车牌定位-本科毕业设计论文

交通图象检测与处理方法研究对于交通安全、交通管理与控制具有非常重要的理论意义和实用价值。

通过视频图象的检测与识别,可以实时检测交通违章现象、识别违章车辆的车牌号码，为公安交通管理部门提供强有力的执法证据。

因此，研究交通图象检测与处理方法对智能交通运输系统的发展具有重要的推动作用。

本系统着力对车牌的识别过程进行研究和实现。

主要能够对带有车牌的图片灰度化，二值化，中值滤波等处理，并能够截取车牌图片。

车牌定位是指将车牌区域从车辆图像中分割出来，是实现整个系统的关键环节。

而车牌定位主要包含两个关键技术问题：图像的预处理和车牌定位的算法。

本论文主要应用VC语言编程，对其车牌图像进行预处理，有效的解决一些导致识别、定位错误的问题。

关键词：车牌定位,二值化,预处理
Traffic image processing method for testing and research, traffic safety management and control has important theoretical significance and practical value. Through video images of detection and recognition can real-time detection and identification of violate the traffic violations phenomenon plate number for public security traffic management department, provide strong evidence of law enforcement.The focus on the license plate identification system research and implementation process. Mainly with the license plate on the picture to gray level transformation, binarization, median filtering and other processing, and can intercept license plate image.License plate location is license plate recognition technology a vital part . License plate location refers to the license plate out from the vehicle image segmentation is the key to the entire system. The license plate location primarily consists of two key technologies: image preprocessing and license plate location algorithm. Main application VC language program, to the license plate identification, orientation, image analysis, processing. And some of the mistakes in recognition, positioning problem.
Keywords:Plate Positioning,Binarization ,Pretreatment
目录
1 前言 (1)
2 车牌定位系统概述 (2)
2.1 车牌定位系统基础 (2)
2.1.1 我国车辆与车牌现状 (2)
2.1.2 车牌定位的研究意义 (2)
2.1.3 国内外学者研究现状 (3)
2.2 图像处理技术基础 (4)
2.2.1 数字图像基本知识 (4)
2.2.2 数字图像预处理 (4)
2.2.3 数字图像问题剖析 (6)
2.2.4 开发相关知识 (6)
3 车牌定位于提取技术 (7)
3.1 车牌定位与提取流程 (7)
3.2 预处理过程 (8)
3.2.1 图像的灰度化处理 (8)
3.2.2 直方图均衡化 (9)
3.2.3 图像的二值化 (11)
3.2.4 中值滤波 (14)
3.3 车牌区域定位与分割 (17)
3.3.1 车牌特征 (17)
3.3.2 车牌分割 (18)
3.3.3 彩色分割 (20)
3.3.4 基于投影的精确定位 (23)
4 总结 (29)
4.1 论文总结 (29)
4.2 问题改进与展望 (30)
4.3 心得体会 (31)
致谢 (32)
参考文献 (33)
1 前言
随着国民经济的飞速发展，交通状况日益恶化，这几乎成为所有大中城市的通病。

为了解决交通拥挤、交通事故频发、等世界性问题，二十世纪80年代末90年代初，智能运输系统应运而生。

目前，交通信息采集设备几的种类很多，如测速雷达、交通微波探测器、超声波检测器、环形检侧线圈、视频检测技术等等，但随着视频图象处理技术的发展，基于图象的交通信息采集技术显示出更大的优势，将是未来实时交通信息采集和处理技术的发展方向。

我国汽车行业发展迅速，汽车需要得到很好的监管，为了能更好的进行管理，应该能够对车辆进行的归属地进行检索，而车牌识别就是其中最常用的方法，车牌识别LPR是License Plate Recognition的简称。

车牌识别LPR是智能交通系统(ITS)的一个重要组成部分。

其应用非常广泛，主要的应用有以下几点：一、小区、停车场管理;二、高速公路收费、监控管理;三、城市道路监控、违章管理;四、车牌登录、验证;五、车流统计、安全管理等。

车牌识别系统可以用最简单的方式完成交通部门的车辆信息联网，解决数据统计自动化，模糊查询的问题。

车牌识别系统可安装在停车场、公路收费站、十字路口等交通关卡处。

车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。

2 车牌定位系统概述
2.1 车牌定位系统基础
2.1.1 我国车辆与车牌现状
近来年国内的机动车辆规模大幅度的增加，据统计：我国机动车数量2000年保有量为8546万量，截止到2011年2月保有量超过18000万量。

全国机动车量年均增长率在15%以上，如图2-1所示。

图2-1车辆数量现状 车牌的底色有兰色、黄色、白色、黑色。

兰色是小车车牌（包括小吨位的货车）。

黄色是大车或农用车用的车牌及教练车车牌，还有新产品为定型的试验车。

摩托车也是黄牌的。

白色是特种车车牌（如军车警车车牌及赛车车牌）。

黑色是外商及外商的企业由国外自带车的车牌。

大型民用汽车：黄底黑字； 小型民用汽车：蓝底白字； 武警专用汽车：白底红“WJ ”、黑字； 其它外籍汽车：黑底白字； 使、领馆外籍汽车：黑底白字及空心“使”字标志； 试车牌照：白底红字，数字前有“试”字标志； 临时牌照：白底红字，数字前有“临时”二字； 汽车补用牌照：白底黑字。

绿色民航车用牌，只在机场范围内使用。

详细可见图2-2。

图2-2 车牌实例
2.1.2 车牌定位的研究意义
智能交通管理系统是21世纪世界道路交通的发展趋势。

高速公路的不断发
5000
10000
15000
20000
2000年2010
年
展和车辆管理体制的不断完善，使图象场景日益简单化和标准化，这为以图象理解为基础的智能交通管理系统进入实际应用领域提供了契机。

机动车辆牌照自动识别系统也正是在这种应用背景下被提出的。

该系统是在交通监控的基础上，引入了数字摄像技术和计算机信息管理技术，采用先进的图象处理，模式识别和人工智能技术，通过对图象的采集和处理，获得更多的信息，从而达到更高的智能化管理程度。

车牌识别LPR是智能交通系统(ITS)的一个重要组成部分。

在社会生活，治安管理等方面有很大的作用。

车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。

由于车辆牌照是车辆的唯一标志,包含着车辆的重要信息。

掌握车辆牌照号码,就可以对车辆进行管理、跟踪,从而提高交通管理的智能化、现代化水平。

因此,课题的研究对于提高城市交通管理水平,加快交通管理现代化步伐具有一定的实际意义。

2.1.3 国内外学者研究现状
从20世纪90年代初(1988年)，国外的研究人员就已经开始了对（车牌识别系统）LPR系统的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。

在车牌识别过程中，虽然运用了很多的技术方法，但由于外界环境光线变化、光路中有灰尘、季节环境变化及车牌本身比较模糊等条件的影响，使得LPR系统一直得不到很好的应用，而且很多的方法都需要大量的数值计算，没有考虑到实时处理的要求。

为了解决图像恶化的问题，目前国内外的研究机构或公司企业采取的办法是采用主动红外照明摄像或使用特殊的传感器来提高图像的质量，继而提高识别率，这样做的同时也造成了系统的投资成本过大，应用领域变小，不适合普通的推广。

从20世纪90年代初，国外的研究人员就已经开始了对汽车牌照识别的研究。

以色列Hi-Tech公司的See/Car System系列，香港Asia VisionTechnology公司的VECON产品，新加坡Optasia公司的VLPRS系列都是比较成熟的产品。

其中VECON和VLPRS产品主要适合于香港和新加坡的车牌，Hi-Tech公司的See/CarSystem有多种变形
的产品来分别适应某一个国家的车牌。

See/Car Chinese系统可以对中国大陆的车牌进行识别，但都存在很大的缺陷，而且不能识别车牌中的汉字，另外日本、加拿大、德国、意大利、英国等各个西方发达国家都有适合本国车牌的识别系统。

各个国家的产品虽然不同，但基本上都是基于车辆探测器的系统，设备投资巨大。

国内在90年代也开始了车牌识别的研究。

其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。

在各种应用中，有使用模糊数学理论也有用神经元网络的算法来识别车牌中的字符，但由于外界环境光线变化、光路中有灰尘、季节环境变化及车牌本身比较模糊等条件的影响，给车牌的识别带来较大的困难。

2.2图像处理技术基础
2.2.1数字图像基本知识
交通图象理解涉及到很多研究领域，如数字图象处理、计算机视觉、计算机科学、模式识别，模糊算法和人工智能等等。

用于计算机进行图像处理的前提是必须以数字格式存储，我们把以数字格式存储的图像称之为数字图像。

数字化后的图像可以看成是存储在计算机中的有序数据，可以通过计算机对数字图像进行处理。

我们把利用计算机对图像进行去除噪声、增强、复原、分割、提取特征等的理论方法和技术成为数字图像处理。

数字图像处理的产生和迅速发展主要受计算机的发展和数学的发展，军事医疗和工业等方面应用需求的不断增长等方面的影响。

其特点是处理精度高、处理效果容易控制、处理多样性、综合性强。

数字图像处理的内容及应用：图像的获取、表现和表示；图像复原；图像增强；图像分割；图像分析；图像重建等，可应用于通信、交通管理、宇宙探测、生物医学、工业生产、军事公共安全、机器人视觉、视频多媒体等等。

2.2.2数字图像预处理
图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分
割、匹配和识别的可靠性。

图像的预处理过程通常包括图像的灰度化、二值化、滤波等。

图像的灰度化是指在彩色图像的RGB模型中，当R=B=G时，则图像中的彩色表示一种灰度颜色，其中R=B=G的颜色值叫做灰度值。

通常有4中方法对彩色图像进行灰度化：分量发、最大值法、平均值法、加权平均法。

图像的二值化是指整幅图像画面内仅黑、白二值的图像优点：处理的速度快成本低。

二值化的阈值的成功率会受到光照条件、背景亮度、车牌条件等诸多因素的影响这时全局阈值化不成功，要对其进行修正，实验发现这类图像有共同点，可以直接指定阈值。

图像滤波，即在尽量保留图像细节特征的条件下对目标像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。

滤波过程在此定位过程中相当重要。

2.2.3数字图像问题剖析
由于光照、气候引起的车牌图像上字符光照不均，车牌本身污损造成的字符笔画不清和字符间粘连，汽车行驶速度较快，使拍摄出的车牌字符产生变形、模糊不清，因此图像需要增强。

另外又由于拍摄角度及拍摄点的高度、路面的倾斜等情况造成了车牌图像的倾斜，从而需要对车牌进行校正，另外字符的识别也是一个重点问题。

把彩色的256BMP图进行灰度转换是问题的基础，采用基于空域的图像增强，图像得到增强，在增强的基础上对图像二值化是图像倾斜校正的关键，在二值图像的基础上运用变换求出图像的倾斜角度，图像进行旋转，继而对车牌图像进行边框切除和字符切割，最后利用训练好的神经网络对切割出来的字符图像进行识别。

借助数字图像处理技术，我们对车牌图像依次进行以下处理：彩色的256色的BMP图进行灰度转换－>灰度变换（图像增强）－>中值滤波－>图像二值化－>倾斜校正（Hough变换）->边框切除->字符切割->神经网络的字符识别，最后取出车牌字符。

2.2.4开发相关知识
Visual C++(简称VC)是微软公司推出的一个面向对象的、功能丰富的可视化重量级开发工具。

利用Visual C++提供的高效Windows编程环境，我们可以编写与其它软件开发工具相比，Visual C++的强大功能表现在：第一，它是C和C++混合编译器，使得Visual C++的开发程序具备了C和C++的高效简洁的特点。

第二，Visual C++是一个面向对象的语言，使得软件能够在源码级、类级、控件级等多个级别上重用，软件的开发效率大为加快。

第三，Visual C++借助于微软公司的MFC类库和应用程序框架，能够轻易开发出Windows标准界面的应用程序。

3 车牌定位与提取技术
3.1 车牌定位与提取流程
对于车牌处理阶段的各个步骤,很多人都进行了相关的研究,提出了许多比较好的算法。

由于时间与水平所限，本文只对车牌的定位与提取过程做了一些研究，具体流程如图3-1所示。

图3-1流程图
更具体的识别流程如图3-2所示。

图3-2 具体处理流程
用计算机处理数字图像,必然要首先考虑图像的存储格式。

目前比较常用的图像格式由*.BMP 、*.JPG 、*.GIF 、
*.PCX 等,其中比较常用的为*.BMP 和 *.JPG 。

本文采用的是*.BMP 格式。

实际的输入图像的大小不同,理论上对于牌照的大小以及颜色都没有什么严格的要求,但是图像太小的话,影响图像的识别效果,图像太大的话,导致图像处理运算时间加长,影响图像的处理时间。

因此,为了适应不同大小的图像,需要对输入的图像进行大小归一化。

用摄像机或者数码相机采
集到的车辆图像都是24位真彩色图像,真彩色图像比较接近现实生活中的人眼观察的真实颜色。

对于真彩色图想,图像数据包括实际的R、G、B值,其中每个R、G、B在实际的处理中占有一个字节,这样一个真彩色图想的一个像素将占有3个字节,而对于256灰度位图,所有的图像的软件部分将采用256灰度位图图像进行处理。

3.2 预处理过程
通过搜索获取的源图片如图3-3所示。

因为其色彩鲜明，对比强烈，较为简单，故使用之。

图3-3 获取的源图片
3.2.1 图像的灰度化处理
在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。

一般有以下四种方法对彩色图像进行灰度化：
1.分量法将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。

f1(i,j)=R(i,j) f2(i,j)=G(i,j) f3(i,j)=B(i,j)
其中fk(i,j)(k=1,2,3)为转换后的灰度图像在（i,j）处的灰度值。

2.最大值法将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

f(i,j)=max(R(i,j),G(i,j),B(i,j))
3.平均值法
将彩色图像中的三分量亮度求平均得到一个灰度图。

f(i,j)=(R(i,j)+G(i,j)+B(i,j)) /3
4.加权平均法
根据重要性及其它指标，将三个分量以不同的权值进行加权平均。

由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))
这里我们采用的是加权平均值法，在程序里面我们取Wr=0.299，Wa=0.587,Wc=0.114来更新调色板信息：bMap[i] = (BYTE)(0.299 * lpbmc->bmciColors[i].rgbtRed +0.587 * lpbmc->bmciColors[i].rgbtGreen +0.114 * lpbmc->bmciColors[i].rgbtBlue + 0.5)，然后更新每个像素的颜色索引，最后实现对整幅彩色图像的灰度化处理。

灰度化后得到的图像如图3-4所示。

图3-4 灰度化后得到的图像
3.2.2 直方图均衡化
直方图又称质量分布图，柱状图，它是表示资料变化情况的一种主要工具。

用直方图可以的资料，解析出规则性，比较直观地看出产品质量特性的分布状态，对於资分布状况一目了然，便於判断其总体质量分布情况。

在制作直方图时，牵涉学的概念，首先要对资料进行分组，因此如何合理分组是其中的关键
问题。

按组距相等的原则进行的两个关键数位是分组数和组距。

是一种几何形图表，它是根据从生产过程中收集来的质量数据分布情况，画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。

采用直方图均衡化可以使图像的灰度间距拉开或者使灰度分布均匀,从而增大了反差,在车辆图像中可以使车牌区域细节清晰,达到图像增强的目的。

直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。

直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。

直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。

设(,)f x y 的灰度范围为m in f
和m ax f ,将直方图正规化为[0,1]r ∈,即
m in m ax m in
f f f r f f L
-=
=
-
其中L 表示为图像灰度的范围。

则灰度直方图表示为:
()k r k n P r n =
其中n 为一幅图像总像素数目，k
n 表示灰度为
k
r 的像素数目。

灰度映射函数
为[]s T r =，直方图均衡化时()1s P s =。

而由概率论的知识可得：
()()()()
1
r r r s P r dr P r dr ds P r dr
P s =
=
=
从而
()()r r s T r P w dw
==
⎰
在数字图像处理中，直方图均衡化的离散公式为：
()()k
k
j k k r
j
j j n s T r P r
n
====
=
∑∑
图示3-5说明了直方图均衡化前后的对比。

图3-5 均衡化对比图
3.2.3 图像的二值化
一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。

这是研究灰度变换的最特殊的方法，称为图像的二值化。

图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。

其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。

所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。

阈值方法分为全局阈值和局部阈值两种，如果分割过程中对图像上每个像
素所使用的阈值都相等，则为全局阈值方法；如果每个像素所使用的阈值可能不同，则为局部阈值方法。

最佳全局阈值确定的常用方法一般有下面几种：试验法、直方图法和最小误差法(这种方法假设背景和前景的灰度分布都是正态分布的)。

当光照不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。

这时，可对图像按照坐标分块，对每一块分别选一阈值进行分割。

用一初始阈值T对图像A进行二值化得到二值化图像B,初始阈值T的确定方法是:选择阈值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分别是最高、最低灰度值。

由于二值化的阈值的成功率会受到光照条件、背景亮度、车牌条件等诸多因素的影响。

受各种条件影响全局阈值化后得到可能得到失败的图像，会直接导致定位搜索的失败。

经反复试验证明，阈值的改变会直接影响后面的处理，经过不断的调试，最终阈值定为161-171之间效果较好，不同的图像需要设置不同的阈值，其效果也大不相同。

此程序经过设置阈值，二值化效果如图3-6所示。

图3-6 二值化效果图
本段程序代码如下：
if(iMax1GrayValue<lHistogram[i])
{
iMax1GrayValue=i;
}
else
if(iMax2GrayValue<iMax1GrayValue&&iMax2GrayValue-1<iMax2GrayValue&&i Max2GrayValue+1<iMax2GrayValue)
{
iMax2GrayValue=i;
}
3.2.4 中值滤波
中值滤波法是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值。

实现方法：
1：通过从图像中的某个采样窗口取出奇数个数据进行排序
2：用排序后的中值取代要处理的数据即可
中值滤波法对消除椒盐噪音非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大. 中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。

在车辆图像中，噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是由像素数较多、面积较大的小块构成。

在一定条件下，可以克服线形滤波器所带来的图像细节模糊，而且对滤波脉冲干扰及图像的扫描噪声最为有效。

但是对一些细节多，特别是点、线和尖顶多的图像不宜采用中值滤波的方法。

中值滤波也是一种局部平滑技术，在抑制随机噪声的同时使边沿减少模糊。

中值滤波对于一种滑动窗口内的诸像素灰度排序，用其中值代替中心像素原来的灰度。

假设原图像的像素如下所示：
则处理过后的图像的像素变化为：
可以看出其中的6和周围的灰度相差很大，在实际的图像中很有可能就是一个噪声点，经过3*1窗口的中值滤波，可以看到中间的噪声消除了。

中值滤
波的形式有很多种，有行滤波、列滤波以及行列方向的滤波。

从上面的分析可以看出，中值滤波容易去除孤立的噪声点。

图像经过中值滤波后结果如图3-7所示：
图3-7 中值滤波后图像
核心代码：
void CTypeRecView::OnTest13()
{
// 中值滤波
// 获取文档
CTypeRecDoc* pDoc = GetDocument();
// 指向DIB的指针
LPSTR lpDIB;
// 指向DIB象素指针
LPSTR lpDIBBits;
// 滤波器的高度
int iFilterH;
// 滤波器的宽度
int iFilterW;
// 中心元素的X坐标
int iFilterMX;
// 中心元素的Y坐标
int iFilterMY;
// 锁定DIB
lpDIB = (LPSTR) ::GlobalLock((HGLOBAL) pDoc->GetHDIB());
// 找到DIB图像象素起始位置
lpDIBBits = ::FindDIBBits(lpDIB);
// 判断是否是8-bpp位图（这里为了方便，只处理8-bpp位图的中值滤波，其它的可以类推）
if (::DIBNumColors(lpDIB) != 256)
{// 提示用户
MessageBox("目前只支持256色位图的中值滤波！", "系统提示" ,
MB_ICONINFORMATION | MB_OK);
// 解除锁定
::GlobalUnlock((HGLOBAL) pDoc->GetHDIB());
// 返回
return;
}
// 创建对话框
// 初始化变量值
iFilterH = 5;
iFilterW = 1;
iFilterMX = 0;
iFilterMY = 2;
// 更改光标形状
BeginWaitCursor();
// 调用MedianFilter()函数中值滤波
if
(myMedianFilter(lpDIBBits, ::DIBWidth(lpDIB), ::DIBHeight(lpDIB), iFilterH, iFilterW, iFilterMX, iFilterMY))
{
// 设置脏标记
pDoc->SetModifiedFlag(TRUE);
// 更新视图
pDoc->UpdateAllViews(NULL);
}
else
{// 提示用户
MessageBox("分配内存失败！", "系统提示" , MB_ICONINFORMATION | MB_OK);
}
// 解除锁定
::GlobalUnlock((HGLOBAL) pDoc->GetHDIB());
// 恢复光标
EndWaitCursor();
}
3.3 车牌区域定位与分割
从车辆图像中正确分割出牌照区域是牌照识别中最为关键的步骤之一。

如果牌照定位的效果不好，后面的数字以及文字字符的分割和识别根本不可能完成。

如果定位的效果足够好，后面的分割和识别工作就相对容易了。

牌照定位率是牌照识别的一项重要指标，它直接关系到整个系统的成败。

目前，人们提出的车辆牌照定位的方法很多，主要分成两大类：一是利用图像的灰度信息，参考的是牌照区域的文字信息比较丰富，造成牌照区域的纹理变化比较有规律，利用牌照区域的纹理变化检测出几个候选牌照区域，然后去除伪牌照区域，得到真实的牌照区域；另一类是利用梯度信息，先对图像信息进行边缘检测，再对边缘图像进行形态学运算，直到寻找到车牌区域，完成牌照的粗定位，然后用其它的算法实现牌照的精确定位。

还有的一些方法主要是基于彩色车辆图像进行处理的，因为彩色图像的颜色信息比较丰富，牌照区域的颜色信息更加丰富，利用牌照区域丰富的颜色信息定位牌照区域。

3.3.1 车牌特征
车辆牌照定位从图像处理的意义上来说就是要从一副随机图像中找到一块具有某种特征的区域图像，该区域包含了车牌牌照。

这种特征就是牌照本身区别与图像的其他部分的特征。

所有牌照图像都具有一些共同特征，目前可供利用的车牌特征主要包括：。