識別速度決定了一個車牌識別系統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，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。

一個車牌識別系統的后臺管理體系，決定了這個車牌識別系統是否好用。清楚地認識到重要的一點是識別率達到是不可能的，因為車牌照污損、模糊、遮擋，或者天氣也許很糟（下雪﹑冰雹﹑大霧等等）。

例如一個車牌系統在白天有90%以上的準確度，到了傍晚就降到80%，夜間又降到70%，這種不穩定的系統，比起全天候平均擁有70%準確度的車牌辨識系統更難于整合。因為使用者會認為，既然白天的辨識率有90%，那全天候的準確率都要達到90%才合理，這樣的規格還不包括奇怪的環境干擾(暴雨襲擊、冰雹、濃霧區段等)，與架設環境限制(高度限制、風大搖晃限制、不容易遭受人為破壞等)。

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。

在日常錄入違法號牌信息中發現車輛號牌信息與系統顯示的車牌信息不符時，民警通過核查車輛信息后，把有違反交通法規的車輛信息錄入指揮中心的黑名單報警系統。此車在轄區內行駛時，號牌會被系統自動識別報警。

開車的朋友都知道，我們無論去停車場還是上下高速，只要有攝像頭和欄桿的地方，基本上都需要識別你的車牌。我們普通人無需去了解車牌的識別過程，但還是有很多網友想了解自己的車牌是如何被識別的。
圖片初級處理——灰度化、二值化大家都知道，灰色是介于白色和黑色之間的顏色，而且這個灰色深淺不一樣，所以白色和黑色之間的灰色就有很多。這顏色一多，計算機就眼花繚亂了。所以呢，干脆把圖片二值化。啥叫二值化呢？就是讓圖片只有黑色和白色，就是只有兩個顏色值，顧名思義把圖片搞成黑白二色的過程就是二值化。再形象的比喻一下，就是熊貓化！在計算機RGB顏色空間內，白色就是255，黑色就是0，其他顏色就是在這0-255之間了。
圖形檢索，定位車牌圖片處理到這一步，來了——車牌檢索。動腦筋的朋友可能已經意識到了，車牌是規則的長方形，我們只要找二值化后圖片里的長方形就好了。問題來了，你找長方形，問題是有些車輛的撒熱窗就是長方形。愛動腦筋的小伙伴已經注意到了，車牌的長寬比與車身其他位置的形狀長寬比不同。掌握了上面的基本常識，那么我們距離找到車牌就更近了。計算機掃描整個二值化的圖片，由左到右，由上到下，把顏色從黑到白或者由白到黑的像素全部記錄下來。然后根據這些像素來計算哪個區域是長方形，并且符合車牌的比例。
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。