LPLC：用于车牌可读性分类的数据集
计算机视觉与模式识别
2025-11-14 v2
摘要
自动车牌识别 (ALPR) 在处理不可读车牌 (LP) 时面临主要挑战。虽然超分辨率 (SR) 等重建方法涌现，但识别这些低质量车牌的核心问题仍未解决。为优化模型性能和计算效率，应 selectively 应用于需要增强可读性的情况进行图像预处理。为支持此领域的研究，我们引入一个新型数据集，包含 10,210 张车辆图像，标注 12,687 个车牌，用于车牌可读性分类 (LPLC 数据集)。图像涵盖广泛的车辆类型、光照条件和摄像/图像质量水平。我们采用细粒度标注策略，包括车辆和车牌级别的遮挡、四类可读性 (完美、良好、较差和不可读)，以及三个类别的字符标签（不包括不可读车牌）。作为基准，我们提出一个分类任务，使用三个图像识别网络确定车牌图像是否足够好、需要超分辨率，或完全无法恢复。所有三个基线模型 (ViT、ResNet 和 YOLO) 的总体 F1 分数均低于 80%，以及对 SR 和车牌识别方法的分析，凸显了该任务的难度，强化了需要进一步研究的必要性。该提出的数据集已公开于 https://github.com/lmlwojcik/lplc-dataset。
引用
@article{arxiv.2508.18425,
title = {LPLC: A Dataset for License Plate Legibility Classification},
author = {Lucas Wojcik and Gabriel E. Lima and Valfride Nascimento and Eduil Nascimento and Rayson Laroca and David Menotti},
journal= {arXiv preprint arXiv:2508.18425},
year = {2025}
}
备注
Accepted for presentation at the Conference on Graphics, Patterns and Images (SIBGRAPI) 2025