MATLAB车牌识别系统实现与优化指南

1. 项目概述

上周帮室友调试他的毕业设计项目——基于MATLAB的车牌识别系统。这个看似简单的demo在实际实现过程中遇到了不少坑，从图像预处理到字符识别，每个环节都需要精细调参。经过一周的反复测试，最终实现了一个稳定运行的版本，识别准确率达到87.5%（测试样本8张，正确识别7张）。本文将完整呈现整个实现流程，包括所有关键代码和调试经验。

车牌识别系统本质上是一个典型的模式识别问题，核心流程可分为五个阶段：图像采集→预处理→车牌定位→字符分割→字符识别。每个阶段都有其技术难点和解决方案，下面我将结合具体代码和实际测试结果详细说明。

提示：本文所有代码均在MATLAB R2021b环境下测试通过，建议使用相同或更高版本运行。完整项目文件包含测试图片和字符模板，可在文末提供的GitHub链接获取。

2. 图像预处理实战

2.1 图像读取与去噪处理

原始车牌图像往往存在多种噪声干扰，如拍摄时的运动模糊、传感器噪声、光照不均等。我们首先使用imread函数读取图像：

matlab复制% 读取原始图像（替换为你的图片路径）
car_img = imread('car_plate.jpg');
figure; imshow(car_img); title('原始车牌图像');

在实测中发现，直接对原始图像进行边缘检测会导致大量噪声干扰。我们对比了三种去噪方法：

1. 均值滤波：简单但会导致边缘模糊
2. 高斯滤波：对高斯噪声有效但保留脉冲噪声
3. 中值滤波：对脉冲噪声特别有效且能较好保留边缘

最终选择3×3窗口中值滤波：

matlab复制% 中值滤波去噪
car_img_denoise = medfilt2(car_img, [3 3]);
figure; imshow(car_img_denoise); title('去噪后图像');

注意事项：窗口大小选择很关键。实测发现3×3窗口在去噪和边缘保留之间取得最佳平衡，5×5窗口会导致字符笔画粘连。

2.2 对比度增强技巧

光照条件不理想时，车牌区域对比度可能不足。我们采用自适应直方图均衡化（CLAHE）来增强局部对比度：

matlab复制% 转换为灰度图
gray_img = rgb2gray(car_img_denoise);
% 自适应直方图均衡化
gray_img = adapthisteq(gray_img);
figure; imshow(gray_img); title('对比度增强后图像');

这种方法比全局直方图均衡化更能保留细节，特别是在车牌区域与车身颜色相近时效果显著。

3. 车牌定位关键技术

3.1 边缘检测与参数优化

车牌定位的核心是找到包含车牌的矩形区域。我们使用Canny边缘检测算法：

matlab复制% Canny边缘检测
edge_img = edge(gray_img, 'canny', [0.1 0.2]);
figure; imshow(edge_img); title('边缘检测结果');

阈值选择经验：

• 低阈值设为0.1-0.15能捕捉微弱边缘
• 高阈值设为低阈值的2-3倍
• 过高的阈值会丢失车牌边框信息

3.2 基于几何特征的筛选策略

获取边缘后，使用bwboundaries查找所有轮廓，然后通过几何特征筛选：

ma复制