相对比其他国家而言，我国的汽车牌照构成元素较多，类型也各不相同。所以对于车牌自动识别系统而言，了解车牌的特征是很必要的。7402
1：我国车牌类型从1994年7月1日起，我国开始启用、换发92式车牌，根据车辆用途的不同，目前车牌主要有以下751种分类:
(1)小型车辆为蓝底白字的车牌;
(2)大型车辆为黄底黑字的车牌;
(3)军用(或警用)车辆为白底黑字(或红字)的车牌;
(4)国外驻华机构车辆为黑底白字的车牌;
(5)摩托车的车牌;
(6)农用车、拖拉机的车牌。
2：我国车牌特点
(1)形状特征
我国标准的车牌，其宽、高、以及宽高比一定。车牌的宽高为44OmmX140Inln，每个字符的宽高为45Inlnx90llun，间隔符的宽度为10Inln，每个字符的间隔为12Inln。整个车牌的宽高比约为3:1。宽高比在实际情况中会因设备的拍摄角度不同而导致有所差别。有些车牌上的字符实际宽度可能没有达到45Inln，如数字“1”，但它还是在车牌区域中占据了45InlnxgOllun的矩形范围。在车牌的后期字符分割时对这种特殊情况要加以考虑，以免造成误分割而影响识别。
(2)字符特征
车牌识别系统研究的重点是前四种车牌，共有八个字符。而此次研究的是数字字符的识别，即车牌中0~9等十个数字的识别。
    常用的数字字符识别方法
车牌字符识别是指在字符分割后，对这些待识别字符进行特征提取与字符分类，从而实现字符识别的过程。在我国的车牌系统中，字符由有限的汉字、数字和英文字母组成。目前，车牌字符识别应用了很多模式识别中的方法与理论，且大部分算法都取得了不错的效果。车牌字符识别的方法主要有：基于模板匹配的方法、基于支持向量机的方法及基于神经网络的方法等。基于模板匹配的方法运用了大量的图像处理技术及计算机视觉技术，其通过计算待识别字符与预先设置好的标准样本字符的欧式距离，再根据预先确定好的阈值进行判与识别处理。目前较常用的模板匹配方法一般利用绝对值距离、马氏距离及欧氏距离进行距离计算。相比早期的识别算法而言，此算法的识别正确率有所提高及突破，但其识别准确率会因为某些不利因素的影响变得较差，这些不利因素主要为：车牌字符残缺不全、车牌字符模糊、车牌字符被污染，等等。基于支持向量机(SVM，Support Vector Machine)的方法本身较复杂，是一种新机器学习方法，其理论基础是基于统计学理论的VC(Vapnik Chervonenkis)文理论及结构风险最小化原理，为了降低其应用的复杂性，其可以根据一些有限的车牌样本图像，在支持向量机数学模型的复杂性与学习能力间取一个最佳折衷值。相比传统算法而言，基于支持向量机的方法有一些独特的优点，如：支持向量机算法能够较好地解决神经网络算法无法避免的局部极值问题，通过利用结构风险最小化代替经验风险最小化，支持向量机算法能够解决小样本学习问题，等等。基于支持向量机的方法在车牌识别系统中的应用随着支持向量机理论的不断发展而越来越广泛，且已取得了一定的成果。尽管如此，支持向量机的时间复杂度较高，而且有一些如：训练算法、多类分类等亟待解决的问题，这些都将在一定程度上制约和阻碍基于支持向量机的方法在车牌识别领域的广泛应用。相比一般的模式匹配算法，基于人工神经网络的方法具有较好的适应性和准确性，其通过模拟人脑的神经元组织结构来对输入的车牌字符进行识别处理。且与传统的计算结构及其对应的算法比较，基于神经网络的方法通过利用基于生物神经网络的处理方来模拟人类的大脑思文模式，通过这种模拟来最大限度地对人类的存储知识、信息处理的功能进行模拟实现，进而能够对待处理的问题进行记忆、联想与推理，并较好地解决。了一些问题如：在字符残缺不全、污染等情况下识别困难。目前，常用的神经网络有BP神经网络、径向基网络、Hopfield网络等[3, 4, 5-14, 15]。 车牌数字字符识别技术国内外研究现状:http://www.751com.cn/yanjiu/lunwen_5364.html