面向实际场景的车牌超分辨率：一个数据集和基准
计算机视觉与模式识别
2025-07-09 v1
摘要
近期，车牌识别 (LPR) 的超分辨率研究致力于应对监视、交通监控和 forensic 应用中低分辨率 (LR) 和退化图像所面临的挑战。然而，现有研究依赖私有数据集和简化的退化模型。为此，我们引入 UFPR-SR-Plates 数据集，包含 10,000 个轨迹，涵盖 100,000 对实际场景下捕获的低分辨率车牌图像和高分辨率车牌图像。我们使用多个顺序 LR 和高分辨率 (HR) 图像建立基准测试——每个车辆五个 LR 和五个 HR 图像。我们还调查了三种融合策略，以评估结合领先的光学字符识别 (OCR) 模型对多个超分辨率车牌预测的性能。我们的发现表明，超分辨率显著提升了 LPR 性能，当应用基于多数投票的融合技术时，进一步获得改进。具体而言，采用布局感知和字符驱动网络 (LCDNet) 模型结合 基于字符位置的多数投票 (MVCP) 策略，实现了最高的识别率，将低分辨率图像下的识别率从 1.7% 提升至 31.1%，并在结合五个超分辨率图像的 OCR 输出后提升至 44.7%。这些发现凸显了超分辨率和时序信息在应对实际恶劣条件下提升 LPR 准确率的关键作用。该提出的数据集已公开，可供进一步研究使用，访问地址为：https://valfride.github.io/nascimento2024toward/。
引用
@article{arxiv.2505.06393,
title = {Toward Advancing License Plate Super-Resolution in Real-World Scenarios: A Dataset and Benchmark},
author = {Valfride Nascimento and Gabriel E. Lima and Rafael O. Ribeiro and William Robson Schwartz and Rayson Laroca and David Menotti},
journal= {arXiv preprint arXiv:2505.06393},
year = {2025}
}
备注
Accepted for publication in the Journal of the Brazilian Computer Society