UFPR-SR-Plates

UFPR-SR-Plates数据集是一个包含10,000个车辆轨迹的公开数据集，每个轨迹包含10张连续的图片，其中5张为低分辨率图片，5张为高分辨率图片，这些图片是在现实世界的监控场景下拍摄的。数据集总共包含100,000张车牌图片，其中一半是巴西车牌，另一半是南方共同市场（Mercosur）车牌，分辨率分别为1280 × 960像素和1920 × 1080像素。数据集在真实世界环境下拍摄，能够更好地模拟现实世界的监控场景，为车牌超分辨率研究提供了宝贵的资源。The UFPR-SR-Plates dataset is a publicly available dataset containing 10,000 vehicle trajectories. Each trajectory includes 10 consecutive images, with 5 low-resolution images and 5 high-resolution images, all captured in real-world surveillance scenarios. The dataset contains a total of 100,000 license plate images, half of which are Brazilian license plates and the other half are Mercosur license plates, with respective resolutions of 1280 × 960 pixels and 1920 × 1080 pixels. Captured in real-world environments, this dataset better simulates actual surveillance scenarios and provides a valuable resource for license plate super-resolution research.

搜集汇总

数据集介绍

构建方式

UFPR-SR-Plates数据集通过安装在巴西道路上的卷帘快门相机采集，包含10,000条轨迹，每条轨迹由同一车辆的五张连续低分辨率（LR）图像和五张连续高分辨率（HR）图像组成，总计100,000张图像。数据采集历时六个月，每天在固定时间段进行，排除了夜间图像以避免红外干扰。数据集涵盖了不同的环境条件和光照变化，并包含巴西和Mercosur两种车牌布局。通过YOLOv8模型检测和跟踪车辆，并使用IWPOD-NET进行车牌角点检测，最终通过多任务OCR模型标注车牌字符。所有标注均经过人工审核以确保数据质量。

使用方法

UFPR-SR-Plates数据集适用于车牌超分辨率（SR）和车牌识别（LPR）任务。研究人员可以使用该数据集训练和评估SR模型，通过将LR图像超分辨为HR图像以提升LPR性能。数据集支持多图像融合策略（如最高置信度、多数投票和按字符位置多数投票）来结合OCR模型的预测，从而进一步提高识别率。此外，数据集还可用于研究时间信息在车牌识别中的作用，以及在真实世界恶劣条件下的模型鲁棒性。

背景与挑战

背景概述

UFPR-SR-Plates数据集由巴西巴拉那联邦大学（Federal University of Paraná）的研究团队于2024年提出，旨在解决真实场景下车牌超分辨率（Super-Resolution, SR）与识别（License Plate Recognition, LPR）的核心问题。该数据集包含10,000条轨迹共100,000张图像，每条轨迹提供五对低分辨率（LR）和高分辨率（HR）车牌图像，覆盖巴西和南共市两种车牌布局，并模拟了监控场景中的复杂退化条件（如运动模糊、光照变化）。作为首个公开的大规模真实世界车牌超分辨率数据集，其创新性体现在多帧时序关联设计与退化多样性，推动了LPR系统在交通监控、司法取证等领域的鲁棒性研究。

当前挑战

UFPR-SR-Plates面临的挑战可分为领域问题与构建过程两类。在领域层面，需解决低分辨率车牌因字符粘连、背景干扰导致的识别率骤降问题（原始LR图像识别率仅2.2%），现有超分辨率方法在真实退化下的泛化性不足（如LPSRGAN在合成数据达93.9%而真实数据仅19.6%）。构建挑战包括：1) 真实退化建模需平衡运动模糊、传感器噪声等多因素；2) 数据标注需克服远距离车牌检测偏差（通过迭代优化IWPOD-NET实现）；3) 时序对齐要求对同一车辆的多帧LR/HR图像精确匹配；4) 隐私合规性需遵循巴西车牌非个人关联的法律约束。

常用场景

经典使用场景

UFPR-SR-Plates数据集在车牌超分辨率（Super-Resolution, SR）和车牌识别（License Plate Recognition, LPR）领域具有经典应用场景。该数据集通过提供10,000条轨迹，每条轨迹包含5张低分辨率（LR）和5张高分辨率（HR）车牌图像，为研究真实场景下的车牌图像退化问题提供了丰富资源。其典型使用场景包括评估超分辨率模型在提升低质量车牌图像清晰度方面的性能，以及验证多帧融合策略对车牌识别准确率的提升效果。数据集中的图像捕捉自巴西道路监控摄像头，涵盖了不同光照、天气和车辆运动状态下的真实退化情况，为算法在复杂环境下的鲁棒性测试提供了理想平台。

解决学术问题

UFPR-SR-Plates数据集有效解决了车牌识别研究中的关键学术问题。首先，它填补了真实世界低分辨率车牌数据集的空白，突破了以往研究依赖合成退化图像的局限。其次，通过提供时序关联的多帧图像，支持了基于时间信息的超分辨率融合方法研究，如多数投票（MVCP）策略将识别率从单帧的29.9%提升至44.7%。此外，数据集包含巴西和南共市两种车牌布局，促进了跨布局泛化能力的研究。最重要的是，该数据集推动了领域专用模型（如LCDNet）的发展，其布局感知和字符驱动的设计显著优于通用超分辨率方法，为解决字符结构失真、背景混淆等典型问题提供了新思路。

实际应用

在实际应用层面，UFPR-SR-Plates数据集直接服务于智能交通系统的核心需求。其衍生的超分辨率技术可显著提升监控摄像头在低光照、远距离或高速运动场景下的车牌识别率，具体应用于电子警察、收费站自动识别和被盗车辆追踪等场景。实验表明，基于该数据集训练的模型能将原始低分辨率图像的识别率从2.2%提升至42.3%，这种性能突破对刑事侦查中的车牌模糊图像复原具有重要价值。此外，数据集支持的多帧融合策略为车载移动执法系统提供了技术方案，通过整合连续帧信息有效应对动态模糊问题。

数据集最近研究

最新研究方向

近年来，车牌超分辨率重建技术在智能交通、安防监控等领域展现出重要价值，UFPR-SR-Plates数据集的推出为这一领域注入了新的研究活力。该数据集包含10,000条轨迹共100,000张真实场景下采集的高低分辨率车牌图像对，突破了传统合成数据的局限性。当前前沿研究主要聚焦于三个方向：基于时序信息的多帧融合策略显著提升了低质量车牌的识别率，如MVCP方法将识别准确率从单帧的29.9%提升至44.7%；领域自适应网络架构设计成为热点，LCDNet通过可变形卷积和OCR判别器实现了字符结构与版面布局的协同优化；轻量化实时处理与高精度重建的平衡研究也取得进展，LPSRGAN以207.5FPS的推理速度展现了工程化潜力。这些突破为复杂场景下的车牌识别提供了新的技术路径，同时也凸显了真实世界数据在算法验证中的不可替代性。

相关研究论文

• Toward Advancing License Plate Super-Resolution in Real-World Scenarios: A Dataset and Benchmark

  巴西联邦大学帕拉纳分校 · 2025年