Deep Learning Based Segmentation Free License Plate Recognition Using Roadway Surveillance Camera Images
Havelsan Inc.（哈维桑公司）
智能自动化交通执法解决方案近年来越来越受欢迎。这些解决方案广泛用于安全带违规检测、闯红灯违规检测和超速违规检测。高精度的车牌识别是这些系统中不可或缺的一部分。然而，一般的车牌识别系统需要高分辨率的图像以获得高性能。在这项研究中，我们提出了一种新的车牌识别方法，一般道路监控摄像头。提出的无分割车牌识别算法在字符检测和识别过程中利用基于深度学习的目标检测技术。所提出的方法已被测试2000图像上捕获的道路上。
2019-12-05 cs.CV
Global License Plate Dataset
Ahmedabad University（艾哈迈达巴德大学）
为推动道路安全等领域技术发展，推出含超500万张来自74个国家图像、多维度精细标注的Global License Plate Dataset，提供统计分析与基线模型，作为车牌识别模型开发微调的核心基准。
2024-03-22 cs.CV
A Review on Automatic License Plate Recognition System
MCKV Institute of Engineering（MCKV工程学院）
自动车牌识别（ALPR）是一个具有挑战性的问题，因为它具有潜在的适用性，在不同的地理条件下，在全球不同的车牌参数。任何一个ALPR系统都包括三个主要模块，即车牌定位、车牌字符分割和分割字符识别。在现实生活中的应用中，图像是在具有变化的照明和天气条件、变化的污染水平和风力的户外环境中昼夜捕获的，定位、分割和识别成为具有挑战性的任务。如果车牌在各种特征方面不符合相应机动车部门制定的标准，则任务变得更加复杂，所述特征例如车牌的面积和宽高比、背景颜色、前景色、形状、行数、字体/字符大小、字符之间的间距等。此外，牌照经常是脏的或破损的或有划痕或在其位置弯曲或倾斜。所有这些都增加了建立有效的ALPR系统的挑战。
2019-02-25 cs.CV
An Automated Approach for the Recognition of Bengali License Plates
Ahsanullah University of Science and Technology（阿赫萨努拉科技大学）；United International University（联合国际大学）
自动车牌识别（ALPR）是一种自动识别任何车辆牌照的系统。这个过程对于跟踪、票务和任何计费系统等都很重要。随着信息和通信技术的使用，所有系统都实现了自动化，包括车辆跟踪系统。本研究提出一种混合式的车牌侦测方法。我们捕获的图像信息被用于孟加拉国车辆的识别过程，这是本研究的主题。在这里，对于车牌检测，使用YOLO模型，其中81%被正确预测。然后，车牌分割，大津的最大方差保持，最后，字符识别，CNN模型的应用。这种模式将允许车辆的自动车牌检测系统，以避免任何误用。
2021-09-01 cs.CV
Bengali License Plate Recognition: Unveiling Clarity with CNN and GFP-GAN
Ahsanullah University of Science and Technology（阿赫桑努拉科技大学）
本研究针对孟加拉语低分辨率模糊车牌识别问题，结合GFP-GAN图像修复、形态学处理与CNN实现字符识别，并构建了含1292张图像的孟加拉语字符数据集，为复杂条件下的孟加拉语车牌识别提供解决方案。
2023-12-17 cs.CV
IR-LPR: Large Scale of Iranian License Plate Recognition Dataset
Malek Ashtar University of Technology（马利克·阿什塔尔工业大学）
目标检测一直是实用的。在我们的世界里有太多的东西，认识它们不仅可以增加我们对周围环境的自动知识，而且对那些有兴趣创业的人来说也是有利可图的。其中一个有吸引力的对象是牌照（LP）。除了车牌检测可以具有的安全用途外，它还可以用于创建创意业务。随着基于深度学习模型的目标检测方法的发展，一个合适且全面的数据集变得更加重要。但由于车牌数据集的频繁商业使用，不仅在伊朗，而且在世界范围内，数据集都很有限。伊朗最大的车牌检测数据集有1,466张图像。此外，伊朗最大的车牌字符识别数据集有5,000张图像。我们已经准备了一个完整的数据集，包括20，967张汽车图像以及整个车牌及其字符的所有检测注释，可用于各种目的。此外，用于字符识别应用的牌照图像的总数为27，745个图像。
2022-09-10 cs.CV
Character Time-series Matching For Robust License Plate Recognition
University of Information Technology（信息技术大学）；Vietnam National University（越南国家大学）
本文提出一种基于多帧跟踪的车牌识别方法，通过自适应车牌旋转和字符时间序列匹配算法提升复杂环境下的识别准确率，在UFPR-ALPR数据集和越南系统中均取得优异表现。
2023-09-13 cs.CV
Novel and Fast Algorithm for Extracting License Plate Location Based on Edge Analysis
智能交通系统（ITS）技术在发展中国家和发达国家都受到了广泛的关注。车牌识别系统在智能交通系统中有着广泛的应用，如停车收费、交通流量控制、交通数据汇集等。我们提出的方法包括四个阶段，分别是边缘检测、无用边缘和噪声去除、边缘分析和基于形态学的车牌提取。在实验结果部分，将该算法应用于车辆数据库，准确率达到98%。实验结果表明，该方法在实际车牌识别系统中具有较好的识别精度。
2014-09-15 cs.CV
Mobile Phone Based Vehicle License Plate Recognition for Road Policing
TCS Innovation Labs - Mumbai（塔塔咨询服务公司孟买创新实验室）
一般来说，交通警察通过车辆牌照来识别车辆。车牌识别在智能交通管理系统中有着广泛的应用.全球的安全形势，特别是印度的安全形势，要求为交通警察配备一个系统，使他们能够即时获得车辆的详细信息。该系统应该易于使用，应该是移动的，并工作24 x 7。在本文中，我们描述了一个基于手机，客户端-服务器架构，车牌识别系统。虽然我们使用最先进的图像处理和模式识别算法调整为印度的条件，自动识别非统一的车牌，主要贡献是在创建一个端到端的可用的解决方案。客户端应用程序在移动终端上运行，并且可以访问车辆信息数据库的服务器应用程序被集中托管。该解决方案能够捕获由手机摄像头捕获的牌照图像并将其传递到服务器;在服务器上识别牌照号码;然后将与牌照相关联的数据立即发送回移动终端。我们详细描述了端到端的系统架构。该系统的工作原型已在实验室环境中实现。
2015-04-07 cs.CV
Traffic Surveillance using Vehicle License Plate Detection and Recognition in Bangladesh
Military Institute of Science & Technology (MIST)（军事科学技术研究院）
计算机视觉与深度学习（DL）技术相结合，在交通控制、监控和执法等领域展现出广阔的应用前景。本文提出了一种YOLOv4目标检测模型，其中卷积神经网络（CNN）的训练和调整，用于检测孟加拉国车辆的车牌和识别字符，从检测到的车牌使用tesseract。在这里，我们还提出了一个图形用户界面（GUI）的基础上Tkinter，一个Python包。车牌检测模型的训练平均精度（mAP）为90.50%，并在单个TESLA T4 GPU中以平均每秒14帧（fps）的速度在实时的视频片段上执行。
2020-12-03 cs.CV
License Plate Detection and Recognition Using Deeply Learned Convolutional Neural Networks
Sighthound Inc.（Sighthound公司）
这项工作详细介绍了Sighthounds全自动车牌检测和识别系统。该系统的核心技术是使用一系列深度卷积神经网络（CNN）与准确高效的算法交织而成。CNN经过训练和微调，使其在不同条件下（例如姿势、照明、遮挡等变化）具有鲁棒性。并且可以在各种牌照模板（例如，大小、背景、字体等）上工作。对于定量分析，我们表明，我们的系统优于领先的车牌检测和识别技术，即ALPR在几个基准。我们的系统可通过Sighthound Cloud API提供给开发人员，网址为https://www.sighthound.com/products/cloud
2017-03-28 cs.CV
A Robust Attentional Framework for License Plate Recognition in the Wild
Northwestern Polytechnical University（西北工业大学）；National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology（空天地海一体化大数据应用技术国家工程实验室）；The University of Adelaide（阿德莱德大学）；Minsheng Fintech Corp. LTD（民生金融科技有限公司）
在自然场景图像中识别汽车牌照是一项重要而又具有挑战性的实际应用任务。许多现有的方法在约束条件下，例如，在正面和水平视角下以及在良好的照明条件下拍摄的车牌采集表现良好。然而，在具有旋转、扭曲、遮挡、模糊、着色或极端黑暗或明亮条件的无约束环境中，它们的性能会显着下降。在这项工作中，我们提出了一个强大的框架，车牌识别在野外。它由一个定制的CycleGAN模型用于车牌图像生成和一个精心设计的图像到序列网络用于车牌识别。一方面，基于CycleGAN的车牌生成引擎简化了繁重的人工标注工作。该方法可以获得大量的训练数据，同时具有更均衡的特征分布和多种拍摄条件，在很大程度上提高了识别的准确率。另一方面，基于Xception的CNN编码器的二维注意力车牌识别器能够在各种场景下准确和鲁棒地识别具有不同模式的车牌。在不使用任何统计学规则或后处理的情况下，我们的方法在四个公共数据集上实现了最先进的性能，这证明了我们框架的通用性和鲁棒性。此外，我们发布了一个新的车牌数据集，名为“CLPD”，包含来自中国大陆所有31个省份的1200张图像。该数据集可从以下网址获得：https://github.com/wangpengnorman/CLPD_dataset。
2020-06-09 cs.CV
Detecting Vehicle Type and License Plate Number of different Vehicles on Images
Mukesh Patel School of Technology Management and Engineering（穆克什·帕特尔技术与工程管理学院）
随着车辆数量的不断增加，车辆跟踪是城市地区面临的主要挑战之一。在本文中，我们试图开发一个模型，可以找到一个特定的车辆，用户正在寻找取决于两个因素1。车辆类型和2。车牌号该系统使用了一种独特的混合模型，包括用于车辆类型检测的Mask R-CNN模型，用于车牌检测和字母预测的WpodNet和pytesseract。
2021-04-12 cs.CV
Disentangled Generation Network for Enlarged License Plate Recognition and A Unified Dataset
Anhui University（安徽大学）；iFLYTEK Co., Ltd.（科大讯飞股份有限公司）
本文针对放大车牌识别问题，提出基于DGNet的任务级解耦生成框架，将文本与背景生成解耦以增强多样性和完整性，并贡献了含9342张图像的数据集，在多种文本识别框架中验证了有效性。
2023-05-25 cs.CV
Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks
The University of Adelaide（阿德莱德大学）；Northwestern Polytechnical University（西北工业大学）
在这项工作中，我们解决了自然场景图像中的汽车牌照检测和识别问题。我们提出了一个统一的深度神经网络，它可以定位车牌，并在一个单一的向前通过同时识别字母。整个网络可以端到端地进行训练。与现有的将车牌检测和识别作为两个独立的任务并逐步解决的方法相比，我们的方法通过单个网络联合解决这两个任务。它不仅避免了中间误差的积累，而且加快了处理速度。对于性能评估，测试了包括在不同条件下从各种场景捕获的图像的三个数据集。大量的实验表明，我们所提出的方法的有效性和效率。
2017-09-26 cs.CV
Brazilian License Plate Detection Using Histogram of Oriented Gradients and Sliding Windows
University Federal of Ouro Preto（奥罗普雷托联邦大学）；Univ. Federal of Minas Gerais（米纳斯吉拉斯联邦大学）
由于对自动交通监控的需求日益增长，车辆牌照检测对于执行自动收费、交通执法、停车场访问控制等具有很高的兴趣。在本文中，滑动窗口的方法的基础上，直方图的方向一致性（HOG）的功能是用于巴西车牌检测。这种方法包括在扫描整个图像中的多尺度的方式，这样的车牌被精确定位。这项工作的主要贡献在于深入研究了HOG描述符在巴西车牌检测上的最佳设置，其中HOG从未被应用过。我们还证明了这种方法的可靠性，确保召回率高于98%（精度高于78%），在公开的数据集。
2014-01-09 cs.CV
A Training-Free Framework for Video License Plate Tracking and Recognition with Only One-Shot
Unmanned System Research Institute（无人系统研究院）；School of Artificial Intelligence, Optics and Electronics (iOPEN), Northwestern Polytechnical University（西北工业大学人工智能与光学电子学院（iOPEN））
针对传统车牌识别模型泛化性不足的问题，提出免训练框架OneShotLP，结合点跟踪、可提示分割大模型与多模态大语言模型，仅需首帧车牌样本即可实现视频车牌跟踪识别，在两个数据集上准确率优于传统方法。
2024-08-11 cs.CV
A Single-Target License Plate Detection with Attention
University of Macau（澳门大学）
随着深度学习的发展，神经网络通常被用于车牌检测（LPD）任务，并实现了更好的性能和精度，特别是基于CNN的网络可以实现最先进的RetinaNet[1]。对于诸如LPD的单个目标检测任务，修改的通用目标检测将是耗时的，不能应对复杂的场景和太难部署在嵌入式设备上的繁琐的权重文件。
2021-12-12 cs.CV
Rethinking and Designing a High-performing Automatic License Plate Recognition Approach
Nanyang Technological University（南洋理工大学）；Singapore Telecommunications Limited（新加坡电信有限公司）
在本文中，我们提出了一个实时和准确的自动车牌识别（ALPR）的方法。我们的研究从四个方面说明了ALPR的优秀设计：（1）基于重采样的级联框架有利于速度和准确率的提高;（2）高效的车牌识别需要大量的附加字符分割和递归神经网络（RNN），而采用普通的卷积神经网络（CNN）;（3）在CNN的情况下，利用车牌上的顶点信息提高了识别性能;以及（4）权重共享字符分类器解决了小规模数据集中训练图像的缺乏。基于这些见解，我们提出了一种新的ALPR方法，称为VSNet。具体地，VSNet包括两个CNN，即，VertexNet用于车牌检测，SCR-Net用于车牌识别，以基于重采样的级联方式集成。在VertexNet中，我们提出了一个有效的集成块来提取车牌的空间特征。利用顶点监督信息，我们在VertexNet中提出了一个顶点估计分支，使得车牌可以作为SCR-Net的输入图像进行校正。在SCR-Net中，我们引入了一种从左到右的特征提取的水平编码技术，并提出了一种用于字符识别的权重共享分类器。实验结果表明，该方法在出错率上相对提高了50%以上，在CCPD和AOLP数据集上的识别准确率均超过99%，推理速度为149 FPS。此外，我们的方法在看不见的PKUData和CLPD数据集上进行评估时，展示了出色的泛化能力。
2021-06-17 cs.CV
Detection and Recognition of Malaysian Special License Plate Based On SIFT Features
Universiti Tunku Abdul Rahman (UTAR)（拉曼大学）；MIMOS Berhad
汽车牌照自动识别系统的开发和应用是为了方便监视，执法，访问控制和智能交通监控，最少的人为干预。针对马来西亚特殊车牌识别问题，提出了一种基于SIFT特征点聚类和匹配的识别算法。这些特殊的车牌不遵循标准车牌的格式，因为它们可能包含斜体，草书，连接和小写字母。对150幅不同环境下的马来西亚车牌图像进行了实验，实验结果表明该算法具有较好的鲁棒性。
2015-04-27 cs.CV
License Plate Recognition (LPR): A Review with Experiments for Malaysia Case Study
Universiti Teknikal Malaysia Melaka (UTeM)（马来西亚马六甲技术大学）
大多数汽车牌照识别采用神经网络技术来增强其计算能力。车辆牌照的图像被捕获并被处理以产生用于进一步处理的文本输出。本文综述了图像处理和神经网络技术在图像预处理、滤波、特征提取、分割和识别等不同阶段的应用，以消除图像噪声，提高图像质量，并通过将图像中的字符转换为相应的文本来加快计算过程。以马来西亚车牌为例，用MATLAB语言进行了一个典型的实验，展示了图像处理的基本过程。将一种算法应用于停车场管理系统的解决方案中。然后将该解决方案作为算法的概念证明来实现。
2014-01-22 cs.CV
Bangla License Plate Recognition Using Convolutional Neural Networks (CNN)
BRAC University（BRAC大学）；University of Dayton（戴顿大学）
近年来，深度学习技术特别是卷积神经网络（CNN）在计算机视觉和机器学习领域得到了广泛的应用。这种深度学习技术在不同的基准测试（如MNIST、CIFAR-10、CIFAR-100、Microsoft COCO和ImageNet）上的不同分类、分割和检测任务中提供了最先进的准确性。然而，在过去的十年中，有很多研究已经进行了孟加拉车牌识别与传统的机器学习方法。由于识别精度差，它们都没有用于部署孟加拉车牌识别系统（BLPRS）的物理系统。在本文中，我们实现了基于CNN的孟加拉车牌识别系统，具有更好的准确性，可用于不同的目的，包括道路救援，自动停车场管理系统，车辆牌照状态检测等。与此同时，我们还创建并发布了BLPRS的第一个标准数据库。
2018-09-04 cs.CV
Reading Car License Plates Using Deep Convolutional Neural Networks and LSTMs
The University of Adelaide（阿德莱德大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）
在这项工作中，我们解决了自然场景图像中的汽车牌照检测和识别问题。受深度神经网络（DNN）在各种视觉应用中的成功启发，我们在这里利用DNN在级联框架中学习高级特征，从而提高检测和识别性能。首先，我们训练一个$37$类卷积神经网络（CNN）来检测图像中的所有字符，与传统的方法（如训练二进制文本/非文本分类器）相比，这导致了高召回率。然后通过第二板/非板CNN分类器消除假阳性。然后，基于车牌的边缘信息执行限界框细化，以提高交并比（IoU）。提出的级联框架有效地提取车牌，具有高召回率和精度。最后，我们建议将许可证字符识别为{序列标签}问题。通过训练具有长短期记忆（LSTM）的递归神经网络（RNN）来识别通过CNN从整个车牌中提取的序列特征。这种方法的主要优点是它是无分割的。通过探索上下文信息并避免由分割引起的错误，RNN方法的性能优于结合分割和深度CNN分类的基线方法;并实现了最先进的识别精度。
2016-01-21 cs.CV
Proposal for Automatic License and Number Plate Recognition System for Vehicle Identification
在本文中，我们提出了一个自动和机械化的牌照和车牌识别（LNPR）系统，它可以提取车牌号码的车辆通过一个给定的位置，使用图像处理算法。实施拟议系统无需安装GPS或射频识别（RFID）等额外设备。该系统使用特殊的摄像头从每辆经过的车辆上拍摄照片，并将图像转发到计算机，由LPR软件进行处理。车牌识别软件使用不同的算法，如定位，定向，归一化，分割，最后光学字符识别（OCR）。将结果数据应用于与数据库中的记录进行比较。实验结果表明，该系统成功地检测和识别了真实图像上的车牌。该系统还可用于安全和交通控制。
2016-10-09 cs.CV
Adversarial sample generation and training using geometric masks for accurate and resilient license plate character recognition
University of Miami（迈阿密大学）；Advanced College of Engineering and Management, Tribhuvan University（特里布万大学高级工程与管理学院）；University of Missouri-St. Louis（密苏里大学圣路易斯分校）
针对车牌易被恶意篡改导致识别系统失效的问题，提出基于随机几何掩码生成对抗样本并训练模型的方法，使车牌字符识别准确率在对抗攻击下提升至99.7%，实现近乎完美的鲁棒性。
2023-10-25 cs.CV
Recognizing License Plates in Real-Time
Stony Brook University（石溪大学）
车牌检测和识别（LPDR）对于实现智能交通和确保城市的安全和安全越来越重要。然而，LPDR在实际环境中面临着很大的挑战。车牌的尺寸、字体和颜色可能极其多样化，并且车牌图像通常因拍摄角度倾斜、光照不均匀、遮挡和模糊而质量较差。在监控等应用中，通常需要快速处理。为了实现实时的【形】、准确的车牌识别，本文提出了一套车牌识别技术：1）轮廓重构结合边缘检测的方法，快速检测出候选车牌; 2）简单的零-一交替方案，有效去除车牌周围的假上下边界，更准确地分割出车牌上的字符; 3）一组技术来增强训练数据，将SIFT特征并入CNN网络，并利用迁移学习来获得初始参数以进行更有效的训练;以及4）以低成本确定正确板的两阶段验证过程，在平板检测阶段进行统计过滤，以快速去除不需要的候选物，并在CR过程后获得准确的CR结果，以执行进一步的平板验证，而无需额外的处理。我们实现了一个完整的LPDR系统基于我们的算法。实验结果表明，该系统能够实时的【形】准确识别车牌。此外，它在各种照明和噪音水平下以及汽车运动的情况下都能稳定工作。与同行方案相比，我们的系统不仅是最准确的，但也是最快的，可以很容易地应用到其他场景。
2022-11-02 cs.CV
Benchmark for License Plate Character Segmentation
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Universidade Federal de Ouro Preto（奥罗普雷托联邦大学）；Universidade Federal do Paraná（巴拉那联邦大学）
车牌自动识别是近年来国内外研究的热点。一般来说，ALPR分为以下几个问题：轨道车辆检测，车牌检测，车牌字符分割和光学字符识别（OCR）。即使商业解决方案可用于受控采集条件，例如，在停车场的入口处，ALPR在处理从不受控制的环境（例如仅依赖于成像传感器的道路和高速公路）获取的数据时仍然是一个开放的问题。由于摄像机捕获的车牌的多个方向和尺度，ALPR的一个非常具有挑战性的任务是车牌字符分割（LPCS）步骤，其有效性需要（接近）最佳以实现OCR的高识别率。为了解决LPCS的问题，这项工作提出了一种新的基准组成的数据集，专门专注于字符分割步骤的ALPR在评估协议。此外，我们提出了Jaccard质心系数，一个新的评价措施比Jaccard系数更合适的地面实况注释内的限界框的位置。该数据集由2，000个巴西车牌组成，包括14，000个字母数字符号及其相应的限界框注释。我们还提出了一种新的直接的方法来有效地执行LPCS。最后，我们提供了一个实验评估的数据集的基础上四个LPCS方法，并证明了字符分割的重要性，实现准确的OCR。
2016-10-31 cs.CV
How many labeled license plates are needed?
Shanghai Institute for Advanced Communication and Data Science, Shanghai University（上海大学上海先进通信与数据科学研究院）；Playground Global
训练一个好的深度学习模型通常需要大量带注释的数据。由于大量的标记数据通常难以收集，甚至更难以注释，因此数据增强和数据生成被广泛用于训练深度神经网络的过程中。然而，对于需要多少标记数据才能获得令人满意的性能，并没有明确的共识。在本文中，我们试图解决这样一个问题，使用汽车牌照字符识别作为一个例子应用程序。我们应用计算机图形脚本和生成对抗网络，从少量真实的手动标记的车牌图像中生成和增强大量带注释的合成车牌图像，这些图像具有逼真的颜色，字体和字符组成。生成的和增强的数据混合，并作为训练数据的车牌识别网络修改从DenseNet。实验结果表明，基于混合训练数据的车牌识别模型具有良好的泛化能力，在数据集1和AOLP上的识别精度均达到了最新水平，即使在原始车牌数量非常有限的情况下也能有效地识别出车牌。此外，当标记图像的数量减少时，由数据生成引起的精度提高变得更加显著。当标记图像的数量增加时，数据增强也起着更重要的作用。
2018-08-25 cs.CV
YOLO and Mask R-CNN for Vehicle Number Plate Identification
针对停车场倾斜车牌识别困难问题，提出基于Mask R-CNN的方法，在AOLP数据集上对斜角大于0/60的车牌分类及倾斜超45度的字符识别效果优于YOLOv2等传统技术。
2024-01-02 cs.CV
Benchmarking Probabilistic Deep Learning Methods for License Plate Recognition
Univ. of Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
用于自动车牌识别的基于学习的算法隐含地假设训练数据和测试数据是良好对齐的。然而，在极端环境条件下，或者在无法针对特定采集设备训练系统的法医应用中，情况可能并非如此。对这种分布外图像的预测失败的可能性增加。但是这种故障情况对于人类操作员或自动化系统来说通常很难识别。因此，在这项工作中，我们提出了明确的车牌识别的预测不确定性建模。这种不确定性度量允许检测错误预测，指示分析人员何时不信任自动车牌识别的结果。在本文中，我们比较了两种架构上的三种不确定性量化方法。对合成噪声或模糊低分辨率图像的实验表明，预测不确定性可靠地发现错误的预测。我们还表明，分类和超分辨率的多任务组合将识别性能提高了109%，错误预测的检测提高了29%。
2023-02-02 cs.CV
License Plate Recognition Based On Multi-Angle View Model
Thuyloi University（水利大学）；Posts and Telecommunications Institute of Technology（邮电技术学院）
本文提出一种基于多角度视角模型的车牌识别方法，通过融合三个视角下的角点和面积特征恢复车牌文本组件，并结合CnOCR进行识别，在PTITPlates和Stanford Cars Dataset上验证了其优越性。
2023-09-22 cs.CV
Relaxed syntax modeling in Transformers for future-proof license plate recognition
ANTAI, Rennes, France（安泰，法国里昂）；Univ Rennes, CNRS, IRISA - UMR 6074, Rennes, France（里昂大学，法国国家科学研究中心，IRISA - UMR 6074，法国里昂）；Univ Rennes, Université Rennes 2, CNRS, IRISA - UMR 6074, Rennes, France（里昂大学，里昂第二大学，法国国家科学研究中心，IRISA - UMR 6074，法国里昂）
针对车牌识别系统因语法变化导致性能下降的问题，提出SaLT无语法Transformer模型，通过架构截断与替换实现语法无关建模，在真实和合成数据集上保持对未来车牌的高识别准确率。
2025-06-20 cs.CV
New Method for Optimization of License Plate Recognition system with Use of Edge Detection and Connected Component
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿物大学）
车牌识别在交通监控和停车场管理系统中起着重要的作用。本文提出了一种快速、实时的方法，该方法适用于寻找倾斜和质量差的底片。该方法首先采用自适应阈值对图像进行二值化。然后，通过一些边缘检测和形态学操作，车牌号码的定位已指定。最后，如果平台有倾斜，则其倾斜被移除。该方法在另一个具有不同背景图像的纸质数据集上进行了测试，考虑了距离和视角，车牌正确提取率达到了98.66%。
2014-07-24 cs.CV
ALPRS - A New Approach for License Plate Recognition using the Sift Algorithm
University of Western São Paulo（西圣保罗大学）；São Paulo State University（圣保罗州立大学）；São Carlos Engineering School (USP)（圣卡洛斯工程学院（圣保罗大学））
本文提出了一种新的车牌自动识别方法，该方法采用SIFT算法分步进行车牌定位。在这种新方法中，除了与SIFT算法获得的特征的比较之外，还观察到与关键点相关联的空间方向和定位之间的对应关系。然后，采用一种快速的字符识别算法对车牌进行字符识别，使其实时的应用成为可能。与所提出的方法获得的结果提出了非常好的成功率，这么多的输入图像中的字符定位，为他们的识别。
2013-03-07 cs.CV
License Plate Super-Resolution Using Diffusion Models
Prince Sultan University（苏丹王子大学）
本文提出基于扩散模型的车牌超分辨率方法，在沙特车牌数据集上训练，PSNR 和 SSIM 均显著优于 SwinIR 与 ESRGAN，且 92% 人工评估者偏好其重建结果。
2023-09-21 cs.CV
Localization of License Plate Using Morphological Operations
SVS College of Engineering and Technology（SVS工程技术学院）；SSK College of Engineering & Technology（SSK工程技术学院）
据信，目前全世界道路上有数百万辆汽车。车辆超速、车辆被盗、在公共场所不遵守交通规则、未经授权的人进入限制区的情况不断增加。为了遏制这些犯罪活动，我们需要一个自动的公共安全系统。每辆车都有自己的车辆识别号（VIN）作为其主要标识符。VIN实际上是一个许可证号码，表明参与公共交通的合法许可证。车牌识别系统是智能交通系统（ITS）的重要组成部分之一，其主要功能是对车牌进行定位。在本文中，某些现有的算法的缺点，克服了所提出的形态操作的LPRS。由于形态学运算效率高、滤噪能力强、精度高、定位准确、运算速度快，因此选择了形态学运算。
2014-02-23 cs.CV
LPTR-AFLNet: Lightweight Integrated Chinese License Plate Rectification and Recognition Network
Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering, China Three Gorges University（湖北水利水电工程智能视觉监测重点实验室，中国三峡大学）；College of Computer and Information Technology, China Three Gorges University（计算机与信息学院，中国三峡大学）；Hubei Key Laboratory of Digital Finance Innovation（湖北省数字金融创新重点实验室）；School of Information Engineering, Hubei University of Economics（信息工程学院，湖北经济学院）
提出一种轻量级统一网络LPTR-AFLNet，结合透视变换校正模块和优化后的AFLNet识别网络，利用识别输出作为弱监督信号引导校正，并改进注意力模块和采用Focal Loss，实现高效准确的车牌校正与识别。
2026-05-29 cs.CV
Segmentation-free Vehicle License Plate Recognition using ConvNet-RNN
虽然车辆牌照识别（VLPR）通常使用滑动窗口方法完成，但它在字符宽度可变的数据集上的性能有限。这可以通过手工制作算法来预缩放字符来解决。虽然这种方法可以相当好地工作，但识别器仅知道每个检测器窗口内的像素，并且无法考虑可能存在于图像的其他部分中的其他上下文信息。滑动窗口方法还需要预先分段的字符形式的训练数据，这可能更难以获得。在本文中，我们提出了一个统一的ConvNet-RNN模型来识别现实世界中捕获的车牌照片。通过使用卷积神经网络（ConvNet）来执行特征提取并使用递归神经网络（RNN）进行排序，我们通过将整个图像作为输入馈送到ConvNet来解决滑动窗口方法无法访问整个图像的上下文的问题。这还有一个额外的好处，即能够在带标签的完整车牌图像上对整个模型进行端到端的训练。将ConvNet-RNN架构与基于滑动窗口的方法进行比较的实验结果表明，ConvNet-RNN架构的性能明显更好。
2017-01-23 cs.CV
PlateSegFL: A Privacy-Preserving License Plate Detection Using Federated Segmentation Learning
Brac University（BRAC大学）
针对车牌检测中边界框方法受限、视频集中上传带来网络与隐私问题，本文提出 PlateSegFL，利用 U-Net 像素级分割和联邦学习实现跨平台协作，在保护隐私的同时达到约95% F1分数。
2024-04-07 cs.CV
BLPR: Robust License Plate Recognition under Viewpoint and Illumination Variations via Confidence-Driven VLM Fallback
Queen Mary University of London（伦敦玛丽女王大学）
本文提出BLPR框架，通过合成数据预训练和真实数据微调提升Bolivian车牌识别鲁棒性，引入轻量视觉语言模型作为置信度回退机制，实现89.6%的字符识别准确率。
2026-07-08 cs.CV
A Robust and Efficient Method for Improving Accuracy of License Plate Characters Recognition
车牌识别技术在交通监控和停车管理中起着重要的作用。提出了一种基于K近邻（K-NN）分类器的车牌字符识别方法。该系统首先对提取的字符进行轮廓化处理，然后提取字符的角度和距离特征信息，最后利用K-NN分类器进行字符识别。根据字符位图上点的分布，计算出字符的角度和距离特征。在K-NN方法中，计算测试点和参考点之间的欧氏距离，以找到k-最近邻。我们在包含1200个样本的可用数据集上评估了我们的方法。使用70%的样本进行训练，在整个样本上测试我们的方法，获得了99%的正确识别率。此外，我们在1200个数据集上使用三/策略验证技术，平均达到99.41%的准确率。
2014-09-16 cs.CV
Intelligent Traffic Surveillance for Real-Time Vehicle Detection, License Plate Recognition, and Speed Estimation
Makerere University（Makerere大学）
本研究提出了一种针对发展中国家的实时智能交通监控系统，通过计算机视觉技术实现车辆检测、车牌识别和速度估计，显著降低错误率并实现自动发票。
2026-01-01 cs.CV
A Robust Deep Learning Framework for Bangla License Plate Recognition Using YOLO and Vision-Language OCR
Department of Electrical（电气工程系）；Electronic Engineering Islamic University of Technology Gazipur, Bangladesh（电子工程伊斯兰科技大学加兹布尔，孟加拉国）；Department of Mechanical Engineering Bangladesh University Of Engineering And Technology Dhaka, Bangladesh（机械工程孟加拉国工程与技术大学达卡，孟加拉国）
提出一种结合YOLOv8两阶段自适应训练和ViT+BanglaBERT视觉语言OCR的鲁棒孟加拉车牌识别系统，在车牌定位和字符识别上分别达到97.83%准确率和0.1323字符错误率。
2026-05-23 cs.CV
Layout-Independent License Plate Recognition via Integrated Vision and Language Models
Graduate University of Advanced Technology（先进技术研究生大学）；Shahid Bahonar University of Kerman（克尔曼沙希德巴霍纳尔大学）
提出一种集成视觉与语言模型的模式感知ALPR框架，通过统一识别阶段学习车牌结构模式，实现版式无关的高精度识别，在多个国际数据集上优于现有无分割方法。
2025-10-12 cs.CV
Iranian License Plate Recognition Using a Reliable Deep Learning Approach
Tarbiat Modares University（塔比亚特·莫达雷斯大学）
针对伊朗车牌识别受环境等因素干扰的难题，提出两阶段深度学习方法，用YOLOv4-tiny检测车牌、CRNN结合CTC识别字符，无需单独分割标注字符，制备对应数据集支撑方法实现。
2023-05-03 cs.CV cs.LG
MicroCharNet: Less is More for License Plate Character Detection
University of Information Technology, Ho Chi Minh City, Vietnam（越南胡志明市信息科技大学）；Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学）
针对车牌字符检测，提出超轻量级模型MicroCharNet，采用C2f块主干与CoordAtt模块，基于轻量级C3k2的颈部融合特征，单级无锚检测头实现端到端预测，以低参数和计算量达竞争精度，可高效实时部署。
2026-07-14 cs.CV
Benchmarking Algorithms for Automatic License Plate Recognition
我们评估了一个轻量级的卷积神经网络（CNN），称为LPRNet [1]，用于自动车牌识别（LPR）。我们评估了两个数据集，一个由真实的车牌图像和其他合成车牌图像的算法。此外，我们将其性能与Tesseract [2]（一种光学字符识别引擎）进行了比较。我们根据识别准确率和Levenshtein距离来衡量性能。LPRNet是一个端到端的框架，在两个数据集上都表现出了强大的性能，在1000个真实和合成车牌图像的测试集上分别提供了90%和89%的识别准确率。Tesseract没有使用真实的车牌图像进行训练，并且仅在预处理步骤后的合成数据集上表现良好，识别准确率达到93%。最后，利用帕累托分析法对误分类字符进行频率分析，根据累计错误百分比，详细找出哪些字符是最冲突的字符。根据区域，车牌图像具有特定的特征。经过适当的训练后，LPRNet可以用于识别特定区域和数据集的字符。未来的工作可以集中在应用迁移学习来利用LPRNet学习到的特征，并在给定更小、更新的车牌数据集的情况下对其进行微调。
2022-03-27 cs.CV cs.LG
Combining Attention Module and Pixel Shuffle for License Plate Super-Resolution
Federal University of Paraná（巴拉那联邦大学）；Brazilian Federal Police（巴西联邦警察）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）
在过去的十年中，由于新颖的深度学习方法与训练数据的可用性增加相结合，车牌识别（LPR）领域取得了令人印象深刻的进步。然而，它仍然有一些开放的问题，特别是当数据来自低分辨率（LR）和低质量的图像/视频时，如在监控系统中。本文主要研究低分辨率和低质量图像中的车牌重建问题。我们提出了一个单图像超分辨率（SISR）的方法，扩展注意力/Transformer模块的概念，通过利用PixelShuffle层的能力，并有一个改进的损失函数的基础上LPR预测。为了训练所提出的架构，我们使用通过将结构相似性指数度量（SSIM）中的重高斯噪声应用于原始高分辨率（HR）图像而生成的合成图像。在我们的实验中，所提出的方法优于基线定量和定性。我们为这项工作创建的数据集可在https://github.com/valfride/lpr-rsr/上公开提供给研究社区
2022-10-30 cs.CV
Comparison of Image Preprocessing Techniques for Vehicle License Plate Recognition Using OCR: Performance and Accuracy Evaluation
Instituto de Informática Universidade Federal de Goiás（戈亚斯联邦大学信息学研究所）
本文系统比较灰度转换、CLAHE和双边滤波等预处理技术在巴西车牌OCR识别中的效果，通过多项指标分析找出最优方法，为实际场景优化OCR性能提供指导。
2024-10-15 cs.CV
A New De-blurring Technique for License Plate Images with Robust Length Estimation
Vellore Institute of Technology（韦洛尔理工学院）
在必须识别肇事车辆的情况下，在看到监控摄像头快照的同时清楚地识别车牌通常很重要。在许多现实世界的情况下，这些图像是模糊的，由于车辆的快速运动，不能识别的人眼。对于这种模糊，所涉及的内核可以说是由其角度和长度描述的线性均匀卷积。我们提出了一种新的去模糊技术，在本文中参数估计的内核尽可能准确的长度估计过程中的重点。我们使用的技术，采用霍夫变换估计的内核角度。为了准确估计核长度，介绍了一种新的方法，使用倒谱变换。我们比较使用我们的计划与其他最近推出的盲去模糊技术的去模糊结果。比较证实，我们的计划可以删除一个大的模糊从摄像头捕获的图像中恢复重要的语义信息的车牌。
2018-02-17 cs.CV
FANVID: A Benchmark for Face and License Plate Recognition in Low-Resolution Videos
Dept. of Electrical Engineering（电气工程系）；IIT Bombay, India（印度班加罗尔理工学院）
FANVID是一个低分辨率视频中人脸和车牌识别的基准，通过引入时间信息建模任务，提升监控、刑侦和自动驾驶中的识别性能。
2026-02-10 cs.CV
TransLPRNet: Lite Vision-Language Network for Single/Dual-line Chinese License Plate Recognition
Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering, China Three Gorges University（水电工程智能视觉监测湖北省重点实验室，中国三峡大学）；College of Computer and Information Technology, China Three Gorges University（计算机与信息学院，中国三峡大学）；Hubei Key Laboratory of Digital Finance Innovation（数字金融创新湖北省重点实验室）；School of Information Engineering, Hubei University of Economics（信息工程学院，湖北经济学院）
针对开放环境中车牌类型多样和成像条件复杂的问题，提出一种集成轻量视觉编码器和文本解码器的统一解决方案，通过预训练框架和透视校正网络实现单/双行中文车牌的高精度识别。
2026-05-29 cs.CL cs.CV
Unified Chinese License Plate Detection and Recognition with High Efficiency
University of Electronic Science and Technology of China（电子科技大学）
最近，基于深度学习的方法在车牌（LP）检测和识别任务上达到了优异的性能。然而，由于没有足够大的和有代表性的数据集，建立一个鲁棒的中国LP模型仍然具有挑战性。在这项工作中，我们提出了一个新的数据集命名为中国道路板块数据集（CRPD），其中包含多目标中国LP图像作为现有公共基准的补充。这些图像主要是通过电子监控系统捕获的，并附有详细的注释。据我们所知，CRPD是最大的公共多目标中国LP数据集与顶点的注释。以CRPD为基础，提出了一个高效的统一检测和识别网络。该网络是端到端可训练的，具有完全实时的推理效率（30 fps，640p）。在几个公共基准测试上的实验表明，我们的方法已经达到了竞争力的性能。代码和数据集将在www.example.com上公开。
2022-05-07 cs.CV
On the Cross-dataset Generalization in License Plate Recognition
Federal University of Paraná（巴拉那联邦大学）；Federal Institute of Paraná（巴拉那联邦学院）
由于深度学习的进步和数据集可用性的增加，自动车牌识别（ALPR）系统在多个地区的车牌（LP）上表现出了卓越的性能。深度ALPR系统的评估通常在每个数据集内完成;因此，这些结果是否是泛化能力的可靠指标是值得怀疑的。在本文中，我们提出了一个传统的分裂与留一个样本的实验设置，以经验性地评估12个光学字符识别（OCR）模型的跨数据集泛化，这些模型应用于9个公开可用的数据集上的LP识别，这些数据集在几个方面有很大的不同（例如，采集设置、图像分辨率和LP布局）。我们还为端到端ALPR引入了一个公共数据集，该数据集是第一个包含Mercosur LP车辆图像的数据集，也是摩托车图像数量最多的数据集。实验结果揭示了在ALPR环境中评估方法的传统分割协议的局限性，因为当以留一个样本的方式训练和测试模型时，大多数数据集的性能都会显着下降。
2022-12-21 cs.CV
