針對現存車牌定位方法自適應性差和魯棒性不強的情況，本文提出了一種新的快速自適應車牌定位算法．此算法結合圖象中車牌區域的紋理特征、灰度和邊緣投影信息定位車牌，經對不用場景、不同光照、不同車型的汽車圖象的實驗表明該算法具有快速，魯棒性強，自適應性好的優點。
關鍵詞：智能交通系統，車牌定位，紋理分析，灰度投影, 自適應
基于圖象理解的汽車牌照自動識別系統是智能交通系統（ITS）的一個重要分支，有著非常廣泛的應用前景，而把汽車牌照從復雜的汽車圖象中分割出來是汽車牌照自動識別系統必須解決的關鍵問題。在過去的十幾年中，各國的科研人員提出了不少提取汽車牌照的方法。Choi[1] 提出利用Hough變換尋找垂直邊緣提取汽車牌照的方法，此方法由于許多汽車前部散熱器產生的垂直邊緣和某些牌照邊框的扭曲或某些汽車牌照沒有邊框而魯棒性較差。S.H.Park[2] 提出的一種基于神經網絡提取汽車牌照的方法，使用二個時延神經網絡在水平和垂直方向對輸入的圖象進行濾波，得到牌照的候選區域，然后利用牌照的長寬比、面積、面積與周長比來區分真正的牌照區域與類牌照區域。此方法要求圖象中的牌照尺寸基本不變，一旦圖象中的牌照尺寸發生了較大的變化，必須對神經網絡重新進行訓練。Barroso[5] 認為車牌區域具有較強的灰度變化特性，對圖象分別做水平和垂直方向的投影，根據投影的波峰和波谷的特點來判斷車牌區域的水平和垂直位置。此方法僅依賴于車牌的灰度投影特點定位，容易受其他區域的干擾，定位往往不夠準確。另外一種討論的較多的是基于形態學的方法[3, 4]，基本做法是：利用圖象的梯度信息，先對圖象進行邊緣提取，再對邊緣圖象進行形態學運算，直到圖象中只留下待尋的目標。但這類方法的缺點在于：因為需事先確定濾波算子的尺寸，所以對車牌的大小不具有自適應性。
本文提出的方法充分利用了圖象中車牌區域的最主要的紋理特征并且結合灰度和邊緣投影信息定位車牌，并利用車牌字符的邊緣特點修正車牌的定位，為車牌字符的后處理打下了良好的基礎。它的特點是不依賴于車牌的邊框、大小、長寬比等不太可靠、不穩定的信息來定位車牌，對圖象中車牌的傾斜和成像質量不敏感，具有快速，魯棒性強，自適應性好的優點。
算法包含以下3個部分：
①車牌圖象預處理：根據原始圖象的灰度特性做自適應灰度拉伸；
②牌照粗定位：利用牌照的紋理信息及灰度投影對灰度圖象進行掃描，初步確定車牌位置；
③牌照精確定位：利用牌照字符的邊緣信息，進一步去除干擾區域，確定牌照區域中有效字符的位置。