MATLAB模板匹配车牌识别：定位、分割与匹配验证实践

简介：面向MATLAB图像处理课程设计、计算机视觉入门学习者与初级项目实践者的车牌识别项目，采用模板匹配完成车牌定位与字符识别，可用于智能停车、交通管理等场景的教学演示与课程作业复现。包内围绕主流程调度、车牌预处理与分割、单字符切割、模板匹配识别及GUI交互配置等模块组织，以.m脚本和.fig界面文件为主；文件总数显示为0，类型明细暂缺，压缩包约156KB。已有2047人学习，说明其作为模板匹配教学案例具有一定参考度。读者可据此梳理从图像预处理、车牌分割到字符逐个匹配的完整链路，理解相似度比较与最佳匹配选取的实现思路，并借助GUI完成图片上传与结果查看，适合作为课程设计原型和算法入门拆解材料。

1. 从一张地下车库抓拍图说起：模板匹配凭什么还能用在车牌识别上

一张地下车库的抓拍图，车灯过曝、车牌轻微倾斜、背景里还横着半块广告牌，这种图丢进任何一条识别链路都会让人心里打鼓。基于 MATLAB 模板匹配的车牌识别，恰恰是为这种“不想上模型、又要有可解释结果”的场景准备的：把车牌从背景里框出来，切成单个字符，再拿预先做好的字符模板逐个比对打分，输出置信度最高的一类。它不需要训练，不需要显卡，一套脚本加一个模板库就能跑；代价是模板库要自己攒，光照和倾斜一变就得回头调参数。适合做课程设计、产线小工具、算法基线，以及那些需要对每个识别结果说清楚“为什么是它”的场合。下面按定位、分割、建库、匹配、排查、验证六步走一遍。

2. 车牌定位：颜色阈值和形态学闭运算的先后顺序

2.1 蓝底车牌的 HSV 阈值怎么定

定位这一步决定了后面所有环节的上限。车牌框歪了、缺了一角，字符分割再精巧也救不回来。工程上最稳的起手式不是深度学习，而是颜色加形状：国内常见蓝底白字车牌，底色在 HSV 空间里有相当集中的分布，先把蓝色区域抠出来，再用宽高比筛一遍，绝大多数干净场景就能拿到候选框。

不用 RGB 而用 HSV，理由很实际。RGB 三个通道都随光照强度一起变，同一块蓝底在正午和地库里三通道数值能差出一倍；HSV 把色调 H 单独拎出来，亮度变化主要落在 V 上，H 相对稳定。蓝底车牌的 H 在 MATLAB 的rgb2hsv输出里乘 360 之后，通常落在 200 到 250 之间，饱和度 S 不会太低，明度 V 在正常曝光下也不会贴地。

% 读图并转到 HSV 空间，H 换算成 0-360 度便于设阈值 I = imread('car_01.jpg'); hsv = rgb2hsv(I); H = hsv(:,:,1) * 360; S = hsv(:,:,2); V = hsv(:,:,3); % 蓝色底色掩膜：H 卡区间，S 和 V 设下限过滤灰白区域 mask = (H > 200 & H < 250) & (S > 0.35) & (V > 0.20); % 先开运算去掉零散噪点，再闭运算把字符和边框连成整块 mask = imopen(mask, strel('rectangle', [3 3])); mask = imclose(mask, strel('rectangle', [7 21])); mask = imfill(mask, 'holes');

这段代码里三个参数最值得动手调。S > 0.35是饱和度下限，定得太低，灰色路面和白色车体也会被拉进来；定得太高，阴天或逆光下蓝底褪色，车牌又漏掉。V > 0.20管的是暗部，夜间补光过曝的图 V 会顶到 1，但底色反而偏白，这时单靠颜色会失效，得靠下一节的边缘通道兜底。闭运算的[7 21]是竖向 7、横向 21 的长条结构元，因为车牌上的字符是横向排布的，横向多连一点才能把“X 1 2 3 4 5”连成一个连通域；这个尺寸跟你的图像分辨率强相关，图越小结构元要同比缩小。

提示：阈值不要照抄。拿二十张自己场景的图，把每张的 H、S、V 在车牌区域取中位数打印出来，看分布的重叠区在哪，再定区间，比任何教程给的数字都准。

2.2 边缘通道与形态学闭运算的候选框筛选

颜色通道在逆光、夜间、车牌脏污时经常整块丢失，所以我一般同时跑一条边缘通道，两条结果取并集再做筛选。边缘通道的思路是：车牌区域字符密集，Sobel 或 Canny 响应强，用横向长条的结构元做闭运算，能把字符之间的边缘连成一个矩形块，而路面、车身这种大面积平滑区域几乎不产生响应。

% 灰度化后做 Sobel 边缘，横向结构元闭运算连成块 gray = rgb2gray(I); bwE = edge(gray, 'sobel', 0.12); bwE = imclose(bwE, strel('rectangle', [5 25])); bwE = imfill(bwE, 'holes'); bwE = bwareaopen(bwE, 400); % 两路掩膜合并，交给连通域筛选 cand = mask | bwE; cand = imclose(cand, strel('rectangle', [5 15])); cand = bwareaopen(cand, 600);

edge的第三个参数是阈值，0.12 是我在 720p 抓拍图上常用的起点，噪声大的图往上抬到 0.18，纹理弱的图降到 0.08。bwareaopen的 400 是面积下限，用来干掉路灯、反光条这类小块响应。两路合并之后再做一次轻量闭运算，是为了把颜色通道和边缘通道各自漏掉的一半拼起来。

拿到候选掩膜，下一步是按几何约束筛框。regionprops的BoundingBox返回[x y w h]，直接算宽高比和面积占比：

stats = regionprops(cand, 'BoundingBox', 'Area', 'Extent'); boxes = cat(1, stats.BoundingBox); areas = cat(1, stats.Area); ratio = boxes(:,3) ./ boxes(:,4); % 宽高比 ext = cat(1, stats.Extent); % 连通域填充率 keep = ratio > 2.2 & ratio < 4.8 & ... % 车牌宽高比经验区间 areas > 800 & areas < 30000 & ...% 面积上下限 ext > 0.45; % 太稀疏的框不要 boxes = boxes(keep, :);

宽高比 2.2 到 4.8 覆盖了单层蓝牌和部分新能源牌的形变区间；面积上下限要按你的图像分辨率换算，我给的数字对应 1280×720 左右的图。Extent是连通域面积与外接矩形面积之比，车牌框里字符和底色填得比较满，这个值通常在 0.6 以上，而树枝、栏杆这类细长目标填充率很低，用它能把误检压下去一截。

2.3 定位框外扩、裁剪与尺寸归一

筛完之后如果还剩多个候选，按面积从大到小排，取第一个，或者取宽高比最接近 3.14 的那个。真实车牌框经常贴得太紧，字符的上下边缘被切掉一两个像素，所以裁剪时统一向外扩 5 到 8 个像素，再做边界保护。

% 取面积最大的候选框，向外扩 6 像素后裁剪 [~, idx] = max(areas(keep)); b = boxes(idx, :); pad = 6; x1 = max(1, round(b(1)) - pad); y1 = max(1, round(b(2)) - pad); x2 = min(size(I,2), round(b(1) + b(3)) + pad); y2 = min(size(I,1), round(b(2) + b(4)) + pad); plate = I(y1:y2, x1:x2); % 统一到固定宽度，后续分割参数才好写死 plate = imresize(plate, [80 240]);

外扩 6 像素是个折中：扩太少，字符边缘缺失会让二值化后的笔画断开；扩太多，车牌边框和车身会被带进来，投影法分割时多出两三个假波峰。统一缩放到 80×240 也不是随便定的，它让后面所有分割阈值、结构元尺寸、模板尺寸都变成常量，换一张分辨率不同的图不用重调一遍。这一步的代价是引入了插值模糊，imresize默认双三次，对二值化影响不大，但如果你的原图本身就很糊，建议改成'bilinear'减少振铃。

到这里定位链路就闭环了：HSV 掩膜和边缘掩膜各自出候选，合并后按宽高比、面积、填充率筛，最后外扩裁剪加缩放。这套参数在我手上的干净抓拍图上召回率能到九成以上，剩下的失败基本集中在夜间过曝和车牌严重污损两类，那属于另一条技术路线要解决的问题了。

3. 字符分割：垂直投影为什么会在第二刀翻车

3.1 灰度化、去噪与二值化的三个阈值

分割的目标是把 80×240 的车牌条切成 7 个字符块（省份汉字加 6 位字母数字），每个块单独归一化后送进匹配器。这一步最常用的方法是垂直投影：字符是亮的、底色是暗的，把二值图按列求和，字符所在列的和值高，字符间隙的和值低，找波谷就找到了切分点。

前提是二值图得干净。蓝底白字车牌灰度化之后，白字灰度在 200 以上，蓝底在 80 到 120 之间，理论上 Otsu 就能分开。实际翻车最多的是两种情况：一是车牌表面有反光，白字和反光斑连成一片；二是边框没去干净，左右两条竖边在投影图上形成两个巨大的假峰，把真正的字符峰淹掉。

% 灰度化 + 对比度拉伸 + 中值滤波压噪 g = rgb2gray(plate); g = imadjust(g, stretchlim(g, 0.02), []); g = medfilt2(g, [3 3]); % Otsu 全局阈值，白字为前景 bw = imbinarize(g, 'global'); % 去掉贴边的细长连通域，多数是车牌边框残留 bw = imclearborder(bw); bw = bwareaopen(bw, 30);

stretchlim的 0.02 是百分位裁剪，把最暗和最亮的 2% 像素截掉再做拉伸，能明显改善逆光图的对比度。medfilt2用 3×3 窗口，窗口再大就把细笔画磨没了。imclearborder专门对付贴边连通域，车牌左右边框通常和图像边界相连，这一步能清掉大半；代价是如果某个字符恰好贴边，也会被一起清掉，所以裁剪阶段的外扩要留够。

注意：如果整张图的光照很不均匀，比如一半在阴影里一半在阳光下，全局 Otsu 会切出半张黑半张白的二值图。这时换成imbinarize(g,'adaptive','ForegroundPolarity','light','Sensitivity',0.45)，用局部窗口算阈值，代价是噪点变多，后面要补一次开运算。

3.2 垂直投影的波谷判定与宽度过滤

二值图干净之后，投影就很好做了。按列求和得到一条曲线，字符区域的列和值高，间隙的列和值接近零。判定切分点不能简单用“和值大于零”，因为噪点会让间隙列也有零星响应，所以设一个相对阈值：最大列和值的 15% 到 25%。

% 垂直投影，按最大值的比例设分割阈值 proj = sum(bw, 1); thr = 0.18 * max(proj); isChar = proj > thr; % 差分找上升沿和下降沿，得到每段的起止列 d = diff([0 isChar 0]); starts = find(d == 1); ends = find(d == -1) - 1; widths = ends - starts + 1; % 按字符宽度过滤：太窄是噪点，太宽是两个字粘在一起 valid = widths > 6 & widths < 30; starts = starts(valid); ends = ends(valid);

0.18这个系数决定了切分的松紧。调高，字符内部的细笔画会被当成间隙切断，一个“8”切成两半；调低，两个相邻字符之间的窄缝被填平，变成一块。字符宽度 6 到 30 像素对应 240 宽的车牌条，正常单字符宽度在 18 到 26 之间，汉字略宽。如果过滤后发现有效段超过 7 个，说明有噪点被当成字符，按宽度从大到小取前 7 个；少于 7 个，说明有粘连，得回头检查二值化。

粘连是投影法最典型的翻车点。两个字符中间那列如果因为模糊或污渍导致和值没有降到阈值以下，就会被合并成一段，宽度直接翻倍。工程上的补救办法有两种：一是对超宽段做二次投影，把阈值再抬高 10% 重切；二是对超宽段直接按宽度均分，虽然粗暴，但对固定字体的车牌意外地有效。

% 对超宽段做二次切分：抬高阈值重投影，失败则均分 for k = 1:numel(starts) w = ends(k) - starts(k) + 1; if w > 30 sub = bw(:, starts(k):ends(k)); p2 = sum(sub, 1); t2 = 0.30 * max(p2); cut = find(p2 < t2, 1, 'first'); if isempty(cut) cut = round(w / 2); % 找不到谷底就均分 end % 用 cut 把这一段拆成两段，写回 starts/ends end end

这段二次切分的逻辑不复杂，重点在于“先抬阈值找谷底，找不到再均分”这个兜底顺序。抬阈值能把大部分粘连切开，均分只在前者失败时兜底，不至于把本来正常的一段硬切成两半。

3.3 倾斜校正与字符归一化到 40×20

车牌在抓拍图里几乎不可能完全水平，倾斜 3 到 5 度很常见。倾斜对定位影响不大，对分割是致命的：投影的波谷会随着倾斜变宽变浅，本来清晰的一条缝变成一片缓坡，阈值法切不准位置，字符块里会带上邻居的半条笔画。

校正在二值图上做，用 Radon 变换扫角度。把二值图在 -8 到 8 度之间做投影，投影能量最集中的角度就是车牌长边的垂直方向，据此反推倾斜角。

% 在 ±8 度内做 Radon 扫描，取能量最集中的角度 theta = -8:0.25:8; R = radon(bw, theta); energy = sum(R .^ 2, 1); [~, mi] = max(energy); tilt = theta(mi); % 反向旋转校正，crop 保证输出尺寸不变 if abs(tilt) > 0.5 bw = imrotate(bw, tilt, 'bilinear', 'crop'); end

这里的正负号跟图像坐标系有关，第一次用务必拿一张已知倾斜方向的图校准一次，别直接照抄。'crop'参数保证旋转后尺寸不变，避免后续按固定坐标裁剪时越界。校正完再跑一遍 3.2 的投影，切分准确率会明显不一样，这是我自己踩过坑之后固定下来的顺序：先校正，再投影，不要颠倒。

切出来的每个字符块尺寸不一，送进模板匹配之前必须归一化。统一到 40 高、20 宽，用双三次插值，同时做一次居中：把字符的外接矩形缩放到刚好填满 36×18，再贴到 40×20 的画布中央，四周留 2 像素白边。

% 单个字符块归一化：紧致裁剪后缩放并居中到 40x20 function ch = norm_char(bwImg) [r, c] = find(bwImg); if isempty(r), ch = false(40, 20); return; end crop = bwImg(min(r):max(r), min(c):max(c)); crop = imresize(crop, [36 18]); ch = false(40, 20); ch(3:38, 2:19) = crop; end

居中这一步看起来多余，实际上直接决定了匹配分数可不可比。不居中的话，同一个字符在不同图里可能偏左偏右，corr2算出来的相关系数会凭空掉一截，阈值就没法统一设了。缩放比例用[36 18]而不是直接[40 20]，是为了留边，防止旋转或插值把笔画推到画布外面被截断。

4. 模板库与匹配打分：corr2、SSD 和多模板投票怎么选

4.1 模板库的字符集、样本数和切割规范

模板匹配的上限由模板库决定，这句话怎么强调都不过分。字符集先定清楚：数字 0 到 9 共 10 类，字母去掉 I 和 O（容易和 1、0 混淆）共 24 类，两者合计 34 类；省份简称汉字单独一套，31 类。如果项目只要求识别后 6 位，汉字那套可以先不做，能省掉一大半工作量，因为汉字笔画复杂，模板匹配的准确率天然比字母数字低一截。

每类准备多少张模板？我的经验是每个字符 15 到 30 张，覆盖不同光照、不同字体粗细、轻微形变和 ±3 度的残余倾斜。来源就是你自己场景里的真实车牌，切割、归一化到 40×20，人工标注文件名。不要拿电脑字体渲染出来的图当模板，渲染图和实拍图在笔画边缘的模糊程度、反光分布上差得太远，用渲染模板去匹配实拍字符，分数分布会整体偏移一大截。

模板文件命名要能直接解析出类别，比如tpl_A_003.png，加载时按类别分组存进 cell 数组：

% 按文件名前缀加载模板，分组成 cell：classes{k} 存第 k 类的所有模板 files = dir(fullfile('templates', '*.png')); labels = strings(numel(files), 1); for k = 1:numel(files) [~, name] = fileparts(files(k).name); labels(k) = extractBetween(name, "tpl_", "_"); end uniq = unique(labels); classes = cell(numel(uniq), 1); for k = 1:numel(uniq) idx = find(labels == uniq(k)); classes{k} = cellfun(@(f) imread(fullfile('templates', f)), ... {files(idx).name}, 'UniformOutput', false); end

存成 cell 的嵌套结构而不是三维数组，是因为每类模板数量不一样，三维数组得补齐，浪费内存还容易在索引时出错。加载完之后建议打印一下每类的模板数，少于 10 张的类别要补样本，否则那一类的匹配分数会明显偏低，形成系统性误判。

4.2 归一化互相关与 SSD 的取舍

单个字符和单张模板都是 40×20 的二值图，比对方式无非两类：逐像素差值的平方和（SSD），和零均值归一化相关系数（corr2）。两者的差别在于对亮度变化的敏感度。

SSD 直接算对应像素差，二值图下等价于汉明距离，对笔画粗细、边缘偏移非常敏感。字符稍微粗一点，SSD 就涨一大截，所以它适合模板和待测样本来自同一批设备、同一套预处理参数的场景。corr2先各自减去均值再算相关系数，对整体亮度偏移不敏感，笔画粗细变化的影响也被摊薄，代价是相似字符之间的区分度会下降，比如“8”和“B”的相关系数经常只差 0.02。

% 单个字符与某一类所有模板逐一比对，返回该类的最高分 function s = score_class(ch, tpls, mode) s = -inf; for k = 1:numel(tpls) t = logical(tpls{k}); if ~isequal(size(ch), size(t)) t = imresize(t, size(ch)); % 尺寸兜底，正常不该走到这 end switch mode case 'corr' v = corr2(double(ch), double(t)); case 'ssd' v = -sum((double(ch(:)) - double(t(:))).^2); % 取负，越大越好 end s = max(s, v); end end

mode参数留着切换，实际项目里我会先用corr跑一遍看混淆矩阵，如果相似字符对（8/B、0/D、5/S、2/Z）的误判占比超过两成，再切到ssd对比，选整体准确率高的那个。尺寸兜底那行是防御性代码，正常流程里所有模板和字符都归一化到 40×20，走不到；但模板库手工维护，难免混进一张尺寸不对的图，corr2遇到尺寸不一致会直接报错，加一行兜底能省掉排查时间。

4.3 多模板打分、Top-K 候选与拒识阈值

一类多模板的合并策略很简单：取最大值。同一个字符在不同光照下的样子差异很大，但只要模板库覆盖到了，总有一张能对上，取最大就是把“最像的那张”作为该类的得分。34 类各算一个最高分，排序取第一，就是识别结果。

光有结果不够，还得有置信度。我一般同时输出 Top-3 和第一、第二名的分差：

% 对所有类别打分，排序输出 Top-3 和首两名分差 scores = zeros(numel(classes), 1); for k = 1:numel(classes) scores(k) = score_class(ch, classes{k}, 'corr'); end [sorted, order] = sort(scores, 'descend'); top3 = order(1:3); margin = sorted(1) - sorted(2); % 分差，越小越可疑

margin是这套流程里最有用的一个数。第一名和第二名分差小于 0.05 时，基本可以判定为相似字符混淆，这时与其硬给一个结果，不如标记为“待复核”，交给人工或者第二级特征（笔画数、孔洞数）再判一次。拒识阈值定在多少合适？拿你的验证集跑一遍，把分差和是否正确的关系画出来，找一个既能把错误挡掉、又不会拒掉太多正确样本的点，通常落在 0.04 到 0.08 之间。

多模板带来的一个副作用是计算量。34 类、每类 20 张模板，一个字符要算 680 次corr2，7 个字符就是 4760 次，corr2内部是双层循环，MATLAB 里跑起来并不快。优化办法是把模板展平成矩阵，一次性做矩阵乘法算相关系数，能把耗时压掉一个数量级；但那是后话，先跑通再优化，别一上来就为了性能把代码写得没法调试。

5. 排查：模板匹配车牌识别最常见的五个翻车点

5.1 定位与二值化阶段的两个坑

第一个坑：夜间和逆光图整块定位丢失。现象是regionprops筛完之后boxes为空，代码在取最大值那行报索引越界。原因是 HSV 阈值里的V > 0.20和S > 0.35在过曝图里同时失效——补光灯把蓝底照得发白，S 掉到 0.1 以下，颜色通道整个空掉；边缘通道那边因为过曝，字符和底色的梯度也被压平，Sobel 响应弱到过不了阈值。解决办法不是把阈值往下调，那样误检会爆炸，而是给边缘通道单独降门槛：把edge的阈值从 0.12 降到 0.06，同时把闭运算结构元从[5 25]放大到[7 31]，靠形态学把断掉的边缘重新连起来。更稳的做法是对图像先做一次imadjust或 CLAHE 局部增强再进边缘通道，但会增加一道预处理，看你的实时性要求。

第二个坑：二值化后车牌边框残留，投影多出两个假峰。现象是分割出来的有效段有 9 到 10 个，左右两边各多一块窄条，宽度在 6 到 10 像素之间，刚好卡在宽度过滤的下限附近没被筛掉。原因是imclearborder只能清掉与图像边界相连的连通域，车牌裁剪时外扩了 6 像素，边框被包在图像内部，imclearborder管不着。解决分两步：一是在二值化之后加一次形态学开运算，结构元用strel('rectangle',[2 2])，把细边框磨掉，注意窗口不能大，大了字符笔画也断；二是在宽度过滤里把下限从 6 提到 10，边框条的宽度通常不超过 8，正常字符最窄也有 12 以上，这个区分度是够的。

提示：这两个坑的共同点是“参数在干净图上没问题，换一批图就崩”。所以调参时一定要拿至少三类图（白天、夜间、逆光）各十张一起跑，只在单类图上调到最优，上线必翻车。

5.2 分割与匹配阶段的三个坑

第三个坑：corr2报“矩阵尺寸不一致”。现象是跑批量测试时中途崩掉，报错指向corr2那一行。原因是有张模板图的尺寸不是 40×20——手工切割模板时，imresize的目标尺寸写错，或者某张图保存时被别的工具重新编码过。这类问题最烦的地方是它只在特定图片上触发，跑前几十张都正常，很容易误以为是数据问题。解决是在加载模板时加一道断言，尺寸不对直接打印文件名并跳过，而不是等到匹配阶段才崩：

% 加载时校验尺寸，不合格的模板打印文件名后剔除 for k = 1:numel(classes) ok = cellfun(@(t) isequal(size(t), [40 20]), classes{k}); if any(~ok) fprintf('尺寸异常模板：第 %d 类，共 %d 张\n', k, sum(~ok)); classes{k} = classes{k}(ok); end end

第四个坑：相似字符系统性混淆，8 认成 B、0 认成 D。现象是混淆矩阵里这两对占错误总数的六成以上，而且分差普遍很小。原因是二值化之后，字母和数字的拓扑结构高度相似，corr2又是全局相关，区分不了局部差异。解决办法有两个层次：轻量的是加结构特征做二次判决，统计字符的孔洞数（bweuler或regionprops的EulerNumber）和笔画端点，8 有两个孔洞、B 也是两个，这一招对 8/B 无效，但对 0/D 有效（0 一个孔洞、D 也是一个，还是无效）；真正有效的是扩模板库，专门针对易混字符补样本，把不同字体、不同粗细的 8 和 B 都收进去，让类内方差覆盖住类间差异，同时把拒识阈值调紧，分差小于 0.06 的直接标待复核。

第五个坑：倾斜导致字符切分整体错位一格。现象是识别结果整体右移或左移一位，比如真实是“X12345”，输出成“12345X”或者“XX1234”。原因是没做倾斜校正，或者校正角度算反了符号，投影波谷位置整体偏移，第一个字符块里混进了边框，最后一个字符被挤出有效宽度。判断方法很直接：把分割结果的可视化图打出来看，如果每个字符块里都带着邻居的半条边，就是错位。解决就是回到 3.3 的 Radon 校正，并且用一张已知倾斜 3 度的合成图验证符号方向，别靠猜。

6. 把“看着还行”变成可测量：验证集、混淆矩阵与拒识阈值

调通流程之后，最危险的状态是“随手拿几张图跑，看起来都对”。模板匹配的参数多，阈值之间互相耦合，凭肉眼判断很容易把过拟合当成调好了。我现在的习惯是先固定一个验证集再动手调参：200 到 300 张图，覆盖白天、夜间、逆光、倾斜、污损五类，每张人工标注车牌框位置和真实字符序列，存成 CSV。指标分四级统计，缺一级都会漏掉问题：

整牌准确率永远明显低于单字符准确率，这是乘法效应：7 位里每位 95%，整牌就只有 70%。所以优化的时候不要盯着单字符准确率，要看整牌，并且优先修最弱的那一环。定位命中率不到 90% 时去调匹配阈值，纯属白费力气。

混淆矩阵用confusionmat直接算，重点看两件事：对角线以外最大的那格是哪两个类在混，以及被拒识的样本里正确结果排第二的比例。前者决定要不要补模板，后者决定拒识阈值是松了还是紧了。

% 统计混淆矩阵与拒识率，gt 和 pred 都是 categorical cm = confusionmat(gt, pred); acc = sum(diag(cm)) / sum(cm(:)); % 按分差阈值扫描拒识率与错误率的关系 for t = 0.02:0.01:0.10 rejected = margin < t; errRate = sum(~rejected & ~correct) / sum(~rejected); rejRate = sum(rejected) / numel(rejected); fprintf('阈值 %.2f：拒识率 %.3f，剩余错误率 %.3f\n', t, rejRate, errRate); end

这段扫描跑完，你会看到一条典型的权衡曲线：阈值从 0.02 往上抬，拒识率线性涨，剩余错误率快速下降然后趋缓。拐点通常在 0.05 到 0.07 之间，取拐点稍右一点的位置，既能把大部分相似字符混淆挡下来，又不会拒掉太多正常样本。这个阈值跟你的模板库质量强相关，模板补得越全，可以放得越松。

最后说一个我自己交过学费的地方。早期做这套东西的时候，我把模板库和测试集从同一批图里切，准确率刷到 96%，换一批新图直接掉到 71%。后来固定了“模板图绝不进测试集”的规矩，哪怕某一类模板不够，也去补新图而不是从测试集里挪。模板匹配这套方法本身不复杂，难的是把数据边界守干净。希望帮到你。

本文还有配套的精品资源，点击获取