Lecture automatique de plaque (LAPI/ANPR) : fonctionnement, limites et cadre légal

Détection, redressement, OCR, grammaire du format : comment un système LAPI lit une plaque, où il échoue, et ce que le droit français impose.

Reconnaître une plaque d'immatriculation paraît trivial : sept caractères sur fond clair, normalisés en France depuis 2009. En conditions réelles, la tâche concentre pourtant la plupart des difficultés de la vision par ordinateur appliquée à l'automobile : géométrie variable, éclairage non maîtrisé, saleté, occlusions, formats hétérogènes. Cet article décrit le fonctionnement d'un pipeline LAPI, ses limites, et le cadre juridique applicable en France.

Qu'est-ce que la lecture automatique de plaque ?

La lecture automatique de plaque d'immatriculation — LAPI en français, ANPR ou LPR en anglais — désigne une chaîne de traitement qui localise la plaque dans une image ou un flux vidéo, isole la zone utile, en extrait les caractères et restitue une chaîne de texte normalisée, accompagnée d'un indice de confiance. Ce n'est pas une brique unique mais une succession d'étapes, dont chacune peut échouer indépendamment des autres.

Trois usages coexistent, qui n'ont ni les mêmes exigences ni le même cadre. La lecture de contrôle ouvre une barrière ou facture un stationnement. La lecture d'identification intervient dans un parcours d'inspection, où la plaque rattache des médias à un dossier véhicule. L'anonymisation cherche seulement à détecter la zone plaque pour la masquer, sans jamais la déchiffrer.

Les étapes d'un pipeline LAPI

Un pipeline LAPI moderne enchaîne cinq opérations. Les approches historiques les traitaient par des algorithmes de traitement d'image classiques ; les approches actuelles reposent majoritairement sur des réseaux de neurones pour la détection et la reconnaissance, tout en conservant des étapes déterministes pour la géométrie et le post-traitement.

1. Détection de la zone plaque

Un détecteur d'objets parcourt l'image et propose une ou plusieurs régions candidates. La difficulté n'est pas de trouver un rectangle clair, mais d'éviter les faux positifs : autocollants, grilles de calandre, lettrages publicitaires, écrans, reflets rectangulaires sur une carrosserie sombre. Un détecteur entraîné spécifiquement sur des plaques, plutôt qu'un détecteur généraliste réemployé, réduit sensiblement ce bruit.

2. Redressement géométrique

Une plaque photographiée de trois quarts est un quadrilatère, pas un rectangle. On estime les quatre coins, puis on applique une transformation homographique pour ramener la zone à un rectangle de dimensions canoniques. Sans cette rectification, les caractères des extrémités se compriment et la reconnaissance se dégrade nettement dès que l'angle devient marqué.

3. Normalisation photométrique

On égalise ensuite le contraste et l'exposition locale. Les approches classiques binarisent l'image pour séparer les caractères du fond ; les méthodes par apprentissage s'en contentent rarement, car une binarisation stricte détruit de l'information utile sur les plaques sales ou surexposées.

4. Reconnaissance des caractères

Deux familles coexistent. La segmentation caractère par caractère suivie d'une classification reste robuste quand les caractères sont bien séparés. La reconnaissance de séquence de bout en bout lit la bande entière sans découpage préalable et se comporte mieux sur les plaques dégradées, déformées ou partiellement occultées.

5. Post-traitement par grammaire de format

C'est l'étape la plus rentable et la plus souvent négligée. Un numéro d'immatriculation n'est pas une suite arbitraire : il obéit à une grammaire. Contraindre la sortie du modèle par cette grammaire corrige une part importante des confusions visuelles classiques — 0/O, 1/I, 8/B, 5/S, 2/Z — sans réentraîner quoi que ce soit.

La grammaire des plaques françaises et européennes

Depuis 2009, le système d'immatriculation des véhicules français repose sur un format à deux lettres, trois chiffres, deux lettres, séparés par des tirets. Ce numéro est attribué séquentiellement et à vie : il ne change pas lors d'une revente et ne dépend plus du département. Certaines lettres sont écartées pour éviter les confusions de lecture, et certaines séries sont réservées à des usages particuliers.

Connaître cette grammaire permet d'appliquer des règles positionnelles : sur une position attendue comme alphabétique, un « 0 » lu est presque certainement un « O » ; sur une position numérique, un « B » est presque certainement un « 8 ». Le gain est immédiat, mais il a une contrepartie. Un post-traitement trop rigide transforme une lecture incertaine en lecture fausse mais confiante, ce qui est plus dommageable qu'un refus de lecture. Le bon réglage consiste à n'appliquer la correction que lorsque l'écart de vraisemblance entre les hypothèses est faible, et à remonter un doute au-delà.

Coexistent par ailleurs des formats particuliers : immatriculations provisoires, véhicules de collection, cyclomoteurs, sans compter les plaques européennes aux formats et polices très variés, parfois sur deux lignes. Un système annoncé « multi-pays » doit être évalué pays par pays : une moyenne masque presque toujours de fortes disparités.

Les cas difficiles et leurs parades

Les situations qui mettent un système LAPI en échec sont connues, et se traitent davantage par la capture que par le modèle. C'est l'argument central en faveur d'une capture guidée plutôt que d'un dépôt de photos libres : on corrige le problème à la source.

Cas difficile	Effet observé	Parade la plus efficace
Plaque sale, boueuse ou givrée	Caractères partiellement effacés, lecture incomplète	Signaler l'illisibilité et demander un nettoyage plutôt que de deviner
Plaque pliée, enfoncée, très rayée	Déformation non planaire, redressement inopérant	Reconnaissance de séquence de bout en bout, saisie manuelle en repli
Contre-jour, feux allumés	Zone saturée ou entièrement sombre	Changement d'angle guidé, capture à expositions multiples
Plaque rétroréfléchissante au flash	Halo blanc masquant les caractères	Désactivation du flash, éclairage diffus
Plaque étrangère	Format et police inconnus du post-traitement	Détection préalable du pays, grammaires multiples
Immatriculation provisoire	Format hors grammaire standard, rejet à tort	Grammaire élargie, seuil de confiance distinct
Deux-roues	Plaque unique, petite, très inclinée et basse	Consigne de cadrage dédiée, résolution supérieure
Captation vidéo à main levée	Flou de bougé	Sélection de la meilleure image parmi plusieurs candidates

Une remarque de bon sens s'impose : sur une plaque réellement illisible pour un œil humain, aucun modèle ne « devine » correctement. Un système honnête doit pouvoir répondre « je ne sais pas ». Cette capacité relève de la mesure de performance d'un modèle de détection, où le taux de refus assumé compte autant que le taux d'exactitude.

Lire une plaque n'est pas vérifier un véhicule

C'est la confusion la plus coûteuse en exploitation. Une lecture LAPI réussie établit une seule chose : ces caractères figuraient sur cette image. Elle n'établit ni que la plaque appartient au véhicule photographié, ni que ce véhicule est bien celui du dossier.

La vérification de cohérence est un problème distinct. Elle confronte plusieurs signaux : silhouette et type de carrosserie observés, marque et modèle reconnus visuellement, couleur dominante, caractéristiques attendues pour l'immatriculation lue. Une divergence — une berline là où la fiche annonce un utilitaire — doit déclencher une alerte, jamais une correction silencieuse. Ce contrôle croisé constitue l'une des briques élémentaires de la détection de fraude à l'assurance automobile, aux côtés du contrôle de fraîcheur des images et de l'analyse des métadonnées.

La suite logique consiste à remonter du couple plaque/véhicule vers une identification complète, sujet traité dans notre article sur l'identification automatique d'un véhicule, du VIN à la fiche technique.

Floutage et anonymisation des plaques

Pour la publication d'annonces ou la constitution de jeux de données, l'objectif s'inverse : il ne s'agit plus de lire, mais de rendre illisible. Trois techniques coexistent, de la moins à la plus robuste : le floutage gaussien, la pixellisation, et le remplacement de la zone par un aplat ou une plaque de synthèse.

Le floutage léger est réversible en pratique : un flou insuffisant laisse subsister assez d'information pour qu'un rehaussement de contraste ou un modèle de restauration retrouve les caractères. Pour une anonymisation solide, on privilégie un masquage destructeur, appliqué avec une marge de sécurité autour de la zone détectée, et vérifié par une relecture automatique de l'image traitée : si le système parvient encore à lire la plaque, l'anonymisation a échoué. Le même raisonnement vaut pour les visages captés en arrière-plan. Ce sujet touche directement la protection des données personnelles dans les images d'inspection.

La plaque, une donnée à caractère personnel

En droit français et européen, un numéro d'immatriculation est considéré comme une donnée à caractère personnel dès lors qu'il permet, directement ou indirectement, d'identifier une personne physique — ce qui est le cas via les fichiers d'immatriculation. Son traitement relève donc du RGPD, avec les conséquences habituelles : base légale identifiée, finalité déterminée, minimisation des données collectées, durée de conservation bornée, information des personnes concernées et encadrement contractuel des sous-traitants.

Plusieurs points appellent une vigilance particulière en contexte d'inspection : la conservation d'images brutes non anonymisées au-delà du nécessaire ; la réutilisation d'images pour entraîner des modèles, qui constitue une finalité distincte ; la localisation des traitements ; et la présence involontaire de tiers dans le champ de la caméra. Ces questions rejoignent celles traitées dans notre article sur le RGPD appliqué aux images d'inspection automobile.

Cet article est un contenu d'information technique et ne constitue pas un conseil juridique. La qualification exacte d'un traitement dépend de son contexte, de ses finalités et de l'organisation qui le met en œuvre ; une analyse par un conseil compétent demeure nécessaire.

Intégrer la LAPI dans un parcours d'inspection

Dans un parcours d'inspection guidée, la lecture de plaque intervient très tôt : elle rattache la session au bon dossier et permet de contrôler immédiatement que le véhicule présenté correspond à celui attendu. Trois décisions d'architecture structurent l'intégration.

• Où exécuter le traitement. Une détection embarquée sur le téléphone permet de guider l'utilisateur en temps réel et de flouter avant même l'envoi ; une exécution serveur autorise des modèles plus lourds et une mise à jour centralisée. Le compromis est examiné dans notre comparaison entre IA embarquée et traitement dans le cloud.
• Quel seuil de confiance retenir. Mieux vaut un taux de refus assumé, avec bascule explicite vers une saisie manuelle, qu'une lecture erronée propagée dans l'ensemble du dossier.
• Quelle trace conserver. Enregistrer la valeur lue, l'indice de confiance et l'origine — automatique ou corrigée manuellement — rend le rapport auditable a posteriori.

Chez Lucius AI, la lecture de plaque est traitée comme une brique d'identification parmi d'autres au sein de la chaîne de vision embarquée, et non comme une finalité en soi. Les contextes d'usage, du remarketing de véhicules d'occasion à la gestion de flotte, imposent chacun leurs propres exigences de précision et de conservation. Pour situer la LAPI dans une chaîne existante, exposez-nous votre contexte.