Detecting multiple license plate numbers in crowded street scenes is challenging and requires the attention of researchers. In contrast to existing methods that focus on images that are not crowded with vehicles, in this work we aim at situations that are common and complex, for example, in city environments where numerous vehicles of different types like cars, trucks, motorbike etc. may present in a single image. In such cases, one can expect large variations in license plates in terms of quality, backgrounds, and various forms of occlusion. To address these challenges, we explore Adaptive Progressive Scale Expansion based Graph Attention Network (APSEGAT). This approach extracts local information which represents the license plates irrespective of vehicle types and numbers because it works at the pixel level in a progressive way, and identifies the dominant information in the image. This may include other parts of vehicles, drivers and pedestrians, and various other background objects. To overcome this problem, we integrate concepts of graph attention networks with progressive scale expansion networks. For evaluating the proposed method, we use our own dataset, named as AMLPR, which contains images captured in different crowded street scenes in different time span, and the benchmark dataset namely, UFPR-ALPR, which provides images of a single vehicle, and another benchmark dataset called, UCSD, which contains images of cars with different orientations. Experimental results on these datasets show that the method outperforms existing methods and is effective in detecting license plate numbers in crowded street scenes.

在拥挤的街道场景中检测多个车牌号具有挑战性，需要研究人员的注意。与专注于不拥挤车辆图像的现有方法相反，在这项工作中，我们针对常见和复杂的情况，例如，在城市环境中，可能会有大量不同类型的车辆，如汽车，卡车，摩托车等。存在于单个图像中。在这种情况下，可以预期车牌在质量，背景和各种形式的遮挡方面会有很大的不同。为了解决这些挑战，我们探索了基于自适应渐进式尺度扩展的图注意力网络（APSEGAT）。这种方法会提取代表车牌的本地信息，而与车辆类型和编号无关，因为它在像素级别上以渐进方式工作，并识别图像中的主要信息。这可能包括车辆的其他部分，驾驶员和行人以及各种其他背景物体。为了克服这个问题，我们将图注意力网络与渐进式规模扩展网络相结合。为了评估所提出的方法，我们使用自己的数据集AMLPR（其中包含在不同时间段内在拥挤的街道场景中捕获的图像）以及基准数据集UFPR-ALPR（其提供单个车辆的图像）以及另一个基准数据集UCSD，其中包含不同方向的汽车图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。这可能包括车辆的其他部分，驾驶员和行人以及各种其他背景物体。为了克服这个问题，我们将图注意力网络的概念与渐进规模扩展网络相结合。为了评估所提出的方法，我们使用自己的数据集AMLPR（其中包含在不同时间段内在拥挤的街道场景中捕获的图像）以及基准数据集UFPR-ALPR（其提供单个车辆的图像）以及另一个基准数据集UCSD，其中包含不同方向的汽车图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。这可能包括车辆的其他部分，驾驶员和行人以及各种其他背景物体。为了克服这个问题，我们将图注意力网络的概念与渐进规模扩展网络相结合。为了评估所提出的方法，我们使用自己的数据集AMLPR（其中包含在不同时间段内在拥挤的街道场景中捕获的图像）以及基准数据集UFPR-ALPR（其提供单个车辆的图像）以及另一个基准数据集UCSD，其中包含不同方向的汽车图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。我们将图注意力网络与渐进式规模扩展网络相结合。为了评估所提出的方法，我们使用自己的数据集AMLPR（其中包含在不同时间段内在拥挤的街道场景中捕获的图像）以及基准数据集UFPR-ALPR（其提供单个车辆的图像）以及另一个基准数据集UCSD，其中包含不同方向的汽车图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。我们将图注意力网络与渐进式规模扩展网络相结合。为了评估所提出的方法，我们使用自己的数据集AMLPR（其中包含在不同时间段内在拥挤的街道场景中捕获的图像）以及基准数据集UFPR-ALPR（其提供单个车辆的图像）以及另一个基准数据集UCSD，其中包含不同方向的汽车图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。其中包含在不同时间段内在拥挤的街道场景中捕获的图像，基准数据集UFPR-ALPR提供了单个车辆的图像，另一个基准数据集UCSD包含了不同方向的汽车的图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。其中包含在不同时间段内在拥挤的街道场景中捕获的图像，基准数据集UFPR-ALPR提供了单个车辆的图像，另一个基准数据集UCSD包含了不同方向的汽车的图像。这些数据集上的实验结果表明，该方法优于现有方法，可有效检测拥挤街道场景中的车牌号。