图 1.1车牌识别系统组成图
    车牌识别系统于是出现了两种产品形式，一种是软硬件一体，或者用硬件实现识别功能模块，形成一个全硬件的车牌识别器，例如DSP。另外一种形式是开放式的软、硬件体系，即硬件采用标准工业产品，软件作为嵌入式软件。两种产品形式各有优缺点。开放式体系的优点是由于硬件采用标准工业产品，运行文护容易掌握，备品备件采购可以从任何一家产商获得，不用担心因为一家产商倒闭或供货不足而出现产品永久失效或采购困难。而软硬件一体式产品，对于使用者操作产品时更易操作及控制。对于后期的文护调试也更易于掌握。
基于图像处理的车牌识别系统一般包括以下五个部分：
 
图 1.2车牌识别系统
（1）．基于纹理特征的车牌定位法[13]
    车辆图像随拍摄环境的变化而不同，然而车辆牌照具有不因外部条件变化而改变的特征。车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域(包括边缘)有丰富的边缘存在，呈现出规则的纹理特征。在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。但该方法应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域，这是纹理分析方法的缺陷。
（2）．基于神经网络的定位算法
    利用神经网络来定位车牌是一类较为常见的方法。该算法的基本步骤和各模块的功能如下：
    a). 神经网络训练模块：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。本模块将获得一个对车牌敏感的BP神经网络。
    b). 图像预处理模块：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。
    c). 车牌定位模块：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。
    本方法的特点是从车牌区域特征来判别牌照，因此在搜索时会重点考虑以下表面特征(如边缘、对比度、纹理等)而忽视图像区域的内容。有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。
（3）.基于特征统计的车牌定位[15]
    基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。车牌区域字符笔划变化含有丰富的边缘信息。对整幅汽车图像进行边缘检测，车牌区域相对于其它非车牌区域含有更多的细节信息。对边缘图像进行行或列扫描，该行或列灰度值跳变的次数明显不同非车牌区域的行或列，即基于特征统计的车牌定位方法。
此方法分为两个部分：粗定位和精确定位。
    1)．粗定位：
    粗定位是从车牌边缘检测后的图像中找出含有车牌的区域，并把它提取出来，考虑到车牌区域中存在大量笔画边缘点集，当线段扫描到车牌区域时，￡会大于某个阈值，这样就能初步找到横穿车牌区域的线段，然后以此线段为起点，上下平移扫描，利用车牌区域横向积分投影的连续性特征，定出车牌的上下边。在定位出上下边的同时，利用车牌白点数目占据主导的特点，用一定宽度的矩形，从左往右扫描。粗定位具体做法是用一个比估计车牌小的矩形遍历整个边缘二值图，则落在该矩形内白色的点最多的位置就是车牌区域的大致位置。 Matlab车牌定位算法的设计+文献综述(4):http://www.751com.cn/yanjiu/lunwen_10150.html