企业官网建设流程全解析

简介：面向高校信息类、自动化类专业学生的Matlab车牌识别课程设计报告，配套源代码，可用于课程设计、毕业设计入门与图像处理练手。压缩包共1个docx文件，约1.37MB，主体为报告正文，源代码随文档给出，便于边读原理边对照实现。目前已有116人学习。报告按设计目的、设计原理、详细设计步骤、结果分析、总结体会和参考文献展开，覆盖车辆检测、图像采集与牌照识别流程，并具体讨论灰度化、背景开运算、图像增强、二值化阈值、边缘提取、车牌定位、垂直投影字符分割，以及模板匹配和人工神经网络两类字符识别方法；同时涉及不同光照、牌照质量与车辆速度下的测试，以及多牌照、假牌照等挑战和识别率优化思路。适合需要理解车牌识别算法链路并完成Matlab课程设计实践的读者。

1. 从一份课程设计任务书说起：MATLAB 车牌识别要交付到什么程度

选题会上，A 同学拿到的是「车牌识别系统设计」，要求交一份 MATLAB 课程设计报告并附源代码，两周后验收，现场跑图、现场讲。多数人的第一反应是上深度学习，可答辩时老师往往只追问一句：这一步输出什么图，参数为什么取这个值。所以这套方案反着来——灰度跳变定位、形态学开闭运算、垂直投影分割、模板库匹配识别，全流程用脚本串起来，每一步都能落一张中间图，错了能定位到具体环节。适合要在两三周内跑通一套可演示系统、又必须讲清每个环节依据的人，代码不追求短，追求改一个参数就知道哪里会变。

2. 总体方案：三段链路与三个必须跑通的软件步骤

2.1 把任务书拆成三段链路，再塌缩成三个软件步骤

任务书里的完整系统由车辆检测、图像采集、牌照识别三部分组成：车辆检测部分判断车到了，触发采集单元抓下当前帧，识别单元再对这张图做处理，定位牌照、切出字符、识别并输出号码。这是一条硬件参与的实时链路，摄像机、补光、触发线圈都在里面。

课程设计现场没有这些设备，通常的做法是拿一张静态车辆图代替「采集到的当前帧」，把三段链路塌缩成软件上的三个连续步骤：牌照定位、字符分割、字符识别。塌缩不等于删减，因为定位的输入质量仍然由「采集」决定——图糊了、逆光了、车牌只露一半，后面全部白搭，这一点在写报告的需求分析里必须交代清楚，否则整篇会写成一个纯算法练习。

三个步骤的顺序不能调换，也不建议合并。定位粗一层，分割细一层，识别只对已经摆正的单个字符负责。把职责切开的好处是排错成本低：识别结果错，先看切出来的字符图对不对；字符图歪了缺边，回头看定位框是不是压住了边框。这种分层是整套方案最值钱的地方，后面所有参数调整都建立在它上面。

牌照颜色识别在报告里一般和号码识别互相配合、互相验证：先按颜色判断是不是蓝底白字牌照，缩小候选区范围，再走号码识别；号码识别置信度低时反查颜色。课程设计只做蓝底白字也能交，但报告里要把这条互相验证的思路写出来，答辩时是加分项。

2.2 主流程脚本与运行环境

工程别写成一坨。我一般按「一个主入口 + 三个函数 + 一个样本库目录」来组织，主入口只负责串联和打印结果，出问题直接看是哪一段返回的空值。

% run_lpr.m —— 车牌识别主流程，串起定位、分割、识别三段 clc; clear; close all; imgPath = fullfile('data', 'car_03.jpg'); % 原始车辆图像，换成自己的图 Scolor = imread(imgPath); if size(Scolor, 3) == 3 Sgray = rgb2gray(Scolor); % 彩色转灰度，后续全部在灰度域处理 else Sgray = Scolor; % 已经是灰度图就别再转一次 end [plateBw, plateGray, box] = locatePlate(Sgray); % 第一步：定位，返回车牌二值子图 chars = segmentChars(plateBw, plateGray); % 第二步：分割，返回 1x7 字符图 result = recognizeChars(chars, 'sam'); % 第三步：识别，样本库目录为 sam fprintf('定位框：[%d %d %d %d]\n', round(box)); fprintf('识别结果：%s\n', result);

主入口里没有任何算法细节，locatePlate、segmentChars、recognizeChars三个函数各自独立可测。这样拆分之后，改定位参数不会碰到识别代码，调识别样本也不会影响定位结果，回退版本时能一段一段退。box用的是[x y width height]四元组，和regionprops的BoundingBox保持一致，省掉一次坐标换算，换算多一次就多一次错的机会。

工程文件的分工建议明确到表格里，写报告时直接抄这一节：

运行环境没有特殊要求，基础 MATLAB 加 Image Processing Toolbox 就够，strel、edge、bwlabel、regionprops、imrotate、imresize都在里面。原文里用到的imfeature是老版本函数，新版本已经并入regionprops，这一点必须在报告里说明，否则换台电脑跑不起来。曲线拟合部分原文用的fit(..., 'poly1')依赖 Curve Fitting Toolbox，用polyfit可以绕开，答辩现场少一个装工具箱的风险。

提示：所有路径用fullfile拼，不要写成'F:\MATLAB\work\sam\image1.jpg'这种绝对路径，换机器必崩。

2.3 进度安排：把四周拆成四个可验收的节点

任务书给的进度是 19 周熟悉环境与基础、19 周选题与题目分析、20 周编程实现、20 周验收答辩。实际执行时这个粒度太粗，容易前松后紧。我一般会把它翻译成带自检标准的节点，每个节点都有能拿出来给人看的东西：

第 3 段最容易失控，因为定位一崩后面全崩，人会本能地去调识别参数。正确的顺序是先把定位稳定到 10 张图里至少 8 张框对，再往下走；定位不稳的情况下调识别，等于在流沙上盖楼。第 4 段的统计一定要分开算：定位成功率、分割正确率、单字符识别正确率，三个数分开看才知道该修哪一段，混成一个「准确率」等于自己把黑匣子关上。

3. 预处理到定位：五步把车牌从车身背景里抠出来

3.1 灰度化与形态学背景估计

自然环境下拍到的车辆图背景复杂、光照不均，直接二值化会把车身反光、地面阴影一起抬成前景。通常的做法是先估计一张「背景亮度图」，再用原图减掉它，把缓慢变化的光照压平，把突变的字符笔画留下。

彩色图先转灰度，这一步不只是省内存。三个通道在识别环节没有额外信息，反而会让阈值在三个通道上各调一遍，调参成本翻三倍。转灰度之后，像素动态范围压缩到 0 到 255，后续阈值的物理意义才清楚。

% step_preprocess.m —— 灰度化 + 形态学背景估计 + 差分增强 Scolor = imread('data/car_03.jpg'); Sgray = rgb2gray(Scolor); % 三通道按权值合成单通道 se = strel('disk', 13); % 半径 13 的圆盘，尺寸要大于字符笔画宽度 Bgray = imopen(Sgray, se); % 开运算抹掉字符，剩下的就是背景亮度 Egray = imsubtract(Sgray, Bgray); % 原图减背景，字符被抬亮，光照被压平 figure, imshow(Egray), title('增强后的灰度图');

strel('disk', 13)里的 13 是这套方案里最需要解释的参数。开运算会抹掉比结构元素小的亮结构，半径取小了抹不掉字符，背景图里还残留笔画；取大了会把整块车牌当成背景一起抹掉，差分之后车牌区域变黑。经验值是取字符笔画宽度的 1.5 到 2 倍，普通蓝牌在常见分辨率下笔画大概 6 到 10 像素，13 落在合理区间。换分辨率就要重算这个数，这一点写进报告里比写一堆公式有用。

imsubtract和直接用减号的区别在于它会截断到 0，不会出现负值导致uint8回绕成 255 的亮斑。这个细节不注意，图上会冒出几块莫名其妙的白色区域，排查半天以为是定位算法的问题。

3.2 阈值选取与二值化

二值化的目标是把字符和背景彻底分开，同时保住字符的形状不缺口、不多出空洞。全局阈值在这个场景里其实够用，因为差分已经把光照压得比较平了。

fmax1 = double(max(Egray(:))); % 增强图的最大灰度 fmin1 = double(min(Egray(:))); % 增强图的最小灰度 level = (fmax1 - (fmax1 - fmin1) / 3) / 255; % 取动态范围上 1/3 处作为归一化阈值 bw = im2bw(Egray, level); % 灰度转二值，字符为 1 bw = double(bw); % 转 double，方便后面按列求和做投影

阈值取的是动态范围上 1/3 处，不是中点。原因是差分之后车牌字符的灰度普遍高于背景，取偏高一点的位置能把字符留住、把残余噪声挡在外面。取中点会让车身反光混进来，取太高则笔画断裂，后面形态学闭合要花更大力气去补。im2bw接受的是 0 到 1 的归一化阈值，所以这里除以 255，很多同学忘掉这一步，结果阈值恒大于 1，二值图整片全白，排查起来很费时间。

二值化的输出转成double是为了后面sum投影的方便。logical类型也能求和，但和浮点运算混在一起时容易出现类型不匹配的报错，统一成double省事。

3.3 Canny 边缘与矩形结构元素的开闭运算

二值图里字符笔画是断的，尤其汉字部分，笔画之间有间隙。直接找连通域会把一个字拆成三四个小块，所以要先做边缘提取再连接。

grd = edge(bw, 'canny'); % Canny 提取笔画边缘 bg1 = imclose(grd, strel('rectangle', [5, 19])); % 闭运算：横向连接断开的笔画 bg3 = imopen(bg1, strel('rectangle', [5, 19])); % 开运算：去掉细小噪点 bg2 = imopen(bg3, strel('rectangle', [19, 1])); % 纵向长条开运算：断开车牌与车身粘连 figure, imshow(bg1), title('闭运算 [5,19]'); figure, imshow(bg2), title('开运算 [19,1]');

结构元素用矩形而不是圆盘，是因为车牌是横长方形，字符沿水平方向排列。[5, 19]表示高 5 宽 19，横向拉长，闭运算能把同一行上相邻的笔画连成一整块，纵向只连 5 个像素，不会把上下两行（比如上下两排字符的双层牌）糊在一起。

[19, 1]是纵向长条，开运算会抹掉宽度小于 1 个像素、高度小于 19 个像素的竖直细条。车牌和保险杠、车灯之间常有细窄的连接，这一步就是专门断它的。参数别乱改，改大了车牌本身被啃掉一块，改小了粘连断不开，定位框会一路延伸到车头。

这三步的顺序有讲究：先闭后开，闭是为了连，开是为了断。反过来先开，笔画还没连上就被开运算当成噪点清掉了。

3.4 连通域特征筛选与车牌裁剪

到这里图上还剩好几个候选块：车牌、车标、散热格栅、部分车灯。需要用形状特征把它们分开。

[L, num] = bwlabel(bg2, 8); % 8 邻域标记连通域 stats = regionprops(L, 'BoundingBox', 'Area'); % 新版用 regionprops，旧版对应 imfeature ratio = zeros(1, num); for k = 1:num bb = stats(k).BoundingBox; % [x y width height] ratio(k) = bb(3) / bb(4); % 候选区宽高比 end cand = find(ratio > 2.2 & ratio < 3.8 & [stats.Area] > 800); % 宽高比 + 面积双条件 [~, idx] = max([stats(cand).Area]); % 面积最大的合格候选作为车牌 box = stats(cand(idx)).BoundingBox; plateBw = imcrop(bg2, box); % 裁出车牌二值子图 plateGray= imcrop(Sgray, box); % 同步裁灰度子图，分割时要用

标准蓝牌尺寸 440×140，宽高比约 3.14，实际拍摄有透视变形，所以取 2.2 到 3.8 这个区间而不是精确值。面积下限 800 是为了过滤车标和小灯，这个数跟图像分辨率强相关，报告里应该给出你所用图片的分辨率，并说明这个阈值怎么定的，别直接抄。

两个条件缺一不可。只用宽高比，格栅条也可能命中；只用面积，车身大块区域会被选中。两个条件同时成立再取面积最大者，鲁棒性才够。

imcrop要裁两次，二值图和灰度图必须用同一个box。分割阶段要在灰度图上找字符边界、在二值图上做投影，两者尺寸不一致会直接导致下标越界。

4. 校正、分割与识别：从倾斜车牌到七位字符输出

4.1 水平投影峰谷分析定上下边框

裁出来的车牌子图通常还带着上下边框和铆钉。投影分析的做法是把二值图按行求和，字符行求和值高，边框行求和值低，峰谷一对比就能找到字符区的上下界。

histrow = sum(plateBw, 2); % 按行求和，得到水平投影 thr = mean(histrow) * 0.5; % 均值折半作为参考阈值 mark = histrow > thr; % 高于阈值的行视为字符行 d = diff([0 mark' 0]); rowTop = find(d == 1, 1, 'first'); % 第一个上升点：字符区上界 rowBot = find(d == -1, 1, 'last') - 1; % 最后一个下降点：字符区下界 plateBw2 = plateBw(rowTop:rowBot, :); % 去上下边框后的二值子图 plateGr2 = plateGray(rowTop:rowBot, :); charH = rowBot - rowTop + 1; % 字符高度，后面归一化要用

阈值用均值的 0.5 倍是经验值。取值偏高，字符顶部笔画细的地方被判成背景，字符被削头；取值偏低，边框残留进来，字符高度算大，归一化后字符变扁。改这个参数时盯着两个数：charH是否落在合理区间（常见分辨率下 20 到 40 像素），以及去掉边框后第一行和最后一行是否还有大片连通白块。

这一步失败最典型的症状是字符被上下削掉一块，识别时「0」和「8」、「B」和「8」互相串。看到这类混淆，先怀疑rowTop/rowBot，别急着换识别算法。

4.2 线性拟合求倾斜角并旋转

车牌倾斜时投影峰谷会变糊，字符中心距算不准，切割位置整体偏移。倾斜校正的做法是取车牌上边框的一组前景点做直线拟合，斜率转角度，再反向旋转。

% step_rotate.m —— 用上边框点集线性拟合唱出倾斜角 [rowIdx, colIdx] = find(plateBw2 == 1); % 所有前景点坐标 topRow = min(rowIdx); sel = find(rowIdx <= topRow + 3); % 最上面几行作为上边框点集 p = polyfit(colIdx(sel), rowIdx(sel), 1); % 一次拟合 y = p(1)*x + p(2) angle = atan(p(1)) * 180 / pi; % 斜率转角度（度） plateRot = imrotate(plateBw2, angle, 'bilinear', 'crop'); % 反向旋转校正 grayRot = imrotate(plateGr2, angle, 'bilinear', 'crop');

polyfit的第三个参数 1 表示一次多项式，等价于原文里的'poly1'，好处是不依赖 Curve Fitting Toolbox。atan得到弧度，乘180/pi转成度，imrotate接受的就是度，这一步单位搞错会转出几百度，图直接转没了。

imrotate的第三个参数'bilinear'是双线性插值，比最近邻平滑，字符边缘不容易出现锯齿；第四个参数'crop'保持输出尺寸和输入一致，不加这个参数图会变大，后面按下标切割全部错位。

角度绝对值超过 15 度就要警惕。真实的车牌倾斜一般不超过 10 度，算出二十几度基本说明拟合点被字符笔画污染了，这时应该只取最上面一两行、并限制横向范围在车牌中部，别把左右两端也纳进来。

4.3 垂直投影切字符与 22×14 归一化

校正完之后按列求和，字符列投影值高，间隙列投影值低，据此切出七个字符。

% step_segment.m —— 垂直投影切字符 histcol = sum(plateRot, 1); % 按列求和，得到垂直投影 thr = mean(histcol) * 0.6; % 均值折半偏上作为间隙阈值 above = histcol > thr; % 高于阈值的列标记为字符列 d = diff([0 above 0]); segS = find(d == 1); % 每段字符的起始列 segE = find(d == -1) - 1; % 每段字符的结束列 segW = segE - segS + 1; keep = segW > 5 & segW < 40; % 过滤噪点和整块粘连 segS = segS(keep); segE = segE(keep); if numel(segS) > 7 segS = segS(1:7); segE = segE(1:7); % 蓝牌固定七位，多出来的截断 end chars = cell(1, numel(segS)); for k = 1:numel(segS) seg = plateRot(:, segS(k):segE(k)); seg = imresize(seg, [22 14]); % 统一到 22 行 14 列，与样本库同尺寸 chars{k} = seg; imwrite(seg, fullfile('sam', sprintf('tmp_%02d.jpg', k))); % 落盘便于肉眼核对 end

宽度过滤的两个阈值 5 和 40 是按经验给的：小于 5 的段基本是铆钉或噪声，大于 40 的是两个字符粘在一起。粘字是这套方法最常见的失败模式，原因通常是二值化阈值偏低导致间隙被填满，回头调level比在这里硬切更有效。

归一化到 22×14 不是为了好看，是为了让待识别字符和样本库里的模板尺寸完全一致，后面做逐像素比对才有意义。宽高比 14:22 大致对应真实字符的窄高形状，缩放时不要用'crop'，直接imresize拉伸即可，变形在模板匹配里是可接受的。

落盘那一行别省。切割对不对，看一眼tmp_01.jpg到tmp_07.jpg就知道，比在内存里翻变量快十倍。

4.4 模板库匹配与神经网络备选路线

识别环节，原文给了两条路：模板匹配和人工神经网络。课程设计用前者更稳，因为可解释、可调试、不需要训练时间；后者适合作为报告里的对比方案写一段。

模板匹配的流程是：把待识别字符和样本库中每张模板逐像素相减，误差最小的那张图的类标就是结果。

% step_recognize.m —— 与样本库逐张比对，误差最小者胜出 function label = recognizeChars(chars, libDir) files = dir(fullfile(libDir, '*.jpg')); % 样本文件名形如 'A_01.jpg' label = blanks(numel(chars)); for i = 1:numel(chars) q = im2double(imresize(chars{i}, [22 14])); % 统一尺寸并转浮点 best = inf; bestName = '?'; for j = 1:numel(files) t = im2double(imread(fullfile(libDir, files(j).name))); if ~isequal(size(t), size(q)), continue; end % 尺寸不符直接跳过 err = sum(abs(q(:) - t(:))); % 逐像素绝对差之和 if err < best best = err; bestName = files(j).name; end end label(i) = bestName(1); % 文件名首字符即类标 end end

误差用绝对差之和而不是欧氏距离，计算量小，对二值图的效果差别不大，写报告时两种都算一遍做对比也行。bestName(1)直接取文件名首字符当类标，这是命名约定带来的便利，样本库按A_01.jpg、B_02.jpg这样命名，读代码的人一眼能懂。

样本库是这套方案的命门。原文那张失败样例里，G 被认成 B、0 被认成 8、K 被认成 A，问题几乎都出在样本不足或样本质量差上——同一个字符只有一两张模板，字形稍有差异就匹配到别的类。我一般要求每个字符至少 5 张模板，覆盖不同粗细和轻微倾斜。

样本库的字段建议在报告里列清楚：

神经网络路线在报告里这么写就够：一种做法是先对待识别字符提取特征，用特征训练分类器；另一种是把字符图直接送进网络，由网络自己学特征。难点不在网络结构，在样本量——几十张图训练出来的网络在测试集上不一定打得过模板匹配，这一点老实在报告里承认，比硬吹效果好。

5. 避坑与排查：五个最容易在验收现场翻车的地方

5.1 定位阶段的三个翻车点

现象一：定位框套在车标或散热格栅上。原因通常是宽高比区间开得太宽，或者面积下限设得太小，让格栅条这种横向条纹块混进了候选集。解决办法是把宽高比收窄到 2.5 到 3.5，同时把「面积最大」改成「面积与宽高比加权打分最高」，权重按你的测试集调。改完之后一定要拿原来失败的图回归一遍，别修好一张坏掉三张。

现象二：定位框一直延伸到车头或保险杠。这是形态学参数没配对导致的粘连。纵向开运算strel('rectangle', [19, 1])的高度不够，车牌和车身之间的细连接断不开；或者横向闭运算宽度过大，车牌和旁边的格栅连成一片。排查方法是依次显示grd、bg1、bg3、bg2四张中间图，看哪一步开始粘连，就在那一步收参数。

现象三：换了张图直接报错「索引超出矩阵维度」。八成是候选集为空——cand是空数组，cand(idx)必然越界。根因可能是这张图里根本没有蓝牌，或者二值化阈值过高把车牌整体判成背景。加一行判空再往下走，比让程序崩在半路强：

if isempty(cand) warning('未找到符合特征的候选区域，检查阈值或换图'); plateBw = []; plateGray = []; box = [0 0 0 0]; return; end

5.2 分割与识别阶段的坑

现象四：切出八个字符，或者把边框、铆钉当成字符。原因在垂直投影的阈值上，mean(histcol) * 0.6这个系数在不同图上表现不一样：图偏暗时均值低，阈值跟着低，边框列也被判成字符列。解决办法是先做左右边框剥离——把投影最左和最右各若干列直接裁掉，再走分段的逻辑；同时把宽度过滤的下限从 5 提到 7 左右。还有一个隐蔽原因是倾斜校正没做好，字符中心距算出来整体偏移，七个字符被切成八段。

现象五：G 认成 B、0 认成 8、K 认成 A。这类形近字混淆在模板匹配里几乎是必然的，根因有三个：样本库对应类别的模板太少或字形单一；字符分割时上下被削，0 和 8 的闭合区域差别被抹掉；二值化后字符笔画粘连。排查顺序是固定的——先看tmp_0x.jpg有没有缺边，再看样本库里 B 和 8 各有几张，最后才动距离度量。很多同学一上来就把绝对差换成相关系数，结果只是把错误从一类挪到另一类。

5.3 工程与版本兼容的坑

最典型的一个坑是路径写死。原文示例里出现了F:\MATLAB\work\sam\image1.jpg这种绝对路径，换台电脑、换个盘符，整个识别环节直接失效。统一改成fullfile('sam', sprintf('image%d.jpg', k))，所有资源跟着工程目录走，压缩包发出去别人也能直接跑。

第二个是函数版本差异。imfeature在较新版本里已经被regionprops取代，直接照抄老代码会报未定义函数；im2bw也建议换成imbinarize，虽然前者目前还能用，但会给出警告信息，答辩投影时跳一堆黄色警告不好看。写报告时在环境说明里把版本和替代关系写清楚，这本身就是工程素养的体现。

第三个是中间图没有保存。全程只在最后显示一张识别结果，出错了根本不知道错在哪一步。我一般强制在locatePlate和segmentChars里各存四到六张中间图到debug/目录，跑完一轮翻一遍图，比盯着代码猜快得多。

6. 验收与答辩：用中间结果图讲清每一步为什么这么做

验收现场的时间通常只有五到八分钟，老师不会让你从头讲代码，但一定会问「为什么」。有效的做法是准备一页中间结果图序列：原图、灰度图、增强图、二值图、边缘图、闭运算图、开运算图、定位框、去边框后的车牌、七个字符小图、最终识别串。每张图下面标一行参数，被问到就指图回答。

答辩自检表可以按这个结构准备：

汇报顺序建议倒过来讲：先给三张测试图的最终结果，让人看到系统能跑；再回头讲链路，讲定位为什么用灰度跳变而不是颜色分割，讲形态学结构元素为什么是[5, 19]和[19, 1]，讲字符为什么归一化到 22×14。倒序讲的好处是老师带着「结果是对的」这个前提听过程，追问会更聚焦在方法选择上，而不是纠缠系统能不能用。

失败案例别藏。原文里那张把 G 认成 B、0 认成 8 的样例，反而是最好的答辩素材——你能说清是样本库太薄、是分割削了字符顶部、还是二值化阈值偏低，就说明你真的理解这套链路，而不是跑通了一个黑匣子。诚实交代边界条件，比硬撑着说准确率百分之九十九可信得多。

从那以后我每次带课程设计，都强制要求先跑一遍十张图的回归，把定位成功率、分割正确率、单字符正确率分开记录下来，再谈优化。没有这三个数，任何调参都是在赌。希望帮到你。

本文还有配套的精品资源，点击获取