二手车行的柜台前，销售一手举着客户的行驶证，一手在键盘上戳。

戳到“车辆识别代号”那一栏就卡住了——17 位字母和数字挤成一串，念都念不顺，更别说敲。好不容易敲完，回头核对，第 7 位的“8”打成了“B”。

这类返工每天都在发生。行驶证巴掌大一张，正页副页加起来几十个字段：号牌号码、车辆类型、所有人、住址、使用性质、品牌型号、车辆识别代号、发动机号码、注册日期、发证日期；副页还有档案编号、核定载人数、总质量、整备质量、外廓尺寸、检验记录……

人工抄一遍，准确率很大程度上取决于抄的人当天睡没睡好。

所以“拍张照自动填表”这件事，听着简单，做起来一点都不简单。中科逸视的就是这样一套东西——行驶证识别系统：把一张手机随手拍的行驶证，变成能直接进数据库的字段。

下面拆开讲讲，它到底在忙什么。

先搞清楚：为什么“拍照识字”这么难

很多人对 OCR 的印象还停留在扫描仪时代：纸放平、光打匀、字印得规规矩矩，机器一扫就出字。

现实里的照片不长这样。三个麻烦绕不过去：

• 歪。 手持拍摄，十张里有八张是斜的，仰拍俯拍还会把矩形拍成梯形。
• 亮。 行驶证外面那层塑封膜，遇上顶灯就是一片白花花的光斑，正好压在字上。
• 像。 VIN 码里“0”和“O”、“1”和“I”、“8”和“B”、“5”和“S”，在低分辨率下几乎是同一个形状。

再叠加折痕、污渍、红章压字，以及一张堆满杂物的办公桌当背景。

一句话：不是机器不认字，是照片太不体面。

技术原理：一条五段的流水线

整套流程可以理解成一条流水线，每一段都在替下一段“擦屁股”。

第一段：先把图治好

系统拿到照片，不急着认字，先修图。

• 找边、掰正。 算法先定位行驶证的四个角点，再算出一个透视变换矩阵，把梯形、平行四边形统统拉回标准矩形。数学上讲，就是把任意四边形的四个顶点映射到目标矩形的四个顶点，解出 8 个参数，再逐像素重采样。通俗点说：证件被拍歪 45 度，也能给你摆正。
• 压掉反光。 塑封膜的光斑属于高频干扰，用自适应滤波、频域处理一类手段压下去，让被盖住的笔画重新露出来。
• 调亮度。 暗光、逆光、过曝，靠直方图均衡化一类方法把灰蒙蒙的一块拉开层次。
• 补细节。 糊成一片的图，用超分辨率、生成式模型去“重建”笔画边缘。注意是重建——根据上下文推断这里应该是什么形状，不是凭空变出字来。

这一步做完，一张“手机随手拍”才勉强够格当“扫描件”用。相当于给证件做了一次正骨加医美。

第二段：找到每一块信息在哪

行驶证是固定版式，但字段排得密，正页副页还不一样。

老办法是模板匹配：预先存一张标准版式的图，拿它去照片上“对位置”。问题是一旦证件偏一点、折一下、版本换一代，模板就废了。

现在用的是深度学习目标检测。模型不整张图乱扫，而是像人眼一样，先把“号牌号码”“所有人”“车辆识别代号”“发动机号码”“注册日期”这些字段一块块框出来，输出每个框的坐标。同时判断这是正页还是副页——这一步很关键，正副页都有“号牌号码”，搞混了后面全乱。

难点在红章。签发机关的印章经常压在文字上，模型得把文字区域和印章笔画分开，不然识别出来就是一团墨。

第三段：认字，重点在“长得像”

框出来了，接下来才是传统意义上的 OCR。但现在的做法，和“一个字一个字切开来认”已经不一样了。

主流方案是 CRNN 加 CTC：卷积层负责看笔画的形状、粗细、纹理；循环层负责看这一串字符的前后关系；CTC 负责解决“图片宽度和字符数量对不上”的对齐问题。

前后关系为什么重要？因为单个“0”和“O”确实难分，但把它放回“BJ7204”这种上下文里，机器就有了语感。就像你看到“京CAA966”，不会怀疑那个 0 是字母 O。

针对行驶证，还有几处专项优化：

• 17 位 VIN 码、长串发动机号是字母数字混合的连续编码，用专门的样本集反复训练过；
• 国标规定 VIN 不使用字母 I、O、Q，本来就是为了避开和 1、0 混淆——机器知道这条规则，识别时就能反向排除；
• 不同版本行驶证的印刷字体差异，也会被拿来当特征。

说白了，AI 不是天生会认字，是被几百万张歪的、糊的、反光的照片一点点喂出来的。

第四段：读懂这行字该填哪个格子

认出来的是一堆散落的文本，机器还不知道“这段是车主住址”还是“这段是发证机关”。

这一步交给自然语言处理：实体抽取、字段映射，把零散文字归到预设字段上。住址经常很长、跨行、中间夹着省市区，需要按语义拼回去；检验记录是一串日期，要拆成一条条记录。

做完这步，输出的就不再是“一段文字”，而是“一组字段”。

第五段：自己给自己挑错

这是最容易被忽略、但决定能不能真用的一步。

系统内置一套业务规则，对结果做合理性检查：

• VIN 是不是 17 位，字符有没有落在禁用集合里；
• 日期格式对不对，注册日期会不会晚于发证日期；
• 号牌号码的位数、字母位置符不符合规则；
• 每个字段给出一个置信度分数，分数低的自动标出来，交给人工复核。

到这儿，最终产物是一份 JSON：车牌、VIN、车主、注册日期、检验有效期，一项对一项。业务系统直接拿去入库，不用人再抄一遍。

它到底能干什么

• 正副页全字段。 正页十项、副页的档案编号、核载、检验记录一起识别，也支持电子行驶证截图。
• 拍得丑也能认。 倾斜、逆光、阴影、折痕、轻微磨损都能扛，用户不用刻意摆正对齐。
• 多版本兼容。 2013 版、2017 版以及各地现行版式，自动判断，不用手动选模板。
• 直接出结构化数据。 不是给你一张截图或一大段文字，是拆好字段的数据，能直接填表。
• 带置信度。 可疑字段标出来，高分放行、低分复核，效率和风险自己平衡。
• 响应快。 单次识别毫秒级，扛得住高并发。
• 能本地部署。 支持私有化和 SDK 集成，车辆信息、车主住址这类敏感数据可以不出内网。

 

谁在用

• 保险。 投保时客户上传行驶证，车辆档案自动回填，省掉手打 17 位 VIN；查勘员在现场拍一张，车架号、车型、注册日期直接进定损单。
• 汽车金融与二手车。 车贷、融资租赁、车辆抵押、估值，第一步都是采集车辆登记信息。行驶证一拍，几分钟的抄录变成几秒钟，配合规则校验还能筛出材料异常。
• 网约车、租车、货运平台。 司机入驻、车辆入库，一天几百上千份资料。靠人工审，审到后面眼睛都花了。
• 交管与政务服务。 窗口办理、路面查验、年检，车辆信息快速采集，少让群众在窗口前干等。
• 物流车队。 几百台车的台账建档、年检到期提醒，批量识别比翻纸质档案快得多。

最后

行驶证识别听起来像个不起眼的小功能，但它面对的是现实世界最难缠的部分：人会拍歪、会手抖、会把证件塞在钱包里磨出折痕。

技术做得好的标志，往往不是“多厉害”，而是“多没存在感”——用户拍一下，信息就填好了，谁也不会去想背后跑了几个模型。