1.重视稳定度:随着产品算法与业者的技术提升，整合早就不是重要的话题，现阶段最需要注意的重点反而是"稳定度"。稳定度的定义是:在一个既定的车速范围内，不会让必须达到的准确度，因外在环境影响而产生过大的误差。例如一个车牌系统在白天有90%以上的准确度，到了傍晚就降到80%，夜间又降到70%，这种不稳定的系统，比起全天候平均拥有70%准确度的车牌辨识系统更难于整合。因为使用者会认为，既然白天的辨识率有90%，那全天候的准确率都要达到90%才合理，这样的规格还不包括奇怪的环境干扰(暴雨袭击、冰雹、浓雾区段等)，与架设环境限制(高度限制、风大摇晃限制、不容易遭受人为破坏等)。2.确实实测:几乎每家都宣称拥有高辨识率，但为了避免事后因为双方对产品认知有差异，而将运作不良的责任互相推托，用户在采购车牌辨识系统时，不妨要求实地测试，而且测试时间好超过两个礼拜，比较能判断辨识结果是否"言过其实"。因为台湾是一个多变的环境，两个礼拜应该可以对于场域可能影响辨识率的情形，大约掌握了八成，如果只是测一天、甚至几个小时，是无法了解的。

实际应用中，车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等;实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率，也正是车牌识别系统的困难和挑战所在。为了提高识别率。除了不断地完善识别算法还应该想办法克服各种光照条件，使采集到的图像最利于识别。

(1)人脸检测：面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法：①参考模板法:首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；②人脸规则法：由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸；③样品学习法：这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；④肤色模型法：这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。⑤特征子脸法：这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。值得提出的是，上述5种方法在实际检测系统中也可综合采用。(2)人脸跟踪:面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单而有效的手段。(3)人脸比对：面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜索。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。所以，面像的描述决定了面像识别的具体方法与性能。目前主要采用特征向量与面纹模板两种描述方法：

一个车牌识别系统是否实用，最重要的指标是识别率。国际交通技术作过专门的识别率指标论述，要求是24小时全天候全牌正确识别率85%~95%。为了测试一个车牌识别系统识别率，需要将该系统安装在一个实际应用环境中，全天候运行24小时以上，采集至少1000辆自然车流通行时的车牌照进行识别，并且需要将车辆牌照图像和识别结果存储下来，以便调取查看。然后，还需要得到实际通过的车辆图像以及正确的人工识别结果。之后便可以统计出以下识别率:1、自然交通流量的识别率=全牌正确识别总数/实际通过的车辆总数.2、可识别车牌照的百分率=人工正确读取的车牌照总数/实际通过的车辆总数3、可识别全牌正确识别率=全牌正确识别的车牌照总数/人工读取的车牌照总数这三个指标决定了车牌识别系统的识别率，诸如可信度、误识率等都是车牌识别过程中的中间结果。