Este artículo propone un novedoso marco de trabajo basado en múltiples fotogramas, MF-LPR$^2$, para la restauración y el reconocimiento de regiones de matrículas en vídeos de cámaras de salpicadero, donde el reconocimiento preciso de matrículas resulta difícil debido a la baja resolución, el desenfoque de movimiento y los destellos. Para abordar el problema de que los modelos preentrenados existentes generan artefactos y distorsiones graves al restaurar imágenes de baja calidad, MF-LPR$^2$ resuelve la ambigüedad de las imágenes de baja calidad mediante la alineación y agregación de fotogramas adyacentes en lugar de basarse en el conocimiento preentrenado. Utilizamos un estimador de flujo óptico de última generación para una alineación precisa de fotogramas y diseñamos un algoritmo que aprovecha la coherencia espaciotemporal de las secuencias de imágenes de matrículas para detectar y corregir estimaciones incorrectas de flujo óptico. Los resultados experimentales muestran que MF-LPR$^2$ supera significativamente a ocho modelos de restauración de vanguardia en términos de PSNR, SSIM y LPIPS, y alcanza una precisión de reconocimiento del 86,44 %, superando tanto al mejor LPR de un solo fotograma (14,04 %) como al mejor LPR de múltiples fotogramas (82,55 %) entre 11 modelos de referencia. Evaluamos MF-LPR$^2$ mediante la construcción de un nuevo conjunto de datos de LPR realista (RLPR).
