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

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

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

为了推动道路安全、交通监控、监视和物流自动化的最新技术，我们引入了全球车牌数据集（GLPD）。该数据集由超过 500 万张图像组成，包括来自 74 个国家的多样化样本，并具有精细的注释，包括车牌字符、车牌分割掩码、车牌角点以及车辆的制造商、颜色和型号。此外，我们还提供了更多类别的标注数据，如行人、车辆、道路等。我们还包括了数据集的统计分析，并提供了高效准确的基准模型。GLPD 旨在成为车牌识别模型开发和微调的主要基准数据集。

Mar, 2024

本研究提出了一种融合深度神经网络的方法，在单个前向传递中同时定位车牌并识别车牌上的字符。与现有方法不同的是，我们的方法可以避免中间误差的积累，并加快处理速度，并在三个数据集上进行实验，证明了我们的方法的有效性和效率。

Sep, 2017

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

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

教育部颁布的第 xxxx 号文件的要求：高校要强化学生思想政治教育，增强学生的理论素养，提高学生的科学素养等。

Apr, 2024