車牌識別系統采用高度模塊化的設計，將車牌識別過程的各個環節各自作為一個獨立的模塊。車牌跟蹤模塊車牌跟蹤模塊記錄下車輛行駛過程中每一幀中該車車牌的位置以及外觀、識別結果、可信度等各種歷史信息。由于車牌跟蹤模塊采用了具有一定容錯能力的運動模型和更新模型，使得那些被短時間遮擋或瞬間模糊的車牌仍能被正確地跟蹤和預測，終只輸出一個識別結果。

車牌識別系統的關鍵技術及算法。車牌定位車牌定位是車牌識別的關鍵步驟，為了能在復雜背景和不均勻光照條件下快速準確定位車牌位置，基于改進IsotropicSobel邊緣檢測算子的車牌定位算法，由此來解決其存在的問題，該算法通過改進IsotropicSobel邊緣檢測算子，實現了車牌圖像在水平、垂直以及對角線方向上的紋理特征提取，然后采用Otsu算法閾值化，再對閾值化后的二值圖像做數學形態學1運算得到車牌的候選區域，后利用車牌特征去除偽車牌。

為了進行車牌識別，需要以下幾個基本的步驟：1)牌照定位，定位圖片中的牌照位置；2)牌照字符分割，把牌照中的字符分割出來；3)牌照字符識別，把分割好的字符進行識別，終組成牌照號碼。實際應用中，車牌識別系統的識別率還與牌照質量和拍攝質量密切相關。牌照質量會受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假2牌照等等；實際拍攝過程也會受到環境亮度、拍攝方式、車輛速度等等因素的影響。這些影響因素不同程度上降低了車牌識別的識別率，也正是車牌識別系統的困難和挑戰所在。為了提高識別率，除了不斷地完善識別算法還應該想辦法克服各種光照條件，使采集到的圖像利于識別。

如何解決場景中諸多個性的功能點，是當前車牌識別技術需要突破的桎梏。場景車牌識別相機無疑為車牌識別技術打開了新的窗口，重構車牌識別技術的落地應用新生態。在上億張學習樣本數據持續積累、深度學習算法不斷進化的基礎上，同時結合單個場景大量樣本圖片，針對性算法訓練，完1美解決特定場景識別難點。借助于扎實的領域積累，針對場景環境復雜、客戶需求多樣等問題，深睛對每個場景都進行了落地場景的設計，為復雜場景賦予個性化功能設計，達成場景獨有的特定功能，直擊場景痛點，成功解決場景個性化需求難題。相信隨著未來非交通領域的應用會帶來新一輪的高速增長，車牌識別技術落地場景將會不斷細分，個性化、定制化產品將會越來越多。