无牌车检测算法需要检测不同背景条件下，不同光照条件下的，不同姿态的各种车型的车辆。在停车场出入口，一辆车过来，只输出一次结果，这样要求将车与车分开，目前可以通过跟踪或者背景建模完成这一部分。算法要求的实时性高，主要用在出入口，在保证效果的基础上，时间的控制才能给用户好的体验。品壹车牌识别系统，运用车型识别和车辆检测算法，解决无牌车管理的情况。车牌识别相机抓拍一张图片，通过车型识别算法，当是真正的没有牌照的汽车时，相机会先将其划分为车的队列，进而区分是有牌汽车还是无牌汽车；当是一辆三轮车等真正的无牌车时，相机通过车型识别算法，直接将其划分为非车队列。通过无牌车检测中的车与非车的判断，做好更准确更精细化的停车管理。

应用场景：人脸与身份证匹配查验，确保人证合一除了采用真实身份证办理业务外，人工核对相片往往因为身份证相片相对早期、当事人带墨镜、化妆、发型等根本无法有效核实。如果查问过多会让持证人员感到厌烦，容易产生一些不必要的摩擦。故在查验身份证的基础上，通过摄像机无接触自动捕获人脸影像，并自动与身份证里存储的影像信息比对，或者与后台更多的真实身份人脸比对，并以多种方式提醒窗口业务人员比对结果，确保持证人是本人持真实身份证办理业务。应用场景：人脸证据保留，增强事后取证能力由于身份证信息中的照片相对陈旧，除了将摄像机捕获的当时人脸与身份证存储的相片比对外，系统不断积累办理业务时的人脸捕获数据，在人脸匹配查验过程中，不仅能跟身份证中存储的照片信息比对，还能对历史人脸信息比对，确保在身份证中的照片相对陈旧时，有更加接近当前时间的人脸数据，提高比对精确度。同时每次办理业务留下的人脸数据，可作为出现业务异常时追溯的重要证据。应用场景：支持未来刷脸办理业务随着人脸识别技术的不断成熟，对于公共服务部门来讲，对客户的贴身服务至关重要，系统要支持未来直接刷脸办理业务。即对于部分业务，要支持未来在 无需身份证信息的情况下，依然可以直接通过人脸识别身份信息，减少身份证 查验、复印存档等环节，提高客户办理业务的便捷性，提高窗口办理业务的效 率。

车牌识别收费系统是车牌识系统和称重两种系统相结合，实现工厂、矿业等运输辆进出称重的防作弊管理。在无人干预的情况下迅速、准确、安全、稳定、可靠地完成称重流称，实现计量过程中信息采集的全自动化管理。工厂内部车辆和外部车辆智能化管理，清析显示车辆称重情况，是进货还是出货，防止车辆出货时带走工厂货物或进厂时少货情况的产生，充分保障工厂的利益和国家的财产不会受到损失。车牌识别相机与称重计量软件结合，实现车辆的自动识别、避免出现物资种类的混装。通过开发相应软件模块将车牌识别相机接入称重系统，然后分别安装车辆在地磅、仓库等需要称重的位置，当车辆称重时车牌识别相机自动识别车牌号码，将对应的计量信息上传到称重计量软件中，从而有效掌控厂区内各车辆动态，并保证车辆在装卸物资时不会因进错仓库，造成混装情况。

1.重视稳定度:随着产品算法与业者的技术提升，整合早就不是重要的话题，现阶段最需要注意的重点反而是"稳定度"。稳定度的定义是:在一个既定的车速范围内，不会让必须达到的准确度，因外在环境影响而产生过大的误差。例如一个车牌系统在白天有90%以上的准确度，到了傍晚就降到80%，夜间又降到70%，这种不稳定的系统，比起全天候平均拥有70%准确度的车牌辨识系统更难于整合。因为使用者会认为，既然白天的辨识率有90%，那全天候的准确率都要达到90%才合理，这样的规格还不包括奇怪的环境干扰(暴雨袭击、冰雹、浓雾区段等)，与架设环境限制(高度限制、风大摇晃限制、不容易遭受人为破坏等)。2.确实实测:几乎每家都宣称拥有高辨识率，但为了避免事后因为双方对产品认知有差异，而将运作不良的责任互相推托，用户在采购车牌辨识系统时，不妨要求实地测试，而且测试时间好超过两个礼拜，比较能判断辨识结果是否"言过其实"。因为台湾是一个多变的环境，两个礼拜应该可以对于场域可能影响辨识率的情形，大约掌握了八成，如果只是测一天、甚至几个小时，是无法了解的。

人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。