车牌定位是车牌识别系统的一部分,其定位效果会对接下来的字符分割以及字符识别产生直接的影响。高速公路车辆监控拍摄是车牌识别应用的一个重要场景,这种场景下的图像往往背景复杂、分辨率高,本论文课题基于高速公路抓拍机这一特定场景的图像展开对车牌定位的研究。针对传统车牌定位算法在分辨率高、背景复杂这种特定场景下定位效果的不足,本论文设计并开发了一种具有针对性的车牌定位算法,既满足了准确性,又满足了实时性。开发的算法主要由三部分内容组成：首先研究了一种描述区域特征的新特征和支撑向量机(Support Vector Machine, SVM)分类学习算法。设计了一种基于HSV空间改进的颜色纹理直方图,并将其作为输入特征向量,利用SVM学习分类算法进行训练。实验结果表明,该特征在图像匹配上可以取得更好的效果。其次对车牌粗定位进行研究,针对经典的Canny和Sobel边缘检测算法的不足,设计了一种新的边缘检测算法,然后结合滤波、投影分析等技术,将车牌候选区域提取出来。利用边缘检测进行车牌粗定位,可以快速定位到感兴趣的区域,过滤掉绝大部分无关的背景区域,大大提高了后面学习算法检测的效率。最后,本论文对车牌精确定位进行了分析与研究。采用不断放大的检测框去遍历候选水平条带,计算检测框内的特征值(颜色纹理直方图),与训练好的分类器进行比较来判断是否为车牌区域。在此基础上,引入了字符扩展、打分排序、倾斜校正等后处理技术,增加了车牌定位的精确性。通过与两种有代表性的车牌定位方法作对比,‘证明了本论文算法的优越性。