在實際工作場景中采集到的數(shù)字圖像通常會因為外界環(huán)境、攝像設(shè)備、傳輸線路或保存精度等方面的原因，使其在進行預(yù)處理前受到各種噪聲的污染。并且在圖像處理過程中也可能會對圖像產(chǎn)生噪聲。噪聲與我們想要處理的圖像沒有任何關(guān)聯(lián)，還會對我們的處理產(chǎn)生不好的影響。所以，一般情況下我們會在進行圖像處理前對圖像采用濾波技術(shù)進行處理，常用的濾波方法有：中值濾波、均值濾波、高斯濾波等。對于車牌本身是一連串的字符，不容易識別，因此，首先需要對字符進行分割，將一連串的字符分割成一個一個的字符。

常用的車牌定位的方法有基于顏色的方法、基于紋理特征的方法、基于數(shù)學(xué)形態(tài)學(xué)的方法、基于小波變換的方法等。這些車牌定位方法，都各自具有不同的局限性。使用Mean Shift算法進行車牌定位可以獲得比較好的效果。對于圖像空間的所有像素點，在經(jīng)過Mean Shift算法迭代后，如果終收斂于同一點，則停止迭代。用同樣的方法對圖像空間中的所有像素點進行迭代遍歷，得出的結(jié)果根據(jù)收斂點的不同可以把整個空間分成幾個區(qū)域。而且多數(shù)情況下，同時出現(xiàn)多輛汽車，背景有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等，現(xiàn)有的識別方法也不能很好適應(yīng)多變的環(huán)境。這些區(qū)域即為可能的車牌區(qū)域，再通過上述特征在可能的車牌區(qū)域中進行對照分析，就可以得到車牌區(qū)域。

定位模塊的基礎(chǔ)功能，屬于在整體車輛圖像之內(nèi)探尋對應(yīng)的車牌并且進行對應(yīng)的提取操作，實際輸入的屬于整體車輛的圖像，而終輸出的則屬于車牌位置的圖像。字符切分模塊則屬于先針對圖像開展配套的二值化操作，之后在二值圖像之內(nèi)將字符進行對應(yīng)的分割操作，實際輸入的屬于車牌圖像，而輸出獲得的則屬于字符圖像。識別的功能核心屬于針對字符的配套識別操作，同時在其中獲取配套的結(jié)果。事實上，在社區(qū)中實施車牌識別系統(tǒng)所帶來的巨大好處是：在通勤高峰時段沒有必要排隊等待ka進入和離開社區(qū)才能真正實現(xiàn)順暢的訪問流程。