车牌识别其实已经有许多的开源的源码，采用深度学习的话这个项目可以简单许多，我这个版本是因为项目的要求所以没有采用深度学习，下面我来介绍分析一下各部分的处理：
一、 正常车牌识别

这是整个系统的基础框架。主要依赖颜色阈值分割出车牌区域，利用形态学操作去噪，然后通过连通域的质心（Centroid）将双层车牌分为上下两排，最后利用模板匹配（皮尔逊相关系数）进行字符识别。

关键步骤与代码：

1.颜色阈值分割：由于电动车牌白色，通过 RGB 通道的线性组合与比例关系，过滤掉非车牌颜色。

% 提取偏绿/偏蓝的像素点，剔除过暗或红/蓝比例不对的像素
rgb(rgb(:,1)+rgb(:,2)+rgb(:,3)<500,:) = 0; 
rgb(rgb(:,3)./rgb(:,1)>1.1,:) = 0; % 限制蓝色比例
rgb(rgb(:,1)./rgb(:,2)>1.05,:) = 0; % 限制红色比例

2.上下双排字符切割：电动车牌的特点是地区代码在上，字母数字在下。代码通过计算所有字符连通域的 Y 坐标平均值，将字符精准分层。

y_coords = centroids(:, 2);
y_mean = mean(y_coords);
% 区分上下行
top_indices = find(y_coords < y_mean);    % 上排字符
bottom_indices = find(y_coords >= y_mean); % 下排字符

二、 多车牌识别

与单车牌直接取“最大连通域”不同，多车牌识别需要保留所有潜在的车牌区域。这里的亮点是引入了最小外接矩形 (minboundrect.m) 和多重几何特征校验，精确筛除形似车牌的噪点，并遍历每一个合法的区域进行透视校正和识别。

关键步骤与代码：

1.多重几何特征校验：计算每个连通域的最小外接矩形，并通过“面积比”、“高宽比”、“长短轴比”进行严格过滤。

% 计算最小外接矩形和实际面积的比例
[rectx, recty, rect_area, rect_perimeter] = minboundrect(col, row, 'a');
area_ratio = region_area / rect_area;

% 剔除条件：面积比例过低(碎片)、过于细长(长短轴比>5)、宽高比不符
if area_ratio < area_ratio_threshold
    reject_reason = '面积比例过低';
elseif major_minor_ratio > 5  
    reject_reason = '区域过于细长';
% ... 保留符合条件的车牌

2。遍历与透视变换：对找到的每一个合法车牌（valid_objects），利用外接矩形的4个顶点直接进行几何透视变换校正。

% 遍历每个识别到的车牌区域
for plate_idx = 1:valid_objects
    % 获取角点并利用 fitgeotrans 和 imwarp 进行透视校正
    tform = fitgeotrans(sorted_corners, destinationPoints, 'projective');
    plate_corrected = imwarp(plate_region, tform, 'OutputView', imref2d([target_height, target_width]));
    % ... 后续对每个 plate_corrected 进行字符分割与匹配

三、倾斜车牌识别

此部分专门针对存在俯仰角、偏航角或严重旋转的车牌。亮点在于结合了 Regionprops 角度检测 和 Hough（霍夫）变换直线检测，通过求交点找到车牌的真实四个角，从而实现高精度的透视校正（Perspective Transformation）。

关键步骤与代码：

1.大角度预旋转：利用 regionprops 获取 Orientation，如果车牌倒置或倾斜过大（>45度），先进行仿射旋转预处理。

stats_plate_angle = regionprops(bw_plate, 'Orientation');
plate_angle = stats_plate_angle.Orientation;
if abs(plate_angle) > 45
    correction_angle = plate_angle - sign(plate_angle)*45;
    bw_plate = imrotate(bw_plate, -correction_angle, 'bilinear', 'crop') > 0.5;
end

2.基于霍夫变换的角点检测与透视校正：提取边缘后检测直线，利用 K-means 将直线方向聚为两类（横向和纵向），然后计算这四条直线的数学交点，得到极为精确的车牌四个角点。

% 检测直线并用 K-means 聚成两个主要方向
[H, theta, rho] = hough(edge_img);
lines = houghlines(edge_img, theta, rho, peaks);
[idx, centers] = kmeans(normalized_angles', 2);

% 计算交点 (lineIntersection为自定义函数)
corners(1,:) = lineIntersection(line1_1, line2_1); % 左上
% ... 获取4个角点后，使用 fitgeotrans('projective') 强行拉平车牌

3.直线交点计算：已知两条直线各自的两个端点，利用行列式（克莱姆法则的变体）直接求解两条直线的精确交点坐标。这比使用斜率截距式（$y = kx + b$）更稳定，因为它可以完美处理垂直于 X 轴（斜率 $k$ 趋近于无穷大）的直线。

function intersection = lineIntersection(line1, line2)
    % 提取两条直线的四个端点
    x1 = line1.point1(1); y1 = line1.point1(2);
    x2 = line1.point2(1); y2 = line1.point2(2);
    % ... (line2 的端点 x3, y3, x4, y4)
    
    % 利用行列式求解交点，完美避开斜率无穷大的除零错误
    denom = (x1-x2)*(y3-y4) - (y1-y2)*(x3-x4);
    if abs(denom) > 1e-10
        px = ((x1*y2 - y1*x2)*(x3-x4) - (x1-x2)*(x3*y4 - y3*x4)) / denom;
        py = ((x1*y2 - y1*x2)*(y3-y4) - (y1-y2)*(x3*y4 - y3*x4)) / denom;
        intersection = [px, py];
    end
end

4.边界极值点提取：当霍夫变换由于图像过于模糊而无法检测出足够的直线时，作为兜底方案。它计算区域边界的凸包，然后强制取出最上、最下、最左、最右的四个极值点作为车牌的近似角点。

% 计算边界点的凸包
k = convhull(x, y);
hull_x = x(k); hull_y = y(k);

% 在凸包上寻找极值点（最上、最下、最左、最右）
[~, top_idx] = min(hull_y);
[~, bottom_idx] = max(hull_y);
[~, left_idx] = min(hull_x);
[~, right_idx] = max(hull_x);

四、干扰背景车牌识别

当车牌周围有其他文字（如车身广告、品牌标识）时，普通的 BoundingBox 会把干扰文字框进去。此代码的亮点是使用了凸包（Convex Hull）和旋转卡壳法（简化版）寻找最小面积矩形，配合 roipoly 生成精确掩膜，完美剔除外部干扰。同时在识别阶段加入了相似度阈值，拒识非车牌字符。

关键步骤与代码：

1.凸包与精确掩膜提取：计算车牌连通域的凸包，遍历边缘角度，找到完美贴合车牌的最小倾斜矩形，并用多边形掩膜（roipoly）抠出纯净车牌，屏蔽外部文字。

% 1. 计算凸包
k = convhull(points(:,1), points(:,2));
hull_points = points(k, :);

% 2. 遍历凸包边，旋转点集，寻找最小面积包围盒(逻辑详见源码旋转卡壳部分)
% 3. 使用 roipoly 创建极其精准的多边形掩膜
mask_poly = roipoly(plate_mask, min_rect.corners(:,1), min_rect.corners(:,2));
I_char = uint8(double(I) .* repmat(mask_poly, [1, 1, 3])); % 背景彻底变黑

2.置信度（相似度）阈值过滤：在字符模板匹配时，设定 similarity_threshold。如果相关系数低于该值，则认为它是车牌上的污渍或伪影，直接丢弃。

similarity_threshold = 0.65; % 设定阈值
corr_score = corr2(char_img(:), template(:));

if best_score < similarity_threshold
    recognized_chars{i} = '';  % 空字符串表示不显示、拒识该干扰字符
end

五、辅助识别函数

 最小外接矩形计算

 这个函数用于寻找任意二维点集的最小面积（或最小周长）外接矩形。在多车牌识别和抗干扰模块中，用于精确框选车牌。 它的算法核心是旋转卡壳法（Rotating Calipers）的思想：

1. 先求出所有点的凸包（Convex Hull），剔除内部无用点，大幅减少计算量。

2. 最小外接矩形的一条边必然与凸包的一条边共线。因此，代码遍历凸包的每一条边，计算其倾斜角。

3. 利用旋转矩阵将整个凸包旋转到该边水平的位置，然后求正交边界（最大最小 X、Y），计算面积。

4. 记录并返回面积最小的那个矩形的四个顶点坐标。

   % 1. 先求凸包，减少计算量
   edges = convhull(x,y);  
   x = x(edges); y = y(edges);
   
   % 2. 获取凸包每条边的角度
   edgeangles = atan2(y(ind+1) - y(ind),x(ind+1) - x(ind));
   edgeangles = unique(mod(edgeangles,pi/2));
   
   % 3. 遍历每条边的角度，利用旋转矩阵寻找最小面积
   for i = 1:nang                         
     rot = Rmat(-edgeangles(i)); % 旋转矩阵
     xyr = xy*rot;               % 将点集旋转
     xymin = min(xyr,[],1);
     xymax = max(xyr,[],1);
     
     A_i = prod(xymax - xymin);  % 计算当前外接矩形面积
     
     if M_i<met                  % 找到更小的面积，更新顶点坐标
       met = M_i;
       % ... 计算并反向旋转恢复矩形顶点坐标
     end
   end

   点集旋转矩阵 

   这是一个标准的线性代数仿射变换函数。通过构建 2x2 的二维旋转矩阵 $R$，将输入的坐标点集围绕原点旋转指定的弧度（angle）。在抗干扰车牌提取中，用于将车牌拉平或还原位置。

   function rotated_points = rotatePoints(points, angle)
       % 创建标准的二维旋转矩阵
       R = [cos(angle), -sin(angle); 
            sin(angle), cos(angle)];
       
       % 矩阵相乘实现点集批量旋转 (points 是 N x 2 矩阵)
       rotated_points = points * R';
   end

   目标角点排序 

   在进行**透视变换（Perspective Transformation）**时，原图像的 4 个角点必须与目标图像的 4 个角点严格一一对应（左上、右上、右下、左下）。否则会导致图像被扭成沙漏状。

   这个函数通过以下三步确保顺序绝对正确：
   1.求质心极角：计算中心点，并用 atan2 求每个点相对于中心的角度，按角度顺时针/逆时针排序。
   2.寻找左上角：通过计算横纵坐标之和（$x+y$），和最小的那个点必然是左上角。
   3.叉乘校验方向：利用向量的叉积（Cross Product）判断当前是顺时针还是逆时针，确保最终输出一定是标准顺序。

   % 1. 计算每个点相对于中心的角度并排序
   angles = atan2(corners(:,2) - center(2), corners(:,1) - center(1));
   [~, idx] = sort(angles);
   sorted_by_angle = corners(idx, :);
   
   % 2. 找到最左上的点 (x+y 最小) 作为起始点
   sums = sum(sorted_by_angle, 2);
   [~, top_left_idx] = min(sums);
   sorted_corners = circshift(sorted_by_angle, 1-top_left_idx);
   
   % 3. 计算向量叉积来判断方向，若为顺时针则翻转为逆时针顺序
   cross_product = v1(1)*v2(2) - v1(2)*v2(1);
   if cross_product < 0
       sorted_corners = sorted_corners([1,4,3,2], :);
   end

   然后还有一部分就是字符的生成和模板匹配的核对，这个比较简单就不再赘述了
   
   
   
   总结：
   以上就是该识别电动车牌项目的主要逻辑和代码，主要包括了利用颜色、形态学和模板匹配完成最基础的双层车牌识别的正常车牌识别、利用凸包和多边形掩膜车牌单独“抠”出来的干扰车牌识别、利用霍夫变换直线相交求角点 + 投影变换完成抗畸变的倾斜车牌识别以及通过长宽比、面积比特征，在复杂的全景图中同时锁定并处理多个车牌的多车牌识别。
   
   ps：源代码已经上传github，如果有需要可以私信或者评论留言找我要链接，目前的代码是可以基本识别我拍出来的电动车牌图片的，但是偶尔也存在无法识别或者不准确的bug，但是目前我没有往这个方面继续深入研究的打算，所以就此搁置了。