以前也做过类似的项目，然而并没有写下总结之类的东西。今日突发奇想记录一下，以备后续查看，不对之处敬请指出。
首先需要把握的项目的总体框架，年轻的时候总是喜欢追求细节，看书是这样（仿佛记得细节的专业词语可以卖弄），做事情做项目也是这样。随着年岁渐长，发觉整体把握才是首要任务。那么对于一个曾经熟悉但是忘却或者甚至是陌生的领域怎么进入呢？实际上很简单，去google scholar点击打开链接搜寻下相应领域的review或者survey之类的paper看，看两三篇就可以把握大体框架，这样骨架就有了。实际上这也是做科研的过程中训练出来的思路，这也是为什么研究生做事情往往比大部分本科生来的快的原因。车牌识别的大体框架是：车牌定位(license plate location)、字符分割（char segment）、车牌识别(license plate recogniton)。
接下来是填充血肉的过程。先看车牌定位，由于车牌定位是整个项目的第一部分，车牌的定位精度必然关联着整个项目识别的精度。然而由于光照，天气等因素的影响，车牌定位的精度要达到100%实际上是非常困难的。常规的方法无外乎根据边缘来定位，根据颜色信息来定位，根据其他特征来定位等。用到的算法有传统的图像预处理的方法，也有机器学习的一些方法如隐马尔可夫模型，支持向量机，adaptive boosting方法等。根据边缘信息来定位车牌是最简单也是最常用的方法之一，但是受光照等外在噪声影响也比较大。通过颜色信息来判断看似可靠，然而通用性却有待提高，比如只能识别一国车牌，另外颜色信息在不同的光照下又不一样。最后稳定的方法就剩下通过提取图像的harr-like特征或者其他特征采用机器学习的方法来定位车牌，在数据集设置合理训练合适的情况，鲁棒性非常强。
而字符分割采用投影的方法，隐马尔可夫模型等都可以去实现。相比较这些方法而言，投影的方法简单也比较鲁棒。更重要的是在字符分割之前对图像做的增强操作。同样由于光照等的影响，普通的图像增强方法在增强字符的同时也增强了背景，在减弱前景的时候也会减弱背景。文献《A New Algorithm for Character Segmentation of License Plate 》提到的方法或许可以一试：由于《A high performance license plate recognition system 》指出字符只占整个车牌图像的20%左右。将图像的灰度由0--255变换到0--100，然后将图像的灰度值按照降序排序，将前20%的灰度再变化到0--255的范围，这样就将字符增强了，而将背景模糊了（这里假设背景是黑色，字符是白色的情况）。图像增强后（准确的说应该是目标增强）进行垂直投影水平投影后即可比较准确的切分出字符。
最后车牌识别阶段采用开源框架tesseract或者其他的框架都可以去做，但是需要训练对中文字符的识别。或者采用ANN、SVM等机器学习的方法来做识别即可。
