摘要
尽管目前已有大量商业及学术界的自动车牌识别（Automatic License Plate Recognition, ALPR）方法，但大多数现有技术主要针对特定区域的车牌（如欧洲、美国、巴西、台湾等地）进行优化，并且通常依赖于以正面视角为主的图像数据集。本文提出了一套完整的ALPR系统，专注于非受限拍摄场景下的应用，其中车牌可能因斜向视角而产生显著畸变。本研究的主要贡献在于提出一种新型卷积神经网络（Convolutional Neural Network, CNN），能够在一个图像中同时检测并校正多个畸变的车牌区域，随后将校正后的图像输入光学字符识别（Optical Character Recognition, OCR）模块，以获得最终识别结果。作为附加贡献，本文还提供了来自不同地区及多种采集条件下的具有挑战性的车牌图像的手动标注数据集。实验结果表明，所提出的算法在无需针对特定场景进行参数调整或微调的情况下，在传统数据集上的表现与当前最先进的商业系统相当，且在更具挑战性的数据集上优于现有的学术与商业方法。