Au 25 août 2026plusieurs parkings de magasins français utilisent des caméras capables de lire les plaques d’immatriculation. À l’Aldi de Charenton-le-Pont, dans le Val-de-Marne, les 50 places du parking sont équipées de caméras Survision NanoPak 5. Au centre commercial Mériadeck de Bordeaux, le parking d’Auchan associe la plaque au ticket de caisse pour accorder deux heures gratuites sous condition d’achat.
Le ticket papier disparaît. La lecture de la plaque enregistre l’arrivée et le départ, puis la grille affichée fixe le montant.
La caméra ne verbalise personne.
Le ticket disparaît, la plaque prend le relais
La technologie porte le nom de LAPI, pour lecture automatisée des plaques d’immatriculation. Les publications scientifiques en anglais emploient aussi les sigles ANPR, ALPR ou LPR. À l’entrée, une caméra capture une image ou une séquence vidéo, repère le véhicule puis localise la plaque. À la sortie, une nouvelle lecture permet de calculer la durée du stationnement.
Le paiement, lorsqu’un montant est dû, intervient à la sortie selon le dispositif du site. Le système applique alors un tarif de stationnement sur une propriété privée ouverte au public. Il ne génère pas une amende envoyée plusieurs jours après le passage.
Le traitement suit plusieurs étapes :
- la caméra capture une image fixe ou une séquence vidéo du véhicule;
- le logiciel détecte le véhicule puis localise la plaque;
- le module de traitement extrait et segmente les caractères;
- le système reconnaît les caractères et recompose le numéro de plaque;
- les lectures d’entrée et de sortie sont rapprochées pour calculer la durée et appliquer le tarif.
La lecture peut rester associée à une image, à une heure et au lieu du passage. Dans un parking, ces éléments permettent de retrouver le véhicule, de calculer sa durée de présence et d’appliquer la grille prévue.
Trois parkings, trois grilles tarifaires
À l’Aldi de Charenton-le-Pont, Facility Park gère le parking équipé de la lecture automatique des plaques. La plaque y tient lieu de ticket, mais le prix suit les conditions affichées à l’entrée.
Au parking du centre commercial Mériadeck, à Bordeaux, les clients d’Auchan bénéficient de deux heures gratuites à partir de 15 euros d’achat. Le code-barres du ticket de caisse doit être scanné à la borne. En cas de dépassement, le tarif indiqué prévoit 0,80 euro par tranche de 15 minutes jusqu’à trois heures, puis 0,60 euro par tranche de 15 minutes au-delà. La journée peut atteindre 24 euros.
Le parking express du centre Westfield Parly 2, au Chesnay-Rocquencourt, applique une autre grille. Les 20 premières minutes sont gratuites. Une heure coûte 1,50 euro, trois heures 5,50 euros et une journée 47,50 euros. Là encore, la plaque tient lieu de ticket virtuel, mais elle ne fixe pas le prix.
À Montpellier, trois parkings de la zone commerciale d’Odysseum utilisent aussi la lecture automatique des plaques. La période gratuite annoncée atteint deux heures. Après ce délai, chaque site applique son propre tarif.
La durée gratuite, l’achat requis, le prix par tranche et le plafond journalier diffèrent d’un parking à l’autre. Une photo du panneau tarifaire, le ticket de caisse et la preuve de paiement permettent de comparer la facture avec les conditions affichées.
Le logiciel lit vite, le réel résiste
La reconnaissance devient plus difficile quand l’éclairage varie fortement, que la météo se dégrade, que la plaque apparaît sous un angle marqué ou que l’image est floue et peu définie. Les plaques non standard et les caractères qui se touchent ajoutent d’autres sources d’erreur.
Une revue systématique publiée le 11 mars 2026 dans Neural Networks décrit l’évolution des méthodes, de la détection de contours et de la segmentation morphologique vers les modèles de deep learning. Elle recense comme difficultés persistantes les variations d’éclairage, les conditions météorologiques extrêmes, les prises de vue en biais, les formats non standard, les images de faible résolution et l’adhérence des caractères. Les pistes citées comprennent des réseaux plus légers, des fonctions multi-échelles et des modèles utilisables dans plusieurs régions.
Une étude publiée en décembre 2022 dans Sensors a obtenu une précision moyenne de reconnaissance de 90,3 % sur cinq jeux de données publics issus de régions différentes. Son pipeline fondé sur YOLO enchaînait détection du véhicule, détection de la plaque et reconnaissance des caractères. Les auteurs indiquaient une cadence acceptable sur un GPU d’entrée de gamme.
Une autre étude publiée en février 2023 dans Sensors a évalué des entrées de parkings en Arabie saoudite. Sur un appareil Jetson Xavier AGX, le système atteignait 17,1 images par seconde sans délai. La comparaison entre les flux vidéo et les images fixes rapportait une amélioration relative de 13 % pour l’identification du modèle de voiture et de 40 % pour la reconnaissance des plaques. Le dispositif exploitait plusieurs images successives ainsi que la redondance entre les caractères arabes et anglais des plaques saoudiennes.
Ces résultats donnent un ordre de grandeur, pas une garantie pour un parking donné. Une caméra peut exploiter plusieurs images du même véhicule, mais ces essais ne garantissent pas la lecture correcte d’une plaque française lorsqu’un véhicule arrive de biais ou qu’une partie de l’image est masquée.
Une précision moyenne obtenue sur des bases d’images ne mesure pas directement les erreurs d’un parking donné. La caméra, son emplacement, le logiciel et les formats de plaques présents modifient le résultat. En cas de doute, vérifiez les heures d’entrée et de sortie avant d’accepter le montant.
Donnée personnelle, facture privée
Le numéro d’immatriculation est une donnée personnelle. L’affichage du parking doit signaler la présence des caméras, expliquer la finalité de la lecture et indiquer les droits des visiteurs ainsi que la manière de les exercer.
Cette obligation d’information ne transforme pas le parking en dispositif de verbalisation. Le propriétaire d’un site privé ouvert au public fixe les conditions d’accès et de stationnement. Le conducteur qui entre accepte les conditions affichées, notamment la durée gratuite, l’achat minimum éventuel et la grille tarifaire.
Un dépassement de durée peut donc produire un supplément de parking, mais pas une amende de police. La contestation peut porter sur le calcul, la plaque reconnue, la prise en compte du ticket de caisse ou l’application du tarif annoncé.
Quand le logiciel se trompe, la procédure reste humaine
Une erreur de reconnaissance peut modifier le numéro lu ou la durée calculée. À Mériadeck, le ticket de caisse conditionne aussi la période gratuite. Sa conservation facilite la vérification du montant.
Pour contester une facturation, réunissez les éléments qui permettent de comparer le séjour avec la grille du site :
- comparez les heures d’entrée et de sortie affichées avec vos horaires réels;
- conservez le ticket de caisse, le justificatif d’achat et la preuve de paiement;
- notez le numéro de plaque, la date, l’heure et le parking concerné;
- utilisez la borne d’assistance ou le contact affiché sur le parking;
- si le problème concerne les données personnelles, suivez les modalités d’exercice des droits indiquées sur le panneau d’information.
Les plaques étrangères et les formats inhabituels appellent une vérification particulière. Les travaux sur la reconnaissance automatique signalent que les formats non standard, les scènes complexes et la position de la caméra peuvent dégrader les résultats. Une performance publiée ne suffit pas à valider une facture donnée.
La plaque remplace le ticket, pas le droit de contester le tarif.
Sources et références scientifiques
- Xu L, Shang Z, Chen X, Zeng T, Dai W, Zhao J.. Deep learning algorithms for license plate recognition: A review.. Neural networks : the official journal of the International Neural Network Society. 2026. DOI: 10.1016/j.neunet.2026.108842 · PMID: 41846120. (résumé scientifique structuré; texte intégral non fourni)
- Automatic Number Plate Recognition:A Detailed Survey of Relevant Algorithms – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s21093028 · PMID: 33925845.
- 1.Luo X., Ma D., Jin S., Gong Y., Wang D. Queue length estimation for signalized intersections using license plate recognition data. IEEE Intell. Transp. Syst. Mag. 2019;11:209-220. doi: 10.1109/MITS.2019.2919541. [DOI] [Google Scholar]. doi:10.1109/MITS.2019.2919541.
- 2.Lin H.Y., Dai J.M., Wu L.T., Chen L.Q. A vision-based driver assistance system with forward collision and overtaking detection. Sensors. 2020;20:5139. doi: 10.3390/s20185139. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s20185139.
- 3.Thangallapally S.K., Maripeddi R., Banoth V.K., Naveen C., Satpute V.R. E-Security System for Vehicle Number Tracking at Parking Lot (Application for VNIT Gate Security); Proceedings of the 2018 IEEE International Students’ Conference on Electrical, Electronics and Computer Science (SCEECS); Bhopal, India. 24-25 February 2018; pp. 1-4. [Google Scholar].
- 4.Negassi I.T., Araya G.G., Awawdeh M., Faisal T. Smart Car plate Recognition System; Proceedings of the 2018 1st International Conference on Advanced Research in Engineering Sciences (ARES); Dubai, United Arab Emirates. 15 June 2018; pp. 1-5. [Google Scholar].
- 5.Kanteti D., Srikar D., Ramesh T. Intelligent smart parking algorithm; Proceedings of the 2017 International Conference on Smart Technologies For Smart Nation (SmartTechCon); Bengaluru, India. 17-19 August 2017; pp. 1018-1022. [Google Scholar].
- 6.Shreyas R., Kumar B.P., Adithya H., Padmaja B., Sunil M. Dynamic traffic rule violation monitoring system using automatic number plate recognition with SMS feedback; Proceedings of the 2017 2nd International Conference on Telecommunication and Networks (TEL-NET); Noida, India. 10-11 August 2017; pp. 1-5. [Google Scholar].
- aithra B., Karthik K., Ramkishore D., Sandeep R. Monitoring Traffic Signal Violations using ANPR and GSM; Proceedings of the 2017 International Conference on Current Trends in Computer, Electrical, Electronics and Communication (CTCEEC); Mysore, India. 8-9 September 2017; pp. 341-346. [Google Scholar].
- 8.Felix A.Y., Jesudoss A., Mayan J.A. Entry and exit monitoring using license plate recognition; Proceedings of the 2017 IEEE International Conference on Smart Technologies and Management for Computing, Communication, Controls, Energy and Materials (ICSTM); Chennai, India. 2-4 August 2017; pp. 227-231. [Google Scholar].
- 9.Du S., Ibrahim M., Shehata M., Badawy W. Automatic license plate recognition (ALPR): A state-of-the-art review. IEEE Trans. Circuits Syst. Video Technol. 2012;23:311-325. doi: 10.1109/TCSVT.2012.2203741. [DOI] [Google Scholar]. doi:10.1109/TCSVT.2012.2203741.
- 10.Birgillito G., Rindone C., Vitetta A. Passenger mobility in a discontinuous space: Modelling access/egress to maritime barrier in a case study. J. Adv. Transp. 2018;2018:6518329. doi: 10.1155/2018/6518329. [DOI] [Google Scholar]. doi:10.1155/2018/6518329.
- 11.Alonso B., Pòrtilla Á.I., Musolino G., Rindone C., Vitetta A. Network Fundamental Diagram (NFD) and traffic signal control: First empirical evidences from the city of Santander. Transp. Res. Procedia. 2017;27:27-34. doi: 10.1016/j.trpro.2017.12.112. [DOI] [Google Scholar]. doi:10.1016/j.trpro.2017.12.112.
- 12.Croce A.I., Musolino G., Rindone C., Vitetta A. Route and Path Choices of Freight Vehicles: A Case Study with Floating Car Data. Sustainability. 2020;12:8557. doi: 10.3390/su12208557. [DOI] [Google Scholar]. doi:10.3390/su12208557.
- An End-to-End Automated License Plate Recognition System Using YOLO Based Vehicle and License Plate Detection with Vehicle Classification – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s22239477 · PMID: 36502178.
- 1.Sharma P., Gupta S., Singh P., Shejul K., Reddy D. Automatic Number Plate Recognition and Parking Management; Proceedings of the 2022 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI); Chennai, India. 28-29 January 2022; pp. 1-8. [DOI] [Google Scholar].
- 2.Soomro S.R., Javed M.A., Memon F.A. Vehicle Number Recognition System for automatic toll tax collection; Proceedings of the 2012 International Conference on Robotics and Artificial Intelligence, ICRAI; Rawalpindi, Pakistan. 22-23 October 2012; pp. 125-129. [DOI] [Google Scholar].
- 3.Aalsalem M.Y., Khan W.Z., Dhabbah K.M. An automated vehicle parking monitoring and management system using ANPR cameras; Proceedings of the 2015 17th International Conference on Advanced Communication Technology (ICACT); PyeongChang, Korea. 1-3 July 2015; pp. 706-710. [Google Scholar].
- 4.Kim K., Bae S., Huh K. Intelligent surveillance and security robot systems; Proceedings of the 2010 IEEE Workshop on Advanced Robotics and its Social Impacts; Seoul, Korea. 26-28 October 2010; pp. 70-73. [Google Scholar].
- 5.Konovalenko I., Maruschak P., Brezinová J., Vináš J., Brezina J. Steel Surface Defect Classification Using Deep Residual Neural Network. Metals. 2020;10:846. doi: 10.3390/met10060846. [DOI] [Google Scholar]. doi:10.3390/met10060846.
- 6.Zhuang J., Hou S., Wang Z., Zha Z.-J. Towards human-level license plate recognition; Proceedings of the European Conference on Computer Vision (ECCV); Munich, Germany. 8-14 September 2018; pp. 306-321. [Google Scholar].
- 7.Xie L., Ahmad T., Jin L., Liu Y., Zhang S. A new cnn-based method for multi-directional car license plate detection. IEEE Trans. Intell. Transp. Syst. 2018;19:507-517. doi: 10.1109/TITS.2017.2784093. [DOI] [Google Scholar]. doi:10.1109/TITS.2017.2784093.
- 8.Li H., Wang P., You M., Shen C. Reading car license plates using deep neural networks. Image Vis. Comput. 2018;72:14-23. doi: 10.1016/j.imavis.2018.02.002. [DOI] [Google Scholar]. doi:10.1016/j.imavis.2018.02.002.
- 9.Kessentini Y., Besbes M.D., Ammar S., Chabbouh A. A two-stage deep neural network for multi-norm license plate detection and recognition. Expert Syst. Appl. 2019;136:159-170. doi: 10.1016/wa.2019.06.036. [DOI] [Google Scholar]. doi:10.1016/j.eswa.2019.06.036.
- 10.Kurpiel F.D., Minetto R., Nassu B.T. Convolutional neural networks for license plate detection in images; Proceedings of the 2017 IEEE International Conference on Image Processing (ICIP); Beijing, China. 17-20 September 2017; pp. 3395-3399. [Google Scholar].
- 11.Montazzolli S., Jung C. Real-time brazilian license plate detection and recognition using deep convolutional neural networks; Proceedings of the 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI); Niteroi, Brazil. 17-20 October 2017; pp. 55-62. [Google Scholar].
- 12.Laroca R., Zanlorensi L.A., Gonc¸alves G.R., Todt E., Schwartz W.R., Menotti D. An efficient and layout-independent automatic license plate recognition system based on the yolo detector. arXiv. 20191909.01754 [Google Scholar].
- A Multi-Stage Deep-Learning-Based Vehicle and License Plate Recognition System with Real-Time Edge Inference – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s23042120 · PMID: 36850714.
- 1.AI Surveillance Camera Market 2022. [(accessed on 6 June 2022)]. Available online:.
- 2.ANPR System Market (2022-2027) [(accessed on 6 June 2022)]. Available online:.
- 3.The Winners of the KAUST Challenge, Ideas & Solutions For Hajj & Umrah 2020. [(accessed on 6 June 2022)]. Available online:.
- 4.Oyoon Wins Best AI Product Award at the Saudi International Artificial Intelligence & Cloud Expo 2022. [(accessed on 6 June 2022)]. Available online:.
- 5.Wang H., Hou J., Chen N. A survey of vehicle re-identification based on deep learning. IEEE Access. 2019;7:172443-172469. doi: 10.1109/ACCESS.2019.2956172. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2019.2956172.
- 6.Boukerche A., Ma X. Vision-based Autonomous Vehicle Recognition: A New Challenge for Deep Learning-based Systems. ACM Comput. Surv. (CSUR) 2021;54:1-37. doi: 10.1145/3447866. [DOI] [Google Scholar]. doi:10.1145/3447866.
- 7.Llorca D.F., Colás D., Daza I.G., Parra I., Sotelo M.A. Vehicle model recognition using geometry and appearance of car emblems from rear view images; Proceedings of the 17th International IEEE Conference on Intelligent Transportation Systems (ITSC); Qingdao, China. 8-11 October 2014; pp. 3094-3099. [DOI] [Google Scholar].
- 8.Lee H.J., Ullah I., Wan W., Gao Y., Fang Z. Real-time vehicle make and model recognition with the residual SqueezeNet architecture. Sensors. 2019;19:982. doi: 10.3390/s19050982. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s19050982.
- 9.Manzoor M.A., Morgan Y., Bais A. Real-time vehicle make and model recognition system. Mach. Learn. Knowl. Extr. 2019;1:611-629. doi: 10.3390/make1020036. [DOI] [Google Scholar]. doi:10.3390/make1020036.
- 10.Shashirangana J., Padmasiri H., Meedeniya D., Perera C. Automated license plate recognition: A survey on methods and techniques. IEEE Access. 2020;9:11203-11225. doi: 10.1109/ACCESS.2020.3047929. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2020.3047929.
- 11.Liu X., Liu W., Mei T., Ma H. European Conference on Computer Vision. Springer; Cham, Switzerland: 2016. A deep learning-based approach to progressive vehicle re-identification for urban surveillance; pp. 869-884. [Google Scholar].
- 12.Selmi Z., Halima M.B., Alimi A.M. Deep learning system for automatic license plate detection and recognition; Proceedings of the 2017 14th IAPR International Conference on Document Analysis and Recognition (ICDAR); Kyoto, Japan. 9-15 November 2017; pp. 1132-1138. [Google Scholar].
- Dans certains magasins français, des caméras discrètes scannent votre plaque dans un but précis. 2026.




