IR-LPR

IR-LPR数据集是由伊朗Malek Ashtar理工大学电气与计算机工程学院创建，包含20,967张汽车图像，涵盖完整的牌照及其字符检测标注。数据集大小适中，数据量丰富，主要来源于伊朗各地的实际拍摄，创建过程中使用了多种工具和技术进行图像标注和处理。该数据集主要应用于自动车牌识别系统，旨在解决车牌检测和字符识别中的挑战，如不同天气条件、光照变化和车牌布局多样性等问题。The IR-LPR dataset was developed by the School of Electrical and Computer Engineering, Malek Ashtar University of Technology in Iran. It contains 20,967 vehicle images with comprehensive annotations for license plate and character detection. The dataset has a moderate scale and abundant data, mainly sourced from real-world captures across various regions of Iran. Multiple tools and techniques were employed for image annotation and processing during its creation. This dataset is primarily applied to automatic license plate recognition systems, aiming to address challenges in license plate detection and character recognition, such as varying weather conditions, illumination fluctuations and diverse license plate layouts.

搜集汇总

数据集介绍

构建方式

在自动车牌识别领域，构建高质量数据集是推动算法进步的关键。IR-LPR数据集的构建过程体现了系统性与严谨性，其采集工作历时四年，由马利克·阿什塔尔大学超过55名机器学习专业学生参与，使用智能手机等设备在真实道路环境中拍摄车辆图像。原始图像经过标准化处理，将分辨率统一调整至最大1280×1280像素，以确保数据适用于主流深度学习模型。标注环节采用LabelImg工具，对车牌整体及单个字符进行精细边界框标注，最终形成包含20,967张车辆图像及27,745张车牌切片的双重标注体系，同时为补充稀有车牌类型，还利用生成式方法构建了包含28,600张图像的合成数据集。

使用方法

研究者可通过GitHub公开仓库获取该数据集，并依据其提供的标准划分进行模型训练与评估。数据集支持完整的自动车牌识别流程：在预处理阶段，可利用其丰富的真实场景变异进行数据增强；检测阶段可直接使用车辆级与字符级边界框标注训练YOLOv5、Detectron2等目标检测模型；识别阶段则可基于车牌切片数据构建字符分类或序列识别模型。论文中已提供基于该数据集的基准性能评估，包括mAP、精确率及莱文斯坦比等指标，为后续研究提供了可靠参照。此外，合成数据集的引入为处理样本稀有的特殊车牌类型提供了有效补充方案。

背景与挑战

背景概述

在自动车牌识别（ALPR）技术日益成为智能交通与安防领域核心组件的背景下，伊朗马利克·阿什塔尔理工大学的研究团队于2018年至2022年间构建了IR-LPR数据集。该数据集旨在解决伊朗本土车牌识别研究中数据稀缺的瓶颈，其核心研究问题聚焦于为复杂环境下的车牌检测与字符识别任务提供大规模、高质量的本土化标注数据。IR-LPR包含了20,967张车辆图像及27,745张车牌字符图像，涵盖了昼夜、多种天气、不同角度与距离等真实场景条件，显著提升了针对波斯语字符及伊朗特有车牌格式的模型训练能力，对推动区域性的ALPR技术发展与实际应用具有重要价值。

当前挑战

IR-LPR数据集所应对的领域挑战主要在于复杂环境下的鲁棒性车牌识别。具体包括：极端天气（如雨雪雾）对图像质量的干扰；多变光照条件（如强光、阴影、夜间车灯）导致的识别困难；车牌因拍摄角度产生的几何形变；以及波斯语字符中存在的视觉相似性（如'س'与'ص'、'۲'与'۳'）和新引入的微小字符'0'的准确区分。在构建过程中，挑战体现在数据采集与标注的复杂性上：需要协调大量学生使用非专业设备进行实地拍摄，确保覆盖多样化的真实场景；同时，针对某些稀缺车牌类型（如政府用车、临时车牌）样本不足的问题，团队不得不额外创建合成数据以平衡数据集，并需对高分辨率图像进行统一预处理以适配模型输入。

常用场景

经典使用场景

在智能交通系统与计算机视觉领域，IR-LPR数据集为伊朗车牌自动识别（ALPR）研究提供了关键支撑。该数据集以其大规模、多场景覆盖的特点，成为训练和评估深度学习模型的首选资源。研究人员常利用其丰富的标注信息，包括车牌整体及字符级边界框，构建端到端的ALPR流水线，涵盖车牌检测、字符分割与光学字符识别等核心环节。数据集涵盖昼夜不同光照、多种天气条件及多样拍摄角度，确保了模型在复杂现实环境中的鲁棒性验证。

解决学术问题

IR-LPR数据集有效应对了ALPR研究中的若干核心挑战。其大规模标注样本缓解了数据稀缺性问题，特别是针对波斯语字符及特殊车牌类型（如政府车辆、出租车等）的识别难题。数据集涵盖的多种失真、光照变化及天气条件，为模型泛化能力研究提供了实验基础。通过提供详尽的字符分布统计与位置信息，该数据集支持了细粒度分类、小目标检测及多语言OCR等前沿方向的探索，推动了跨领域视觉感知技术的理论进展。

实际应用

在实际部署中，IR-LPR数据集为伊朗及类似地区的智能交通管理提供了技术基石。基于该数据集训练的模型可应用于高速公路自动收费系统、违章车辆追踪、停车场智能管控及边境安全检查等场景。其涵盖的昼夜与多天气数据确保了系统在全天候条件下的稳定运行，而针对特殊车牌（如残疾人车辆、政府专用牌）的识别能力则提升了公共服务的精细化水平。这些应用显著提升了交通监管效率，并为智慧城市建设提供了可靠的数据驱动解决方案。

数据集最近研究

最新研究方向

在自动车牌识别领域，IR-LPR数据集的推出为波斯语车牌识别研究注入了新的活力。该数据集凭借其大规模、多场景覆盖的特点，成为解决复杂环境下车牌检测与识别挑战的关键资源。当前研究聚焦于利用深度学习模型，如YOLOv5和Detectron2，在极端天气、光照变化及字符相似性等难点上进行优化，同时结合合成数据增强技术以提升模型对稀有车牌类型的泛化能力。这些探索不仅推动了伊朗本土智能交通系统的发展，也为多语言车牌识别提供了可借鉴的范式，具有重要的学术与应用价值。

相关研究论文

• IR-LPR: Large Scale of Iranian License Plate Recognition Dataset

  伊朗 Malek Ashtar 理工大学电气与计算机工程学院 · 2022年