車牌識別（LPR）技術是計算機視覺、圖像處理技術與模式識別技術的融合，是智能交通系統中一項非常重要的技術。一般說來，車牌識別前期的處理技術至關重要，其前期技術包括：車牌的定位、車牌圖像的二值化及字符分割。本文主要針對車牌定位算法進行研究。
　　車牌定位就是在車輛圖像中定位牌照區域的位置。由于車輛圖像都采集于自然環境中，而在自然環境中車牌和背景的成像條件一般是不可控制的，隨機變化的因素（尤其是光照條件）和復雜的背景信息給目標搜索帶來巨大困難。不同光照下，車牌的顏色、亮度、明暗對比度都有很大變化；背景信息通常比車牌信息更加復雜，某些背景區域又可能與車牌區域差異不大；再加上攝像距離、角度的不同，要從種種干擾中區別出目標是十分困難的。而車牌區域在整幅圖像中所占的比例較小，要從整幅圖像中定位車牌區域必然要在大量的背景信息中搜索，而且由于應用的特殊性，要求快速、準確地完成車牌定位。如果沒有高效率的搜索方法，就需要耗費很多計算時間和存儲空間。所以車牌定位技術一直以來是一個難點，是車牌識別系統的一個關鍵技術環節。
　　目前，已經提出了很多車牌定位的方法，這些方法都具有一個共同的出發點即通過牌照區域的特征來判斷牌照。根據不同的實現方法，大致可以把現有的定位方法分為兩類［9］：直接法、間接法。
　　（1）直接法：直接分析圖像的特征。例如，文獻［1］提出一種基于線模板的二值化圖像中的角檢測算法。該算法利用車牌的邊框角點，檢測車牌的四個角點，并以此來定位車牌。文獻［2］介紹一種基于直線邊緣識別的圖像區域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。文獻［3］介紹利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。文獻［4］利用車牌部分垂直高頻豐富的特點先利用小波提取圖像的垂直高頻信息，然后利用數學形態學方法對小波分解后的細節圖像進行一系列的形態運算，進一步消除無用的信息和噪聲，以定位車牌。
　　（2）間接法：主要是指利用神經網絡法或者遺傳算法定位車牌的方法。利用神經網絡和遺傳算法等柔性方法進行計算是當前研究熱點之一。文獻［8］提出利用BP神經網絡定位車牌，文獻［5］提出利用DTCNN（Discrete-Time Cellular Neural Network）和模糊邏輯結合的方法。文獻［6］利用多層感知器網絡（MLPN）對車牌進行定位。文獻［7］提出利用遺傳算法定位車牌，它利用遺傳算法對圖像進行優化搜索，結合區域特征矢量構造的適應度函數，最終尋找到車牌的牌照區域的最佳定位參量。
　　通過分析和觀測得知，與汽車圖像中其他區域相比，車牌區域主要有以下特征：
　　（1）車牌字符區域中的垂直邊緣較水平邊緣相對密集，而車身其他部分（如保險杠等）的水平邊緣明顯，垂直邊緣較少。另外，車牌一般懸掛在車身上較低的位置，其下方基本上沒有明顯的邊緣密集區域。
　　（2） 有明顯的邊框，在其內部規則地排列著一系列的省名縮寫（漢字）、地區代號（英文字母）和5位字母/數字編號（普通民用車輛）。底牌與字符的顏色主要有藍底白字、黃底黑字、黑底白字和白底黑字（或紅字）四種。隨拍攝角度和車牌自身污損程度的不同，所采集到的車牌邊框經常出現傾斜、斷裂等現象。
　　因此直接定位法是利用邊框特性（利用特征2）以模板匹配的方法尋找牌照的四個角來定位或者尋找車牌邊框直線定位車牌以及利用牌照區域的灰度變化頻率（利用特征1）來定位。
　　由于車牌邊框有時有污染，相對來說車牌字符區域灰度頻率變化是車牌區域最穩定的特征，所以本文提出一種利用車牌字符區域灰度變化頻率的方法定位車牌，即基于邊緣檢測和掃描線相結合的車牌定位算法。該算法的思想是首先對車輛圖像進行邊緣增強，再利用水平掃描線進行車牌區域的檢測。