EasyPR將把車牌識別划分為了兩個過程：即車牌檢測（Plate Detection）和字符識別（Chars Recognition）兩個過程。
- 車牌檢測（Plate Detection）：對一個包含車牌的圖像進行分析，最終截取出只包含車牌的一個圖塊。這個步驟的主要目的是降低了在車牌識別過程中的計算量。如果直接對原始的圖像進行車牌識別，會非常的慢，因此需要檢測的過程。在本系統中，我們使用SVM（支持向量機）這個機器學習算法去判別截取的圖塊是否是真的“車牌”。
- 字符識別（Chars Recognition）：該步驟的主要目的就是從上一個車牌檢測步驟中獲取到的車牌圖像，進行光學字符識別（OCR）這個過程。其中用到的機器學習算法是人工神經網絡（ANN）中的多層感知機（MLP）模型。
下圖是一個完整的EasyPR的處理流程:
圖1 EasyPR的處理流程
EasyPR中PlateDetect與CharsRecognize各包括三個模塊。
PlateDetect包括的是車牌定位，SVM訓練，車牌判斷三個過程，見下圖。
圖2 PlateDetect過程詳解
通過PlateDetect過程我們獲得了許多可能是車牌的圖塊，將這些圖塊進行手工分類，聚集一定數量后，放入SVM模型中訓練，得到SVM的一個判斷模型，在實際的車牌過程中，我們再把所有可能是車牌的圖塊輸入SVM判斷模型，通過SVM模型自動的選擇出實際上真正是車牌的圖塊。
PlateDetect過程結束后，我們獲得一個圖片中我們真正關心的部分，車牌。那么下一步該如何處理呢。下一步就是根據這個車牌圖片，生成一個車牌號字符串的過程，也就是CharsRecognize的過程。CharsRecognize包括的是字符分割，ANN訓練，字符識別三個過程，具體見下圖。
圖3 CharsRecognise過程詳解
在CharsRecognize過程中，一副車牌圖塊首先會進行灰度化，二值化，然后使用一系列算法獲取到車牌的每個字符的分割圖塊。獲得海量的這些字符圖塊后，進行手工分類（這個步驟非常耗時間，后面會介紹如何加速這個處理的方法），然后放入神經網絡（ANN）的MLP模型中，進行訓練。在實際的車牌識別過程中，將得到7個字符圖塊放入訓練好的神經網絡模型，通過模型來預測每個圖塊所表示的具體字符，例如圖片中就輸出了“蘇EUK722”。
至此一個完整的車牌識別過程就結束了，但是在每一步的處理過程中，有許多的優化方法和處理策略。尤其是車牌定位和字符分割這兩塊，非常重要，它們不僅生成實際數據，還生成訓練數據，因此會直接影響到模型的准確性，以及模型判斷的最終結果。這兩部分會是接下來重點介紹的模塊，至於SVM模型與ANN模型，由於使用的是OpenCV提供的類，因此可以直接看openCV的源碼或者機器學習介紹的書，來了解訓練與判斷過程。