简介这份面向高校理工科学生的Matlab车牌识别课程设计报告围绕车辆检测、图像采集与牌照识别三大环节帮助读者完成从选题分析、方案设计到编程实现与验收答辩的完整流程。文档内含可参考的源代码与实现流程重点讲解图像灰度化、背景提取与图像增强、最佳阈值二值化、边缘提取和车牌定位并延伸到垂直投影字符分割、模板匹配及神经网络字符识别思路。整包仅含1个docx文件约1.37MB结构覆盖设计目的、设计原理、详细步骤、结果分析、总结体会与参考文献还包含进度安排和不同光照、车牌质量等测试场景的讨论便于按章节对照复现实验并整理报告。已有116人学习读者可获得较完整的课程设计框架、算法实现参考、测试与优化思路以及撰写设计报告和答辩材料的直接借鉴。1. 一张蓝底白字车牌照跑完这套脚本能吐出什么夜里十一点某同学把一张车尾照片丢进main.m回车之后命令窗口跳出一串??? Undefined function imfeature图窗里只有一片白。这套基于 Matlab 的车牌识别课程设计做的事其实很朴素读入一张车辆照片靠灰度化、背景相减、Canny 边缘和形态学开闭运算把蓝底白字的车牌框出来再用水平/垂直投影切出七个字符最后拿切出来的字符跟样本库逐像素相减误差最小的那个就是识别结果。它适合三类人课程设计要复现交作业的、想弄懂传统图像处理流水线长什么样的、以及手上有一堆车牌图想做个离线小工具的。整套东西不依赖深度学习框架一台装了 Matlab 的普通笔记本就能跑代价是它对光照、角度和样本库质量相当敏感识别率大概率的翻车点都在后半段。2. 工程骨架Matlab脚本怎么摆、按什么顺序跑才不互相打架拿到压缩包先别急着双击.m文件。课程设计的代码往往是一个大脚本从头写到尾中间变量名bg1、bg2、bg3混着用跑第二张图的时候上一张的残留变量还在工作区里结果就是第一张对、第二张错。我一般会先把工程拆成几个职责清晰的函数文件主脚本只负责串流程这样调参和排错都能定位到具体环节。2.1 版本与工具箱Image Processing Toolbox 是硬门槛这套流程里调用的函数绝大多数来自 Image Processing Toolbox函数用途缺了会怎样rgb2gray/imread读图、转灰度基础函数通常都有strel/imopen/imclose构造结构元、开闭运算形态学相关全部报错imsubtract/im2bw背景相减、二值化预处理链断掉edgeCanny 边缘检测拿不到边缘图bwlabel/regionprops连通域标记、区域特征定位环节无法筛选imrotate/imresize倾斜校正、字符归一化分割和识别都做不了真正容易漏的是 Curve Fitting Toolbox。原报告里用fit(xdata, ydata, poly1)做直线拟合求车牌倾角这个fit属于曲线拟合工具箱很多人装 Matlab 时只勾了主程序和图像工具箱跑到第 10 步直接报Undefined function fit。稳妥的写法是换成基础函数polyfit一行搞定还不挑安装选项% 用一阶多项式拟合车牌上边缘点返回斜率 p(1) 和截距 p(2) % xdata/ydata 是边缘点的列坐标与行坐标行坐标向下为正 p polyfit(xdata, ydata, 1); angle atan(p(1)) * 180 / pi; % 斜率转角度单位度polyfit的第三个参数1表示一次多项式也就是直线p(1)是斜率p(2)是截距。atan出来的是弧度乘180/pi转成度。这里有个坐标系陷阱图像的行坐标是向下增长的所以拟合出来的角度符号跟直觉相反后面imrotate的时候要不要取负得拿一张已知倾斜方向的图试一次才能定别凭感觉写。2.2 目录结构与文件分工一份能二次开发的工程目录至少应该长这样plateRec/ ├── main.m % 主流程只做调用和显示 ├── preprocess.m % 灰度化、背景估计、增强、二值化、边缘 ├── locatePlate.m % 连通域标记 长宽比筛选返回车牌框 ├── segmentChars.m % 投影分析、倾斜校正、切字符 ├── recognize.m % 模板比对返回字符串 ├── samples/ % 样本库0-9、A-Z、省份汉字统一 22x14 ├── testimg/ % 待测图片如 3.jpg └── output/ % 中间结果图方便对照排查samples目录是整个项目的地基。原报告里把切出来的字符直接imwrite到F:\MATLAB\work\sam\imageK.jpg这个绝对路径换台机器就崩而且样本文件名是image1、image2这种序号根本看不出对应哪个字符。我一般改成A_01.jpg、B_03.jpg这种字符_序号的命名识别时用文件名前缀反查字符样本增删都不用改代码。2.3 主流程脚本的执行顺序与中间变量命名主脚本保持线性每一步的输出变量名带上步骤语义别用a、b、tmpfunction plateStr main(imgPath) % 车牌识别主流程输入图片路径输出识别到的车牌字符串 close all; clc; raw imread(imgPath); % 原始彩色图 gray rgb2gray(raw); % 灰度图 enhanced preprocess(gray); % 背景相减增强后的灰度图 bwEdge edge(im2bw(enhanced, 0.5), canny); % 边缘图 plateBox locatePlate(bwEdge); % [x y w h] 车牌框 if isempty(plateBox) plateStr ; warning(未定位到车牌区域检查阈值或原图质量); return; end [charImgs, charBw] segmentChars(gray, plateBox); % 7 个 22x14 字符 plateStr recognize(charImgs, charBw, samples); % 模板比对 fprintf(识别结果%s\n, plateStr); end这段骨架的关键在于早失败早返回。定位失败时直接return并给 warning比让空矩阵一路传到imresize再报一个莫名其妙的尺寸错误要好排查得多。segmentChars同时返回灰度字符和二值字符两份是因为识别阶段用二值图算误差更稳但调试时看灰度图更容易判断是不是切歪了。recognize的第三个参数把样本目录显式传进去不写死在函数内部将来换样本库不用改代码。3. 预处理与定位一张彩色照片到候选车牌框的七个步骤从彩色图到这块矩形可能是车牌中间要过七道工序。每一步都在解决上一步留下的问题少一步后面就会连锁崩。这一章按执行顺序把每步的代码和参数讲透参数值都是原报告里验证过的但我也会说明它们在什么情况下需要动。3.1 灰度化与背景估计为什么不能直接二值化彩色图转灰度是rgb2gray一行的事。真正的问题在于自然环境拍的车牌照片光照极不均匀左边亮右边暗直接全局二值化会把暗部的车牌和背景一起压成黑色。原报告的做法是先估计一张背景光照图再拿原图去减它。Scolor imread(3.jpg); % 读入彩色图 Sgray rgb2gray(Scolor); % 转灰度像素范围 0-255类型 uint8 s strel(disk, 13); % 半径 13 的圆盘结构元 Bgray imopen(Sgray, s); % 开运算抹掉比结构元细的亮细节只留背景 Egray imsubtract(Sgray, Bgray); % 原图减背景抵消不均匀光照strel(disk, 13)里的 13 是半径单位像素。这个值的选取逻辑是要大于车牌字符的笔画宽度小于整块车牌的高度。半径太小开运算抹不掉字符背景图里还留着字半径太大背景图会把整块车牌都当成细节抹平相减之后车牌区域反而变黑。原图分辨率在 640×480 左右时13 是个能用的经验值如果换成手机拍的高清图得按比例放大到 25 甚至 40。imsubtract和普通的-区别在于它会做饱和截断负值直接置 0不会出现 uint8 下溢变成 255 的鬼影。这一步做完Egray里车牌字符应该明显比背景亮。3.2 阈值二值化用最大最小值算一个经验阈值二值化最省事的写法是im2bw(Egray, 0.5)但 0.5 这个数对车牌图基本不适用。原报告用了一个基于极值的经验公式fmax1 double(max(max(Egray))); % 增强图的最大灰度 fmin1 double(min(min(Egray))); % 增强图的最小灰度 level (fmax1 - (fmax1 - fmin1) / 3) / 255; % 取靠近亮端的 1/3 处作为阈值 bw22 im2bw(Egray, level); % 二值化结果为 logical bw2 double(bw22); % 转 double 便于后续运算公式拆开看(fmax1 - fmin1)是灰度动态范围除以 3 得到跨度的三分之一再从最大值往下减等于把阈值定在动态范围从亮端往下 1/3 的位置。这个位置的假设是车牌字符是最亮的一批像素背景偏暗取靠近亮端的阈值能把字符留下、背景切掉。im2bw的第二个参数必须是 0 到 1 之间的归一化值所以最后除以 255。提示如果原图整体偏暗fmax1本身就不高算出来的level会非常小甚至接近 0二值图几乎全白。加一句level min(max(level, 0.1), 0.9)兜底能挡掉大部分废图。3.3 Canny边缘与三次形态学运算把字符连成车牌框二值图里字符是一堆散的白色小块直接做连通域标记会得到几十个独立区域没法判断哪个是车牌。原报告先用 Canny 取边缘再用三次不同方向的形态学运算把字符焊成一整块grd edge(bw2, canny); % Canny 边缘检测 % 第一次闭运算横向矩形 [5,19]把水平相邻的字符断点连起来 bg1 imclose(grd, strel(rectangle, [5, 19])); % 第一次开运算同一尺寸去掉闭运算带进来的细小噪点 bg3 imopen(bg1, strel(rectangle, [5, 19])); % 第二次开运算竖向矩形 [19,1]切掉上下方向的细长干扰如保险杠线条 bg2 imopen(bg3, strel(rectangle, [19, 1]));strel(rectangle, [5, 19])的参数顺序是[行数 列数]也就是 5 像素高、19 像素宽。19 这个宽度的意义是略大于一个字符的宽度能在横向上把相邻字符的间隙填上又不至于把车牌和旁边的车灯连成一片。第二次用[19, 1]的竖条做开运算是为了腐蚀掉竖直方向细长的东西——闭运算之后车牌上下边框往往被拉长成一条细线竖条开运算正好能把它削掉。三步的顺序不能反。先闭后开是标准流程如果先开运算字符之间本来就连不上开运算一腐蚀直接碎得更彻底找车位都找不回来。3.4 连通域标记与长宽比筛选谁才是车牌bg2里通常还剩三到五个白色连通块用bwlabel标记之后逐个算特征[L, num] bwlabel(bg2, 8); % 8 邻域连通标记num 是区域个数 stats regionprops(L, BoundingBox, Area); % 新版本用 regionprops % 老教程里写的是 imfeature(L, basic)在 R2013a 之后已移除 bestBox []; bestScore inf; for k 1:num box stats(k).BoundingBox; % [x y width height] w box(3); h box(4); if h 10 || w 40, continue; end % 太小的直接跳过 ratio w / h; % 车牌宽高比国内蓝牌约 3.1~3.2 if ratio 2.2 ratio 4.0 score abs(ratio - 3.14); % 越接近 3.14 越像车牌 if score bestScore bestScore score; bestBox box; end end endbwlabel的第二个参数8表示八邻域斜对角也算连通比四邻域更容易把倾斜的字符连起来。BoundingBox返回的[x y width height]里x、y是左上角坐标且从 1 开始计不是 0。宽高比的范围2.2 ~ 4.0留了余量因为车牌被拍成透视变形之后比例会变如果原图里车牌是倾斜拍摄的上限可以放到 4.5。这套筛选逻辑只认最像车牌的那一个画面里有多辆车时会漏掉其余车牌。要支持多车牌把bestBox改成元胞数组把所有满足比例的区域都收进去后面逐个分割识别。4. 字符分割水平投影定上下、poly1回正、垂直投影切七刀定位拿到的是一个矩形框框里除了七个字符还有上下边框、铆钉、可能还有一点点相邻车身。分割这一步干三件事把车牌从灰度图里裁出来、把倾斜摆正、按投影把七个字符逐个切出来并归一化到统一尺寸。4.1 裁子图与水平投影先找到字符的上下边界% bestBox [x y w h]注意坐标取整并防止越界 x1 max(1, round(bestBox(1))); y1 max(1, round(bestBox(2))); x2 min(size(Sgray,2), round(bestBox(1) bestBox(3))); y2 min(size(Sgray,1), round(bestBox(2) bestBox(4))); subcol1 Sgray(y1:y2, x1:x2); % 车牌灰度子图 sbw1 bw2(y1:y2, x1:x2); % 对应的二值子图 histrow sum(sbw1); % 按行求和 水平投影 histcol1 sum(sbw1); % 按列求和 垂直投影sum(sbw1)这里对转置后的矩阵按列求和等价于对原矩阵按行求和得到的是每一行白色像素的个数。sbw1是 double 类型前面bw2 double(bw22)转过了所以求和结果是数值而不是逻辑值这一点很关键——logical 类型求和也能出数但后续做峰谷判断时容易踩类型转换的坑。水平投影曲线上车牌上边框和下边框会形成两个明显的峰字符区域在中间。原报告的峰谷分析就是在这条曲线上找峰上升点、峰下降点、谷宽从而确定rowtop字符顶行和rowbot字符底行。这一段的完整实现依赖一个自定义的峰谷检测函数报告里只给了调用没给函数体复现时需要自己补function [peaks, valleys] findPeaksValleys(hist, thresh) % 简易峰谷检测连续高于阈值的区间算一个峰 above hist thresh; d diff([0 above 0]); peaks.start find(d 1); % 峰起点 peaks.end find(d -1) - 1; % 峰终点 valleys find(above 0); % 谷位置简化处理 end阈值thresh一般取mean(hist) * 0.3到0.5之间。取太高字符笔画细的地方会被判成谷一个字符被拆成好几段取太低上下边框和字符连成一个峰rowtop、rowbot直接框到边框上切出来的字符上下各带一条白边。4.2 倾斜校正拟合上边缘直线求角度再旋转车牌没摆正的时候水平投影的峰是糊的峰谷分不清分割必错。原报告的做法是扫描车牌上边缘的一批点做一次直线拟合求倾角% 从顶边往下逐列扫描记录第一个白点的行号作为上边缘采样点 xdata []; ydata []; for col 1:size(sbw1, 2) rows find(sbw1(:, col) 1, 1, first); if ~isempty(rows) xdata(end1) col; ydata(end1) rows; end end p polyfit(xdata, ydata, 1); % 一次拟合p(1) 为斜率 angle atan(p(1)) * 180 / pi; % 斜率转角度度 subcol imrotate(subcol1, -angle, bilinear, crop); % 灰度子图回正 sbw imrotate(sbw1, -angle, bilinear, crop); % 二值子图同步回正imrotate的三个参数旋转角度、插值方法、crop表示输出图与输入图同尺寸并裁掉旋转后多出来的黑边。bilinear双线性插值比默认的最近邻平滑能让倾斜的笔画过渡自然一些代价是会引入灰度值所以旋转完最好再二值化一次。角度符号是这个环节最容易翻车的地方。图像坐标系 y 轴向下polyfit拟合出来的斜率正负跟人眼看到的左高右低是反的imrotate的正方向又是逆时针三个方向叠在一起第一次写基本都要试两遍。判断标准很简单旋转后水平投影的峰应该比旋转前更尖锐如果更糊了说明符号写反了。4.3 垂直投影切字符找中心、定宽度、切七刀回正之后重新做垂直投影字符之间的间隙会形成明显的谷histcol sum(sbw2); % 去上下边框后的垂直投影 threshC mean(histcol) * 0.4; % 谷判定阈值 % markcol 为每个字符的上升点起始列markcol1 为下降点结束列 % 字符宽度 下降点 - 上升点字符中心 下降点 - 宽度/2 markcol5 zeros(1, n1); for k 1:n1 markcol5(k) markcol1(k1) - (markcol1(k1) - markcol(k)) / 2; end markcol6 diff(markcol5); % 相邻字符中心的间距 maxs max(markcol6); % 最大间距出现在第 2、3 字符之间汉字后 findmax find(markcol6 maxs, 1); markcol6(findmax) 0; maxwidth max(markcol6); % 其余间距中的最大值 ≈ 字符宽度这段逻辑的依据是国内蓝牌汉字 字母 五位字母数字的排布汉字与后面第一个字母之间的间距最大找到这个最大间距的位置findmax就相当于找到了字符序列的锚点。然后以锚点为中心按maxwidth的宽度往两边切七刀。l 1; for k findmax-1 : findmax5 % 从锚点左边一个切到右边五个共 7 个 cleft round(markcol5(k) - maxwidth/2); cright round(markcol5(k) maxwidth/2 - 2); if cleft 1, cleft 1; cright maxwidth; end if cright size(sbw,2), cright size(sbw,2); cleft cright - maxwidth; end SegBw1 sbw(rowtop:rowbot, cleft:cright); SegBw2 imresize(SegBw1, [22 14]); % 统一到 22 行 14 列 fname fullfile(samples, sprintf(char_%02d.jpg, k)); imwrite(SegBw2, fname, jpg); % 落盘供样本库或调试查看 l l 1; end[22 14]这个尺寸是字符识别的标准输入样本库里所有模板必须都是这个尺寸否则相减时矩阵维度不匹配直接报错。cright那一行减 2 是个微调原报告没解释实测是因为切割窗口右边界容易多带一列边框像素减掉之后字符更居中。注意findmax-1 : findmax5硬编码了七个字符换成新能源绿牌八位或者黄牌大车位数不同就会切错位。真要泛化得先按投影数出实际的字符段数再决定循环范围。5. 识别与排查模板比对认错字问题多半埋在这五个地方切出七个 22×14 的小图之后识别环节反而最简单跟样本库里的模板逐个相减误差最小的那个就是答案。难的是为什么结果总在B/G、0/8、K/A这几组上翻车。这一章先给识别实现再把踩过的坑按现象—原因—解决列清楚。5.1 模板匹配识别的实现逐像素相减取最小误差function plateStr recognize(charBwList, sampleDir) % charBwList: 1x7 元胞每个元素是 22x14 的二值字符 % 返回值拼成字符串长度与字符个数一致 files dir(fullfile(sampleDir, *.jpg)); tpls cell(1, numel(files)); labels cell(1, numel(files)); for i 1:numel(files) img imread(fullfile(sampleDir, files(i).name)); if size(img,3) 3, img rgb2gray(img); end tpls{i} imresize(im2bw(img), [22 14]); % 强制统一尺寸与二值 [~, name] fileparts(files(i).name); labels{i} name(1); % 文件名首字符即标签 end plateStr ; for k 1:numel(charBwList) q double(charBwList{k}); bestErr inf; bestChar ?; for i 1:numel(tpls) t double(tpls{i}); err sum(abs(q(:) - t(:))); % 绝对差之和 if err bestErr bestErr err; bestChar labels{i}; end end plateStr [plateStr, bestChar]; end endsum(abs(q(:) - t(:)))是曼哈顿距离比欧氏距离对二值图更友好因为二值图里误差只可能是 0 或 1平方之后放大效果反而不明显。把所有像素拉成一维再算是因为q - t需要同尺寸矩阵(:)展开后不怕维度对不齐。这套方法的天花板很明显它本质上是在做像素级的形状比对笔画粗细差一个像素、整体平移一个像素误差就会跳一个量级。样本库里如果只有一两个字体、一种粗细的模板识别率很难超过 80%。5.2 样本库怎么建才不拖后腿样本库的质量直接决定上限。我一般按这三条来每类至少五张覆盖不同笔画粗细、轻微倾斜、亮度差异文件名用A_01.jpg这种格式标签取首字符跟recognize里的解析逻辑对上。全部走同一套归一化流程先im2bw再imresize到[22 14]落盘成 jpg。千万别一张是 RGB、一张是灰度、一张是 30×20混着存进来后面全是维度错误。字符串类单独建子目录。汉字模板数量多、区分度低和数字字母混在一个目录里会拉低整体命中率分成samples/digit、samples/alpha、samples/hanzi三个目录按位置决定去哪个库匹配。5.3 五条踩坑记录坑一Undefined function imfeature现象跑到区域特征那一步直接报错后面的图一张都出不来。 原因imfeature在 R2013a 就被移除了网上很多老教程还在用。 解决全部换成regionprops字段名基本一致basic这个参数去掉改成显式列出要的字段regionprops(L,BoundingBox,Area)。注意regionprops返回的是结构体数组取值要写stats(k).Area不是Area(k)。坑二Undefined function fit现象倾斜校正那一步报错前面的定位明明都正常。 原因fit属于 Curve Fitting Toolbox安装时没勾选就没有。 解决换成polyfit(xdata, ydata, 1)返回值是系数向量p(1)是斜率逻辑完全等价还少一个工具箱依赖。坑三切出来的字符整体左移或右移一位现象识别结果看着像但每个字符都错位了车牌苏A12345出来是A123456。 原因算法假设最大字符间距出现在汉字和第二字符之间如果车牌左侧有铆钉或者边框残留投影上会多出一个假字符中心findmax定位偏了。 解决在垂直投影之前先按左右边框把车牌裁掉几个像素把投影两端的孤立峰滤掉或者放弃按最大间距定锚点的思路改成先数出投影上满足宽度阈值的字符段数再按段数从左往右切。坑四旋转之后车牌歪得更厉害现象本来是轻微左倾imrotate之后变成明显右倾。 原因图像坐标系 y 轴向下polyfit的斜率符号与人眼观察的方向相反imrotate的正方向又是逆时针符号叠加出错。 解决写完先拿一张正的车牌跑正常结果应该是angle接近 0、旋转前后几乎不变再用一张明显倾斜的图跑看旋转后水平投影的峰是不是更尖。两步验证完再定符号别硬背。坑五换个目录就报文件不存在现象在自己电脑上跑得好好的拷给别人就崩在imwrite。 原因原代码把样本输出路径硬编码成了F:\MATLAB\work\sam\imageK.jpg。 解决一律用fullfile(pwd,samples,sprintf(char_%02d.jpg,k))这种相对路径拼法或者把样本目录作为函数参数传进来。6. 二次开发把课设脚本改成能批量评测的识别函数课程设计的代码通常是跑一张图、看一张图验证全靠肉眼看图窗。想真正用起来第一步是把主流程封装成只返回字符串的函数第二步是做一个批量评测脚本用一批图统计识别率——没有识别率数字任何优化都是玄学。改造时最值得动的几个位置模块现状改造方向阈值计算固定按 1/3 动态范围取换graythreshOtsu或按图自适应倾斜校正只拟合上边缘上下边缘都拟合取平均抗噪更好字符切割硬编码 7 个字符按投影段数动态决定支持新能源牌识别全局逐像素相减分字符类型的多模板库 加权距离输出打印到命令行返回 struct带每个字符的置信度批量评测脚本大概长这样function acc batchTest(imgDir, labelFile) % imgDir: 测试图目录labelFile: 每行 文件名,真实车牌号 的文本 fid fopen(labelFile, r); lines textscan(fid, %s %s, Delimiter, ,); fclose(fid); names lines{1}; labels lines{2}; correct 0; for i 1:numel(names) pred main(fullfile(imgDir, names{i})); if strcmp(pred, labels{i}) correct correct 1; else fprintf(错分%s 预测%s 真实%s\n, names{i}, pred, labels{i}); end end acc correct / numel(names); fprintf(整体识别率%.2f%%\n, acc * 100); end这个脚本的价值在于把感觉还行变成字符级准确率 76%、整牌准确率 41%这样的数字。改完一个参数跑一遍数字涨了才叫优化跌了就该回滚。整牌准确率要求七个字符全对通常远低于字符级准确率这两个指标要分开看——如果字符级 90% 而整牌只有 45%说明错误分散在各个位置属于样本覆盖不够如果整牌 0% 而字符级 85%那多半是某一位固定错比如汉字位针对性补样本就能解决。还有一个小技巧在recognize里把每个字符的bestErr和次优误差一起返回当两者的比值接近 1 时标记为低置信度。这样批量跑的时候能自动把可疑样本挑出来优先补进样本库比人工一张张看快得多。我当初就是靠这个办法发现样本库里8只有一种字体导致所有0/8混淆的图都错在同一个模板上。从那以后我每次改这类传统图像处理流程都强制先建一个带真实标签的小测试集跑完出数字再动代码——没有基准的调参改到最后自己都不知道哪一版更好。希望帮到你。本文还有配套的精品资源点击获取
