简介MATLAB车牌识别系统实现毕业论文围绕车牌识别全流程展开涵盖图像预处理、车牌定位、字符分割与识别等关键环节从系统架构到算法选择均有详细说明并对比了不同方法的适用范围与MATLAB平台的优势和局限。压缩包内共1个PDF文件大小约5.61MB已有149人学习适合计算机视觉、图像处理或智能交通方向的本科毕业设计参考。论文深入分析了图像处理技术在车牌识别中的关键作用介绍了基于MATLAB图像处理工具箱和函数的调用方式包括边缘检测、形态学操作、连通域分析等常见实现手段同时针对光照不均、字符倾斜、背景复杂等工程难题给出了系统优化与改进思路。论文还强调了车牌识别系统在交通管理、公安机关与智能交通系统中的实际应用前景并对系统的安全性、可靠性、可扩展性作了专门讨论最后展望了基于MATLAB的车牌识别系统的未来发展方向。整体来看这份论文不仅提供了完整的实现流程还总结了算法选型与调优经验能为毕业设计、课程项目及后续研究提供有价值的参考。1. 从模板匹配到腐蚀膨胀MATLAB车牌识别系统的真实设计边界车牌识别在MATLAB里做毕业设计最容易踩的坑不是算法选型而是把系统复杂度估错了。很多人一上来就打算用深度学习结果发现数据集、标注、训练周期在论文时间线里根本排不开。实际上传统图像处理方法——灰度化、边缘检测、形态学操作、字符分割、模板匹配——在受控场景下识别率能做到 90% 以上而且每一步都可视化适合写论文。这套系统的核心链路是图像预处理 → 车牌定位 → 字符分割 → 字符识别。MATLAB 的 Image Processing Toolbox 提供了 imread、rgb2gray、edge、imdilate、imerode、regionprops 等函数几乎不需要自己造轮子。用模板匹配而不是神经网络不是因为神经网络不好而是因为车牌字符是印刷体字体规范、形变小模板匹配在这个封闭集合里足够可靠还能避开标注数据不足的麻烦。本文面向正在做相关课题的本科生和研究生也适合想快速搭一套原型验证算法的工程师。下面按设计到实现的顺序把每一模块的代码、参数和常见坑讲清楚。2. 车牌定位的MATLAB实现颜色阈值、形态学与连通域筛选2.1 定位思路为什么先转 HSV 再做形态学车牌定位是整个系统的根基定位不准后面的分割和识别全是白费。常见的定位线索有两种颜色蓝色车牌和边缘纹理字符区域梯度密集。单用边缘检测的问题在于车头保险杠、进气格栅、车灯都有大量边缘干扰非常多单用颜色阈值的问题在于光照一变RGB 空间的蓝色漂移严重阈值很难写死。我一般会先转到 HSV 空间做颜色筛选。HSV 把色相H、饱和度S和明度V分开H 通道对光照变化相对不敏感蓝色的色相范围稳定在 100°–124° 左右。这一步先把大片的非蓝色区域去掉再用边缘检测和形态学操作把车牌连通域补全。2.2 颜色阈值与形态学操作的代码与参数下面是一个可运行的定位函数。输入是原图路径输出是切割后的车牌图像和定位框。代码用 MATLAB 的 Image Processing Toolbox版本在 R2018b 以上都能跑。function [plateImg, plateBox] locatePlate(imgPath) % 读取图像并预处理 orig imread(imgPath); if size(orig, 3) 3 hsv rgb2hsv(orig); % 转到HSV空间 else hsv orig; % 灰度图直接跳过颜色筛选 end % 颜色筛选只保留蓝色区域H范围为典型车牌蓝 maskBlue (hsv(:,:,1) 0.55) (hsv(:,:,1) 0.72) ... (hsv(:,:,2) 0.30) (hsv(:,:,2) 1.00) ... (hsv(:,:,3) 0.20) (hsv(:,:,3) 1.00); % 形态学处理先闭运算填补断裂再开运算去除小块噪点 seClose strel(rectangle, [8, 8]); seOpen strel(rectangle, [3, 3]); maskClean imclose(maskBlue, seClose); maskClean imopen(maskClean, seOpen); % 连通域筛选面积、宽高比、填充率三重过滤 cc bwconncomp(maskClean, 8); stats regionprops(cc, BoundingBox, Area, FilledArea); plateBox []; for i 1:length(stats) w stats(i).BoundingBox(3); h stats(i).BoundingBox(4); ratio w / h; area stats(i).Area; fillRatio stats(i).FilledArea / (w * h eps); % 车牌宽高比通常在2.5~4.5面积和填充率用于排除非车牌区域 if ratio 2.0 ratio 5.0 area 1000 fillRatio 0.3 plateBox stats(i).BoundingBox; break; end end if isempty(plateBox) plateImg []; return; end % 裁剪并转为灰度返回结果 plateImg imcrop(orig, plateBox); if size(plateImg, 3) 3 plateImg rgb2gray(plateImg); end end代码里的阈值不是随手写的。hsv(:,:,1) 的 0.55–0.72 对应色相角度约 198°–259°正好覆盖蓝色范围饱和度下限 0.30 是为了过滤掉偏灰的浅蓝区域明度下限 0.20 是为了避免夜间暗部被误判。strel(rectangle, [8, 8])的大小选择有个经验闭运算的核尺寸要和字符笔画宽度相当太小补不上断裂太大会把周围蓝色物体连成一片。如果你的图片分辨率是 1920×1080这个尺寸合适但如果是手机拍的高清大图建议先缩放或者把核尺寸改成按图像宽度比例换算比如 0.01 倍宽。2.3 定位失败的三个典型场景与调参方向定位是最需要反复调的一块。三个典型失败模式第一个是蓝色阈值把天空、深色衣物、蓝色车身一起选中。解决办法不是在 HSV 上死磕而是加形状约束——宽高比、面积、矩形度三重条件组合或者再加一步骨架分析。第二个是字符区域反光导致 mask 断裂。此时优先增大闭运算核的宽度或者先查一下原图有没有过曝过曝的话可以尝试直方图均衡化作为预处理步骤但要注意均衡化可能增加噪点影响字符质量。第三个是蓝色车牌在黄昏光线下色相偏移H 下限可能完全过滤掉车牌。这时需要把 H 的范围放宽到 0.50–0.75代价是需要更严格的形状筛选来排除误检。提示regionprops 输出的 BoundingBox 是 [x, y, w, h]imcrop 直接接收这个向量即可但注意循坏里 break 只找到了第一个候选。如果你的场景里有多个蓝色区域建议收集所有候选再按面积或宽高比评分排序而不是取第一个。3. 字符分割的投影法与归一化策略3.1 为什么用垂直投影而不是连通域分析定位完成之后拿到的是包含车牌的灰度图接下来要把“苏A·12345”这样的字符拆开。常见做法有两个连通域分析和投影法。连通域分析的问题是车牌字符本身是断开的但汉字“苏”、字母“A”内部可能有结构断裂数字“1”和边框粘连时也会被并成一个连通域。投影法则对字符间距稳定的小型车牌更友好而且实现简单适合论文里画图展示分割效果。垂直投影的基本原理对二值化后的车牌图像按列统计白色像素个数每列的统计值就是投影曲线。字符之间的间隔对应的列像素数少投影曲线出现波谷从波谷处切分即可。但实际操作没那么理想——车牌铆钉、边框、污渍会让波谷不干净所以要先做膨胀腐蚀清洗。3.2 分割步骤从二值化到切分的完整代码function [charImgs, charBoxes] segmentPlate(plateImg) % 输入为灰度车牌图输出为字符图像数组和对应位置框 % 第一步二值化OTSU自适应阈值比固定阈值更抗光照变化 level graythresh(plateImg); bw imbinarize(plateImg, level); bw imcomplement(bw); % 白底黑字转成黑底白字便于投影统计 % 第二步去掉孤立噪点和细小区域 bw bwareaopen(bw, 15); % 去掉面积小于15像素的连通块 % 如果边框和字符粘连用形态学腐蚀断开 se strel(rectangle, [1, 2]); % 1x2的小核把竖向粘连断开 bw imerode(bw, se); % 第三步垂直投影统计每列白色像素总数 verticalProj sum(bw, 1); isCharCol verticalProj max(verticalProj) * 0.1; % 阈值设为峰值的10% % 第四步波谷切分找出字符起始和结束列 charBoxes []; inChar false; startCol 0; for col 1:length(isCharCol) if isCharCol(col) ~inChar startCol col; inChar true; elseif ~isCharCol(col) inChar charBoxes [charBoxes; startCol, col]; inChar false; end end if inChar charBoxes [charBoxes; startCol, length(isCharCol)]; end % 第五步对每个切分列区间做水平投影裁剪上下边界 charImgs {}; for i 1:size(charBoxes, 1) subBw bw(:, charBoxes(i,1):charBoxes(i,2)); hProj sum(subBw, 2); rows find(hProj 0); if isempty(rows) continue; end cropBw imcrop(subBw, [1, rows(1), size(subBw,2), rows(end)-rows(1)1]); charImgs{end1} cropBw; end end这段代码的关键在imcomplementMATLAB 的 imbinarize 默认把亮像素置为 1、暗像素置为 0但车牌字符是暗色所以需要反色让字符变成白色。bwareaopen的作用是去掉小噪点参数 15 需要按车牌分辨率调整像素面积 15 在 100×30 的字符图上有效但如果车牌被放大到 300 像素宽字符内部噪点更大这个值要提高到 30 以上。max(verticalProj) * 0.1的 0.1 是投影阈值如果字符内部有断笔可以降到 0.05如果边框干扰严重可以提高到 0.2。分割后的字符数量大概率不是 7 个。车牌有汉字、字母、数字共 7 个字符其中字母和数字之间还可能有一个间隔符。正常的处理方式是先过滤掉宽度特别小的连通区铆钉再检查总字符数。如果超过 7 个把最窄的合并如果少于 7 个优先把前两个合并汉字常因左右结构被拆开或者调整二值化阈值重新分割。3.3 字符归一化与模板匹配的适配切出来的字符长宽比不统一。汉字“苏”偏宽数字“1”偏窄直接拿去和模板比对相关度会被形状差异拉低所以要做尺寸归一化——统一缩放到 24×48 像素。缩放大小的选择有讲究太小的模板会丢失笔画细节太大的模板计算量增加。24×48 是车牌识别论文里常用的尺寸和模板库统一即可。归一化还有一个隐藏技巧不要只做缩放最好做尺度不变的拉伸。用 imresize 配合 Nearest 插值避免插值产生灰色像素破坏二值特征。缩放完之后再用一次 imbinarize 把边缘像素重二值化保证模板匹配时两边都是纯黑白图。4. 识别模块模板库构建、归一化相关函数与BP神经网络对比4.1 模板库的构建方式字体、大小与命名规则字符识别是整个系统的最后一环。模板匹配的核心思路很朴素把待识别字符和库里的字符模板逐一计算相似度取最高相似度的作为结果。难点在于模板库怎么建。标准车牌字符集包括 31 个汉字各省简称、24 个字母不含 I 和 O和 10 个数字共 65 个类别。模板来源有两种做法一是用同一字体渲染生成比如 Windows 的 Arial Black二是从真实车牌中截取并手工标注。前者干净但字体和实际拍照存在差异后者更贴近真实场景但工作量大。我一般采用混合方案——生成一批人工模板做基底再从测试集里补充几套真实字符每类字符存 2–3 个变体存成 24×48 的 PNG文件名为字符本身。4.2 corr2 与 normxcorr2 的选择MATLAB 里算相似度有两个现成函数corr2 计算两个矩阵的皮尔逊相关系数normxcorr2 计算归一化互相关后者带平移搜索。字符分割后字符位置相对固定不需要平移搜索用 corr2 更直接也更快。function [chars, confs] recognizeChars(charImgs, tplDir, charSet) % charImgs: 分割后的字符图像 cell 数组 % tplDir: 模板库路径每类一个子文件夹或按字符命名文件 % charSet: 候选字符集如 苏A0123456789BCDEFGHJKLMNPQRSTUVWXYZ chars ; confs []; for i 1:length(charImgs) img imresize(charImgs{i}, [48, 24], nearest); % 统一尺寸 img imbinarize(img); % 重二值化消除插值灰边 bestScore -1; bestChar ?; for j 1:length(charSet) ch charSet(j); tplPath fullfile(tplDir, [ch, .png]); if ~exist(tplPath, file) continue; end tpl imread(tplPath); tpl imbinarize(tpl); score corr2(double(img), double(tpl)); if score bestScore bestScore score; bestChar ch; end end chars(end1) bestChar; confs(end1) bestScore; end end代码逻辑简单但有两个参数要特别说明。第一是 imresize 插值方式用 nearest 而不是 bilinear是为了保持二值图像素锐利如果模板库是灰度模板则统一用 bilinear。第二是 corr2 对零均值区域敏感纯黑背景会把相关性拉高。一个常见改进是把待识别字符重采样到与模板完全相同的尺寸并保证字符笔画宽度尽量一致。另一个问题是首字符“苏”和字母“B”“D”“P”等有相似结构相关度差异不大此时可以把首字符的匹配范围限制在汉字集合内——车牌首位一定是汉字不要用全字符集去匹配能减少一半错误。4.3 BP神经网络作为升级方案的适用场景模板匹配的问题是它对字体形变、倾斜、光照不均的鲁棒性有限。如果测试集里有大量倾斜或低分辨率图片识别率会掉到 85% 以下模板匹配就顶不住了。这时业内常见方案是换成 BP 神经网络。MATLAB 的 Neural Network Toolbox 提供了 patternnet做分类非常方便。用 BP 做车牌字符识别的典型配置输入是 24×48 归一化二值图像拉平后的 1152 维向量隐含层神经元 10–20 个输出层 65 个节点对应 65 个类别训练函数用 trainlm 或 trainscg。数据集规模至少要每类 50–100 个样本太少容易过拟合。特征提取上如果直接用像素点做输入inter-class 差异足够大BP 能学出来但更稳的做法是提取投影特征或网格特征比如把字符分成 4×4 的网格块统计每个块的白色像素占比组成 16 维特征训练速度更快还抗轻微位移。% BP神经网络参数示意核心配置 inputs featureMatrix; % [featureDim x samples]需要自行构建 targets indicatorMatrix; % [65 x samples]one-hot编码 net patternnet(15); % 隐含层15个节点可根据样本量调整 net.divideParam.trainRatio 0.7; net.divideParam.valRatio 0.15; net.divideParam.testRatio 0.15; net.trainParam.epochs 500; net.trainParam.goal 0.01; [net, tr] train(net, inputs, targets);这里给一个实际调参建议BP 网络不是神经元越多越好。字符样本数量少时隐含层超过 30 个节点很容易过拟合训练集准确率 99%测试集只有 80%。先跑一个 baseline隐含层 10 个节点trainRatio 0.7看测试集准确率然后按 10→15→20 递增记录每次测试集结果选峰值。训练函数方面trainlm 收敛快但吃内存trainscg 在大样本下更稳。对 2000 个样本以内的小数据集trainlm 即可。提示如果深度学习方向是评审老师指定的建议用 BP 做识别的同时把它和模板匹配的结果做对比实验。论文里画一张“不同字符类别下的识别率对比表”直接体现两种方案的边界比单纯堆算法更有说服力。5. 从 GUI 到 ROC车牌识别系统的验证技巧与易错点5.1 识别率的统计方式别只看一个总分很多人给论文写实验数据时只报一个“整体识别率 93%”这其实不够严谨。识别率的统计要分层定位成功率、分割正确率、字符识别率、整牌识别率。四者乘积才是端到端准确率。建议把每张测试图的三个阶段结果打印出来定位失败的单独记录统计哪一类图片失败最多。另一个常见问题是数据集的划分训练集和测试集里的图片不能来自同一段视频的连续帧否则相似度太高结果虚高。一种做法是按拍摄时段划分上午、中午、傍晚各一批测试集从各时段单独抽。5.2 误识别的验证方法与可视化验证模型到底学会了什么不能只看准确率曲线。对 BP 网络来说混淆矩阵比准确率更能说明问题。MATLAB 的 confusionchart 可以直接可视化如果“B”和“8”、“0”和“D”之间出现集中误判说明字符的某个笔画特征没有被网络捕捉到。此时可以回到模板库检查是否存在字体差异或者用 imhist 对比两类的灰度分布。对模板匹配系统输出每张字符图的 top-2 相关度分数用 bar 画出来看最大相关度和第二相关度之间的距离——如果两个值很接近说明该字符本身有歧义需要考虑加启发式规则修正比如车牌第二位必须是字母第 3–5 位必须是数字。5.3 GUI 封装的最小可行实现毕业论文答辩时需要一个可视化界面展示整个流程。MATLAB 里用 uifigure 搭一个简单 GUI 就能满足一个“选择图片”按钮、一个“开始识别”按钮、一个坐标轴显示原图和标注框、一个文本框输出识别结果和置信度。核心回调逻辑如下function runRecognition(app, ~) [file, path] uigetfile({*.jpg;*.png;*.bmp, 图像文件}); if isequal(file, 0) return; end imgPath fullfile(path, file); % 定位、分割、识别三步串联 [plateImg, box] locatePlate(imgPath); if isempty(plateImg) app.ResultLabel.Text 未定位到车牌; return; end charImgs segmentPlate(plateImg); [result, conf] recognizeChars(charImgs, templates/, 苏A0123456789BCDEFGHJKLMNPQRSTUVWXYZ); app.ResultLabel.Text sprintf(%s置信度: %.2f, result, min(conf)); % 在原图上画框 imshow(app.ImageAxes, imread(imgPath)); rectangle(app.ImageAxes, Position, box, EdgeColor, r, LineWidth, 2); end最终交付前还有两个容易被忽视的细节要检查。一是 MATLAB 的 path 设置如果模板目录用了相对路径换电脑运行会报错建议在程序入口用fileparts(mfilename(fullpath))拼接绝对路径。二是图片格式的预处理差异JPG 压缩率过高会在车牌边缘引起振铃效应定位环节可以先做一个轻微的imgaussfilt平滑但注意别把字符边缘磨平。调试时先在 10 张图上跑通全流程再批量跑完整测试集能省下不少定位参数反复调整的时间。本文还有配套的精品资源点击获取