1) 牌照定位，定位圖片中的牌照位置;

2) 牌照字符分割，把牌照中的字符分割出來;

3) 牌照字符識別，把分割好的字符進行識別，組成牌照號碼。

車牌識別過程中，牌照顏色的識別依據算法不同，可能在上述不同步驟實現，通常與車牌識別互相配合、互相驗證。

1) 牌照定位

自然環境下，汽車圖像背景復雜、光照不均勻，如何在自然背景中準確地確定牌照區域是整個識別過程的關鍵。首先對采集到的視頻圖像進行大范圍相關搜索，找到符合汽車牌照特征的若干區域作為候選區，然后對這些侯選區域做進一步分析、評判，選定一個較佳的區域作為牌照區域，并將其從圖像中分離出來。

2) 牌照字符分割

完成牌照區域的定位后，再將牌照區域分割成單個字符，然后進行識別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內的間隙處取得局部較小值的附近，并且這個位置應滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字符分割有較好的效果。

3) 牌照字符識別方法主要有基于模板匹配算法和基于人工神經網絡算法。基于模板匹配算法首先將分割后的字符二值化并將其尺寸大小縮放為字符數據庫中模板的大小，然后與所有的模板進行匹配，選擇較佳匹配作為結果。基于人工神經網絡的算法有兩種:一種是先對字符進行特征提取，然后用所獲得特征來訓練神經網絡分配器;另一種方法是直接把圖像輸入網絡，由網絡自動實現特征提取直至識別出結果。

人工神經網絡技術。近幾年來，計算機及相關技術發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想式單層網絡，每一個字符模板對應著一個BAM矩陣，通過與車牌上的字符比較，識別出正確的車牌號碼。

這種采用BAM神經網絡方法的缺點是無映解決識別系統存儲容量和處理速度相矛盾的問題。

可能是車牌被什么雜物給遮擋住了，導致車牌識別系統無法準確識別車牌信息，也可能是車牌識別系統準確度不夠，或者是出現問題，導致無法識別車牌信息。如果是前者的問題，將車牌上的雜物清理干凈便可，如果是車牌識別系統的問題，可以選擇換一個車牌識別系統，比如云脈智能車牌識別系統，基于成熟的OCR技術，支持單張拍攝或連拍，對所得車牌圖像進行快速識別，自動捉捕車牌信息并分類至正確字段，識別速度快，平均識別時間少于3秒，識別率高，字符識別率大于98%...