宋其杰，刘 峰，干宗良，刘思江

(1.南京邮电大学 通信与信息工程学院，江苏 南京 210003;2.南京邮电大学 图像处理与图像通信重点实验室，江苏 南京 210003;3.南京邮电大学 教育科学与技术学院，江苏 南京 210023)

0 引 言

在设计智能交通系统时，车牌作为车辆的重要身份标识逐渐成为重点研究的目标。近年来，随着车辆数量的剧增，基于自动车牌识别技术的车辆信息管理系统被广泛应用于交通管制、停车收费、出入境管理和其他相关领域。作为自动车牌识别的第一步，车牌检测的准确率对后续车牌识别的成功率有巨大影响。然而根据文献[1]介绍，车牌检测经常会受到不同观测角度，光照不均，雪、雾天气，复杂背景等非控制条件的影响。因此，如何在开放环境中对车牌进行精准定位仍然是一项具有挑战性的任务。

过去数十年，许多车牌检测算法被提出，可以分为传统算法和基于卷积神经网络的算法两大类。早期传统算法[2-4]通常提取车牌的边缘、颜色、局部纹理、形态学分析等固有属性作为手工图像特征来进行车牌检测。但是大多数基于单一手工特征的方法只能在特定场景中起作用，而基于多特征和编码分类器的方法可能会取得更好的效果。Zhou等[5]利用词袋模型对每个车牌字符产生主视觉词，再与提取到的车牌局部特征进行匹配，以此确定车牌位置。文献[6]在频域中对车牌特征进行分析，通过小波变换和经验模态分解分析方法实现车牌定位。还有一些方法将候选区域和特征分析相结合提高检测精度。……