Обзор и анализ систем распознавания номерных знаков

Сегодня предлагаем ознакомиться с темой: "обзор и анализ систем распознавания номерных знаков". Мы постарались полностью раскрыть тему. Если у вас возникнут вопросы, то вы можете задать их в комментариях после статьи или нашему дежурному юристу.

Изображение - Обзор и анализ систем распознавания номерных знаков 149807500713v118

РАСПОЗНАВАНИЕ АВТОМОБИЛЬНЫХ НОМЕРОВ

Технология распознавания автомобильных номеров давно перестала быть экзотикой и постепенно становится частью нашей будничной жизни, так же, как когда-то это произошло с автомобилем. Постоянно растущее число транспортных средств требует от разработчиков эффективных решений для обеспечения безопасности и комфорта автовладельцев. Одним из результатов интенсивных исследований в этой области стали современные интеллектуальные системы для «считывания» номерных знаков, которые могут успешно применяться практически во всех сферах, так или иначе связанных с автотранспортом.

Актуальной задачей, решаемой с помощью систем считывания государственных регистрационных знаков, является мониторинг дорожно-транспортной обстановки. Интеграция систем распознавания с комплексами видеофиксации нарушений ПДД обеспечивает надежный контроль над транспортными магистралями: идентификация нарушителей по номеру позволяет автоматически подготавливать квитанции для оплаты штрафов, а также выявлять в потоке автомобили, представляющие интерес для правоохранительных органов (например, находящиеся в розыске).

Обзор систем распознавания автомобильных номеров

Система «Авто-Номер» [2] предназначена для получения данных с камер видеонаблюдения, распознавания регистрационных знаков транспортных средств и, при необходимости, передачи информации во внешние системы. Она может быть использована как отдельное приложение или интегрирована с другими установленными комплексами безопасности.

«Авто-Номер» построена на базе SDK «Авто-Контроль» и имеет две разновидности. Потоковая версия системы обеспечивает распознавание номерных знаков при скорости движения автомобилей в зоне контроля до 150 км/ч. Такой вариант «Авто-Номера» предназначен для использования совместно с комплексами мониторинга дорожно-транспортной обстановки.

Нет видео.
Видео (кликните для воспроизведения).

Для паркинговой версии системы максимальная скорость движения транспортных средств составляет 20 км/ч. Паркинговый «Авто-Номер» удобно использовать для фиксации номерных знаков проезжающих автомобилей на стоянках, парковках и контрольно-пропускных пунктах предприятий.

Основные возможности системы:

ü Распознавание регистрационных знаков не только на «живых» данных с видеокамеры, но и видеофайлах различного формата (режим эмуляции).

ü Получение видеопотока с любых плат видеозахвата, для работы с которыми используются WDM-драйверы.

ü Многоканальный режим функционирования.

ü Сохранение стоп-кадров и видеозаписей проезда автомобилей по детектору движения.

ü Сохранение и передача во внешние системы данных о распознанном регистрационном знаке, дате и времени проезда, направлении движения.

ü Трансляция получаемых видеопотоков по локальной сети.

Изображение - Обзор и анализ систем распознавания номерных знаков image001_122

Рисунок 1 – Система «Авто-Номер»

Система “Авто-Инспектор” [1] – программно-аппаратный комплекс, обеспечивающий распознавание номеров движущихся автомобилей, надежно работающий в широком диапазоне внешних условий, легко интегрируемый с охранным оборудованием, исполнительными устройствами и внешними базами данных. Эффективен для решения задач регистрации, идентификации и обеспечения безопасности автомобилей, контроля транспортных потоков.

В системе «Авто-Инспектор» реализованы функциональные возможности необходимые для эффективного решения задач на различных объектах: от обеспечения сохранности автомобилей в пределах автостоянки до контроля за передвижением транспорта в масштабах предприятия, отдельной магистрали, целого города. Высокие технические характеристики системы гарантируют надежную работу в широком диапазоне внешних условий.

Изображение - Обзор и анализ систем распознавания номерных знаков image002_69

Рисунок 2 – Система «Авто-инспектор»

Существующие на данный момент системы распознавания номеров обладают широким перечнем возможностей. Но кроме преимуществ у них есть также и недостатки. В одной из описанных систем накладываются ограничения на характеристики изображения (размер и яркость). Основным недостатком всех подобных систем является их дороговизна. Было принято решение разработать свою систему распознавания государственных регистрационных знаков транспортных средств с устранением последнего недостатка.

Описание алгоритма распознавания номерных знаков

Процесс распознавания номерного знака состоит из нескольких этапов:

1 выделение номерной пластины в кадре;

2 наложение сетки на выделенную область;

3 распознавание текста.

На первом этапе работы алгоритма происходит выделение номерной пластины в кадре. Для этого используется особенность номерного знака, которая заключается в резких скачках яркости от белого к черному. Строится график зависимости яркости от координаты изображения – Х. Номерная пластина будет находиться в области, где на графике наблюдаются резкие выбросы.

Для построения графика яркости производится построчное сканирование изображения. По полученным результатам строится функция зависимости яркости изображения от координаты (1).

  • Главная
  • Информация
  • Статьи
  • Обзоры
  • Системы распознавания номеров – практика использования

Системы распознавания номеров – практика использования

Среди способов повышения уровня безопасности территории у дома, складского помещения или бизнес-центра, все чаще используется установка систем видеонаблюдения, способных распознать номера автомобилей, въезжающих во двор или на парковку. Насколько такие системы удобны и как они действуют?

Многие считают, что распознавание автомобильных номеров четко работает лишь в идеальных условиях видимости – не случайно, дескать, водители периодически получают квитанции о штрафах, выписанные автомобилям с совсем другими номерами. Есть мнение и о том, что распознавать номера с легкостью можно и на трех-четырехполосной автомагистрали, когда машины идут чуть ли не на полной скорости в несколько рядов. Так как же обстоят дела на самом деле?

Начнем с того, что номера автомашин изготавливаются согласно стандарту ГОСТ Р 50577-93, в котором четко указаны его размеры и цвет, знание которых значительно облегчает решение вопроса распознавания номеров для видеоаналитики.

Как заявляют современные производители систем для распознавания номеров, алгоритмы устройств для распознавания могут ошибочно считать номер только в 3-5% случаев.

Для каких целей обычно устанавливают системы для распознавания номеров автотранспорта? Если речь идет о коммерческих организациях – ради уменьшения затрат на ведение бизнеса либо для предотвращения рисков и вероятных потерь. Результатом установки комплексов распознавания номеров становится уменьшение числа охранного персонала, контролирующего доступ на производственную территорию, в бизнес-центр, склад или паркинг. Система, распознающая номера, фактически нуждается лишь в операторе, – он сможет вмешаться при нештатной ситуации, а в остальных случаях его задачей становится только контроль работы системы.

Читайте так же:  Как написать коллективную жалобу

Сокращение потерь и возможных рисков достигается за счет того, что при работе системы исключается трудноучитываемый человеческий фактор – с ней невозможно “договориться”, “завязать нужные связи” или просто подкупить ее. Она выдает действительно точные данные о трафике въезжающего и выезжающего транспорта, сведения о загруженности вашего паркинга, или использовании машиномест на охраняемой парковке.

При обычном варианте использования системы распознавания номера машин на въездах и выездах с территории, находящейся под охраной, находятся камеры, задача которых – отправлять данные видео на сервер. Затем программный модуль ищет и распознает появившиеся номера в отснятых кадрах. Полученный номер авто сверяется с имеющейся базой данных. Затем, если право на въезд у машины имеется, то система дает сигнал о разрешении въезда на парковку или во двор. Алгоритмы оценки номеров при проезде транспорта могут использовать различные датчики движения, управление шлагбаумами или светофорами, и т.д. Контроль работы такой системы возможен как сразу с видеосервера, так и при интеграции ее со СКУД.

Изображение - Обзор и анализ систем распознавания номерных знаков FB

Какие видеокамеры лучше использовать в системах распознавания номеров

Для функционирования системы крайне важно качество снимка, получаемого видеокамерами. Получение четкой картинки вполне реально при правильном подборе и установке видеокамеры, и обязательной подстройке ее параметров под условия работы.

Нет видео.
Видео (кликните для воспроизведения).

Зачастую владельцы охраняемой территории, не обладая нужными знаниями в области использования охранных систем, пытаются установкой одной камеры наблюдения “убить двух зайцев”, решив этим сразу задачу обзора области на въезде машин на территорию, и обеспечив процесс распознавания номеров.Однако нужно осознавать, что это две абсолютно разные задачи, и одной камерой для их решения не обойтись никак. Сложность в том, что для распознавания требуется четкое отображение номеров машин при всех типах освещенности. Окружающая ситуация при этом не важна, имеет значение только сам номер. Обзорная камера обязана дать понятие о цвете и модели машины, о текущей обстановке на въезде. Ее задача – фиксация действий всех участников событий, происходящих при въезде или выезде. Соответственно, при подборе камер это обязательно надо учитывать.

Мы рекомендуем не гнаться за слишком дорогой камерой, задачей которой станет именно помощь в распознавании номеров. Однако и экономить на ее качестве тоже не стоит – все же количество таких камер сильно меньше, чем обзорных видеокамер. Оптимальный вариант – выбор камер известных брендов с хорошими отзывами и гарантированными характеристиками.

Как это повлияет на размер разрешения видеокамеры? Зная величину номера в pix, и осознавая размер области на фото с видеокамеры, в которой автономер может быть отображен, вполне можно просто подсчитать разрешение видеокамеры, которое подойдет для распознавания.

Например, если вам нужно рассчитывать разрешение камеры для контроля за проездом с полосой шириной 3,5 метра, вы можете поступить следующим образом. По стандартам, размер транспортного номера – 520 мм. Возьмем за допустимую ширину номера на изображении – 150 pix. Итого, нужное нам разрешение видеокамеры будет:

(3,5/0,52) * 150 pix = 1010 pix

Исходя из этого, примерное разрешение нужной нам HD камеры – 1280х720. Но если ширина просматриваемого проезда увеличится, то соответственно будет нужно и увеличение разрешения видеокамеры до FullHD. Но стоит учесть, что устанавливать видеокамеру, у которой разрешение больше, чем разрешение FullHD 2 Mpix в таких случаях нецелесообразно, так как уже 2 Mpix потребует от вас установки дополнительной подсветки для качественной работы.

Если после расчетов выяснилось, что для распознавания номеров хватит разрешения в 1 Mpix, не стоит устанавливать камеру в 2 Mpix. Сложность в том, что при использовании такой камеры при недостатке освещения качество получаемого изображения может ухудшиться, поскольку светочувствительность матриц у камеры более высоким количеством Mpix меньше, чем у камеры с меньшим количеством Mpix, и вечером или ночью получить качественное распознания автономера будет сложнее.

Однако стоит напомнить, что камеры с матрицей 1/2″ требуют оснащения специальными объективами. Причем в зависимости от условий работы камеры вы можете использовать как вариофокальный объектив, так и объектив с фиксированным фокусом. Вариофокальный объектив поможет правильно настроить угол будущего обзора по отношению к месту установки вашей камеры. Но стоит учесть, что у него и светосила меньше, чем у фиксированного, и стоимость выше. Однако когда вы точно знаете заранее, где именно и как будете устанавливать вашу видеокамеру, то правильнее будет выбрать объектив с фиксированным расстоянием фокуса. Хотя если при установке системы распознавания автономеров монтажникам придется самим определять местонахождение монтируемой видеокамеры, лучше предпочесть вариофокальный объектив с более гибким диапазоном фокусных расстояний.

Если ваша камера видеонаблюдения будет использоваться в условиях периодически меняющегося освещения, например, на улице, ее нужно оснастить объективом с автоматической регулировкой диафрагмы.

Если вы собираетесь использовать инфракрасную подсветку, то вам в обязательном порядке потребуется оснастить камеру объективом с инфракрасной коррекцией. Это позволит добиться того, что изображение будет резким и днем, и ночью, когда начнет работать инфракрасный прожектор. Камера при такой ситуации должна быть переведена в черно-белый режим.

Где лучше установить камеру для работы систем для распознавания номеров?

Видеокамера обязательно должна быть вне территории засветки автомобильными фарами от проезжающего транспорта. Однако камера должна располагаться не очень далеко от машин, но и не очень близко к ним. Слишком удаленное расположение вызовет помехи на изображении, а слишком близкое – серьезно исказит перспективу.

Классические требования к монтажу видеокамеры системы для распознавания номеров:

установка на высоте от 2 до 6 метров, в зависимости от величины расстояния от видеокамеры до зоны распознавания номеров машин.

угол наклона устройства не должен превышать 30 градусов по вертикали, и не более 20 градусов по горизонтали.

Читайте так же:  Перевод зарплаты на карту

учтите возможный угол наклона автомобильного номера к горизонту – обычно он составляет ±5 градусов.

Основание для установки видеокамеры не должно вибрировать и раскачиваться.

помните о зоне отчуждения, создаваемую шлагбаумом. При этом стоп-линию для транспорта нужно проводить на границе такой зоны или за ее пределами.

Если требуется установка системы безопасности для большого и сложного объекта, и требуется максимально высокая вероятность точного распознавания номеров автомашин, рассмотрите варианты использования комплексов или модулей распознавания номеров, способных сочетать в себе сразу и устройства системы для распознавания номера, и оборудование контроля доступа. Благодаря опыту наших сотрудников в подборе и комплектации систем для видеонаблюдения и аналитики, менеджеры интернет-магазина Телекамера всегда дадут нужные рекомендации в подборе оборудования для вашей системы видеонаблюдения и проконсультируют по всем вопросам, касающимся подбора, комплектации и настройки систем для распознавания номеров автотранспорта.

Светочувствительность — характеристика реакции регистрирующего устройства на оптическое излучение. Чем меньшее количество световой энергии необходимо для реакции, тем выше светочувствительность регистрирующего устройства.
Статья в глоссарии

Full HD (англ. Full High Definition)

Full HD — разрешение 1920×1080 точек (пикселей). Это маркетинговое название было впервые введено компанией “Sony” в 2007 году для ряда продуктов.

Светочувствительность — характеристика реакции регистрирующего устройства на оптическое излучение. Чем меньшее количество световой энергии необходимо для реакции, тем выше светочувствительность регистрирующего устройства.
Статья в глоссарии

Матрица – двумерный (то есть состоящий из строк и столбцов) массив светочувствительных (либо термочувствительных) элементов, преобразующих свет в электрический заряд.
Статья в глоссарии

Вариообъектив (вариофокальный) (англ. Zoom lens)

Вариообъектив – это панкратический объектив, позволяющий изменять фокусное расстояние и фокусировку в процессе монтажа камеры, поэтому при установке камеры за счёт регулировки фокусного расстояния можно настраивать охват зоны наблюдения и выбирать область фокусировки.

Диафрагма — механическое устройство, с помощью которого ограничивается поперечное сечение светового пучка, проходящего через объектив, с целью уменьшения освещенности регистрирующего устройства. Конструктивно является светонепроницаемой преградой с отверстием в центре, диаметр которого может изменяться.
Статья в глоссарии

Разработка программного приложения на С#, распознающее буквы и цифры с фотографии автомобильного номера. Алгоритм работы с изображением: коррекция яркости, избавление от шума камеры, повышение резкости границ, бинаризация, сегментация и распознавание.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

К КУРСОВОМУ ПРОЕКТУ

по дисциплине «Информатика»

РАСПОЗНАВАНИЕ АВТОМОБИЛЬНЫХ НОМЕРОВ

Пояснительная записка к курсовому проекту15 с.,1 ч., 8 рис.,4 источников.

РАСПОЗНАВАНИЕ, БИНАРИЗАЦИЯ, МЕДИАННЫЙ ФИЛЬТР, ЯРКОСТЬ, ШУМ КАМЕРЫ, АВТОМОБИЛЬНЫЙ НОМЕР

Предметом исследования является распознавание изображений.

Цель работы – разработка приложения, реализующего алгоритм распознавания автомобильных номеров.

В ходе работы создавалось приложение, способное выполнять требуемые задачи.

В результате при помощи созданного приложения была получена возможность частичной реализации данного алгоритма.

Данная курсовая работа по дисциплине «Информатика» нацелена на разработку приложения, распознающего буквы и цифры с фотографии автомобильного номера. Помимо этого в работе решаются и промежуточные задачи, такие как коррекция яркости, избавление от шума камеры, повышение резкости границ и др.

Целью данной работы является разработка и создание приложения, способного выполнять вышеописанные задачи.

1. Постановка задачи курсового проектирования

Разработать приложение, распознающее буквы и цифры с фотографии автомобильного номера

Входной информацией является изображение (фотография) автомобильного номера.

Выходной информацией является распознанные буквы и цифры, представленные в виде текста.

2. Теоретический анализ

Распознавание автомобильных номеров осуществляется специализированной системой, предназначенной для автоматического распознавания государственных номерных знаков движущихся транспортных средств и номеров железнодорожных вагонов. Вероятность распознавания номеров автомобилей – до 98%. Система распознавания автомобильных номеров надежно работает в широком диапазоне условий освещенности и вариантов установки камер.

С помощью программы распознавания номеров эффективно решаются задачи по регистрации, идентификации, предотвращению несанкционированного проезда, обеспечения безопасности автомобилей и железнодорожных вагонов, контроля транспортных потоков и другие немаловажные задачи.

Широкие функциональные возможности и отличные технические характеристики позволяют применять систему распознавания номеров также для контроля наземных парковочных мест, въезда на подземную стоянку, автоматизации проезда через транспортные КПП, а также для учета и контроля железнодорожных грузоперевозок на объектах различного назначения.

3. Описание алгоритма

3.1 Коррекция яркости

Для того, чтобы изображение было более приемлемо для распознавания необходимо осуществить некоторую коррекцию. Для начала необходимо выровнять яркость.

Прежде чем работать непосредственно с яркостью изображения необходимо, чтобы изображение стало «серым». Для этого находят RGB компоненты отдельного пикселя и среднее арифметическое, полученных значений записывается в новое изображение. Таким образом, происходит полная попиксельная обработка.

После того, как изображение стало «серым» производится выравнивание яркости. Для этого был использован нелинейный закон (была выбрана функция арктангенса). Это сделано для того, чтобы выравнивание производилось всегда, т.к. если на изображении хотя бы одна абсолютно чёрная и белая точки, то линейное растяжение работать не будет. Такое выравнивание делает яркие пиксели ещё ярче, а тёмные темнее. Это представлено на рисунке 1.

Рисунок 1 – Коррекция яркости

3.2 Избавление от шума камеры

Для избавления от шума камеры был реализован медианный фильтр третьего порядка с маской 3х3.

Алгоритм медианной фильтрации:

1. Для каждой точки исходного изображения берется некоторая окрестность 3×3.

2. Точки данной окрестности сортируются по возрастанию яркости.

3. Средняя точка (5-я для фильтра 3х3) отсортированной окрестности записывается в итоговое изображение.

3.3 Повышение резкости границ

Фильтр подчеркивания границ накладывается на каждый пиксель изображения. Полученное число является яркостью соответствующего пикселя в новом изображении.

Читайте так же:  Как правильно общаться с коллекторами

В данном примере в качестве маски была использована следующая матрица:

Это объясняется на рисунке 2.

Рисунок 2 – Повышение резкости границ

Профильтрованное изображение подвергается процедуре бинаризации и передается на сегментацию, где и происходит непосредственное распознавание символов.

Операция порогового разделения, которая в результате дает бинарное изображение, называется бинаризацией. В процессе бинаризации исходное полутоновое изображение, имеющее некое количество уровней яркости, преобразуется в черно-белое изображение, пиксели которого имеют только два значения 255 (белый) и 0 (чёрный).

Для лучшей бинаризации было использовано два порога бинаризации.

Здесь G – уровень яркости серого изображения;

G1, G2 – уровни яркости, полученные после прохождения первого и второго порогов бинаризации соответственно;

Lширина, Lвысота – ширина и высота изображения (в пикселях).

Алгоритм поиска точки, подозрительной на принадлежность символу:

1. Стартовой становится самая левая вертикальная линия пикселей.

2. Начиная от верхнего пикселя, спускаемся вниз, пока не встретим белый пиксель. Так мы получаем верхнюю границу области поиска.

3. Начиная от нижнего пикселя, поднимаемся вверх, пока не встретим белый пиксель. Так мы получаем нижнюю границу области поиска.

4. В выделенной области поиска ищем первую попавшуюся черную точку. Если таковой не найдется, то текущей становится следующая линия по направлению вправо. Переходим на шаг 2.

5. Найденная точка передается алгоритму выделения символа.

Из положения символа на номере становится ясно буква это или цифра. Поэтому для символа получаем значения его оценок для цифры или буквы соответственно. Принимаем решение в пользу символа с максимальной оценкой.

Эталоны символов хранятся в матрицах. Черный пиксель отмечается единицей. Фоновые пикселям соответствуют ячейки с записанными в них расстояниями до ближайшего черного пикселя со знаком минус. Расстояние считается по одной из следующих формул:

фотография резкость бинаризация сегментация

где x, y ? модули смещений до ближайшей черной точки.

Пример показан на рисунке 3.

Рисунок 3 ? Пример эталона буквы «Р»

Вычисление оценки происходит следующим образом. Растр символа трансформируется до размеров эталона, и они накладываются друг на друга. Соответствующие черным пикселям символа значения в ячейках эталона суммируются. Появление точки в ячейке символа, далекой от ближайшей черной точки в эталоне, существенно снижает значение оценки (рисунок 4).

Рисунок 4 ? а) оценка для символа «P» равна 15, б) оценка для символа «B» равна 6

Пункты 3.5 и 3.6 данного алгоритма реализованы не были.

4. Описание разработанного приложения

Было разработано приложение, частично реализующее алгоритм распознавания автомобильных номеров. Приложение было написано на языке С#. Есть возможность открытия изображения в любом формате. Рекомендуется открывать изображения в .bmp формате. Скриншот программы представлен на рисунке 5.

Рисунок 5 – Скриншот приложения.

4.1 Руководство пользователя

Данный раздел приводится для ознакомления с работой приложения. Для работы программы требуется .NET Framework v4.0. Для того, чтобы начать обрабатывать изображение пользователю нужно открыть изображение, нажав кнопку «Open file».

Построить гистограмму изображения можно нажав кнопу «Histogram». Кнопка «Median filter» осуществляет медианную фильтрацию. Кнопка «Edge» повышает резкость границ изображения.

Так как алгоритм нужно осуществлять только в одном порядке, то эти кнопки становятся видимыми последовательно, и вновь становятся неактивными после нажатия.

Был протестирован каждый этап выполнения алгоритма.

На рисунке 6 представлены результаты тестирования пункта 3.1 алгоритма – коррекция яркости.

Рисунок 6 – Тестирование коррекции яркости

На рисунке 7 представлены результаты тестирования пункта 3.2 алгоритма – избавление от шума камеры (медианная фильтрация).

Рисунок 7 – Тестирование медианного фильтра

На рисунке 8 представлены результаты тестирования пунктов 3.3 и 3.4 алгоритма – повышение резкости границ и бинаризация.

Рисунок 8 – Повышение резкости границ и бинаризация

Результатом курсовой работы является приложение на С#, частично реализующее алгоритм распознавания автомобильных номеров.

В результате тестирования была проверена правильность работы созданного приложения и реализованного алгоритма.

Список использованных источников

1 Медианный фильтр [Электронный ресурс].

2 Распознавание номеров [Электронный ресурс].

3 Сегментация изображения [Электронный ресурс].

4 Система распознавания автомобильных номеров.

Размещено на Allbest.ru

Обзор математических методов распознавания. Общая архитектура программы преобразования автомобильного номерного знака. Детальное описание алгоритмов: бинаризация изображения, удаление обрамления, сегментация символов и распознавание шаблонным методом.

курсовая работа [4,8 M], добавлен 22.06.2011

Проектирование приложения на языке С# в среде Microsoft Visual Studio 2008: составление алгоритмов сегментации текста документа и распознавания слова “Указ” в нем, создание архитектуры и интерфейса программного обеспечения, описание разработанных классов.

курсовая работа [2,4 M], добавлен 05.01.2011

Оптико-электронная система идентификации объектов подвижного состава железнодорожного транспорта. Автоматический комплекс распознавания автомобильных номеров. Принципы и этапы работы систем оптического распознавания. Особенности реализации алгоритмов.

дипломная работа [887,3 K], добавлен 26.11.2013

Принципы и система распознавание образов. Программное средство и пользовательский интерфейс. Теория нейронных сетей. Тривиальный алгоритм распознавания. Нейронные сети высокого порядка. Подготовка и нормализация данных. Самоорганизующиеся сети Кохонена.

курсовая работа [2,6 M], добавлен 29.04.2009

Обзор существующих алгоритмов для обнаружения лиц. Выравнивание лица с помощью разнообразных фильтров. Использование каскадного классификатора Хаара для поиска лиц на изображении. Распознавание лиц людей с использованием локальных бинарных шаблонов.

дипломная работа [332,4 K], добавлен 30.09.2016

Распознавание образов как раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов. Знакомство с принципом действия сканирующих устройств. Анализ особенностей преобразования документа в электронный вид.

презентация [160,1 K], добавлен 06.01.2014

Процессы распознавания символов. Шаблонные и структурные алгоритмы распознавания. Процесс обработки поступающего документа. Обзор существующих приложений по оптическому распознаванию символов. Определение фиксированного шага и сегментация слов.

дипломная работа [3,3 M], добавлен 11.02.2017

Анализ существующих алгоритмов распознавания режимов работы газотурбинного двигателя. Метод группового учета аргументов, метод Байеса. Применение технологий системного моделирования на этапе проектирования интеллектуальной системы распознавания режимов.

курсовая работа [1,4 M], добавлен 11.04.2012

Читайте так же:  Доверенность на получение пенсии

Создание программного средства, осуществляющего распознавание зрительных образов на базе искусственных нейронных сетей. Методы, использующиеся для распознавания образов. Пандемониум Селфриджа. Персептрон Розенблатта. Правило формирования цепного кода.

дипломная работа [554,8 K], добавлен 06.04.2014

Фильтрация шумов изображения. Алгоритмы его бинаризации и поворота. Формирование информативных признаков для распознавания нот. Схема программного обеспечения. Описание классов, функций, методов, реализованных в программе. Тестирование приложения.

курсовая работа [2,0 M], добавлен 17.12.2013

До недавнего времени все фотопленки и изображения номерных знаков интерпретировались человеком. Однако, множество технологий, которые были разработаны во время холодной войны, теперь нашли свое применение в фотопромышленности. Компании и консультанты, которые перечислены ниже, в настоящее время активно предоставляют продукты для автоматизации этой функции.

По словам Lee J. Nelson, одного из ведущих консультантов в области распознавания регистрационных номеров, распознавание/идентификация регистрационных номеров (LPI/R) является одной из форм ITS технологии, которая не только распознает и считает количество транспортных средств, но и отличает каждое как уникальное. Для некоторых приложений, таких как устройства электронной платы за проезд, LPI/R-система записывает символы с номерных знаков владельцев транспортных средств, для которых могут быть составлены соответствующие квитанции. В других, таких как коммерческие операции или контроль доступа, номерной знак транспортного средства проверяется по базе данных для определения приемлемого условия прохождения транспортного средства на охраняемую территорию.

LPI/R может быть использована в вопросах нарушения скорости движения или просто дать водителям напоминание, показывая номерной знак со скоростью транспортного средства в виде некоторого сообщения. Это может способствовать прохождению тестирования записи буквенно-цифровой последовательности номерного знака во время автоматического анализа выхлопных стоков, или помочь идентифицировать и штрафовать нарушителей. LPI/R также может контролировать время, которое требуется транспортному средству для перемещения из одного пункта в другой, информировать центры управления движения сообщениями о мере оживленности на улицах и магистралях.

В международных пунктах пересечения границы, номерной знак – единственный универсальный идентификатор автомобиля, который может быть проверен по базе данных “горячих” автомобилей для поиска угнанных автомобилей и номерных знаков или лиц, зарегистрированных как беглецы, преступники, подозреваемые или контрабандисты.

Типичная LPI/R система состоит из подсистемы получения видеоизображения, центрального процессора для обработки изображений и управления аппаратной или программной реализации распознавания символов, а также хранения или передачи подсистемы электронной записи номера для содержания и данные, такие как дата, время и место.

Сердцем любой LPI/R системы является ее механизм распознавания и встроенный алгоритм. Важно понимать, что система решает, как код распознается. Пользователь, OEM, или интегратор принимает этот алгоритм вместе с системой. Общее представление о том, как система распознавания интерпретирует содержание образа, имеет центральное значение для подтверждения того, что общее “решение” может быть получено с помощью данного приложения.

Корреляция или шаблон в подходе к распознаванию символов является прямым методом и может быть надежным, если итоговая цель и приложение остаются неизменными. Как следует из названия, когда каждый символ распознается в отдельности, предпринимаются попытки сопоставить его с набором предопределенных стандартов. Любое условие – освещение, угол обзора, затемнение, размер плитки, шрифт – все, что вызывает отличие от стандарта, вероятно, приводят к сомнительному или ошибочному результату.

Структурный анализ использует дерево решений для оценки геометрических особенностей контура каждого изображения. Этот метод может быть несколько устойчив к изменениям в размерах, наклоне и перспективных искажениях. В качестве простого примера, рассмотрим символы B, D, 6 и 9. Отличия, которые могут быть использованы, чтобы характеризовать их, представляют число петель в каждом символе (одна или две) и вертикальное положение петли (верхнее, центральное и нижнее). Две петли приводят к символу B, одна петля приводит к следующей ветви дерева. Петли в верхней части указывают на 9; если петля является центральной – это D, и петли в нижней части изображения – 6. Символы без петель (E, M, N, тире и т.д.) требуют дополнительных затрат.

Нейронные сети обучаются на примере вместо того, чтобы быть запрограммированными в обычном смысле. Изучая повторяющиеся модели, сеть строит статистические модели, которые адаптируются к особенностям отдельных символов. Таким образом, нейронные сети, как правило, устойчивы к шуму, и производительность обычно не нарушается при изменении условий эксплуатации. Однако, для каждой модификации (например, новый шрифт), которая представлена в нейронной сети, могут потребоваться значительные затраты на переобучение.

Для оценки возможностей системы можно потребовать, чтобы данный алгоритм распознавания работал со стандартным набором символов при почти идеальных условиях испытаний. Это разумно, чтобы определить все факторы, которые могут влиять на выполнение алгоритма. Они включают в себя:

  • Скорость транспортного средства.
  • Объем потока транспортных средств.
  • Окружающее освещение (день, ночь, солнце, тень).
  • Погода.
  • Тип транспортного средства (легковой автомобиль, грузовик, тягач-прицеп и т.д.).
  • Монтаж печатных форм (только тыл или фасад и тыл).
  • Другие номера.
  • Государственные номера.
  • Номера на расстоянии.
  • Наклон номеров, поворот.
  • Интервал между транспортными средствами.
  • Наличие прицепа, декоративной рамки, или других факторов заслоняющих номер.

Покупатели должны понимать разницу между абсолютной идентификацией каждого символа и приложениями, регистрирующими нарушения правил дорожного движения. Степень компьютерной обработки, точность распознавания и внутренний контроль точности больше импортируется в предыдущий сценарий.

В настоящее время LPI/R системы базируются на управление запасами. Многие уже используются для наблюдения транспортных средств, мониторинга и происхождения, назначения съемки. В тех ситуациях, когда одна ошибка символа является менее значительной, чем в исполнении приложений. Проще для системы распознать весь номер – был ли он интерпретировано точно – чем для правильного определения каждого символа, снова и снова, при любых условиях эксплуатации. Очевидно, что система, предназначенная для автоматического выявления и штрафования нарушителя, должна быть достаточно точной, чтобы предотвратить законопослушных водителей от получения незаслуженного штрафа.

Читайте так же:  Правила проезда нерегулируемых перекрестков в россии

Определение точности системы AVI является сложным процессом и зависит от применения, условий эксплуатации и предположений, сделанных в ходе тестирования. При оценке системы важно, чтобы были использованы все эти критерии.

Производительность системы трудно поддается количественной оценке. Заманчиво ожидать систему распознавания, которая должна быть совершенной, и взять на себя сто процентов точности в интерпретации содержания номерного знака. Однако, некоторые номера не могут быть прочитаны ни системой распознавания, ни глазом человека из-за грязи, плохого освещения, повреждения или затемнения. Поэтому не следует ждать от автоматизированной системы большой точности из-за ограничений.

Одним из способов измерения процента успешного распознавания системой номерных знаков является проверка человеком, смотрящим видеоизображение на мониторе. Если человек должен догадаться о том, какой там номерной знак, то, вероятно, что и система распознавания сделает также. Автоматизированная система имеет большую степень точности из-за того, что в ней не участвует человеческий фактор, а все решения принимаются исходя из алгоритма.

Система распознавания может определить только буквенно-цифровое содержание номерного знака. Успехи каждого шага, следовательно, должны быть вычислены по общей формуле:

Изображение - Обзор и анализ систем распознавания номерных знаков article008_1

Если интерпретация любого символа оценивается индивидуально, уравнение принимает вид:

Изображение - Обзор и анализ систем распознавания номерных знаков article008_2

Но в целом, точность системы не может быть экстраполирована непосредственно из отдельных символов. Например, предположим, система автоматически распознает и определяет десять тысяч номерных знаков с семи символов на каждом номере. В общей сложности – это семьдесят тысяч символов. Если система считывает первые шесть символов правильно на каждом номере, но пропускает последний символ на каждом номере, общая точность составит (60000 ÷ 70000) * 100, или 85,7 процента. Однако, используя уравнение 2, истинная точность системы в этом случае равна нулю.

Изображение - Обзор и анализ систем распознавания номерных знаков article008_3

Технические характеристики должны быть указаны тщательно, чтобы быть значимыми. Просто заявление, как “восемьдесят пять-девяносто процентов точных распознаваний” может таить в себе важные особенности, из-за чего распознавание будет давать ошибку. Чтобы избежать всевозможного рода ошибок, увеличивая тем самым процент точности, нужно учитывать множество факторов: освещенность, шумы и т.д. Обычно для разработчиков четко выделены время и деньги для подобного рода тестирований.

Разработчик должен точно определить, при каких условиях система будет давать правильный результат. Система может правильно определить девяносто пять процентов номера за определенное время в контролируемых условиях, но только на пятьдесят процентов времени в менее идеальных условиях. Разработчик также должен определить те состояния, в которых система дает неверный результат: провал может означать пропуск номера (не распознавание) или ошибка в интерпретации (идентификации) одного или более символов.

То, почему не удалось идентифицировать какой-то номер, зависит от приложения. Например, в контроле безопасного доступа, любой сбой системы был бы неприемлем, потому что можно распознать все что угодной (ложное срабатывание) или отказать в допуске к уполномоченному лицу. Регулируя порог, можно получать различные ошибки. Только на практике можно сказать, какой порог дает какого типа ошибку.

На примере контроля доступа, постобработка может компенсировать несовершенство интерпретации. После распознавания номера последовательность символов сравнивается с известными номерами в базе данных. Ошибка в один символ может быть незначительной.

Изображение - Обзор и анализ систем распознавания номерных знаков article008_4

Номер ABV 123

Изображение - Обзор и анализ систем распознавания номерных знаков article008_5

Сущность в базе данныхABV 123

Изображение - Обзор и анализ систем распознавания номерных знаков article008_6

Номер прочитан как ABW 123

Для конечной базы данных заполняется номер ABV 123, проектировщики должны учитывать вероятность столкновения истинного номера ABW 123 и значения признанного несанкционированным транспортным средством.

Компьютерные программы распознавания автомобильных номеров появились в 1980-х годах. В 1993 году LPI/R технологии сделали успешный переход от исследования к выходу на коммерческий рынок. Существует спрос и предложение, и все большое число разработчиков предоставляют готовые продукты покупателям.

LPI/R обладает большой значимостью среди правоохранительных органов коммерческого и частого сектора, Потенциальных пользователей будет смущать богатство AVI (автоматической идентификации транспортного средства), AVL (автоматическое определение местоположения транспортного средства), ETTM (электронный сбор платы за проезд и управление дорожным движением), и видеооборудование для установления нарушения (VES). Кроме того, новые проблемы, несомненно, будут найдены во все возрастающем разнообразии номеров, более мелкие буквы и цифры, декоративные шрифты.

Учитывая эти условия, производители используют творческий подход в решении проблемы:

Изображение - Обзор и анализ систем распознавания номерных знаков article008_7

Для номеров, где контраст переднего плана / фона делает даже трудной визуальную идентификацию, применяются 2 камеры, используя видимые и инфракрасные области электромагнитного спектра. Фильтрация соответствующих длин волн значительно улучшает читаемость символов для номеров.

Изображение - Обзор и анализ систем распознавания номерных знаков article008_8

Федеральные государственные номера не читаются обычными CCIR. Компьютерное распознавание Systems, Inc объединяется ультравысокой четкостью захвата изображения “фронт-энд”. В 1300 * 1030-пикселей, буквы и цифры могут быть получены с высокой четкостью.

Изображение - Обзор и анализ систем распознавания номерных знаков article008_9

Метод AutoVu Technologies не только читает алфавитно-цифровые номера, она анализирует весь номер и проверяет его по базе данных в поисках подходящих. Это может быть очень важным для того, чтобы определить штат – например, Штат Теннесси, который не всегда указан на номере.

Транспортные организации и правоохранительные органы, несомненно, получают выгоду от этой технологии, это может быть выявление каких-то правонарушений или получении информации о загруженности определенного транспортного узла, дороги. Это очень перспективное направление, и реализация этой технологии на международном рынке кажется очень привлекательным решением.

Изображение - Обзор и анализ систем распознавания номерных знаков 2699956
Автор статьи: Павел Кудинов

Здравствуйте! Меня зовут Павел. Я уже более 6 лет работаю в сфере юридических консультаций. Считая себя профессионалом, хочу научить всех посетителей сайта решать возникающие вопросы. Все материалы для сайта собраны и тщательно переработаны с целью донести в доступном виде всю требуемую информацию. Однако чтобы применить все, описанное на сайте всегда необходима  консультация с профессионалами.

Обо мнеОбратная связь
Оцените статью:
Оценка 3.9 проголосовавших: 10

ОСТАВЬТЕ ОТВЕТ

Please enter your comment!
Please enter your name here