松山湖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。