MF-LPR$^2$: 基于光流的多帧车牌图像恢复与识别

车牌识别 (LPR) 对交通执法、犯罪调查和监控具有重要意义。然而，行车记录仪图像中的车牌区域通常存在分辨率低、运动模糊和眩光等问题，使得准确识别极具挑战性。依赖预训练先验的现有生成模型无法可靠地恢复此类低质量图像，常引入严重的伪影和失真。为解决这一问题，我们提出了一种新颖的多帧车牌恢复与识别框架 MF-LPR$^2$，该框架通过对相邻帧进行对齐和聚合来消除低质量图像中的歧义，而非依赖预训练知识。为实现精确的帧对齐，我们采用了最先进的光流估计器，并结合精心设计的算法，利用车牌图像序列固有的时空一致性来检测和纠正错误的光流估计。我们的方法在提升图像质量和识别准确率的同时，保留了输入图像的证据内容。此外，我们构建了一个新颖的真实车牌识别 (RLPR) 数据集来评估 MF-LPR$^2$。RLPR 数据集包含 200 对低质量车牌图像序列和高质量伪真值图像，反映了真实场景的复杂性。在实验中，MF-LPR$^2$ 在 PSNR、SSIM 和 LPIPS 指标上以显著优势优于八种近期的恢复模型。在识别方面，MF-LPR$^2$ 达到了 86.44% 的准确率，优于十一种基线模型中最佳的单帧 LPR (14.04%) 和多帧 LPR (82.55%)。消融实验结果证实，我们的滤波和细化算法对这些改进有显著贡献。