车牌识别系统采用高度模块化的设计，将车牌识别过程的各个环节各自作为一个独立的模块。车牌跟踪模块车牌跟踪模块记录下车辆行驶过程中每一帧中该车车牌的位置以及外观、识别结果、可信度等各种历史信息。由于车牌跟踪模块采用了具有一定容错能力的运动模型和更新模型，使得那些被短时间遮挡或瞬间模糊的车牌仍能被正确地跟踪和预测，终只输出一个识别结果。
车牌识别系统的关键技术及算法。车牌定位车牌定位是车牌识别的关键步骤，为了能在复杂背景和不均匀光照条件下快速准确定位车牌位置，基于改进IsotropicSobel边缘检测算子的车牌定位算法，由此来解决其存在的问题，该算法通过改进IsotropicSobel边缘检测算子，实现了车牌图像在水平、垂直以及对角线方向上的纹理特征提取，然后采用Otsu算法阈值化，再对阈值化后的二值图像做数学形态学1运算得到车牌的候选区域，后利用车牌特征去除伪车牌。
为了进行车牌识别，需要以下几个基本的步骤：1)牌照定位，定位图片中的牌照位置；2)牌照字符分割，把牌照中的字符分割出来；3)牌照字符识别，把分割好的字符进行识别，终组成牌照号码。实际应用中，车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假2牌照等等；实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率，也正是车牌识别系统的困难和挑战所在。为了提高识别率，除了不断地完善识别算法还应该想办法克服各种光照条件，使采集到的图像利于识别。
如何解决场景中诸多个性的功能点，是当前车牌识别技术需要突破的桎梏。场景车牌识别相机无疑为车牌识别技术打开了新的窗口，重构车牌识别技术的落地应用新生态。在上亿张学习样本数据持续积累、深度学习算法不断进化的基础上，同时结合单个场景大量样本图片，针对性算法训练，完1美解决特定场景识别难点。借助于扎实的领域积累，针对场景环境复杂、客户需求多样等问题，深睛对每个场景都进行了落地场景的设计，为复杂场景赋予个性化功能设计，达成场景独有的特定功能，直击场景痛点，成功解决场景个性化需求难题。相信随着未来非交通领域的应用会带来新一轮的高速增长，车牌识别技术落地场景将会不断细分，个性化、定制化产品将会越来越多。
