簡(jiǎn)介這套資源是基于MATLAB實(shí)現(xiàn)的車牌識(shí)別完整源碼包主要面向計(jì)算機(jī)視覺初學(xué)者、圖像處理課程學(xué)生以及畢業(yè)設(shè)計(jì)人員。項(xiàng)目圍繞車牌識(shí)別全流程組織包含圖像灰度化與二值化、中值濾波去噪、Canny邊緣檢測(cè)、霍夫變換定位、連通域分析、垂直投影字符切割、特征提取與分類識(shí)別等關(guān)鍵代碼模塊并配有主程序main.m及形態(tài)學(xué)、傾斜校正、裁剪、投影、字符識(shí)別等獨(dú)立腳本。壓縮包共69個(gè)文件含44個(gè)bmp字符模板、14個(gè)jpg測(cè)試圖片、10個(gè)m源碼文件及1個(gè)說明txt整體大小4.51MB目錄區(qū)分“字符模板”“測(cè)試圖片”“源代碼”等模塊便于按步驟對(duì)照學(xué)習(xí)。已有539人瀏覽學(xué)習(xí)。這套代碼覆蓋面完整讀者既可以整體運(yùn)行查看識(shí)別效果也可以分步調(diào)試?yán)斫饷總€(gè)算法的MATLAB實(shí)現(xiàn)方法還能利用模板庫自行擴(kuò)展不同省份字符。對(duì)完成課程設(shè)計(jì)或入門圖像處理與模式識(shí)別均有較強(qiáng)參考價(jià)值。1. 基于MATLAB的車牌識(shí)別識(shí)別率瓶頸在定位不在字符基于MATLAB的車牌識(shí)別聽起來是被做爛的題目但真拿一張路邊隨手拍的照片跑一遍你會(huì)發(fā)現(xiàn)多數(shù)開源Demo連車牌在哪都找不準(zhǔn)。我拆這個(gè)資源包時(shí)印象最深的一點(diǎn)是整個(gè)流程中定位環(huán)節(jié)占了近一半的代碼量字符識(shí)別反而是最短的一段。這套實(shí)現(xiàn)做的事情很直接——輸入一張包含車牌的普通圖像輸出車牌字符串覆蓋灰度化、邊緣檢測(cè)、形態(tài)學(xué)定位、字符分割、模板匹配一條完整鏈路。它適合正在做圖像處理課程設(shè)計(jì)、畢設(shè)選了這個(gè)方向、以及想不依賴深度學(xué)習(xí)框架快速搭一個(gè)可解釋識(shí)別基線的讀者。跑通之后你再替換成深度學(xué)習(xí)識(shí)別器前面的定位分割模塊仍能直接復(fù)用。2. 車牌定位Sobel邊緣與形態(tài)學(xué)閉運(yùn)算的雙重篩選車牌定位是整個(gè)識(shí)別流程里最值得細(xì)看的模塊因?yàn)楹罄m(xù)分割和識(shí)別的誤差基本都在這里開始累積。一個(gè)直覺是“先把彩色圖轉(zhuǎn)成二值圖再找矩形”實(shí)際做一遍就會(huì)發(fā)現(xiàn)戶外光照、車身反光、路牌干擾都會(huì)讓簡(jiǎn)單二值化直接翻車。這里把定位分成兩層篩選先用邊緣檢測(cè)提取車牌邊框特征再用形態(tài)學(xué)閉運(yùn)算把散碎邊緣連成候選塊最后用幾何約束過濾非車牌區(qū)域。2.1 灰度化與Sobel邊緣檢測(cè)為什么不用Canny大多數(shù)輸入圖像是彩色照片。直接對(duì)彩色圖做形態(tài)學(xué)處理有兩個(gè)問題三個(gè)顏色分量的噪聲會(huì)疊加亮度差異對(duì)結(jié)果的影響沒有灰度圖直觀。因此第一步永遠(yuǎn)是灰度化把后續(xù)所有操作的輸入維度降低。% 讀取原圖 img imread(plate_sample.jpg); % 彩色轉(zhuǎn)灰度 gray rgb2gray(img); % 水平方向的Sobel邊緣檢測(cè)靈敏度閾值0.15 bwEdge edge(gray, sobel, 0.15);三個(gè)步驟分別對(duì)應(yīng)讀取、降維、提取邊緣。這里用edge(gray, sobel, 0.15)第三個(gè)參數(shù)是靈敏度閾值值越大被判定為邊緣的像素越少值越小邊緣越密集。閾值0.15是一個(gè)經(jīng)驗(yàn)起點(diǎn)實(shí)際調(diào)試時(shí)按0.05的步長(zhǎng)從0.1掃到0.3再用可視化疊加確認(rèn)效果會(huì)比死記一個(gè)閾值可靠得多。為什么選Sobel而不是Canny車牌上下邊框的水平邊緣非常連續(xù)Sobel對(duì)水平梯度的響應(yīng)強(qiáng)、邊緣線條粗、斷裂少后續(xù)閉運(yùn)算更容易縫合Canny的滯后雙閾值對(duì)參數(shù)更敏感戶外環(huán)境下容易把車身紋理、樹葉陰影也判定成邊緣產(chǎn)生大量碎片。邊緣圖里的碎片越多閉運(yùn)算越容易把干擾區(qū)域和車牌區(qū)域合并在一起定位框隨之整體偏移。一個(gè)容易被忽略的細(xì)節(jié)是Sobel默認(rèn)提取整幅圖像所有方向的邊緣實(shí)際車牌區(qū)域主要依賴水平邊框所以也可以用fspecial自定義一個(gè)水平方向的Sobel核來實(shí)現(xiàn)定向提取。這會(huì)讓邊緣圖更干凈代價(jià)是丟失垂直邊框信息折中做法是先用默認(rèn)方向提取讓形態(tài)學(xué)閉運(yùn)算去做連接。2.2 形態(tài)學(xué)閉運(yùn)算與孔洞填充把散點(diǎn)連成候選塊邊緣圖是一堆散碎的短線段車牌區(qū)域的長(zhǎng)邊框和字符紋理被道路標(biāo)線、車身裝飾條打斷是常事。形態(tài)學(xué)閉運(yùn)算就是干這個(gè)的先膨脹再腐蝕。膨脹把相鄰邊緣點(diǎn)縫合起來腐蝕再把擴(kuò)張出去的多余毛刺收回來整體面積變化不大但內(nèi)部連通性大幅提升。% 定義矩形結(jié)構(gòu)元素寬45、高15 se strel(rectangle, [45, 15]); % 閉運(yùn)算 bwClose imclose(bwEdge, se); % 填充內(nèi)部孔洞讓車牌區(qū)域變?yōu)閷?shí)心塊 bwFill imfill(bwClose, holes);結(jié)構(gòu)元素尺寸是閉運(yùn)算的唯一參數(shù)也是定位精度最敏感的參數(shù)。寬45、高15是按常規(guī)車牌尺寸推算的車牌物理尺寸約440mm×140mm寬高比約3.1:1字符間隙在寬度縮放到約600像素時(shí)大約為15像素左右。結(jié)構(gòu)元素太窄字符之間的縫隙縫合不上車牌區(qū)域會(huì)斷成兩塊太寬路牌、車燈、車身裝飾條會(huì)被誤并為同一個(gè)連通塊。如果不確定尺寸常見做法是對(duì)多個(gè)尺寸各做一次閉運(yùn)算把所有候選區(qū)域都交給下一層幾何篩選去淘汰而不是在一開始就賭一個(gè)參數(shù)?？锥刺畛湓陂]運(yùn)算之后針對(duì)的是車牌內(nèi)部字符與字符之間的空隙。填充之后車牌區(qū)域從“空心矩形框”變成“實(shí)心矩形塊”這就是后續(xù) regionprops 能正確計(jì)算長(zhǎng)寬比的前提。如果跳過這一步計(jì)算出的區(qū)域面積會(huì)明顯小于實(shí)際車牌面積下限閾值就不好設(shè)。2.3 連通域篩選用長(zhǎng)寬比和面積過濾非車牌區(qū)域閉運(yùn)算結(jié)束后圖中通常還殘留多個(gè)連通塊。接下來用幾何屬性做第二層篩選。車牌是一個(gè)寬高比穩(wěn)定的矩形這兩個(gè)約束能排除掉大部分干擾區(qū)域。% 標(biāo)記連通域 labeled bwlabel(bwFill); % 提取每個(gè)連通域的包圍框與面積 stats regionprops(labeled, BoundingBox, Area); for k 1:numel(stats) w stats(k).BoundingBox(3); h stats(k).BoundingBox(4); ratio w / h; area stats(k).Area; % 保留寬高比2.5~5.5、面積大于2000的候選塊 if ratio 2.5 ratio 5.5 area 2000 candidate stats(k).BoundingBox; % 從原圖中裁出候選區(qū)域交給后續(xù)分割 plate_region imcrop(gray, candidate); end end寬高比范圍為什么給到2.5到5.5而不是嚴(yán)格的3.1因?yàn)檐囕v停放角度、拍攝視角都會(huì)改變車牌在畫面中的投影比例車頭正對(duì)鏡頭時(shí)接近3.1斜向拍攝時(shí)可能被壓扁到2.4側(cè)向拍攝時(shí)可能拉長(zhǎng)到4以上。范圍太窄會(huì)把傾斜拍攝的車牌過濾掉范圍太寬會(huì)混入大量長(zhǎng)條形干擾物。面積閾值2000同樣不是通用值它依賴圖像分辨率。這里建議按“字符密集程度”來輔助判斷車牌區(qū)域內(nèi)部邊緣像素密度遠(yuǎn)高于周邊可以在篩選結(jié)果里再加一條邊緣密度條件。面積篩選之后還有一個(gè)可選的第三層校驗(yàn)候選區(qū)內(nèi)部字符紋理的方差。車牌的紋理特征是字符與底色交替出現(xiàn)灰度直方圖呈現(xiàn)雙峰結(jié)構(gòu)而車身面板、路牌是平滑區(qū)塊。用std2計(jì)算候選區(qū)灰度方差能過濾掉一部分外形像車牌、內(nèi)部卻是空白的干擾物。加上這一層之后定位的誤判率通常能再降一截。3. 字符分割垂直投影與連通域校驗(yàn)少一個(gè)都翻車定位裁出的車牌區(qū)域包含一串字符字符分割的任務(wù)是把它們逐個(gè)切出來。常見做法是垂直投影法統(tǒng)計(jì)每一列的黑色像素?cái)?shù)量字符之間存在空隙空隙處的像素?cái)?shù)會(huì)形成波谷從這個(gè)谷底切開。但直接套投影法在漢字車牌上必然踩坑因?yàn)闈h字內(nèi)部筆畫密集投影波谷比字母數(shù)字復(fù)雜得多。3.1 垂直投影法按列像素密度切分字符先對(duì)車牌區(qū)域做二值化再統(tǒng)計(jì)每一列中前景像素的數(shù)量。字符區(qū)內(nèi)列像素值高字符間隙處列像素值接近零投影曲線會(huì)呈現(xiàn)連續(xù)的高峰—低谷形態(tài)。波谷位置就是候選分割點(diǎn)。% 車牌區(qū)域二值化灰度大于0.6置為1 plate_bw im2bw(plate_region, 0.6); % 統(tǒng)計(jì)每一列的前景像素?cái)?shù)假設(shè)前景為黑色像素 proj sum(plate_bw 0, 1); % 找到投影值為零的列位置 zero_cols find(proj 0);這里的im2bw(plate_region, 0.6)是固定閾值二值化0.6表示灰度歸一化到0~1區(qū)間后的分割閾值。如果車牌圖像亮度均勻0.6左右效果不錯(cuò)如果光照不均固定閾值會(huì)讓部分字符區(qū)域變白、背景變黑投影曲線失真。更穩(wěn)的替代方案是graythresh自動(dòng)計(jì)算Otsu閾值或者用imtophat做頂帽變換先校正亮度不均。投影值計(jì)算中plate_bw 0表示取黑色像素這是基于“白底黑字”車牌的二值化約定。二值化方向搞反了投影曲線就會(huì)變成倒置形態(tài)這是新手最常犯的錯(cuò)誤之一。3.2 連通域分析做二次校驗(yàn)兩個(gè)經(jīng)典分割錯(cuò)誤投影法對(duì)“京”“魯”這類結(jié)構(gòu)復(fù)雜的漢字非常不友好。漢字內(nèi)部筆畫密集投影到列方向時(shí)筆畫之間常常沒有清晰的零值空隙導(dǎo)致一個(gè)漢字被誤判成兩個(gè)字符。另一種情況恰好相反數(shù)字“1”寬度窄、面積小在投影圖中呈現(xiàn)的波峰不明顯容易被當(dāng)作噪聲丟棄。% 對(duì)二值圖做連通域標(biāo)記 cc bwconncomp(plate_bw 0); stats_char regionprops(cc, BoundingBox, Area); % 按包圍框左邊界排序 boxes reshape({stats_char.BoundingBox}, [], 1); positions cellfun((b) b(1), boxes); [~, order] sort(positions); sorted_boxes boxes(order);這段代碼的作用是把二值圖中所有連通的字符塊找出來按水平位置從左到右排序再按位置和寬度依次排列成字符串順序。連通域方式天然規(guī)避了“漢字被投影切碎”的問題——漢字筆畫雖然密集但在二維空間里仍然是連通的整體會(huì)形成一個(gè)大的連通塊。需要補(bǔ)的校驗(yàn)條件有兩個(gè)連通塊的高度要達(dá)到車牌區(qū)域高度的50%以上寬度不能小于整體寬度的5%否則判定為噪聲或邊框殘留。一個(gè)常見的隱藏坑是二值化后車牌邊框和字符粘連。如果車牌邊緣框沒有被完全去掉邊框會(huì)與第一個(gè)字符或最后一個(gè)字符形成一個(gè)連通塊導(dǎo)致分割結(jié)果出現(xiàn)“7個(gè)字符加上一條邊框”。解決方式是在連通域分析之前用imclearborder清除與圖像邊界相連的對(duì)象或者在投影分割前先對(duì)車牌區(qū)域做一次腐蝕操作把邊框與字符的連接點(diǎn)斷開。3.3 尺寸歸一化分割完必須做的統(tǒng)一化處理切割出的字符寬度、高度各不相同模板匹配要求輸入尺寸一致因此每一張字符圖都要?dú)w一化到統(tǒng)一尺寸。常見做法是縮放到48×24像素這個(gè)尺寸能保留足夠的筆畫細(xì)節(jié)又不會(huì)讓匹配計(jì)算量過大。% 將單個(gè)字符圖像歸一化為48×24 char_norm imresize(char_img, [48, 24], bilinear); % 統(tǒng)一轉(zhuǎn)成二值圖消除灰度差異 char_bw im2bw(char_norm, 0.5);尺寸歸一化有兩個(gè)細(xì)節(jié)。第一縮放算法的選擇雙線性插值計(jì)算平滑適合字符這種筆畫型圖像最近鄰插值會(huì)保留鋸齒對(duì)筆畫細(xì)節(jié)不利。第二二值化閾值統(tǒng)一使用0.5是為了讓模板匹配階段只比較筆畫的形狀特征而不是比較灰度深淺。如果字符圖像本身是白底黑字統(tǒng)一二值化之后再送入匹配。對(duì)于含有邊框噪聲的字符塊可以在歸一化后加一步開運(yùn)算把細(xì)小的毛刺去掉。4. 字符識(shí)別模板匹配池設(shè)計(jì)與拒識(shí)閾值怎么定字符識(shí)別這層在這套MATLAB實(shí)現(xiàn)里用的是模板匹配。模板匹配的思路非常樸素把分割出的字符與模板庫中的每一個(gè)模板做相似度計(jì)算取相似度最高者作為識(shí)別結(jié)果。樸素不代表簡(jiǎn)單模板庫怎么構(gòu)建、匹配算法怎么選、閾值怎么設(shè)直接決定識(shí)別的上限。4.1 構(gòu)建模板庫樣本來源與命名規(guī)范模板庫的質(zhì)量決定匹配識(shí)別的質(zhì)量這是整個(gè)識(shí)別模塊最容易被低估的部分。模板來源有兩個(gè)方向一是從同一拍攝設(shè)備采集的清晰車牌中手動(dòng)切割字符二是對(duì)已有的字符圖像做幾何變換生成多尺度變體。% 模板文件夾結(jié)構(gòu)示意 % templates/ % hans/ Wangzi/ shuzi/... % 讀取模板 template_dir templates/; files dir(fullfile(template_dir, *.bmp)); for i 1:numel(files) [~, name, ~] fileparts(files(i).name); template_img imread(fullfile(template_dir, files(i).name)); template_bw im2bw(template_img, 0.5); templates.(name) template_bw; end命名規(guī)范建議采用“字符名稱_編號(hào)”的格式比如“京_01.bmp”“A_03.bmp”。這樣在匹配結(jié)束后可以直接從變量字段名提取識(shí)別結(jié)果避免維護(hù)額外的映射表。每個(gè)字符的模板建議準(zhǔn)備5到10個(gè)變體樣本覆蓋不同光照、不同粗細(xì)的印刷體字形。同一個(gè)字符不同模板之間匹配分?jǐn)?shù)取最高值。4.2 漢字的特殊處理第一字符單獨(dú)匹配不混池車牌字符串的排列規(guī)則是“漢字字母數(shù)字”其中第一個(gè)字符固定為漢字。如果把漢字和字母數(shù)字混在同一個(gè)模板池里匹配寬度差異和結(jié)構(gòu)差異會(huì)造成分?jǐn)?shù)偏向識(shí)別率反而不如分組匹配。% 識(shí)別第一個(gè)字符只用漢字模板池 char1_score zeros(1, numel(han_templates)); for k 1:numel(han_templates) char1_score(k) match_score(char_bw_1, han_templates{k}); end [~, idx1] max(char1_score); char1 han_labels{idx1}; % 識(shí)別后續(xù)字符字母數(shù)字模板池 for j 2:7 % ... 同上邏輯從 alnum_templates 中選最高分 end這里的關(guān)鍵是分池匹配。第一個(gè)字符只與漢字模板比較后六個(gè)字符只與字母數(shù)字模板比較。漢字和字母數(shù)字在字形結(jié)構(gòu)上差異顯著混池匹配偶爾會(huì)出現(xiàn)“某個(gè)字母恰好比某個(gè)漢字更相似”的誤判分池后這個(gè)概率被徹底排除。漢字識(shí)別還有一個(gè)進(jìn)階技巧對(duì)候選前三名做局部區(qū)域二次比對(duì)。漢字中“魯”和“遼”、“滬”和“護(hù)”字形高度接近整體匹配分?jǐn)?shù)可能只差零點(diǎn)幾此時(shí)截取字符的右下角區(qū)域做局部匹配局部差異會(huì)被放大能有效區(qū)分相似字形。4.3 匹配分?jǐn)?shù)與拒識(shí)閾值識(shí)別不出時(shí)要敢于不認(rèn)模板匹配的輸出是一組相似度分?jǐn)?shù)但分?jǐn)?shù)本身沒有絕對(duì)意義。同一字符在不同光照條件下提取出的二值圖可能差很多導(dǎo)致最高分僅有0.5與此對(duì)應(yīng)一個(gè)噪聲塊也可能和某個(gè)模板意外相似到0.7。因此拒識(shí)閾值要按“最低可接受分?jǐn)?shù)”反推。% 將最佳匹配分?jǐn)?shù)轉(zhuǎn)為置信度并判斷閾值 best_scores zeros(1, 7); % ... 在匹配循環(huán)中填充 best_scores if best_scores(j) 0.6 result_char{j} ?; % 拒識(shí) else result_char{j} best_label; end閾值0.6是底線實(shí)際項(xiàng)目里通過一批測(cè)試集的分?jǐn)?shù)分布來標(biāo)定收集300張車牌圖片統(tǒng)計(jì)所有正確匹配的分?jǐn)?shù)取最低值向下偏移0.05作為拒識(shí)閾值。識(shí)別不出時(shí)輸出“?”不要強(qiáng)行給一個(gè)低置信的答案這樣才能保證整體識(shí)別結(jié)果的可靠度。5. 常見問題排查五個(gè)翻車點(diǎn)與對(duì)應(yīng)修改方案這里整理五條拆解和調(diào)試這套MATLAB車牌識(shí)別資源時(shí)最常遇到的踩坑記錄。每一條都是現(xiàn)象、原因、解決三個(gè)層次對(duì)應(yīng)到具體代碼行和參數(shù)。5.1 定位框總是切掉車牌的一部分現(xiàn)象輸出候選框時(shí)車牌左邊或右邊被切掉分割出來的字符數(shù)量不對(duì)。原因形態(tài)學(xué)閉運(yùn)算的結(jié)構(gòu)元素尺寸偏小車牌邊緣與字符區(qū)域之間的縫隙沒有被完全縫合整個(gè)車牌被拆成多個(gè)連通塊篩選時(shí)只留下了面積最大的那一塊。解決把strel(rectangle, [45, 15])的寬度加到60甚至80重新做閉運(yùn)算和區(qū)域篩選或者對(duì)多個(gè)尺寸做閉運(yùn)算后合并候選區(qū)域。5.2 二值化之后車牌反白投影曲線全部倒置現(xiàn)象分割階段投影圖中的波峰波谷與預(yù)期完全相反字符區(qū)域的數(shù)據(jù)反而接近零。原因二值化約定方向與sum(plate_bw 0, 1)不一致原本是黑底白字的車牌轉(zhuǎn)換成了白底黑字統(tǒng)計(jì)黑色像素時(shí)統(tǒng)計(jì)到的是背景。解決先查看plate_bw中字符區(qū)域的值是多少要么把二值化取反plate_bw ~plate_bw要么把統(tǒng)計(jì)條件改為sum(plate_bw 1, 1)保證統(tǒng)計(jì)的是字符像素。5.3 分割出來只有四個(gè)字符中間的字母丟了現(xiàn)象車牌印刷清晰但分割結(jié)果缺少“·”分隔符后面的字母或數(shù)字連通域分析也沒有找到。原因字符寬度過窄被當(dāng)作噪聲過濾或者字符與邊框粘連開運(yùn)算處理時(shí)整個(gè)字符被腐蝕掉。解決檢查連通域篩選的寬度閾值把最小寬度從5%降到3%以下對(duì)二值化后的車牌區(qū)域用imdilate輕微膨脹一次把斷裂筆畫連上再做連通域分析。5.4 漢字識(shí)別結(jié)果全錯(cuò)字母數(shù)字基本對(duì)現(xiàn)象前六個(gè)字符識(shí)別正常但第一個(gè)漢字永遠(yuǎn)不對(duì)。原因模板庫中漢字樣本與測(cè)試圖像字體差異太大或者漢字模板在歸一化時(shí)保持了原始尺寸沒有統(tǒng)一縮放到48×24。解決漢字模板統(tǒng)一用imresize(漢字, [48, 24], bilinear)做歸一化同時(shí)保證模板和分割字符使用相同的二值化閾值0.5如果字體差異確實(shí)太大補(bǔ)充該字體的模板樣本。5.5 數(shù)字8經(jīng)常被識(shí)別成3字母G和6混淆現(xiàn)象單獨(dú)跑每個(gè)字符的匹配分?jǐn)?shù)都超過0.7但結(jié)果就是錯(cuò)。原因模板匹配對(duì)筆畫粗細(xì)和閉合程度敏感字符“8”和“3”在二值化后輪廓相似尤其當(dāng)字符筆畫偏細(xì)時(shí)“8”的下半環(huán)容易被腐蝕成開放結(jié)構(gòu)。解決在匹配前對(duì)字符做統(tǒng)一細(xì)化處理把圖像線寬歸一化到固定粗細(xì)或者改用歸一化互相關(guān)系數(shù)normxcorr2替代簡(jiǎn)單的像素差匹配減少灰度絕對(duì)差異的影響。6. 腳本化批量驗(yàn)證把識(shí)別率從“玄學(xué)”變成可統(tǒng)計(jì)單張圖片跑出結(jié)果只能叫“能運(yùn)行”不能叫“可用”。我一般會(huì)把識(shí)別流程封裝成一個(gè)函數(shù)再寫一個(gè)批量腳本跑整個(gè)測(cè)試集用統(tǒng)計(jì)數(shù)字判斷識(shí)別率到底是多少。封裝函數(shù)的意義在于所有參數(shù)集中管理調(diào)參只改一處不用每次打開主腳本翻半天。function result plate_recognition(imgPath) % 統(tǒng)一封裝輸入圖像路徑輸出識(shí)別結(jié)果 % result.success: 是否識(shí)別成功(1/0) % result.plate: 識(shí)別出的車牌字符串 % result.confidence: 7個(gè)字符置信度的均值 img imread(imgPath); % ... 定位、分割、識(shí)別流程返回 result end批量驗(yàn)證腳本遍歷測(cè)試集目錄對(duì)每張圖調(diào)用函數(shù)并把每張圖的識(shí)別結(jié)果、置信度、是否成功寫入表格。這里刻意保留成功和失敗樣本的完整記錄不能只統(tǒng)計(jì)成功率數(shù)字不然永遠(yuǎn)不知道失敗樣本長(zhǎng)什么樣。files dir(testset/*.jpg); results table(); for i 1:numel(files) [~, name, ~] fileparts(files(i).name); r plate_recognition(fullfile(files(i).folder, files(i).name)); results [results; {name, r.plate, r.success, r.confidence}]; end % 統(tǒng)計(jì)整體成功率 success_rate sum(results.Var3) / height(results); disp([識(shí)別成功率: , num2str(success_rate)]);跑完一輪之后我會(huì)把所有失敗樣本的關(guān)鍵參數(shù)記錄成一致性表格是哪一步失敗的定位、分割、識(shí)別、該步當(dāng)時(shí)的閾值參數(shù)、失敗原因描述。參數(shù)自檢的價(jià)值在這個(gè)環(huán)節(jié)才真正體現(xiàn)出來——如果三張失敗圖都是定位階段被長(zhǎng)寬比篩掉的那就是寬高比范圍的問題如果都是識(shí)別置信度低那就是模板庫覆蓋不足。從那以后我每次拿到一組新測(cè)試集都會(huì)強(qiáng)制自己走一遍這張自檢表再談識(shí)別率。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取