引言

车牌识别（License Plate Recognition, LPR）作为智能交通系统的核心模块，广泛应用于高速公路收费、停车场管理、交通违法监控等领域。其核心是通过数字图像处理技术，从复杂背景中提取车牌区域，并识别出字符信息。Matlab凭借其强大的图像处理工具箱和简洁的编程环境，成为实现车牌识别算法的理想平台。本文将从图像预处理、车牌定位、字符分割与识别三个阶段，系统阐述基于Matlab的车牌识别实现方法，并提供可复用的代码示例。

一、图像预处理：提升车牌区域对比度

图像预处理是车牌识别的第一步，其目标是通过灰度化、去噪、边缘增强等操作，提升车牌区域与背景的对比度，为后续定位提供清晰图像。

1.1 灰度化与直方图均衡化

原始彩色图像包含冗余信息，灰度化可减少计算量。Matlab中通过rgb2gray函数实现：

I = imread('car.jpg');
Igray = rgb2gray(I);

直方图均衡化可扩展灰度范围，增强对比度：

Ieq = histeq(Igray);

1.2 边缘检测与形态学处理

车牌区域通常包含丰富的边缘信息，Canny算子可有效提取边缘：

Iedge = edge(Ieq, 'canny');

形态学操作（如膨胀、闭运算）可连接断裂边缘，填充孔洞：

se = strel('rectangle', [5,5]);
Iclosed = imclose(Iedge, se);

二、车牌定位：从复杂背景中提取目标区域

车牌定位需从预处理后的图像中筛选出可能的车牌区域，通常结合颜色特征与形状特征。

2.1 基于颜色空间的粗定位

中国车牌以蓝底白字为主，可通过HSV颜色空间筛选蓝色区域：

Ihsv = rgb2hsv(I);
H = Ihsv(:,:,1); S = Ihsv(:,:,2); V = Ihsv(:,:,3);
% 提取蓝色区域（H范围0.55-0.75，S>0.3，V>0.3）
blueMask = (H>0.55 & H<0.75) & (S>0.3) & (V>0.3);

2.2 基于形状特征的精确定位

通过连通区域分析筛选符合车牌长宽比的区域：

cc = bwconncomp(blueMask);
stats = regionprops(cc, 'BoundingBox', 'Area');
for i = 1:length(stats)
    bb = stats(i).BoundingBox;
    ratio = bb(3)/bb(4); % 宽高比
    if ratio>2.5 && ratio<5 && stats(i).Area>1000
        plateRect = bb;
        break;
    end
end
Iplate = imcrop(Ieq, plateRect);

三、字符分割：将车牌区域分解为单个字符

字符分割需处理倾斜、粘连等问题，常用方法包括投影法与连通区域分析。

3.1 车牌倾斜校正

通过Hough变换检测直线，计算倾斜角度并旋转校正：

[H,T,R] = hough(Iplate);
P = houghpeaks(H, 5);
lines = houghlines(Iplate, T, R, P);
angles = [lines.theta];
medianAngle = median(angles);
Irotated = imrotate(Iplate, -medianAngle, 'bilinear', 'crop');

3.2 垂直投影法分割字符

对二值化后的车牌图像进行垂直投影，根据波谷位置分割字符：

Ibw = imbinarize(Irotated);
verticalProjection = sum(Ibw, 1);
% 寻找波谷作为分割点
minVal = min(verticalProjection);
splitPoints = find(verticalProjection < minVal*1.5);
characters = cell(1, length(splitPoints)-1);
for i = 1:length(splitPoints)-1
    charRect = [splitPoints(i), 1, splitPoints(i+1)-splitPoints(i), size(Ibw,1)];
    characters{i} = imcrop(Ibw, charRect);
end

四、字符识别：从分割图像中提取文本信息

字符识别可通过模板匹配或机器学习方法实现，Matlab中可结合ocr函数或自定义模板库。

4.1 模板匹配法

预存标准字符模板，计算待识别字符与模板的相似度：

templates = {'京', '沪', '津', ...}; % 简化示例，实际需包含0-9,A-Z
recognizedChars = cell(1, length(characters));
for i = 1:length(characters)
    maxScore = -inf;
    bestMatch = '';
    for j = 1:length(templates)
        score = corr2(characters{i}, templates{j});
        if score > maxScore
            maxScore = score;
            bestMatch = templates{j};
        end
    end
    recognizedChars{i} = bestMatch;
end
plateText = [recognizedChars{:}];

4.2 基于深度学习的OCR

Matlab的Computer Vision Toolbox支持训练CNN模型进行字符识别：

% 加载预训练模型（需提前训练或下载）
net = load('ocrModel.mat');
% 对每个字符进行分类
for i = 1:length(characters)
    charImg = imresize(characters{i}, [32,32]);
    label = classify(net, charImg);
    recognizedChars{i} = char(label);
end

五、优化策略与实用建议

1. 多尺度检测：车牌大小不一，可通过图像金字塔或滑动窗口提升检测率。
2. 抗干扰处理：针对雨雪、阴影等场景，加入中值滤波或自适应阈值。
3. 性能优化：使用parfor并行处理多帧图像，或调用GPU加速。
4. 数据增强：通过旋转、缩放、加噪生成训练样本，提升模型鲁棒性。

六、完整代码示例

% 主函数：车牌识别流程
function plateText = licensePlateRecognition(imgPath)
    % 1. 图像预处理
    I = imread(imgPath);
    Igray = rgb2gray(I);
    Ieq = histeq(Igray);
    Iedge = edge(Ieq, 'canny');
    se = strel('rectangle', [5,5]);
    Iclosed = imclose(Iedge, se);
    % 2. 车牌定位
    Ihsv = rgb2hsv(I);
    H = Ihsv(:,:,1); S = Ihsv(:,:,2); V = Ihsv(:,:,3);
    blueMask = (H>0.55 & H<0.75) & (S>0.3) & (V>0.3);
    cc = bwconncomp(blueMask);
    stats = regionprops(cc, 'BoundingBox', 'Area');
    plateRect = [];
    for i = 1:length(stats)
        bb = stats(i).BoundingBox;
        ratio = bb(3)/bb(4);
        if ratio>2.5 && ratio<5 && stats(i).Area>1000
            plateRect = bb;
            break;
        end
    end
    Iplate = imcrop(Ieq, plateRect);
    % 3. 倾斜校正
    [H,T,R] = hough(Iplate);
    P = houghpeaks(H, 5);
    lines = houghlines(Iplate, T, R, P);
    angles = [lines.theta];
    medianAngle = median(angles);
    Irotated = imrotate(Iplate, -medianAngle, 'bilinear', 'crop');
    % 4. 字符分割与识别
    Ibw = imbinarize(Irotated);
    verticalProjection = sum(Ibw, 1);
    minVal = min(verticalProjection);
    splitPoints = find(verticalProjection < minVal*1.5);
    characters = cell(1, length(splitPoints)-1);
    for i = 1:length(splitPoints)-1
        charRect = [splitPoints(i), 1, splitPoints(i+1)-splitPoints(i), size(Ibw,1)];
        characters{i} = imcrop(Ibw, charRect);
    end
    % 模板匹配识别（简化版）
    templates = {'0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z'};
    recognizedChars = cell(1, length(characters));
    for i = 1:length(characters)
        maxScore = -inf;
        bestMatch = '';
        for j = 1:length(templates)
            temp = imresize(imread(sprintf('templates/%s.bmp', templates{j})), size(characters{i}));
            score = corr2(double(characters{i}), double(temp));
            if score > maxScore
                maxScore = score;
                bestMatch = templates{j};
            end
        end
        recognizedChars{i} = bestMatch;
    end
    plateText = [recognizedChars{:}];
end

结论

基于Matlab的车牌识别系统通过数字图像处理技术，实现了从复杂背景中提取车牌并识别字符的功能。本文详细阐述了预处理、定位、分割与识别的完整流程，并提供了可复用的代码示例。实际应用中，需结合具体场景调整参数（如颜色阈值、形态学操作核大小等），并可通过深度学习模型进一步提升识别率。对于开发者而言，Matlab的快速原型开发能力可显著缩短算法验证周期，为智能交通系统的落地提供有力支持。