二十多年前，欧美等发达国家就率先开始了车牌识别方面的研究工作。由于受当时的硬件处理条件所限一一处理器运算速度慢，存储器容量低，车牌照识别系统的研究工作仅限于一些低速，且要求较低的场合，例如停车场管理，停车交费等场合。随着人们生活水平的提高，智能交通系统研究和应用的不断深入，对车牌照识别系统功能的要求也越来越高，早期的产品己经不再能满足现今社会的需要。

　　随着硬件技术的不断发展，发达国家的车牌自动识别系统在实际交通系统中己取得了成功的应用。而我国在车牌自动识别系统方面的开发和应用还处在起步阶段，主要原因是识别速度这一瓶颈问题限制了应用和推广。

　　车牌照系统主要分为图像采集，图像处理，车牌定位，字符切分，字符识别几个部分：

　　1.图像采集目前图像采集主要采用专用摄像机连接图像采集卡或者直接连接便携式笔记本进行实时图像采集，将模拟信号转换为数字信号。

　　2.图像处理需对采集的图像进行增强、恢复、变换等处理，目的是突出车牌的主要特征，以便更好地提取车牌区域。

　　3.车牌定位从人眼视觉的角度出发，并根据车牌的字符目标区域的特点，在二值化图像的基础上提取相应的特征，寻找最符合牌照特征的区域。车牌定位是车辆牌照自动识别系统中的关键和难点，实际图像中的噪声、复杂的背景等干扰都会使定位十分困难。

　　4.字符分割是从获得的牌照区域分割出单个字符(包括汉字、字母和数字)以便于进行字符识别的过程。考虑到车牌上的字符一般除了一个汉字外其他的都是字母和数字，即在理想状态下每个字符是全连通的且互不相连，因此可以使用特定的方法进行字符切分。

　　5.字符识别是使分割得到的字符进一步转化为文本并存入数据库或者直接显示出来的过程。

　　1.1 实时图像的采集

　　图像采集部分目前主要采用两种方法:一种方法是首先利用硬件探测传感器检测是否有车辆存在，当车辆存在时进行图像采集;另一种方法是不检测拍摄区域内是否存在车辆，直接进行图像采集l2]。前一种方法国外常采用压力探测器、光探测器、踏板式探测器、电磁感应环探测器、红外探测器等作为探测传感器，国内主要采用红外探测器和电磁感应环探测器。这种做法的好处是识别错误率低，比较准确;而缺点则是成本过高，不适于大范围推广。后一种方法直接利用CCD数码摄像机进行实时拍摄，通过采集卡或者直接连接便携式笔记本电脑进行模拟数字信号的转换，可以全天候不间断工作。相比前一种方法成本低，便于移动，目前已经被广泛地采用。

　　1.2 图像的预处理

　　作为图像识别的第一步，图像预处理直接影响到后续的识别方法和识别效果。目前对于待识别的车牌图像有多种处理方法，主要分为基于彩色图像和基于灰度图像的两类预处理方法。基于彩色图像的处理方法又根据采用的颜色模型分为基于HSV，基于RGB和基于CMY等几种方法，主要采用基于不同色彩模型的对比度调整、色调均衡、降噪二值化等的方法。基于彩色模型处理方法的方法好处是较高的保留了图像的信息，便于进一步的识别特征提取。但由于彩色图像信息量大，需要的存储空间和计算量十分巨大，在实时的车牌照识别系统中对硬件的要求过高，成本较高。基于灰度的方法是将采集到彩色图像首先转换成灰度图像再进行进一步识别，主要采用基于灰度的二值化、滤波降噪、膨胀腐蚀等方法。基于灰度的处理方法的优点在于需要的存储空间少，运算量较低，对硬件的要求较低，但由于损失了一定的图像信息，识别效果较基于彩色模型的差。

　　1.3 车辆牌照的检测和定位

　　复杂背景下的车牌照检测和定位是车辆牌照识别系统的最为重要的一个环节，它直接关系到车辆牌照识别的准确率和错误率，对后续步骤有着巨大的影响。目前国内外学者都集中研究车牌检测和定位这一课题，并取得了很多成果，提出了许多有效的方法。传统的有采用Hough变换检测车辆牌照外边框的矩形算法，但是Hough变换时间复杂性高，很难应用在实时的检测系统中。也有利用车牌区域纹理特征匹配来确定车牌区域的，利用纹理分割的这种方法主要缺点也是耗时多，不能在实时系统上采用。还有基于小波和数学形态学的分割方法，但该方法中由于结构元素的尺寸与形状对分割结果有较大的影响，有时对不同的背景或不同的目标图像需要采用不同的结构元素，或者施以不同的形态变换才能取得满意的实验结果。当然还可通过自适应形态学等方法来对该方法进行改进，但该方法总体来说比较复杂。为了解决好车牌自动识别过程中的处理速度这个瓶颈问题，使用计算机分布式结构进行处理则不失为一种可行的选择方案，但该方案实施起来难度较大。其他的还有采用灰度图像的数学形态学运算法，二值图像的数学形态学运算法，区域生长法，边缘算子运算法，边界聚类算法，模糊聚类法等方法，这些方法都存在着容易受车牌所在复杂背景干扰从而影响识别效果且时间复杂性高的缺点。近年来，小波变换、FFT、DFT、DCT等变换技术在国外均得到了应用，神经网络，模糊技术和遗传算法在车牌识别中的应用研究也在进行，这些技术和其他技术相结合在车牌定位中也取得了一定的成果。

　　1.4 字符分割

　　车辆牌照本身是按照一定的标准制成，组成车辆牌照的字符大小间距都有一定的规范，因此车辆牌照的字符切分方法就有一定的特殊」陈常见方法有区域生长法，使用这种方法的前提是字符区域清晰明显，一旦车牌照被污染或者光照雨雪等因素使得车牌字符部分模糊时，这种算法的准确率将大大下降。还可以采用垂直投影法，这种方法利用了字符块在垂直方向上的投影在字符块间的位置取得最小值的原理，当车牌由于外部因素有点模糊不清晰的时候，这种方法的效果比较好。另外，由于车牌字符为印刷体的标准字符，字符之间保持固定的间隔，并且字符本身和车牌背景存在较大差异等特点，也可以使用一些基于固定规则的字符切分方法。

　　1.5 字符识别

　　车辆牌照的字符识别与普通的印刷体字符识别相类似，采用的大多也是成熟的光学字符识别(OPticalCharacterRecognition)算法。并且由于车辆牌照的特殊性，字符集比较小，通常只包含数字，字母和少量的汉字，其方法也有一定的特殊性。国内外对于车牌照的字符识别根据所应用的模式识别技术可分为:统计模式识别法、结构模式识别法。

　　统计模式识别其要点是提取待识别模式的一组统计特征，按照一定的决策函数进行分类判决。常用的统计特征有字符二维平面的位置特征、字符在水平或者垂直方向投影的直方图特征、矩特征和字符经过频域变换或其它形式变换后的特征等。

　　结构模式识别主要应用在识别汉字中，其主要出发点是汉字的组成结构。汉字由笔划(点横竖撇捺等)、偏旁部首或者更小的基元构成，识别时利用上述结构信息及句法分析的方法进行识别，类似一个逻辑推理器。结构模式识别与统计模式识别各有优缺点，随着我们对于两种方法认识的深入，这两种方法正在逐渐融合。网格化特征就是这种结合的产物。