企业官网建设流程全解析

简介：这份《基于Matlab的车牌识别(完整版)》以单个doc文档交付，面向具备Matlab基础、正在做课程设计或毕业设计的学生，以及希望快速梳理车牌识别完整链路的开发者。文档按预处理、边缘检测、车牌定位、字符分割、字符识别五个环节组织，先交代智能交通场景下的设计原理与总体流程，再逐模块说明灰度化、开运算求背景、背景相减增强、阈值二值化、边缘提取、垂直投影分割，以及模板匹配和人工神经网络识别等实现思路，并附有对应代码片段与流程图。包内共1个doc文件，约1.33MB，便于直接阅读和对照编程。该文档已有877人学习，可用于复现从原始图像输入到车牌号码输出的关键处理节点，理解参数调整、字符切分与识别匹配的取舍，适合作为Matlab图像处理练习和算法入门参考。

1. 从一张违章抓拍图说起：Matlab 车牌识别到底在识别什么

一张 1280×720 的卡口抓拍图里，车牌常常只占 120×35 像素，车身反光、雨天泥点和轻微透视倾斜同时出现。Matlab 车牌识别要做的事，是把这块小区域从整幅图中抠出来，切成 7 个字符，再逐个判成省份汉字、字母或数字，最后拼成可读字符串。它适合做图像处理课程设计、模式识别大作业，也适合在没有 GPU 的工作站上快速验证定位与分割算法。

整条链路可以拆成四段：候选区域定位、车牌校正、字符切分、字符分类。后处理再按车牌编码规则做一次校验，比如燃油车第二位只能是字母、新能源车牌为 8 位。常见做法是先用经典图像处理把定位做扎实，字符分类再选模板匹配、BP 神经网络，或者接开源车牌检测识别模型导出的 ONNX 做推理。字符粘连、光照不均、汉字识别率低，是这条链路里最容易返工的三处。

2. 车牌识别的预处理链路：灰度、边缘、形态学与 matlab 图像处理函数怎么配

定位前要先统一输入尺度。不同相机分辨率差异大，固定尺寸的结构元在小图上会把字符糊掉，在大图上又连不成整块。我一般把图像高度统一到 480 像素，宽度按比例缩放，后续所有阈值都围绕这个尺度来定。matlab 安装完成后，图像处理工具箱里的 imread、rgb2gray、edge、strel、bwareaopen 就够覆盖定位链路的前半段，不需要额外附加功能。

2.1 灰度化与高斯滤波的取舍

rgb2gray 按亮度加权转换，蓝色车牌转灰后字符与底色的对比度会掉一截，但字符边缘的梯度仍然保留。直接对彩色图做边缘检测会得到三份边缘响应，融合规则反而更难调。如果抓拍噪点明显，先做一次小核高斯滤波再求边缘，代价是细笔画被削弱，需要把边缘阈值往回调一点。

% 读取并统一高度，宽度按比例缩放，保证结构元尺寸可复用 img = imread('car_01.jpg'); if size(img, 3) == 3 gray = rgb2gray(img); else gray = img; end gray = imresize(gray, [480 NaN]); % 高度锁定 480，NaN 表示宽度自动等比 % 轻度高斯滤波抑制传感器噪点，sigma 取 0.8 到 1.2 之间较常见 gray = imgaussfilt(gray, 1.0); gray = im2double(gray); % 后续 edge 对 double 型更友好 figure; imshow(gray); title('灰度与滤波结果');

imresize的[480 NaN]把高度写死，宽度交给函数按纵横比推算，避免车牌被横向拉伸。imgaussfilt的第二个参数是标准差，超过 1.5 会把字符竖笔画的边缘抹平，二值化后容易出现断笔。im2double把像素归一到 0 到 1，edge函数在 double 输入下对阈值更敏感，调参时数值范围更好估计。

2.2 垂直边缘与形态学闭运算怎么配合

车牌区域的字符以竖笔画为主，垂直方向的 Sobel 响应比水平方向集中得多。先取垂直边缘，再用一个宽大于高的矩形结构元做闭运算，能把同一行字符的断裂边缘连成几块横向条带。闭运算之后接一次孔洞填充和面积过滤，车身纹理、路灯杆这类细长噪声基本能被压掉。

% Sobel 垂直边缘：字符竖笔画响应强，水平边缘被抑制 edgeImg = edge(gray, 'sobel', 'vertical', 0.12); % 矩形结构元的宽度大于高度，贴合车牌横向排布 se = strel('rectangle', [5 21]); closed = imclose(edgeImg, se); closed = imfill(closed, 'holes'); % 填充字符间隙形成的封闭孔洞 closed = bwareaopen(closed, 200); % 去掉面积小于 200 的碎片 figure; imshow(closed); title('垂直边缘闭运算结果');

edge最后的 0.12 是归一化阈值，调小会引入更多车身纹理，调大会让浅色车牌直接消失，通常按 0.08 到 0.18 扫一遍看候选数量。strel('rectangle', [5 21])的高度 5 决定了纵向容差，宽度 21 决定横向粘连能力，图像统一到 480 高度后这组值对常见蓝牌比较合适。bwareaopen的面积门槛要跟结构元配套，太小会让字符区域碎片化，太大可能把车牌两端吃掉。

2.3 候选区域筛选：行列投影与长宽比阈值

连通域标记只是第一步，真正决定定位准确率的是筛选规则。蓝牌外接矩形的长宽比大致在 2.8 到 4.5 之间，面积在统一高度下通常落在 800 到 6000 像素区间。再加上垂直方向的投影峰值数，可以进一步排除保险杠装饰条这类伪目标。

stats = regionprops(closed, 'BoundingBox', 'Area'); cand = []; for k = 1:numel(stats) bb = stats(k).BoundingBox; % [x y w h] ar = bb(3) / bb(4); % 长宽比 if ar > 2.8 && ar < 4.5 && stats(k).Area > 800 cand = [cand; bb]; % 收集合格候选 end end

regionprops返回的BoundingBox顺序是左上角横纵坐标加宽高，算长宽比时别把w和h写反。Area是连通域实际像素数，和BoundingBox的面积不是一回事，斜视车牌用像素数更可靠。

2.4 车牌倾斜校正与 imrotate 的边界处理

抓到候选框后，先用 Canny 边缘和 Hough 变换估计上下边界的角度，也可以用最小二乘拟合车牌区域的上下轮廓。角度超过 3 度就用 imrotate 旋转，旋转会改变图像尺寸，需要把crop选项打开并重新裁剪。校正后再做字符分割，二值化后的字符竖直度会明显好转，连通域切分成功率随之提高。角度估计不准时别硬转，宁愿把容错留给分割阶段的投影法。

3. 字符分割与字符识别：从连通域到模板匹配、BP 神经网络与 ONNX 推理

定位框给出来之后，真正难的是把 7 个字符完整切开。中国车牌有约 31 类常用字符，汉字和字母数字的笔画密度差异大，单一分割策略往往在汉字处翻车。我的习惯是先做一次水平投影切分，失败再用连通域兜底，两者结果不一致时记录该样本，交给后处理规则判断。

3.1 Otsu 二值化与连通域标记做字符切分

蓝色车牌字符是浅色，转灰后比底色亮，Otsu 阈值算完后要取反，让字符变成白色前景。铆钉和泥点会形成小连通域，用面积过滤先清一遍，再按外接框的横坐标排序，判断是否满足“7 个字符、间距接近”的排布。

% 在定位框内做 Otsu 二值化，字符为浅色，需要取反 plate = gray(y:y+h, x:x+w); level = graythresh(plate); bw = imbinarize(plate, level); bw = ~bw; bw = bwareaopen(bw, 30); % 去掉铆钉、泥点等小连通域 stats = regionprops(bw, 'BoundingBox', 'Area', 'Centroid'); boxes = reshape([stats.BoundingBox], 4, [])'; % 按横坐标排序，准备判断字符顺序 [~, idx] = sort(boxes(:, 1)); boxes = boxes(idx, :);

graythresh返回 0 到 1 之间的归一化阈值，用它驱动imbinarize比手写 128 更适应不同曝光。bwareaopen的 30 是像素面积，调大能去掉更多噪声，但汉字内部断裂的小块也可能被误删。排序后要检查首字符宽度是否明显大于后续字符，新能源车牌为 8 位，长度分支要单独处理。

3.2 字符归一化到 20×40 与特征向量构造

切出来的字符尺寸不一，分类器需要统一输入。把每个字符外接框裁出后缩放到 20×40 的二值图，再拉成 800 维列向量，这是经典模板匹配和浅层神经网络的通用输入格式。字符被拉伸会改变笔画比例，缩放前先按外接框做一次边界裁剪，去掉上下多余白边。

chars = cell(1, numel(stats)); for k = 1:numel(stats) bb = round(boxes(k, :)); roi = bw(bb(2):bb(2)+bb(4)-1, bb(1):bb(1)+bb(3)-1); roi = imresize(roi, [40 20]); % 统一到 40 行 20 列 chars{k} = roi(:); % 拉成 800×1 列向量 end X = double(cat(2, chars{:})); % 800×N 特征矩阵

imresize用默认的双线性插值，二值图缩放后会出现中间灰度值，送进分类器前可以再imbinarize一次。先裁剪再缩放，比直接缩放整块定位图更不容易引入背景干扰。

3.3 用 BP 神经网络做字符分类时怎么避开常见坑

BP 神经网络拟合曲线是 matlab 里最常见的入门示例，换到字符分类上，结构其实一样，差别在于输出层用 softmax 或 onehot 编码，损失函数选交叉熵。网络不需要很深，两个隐层通常够用，样本量少的时候隐层节点数超过 200 很容易过拟合。

% X: 800×N 特征，Y: 31×N onehot 标签，字符集不含 I、O net = feedforwardnet([120 60]); net.trainFcn = 'trainscg'; % 小样本下收敛较平稳 net.performFcn = 'crossentropy'; net.trainParam.epochs = 1500; net.trainParam.goal = 1e-4; net.divideParam.trainRatio = 0.75; net.divideParam.valRatio = 0.15; net.divideParam.testRatio = 0.10; [net, tr] = train(net, X, Y);

trainscg是量化共轭梯度法，对批大小不敏感，适合几百到几千张字符图。divideParam要显式设置，默认划分可能让验证集里缺某一类字符，训练曲线看着很好、实际错分集中。训练完别只看整体准确率，按字符类别出一份混淆矩阵，汉字和数字 0、字母 O 这类易混项要单独看。

3.4 在 Matlab 中调用 ONNX 模型做字符分类

如果已经有开源车牌检测识别模型导出的 ONNX 文件，可以省掉训练环节，直接在 matlab 里做推理。前提是通过附加功能管理器安装 ONNX 支持包，否则importONNXNetwork会直接报未定义函数。

% 导入 ONNX 字符分类模型，输出层按分类任务处理 net = importONNXNetwork('plate_char.onnx', ... 'OutputLayerType', 'classification'); % 输入尺寸按模型要求调整，假设为 32×32 单通道 inputImg = imresize(roi, [32 32]); prob = predict(net, inputImg); [~, label] = max(prob);

OutputLayerType要根据模型最后一层的类型选classification或regression，选错会导致输出无法直接映射到类别。ONNX 模型的输入尺寸、通道数和归一化方式必须和导出时一致，最常见的失败原因是预处理对不上，不是模型本身有问题。

4. 整条链路跑起来：参数表、GUI 封装与批量测试的坑

单张图调通不等于整批可用。抓拍图的曝光、角度、车牌脏污程度差异很大，参数表要能快速回查，否则改一个阈值就得重新翻代码。我通常把定位和分割阶段的参数集中到一个结构体里，GUI 和批量脚本共用同一份配置。

4.1 定位与分割参数速查表

这张表不是固定答案，它更像是调参起点。每换一批相机或换一个拍摄距离，至少重扫一次边缘阈值和面积下限，比盲调神经网络参数见效快得多。

4.2 用 App Designer 封装一个可交互的车牌识别界面

把读图、定位、分割、识别四个按钮串起来，中间结果用坐标区显示，调参时能直接看到形态学输出。App Designer 里不要在每个回调里重新训练网络，把训练好的 net 存成 MAT 文件，启动时加载一次即可。

% 界面启动时加载已训练模型，避免重复训练 function startupFcn(app) data = load('plate_net.mat'); app.net = data.net; app.params = struct('height', 480, 'sobelT', 0.12, ... 'seSize', [5 21], 'areaMin', 800); end

startupFcn只跑一次，把网络和参数挂在 app 对象上，回调函数里用app.net取用。参数结构体集中管理，改阈值不用改界面布局，批量脚本直接复用同一个结构体。

4.3 批量跑图与识别准确率统计

批量测试要按“定位正确、分割正确、字符正确”三级统计，否则定位错了却把准确率算到分类器头上。每张图输出定位框、分割字符数和最终字符串，方便回看。

files = dir('test_imgs/*.jpg'); hitPos = 0; hitChar = 0; for i = 1:numel(files) result = platePipeline(fullfile(files(i).folder, files(i).name), params); if result.posOK, hitPos = hitPos + 1; end if strcmp(result.text, result.gt), hitChar = hitChar + 1; end fprintf('%s -> %s\n', files(i).name, result.text); end fprintf('定位率 %.2f%%，整牌识别率 %.2f%%\n', ... hitPos/numel(files)*100, hitChar/numel(files)*100);

platePipeline把整条链路封成一个函数，输入图像路径和参数，输出结构体。三级统计能快速判断瓶颈在定位还是识别，如果定位率高、整牌识别率低，优先查字符分割和汉字分类。

4.4 常见报错与定位手段

Undefined function 'importONNXNetwork'多半是 ONNX 支持包没装，去附加功能管理器确认一次。Index exceeds matrix dimensions通常出现在候选框坐标越界，裁剪前用max(1, x)和min(w, x+w-1)夹一下边界。车牌定位到多个候选时，不要只取第一个，按面积和长宽比打分排序，取分数最高且与水平方向夹角最小的一项。二值化后字符粘连，切分数量小于 7，改用水平投影找谷底，或把结构元宽度调小后重跑定位。

5. 进阶：用 kmeans 聚类算法做字符分割、用 matlab 优化工具箱搜阈值

5.1 kmeans 聚类算法 matlab 版做字符区域聚类

字符排布有规律，质心横坐标近似等间距。把连通域的横坐标、宽度组成二维特征，用 kmeans 聚成 7 类，再按类中心排序，能比单纯按横坐标切分更抗噪。kmeans聚类算法matlab 的调用很直接，关键是初始化和距离度量。

feat = [centersX, widths]; % 横坐标与宽度组成的特征 [idx, C] = kmeans(feat, 7, ... 'Replicates', 5, 'Distance', 'cityblock'); [~, order] = sort(C(:, 1)); % 按类中心横坐标排序

Replicates设为 5 能降低局部最优的影响，cityblock距离对横坐标这种一维主导的特征更合适。聚类数固定为 7 只适用于燃油车，新能源车牌要改成 8。聚类结果里如果某一类只有一个样本，说明该字符可能被噪声吞掉，需要回到二值化阶段查。

5.2 用 matlab 优化工具箱自动搜索形态学参数

手工扫参效率低，可以把定位准确率写成目标函数，用 fminsearch 或 ga 在参数空间里搜索。搜索前固定随机种子和测试集，否则每轮评分的波动会盖过参数差异。

% p = [结构元高, 结构元宽, 面积下限] score = @(p) plateScore(imgFolder, round(p), net); p0 = [5, 21, 800]; opts = optimset('MaxFunEvals', 60, 'Display', 'iter'); [pBest, fBest] = fminsearch(score, p0, opts);

fminsearch会返回非整数，目标函数里先用round取整再代入形态学操作。评分函数只跑定位阶段，不重复训练网络，单轮评估控制在几十秒内，否则 60 次函数评估会拖很久。pBest取整后写回参数结构体的seSize和areaMin，下一批图直接按新参数走，比在代码里逐个试值省事。

本文还有配套的精品资源，点击获取