天眼车牌识别
天眼车牌识别整个系统均采用深度卷积神经网络，准确率高，鲁棒性强！
车牌检测
车牌检测也称车牌定位，顾名思义就是在图像中找到车牌的位置，传统算法有基于颜色或垂直水平投影的车牌定位，机器学习有基于HOG+SVM的车牌定位，深度学习有基于YOLO-TINY或MTCNN的车牌定位。各种算法的优缺点均比较明显，例如传统算法定位鲁棒性差但检测速度快，深度学习定位速度慢但是准确率高。鱼与熊掌不可兼得也！天眼车牌识别的定位算法是基于深度学习的车牌定位，利用分类回归精确定位车牌位置。
车牌矫正
继车牌定位后的算法为车牌矫正，矫正的目的是为了车牌识别服务的，倾斜的角度很难识别精准。矫正算法也是很多的，例如传统算法有基于直线检测的矫正，深度学习有基于特征点的矫正。天眼车牌识别的矫正算法为基于深度学习的特征点纠正，即检测车牌的四个定点位置，再利用仿射变换进行车牌矫正，类似于人脸矫正。
车牌分割
车牌分割也是车牌识别中至关重要的一步，如何准确分割出里面的字符直接影响后面的车牌识别。传统算法如基于垂直水平投影的字符分割，但是算法受光线影响较大。深度学习如基于特征点的字符分割，即采用划分字符的方式分割字符。但是车牌分割并不是车牌识别中必要的一步，因为端到端的神经网络也能解决车牌识别的问题，但是如果出现双车牌或者其他类车牌就会出现各种问题。天眼车牌识别的分割算法利用深度学习分割特性，采用像素级分割！
车牌识别
终于来到了关键的一步，车牌识别，也可称为字符分类，即利用上步骤的车牌分割得到有效字符，利用机器学习或者深度学习进行字符分类。机器学习的三大特征（HOG、Haar、LBP）被频繁用到，但是分类效果一般，反观深度神经网络却有效解决了分类不准确性的问题。天眼车牌识别的分类算法也是利用深度神经网络进行的字符分类，采集了大量数据集做训练！
适用场景、软硬件条件、测试结果、注意事项
| 适用场景类型 | 适用车牌类型 | 软硬件支持 | 准确率 | 注意事项 |
|---|---|---|---|---|
| 电警、卡口、出入口等 | 普通蓝牌、大车黄牌（包括双牌）、黑牌、新能源等 | 支持CPU和GPU | 95%以上 | 角度不宜过大 |
测试代码
https://github.com/SkyEyeSystem/Plate_Recognition
测试步骤
1、Download repository
2、Download third_part below github
3、Open windows terminal through “cmd”
4、Parameter setting like: plate_recognition.exe test_imgs/test.jpg
5、Show results and Save demo.jpg
联系作者
QQ（Only）： 1904456279