基于Matlab的车牌识别完整教程：从图像预处理到字符识别实战解析

关注

原创最新推荐文章于 2026-05-05 09:39:39 发布 694 阅读 AI 写同款· GEO 优化 ›

基于Matlab的车牌识别(完整版) 车牌识别技术是智能交通系统的重要组成部分，在近年来得到了很大的发展。本文从预处理、边缘检测、车牌定位、字符分割、字符识别五个方面，具体介绍了车牌自动识别的原理。并用MATLAB软件编程来实现每一个部分,最后识别出汽车车牌。阅读详情

引言：为什么用Matlab做车牌识别？

说起车牌识别，你可能第一时间想到的是交通摄像头抓拍、停车场自动计费这些场景——但你知道吗？用Matlab也能轻松实现这个功能！作为一个曾经在Matlab里踩过无数坑的技术爱好者，我必须说：Matlab的图像处理工具箱简直是为这类任务量身定做的！它自带的函数库能帮你搞定从图像读取到字符匹配的所有步骤，而且代码量比其他语言少得多，对新手友好到爆炸！今天我就把自己摸索出来的完整流程分享给大家，从入门到实战，保证你看完就能动手做一个简单的车牌识别系统！

车牌识别的核心流程：5步搞定

不管用什么工具，车牌识别的基本逻辑都是一样的。咱们把它拆成5个关键步骤，一步步来：

图像预处理：把原始图片变得更“干净”，方便后续操作
车牌定位：从整张图里找出车牌所在的区域
字符分割：把车牌上的每个字符（比如“京A12345”里的每个字）分开
字符识别：识别每个分割出来的字符是什么
结果输出：把识别到的字符组合成完整的车牌号码

听起来是不是很清晰？接下来咱们用Matlab逐个攻破这些步骤！

第一步：图像预处理——让图片“听话”

原始图片往往有很多干扰：比如光线太暗、有噪点、颜色太鲜艳……预处理就是要解决这些问题，让车牌区域更突出。

1.1 读取图片 & 转灰度图

Matlab里读图片用imread()函数，比如img = imread('car.jpg');。但彩色图处理起来太麻烦，咱们先转成灰度图——因为车牌的字符和背景在灰度上差异更大。转灰度用rgb2gray()：gray_img = rgb2gray(img);。

1.2 去噪滤波

图片里的小噪点会影响后续的边缘检测，所以得先过滤掉。最常用的是高斯滤波，Matlab里用imgaussfilt()：filtered_img = imgaussfilt(gray_img, 1.5);。这里的1.5是滤波半径，数值越大越模糊，自己调一调试试！

1.3 增强对比度

如果图片光线不均，字符和背景的差异会变小。这时候用imadjust()函数增强对比度：adjusted_img = imadjust(filtered_img, [0.2 0.8], []);。括号里的[0.2 0.8]是输入灰度范围，把这部分拉伸到0-255，对比度一下子就上来了！

1.4 二值化处理

二值化就是把图片变成黑白两色——字符是黑色，背景是白色（或者反过来）。Matlab里用im2bw()：binary_img = im2bw(adjusted_img, 0.5);。这里的0.5是阈值，超过的变白色，低于的变黑色。如果效果不好，试试调整这个数值！

超级重要！！！ 预处理的效果直接决定后面步骤的成败，一定要多试几次参数，直到图片里的车牌边缘清晰可见！

第二步：车牌定位——找到车牌在哪里

车牌定位是整个流程中最关键也最难的一步。咱们用“边缘检测+形态学操作+区域筛选”的组合拳来搞定它！

2.1 边缘检测

车牌的字符和背景之间有明显的边缘，用Canny边缘检测算法找边缘是最常用的方法。Matlab里用edge()函数：edge_img = edge(binary_img, 'Canny', [0.1 0.3]);。这里的两个阈值控制边缘的灵敏度，自己调调看！

2.2 形态学操作：让边缘连起来

边缘检测后，车牌区域的边缘可能是零散的。咱们用形态学的“闭操作”（膨胀+腐蚀）把这些零散的边缘连在一起，形成一个完整的车牌区域。Matlab里用imclose()：

se = strel('rectangle', [15 5]); % 创建一个矩形结构元素
closed_img = imclose(edge_img, se);

这里的[15 5]是矩形的大小，你可以根据图片尺寸调整——比如图片大就用更大的数值。

2.3 筛选车牌区域

现在图片里有很多连通区域，咱们需要找出符合车牌特征的那个。车牌的特征是什么？一般是：

长宽比大概是3:1（比如标准车牌长440mm，宽140mm）
面积不能太小也不能太大

Matlab里用bwconncomp()找连通区域，再用regionprops()获取每个区域的属性：

stats = regionprops(closed_img, 'BoundingBox', 'Area');
plate_region = [];
for i = 1:length(stats)
    bb = stats(i).BoundingBox;
    area = stats(i).Area;
    width = bb(3);
    height = bb(4);
    % 筛选长宽比在2.5到3.5之间，面积大于1000的区域
    if width/height > 2.5 && width/height <3.5 && area>1000
        plate_region = imcrop(gray_img, bb); % 裁剪出车牌区域
        break;
    end
end

如果找到符合条件的区域，就用imcrop()裁剪出来——这就是咱们要的车牌图片啦！

第三步：字符分割——把每个字符分开

车牌区域找到了，接下来要把每个字符分开。这里最常用的是“垂直投影法”——因为字符之间有空隙，垂直方向上的像素和会出现谷点，谷点就是分割线！

3.1 预处理车牌区域

先把裁剪出来的车牌区域再做一次二值化，确保字符是黑色的：plate_binary = im2bw(plate_region, 0.6);。然后可以用imcomplement()反转一下，让字符变成白色（方便后续处理）：plate_binary = imcomplement(plate_binary);。

3.2 计算垂直投影

垂直投影就是计算每一列的白色像素数量。Matlab里用sum()函数：proj = sum(plate_binary, 1);。这里的1表示按列求和。

3.3 找分割点

投影结果里，谷点（数值小的地方）就是字符之间的空隙。咱们可以设置一个阈值，比如投影值小于最大值的10%的地方就是分割点。然后根据这些分割点裁剪出每个字符：

proj = proj/max(proj); % 归一化投影值
split_points = find(proj < 0.1); % 找谷点
% 把分割点分组，得到每个字符的列范围
char_regions = [];
start_col = 1;
for j = 2:length(split_points)
    if split_points(j) - split_points(j-1) >5 % 间隔大于5的是字符之间的空隙
        end_col = split_points(j-1);
        char_regions = [char_regions; start_col end_col];
        start_col = split_points(j);
    end
end
% 裁剪每个字符
chars = [];
for k =1:size(char_regions,1)
    c = imcrop(plate_binary, [char_regions(k,1) 1 char_regions(k,2)-char_regions(k,1)+1 size(plate_binary,1)]);
    chars{end+1} = c;
end

这样就能得到每个字符的图片啦！如果字符粘连，可以用imerode()做一次腐蚀操作，把它们分开。

第四步：字符识别——认出每个字符

字符识别最基础的方法是“模板匹配”——把分割出来的字符和咱们提前做好的模板对比，找最像的那个！

4.1 制作模板库

首先得有一个模板库，包含所有可能的车牌字符：汉字（比如“京、沪、粤”等）、字母（A-Z）、数字（0-9）。你可以找一张标准车牌的图片，裁剪出每个字符，保存成单独的图片，比如“jing.png”“A.png”“1.png”等。然后把这些模板读入Matlab，统一大小（比如20x20像素）：

template_dir = 'templates/';
template_files = dir(fullfile(template_dir, '*.png'));
templates = [];
labels = [];
for m=1:length(template_files)
    t = imread(fullfile(template_dir, template_files(m).name));
    t = imresize(t, [20 20]); % 统一大小
    t = im2bw(t,0.5); % 二值化
    templates{end+1} = t;
    labels{end+1} = template_files(m).name(1:end-4); % 取文件名作为标签
end

4.2 模板匹配

对于每个分割出来的字符，咱们用normxcorr2()计算它和每个模板的相关系数——相关系数越大，说明越像。然后取最大的那个对应的标签就是识别结果：

result = '';
for n=1:length(chars)
    char_img = imresize(chars{n}, [20 20]); % 调整字符大小和模板一致
    char_img = im2bw(char_img,0.5);
    max_corr = 0;
    best_label = '';
    for p=1:length(templates)
        corr = normxcorr2(templates{p}, char_img);
        current_max = max(corr(:));
        if current_max > max_corr
            max_corr = current_max;
            best_label = labels{p};
        end
    end
    result = [result best_label];
end

最后result变量里就是咱们识别到的车牌号码啦！

第五步：结果输出——展示成果

识别完成后，咱们可以用disp()函数输出结果，或者在图片上画个框显示车牌区域和识别结果：

% 在原始图片上画框
img_with_plate = img;
bb = stats(i).BoundingBox;
img_with_plate = rectangle('Position', bb, 'EdgeColor', 'red', 'LineWidth',2);
hold on;
% 显示识别结果
text(bb(1), bb(2)-10, result, 'Color','red', 'FontSize',12);
hold off;
imshow(img_with_plate);
disp(['识别到的车牌号码：', result]);

这样就能直观地看到结果啦！

常见问题 & 解决方法

在实战中，你可能会遇到一些问题，这里分享几个我踩过的坑和解决办法：

问题1：车牌倾斜怎么办？

如果车牌是倾斜的，定位和分割都会出错。解决办法是用霍夫变换找倾斜角度，然后旋转图片。Matlab里用hough()函数：

% 找倾斜角度
[H, theta, rho] = hough(edge_img);
peaks = houghpeaks(H, 5);
lines = houghlines(edge_img, theta, rho, peaks);
angle = lines(1).Theta;
if angle >45, angle = angle-90; end
% 旋转图片
rotated_img = imrotate(img, angle, 'bilinear', 'crop');