车辆自动识别是建立在图像对比组件的基础上，利用摄像机拍摄车辆运行动态视频，然后采用先进的神经网络算法和模糊算法相结合，通过对视频流的采集和处理，完成车牌自动识别，自动进行车牌号码比较，并以文本的格式与进出场数据进行打包保存。
    原理介绍：车辆自动识别系统对摄像机抓拍到的每帧图像都识别，并自动找到最佳识别效果的图像，应用这种方法可以很好地提高抓拍率、识别率，并且能够降低工程的施工难度。立林智能网络车牌自动识别正是基于这一思想，采用专有的技术，利用高速的识别算法核心对视频流进行逐帧的识别，即对单个车辆进行了多次识别，从而有效克服了现有车辆识别技术存在的许多缺陷。使用连续多帧识别，从工程的角度看，比单帧识别成功的机率要高很多，这是因为连续抓拍的图像的角度、光照不同，识别效果也不尽相同，从理论上讲，只要有一帧足够清晰的图像就有一个好的识别结果。立林智能网络车牌自动识别还采用先进的目标，以及识别结果最佳化等方法，来确保从车流中一个一个地甄别出序列化的车牌。
    要实现对视频流逐帧识别，必须采用行之有效的高速识别算法，即神经网络算法和模糊算法相结合，否则无法达到实用的效果。对于常用的768×288高分辨率图像，立林智能网络车牌自动识别可以在3到10毫秒内完成全部的识别过程，并且在多个应用中实施了单台计算机多路的实时识别方案。
    3．2．2 与其它识别系统的区别
    目前，大部分公司在车牌识别方面是采用触发方法或移动检测方法来抓拍一帧图片进行识别，属于单帧图像识别，从工程上讲只有一次的识别机会，这种方式有较大的缺陷。
    触发装置对图像的影响：在windows多任务系统中，任务的切换时间极不稳定，经过实测，这一时间从0到几百毫秒不等，当系统CPU占有率高时，任务的切换时间很长。而视频应用系统的CPU占有率都比较高。触发装置实际上是使用任务查询方式检测I/O端口的状态，当达到设定的条件时，捕捉图像。由于I/O端口状态的变化到检测有一定的延迟，使得捕捉的图像可能不是最清晰的，当车速较高时，这种情况更加明显。
    触发方式不适用于车辆缉查：车辆缉查一般都不应该限制运行中的车速，否则影响交通。在高车速的情况下，摄像机只会有一幅清晰的图像出现，大部分都是模糊的，由于受任务切换时间的不确定性以及车型等影响，触发捕捉到的图像经常不是最清晰的，这势必严重影响车牌识别的准确性。
    移动检测技术存在的局限性：当图像中中变化达到一定量时，将控制系统完成图像的捕捉及识别，这种移动检测技术对行车速度有比较大的局限，不能太快，也不能太慢，否则漏检率很高；光线的阴影、抖动的树枝、车载系统中发动机的抖动及运行时的抖动都会引起误检；即使正确检出车辆，其检测位置也不一定是车牌最清晰时的位置；车流太密时，漏检也很明显。实际应用时垃圾记录太多，工作人员的校队工作量大，效果很不理想，没有实用价值。这种系统更无法在运行的警车内可靠使用，因为图像总是在抖动，相当于总是有移动物体。