从文章内容可以看出，计算机视觉虽然具有识别车牌的技术，但在实际应用中仍存在一些挑战。目前的方案设计主要围绕着如何标识待扣费车牌、记录车牌信息以及对车牌信息进行扣费展开讨论。针对这些问题，可以采用诸如视觉系统识别后人工录入扣费等方案，但也存在着技术负担、可靠性问题等挑战。此外，还需要克服汽车移动、恶劣天气对视觉系统的影响，以及安全性等问题。在技术实现方面，需要建立机器学习模型、利用深度学习模型等手段来提高车牌识别准确性。因此，计算机视觉自动识别车牌并扣费仍需持续研究和改进。
业余看到回答一下，别欺负我←_←
首先定位问题：通过车牌信息针对车牌实现扣费
一般来说，在应用领域的方案设计上，根据奥卡姆剃刀原则，如果已有一套完整可用的方案，除非有更好的方案出现，否则不会进行应用。
那么我们需要解决的问题关键在于：
1.如何标识到待扣费的车牌，记录车牌信息
2.对每个车牌信息对应的个人车牌进行扣费
我并不算了解etc以及业界主流方案，但我们不难判断，如果你想采用计算机视觉的方案，实际上只是通过一种可靠性不算很强的手段实现了第一步。
那么如果我个人更直接地思考这个问题，我会建立电子信息账户或者个人身份账户，需要扣费的时候读取该账户内容并通过信息系统完成对应扣费。
那么下面说说计算机视觉在第一步上的可行性：
当然最终的目的是对车牌进行扣费，假设我们暂时忽略技术的可靠性问题，我们的方案怎么设计？可行性如何呢？
1，视觉系统识别后将图片信息发送工作站人员，并让其实施人工录入信息到系统中扣费(注意视觉系统的目的在于捕捉车牌，当识别到经过车牌进行采样)。
2，视觉系统识别后利用nlp技术提取车牌信息，通过网络上传到信息系统定位到账户进行扣费。
对于上述两种以cv为核心的方案，我们分析优劣：
方案一中采用视觉＋人工录入到电子信息系统的方式，无疑会增加人工负担，但人工录入能相当程度提高扣费的稳定性，计算机视觉技术在这个过程中只是充当了有车经过，检测到车牌区域进行采样。
方案二中采用全技术手段，减少人工负担，但增加了技术负担以及可靠性问题，显然越复杂的技术带来的技术风险就越高(谁都不想被乱扣费)
好的那么我们分析一下技术实现，列举我想到的，但不讨论实现后的效果，有兴趣的可以调研甚至实验：
cv：
1，通过建立机器学习模型，提取车牌特征，匹配摄像机拍摄图片中的车牌pattern(类似用哈尔特征识别人脸)。
2，通过热门的dl模型(cnns)，用大量车牌图片数据进行训练，有车牌的时候标识区域，进行框选裁剪，将车牌图片输出。
nlp：
(好吧我不太懂)，但核心思路是通过建立统计学模型，对于上述输出的图片提取文字。当然也可以用处理minist数据集的类似方法，建立多分类模型，根据车牌上文字输出对应分类判断26个字母以及10个阿拉伯数字。
从技术角度考虑，视觉技术意味着高度的复杂度。与此同时，我们需要面对如下技术与非技术难点：
1，如何利用算法建模，或者对模型的训练，以及将模型结合在系统中。
2，怎样克服汽车移动问题，需要让其减速还是停车(对车主的协调问题)，或者通过技术手段解决运动中产生的图像失真。
3，雷雨天气，不良气候(如雾霾)对cv的影响。
4，人性本身的问题。如果想逃避收费，是否可以遮挡视觉检测，蒙住车牌就再也畅通无阻。
5，安全性。数据库是否会被攻击，是否能利用视觉检测漏洞，用假车牌图片迫使*系统对x车牌进行扣费。
结论：etc
以上内容由58汽车提供。如有任何买车、用车、养车、玩车相关问题，欢迎在下方表单填写您的信息，我们将第一时间与您联系，为您提供快捷、实用、全面的解决方案。
原创文章，作者：58汽车，如若转载，请注明出处：https://car.58.com/7043370/
