随着全球智能交通数字化转型的持续推进，车牌识别技术作为交通调度、执法取证、智慧停车等场景的核心支撑能力，其落地效果高度依赖训练数据集的场景覆盖度与标注质量。当前业内已公开的车牌识别数据集多以高分辨率、理想光照条件下的标注数据为主，而真实交通运营环境中普遍存在的监控点位距离过远、设备老化、视频压缩传输损耗、昼夜光线波动、雨雪雾等恶劣天气干扰等问题，导致低分辨率车牌识别准确率长期难以突破，也成为制约存量交通监控系统效能释放的核心痛点。近日，巴西巴拉那联邦大学牵头的研究团队正式发布业内首个专注于真实低分辨率车牌识别的公开数据集LRLPR-26，相关成果于2026年4月24日首发于预印本平台arXiv，为相关算法研发提供了标准化的基准训练数据。
据公开信息显示，LRLPR-26数据集由巴拉那联邦大学等多机构联合构建，共包含20000条训练轨迹和3000条测试轨迹，每条轨迹对应同一车牌的5张低分辨率图像与5张高分辨率匹配图像，总计覆盖23万张标注图像。所有数据均来自部署在巴西境内的真实交通监控摄像头，覆盖白天、夜间、雨天等多种复杂运营场景，数据集构建过程采用YOLOv11目标检测技术与BoT-SORT多目标跟踪技术完成标注校准，数据质量符合工业级算法训练要求。
从应用价值来看，基于该数据集训练的车牌识别算法可针对性解决低分辨率、高压缩传输等真实场景下的识别难题，可广泛应用于多个交通相关领域：在交通执法场景中，可提升老旧监控点位模糊车牌的识别准确率，减少执法取证的遗漏；在高速卡口、城市过境通道等远距离监控场景中，可提升远距采集图像的车牌识别精度，辅助涉车案件追踪；在恶劣天气下的城市交通调度场景中，可提升雨天、雾天等低能见度环境下的车辆识别效率，支撑动态路网优化调度；还可应用于存量智慧停车场的算法升级，无需更换硬件设备即可提升老旧摄像头的车牌识别通过率，降低数字化改造成本。
作为当前业内唯一覆盖真实复杂场景的低分辨率车牌公开数据集，LRLPR-26的发布有效填补了细分领域的训练数据空白，大幅降低了相关算法的研发门槛，对推动全球车牌识别技术迭代、加速智能交通场景的数字化落地具有重要支撑作用，也为交通领域的数据要素开放共享提供了参考范式。
详情页内容：
_1769672084863.jpg)