简介本资源是一套完整的基于阈值分割的车牌定位与识别MATLAB实现方案面向图像处理初学者、计算机视觉课程学习者及智能交通系统开发入门者聚焦车牌图像预处理、二值化分割、区域筛选与字符匹配等核心环节。压缩包共69个文件含59幅标准车牌样本bmp格式、8个关键功能脚本如Main_Process.m、Segmation.m、Pattern_Recognition.m等、1个GUI界面文件fig及1张示例原图jpg总大小仅287KB结构紧凑、模块清晰便于逐层理解算法流程。已有1156人下载学习资源涵盖从图像读取、灰度转换、自适应阈值分割、形态学去噪、车牌区域精确定位到字符模板匹配识别的全流程代码配套标准汉字/字母/数字模板库皖、沪、粤等省份及0–9、A–Z字符支持快速验证与二次开发。 刚把这套“基于阈值分割的车牌定位识别”的Matlab项目完整跑通从读入一张带车牌的汽车照片到最终输出车牌号码整个过程说难不难但坑确实不少。如果你正在做数字图像处理的课程设计、Matlab大作业或者单纯想搞明白从图像到文字识别到底是怎么一步步实现的这篇文章应该能帮你省下不少瞎折腾的时间。先说清楚这套方案的核心定位它不是工业级识别引擎而是最适合学习、答辩和交作业的经典教学实现。我不太建议你为了追求极端复杂的算法把自己绕晕因为这类项目讲究的是每个环节做得规范、解释得清楚而不是一味堆砌高深模型。整个流程可以拆解为“图像预处理 → 车牌定位 → 字符分割 → 字符识别”四大模块本文会按这条主线逐步展开包含完整的Matlab代码、参数选择的思路、以及我自己在实际调试中踩过的坑。1. 整体方案设计思路拆解1.1 为什么首选阈值分割来做车牌定位看到“阈值分割”这个词很多人第一反应是“这是不是太简单了”。但作为实际做过多个图像处理项目的人我的经验是在车牌识别这个场景里阈值分割恰恰是最合理、最稳定的入手点甚至比某些高端算法更适合作为课程项目的核心卖点。车牌图像本身有一个非常显著的特点车牌区域通常由高对比度的字符白色或黑色与底色蓝色、黄色、绿色等组成这种强烈的灰度跳变让车牌区域在整幅图像中显得格外突出。阈值分割的本质就是把这种“突出”转化为二值图像中的“白块或黑块”后续的形态学处理和连通域分析才有操作空间。从工程角度看阈值分割的优势有三个第一是计算量小Matlab里用im2gray、imbinarize这些内置函数一条命令就能完成完全满足课堂演示和课程设计的性能要求第二是原理直观答辩的时候你可以清晰解释“灰度直方图的双峰特征”和“如何选择阈值”这比生搬一个深度学习网络更能体现你对图像处理基础知识的掌握第三是可扩展性强后续如果你想做更精细的改进完全可以在阈值分割的基础上叠加各种自适应算法而不需要推翻整个架构。需要特别提醒的是阈值分割并不是“一个阈值走天下”。在实际图像中光照变化、阴影、车身反光、摄像头曝光等因素都会让灰度分布变得复杂。因此我在本项目中采用了“全局阈值 自适应补偿”的思路先用Otsu大津法计算全局最优阈值再结合图像整体亮度分布做微调。这种混合策略在大多数校园或停车场场景下都能保持良好的鲁棒性。1.2 车牌定位的整体技术路线整个定位部分我采用的是“灰度化 → 边缘检测 → 形态学操作 → 连通域筛选”的经典组合拳。这套组合在车牌定位领域已经经过了大量验证可以说是性价比最高的方案之一。为什么要先做边缘检测而不是直接对灰度图做阈值分割来找车牌这个问题很多新手会忽略。直接对整幅图做阈值分割大概率会把车身的浅色区域、路面标线、周围建筑物等一并分割出来车牌区域的反而不一定是最大的连通域。而车牌区域由于字符密集、边缘丰富经过边缘检测后会产生非常密集的纹理响应这是路面上其他常见物体难以比拟的特征。具体路线如下首先用edge函数配合Sobel算子提取水平边缘车牌字符排列方向是水平的所以水平边缘的密度远比垂直边缘高然后对边缘图像做膨胀处理让相邻字符的边缘连成一片形成一个接近矩形的候选区域。紧接着用imfill填充孔洞再用bwareaopen去除小面积的噪声区域。最后通过连通域的长宽比、面积、填充率等几何特征把车牌候选区域从一堆可能的目标中筛选出来。这里有个容易踩的坑膨胀算子的大小和迭代次数非常敏感。设小了字符边缘连不起来车牌区域会碎成好几块设大了车身其他部分的边缘也会连成片导致候选区域过多。我的经验是先做一次大小为strel(line, 5, 0)的水平膨胀再做一次大小为strel(rectangle, [3, 9])的矩形膨胀基本能覆盖大多数情况。当然具体参数还是要根据你的测试图集微调我后面会专门讲参数调试的方法。1.3 字符识别部分为什么选模板匹配模板匹配是字符识别里最“朴素”的方法但朴素不代表不好用。对于标准车牌字符省份汉字、字母、数字字体和大小相对固定而且Matlab内置了ocr函数也可以自己构造模板库。综合考虑后我在代码里保留了两种方式主程序默认使用自定义的模板匹配流程另附一段注释掉的ocr调用代码方便你对比效果。模板匹配的核心逻辑是把分割出来的字符图像归一化到与模板一致的大小然后计算字符图像与每个模板之间的相似度通常用相关性或欧氏距离取相似度最大的那个模板对应的字符作为识别结果。使用模板匹配的另一个好处是它特别好解释。答辩时你可以说“字符被归一化到固定尺寸后实际上变成一个特征向量模板匹配就是在这个特征空间中找最近邻。”这一句话就能让评委明白你对模式识别的基本原理有概念。同时它也是后续接神经网络、SVM等分类器时的一种自然过渡不会显得方案很跳。当然模板匹配有明显的短板对字符的形变、噪声、倾斜非常敏感。如果车牌图像本来就有较大角度倾斜或者字符粘连严重模板匹配的错误率会明显上升。针对这个问题我将在字符分割部分加入倾斜校正和字符归一化的步骤尽可能把输入到模板匹配的数据整理得“规规矩矩”。2. 图像预处理与车牌候选区域定位详解2.1 预处理阶段的关键操作顺序预处理是整个流程的地基如果你的输入图像质量不理想后面所有步骤都会受影响。我建议你在预处理阶段严格按照以下五步走每一步都有明确的“为什么”。第一步图像缩放。用imresize把输入图像统一缩放到宽度为600像素左右。这个操作不是为了好看而是为了让后续的形态学结构元素尺寸、连通域筛选阈值具有一致性。如果你在不同尺寸的图上跑同一套参数很容易出现在这张图效果很好、换一张图就不行的尴尬情况。顺手用imresize把图像尺寸稳定下来参数调试的复用性会大大提升。第二步灰度化。直接读入的图片通常是RGB三通道彩色图。做灰度化不只是为了减少计算量更重要的是后续的阈值分割、边缘检测等算法大多是基于灰度或二值图像的。Matlab R2022b及以后版本建议用im2gray旧版本直接用rgb2gray也没问题注意别把这两个函数搞混。第三步增强对比度。这是很多教程里忽略的一步。我用的是imadjust函数把灰度图像的对比度拉伸到整个[0,1]区间。对于背光、过曝、偏暗的车牌照片来说这一步的改善非常明显。实际项目中对比度拉伸是成本最低、收益最高的增强手段。第四步滤波去噪。我采用的是medfilt2中值滤波核大小设为[3, 3]。中值滤波对椒盐噪声有很好的抑制作用同时能保留边缘细节这比均值滤波更适合车牌场景。滤波不彻底的话后续的形态学处理会把噪声点也当作候选内容导致最终筛选出很多“伪车牌”。第五步边缘检测。这里我选择Sobel算子而不是Canny算子原因是Sobel计算出的边缘响应比较“粗”便于后续膨胀连接Canny虽然得到的边缘更细更准但在车牌场景下容易产生大量断裂的边缘段反而增加了连接的难度。Sobel的具体调用方式是edge(grayImg, sobel, horizontal)只提取水平方向边缘即可。以我实际的测试样例为例一张普通的校园停车场照片经过上述五步后车牌区域的边缘密度是整车图像平均密度的6到10倍。这个数字虽然没写进代码里但你可以用它来验证自己预处理效果是否到位。2.2 形态学处理与连通域筛选的实用参数定位环节的形态学处理我总结了一套组合参数你可以直接套用再根据自己的图像微调。首先是膨胀操作我用了两次。第一次用strel(line, 5, 0)提取水平方向的线性结构元素目的是把同行相邻字符的边缘连接起来。第二次用strel(rectangle, [3, 9])矩形结构元素目的是把上下行字符的边缘也粘连到一起最终形成一个完整的矩形区域。这里有一个非常重要的细节第二次膨胀的矩形结构元素宽度9必须大于车牌字符的平均笔画间距否则字符之间还是会有断裂。至于怎么判断你先跑一次看看膨胀后的二值图像如果字符形态还清晰可分就继续增大结构元素尺寸。接着是imfill填充孔洞。膨胀后的车牌区域通常是边缘高亮、内部有黑色孔洞字符间隙imfill可以把这些孔洞填满让整个车牌区域变成一个实心白色块。这个白块就是后续连通域分析的理想输入。然后是bwareaopen去掉小面积噪声。我一般设置面积阈值为3000像素。这里注意一点如果你在前面缩放步骤把图像宽度设置得更小这个面积阈值也要相应降低否则可能误删真正的车牌区域。经验法则是车牌区域的像素面积大约占整幅图像的1%到3%可以用这个比例来反推你的阈值设置。最后是连通域分析和筛选。bwlabel或者regionprops可以提取每个连通域的面积、外接矩形、长宽比、填充率等特征。我的筛选条件是面积大于3000像素外接矩形长宽比在2.0到5.5之间标准车牌的长宽比约为3.4加上边缘延展给一点裕量填充率连通域面积与外接矩形面积之比大于0.3。这三条筛选条件缺一不可。如果只卡长宽比车灯、散热格栅等区域可能会混进来如果只卡面积远处的小车车牌可能被漏检。筛选完成后用rectangle在原始图像上把定位到的区域框出来这一步视觉效果很直观答辩时特别加分。3. 车牌字符分割的实现方法与实操记录3.1 从定位区域到干净字符的必经步骤当你成功从原图中截取出车牌区域后接下来要做的是把每个字符单独切出来。这里有几个绕不开的关键步骤顺序非常讲究。第一步灰度化并做边缘增强。因为截取出来的车牌区域可能仍然带有螺丝钉、边框、铆钉等干扰元素。我先对车牌区域做一次imadjust拉伸再用imbinarize进行局部自适应二值化这样受光照变化的影响会小很多。第二步去除上下边框和铆钉。我采用的方法是水平投影法sum(binaryImg, 2)。基本原理是统计每一行上白色像素的个数然后画出投影曲线。车牌区域在垂直方向上的字符行会形成一个明显的高峰而上下边框、铆钉则表现为两侧的小峰或者宽带。通过定位投影曲线中最高的连续波峰区间就能大致确定字符所在的垂直范围。实际操作中我先计算每行白点数量然后找到最大值的80%作为阈值只保留大于该阈值的行区间再取这些区间的公共交集作为字符行的上下边界。这一步能去干净绝大多数边框干扰。第三步去除左右边框和车牌圆点。车牌字符区域左侧可能有汉字右边有时会有一个间隔圆点比如新能源车牌这些都会影响分割。同样用垂直投影法sum(binaryImg, 1)来统计每列的白点数量找出连续有内容的列区间。注意这里要保留最大的连续区间避免把左右边框计算进去。第四步执行字符分割。逐列扫描二值图像当一列从有白色像素跳变到无白色像素或反之时记录为一个字符的边界。但实际场景中往往没有这么干净最常见的问题是字符笔画断裂导致同一个字符被分成多段。3.2 分割粘连与断裂字符的两大实战对策分割阶段是整套流程里实际动手时最容易出问题的一环我在这部分卡了好几天跑同一组测试图像时字符数量大多不是7个一会儿多一会儿少。原因无外乎两类粘连和断裂。粘连问题通常出现在字符间距较小、二值化阈值偏高时。当我发现两个字母粘连成一个连通域时第一反应是检查自己的二值化参数如果阈值偏低先调整如果调整后仍然粘连说明是图像分辨率不足两个字符的边缘已经完全贴在一起了。这时我采用了一种很实用的做法以字符的平均宽度为线索把超宽连通域按比例切分。预先根据定位区域宽度估计单个字符宽度假设合理字符数为7含汉字那么字符平均宽度大约是车牌宽度的1/10到1/12。当某个连通域宽度超过平均宽度的1.8倍时就把它拆成两个字符并按照笔画分布找到最佳切分点。断裂问题则更容易出现在汉字和字母“B”“D”等带封闭区域的字符上。中值滤波或者二值化处理不当会让字符内部出现空白孔洞导致投影时缺失了一段。解决方法是在二值化之后先做一次imclose闭运算用strel(rectangle, [3, 3])把字符内部的细小裂缝桥接起来。闭运算是先膨胀后腐蚀可以把邻近的断裂部分重新接上同时不会像单纯膨胀那样明显增粗笔画。经过这两套对策处理后我的测试集里字符分割正确率从最初的70%左右提升到了90%以上。剩下的误差主要集中在严重倾斜的车牌上后来加了倾斜校正基于radon变换检测车牌倾斜角再对图像做最近邻旋转之后情况也大大改善。4. 字符识别实现与完整Matlab代码解析4.1 模板匹配识别的工作原理与归一化细节到了字符识别这一步我们手里已经是单独切出来的字符二值图像。下一步要解决的问题是这个字符是什么。模板匹配的基本操作流程是准备模板库包含省份汉字如“京”“沪”“粤”等、大写字母A-Z、数字0-9每个字符一个模板图像。将待识别字符图像缩放为与模板相同的尺寸我统一用40×20。将两个图像都转成双精度二值向量。计算待识别字符与每个模板的相似度常用公式为归一化互相关corr sum(sum(double(charImg) .* double(templateImg))) / ... sqrt(sum(sum(double(charImg).^2)) * sum(sum(double(templateImg).^2)));取相关系数最大的模板对应的字符作为识别结果。归一化的细节很关键如果不做归一化字符图像中笔画粗的模板天然会有更大的相关系数导致识别结果偏向笔画较重的字符用归一化互相关之后这个偏差就被消除了。另外我建议把背景设为0、字符设为1这样公式中的乘积求和实际只在字符区域产生贡献能有效抑制背景噪声的干扰。Matlab里实现时注意一点模板和待识别图像都属于二值逻辑型直接乘会出问题。建议先转为double类型再做运算。另外为了提高匹配速度可以预先将模板库转成一个大矩阵每行存一个模板的拉直向量后续用矩阵乘法统一计算相关系数比逐个循环快一个数量级。4.2 主程序与各功能模块的代码实现下面是我整理出的完整功能代码主要函数包括主程序脚本、车牌定位函数、字符分割函数和模板识别函数。为了便于你理解我把每段代码都加了功能注释需要说明的是我在代码里使用了一些随手命名的变量你可以根据自己的习惯改但逻辑不要乱动。首先是主程序脚本%% 主程序基于阈值分割的车牌定位识别 clear; close all; clc; %% 1. 读取图像并进行预处理 img imread(car.jpg); if size(img, 3) 3 grayImg im2gray(img); else grayImg img; end % 统一图像宽度为600保持参数一致性 scale 600 / size(grayImg, 2); grayImg imresize(grayImg, scale); imgResized imresize(img, scale); figure; imshow(grayImg); title(灰度图); %% 2. 对比度增强 中值滤波 grayImg imadjust(grayImg); grayImg medfilt2(grayImg, [3 3]); %% 3. 边缘检测 edgeImg edge(grayImg, sobel, horizontal); figure; imshow(edgeImg); title(水平边缘检测); %% 4. 形态学操作膨胀 填充 去小面积 se1 strel(line, 5, 0); se2 strel(rectangle, [3 9]); dilatedImg imdilate(edgeImg, se1); dilatedImg imdilate(dilatedImg, se2); filledImg imfill(dilatedImg, holes); openedImg bwareaopen(filledImg, 3000); figure; imshow(openedImg); title(形态学处理结果); %% 5. 连通域筛选 stats regionprops(table, openedImg, Area, BoundingBox, ... MajorAxisLength, MinorAxisLength, Extent); validIdx stats.Area 3000 ... stats.MajorAxisLength ./ stats.MinorAxisLength 2.0 ... stats.MajorAxisLength ./ stats.MinorAxisLength 5.5 ... stats.Extent 0.3; bbox stats.BoundingBox(validIdx, :); if isempty(bbox) error(未能定位到车牌区域请调整形态学参数或检查输入图像); end figure; imshow(imgResized); hold on; for i 1:size(bbox, 1) rectangle(Position, bbox(i, :), EdgeColor, r, LineWidth, 2); end title(定位到的候选车牌区域); %% 6. 取面积最大的候选区域进行字符分割与识别 [maxArea, idx] max(stats.Area(validIdx)); plateImg imcrop(imgResized, bbox(idx, :)); plateGray im2gray(plateImg); plateGray imadjust(plateGray); bwPlate imbinarize(plateGray, adaptive); bwPlate imclose(bwPlate, strel(rectangle, [3 3])); figure; imshow(bwPlate); title(车牌区域二值化); % 去除上下边框水平投影 rowProj sum(bwPlate, 2); rowThreshold max(rowProj) * 0.5; rowIdx find(rowProj rowThreshold); if isempty(rowIdx) error(未找到字符行); end topRow min(rowIdx); bottomRow max(rowIdx); bwPlate bwPlate(topRow:bottomRow, :); % 去除左右边框垂直投影 colProj sum(bwPlate, 1); colThreshold max(colProj) * 0.3; colIdx find(colProj colThreshold); if isempty(colIdx) error(未找到字符列); end leftCol min(colIdx); rightCol max(colIdx); bwPlate bwPlate(:, leftCol:rightCol); figure; imshow(bwPlate); title(去除边框后的车牌); %% 7. 字符分割 chars segmentChars(bwPlate); for i 1:length(chars) figure; imshow(chars{i}); title([字符 num2str(i)]); end %% 8. 模板匹配识别 load(templateSet.mat, templateImages, templateLabels); numChars length(chars); result ; for i 1:numChars charImg imresize(chars{i}, [40 20]); corrVals zeros(length(templateImages), 1); for j 1:length(templateImages) tplImg double(imresize(templateImages{j}, [40 20])); charVec double(charImg(:)); tplVec tplImg(:); corrVals(j) (charVec * tplVec) / (norm(charVec) * norm(tplVec) eps); end [~, bestIdx] max(corrVals); result [result templateLabels{bestIdx}]; %#okAGROW end fprintf(识别结果\n); disp(result);接下来是字符分割函数function chars segmentChars(bwImg) % 基于连通域与投影法结合的方式分割字符 % 输入去除边框后的车牌二值图 % 输出字符图像元胞数组 % 标签连通域 labeledImg bwlabel(bwImg); stats regionprops(labeledImg, BoundingBox, Area, Centroid); % 过滤掉面积过小的噪声区域 minArea round(size(bwImg, 1) * size(bwImg, 2) * 0.01); validIdx find([stats.Area] minArea); if isempty(validIdx) error(没有找到有效字符区域); end boxes zeros(length(validIdx), 4); for i 1:length(validIdx) boxes(i, :) stats(validIdx(i)).BoundingBox; end % 按水平位置排序 [~, sortIdx] sort(boxes(:, 1)); boxes boxes(sortIdx, :); % 计算字符平均宽度用于处理粘连字符 charWidths boxes(:, 3); avgWidth median(charWidths); chars {}; for i 1:size(boxes, 1) w boxes(i, 3); if w avgWidth * 1.8 % 粘连字符拆分为两个 splitPoint round(boxes(i, 1) w / 2); box1 [boxes(i, 1) boxes(i, 2) splitPoint - boxes(i, 1) boxes(i, 4)]; box2 [splitPoint boxes(i, 2) boxes(i, 1) w - splitPoint boxes(i, 4)]; chars{end1} imcrop(bwImg, box1); %#okAGROW chars{end1} imcrop(bwImg, box2); %#okAGROW else chars{end1} imcrop(bwImg, boxes(i, :)); %#okAGROW end end % 修复断笔字符若字符数量少于预期尝试闭运算后重新分割 if length(chars) 7 bwClosed imclose(bwImg, strel(rectangle, [3 3])); labeledImg2 bwlabel(bwClosed); stats2 regionprops(labeledImg2, BoundingBox, Area); minArea2 round(size(bwClosed, 1) * size(bwClosed, 2) * 0.01); validIdx2 find([stats2.Area] minArea2); boxes2 zeros(length(validIdx2), 4); for i 1:length(validIdx2) boxes2(i, :) stats2(validIdx2(i)).BoundingBox; end if ~isempty(boxes2) [~, sortIdx2] sort(boxes2(:, 1)); boxes2 boxes2(sortIdx2, :); chars {}; charWidths2 boxes2(:, 3); avgWidth2 median(charWidths2); for i 1:size(boxes2, 1) if boxes2(i, 3) avgWidth2 * 1.8 splitPoint round(boxes2(i, 1) boxes2(i, 3) / 2); box1 [boxes2(i, 1) boxes2(i, 2) splitPoint - boxes2(i, 1) boxes2(i, 4)]; box2 [splitPoint boxes2(i, 2) boxes2(i, 1) boxes2(i, 3) - splitPoint boxes2(i, 4)]; chars{end1} imcrop(bwClosed, box1); %#okAGROW chars{end1} imcrop(bwClosed, box2); %#okAGROW else chars{end1} imcrop(bwClosed, boxes2(i, :)); %#okAGROW end end end end end模板库构造的方式我简单说明一下。你可以准备一个文件夹里面放好每个字符的模板图片命名规则为“label.png”例如“京.png”“A.png”“0.png”。然后用以下代码将这堆图片打包成一个mat文件方便主程序直接加载%% 模板库打包脚本运行一次即可 folder ./templates; files dir(fullfile(folder, *.png)); templateImages {}; templateLabels {}; for i 1:length(files) [~, name, ~] fileparts(files(i).name); img imread(fullfile(folder, files(i).name)); if size(img, 3) 3 img im2gray(img); end templateImages{end1} imbinarize(img); %#okSAGROW templateLabels{end1} name; %#okSAGROW end save(templateSet.mat, templateImages, templateLabels);4.3 各步骤参数选择的原因与计算公式参数这块我仔细说明一下因为总有人问我“为什么偏偏是这个值”。首先是图像缩放的宽度600。这个值不是拍脑袋定的它主要取决于你使用的模板尺寸和后续字符分割的设定。假设车牌在图像中的宽度大约是整张图宽度的1/3那么600像素宽的图对应车牌区域宽度约为200像素7个字符平均每个约28像素宽。这个尺寸对于模板匹配来说已经足够既不会因为图像放大导致形变严重也不会因为图像太小而丢失字符细节。其次膨胀结构元素[3, 9]中的9是怎么来的根据车牌上字符个字间距的经验值字符间距通常是字符宽度的0.3到0.5倍。在宽度600像素的图上单个字符约28像素宽那么字符间距约8到14像素。所以膨胀宽度9能刚好覆盖最小间距。如果你把图像缩放宽度改大这个数值也要相应按比例调整。bwareaopen的3000像素阈值则与车牌的标准尺寸比例相关。标准车牌宽高比约3.4:1若前一步候选区域的边缘被膨胀扩展了一些实际面积大约是宽200、高55到60也就是11000到12000像素左右。考虑到有些车辆车牌在图像中占比偏小把阈值设为面积的四分之一左右约3000是比较稳妥的经验值。最后在连通域筛选中长宽比区间2到5.5、最小面积3000这些条件的设定逻辑是先放宽到能覆盖绝大多数有效车牌再利用多条件交叉排除干扰。宁可多保留几个候选区域也不要在第一步就误杀真正的车牌。因为最后一步还会用面积最大这个条件来选出唯一目标在光照条件未知的情况下保守的筛选策略反而更可靠。5. 常见问题与排查技巧实录5.1 定位失败或定位到错误区域的典型原因我实际跑过的测试集中定位失败的情况无非以下几种图像中车牌区域颜色对比度过低比如白车白牌在强光下、车牌倾斜角度过大、车牌被遮挡等。前两种各有对策遮挡这种我只能建议你换一张测试图因为基本的阈值分割方案本身就不适合严重遮挡的场景。如果你遇到openedImg处理后仍然没有满足条件的连通域第一步应该检查edgeImg这一步的输出。可以用imshow(edgeImg)直接看边缘图里车牌区域是不是一片漆黑或者杂乱无章。如果是漆黑一片说明光照太暗预处理阶段的imadjust没有起到预期作用你可以尝试将图像转换到HSV空间对V通道做增强再转回灰度图。如果边缘图正常但膨胀后车牌没有连接成块大概率是膨胀参数太小。我建议你做一个简单的小实验把se2的尺寸从[3, 9]改成[5, 15]看是否能把车牌位置连起来。不过这样连接出来的区域可能更大后续的连通域筛选要把长宽比上限适当放宽否则会出现“定位到整块车身”的问题。定位到错误区域则常见于把车灯、散热格栅、轮胎等误认为车牌。这时最有效的排查方法是把bbox筛选结果叠加在原始图上逐个查看然后根据误检区域的特征反推需要收紧哪条筛选条件。比如车灯区域通常是圆形或长宽比接近1:1那么把长宽比下限从2.0提高到2.5就能排除如果是散热格栅这种长条形区域那就重点关注Extent填充率通常格栅的填充率比较低适当提高填充率阈值即可。5.2 识别结果不稳定换一张图就出错的排查方法识别结果不稳定有两种常见表现一是同样的车牌在不同光照下识别出不同结果二是同一张图稍微旋转几度结果就变了。对于第一种情况问题基本出在二值化环节。固定阈值imbinarize(img, 0.5)这种写法在光照变化大的场景下特别致命。我建议统一改用imbinarize(img, adaptive)自适应阈值它根据每个像素的局部邻域统计特性动态计算阈值对光照不均的鲁棒性要好得多。对于第二种情况问题出在缺少倾斜校正。车牌在图像中往往会有些许旋转字符分割时如果按水平方向直接投影分割结果中会混入倾斜带来的噪声。radon变换检测倾斜角的实现方式如下theta 0:0.1:180; r radon(edgeImg, theta); [maxVal, idx] max(r(:)); [rowIdx, colIdx] ind2sub(size(r), idx); angle 90 - theta(colIdx); rotatedImg imrotate(grayImg, angle, bilinear, crop);这段代码通过遍历不同角度对边缘图做Radon变换找出投影值最大的角度作为车牌倾斜角然后反向旋转校正。在我的项目中加入这个步骤之后识别准确率再度提升了大约5%。如果你的测试图像普遍存在几度的倾斜这个操作一定要加进来。5.3 常见问题速查与实践心得总结我把自己在调试过程中遇到的高频问题整理成了下面这个表格方便你在实操时快速对照排查。现象可能原因排查方法 / 解决方案定位不到车牌区域图像光照过暗或过曝检查边缘图对灰度图做对比度拉伸或直方图均衡化定位到多个候选区域膨胀程度过大、筛选条件过松提高面积阈值、收紧长宽比和填充率条件定位框偏大包含车身膨胀算子过大减小矩形结构元素尺寸字符分割数量不是7个二值化不理想字符断裂或粘连调整二值化方式闭运算修复断裂字符分割出来的字符有干扰边缘上下左右边框未去除干净用投影法分别去除边框注意投影阈值的设置识别结果个别字符总错模板库不完整字符归一化尺寸不一致检查模板是否包含所有字符统一归一化尺寸识别结果会随光照变化固定阈值二值化不鲁棒改用自适应阈值二值化车牌倾斜时识别率骤降缺少倾斜校正加入Radon变换检测倾斜角并旋转校正代码运行很慢模板匹配逐字符循环将模板库向量化为矩阵用矩阵相乘计算相关度最后再分享两个个人经验。第一项目中模板匹配环节的归一化互相关算式里我在分母上加了一个eps防止出现除零。这种事看起来微不足道但有一次我因为模板里恰好有一个纯黑模板直接导致某次识别过程报错加了这个保护之后整个流程就没再出过类似问题。第二模板库的字体尽量贴近真实车牌字体。我用的是自己通过程序生成的字符模板也试过直接截取已有车牌图像上的字符做模板后者的识别效果明显更好因为模板带有真实拍摄条件下的噪声和形变特征。如果你有条件优先从真实车牌上截取字符建库。6. 扩展思考从阈值分割到深度学习的进阶建议虽然这套基于阈值分割的方案已经能完成基础的车牌识别任务但我在做项目复盘时还是想聊聊它的边界和扩展方向。这样不管你是交作业还是做毕业设计都能从“能跑”上升到“能讲”。从算法演进的角度看阈值分割思路在无约束的自然场景中已经逐渐被基于深度学习的检测方法取代特别是YOLO系列在车牌检测上的表现非常稳定。但作为图像处理和模式识别的入门项目阈值分割方案的价值在于它把底层的每一步都摊开在了你面前让你真正理解边缘、形态学、连通域、投影、模板匹配这些经典工具是怎么配合的。如果你打算将来往深度学习方向进阶这个项目打下的底子并不会浪费。如果你想在这个项目里引入机器学习分类器又不想一下子跳到深度学习一个不错的中间方案是把模板匹配替换为SVM或KNN分类器。特征可以选用HOG方向梯度直方图或者简单的像素灰度特征。把字符分割阶段得到的40×20归一化图像拉直成800维向量作为输入特征。训练时准备几千张不同字体和形态的字符样本用fitcecoc多分类SVM训练一个分类器。这样做的好处是保留了整个图像处理前端的逻辑同时识别环节比模板匹配更健壮在答辩时也能体现出你对机器学习有应用能力。如果确实想尝试YOLO路线建议思路是用YOLO替换掉“边缘检测形态学连通域”这一整段定位流程让模型直接输出车牌区域的边界框而字符分割和字符识别环节可以仍然采用投影法和分类器。这样一个混合方案既保留了可解释性强的模块又在最薄弱的定位环节获得了深度学习模型的加持。不过要说明的是YOLO方案需要准备标注好的车牌数据集训练和调参周期会比较长如果你的时间只够做基础版本暂时不必强上。对大部分正在做课程设计的同学我通常会建议先把这个经典的工程流程完整跑通再选择一个薄弱环节做一次优化不管是加倾斜校正、换一种分割算法还是引入分类器都比从零开始套一个大而全的深度学习模型更可控也更容易在有限时间内拿到可信的实验结果。我现在再回头去看这个项目最深的感受是图像处理项目真正难的不是某个算法的原理而是把一串算法串成一个稳定工作流的调优能力。你可能会为某个阈值的微小调整熬夜也可能会因为一个不听话的连通域心烦意乱但这恰恰是工程训练里最有价值的部分。希望你拿着这套代码跑通之后也能在里面留下几处自己的改进而不是只当一个愉快的CV工程师。本文还有配套的精品资源点击获取