Powyższy system można uznać za bardziej punkt wyjścia do budowy systemów ANPR. Stosowane techniki opierają się na podstawowych technikach widzenia komputerowego i przetwarzania obrazu w celu zlokalizowania tablicy rejestracyjnej na obrazie, w tym operacji morfologicznych, gradientów obrazu, progowania, operacji bitowych i konturów. Zastosowane metody będą działać dobrze tylko w kontrolowanych warunkach i przewidywalnych środowiskach, na przykład gdy warunki oświetlenia są jednolite na obrazach wejściowych, a tablice rejestracyjne są ustandaryzowane, np. ciemne znaki na jasnym tle tablicy rejestracyjnej. Aby jednak zbudować system, który działa w niekontrolowanych środowiskach, konieczne jest zastąpienie komponentów (czyli lokalizacji tablic rejestracyjnych, segmentacji znaków i rozpoznawania znaków) bardziej zaawansowanymi modelami uczenia maszynowego i głębokiego uczenia. Istnieje wiele wyzwań związanych z prowadzeniem całodobowej operacji ANPR z setkami tysięcy samochodów przejeżdżających każdego dnia przez stację. Stwierdzono, że HOG i linear SVM są skuteczne w lokalizacji tablic, głównie wtedy, gdy wejściowe tablice rejestracyjne mają kąt widzenia, który nie zmienia się o więcej niż kilka stopni. Aby system działał w nieograniczonych środowiskach z drastycznymi zmianami kątów widzenia, modele oparte na głębokim uczeniu, takie jak Faster R-CNN, SSD i YOLO, prawdopodobnie zapewnią lepszą dokładność. Specjalnie zaprojektowany model OCR może również znacznie poprawić dokładność rozpoznawania numeru pojazdu.