MATLAB车牌识别全流程：从图像预处理到字符识别的实战指南-北京尧图网络

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LPRLicense 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

MATLAB车牌识别全流程：从图像预处理到字符识别的实战指南

相关推荐

专有云V3.16.0 DTS接口开发：POP网关与AccessKey配置实战

RAG知识库搭建实战：原理、组件选型与DeepSeek应用

Impala血缘全链路落地：从审计日志到字段级数据地图的实践

更多资讯

用单个VLM控制机械臂：Show-Harness原理与复现

走路用RL，干活用Transformer？机器人控制选型实战解析

FC-PI-7与64GFC：PAM4+FEC如何改写高速光链路的误码率规则

爱普生7710/7720刷机免芯片：固件替换与EEPROM备份避坑指南

EGO1开发板实现电子密码锁：FPGA状态机与按键消抖实战

Java工程师如何转型大模型开发？从工程化到RAG实战路线

今日更新

Cephadm实战指南：Linux系统工程师的生产级Ceph集群部署与排障

不想再被 Token 额度卡脖子？把免费 API 接入 WorkBuddy 的完整教程

ITK中SpatialObject几何体系解析：坐标系、变换与管道集成

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？