车牌识别（LicensePlateRecognition，LPR）是指通过计算机视觉、图像处理与模式识别等技术从车辆图像中提取车牌字符信息，从而确定车辆身份的技术。一个完整的车牌识别系统主要包括车牌定位、字符分割和字符识别三部分。现有的车牌定位方法通常是直接利用图像像素来进行定位，不仅定位时间长，而且定位效果很大程度上依赖于图像的质量。针对低对比度车牌很难定位等问题，本文从特征的提取和分类器的训练两方面入手，将Haar-like特征，AdaBoost算法引入到车牌定位技术中，并对该算法进行了改进。实验证明，本文所提出的算法不仅提高了车牌定位的准确率而且缩短了定位时间。Haar特征多用于模式识别领域，如人脸图像分析，而车牌图像与Haar特征的描述方式十分匹配，因此本文将Haar特征从人脸图像分析的领域引入到车牌图像的分析中，保留Haar特征的结构特性并重新定义了Haar特征的特征值，以此构造了一个Haar-like特征来适应车牌图像分析的需要。由于传统AdaBoost算法在构建分类器时存在过拟合现象，本文对该算法进行了改进，提出了基于Hoeffding不等式的过滤算法将训练样本分成可靠样本和暂时不可靠样本，采用改进算法对可靠样本和不可靠样本分别进行处理，并提出了动态权重更新规则，实现了对分类器的有效控制。实验表明，改进的算法不仅具有好的泛化性能，而且具有很好的鲁棒性。