数字图像处理——基于MATLAB的车牌号识别

引言

车牌号识别（License Plate Recognition, LPR）是智能交通系统中的核心技术之一，广泛应用于电子收费、交通监控、停车场管理等领域。其核心是通过数字图像处理技术，从车辆图像中提取并识别车牌字符。MATLAB作为一款强大的科学计算与可视化工具，提供了丰富的图像处理工具箱（Image Processing Toolbox），能够高效实现车牌识别的全流程。本文将结合理论分析与代码实践，系统阐述基于MATLAB的车牌号识别技术。

车牌号识别的核心流程

车牌号识别通常包含以下步骤：图像采集、预处理、车牌定位、字符分割、字符识别。其中，数字图像处理技术贯穿始终，是提升识别准确率的关键。

1. 图像预处理

预处理的目的是消除图像中的噪声、增强车牌区域特征，为后续步骤提供高质量输入。MATLAB中可通过以下函数实现：

% 读取图像
img = imread('car.jpg');
% 转换为灰度图
gray_img = rgb2gray(img);
% 直方图均衡化（增强对比度）
eq_img = histeq(gray_img);
% 高斯滤波（去噪）
filtered_img = imgaussfilt(eq_img, 1);

关键点：

• 灰度化可减少计算量，同时保留亮度信息。
• 直方图均衡化通过拉伸对比度，使车牌字符与背景差异更明显。
• 高斯滤波通过加权平均平滑图像，抑制高频噪声。

2. 车牌定位

车牌定位需从复杂背景中分离出车牌区域。常用方法包括边缘检测、形态学操作与颜色分析。

边缘检测与形态学处理

% Sobel边缘检测
edge_img = edge(filtered_img, 'sobel');
% 形态学闭运算（连接断裂边缘）
se = strel('rectangle', [5 5]);
closed_img = imclose(edge_img, se);
% 填充空洞
filled_img = imfill(closed_img, 'holes');
% 连通区域分析
stats = regionprops(filled_img, 'BoundingBox', 'Area');
% 筛选面积与长宽比符合车牌特征的区域
plate_boxes = [];
for i = 1:length(stats)
    bbox = stats(i).BoundingBox;
    aspect_ratio = bbox(3)/bbox(4); % 长宽比
    area = stats(i).Area;
    if aspect_ratio > 2 && aspect_ratio < 6 && area > 1000
        plate_boxes = [plate_boxes; bbox];
    end
end

关键点：

• Sobel算子检测水平与垂直边缘，突出车牌边框。
• 形态学闭运算连接断裂边缘，形成闭合区域。
• 通过长宽比（通常为3:1~5:1）和面积阈值筛选候选区域。

颜色分析（可选）

若图像为彩色，可利用车牌颜色特征（如蓝底白字）进一步筛选：

% 转换为HSV色彩空间
hsv_img = rgb2hsv(img);
% 提取蓝色区域（Hue范围约[0.55, 0.75]）
blue_mask = (hsv_img(:,:,1) >= 0.55) & (hsv_img(:,:,1) <= 0.75);
% 结合边缘检测结果定位车牌

3. 字符分割

车牌定位后，需将字符逐个分割以便识别。步骤包括：二值化、投影法分割。

二值化

% 自适应阈值二值化（适应光照变化）
binary_img = imbinarize(filtered_img, 'adaptive', 'Sensitivity', 0.4);

投影法分割

% 垂直投影统计
vertical_proj = sum(binary_img, 1);
% 寻找字符间的谷底作为分割点
threshold = 0.2 * max(vertical_proj);
split_points = find(vertical_proj < threshold);
% 提取字符区域
chars = {};
start_idx = 1;
for i = 1:length(split_points)
    if i == 1 || split_points(i) - split_points(i-1) > 10
        char_img = binary_img(:, start_idx:split_points(i)-1);
        chars{end+1} = char_img;
        start_idx = split_points(i);
    end
end

关键点：

• 自适应阈值可避免全局阈值在光照不均时的失效。
• 投影法通过统计每列的像素和，利用字符间的空白区域分割。

4. 字符识别

字符识别可通过模板匹配或机器学习实现。MATLAB中模板匹配较为简单：

% 定义字符模板（需预先准备0-9,A-Z的二值化模板）
templates = load_templates(); % 自定义函数加载模板
recognized_chars = {};
for i = 1:length(chars)
    char_img = imresize(chars{i}, [30 15]); % 统一尺寸
    max_corr = -1;
    best_match = '?';
    for j = 1:length(templates)
        corr = corr2(char_img, templates{j});
        if corr > max_corr
            max_corr = corr;
            best_match = char(65 + j - 1); % 假设模板顺序为A-Z,0-9
        end
    end
    recognized_chars{end+1} = best_match;
end
plate_number = strcat(recognized_chars{:});

优化建议：

• 模板需覆盖所有可能字符，且尺寸与输入字符一致。
• 可引入机器学习（如SVM、CNN）提升复杂场景下的识别率。

完整代码示例

function plate_number = recognize_plate(img_path)
    % 1. 图像预处理
    img = imread(img_path);
    gray_img = rgb2gray(img);
    eq_img = histeq(gray_img);
    filtered_img = imgaussfilt(eq_img, 1);
    % 2. 车牌定位
    edge_img = edge(filtered_img, 'sobel');
    se = strel('rectangle', [5 5]);
    closed_img = imclose(edge_img, se);
    filled_img = imfill(closed_img, 'holes');
    stats = regionprops(filled_img, 'BoundingBox', 'Area');
    plate_boxes = [];
    for i = 1:length(stats)
        bbox = stats(i).BoundingBox;
        aspect_ratio = bbox(3)/bbox(4);
        area = stats(i).Area;
        if aspect_ratio > 2 && aspect_ratio < 6 && area > 1000
            plate_boxes = [plate_boxes; bbox];
        end
    end
    % 假设只有一个车牌，取第一个候选区域
    if isempty(plate_boxes)
        error('未检测到车牌');
    end
    bbox = plate_boxes(1,:);
    plate_img = imcrop(filtered_img, bbox);
    % 3. 字符分割
    binary_plate = imbinarize(plate_img, 'adaptive', 'Sensitivity', 0.4);
    vertical_proj = sum(binary_plate, 1);
    threshold = 0.2 * max(vertical_proj);
    split_points = find(vertical_proj < threshold);
    chars = {};
    start_idx = 1;
    for i = 1:length(split_points)
        if i == 1 || split_points(i) - split_points(i-1) > 10
            char_img = binary_plate(:, start_idx:split_points(i)-1);
            chars{end+1} = char_img;
            start_idx = split_points(i);
        end
    end
    % 4. 字符识别（简化版模板匹配）
    templates = load_templates(); % 需自定义
    recognized_chars = {};
    for i = 1:length(chars)
        char_img = imresize(chars{i}, [30 15]);
        max_corr = -1;
        best_match = '?';
        for j = 1:length(templates)
            corr = corr2(char_img, templates{j});
            if corr > max_corr
                max_corr = corr;
                best_match = char(65 + j - 1); % 假设模板顺序为A-Z,0-9
            end
        end
        recognized_chars{end+1} = best_match;
    end
    plate_number = strcat(recognized_chars{:});
end

实际应用建议

1. 数据集准备：收集不同光照、角度、背景的车牌图像，增强模型鲁棒性。
2. 性能优化：
   • 使用并行计算（parfor）加速字符识别。
   • 对实时系统，可部署MATLAB生成的C代码（通过MATLAB Coder）。
3. 扩展性：
   • 结合深度学习（如使用MATLAB的Deep Learning Toolbox训练CNN模型）。
   • 集成到嵌入式设备（如树莓派+摄像头）。

结论

基于MATLAB的车牌号识别系统，通过数字图像处理技术实现了从图像采集到字符识别的全流程。开发者可根据实际需求调整参数、优化算法，甚至集成机器学习模型以提升准确率。本文提供的代码框架与理论分析，为快速构建车牌识别系统提供了实用参考。