全球车牌数据集
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
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
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
本研究提出一种自动化设计数据归档的方案，介绍了一个由汽车设计师定义的汽车外观设计特征数据集 GP22，并使用 YOLO v5 作为设计特征检测模型进行基线模型训练以及性能测试，结果表明该数据集可在设计领域中应用。
Jul, 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
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
通过使用深度学习方法，本研究通过对海量车牌字符图像的训练，提出一种具有抵抗故意篡改攻击的车牌字符识别方法。通过生成对抗性图像进行训练，模型在识别车牌字符方面达到了 99.7% 的准确率，并通过解释性研究找出了容易受到攻击的车牌字符图像区域，从而为改进车牌识别系统的鲁棒性提供了重要参考。
Oct, 2023
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