IP камери за признаване на цифри: Да, или не? Експертни мнения. Hikvision Automotive District - Hikvision Урална камера Четене на автомобилни стаи

Помислете за четене на IP камера за числа.

Може да се използва за:

• автоматизирано отваряне на бариерата на входа на контролираната територия;
• Автоматизирано изявление на глобите в нарушение от водача на правилата в зоната на покритието на камерата с признание номера на автомобили.
• Автоматично изчисляване на разходите за паркиране, базирани на данните за автомобила.
• незабавно информиране за откриването иделна колаЧрез сравняване на номера си с базата данни.

Всички тези аналитични процеси се извършват във вътрешния софтуер в автоматичен режим, или с настройки и определени функции от потребителя, чрез софтуера, инсталиран на сървъра. Стартиране на IP камерата за разпознаване на номера на автомобили, препоръчително се препоръчва да прочетете инструкциите за инсталиране, конфигуриране и управление на инструмента. Мрежовата камера на разпознаване на номера може да има различен вид фактор и тип инсталация. Трябва да изберете въз основа на текущите изисквания и условия.

Ние предлагаме да купуваме IP камери за разпознаване на номера на автомобили, на цена от 3000 рубли в нашия онлайн магазин. Сайтът е на разположение всички необходимата информация За устройството.

Характеристики IP камера за разпознаване на автомобили

Преди да закупите IP камера с функция за разпознаване на цифри, прочетете техническите му характеристики.

Списък на техническите спецификации:

• Опции за захранване.
• Вид софтуер, лекота на управление.
• Клас за защита на IP камерата.
• Ъгъла на гледане.
• Резолюция.
• Метод на монтаж и свързване.
• Скорост на обработка на информация, търсене на съвпадение.
• Скост Стрелба, запис.
• Температурен режим Камерата работи.
• Изключително допустима влажност
• Рейтинг на марката на производителя на пазара на системи за управление и видеонаблюдение, прегледи на потребителите.
• Размери, тегло на устройството.
• Оборудване, наличие на фитинги, необходими за монтаж, инструкции за експлоатация.

Камерите, представени в този раздел, бяха тествани от нашите специалисти за съвместимост с софтуера Macroscop "Разпознаване на номера на автомобили". В комбинация с данни, нашите камери ще ви осигурят постоянен мониторинг на защитената зона, ще ви помогне в търсенето на желаната машина, автоматизация на редица процеси.

Чрез избиране на устройство, което отговаря на всички изисквания, можете бързо да поръчате поръчката на сайта. Ще доставим видеокамерата с разпознаването на номерата до желания обект в Москва възможно най-скоро.

Добавен: 2018-02-28 15:24:21

Съвременни системи Видео наблюдение не е само колекция от видео поток, но и широки възможности за видео анализ.

Такива функции като броене на броя на посетителите, признаването на индивиди, признаване и фиксиране на номера на автомобили уверено надхвърлят интересите и юрисдикцията на специалните служби за решаване на ежедневни бизнес задачи.

Нека спрем по-подробно по една от изискваните функции на видео анализа - разпознаване на номера на автомобили. Понякога системата за видеонаблюдение е интегрирана с системата за контрол на достъпа: фотоапаратът чете номера на автомобила, системата за анализ проверява получения образ на броя на номерата от базата данни и когато съвпадението е потвърдено, изпраща член на колата.

Отделно отбелязваме, че при проектирането на система за видеонаблюдение е необходимо да се разделят задачите за разпознаване на номера на автомобили и функция за преглед (движещи се техники и пешеходци, местоположението на съставите в зависимост от условията на наблюдаваната област и т.н. .). За камера, предназначена да разпознава номера, има ограничения за настаняване. Освен това са необходими специални настройки. Фокусът на камерата трябва да бъде насочен строго към зоната, предназначена да управлява автомобили (в повечето случаи е 3-4 метра). В това отношение се препоръчва да се използват камери с фиксиран обектив. Освен това те обикновено имат най-добрите функции На фоточувствителност в сравнение с моторизираните лещи.

Камера с каква резолюция е по-добре да изберете?

При решаването на определената задача за разпознаване на номерата на автомобили, високата разделителна способност на видеокамерата може да доведе до по-лошо в сравнение с изчисления. Това се дължи на факта, че камарите с увеличаване на резолюцията ще влошат фоточувствителността, която негативно влияе върху разпознаването на броя през нощта.

За изчисление се използва формулата (w / n) * p:

където w е ширината на прегледа в зоната за фиксиране на номера (m),

n - размер на броя на колата (m),

Ако вземем ширината на раздел 3 m, средната ширина на регистрационния номер 0.52 m и оптимален размер Изображения (на практика) 200 пиксела, след това получаваме следващото изчисление:

(W / n) * p \u003d (3 / 0.52) * 200 \u003d 1154 пиксела.

Изчисляването показва, че е подходящо за камера с HD резолюция (1280 x 720 пиксела).

Камерите за разпознаване на системата трябва да имат определени характеристики.

Трябва да се вземе предвид физическият размер на матрицата. Колкото повече матрицата, толкова по-фоточувствителна. Минимален допустим размер Матрици, за да разпознаят 1/3 инча числа. Матриците от 1/2 инча по размер и по-високи са най-добре.

Фигура 1. Сравнение на изображенията, получени в тъмно и явно време на деня от камерите, които се различават по размера на матрицата

Когато избирате камера, трябва да вземете предвид параметъра на светлините. Той се определя от избора на леща за камерата и е посочен под формата на F - номера, който се определя от съотношението на фокусното разстояние и. \\ T Размерът на диафрагмата, съответно по-горе. Самият образ ще стане по-малко цифров шум. За да разпознавате числата, лещата с осветеност не е по-малка от f / 1.4. Обективът с F / 1.3 ще бъде повече светлина.

Имайте предвид, че каквото и да е спецификации Нямаше камера, с пълно отсъствие на осветление, резултатът под формата на разпознат регистрационен номер няма да получавате. В това отношение първоначално разглеждат възможността за допълнително осветление. Абсолютното мнозинство от камерите обаче не съдържат IR осветление, обаче, използването на вградения IR означава необходимостта от прехвърляне на камерата към черния и бял режим. В допълнение, допълнителната топлина, пусната по време на IR блясък, може през лятото да стане ненужна, да доведе до прегряване, създаване на допълнителна намеса.

Ние също обръщаме внимание на такова камерна характеристика като броя на кадрите в секунда. Ние като производител препоръчваме камера с честота на кадри от 25 k / s. Въпреки това, на практика, върху тези обекти, където машините се движат с ниска скорост, камерите се прехвърлят в режима 12 до / s и по-долу, като същевременно премахват товара от оборудването, необходимо за обработка на информационния масив.

Както споменахме по-горе, има доста твърди граници на мястото за видеокамери, изходът им води до значително влошаване в резултата.

Ъгълът на наклона на регистрационния номер не трябва да надвишава 5 ° спрямо ос на x в двуизмерната версия на изображението.

За да заснемете два ленти, можете да поставите камерата, както следва:

Камерата трябва да се постави на височина от 2 до 6 метра. Когато се поставят върху обекти, имащи бариера, е необходимо да се смята, че самата бариера образува определена зона за отчуждение.

Технологиите на софтуерното разпознаване на автомобили и хора на хората все повече се търсят. Например, автоматичното автоматично разпознаване може да се използва като компонент на системата за контрол на достъпа, за организиране на системи за фактуриране платен паркинг, автоматизация на автомобила или за събиране на статистическа информация (например повтарящи се посещения на TRV или измиване). Всичко това е в състояние на модерен интелектуален софтуер. Какво е необходимо за прилагане на такава система? По принцип няма много видеокамери, които отговарят на определени изисквания и съответния интелигентен софтуерен модул. Например или повече бюджет

В тази статия ще ви кажем как да изберете цифрова видеокамера, която може да формира висококачествено видео, приемливо за задачи за разпознаване на софтуер

Резолюция

Преди няколко години размерът на регистрационния номер на екрана се измерва в% от ширината на рамката. Всички камери са аналогови и отговорът им е величината на постоянната. Сега, когато матриците могат да имат резолюция от 0.5 до 12), относителните стойности не се прилагат и необходимата ширина на регистрационния номер се измерва в пиксели.

По правило, спецификацията за признаването на цифрите показва изискванията за ширината на регистрационния номер на екрана, достатъчна за уверено признаване. Така например, автоматичният модул на автотрансмисер изисква ширина 120 пиксела, а броят е 80 пиксела. Разликите в изискванията се обясняват като нюанси на работата на алгоритмите за признаване и допустимо ниво на надеждност, прието от предприемача. На личен опит Може да се отбележи, че автотрансмизир е по-взискателен и "капризен" по отношение на избора на оборудване, леща, коректността на настройката на камерата. Но, като се има предвид, показва непрекъснато надеждни резултати и е малко зависим от метеорологичните условия.

За по-голяма надеждност можете да препоръчате да навигирате стойността на броя на регистрационния номер в 150 PIX. И ако помните, че ширината на регистрационния номер съгласно ГОСТ е половин метър (520mm е точен), тогава стигаме до желаната резолюция от 300 точки на метър.

Линейната разделителна способност на пикселите на метър зависи от ъгъла на гледане и разрешението на матрицата на камерата. Възможно е да се изчисли по формулата:

R lin. - линейна резолюция, пиксели на метър

R h. - хоризонтална резолюция на камерата (например,R h. =1080)

α - ъгъл на гледане на камера

Л. - разстояние от камерата към обекта

Можете също така да използвате нашия онлайн калкулатор на продукта на стоките, които ви интересуват, на раздела "Какво виждам".

По-долу са (например) няколко варианта на IP видео наблюдение, показващи максималното разстояние, с което е възможно разпознаването на регистрационния номер (ширината на регистрационния номер 150 pix). Забележка, максималната стойност на фокусното разстояние се използва за камери с варифокален обектив

	Фокусно разстояние	Хоризонтална резолюция.	Макс. Разстояние, М.	Макс. Ширина на прегледа, m
		1920 пиксела
		1280 пиксела
		2688 пиксела
		2048 пиксела
		2048 пиксела

Важно е да се разбере, че камерите на по-високата резолюция могат да наблюдават по-широки зони, така че на същото място има по-малко на същото място. В този случай линейната резолюция остава в границите на идентификационните изисквания. Този факт Прави икономически разумно използване на камери с висока резолюция в много ситуации.

Чувствителност на лекотата и скорост на затвора

За увереното признаване на регистрационните знаци, камерата трябва да има добра фоточувствителност и възможност за ръчно монтиране на скоростта на затвора (скорост на затвора или просто откъси). Това изискване е изключително важно при изграждането на системи за разпознаване на автомобили, движещи се с висока скорост. За автомобили, движещи се със скорост до 30 км / ч (а именно, ние като правило ние прилагаме за нашите клиенти: вилни селища, жилищни комплекси, паркинги за търговски център, различни затворени територии) Това изискване е по-малко важно, но Невъзможно е да се подценява, защото за да се постигне висококачествено разпознаване, камерата трябва да премахне поне десет рамки с числото.
Следователно, например, да се разпознае броят на A / M, движещ се със скорост от 30 км / ч в ъгъла на инсталацията на камерата до 10 градуса спрямо оста на движението, скоростта на затвора трябва да бъде около 1 / 200 секунди. За много евтини камери, такъв откъс, дори в следобедните часове при облачно време, може да е недостатъчно, а картината ще бъде тъмна и / или страхотна. Ето защо си струва да обърнете специално внимание на размера на матрицата и нейното качество. В идеалния случай използвайте специализирана черно-бяла камера с матрица CCD. Въпреки това, цената е много висока и резолюцията обикновено не е повече от 1 мм, която налага сериозни ограничения върху тяхната приложимост.
Като цяло, тя не трябва да се преследва с висока резолюция, ако няма обективни причини. Сравнително евтините камери с висока резолюция (4MP, 5MP и по-висока) са изградени върху матрици 1/3, 1 / 2.8 и по-рядко 1 / 2,5 инча. Същият размер на матрицата също има камери с резолюция от 1.3 и 2 мм. В резултат на това, размерът на всеки фоточувствителен елемент в камерата 1.3mm е значително повече, отколкото в 5-мегапаковата камера и по-големия размер - толкова повече светлина може да събере всеки фоточувствителен елемент. Затова се препоръчва от нас за задачите за разпознаване на IP камери, рядко имат разрешение повече от 2MP.

Широк динамичен обхват (WDR), компенсиране на фона на осветлението

Динамичният обхват на камерата определя съотношението между максималната и минималната интензивност на светлината, която обикновено може да определи своя сензор. С други думи, това е способността на камерата да се прехвърля без изкривяване и загуби по едно и също време и ярко осветени и тъмни зони на изображението. Този параметър е много важен при автоматичното разпознаване на числа, защото Тя помага да се борим със светлинна шампанска камара. Въпреки това, дори най-модерните камери с WDR в 140dB не винаги могат да се справят с високо контрастно осветление. В този случай е зададен допълнително осветление. видима светлина или работа в IR гама, осветителната зона, в която възниква разпознаването на броя.

Дълбочина на рязкост

Дълбочината на полето, или, напълно, дълбочината на остротата на изображението (грип) се нарича диапазон на разстояния, върху които обектите се възприемат като остри.

Този параметър се определя от фокусното разстояние, диафрагмата и разстоянието до обекта. Колкото по-голяма е дълбочината на полето - толкова повече фокусираща зона и колкото повече възможности да "хванете" достатъчен брой ясни рамки на движеща се кола.

Може би максималният ефект върху дълбочината на остротата има диафрагма на лещата. Колкото по-малка е дупката на диафрагмата - колкото по-голяма е дълбочината на остротата, толкова повече - темите на грипа. Всички фотоапарати, препоръчани за разпознаване на номера, са в състояние да се адаптират към променянето на условията на осветление поради автоматичната промяна на диафрагмата. Препоръчва се коригирането на фокуса на такива камери, за да бъде направено при възможно най-висока диафрагма, когато дълбочината на остротата е минимална.

Колкото по-голямо е разстоянието от камерата към обекта, дълбочината на остротата е по-голяма, така че не е необходимо да се стремим да поставите камерата възможно най-близо до зоната за разпознаване. От друга страна, фокалната дължина е по-дълга, дълбочината на остротата е по-малка. В нашата практика оптималното разстояние от камерата към Am е в диапазона от 6 до 10 метра. Въпреки че не е невъзможно и признание от разстояние и 100 метра.

Изкривяване

Много лещи изкривяват малко изображение. Най-често се срещат така нареченото "изкривяване на барел" на картината. Това е свързано с увеличение, което е по-голямо в центъра и по-малко по ръбовете, което води до промяна в размера на обекта. Така че, ако един и същ обект попадне в центъра на изображението и на ръба му - размерите му на ръба ще изглеждат по-малки. Това може да повлияе на способността за идентифициране.

Колкото по-кратък е фокусното разстояние е по-силното, изкривяването може да бъде забележимо. Следователно, камерите с широкоъгълни лещи (по-малко от 4 мм), за да се идентифицират, е нежелано.

Възпроизвеждане на шум и цвят

Колкото по-малко шум и по-точното цветопроизводство - по-добро за идентифициране. Поради това се препоръчва да се обърне внимание на тези параметри като минималното осветяване на камерата, както и наличието на функции за намаляване на шума.
Потискането на шума е особено важно с недостатъчното осветление, когато сензорите за камери са силно "шумни", което усложнява идентификацията. Трябва да се разбира, че в много случаи намаляването на шума и други електронни "бикове" не могат да се справят и е необходимо да се осигури достатъчно ниво на осветление в съоръжението.

Компресионно видео

Модерните IP камери предават компресиран видео сигнал и ако няма движение в рамката или е минимален - трафикът ще бъде малък. Ако движението в рамката интензивно - трафикът ще расте. Следователно, в случай на постоянен битрейт в настройките в настройките, картината ще бъде подходяща за идентифициране при липса на движение, но неподходяща - с интензивно движение в рамката.
Да се \u200b\u200bидентифицира, се препоръчва да се зададе променлив битрейт с най-много високи нива Качество. В този случай ще бъде предоставено желаното качество на изображението.

MATRIX: 1 / 2.8 "CMOS за прогресивно сканиране Хардуер WDR 140DB. Обектив: 2.8-12 mm Характеристики: Вътрешната камера, за монтаж на улицата е необходима термодвойките. Обективът не е включен и закупен отделно
Макс. Резолюция: 1,3MP, 1280 x 960 PIX Хардуер WDR. Обектив: 2.8-12 mm
Street 2 MP мрежова камера AXIS P1365-E C WDR и Lighterfinder MATRIX: 1 / 2.8 "CMOS за прогресивно сканиране Макс. Резолюция: 2MP, 1920 x 1080 PIX Хардуер WDR. Технологична светлина. Обектив: 2.8-8 mm @ f1.3 Характеристики: висока чувствителност, автофокус
Dahua IPC-HF8301E UTLRA WDR 120DB, ULTRA 3DNR MATRIX: 1/3 "прогресивно сканиране CMOS Макс. Резолюция: 3MP, 2048x1536 PIX Хардуер WDR. Обектив: 2.8-12 mm Характеристики: Вътрешната камера, за монтаж на улицата е необходима термодвойките. Обективът не е включен и закупен отделно
MATRIX: 1/3 "прогресивно сканиране CMOS Макс. Резолюция: 1,3MP, 1280x960 Pix Обектив: 2.8 - 8 mm (F1.2) Характеристики: висока чувствителност, автофокус

Съвременното видео наблюдение ви позволява да събирате информация за потока на автомобилния трафик и пешеходците, а също така предоставя различни функции на видео анализ.

Функциите за определяне на броя на посетителите, идентифициращи лицата, станаха в търсенето между частните организации и предприемачите.

Помислете за подробна важна функция за определяне на лицензните плочи. Системите за видеонаблюдение могат да бъдат комбинирани с система за контрол на достъпа. Видеофикацията определя номера и системата за анализ търси съвпадение в списъка на номерата на базата данни и ако е налице, дава разрешение на системата за контрол на достъпа за влизане на превозното средство.

Когато планирате инсталацията на системата за видеонаблюдение, трябва да разделите задачата за определяне на броя от наблюдението на транспорта и пешеходците. Видеоклипът за разпознаване на лицензните плочи има ограничения за инсталационното място, както и те се нуждаят от специална настройка. Камерата трябва да се фокусира само върху мястото, където преминават превозни средства. Затова е по-добре да инсталирате камери, които имат фиксиран обектив. Те имат допълнително предимство в характеристиките на фоточувствителността.

Резолюция на камерата

Високата разделителна способност на фотоапарата все още не означава изпълнението на качеството на задачата да разпознае числата. Изчислената оптимална резолюция може дори да даде най-добър резултат. Колкото по-висока е резолюцията, толкова по-лоша фоточувствителността и това влошава определението за числа с лошо осветление.

При изчисляване на необходимата резолюция се използва следната формула: (w / n) * p, където w е ширината на инспекцията на фиксирана регистрационна плоча; n - брой на регистрационния номер; P - предложената ширина на показания номер, измерен в пикселите.

Помислете за изчислението на следния пример: Средният размер на знака е 0.52 m, ширината на контролираната зона е 3 m и препоръчваният размер обикновено се приема в 200 пиксела. Получаваме такъв отговор:

(W / n) * p \u003d (3 / 0.52) * 200 \u003d 1154 пиксела.

Изчислението показва това подходящ вариант Ще има камера със стандартен HD формат на стрелба (1280 * 720 пиксела). Но това е вярно, ако разстоянието от камерата към броя е 3-5 метра. Ако разстоянието е по-голямо, резолюцията на камерата е необходима по-горе. Ако това разстояние надвишава 20м, тогава камерата с вариовокална леща е необходима. Тя ще позволи да се ограничи ъгъла на прегледа, като по този начин увеличава фиксирания обект на екрана на монитора.

Характеристики на видеокамерите за разпознаване на числа

Необходимо е да се вземе предвид размерът на самата матрица. Голямата Матица има по-голяма фоточувствителност. За да разпознаете числата, матрицата трябва да бъде най-малко 1/3 инча. Но за качествена дефиниция на числа, матрица се изисква от 1/2 инча и др. Например, IP камера с Sony IMX 185 матричен размер 1 / 1.8.

Характеристиките на светлините са еднакво важни. Този индикатор определя лещата на видеокамерата и се обозначава като номер F. Характеризира се със съотношението на фокусното разстояние към стойността на разкритието на диафрагмата. Характерният сигнал / шум ще бъде по-добър с по-голяма осветеност, тъй като по-голяма светлина идва върху матрицата. С нарастващата светлина се намалява броят на цифровия шум. Дефиницията на номерата изисква стойността на светлините от F / 1.4 и по-висока.

Дори и самата най-добрите камери Не може да се определи броят на автомобила, разположен в пълна тъмнина. Затова трябва незабавно да се погрижите за нормалното осветление. Повечето от съвременните камери имат IR осветление, но тази функция е принудена да превключва в черно-бял режим на снимане. Когато IR осветлението възниква допълнително отопление на камерата, което може да причини прегряване в горещия сезон и това ще създаде допълнителна намеса.

Тя има значение и индикатор за броя на кадрите в секунда. Препоръчват се камери с честота от 25 k / s. В райони с ниска скорост на движение на транспортния поток, видеокамерата се превключва на 12 до / s или по-долу. Това ви позволява да намалите натоварването на устройството, за да обработите по-добре входящата информация.

Подреждане на видеокамерата

За очаквания резултат, оборудването трябва да бъде поставено с ясно спазване на всички условия.

• На изображението броят на колата не трябва да бъде повече от 5 ° по оста х.
• Ъгълът на посоката на камерата трябва да бъде до 30 ° като хоризонтално и вертикално.
• За да заснемете 2 ленти, можете да инсталирате камерата в центъра между тях.
• Височината на камерата трябва да бъде в рамките на 2-6 метра.
• Когато инсталирате устройството близо до бариерата, трябва да се има предвид, че тя създава определена част от отчуждението.
• Като инсталиран камерата, е необходимо да се провери допустимостта на качеството на стрелба през нощта. Режимът на диафрагмата е зададен на "AUTO" с ниво 50.
• За да почистите светлините на светлината в тъмен период, камерата с откъс е 1/1000 или повече.
• При липса на нормално осветление, пътят трябва да бъде зададен ден / нощна функция на "AUTO". В противен случай интелектуалното осветление е настроен на позиция - "ON".
• Осветлението BLC и WDR трябва да бъдат изключени.

За автоматично записване на номера в базата данни е необходима специална програма за фотоапарати или компютър за разпознаване на лицензните плочи. Сега се продавайте и камери, които сами признават номера на автомобили.

Време е да разберем подробно как нашето прилагане на алгоритъма на разпознаването на числа работи: което се оказа добро решение, което работи много перфектно. И само за да докладва пред HABRA-потребителите - в края на краищата, използвате Android приложението Nezeditor ни помогна да получим приличен размер на базата данни на числата на числата, премахнати напълно неограничени, без да обяснявате как да снимам и колко не. И базата данни за снимки при разработването на алгоритми е най-важната!

Какво се случи с приложението Android App

Беше много хубаво, че потребителите на HABRA са взели да изтеглят приложението, опитайте го и ни изпращайте номера.

Изтегляния и оценка

От момента на публикуване на приложението, 3,800 снимки на номерата от мобилното приложение дойдоха на сървъра.
И още повече бяхме доволни от връзката http: //21/116/121.70: 10000 / UploadIvage - за 2 дни изпратихме около 8 хиляди снимки на автомобили (предимно Vologda)! Сървърът почти лъжеше.

Сега имаме база от 12 000 снимки от снимки - преди гигантската работа по алгоритмите за отстраняване на грешки. Всичко най-интересно просто започва!

Позволете ми да ви напомня, че приложението Android е подчертано номера. В тази статия няма да спра подробно в този етап. В нашия случай, каскадният детектор на Хаар. Този детектор не винаги работи, ако номерът в рамката е много обърнат. Анализ на начина, по който обученият каскаден детектор ни работи, когато не работи, оставете следните статии. Това е наистина много интересно. Изглежда, че това е черна кутия - тук те обучават детектора и нищо друго. Всъщност не е така.

Но все пак каскадният детектор е добър вариант в случай на ограничени компютри. Ако номерът на автомобила е замърсен или рамката е слабо видима, тогава Хаар се показва и по отношение на други методи.

Разпознаване на стаите

Ето една история за разпознаването на текст в снимки от този тип:

Общите подходи за признаването бяха описани в първата статия.

Първоначално ние си поставяме задачата да разпознаваме мръсните, частично разбити и добре изкривени перспектива на числата.
Първо, това е интересно, и второ, изглежда, че след това чистите ще могат да работят в 100% случаи. Обикновено, разбира се, това се случва. Но тук не се получи. Оказа се, че ако за мръсни числа вероятността за успех е 88%, след това в чист, например 90%. Въпреки че всъщност вероятността за признаване от снимката мобилно приложение Преди успешен отговор, разбира се, той се оказа още по-лош от посочената фигура. Малко по-малко от 50% от входящите изображения (така че хората да не се опитват да правят снимки). Тези. Средно два пъти е необходимо да се направи снимка на стаята, за да я разпознае успешно. Въпреки че в много отношения такъв нисък процент е свързан с факта, че мнозина са се опитали да снимат номера от екрана на монитора, а не в истинска обстановка.

Целият алгоритъм е построен за мръсни номера. Но се оказа, че сега през лятото в Москва 9 от 10 стаи са перфектно чисти. Така че е по-добре да промените стратегията и да направите два отделни алгоритми. Ако сте успели бързо и сигурно да разпознаете чист номер, тогава този резултат и да изпратите потребителя и ако е неуспешно, ние ще прекараме още едно време на процесора и ще стартираме втория алгоритъм за мръсни помещения.

Прост алгоритъм за разпознаване на числа, които биха стрували незабавно

Как да разпознаем добър и чист номер? Изобщо не е трудно.

Представяме следните изисквания за този алгоритъм:

1) известна резистентност към завои (± 10 градуса)
2) Стабилност към малки промени в мащаба (20%)
3) отрязването на всички граници на броя на границата на рамката или просто лошо изразени граници не трябва да затварят всичко (фундаментално важно, защото в случай на мръсни номера трябва да разчитате на границата на броя; ако номерът е Почистете, тогава нищо по-добро от цифрите / буквите не характеризират номера).

Така че, в чисти и добре четливи помещения, всички числа и букви са отделени един от друг, което означава, че можете да банаризирате изображението и морфологичните методи или да разпределите свързани области или да използвате добре познатите честоти на контура.

Банаризирам рамката

Все още си струва да се разхожда сред средните честоти и нормализира изображението.


Изображението показва първоначално малка рамка за яснота.

Тогава бинарис във фиксиран праг (можете да поправите прага, тъй като изображението е нормализирано).

Хипотеза чрез завъртане на рамката

Да предположим, че няколко възможни ъгли на изображението се обръщат. Например, +10, 0, -10 градуса:

В бъдеще методът ще има малка устойчивост на ъгъла на въртенето на цифрите и буквите, така че такава доста голяма стъпка в ъгъла е 10 градуса.
С всеки човек в бъдеще ще работим самостоятелно. Каква хипотеза на търна ще даде най-добрия резултат, този ще спечели.

И след това събират всички свързани области. Тук се използва стандартната функция. findcontours. От Opencv. Ако свързаната област (контура) има височина в пикселите от H1 до H2, а ширината и височината се свързва със съотношението от K1 към K2, след това го оставяме в рамката и отбележете, че в тази област може да има знак . Почти вероятно на този етап само цифрите и буквите, останалата част от боклука от рамката ще напусне. Вземете ограничаващите контури на правоъгълниците, ние ги даваме на една скала и след това работим с всяка буква / цифра поотделно.

Това са ограничаването на контурните правоъгълници отговарят на нашите изисквания:

Букви / номера

Качеството на картината е добро, всички букви и цифри са перфектно разделени, в противен случай няма да стигнем до тази стъпка.
Мащабиране на всички знаци до един размер, например 20x30 пиксела. Ето ги и тях:

Между другото, OpenCV при извършване на преоразмеряване (когато се извършва размерът на 20x30), двоичното изображение ще се превърне в градиент, поради интерполацията. Трябва да повторим биминирането.

Сега най-лесният начин да се сравни с известни изображения на знаците е да използвате XOR (нормализирано разстояние за чукане). Например:

Разстояние \u003d 1.0 - | Проба XOR изображение | / | проба |

Ако разстоянието е по-голямо, ние вярваме, че намерихме знак, по-малко - изхвърляме.

Layout-цифрова цифрова буква писмо

Да, търсим автомобилни признаци на Руската федерация в този формат. Тук е необходимо да се помисли, че фигура 0 и буквата "O" обикновено не се различават един от друг, фигура 8 и буквата "B". Нека изградим всички знаци отляво надясно и ще вземем 6 знака.
Критерий Times - буква цифра-цифрова цифрова буква (не забравяйте около 0 / o, 8 / c)
Критерий две - отклонение на долната граница от 6 знака от линията

Обобщени очила за хипотезата - сумата на разстоянието за чукане на всичките 6 знака. Колкото по-голям, толкова по-добре.

Така че, ако общите очила са по-малко от прага, тогава вярваме, че открихме 6 номера на помещението (без региона). Ако има повече праг, тогава отиваме на алгоритъма, устойчив за мръсни номера.

Също така си струва да гледате поотделно буквите "h" и "m". За да направите това, направете отделен класификатор, например чрез хистограма на градиентите.

Регион

Следните два или три знака над линиите, прекарани в долната част на вече откритите 6 знака, е регионът. Ако третата цифра съществува, и изглежда повече праг, регионът се състои от три цифри. Различни от две.

Въпреки това признаването на региона често не се случва толкова гладко, колкото бих искал. Цифрите в регионите са по-малко, не могат да бъдат успешно разделени. Следователно, регионът е по-добре да се знае по-устойчив на замърсяване / шум / припокриване, описано по-долу.

Някои подробности за описанието на алгоритъма не са твърде подробни. Отчасти поради факта, че само оформлението на този алгоритъм сега е направен и все още бъде тестван и отстраняващ го върху тези хиляди изображения. Ако номерът е добър и чист, тогава трябва да разпознаете номера или да отговорите на милисекунди и да отговорите на "неуспешно" и отидете на по-сериозен алгоритъм.

Алгоритъм, устойчив на мръсни номера

Ясно е, че алгоритъмът, описан по-горе, изобщо не работи, ако знаците на числото се изпъкват поради лошо качество на изображението (мръсотия, лоша резолюция, неуспешен сянката или ъгъл на стрелба).

Ето примери за цифри, когато първият алгоритъм не може да направи нищо:

Но трябва да разчитате на границите на номера на колата и след това в строго дефинирана област за търсене на знаци с точно известна ориентация и мащаб. И най-важното - без бинаризация!

Търсим долния граничен номер

Най-лесният и надежден етап в този алгоритъм. Превръщаме няколко хипотеза под ъгъла на въртене и изграждаме за всяка хипотеза чрез завъртане на хистограмата на яркостта на пикселите по хоризонталните линии за долната половина на изображението:

Избираме максималния градиент и затова определяме ъгъла на наклона и на какво ниво да намалим номера по-долу. Няма да забравяме да подобрим контраста и да получите този образ:

Като цяло, си струва да се използва не само хистограма на яркост, но и хистограма на дисперсия, хистограма на градиентите за увеличаване на надеждността на подрязването на помещението.

Търсим горния граничен номер

Тук не е толкова очевидно, ако се извадят от ръцете на задния номер на автомобила, горната граница може да бъде много извита и частично прикрива знака или в сянка, както в този случай:


Няма остър преход на яркост в горната част на стаята, а максималният градиент ще намали номера в средата.

Излязохме от ситуацията, която не е много тривиално: те обучени за всяка фигура и всяка буква е каскаден детектор Haar, намерил всички знаци в изображението, така че определя най-горната линия, където да намалите:

Изглежда, че тук и това си струва да се спре - вече открихме номера и писма! Но всъщност, разбира се, детекторът на Хаар може да греши и имаме 7-8 знака тук. Добър пример за номер 4. Ако горната граница на номера се обединява с номер 4, изобщо не е трудно да се види фигура 7. Какво, между другото, се случи в този пример. Но от друга страна, въпреки грешката в откриването, горната граница на установените правоъгълници наистина съвпада с горната граница на номера на автомобила.

Намерете странични граници

Също така, нищо не е хитър - абсолютно, както и дъното. Единствената разлика е, че яркостта на градиента на първия или последния знак в стаята може да надвишава яркостта на градиента на вертикалната граница на номера, така че не е избран максимум, но първият градиент надхвърля прага. По подобен начин, с долната граница, е необходимо да се преместят няколко хипотези чрез наклон, тъй като поради перспективите перпендикулярност на вертикалната и хоризонталната граница изобщо не е гарантирана.

Така че тук е добре подрязан номер:

Да! Особено е приятно да се постави рамка с отвратителен номер, който е успешно признат.

Едно нещо е тъжно - на този етап от 5% до 15% от номерата могат да бъдат нарязани неправилно. Например:

(Между другото, този човек ни изпрати жълт номер на такси, доколкото разбрах - форматът не е редовен)

Всичко това е необходимо всичко това да е направено само за да се оптимизират изчисленията, тъй като е да се премести всички възможни позиции, мащаба и склоновете на знаците, когато те търсят, са много скъпи изчислително.

Разделете низ върху знаците

За съжаление, поради перспективите, а не стандартната ширина на всички, те трябва да по някакъв начин allotement символи във вече изрязан номер. Тук хистограмата на яркостта отново ще преосмисля, но вече по оста х:

Единственото нещо, което ще продължи да изследва две хипотези: символите започват веднага или една максимална хистограма си струва да се пропусне. Това се дължи на факта, че на някои числа дупка за винта или главата на номера на автомобила може да се различава като отделен знак и може изобщо да е невидим.

Признаване на символи

Изображението все още не е бинаризирано, ние ще използваме цялата информация, която е.

Тук са отпечатани символи, което означава претеглено ковариация за сравняване на изображения с пример:

Проби за сравнение и тегло при ковариация:

Разбира се, е невъзможно просто да се сравни зоната, разпределена с хоризонтална хистограма с проби. Трябва да направим няколко хипотеза на изместването и мащаба.
Броя на хипотезите на позицията върху ос X \u003d 4
Броя на хипотезите на позицията по оста y \u003d 4
Брой хипотези в мащаба \u003d 3

Така за всяка област, в сравнение с един знак, трябва да изчислите 4x4x3 ковариния.

На първо място откриваме 3 големи числа. Той е 3 x 10 x 4 x 4 x 3 \u003d 1440 сравнения.

След това остави една буква и надясно още две. Букви за сравнение 12. След това количеството на сравненията е 3x12x4x4x3 \u003d 1728

Когато имаме 6 знака, всичко е точно от тях - регионът.

Може да има 2 цифри или 3 цифри в региона - трябва да се има предвид. За да разделите региона с хистограма по начина, по който вече е безсмислено поради факта, че качеството на изображението може да бъде твърде ниско. Ето защо, просто намират числата от ляво на дясно. Започваме от левия горен ъгъл, имате нужда от няколко хипотези по оста х, оста и скалата. Ние намираме най-доброто съвпадение. Ние сме преместени до определената стойност вдясно, ние търсим отново. Ще търсим третия символ отляво на първия и надясно на второто, ако мярката на облика на третия символ е по-праг, тогава бяхме щастливи - броят на региона се състои от три цифри.

Заключения

Практиката за прилагане на алгоритъма (втората описана в статията) отново потвърди истината за регистрация при решаването на задачите за признаване: е необходима наистина презентационна база при създаване на алгоритми. Ние се стремим към мръсни и изсичащи номера, защото Тестовата база е заснета през зимата. И наистина често много лоши номера успяха да разпознаят, но почти няма чисти числа в пробата за обучение.

От другата страна на медала беше разкрита: малко е толкова досадно на потребителя като ситуация, в която автоматичната система не решава напълно примитивна задача. "Е, какво не може да се чете тук?!" И фактът, че автоматичната система не може да разпознае мръсния или изтъркан номер.

Честно казано, това е първият ни опит в разработването на система за признаване на масов потребител. И за такива "дреболии" като потребители, си струва да се научите да мислите. Сега специалист, който е разработил подобна програма "Признаваща се" под IOS. В UI, потребителят има възможност да види какво е изпратено до сървъра, изберете кои от номерираните символи е необходимо, възможно е да се подчертае необходимата област във вече "замразена" рамка. И е по-удобно да се използва това. Автоматичното разпознаване не става глупава функция, без която е невъзможно да се направи нещо, а само асистент.

Помислете за системата, в която автоматичното разпознаване на изображението ще бъде хармонично и удобно за потребителя - се оказа, че е задача, която не е по-лесна от създаването на тези алгоритми за разпознаване.

И, разбира се, се надявам, че статията ще бъде полезна.