車牌識別按照運行環(huán)境可以簡單分為PC端和頭端（嵌入式）。目前國內(nèi)車牌識別系統(tǒng)在PC端已有一些廠家使用深度學習方法，而頭端都還是采用傳統(tǒng)方法。隨著深度學習專用芯片的研發(fā)，明年應該就會有深度學習方法應用在頭端的產(chǎn)品發(fā)布。由于國內(nèi)外車牌規(guī)則較多，傳統(tǒng)方法局限性比較大，很難通用。

對于特殊場景，比如低照度、變換、低質(zhì)模糊等，車牌識別率仍然有待提升。而無論是傳統(tǒng)方法還是深度學習方法，有些共同的模塊技術(shù)仍有提高的空間和研究的價值，比如運動區(qū)域檢測，車牌定位，變換校正，多幀融合輸出等。而對于傳統(tǒng)方法，字符分割和字符識別仍有可提高空間。

 車輛檢測可以采用埋地線圈檢測、紅外檢測、雷達檢測技術(shù)、視頻檢測等多種方式。采用視頻檢測可以避免破壞路面、不必附加外部檢測設備、不需矯正觸發(fā)位置、節(jié)省開支，而且更適合移動式、便攜式應用的要求。系統(tǒng)進行視頻車輛檢測，需要具備很高的處理速度并采用的算法，在基本不丟幀的情況下實現(xiàn)圖像采集、處理。若處理速度慢，則導致丟幀，使系統(tǒng)無法檢測到行駛速度較快的車輛，同時也難以保證在有利于識別的位置開始識別處理，影響系統(tǒng)識別率。因此，將視頻車輛檢測與牌照自動識別相結(jié)合具備一定的技術(shù)難度。

車牌識別技術(shù)流程剖解：車牌識別系統(tǒng)采用高度模塊化的設計，將車牌識別過程的各個環(huán)節(jié)各自作為一個獨立的模塊。一、車輛檢測跟蹤模塊，車輛檢測跟蹤模塊主要對視頻流進行分析，判斷其中車輛的位置，對圖像中的車輛進行跟蹤，并在車輛位置時刻，記錄該車輛的特寫圖片，由于加入了跟蹤模塊，系統(tǒng)能夠很好地克服各種外界的干擾，使得到更加合理的識別結(jié)果，可以檢測無牌車輛并輸出結(jié)果。二、車牌定位模塊，車牌定位模塊是一個十分重要的環(huán)節(jié)，是后續(xù)環(huán)節(jié)的基礎(chǔ)，其準確性對整體系統(tǒng)性能的影響巨大。車牌系統(tǒng)完全摒棄了以往的算法思路，實現(xiàn)了一種完全基于學習的多種特征融合的車牌定位新算法，適用于各種復雜的背景環(huán)境和不同的攝像角度。三、車牌矯正及精定位模塊，由于受拍攝條件的限制，圖像中的車牌總不可避免存在一定的傾斜，需要一個矯正和精定位環(huán)節(jié)來進一步提高車牌圖像的質(zhì)量，為切分和識別模塊做準備。使用精心設計的快速圖像處理濾波器，不僅計算快速，而且利用的是車牌的整體信息，避免了局部噪聲帶來的影響。使用該算法的另一個優(yōu)點就是通過對多個中間結(jié)果的分析還可以對車牌進行精定位，進一步減少非車牌區(qū)域的影響。四、車牌切分模塊，車牌系統(tǒng)的車牌切分模塊利用了車牌文字的灰度、顏色、邊緣分布等各種特征，能較好地抑制車牌周圍其他噪聲的影響，并能容忍一定傾斜角度的車牌。這一算法有利于類似移動式稽查這種車牌圖像噪聲較大的應用。