Détection et reconnaissance de plaques d’immatriculation par IA

La détection et reconnaissance de plaques d’immatriculation, souvent désignée par les sigles LPR ou ANPR, consiste à localiser une plaque dans une image puis à convertir ses caractères en texte numérique. Le système réalise deux tâches principales : d’abord, un modèle de détection identifie la zone de la plaque ; ensuite, un modèle OCR lit la séquence alphanumérique.

Ces systèmes sont utilisés dans le contrôle du trafic, le stationnement, le péage, la logistique, le contrôle d’accès et certaines applications de sécurité. À mesure que les villes intelligentes déploient davantage de caméras et d’infrastructures connectées, le LPR permet d’automatiser des tâches auparavant manuelles. Les travaux de l’International Association of Transportation Regulators (IATR) illustrent l’intérêt de ces technologies pour la mobilité, la conformité et l’efficacité opérationnelle.

La fiabilité d’un système LPR dépend de la qualité des jeux de données, de la diversité des conditions visuelles et de la précision des annotations. Reflets, pluie, flou de mouvement, angles de vue, plaques étrangères ou caractères partiellement visibles peuvent fortement dégrader les performances si ces cas ne sont pas représentés dans les données d’entraînement.

Pourquoi le LPR est important pour les villes intelligentes et la mobilité

Automatisation du contrôle routier

Les villes utilisent le LPR pour contrôler les limitations de vitesse, les feux rouges, les voies réservées ou l’accès à certaines zones. L’automatisation réduit le travail manuel et permet une surveillance plus régulière sur de grands périmètres urbains.

Gestion du stationnement et des accès

Les opérateurs de parking s’appuient sur le LPR pour l’entrée sans ticket, la facturation automatisée, le calcul du temps de présence et le contrôle d’accès résidentiel ou professionnel. Cette approche fluidifie les entrées et sorties et réduit les frictions pour les usagers.

Péage et tarification routière

Les systèmes LPR permettent d’identifier les véhicules sans badge RFID ni paiement manuel. Ils augmentent le débit aux péages et peuvent soutenir des zones de tarification ou de congestion.

Flottes et opérations logistiques

Les centres de distribution, ports, entrepôts et sites industriels utilisent le LPR pour suivre les entrées et sorties de véhicules, automatiser la documentation et renforcer la sécurité.

Sécurité publique

Le LPR peut aider à identifier des véhicules recherchés, à suivre des véhicules liés à une enquête ou à surveiller des zones sensibles. Ces usages doivent être encadrés par des règles de gouvernance et de protection des données adaptées.

Comment fonctionne la détection de plaques

Localiser la région de la plaque

La première étape consiste à détecter la plaque sur le véhicule. Les modèles analysent l’image et identifient une zone généralement rectangulaire, caractérisée par une densité de caractères, des bordures, des contrastes et un format spécifique.

Gérer les angles et la perspective

Les caméras urbaines capturent souvent les véhicules de biais ou depuis une hauteur importante. Les modèles doivent gérer la rotation, l’inclinaison et la distorsion de perspective. Les jeux de données doivent donc inclure des vues variées.

Prendre en compte les designs régionaux

Les plaques varient selon les pays et régions : polices, couleurs, emblèmes, dimensions, marquages de sécurité, formats à une ou deux lignes. Un modèle robuste doit être entraîné sur les formats réellement visés par le déploiement.

Faible luminosité et scènes nocturnes

La nuit introduit des reflets de phares, du bruit d’image, des surfaces réfléchissantes et du flou. Les jeux de données doivent couvrir les captures de nuit, l’infrarouge et les scènes sous éclairage urbain.

Météo et conditions difficiles

Pluie, brouillard, neige, poussière ou saleté peuvent masquer les caractères. Les données annotées doivent représenter ces conditions pour éviter un modèle trop dépendant d’images propres.

Comment fonctionne la reconnaissance OCR des plaques

Segmentation des caractères

Après la détection, certains systèmes segmentent chaque caractère avant l’OCR. Cette approche convient aux plaques au format très régulier. D’autres architectures utilisent un OCR de bout en bout qui lit directement la séquence complète.

Modèles de reconnaissance de texte

Les modèles OCR combinent souvent réseaux convolutionnels, architectures CRNN ou transformeurs pour interpréter les séquences alphanumériques. Ils doivent gérer les variations de police, d’espacement, d’embossage, de couleur et de reflet.

Plaques multilingues

Certaines régions utilisent des alphabets ou caractères spécifiques : arabe, cyrillique, japonais, hindi, coréen ou symboles locaux. Les modèles doivent être entraînés sur les jeux de caractères pertinents pour la zone de déploiement.

Réduction du bruit

Les pipelines OCR intègrent souvent des étapes de prétraitement : défloutage, correction du contraste, redressement, recadrage et normalisation. Ces étapes améliorent la lisibilité avant la reconnaissance.

Scores de confiance

Les sorties OCR incluent souvent un score de confiance par caractère ou pour la séquence complète. Ces scores permettent de détecter les plaques illisibles ou les images nécessitant une vérification complémentaire.

Jeux de données utilisés dans les systèmes LPR

Images de véhicules complets

Ces images montrent les véhicules dans leur environnement. Les annotateurs dessinent des boîtes englobantes autour des plaques afin d’entraîner le modèle de détection.

Recadrages de plaques

Les recadrages isolent la plaque pour l’entraînement OCR. Ils doivent couvrir différents angles, niveaux de luminosité, arrière-plans et états de dégradation.

Données synthétiques

Les plaques synthétiques permettent d’augmenter la diversité des polices, formats, couleurs et textures. Elles complètent les images réelles, mais doivent être validées pour éviter un écart trop important avec le terrain.

Données nocturnes et faible luminosité

Les jeux de données de nuit reproduisent les conditions d’exploitation de nombreux réseaux urbains. Ils incluent parfois l’infrarouge ou des captures sous éclairage public.

Jeux de données multinationaux

Les modèles déployés dans plusieurs pays doivent couvrir des plaques de régions différentes. Les ressources de l’ITS World Congress montrent comment la recherche et les benchmarks contribuent à structurer l’évaluation des systèmes de mobilité.

Annotation pour la détection de plaques

Boîtes englobantes

Les annotateurs encadrent précisément la plaque, sans couper les caractères ni inclure trop d’arrière-plan. Une variation excessive des boîtes nuit à l’apprentissage du détecteur.

Plaques multiples

Certaines images contiennent plusieurs plaques, par exemple sur un véhicule avec remorque ou dans une scène de trafic dense. Les consignes doivent indiquer comment annoter chaque instance.

Occlusions

La saleté, les ombres, les feuilles, les attaches ou les éléments du véhicule peuvent masquer une partie de la plaque. Les annotateurs doivent signaler ces cas pour améliorer la robustesse du modèle.

Guidelines pour les angles

Les plaques vues en perspective nécessitent des règles cohérentes. Selon l’outil, on utilisera une boîte englobante, un quadrilatère ou une segmentation plus précise.

Contrôle qualité

Un contrôle multi-niveaux réduit les écarts entre annotateurs et limite les erreurs qui se propagent ensuite vers l’OCR.

Annotation pour la reconnaissance OCR

Transcription caractère par caractère

Les annotateurs transcrivent exactement la séquence visible. Une seule erreur peut entraîner un apprentissage incorrect. Les règles doivent préciser les tirets, espaces, symboles, caractères régionaux et caractères ambigus.

Symboles et caractères spéciaux

Certaines plaques comportent des emblèmes, signes régionaux ou formats à deux lignes. Les consignes définissent comment représenter ces éléments dans la transcription.

Segmentation si nécessaire

Lorsque l’architecture impose une segmentation, chaque caractère est encadré individuellement. Cette tâche est plus longue, mais utile pour certains pipelines OCR.

Différences régionales

Les conventions de transcription varient selon les pays. Les annotateurs doivent suivre les règles adaptées au marché cible.

Vérification et revue

Les jeux de données OCR exigent un niveau de précision élevé. Une double revue ou une validation par consensus est souvent nécessaire pour limiter les erreurs de transcription.

Défis de construction des systèmes LPR

Distorsion d’angle

Les plaques capturées depuis une caméra haute ou latérale apparaissent déformées. Les données doivent inclure ces situations pour entraîner des modèles tolérants aux perspectives difficiles.

Flou de mouvement

Les véhicules en mouvement produisent des images floues, notamment la nuit ou avec une vitesse d’obturation insuffisante. Les modèles doivent apprendre à traiter ces cas ou à les marquer comme peu fiables.

Formats de plaques variés

Les pays utilisent des formats, polices et couleurs différents. Un modèle entraîné sur un seul pays risque de mal fonctionner ailleurs.

Conditions météorologiques

Pluie, neige, brouillard ou poussière réduisent la lisibilité. Les données d’entraînement doivent représenter ces situations opérationnelles.

Visibilité nocturne

Les phares, reflets et images infrarouges modifient l’apparence des plaques. Les modèles doivent être testés sur ces cas.

Confidentialité et réglementation

Les plaques sont des données sensibles dans de nombreux contextes. Les projets doivent intégrer minimisation, accès contrôlé, sécurité, politiques de conservation et conformité réglementaire.

Applications réelles du LPR

Contrôle du trafic

Le LPR permet d’automatiser certains contrôles routiers, sous réserve du cadre légal applicable.

Gestion d’accès urbain

Les villes peuvent gérer des zones restreintes, zones logistiques ou accès riverains avec identification automatique.

Automatisation du stationnement

Les parkings utilisent le LPR pour l’entrée sans ticket, le paiement automatisé et la gestion de la durée de stationnement.

Sites industriels et sécurité

Les sites sensibles identifient les véhicules autorisés, historisent les entrées et renforcent les procédures d’accès.

Logistique et flottes

Les entrepôts et transporteurs automatisent l’enregistrement des véhicules, les horaires d’arrivée et les flux documentaires.

Intégration du LPR aux systèmes de ville intelligente

Plateformes de gestion du trafic

Les données LPR peuvent alimenter des systèmes de congestion, de contrôle de flux et de planification de mobilité.

Systèmes de sécurité publique

Les alertes doivent être configurées avec prudence afin de limiter les faux positifs et respecter les règles de gouvernance.

Systèmes de stationnement

Le LPR s’intègre aux solutions de paiement, barrières, abonnements et analyse d’occupation.

Automatisation logistique

Les données d’identification véhicule peuvent être reliées aux bons de livraison, créneaux et contrôles d’accès.

Collecte de revenus

Les péages et zones tarifées utilisent le LPR pour associer un passage à une facturation.

Futur de la reconnaissance de plaques

OCR basé sur les transformeurs

Les architectures transformeurs améliorent la reconnaissance de séquences complexes et la gestion des caractères ambigus.

Systèmes LPR multimodaux

Les systèmes combinent image, vidéo, métadonnées caméra, localisation et contexte de trafic pour améliorer la fiabilité.

Jeux de données auto-supervisés

Les approches auto-supervisées peuvent réduire les coûts d’annotation, tout en nécessitant une validation humaine pour les cas critiques.

LPR embarqué sur caméra

Le traitement directement sur caméra réduit la latence et limite la transmission d’images brutes.

LPR respectueux de la confidentialité

Les architectures futures intégreront davantage l’anonymisation, les contrôles d’accès et les traitements locaux. Les pratiques de transport et d’infrastructure, comme celles documentées par la Trafikverket Swedish Transport Administration, rappellent l’importance d’une gouvernance adaptée aux systèmes de mobilité.

Conclusion

La détection et reconnaissance de plaques d’immatriculation repose sur un équilibre entre modèles performants, données représentatives, annotations précises et gouvernance responsable. Les systèmes LPR fiables nécessitent des jeux de données couvrant les conditions réelles : angles, météo, faible luminosité, formats régionaux et cas difficiles.

👉 Contactez DataVLab

DataVLab accompagne les équipes IA dans la création de jeux de données pour la détection de plaques, la transcription OCR, le contrôle qualité et les flux de travail de vision par ordinateur appliqués à la mobilité, au stationnement, à la logistique et aux villes intelligentes.