摘要

本文介绍了一种基于最先进的YOLO目标检测器的高效且布局无关的自动车牌识别（ALPR）系统，该系统包含一种统一的方法用于车牌（LP）检测和布局分类，通过后处理规则来提高识别结果。该系统的构思是在评估和优化不同模型的基础上进行的，旨在每个阶段实现最佳的速度/精度权衡。网络训练使用了来自多个数据集的图像，并加入了各种数据增强技术，以确保在不同条件下具有鲁棒性。所提出的系统在实验中使用的八个公共数据集（来自五个不同地区）上实现了平均端到端识别率为96.9%，在中国车牌（ChineseLP）、OpenALPR-EU、SSIG-SegPlate和UFPR-ALPR数据集上的表现优于以往的研究成果和商业系统。在其他数据集中，所提出的方法也达到了与基线方法相当的结果。此外，我们的系统在高端GPU上实现了令人印象深刻的每秒帧数（FPS），即使场景中有四辆车也能实现实时处理。另一项贡献是我们手动标注了来自公共数据集的6,239张图像中的38,351个边界框，并将这些注释公开提供给研究社区。