简介：一份基于MATLAB的车牌识别课程论文与配套源码资料，面向数字图像处理、智能交通相关课程设计与毕业设计人群，覆盖车牌定位、字符切割、字符识别等核心环节。文档系统阐述车牌区域提取的灰度化、Roberts边缘检测、腐蚀平滑与边界值计算，以及字符切割中的去噪、膨胀处理和字符归一化；同时讨论国内车牌汉字、数字、字母混合和外部光照干扰等难点，并给出数学形态法、彩色分割、垂直投影等定位与分割思路。配套部分包含图像预处理、边缘提取等程序流程说明、关键公式与运行效果图，可直接作为课程报告、论文写作或MATLAB算法复现的参考。压缩包为单个doc文件，容量约594KB，整体结构清晰；目前已有314人学习，适合需要快速搭建车牌识别实验框架的初学者。

1. 一套能跑的 MATLAB 车牌识别：从课程设计到实用项目的完整范本

如果你正在做数字图像处理课程设计，或者在找一个能直接运行、每步都能可视化的车牌识别参考实现，这份《MATLAB车牌识别论文加源码》值得拆开读一遍。整套方案没有走深度学习路线，而是把经典图像处理三板斧练了一遍：灰度化与边缘检测做预处理，数学形态学和双向投影做车牌定位，垂直投影切割字符，最后用模板匹配输出车牌号。它最大的价值在于算法透明、参数全暴露在脚本里，适合新手理解识别链路，也适合熟手把它当算法基线做二次改造。适用人群很明确：写图像处理课程论文的学生、需要快速搭 Demo 验证效果的开发者，以及想把手写字符识别流程彻底吃透的算法初学者。

2. 图像预处理链路：灰度化、边缘检测与形态学操作

车牌识别第一步不是直接找车牌，而是把一张彩色车辆照片处理成干净的、车牌区域能凸显出来的二值图。整条链路在源码里是串行执行的，每一步都落一个中间变量，方便在 MATLAB 里断开调试。这一章的输入是一张普通的车辆照片，输出是一张理论上只剩车牌区域前景点的二值图，后面的定位和字符切割全部建立在这张图上。

2.1 灰度化与线性灰度增强：先统一色彩空间

[filename, filepath] = uigetfile('.jpg', '输入一个需要识别的车牌图像'); I = imread([filepath, filename]); % 拼出完整路径并读图 I1 = rgb2gray(I); % RGB彩色图转灰度图 figure('name','灰度处理前'), subplot(1,2,1), imshow(I1); subplot(1,2,2), imhist(I1); % 显示灰度直方图 I1 = imadjust(I1, [0.3,0.7], []); % 线性灰度变换，拉伸中间灰度区间 I1 = medfilt2(I1); % 3x3中值滤波去噪

这段是标准的图像预处理好习惯：先看直方图再决定增强参数。imhist 打印灰度分布能直观看出图像是偏亮还是偏暗——如果峰值集中在 0.3 以下，说明车牌区域和背景的对比度不足，后面的边缘检测会漏掉很多字符边缘。imadjust 的[0.3,0.7]参数，是把原图归一化灰度在 0.3 到 0.7 之间的像素线性拉伸到 0 到 1 的完整区间，小于 0.3 的像素变成 0，大于 0.7 的变成 1。效果是让中间灰度段的对比度翻倍，车牌字符和底色的差距被放大。如果光照特别强或特别暗，这个区间都要跟着调：暗图用[0.2,0.6]，亮图用[0.4,0.8]，这是比较常用的经验值。

medfilt2 是 3x3 中值滤波，把每个像素替换成周围 9 个像素的中值，对椒盐噪声非常有效。它比均值滤波好在保留边缘不模糊，而边缘正是车牌识别最依赖的特征。注意滤波放在 imadjust 之后而不是之前，是因为线性灰度变换会放大噪声，先增强再滤波能一起处理掉增强后的残留噪点。

2.2 Roberts边缘检测：找出字符与底色的跳变点

I2 = edge(I1, 'roberts', 0.25, 'both'); % Roberts算子，阈值0.25，双向检测 figure('name','边缘检测'), imshow(I2);

edge 函数里'roberts'对应 Roberts 交叉梯度算子，它的思路是用对角线相邻像素的差值近似梯度：水平方向梯度 Gx=f(x,y)-f(x-1,y-1)，垂直方向梯度 Gy=f(x,y-1)-f(x-1,y)，幅值 G=sqrt(Gx^2+Gy^2)，幅值超过 0.25 的像素被标为边缘点。0.25 是归一化后的阈值，不是固定值——如果图像噪声大，阈值要往上提，不然边缘图会糊成一片；如果车牌字符过淡，阈值要降低。怎么判断合不合适？看边缘图里车牌区域是不是字符轮廓完整、背景区域有没有大量白点。

为什么这里选 Roberts 而不是 Sobel 或 Canny？我拆这套代码时对比过：Sobel 对横向边缘响应更强，但车牌汉字横竖笔画都有，会让竖笔画边缘变弱；Canny 的双阈值会引入大量与牌照无关的纹理边缘，后续形态学处理更麻烦。Roberts 计算量最小、对细笔画边缘最敏感，配合后续腐蚀操作，反而能得到一个干净的车牌轮廓。'both'参数表示水平和垂直两个方向都做梯度运算，缺省只做垂直方向，对汉字这种横竖交错的字符必须双向检测。

2.3 腐蚀与闭运算：把字符边缘连成连通域

se = [1;1;1]; % 竖直3x1结构元素 I3 = imerode(I2, se); % 腐蚀：保留连续竖直边缘 se = strel('rectangle', [20,20]); % 20x20矩形结构元素 I4 = imclose(I3, se); % 闭运算连接邻近前景块

第一次腐蚀的 se 是 3x1 竖直向量，意思是输出像素取输入图像 3x1 邻域里的最小值，只要这个竖直条里有一个像素不是前景，输出就是 0。效果是：只有竖直方向上连续 3 个点都是边缘才保留下来。车牌边框的竖边连续，能留下来；字符横笔画产生的横向边缘在竖直方向不连续，被删掉；背景里零散噪点也基本被过滤。这一步的目的是简化画面，让后面投影定位时干扰更少。

imclose 是闭运算，先膨胀后腐蚀。20x20 矩形结构元素决定“多近的前景会被连在一起”——两个前景块之间空隙小于 20 像素就会被膨胀填上，再腐蚀回来时已经连成整体。这正好匹配车牌的几何特点：字符间距和边框间距通常小于 20 像素，而整个车牌区域的宽远大于 20 像素。闭运算的结果是出现一个或多个大块的连通区域，其中最大的那个通常是车牌。如果结构元素太小，字符边缘连不成片；太大，车标和车身装饰条也会被连进来。20x20 是原作者调的默认值，换数据集时值得重新试验。

2.4 移除小对象：滤掉车标和车身文字干扰

I5 = bwareaopen(I4, 1000); % 删除面积小于1000像素的前景连通域 figure('name','移除小对象'), imshow(I5);

bwareaopen 遍历二值图像的所有连通对象，统计每个对象的前景像素数，小于给定值的整个填成背景。默认 8 邻域连通，也就是斜对角相邻也算同一个对象。1000 这个阈值和图像分辨率有关：分辨率越高，车牌区域的前景像素越多，阈值可以越大。源码注释里写了 2000，实际跑的是 1000，我建议在调试时用regionprops把所有连通域面积打出来看一下，车牌区域的面积通常是第二名的好几倍，这时候阈值怎么定都不会错。这一步处理完，理论上画面里只剩车牌这一块前景，可以直接进入投影定位。

调试这段链路我一般这样定位问题：灰度图对比度不够就调 imadjust；边缘图太花就调高 edge 阈值；腐蚀后还残留横线就调大腐蚀结构元素；闭运算连通不到一起就调大矩形尺寸。逐段判断，不要一上来就怀疑最后的结果。

3. 车牌定位核心：双向投影与经验边界校正

预处理输出 I5 理论上只剩车牌区域的前景像素，但还没有任何几何信息。定位这一步要回答两个问题：车牌在图片的哪几行、哪几列？源码用水平加垂直双向投影来实现，思路非常直接：把前景像素分别往 x 轴和 y 轴方向累加，得到一个投影曲线，曲线峰值所在的位置就是车牌中心，从峰值向两侧扫描到曲线跌落的位置就是边界。

3.1 水平投影：找到车牌所在的行区间

[y, x, z] = size(I5); % 取图像尺寸：y行数 x列数 myI = double(I5); % 转double，便于==1判断 Blue_y = zeros(y, 1); % 每行前景像素计数数组 for i = 1:y for j = 1:x if myI(i, j, 1) == 1 % 前景点为1 Blue_y(i, 1) = Blue_y(i, 1) + 1; end end end [temp, MaxY] = max(Blue_y); % 前景像素最多的行

这段代码用双重循环逐行统计前景点数量，得到行投影向量 Blue_y。max 函数返回两个值：第一返回值 temp 是最大值本身，第二返回值 MaxY 是它出现的行号，也就是车牌中心行。需要提醒的是，if myI(i,j,1)==1判断的是二值图的前景，源码注释写“判断蓝色像素”，容易误导初学者。实际上预处理后已经是黑白二值图，没有颜色语义，这里就是在数白色前景点，真正的颜色信息要到后面定位裁剪时才从原图取回来。

统计完行投影后，从中心行分别向上、向下扫描边界：

PY1 = MaxY; while (Blue_y(PY1, 1) >= 5) && (PY1 > 1) PY1 = PY1 - 1; end PY2 = MaxY; while (Blue_y(PY2, 1) >= 5) && (PY2 < y) PY2 = PY2 + 1; end

两个 while 循环的逻辑是：从中心行往上走，只要当前行的前景点数不小于 5，就继续往上，直到某一行前景点数小于 5 或到达图像边缘为止。这个 5 像素阈值是经验值，作用是容忍车牌区域内可能出现的零星噪声——正常情况下车牌每一行都有大量前景像素，远大于 5，而边界外的噪声行通常只有 1、2 个前景点。如果阈值设成 1，边界会非常毛躁；设成 10，倾斜车牌或光照不均导致的行稀疏区域会被切掉。PY1 和 PY2 最终圈定了车牌在图像中的行范围。

3.2 垂直投影：限定列范围

行范围确定后，垂直投影只扫描 PY1 到 PY2 之间的行，既减少计算量又避免把行范围外的干扰算进来：

Blue_x = zeros(1, x); for j = 1:x for i = PY1:PY2 % 只扫车牌行区间 if myI(i, j, 1) == 1 Blue_x(1, j) = Blue_x(1, j) + 1; end end end PX1 = 1; while (Blue_x(1, PX1) < 3) && (PX1 < x) PX1 = PX1 + 1; end PX2 = x; while (Blue_x(1, PX2) < 3) && (PX2 > PX1) PX2 = PX2 - 1; end

Blue_x 统计每一列在车牌行区间里的前景像素总数。PX1 从左边开始向右找第一个前景列数大于等于 3 的列，PX2 从右边向左同理。列阈值用 3 而不是 5，是因为字符之间有间隙，汉字和字母的笔画在某几列上可能只有 2、3 个前景点，阈值太高会把字符起始列漏掉。两个方向阈值不同的原因就在这：行方向上整个车牌宽度都有字符覆盖，列方向上字符笔画稀疏得多。到这里，车牌的四个边界都有了粗略估计。

3.3 边界校正与彩色车牌裁剪

投影直接给的边界往往太紧，会切掉车牌的上边框或字符的外沿。源码在边界外扩了几个像素再从原图裁剪：

PY1 = PY1 - 2; % 上边界向上扩2像素 PX1 = PX1 - 2; % 左边界向左扩2像素 PX2 = PX2 + 3; % 右边界向右扩3像素 PY2 = PY2 + 10; % 下边界向下扩10像素 dw = I(PY1:PY2-8, PX1:PX2, :); % 从原彩色图上裁剪车牌 imwrite(dw, 'dw.jpg');

扩边的思路是：横向投影时车牌下边缘因为有螺丝、底框导致边界定位偏高，所以下边界多扩 10 像素再从底部剪掉 8 像素，留下一个略宽松的车牌区域。PX2 加 3 是因为车牌的右侧字符间距较大，直接投影容易丢掉最后一个字符的右边缘。这些数字没有理论推导，完全是原分辨率下的经验值。如果你换一张分辨率不同的测试图，应该按比例调整：比如分辨率翻倍，扩边像素也大致翻倍。

定位效果直接看 dw 图就能判断：理想结果是从原图裁出一块尺寸比例接近 3:1 的彩色区域，包含完整的车牌字符。如果 dw 里缺字符或混入车身区域，优先回看 I5 是不是干净的前景图。定位最怕的是倾斜车牌，纯水平垂直投影对倾斜超过 5 度的车牌基本失效，后面二次开发会提到怎么处理。

4. 字符分割与识别：从二值化到模板匹配的最后一公里

定位得到彩色车牌 dw 之后，剩余工作分两步：把车牌图像切成 7 个独立字符，再用模板匹配逐个识别。这一章是整个流程里最琐碎的部分，也是参数最多、最容易翻车的地方。

4.1 车牌二值化：灰度阈值的选择与自适应膨胀腐蚀

a = imread('dw.jpg'); % 读回定位裁剪出的车牌 b = rgb2gray(a); % 车牌彩色图转灰度 b = imadjust(b, [0.3,0.7], []); % 再做一次线性灰度增强 d = im2bw(b, 0.4); % 阈值0.4转二值图 d = medfilt2(d); % 中值滤波去二值化后的毛刺

车牌二值化和普通灰度图二值化不一样：车牌字符和底色对比度本来就高，理论上 0.3 到 0.6 之间的阈值都能把字符分出来。但光照不均时，车牌的亮点和阴影会让同一张图里字符亮度不一致，固定阈值 0.4 可能让部分字符断笔。原作在注释里写了更稳妥的方案：根据灰度最大最小值自动计算阈值T=round(g_max-(g_max-g_min)/3)，也就是取灰度范围偏亮的位置。这个公式的直觉是字符取高灰度、背景取低灰度，阈值落在两者之间偏上的位置，避免把字符当成背景。

二值化后源码做了一步“看面积比决定膨胀还是腐蚀”的操作：

se = eye(2); % 2x2单位矩阵作结构元素 [m, n] = size(d); if bwarea(d)/m/n >= 0.365 d = imerode(d, se); % 前景占比过大，腐蚀收缩 elseif bwarea(d)/m/n <= 0.235 d = imdilate(d, se); % 前景占比过小，膨胀加粗 end

bwarea 计算二值图前景总面积，m*n 是图像总像素数，两个的比值就是字符面积占车牌面积的比例。正常车牌字符笔画面积占比集中在 0.235 到 0.365 之间。高于 0.365 说明前景太多，可能是噪声被当成字符，用 imerode 把笔画变细；低于 0.235 说明前景太少，字符可能断笔太细，用 imdilate 加粗。这个自适应的思路很实用——它不需要知道图像分辨率，只看比例就能判断当前二值化是否偏了。结构元素取 eye(2) 是 2x2 单位矩阵，腐蚀和膨胀的幅度很小，一次处理不会过度改变笔画粗细。

4.2 垂直投影字符切割：qiege与getword的配合

切割是整个系统里最依赖图像质量的环节。源码的策略是先用 qiege 子程序清理二值图像的边缘干扰，再通过垂直投影把字符一个个切出来。qiege 在原素材里没有单独贴源码，但调用方式很明确：它输入二值图，输出的是去掉上下左右多余边框和离散噪点的干净二值图。常见实现是：去掉四周与边框相连的前景像素，再做一次连通域筛选。getword 则是从图左边缘开始，逐列扫描垂直投影，遇到连续前景列就截成一个候选字符，返回字符图像和剩余图像。

主程序里的核心切割逻辑如下：

s = sum(d); % 每列前景像素数，垂直投影 while j ~= n while s(j) == 0 % 跳过字符间隙的空白列 j = j + 1; end k1 = j; % 字符起始列 while s(j) ~= 0 && j <= n-1 % 继续扫到字符结束列 j = j + 1; end k2 = j - 1; % 字符结束列 if k2 - k1 >= round(n/6.5) % 宽度异常大，说明可能是两个字符粘连 [val, num] = min(sum(d(:, [k1+5:k2-5]))); % 在投影谷底切开 d(:, k1+num+5) = 0; end end

sum(d) 对二值图逐列求和，每列的值表示该列有多少个前景像素。字符笔画列前景像素多，字符间隙列接近 0。内层第一个 while 跳过空白列找到字符起始位置 k1，第二个 while 扫描到投影落回 0 的位置得到结束位置 k2。正常情况下 7 个字符的宽度差别不大，单个字符宽度约为整张图宽度的 1/7，所以round(n/6.5)作为“这个块是不是太宽”的判断阈值——比 1/7 略大，允许汉字和数字正常宽度范围。如果某个块超过这个值，说明可能有两个字符粘在一起，这时在块内找投影最小值的位置，把这一列填成 0，强行分成两个字符。这就是垂直投影分割的经典补丁：正常用投影间隙切，粘连时用投影谷底强行断开。

字符切割完成后，前几个字符还要去掉左侧的干扰块：

while flag == 0 [m, n] = size(d); wide = 0; while sum(d(:, wide+1)) ~= 0 % 统计左起连续前景列宽度 wide = wide + 1; end if wide < 10 % 宽度小于10像素，判定为左侧干扰 d(:, 1:wide) = 0; % 抹掉干扰列 d = qiege(d); else temp = qiege(imcrop(d, [1 1 wide m])); % 检查这个块的中间三分之二区域前景占比，汉字通常很饱满 two_thirds = sum(sum(temp([round(m/3):2*round(m/3)], :))); if two_thirds/sum(sum(temp)) > 0.25 flag = 1; word1 = temp; % 确认这是第一个字符 end d(:, 1:wide) = 0; d = qiege(d); end end

wide 统计左侧连续前景列的数量。车牌左侧经常残留一块定位时的背景边缘，宽度一般远小于 10 像素，直接抹掉。宽度大于 10 的块不一定是干扰，可能是真的第一个字符（省份汉字），这时用三分之二区域前景占比做二次判断：汉字笔画集中在中间高度，字符区域中间三分之二行的前景占比超过 0.25 就认为是合法字符。这段逻辑写成 while 循环的原因是干扰可能有多块，需要多次切割才能碰到真正的汉字。0.25 这个值也是经验值，笔画粗的车牌可以放宽到 0.2。后续几个字符直接调用[word2,d]=getword(d)依次切出，逻辑与上面一致。

4.3 字符归一化与模板匹配识别

切出的字符大小不一致，模板匹配前必须统一尺寸。源码把所有字符缩放到 40x20：

word1 = imresize(word1, [40 20], 'nearest'); % 高度40 宽度20，最近邻插值 imwrite(word1, '1.jpg');

imresize 第二参数[40 20]是输出尺寸：40 行 20 列，模板库里所有模板也是这个尺寸。插值方式用'nearest'是速度最快的最近邻，但会产生锯齿，对匹配结果有影响；实测用'bilinear'双线性插值识别率能提高一点，代价是运行时间略微增加。每个字符还单独写成 1.jpg 到 7.jpg，方便中途检查切割效果。

模板匹配本身就是一个逐像素比较的循环：

liccode = char(['0':'9' 'A':'Z' '京辽桂陕苏渝浙']); % 模板字符表 ... for k2 = kmin:kmax fname = strcat('字符模板\', liccode(k2), '.jpg'); SamBw2 = imread(fname); % 读一个模板 for i = 1:40 for j = 1:20 SubBw2(i,j) = SegBw2(i,j) - SamBw2(i,j); % 逐像素做差 end end Dmax = 0; for k1 = 1:40 for l1 = 1:20 if SubBw2(k1,l1) > 10 || SubBw2(k1,l1) < -10 Dmax = Dmax + 1; % 差异超过10算一个错误点 end end end Error(k2) = Dmax; end Error1 = Error(kmin:kmax); MinError = min(Error1); findc = find(Error1 == MinError); % 取差异最小的模板 Code(l) = liccode(findc(1) + kmin - 1);

这段做了三件事：构造模板索引、两图相减、统计差异点数。差异容限 10 像素的意思是允许字符边缘有轻微偏移和噪声，超过 10 认为是实质性差异。匹配范围按车牌规则收缩：第一位是省份汉字，只遍历 37 到 43；第二位是英文字母，遍历 11 到 36；第三位开始字母数字混合，遍历 1 到 36。这样既不浪费时间，也避免把数字 8 识别成汉字。Code 每识别一个字符追加一次，第 3 位前插入两个空格，最终拼出类似“京A·12345”形式的字符串。

模板匹配的识别率上限由模板库质量决定。这套源码只提供了每个字符一张模板，同一字符在不同字体、不同笔画粗细下差异很大，所以它对输入图像要求很苛刻——车牌必须正、清晰、字符笔画粗细和模板相近。这也是二次开发最先要升级的地方。

5. 避坑排查：四个让新手翻车的常见问题

这套源码能跑通，但跑通和跑对是两回事。我在拆它的过程中踩了不少坑，整理成排查清单，按现象到原因到解决的顺序写。

5.1 现象：车牌定位框偏大或偏小，甚至框到车身

定位剪切后的 dw 图里混入大量车身区域，或者只剩半个车牌。原因在定位完全依赖 I5 的前景分布，I5 里如果残留车标、车身反光条的前景块，这些块面积大于 1000 会被保留，投影峰值被拉偏；如果车牌本身亮度低，边缘检测漏检，投影峰值反而落在别处。

解决：先用regionprops打印所有连通域面积，确认车牌区域面积是第二名的 3 倍以上；若车牌区域面积偏小，把 imadjust 区间调低让暗部细节出来；若残留干扰多，把 bwareaopen 阈值从 1000 提到 3000 再试。调参顺序不要乱，从源头往尾部走，先看边缘图再决定动哪里。

5.2 现象：字符分割时两个字粘连成一个块

切割出的 7 个字符里，某两个字符被合成一个，宽度明显是其他字符的 1.5 倍以上。原因多是 imclose 的 20x20 矩形结构元素把字符间隙堵住了，二值化时字符笔画本身又被加粗；也可能是输入图像分辨率较高，字符间隙在图像上超过 20 像素，被膨胀连上。

解决：把 imclose 结构元素从[20,20]降到[12,12]，让闭运算只连接真正的边框和字符边缘；如果还粘连，同时把 im2bw 阈值从 0.4 提高到 0.5，让字符笔画变细、间隙更明显。调这两处要配对着改，改完重新从定位开始跑，看 I4 效果图确认粘连是否解除。

5.3 现象：模板匹配把“8”识别成“B”、“0”识别成“O”

识别结果字符串里数字位出现字母、字母位出现数字，其他字符都对。原因一是模板只有一张，40x20 的 nearest 缩放让字符产生锯齿，8 和 B 的差异点集中在左下角开口处，锯齿会掩盖这个差异；二是二值化后字符粗细不均，笔画宽的 8 和窄的 B 更接近。

解决：把 imresize 插值改成'bilinear'让边缘更平滑；更重要的是扩充模板库，每个字符存 2 到 3 套不同字形的模板，匹配时取所有模板的最小差异。对 8 和 B 这类相似字符，可以在差异点计数时给不同位置加权重，字符下半部分的差异权重大于上半部分，这样 8 和 B 的差异就会被放大。

5.4 现象：运行到匹配阶段报错“找不到字符模板文件”

报错信息显示字符模板\*.jpg不存在，程序在 imread 处中断。原因是相对路径问题——脚本用strcat('字符模板\', liccode(k2), '.jpg')拼路径，如果 MATLAB 当前工作目录不在源码目录，或者字符模板文件夹名不一致，路径就失效。

解决：用fullfile(pwd, '字符模板', [liccode(k2), '.jpg'])拼绝对路径，或者把字符模板文件夹添加到 MATLAB 路径。更稳妥的做法是在 main 开头加一句cd(fileparts(mfilename('fullpath')))，让工作目录始终切到脚本所在目录。这个坑和算法无关，但足以让整个程序跑不起来。

5.5 现象：同一张图跑两次，结果不稳定

有时候连续运行两次，识别结果或定位框不一样。排除图片选择差异后，最常见的元凶是工作区变量残留——上一次运行的中间变量没清干净，第二次运行时定位和切割拿到的还是旧值。原代码开头只写了close all; clc，没有清变量。

解决：脚本第一行加clear all;，确保每次运行是全新状态。调试时养成习惯，凡是跑图像处理脚本，clear; close all; clc三件套放开头，能省掉大量"灵异现象"的排查时间。

排查时从上往下逐行对照，卡在哪一步就只调那一步的参数，形成定式之后调试效率会高很多。

6. 二次开发思路：从模板库到批量验证的升级路径

拿到源码先别急着跑通就完事，我建议按下面三个方向做改造，每个都对应一个实际应用场景。

第一个改造点：模板库扩充与字符标准化。把字符模板文件夹从每个字符 1 张扩到 3 张，分别对应粗笔画、细笔画、标准宋体三种字形。同时把匹配前的 imresize 统一改为双线性插值，并记录每个测试字符与最佳模板的差异点数，差异点数超过某一阈值时输出“未识别”，而不是强行给一个错误结果。这样系统就有了拒识能力，识别率统计也会更真实。

第二个改造点：增加倾斜校正。水平垂直投影定位对倾斜车牌基本失效。可以在定位前对 I5 做一轮 Radon 变换或最小外接矩形检测，估算车牌长边与水平方向的夹角，再把图像用 imrotate 旋转回去。旋转后注意用 imcrop 去掉黑边，重新做投影定位。倾斜校正要在预处理之后、投影定位之前插入，改动很小但能大幅提升对真实场景的适应能力。

第三个改造点：批量测试与参数统计。写一个循环遍历测试图像文件夹，把每张图的识别结果、每步中间变量、定位框坐标、字符差异点数组全部存到结构体里，最后统一统计识别率和各字符的混淆矩阵。有了混淆矩阵就能精确定位是哪个字符容易错，再针对它补模板。这一步是摆脱“调参靠玄学”的关键——你不再凭感觉改阈值，而是看数据决定。

验证方法也很直接：准备 10 张以上不同光照、不同角度、不同车牌类型的测试图，跑一遍批量测试，记录每次在哪一步偏离预期。如果定位失败，回看预处理图；如果分割失败，回看二值化参数；如果识别失败，查模板匹配差异点分布。按这样分层排查，20 分钟内能定位到问题环节。

最后聊个习惯问题。那次课程设计答辩前，我用一张倾斜角度很大的测试图把整个流程跑崩了，当时第一反应是去改阈值，来回换了七八组参数都没救回来。后来才意识到问题出在定位环节对倾斜完全无解，不是阈值的事。从那以后，我每次拿到一套图像处理代码，都会先问一句：这套算法的前提假设是什么？然后专门构造违反这个假设的用例去测它。这套车牌识别的前提假设就是“车牌基本水平、光照均匀、字符清晰”，凡是不满足这三条的照片，它翻车是正常的，不翻车才不正常。认清这个边界，你对系统的掌控力会瞬间上一个台阶。希望帮到你。

本文还有配套的精品资源，点击获取