车牌识别系统是智能交通系统的重要组成部分,广泛应用于十字路口车辆监控、高速路口车辆管理及停车场收费管理等场景。车牌识别系统通常分为三大模块:车牌定位,字符分割及字符识别。由于在自然条件下获取车牌照图像时可能存在的多种不确定因素,通常认为车牌定位是车牌识别系统中最为关键和最具挑战性的步骤。虽然车牌定位技术的研究己有多年,但由于车辆图像背景的复杂性,以及车牌位置和图像质量的不可预知性,使现有的车牌定位算法环境适应性差。实际的车牌照图像可能会受到雨雾天气、光照不均、背景中存在和车牌相似的区域以及车牌倾斜等诸多不确定环境的影响,这些都会给车牌的有效定位带来挑战。因此,车牌定位技术的研究仍然是人们研究的热点,有着很深的现实意义。本文对车牌定位进行了较为全面的论述,并对主要部分的关键算法进行了深入的研究。本文的定位算法大致可以分为三个部分:图像的初步滤波、局部对比度增强和二值化以及车牌区域的定位。对于受阴雨天气影响的图像,本文在频域内利用图像掩膜技术对雨痕进行了有效去除,通过和已有算法的比较分析,我们又对不同环境下的图像利用改进维纳滤波算法进行了初步过滤。为了改善图像的质量以尽可能准确地定位到车牌照,我们提出一种基于Tamura对比度值和对比度受限的自适应直方图均衡化相结合的局部对比度增强算法,该算法在抑制噪声的同时能有效提高局部对比度,为车牌的准确定位提供帮助。针对图像的二值化,本文提出一种基于局部标准差和局部均值的二值化算法,在利用积分和图像进行加速后,该算法能有效并且快速地分割出车牌候选区域。在车牌区域的定位阶段,本文首先利用车牌的尺寸特征、宽高比例和倾斜角度等先验知识对非车牌进行了初步排除,其中我们通过Radon变换求得图像的倾斜角度。对于保留下来的候选区域,我们提出一种基于图像熵和平均计数的算法对其作进一步排除并得到车牌的粗定位图像,然后再利用跳变法和垂直投影法对粗定位图像进行精确定位便得到最终的车牌照区域。对大量不同环境下的车牌图像的实验结果显示,本文所提出的算法能够对多种复杂环境下的车牌实现快速准确的定位,具有理想的准确率和处理速度。对525张尺寸为480640?的图像进行定位的成功率达到了92%,平均耗时0.68 s,基本达到了实际环境下实时车牌定位的要求。