1. 车牌识别系统概述第一次接触车牌识别系统是在大三的数字图像处理课上当时老师布置的课程设计题目就是基于MATLAB实现一个完整的车牌识别系统。说实话刚开始看到这个题目时有点懵不知道从何下手。但经过几周的摸索和实践最终不仅完成了系统还获得了不错的成绩。现在回想起来这个过程让我对数字图像处理有了更深刻的理解。车牌识别系统License Plate Recognition, LPR是智能交通系统中的重要组成部分它能够自动检测并识别车辆牌照信息。这套系统通常包括图像采集、图像预处理、车牌定位、字符分割和字符识别五个核心模块。在高速公路收费、停车场管理、交通违章监控等场景中都有广泛应用。MATLAB作为一款强大的数学计算和图形处理软件因其丰富的图像处理工具箱和直观的编程环境成为实现车牌识别系统的理想平台。我记得当时最让我惊喜的是用MATLAB只需要几行代码就能完成复杂的图像处理操作比如边缘检测、形态学处理等这大大降低了开发难度。2. 图像预处理关键技术2.1 灰度化处理拿到一张车牌图像后第一步要做的就是灰度化处理。为什么要灰度化因为彩色图像包含R、G、B三个通道数据量是灰度图像的三倍直接处理会严重影响系统速度。在MATLAB中用rgb2gray函数就能轻松实现灰度化I_gray rgb2gray(Img);这里有个小技巧不同的灰度化算法效果差异很大。我试过三种常见方法最大值法取RGB三通道最大值图像最亮平均值法取RGB三通道平均值图像较柔和加权平均法按人眼敏感度加权R0.299 G0.587 B*0.114效果最自然2.2 图像增强实际拍摄的车牌图像往往存在光照不均、对比度低等问题。这时候就需要图像增强技术。我最常用的是直方图均衡化I_eq histeq(I_gray);这个方法通过扩展图像的动态范围来提高对比度。记得有次处理一张背光拍摄的车牌原始图像几乎看不清字符经过直方图均衡化后效果立竿见影。2.3 边缘检测边缘检测是车牌定位的关键步骤。车牌区域的一个显著特征就是有大量垂直边缘字符的竖笔画。在MATLAB中Sobel算子和Canny算子是两种最常用的边缘检测方法% Sobel算子 I_edge edge(I_gray, sobel); % Canny算子效果更好但计算量稍大 I_edge edge(I_gray, canny);实测下来Canny算子的边缘连续性更好但Sobel算子速度更快。对于课程设计来说Sobel算子通常就够用了。3. 车牌定位与矫正3.1 形态学处理边缘检测后的图像往往存在断裂和噪声这时就需要形态学处理来修补边缘。我最常用的是膨胀和闭运算se strel(rectangle, [25,25]); % 创建结构元素 I_close imclose(I_edge, se); % 闭运算这里有个坑我踩过结构元素的大小需要根据图像分辨率调整。太小了效果不明显太大了又可能把不同区域连在一起。经过多次试验发现25×25的矩形结构元素对640×480的图像效果最佳。3.2 车牌区域提取形态学处理后车牌区域应该已经连成一片。接下来需要通过连通区域分析找到这个区域I_final bwareaopen(I_close, 1500); % 去除小面积区域 stats regionprops(I_final, BoundingBox);这里1500是个经验值表示保留面积大于1500像素的连通区域。这个值需要根据实际图像大小调整。regionprops函数可以获取这些区域的边界框然后通过长宽比约3:1和面积大小就能筛选出车牌区域。3.3 倾斜矫正实际拍摄的车牌经常有倾斜这会影响后续字符分割。我的解决方案是用Hough变换检测倾斜角度然后进行旋转矫正% 检测边缘 BW edge(I_plate, canny); % Hough变换检测直线 [H,T,R] hough(BW); P houghpeaks(H, 5); lines houghlines(BW,T,R,P); % 计算平均角度 angle mean([lines.theta]); % 旋转矫正 I_rot imrotate(I_plate, angle, bilinear, crop);这个方法在大多数情况下效果不错但当车牌倾斜角度过大时可能需要更复杂的矫正算法。4. 字符分割与识别4.1 二值化处理字符分割前需要先将车牌区域二值化。我推荐使用自适应阈值法I_bw imbinarize(I_plate, adaptive);相比全局阈值法自适应阈值能更好地处理光照不均的情况。记得有次处理一张半边在阴影中的车牌全局阈值完全失效而自适应阈值依然能得到不错的效果。4.2 垂直投影法字符分割最可靠的方法是垂直投影法。原理很简单统计每一列的像素和字符间的空白处投影值会明显降低verticalProjection sum(I_bw, 1);通过寻找投影的波谷位置就能确定字符边界。这里要注意处理第一个汉字通常较宽的情况可以设置不同的宽度阈值。4.3 字符识别字符识别我尝试过两种方法模板匹配和神经网络。对于课程设计来说模板匹配更简单易实现% 加载模板 template imread(template_A.jpg); template im2bw(template); % 计算差异 diff abs(char - template); score sum(diff(:)); % 寻找最佳匹配 [min_score, idx] min(scores);需要为每个字符数字、字母、汉字准备模板库。虽然这种方法在字符变形较大时效果会下降但对于规整的车牌字符识别率能达到90%以上。5. GUI界面设计与系统集成5.1 MATLAB GUI开发MATLAB的GUIDE工具让GUI开发变得非常简单。我设计的界面包括原始图像显示区各处理步骤结果显示区功能按钮导入、处理、识别、退出function varargout plate_recognition(varargin) gui_Singleton 1; gui_State struct(gui_Name, mfilename, ... gui_Singleton, gui_Singleton, ... gui_OpeningFcn, plate_recognition_OpeningFcn, ... gui_OutputFcn, plate_recognition_OutputFcn, ... gui_LayoutFcn, [] , ... gui_Callback, []); if nargin ischar(varargin{1}) gui_State.gui_Callback str2func(varargin{1}); end5.2 系统集成技巧将各个模块集成到GUI时有几点需要注意使用handles结构体共享数据处理时间较长的操作要添加进度条错误处理要完善避免程序崩溃我在这部分花了最多时间调试特别是处理不同分辨率图像时的兼容性问题。最终解决方案是统一将图像resize到标准大小后再处理。6. 实战经验与优化建议在实际测试中我发现系统对以下情况处理效果较差低光照条件下的车牌污损或遮挡的车牌特殊颜色车牌如新能源车的绿色车牌针对这些问题我总结了一些优化建议加入光照补偿算法使用多颜色空间HSV、YCrCb进行车牌定位增加字符识别时的容错机制另外为了提高识别率建议构建更全面的模板库包含不同字体、不同省份的车牌样本。有条件的话可以尝试用深度学习的方法虽然实现难度较大但识别效果会有显著提升。完成这个课程设计后我对老师说的一句话印象深刻图像处理是门实验科学再好的理论也需要通过大量实验来验证。确实在开发过程中我有一半时间都在调试参数、测试不同算法。这个过程虽然辛苦但看到最终能正确识别出车牌时那种成就感是无与伦比的。