汽车车牌识别技术研究与实现一直是现代化交通发展中倍受关注的问题，也是制约交通系统智能化、现代化的重要因素。该文提出一种基于颜色与数学形态学的车牌定位新方法。首先图像形态学处理，然后进行颜色分割，最后进行区域生成，分割并定位车牌。实验表明算法性能好，速度快，尤其是进行形态学处理性能很明显。并提出了一种基于模板匹配的字符识别方法，实现了车牌字符识别。
汽车车牌识别系统的组成
汽车车牌识别（LPR）系统通过引入数字摄像技术和计算机信息管理技术，采用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理，获得更多的信息，从而达到更高的智能化管理程度。在LPR 系统产品的性能指数中，识别率和识别速度难以同时提高其中原因既包括图像处理技术不够成熟，又受到摄像设备计算机等性能的限制。因此，研究高速准确的定位与识别算法，是当前的主要任务。
在第一部分图像采集中，主要通过CCD 摄像头与计算机的视频捕捉卡直接相连来完成图像采集，可以实时在监控图像中抓取到含有车辆的图像。该部分功能可简单调用计算机视频捕捉卡厂商提供的各种软件开发包工具即可实现。
汽车车牌识别（LPR）系统的关键在于后四部分。首先要对采集到的图像进行预处理，而车牌定位又决定其后的车牌字符识别，因此车牌定位是车牌识别系统的关键的关键，车牌定位就是从包含整个车辆的图像中找到车牌区域的地方。
目前，已经提出了很多种方法，一个共同的出发点是：通过车牌区域的特征来判断车牌，利用的车牌特征主要包括：车牌区域内的边缘灰度直方图统计“特征”、车牌的几何特征、车牌区域的灰度分布特征、车牌区域水平或垂直投影特征、车牌形状特征和频谱特征。
图像预处理
根据三基色原理，世界上任何色彩都可以由红绿蓝（RGB）三色不同比例的混合来表示，如果红绿蓝（RGB）三个信号分别由一个字节表示，则该图像颜色位数就达到二十四位真彩，也就是说在二十四位真彩的数字图像中每个像素点由三个字节来表示，根据数字图像水平和垂直方向像素点数（即图像分辨率）可计算出一幅图像实际位图大小。事实上，在车牌智能识别系统中车辆图像是通过图像采集卡将运动的车辆图像抓拍下来，并以位图的格式存放在系统内存中。这时的车辆常会因为各种各样的原因使得所拍摄的车辆图像性能不理想，但我们可以对车辆图像根据不同应用特点进行识别前的预处理，尽最大可能提高车牌正确识别率，这些图像预处理包括图像平滑、倾斜校正、灰度修正等。
车牌字符定位
车牌图像往往是在复杂的环境中拍摄得到的，车牌由于与复杂的车身背景融为一体，由于车牌在使用中磨损与灰尘及拍摄仪器的影响以及由于拍摄角度的不同，车牌在图像中往往有很大的形变，如何在复杂背景中准确、快速找出车牌的地方成为车牌识别中的难点[2]。
目前已有不少学者在这方面进行了研究。总结起来主要有如下几类方法：
(1) 基于水平灰度变化特征的方法，这种方法主要在车牌定位以前， 需要对图像进行预处理，将彩色图像转换为灰度图像，利用车牌区域水平方向的纹理特征进行车牌定位；
(2) 基于边缘检测的定位方法，这种方法是利用车牌区域丰富的边缘特征进行车牌定位[3]，能够进行检测的方法有多种，如Roberts 边缘算子、Prewitt 算子、Sobel 算子以及拉普拉斯边缘检测；
(3) 基于车牌颜色特征的定位方法，这种方法主要是应用车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显的反差特征来排除干扰进行车牌的定位；
(4) 基于Hough 变换的车牌定位方法，这种方法是利用车牌边框的几何特征，采取寻找车牌边框直线的方法进行车牌定位；
(5) 基于变换域的车牌定位方法，这种方法是将图像从空域变换到频域进行处理，例如采用小波变换等；
(6) 基于数学形态学的车牌定位方法，这种方法是利用数学形态学图像处理的基本思想，利用一个结构元素来探测一个图像， 看是否能将这个结构元素很好的填放在图像内部，同时验证填放元素的方法是否有效。腐蚀、膨胀、开启和关闭是数学形态学的基本运算。
这些方法各有优缺点，要实现快速、准确地定位车牌，应该综合利用车牌的各种特征，仅靠单一特征很难奏效。本文结合车牌纹颜色与数学形态学两方面的特征对车牌进行定位，对于提高车牌定位准确率提供更有利的保障。该方法包括车牌区域的粗定位和细定位两个步骤。在粗定位阶段中采用了基于数学形态学的定位方法，在得到定位图像后进行细定位，在细定位中采用车牌颜色特征的方法以获得最后定位图像。本方法对在多种光照条件下采集的车辆车牌图像、车牌本身不洁、或者车牌存在倾斜和扭曲等情形，均能取得较好的定位性能。
