汽车牌照自动识别系统(License Plate Recognition, LPR)是实现交通智能化管理的核心环节,同时也是以计算机视觉为基础,并综合了图像处理、模式识别以及人工智能等多领域技术的重要研究课题。目前,在国内外已经有部分车辆牌照识别系统被成功地应用于高速公路和桥梁的自动收费、小区和重要部门车辆出入管理、智能停车场管理和城市道路违章检测等方面。作为LPR的首要环节,车牌自动定位在整个系统中有着至关重要的作用。系统后续模块的性能,甚至整个LPR系统,在很大程度上都依赖于其定位结果的精准性。一般车牌定位方法,使用车牌的单一特征,如车牌颜色特征、车牌字符特征、或车牌形状特征等,单一特征不能形成对车牌的完整描述,因此在不同环境下难于稳定地准确定位车牌,并且定位精度较低。本文吸取了不同算法的优点,通过对车牌的固有特征的分析,针对交通路口不同环境下车牌精确定位问题,提出了本文的技术路线：通过基于图像投影方法粗定位车牌,获得车牌大概区域,然后通过基于DDMCMC (Data Driven Markov Chain Monte Carlo)的车牌定位算法精确定位车牌。本文算法有以下优点：车牌定位使用先粗后精的方法,大大提高了算法的效率,与定位的准确率与精度；DDMCMC优化算法是由MCMC (Markov Chain Monte Carlo)优化算法改进而来,该算法以贝叶斯概率理论为框架,融合了车牌的颜色、形状与字符三个特征,完整地描述了车牌,使定位结果更精确；提出了一种基于几何特征的数据驱动模型,完成了对MCMC优化算法的改进,使Markov链的收敛速度大大提高,并且该数据模型具有一定的通用性,可直接用于图像处理的其他领域,检测矩形物体；在粗定位车牌时,特别设计了一种直线线性滤波器,用于减小车牌图像中非车牌区域边缘的干扰,突出车牌区域；考虑到算法实时性的要求,分别使用积分图像,以及车牌颜色预测的方法对算法加速。为验证算法有效,共设计四组实验,首先使用我国交通路口的车牌图像数据库,该数据库包含天气、光照、车牌遮挡、车牌颜色等不同情况下的车牌图像,最后在95%的覆盖率下得到了97.4%的检测查全率与93.85%的检测正确率,实验结果表明该算法适用于不同环境,并且可以同时保证较高的准确率与定位精度；通过与MCMC优化算法对比,表明使用数据驱动模型改进的DDMCMC优化算法更高效；其次使用公共车牌数据库,与不同车牌定位算法对比,表明本文提出的定位算法在保证较高的定位精度的同时,可以得到更高的车牌检测准确率；最后两组实验分别为交通标志检测与门检测,这两组实验都使用公共数据库,实验表明本文提出的数据驱动模型具有通用性。