4 微结构特征的提取
　　把字符分割成n×n的网络，对每个小网络统计出区域笔划的方向特征。每个小区域突出字符的局部特征，且对微小的偏移或变形不敏感。把相邻三点形成的两条线素定义为微结构。轮廓化后的字符，其中有十二种边界线素的情况和字符笔划相关(如图4所示)。

根据字符笔划的四个基本方向，可以相应定义水平、垂直、±45°四种线素方向。并可以统计出区域笔划方向密度向量。
　　把64×64的待识字符划分为5×5的网格，前4×4的网格大小为13×13，最后一行、一列网格除最后一个为12×12外，最后一行为12×13，最后一列为13×12，统计其笔划方向特征矢量，这样就在每个区域上得到一个水平、垂直、+45°、－45°的四维方向特征，组成了整个字符的100维分类特征。
　　所抽取特征的稳定性对识别的正确率至关重要，故在细分类中对字符进行8×8和7×7的二重分割。分别统计这64+49＝113个小区域的区域笔划方向向量(共有四个方向)，组成113×4＝452维的细分类特征。采用8×8的分割是为了在更小的区域内抽取更精细的结构特征。为了防止分割边缘的不稳定，进行了7×7的二重分割，使原来最不稳定的8×8网格边缘的笔划处于7×7网格的中央最稳定区域，提高了区域边缘笔划的稳定性。
5 匹配策略
　　为了提高识别的准确和速度，在匹配中采用多级分类的识别方案。
　　粗分类中，采用单纯的区域笔划方向特征，把字符分成5×5的网格(共25个小区域)分别统计线素的四个方向特性，构成100维(25×4)的特征向量。采用绝对值距离判别准则。设字典库中的任一特征向量为Pji＝(pj1,pj2,pj3,pj4,Λ,pj100)，待识字符的特征向量为h＝(h1,h2,h3,h4,Λ,h100)，字典中的任意一个模板与待识字符之间的距离为dj。

在dj中选取值最小的前10个字符作为初步匹配的结果，进入下一步进行细分类。
　　在细分类中，对候选字符通过二重分割提取452维的特征矢量作为细分类的特征。用与粗分类类似的判别准则进行第二次匹配。通过试验确定参数，用不同的权值系数与粗分类准则结合起来决定待识字符与不同标准模板的匹配程度，取前四个作为最终结果并将其输出到指定的文本文件之中。
6 标准字典库的建立
　　字库是在众多字库中择优选取的。其中汉字从宋体字库中选取，字母及数字从OCR－A字库中选取。对标准字符分别进行归一化、轮廓化和特征抽取，标准模板就是从中抽取特征得到的特征向量。
7 试验结果
　　车牌定位非常理想；字符分割无误；对汉字首字符的识别有时会出现误识(可见汉字的识别难度较大，匹配算法和模板库的建立方面是问题的关键所在)；对字母及数字的识别较好；在细分类优先级的前两级达到100%。