可见光人脸识别设备：在可见光环境下（太阳光、日光灯等照明光源），采集的人脸图像，进行人脸识别，适合在光线好的条件下应用。主动近红外人脸识别：在主动红外光源环境下（太阳光、日光灯等照明光源），采集的人脸图像，进行人脸识别。采用主动红外光源是为减弱环境光对人脸成像造成不利的影响（逆光、侧光、强光、弱光），红外主动光源位于不可见波段，不会伤害人的眼睛，而中／远红外波段成像会损失物体表面大多数信息，所以近红外是好的选择。由于近红外无法在中、远距离采集人脸图像，并且要求底库的人脸图像也是近红外模式下采集的照片，因此其存在比较大的应用局限性，目前主要用于人脸考勤、门禁。在现阶段的实际应用中，可见光的人脸识别的应用更加广泛。

根据设计方案、现场情况确定设备摆放位置；（1）．确定道闸及读卡设备摆放位置，确定道闸及读卡设备摆放位置时首先要确保车道的宽度，以便车辆出入顺畅，车道宽度一般不小于3米，4.5米左右为最佳；读卡设备距道闸距离一般为2.5米，最近不小于2米，主要是防止读卡时车头可能触到栏杆；.对于地下停车场，读卡设备应尽量摆放在比较水平的地面，否则车辆在上下坡时停车读卡会比较麻烦；对于地下停车场，道闸上方若有阻挡物则需选用折杆式道闸，阻挡物高度-1.2米即为折杆点位置；道闸及读卡设备的摆放位置直接关系到用户使用是否方便的问题，一但位置确定管线到位后，再要更改位置则会给施工带来很大的麻烦，因此对于在这方面工程经验不是很多的工程人员来说，先将道闸及读卡设备安装到位，然后模拟使用者，会同甲方人员一起看定位是否合适，最后再敷设管线。（2）．确定自动出卡机安装位置，在有临时车辆出入的停车场，若选择了远距离读卡设备，同时又选择了自动出卡机，则自动出卡设备为一独立体，安装在读卡设备正前方距读卡设备约0.3米；若选择了普通读卡设备，同时又选择了自动出卡机，则自动出卡机同读卡机安装在同一设备内，现场施工不必考虑这一步骤；确定摄像机安装位置（若没有选择图像对比功能，则不需考虑此项），进出口摄像机的视角范围主要针对出入车辆在读卡时的车牌位置，一般选择自动光圈镜头，安装高度一般为2-2.5米；（3）．确定岗厅的位置，对于没有临时车辆的停车场岗厅的位置视场地而定，或者根本就不设岗厅；

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，工地管理系统价格把分割好的字符进行识别，最终组成牌照号码。车牌识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与车牌识别互相配合、互相验证。1) 牌照定位:自然环境下，贵阳工地管理系统汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，最后选定一个较好的区域作为牌照区域，并将其从图像中分离出来。2) 牌照字符分割:完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。3) 牌照字符:识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，选择好的匹配作为结果。基于人工神经网络的算法有两种:一种是先对字符进行特征提取，然后用所获得特征来训练神经网络分配器;另一种方法是直接把图像输入网络，由网络自动实现特征提取直至识别出结果。

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)人脸检测：面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法：①参考模板法:首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；②人脸规则法：由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸；③样品学习法：这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；④肤色模型法：这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。⑤特征子脸法：这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。值得提出的是，上述5种方法在实际检测系统中也可综合采用。(2)人脸跟踪:面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单而有效的手段。(3)人脸比对：面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜索。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。所以，面像的描述决定了面像识别的具体方法与性能。目前主要采用特征向量与面纹模板两种描述方法：