2015年1月，廣州南澤電子科技有限公司發布了基于大數據下深度學習的車牌識別系統技術。
車牌識別系統是智能交通的重要分支，它需要人工智能、圖像處理、計算機視覺、模式識別等相關技術的綜合應用。目前國內的車牌識別技術已經日益成熟，隨著智能交通技術應用的不斷加深，業界迫切希望提取更多元的車輛信息，除車牌號碼外，還需要車輛的廠牌、型號以及顏色等信息特征。這些特征在停車場無人管理、交通事故處理、交通肇事逃逸、違章車輛自動記錄等領域具有廣泛而迫切的應用需求。
車牌識別技術分為多個環節，一般是通過對攝像機采集的數字圖像進行去噪、增強、車標定位、特征提取、識別等分析完成。為了得到較高的識別率，要求每一個處理步驟要有很高的準確率，而實際背景復雜，四季、晝夜、晴雨等不同情況的光照以及車輛運動速度的快慢等直接影響車輛圖像的成像環節，造成車輛圖像顏色失真、車身及車標區域灰度不均勻、邊緣模糊、粘連等問題，增加了處理難度；反光、逆光、夜晚光照不足、樹蔭、車身顏色顯著區域分布位置不同等情況又增加車身顏色識別難度；再加上車輛類別繁多以及車身本身的污損、遮擋、模糊，也為進一步提高識別率帶來諸多困難。
廣州南澤電子自05年起，在行業里深耕多年，掌握了大量的實際數據與豐富的算法經驗，針對諸多問題，公司綜合采用了國際先進的人工智能、計算機視覺、圖像處理、模式識別、大數據訓練、深度學習等等技術來，通過從視頻流中檢測車輛、車頭區域的定位、變形和傾斜校正、去除運動和成像造成的模糊、車輛特征的定位和識別、海量特征的選取和決策等多個環節來實現。
1.百萬級大數據訓練，特征提取更豐富
在系統的設計和實現過程中，公司采用了當今國際上先進的計算機視頻技術，并通過超百萬的大數據學習樣本進行訓練，大量實地數據的系統調整和測試，還采集了描述車頭、車燈、散熱格柵等各個部分的外形輪廓、相對位置、顏色、紋理等多種特征，組成了海量的輔助分類信息，與車牌識別的結果一起最終通過可在線學習的特征決策模塊，得到綜合可信度評價，從而得到最終的識別結果。
2.深度學習算法，提高數據精準性
浩瀚如海的大數據，結構復雜，種類繁多，單純依靠人力定義的過程無法處理這海量數據。于是我們采用基于模仿人類神經網絡的人工智能算法，讓機器從海量數據當中自我學。深度學習的實質，就是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。我們通過利用大數據來深度學習各類信息、特征，更能夠刻畫數據的豐富內在信息。從而得出更多元更精準的廠牌型號及其他信息。
3.并行計算，使算法不斷優化
系統還通過利用廣州南澤電子強大的并行計算能力，極大的加快了計算速度和數據處理速度，使算法不斷優化。常規情況下，識別率在99%以上。在大數據深度學習背景下，未來將不斷完善，并將推動為智能交通向更加精準、高效發展，使我們的生活更加智能、高效、便捷。
