基于YOLO检测器的鲁棒实时自动车牌识别

自动车牌识别（ALPR）由于其众多的实际应用而成为研究的热点话题。然而，目前许多解决方案在实际环境中仍然不够稳健，通常依赖于多种约束条件。本文提出了一种基于最先进的YOLO目标检测器的稳健且高效的ALPR系统。为了使卷积神经网络（CNNs）在不同条件下（例如摄像头、光照和背景的变化）具有鲁棒性，我们对每个ALPR阶段进行了训练和微调。特别是在字符分割和识别方面，我们设计了两阶段的方法，采用了简单的数据增强技巧，如倒置车牌（LPs）和翻转字符。该ALPR方法在两个数据集上取得了令人印象深刻的结果。首先，在SSIG数据集中，该数据集由101个车辆视频中的2,000帧组成，我们的系统实现了93.53%的识别率和每秒47帧（FPS），优于Sighthound和OpenALPR商业系统（分别为89.80%和93.03%），并且显著超过了先前的结果（81.80%）。其次，为了模拟更加真实的场景，我们引入了一个更大的公开数据集，称为UFPR-ALPR数据集，专门用于ALPR研究。该数据集包含150个视频和4,500帧图像，在拍摄时摄像头和车辆均处于移动状态，并且包含了不同类型车辆（汽车、摩托车、公交车和卡车）。在我们提出的这个数据集中，商业系统的试用版本仅达到了低于70%的识别率。相比之下，我们的系统表现更佳，识别率为78.33%，每秒处理35帧图像。