无牌车检测算法需要检测不同背景条件下，不同光照条件下的，不同姿态的各种车型的车辆。在停车场出入口，一辆车过来，只输出一次结果，这样要求将车与车分开，目前可以通过跟踪或者背景建模完成这一部分。算法要求的实时性高，主要用在出入口，在保证效果的基础上，时间的控制才能给用户好的体验。品壹车牌识别系统，运用车型识别和车辆检测算法，解决无牌车管理的情况。车牌识别相机抓拍一张图片，通过车型识别算法，当是真正的没有牌照的汽车时，相机会先将其划分为车的队列，进而区分是有牌汽车还是无牌汽车；当是一辆三轮车等真正的无牌车时，相机通过车型识别算法，直接将其划分为非车队列。通过无牌车检测中的车与非车的判断，做好更准确更精细化的停车管理。

车牌识别云台摄像机通过光抑制屏蔽，电子快门调节，宽动态功能等来实现抓拍车牌：强光屏蔽：在低照度彩色摄像机的基础上，通过软件的功能，把图像中最亮的部分遮挡。在交通监控中，一般可将大灯的强光遮挡，从而将车牌较清晰的抓拍下来。但是这款摄像机最大的缺点就是软件分辨不清，对于图像最亮部分界定不清，有可能将车牌号码也遮挡。同时无法处理高速运动物体的抓拍。目前国产摄像机在强光屏蔽方面做的比较多，效果各方反映不一。

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。

(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：

通过查询目标人像数据寻找数据库中是否存在重点人口基本信息。例如在机场或车站安装系统以抓捕在逃案犯。受安全保护的地区可以通过人脸识别辨识试图进入者的身份。人脸识别系统可用于企业、住宅安全和管门禁人脸识别理。如人脸识别门禁考勤系统，人脸识别防盗门等。可在机场、体育场、超级市场等公共场所对人群进行监视，例如在机场安装监视系统以防止恐怖分子登机。如银行的自动提款机，用户卡片和密码被盗，就会被他人冒取现金。同时应用人脸识别就会避免这种情况的发生。利用人脸识别辅助信用卡网络支付，以防止非信用卡的拥有者使用信用卡等。