源码不做任何修改，只能识别提供的车牌图像，其它车牌图像识别不准确正常的，b站就是演示识别

matlab版本2021及以上，其它版本会报错

演示视频链接：https://www.bilibili.com/video/BV1624y1S7ck/

前言：

车牌自动识别模块是现代社会智能交通系统（ITS）的重要组成部分，是图像处理和模式识别技术研究的热点，具有非常广泛的应用。车牌识别主要包括以下三个主要步骤：车牌区域定位、车牌字符分割、车牌字符识别。

本项目通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀及平滑等过程进行车牌图像预处理，并由此得到一种基于车牌颜色纹理特征的车牌定位方法，最终实现了车牌区域定位。车牌字符分割是为了方便后续对车牌字符进行匹配，从而对车牌进行识别。本案例采用了模板匹配的方法，对输出的字符图像和模板库里的模板进行匹配以得到对应车牌字符的具体信息。本案例基于 MATLAB 的 GUI 工具进行设计仿真实验，实验表明，整体方案有效可行。基于模板匹配的车牌识别技术在识别正确率、速度方面具有独特的优势及广阔的应用前景。

理论基础

车牌定位与字符识别技术以计算机图像处理、模式识别等技术为基础，通过对原图像进行预处理及边缘检测等过程来实现对车牌区域的定位，然后对车牌区域进行图像裁剪、归一化、字符分割及保存，最后将分割得到的字符图像与模板库的模板进行匹配识别，输出匹配结果。该流程如图 5-1 所示。

在进行车牌识别时首先要正确分割车牌区域，为此人们已经提出了很多方法：使用 Hough变换检测直线来定位车牌边界进而获取车牌区域；使用灰度阈值分割、区域生长等方法进行区域分割；使用纹理特征分析技术检测车牌区域等。Hough 变换对图像噪声比较敏感，因此在检测车牌边界直线时容易受到车牌变形或噪声等因素的影响，具有较大的误检测概率。灰度阈值分割、区域增长等方法则比 Hough 直线检测方法稳定，但当图像中包含某些与车牌灰度非常相似的区域时，便不再适用了。同理，纹理特征分析方法在遇到与车牌纹理特征相近的区域或其他干扰时，车牌定位的正确性也会受到影响。因此，仅采用单一的方法难以达到实际应用的要求。

如果进行车牌字符的定位及裁剪，则需要首先对输入的车牌图像进行预处理以得到精确的车牌字符图像；然后将处理后的车牌看作由连续的字符块组成，并设定一个灰度阈值，如果超过该阈值，则认为有多个字符相连，需要对其进行切割，进而实现对车牌字符的分割；最后把分割的字符图片进行标准化并与模板库进行对比，选出最相似的字符结果并输出，即为车牌信息。