車牌識別系統LPR（License Plate Recognition）包括車牌定位、字符分割和字符識別三大部分。其中，字符識別的準確及高效成為整個車牌識別系統的關鍵。
　　車牌字符識別是模式識別的一個重要研究領域，字符特征提取可分為基于統計特征和基于結構特征兩大類［1］，統計方法具有良好的魯棒性和抗干擾性等，但是，由于其采用累加的方法，對于“敏感部位”的差異也隨之消失，即對形近字的區分能力較差。而結構方法對細節特征較敏感，區分形近字符的能力較強，但是難以抽取、不穩定、算法復雜度高。分類器設計方面，人工神經網絡和支持向量機SVM（Support Vector Machine）［2］等技術已被用于車牌字符識別研究中，有效地提高了識別率，但缺少基于特征的優化設計。
　　本文針對實際采集的車牌圖像質量不高所導致的字符形變、噪聲、易混淆的問題，根據人類視覺活動的問題，選取基于輪廓的統計特征反映字符整體信息；選取結構特征反映字符細節信息，采用SVM作為分類器，并對基于輪廓的特征提取方法進行了優化設計。
　　1 車牌字符識別算法框架
　　本文提出的識別算法模擬人類智能，采用兩級分類識別的思想處理車牌字符識別問題，引入可信度評判機制。經預處理后的字符首先進入粗分類識別，采用基于輪廓的統計特征作為粗分類的特征提取方法，利用SVM分類器得出分類識別結果，并計算結果的可信度。識別系統將粗分類識別結果的可信度與預先設置好的用于判別形近字的可信度閾值相比較，如果可信度大于閾值，則識別系統將字符歸為非形近字，并將結果輸出;否則， 識別系統將字符歸為形近字，并根據粗分類識別結果，計算字符所屬的形近字類別，將字符送入細分類識別，提取字符的結構特征作為細分類的特征提取方法，利用決策表中的形近字區分規則，得到識別結果。圖1為識別系統算法流程圖。
　　
　　2 一級分類識別
　　2.1 粗分類特征提取
　　粗分類的特征提取方法應該能夠描繪字符的整體信息，基于輪廓的統計特征描繪字符外圍輪廓的變化。利用距離反映輪廓的方法，通過計算字符圖像左、右、上、下四個邊框到筆畫間的距離，得到圖像輪廓的統計特征。設預處理后的二值化字符圖像為f（i，j），具體算法為：
　　
　　其中，width、length為字符圖像的寬和高。規定此行或此列沒有筆畫時，其特征值為零。