车牌定位技术是实现车牌识别和车辆身份验证的关键步骤,是近年来计算机视觉和模式识别技术在智能交通领域应用中的重要研究课题之一。车牌定位其实就是在车辆图像中定位车牌牌照区域的技术。但是由于车辆图像都是采集于自然环境中,所采集的车牌和背景成像的条件都是不可控制的,随机变化的因素和复杂的背景信息给目标定位带来很大困难。本文通过对现有车牌定位方法做了详细的阐述,针对这些方法基于图像的像素定位而使得定位速度有所缓慢的缺点,结合了分类的思想,通过对车牌图像进行训练,得到能够检测车牌的分类器。车牌图像的训练中使用了车牌的Haar-like特征,这种特征分为三类,这些特征组合为特征模板。该特征经过积分图运算转化而使得获得某区域的特征值的复杂度为常数复杂度,而大大提高了运算速度。在训练过程中,经过精挑细选得到车牌的样本与复杂的背景负样本,使用样本的Haar-like特征,基于Adaboost算法从而进行循环训练,由弱分类器训练出强分类器,然后将强分类器串联成分类效果更好的级联分类器,其实核心思想就是选出能够最能代表车牌的特征、例子作为识别车牌的标准。而使用分类器定位车牌后,需要再进一步精确选取车牌位置并且要精确定位到车牌的位置,于是采用对像素的水平和垂直扫描法进行精确定位,并且同时完成了字符分割的过程,将两步合二为一更能够提高系统的速度。最后,本文将整个方法实现并且进行了测试,给出了车牌的粗定位和精确定位后的准确度和速度,通过比较本方法能够达到预期目的,实现快速车牌定位的效果,这个方法也是对车牌定位方法的一个有意义的尝试。