隨著我國城市規模的急劇擴大，對智能交通系統(ITS)的需求越來越迫切。車牌照自動識別技術廣泛應用于闖紅燈車輛監控、停車場管理、電子收費系統等領域。完整的車牌識別系統一般分為3部分：車牌定位、字符分割和字符識別，其中車牌定位技術是整個車牌識別系統的核心，直接影響整個識別系統的速度和準確率。
目前已有的車牌定位算法眾多，包括邊緣檢測、數學形態學、小波分析、投影法、顏色特征提取和神經網絡等。基于邊緣檢測、數學形態學及小波分析的方法，定位較準確，但在背景信息復雜或車牌上方有引擎散熱孔的圖像中容易產生錯誤定位。而投影法速度較快，很難區分車牌文字與車燈區域，因而準確率低。基于顏色特征和神經網絡的方法定位準確，但是運算速度慢，并且受天氣、光照及車牌磨損等情況
的影響較大。
由于以上各種單一方法的明顯局限性，提出了一種綜合邊緣檢測、數學形態學、彩色特征和投影法的算法，通過質心排序去除了引擎散熱孔及其他邊緣豐富區域的干擾，并通過谷值分析補全車牌區域。實驗結果表明該方法克服了以往各種定位方法的缺點，既提高了定位的準確性，也保證了定位的實時性和魯棒性。

1 車牌識別的粗定位
1．1 邊緣檢測及數學形態學處理
由于彩色的車牌中富含的信息量太大，干擾強，故不適合做直接分析。因此，往往將彩色的RGB圖像轉成灰度圖再進行處理。待定位的車牌區域含有較多字符，邊緣量豐富。而車身背景中的邊緣量較少，并不密集。因此，可以用邊緣檢測的方法對灰度圖做預處理。
由于邊緣是圖像上灰度變化較為劇烈的地方，在灰度突變處進行微分則會得到突起值，因此，在數學上可用灰度的導數來表示邊緣。而在實際應用中往往采用的是邊緣檢測算子，通常使用的邊緣檢測算子有：Sobel算子、Prewitt算子、Roberts算子和Canny算子等。本實驗采用的是Sobel算子，對水平邊緣分量和垂直邊緣分量同時進行檢測。
數學形態學的基本思想是利用“結構元素”來收集圖像信息。結構元素可被當成探針，當探針在圖像中移動時，便可考察圖像各部分之間的相互關系，從而了解圖像的結構特征。其算法為：
1)先進行數學形態學閉運算：其可簡單定義為先膨脹再腐蝕。閉運算一般會將狹窄的缺口連接起來形成細長的彎口，并填充比結構元素小的洞。這樣便可以連接鄰近物體，在不明顯改變物體面積的情況下起到平滑邊界的作用。
閉運算定義為：

實驗結構如圖1、圖2所示。

2)再進行數學形態學開運算，可簡單定義為先腐蝕再膨脹。開運算后完全刪除了不能包含結構元素的對象區域，平滑了對象輪廓，斷開了狹窄的連接，去掉了細小突出部分。
開運算定義為：

實驗結構如圖3所示。

1．2 待選區域的質心定位及顏色判斷
對待選區域的傳統處理方法有多種，其中包括面積排序，長寬比排序和顏色識別。
1)面積排序 由于無法保證車牌區域的邊緣分量最豐富。當車體上圖案較多，或車燈紋理較為明顯時，對定位準確率的干擾很大。
2)長寬比排序數學形態學處理后，常常引入了較多符合車牌長寬比特性的區域。而且當車牌角度出現偏差時，長寬比判定的準確率明顯下降。
3)顏色識別 在多數情況下可以識別車牌，但是當車體上有較為豐富的圖案且顏色與車牌顏色相近時，顏色識別的準確率便大大下滑。
對于絕大多數汽車來說，車牌基本位于車輛的最底部，而車牌下部不像車身那樣擁有大量文字或圖案，給識別帶來干擾，它形式較為單一，這給識別帶來極大方便。同時，地面因為樣式單一，干擾量更是微小。因此，可采用對候選區域進行自下而上檢測的方式。
然而，還需注意的是，車燈往往與車牌區域平行，其邊緣量也很豐富，故其干擾相對較大。考慮到車燈多數為紅色，白色或透明，和車牌顏色相差較大，因此可以用顏色識別來區分車牌區域和車燈區域。故本實驗采用質心檢測與顏色識別相結合的方法。先對待選區域質心的縱坐標進行排序，并由圖像最底部向上進行檢測。
首先，將候選區域內各像素點由RGB模型轉為HSV模型，即色度(Hue)、飽和度(Saturation)和強度(Value)。由于直接轉成HSV模型后，均勻量化的結果導致量化數據量巨大。而在車牌識別中只需要對特定的幾種顏色進行識別，不需要將各種顏色詳細區分開來，量化過細反而會造成顏色判斷的歧義，導致結果失真。因此，可采用非均勻量化的方法來減少量化級別，提高計算效率。同時，非均勻量化還可將相似的顏色歸為同一顏色，大大減小了算法的復雜度。將色度分為16個等級，飽和度和強度各分3個等級。其算法過程為：
1)對候選區域各個像素點的H、S、V值進行統計；