车牌定位(License Plate Location,LPL)在车牌识别系统中起着至关重要的作用。传统的车牌定位问题往往是处在特定的应用场景下,比如收费站小区卡口、道路车辆流量监控等,这类场景下的车牌定位准确率很高(97%以上),但是针对复杂自然场景下的车牌定位问题,定位准确率依然较低。复杂自然场景下,车牌的角度位置各异,光照也不同,并且在这样的复杂场景中,疑似车牌区域很多,传统的计算机视觉方法难以平衡定位准确率和误检率。针对目前复杂自然场景下车牌定位遇到的问题,本文提出一种多阶段方法来进行复杂自然场景下的车牌定位。该方法可以分为三个步骤:第一步,车辆定位。基于车牌与车辆的关系,即车牌属于车辆的一部分,先使用深度学习方法对复杂自然场景中的车辆进行定位,这一步将车牌区域限制在了车身范围内,因此可以完全避免非车辆区域出现的车牌误检;第二步,车牌采集、训练级联分类器与决策树。首先使用爬虫从互联网上抓取一定数量包含车牌的车辆样本图片(通常只有一辆或者两辆汽车),从这些样本图片中人工截取出车牌区域并且对车牌区域进行各种变换,如透视变换,噪声添加等,通过变换获得更多的训练样本,然后使用LBP特征和AdaBoost训练出级联分类器,同时使用候选区域二值化后的黑白比、灰度纹理共生矩阵特征、统计直方图的相关特征等训练决策树。第三步,使用级联分类器对候选图像进行处理得到候选区域,在这些区域的基础上使用决策树再进行分类判断。实验结果表明,这种方法大大的减少车牌错检数量,同时又保证了不错的车牌定位准确率。