El movimiento de vehículos dentro y fuera del recinto predefinido es un protocolo de seguridad importante que encontramos a diario. La identificación de vehículos es un factor muy importante para la vigilancia de seguridad. En un concepto de campus inteligente, miles de vehículos acceden al campus todos los días, lo que resulta en enormes emisiones de carbono. La monitorización automatizada de ambos aspectos (contaminación y seguridad) es un elemento esencial para una institución académica. Entre los métodos reportados, la identificación automatizada de matrículas es la mejor manera de optimizar el flujo de vehículos. El rendimiento de la mayoría de las soluciones similares diseñadas anteriormente sufre en el contexto de la exposición a la luz, fondos estacionarios, áreas interiores, entradas específicas, etc. Proponemos una nueva arquitectura de detector de objetos híbrido de un solo disparo basada en la cascada de Haar y MobileNet-SSD. Además, adoptamos un nuevo mecanismo de lector óptico de caracteres para la identificación de caracteres en matrículas. Demostramos que el enfoque híbrido propuesto es robusto y funciona bien en la detección de objetos en vivo. La investigación existente se centró en la precisión de predicción, que en la mayoría de los métodos de última generación (SOTA) es muy similar. Así, la precisión entre varios casos de uso también es una buena medida de evaluación que fue ignorada en la investigación existente. Es evidente que el rendimiento de los sistemas de predicción sufre debido a las condiciones climáticas adversas mencionadas anteriormente. En tales casos, la precisión entre eventos de detección puede resultar en una alta variabilidad que impacta la predicción de vehículos en circunstancias desfavorables. La evaluación del rendimiento de la solución propuesta arroja una precisión del 98% en datos en tiempo real para matrículas malasias, que puede generalizarse en el futuro a todo tipo de vehículos en todo el mundo.