摘要

自动车牌识别（Automatic License Plate Recognition, ALPR）因其广泛的实际应用而成为研究热点。然而，当前许多解决方案在真实场景中仍缺乏鲁棒性，通常依赖于诸多限制条件。本文提出了一种基于前沿YOLO目标检测器的鲁棒且高效的ALPR系统。针对ALPR的各个阶段，我们分别训练并微调了卷积神经网络（Convolutional Neural Networks, CNNs），使其在不同条件下（如相机类型、光照变化和背景差异）均具备良好的适应能力。特别地，在字符分割与识别阶段，我们设计了一种两阶段方法，并引入了简单的数据增强技巧，例如翻转车牌（License Plates, LPs）和翻转字符。所提出的ALPR方法在两个数据集上均取得了令人瞩目的结果。首先，在SSIG数据集上，该数据集包含101辆汽车视频中的2,000帧图像，我们的系统实现了93.53%的识别率和47帧每秒（Frames Per Second, FPS）的处理速度，优于Sighthound和OpenALPR两款商用系统（识别率分别为89.80%和93.03%），显著超越了以往的研究成果（81.80%）。其次，为模拟更具现实意义的场景，我们构建了一个更大的公开数据集——UFPR-ALPR数据集，专为ALPR任务设计。该数据集包含150段视频和4,500帧图像，采集时相机与车辆均处于运动状态，并涵盖多种车型（轿车、摩托车、公共汽车和卡车）。在该数据集上，商用系统的试用版本识别率均低于70%；而我们的系统表现更优，达到了78.33%的识别率和35 FPS的处理速度。