摘要
尽管当前大多数车牌（License Plate, LP）识别技术已取得显著进展，但其应用仍局限于训练数据经过精细标注且场景受限的理想环境。本文提出一种新型车牌识别方法，旨在应对真实世界中无约束交通场景的挑战。为克服这些困难，我们采用对抗性超分辨率（Adversarial Super-Resolution, SR）技术，并结合单阶段字符分割与识别框架。在基于VGG-net的深度卷积网络基础上，该方法实现了简洁而合理的训练流程。此外，本文构建了GIST-LP数据集——一个具有挑战性的车牌数据集，其图像样本均来自真实世界中无约束的监控场景，具有较强的现实代表性。在AOLP与GIST-LP数据集上的实验结果表明，本方法无需针对特定场景进行适应性调整，即可在识别准确率上超越现有主流车牌识别方法，同时其超分辨率重建结果在视觉增强效果上显著优于原始图像，更具可读性与理解性。