车牌定位的好坏直接关系到车牌识别系统识别率的高低,并且对识别速度也有很大的影响。提高车牌识别系统的效率和实时性的关键在于能否实现车牌的快速准确定位。另一方面,半导体工业的快速发展使计算机系统处理器性能逐日提升。GPU由于其内部更多的晶体管被用作数据处理而不是流程控制,在与现有的多核CPU相比较,它的处理器数目更多、整体的处理并行能力更高。现代GPU被视作一个强劲的大规模并行计算设备。由此,提出了GPU通用计算(GPGPU)思想,在很多非图像领域释放GPU的强大运算能力。GPU的可编程性为高效解决一些通用任务提供了新的思路,它可以被看作一个高性能计算设备,适合基于桌面平台进行大规模超级计算,完成海量数据的实时分析与处理。CUDA(Compute Unified Device Architecture)平台是NVIDIA公司提出的一种新的实现GPU通用计算的软硬件架构,基于CUDA平台程序员可以写出类C风格的代码来启动大量的GPU线程并行工作,因此它为解决很多计算密集型问题提供了一个高效而用户友好的开发环境.基于此,本文对车牌定位过程中的几个关键技术进行了基于GPU的并行算法化研究,并对其进行了理论分析和仿真实验。主要研究工作如下:①用GPU实现图像的空域滤波模板操作由于在模板操作中各像素点之间的处理结果不相互依赖,完全可以并行实现。本文将车牌定位中用到的二值化、边缘提取及灰度提伸实现GPU并行化。实现结果表明GPU对这类窗口模板操作并行后,效率提升相当显著。②用GPU实现图像的几何变换在传统变换算法的基础上,用位置偏移增量代替原变换算法中大量乘法运算,并把CUDA技术的快速并行计算能力应用到数字图像几何变换中,解决了基于CPU的传统图像几何变换运算效率低下的问题。③提出了连通域并行标记算法并在GPU实现传统的连通域标记算法由于各像素点处理结果相互依赖且处理顺序上有一定要求,难以并行实现。本文利用GPU并行结构和硬件特点,提出了一种二值图像连通区域标记的完全并行算法。实验结果表明该算法充分发挥了GPU的结构特点,获得了较好的加速比。实验证明通过对车牌定位的并行实现,提高程序处理效率,进而提升了车牌识别系统的实时性。