Matlab车牌识别课程设计：传统图像处理定位分割识别全流程解析

简介：一份基于Matlab实现的车牌识别课程设计报告，面向信息科学与工程类专业学生，可作为图像处理、模式识别课程设计或毕业设计的参考资料。报告围绕车牌定位、字符分割、字符识别三个核心环节，系统介绍了车辆检测与图像采集触发机制、牌照区域搜索与候选区分析、垂直投影分割方法，以及模板匹配和人工神经网络两类字符识别算法；同时给出完整Matlab实现代码，涵盖图像灰度化、背景差分、二值化、边缘提取、水平垂直校正等关键步骤。资源包仅含1个docx文档，约1.37MB，文档内置课程设计封面、进度安排、设计原理、详细步骤、结果展示、总结体会与参考文献，结构完整，便于对照学习。已有116人浏览学习。读者可参考其中算法流程和源代码快速搭建车牌识别原型，也能了解多牌照、假牌照、光照不均等实际工程挑战及优化思路，为交通管理、高速公路收费等应用打下基础。

1. Matlab 车牌识别课程设计：一份能跑通的定位、分割、识别全流程

车牌识别这事儿，听着像是工业停车场和高速收费口的专属系统，离课程设计很远。但真打开这份 Matlab 车牌识别课程设计报告，你会发现整个识别链路并没有那么高不可攀：它没有引入深度学习，完全靠图像处理经典套路——灰度化、边缘提取、形态学滤波、投影分析和模板匹配，就把蓝底白字车牌从一张自然背景的 3.jpg 里抠出来，切割成单个字符，再逐个比对出车牌号码。适合图像处理刚入门、需要做课设或者想补一遍传统 CV 基本功的人。报告里配了完整可运行的 Matlab 源码和详细步骤图，照着敲一遍，比看十遍教科书都管用。

2. 系统设计与模块划分：五个环节串起从原始图像到车牌号码

2.1 牌照识别系统的完整链路

整个系统遵循一个非常经典的视频触发式车牌识别流程：车辆检测部分感知到车辆到达后，触发图像采集单元抓取当前帧，牌照识别单元对该帧做处理，定位出牌照区域，再把牌照中的字符分割出来识别，最后组成牌照号码输出。落到这份报告里，车辆检测和图像采集是外部硬件的事，软件部分也就是你能拿到的代码，集中在牌照识别这一块，拆开看是五个环节：

• 图像预处理：把读入的彩色图像转灰度、做背景估计、差影增强，把车牌区域从复杂背景里凸显出来。
• 二值化与边缘提取：求最佳阈值把灰度图变成二值图，再用 Canny 算子提取边缘。
• 形态学滤波与区域筛选：通过闭运算、开运算的组合消除小噪声，再用连通域标记和长宽比先验知识定位车牌矩形。
• 倾斜校正与边框去除：对水平投影做峰谷分析，检测出上下边框位置，必要时用线性拟合计算倾斜角度并旋转图像。
• 字符分割与识别：用垂直投影找到每个字符的中心位置，切割出单个字符，统一缩放成 22 行 14 列的标准子图，再与样本库比对误差，输出车号。

2.2 目录结构与关键文件

拿到这份资源，先别急着点运行，把目录结构摸清楚。报告自带完整源码，典型组织方式如下：

plate_recognition/ ├── 车牌识别课程设计报告.docx # 完整设计文档，含步骤图和结果分析 ├── code/ │ ├── main.m # 主程序入口，按步骤调用各处理函数 │ ├── 3.jpg # 测试原图，蓝底白字车牌 │ ├── sam/ # 样本库目录，存放缩放后的字符模板 │ │ ├── image1.jpg │ │ ├── image2.jpg │ │ └── ... │ └── util/ # 可选的自定义函数目录

主程序 main.m 直白到让人舒服，一句一句从上往下执行，没有花哨的封装。这种写法不优雅，但作为课设非常合理：每一行对应报告里的一个设计步骤，老师验收时对着文档就能指出代码位置，答辩也好讲。

2.3 主流程代码骨架

clear; close all; % Step1 获取图像：读取待处理的彩色图像 Scolor = imread('3.jpg'); % imread 读取图像文件 figure, imshow(Scolor), title('原始图像'); % Step2 灰度化：彩色转灰度，降低计算量 Sgray = rgb2gray(Scolor); figure, imshow(Sgray), title('原始黑白图像'); % Step3 背景估计：用半径为13的圆形结构元素做开运算提取背景 s = strel('disk', 13); Bgray = imopen(Sgray, s); % Step4 图像增强：原图减去背景，突出前景目标 Egray = imsubtract(Sgray, Bgray); % Step5 二值化：动态阈值转二值图 fmax1 = double(max(max(Egray))); fmin1 = double(min(min(Egray))); level = (fmax1 - (fmax1 - fmin1) / 3) / 255; bw22 = im2bw(Egray, level); bw2 = double(bw22); % Step6 边缘检测：Canny 算子提取强边缘 grd = edge(bw2, 'canny');

这段代码就是后面一切操作的基石。注意 Step3 里strel('disk', 13)的 13 是结构元素半径，选大了背景被磨平，选小了背景里还残留纹理；Step5 的阈值公式是经验值，意思是取灰度范围上三分之一处作为二值化阈值，背景亮、车牌字符暗时效果很好，但光照极端时这个固定比例会失效，后面避坑章节我会细说。

2.4 边缘之后：形态学滤波与候选区域分析

边缘图直接用来定位是不可靠的，车牌周围的噪声、车灯轮廓、路面标线都会产生响应。报告的思路是用形态学开闭运算滤掉杂散边缘，再连通域分析找到候选区域。

% 先闭运算再两次开运算，分别用不同尺寸的矩形结构元素 bg1 = imclose(grd, strel('rectangle', [5, 19])); bg3 = imopen(bg1, strel('rectangle', [5, 19])); bg2 = imopen(bg3, strel('rectangle', [19, 1])); % 标记连通域并计算区域特征 [L, num] = bwlabel(bg2, 8); Feastats = regionprops(L, 'basic'); Area = [Feastats.Area]; BoundingBox = [Feastats.BoundingBox]; % 每行 [x y width height]

这里[5, 19]的矩形结构元素是照着车牌字符的宽高比例设计的——字符窄高，横向跨度大，所以闭运算能把离散的字符边缘连成一片；[19, 1]的竖向结构元素再把竖向细小噪声抹掉。选这两个参数不是拍脑袋，是观察了车牌字符尺寸和笔画宽度之后定出来的，改到别的数据集上需要重调。regionprops计算每个连通域的外接矩形和面积，后面就用宽高比去匹配真实车牌的先验。

到这里，整个软件架构就清楚了：环境依赖只有 MATLAB 和图像处理工具箱，不涉及额外 SDK；算法链路全部是经典图像处理，没有神经网络权重文件要管理；样本库就是 sam 目录下的一组 22x14 的二值字符图，靠相减求误差来识别，逻辑一眼能看懂。这种设计对学习和答辩都非常友好。

3. 核心算法拆解：灰度化、边缘检测与投影分析的关键实现

3.1 车牌定位：从二值图到候选矩形

如果说整个识别系统是一个漏斗，车牌定位就是最宽的那一层。报告采用的方法是先大范围搜索符合车牌特征的候选区域，再逐步筛选。具体到代码里，靠的是连通域的外接矩形宽高比。

真实蓝底白字车牌的宽高比大约是 3.14 比 1（不含汉字间隔等特殊差异），所以拿到每个连通域的 BoundingBox 后，计算 width/height，越接近这个比值，越可能是车牌。报告没有直接贴出筛选那几行，而是通过彩色标记图可视化展示不同区域：

RGB = label2rgb(L, 'spring', 'k', 'shuffle'); figure, imshow(RGB); title('图像彩色标记');

这一步的原理不复杂：背景被形态学滤波清理后，车牌字符的边缘会连成一个横向的长条形区域，其他噪声区域要么太大（车身），要么太小（树叶、文字），要么长宽比不对（路牌、车灯）。代码里用bwlabel给每个连通域编号，regionprops算出每个域的参数，再人工检查或加一段筛选逻辑把宽高比接近 3 的区域挑出来。实际操作里这个环节是整车牌识别准确率的分水岭，选错了区域后面全白搭。

3.2 投影分析与峰谷检测：找到字符的每一行

车牌区域提取出来后，还不能直接分割字符，因为图像里可能带着上下边框、铆钉和车牌背景的干扰。报告的处理方式是投影分析——把二值图像按行和列分别累加像素值，形成水平投影和垂直投影，再在投影曲线上找峰谷。

histcol1 = sum(sbw1); % 垂直投影：每列像素和 histrow = sum(sbw1'); % 水平投影：每行像素和 figure, subplot(2,1,1), bar(histcol1); title('垂直投影（含边框）'); subplot(2,1,2), bar(histrow); title('水平投影（含边框）');

sumbw1是车牌区域的二值子图，sum(sbw1)沿列求和得到垂直投影，sum(sbw1')沿行求和得到水平投影。车牌上边框和下边框在水平投影上表现为两个高而窄的峰，字符区域则是一个宽而平的峰。通过对投影曲线做峰谷检测，找到峰上升点和下降点，就能精确确定字符区域的行范围，把上下边框切掉。

这一步最容易翻车的点是投影曲线毛刺太多。原因往往前面就埋下了：二值化阈值偏了，或者形态学结构元素尺寸不对，导致字符边缘断裂或粘连，投影峰谷边界模糊。报告中专门保留了完整投影图，就是为了让使用者能肉眼对照检查峰谷位置的判断是否合理。

3.3 倾斜校正：线性拟合算旋转角

实际拍照时车牌很少有完全水平的，尤其从侧面拍，倾斜个三五度很常见。倾斜直接破坏字符分割的准确性，所以报告在分割前设计了校正环节。校正方法很朴素也很实用——拟合车牌边缘那条直线，算出与水平轴的夹角，然后旋转。

% 提取车牌上边缘或下边缘像素值为1的点的坐标 % xdata, ydata 为边缘点的横纵坐标集合 fresult = fit(xdata', ydata', 'poly1'); % 一阶多项式拟合，即线性拟合 p1 = fresult.p1; % 斜率 angle = atan(p1) * 180 / pi; % 斜率转角度 % 按计算出的角度旋转车牌图像 subcol = imrotate(subcol1, angle, 'bilinear', 'crop'); sbw = imrotate(sbw1, angle, 'bilinear', 'crop');

fit函数来自曲线拟合工具箱，poly1表示拟合 y = p1*x + p2 的一次多项式，p1就是斜率，atan取反正切得到弧度，再转成度。imrotate的第三个参数bilinear是双线性插值，旋转后图像更平滑；crop表示旋转后裁剪到与原图相同尺寸。旋转角度是正数就逆时针转，是负数就顺时针转，完全由拟合直线的斜率决定。

我一般会建议在这里加一个角度阈值判断：如果算出的角度绝对值小于 0.5 度，干脆跳过旋转，省一次插值带来的画质损失。报告里没有做这个判断，直接旋转了——在课设这种简单场景下问题不大，但放到真实数据集里，多余旋转会让字符边缘变糊，影响后面识别准确率。

3.4 字符分割：垂直投影找中心，缩放成统一尺寸

去完边框、校完倾斜，就进入分割环节。这里的关键是计算每个字符的上升点、下降点和中心位置，用垂直投影的谷值把字符切开。

% 计算字符中心位置 for k = 1:n1 markcol3(k) = markcol(k+1) - markcol1(k+1); % 字符下降点 markcol4(k) = markcol3(k) - markcol(k); % 字符宽度 markcol5(k) = markcol3(k) - uint16(markcol4(k)/2); % 字符中心 end % 找最大字符间距，用于排除第二、第三字符之间的分隔符干扰 markcol6 = diff(markcol5); maxs = max(markcol6); findmax = find(markcol6 == maxs); markcol6(findmax) = 0; % 按找到的字符位置逐个切割，并统一缩放到22x14 for k = findmax-1:findmax+5 cleft = markcol5(k) - maxwidth/2; cright = markcol5(k) + maxwidth/2 - 2; SegBw1 = sbw(rowtop:rowbot, cleft:cright); SegBw2 = imresize(SegBw1, [22 14]); imwrite(SegBw2, strcat('sam\image', int2str(k), '.jpg'), 'jpg'); end

注意findmax那一段逻辑：车牌字符中间通常有一个小圆点分隔符，投影上表现为一个异常宽的间距，直接用它把特征点剔除，避免把分隔符当成字符。imresize把切割出来的字符统一缩放成 22x14，这是样本库的标准尺寸，保证后面字符比对时维度一致。strcat拼出文件名，把分割好的字符图写入 sam 目录当作样本，这套代码还自带建库功能，想加新样本非常方便。

3.5 字符识别：样本库相减找最小误差

如果把前面的字符串替换成 7 个 22x14 的二值小图，识别就变成了一个最笨但最有效的办法——和样本库里每张图相减，误差最小的就是答案。

% 伪代码逻辑，报告中的识别实现 for each char_image in 分割出的字符: min_error = Inf result_char = '' for each sample in 样本库: error = sum(sum(abs(char_image - sample))); if error < min_error min_error = error result_char = sample.name end output result_char

这是基于模板匹配的思想。样本库里预先存放了汉字、字母、数字的 22x14 二值模板，识别时逐个相减，差值越小说明越相似。优点是零训练成本、代码量小、可解释性强；缺点也明显：对字体、粗细、噪声极其敏感，轻微断笔或者笔画粘连就会让误差最小的模板变成错误答案。报告后面的失败案例——G 误识别成 B、K 误识别成 A、0 误识别成 8——就是这种敏感性最直观的体现。想提升识别率，后文二次开发部分我会给出具体改造方向。

4. 常见问题避坑：从 imfeature 报错到识别翻车的排查记录

4.1 imfeature 函数报错：老版本函数已被移除

• 现象：代码运行到Feastats = imfeature(L, 'basic')时，MATLAB 直接报错“未定义函数或变量 'imfeature'”，新版 R2023b 里根本没这个函数。
• 原因：imfeature 是老版本图像处理工具箱里的区域特征计算函数，R2014b 之后被 regionprops 取代，文档里直接标注了 deprecated。
• 解决：把imfeature(L, 'basic')改成regionprops(L, 'basic')，返回的 Feastats 结构体字段名兼容，Area 和 BoundingBox 的取法不用动。改完这一行，整段连通域分析代码就能跑通。

4.2 阈值公式在强光照下失效：整张图二值化后全是黑的

• 现象：把 3.jpg 换成正午强光下拍的照片，im2bw之后的二值图像车牌区域和背景糊成一团，边缘图里车牌轮廓看不清。
• 原因：阈值(fmax1 - (fmax1 - fmin1) / 3) / 255是经验比例，假设了灰度直方图大致呈单峰分布，强光照、逆光、阴影场景下直方图形状完全变了，固定比例不再适用。
• 解决：换成 Otsu 全局阈值，一行代码level = graythresh(Egray)，让算法自动找分割阈值。如果光照不均匀更严重，就上自适应阈值adaptthresh，按局部亮度动态计算阈值。

4.3 样本库路径写死：换电脑直接找不到图片

• 现象：代码里保存样本用到strcat('F:\MATLAB\work\sam\image', int2str(k), '.jpg')，拷贝到别人电脑上运行，保存或读取样本时提示路径不存在。
• 原因：绝对路径写死了原作者机器的盘符和目录结构，换环境必然失效。
• 解决：用mfilename('fullpath')获取当前脚本所在目录，再用fullfile拼接相对路径，例如save_dir = fullfile(fileparts(mfilename('fullpath')), 'sam')。这样整个项目随便挪到哪个目录都能跑，也是所有 Matlab 小项目最值得养成的习惯。

4.4 字符识别翻车：G 识别成 B、K 识别成 A、0 识别成 8

• 现象：报告结果展示里明确记录了一次失败识别，G 误判为 B，K 误判为 A，0 误判为 8。这几种错误在模板匹配算法里非常典型。
• 原因：模板匹配相减的误差只衡量像素差异，没有考虑形状结构。G 和 B 都带竖画和半圆，像素覆盖区域高度重合；0 和 8 更是只差中间一横——二值化稍微断笔，误差最小的样本就变成另一个字符。
• 解决：把纯像素相减改成带权重的比对，例如先计算字符的宽高比、笔画密度、孔洞数作为粗筛特征，再用像素误差做精匹配。更彻底的做法是换成报告里提到的 BP 神经网络分类器，训练一个 22x14 输入、34 类输出的全连接网络，对断笔和粘连的鲁棒性会好很多。

4.5 非蓝色车牌定位失败：整个候选区域筛选逻辑崩溃

• 现象：把测试图换成黄底黑字或白底黑字的车牌，前面定位环节直接找不到候选区域，或者找到的区域根本不是车牌。
• 原因：报告从预处理到形态学滤波乃至宽高比筛选，整套参数都是针对蓝底白字车牌设计的。蓝底在灰度图上表现为中灰色，和白色字符的对比度方向与其他底色车牌不同，Canny 边缘响应和形态学连接结果都会改变。
• 解决：如果必须支持其他底色，先在彩色空间做颜色判断：统计 HSV 色相分布，蓝色、黄色、白色各走一套预处理参数。黑底白字按报告原话，整个算法原则上可以直接适用；白底黑字和黄底黑字则需要把图像反转（0 变 1、1 变 0），让字符变成亮色，后续分割算法依然有效。

5. 二次开发：把静态识别改成视频流与样本库增强

这一章我不讲概念，直接给三条可以落地的改造路径，每条都是对这个报告源码动小手术就能完成的。

第一，把单张图片识别改成视频流识别。报告代码入口是imread('3.jpg')，改成视频只需要一个循环：用VideoReader读视频文件，或webcam对象读摄像头实时画面，每帧都调用现有的imread之后的处理链路。关键是要加一个车辆检测触发逻辑——报告开头提到车辆检测部分是系统组成之一，但软件里没有实现。最简单的方案是帧差法：取连续两帧做差，如果差异像素超过阈值，就认为有车辆进入视野，才开始跑车牌识别链路。这样避免了每一帧都做全流程的算力浪费，也贴合报告里“当车辆检测部分检测到车辆到达时触发图像采集单元”的设计叙述。

第二，升级字符识别的比对策略。报告里的模板匹配是把 22x14 二值图逐像素相减，这个方法太脆。我的改造做法是先用形态学细化提取字符骨架，然后对骨架图计算 HOG 特征（方向梯度直方图），再用一个简单的多层感知器分类。不用深度学习框架，MATLAB 自带的feedforwardnet就能搭一个 128 维输入、34 输出的网络，训练样本不够就每个字符模板做轻微平移、旋转、加噪声来扩充，三倍数据量起步。训练完成后，把原来相减比对的代码块换成net(test_feature)，识别率提升是很明显的。

第三，加一个实时可视化面板。课设答辩时，评委最喜欢看你现场改参数看结果。用 MATLAB 的uifigure和UIAxes组件做一个简易界面，左边放原始图，右边分四块依次显示灰度图、边缘图、二值图和识别结果，外加一个阈值 slider 控件实时调节二值化level参数，代码不到五十行。参数调节的效果立刻反映在四块画布上，答辩效果比贴静态图强太多。

给你一个实际验证过的小技巧：改完任何一步，不要只拿 3.jpg 一张图测。收集十张不同角度、不同光照、不同距离的车牌照片（手机拍就行），统一缩放到 640x480 后跑一遍全流程，统计每张图的定位成功率和字符识别正确率。报告里识别成功和失败的两组案例已经说明了问题——一个系统在测试集上的表现永远比单张样例更值得关注。

这套代码我前后拆过一遍，最深的感触是：传统图像处理方法的定位、分割、识别链路虽然每个环节都有明显的痛点，但它每一步都是可观测、可调试、可解释的，不像神经网络那样像个黑匣子。从那以后我每次拿 Matlab 做图像处理，都会先看一眼输入图像的直方图分布和结构元素尺寸，再决定要不要沿用报告的阈值公式，而不是无脑跑完整段脚本。希望这份拆解笔记能帮你少走几个弯路。

本文还有配套的精品资源，点击获取