一个车牌识别系统是否实用，最重要的指标是识别率。国际交通技术作过专门的识别率指标论述，要求是24小时全天候全牌正确识别率85%~95%。为了测试一个车牌识别系统识别率，需要将该系统安装在一个实际应用环境中，全天候运行24小时以上，采集至少1000辆自然车流通行时的车牌照进行识别，并且需要将车辆牌照图像和识别结果存储下来，以便调取查看。然后，还需要得到实际通过的车辆图像以及正确的人工识别结果。之后便可以统计出以下识别率:1、自然交通流量的识别率=全牌正确识别总数/实际通过的车辆总数.2、可识别车牌照的百分率=人工正确读取的车牌照总数/实际通过的车辆总数3、可识别全牌正确识别率=全牌正确识别的车牌照总数/人工读取的车牌照总数这三个指标决定了车牌识别系统的识别率，诸如可信度、误识率等都是车牌识别过程中的中间结果。

管线敷设相对比较简单，在管线敷设之前，对照停车场系统原理图及管线图理清各信号属性、信号流程及各设备供电情况；信号线和电源要分别穿管，对电源线而言，不同电压等级、不同电流等级的线也不可穿同一条管。地感线圈的埋设：地感线圈的埋设一般跟管线敷设同时进行，具体方法参阅相关图纸。停车场系统所有线材型号：（1）.通讯线（管理电脑至出入口机）：RVVP4*0.5mm2，（2）.控制线（出入口机至道闸）：RVVP4*0.5mm2，（3）.视频线（出入口摄橡机至管理电脑）：CAT5网线，（4）.地感线：耐高温抗腐蚀单股多芯1.5mm2导线绕制6圈，埋放深度3cm—5cm;（5）.电源线：（供电至读卡机、道闸、摄像机）RVV3*1.5 mm2；7.3设备安装、接线。

人脸识别设备是一项热门的计算机技术研究领域，它属于生物特征识别技术。是对生物体（一般特指人）本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等。相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别。只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

1、实现了和单机版本软件：一键安装。客户只需要下一步下一步，即可在三分钟内完成软件安装；2、实现了动态人脸识别仪和门禁控制器一套软件来管理；（门禁软件录入人员资料后在下发到控制器的同时，只需要把人员登记照片和工号同步下发到人脸识别仪上即可；目前识别仪容量3000-10000；识别仪和门禁控制器韦根通讯，同时和软件网络通讯用于下发人员照片到识别仪上）；3、应用场景：办公、小区、尤其是工地，实现快速人脸识别通过、语音播报、接LED、电视机大屏显示统计数据、软件最小化等等；4、WEB版本门禁软件免费；门禁控制器还是常规通道闸门禁控制器；人脸识别一体化终端使用世界领先的人脸检测、识别算法，将其运行在高性能嵌入式平台中，配合200W像素宽动态摄像头，终端实现人脸检测、人脸跟踪、与人脸识别，并可在屏幕上呈现相应的反馈。本产品能够同时识别5个人，最远能识别3米远的人脸，人脸跟踪与检测耗时20ms左右，人脸特征提取耗时300ms左右，人脸比对耗时0.1ms左右，对光线、戴眼镜等具有较好的比对性。本产品可选配刷卡模块，同时实现刷卡与刷脸。本产品支持多种硬件功能接口（包含：HDMI高清输出，串口输入/出，网口，wifi接入）；具有完善的软件接口（包含：设备管理、人员/照片管理、记录查看等）。同时本产品可以对接公司开发出的多种应用，比如：考勤、门禁、访客、实名认证。适用于办公区域、闸机通道、酒店、写字楼、学校等需要用到人脸识别闸机的场所。

静态人脸识别是指被识别的人，处于静止状态或配合状态下，采集其人脸图像，进行人脸识别。动态人脸识别是指被识别的人，处于移动状态或步行等非配合情况下，采集其人脸图像，车牌识别一体机车牌识别系统价格进行人脸识别。静态银川车牌识别一体机车牌识别系统人脸识别设备由于需要当事人配合、且采集人脸交互需要1－2秒时间，采集的人脸图像质量高，一般应用于当事人对时间不敏感或对采集人脸并不十分反感的场景。例如：金融开户、人脸门禁、身份识别、网吧身份证核查、访客登记、实名制验证等场合。动态人脸识别不需要当事人的配合，因此，一般应用于对当事人行为无干扰或当事人不感知的场景，例如：车站、机场、码头的案犯抓逃，VIP识别，重点人脸管控等。

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。