简介：这是一份基于 MATLAB 的车牌识别方法研究论文及配套代码说明，面向数字图像处理、模式识别方向的本科生与入门研究者。内容覆盖车牌识别完整流程：包括图像灰度化、Roberts 算子边缘检测、形态学腐蚀与平滑处理、边界值计算等车牌区域提取步骤，基于垂直投影扫描的字符切割方法，以及字符归一化与识别的实现思路，文档中配有对应程序代码与处理效果图，便于实操对照。资源为 1 个 doc 文档，压缩包整体约 594KB，目前已有 314 人学习。作为数字图像处理课程论文，文档按摘要、关键词、研究背景、主要理论概况、研究内容与系统程序设计等模块展开，系统介绍从图像采集到字符识别输出的完整过程；同时梳理了车牌识别的研究现状与技术难点，如车牌格式多样、颜色种类多、污渍模糊与偏斜干扰等，并提供基于模板匹配与特征分类的字符识别方法综述，可帮助读者快速建立完整技术路线，适合课程论文参考或 MATLAB 图像处理入门实践。

1. MATLAB车牌识别论文加源码：从定位到识别的一整套可复现流程

如果你正在找一份能直接跑通、又配得上课程设计或毕业设计的MATLAB车牌识别项目，这套「论文加源码」基本就是为你准备的。它不像网上那些只丢一段残缺代码的资源，而是把“车牌区域提取、字符切割、字符识别”三个模块完整串了起来，还附带了一份排版好的课程论文，从研究背景写到结果分析，连参考文献和附录源码都有。

我拆过不少图像处理类的资源，这套的最大价值在于：它的流程是教科书级的——灰度化、Roberts边缘检测、腐蚀、闭运算、投影法定位、垂直投影分割、模板匹配识别，每一步都有对应的MATLAB代码和效果图说明。适合三类人：一是做数字图像处理课程设计的学生，拿来改改就能交；二是想快速跑通车牌识别全流程的初学者，代码注释虽然粗糙但路线清晰；三是需要一份可扩展基座的研究者，后面换算法换数据集都方便。

2. 车牌定位：从灰度化到投影边界的一整套形态学操作

车牌定位是整个识别系统的第一步，也是最容易翻车的一步。定位不准，后面分割和识别全是白搭。这套代码用的是纯形态学路线：先把RGB图转灰度，再用Roberts算子做边缘检测，接着腐蚀掉细碎边缘，闭运算把车牌区域连成一块，再用bwareaopen删除小对象，最后用水平垂直双向投影确定车牌的四个边界。

2.1 图像读取与灰度化：RGB到灰度的转换逻辑

程序启动后先用uigetfile弹出文件选择框，读取一张JPG图片。然后调用rgb2gray把彩色图转成灰度图，这一步是关键——车牌底色和字符颜色对比度大，转灰度后两者灰度值拉开，后续边缘检测才好用。源码里还用了imadjust做线性灰度变换，把灰度范围从[0.3, 0.7]映射到[0, 1]，相当于把中间灰度段拉伸，车牌区域的对比度会明显增强。

[filename, filepath] = uigetfile('*.jpg', '输入一个需要识别的车牌图像'); I = imread(strcat(filepath, filename)); I1 = rgb2gray(I); % RGB转灰度，降低数据维度 I1 = imadjust(I1, [0.3, 0.7], []); % 线性灰度拉伸，增强对比度 I1 = medfilt2(I1); % 中值滤波去噪，保留边缘

灰度化后的直方图可以用imhist查看，如果车牌区域和背景的灰度峰没有明显分离，就要调整imadjust的输入范围。中值滤波用3×3窗口就够，窗口太大会把车牌的边缘细节也磨掉。

2.2 Roberts边缘检测与腐蚀：去掉多余边界点

边缘检测用的是edge函数，算子选roberts，阈值0.25，方向both。Roberts算子用对角方向相邻像素之差检测边缘，对陡峭边缘敏感，计算量小，适合车牌这种字符边缘清晰的目标。但实测下来Roberts对噪声也敏感，背景复杂时会出现大量伪边缘，所以源码紧接着做了一次腐蚀，结构元素用的是竖着的三像素列向量。

I2 = edge(I1, 'roberts', 0.25, 'both'); % 边缘检测，阈值0.25 se = [1; 1; 1]; % 3x1竖直结构元素 I3 = imerode(I2, se); % 腐蚀，消除细碎边缘

腐蚀的作用是让白色边缘变细、变短，那些由噪声或纹理产生的短边缘会被直接消掉。结构元素选竖直方向，是因为车牌字符边缘以竖线为主，竖直腐蚀能保留车牌字符轮廓，同时干掉横向噪点。阈值0.25这个值需要说明一下：论文正文写的是0.15，但主程序里实际用的是0.25，这个不一致我在后面避坑章节会细说。

2.3 闭运算与移除小对象：把车牌区域连成连通域

腐蚀完之后，车牌区域的边缘线还是断续的。这时候用imclose做闭运算——先膨胀后腐蚀，把临近的边缘点连接起来。结构元素用的是20×20的矩形，只要两个封闭域之间的距离小于这个矩形尺寸，就会被连成一个连通域。论文正文里写的是25×25，程序里却是20×20，又是一个版本差异。

se = strel('rectangle', [20, 20]); % 矩形结构元素，决定连通域合并范围 I4 = imclose(I3, se); % 闭运算，连接断裂的轮廓 I5 = bwareaopen(I4, 1000); % 删除面积小于1000像素的对象

闭运算的矩形尺寸直接影响定位结果：太小小区域连不起来，车牌轮廓断裂；太大把车的标志、车窗边框也连进来，后面还得靠bwareaopen删。bwareaopen删除面积小于1000的连通域，这个值也不是固定的——图像分辨率高时，车标、车灯的面积可能超过1000，得按实际图像调整。

2.4 双向投影法确定车牌边界：代码里的像素统计定界

这一步是车牌定位的核心，源码用的是一个有点绕的写法：先统计每一行白色像素的数量，找到最大值所在行作为基准，然后从该行向上下两个方向扫描，直到白色像素数小于阈值5才停。这个阈值5就是临界值，用来过滤零星噪点。水平方向同理，阈值取3。

[y, x, z] = size(I5); Blue_y = zeros(y, 1); for i = 1:y for j = 1:x if myI(i, j, 1) == 1 % 统计白色像素（二值图为1） Blue_y(i, 1) = Blue_y(i, 1) + 1; end end end [temp, MaxY] = max(Blue_y); PY1 = MaxY; while ((Blue_y(PY1, 1) >= 5) && (PY1 > 1)) PY1 = PY1 - 1; end

这段代码的逻辑是：先找白色像素最多的行——这一定是车牌所在的行，因为车牌区域的白色像素密度远高于背景。然后从这一行往上走，只要某行的白色像素还大于等于5，就说明还在车牌区域；小于5说明到了背景，停止。这个“5像素”就是投影法里的临界值，源码注释里有人打了个问号，实际上这个值的选取取决于图像分辨率，分辨率越高，这个值应该调大。

边界确定后还有一段修正逻辑：PY1-2、PX1-2、PX2+3、PY2+10，这些偏移量是为了把边界的毛刺去掉，保证裁剪出来的区域完整包含车牌。然后用imcrop从原图中把车牌区域裁出来，存成dw.jpg。到这里，车牌定位就完成了，后面所有操作都基于dw.jpg。

3. 字符分割：垂直投影与面积比的膨胀腐蚀策略

车牌裁出来后，第二步是把车牌上的7个字符一个个切出来。这套源码的做法是：先对车牌灰度图做增强和二值化，然后用中值滤波去噪，接着根据字符面积与车牌面积的比值决定膨胀还是腐蚀，最后用垂直投影法把每个字符的左右边界找出来，逐个切割。

3.1 二值化与滤波：im2bw阈值0.4的选择逻辑

定位裁剪后的dw.jpg先转灰度图，再做一次imadjust线性拉伸，然后im2bw以0.4为阈值二值化。这个0.4阈值的意思是：灰度值小于0.4的像素置为0（黑色），大于等于0.4的置为1（白色）。车牌字符在灰度图上通常比底色暗，二值化后字符变黑、底色变亮（视具体图像而定，也可能反过来），这一步直接决定后续投影分割能不能干净。

b = rgb2gray(a); b = imadjust(b, [0.3, 0.7], []); % 增强灰度对比度 d = im2bw(b, 0.4); % 阈值0.4二值化 d = medfilt2(d); % 中值滤波去孤立噪点

中值滤波对二值图像的孤立噪点非常有效——单个白点或黑点会被邻域中值替换掉，而字符笔画的连续性不会受影响。实测发现，这步滤波对后续的垂直投影影响很大：不滤波的话，投影直方图上会出现大量毛刺，找分割点时容易误判。

3.2 面积比驱动的膨胀腐蚀：0.235到0.365的经验区间

二值化后的车牌图，字符和噪声混合在一起，需要根据字符的实际占比做形态学修正。源码里用bwarea算字符面积（其实是白色像素面积），除以车牌总面积得到占比，然后按经验阈值判断：

• 占比大于0.365：说明膨胀过度或噪声太多，做腐蚀收缩
• 占比小于0.235：说明字符太细或二值化掉了笔画，做膨胀加粗
• 介于两者之间：不动

se = eye(2); % 2x2单位矩阵作为结构元素 [m, n] = size(d); if bwarea(d) / m / n >= 0.365 d = imerode(d, se); % 字符占比过高，腐蚀收缩 elseif bwarea(d) / m / n <= 0.235 d = imdilate(d, se); % 字符占比过低，膨胀加粗 end d = qiege(d); % 调用切割子程序，去掉边缘干扰

0.235到0.365这个区间是这个项目作者在实验里反复调出来的。不同分辨率的车牌图，这个比值会变化，但区间范围基本适用。如果二值化后字符大量断裂，就把下限调到0.2，上限调到0.4，多试几次找到合适区间。

3.3 垂直投影分割：连续白色列与字符宽度的双重判断

垂直投影分割的原理很简单：把二值图像按列求和，有字符的列和值大，字符间隙的列和值接近0。源码用一个while循环扫描整个投影数组，找到一段连续非零的列区间，这段区间就是一个字符。但问题来了——如果两个字符粘连，它们的投影区间会连在一起，一个区间里可能包含两个字符。

s = sum(d); % 每列白色像素数 j = 1; while j ~= n while s(j) == 0 % 跳过空白列 j = j + 1; end k1 = j; % 字符起始列 while s(j) ~= 0 && j <= n - 1 j = j + 1; end k2 = j - 1; % 字符结束列 if k2 - k1 >= round(n / 6.5) [val, num] = min(sum(d(:, [k1 + 5:k2 - 5]))); d(:, k1 + num + 5) = 0; % 在字符内部找投影谷值，强制分割 end end

这段代码的精髓在if语句里：当一段连续白色区域的宽度超过车牌总宽度的1/6.5时，判定它包含了多个字符，此时在区域内部寻找投影值最小的列——也就是字符间最细的连接点，强制把这一列置黑，完成分割。1/6.5是怎么来的？标准车牌有7个字符，考虑左右留白，单个字符宽度约占总宽度的1/6.5到1/7。这个阈值如果设太大，粘连字符分不开；设太小，会把单个字符拦腰切断。

3.4 切割出7个字符：干扰处理与汉字/字母/数字的区分逻辑

主分割循环跑完后，还有一段单独的切割逻辑处理第一个字符——也就是省简称汉字。汉字和字母数字不同，它有左右结构，垂直投影会出现中间低谷，直接按连续区域切会把汉字切成两半。源码的解法是：切割时检查字符中间三分之一区域的像素占比，如果中间区域的白色像素占比超过25%，就认为这个字符是完整的汉字，否则当成干扰丢弃。

while flag == 0 [m, n] = size(d); wide = 0; while sum(d(:, wide + 1)) ~= 0 wide = wide + 1; end if wide < 10 d(:, [1:wide]) = 0; % 宽度小于10认为是左侧干扰，删除 d = qiege(d); else temp = qiege(imcrop(d, [1 1 wide m])); [m, n] = size(temp); all = sum(sum(temp)); two_thirds = sum(sum(temp([round(m/3):2*round(m/3)], :))); if two_thirds / all > 0.25 flag = 1; word1 = temp; % 判断为汉字，作为第一个字符 end d(:, [1:wide]) = 0; d = qiege(d); end end [word2, d] = getword(d); % 依次分割第2到第7个字符 [word3, d] = getword(d);

getword是源码配套的子函数，逻辑和上面这段类似：从左边开始找连续白色区域，切割下来，然后把这一块从原图中抹掉，继续切下一个。注意word1是用特殊逻辑切出来的，word2到word7统一用getword，因为第2位一定是字母，后面五位是字母或数字，都不存在左右结构问题。汉字字符切割是这套代码里最脆弱的环节，后面避坑章节我详细说。

3.5 字符归一化与模板匹配识别：40×20尺寸的差分比较法

识别模块用的是纯模板匹配：把切割出的字符归一化成40×20像素，然后和模板库里的每个模板逐像素做差，统计差异超过±10的像素个数，差异最小的模板就是识别结果。模板库按照车牌规则分了三段：第1位是汉字（模板索引37到43），第2位是字母（11到36），第3位以后是字母或数字（1到36）。

word1 = imresize(word1, [40 20]); % 归一化到40x20 for I = 1:7 ii = int2str(I); t = imread([ii, '.jpg']); % 读入第I个字符图像 SegBw2 = imresize(t, [40 20], 'nearest'); if I == 1 kmin = 37; kmax = 43; % 汉字模板范围 elseif I == 2 kmin = 11; kmax = 36; % 字母模板范围 else kmin = 1; kmax = 36; % 字母数字模板范围 end for k2 = kmin:kmax fname = strcat('字符模板\', liccode(k2), '.jpg'); SamBw2 = imread(fname); SubBw2 = SegBw2 - SamBw2; % 逐像素差分 Dmax = sum(abs(SubBw2(:)) > 10); % 统计差异点 Error(k2) = Dmax; end Error1 = Error(kmin:kmax); MinError = min(Error1); findc = find(Error1 == MinError); Code(l) = liccode(findc(1) + kmin - 1); end

liccode是按固定顺序排的字符表：0到9、A到Z、京辽桂陕苏渝浙。模板文件名就是对应的字符名加.jpg，比如汉字“京”的模板就是字符模板\京.jpg。模板匹配对归一化质量要求很高——字符不够居中、笔画粗细不一致，差分值都会变大，识别时容易错判到相近模板上，比如O和0、B和8这类相似字符。

4. 这份资源里的坑：我从代码里挖出的五个血泪问题

这套源码能跑通，但离“开箱即用”还有距离。我实际拆解和测试时踩了不少坑，这里挑影响最大的五个，每条按现象、原因、解决来写。

4.1 模板文件夹缺失，运行到字符识别直接报错

现象：整个定位和分割流程走完，到字符识别阶段，imread读模板文件时报错找不到文件，或者——更隐蔽的——程序用了错误尺寸的模板图，识别结果全错。

原因：源码附录只给了主程序和qiege、getword子程序，但没有附带字符模板库。模板库需要自己准备：每个字符一张归一化好的40×20二值图。没有模板库，识别模块根本无法运行。

解决：最实用的办法是从现有车牌的字符截图里抠模板。找几张不同车牌的清晰照片，把7个字符用imcrop逐一切出来，归一化成40×20，再用imwrite存成“字符模板\字符名.jpg”。注意所有模板必须是二值图，而且是白字黑底还是黑字白底要跟你的二值化结果保持一致，否则差分计算出来的误差全是错的。

4.2 灰度图直接进投影定位，全部像素都是白色

现象：程序跑到投影定位那一段，统计出来的白色像素数异常，定位框要么覆盖全区要么完全错位。

原因：源码里有一处注释写“判断蓝色像素”，但实际代码判断的是myI(i,j,1)==1，也就是二值图像素值为1的白色点。如果输入的不是二值图而是灰度图，像素值分布在整个0到255范围，等于1的点可能几乎没有或到处都是，统计出来的行列投影完全失真。

解决：确保进入投影定位阶段的是形态学处理完的二值图，即代码里的I5，而不是I1或I2。在定位代码前加一行检查：if ~islogical(I5)，转成logical类型再跑统计，避免灰度值等于1的巧合。

4.3 Roberts边缘检测的阈值0.15还是0.25，论文和代码不一致

现象：按论文里的0.15阈值跑，背景复杂的图像边缘图一片白，腐蚀和闭运算后车牌区域淹没在杂波里；按代码里的0.25跑，边缘图干净一些，但有些光照弱图像的车牌边缘变得很稀疏。

原因：论文正文和附录代码存在版本差异——正文写的是0.15，代码用的是0.25。阈值小则边缘点多但噪声重，阈值大则边缘干净但可能漏检弱边缘。没有哪个值在所有场景下都对。

解决：建议把阈值设为可调参数，先跑一张简单背景的图用0.15，跑复杂背景的图用0.25。如果边缘明显太碎，阈值往上加到0.3；如果边缘断得厉害，往下减到0.1。另外注意edge函数的thresh参数直接对应梯度幅值阈值，改动要小步调，不要一次跳0.1。

4.4 闭运算结构元素20×20和25×25，对连通域合并影响巨大

现象：用20×20的矩形做闭运算，某些车牌的汉字和字母之间断开，形不成完整连通域，后面bwareaopen删小对象时把应该保留的车牌部分也删了；用25×25又容易把车标或车窗边缘一起连进来。

原因：结构元素尺寸决定了两个封闭区域要被连接所需的最大距离。20×20意味着水平方向最多连20像素、垂直方向最多连20像素——如果字符笔画间隔超过这个值就断。25×25容忍度更高，但误连风险也更大。代码用的是20×20，论文写的是25×25，真实原因大概率是作者在不同图片上分别调出来的。

解决：根据实际图像的车牌宽度来设矩形尺寸。经验值是取车牌宽度（像素）的1/20作为矩形边长。比如车牌区域宽200像素，就用10×10的矩形；宽450像素，就用22×22。这个比例关系比固定值更可靠。

4.5 汉字字符分割容易碎，京字被切成左右两半

现象：定位准确、二值化干净的情况下，第一个汉字——比如“京”——在垂直投影时中间出现明显的谷值，被误判为字符间隙，整个汉字被切成两半，后面的识别结果完全错乱。

原因：汉字和字母数字不同，很多汉字是左右结构，“京”“苏”“浙”这类字的中间笔画少，垂直投影会出现低谷。而分割算法是按连续白色列区间来切的，遇到这种谷值就容易在汉字中间下刀。源码特别处理了第一个字符——用two_thirds/all>0.25判断中间区域是否还有足够像素，但阈值0.25不见得对所有汉字都适用。

解决：如果你只需要处理固定地区车牌，比如只识别“京”字，就单独测一下这个字的投影特征，把0.25阈值调整到刚好能让该字中间谷值被容忍的程度。另一种做法是提前对二值图做一次闭运算，结构元素选水平方向的1×5矩形，可以把汉字内部的小间断连起来，再跑分割。实测这个预处理对左右结构汉字效果明显，代价是字符宽度会被轻微撑大，微调一下1/6.5那个宽度阈值即可。

5. 从复现到改进：把识别率从“能跑”提到“能用”

如果你已经照着源码跑通了一遍，接下来值得做的事是给这套代码加一个批量验证框架。单独一张图的识别结果说明不了问题，我习惯的做法是收集20到30张不同环境下的车牌图片，跑一遍完整的定位、分割、识别流程，最后统计每一阶段的成功率，定位失败、分割失败、识别错误分开计，这样才知道瓶颈在哪。

5.1 批量测试脚本：三个指标分别统计

% 批量测试脚本框架 files = dir('test_images/*.jpg'); results = {}; for i = 1:length(files) try [plate, seg_chars, rec_code] = plate_recognize(files(i).name); results{i}.定位 = ~isempty(plate); results{i}.分割 = length(seg_chars) == 7; results{i}.识别 = rec_code; catch ME results{i}.定位 = false; results{i}.分割 = false; results{i}.识别 = ''; end end % 统计定位率、分割成功率、识别准确率

把主程序封装成plate_recognize函数，输入图片路径，输出定位结果、7个字符和识别结果。try-catch保证单张图片出错不会中断整个循环。三个指标分别统计——如果定位率已经90%以上，分割率只有50%，说明问题集中在形态学参数和二值化上，你就不用再去动识别模块了。

5.2 参数敏感性验证：哪个参数最值得调

我按重要程度给这套代码的参数排个序：第一是im2bw的二值化阈值0.4，直接决定分割质量；第二是Roberts边缘检测的thresh值0.25；第三是bwareaopen的面积阈值1000；第四是字符宽度判断的1/6.5；第五是面积比的0.235/0.365区间。排这个序的根据是：二值化错了，后面全是错；边缘检测错了，定位就错；分割宽度错了，字符切分就错。

要验证参数敏感性，固定其他参数不动，只改变一个参数的值，观察识别率变化。这个方法能告诉你哪些参数需要精调、哪些参数可以大胆放宽。比如把0.4改成0.35和0.45各跑一遍，如果识别率波动超过10%，这个参数就是你的项目重点——大概率是因为二值化后字符笔画粗细变化太大，模板匹配吃不消。

5.3 模板匹配的下一步：换特征或换分类器

模板匹配的好处是简单、可解释，坏处是扛不住变化:字符倾斜、粗细不均、光照差异都能让差分值突增。想在不换语言、不换框架的前提下提升识别率，有两个方向：一是把逐像素差分换成特征向量匹配——提取字符的网格特征或投影特征，类似把40×20的图像划分成8×4的网格，统计每格像素占比，再用欧氏距离或余弦距离匹配；二是把模板匹配结果作为候选集，对差异最小的前三个候选做二次判别，比如用字符的宽高比、笔画密度做规则过滤，能明显减少O/0、B/8这类相似字符的误判。

我从那以后每次写图像识别相关的课程设计，都会强制自己先铺一个批量测试脚本再调算法。不要一遍遍点运行、肉眼看图来验证效果，那样既慢又不客观。这套MATLAB车牌识别论文加源码最适合的用法，就是先跑通、再测数据、再改参数，三步走完，你对整个识别流程的掌控感会完全不一样。希望帮到你。

本文还有配套的精品资源，点击获取