MATLAB GUI实现的模板匹配车牌识别方法详解

简介：基于 MATLAB GUI 的车牌识别项目资料包，采用模板匹配算法完成车牌识别任务，完整覆盖车牌定位、字符分割、汉字识别、数字与字母识别等关键环节，适合正在做课程设计、毕业设计或希望入门图像识别的 MATLAB 学习者参照使用。整套资料包含十二个 m 源码文件、图形用户界面 fig 文件以及演示视频，可直接运行并观察各阶段处理效果；同时内置五十二张 bmp 格式模板图片，分别构成数字模板库、字母模板库和汉字模板库，另有二十张 jpg 汽车图像用于测试，全包共八十七个文件，压缩后大小为十四点六二兆字节，目录结构清晰，体量轻量化，便于按需查阅。资源还附带运行结果截图和识别效果演示视频，能够辅助验证代码正确性；方案可继续扩展到蓝色、绿色、黄色以及新能源车牌等更多应用场景。目前已有二百五十一人学习该资源，适合需要透过完整实例理解模板匹配识别原理并动手实践的 MATLAB 使用者。

1. 模板匹配车牌识别在 matlab GUI 里解决什么问题

停车场道闸、园区门禁这类场景里，车辆基本正向驶过，识别任务被压成三步：定位蓝底白字的矩形区域，切出 7 位字符，逐个与标准模板比对取最高相似度。模板匹配车牌识别就是这么一套流程，不需要训练样本，不依赖 GPU，一套 matlab 源码加 GUI 就能跑通。

对新手，它把灰度化、颜色分割、形态学、连通域、投影这些基础模块串成一条看得见中间结果的流水线，排错时每步都能可视化；对老手，真正的难点在定位和分割，这套技巧换到 OCR、工业字符检测里照样能用。

下文按开发顺序写：定位与预处理参数、分割与匹配代码、GUI 回调结构、3 个必调参数和批量验证脚本。

2. 车牌识别第一步：HSV 颜色空间与形态学定位的参数选择

模板匹配自身的分类能力上限有限，它区分不了"看起来像字但不是字"的区域，所以定位质量直接决定最终识别率。定位车牌常见做法有两条线：边缘检测加形态学，以及颜色分割。蓝底白字的物理特征让颜色路线的区分度明显更高，我一般从 HSV 分割入手。

2.1 用 HSV 颜色空间筛选蓝色车牌区域

直接从 RGB 做颜色判断对光照太敏感，同一块蓝在阴影和高光下 RGB 分量差别很大，HSV 把色相和亮度分开，H 通道对比度波动的适应能力更强。matlab 里 rgb2hsv 的输出都归一化到 [0,1]，写阈值时最容易在这里踩坑。

hsvI = rgb2hsv(rawImg); h = hsvI(:, :, 1); s = hsvI(:, :, 2); v = hsvI(:, :, 3); blueMask = (h >= 0.55) & (h <= 0.70) & (s >= 0.30) & (v >= 0.15);

参数说明：h 取 0.55～0.70 对应色相环上的蓝色区间，很多资料写成 110°～130°，那是角度制表达，直接搬进 matlab 必然查不到区域。s 下限 0.30 用于滤掉灰白物体，v 下限 0.15 保证夜间弱光图像里车牌仍能保留。三个边界是定位调试里最常动的参数，第 5 章排错还会回到它们。

提示：黄底黑字的教练车、工程车要加一组黄色阈值（h 在 0.10～0.18、s 在 0.35 以上），两组 mask 做或运算再进形态学流程。

2.2 形态学闭运算把字符碎片连成车牌带

蓝色阈值分割出来的 mask 通常是字符笔画的碎片，直接做连通域会得到几十个小块。处理分两步：小尺寸结构元素补笔画内部的洞，再用横向长条把字符连成整体。

mask = imclose(blueMask, strel('rectangle', [3, 3])); % 补笔画内部的洞 mask = imclose(mask, strel('rectangle', [1, 20])); % 横向连通相邻字符 mask = imopen(mask, strel('rectangle', [1, 5])); % 削掉细长噪声

1×20 的横向结构元素是关键参数。在 640×480 输入图像里，单个字符宽度约 20～30 像素，15～25 像素宽的矩形能把字符间隙填平，又不会把车窗轮廓并入候选区。分辨率更高时按比例放大，常见做法是取图像宽度的 1/30 到 1/20。最后的 imopen 用 1×5 细长结构元素，只削孤立细线，不影响车牌整体形状。

2.3 连通域筛选规则与候选框参数表

闭运算后用 bwconncomp 提连通域，regionprops 统计宽高比和填充率，按物理尺寸粗筛后取面积最大的候选。

cc = bwconncomp(mask); stats = regionprops(cc, 'BoundingBox', 'Area'); bestBox = []; bestArea = 0; for i = 1:numel(stats) box = stats(i).BoundingBox; w = box(3); h = box(4); if w < 40 || h < 10 continue; end ratio = w / h; fillRate = stats(i).Area / (w * h); if ratio >= 2 && ratio <= 6 && fillRate >= 0.3 if w * h > bestArea bestArea = w * h; bestBox = box; end end end plateCrop = imcrop(rawImg, bestBox);

家用蓝牌物理尺寸 440×140mm，宽高比约 3.14；新能源绿牌 480×140mm，约 3.43，所以候选区间放宽到 2～6。填充率是白色像素占外接矩形的比例，用来排除车标、反光带这些和车牌同色的干扰块。最后取面积最大者，因为画面里车牌通常是最大的蓝色矩形块。

3. 字符分割与模板匹配：从投影法到归一化互相关

定位输出一块车牌子图，分割的任务是把 7 位字符逐个切出来。分割质量直接决定匹配得分，粘连字符即使模板完全正确也拿不到高分。这一章把投影分割和模板匹配的核心代码一次给全。

3.1 垂直投影分割字符与二值化极性

切到车牌后先转灰度再二值化。蓝牌白字蓝底的灰度分布是双峰的，Otsu 自适应阈值比固定值可靠。这里有一个容易踩的极性坑：imbinarize 把高于阈值的像素置 1，蓝牌白字直接得到"字符=1"，不少教程为了视觉统一强行取反，结果把背景当成了字符；只有黄底黑字才需要取反处理。

plateGray = rgb2gray(plateCrop); t = graythresh(plateGray); % Otsu 自适应阈值 bwPlate = imbinarize(plateGray, t); % 白字灰度高于阈值，直接为 1 proj = sum(bwPlate, 1); % 垂直投影：每列白点数 gapMask = proj < 3; % 白点少于 3 的列视为字符间隔

proj < 3 里的 3 是噪声容忍度，字符边缘不可避免有孤立白点，完全按 0 计数会出现大量假间隔。把间隔序列转成字符段的代码是标准 diff 技巧：

d = diff([1, gapMask, 1]); starts = find(d == -1); % 1->0，进入字符段 ends = find(d == 1) - 1; % 0->1，离开字符段 chars = {}; for i = 1:numel(starts) w = ends(i) - starts(i) + 1; if w >= 5 chars{end + 1} = bwPlate(:, starts(i):ends(i)); %#ok<AGROW> end end

头尾补 1 是为了让首尾字符段也能被检测到，w >= 5 排除噪点形成的窄段。这套起止点提取在各类字符切分里通用，OCR 的列切分也是同一套逻辑。

提示：二值化极性拿不准时，先 imshow(bwPlate) 看字符是否为白色，再决定要不要加 ~。

3.2 汉字分割的固定位置处理

7 位车牌第一位是汉字，各省简称结构差异很大，投影谷底深浅不一，按谷底切很容易把"鄂""赣"这类笔画密集的汉字拆成两段。常见做法是不依赖汉字自身的投影谷，先定位第二位字母与第三位数字之间的间隔，再按字符宽度比例往前推出汉字右边界。

这个前提是候选框横向形变不大。如果框有倾斜，先用 regionprops(cc, 'Orientation') 拿角度，超过 ±10° 就用 imrotate 转正再分割，否则宽度比例推算会失真。

3.3 模板匹配核心代码：corr2 归一化互相关

分割出的字符尺寸不一，必须先统一到同一尺寸再比较。corr2 计算二维相关系数，等价于去均值、归一化后的内积，对比度差异不敏感，适合字符笔画粗细波动的场景。

function [label, score] = matchChar(charImg, templates) charImg = imresize(charImg, [40, 24]); bestLabel = ''; bestScore = -1; for i = 1:numel(templates) tpl = imresize(templates(i).img, [40, 24]); s = corr2(charImg, tpl); % 归一化互相关，值域 [-1,1] if s > bestScore bestScore = s; bestLabel = templates(i).label; end end label = bestLabel; score = bestScore; end

40×24 是兼顾笔画细节和计算量的常用尺寸。corr2 的弱点是零位移容错，分割框偏 2 个像素，得分可能从 0.9 掉到 0.6，改进做法见 5.4 的 normxcorr2 平移搜索。corr2 和 normxcorr2 都在 Image Processing Toolbox 里，没有该工具箱时可以用 corrcoef 对向量化像素做替代。

3.4 模板库构成：65 个模板一个不能少

模板匹配的准确率上限由模板库决定。中国车牌字符集是固定的：31 个省级行政区简称、24 个大写字母（A～Z 不含 I 和 O，避免与 1、0 混淆）、10 个数字，共 65 个模板。少一个小类，那一类字符永远识别不对。

模板来源两种：从实际车牌图截取后手工清洗，或用标准字体渲染。第一种贴合现场字形，第二种干净但遇到喷绘车牌容易失配。文件名直接用作标签最省事：京.png、A.png、0.png，装载时用 dir 扫目录，文件主名就是 label。

4. 用 matlab GUI 封装模板匹配识别主流程

前三章的函数组织好后，GUI 层只是把函数挂到控件回调上。这类教学源码常见做法是用 GUIDE 路线搭，一套 .fig 布局文件加 .m 回调文件，老版本 matlab 也能打开。App Designer 界面更现代，但 .fig 加回调的结构在各类源码包里更常见，兼容面更广。

4.1 GUIDE 布局与控件清单

界面按"左上原图、右上过程、下侧控制"排布，控件分工如下。滑块放在二值化阈值上，方便实时对比分割效果，比改代码重跑直观得多。

GUIDE 里双击控件生成回调骨架，Slider 记得在属性面板设 Min、Max、Value，并在回调里把当前值同步显示到某个文本位上，否则调了半天不知道阈值落在哪。

4.2 打开图片回调与 handles 数据传递

GUI 各回调之间靠 handles 结构体传数据，改动手柄后必须用 guidata 写回，这是新手最容易漏的一步。

function btnOpen_Callback(hObject, eventdata, handles) [fname, fpath] = uigetfile({'*.jpg;*.jpeg;*.png;*.bmp', '图像文件'}, '选择含车牌图片'); if isequal(fname, 0) return; end handles.rawImg = imread(fullfile(fpath, fname)); axes(handles.axesOriginal); imshow(handles.rawImg); title('原始图像'); guidata(hObject, handles); % 写回，其他回调才能读到 end

uigetfile 返回 0 表示取消，必须先 return，否则 imread 直接报错。fullfile 拼路径避免手写分隔符的跨平台问题。guidata(hObject, handles) 是句柄写回的固定格式，少了这一行，识别回调里 isfield(handles, 'rawImg') 永远为假。

4.3 识别回调：定位、分割、匹配串成一条线

识别按钮按"定位→二值化→分割→匹配→写结果"顺序执行，每步失败都给可读提示，而不是让异常崩出红字。

function btnRecog_Callback(hObject, eventdata, handles) if ~isfield(handles, 'rawImg') msgbox('请先点击“打开图片”', '提示'); return; end plateCrop = locatePlate(handles.rawImg); if isempty(plateCrop) msgbox('未定位到车牌区域，请调整 HSV 阈值', '提示'); return; end axes(handles.axesProcessed); imshow(plateCrop); title('定位结果'); gray = rgb2gray(plateCrop); bwPlate = imbinarize(gray, graythresh(gray)); chars = segmentChars(bwPlate); if numel(chars) ~= 7 msgbox(sprintf('分割出 %d 个字符，家用车牌应为 7 位', numel(chars)), '提示'); return; end result = ''; sumScore = 0; for i = 1:numel(chars) [label, score] = matchChar(chars{i}, handles.templates); result = [result, label]; %#ok<AGROW> sumScore = sumScore + score; end set(handles.editResult, 'String', result); set(handles.editScore, 'String', sprintf('平均相似度 %.3f', sumScore / numel(chars))); end

numel(chars) ~= 7 的判空逻辑要放在匹配之前：分割阶段发现位数不对，问题多半在定位框或二值化，而不是模板。平均相似度写出来是为了给阈值调整一个可量化的反馈，后面第 6 章批量验证时它也是重要参考。

4.4 模板装载与 OpeningFcn

模板只在 GUI 启动时装载一次，放在 OpeningFcn 里，避免每次点击识别都重复读盘。

function openingFcn(hObject, eventdata, handles, varargin) handles.templates = loadTemplates('templates/'); guidata(hObject, handles); end function templates = loadTemplates(folder) files = dir(fullfile(folder, '*.png')); templates = struct('label', {}, 'img', {}); for i = 1:numel(files) [~, name, ~] = fileparts(files(i).name); im = imread(fullfile(folder, files(i).name)); if size(im, 3) == 3 im = rgb2gray(im); end templates(i).label = name; templates(i).img = im; end end

templates 目录和 .m 文件放同一层级，用相对路径避免换机器改路径。struct('label', {}, 'img', {}) 创建空结构体数组，循环里按下标赋值即可。imread 读彩色图时在装载处统一转灰度，否则 matchChar 里 corr2 收到三维数组会直接报错。

5. 模板匹配的 3 个必调参数与识别失败排错

模板匹配项目跑通容易跑稳难，三处参数几乎决定识别率上限：二值化阈值、尺寸归一化方式、相似度判据。按这个顺序调，能覆盖大多数识别失败。

5.1 二值化阈值：固定、Otsu 与局部自适应三选一

三种方案适用场景不同，我按光照条件切换。

% 1. 固定阈值，顺光且曝光一致时可用，最省事 bw1 = imbinarize(gray, 0.6); % 2. Otsu 自适应，直方图双峰明显时效果好 bw2 = imbinarize(gray, graythresh(gray)); % 3. 局部自适应，适合车牌一半亮一半暗 bw3 = imbinarize(gray, 'adaptive', 'Sensitivity', 0.45);

前两种是全局阈值，整块车牌共用一个门限；局部自适应按像素邻域逐点计算，能处理阴影遮挡的车牌。Sensitivity 越大保留前景越多，0.45 是常用起点。极性规则同 3.1：白字蓝底直接用，黄底黑字取反。imbinarize 在 R2016a 引入，老版本用 im2bw 替代，参数语义要重新核对。

5.2 尺寸归一化：汉字与字母数字按比例分组

把全部字符硬缩到 40×24 会让汉字横向压缩变形。汉字接近方块字，字母数字是窄体字，混在一起用同一个目标宽高比不合理。

function normImg = resizePreserveAspect(charImg, targetH, targetW) scale = targetH / size(charImg, 1); newW = max(1, round(size(charImg, 2) * scale)); resized = imresize(charImg, [targetH, newW]); if newW >= targetW c = floor((newW - targetW) / 2) + 1; normImg = resized(:, c:c + targetW - 1); else normImg = zeros(targetH, targetW, 'like', resized); left = floor((targetW - newW) / 2); normImg(:, left + 1:left + newW) = resized; end end

保持长宽比缩放到统一高度，宽了居中裁剪，窄了左右补零。汉字和字母用同一函数，但模板库分组：第一位汉字走 32×32 的方形模板，第二位起字母数字走 40×24，匹配时按字符在车牌里的位置选组，而不是让所有模板混在一起竞争。实际替换时把 3.3 的 matchChar 里 imresize(charImg, [40, 24]) 换成 resizePreserveAspect 即可。

5.3 相似度阈值与 top2 歧义判定

corr2 输出落在 [-1,1]，但"最高分是谁"比"分数多高"更有信息量。0 和 O、1 和 I、B 和 8 这类相近字形，最高分与第二高分差距极小，这个差距本身就是风险信号。

function [label, score, margin] = matchCharTop2(charImg, templates) scores = zeros(1, numel(templates)); for i = 1:numel(templates) scores(i) = corr2(charImg, templates(i).img); end [sortedScores, order] = sort(scores, 'descend'); label = templates(order(1)).label; score = sortedScores(1); margin = sortedScores(1) - sortedScores(2); end

使用规则：score < 0.60 直接拒识，管理系统里显示"无法识别"而不是给个错误字符；margin < 0.08 标记低置信度，悬着 top2 候选让人工复核。这两条叠加后，系统从"总会给答案"变成"拿不准时承认拿不准"，对道闸事后追查反而更有用。matchCharTop2 要求输入的样本和模板已经按 5.2 分组归一化，否则相似度对比没有意义。

5.4 用 normxcorr2 平移搜索救回分割误差

corr2 零位移容错的问题，用 normxcorr2 解决，它一次性计算模板在样本上所有平移位置的归一化互相关，峰值即最佳对齐得分。

function score = bestShiftScore(charImg, tpl) % 把模板四周各裁掉 4 像素，留出平移搜索空间 inner = tpl(5:end - 4, 5:end - 4); c = normxcorr2(inner, charImg); score = max(c(:)); % 峰值即最佳对准时的相似度 end

normxcorr2 输出比样本小一圈，取 max 即可。它对位移的容忍度来自 inner 相对 charImg 的尺寸差，裁 4 像素约等于允许 ±4 像素的错位，适合替换 3.1 分割质量不佳时的直接 corr2。计算量比逐个平移循环小一个量级，但每字符仍多几十毫秒，批量场景按需使用。

6. 批量验证识别率与模板匹配的扩展方向

6.1 用目录名做真值，一次跑完整批测试

GUI 里一张张点图只能验证功能，不能量化效果。我把测试集按"真实车牌号.jpg"命名，写脚本直接调底层识别函数，保证和 GUI 回调走同一套 locatePlate、segmentChars、matchChar。

function text = recognizePlate(img, templates) plateCrop = locatePlate(img); if isempty(plateCrop) text = ''; return; end gray = rgb2gray(plateCrop); bwPlate = imbinarize(gray, graythresh(gray)); chars = segmentChars(bwPlate); text = ''; for i = 1:numel(chars) [label, ~] = matchChar(chars{i}, templates); text = [text, label]; %#ok<AGROW> end end templates = loadTemplates('templates/'); files = dir('testset/*.jpg'); correct = 0; for k = 1:numel(files) img = imread(fullfile(files(k).folder, files(k).name)); pred = recognizePlate(img, templates); [~, truth, ~] = fileparts(files(k).name); if strcmp(pred, truth) correct = correct + 1; else fprintf('误识: 真值=%s 输出=%s 文件=%s\n', ... truth, pred, files(k).name); end end fprintf('识别率: %.2f%% (%d/%d)\n', ... 100 * correct / numel(files), correct, numel(files));

误识样本逐条打印，攒够一批后归类：定位框偏了、分割切歪了、匹配选错了，三类问题分开统计。按我的经验，模板匹配项目里定位和分割贡献七成错误，真正匹配选错的不到三成，所以排错顺序永远是先看定位框再看切分边界，最后才怀疑模板库。

6.2 模板匹配的边界与升级路线

模板匹配的失效集中在旋转、模糊和强透视：车牌偏转超过 15° 或者运动模糊明显，归一化互相关就开始不可靠。开源车牌检测识别模型用检测加分类在这个场景能拿更高精度，代价是标注数据和算力。对道闸、园区这类可控场景，模板匹配仍然够用，这也是它在教学源码包里长盛不衰的原因。

一个性价比很高的升级：保留模板匹配的定位、分割和置信度过滤逻辑，只把最后分类器换成轻量 CNN。改造量最小，又能吃到深度模型对形变的适应能力。同样的"分割+匹配"管线换一套模板库，还能迁移到指纹识别、表计读数识别等项目上，这是这类 GUI 源码最常见的二次开发方向。

本文还有配套的精品资源，点击获取