每个国家的车牌都有自己的历史和特点。例如不同国家车牌的大小、字符组成等就不一样。我国车牌的样式与含义自然不用过多介绍了。小型客车都采用两段式布局，前半部分是所在省市的简称汉字与字母的组合，后半部分则是由5位数字与字母的随机组合（部分地区支持个性化号牌，可以按照的规律来自定义后5位数字及字母）。此外，小型客车的车牌都采用的蓝底白字的色彩搭配，在管理上是整齐划一步调一致。
说完国内，咱们再来说说国外车牌。经常看国外大片的朋友应该晓得，外国车牌的样式可谓五花八门，在宽度、颜色、大小、字符的组合上将各自的特点展现得。例如日本车牌就含有平假名，德国车牌含有欧盟标志、注册地区等......正是因为这系列问题，使得国外车牌在识别过程中需要更高的车牌识别技术。
我们自主研发了基于深度学习的车牌识别技术，具有识别速度快、准确率高等特点。特别是针对视频无牌车检测、非机动车和行人过滤、特殊车牌识别、大角度车牌识别、新能源车牌识别等应用场景，均有非常的表现，得到了国内外合作伙伴及客户的信赖。同样，国外其他的车牌识别也不在话下。
车牌识别工作原理
1、车牌定位与字符分割；
【车牌定位】从输入或者采集的原始图像中确定出车牌区域。
【字符分割】将确定的车牌区域分割成独立的字符块。
由于每个地区或国家车牌的长宽度、颜色、字符组成都不一样，因此针对不同的地区或者国家，采用不同的车牌定位与字符分割算法。
2、字符识别
字符识别是对分割的字符块进行识别，输出识别的字符。卷积神经网络处理二维图像具有的优越性，通过局部感受野和权值共享将特征提前去融入到网络结构中。
在卷积神经网络中，局部感知区域被当作层次结构中的底层的输入数据，信息通过前向传播经过网络中的各个层，在每一层中都由过滤器构成，以便能够获得观测数据的一些显著特征。因为局部感知区域能够获得一些基础的特征，比如图像中的边界和角落等，因此卷积神经网络对位移、拉伸和旋转具有鲁棒性。卷积神经网络中层次之间的紧密联系和空间信息使得其特别适用于图像的处理和理解，并且能够自动的从图像中抽取出丰富的相关特性。下图给出了卷积神经网络识别输入图像的过程图。
与一般神经网络相比，卷积神经网络在图像处理方面具有如下优点：
（1）输入图像和网络的拓扑结构能很好的吻合；
（2）特征提取和模式分类同时进行；
（3）权值共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。
