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{end+1} = cropBw; end end这段代码的关键在imcomplement：MATLAB 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(end+1) = bestChar; confs(end+1) = 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
