人工神經網絡技術，計算機及相關技術發(fā)達的一些國家開始探討用人工神經網絡技術解決車牌自動識別問題，例如1994年M.M.M.FANHY等就成功地運用了BAM神經網絡方法對車牌上的字符進行自動識別，BAM神經網絡是由相同神經元構成的雙向聯(lián)想式單層網絡，每一個字符模板對應著個BAM矩陣，通過與車牌上的字符比較，識別出正確的車牌號碼。

識別速度決定了一個車牌識別系統(tǒng)是否能夠滿足實時實際應用的要求。一個識別率很高的系統(tǒng)，如果需要幾秒鐘，甚至幾分鐘才能識別出結果，那么這個系統(tǒng)就會因為滿足不了實際應用中的實時要求而毫無實用意義。例如，在高速公路收費中車牌識別應用的作用之一是減少通行時間，速度是這一類應用里減少通行時間、避免車道堵車的有力保障。

幾乎每家都宣稱擁有高辨識率，但為了避免事后因為雙方對產品認知有差異，而將運作不良的責任互相推托，用戶在采購車牌辨識系統(tǒng)時，不妨要求實地測試，而且測試時間好超過兩個禮拜，比較能判斷辨識結果是否“言過其實”。因為多變的環(huán)境，兩個禮拜應該可以對于場域可能影響辨識率的情形，大約掌握了八成，如果只是測一天、甚至幾個小時，是無法了解的。

車牌識別系統(tǒng)還具有通過視頻圖像判斷是否有車的功能稱之為視頻車輛檢測。一個完整的車牌識別系統(tǒng)應包括車輛檢測、圖像采集、車牌識別等幾部分。當車輛檢測部分檢測到車輛到達時觸發(fā)圖像采集單元，采集當前的視頻圖像。車牌識別單元對圖像進行處理，定位出牌照位置，再將牌照中的字符分割出來進行識別，然后組成牌照號碼輸出。

攝像頭不停地拍照，交給系統(tǒng)去判斷。原理很簡單，因為沒有車輛時，拍的照片是固定的。撐死了也就白天一幅圖、晚上一幅圖、下雨一幅圖、陰天一幅圖等。有了基礎的圖，就可以區(qū)分有車輛進入地圖了。有人說這樣的容錯率也太低了，很容易出錯。是的，這的確容易出錯，所以軟件端做了進一步的技術深入：車輛輪廓識別。車輛輪廓識別與車牌識別的輪廓識別原理是一樣的，可以參考下面車牌輪廓識別部分。

車牌字符切割在上一步中，我們成功找到了車牌，并把它從原圖（不是二值化的圖）截取出來了。對截取的車牌圖片進行上一步的灰度化、二值化、降噪處理，尤其是邊緣降噪。如果降噪后，干擾的噪聲還是比較大，可以采取腐蝕、膨脹算法來模糊噪聲。如果降噪后的車牌圖片有傾斜現(xiàn)象，就需要對圖片做錯切變換（就是傾斜角度調整）。我們知道，有些車牌是上下結構的，這很容易通過對二值化的圖片做像素掃描來檢測上下兩部分是否中間不粘連，如果不粘連，那就是上下結構車牌。如果不是上下結構，那就是單行結構的新車牌。