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

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

本研究提出了一个自动化的框架，由三个步骤组成：车型识别、车牌定位和阅读。我们使用深度学习算法，在新采集的多样化车型和车牌数据集上进行训练， 最终在车型识别、车牌定位和阅读三个任务中，YOLOv4 算法获得了最佳表现，同时我们也发布了我们的数据集和训练代码。

Feb, 2022

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

通过使用最先进的深度学习模型，我们自动化了车辆入口和停车的过程，确保车辆和人员已在组织中注册，提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配，增强了便利性、准确性和安全性。

Dec, 2023

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

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

使用边缘检测技术提取车牌的方法，研究了基于像素或基于像素集的边缘检测算法在嘈杂和干净环境中的号牌提取效果，并以 MATLAB 2017b 和 Pratt 图像优劣为性能度量指标进行了实验验证。

Feb, 2024

利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

Nov, 2023

本文提出了一种实时精准的自动车牌识别方法，其中采用了基于卷积神经网络的车牌识别模型、几何校正模型以及字符编码器等技术，通过使用顶点信息和共享特征分类器等，达到了较好的识别效果及较强的泛化能力。

Nov, 2020