如果你正在准备图像处理相关的课程设计或毕业设计，大概率绕不开车牌识别这个经典题目。我在学生时代也做过一回，当时导师的要求很朴素：用 MATLAB 写一套能跑通的车牌识别程序，而且代码要分模块写成子程序，不能一个 main 脚本从头写到尾。这个要求当时觉得麻烦，后来回头看，恰恰是"子程序化"让整套系统的调试和维护轻松了一个量级。
这篇文章不打算给你贴一份完整的毕业设计论文，而是实实在在拆开来讲：整体流程怎么搭、每个子程序内部做了什么、参数为什么这么设、跑真实图片时最容易在哪个环节翻车。内容基于我自己做过的一个"基于 MATLAB 的车牌识别（含子程序）"项目来展开，所有代码逻辑都可以直接复用，也欢迎你在此基础上改成自己的版本。
1. 这个题目的含金量与适用边界
1.1 为什么大家都在做MATLAB车牌识别
从课程设计到电赛培训，车牌识别几乎成了图像处理入门的"标准考题"。原因有三个。
第一，它的技术栈非常经典：图像预处理、边缘检测、形态学操作、连通域分析、投影法、字符匹配识别，几乎把数字图像处理课程里最重要的知识全串起来了。做完这个项目，你对"图像处理到底怎么解决实际问题"会有一个完整的认知闭环。
第二，MATLAB 生态对入门者极其友好。不用像 C++ 那样手动管理内存，不用配置 OpenCV 环境，imread读图、imshow显示、rgb2gray转灰度，这些函数的命名本身就是英文短语，读代码就像读需求文档。
第三，车牌本身是一个"结构化"很强的目标：尺寸比例固定、颜色固定（国内蓝底白字）、字符排列固定。相比人脸检测、行人检测这种需要大量数据训练的场景，车牌识别用传统图像处理手段就能达到一个可用的准确率，这让它特别适合在有限课时内做完整交付。
1.2 这套系统能做什么、不能做什么
先说清楚适用范围，免得你被网上那些夸大宣传带偏。基于 MATLAB 的传统车牌识别方案，适用于以下场景：清晰或者中等光照条件下的标准蓝底白字车牌照片、车辆正对或近似正对相机、没有严重的倾斜和遮挡。
它不太擅长的事情也很明显：极端光照下的夜间图片、车速很快时产生的运动模糊、车牌倾斜超过 15 度、新能源绿色车牌的适配（需要额外改颜色判断逻辑）。这些不是 MATLAB 本身不行，而是传统图像处理算法的天然边界。想突破这些瓶颈，得引入深度学习检测模型，那就是另一个量级的项目了。
我做的这套系统目标定在：标准图片识别率 90% 以上，单张图片处理时间在 1 秒以内（普通笔记本上）。这个指标对课程设计和毕设来说已经足够，往上优化是加分项，不是必选项。
2. 系统框架设计：子程序怎么切分最合理
2.1 从管线思维拆解功能模块
拿到题目先别急着写代码，把整个识别过程看成一个流水线：原材料是一张图片，最终产品是一个车牌字符串。中间经过的每一道工序，都应该对应一个独立的子程序。
我的切分方式是五段式管线：
- 车牌定位子程序：输入原始图片，输出车牌区域的裁剪图。
- 预处理子程序：输入车牌裁剪图，输出适合做字符分割的二值图。
- 字符分割子程序：输入二值车牌图，输出按顺序排列的单个字符图像。
- 字符识别子程序：输入单个字符图像，输出对应的字符标签（汉字、字母、数字）。
- 主控程序：负责按顺序调用以上子程序，汇总识别结果，显示中间过程和最终输出。
这套划分的逻辑是"每一级都有明确的输入输出，互不依赖"。定位子程序不关心字符长什么样，分割子程序不关心字符是什么含义，识别子程序拿到一张干净的字符图只管匹配。这样你调试任何一个环节，都能单独喂数据进去测试，不需要每次都跑完整条链。
2.2 为什么用函数文件而不是脚本堆叠
很多新手喜欢把代码全写在一个.m脚本里，用注释分行。这样做项目前期很爽，后期就是灾难：某个环节的效果不理想，你要在一大段代码里翻找对应位置，改完还得担心影响其他部分。
子程序化的核心价值是隔离复杂度和可复用性。我把每个环节写成独立的函数文件，放到同一个项目文件夹下：
% 项目文件夹结构 plate_recognition/ ├── main.m % 主控程序 ├── func_locatePlate.m % 车牌定位子程序 ├── func_preprocess.m % 预处理子程序 ├── func_segmentChars.m % 字符分割子程序 ├── func_recognizeChar.m % 字符识别子程序 ├── templates/ % 模板库文件夹 │ ├── char_hanzi/ % 汉字模板 │ ├── char_letter/ % 字母模板 │ └── char_digit/ % 数字模板 └── test_images/ % 测试图片文件夹每个函数文件的第一行注释写明功能、输入输出说明和调用示例。这个习惯后来帮我省了很多时间——隔了两周再看代码，不需要回忆当时的设计意图，看注释就能直接上手。
MATLAB 的函数文件还有一个好处：它的工作区是独立隔离的，函数内部产生的中间变量不会污染主程序的命名空间。如果你在脚本里调试，i、figure、ans这些变量很容易被意外覆盖，用函数文件就从机制上避免了这个问题。
3. 车牌定位子程序：从背景中把车牌抠出来
3.1 预处理与边缘检测的组合拳
车牌定位是整个系统里最"玄学"的一环，因为照片背景千变万化：有车身同色系的蓝车、有复杂的街景、有树荫的光斑。我在调试早期阶段，定位成功率只有六成左右，后来不断加规则才提到九成以上。
定位子程序的第一步是预处理，核心目标只有一个：增强车牌区域的特征，压制非车牌区域的特征。
function plateImg = func_locatePlate(imgPath) % 功能：车牌定位子程序 % 输入：imgPath 图片路径 % 输出：plateImg 车牌子图 img = imread(imgPath); gray = rgb2gray(img); % 边缘检测：车牌字符区域有密集的纹理，边缘响应强烈 edges = edge(gray, 'sobel', 0.12); % 形态学闭运算：把相邻字符的边缘连接成一个整体区域 se = strel('rectangle', [15, 25]); closed = imclose(edges, se); % 形态学开运算：去除细小噪声连通域 se2 = strel('rectangle', [5, 5]); opened = imopen(closed, se2); end这里有两个关键参数值得展开说明。Sobel 边缘检测的阈值0.12，是通过多次尝试得到的：阈值太高，字符边缘断裂严重，闭运算都连不回来；阈值太低，背景纹理的干扰大量涌入，后面形态学处理会非常痛苦。闭运算的结构元素[15, 25]也不是随便定的——车牌大约有 7 个字符，字符之间的间隔让边缘呈"断裂条带"状，横向闭运算要把这些条带连成一块完整的矩形区域，结构元素的宽度必须能跨越字符间距。
3.2 连通域筛选：用候选区思维代替精确定位
做完形态学后，图像里会出现若干块连通域。这时不要急于认定哪一块是车牌，而是把所有候选区域都找出来，用车牌的先验知识逐条筛除。这个策略比"一次定位准确"要稳健得多，因为就算第一轮筛不掉干扰区域，第二轮、第三轮还能继续排除。
% 连通域分析 labeled = bwlabel(opened, 8); stats = regionprops(labeled, 'BoundingBox', 'Area'); % 车牌先验知识：宽高比约3.14:1，面积占比在一定范围内 minArea = size(img, 1) * size(img, 2) * 0.001; candidates = []; for k = 1:length(stats) area = stats(k).Area; bbox = stats(k).BoundingBox; w = bbox(3); h = bbox(4); ratio = w / h; if area > minArea && ratio > 2.0 && ratio < 4.5 candidates = [candidates; bbox]; end end判断逻辑里，宽高比范围放宽到2.0 ~ 4.5，而不是死等 3.14 附近。原因是图片拍摄角度、裁剪误差都会让车牌在图像中的宽高比偏移，如果卡得太死，可能把真正的车牌也筛掉了。minArea是面积下界，用来排除那些形态像车牌但面积太小的非目标区域，比如远处的小标牌、车身上的小色块。
筛完区域后，如果有多个候选区，我采用的策略是：把所有候选区都裁剪出来，挨个送进后续流程，最后在识别阶段根据字符匹配的得分判定哪个是真正的车牌。这种做法有点暴力，但能大幅提高定位召回率。
3.3 用颜色特征做二次确认
如果只靠边缘和形态学，蓝色车身、蓝色广告牌的干扰会非常顽固，因为它们和车牌的边缘纹理结构接近，又恰好是近似矩形。
我的解决方案是增加一个颜色校验环节。在 HSV 色彩空间里，标准蓝底车牌的蓝色区域有明显的色调特征，比 RGB 空间更稳定，不易受光照亮度变化影响：
hsvImg = rgb2hsv(img); % 车牌蓝色区域：H通道约在0.55到0.75之间（对应蓝青色），S饱和度较高 blueMask = (hsvImg(:,:,1) > 0.55) & (hsvImg(:,:,1) < 0.75) & ... (hsvImg(:,:,2) > 0.35) & (hsvImg(:,:,3) > 0.15); blueRatio = sum(blueMask(:)) / (sum(blueMask(:)) + eps); % 计算候选区域内蓝色像素占比，低于阈值则排除 if blueRatio < 0.1 % 候选区不是蓝色车牌，排除 end在实际调试中，我还发现一个反直觉的现象：饱和度阈值不能定太高。强光直射下，车牌蓝色会发白，饱和度下降厉害；阴天或夜间，饱和度又会偏低。0.35这个值是一个折中，牺牲一点区分力换取对光照的鲁棒性。另外，HSV 的 H 通道在蓝色区域附近本身有跳变，如果使用 OpenCV 风格的范围可能还要处理环形色相的问题，但在 MATLAB 的rgb2hsv中是0~1标准归一化，直接比较即可。
4. 字符分割子程序：投影法的完整落地
4.1 水平投影：先找上下边界
拿到车牌子图后，字符分割子程序要做的事情是把"一整块字符条带"变成"一排单个字符图像"。
第一步是水平投影，也就是对二值化后的图像按行统计白色像素数量。车牌区域的上下边缘处，白色像素数量会急剧变化：没有字符的区域接近 0，有字符的区域会形成明显的峰值带。
实际操作中，我不建议直接对整幅车牌子图做二值化后再投影，因为车牌的铆钉、车牌边框会产生干扰。正确做法是先把外边框剔除：在原图中找到最小外接矩形，然后向内缩进几个像素，去掉白色边框的影响。
function charCells = func_segmentChars(plateImg) % 功能：字符分割子程序 % 输入：plateImg 车牌子图（RGB） % 输出：charCells 单字符图像 cell 数组 gray = rgb2gray(plateImg); % 大津法自适应二值化，处理光照不均效果好于固定阈值 bw = imbinarize(gray, 'adaptive', 'ForegroundPolarity', 'bright', ... 'Sensitivity', 0.4); % 去除面积过小的杂点（铆钉、灰尘） bw = bwareaopen(bw, 30); % 水平投影 rowProj = sum(bw, 2); % 找到第一个和最后一个白色像素数量超过阈值的行号 threshold = max(rowProj) * 0.1; rows = find(rowProj > threshold); top = rows(1); bottom = rows(end); bw = bw(top:bottom, :); end大津法的自适应版本imbinarize(..., 'adaptive', ...)在这里很关键。固定阈值im2bw在光照均匀的合成图片上表现不错，但真实拍摄的图片常常半边亮半边暗，固定阈值会直接把暗部的字符"吃掉"。自适应阈值根据每个像素邻域的亮度计算局部阈值，对光照变化的免疫力强很多。
4.2 垂直投影：逐列扫描拆分字符
水平投影确定上下边界后，进入垂直投影阶段。垂直投影的原理类似：按列统计白色像素数量，字符列会有明显的白色像素波峰，字符间隙是波谷。
中国车牌标准有 7 个字符，中间有一个分隔圆点（小圆点用于分隔省份简称和后面的编码部分）。圆点面积小、像素少，如果不好好处理，会被当成一个字符切出来，导致后续识别彻底错乱。
% 垂直投影 colProj = sum(bw, 1); threshold = max(colProj) * 0.1; colIdx = find(colProj > threshold); % 找出连续段：一段字符区域 if isempty(colIdx) charCells = {}; return; end % 将连续的列索引分成一个个段落 regions = []; startIdx = colIdx(1); prevIdx = colIdx(1); for i = 2:length(colIdx) if colIdx(i) - prevIdx > 3 % 出现间隙，分割段落 regions = [regions; startIdx, prevIdx]; startIdx = colIdx(i); end prevIdx = colIdx(i); end regions = [regions; startIdx, prevIdx];这里colIdx(i) - prevIdx > 3的意思是：如果在列方向上存在连续超过 3 个像素列的空白，就认为当前字符段落结束。这个 3 像素的容差是为了防止字符内部细小的断裂被误判成字符间隙——比如汉字"沪"中间有几笔像素较淡，可能产生局部投影低谷，但不会连续 3 列都归零。
切出来的段落数量如果大于 8，多半是噪声段落没有滤干净；如果小于 6，可能是两个字符粘连了，需要进一步处理。实测中，段落宽度也是一个重要的过滤指标：正常字符宽度应该在车牌子图宽度的 0.08~0.18 倍之间，小圆点宽度大概只有字符的 0.2 倍，可以通过宽度和面积直接剔除。
4.3 字符归一化与尺寸统一
分割出的字符图像尺寸不一，直接送进识别子程序会让模板匹配失效。原因是corr2等相关性计算要求两幅图像大小一致，尺寸不同就无法计算标准相关系数。
归一化的做法是统一缩放到 42×24 像素（高×宽）。这个尺寸是我对比过的经验值：太小会丢失笔画细节，造成"沪"和"中"这种结构复杂汉字的分辨困难；太大会让模板文件占用内存增加，而且放大后边缘锯齿更明显。
% 字符归一化 targetH = 42; targetW = 24; charCells = cell(1, length(regions)); for i = 1:size(regions, 1) colStart = regions(i, 1); colEnd = regions(i, 2); charImg = bw(:, colStart:colEnd); % 保持长宽比的前提下缩放会更好，但为简单直接拉伸 charImg = imresize(charImg, [targetH, targetW]); % 二值类型转成 double，方便后续相关性计算 charCells{i} = double(charImg); end这里我要提示一个细节：直接imresize拉伸会改变字符的长宽比。标准车牌字符本身就接近长方体，拉伸一点影响不大；但如果你追求高识别率，可以在缩放前先计算字符连通域的实际宽高比，做成正方形模板，或者在归一化时保持比例做四周补零。前者更简单，后者更严谨，我前期用前者，后期加了补零逻辑。
5. 字符识别子程序：模板匹配的正确打开方式
5.1 模板库的建立方式
字符识别子程序的思路是模板匹配：把待识别字符和模板库里的所有模板逐一比较，相似度最高的那个就是识别结果。
模板库的建立是整个项目中最花力气但最不显眼的部分。你需要准备 7 个字符位对应的模板集合：
- 第一位是汉字矩阵：全国省级行政区简称，比如 京、津、冀、晋、蒙、辽、吉、黑、沪、苏、浙、皖、闽、赣、鲁、豫、鄂、湘、粤、桂、琼、渝、川、贵、云、藏、陕、甘、青、宁、新。
- 第二位是英文字母（除去 I 和 O，避免与数字 1 和 0 混淆）。
- 第三到七位是字母和数字的混合。
模板图像的来源有三种：直接从标准车牌图片上截取、用标准字体渲染生成、从自己的测试图片里截取再人工标注。我的经验是三种都做，最后混合成模板库。纯标准字体渲染的模板太"干净"，和真实图像的字符有明显风格差异，匹配得分反而偏低；完全从真实图片截取又容易引入各种噪声。混合模板库的冗余性能显著提高鲁棒性。
每个模板保存成一个.mat文件或者一个结构体数组元素，包含两个字段：归一化后的二值图像矩阵img，和对应的字符标签label。建议把所有模板加载到一个结构体数组里，识别时循环遍历。
5.2 匹配算法：相关度计算的实战细节
模板匹配的核心代码逻辑如下：
function charLabel = func_recognizeChar(charImg, templateSet) % 功能：字符识别子程序 % 输入：charImg 归一化后的字符图像（double类型） % templateSet 模板库结构体数组（每个元素含 img 和 label 字段） % 输出：charLabel 识别出的字符标签 bestScore = -1; charLabel = '?'; for i = 1:length(templateSet) tpl = templateSet(i).img; % 确保模板和待识别图尺寸一致 if size(tpl, 1) ~= size(charImg, 1) || size(tpl, 2) ~= size(charImg, 2) tpl = imresize(tpl, [size(charImg, 1), size(charImg, 2)]); end score = corr2(charImg, tpl); if score > bestScore bestScore = score; charLabel = templateSet(i).label; end end end这里corr2计算的是两个矩阵的二维相关系数，取值范围在 [-1, 1] 之间。1 表示完全正相关，也就是说两幅图像的灰度分布模式完全一致；接近 0 表示不相关。
在实验过程中我发现一个规律：正确匹配的相关系数通常在 0.6~0.9 之间，错误匹配的相关系数往往在 0.2~0.5 之间，界限比较清晰。如果某位字符的最高匹配分低于 0.5，很大概率是分割环节出了问题，建议把该字符图像保存下来检查，而不是强行给出一个识别结果。
另外，针对汉字识别，形近字是主要的错误来源。比如"渝"和"豫"、 "鄂"和"郭"（后者不在标准字库中）、"皖"和"赣"在某些模糊图片下容易混淆。改进方法主要有两种：一是引入笔画密度特征作为辅助判断，二是对易混淆字对做专门的局部区域比对，比如比较汉字的右下角部分有没有特定的钩笔结构。
5.3 多级投票与置信度阈值
只做一次模板匹配就给出结果，虽然简单，但抗噪能力弱。我的做法是"多级投票"：不止用corr2一种相似度度量，而是同时计算欧氏距离倒数、归一化互相关、结构相似度指数（SSIM），把三个指标排序后投票，票数最高的字符作为最终结果。
% 三种相似度指标综合打分 score1 = corr2(charImg, tpl); % 相关度 score2 = 1 / (sum((charImg(:) - tpl(:)).^2) + 1e-6); % 欧氏距离相似度 score3 = ssim(charImg, tpl); % 结构相似度 totalScore = 0.5 * score1 + 0.3 * score2_normalized + 0.2 * score3;这里score2是原始距离的倒数，需要先归一化到和corr2相近的量级，否则会把其他两个指标完全淹没。我一般先找出所有模板中最小和最大的score2，做一个 min-max 归一化到 [0, 1]，再加权合并。实测中，这种加权打分比单一corr2在模糊图片上能提升大约 5 个百分点。当然，如果模板库比较小，单一corr2也够用，加权属于进阶优化。
6. 主程序与 GUI：把子程序串成完整系统
6.1 主程序的调用顺序与错误处理
子程序各自调试通过后，主程序的工作就是把它们按顺序串起来。这个过程看似简单，但有几个容易忽略的问题。
第一个问题：中间过程的错误处理。真实图片千奇百怪，定位子程序可能返回空矩阵（没有找到候选区域），分割子程序可能返回少于 7 个字符。如果主程序不做判空处理，直接往识别子程序传空数据，MATLAB 会报一堆晦涩的错误信息，而且是在你不知道的角落。
我的做法是在每两个环节之间加检查：
plateImg = func_locatePlate(imgPath); if isempty(plateImg) disp('未定位到车牌区域'); result = ''; return; end charCells = func_segmentChars(plateImg); if length(charCells) < 7 disp('字符分割异常，建议检查预处理参数'); % 这里可以保存中间过程供人工诊断 imwrite(plateImg, 'debug_plate.png'); result = ''; return; end第二个问题：结果的可视化。主程序中用subplot把原图、定位结果、分割结果、识别结果按块展示出来，方便直观验证每一步是否正常。课程设计答辩的时候，评委老师最喜欢看这类中间过程展示，它比单纯输出一个字符串更有说服力。
6.2 GUI 界面的功能规划
如果你想把项目做成一个演示系统，还可以套一个 GUI 界面。我用 MATLAB 的 App Designer 做了一个简单的界面，布局是一个"浏览图片"按钮、一个坐标轴区域显示原图、一个坐标轴区域显示识别过程、一个文本框输出结果。
GUI 回调函数的核心就是调用主程序逻辑：
function pushbutton_selectImagePushed(app, event) [file, path] = uigetfile({'*.jpg;*.png;*.bmp', '图片文件'}); if isequal(file, 0) return; end fullPath = fullfile(path, file); imshow(imread(fullPath), 'Parent', app.OriginalAxes); % 调用主识别函数 result = runPlateRecognition(fullPath); app.ResultEditField.Value = result; end注意，GUI 回调里不要写完整的识别逻辑，而是单独封装一个runPlateRecognition.m函数，GUI 只负责调用它。这样做的好处是：命令行模式和 GUI 模式共用同一套核心代码，不会出现"GUI 能跑但命令行报错"的复制粘贴版本问题。很多同学喜欢在回调函数里直接堆代码，做完界面之后想加批量测试功能，发现自己都改不动了。
6.3 批量测试：怎么科学地统计识别率
单个图片跑通不算完，课程设计里老师一句"你的系统对多少图有效"就把人问住了。一定要做批量测试。
批量测试的思路：准备一个测试集文件夹，里面放 20~30 张不同场景的车牌图片，每张图片的文件名里人工标注好正确的车牌号，然后跑一个批处理脚本，逐个图片调用识别函数，把识别结果和真值比对，统计字符级准确率和整牌准确率。
我实际测试 20 张图片的结果大致如下：
| 测试项目 | 结果 |
|---|---|
| 车牌定位成功率 | 19/20 |
| 字符分割完整率 | 18/20 |
| 单字符识别准确率 | 约 92% |
| 整牌完全正确率 | 约 75% |
定位失败的那张图是强逆光环境，车牌严重过暗，边缘检测和颜色特征双双失效。字符分割失败的两张，一张是因倾斜导致字符粘连，一张是铆钉噪声没有滤干净。单字符识别错误主要集中在汉字部分，尤其是笔画复杂的汉字在低分辨率下容易混淆。
这个测试结果的价值在于：它告诉你优化方向应该往哪打。整牌正确率只有 75%，但拆开看，问题大头在定位和分割，不在识别。所以后续优化的优先级是：先修倾斜校正，再提升分割鲁棒性，最后才是优化识别算法。盲目去调识别子程序的参数，属于南辕北辙。
7. 我实测过的常见问题和调参记录
7.1 定位子程序的三个"翻车现场"
翻车现场一：蓝色车身的强干扰。有一张蓝色轿车的图片，车身占了画面大半部分，边缘检测后车身轮廓和车牌区域连成了一片大连通域，形态学操作后候选区框住了大半个车头。我的解决办法是把面积上限加进去：候选区域面积不能超过图像总面积的 30%。这个限制符合物理常识——车牌再大，也不可能占到半张照片。
翻车现场二：路灯/树荫的亮斑。边缘检测对亮度突变极其敏感。树荫投射在车前挡风玻璃上，形成明暗分界，边缘检测会画出一堆乱七八糟的边界线，这些线组成的连通域有时候形态比车牌还像矩形。我最后靠的是颜色特征把关：候选区里蓝色像素占比低于 10% 的，一律排除。这个规则非常管用，因为无论边缘怎么乱，真正的车牌蓝是稳定的。
翻车现场三：车牌倾斜。车辆和相机不平行时，车牌在图像中是平行四边形或梯形，边缘检测和形态学处理虽然能圈出大致区域，但裁剪出来的是含背景的斜块。这个问题我在定位阶段没有彻底解决，而是放在分割前做了一步简单的倾斜校正：用最小外接矩形regionprops('Orientation')拿到倾斜角，然后imrotate反向旋转。旋转之后字符水平了，投影法就好用了。
7.2 字符分割遇到粘连和断裂
粘连是分割里最常见的问题。"沪A·5B628"这种号码里，如果 5 和 B 靠得近，垂直投影时两个字符的投影波峰会叠在一起，无法形成谷底。
处理粘连的一个实用技巧是：预先知道车牌有 7 个字符，如果垂直投影只切出 6 段，而且其中一段特别宽，就把该段按宽度比例从中间拆成两段。
% 如果段落数量不足7，尝试对过宽段落做二次分割 if size(regions, 1) < 7 widths = regions(:,2) - regions(:,1); [maxW, idx] = max(widths); if maxW > 1.5 * median(widths) mid = round((regions(idx,1) + regions(idx,2)) / 2); % 在mid附近寻找投影的最低点作为分割点 subProj = colProj(regions(idx,1):regions(idx,2)); [~, localMin] = min(subProj); splitPoint = regions(idx,1) + localMin - 1; % 拆分成两个新区域 end end断裂和粘连相反：字符内部笔画淡、反光强，导致字符被切成两段，垂直投影多出一段。这种情况一般可以通过宽度过滤解决——断裂段宽度远小于正常字符宽度，直接合并到相邻段落。
我的经验是：在调试分割子程序时，把每一张测试图的垂直投影曲线画出来看，而不是盯着二值图凭感觉猜。投影曲线的波峰波谷非常直观，哪里该切哪里不该切一目了然。写代码的时候顺手加一个plot(colProj)的调试开关，能省下大量时间。
7.3 识别率还能怎么往上提
如果你做完基础版还想往上优化，我按性价比从高到低排序：
第一，扩充模板库。每增加一个场景的模板，识别率就稳定爬升一点。尤其是汉字模板，多收集不同字体、不同清晰度的样本，比调整算法参数有效得多。
第二，加入二级分类器。先用模板匹配得到候选的前三名，然后针对这三个候选字符再计算额外的区分特征。比如"B"和"8"的差异在于左半部分是直线还是弧线，"0"和"O"（标准车牌没有 O，但模板库里可能有干扰）的差异在于高宽比。这类规则写起来简单，收效明显。
第三，换神经网络。如果项目周期允许，可以用 MATLAB 的 Deep Learning Toolbox 训练一个简单的 CNN 做字符识别，替代模板匹配。CNN 的泛化能力比模板匹配强，但需要训练数据和 GPU 资源，对课程设计来说有点"杀鸡用牛刀"。
第四，引入多帧视频识别。如果项目场景是停车场出入口，连续抓拍多帧，每帧独立识别后投票，能显著降低偶然性错误。这个思路在工程上很常见，但在课程设计中做到的人不多。
我个人的体会是，这类图像处理项目最忌讳一上来就追求"完美方案"。把基础流程跑通、把每一环节的中间结果可视化、把失败案例积累下来逐条分析，进步速度远比盯着论文看要快。车牌识别项目虽然老套，但它覆盖的知识点和工程细节，对训练"图像处理思维"非常有效。哪怕你以后不做车牌方向，这套"拆解问题、分模块实现、逐级调优"的方法论，也值得带走。
