Implementation of Licensed Plate Detection and Noise Removal in Image Processing
Asia Pacific University, Malaysia（亚太大学，马来西亚）
本文实现了一种车牌检测与噪声去除方法，通过图像处理技术提高车牌识别系统的准确性和鲁棒性。
2026-06-16 cs.CV eess.IV eess.SP
Efficient License Plate Recognition in Videos Using Visual Rhythm and Accumulative Line Analysis
University of São Paulo（圣保罗大学）
针对视频ALPR计算开销高的问题，提出基于VR和ALA的单车单帧提取方法，结合YOLO检测与CNN OCR识别，在保持准确率相当的同时实现三倍提速。
2025-01-08 cs.CV cs.LG
Toward Unified Fine-Grained Vehicle Classification and Automatic License Plate Recognition
Journal of the Brazilian Computer Society（巴西计算机学会期刊）
本文提出UFPR-VeSV数据集，包含24945张16297辆不同车辆的图像，涵盖13种颜色、26种品牌、136种型号和14种类型，用于细粒度车辆分类与自动车牌识别的联合研究，揭示了实际应用中的挑战。
2026-04-07 cs.CV
Real-time Bangla License Plate Recognition System for Low Resource Video-based Applications
Islamic University of Technology（伊斯兰科技大学）；Pioneer Alpha Ltd.（Pioneer Alpha有限公司）
自动车牌识别系统旨在提供一种解决方案，用于检测，定位和识别出现在视频帧中的车辆的车牌字符。然而，在现实世界中部署这样的系统需要在低资源环境中具有实时的【形】性能。在我们的论文中，我们提出了一个与Vision API配对的两阶段检测流水线，它提供了实时的【形】推理速度以及一致的准确检测和识别性能。我们在主干MobileNet SSDv2检测模型上使用了一个Haar级联分类器作为过滤器。这通过仅关注高置信度检测并将其用于识别来减少推理时间。我们还施加了一个时间帧分离策略，以区分多个车辆牌照在同一个剪辑。此外，没有公开可用的孟加拉车牌数据集，为此我们创建了一个包含野生车牌的图像数据集和视频数据集。我们在图像数据集上训练了我们的模型，获得了86%的AP（0.5）分数，并在视频数据集上测试了我们的管道，观察到合理的检测和识别性能（82.7%的检测率和60.8%的OCR F1分数）以及实时的【形】处理速度（27.2帧每秒）。
2021-11-14 cs.AI cs.CV
BLPnet: A new DNN model and Bengali OCR engine for Automatic License Plate Recognition
Military Institute of Science and Technology（军事科学技术研究院）
针对英文车牌的自动车牌识别系统的开发一直备受关注。然而，尽管孟加拉语国家是世界上第六大人口，但在ALPR系统解决道路安全措施不足的更令人担忧的交通管理问题方面，孟加拉语国家没有取得重大进展。本文报告了一个计算效率高，精度合理的孟加拉语字符自动车牌识别（ALPR）系统与一个新的端到端DNN模型，我们称之为孟加拉语车牌网络（BLPnet）。该模型采用级联结构，在车牌检测之前检测车辆区域，消除了误报，提高了车牌检测的准确率。此外，较低的一组可训练的参数被认为是减少计算成本，使系统更快，更兼容的实时应用。该模型采用基于CNN的新孟加拉语OCR引擎和文字映射过程，具有字符旋转不变性，能够快速提取、检测并输出完整的车牌号码。该模型以每秒17帧的速度对实时视频进行输入，检测车辆的均方误差为0.0152，平均车牌字符识别准确率为95%。与其他模型相比，BLPnet在车牌检测精度和时间要求方面分别比基于YOLO的ALPR模型和Tesseract模型提高了5%和20%。
2022-02-18 cs.AI cs.CV cs.NE
Iranis: A Large-scale Dataset of Farsi License Plate Characters
University of Guilan（吉兰大学）；Shahid-Chamran College Technical and Vocational University（沙希德-查姆兰技术与职业大学）；DadeKavan Khazar Pouya company（达德卡万·哈扎尔·普亚公司）
提供大量数据是处理深度神经网络（DNN）时的基本需求。采用这些算法来解决计算机视觉问题导致了各种图像数据集的出现，以提供最常见的视觉图像深层结构，称为卷积神经网络（CNN）。在这方面，可以发现一些数据集包含用于牌照检测和光学字符识别目的的数百甚至数千个图像。然而，没有公开可用的图像数据集提供用于识别汽车牌照中使用的波斯语字符的数据。由于开发用于执法和监视目的的精确的基于深度学习的系统具有众多优势，因此必须填补这一空白。本文介绍了一个大规模的数据集，其中包括伊朗汽车牌照中使用的数字和字符的图像。这个名为Iranis的数据集包含83，000多张波斯语数字和字母的图像，这些图像是从各种摄像头捕获的真实车牌图像中收集的。相机拍摄角度、照明、分辨率和对比度方面的各种实例使数据集成为训练DNN的合适选择。数据集图像被手动注释用于目标检测和图像分类。最后，为了建立波斯语字符识别的基线，本文使用YOLO v.3对象检测器进行了性能分析。
2021-01-01 cs.AI cs.CV cs.LG
Open data for Moroccan license plates for OCR applications : data collection, labeling, and model construction
MSDA group, Mohammed VI Polytechnic University (UM6P)（穆罕默德六世理工大学）
近年来，围绕智能交通管理系统的研究已经取得了显著的进展，尤其是基于OCR的车牌识别，因为它被认为是任何自动交通管理系统的主要步骤。研究界越来越需要和产生高质量的数据集，以提高这些算法的性能。此外，还注意到在牌照上有专用字符的国家，如摩洛哥，特别需要数据，因为摩洛哥使用阿拉伯字母。在这项工作中，我们提出了一个标记的开放数据集的流通板在摩洛哥，不同类型的车辆，即汽车，卡车和摩托车。该数据是手动收集的，由705个独特和不同的图像组成。此外，这些数据被标记为车牌分割和入学号码OCR。此外，正如我们在本文中所展示的那样，可以使用数据增强技术来丰富数据，为不同的机器学习和AI应用创建具有数千张图像的训练集。我们提出并比较了一组建立在这些数据上的模型。此外，我们将这些数据作为开放获取数据发布，以鼓励在OCR和图像处理领域的创新和应用，用于交通控制和其他应用于运输和异构车辆管理。
2021-04-16 cs.AI cs.CV
Deep Learning Based Vehicle Tracking System Using License Plate Detection And Recognition
Shah and Anchor Kutchhi Engineering College（沙阿与安克尔库奇工程学院）
车辆跟踪是智能交通管理系统中不可或缺的一部分。以前的车辆跟踪系统使用基于全球定位系统（GPS）的系统，该系统通过智能手机提供个人车辆的位置。所提出的系统使用车辆牌照检测和识别（VLPR）技术进行车辆跟踪的新方法，该方法可以与交通管理系统大规模集成。最初的方法，实现VLPR使用简单的图像处理技术，这是相当实验性和启发性。随着深度学习和计算机视觉的出现，人们可以创建强大的VLPR系统，可以产生接近人类效率的结果。基于深度学习的先前实现利用目标检测和支持向量机进行检测，并利用基于启发式图像处理的方法进行识别。该系统利用场景文本检测模型架构进行车牌检测，并使用光学字符识别引擎（OCR）Tesseract进行识别。该系统在高速公路视频上使用NVIDIA Ge-force RTX 2080 ti GPU进行测试时，获得了非常出色的结果，速度为每秒30帧，精度接近人类。
2020-05-10 cs.CV cs.LG eess.IV
Indian Commercial Truck License Plate Detection and Recognition for Weighbridge Automation
Ahmedabad University（艾哈迈达巴德大学）
检测和识别牌照是重要的自动化地磅服务。虽然许多大型数据库可用于拉丁文和中文字母数字车牌，但印度车牌的数据不足。特别是，印度商用卡车牌照数据库不足，尽管商用车牌照识别在物流管理和地磅自动化方面发挥着深远的作用。此外，识别车牌的模型由于其具有挑战性的性质，并且由于手写车牌的丰富频率，导致使用不同的字体样式，因此无法有效地概括这些数据。因此，识别和检测此类车牌的数据库和有效模型至关重要。本文提供了一个商用卡车牌照数据库，并在实时目标检测中使用最先进的模型：You Only Look Once Version 7和SceneText Recognition：置换自回归序列模型，我们的方法优于其他引用的参考文献，其中获得的最大精度小于90%，而我们在所提出的具有挑战性的车牌数据集上实现了95.82%的准确率。自动车牌识别，字符识别，车牌检测，视觉Transformer .
2022-12-22 cs.CV
Low-Power License Plate Detection and Recognition on a RISC-V Multi-Core MCU-Based Vision System
研究基于RISC-V多核MCU的视觉系统的低功耗车牌检测与识别，采用多模型推理方法，在公共数据集上车牌检测mAP达38.9%，字符识别率>99.13%，实际数据中低尺寸车牌也能识别，节能且无需硬连线加速引擎，便于算法改进。
2026-07-14 cs.CV eess.IV
Veri-Car: Towards Open-world Vehicle Information Retrieval
JPMorgan Chase & Co.（摩根大通公司）
本文提出 Veri-Car 车辆信息检索框架，利用监督学习、预训练模型、分层多相似度损失及车牌 OCR，实现开放世界中车辆属性与车牌的准确识别。
2025-05-12 cs.CV
Physics-Grounded Monocular Vehicle Distance Estimation Using Standardized License Plate Typography
Department of Computer and Information Science, University of Michigan-Dearborn（1计算机与信息科学系，密歇根大学-迪尔伯恩分校）；Department of Industrial and Manufacturing Systems Engineering, University of Michigan-Dearborn（2工业与制造系统工程系，密歇根大学-迪尔伯恩分校）
本文提出了一种利用美国标准化车牌字体作为被动标记进行车辆距离估计的方法，通过显式的几何先验知识解决尺度模糊问题，无需训练数据或主动照明，实现了鲁棒的距离、相对速度和碰撞预警。
2026-07-03 cs.CV eess.IV
Efficient Video-Based ALPR System Using YOLO and Visual Rhythm
Instituto de Matemática e Estatística - Universidade de São Paulo（圣保罗大学数学与统计学院）
针对基于视频的 ALPR 通常依赖多帧的问题，本文提出结合 YOLO、视觉节律与 OCR 的高效系统，为每辆车仅提取一帧即可识别车牌字符，早期实验验证了可行性。
2025-01-08 cs.CV cs.LG eess.IV
A Novel AI-Driven System for Real-Time Detection of Mirror Absence, Helmet Non-Compliance, and License Plates Using YOLOv8 and OCR
Computer Science and Engineering（计算机科学与工程）；RV College of Engineering（RV工程学院）
针对人工交通执法效率低、一致性差的问题，提出基于YOLOv8与EasyOCR的AI系统，可实时检测头盔违规、摩托车后视镜缺失并识别车牌，检测精度表现优异，为自动化交通执法提供实用方案。
2025-11-15 cs.AI cs.CV
Synthesizing Annotated Image and Video Data Using a Rendering-Based Pipeline for Improved License Plate Recognition
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
训练样本数量不足是神经网络应用中普遍存在的问题。虽然数据增强方法至少需要最小数量的样本，我们提出了一种新的，基于渲染的管道合成注释的数据集。我们的方法不修改现有的样本，而是合成全新的样本。所提出的基于渲染的流水线能够在全自动过程中生成和注释合成的和部分真实的图像和视频数据。此外，管道可以帮助采集真实数据。建议的管道是基于渲染过程。该过程生成合成数据。部分真实的数据使合成序列更接近现实，通过在采集过程中加入真实的相机。建议的数据生成管道的好处，特别是有限的可用训练数据的机器学习的情况下，证明了广泛的实验验证的背景下，自动车牌识别。实验结果表明，与仅在真实数据集上训练的OCR算法相比，字符出错率和漏失率分别从73.74%和100%降低到14.11%和41.27%。这些改进是通过仅在合成数据上训练算法来实现的。当另外结合真实数据时，出错率可以进一步降低。因此，字符出错率和漏失率可分别降低到11.90%和39.88%。在实验过程中使用的所有数据以及用于自动数据生成的拟议基于渲染的管道都在下公开提供（URL将在发布时公布）。
2022-09-28 cs.CV eess.IV
Chaurah: A Smart Raspberry Pi based Parking System
Odisha University of Technology and Research（奥迪沙技术与研究大学）
本文提出Chaurah，一种基于树莓派3的低成本自动车牌识别（ANPR）停车系统，采用双阶段CNN进行车牌检测与OCR识别，并搭配Flutter和Firebase应用实现数据库管理和计时计费。
2023-12-28 cs.CV
Advancing Vehicle Plate Recognition: Multitasking Visual Language Models with VehiclePaliGemma
Yo-Vivo Corporation（优vivo公司）；Tapway Sdn Bhd（Tapway私人有限公司）
本文提出微调的开源视觉语言模型VehiclePaliGemma，用于在复杂条件下识别车牌，在马来西亚车牌数据集上准确率达87.6%，并具备多任务识别能力。
2024-12-14 cs.CV cs.LG
End-to-end trainable network for degraded license plate detection via vehicle-plate relation mining
University of Science and Technology Beijing（北京科技大学）；EEasy Technology Company Ltd.（易易科技有限公司）
车牌检测是车牌识别系统的第一步，也是必不可少的一步，在实际应用中仍然具有挑战性，例如道路场景。特别是小尺寸和倾斜的车牌，主要是由于距离较远且移动摄像头造成的，很难检测到。在这项工作中，我们提出了一种新的和适用的方法，通过车辆牌照关系挖掘，在一个由粗到细的计划定位车牌退化车牌检测。首先，我们提出了估计的车牌周围的局部区域，通过使用车辆和车牌之间的关系，这可以大大减少搜索区域和精确检测非常小的车牌。其次，我们提出了预测的四边形限界框在本地区域回归的四个角落的车牌鲁棒检测倾斜的车牌。此外，整个网络可以以端到端的方式进行训练。大量的实验验证了我们提出的方法的有效性，小尺寸和倾斜的车牌。代码可在https://github.com/chensonglu/LPD-end-to-end上获得。
2020-10-27 cs.CV
Deep Learning Based Framework for Iranian License Plate Detection and Recognition
Qom University of Technology（库姆理工大学）
车牌识别系统在诸如收费管理、停车管理和交通管理等许多应用中具有非常重要的作用。本文提出了一种用于伊朗车牌识别的深度卷积神经网络框架。第一个CNN是YOLOv 3网络，用于检测输入图像中的伊朗车牌，而第二个CNN是Faster R-CNN，用于识别和分类检测到的车牌中的字符。本文还开发了一个由病态图像组成的伊朗车牌数据集。YOLOv 3网络实现了99.6%的mAP，98.26%的召回率，98.08%的准确率，平均检测速度仅为23 ms。此外，Faster R-CNN网络在开发的数据集上进行了训练和测试，并实现了98.97%的召回率，99.9%的准确率和98.8%的准确率。所提出的系统可以识别车牌在具有挑战性的情况下，如不需要的数据上的车牌。与其他伊朗车牌识别系统的比较表明，该系统具有速度快、精度高、可在开放环境下工作等优点。
2022-01-18 cs.CV
LPRNet: License Plate Recognition via Deep Neural Networks
Intel（英特尔）
提出了一种基于LPRNet的端到端车牌自动识别方法。我们的方法受到深度神经网络最新突破的启发，并实时工作，对中国车牌的识别准确率高达95%：在nVidia GeForce GTX 1080上为3 ms/板，在Intel Core i7- 6700 K CPU上为1.3 ms/板。LPRNet由轻量级的卷积神经网络组成，因此它可以以端到端的方式进行训练。据我们所知，LPRNet是第一个不使用RNN的实时车牌识别系统。因此，LPRNet算法可用于创建LPR的嵌入式解决方案，即使在具有挑战性的中国车牌上也具有高水平的准确性。
2018-06-27 cs.CV
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
Indian Licence Plate Dataset in the wild
University of Florida（佛罗里达大学）
印度车牌检测是一个在开源水平上还没有被探索的问题。有专有的解决方案可供使用，但没有大的开源数据集可用于执行实验和测试不同的方法。大多数可用的大型数据集是针对中国，巴西，但在这些数据集上训练的模型在印度车牌上表现不佳，因为所使用的字体样式和车牌设计因国家而异。本文介绍了印度车牌数据集，在对16192幅图像和21683个车牌进行4点标注的基础上，提出了一种基于语义分割的车牌检测基准模型。我们提出了一个两阶段的方法，其中第一阶段是用于定位的板块，第二阶段是读取文本裁剪板图像。我们测试了基准目标检测和语义分割模型，对于第二阶段，我们使用基于lprnet的OCR。
2021-11-11 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
Enhancing Vehicle Entrance and Parking Management: Deep Learning Solutions for Efficiency and Security
GIFT University（GIFT大学）
本文提出基于YOLOv8n、Tesseract-OCR及人脸识别的深度学习系统，实现车辆入口与停车自动管理，提升效率与安全性。
2023-12-05 cs.AI 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
Exploration of an End-to-End Automatic Number-plate Recognition neural network for Indian datasets
BARC（巴巴原子研究中心）
印度的汽车牌照在大小、字体、字体和形状方面有着广泛的多样性。因此，自动车牌识别（ANPR）解决方案的开发具有挑战性，需要多样化的数据集作为示例集合。然而，印度情景的综合数据集缺失，从而阻碍了向公开可用和可复制的ANPR解决方案的进展。许多国家都在努力开发全面的ANPR数据集，如中国城市停车数据集（CCPD）和美国面向应用的车牌数据集（AOLP）。在这项工作中，我们发布了一个目前由1.5k图像组成的扩展数据集，以及一个可扩展和可复制的程序，用于增强该数据集，以开发适合印度条件的ANPR解决方案。我们利用这个数据集来探索印度场景的端到端（E2E）ANPR架构，该架构最初是基于CCPD数据集为中国车牌识别提出的。当我们为数据集定制架构时，我们遇到了一些见解，我们在本文中讨论了这些见解。我们报告的CCPD的作者提供的模型的直接可重用性的障碍，因为在印度的车牌和分布相对于CCPD数据集的差异的极端多样性。在将印度数据集的特征与中国数据集的特征进行比对后，LP检测提高了42.86%。在这项工作中，我们还比较了E2E车牌检测模型与YOLOv5模型的性能，这些模型在COCO数据集上进行了预训练，并在印度车辆图像上进行了微调。鉴于用于微调检测模块和yolov5的印度车辆图像数量相同，我们得出结论，基于COCO数据集而不是CCPD数据集为印度条件开发ANPR解决方案更具样本效率。
2022-07-14 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
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
