Matlab车牌识别系统设计：从HSV定位到模板匹配的完整实现

简介：基于Matlab车牌识别系统并配有GUI界面的毕业设计项目，面向计算机视觉方向的本专科学生与课程设计使用者。项目已通过导师指导并实际运行，覆盖车牌图像预处理、定位、字符分割与识别等核心环节，可直接作为毕业设计主代码或期末大作业参考方案。压缩包内共64个文件，由9个m源码、45个bmp字符模板、8个jpg车牌样本以及txt/md格式说明文档组成，整体仅5.73MB；其中m源码为项目核心算法，bmp字符模板与jpg实验样本用于训练测试，说明文档补充运行说明与数据格式。目录结构清晰，便于查阅。资源包含main主程序、字符识别、图像分割、形态学处理等模块，配合倾斜校正与车牌样本，可在GUI界面下完成完整识别流程；README与数据文件另附参数说明与字符映射关系，方便理解算法思路并做二次改进。目前已有532人浏览学习，适合需要一套完整可运行Matlab车牌识别方案的学生参考借鉴，也便于在此基础上进行算法优化与界面调整。

1. 基于Matlab车牌识别系统：一个毕设项目能拿高分，靠的是哪几步

如果你正在找毕业设计题目，看到“基于Matlab车牌识别系统+GUI界面”这个组合，多半是看中了它四个字：量级适中。图像处理在Matlab里有现成工具箱，车牌识别又是经典的计算机视觉入门课题，加上一个GUI界面就能撑起“系统设计”的完整感。但我要先泼一盆冷水：这个题目拿高分，靠的不是识别算法本身有多前沿，而是定位稳、分割准、界面能跑通、答辩能讲清。很多人的项目翻车，恰恰是栽在“以为最难的是识别”这个误判上——实际上车牌识别最难的是定位，其次是字符分割，识别反而是最容易糊弄过去的一步。这篇笔记按我自己的落地顺序来写：先讲车牌定位怎么做才稳，再讲字符分割和识别的具体实现，然后是GUI怎么把流程串起来，最后是调试参数和避坑记录。读者不管是拿来交作业，还是想真正跑通一个完整的图像处理系统，都能按步骤复现。

2. 车牌定位是最容易翻车的环节：HSV阈值与形态学筛选

2.1 定位的本质：把蓝色区域从复杂背景里抠出来

国内蓝底白字车牌的主色调是蓝色，所以定位的核心思路就一条：找出图像里所有“蓝色像素”，再把散落的蓝色点拼成一块完整的矩形区域。说起来简单，做起来全是细节。很多学生的第一个版本是用RGB判断蓝色，比如“B分量大于R分量且B大于某个阈值”——这种做法在纯色背景的测试图上确实能跑通，但换到真实场景就翻车：阴影下的车牌偏暗，B分量不够高；白色车身上的反光区域偏偏也满足“B大于R”的条件；绿植背景里的蓝色杂物也会被一起抠出来。所以RGB判断只能作为课后练习，真正落地要用HSV颜色空间。HSV把颜色拆成色调、饱和度、明度三个独立维度，其中色调H对光照变化不敏感，恰好适合做颜色掩膜。这也是为什么所有成熟的Matlab车牌识别方案都把HSV阈值作为第一步。

我用Matlab做了一个蓝色掩膜的参考实现，代码结构刻意保持简单，便于在毕业设计里继续往下扩展：

% 读取原始图像 img = imread('car.jpg'); % 转HSV颜色空间 hsv = rgb2hsv(img); % 提取三个通道 H = hsv(:,:,1); S = hsv(:,:,2); V = hsv(:,:,3); % 蓝色车牌的HSV阈值范围（需根据实际图像标定） mask_blue = (H > 0.55 & H < 0.70) & (S > 0.35) & (V > 0.15); figure; subplot(1,2,1); imshow(img); title('原始图像'); subplot(1,2,2); imshow(mask_blue); title('蓝色掩膜');

这段代码的逻辑是先把RGB图像转成HSV，再对H（色调）、S（饱和度）、V（明度）三个通道分别做阈值判断。H在0.55到0.70之间对应蓝色区域；S大于0.35是为了排除灰白色物体——它们的颜色饱和度很低，虽然看起来有点蓝，但绝不是车牌蓝；V大于0.15是为了排除纯黑区域，否则暗处的阴影会被当成蓝色。

这里有个必须自己动手做的步骤：读入你的测试图片，用imtool或者直接画出H、S、V三个通道的图像，观察车牌的H值落在哪个区间。不同相机拍出来的车牌蓝会有偏移，有的偏深有的偏浅，死记别人的阈值没有意义。常见做法是先放宽范围（H在0.5到0.75之间），看掩膜里混进了什么，再逐步收窄。

2.2 形态学处理：让掩膜从“筛子”变成“实心块”

蓝色掩膜通常不是一块干净的实心矩形——车牌上的白色字符会把蓝色区域打断，变成一条条断续的横条；车牌边缘的反光也会让掩膜出现毛刺。这时候就要用形态学操作把断开的区域连接起来，再把零散的小噪声点去掉。形态学操作是Matlab图像处理大作业里最容易被忽略但最出效果的一步。

% 形态学闭运算：先膨胀再腐蚀，填平字符造成的空洞 se_close = strel('rectangle', [15, 15]); mask_close = imclose(mask_blue, se_close); % 形态学开运算：先腐蚀再膨胀，去除孤立小噪声 se_open = strel('rectangle', [3, 3]); mask_clean = imopen(mask_close, se_open); % 填充掩膜内部的孔洞 mask_filled = imfill(mask_clean, 'holes'); figure; subplot(1,3,1); imshow(mask_blue); title('原始掩膜'); subplot(1,3,2); imshow(mask_close); title('闭运算后'); subplot(1,3,3); imshow(mask_filled); title('填充孔洞后');

闭运算的结构元素尺寸是定位环节里最值得调的参数。[15, 15]的意思是横向15像素、纵向15像素的矩形窗口，先膨胀后腐蚀。膨胀会把邻近的蓝色区域连到一起，字符造成的空洞随之被填平；腐蚀再把这些连接区域的外轮廓缩回去。结构元素太小，字符空洞填不住；结构元素太大，会把车灯、保险杠上的蓝色装饰一并吞进来。经验做法是让结构元素宽度接近车牌字符的笔画宽度——你可以先用imshow放大看一个字符占多少像素，再来定这个尺寸。

开运算的[3, 3]是清理孤立噪声点的，它和闭运算相反，先腐蚀后膨胀，会把小于结构元素的小块全部去掉。最后一步imfill填充孔洞，保证后续连通域分析得到的是实心连通块。

2.3 连通域筛选：宽高比和面积是最后的把关人

形态学处理之后，掩膜里可能还有非车牌的蓝色块——比如蓝色的广告牌、蓝色车身上的反光区域、远处的一辆蓝色车。这时候不能靠颜色区分了，要靠形状。车牌是一个宽高比约为3.14的矩形（440mm×140mm的国标蓝牌），这个比例是筛选连通域时最硬的约束条件。

% 标记连通域 labeled = bwlabel(mask_filled, 8); stats = regionprops(labeled, 'Area', 'BoundingBox'); % 初始化候选区域 candidates = []; for k = 1:length(stats) area = stats(k).Area; bbox = stats(k).BoundingBox; % [x, y, width, height] width = bbox(3); height = bbox(4); % 面积过滤：排除过小的噪声块，也排除占满全图的大块 img_area = size(img, 1) * size(img, 2); if area < img_area * 0.005 || area > img_area * 0.3 continue; end % 宽高比过滤：车牌宽高比在2.5到4.5之间 aspect_ratio = width / height; if aspect_ratio < 2.5 || aspect_ratio > 4.5 continue; end % 候选区域的高度不能极端（太矮的是横线，太高的是竖条） if height < size(img, 1) * 0.02 || height > size(img, 1) * 0.2 continue; end candidates = [candidates; bbox]; end % 如果有多个候选，优先选择面积最大的 if ~isempty(candidates) [~, idx] = max(candidates(:, 3) .* candidates(:, 4)); final_bbox = candidates(idx, :); % 裁剪出车牌区域 plate = imcrop(img, final_bbox); figure; imshow(plate); title('定位结果'); end

regionprops返回的BoundingBox是四元素向量，前两个是左上角坐标，后两个是宽和高。筛选条件里我把宽高比放宽到2.5到4.5，是因为实拍图像里车牌会有倾斜，投影后宽高比会有一定变形。如果卡死在3.14，稍有旋转就丢目标。但也不能放宽到2以下——那样会把车头的进气格栅也算进来。如果筛完后候选区域不止一个，我一般优先选面积最大的，原因是同一场景里越大块越可能是前景目标。

定位的成败一半在参数，另一半在图像质量。如果原图分辨率很低或者车牌占比很小，可以先对整图做一次imresize放大，再做颜色检测。反过来说，如果原图里车牌占比太大，宽高比筛选也会出问题——车牌占据了画面一半，宽高比反而失真。

3. 字符分割与识别：垂直投影找边界，模板匹配别偷懒

3.1 垂直投影：字符边界的数学依据

定位到车牌区域后，接下来的任务是把“京A12345”这串字符一个一个切出来。字符分割的主流方法是垂直投影法，它的思路特别朴素：统计车牌图像每一列上白色像素的数量，得到一条“投影曲线”。字符所在的列，白色像素多；字符与字符之间的缝隙，白色像素少。曲线上的波峰和波谷就直接对应字符的左右边界。

% 假设plate是定位步骤裁剪出的车牌图像 gray = rgb2gray(plate); % 二值化：Otsu自动阈值 bw = imbinarize(gray); % 如果字符是白底黑字，需要反转 if mean(bw(:)) > 0.5 bw = ~bw; end % 垂直投影：统计每列的白色像素数 col_sum = sum(bw, 1); % 找到连续非零段作为候选字符区域 col_sum_bin = col_sum > 0; % 二值化投影曲线 diff_col = diff([0, col_sum_bin, 0]); start_col = find(diff_col == 1); % 上升沿，字符起点 end_col = find(diff_col == -1); % 下降沿，字符终点 % 显示投影曲线，辅助观察 figure; subplot(2,1,1); imshow(bw); title('二值化后的车牌'); subplot(2,1,2); plot(col_sum); title('垂直投影曲线');

这个步骤的细节在二值化之后的反转判断上。imbinarize默认把灰度图分成前景和背景，但如果车牌本身是蓝底白字，灰度化后蓝底比白色字符更暗，二值化结果里背景是白色、字符是黑色——这恰恰和后面要用的投影逻辑相反。所以我加了if mean(bw(:)) > 0.5的判断：如果白色像素占多数，说明背景成了白色，需要取反。这一行代码看着不起眼，少了它分割结果会完全乱掉。

start_col和end_col就是每个字符候选区的左右边界。得到这些边界后，按列裁剪出每个字符区域，再对每一块做水平投影或直接归一化尺寸，就能进入识别环节。

3.2 分割的边界坑：间隔符圆点与字符粘连

垂直投影在实际车牌上会遇到两个固定干扰源。第一个是车牌中间的小圆点——那是分隔符，它在投影曲线上会产生一个独立的小波峰，和真正的字符混在一起。如果直接按峰值切分，会切出一个没有任何含义的圆点“字符”，导致后续识别错位。处理办法很直接：根据车牌字符的位置规律，把第二个字符后的那个窄块丢弃，或者做一个宽度过滤——真正的汉字和字母数字宽度差不了太多，圆点的宽度通常只有正常字符的三分之一到二分之一。

第二个坑是字符粘连，多发生在汉字和字母之间——比如“京”字的最后一笔和“A”的左边挨得太近，投影曲线上两个波峰连成了一个。这种情况在模板匹配阶段会暴露出一个很典型的现象：第一个字符识别结果永远是错的，但第二个字符识别得很准。遇到粘连，我会用固定字符数来兜底：国内蓝牌有7个字符，如果切分结果只有6段，说明有一段是粘连的，就在投影曲线的最低谷处强制切一刀。这个思路听着粗暴，但它是我实测中最有效的补救手段——比任何形态学处理都管用，因为粘连在二值图上本质是像素层面的连接，形态学操作只会让情况更糟。

3.3 模板匹配和OCR：两条识别路线的取舍

字符识别有两条路线。第一条是模板匹配——把切出来的字符和预先准备好的模板库做相似度比较，选最像的。第二条是用OCR引擎，比如Matlab的ocr函数或开源的Tesseract。毕业设计选哪条，取决于你的数据集和答辩讲法。我的建议是模板匹配保底，因为它在逻辑上更可控、更好讲，而且不需要额外下载工具包。

% 模板库：每个模板是归一化到36x36的二值图 % template_db 是结构体数组，含 .name 和 .img 两个字段 template_db = load('template_db.mat'); templates = template_db.templates; % 待识别字符，归一化到与模板一致 char_img = imresize(char_bw, [36, 36]); % 计算相关系数 max_corr = -1; best_match = ''; for t = 1:length(templates) % corr2 计算两张图的相关系数，值越大越相似 c = corr2(char_img, templates(t).img); if c > max_corr max_corr = c; best_match = templates(t).name; end end % 相关系数低于阈值则标记为无法识别 if max_corr < 0.4 best_match = '?'; end disp(['识别结果: ', best_match, ' (相关系数: ', num2str(max_corr), ')']);

模板匹配的核心是corr2函数，它计算两幅图像的二维相关系数，取值范围从-1到1，越接近1表示越相似。注意模板和待识别字符必须做同样的尺寸归一化，否则模板里是36像素高、待识别字符是40像素高，corr2也能算出一个值，但那个值没有意义。

这里特别强调阈值0.4的用途。模板匹配最常见的毛病是“矬子里拔将军”——哪怕字符根本不在模板库里，它也会硬挑一个最像的返回。所以在判决处加一道关卡：相关系数低于0.4，不给结果，标记为问号。早期调试阶段，这个“?”是很宝贵的信号，它告诉你分割出来的东西不对，或者模板库里缺少这个字符的样本。

ocr函数是另一条路——它是Matlab自带的OCR引擎，识别印刷体字符的效果确实比模板匹配好，尤其是对模糊图像的鲁棒性高。但它有两个问题：一是识别结果以文本形式返回，处理汉字和字母数字混合场景时格式不如模板匹配可控；二是你没法在答辩时清楚解释它内部的判决逻辑——评委问一句“这个OCR是怎么工作的”，你只能回答“工具箱封装好了”，这在答辩里是很被动的。所以我更倾向于用模板匹配做主线，用ocr做验证——拿同一个字符分别跑两条路线，结果一致就说明识别可靠，结果不一致就回去看分割步骤，大概率是分割出的字符形态有问题。

4. 把算法装进GUI：GUIDE回调函数与答辩加分的设计

4.1 函数封装：识别流程先拆成三个独立模块

做GUI之前，先把算法流程封装成函数，这是避免GUI代码变成一团乱麻的最重要一步。很多学生直接在按钮回调里写一整套图像处理逻辑，结果回调函数一两百行，想改一个参数要在按钮代码里翻半天。正确的做法是让回调函数只负责“取数据、调函数、显示结果”三件事，算法逻辑全部放到独立的函数文件里。

一个完整的车牌识别流程，我一般拆成三个函数：locatePlate负责从原图定位车牌并返回裁剪后的区域；segmentChars负责把车牌区域分割成单个字符；recognizeChar负责把单个字符识别成文本。三个函数各干一件事，GUI回调里只需要依次调用它们。这也方便你单独测试每个环节——在命令行直接调用locatePlate看定位效果，不必启动GUI。

4.2 回调函数怎么接：按钮、坐标轴与数据显示

GUI布局用GUIDE（Matlab的图形用户界面设计工具）或者直接用代码创建，都可以。GUIDE的好处是拖拽控件后自动生成.fig文件和对应回调框架，适合新手快速搭出界面。搭一个简单的系统界面需要三个核心控件：一个“打开图像”按钮，一个“开始识别”按钮，两个坐标轴（左边显示原图，右边显示处理结果）。

% 打开图像按钮的回调 function btn_open_Callback(hObject, eventdata, handles) [filename, pathname] = uigetfile({'*.jpg;*.png;*.bmp', '图像文件'}, '选择车牌图片'); if isequal(filename, 0) return; % 用户取消选择 end filepath = fullfile(pathname, filename); img = imread(filepath); handles.img = img; % 把图像数据存到handles里，跨回调共享 guidata(hObject, handles); % 更新handles axes(handles.axes_original); imshow(img); title('原始图像'); end % 开始识别按钮的回调 function btn_recognize_Callback(hObject, eventdata, handles) if ~isfield(handles, 'img') msgbox('请先打开图像', '提示', 'warn'); return; end img = handles.img; % 调用三个步骤 plate = locatePlate(img); chars = segmentChars(plate); result = ''; for i = 1:length(chars) result = [result, recognizeChar(chars{i})]; %#ok<AGROW> end % 显示结果 axes(handles.axes_result); imshow(plate); title('识别结果'); set(handles.text_result, 'String', ['车牌号: ', result]); end

这里最关键的是handles和guidata的用法。handles是GUIDE维护的一个结构体，用来在多个回调之间共享数据。btn_open_Callback里把读入的图像存到handles.img，然后调用guidata(hObject, handles)把这个改动写回GUIDE的全局存储。如果漏了guidata这一行，下次在另一个按钮里读handles.img会是空——这个坑我见过无数人踩，而且程序不报错，只是静默地拿空数据去计算，结果就是识别按钮点了没反应。

uigetfile是打开系统文件选择框的标准函数，返回值里如果文件名是0，说明用户点了取消，这时候一定要return，否则后续代码会拿一个空文件名去执行imread，报错中断程序。界面上显示车牌号用的是set(handles.text_result, 'String', ...)，要保证你在GUIDE里拖了一个静态文本框，并把它命名为text_result——不然handles里没有这个字段。

4.3 答辩视角的细节：把每一步中间图放出来

从拿分角度看，GUI的布局比算法本身更能影响评价。一个只显示“识别结果”的界面是合格但不出彩的，一个把中间过程全部展示出来的界面才是能拿高分的。做法很简单：在界面上再加三个 axes 控件，分别显示“蓝色掩膜”“形态学处理结果”“字符分割结果”。然后在识别回调里把这些中间图像依次显示到对应坐标轴上。

这个设计的价值在于，答辩时你能指着界面讲每一层的逻辑——这块图片为什么是黑的、那个白色矩形为什么能定位到车牌、字符是怎么一个一个被切出来的。评委听得懂逻辑，评分自然上浮。而且如果某个环节出错，中间图能帮你快速定位问题在哪一层，比盯着最终识别结果猜要高效得多。另外一个实用主义的原因是：很多评委看到“车牌识别”第一反应是“这又是模板匹配”，但如果你的界面里有掩膜、形态学、连通域筛选这些中间展示，说明你是真正把图像处理流程走了一遍，不是拿现成代码改个标题。

GUI控件的回调函数里，如果涉及循环调用算法函数，建议在循环开头加一句drawnow强制刷新界面，否则Matlab会在循环执行期间把界面冻结成“未响应”状态——图像处理函数运行时间不长，但累计到几秒时，用户以为程序卡死了。这个细节小，体验感提升明显。

5. 车牌识别系统常见问题与排查：四条血泪经验

5.1 避坑一：定位框总是框偏或框空

现象：定位结果的矩形框明显偏移，框住了一半车牌加一部分保险杠；或者在车辆检测中丢失目标，识别结果为空白。

原因：多半在颜色掩膜和宽高比筛选配合上出了问题。宽高比阈值收得太紧，车牌略有透视变形就被过滤掉；或掩膜里车牌蓝色和车身蓝色混在一起，连通域分析把整个蓝色区域连成了一块。

解决：先用imshow叠加显示掩膜和原图，看掩膜是否完整覆盖车牌。如果掩膜不完整，把HSV的H范围放宽0.05；如果掩膜完整但矩形框偏，把宽高比下限从2.5降到2.0，上限从4.5升到5.0。调试时不要一次改多个参数，一次只改一个，对比前后两次的定位框位置。

5.2 避坑二：字符粘连与断裂，分割结果不稳定

现象：同一张图片，昨天分割正常，今天换了台电脑跑出一堆乱码；或者同一个车牌库里有几张图分割结果稳定错位。

原因：二值化的阈值是自动算的，光线变化会让字符笔画粗细发生几像素级别的变化。笔画变粗导致字符间粘连，笔画变细导致一个字符中间断成两截。

解决：在投影分割之后加一道“按预期字符数校验”的逻辑。国内蓝牌固定7个字符，如果切分结果不是7段，就把连接处最窄的两个候选合并，或者把断点两侧的候选合并——具体看是“多了一段”还是“少了一段”。校验逻辑写在分割函数里，比事后人工检查可靠。这个方法不是万能的，但它能覆盖80%的偶发性分割问题。

5.3 避坑三：GUIDE生成的.fig在新版Matlab里打不开

现象：导师的电脑装的是Matlab R2025a，你的界面是在R2022b上用GUIDE做的，双击.fig文件直接报错，或者按钮回调全部失效。

原因：GUIDE从Matlab R2025a起被官方移除了。用GUIDE创建的界面文件是旧格式，新版本不再支持打开和运行。

解决：如果你的Matlab版本较新，直接用uifigure和uibutton这些App Designer的底层函数写界面，代码量差异不大，但是格式向前兼容。如果你的版本还支持GUIDE，拿到高分后尽早把.fig导出为.mlapp，或者至少保留一份关键的生成代码，以备换环境时重建。血泪经验是：交完代码的当天，把运行环境的Matlab版本写进README，否则半年后导师换电脑一来一回全是时间成本。

5.4 避坑四：测试集和训练集混在一起，答辩被问穿帮

现象：答辩时评委随手拿出一张图让你现场识别，识别率低得离谱；或者问“你的模板库是从哪里来的”，你回答不上来。

原因：训练模板时用了测试图片里的字符，模板匹配在“见过的字”上性能虚高，换一张没见过的图就现原形。混淆训练集和测试集是数据划分上的硬伤。

解决：把数据集按逻辑拆分——训练模板库只用一部分清晰样本，测试集单独放在另一个文件夹。如果数据量小，至少保证测试集里的图片在训练时没被加载过。标准的做法是训练集、验证集、测试集按6:2:2的比例划分，这比“所有图片既是训练又是测试”更容易在答辩时站住脚。

6. 参数微调与数据使用的五个验证技巧

模板匹配和HSV阈值这两个环节的参数，决定了整个系统在“实验室图”以外的表现。以下五个技巧是我自己实测过、且能在半小时内验证效果的。第一个技巧是亮度扰动测试：把同一张测试图用imadjust调亮和调暗各一档，分别跑识别，如果结果不一致，说明HSV的V阈值或二值化阈值对光照太敏感，需要重新标定——先调V的范围，再调S，H一般不用动。第二个技巧是分辨率归一化：把测试图统一缩放到宽度800像素左右再进流程，可以避免“小图识别正常、大图定位偏移”的尺寸相关bug。第三个技巧是模板库的字符覆盖检查：打印一份模板库的字符清单，对照车牌字符集，确认汉字、字母、数字三类都有覆盖——缺了数字“0”和字母“O”这类形近字一定要同时保留，它们在实际识别中会互相打架。第四个技巧是留出“阴性样本”：在测试集里放几张没有车牌的街景图，验证系统在这类输入下不会误报出车牌号。第五个技巧是阈值边界记录：把每组参数调整都记在注释里，并标注对应的测试图文件名，方便之后回溯。

这些参数之间是联动的，调整时切记一次只动一个，并用同一组测试图对比前后结果。我曾经为了追求“识别率100%”连续调了三天参数，最后发现是把模板库里混进了测试图——这个假象骗了我整整一个周末。后来我养成一个习惯：所有实验都记录在同一个脚本里，参数改动前先跑一遍基线，改完再跑一遍，对比输出差异。毕业设计不追求算法创新，追求的是稳定可复现——这套习惯比任何技巧都管用，希望帮到你。

本文还有配套的精品资源，点击获取