray_img); figure; imshow(enhanced_img); title('增强后图像'); % 4. 中值滤波去噪（滤除椒盐噪声） filtered_img = medfilt2(enhanced_img, [3, 3]); figure; imshow(filtered_img); title('中值滤波后图像'); % 5. 边缘检测（以Canny算子为例） edge_img = edge(filtered_img, 'canny', [0.1, 0.2]); % 高低阈值需要根据图像调整 figure; imshow(edge_img); title('Canny边缘检测');

实操心得：

• 灰度化：rgb2gray使用的是加权平均法（0.2989 * R + 0.5870 * G + 0.1140 * B），符合人眼对绿光最敏感的特性。有时为了突出车牌蓝色或黄色，也可以尝试只提取某个颜色通道（如gray_img = original_img(:,:,3)取蓝色通道），但这需要根据车牌底色灵活选择。
• 直方图均衡化：它通过拉伸像素强度分布来增强对比度，但对于背景和前景亮度差异本来就很大的图像，可能会过度增强噪声。可以尝试限制对比度自适应直方图均衡化（CLAHE），使用adapthisteq函数，它能限制局部区域的对比度增强幅度，效果通常更好。
• 中值滤波：窗口大小[3,3]或[5,5]是常用选择。它能在去除噪声的同时较好地保护边缘，但窗口太大会导致图像模糊。
• Canny边缘检测：高低阈值[T_low, T_high]的设定是关键。阈值太高会丢失弱边缘（如字符内部笔画），太低则会引入大量噪声边缘。一个经验法则是：T_high设置为梯度幅值图中强度排名前30%的值，T_low设为T_high的0.4~0.5倍。可以通过观察边缘图反复调整。

3.2 车牌区域定位：组合策略提升鲁棒性

单纯依靠一种方法很难应对所有场景。这里展示一个结合颜色和形态学的定位思路。

% 假设我们处理的是常见的蓝底白字车牌 % 1. 颜色空间转换与颜色分割 hsv_img = rgb2hsv(original_img); H = hsv_img(:,:,1); S = hsv_img(:,:,2); V = hsv_img(:,:,3); % 定义蓝色在HSV空间的大致范围（需要根据实际情况微调） blue_mask = (H > 0.55 & H < 0.7) & (S > 0.3 & S < 1.0) & (V > 0.3 & V < 1.0); figure; imshow(blue_mask); title('蓝色区域掩膜'); % 2. 形态学处理，连接断裂区域，去除小噪声 se = strel('rectangle', [20, 20]); % 结构元素，大小需根据图像分辨率调整 blue_mask_closed = imclose(blue_mask, se); % 闭运算，填充空洞，连接邻近区域 blue_mask_opened = imopen(blue_mask_closed, strel('rectangle', [5, 5])); % 开运算，去除小斑点 figure; imshow(blue_mask_opened); title('形态学处理后的掩膜'); % 3. 查找连通域，筛选车牌候选区域 stats = regionprops(blue_mask_opened, 'BoundingBox', 'Area', 'Eccentricity'); all_bboxes = vertcat(stats.BoundingBox); % 所有外接矩形框 areas = [stats.Area]; % 4. 根据先验知识筛选：面积、长宽比、偏心度 plate_candidates = []; for i = 1:length(stats) bbox = stats(i).BoundingBox; width = bbox(3); height = bbox(4); aspect_ratio = width / height; % 车牌长宽比通常在2:1到4:1之间 area = stats(i).Area; % 筛选条件（阈值需要根据你的图像集调整） if aspect_ratio > 2 && aspect_ratio < 4.5 && area > 1000 plate_candidates = [plate_candidates; bbox]; end end % 5. 在原图上绘制候选框 figure; imshow(original_img); hold on; for i = 1:size(plate_candidates, 1) rectangle('Position', plate_candidates(i,:), 'EdgeColor', 'r', 'LineWidth', 2); end title('车牌候选区域'); hold off;

注意事项与技巧：

• HSV颜色范围：上述蓝色范围(H:0.55~0.7)是一个示例，必须根据你的具体图片进行调整。不同摄像头、不同光照下，颜色值会漂移。最好写一个简单的GUI，用imtool查看典型车牌区域的HSV值，从而确定更精确的范围。
• 形态学操作：strel结构元素的大小是核心参数。如果车牌区域在掩膜中断裂严重，就增大闭运算的结构元素。如果掩膜中噪声太多，就增大开运算的结构元素或先进行开运算。顺序通常是先闭后开。
• 筛选条件：长宽比aspect_ratio是最有效的筛选条件之一。中国车牌标准尺寸为440mm*140mm，比例约3.14。考虑到透视变形，可以放宽到2~4.5。面积阈值area用于过滤太小的噪声区域，这个值需要根据图像分辨率来设定。
• 多候选区域处理：上述代码可能找到多个候选框。一个简单的策略是选择面积最大且符合长宽比的那个。更稳健的策略可以结合边缘密度（候选区域内边缘像素的比例）进行排序，选择边缘密度最高的区域。

3.3 字符分割：投影法的精髓与优化

成功定位车牌后，我们截取出车牌区域图像plate_img，进行字符分割。

% 1. 车牌图像二值化 plate_gray = rgb2gray(plate_img); % 使用大津法（Otsu）自动确定全局阈值 level = graythresh(plate_gray); plate_bw = imbinarize(plate_gray, level); % 确保字符为白色（前景），背景为黑色 if sum(plate_bw(:)) > numel(plate_bw)/2 % 如果白色像素过多，说明背景是白的 plate_bw = ~plate_bw; % 反色 end figure; imshow(plate_bw); title('车牌二值图像'); % 2. 去除上下边框和铆钉干扰（水平投影） horizontal_projection = sum(plate_bw, 2); % 对每一行求和 % 找到字符区域的上下边界（投影值大于阈值的行） row_threshold = max(horizontal_projection) * 0.1; % 阈值设为最大值的10% char_rows = find(horizontal_projection > row_threshold); if ~isempty(char_rows) plate_bw = plate_bw(min(char_rows):max(char_rows), :); end % 3. 垂直投影，查找字符间隙 vertical_projection = sum(plate_bw, 1); % 对每一列求和 figure; subplot(2,1,1); imshow(plate_bw); title('精修后的二值车牌'); subplot(2,1,2); plot(vertical_projection); title('垂直投影曲线'); xlabel('列坐标'); ylabel('投影值'); grid on; % 4. 根据投影波谷分割字符 % 寻找波谷：投影值低于平均值的局部最小值点 mean_val = mean(vertical_projection); [peaks, locs] = findpeaks(-vertical_projection); % 寻找投影曲线反相的波峰，即原曲线的波谷 valley_locs = locs(-peaks < mean_val * 0.8); % 波谷深度需低于平均值的80%，避免轻微凹陷被误判 % 确定每个字符的起始和结束列 char_bboxes = []; start_col = 1; for i = 1:length(valley_locs) end_col = valley_locs(i); if (end_col - start_col) > 5 % 字符宽度不能太窄，过滤掉噪声 char_bboxes = [char_bboxes; [start_col, 1, end_col-start_col, size(plate_bw,1)]]; end start_col = end_col; end % 处理最后一个字符 if (size(plate_bw,2) - start_col) > 5 char_bboxes = [char_bboxes; [start_col, 1, size(plate_bw,2)-start_col, size(plate_bw,1)]]; end % 5. 显示分割结果 figure; for i = 1:size(char_bboxes, 1) subplot(1, size(char_bboxes,1), i); char_img = imcrop(plate_bw, char_bboxes(i,:)); imshow(char_img); title(['字符', num2str(i)]); end

常见问题与解决方案：

• 二值化效果差：全局阈值（如Otsu）在光照不均时效果不佳。可以尝试局部自适应阈值法，如imbinarize(plate_gray, 'adaptive')。或者先进行光照补偿。
• 字符粘连：这是投影法最大的挑战。如果两个字符的间隙在垂直投影上没有形成明显的波谷，它们就会被切在一起。解决方法：
  1. 腐蚀操作：对二值图像进行轻微的垂直方向腐蚀imerode(plate_bw, strel('line', 3, 90))，可以略微分离粘连字符，但可能使笔画变细。
  2. 连通域分析：使用bwconncomp或regionprops找到所有连通域，然后根据连通域的中心位置和预期字符数量进行聚类和排序。这种方法对粘连字符更鲁棒，但需要处理汉字可能由多个连通域组成的问题（如“京”）。
  3. 先验知识约束：已知车牌有7个字符，如果只分割出6块，则说明有粘连，可以针对最宽的那一块进行二次分割（如查找局部最窄点）。
• 字符断裂：与粘连相反，一个字符可能被切成两半。解决方法是膨胀操作imdilate，或在进行垂直投影前，先进行闭运算来连接字符笔画。
• 倾斜校正：如果车牌区域是倾斜的，垂直投影会失效。需要在分割前先校正。可以使用Hough变换检测车牌上下边缘的直线，计算倾斜角，然后用imrotate进行旋转校正。

3.4 字符识别：模板匹配的实现与局限

字符分割后，我们得到了一系列单个字符的二值图像char_imgs。模板匹配是最直接的识别方法。

% 0. 准备模板库 (假设已提前制作好) % 模板库应是一个结构体数组或元胞数组，包含字段：image（二值模板图像）, label（对应字符） % 例如：templates(1).image = [二值化的'0']; templates(1).label = '0'; % 这里省略模板加载过程，假设已加载到变量 `templates` 中。 % 1. 字符图像归一化（缩放到与模板相同尺寸，如40x20像素） template_size = size(templates(1).image); % 获取模板尺寸 normalized_chars = cell(1, length(char_imgs)); for i = 1:length(char_imgs) normalized_chars{i} = imresize(char_imgs{i}, template_size); end % 2. 模板匹配识别 recognition_result = ''; for i = 1:length(normalized_chars) char_img = normalized_chars{i}; best_score = -inf; best_label = '?'; for t = 1:length(templates) template_img = templates(t).image; % 计算相似度：这里使用归一化互相关（NCC），对亮度线性变化不敏感 corr_matrix = normxcorr2(template_img, char_img); score = max(corr_matrix(:)); % 取最大相关系数作为匹配得分 if score > best_score best_score = score; best_label = templates(t).label; end end % 设置一个置信度阈值，低于阈值则认为识别失败 confidence_threshold = 0.6; if best_score > confidence_threshold recognition_result = [recognition_result, best_label]; else recognition_result = [recognition_result, '?']; % 无法识别 end end disp(['识别结果：', recognition_result]);

模板匹配的局限性及优化：

• 局限性1：对形变敏感。模板匹配要求待识别字符与模板在大小、旋转、字体上基本一致。现实中车牌字符可能有轻微形变、磨损或字体差异。
  • 优化：制作多套不同字体、略有形变的模板。或者，在匹配前对字符图像进行仿射变换的归一化，使其主轴对齐。
• 局限性2：计算量大。每个字符都要与模板库中所有模板计算相关度，当模板数量多时较慢。
  • 优化：使用更简单的特征进行粗筛选，如字符的宽高比、黑白像素比例（复杂度），先排除掉明显不可能的模板。
• 局限性3：区分相似字符困难。如数字‘0’和字母‘O’，数字‘8’和字母‘B’。
  • 优化：结合上下文信息。车牌有固定格式（如第一位是汉字，第二位是字母，后五位是字母数字混合）。识别时，可以根据字符位置，只在该位置允许的字符集内进行匹配，大大降低误识率。

重要提示：对于汉字识别，模板匹配的难度更大，因为汉字结构复杂，相似字多（如“沪”和“沪”）。通常需要更大的模板和更精细的匹配算法，或直接采用机器学习方法。

4. 系统集成、性能评估与优化实战

将上述模块串联起来，就形成了一个完整的车牌识别系统。但一个能用的系统和一个好用的系统之间，隔着大量的调试和优化工作。

4.1 系统集成与主流程搭建

我们需要编写一个主函数，像流水线一样调用各个子模块。

function plate_number = recognize_license_plate(image_path) % 主函数：车牌识别 % 输入：图像路径 % 输出：识别出的车牌字符串 %% 1. 图像读取与预处理 original_img = imread(image_path); gray_img = rgb2gray(original_img); enhanced_img = adapthisteq(gray_img); % 使用CLAHE filtered_img = medfilt2(enhanced_img, [3,3]); %% 2. 车牌定位 % 使用颜色+形态学+边缘密度综合定位 plate_region = locate_plate_by_color_and_edge(original_img, filtered_img); if isempty(plate_region) plate_number = '定位失败'; return; end plate_img = imcrop(original_img, plate_region); % 截取车牌区域 %% 3. 车牌图像预处理（为分割做准备） plate_gray = rgb2gray(plate_img); plate_bw = imbinarize(plate_gray, 'adaptive', 'ForegroundPolarity','dark','Sensitivity',0.5); % 去除上下小边框 plate_bw = imclearborder(plate_bw, 4); % 清除与边界相连的物体 %% 4. 字符分割 char_images = segment_characters(plate_bw); % 返回一个元胞数组，每个元素是一个字符图像 if length(char_images) ~= 7 % 中国车牌标准为7位字符 warning('分割出的字符数量不是7个，可能分割有误。'); % 这里可以加入容错处理，如尝试不同的分割参数 end %% 5. 字符识别 load('template_lib.mat'); % 加载预存的模板库 `templates` plate_number = ''; for i = 1:length(char_images) char_img = char_images{i}; % 对字符图像进行尺寸归一化、细化等处理 processed_char = preprocess_char_for_recognition(char_img); % 识别 [char, confidence] = recognize_char_by_template(processed_char, templates, i); % i表示字符位置，用于上下文约束 plate_number = [plate_number, char]; end %% 6. 结果后处理（可选） % 例如，根据规则校验车牌格式，纠正明显的识别错误（如将‘D’纠正为‘0’如果该位置只能是数字） plate_number = post_process_plate_number(plate_number); end

4.2 性能评估与常见问题排查

系统搭建好后，需要用一批测试图像（最好包含各种挑战：不同光照、角度、污损、车型）来评估其性能。关键指标包括：定位准确率、字符分割正确率、字符识别准确率以及端到端识别率。

根据我的经验，问题通常出在以下几个环节，下面是一个排查指南：

4.3 进阶优化方向探索

当你的基础版本能够稳定运行后，可以考虑以下方向进行优化和提升，这会让你的系统更接近工业级应用：

1. 集成多种定位方法：实现颜色法、边缘纹理法、机器学习法（如Adaboost+Haar特征）等多种定位器。设计一个投票或融合机制，综合多个定位器的结果，提高在复杂场景下的召回率。
2. 引入机器学习进行字符识别：模板匹配的天花板很低。可以尝试使用传统的机器学习方法，如提取字符的HOG（方向梯度直方图）特征，然后训练一个多类SVM（支持向量机）分类器。或者，直接使用深度学习，训练一个轻量级的CNN模型（如LeNet-5, MobileNet），识别准确率会有质的飞跃。MATLAB的Deep Learning Toolbox使得训练和部署一个CNN模型变得非常方便。
3. 端到端识别：这是当前的主流研究方向。不使用显式的定位和分割步骤，而是直接使用深度学习模型（如YOLO+CRNN，或端到端的单模型）从整车图片中直接回归出车牌字符串。这需要大量的标注数据和较强的深度学习功底。
4. 处理复杂场景：思考如何应对夜间低光照、强光反光、极端天气（雨雪）、车牌污损、弯曲车牌（摩托车）、多车牌同框等挑战。每个挑战都可能需要专门的预处理或算法改进。

这个基于MATLAB的车牌识别项目，就像一把钥匙，为你打开了数字图像处理与模式识别的大门。它教会你的不仅仅是几个MATLAB函数的使用，更重要的是一种系统性的工程思维：如何将一个复杂问题分解为多个子问题，如何为每个子问题选择和调试算法，如何分析失败案例并迭代优化。我强烈建议你在实现基本流程后，自己收集或构建一个小型测试集，反复调试参数，记录下每种情况下的处理结果和问题。这个过程积累的经验，远比直接得到一个“完美”的代码要宝贵得多。当你看到自己写的程序，终于能准确地从一张张复杂的图片中“读出”车牌号时，那种成就感就是对这个项目最好的回报。

本文还有配套的精品资源，点击获取