本文提出了基于 YOLO 名物体检测器的自动车牌识别系统，使用卷积神经网络 (CNN) 对每个车牌识别阶段进行训练和微调，实现在不同条件下具有稳健性。针对字符分割和识别，本文设计了一个两阶段方法，并采用倒置车牌和翻转字符等简单的数据增强技巧。该系统在两个数据集中均取得了卓越的成绩。

Feb, 2018

使用基于卷积神经网络（CNN）的 YOLOv4-tiny 模型检测车牌，利用卷积递归神经网络（CRNN）和 CCT 算法进行检测，无需将字符分割和标注，只需提取车牌号码。

May, 2023

本文提出了一种基于 YOLO 物体检测器的高效且与布局无关的自动车牌识别系统，实现了车牌检测和布局分类的统一方法，通过后处理规则提高了识别结果的准确性，并使用多样的数据增强技术使该系统在不同条件下鲁棒性强，通过在多个数据集上的实验取得了优异的识别率和帧速率。

Sep, 2019

本文提出了一种针对孟加拉语车牌的高效自动车牌识别系统，采用新的端到端深度神经网络模型 Bengali License Plate Network (BLPnet)，实现了字符旋转不变性和实时车牌字符识别，Mean Squared Error 为 0.0152，平均车牌字符识别准确率达到 95%。与其他模型相比，BLPnet 具有更高的号牌检测准确率和更短的时间要求。

Feb, 2022

提出在多帧中跟踪车牌并通过自适应车牌旋转算法和字符时间序列匹配方法提高车牌识别精确度的研究。在 UFPR-ALPR 数据集上达到 96.7% 的实时准确率，用于越南 ALPR 系统的车牌检测和字符识别准确率分别达到 0.881 和 0.979 [email protected]。

Jul, 2023

本文提出了一种基于深度学习的级联结构，在自然场景图像中使用卷积神经网络（CNN）和循环神经网络（RNN）来检测和识别汽车车牌，具有高召回率、高精确度和无需分割的优点。

Jan, 2016

提出了一种自动扫描车牌并识别其字符的混合方法，其中使用了 YOLO 模型、Otsu 阈值和 CNN 模型，以便创新性地实现自动化车辆识别，随着的普及，这有助于防止盗用和滥用。

Sep, 2021

本研究基于 YOLO 对象检测器和归一化流技术，提出了一种鲁棒性和高效性的自动车牌识别系统，包括两个新策略：使用两阶段网络检测车牌并使用多尺度图像转换解决背景噪声问题，同时引入来自摩洛哥的数据集以鼓励更多关于车牌识别的研究。

Jul, 2022

自动车牌识别（ALPR）是一种利用图像处理和计算机视觉技术自动读取和提取车辆车牌数据的系统。该方法包括处理孟加拉低分辨率模糊的车牌并识别车牌字符，通过图像恢复、对比度最大化、形态学图像处理、卷积神经网络进行特征提取、字符分割和识别。为该项目准备了 1292 张孟加拉数字和字符的数据集。

Dec, 2023

该篇论文提出了一种针对车牌内文本检测问题的方法，通过合并多个不同角度的图像帧，从车牌的角点和面积等特征中提取描述性特征，使用相似度估计和距离度量来恢复同一车牌行中的文本组件。随后，采用 CnOCR 方法进行车牌内文本识别。对自收集的数据集 (PTITPlates) 和公开的 Stanford Cars 数据集进行的实验结果表明，该方法在各种情景下都优于现有方法。

Sep, 2023