通过带 grounding DINO 和 YOLOv8 的伪标记监督实现高效车牌识别
计算机视觉与模式识别
2025-10-30 v1 人工智能
摘要
开发高度精确的自动车牌识别系统（ALPR）因光照、雨雾等环境因素而具备挑战性。此外，还面临高车速、不同摄像机角度以及低质量或低分辨率图像等问题。ALPR在交通控制、停车场、车辆跟踪、收费站和执法等领域具有重要价值。本文提出一种深度学习策略，采用YOLOv8进行车牌检测和识别任务。该方法利用来自Ontario、Quebec、California和New York State等数据集的车牌数据，显著提升模型性能。在Center for Pattern Recognition and Machine Intelligence（CENPARMI）数据集上实现了94%的召回率，在UFPR-ALPR数据集上实现了91%的召回率。此外，本方法遵循半监督学习框架，将小量人工标注数据与由Grounding DINO生成的伪标签相结合，用于训练检测模型。Grounding DINO作为一种强大的视觉语言模型，能够自动为大量图像生成车牌边界框，从而最小化对耗时的手动标注依赖。通过整合人工验证和模型生成的标注，能够高效扩展数据集，同时保持标签质量，从而显著提升训练过程和整体模型性能。本文还报告了两个数据集的字符错误率，提供了系统性能的额外洞察。
关键词
引用
@article{arxiv.2510.25032,
title = {Efficient License Plate Recognition via Pseudo-Labeled Supervision with Grounding DINO and YOLOv8},
author = {Zahra Ebrahimi Vargoorani and Amir Mohammad Ghoreyshi and Ching Yee Suen},
journal= {arXiv preprint arXiv:2510.25032},
year = {2025}
}
备注
6 pages, 8 figures. Presented at 2025 IEEE International Workshop on Machine Learning for Signal Processing (MLSP), August 31 - September 3, 2025, Istanbul, Turkey