A Dataset and Model for Realistic License Plate Deblurring

车牌识别是智能交通管理系统中至关重要的任务。然而，由于快速移动的车辆导致的运动模糊，实现准确识别的挑战仍然存在。尽管现有的去模糊和识别算法中广泛使用图像合成方法，但它们在实际场景中的有效性仍未得到证明。为了解决这个问题，我们介绍了第一个大规模的车牌去模糊数据集，名为License Plate Blur (LPBlur)，由双摄像头系统捕获并通过后处理流程进行处理以避免对齐问题。然后，我们提出了一个车牌去模糊生成对抗网络 (LPDGAN) 来解决车牌去模糊问题：1) 特征融合模块，用于集成多尺度潜变量；2) 文本重建模块，通过文本模态恢复结构；3) 划分鉴别器模块，增强模型对每个字母的细节感知。广泛的实验验证了LPBlur数据集在模型训练和测试中的可靠性，展示了我们提出的模型在真实的车牌去模糊场景中优于其他最先进的运动去模糊方法。数据集和代码可在https://github.com/haoyGONG/LPDGAN上获得。

解决车牌识别中快速移动车辆造成的图像模糊问题

提出了基于生成对抗网络的车牌去模糊方法，包括特征融合模块、文本重建模块和分区判别器模块

引入了一个大规模的车牌去模糊数据集LPBlur，并且证明了该数据集的可靠性；提出的方法在现实场景下的车牌去模糊效果优于其他现有的方法；数据集和代码已公开

最近的相关研究包括：《Fast Vehicle License Plate Detection With Deep Learning》、《License Plate Recognition Using Deep Neural Networks and Convolutional Neural Network》