Este estudio presenta un análisis comparativo sobre algoritmos de detección y reconocimiento de placas de matrícula en entornos no restringidos, que incluyen iluminaciones variables, plantillas de placas no estándar y diferentes fuentes del idioma inglés. Un objetivo principal de este estudio es evaluar qué tan bien estos modelos manejan tales desafíos. Estos problemas son comunes en países en desarrollo como Pakistán, donde placas de matrícula diversas, estilos y cambios abruptos en la iluminación hacen que la detección y reconocimiento de placas de matrícula sea una tarea desafiante. Para analizar el problema de detección de placas de matrícula se implementan los métodos Faster-RCNN y de extremo a extremo (E2E). Para la tarea de reconocimiento de placas de matrícula, se comparan redes neuronales profundas y métodos basados en CA-CenterNet. Se realizaron simulaciones detalladas en un conjunto de datos recopilado por los autores que contiene placas de matrícula paquistaníes con estilos muy diferentes. Nuestro estudio concluye que, para la tarea de detección de placas de matrícula, Faster-RCNN ofrece una precisión de detección del 98.35%, mientras que el método E2E ofrece una precisión del 98.48%. Ambos algoritmos de detección arrojaron una precisión media de detección del 98.41%. Para la tarea de reconocimiento de placas de matrícula, el método basado en DNN ofreció una precisión de reconocimiento del 98.90%, mientras que el método basado en CA-CenterNet entregó una alta precisión del 98.96%. Además, una comparación detallada de la complejidad computacional en varias resoluciones de imagen reveló que E2E y CA-CenterNet son más eficientes que sus contrapartes durante las tareas de detección y reconocimiento, respectivamente.