通过合成与真实数据融合提升跨国车牌识别：全面评估
计算机视觉与模式识别
2026-01-13 v1
摘要
自动车牌识别（ALPR）因其广泛的实际应用而成为热门研究主题。虽然近期研究使用合成图像改善车牌识别（LPR）结果，但这些努力仍存在若干局限。本工作通过全面探索真实数据与合成数据的集成来增强LPR性能。我们将16个光学字符识别（OCR）模型置于包含12个来自不同地区的公开数据集的基准测试中。我们的调查结果披露了若干关键发现。首先，大规模合成数据集成显著提升了模型在同一数据集和跨数据集情形下的性能。我们检查了三种不同的合成数据生成方法：模板生成、字符置换和利用生成对抗网络（GAN）模型，每种方法均对性能提升贡献显著。这些方法的组合使用显示出显著的协同效应，导致的端到端结果超越了最先进的方法和已建立的商业系统。我们的实验还强调了合成数据在缓解数据稀缺挑战方面的有效性，即使仅使用原始训练数据的小比例也能实现惊人的成果。最后，我们研究了不同模型在准确率与速度之间的权衡，确定在每种同一数据集和跨数据集设置中哪些模型实现最佳平衡。
引用
@article{arxiv.2601.07671,
title = {Advancing Multinational License Plate Recognition Through Synthetic and Real Data Fusion: A Comprehensive Evaluation},
author = {Rayson Laroca and Valter Estevam and Gladston J. P. Moreira and Rodrigo Minetto and David Menotti},
journal= {arXiv preprint arXiv:2601.07671},
year = {2026}
}
备注
IET Intelligent Transport Systems, vol. 19, no. 1, p. e70086, 2025