车牌识别（LPR）

车牌识别会在车辆目标上继续运行车牌检测和 OCR，把识别到的字符保存为车牌字段；已命名车牌还可以作为 sub_label 显示和筛选。对于高速车辆，清晰度、快门和目标尺寸比单纯提高 AI 阈值更重要。

系统要求与前置条件

基础车辆检测必须稳定。
至少需要足够内存与支持现代指令集的 CPU；如果使用 GPU 加速增强，确保设备已正确透传。
首次使用相关 OCR/检测模型时可能需要联网获取模型缓存。

启用示例

lpr:
  enabled: true
cameras:
  driveway:
    lpr:
      enabled: true

模型关系

如果自定义/增强模型本身包含 license_plate 类别，可把它加入要跟踪的对象列表；如果使用系统内置的独立车牌检测流程，则通常不应重复把 license_plate 当成普通 COCO 目标。具体以当前 Securex 核心版本的模型说明为准。

拍摄建议

让车牌在画面中有足够像素宽度。
夜间避免红外或车灯把车牌打成纯白。
对行驶车辆优先提高快门速度，减少运动模糊。
固定 LPR 专用机位时，取景应让车辆/车牌经过固定区域。

结果与检索

识别结果可在 Review/History/Explore 详情中查看，并可通过筛选器查找。若配置 MQTT，相关车牌字段也可作为自动化数据来源。

常见问题

能检测车辆但读不到车牌：先看原图人眼能否清楚读出。
车牌框很小：提高有效分辨率或调整机位。
夜间明显变差：处理补光、快门、增益和反光，而不是只改模型参数。

License Plate Recognition (LPR)

LPR runs plate detection/OCR on tracked vehicles and stores recognized text. Known plates can also become sub-labels. For moving vehicles, optics, shutter speed, and plate pixel size matter more than simply raising AI thresholds.

Prerequisites

Stable vehicle detection.
Sufficient memory/CPU capability and correct GPU access if acceleration is used.
A one-time model download may be required before offline operation.

Enablement example

lpr:
  enabled: true
cameras:
  driveway:
    lpr:
      enabled: true

Model relationship

If a custom model natively detects license_plate, track that class as documented for that model. When using the built-in separate plate detector, do not duplicate the class unless the current core/model instructions call for it.

Camera setup

Make the plate large enough in the image.
Avoid IR/headlight clipping.
Use a faster shutter for moving vehicles.
A dedicated LPR angle should keep plate travel predictable.

Results

Recognized text is available in Review/History/Explore and can feed filters or MQTT automations when enabled.

Troubleshooting

Vehicle detected but no readable plate: verify a human can read the source frame.
Plate too small: increase effective pixels or adjust the camera.
Night-only failures: tune lighting, shutter, gain, and reflections first.

Reconocimiento de matrículas (LPR)

LPR ejecuta detección/OCR sobre vehículos seguidos y guarda el texto reconocido. Las matrículas conocidas pueden usarse como sub-label.

Requisitos

Detección de vehículos estable.
Memoria/CPU suficientes y GPU accesible si se usa.
Puede requerirse una descarga inicial de modelos.

Ejemplo

lpr:
  enabled: true
cameras:
  driveway:
    lpr:
      enabled: true

Relación con el modelo

Si un modelo personalizado detecta license_plate de forma nativa, siga su configuración. Con el detector interno separado no duplique la clase salvo que la versión actual lo requiera.

Captura

La matrícula debe ocupar suficientes píxeles.
Evite saturación por IR/faros.
Use obturación rápida para vehículos en movimiento.
En una cámara LPR dedicada, mantenga un ángulo predecible.

Resultados

El texto aparece en Review/History/Explore y puede alimentar filtros/MQTT.

Problemas

Vehículo sí, matrícula no: compruebe si un humano puede leerla.
Muy pequeña: aumente resolución útil o ajuste la cámara.
Falla de noche: ajuste iluminación, obturación y reflejos.