車牌識別系統它是利用車輛的動態視頻或靜態圖像進行牌照號碼、牌照顏色自動識別的模式識別技術。通過對圖像的采集和處理，完成車牌自動識別功能，能從一幅圖像中自動提取車牌圖像，自動分割字符，進而對字符進行識別。其硬件基礎一般包括觸發設備(監測車輛是否進入視野)、攝像設備、照明設備、圖像采集設備、識別車牌號碼的處理機(如計算機)等。

定位方法：
車牌定位的算法分為三類：
一類是基于邊緣的。
一類是基于顏色的。
一類是基于機器學習的
從實驗結果可看出，基于邊緣的最簡單也最有效，如果對于收費站和小區的應用，做到99%以上的檢測率不是件難事，但如果場景復雜一點，誤檢會比較多，但并不會漏掉真正的車牌，只是虛警率高點，可以通過先驗知識、顏色和后面的分割加以去除，誤檢不是重點。基于顏色的定位算法，從根本上講也可以算是基于邊緣的一種
無非是利用彩色邊緣或者灰度圖像邊緣和顏色一起來定位，基于顏色的車牌定位算法用于高清圖片效果不錯，對于一般的場景我認為沒必要用顏色進行定位，但初期用顏色先去除一些明顯不是車牌的區域還是比較有效的。基于機器學習的算法進行車牌定位或者說檢測，關鍵是找到好的特征和好的訓練方法，不少人利用adaboost+haar特征進行車牌檢測，從我的實驗結果來看，檢測率也能達到99%以上

但同時虛警率也非常高，會出現很多誤檢，而且很難把車牌的區域完整的檢測出來，所以如果單獨要用機器學習的算法還是不太可行，不過可以先利用邊緣信息找到候選區域，然后用adaboost去去除非車牌區域，這個效果還是蠻不錯的。

對于邊緣的檢測，如果車牌在圖像中占的比例不是很小，普通的差分和全局二值化就可以達到很好的效果，如果對于高清圖像（譬如要檢測幾個車道）或者場景很復雜，導致車牌所占圖像的比例很小，還有就是車牌處于比較暗的地方，而整個場景很亮，這個時候差分得到的邊緣就不會很豐富，如果利用全局二值化就可能導致車牌區域檢測不到邊緣

解決辦法一就是對圖像進行灰度拉伸或增強
解決辦法二就是換邊緣檢測的方法（譬如sobel）
解決辦法三就是改進二值化的方法。

對于圖像增強的方法我要特別提一下直方圖均衡化，很多論文上都會說對輸入圖片先進行直方圖均衡化，但我的實驗發現，晚上的圖片如果進行直方圖均衡化操作后會導致噪點特別多，而且可能會導致車牌區域檢測不到邊緣，總之圖像增強是一把雙刃劍，需要慎重考慮。
如果利用邊緣進行定位，關鍵是要想辦法一定要檢測出車牌區域的邊緣。

車牌定位，利用邊緣是王道，可以先粗檢再精檢，顏色可以用于精定位和去除誤檢，機器學習如果想要好的結果得需要好的特征，但目前好像還沒有。我個人認為車牌定位的難點不在于找到車牌區域，而在于怎么對車牌區域進行更精確的定位，而精定位的難點在于左右精定位，以便于后面的分割算法。