LPTR-AFLNet：轻量化集成中文车牌整矫与识别网络

中文车牌识别（CLPR）在无约束和复杂环境下面临诸多挑战，尤其是由于各种拍摄角度导致的透视畸变以及单行与双行车牌的矫正问题。鉴于边缘设备的计算资源有限，开发一种低复杂度的端到端集成网络以实现矫正和识别对实现实时高效部署至关重要。本文提出一种轻量化、统一的网络，命名为LPTR-AFLNet，用于车牌的矫正与识别，该网络将透视变换矫正模块（PTR）与优化后的车牌识别网络AFLNet相结合。网络利用识别输出作为弱监督信号，以有效引导矫正过程，确保准确的透视畸变矫正。为提高识别准确率，我们对LPRNet进行了若干改进，包括引入改进注意力模块以减少类似字符之间的混淆，并使用Focal Loss以应对训练期间的类别不平衡。实验结果表明，LPTR-AFLNet在矫正透视畸变和识别双行车牌图像方面表现卓越，在各种具有挑战性的场景中均保持高识别准确率。此外，在较低中端GPU平台上，该方法运行时间少于10毫秒，表明其实际效率和广泛适用性。