简介面向计算机视觉与图像处理入门学习者及课程项目开发者这份MATLAB车牌识别示例围绕模板匹配完成车牌定位与字符识别可服务于智能停车、交通管理等基础实践场景。zip压缩包约156KB文件总数与类型明细暂无统计数据从资源构成看主要涉及MATLAB脚本、图像处理函数及GUI界面配置等内容便于按处理流程阅读与运行。已有2047人学习说明其在模板匹配类入门项目中具有一定参考价值。内容覆盖图像预处理、车牌分割、字符切割、模板比对和识别结果展示等环节并配有交互界面读者可借此理解模板匹配的实现思路、模块协作方式与常见调试要点适合作为课程设计、毕业项目雏形或算法对照实验的起步材料。1. 从一张车库抓拍图说起MATLAB模板匹配车牌识别到底卡在哪车牌识别在 MATLAB 模板匹配这条技术路线上最容易被低估的不是匹配函数而是定位和分割。拿一张地下车库抓拍图车牌只占整图很小一块直接拿字符模板去全图滑窗结果基本是噪声先把车牌框准、再把字符切开模板匹配才有意义。这套资源把流程拆成定位、分割、识别三段配了示例图和字符模板库适合做课程设计复现、算法基线验证也适合想弄明白模板匹配边界的人。它能帮你快速跑通一条可解释的车牌识别链路但不要指望直接上复杂路口光照、倾斜、污损和汉字位都会让准确率掉下来。先把它当成可逐段替换的基线比一上来追高指标更实在。2. 车牌定位先行颜色空间、边缘密度与形态学闭运算怎么组合定位这一步决定了后面所有环节的上限。模板匹配识别字符的前提是字符被完整、干净地切出来而字符分割又依赖车牌区域被裁得足够准。很多刚接触车牌识别的人会把顺序反过来先写匹配函数再拿整张图去试结果匹配分数忽高忽低最后只能靠调阈值硬凑。更稳的做法是把定位当成一个独立的候选区域筛选问题先让车牌区域在掩膜里连成一块再用几何约束把车标、格栅、广告牌这些干扰项排掉。2.1 为什么模板匹配之前必须先把车牌框出来模板匹配本质上是拿一张小模板在目标区域里做相似度比较。如果目标区域是整张抓拍图搜索空间会急剧变大计算量上升只是表面问题更麻烦的是误匹配车灯边缘、散热格栅、地面标线在二值化后都可能和某个字符模板长得像。模板匹配没有语义理解能力它只认像素分布所以必须先用定位把候选范围压缩到车牌尺度。定位准了字符分割的投影曲线才会干净定位偏了后面调二值化阈值、调投影阈值都像在补漏。从选型上看MATLAB 里做车牌定位常见有三条路颜色空间阈值、边缘密度加形态学、以及两者做通道融合。纯颜色阈值对蓝底白字、黄底黑字这类颜色特征明显的车牌很直接但遇到褪色、反光、夜间偏色就容易漏纯边缘密度能抓住字符密集的纹理但车身线条、保险杠也会贡献边缘。把颜色掩膜和边缘图做逻辑或再走闭运算连接是我更愿意拿来当基线的方式颜色负责给高置信候选边缘负责补颜色不稳时的缺口。代价是参数变多所以需要把中间掩膜输出出来看不能只看最终裁剪图。这套资源里的定位脚本不是万能检测器它更像一个可解释的候选框生成器。你拿它跑示例图能清楚看到蓝色掩膜、边缘图、闭运算后的连通域分别长什么样换一张光照更差的图也能顺着中间结果判断是颜色阈值偏了还是闭运算核把车标连进来了。对课程设计来说这种可解释性比直接调一个黑盒检测器更有价值。对实际项目来说它可以作为传统方法的对照基线后面再换检测模型也知道差距在哪。2.2 颜色与边缘双通道定位的可复现步骤下面这段函数把读取、缩放、颜色掩膜、边缘图、闭运算、候选筛选和裁剪串在一起。它不追求一张图通吃而是把每个中间变量留下来方便你逐段替换。示例路径用虚构的data/plate_demo.jpg实际复现时换成资源里的示例图即可。function [plateImg, bbox, debug] locatePlate(imgPath) I imread(imgPath); scale 480 / size(I, 1); % 统一高度控制后续形态学核的尺度 I imresize(I, scale); hsv rgb2hsv(I); % 蓝底白字车牌的蓝色掩膜黄底车牌把 H 范围改到 0.08~0.18 blueMask hsv(:,:,1) 0.52 hsv(:,:,1) 0.70 ... hsv(:,:,2) 0.35 hsv(:,:,3) 0.20; gray rgb2gray(I); edgeMap edge(gray, sobel, 0.12); % 0.12 是边缘阈值起点 edgeMap bwareaopen(edgeMap, 30); % 去掉过小的边缘噪点 mask blueMask | edgeMap; % 颜色与边缘做通道融合 se strel(rectangle, [5 17]); % 横向闭运算连接字符笔画 mask imclose(mask, se); mask imfill(mask, holes); stats regionprops(mask, BoundingBox, Area, Extent); candidates []; for k 1:numel(stats) bb stats(k).BoundingBox; ar bb(3) / bb(4); % 候选框长宽比 areaRatio stats(k).Area / (size(I,1) * size(I,2)); if ar 2.2 ar 6.0 areaRatio 0.005 ... areaRatio 0.18 stats(k).Extent 0.35 candidates(end1,:) [bb, stats(k).Area, stats(k).Extent]; end end if isempty(candidates) error(未找到候选车牌区域检查HSV阈值或闭运算核); end score candidates(:,5) .* candidates(:,6); % 面积与矩形度联合评分 [~, idx] max(score); bbox candidates(idx, 1:4); pad round(0.06 * bbox(4)); % 外扩一点避免裁掉字符边缘 x1 max(1, round(bbox(1)) - pad); y1 max(1, round(bbox(2)) - pad); x2 min(size(I,2), round(bbox(1) bbox(3)) pad); y2 min(size(I,1), round(bbox(2) bbox(4)) pad); plateImg I(y1:y2, x1:x2, :); debug struct(mask, mask, edgeMap, edgeMap, blueMask, blueMask); end代码里的第一处关键是统一高度到 480 像素。后面的闭运算核[5 17]是按像素写的如果不先统一尺度同一套参数在低分辨率图上连不上字符在高分辨率图上又会把车标和车牌粘成一块。第二处关键是颜色掩膜和边缘图做逻辑或而不是二值化后直接找连通域颜色掩膜给的是高置信区域边缘图补的是颜色不稳定时的字符纹理。第三处关键是候选筛选长宽比 2.2 到 6.0 是常见车牌的横向范围面积占比限制在 0.5% 到 18% 之间矩形度用Extent排除过于松散的连通域。最后的评分用面积乘矩形度避免只选最大连通域时把广告牌选进来。参数上Sobel阈值 0.12 只是起点光照强的图可以往上调到 0.15 左右夜间图可以降到 0.08 左右看边缘是否接上。bwareaopen的 30 像素用于去掉零星边缘点如果车牌字符本身很小这个值要跟着图像缩放比例改。闭运算核[5 17]的高度控制纵向连接宽度控制横向连接高度太大容易把上下边框和车身线条连进来宽度太大容易把相邻字符粘成一条。候选筛选里的areaRatio下限太低会放进小噪点太高会漏掉远距离小车牌上限太低会排掉近距离大车牌。矩形度0.35对倾斜车牌已经比较宽松再往上调会明显漏检。提示先把debug里的blueMask、mask、裁剪结果三张图并排看一遍再决定调哪个阈值。只看最终识别结果很容易把定位问题误判成模板问题。2.3 候选框筛选参数面积、长宽比、矩形度与闭运算核定位脚本跑通之后不要急着接字符分割先把候选筛选参数固化成一张表。下面这些值适合作为示例图的起点不是通用标准换场景时按中间掩膜的表现逐项改不要一次改三个以上参数否则出了问题很难判断是谁引起的。参数常用起点作用调大后的风险统一高度480控制形态学核的物理尺度小车牌被放大后噪声更明显蓝色 H 范围0.52–0.70蓝底车牌掩膜范围太窄会漏掉褪色车牌S 下限0.35去掉低饱和区域太高会漏掉浅蓝、灰蓝车牌Sobel 阈值0.12控制边缘密度太高会导致字符边缘断裂闭运算核[5 17]横向连接字符笔画太大把车标、格栅连进来面积占比0.005–0.18排除过小和过大候选下限太高漏远距离车牌长宽比2.2–6.0约束车牌横向形状上限太低排掉倾斜车牌矩形度0.35排除松散连通域太高漏掉倾斜、遮挡车牌黄底黑字车牌不要把蓝色掩膜硬套直接把 H 范围改到 0.08 到 0.18S 下限可以降到 0.30V 下限抬高到 0.50 左右避免暗部被误判。改完颜色掩膜后边缘图仍然保留闭运算核可以适当减小到[5 13]因为黄底车牌字符与背景的对比度通常更高不需要太强的横向连接。裁剪时外扩比例0.06是按车牌高度算的倾斜明显时可以加到0.10但不要加太多否则会把车身线条带进字符分割。定位这一步的验收标准不是“框看起来差不多”而是裁出来的车牌图里上下边框尽量少、左右字符完整、没有大块车身背景。你可以先把裁剪结果保存下来人工翻十几张看看失败样本是框偏左、框偏右还是框太矮。框偏左右通常是长宽比或面积评分的问题框太矮通常是闭运算核高度不够或边缘图阈值太高。把这些现象和掩膜图对上比盲目调参快得多。3. 字符分割的硬骨头二值化、垂直投影与粘连补救定位裁出来的车牌图通常还带着边框、铆钉、少量车身背景直接送进模板匹配会把边框当成字符。字符分割要做的是把车牌图变成干净的二值图再用垂直投影找到每个字符的左右边界。这一步在示例图上很容易显得“切得很齐”换一张倾斜或污损图就会暴露问题投影谷值不够深、字符粘连、边框被当成一个宽字符。血泪经验是分割阈值不要只按一张图调至少拿五六张不同光照的图一起看否则很容易过拟合。3.1 从车牌图到二值图灰度增强与Otsu车牌图先转灰度再做对比度增强是为了让字符和背景的灰度分布拉开。adapthisteq做局部直方图均衡对光照不均的车牌比全局均衡更稳但它也会放大噪声所以后面要配合小连通域清除。二值化用graythresh找 Otsu 阈值适合双峰明显的车牌图如果车牌图本身对比度很低Otsu 会偏向背景字符断成碎片。遇到这种情况不要急着换更复杂的二值化先看灰度图是不是整体偏暗偏暗就先做伽马校正或限制对比度的增强。二值化之后要判断前景和背景是否反了。蓝底白字车牌在灰度图里通常是浅色字符、深色背景二值化后字符为白但有些预处理或反色操作会让前景变成黑色垂直投影的白点统计就会全部反过来。一个简单判据是看白色像素占比如果白色占比超过一半大概率是背景被当成了前景直接取反。取反之后再用bwareaopen去掉小噪点面积阈值不要太大否则会把字符内部的断裂笔画也去掉。上下边框是另一个常见干扰。车牌上下边框在二值图里通常表现为贯穿整行的长横线行白点数会明显高于字符行。可以用行投影找这种长横线但不要用固定行号硬裁因为不同车牌边框位置不一样。更稳的做法是看行白点数是否超过最大行白点数的一定比例超过就认为是边框行只在车牌上下边缘附近清掉。清边框时宁可少清一点也不要把字符顶部或底部削掉模板匹配对字符完整性很敏感削掉一笔可能就从E变成F。3.2 垂直投影切分的阈值与字符宽度约束垂直投影是把二值图按列求和字符所在列的白色像素多字符之间的间隙列白色像素少。理想情况下投影曲线会呈现明显的峰谷按谷值切分就能得到字符段。实际车牌图里字符之间的间隙可能只有两三个像素投影谷值不够深字符内部如果有断裂投影又会多出小峰。直接对原始投影找零点很容易切碎所以一般先做平滑再用相对阈值判断哪些列属于字符。阈值不要用固定值按投影最大值乘以一个比例更稳。比例太低会把噪声列也算进去比例太高会把细笔画字符切掉。字符宽度约束也要加太窄的段大概率是噪点或笔画断裂太宽的段可能是两个字符粘连。常见 7 字符车牌可以先按宽度上限约束8 字符车牌要单独放宽上限否则最后一个字符会被当成两个段或者直接被上限排掉。分割出来的字符段数量不是越多越好数量明显多于预期时优先检查是不是边框没清干净或投影阈值太低。字符归一化放在分割之后做。切出来的字符高度不一致有的带上下留白有的贴边直接匹配会让相似度分数偏低。通常把字符缩放到固定高度和宽度比如 32×16再二值化一次。宽高比不要硬压得太狠数字1和字母I本身很窄强行拉到同样宽度会变形可以在归一化前按字符实际宽高比做一次填充把窄字符放到固定画布中间再缩放。这样模板匹配对宽度变化更稳。3.3 粘连、断裂和边框干扰的补救粘连是字符分割里最麻烦的情况。两个字符粘在一起投影上表现为一个宽峰按宽度上限筛选时要么被排掉要么被当成一个超宽字符送进匹配结果两个字符都识别错。补救思路不是硬切而是先判断宽段内部有没有局部谷值如果有就在谷值处切一刀如果没有再看宽段宽度是否接近两个字符的平均宽度接近就按中点切。中点切分对M、W这类宽字符有风险所以切完要保留原始宽段和切分结果人工抽检几张。断裂和粘连相反一个字符内部出现竖直缝隙投影会把它切成两段。补救时不要急着合并所有窄段先看两段之间的间隙宽度和两段总宽度是否接近单个字符宽度。间隙很小、总宽度合理的合并间隙很大、总宽度超过单个字符上限的不合并。边框干扰则表现为车牌左右边缘出现一条窄竖条这种窄条通常贴边、高度接近整张车牌图和字符的居中分布不一样可以用贴边距离和高度占比排掉。这套资源的分割脚本里调试信息比最终字符更值得看。把二值图、列投影曲线、切分起止列一起输出能很快判断是二值化把字符弄断了还是投影阈值把间隙漏掉了。字符分割没有一劳永逸的参数尤其是倾斜车牌投影方向不校正切分怎么调都别扭。遇到明显倾斜的车牌先做小角度旋转校正再走投影往往比在投影阈值上反复试更有效。校正角度不用很大常见做法是用车牌上下边框的斜率估计角度超过两三度再转转完重新裁一次车牌区域。4. 模板匹配识别字符模板库构造、尺寸归一化与相似度度量字符切出来之后模板匹配要做的是把每个字符图归一化到固定尺寸再和模板库里的每个字符模板算相似度取分数最高的标签。这里的“模板”不是车牌整图模板而是单个字符的二值小图。模板库的质量直接决定识别上限模板覆盖的字体、粗细、断裂程度不够后面换多少相似度函数都补不回来。常见做法是每个字符准备多张模板覆盖正常、偏粗、偏细、轻微断裂几种形态匹配时取最高分。4.1 模板匹配不是拿图直接相减尺寸归一化与二值模板直接拿字符图和模板图做像素差要求两张图尺寸完全一致、字符位置对齐否则差分会把位置偏移放大成巨大误差。实际流程里先做尺寸归一化把字符图和模板图都缩放到同一高度和宽度再做二值化最后用归一化互相关或corr2算相似度。corr2对整体亮度线性变化不敏感适合二值图匹配但它仍然对字符位置和形状敏感所以归一化时要把字符居中不要把上下留白裁得太紧。模板库构造要注意两点模板必须是二值图且前景为白模板尺寸不要太小32×16 是常见起点太小会丢失笔画细节太大对分割误差更敏感。每个字符不要只放一张模板尤其是0/O、1/I、8/B这些易混对单模板很容易在换字体后翻车。模板可以从标准车牌字体截图生成也可以从训练图里人工裁剪但一定要人工检查标签标签错一张会污染整个字符类。下面这段代码从templates目录读取单字符模板图转灰度、二值化、存入结构体。目录和文件名是虚构示例实际复现时按资源里的模板命名改。% 从单字符小图构建模板库文件名即标签例如 0.png、A.png labels [0:9 A:Z]; templates struct(label, {}, img, {}); for i 1:numel(labels) f fullfile(templates, [labels(i) .png]); if exist(f, file) im imread(f); if ndims(im) 3 im rgb2gray(im); % 彩色模板先转灰度 end im imbinarize(im); % 统一成二值模板 templates(end1) struct(label, labels(i), img, im); end end if isempty(templates) error(模板库为空检查 templates 目录和文件名); end这段代码的逻辑很直白文件名就是标签读入后统一转灰度、二值化避免彩色模板和灰度字符图直接比较。labels只覆盖数字和大写字母是因为模板匹配对汉字字符的本文还有配套的精品资源点击获取
