Détection et reconnaissance de plaques d'immatriculation dans des scénarios non contraints

Malgré le grand nombre de méthodes commerciales et académiques dédiées à la reconnaissance automatique des plaques d'immatriculation (ALPR), la plupart des approches existantes se concentrent sur une région spécifique de plaque (par exemple, européenne, américaine, brésilienne, taïwanaise, etc.) et explorent fréquemment des jeux de données composés principalement d’images frontales. Ce travail propose un système complet d’ALPR conçu pour des scénarios de capture non contraints, dans lesquels la plaque peut être fortement déformée en raison de vues obliques. Notre principal apport réside dans la proposition d’un nouveau réseau de neurones convolutifs (CNN) capable de détecter et de rectifier plusieurs plaques déformées présentes dans une même image, lesquelles sont ensuite traitées par une méthode de reconnaissance optique de caractères (OCR) pour obtenir le résultat final. En complément, nous présentons également des annotations manuelles pour un ensemble exigeant d’images de plaques provenant de différentes régions et conditions d’acquisition. Nos résultats expérimentaux montrent que la méthode proposée, sans adaptation de paramètres ni réglage fin pour un scénario spécifique, atteint des performances comparables aux meilleurs systèmes commerciaux sur des jeux de données traditionnels, tout en surpassant à la fois les approches académiques et commerciales sur des jeux de données difficiles.