ZUSAMMENFASSUNG Die Kennzeichenerkennung (LPR) – auch weit verbreitet als automatische Kennzeichenerkennung (ALPR) bezeichnet – ist ein kritischer Bestandteil intelligenter Verkehrssysteme. Trotz erheblicher Verbesserungen der Genauigkeit durch Deep Learning bleibt der zuverlässige Einsatz von LPR in realen Umgebungen aufgrund ungünstiger Bildbedingungen, Domänenverschiebungen und praktischer Systembeschränkungen eine Herausforderung. Diese Umfrage konzentriert sich auf hybride Deep-Learning-Frameworks, die konvolutionale und auf Aufmerksamkeit basierende Modelle integrieren. Im Unterschied zu bestehenden Umfragen betont diese Überprüfung das gemeinsame Design und die Bewertung von Erkennungs- und Erkennungs-Pipelines und analysiert, wie architektonische Kopplung die Robustheit und Einsatzfähigkeit beeinflusst. Ein einheitlicher Überblick über die LPR-Pipeline wird präsentiert, der Erkennung, Erkennung, Datensätze und Einsatzüberlegungen abdeckt. Bestehende Methoden werden in CNN-basierte, transformer-basierte und hybride Ansätze kategorisiert. Für die Erkennung wird die Entwicklung von konvolutionalen Detektoren zu CNN-Transformator-Hybriden analysiert, wobei Trade-offs zwischen Genauigkeit, Robustheit und Echtzeit-Leistung hervorgehoben werden. Für die Erkennung werden Sequenzmodellierungsparadigmen von CTC-basierten Methoden bis hin zu auf Aufmerksamkeit basierenden Seq2Seq- und Transformer-Architekturen überprüft. Darüber hinaus werden öffentliche Benchmarks und Strategien zur Domänenverallgemeinerung untersucht, die anhaltende Einschränkungen wie regionale Verzerrungen aufdecken. Ein konsolidierter Benchmark-Vergleich über repräsentative Architekturen wird bereitgestellt, um die quantitative Bewertung zu erleichtern. Schließlich wird eine ganzheitliche Bewertungsperspektive gefordert, und zukünftige Forschungsrichtungen zur Verbesserung robuster und einsetzbarer LPR-Systeme werden umrissen.
Deng et al. (Do,) untersuchten diese Frage.