针对现存车牌定位方法自适应性差和鲁棒性不强的情况，本文提出了一种新的快速自适应车牌定位算法．此算法结合图象中车牌区域的纹理特征、灰度和边缘投影信息定位车牌，经对不用场景、不同光照、不同车型的汽车图象的实验表明该算法具有快速，鲁棒性强，自适应性好的优点。关键词：智能交通系统，车牌定位，纹理分析，灰度投影, 自适应基于图象理解的汽车牌照自动识别系统是智能交通系统（ITS）的一个重要分支，有着非常广泛的应用前景，而把汽车牌照从复杂的汽车图象中分割出来是汽车牌照自动识别系统必须解决的关键问题。在过去的十几年中，各国的科研人员提出了不少提取汽车牌照的方法。Choi[1] 提出利用Hough变换寻找垂直边缘提取汽车牌照的方法，此方法由于许多汽车前部散热器产生的垂直边缘和某些牌照边框的扭曲或某些汽车牌照没有边框而鲁棒性较差。S.H.Park[2] 提出的一种基于神经网络提取汽车牌照的方法，使用二个时延神经网络在水平和垂直方向对输入的图象进行滤波，得到牌照的候选区域，然后利用牌照的长宽比、面积、面积与周长比来区分真正的牌照区域与类牌照区域。此方法要求图象中的牌照尺寸基本不变，一旦图象中的牌照尺寸发生了较大的变化，必须对神经网络重新进行训练。Barroso[5] 认为车牌区域具有较强的灰度变化特性，对图象分别做水平和垂直方向的投影，根据投影的波峰和波谷的特点来判断车牌区域的水平和垂直位置。此方法仅依赖于车牌的灰度投影特点定位，容易受其他区域的干扰，定位往往不够准确。另外一种讨论的较多的是基于形态学的方法[3, 4]，基本做法是：利用图象的梯度信息，先对图象进行边缘提取，再对边缘图象进行形态学运算，直到图象中只留下待寻的目标。但这类方法的缺点在于：因为需事先确定滤波算子的尺寸，所以对车牌的大小不具有自适应性。本文提出的方法充分利用了图象中车牌区域的最主要的纹理特征并且结合灰度和边缘投影信息定位车牌，并利用车牌字符的边缘特点修正车牌的定位，为车牌字符的后处理打下了良好的基础。它的特点是不依赖于车牌的边框、大小、长宽比等不太可靠、不稳定的信息来定位车牌，对图象中车牌的倾斜和成像质量不敏感，具有快速，鲁棒性强，自适应性好的优点。算法包含以下3个部分：①车牌图象预处理：根据原始图象的灰度特性做自适应灰度拉伸；②牌照粗定位：利用牌照的纹理信息及灰度投影对灰度图象进行扫描，初步确定车牌位置；③牌照精确定位：利用牌照字符的边缘信息，进一步去除干扰区域，确定牌照区域中有效字符的位置。