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

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

本研究提出了一种名为 'SHINE' 的新系统，它使用基于深度学习的目标检测算法，授权使用卡，徽章或访问徽章，从而协调车辆、车牌和残疾徽章的识别，并与中央服务器进行身份验证，解决了韩国易受滥用的无障碍停车位管理问题，平均精度达 92.16%。

Feb, 2023

该研究论文介绍了 Haris，一种先进的自主移动机器人系统，用于利用车牌识别在拥挤的停车场中跟踪车辆位置。该系统采用自主定位和地图绘制（SLAM）进行自主导航和停车区域的精确绘制，消除了对全球定位系统（GPS）的依赖。此外，该系统利用计算机视觉技术的复杂框架进行物体检测和自动车牌识别（ALPR），读取和关联车牌号与位置数据。随后，这些信息与后端服务同步，并通过用户友好的移动应用程序提供给用户，以轻松找到车辆位置并减轻停车设施的拥堵。所提出的系统有潜力改善拥挤场所（如体育场）的短期大型室外停车区域的管理。可在此网址找到该机器人的演示。

Jan, 2024

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

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

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

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

本研究旨在开发一种结合人脸识别和车牌识别技术的模型，以保障车辆安全和实时追踪逃犯和被盗车辆。

Apr, 2023