车牌定位方法综述
一种复杂环境中的车牌定位算法
一种复杂环境中的车牌定位算法车牌定位是智能交通系统中重要的一环，它是车辆识别系统的关键步骤。
然而，在复杂环境中，如光线不均匀、天气恶劣或者车辆位置和角度变化较大时，车牌定位变得尤为困难。
因此，为了提高车牌定位的准确性和鲁棒性，在这种复杂环境下，可以采用以下算法。
首先，可以通过颜色特征进行车牌定位。
车牌通常具有特定的颜色，例如蓝色、黄色或者绿色等。
因此，可以使用颜色分割算法来提取图像中的车牌区域。
该算法首先根据颜色阈值将图像分割为不同的颜色区域，然后通过形态学操作来滤除小的非车牌区域。
最后，根据车牌的特定形状和比例进行筛选和检测。
其次，可以利用边缘检测算法来进行车牌定位。
边缘检测可以识别图像中的边缘信息，而车牌通常具有较为明显的边缘。
可以采用经典的边缘检测方法，如Canny算子，对图像进行边缘提取。
然后，根据车牌的特定形状和比例进行车牌候选区域的筛选。
此外，可以采用模板匹配的方法进行车牌定位。
模板匹配是一种基于相似度的匹配算法，可以在复杂背景下识别车牌。
首先，需要采集车牌图像的样本，然后使用特定的特征提取算法，如卷积神经网络（CNN），将车牌样本转换为特征向量。
接下来，对于待检测图像，也使用同样的特征提取算法，将图像转换为特征向量。
最后，通过计算图像特征向量与车牌样本特征向量之间的相似度来判断是否为车牌区域。
最后，可以结合多种算法进行车牌定位。
由于复杂环境下的车牌定位问题具有较高的难度，单一算法往往无法满足要求。
因此，可以采用多种算法的组合，例如，先通过颜色分割算法提取初始车牌区域，然后再使用边缘检测和模板匹配算法进行进一步的筛选和确认。
综上所述，复杂环境中的车牌定位算法可以结合颜色分割、边缘检测、模板匹配等多种方法。
同时，对于车牌定位的准确性和鲁棒性，还需要考虑光照变化、天气条件等因素，并采用适当的预处理和参数调整方法来提高算法的性能。
汽车车牌定位识别概述
汽车车牌定位识别概述汽车车牌定位识别技术的发展得益于计算机视觉技术的进步和硬件设备的不断更新。
自从20世纪80年代末期开始，随着计算机技术的发展，人们开始研究如何利用计算机自动识别车牌。
最初的方法是通过车牌字符的特征提取和模式匹配来实现，但是这种方法在实际应用中存在一些问题，比如对于光照条件、角度和车辆速度的不同会导致识别结果的准确度下降。
随着深度学习技术的兴起，特别是卷积神经网络（Convolutional Neural Network，CNN）的发展，汽车车牌定位识别技术得到了显著的进步。
CNN可以通过学习大量的车牌图像来自动提取图像特征，并通过训练模型来识别不同类型的车牌。
这种方法不仅可以提高识别的准确性，还可以适应不同的光照和角度条件。
汽车车牌定位识别技术的应用非常广泛。
首先，在交通安全领域，汽车车牌定位识别可以帮助交警自动检测和记录违反交通规则的车辆，比如闯红灯、超速等。
这种技术可以大大提高交通管理的效率和准确性，减少人为差错。
其次，在停车场管理中，汽车车牌定位识别可以帮助自动识别道闸前的车牌信息，实现自动出入场的管理。
这不仅方便了车辆的出入，还可以提高停车场的管理效率。
另外，在安防领域，汽车车牌定位识别可以帮助监控系统自动追踪和识别特定车辆的位置和行动轨迹，有助于犯罪侦查和预防。
汽车车牌定位识别技术通常包括以下几个步骤。
首先，对车辆图像进行预处理，包括图像去噪、图像增强等。
然后，利用目标检测算法来定位车牌的位置，常用的方法包括边缘检测、颜色分割等。
接下来，对定位到的车牌进行字符分割，将车牌中的字符单独分离出来。
最后，利用字符识别算法对分割后的字符进行识别，常见的方法包括模板匹配、字符特征提取等。
虽然汽车车牌定位识别技术已经取得了很大的进展，但是在实际应用中仍然存在一些挑战。
首先，不同车牌的形状和颜色差异较大，车牌的角度和光照条件也会导致识别的准确性下降。
其次，特定地区的车牌字符种类较多，字符的形状和位置也有差异，这对识别算法提出了更高的要求。
基于车牌底色识别的车牌定位方法
车牌底色识别技术在车牌定位中的应用1. 背景介绍在现代社会中，随着汽车数量的增加，交通管理日益成为人们关注的焦点。
车牌识别技术作为交通管理中的重要一环，越来越受到人们的重视。
其中，基于车牌底色识别的车牌定位方法，由于其高效、准确的特点，受到了广泛的关注和应用。
2. 车牌底色识别技术原理车牌底色识别技术是基于计算机视觉和图像处理技术的应用。
其原理是通过摄像头采集到的车辆图像，利用图像处理算法提取车牌底色特征，进而对车牌进行定位和识别。
通过对车牌底色特征的提取和分析，可以实现对车牌的快速、准确的定位和识别，从而为交通管理提供了重要的数据支持。
3. 车牌底色识别技术的优势相比传统的车牌定位方法，基于车牌底色识别的方法具有以下几点优势：3.1 高效性：利用计算机视觉和图像处理技术，能够实现对车牌底色的快速、准确提取，从而实现车牌的快速定位。
3.2 准确性：通过对底色特征的分析，能够较为准确地识别车牌，避免了传统方法中识别错误的情况。
3.3 适用性：车牌底色识别技术适用于不同光照条件和天气环境下的车牌定位，具有一定的稳定性和鲁棒性。
4. 车牌底色识别技术的应用车牌底色识别技术已经在交通管理、智慧城市建设等领域得到了广泛应用。
以智能交通管理为例，通过车牌底色识别技术，能够实现对车辆的快速通行、违章车辆的准确识别等功能，从而提高了交通管理的效率和精准度。
5. 个人观点和理解对于基于车牌底色识别的车牌定位方法，我认为这种技术在现代交通管理中具有重要的意义。
其高效、准确的特点，使得交通管理能够更加智能化、精细化。
但也需要重视对个人隐私的保护，避免信息泄露和滥用的情况发生。
总结回顾通过本文的介绍和分析，我们了解了基于车牌底色识别的车牌定位方法在交通管理中的重要应用。
通过对车牌底色特征的提取和分析，能够实现对车牌的快速、准确的定位和识别，为交通管理提供了重要的数据支持。
我们也需要充分考虑个人隐私的保护，确保技术的应用在保护隐私的前提下发挥最大的作用。
车牌识别（一）-车牌定位
车牌识别（⼀）-车牌定位在对车牌识别过程中，常⽤的⽅法有：基于形状、基于⾊调、基于纹理、基于⽂字特征等⽅法。
⾸先基于形状，在车牌中因为车牌为形状规格的矩形，所以⽬的转化为寻找矩形特征，常常是利⽤车牌长宽⽐例特征、占据图像的⽐例等。
基于⾊调，国内的车牌往往是蓝底⽩字，可以采⽤图像的⾊调或者饱和度特征，进⼊⽣成⼆值图，定位车牌位置。
基于纹理特征⾃⼰还没有基础到。
基于⽂字特征往往是根据⽂字轮廓特征进⾏识别，原理是基于相邻⽂字轮廓特征、⽐例进⾏定位车牌位置。
⼀、图像⼆值化正如前⾯⽂章所⾔，⾸先进⾏获取图像⼆值化特征，本⽂采取了根据图像亮度特征，提⾼对⽐度，进⾏可以清晰获取⽂字的图像，为下⼀步的⽂字轮廓识别打好基础。
1.1 算法流程伪代码1、图像转化为HSV图像，获取V通道图像2、提⾼对⽐度3、V图像⾼斯滤波，去除噪声4、图像⼆值化程序源码：def get_colorvalue(image):height, width, shape = image.shapeimage_hsv = np.zeros((height,width), np.uint8)image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)image_hue, image_saturation, image_value = cv2.split(image_hsv)return image_valuedef enhance_contrast(image):kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)image_plus_tophat = cv2.add(image, img_tophat)image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)return image_plus_blackhat_minus_blackhatdef preprocess(srcimage):image_value = get_colorvalue(srcimage)image_enhance = enhance_contrast(image_value)image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)# _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)_, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )cv2.imwrite('image_binary.png',image_binary)return image_binary1.2 算法分析在实验中在获取通道图像时，发现可以利⽤图像饱和度图像进⾏定位。
常用的车牌识别算法
常用的车牌识别算法包括以下几种：
1. 车牌定位算法：用于确定车辆图像中车牌的位置。
这种算法通常会使用图像处理技术，如梯度信息投影统计、小波变换、车牌区域扫描连线算法等，以识别图像中的车牌区域。
2. 字符分割算法：在车牌定位后，需要将车牌中的字符进行分割。
这种算法通常会使用图像处理技术和机器学习算法，如基于深度学习的字符分割算法，以准确地将各个字符分割开来。
3. 字符识别算法：用于识别分割后的字符。
这种算法通常会使用机器学习算法，如卷积神经网络（CNN）或循环神经网络（RNN），以对字符进行分类和识别。
4. 神经网络识别算法：大规模神经网络识别算法是一种深度学习算法，它能够同时处理车牌定位和字符识别两个任务，具有更高的准确性和鲁棒性。
5. 启发式车牌定位算法：综合利用了图像处理技术和机器学习算法，以提高车牌定位的准确性。
这种算法通常会使用一些特征选择方法，如SVM、HOG等，以将车牌区域和非车牌区域进行区分。
6. 角度偏差和光照波动控制算法：在车牌定位和字符识别过程中，车辆的角度偏差和光照波动会影响算法的准确性。
这种算法通常会使用一些图像处理技术，如滤波、归一化等，以减小这些因素的影响。
这些算法在车牌识别过程中相互配合，以实现准确的车牌识别。
一种实用的车牌定位方法
（ ｐ ｒｍｅ ｔ ｈ ｓ ｓａ ｄＥｎ ｉｅｒ ｇＴ ｃ ｎ ｌｇ ， ｉ ｕ ｎＵｎｖ ｒｉ ｔ ｎ ｃｅ ｃ Ｓｃ ｕ ｎ Ｄａｈ ｕ ６ ５ ０ ） Ｄｅ ａｔ ｎ Ｐ ｙｊ ｎ ｇｎ ｅｉ ｅｈ ｏｏｙ Ｓｃ ａ ｉｅｓｔ ｏ Ａｒ ａ ｄＳ ｉｎｅ ｉｈ ａ ｆ ｏ ｃ ｎ ｈ ｙｆ ｓ ｚｏ ３ ００
ｃｍｍ ｎｌ ｅ ｓ ｌｔ． ａｅ ｎｔｅｒｓｌ ｆｉａｅｐｏｅｓｎ ｎ ｈ ｅ ｕｅｏ ｅｌ ｅｓ ｌｔ， ｅｍ ｋ ｈ ｏ ｚｎａ ｒｊｃｉｎａ ｄｖｒｃｌ ｏ ｏ ｉ ｎｅｐａｅ Ｂ ｓｄｏ ｈ ｅｕｔ ｏ ｇ ｒｃｓｉｇａ ｄｔｅｆａ ｒ ｆｔ ｉ ｎｅｐａｅ ｗ ａ ｅｔｅｈ ｒ ｏｔ ｐｏｅｔ ｎ ｅｔ ａ ｃ ｓ ｍ ｔ ｈ ｃ ｉ ｌ ｏ ｉ ｐｏ ｃｉ ｆ ｈ ｃｎｅｐａ ａｎｔｅａｅ ｆ ｈ ｃｎｅｐａ ｆ ｒｈ ｒｔ ａｍ ｎ ｆｈ ｏｌ ｔ ｇｅｏ ｅｃｒ ｒｊ ｔ ｎｏ ｅｌ ｅｓ ｌｔ ｔ ｇｉ ｒａｏ ｅｌ ｅｓ ｌｔ ａｔ ｅｐｅｒ ｔ ｅ ｔ ｅｃｌ ｃｅ ｉ ｅ ｏ ｔ ｉ ｅｏ ｈ ｔ ｉ ｅ ｅｔ ｅ ｏｔ ｅ ｄ ｍａ ｔ ａ． ｆｈ
二值化后 图像 的分析 ． 除车牌 定位 中的干扰 ， 而更 为准确地定位 出车牌 的位置 。 排 从
【 关键词 】 车牌 定位 ： 灰度化 ； 增强罔 像二值化 ； 滤波 图像 图像
Ａ ｉ ｄ ｆ ｐ ａ ｔｃ ｌｍ ｅ ｈ ｄｓｏ ｉ ｅ ｓ ｌ ｔ ｏ ａ ｏ ｋ ｎ ｏ ｒ ｃ ｉａ ｔ ｏ ｆ ｌ ｎ ｅ ｐ ａ ｅ ｌ ｃ ｔ ｎ ｃ ｉ ＬＩ Ｕ Ｎｉ
ｌ ｅ ｓ ｌ ｔ ｔ ｇ ，ａ ｓ ｒｅ ｆ ｉ ｇ ｏ ｅ ｓｎ ｅ ｈ ｏ ｏ ｙ ｈ ｓ ｂ ｅ ｏ ｅ ｉ ｈ ｅ ｉ ｌ ｍａ ｅ ｈ ｔ ｅ ｒ ｃ ｉ ｅ ａ ａ ｙ ｉ ｆ ｔ ｅ ｃ ａ ａ ｔ ｒ ｏ ｈ ｉ ｅ ｅ ｐ ａ ｅ ｓ ａ ｅ ｅ ｉ ｓ ｏ ｍａ ｅ ｐｒ ｃ ｓ ｉ ｇ ｔ ｃ ｎ ｌ ｇ ａ ｅ ｎ ｄ ｎ ｎ ｔ ｅ ｖ ｈ ｃ ｅ ｉ ｇ ｓ ｔ ａ ｗ ｅ ｅ ｖ ｄ，ｎ ｓｓ ｏ ｈ ｈ ｒ ｃ ｅ ｔ ｅ ｅ ｌ ｆ
车牌定位的论文
第三章车牌定位3.1车牌定位的主要方法所谓车牌定位算法是指在实际拍摄的图像中确定车牌区域的位置以便提取分割出车牌区域图像的问题。
牌照的快速准确定位是车牌自动识别技术中非常关键的一步，是典型的图像分割问题，因此定位方法与车牌特征和图像处理技术是分不开的。
经典的车牌定位分割算法包括从简单的灰度阈值方法、频域和空间分割方法到复杂的连接元素方法以及Hough变化法等，在背景较复杂和光照不均匀条件下，这些方法难以取得令人满意的分割效果。
近年来，人们针对这种情况，提出了各种各样的定位算法。
目前没有一个标准图像数据库来评价无限制条件车牌定位算法的性能，这个问题的研究目前刚刚起步。
3.1.1基于直线检测的方法这类方法一般采用Hough变化等方法来检测直线（车牌周围边框形成）。
利用车牌形状特性来定位车牌，在实际运用中忧郁光照不均匀等影响和摄像机畸变，曝光不足和动态范围太窄等原因，导致图像存在伪影，加上车牌上的灰尘、脏污等使形状特性表现的不明显，从而影响定位效果，此外传统的Hough变换法应用在车牌定位中，只是单纯的进行直线的检测，没有和车牌形状特性结合起来，而且Hough空间与原图像空间不是一一对应的，由Hough 空间中检测到的特征点无法确定出车牌轮廓的起始位置，无法避免直线干扰的问题，因此在有直线干扰时及未进行边框提取时的可能性会大大增加。
Hough变化计算量较大，对于边框不连续的实际车牌，需要附加量加大的运算。
3.1.2 基于阈值化的方法图像经过阈值化得到一个字符和背景分离的二值图像是这类方法的特点。
目前已经提出了多种阈值化策略，但简单算法二值化效果不好，复杂算法计算时间长、计算量大限制了实际应用。
3.1.3 基于灰度边缘检测方法此类方法通常利用车牌区域局部对比度明显和灰度有规律变化的纹理特征来定位。
中国车牌类型较多，在不同光照条件下车牌对比度更加不一，需要进行图像增强处理，还要考虑图像中与车牌特征非常相似的非车牌区域的排除问题。
车牌定位常见方法介绍与分析
多媒体技术及其应用
本栏目责任编辑： 唐一东
（ ５） 对侯选字符块进行分析与分解， 以确定真正的字符块， 进而提取牌照区域。
４ 各种车牌定位方法的比较
到目前为止国内外的科研人员针对车牌定位已提出了多种方法， 他们有一定的优点， 但也有不足之处。 ４．１ 基于纹理分析的定位方法
该算法对于牌照倾斜或变形以及光照不均、偏弱或偏强有很好的效果 ， 但对噪声敏感， 对于背景复杂的图像可以结合垂直投影 的方法来得到真正的车牌区域， 该区域同时具备以下特点：
Ｋｅｙ ｗｏｒ ｄｓ： Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ；ｌｉｃｅｎｓｅ ｐｌａｔ ｄｅｔｅｃｔｉｏｎ；ｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ；ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ；ｍａｔｈｅｍａｔｉｃｓ ｍｏｒｐｈｏｌｏｇｙ；ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ； ｃｏｌｏｒ ｆｅａｔｕｒｅ
１ 引言
车辆牌照识别（Ｃａｒ Ｌｉｃｅｎｓｅ ＰｌａｔｅＲｅｃｏｇｎｉｔｉｏｎ， ＣＬＰＲ） 是实现智能交通系统的关键技术， 在交通系统管理中有着不可替代的作用。 其任务是处理、分析汽车牌照图像， 自动识别汽车牌号。可用于检索车辆的各种重要信息， 记录车辆的违章或用于收费等。其核心技 术在近年有了飞速的发展， 但在提高识别正确率及系统稳定性方面仍然是一个研究热点。在 ＣＬＰＲ 系统中， 主要分车牌定位、字符 切分和字符识别 ３ 部分， 其中车牌定位是系统的关键， 其定位正确率将大大影响整个系统的最终识别性能。目前车牌定位的方法多 种多样， 归纳起来主要有基于纹理特征分析的方法， 基于边缘检测的方法， 基于数学形态学定位， 基于小波分析定位以及基于彩色 图像定位等。 这些方法各有所长。
多媒体技术及其应用
本栏目责任编辑： 唐一东
车牌定位常见方法介绍与分析
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号：XXXXX汽车牌照汉字识别方法综述摘 要:字符识别是汽车牌照自动识别系统中的关键环节, 汉字字符识别是其中的难点。
本文在对车牌汉字识别方法分类的基础上,介绍了各种传统的和最新的汉字识别方法, 分析各种方法的特点,算法及其实现,并对它们的性能进行评述。
关键词:识别; 汉字; 车牌中图分类号：文献标识码：AMethods of license plate character recognitionAbstract：License plate character recognition is the key of automatic identification system, and Chinese character recognition is one of the difficulties.Based on the classification of license plate character recognition method ,this paper descripts various traditional and the latest character recognition methods , analyzes the characteristics of every method, algorithms and their implementation, and reviewes their performance .1 引言随着国民经济的高速发展, 高速公路、城市道路、停车场建设越来越多，对交通控制、安全管理的要求也日益提高，智能交通系统ITS( Intelligent Traffic System) 已成为世界交通领域研究的前沿课题[1]。
在此基础上发展的车牌照识别LPR (License Plate Recognition）系统是智能交通系统的重要组成部分，它在交通管理中占有重要的地位，有着多种应用。
LPR系统主要由三部分组成：车牌定位、字符分割、字符识别[2]，其中关键技术是字符识别技术，西文和数字识别技术已经取得了相当大的成果。
由于我国车牌的特殊性，汉字字符识别技术依然是重要研究的课题。
光学字符识(Optical Character Recognition)[3]别属于模式识别和人工智能的范畴，同时涉及到图像处理、形式语言、自动机、统计决策理论、模糊数学、组合数学、信息论等学科，它由德国科学家TausheCk于1929年首先提出，但这种梦想直到计算机诞生后才变为现实，现在这一技术己经由计算机来实现。
OCR目前依然是国际上比较流行的研究课题，随着研究的深入己成为比较实用的技术。
字符识别的基本原理：文字经光电扫描，模数转换为带灰度值的数字信号送至预处理环节。
预处理的内容和要求取决于识别方法，一般包括行字切分、二值化、规范化等。
经过预处理，字符模式成为规范化的二值数字点阵信息。
对该二值汉字点阵，抽取一定的表达形式后，与存储在字典中己知的标准字符表达形式匹配判别，就可识别出输入的未知字符[4]。
目前常用的字符识别方法有结构模式识别、统计模式识别和神经网络三类。
典型的汉字识别方法主要有：基于小波的车牌汉字特征提取方法；基于PCA( Principal Component Analysis) 学习子空间的字符识别算法；基于模糊模板匹配的车牌汉字识别方法；基于SVM的车牌汉字识别方法；利用投影特征的车牌识别汉字方法等。
然而，虽然这些算法在某些特定条件下识别效果较好，但综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，暂时还不能完全满足实际应用的要求，有必要进行进一步的研究。
2 车牌汉字识别方法2.1 结构模式识别字符图像包含丰富的结构信息，设法提取含有这样信息的结构特征及其组成规律，作为识别的依据，这就是结构模式识别。
它是最基础的，也是最早的文本字符识别方法。
研究的出发点是字符的组成结构。
字符是由笔划构成的，也可以认为是由更小的结构基元构成的。
由这些结构基元及其相互关系完全可以精确地对字符加以描述。
常见的结构识别有：（l）基于骨架的识别方法骨架是人对于字符的抽象认识，是经细化得到的。
细化有迭代剥离和直接获取两种方法：迭代剥离法是通过搜索图像边缘，通过反复考察边缘点的连通度并结合相应的规则来决定点的去留；直接获取法根据每条扫描线的黑游程中点得到中轴，这样的方法会产生不必要的分支，而且扫描方向必须与笔画方向基本垂直,否则会产生大量断点。
骨架的描述可以由点的集合抽象为顶点与弧构成的图的形式。
J.Rocha等描述了使用图的匹配算法来与模板比较，由于顶点和弧上带有具体参数，从而可以得到为完全拟合所需的形变代价，并认为该代价也就是与模板匹配的距离。
这一点在汉字识别中非常有效。
使用骨架作结构信息源是结构方法的主流。
但它的缺点在于它十分依赖图像的细化质量。
当图像中有粘连的框线时细化常常会产生拓扑结构上的变化，这时就要求后续识别有较大的规则灵活性[5]。
（2）基于轮廓的识别方法轮廓也可以反映字符图像的结构，由于存在内外轮廓和笔画宽度等因素的影响，轮廓提取方法简单，结果确定，因而它仍不失为一种好的结构信息源。
轮廓大致有两种描述方式，一种与骨架一样用结构点和弧构成图的方式来描述，识别也与骨架相同；另一种则用标准化后的轮廓距边框的距离描述[6]通过在一定范围内寻找轮廓的最远、最近点和最大、最小突变点得到一系列结构特征，构成识别规律。
该方法与上述方法比较，轮廓方法位置更精确，而且运算量较小；但缺点是容易受到笔画宽度和断线的影响。
适用于图像质量较好、书写较固定的环境。
综上所述，结构模式识别方法主要优点在于对字体变化的适应性强，区分相似字的能力强。
在实际应用中，车牌图像中的字符常常发生变形、断裂、粘连等情况，这些因素直接影响到结构基元的提取，难以进一步推理、识别，抗干扰能力差；另外结构模式识别的描述比较复杂，匹配过程的复杂度较高。
所以单纯的结构模式识别方法很少被应用。
2.2 基于小波的车牌汉字特征提取方法小波变换提供了一种字符图像的多分辨率分析, 它不同于传统的短时傅立叶变换, 它可以分析图像在时域和频域的局部特性, 因此小波变换特别适合于提取图像局部的细节特征[7]。
浙江大学的潘翔叶和修梓等人将小波理论应用于车牌汉字特征提取,提出了一种直接从灰度图像提取车牌汉字特征的方法[8]。
该方法首先提取图像的小波矩和基于小波分解的区域密度特征, 然后以识别率好坏为最优依据，进行特征分量排序和选择, 最后把特征矢量送入BP神经网络进行字符识别, 该方法避免了一些传统汉字特征提取方法需要对图像进行二值化操作而造成的汉字字符结构信息丢失。
提取的特征有效地反映了车牌汉字的局部和全局特征。
但此方法由于没有二值化过程，在汉字字符分割定位不准确的时候, 识别效果不很理想。
2.3 基于PCA学习子空间的字符识别算法子空间学习算法[9]是一种多特征的分类寻优过程，即可根据样本的训练结果适当地对子空间进行调整, 因此它也是一种监督学习方法。
通过这种学习反馈机制能提高子空间的识别效果。
采用PCA学习子空间方法来进行灰度图像上字符的识别，不仅克服了传统的基于二值化字符特征提取和识别所带来的主要困难，还尽量多地保存了字符特征。
由蒋伟峰和刘济林提出的算法[10]在PCA 子空间的基础上, 通过反馈监督学习的方法使子空间作旋转调整, 从而获得了更好的分类效果。
特别当字符类别数不是很大时，子空间的训练时间也将在可接受的范围之内。
此方法利用主分量分析PCA学习子空间算法来实现汽车牌照的汉字识别, 且在整个识别过程中，汉字特征的提取和分类是直接在灰度图像上进行的，它同传统的基于二值化图像上的光学字符识别OCR技术不同，它不但避免了对一些质量比较差的图像进行二值化时所造成的字符特征丢失, 而且采用该方法，还可尽量多地保存字符的信息特征。
此算法的特点是首先通过主分量分析算法来建立各类别的子空间, 然后通过学习子空间算法, 根据训练样本的分类结果对PCA子空间作适当的调整，从而使得子空间的分类效果得到进一步的提高。
应用效果表明，采用PCA学习子空间算法对车牌汉字这一有限汉字集进行识别,取得了较好的效果。
因为学习子空间模式识别是一种多特征寻优模式识别技术, 通常在相同方差贡献率的条件下, 其选取的子空间维数会随样本数的增加而增长，所以相对而言，该算法在字符训练阶段的计算量是十分大的，而且修正系数的大小对训练效果也有很大影响。
2.4 基于模糊模板匹配的车牌汉字识别方法统计模式识别借助概率论的知识, 判断或决策对象的特征类别, 使得决策的错误率达到最小。
基于统计特征的识别方法先抽取识别对象的稳定特征,组成特征矢量，然后在字符集的特征空间中进行特征匹配。
在分析汽车牌照汉字字符的特点后，四川大学的吴炜和杨晓敏等人提出了一种基于二值图形变动分析的模糊模板匹配车牌汉字识别方案[11]。
在含有汽车牌照的图像中，将汉字定位并提取出来以后,还要完成规格化、二值化等操作。
即使是相同的汉字，由于车牌倾斜、模糊, 特别是由于每次定位不可能完全精确一致等诸多因素的影响, 导致在二值图像中字体的形状、大小都会不同，字体位置也会发生不同程度的偏移。
将这种二值图形的不规则现象称为图形的变动[12]。
在汉字识别的分析过程中，希望对图形变动的大小进行量化处理。
因此，提出了求图形整体变动量的统计方法,其优点是不需要参照标准图形，可以进行客观评价，并构造出用于匹配识别的模糊模板。
对每一个车牌的汉字字符，选取n幅质量较好的参考图。
将这n幅参考图规格化为17×33的标准大小后进行二值化处理。
从而得到每个车牌汉字字符都有n幅0，1所组成的二值图像。
将这n幅二值图像对齐后叠加，再进行归一化，得到模糊图形F ( x , y )。
该模糊图形上每一像素点实际上都对应着一个概率值，该概率值代表白色目标（汉字笔划）在该点出现的可能性。
例如在模糊模板中若某一点值为1，表明在所有参加统计的二值图形上汉字笔划都经过该点，其为白色目标像素的可能性是100%，为黑色背景像素的可能性是0，反之亦然。
进行匹配识别时，对一幅切分后的待识别汉字灰度图,将其规格化、二值化，然后计算每一像素点与模板的吻合程度，即每一像素点正确匹配的置信度。
最后根据置信度的大小识别出所选汉字。
此方法实现的关键是n的取值：n的取值如果过小，则参考图没有参考性，叠加后图像的准确性降低；n 的取值过大，则图像归一化后的模糊图形准确性降低，影响识别效果。
2.5 基于SVM 的车牌汉字的有效识别方法支持向量机[13]（SVM）是20世纪90年代初由Vapnik 等人提出的一类新型机器学习方法，主要用于解决有限样本情况下的模式识别问题。