IP kamere za prepoznavanje registarskih oznaka: DA ili NE? Stručna mišljenja. Pronalaženje registarskih tablica hikvision - hikvision ural kamere za čitanje registarskih oznaka

Pogledajmo pobliže mogućnosti IP kamere za čitanje registarskih pločica.

Može se koristiti u sljedeće svrhe:

• automatizirano otvaranje barijere na ulazu u kontrolirani teritorij;
• automatizirano izdavanje kazni kada vozač prekrši pravila u području pokrivenosti kamere s prepoznavanjem registarske pločice.
• za automatski izračun troškova parkiranja na temelju podataka o vozilu.
• trenutna obavijest o otkrivanju auto koji vam je potreban, uspoređujući njegov broj s bazom podataka.

Sve ove analitičke procese obavlja interni softver automatski ili uz postavke i zadane funkcije od strane korisnika, putem softvera instaliranog na poslužitelju. Pri početku rada s IP kamerom za prepoznavanje registarskih oznaka preporuča se pročitati upute za instalaciju, konfiguraciju i rad uređaja. Mrežna kamera za prepoznavanje registarskih pločica može imati različite faktore oblika i vrste instalacije. Izbor bi se trebao temeljiti na trenutnim zahtjevima i uvjetima.

Nudimo kupnju IP kamera za prepoznavanje registarskih tablica po cijeni od 3000 rubalja u našoj internetskoj trgovini. Sve je dostupno na web stranici potrebne informacije o uređaju.

Karakteristike IP kamere za prepoznavanje registarskih oznaka

Prije nego kupite IP kameru s funkcijom prepoznavanja registarskih oznaka, upoznajte se s njezinim tehničkim karakteristikama.

Popis tehničkih karakteristika:

• Mogućnosti napajanja.
• Vrsta softvera, jednostavnost upravljanja.
• Klasa zaštite IP kamere.
• Kut gledanja.
• Dopuštenje.
• Način ugradnje i spajanja.
• Brzina obrade informacija, traženje podudaranja.
• Brzina snimanja i snimanja.
• Temperatura rad kamere.
• Najveća dopuštena vlažnost zraka
• Ocjena robne marke proizvođača na tržištu sustava upravljanja i video nadzora, recenzije korisnika.
• Dimenzije, težina uređaja.
• Kompletan set, dostupnost pričvrsnih elemenata potrebnih za ugradnju, upute za rad.

Fotoaparate predstavljene u ovom odjeljku testirali su naši stručnjaci za kompatibilnost sa softverom Macroscop "License Number Recognition". U kombinaciji s ovim softverom, naše kamere će vam omogućiti stalnu kontrolu nad štićenim prostorom, pomoći u pronalaženju pravog stroja i automatizirati niz procesa.

Nakon što odaberete uređaj koji ispunjava sve zahtjeve, možete brzo naručiti na web mjestu. Isporučit ćemo video kameru s prepoznavanjem registarskih oznaka na željenu lokaciju u Moskvi u najkraćem mogućem roku.

Dodano: 2018-02-28 15:24:21

Suvremeni sustavi video nadzora pružaju ne samo prikupljanje video toka, već i opsežne mogućnosti video analitike.

Funkcije kao što su brojanje posjetitelja, prepoznavanje lica, prepoznavanje i snimanje registarskih pločica samouvjereno su izašle iz interesa i nadležnosti obavještajnih agencija za rješavanje svakodnevnih poslovnih problema.

Pogledajmo pobliže jednu od popularnih funkcija video analize - prepoznavanje registarskih tablica. Ponekad je sustav videonadzora integriran sa sustavom kontrole pristupa: kamera očitava registarsku pločicu automobila, analitički sustav provjerava primljenu sliku s popisom registarskih pločica iz baze podataka i, ako se nađe podudaranje, šalje potvrdu pristupa kontrolni sustav koji omogućava prolaz automobila.

Zasebno napominjemo da je prilikom projektiranja sustava videonadzora potrebno razdvojiti zadatke prepoznavanja registarskih pločica i funkciju pregleda (kretanje opreme i pješaka, položaj kamera ovisno o uvjetima promatranog područja itd.). Za kameru dizajniranu za prepoznavanje registarskih pločica postoje ograničenja u postavljanju. Osim toga, potrebne su posebne postavke. Fokus kamere treba biti usmjeren isključivo na područje predviđeno za prolaz vozila (u većini slučajeva to je 3-4 metra). Iz tog razloga preporuča se korištenje fotoaparata s fiksnim objektivom. Osim toga, obično imaju najbolje karakteristike u smislu svjetlosne osjetljivosti u usporedbi s motoriziranim objektivima.

Koju rezoluciju fotoaparata trebam odabrati?

Pri rješavanju navedenog problema prepoznavanja registarskih pločica visoka rezolucija video kamere može dati rezultat lošiji od izračunatog. To je zbog činjenice da s povećanjem razlučivosti kamera fotoosjetljivost opada, što negativno utječe na prepoznavanje registarskih pločica noću.

Za izračun se koristi formula (w / n) * p:

gdje je w širina gledanja u području fiksiranja registarske pločice (m),

n – veličina registarske pločice (m),

Ako uzmemo da je širina promatranog područja 3 m, prosječna širina registarske pločice je 0,52 m, a optimalna veličina slike (u praksi) 200 piksela, dobivamo sljedeći izračun:

(š/n)*p = (3/0,52)*200 = 1154 piksela.

Izračuni pokazuju da nam odgovara kamera HD rezolucije (1280 x 720 piksela).

Kamere za sustav prepoznavanja moraju imati određene karakteristike

Treba uzeti u obzir fizičku veličinu matrice. Što je matrica veća, to je fotoosjetljivija. Minimum dopuštena veličina matrice za prepoznavanje registarskih tablica 1/3 inča. Matrice veličine 1/2 inča i veće imaju najbolje rezultate.

Slika 1. Usporedba slika dobivenih u mraku i tijekom dana s kamera koje se razlikuju po veličini matrice

Pri odabiru fotoaparata također treba voditi računa o parametru otvora blende. On je određen izborom objektiva za fotoaparat i označava se kao F broj, koji je određen omjerom žarišne duljine i vrijednosti otvora blende. Što je otvor blende veći, to će više svjetla pasti na matricu kamere, a omjer signala i šuma će biti veći. Bit će manje digitalnog šuma na samoj slici. Za prepoznavanje registarskih pločica potreban vam je objektiv s otvorom blende od najmanje F/1.4. Objektiv s F/1.3 bit će brži.

Imajte na umu da bez obzira na sve tehnički podaci Da nema kamere, u potpunom nedostatku osvjetljenja, ne biste dobili rezultat u vidu prepoznate registarske pločice. U tom smislu, u početku treba razmotriti mogućnost dodatne rasvjete. Velika većina kamera sada ima IC osvjetljenje, ali korištenje ugrađenog IR osvjetljenja znači da se kamera mora prebaciti u crno-bijeli način rada. Osim toga, dodatna toplina koju stvara IR sjaj može postati prekomjerna ljeti i dovesti do pregrijavanja, stvarajući dodatne smetnje.

Obratimo pozornost i na takvu karakteristiku kamere kao što je broj sličica u sekundi. Mi, kao proizvođač, preporučujemo kameru s brzinom sličica u sekundi od 25 fps. Međutim, u praksi, u onim objektima gdje se automobili kreću malim brzinama, kamere se prebacuju na način rada od 12 fps i niže, čime se uklanja opterećenje s opreme potrebne za obradu niza informacija.

Kao što smo već spomenuli, postoje prilično stroge granice za postavljanje video kamere; prelazak preko njih dovodi do značajnog pogoršanja rezultata.

Kut nagiba registarske pločice ne smije biti veći od 5° u odnosu na x-os u dvodimenzionalnoj verziji slike.

Kako biste snimili dvije prometne trake, možete postaviti kameru na sljedeći način:

Kamera treba biti postavljena na visini od 2 do 6 metara. Prilikom postavljanja na objekte koji imaju barijeru, potrebno je voditi računa da sama barijera čini određenu zonu isključenja.

Tehnologije za softversko prepoznavanje automobilskih tablica i lica ljudi postaju sve traženije. Na primjer, automatsko prepoznavanje registarskih pločica vozila može se koristiti kao komponenta sustava kontrole pristupa za organiziranje sustava naplate plaćeni parking, automatiziranje prolaska automobila ili za prikupljanje statističkih informacija (ponovljeni posjeti trgovačkom centru ili autopraonici, na primjer). Sve je to moguće s modernim inteligentnim softverom. Što je potrebno za implementaciju takvog sustava? U principu, ne toliko - video kamere koje zadovoljavaju određene zahtjeve i odgovarajući inteligentni softverski modul. Na primjer, softver ili više proračuna

U ovom ćemo vam članku reći kako odabrati pravu digitalnu video kameru koja može generirati visokokvalitetnu video sliku prikladnu za softversko prepoznavanje registarskih oznaka automobila

Dopuštenje

Prije samo nekoliko godina veličina registarske pločice na zaslonu mjerila se kao postotak širine okvira. Sve televizijske kamere bile su analogne i njihova je rezolucija bila konstantna. Sada kada matrice mogu imati razlučivost od 0,5 do 12 megapiksela, relativne vrijednosti se ne primjenjuju i potrebna širina registarske pločice mjeri se u pikselima.

Specifikacija softvera za prepoznavanje registarskih pločica u pravilu navodi zahtjeve za širinom registarske pločice na ekranu, dovoljnoj za pouzdano prepoznavanje. Tako, na primjer, softverski modul AutoTrassir zahtijeva širinu od 120 piksela, a NumberOK - 80 piksela. Razlike u zahtjevima objašnjavaju se i nijansama rada algoritama za prepoznavanje i dopuštena razina pouzdanost koju je prihvatio programer. Iz osobno iskustvo Može se primijetiti da je AutoTrassir zahtjevniji i "hirovitiji" u pogledu odabira opreme, objektiva i pravilne instalacije kamere. No, ako se podsjetimo, pokazuje dosljedno pouzdane rezultate i malo ovisi o vremenskim uvjetima.

Za veću pouzdanost preporučujemo korištenje registarske pločice širine 150 piksela. A ako se sjetimo da je širina registarske pločice prema GOST-u pola metra (točnije 520 mm), dolazimo do potrebne razlučivosti od 300 točaka po metru.

Linearna razlučivost piksela po metru ovisi o kutu gledanja i razlučivosti matrice kamere. Može se izračunati pomoću formule:

Rlin- linearna rezolucija, pikseli po metru

R h- horizontalna razlučivost kamere (npr.R h =1080)

𝛼 - kut gledanja kamere

L- udaljenost od kamere do objekta

Također možete koristiti naš online kalkulator na stranici proizvoda koji vas zanima, na kartici “Što vidim”.

Ispod je (na primjer) nekoliko opcija za IP nadzorne kamere s naznačenom maksimalnom udaljenošću s koje je moguće prepoznavanje registarske pločice (širina registarske pločice 150 piksela). Imajte na umu da je za kamere s varifokalnom lećom maksimalna žarišna duljina korištena u izračunima

	Žarišna duljina	Horizontalna rezolucija	Maks. udaljenost, m	Maks. širina gledanja, m
		1920 piksela
		1280 piksela
		2688 piksela
		2048 piksela
		2048 piksela

Važno je razumjeti da kamere veće razlučivosti mogu pokriti šira područja, pa ih je potrebno manje na istom području. U isto vrijeme, linearna rezolucija ostaje unutar zahtjeva za identifikaciju. Ova činjenicačini ekonomski izvedivim korištenje kamera visoke razlučivosti u mnogim situacijama.

Osjetljivost na svjetlo i brzina zatvarača

Za pouzdano prepoznavanje registarskih oznaka automobila kamera mora imati dobru svjetlosnu osjetljivost i mogućnost ručnog podešavanja brzine zatvarača (brzine zatvarača ili jednostavno brzine zatvarača). Ovaj je zahtjev iznimno važan pri izgradnji sustava za prepoznavanje registarskih pločica za automobile u pokretu velika brzina. Za automobile koji se kreću brzinama do 30 km/h (a upravo takve projekte mi u pravilu provodimo za naše klijente: vikend naselja, stambeni kompleksi, parkirališta trgovačkih centara, razna zatvorena područja) ovaj zahtjev je manji važno, ali ne može se podcijeniti, jer za postizanje visokokvalitetnog prepoznavanja, kamera mora snimiti najmanje deset sličica s čitljivim brojem.
Stoga, primjerice, za prepoznavanje registarske tablice automobila koji se kreće brzinom od 30 km/h s kutom kamere do 10 stupnjeva u odnosu na os kretanja, brzina zatvarača trebala bi biti oko 1/200 drugi. Za mnoge jeftine fotoaparate takva brzina zatvarača možda neće biti dovoljna čak ni tijekom dana po oblačnom vremenu, a slika će ispasti tamna i/ili s šumom. Stoga je vrijedno obratiti pozornost na veličinu matrice i njezinu kvalitetu. U idealnom slučaju, koristite specijaliziranu crno-bijelu kameru s CCD matricom. Međutim, njihova je cijena vrlo visoka, a razlučivost obično nije veća od 1 megapiksela, što nameće ozbiljna ograničenja njihovoj primjenjivosti.
Općenito, ne biste trebali težiti visokoj razlučivosti osim ako za to ne postoje objektivni razlozi. Relativno jeftine kamere ultra visoke razlučivosti (4MP, 5MP i veće) izgrađene su na 1/3, 1/2.8 i, rjeđe, 1/2.5-inčnim matricama. Kamere rezolucije 1,3 i 2 megapiksela također imaju istu veličinu matrice. Kao rezultat toga, veličina svakog fotoosjetljivog elementa u kameri od 1,3 MP znatno je veća nego u kameri od 5 MP, a od veće veličine- više svjetlosti svaki fotoosjetljivi element može prikupiti. Zbog toga IP kamere koje preporučujemo za zadatke prepoznavanja registarskih pločica rijetko imaju razlučivost veću od 2MP.

Široki dinamički raspon (WDR), kompenzacija pozadinskog osvjetljenja

Dinamički raspon kamere određuje omjer između maksimalnog i minimalnog intenziteta svjetla koji njegov senzor može normalno otkriti. Drugim riječima, ovo je sposobnost fotoaparata da istovremeno prenese i jarko osvijetljena i tamna područja slike bez izobličenja ili gubitka. Ovaj je parametar vrlo važan za automatsko prepoznavanje registarskih pločica, jer pomaže u borbi protiv osvjetljenja kamere od prednjih svjetala. Međutim, čak ni najnaprednije kamere s WDR-om od 140 dB nisu uvijek u stanju nositi se s osvjetljenjem visokog kontrasta. U ovom slučaju postavljeno je dodatna rasvjeta vidljivom svjetlu ili rade u IR rasponu, ističući područje u kojem se odvija prepoznavanje registarske pločice.

Dubina polja

Dubina polja ili, u potpunosti, dubina polja snimljenog prostora (DOF) je raspon udaljenosti na kojima se objekti percipiraju kao oštri.

Ovaj parametar određen je žarišnom duljinom, otvorom blende i udaljenošću od objekta. Što je veća dubina polja, to je veće područje fokusiranja i više mogućnosti da se "uhvati" dovoljan broj jasnih kadrova automobila u pokretu.

Možda otvor blende objektiva ima najveći utjecaj na dubinsku oštrinu. Što je otvor blende manji, to je veća dubina polja; što je veći, to je manja dubina polja. Sve kamere za prepoznavanje registarskih tablica koje preporučujemo mogu se prilagoditi promjenjivim uvjetima osvjetljenja automatskim mijenjanjem otvora blende. Preporuča se podešavanje fokusa takvih kamera na maksimalno otvorenom otvoru blende, kada je dubina polja minimalna.

Što je udaljenost kamere od objekta veća, to je dubina polja veća, stoga kameru ne pokušavajte postaviti što bliže zoni prepoznavanja. S druge strane, što je žarišna duljina duža, dubina polja je manja. Prema našoj praksi, optimalna udaljenost od kamere do am je u rasponu od 6 do 10 metara. Iako nije nemoguće prepoznati s udaljenosti od 100 metara.

Iskrivljenje

Mnoge leće malo iskrivljuju sliku. Najčešća je takozvana "bačvasta" distorzija slike. To je zbog toga što je povećanje veće u središtu, a manje na rubovima, što rezultira promjenom veličine objekta. Dakle, ako isti objekt padne u središte slike i na njezin rub, njegova će se veličina na rubu činiti manjom. To može utjecati na identifikaciju.

Što je kraća žarišna duljina, izobličenje može biti vidljivije. Stoga za identifikaciju nije preporučljivo koristiti kamere sa širokokutnim objektivima (manje od 4 mm).

Šum i reprodukcija boja

Što je manje šuma i točniji je prikaz boja, to je bolja identifikacija. Stoga se preporučuje obratiti pozornost na parametre kao što su minimalno osvjetljenje kamere, kao i prisutnost funkcija za smanjenje šuma.
Smanjenje šuma je posebno važno u uvjetima slabog osvjetljenja, kada su senzori kamere vrlo bučni, što komplicira identifikaciju. Treba razumjeti da se u mnogim slučajevima smanjenje buke i drugi elektronički uređaji ne mogu nositi, pa je potrebno osigurati dovoljnu razinu osvjetljenja na mjestu.

Video kompresija

Moderne IP kamere odašilju komprimirani video signal, a ako nema pomaka u kadru ili su oni minimalni, promet će biti mali. Ako je kretanje u okviru intenzivno, promet će se povećati. Stoga, ako je u postavkama fotoaparata postavljen konstantan bitrate, slika će biti prikladna za identifikaciju u odsutnosti kretanja, ali neupotrebljiva kada postoji intenzivno kretanje u okviru.
Za identifikaciju, preporuča se postaviti varijablu bitrate na najveću visoka razina kvaliteta. U tom će slučaju biti osigurana željena kvaliteta slike.

Senzor: 1/2,8” Progressive Scan CMOS Hardverski WDR 140dB Objektiv: 2,8-12 mm Značajke: unutarnja kamera za vanjsku ugradnju, potrebno je toplinsko kućište. Objektiv nije uključen i mora se kupiti zasebno
Maks. rezolucija: 1.3mp, 1280 x 960 piksela Hardverski WDR Objektiv: 2,8-12 mm
Vanjska 2 MP mrežna kamera AXIS P1365-E s WDR-om i Lightfinderom Senzor: 1/2.8” Progressive Scan CMOS Maks. rezolucija: 2mp, 1920 x 1080 piksela Hardverski WDR Lightfinder tehnologija Objektiv: 2.8-8mm @F1.3 Značajke: visoka osjetljivost, autofokus
Dahua IPC-HF8301E Utlra WDR 120dB, Ultra 3DNR Senzor: 1/3" Progressive Scan CMOS Maks. rezolucija: 3mp, 2048x1536 piksela Hardverski WDR Objektiv: 2,8-12 mm Značajke: unutarnja kamera za vanjsku ugradnju, potrebno je toplinsko kućište. Objektiv nije uključen i mora se kupiti zasebno
Senzor: 1/3” Progressive Scan CMOS Maks. rezolucija: 1.3mp, 1280x960 piksela Objektiv: 2,8 - 8 mm (F1,2) Značajke: visoka osjetljivost, autofokus

Suvremeni videonadzor omogućuje vam prikupljanje informacija o protoku automobila i pješaka, a također pruža različite mogućnosti video analitike.

Funkcije za određivanje broja posjetitelja i identifikaciju pojedinaca postale su tražene među privatnim organizacijama i poduzetnicima.

Pogledajmo pobliže važnu funkciju identifikacije registarskih pločica. Sustavi video nadzora mogu se kombinirati sa sustavom kontrole pristupa. Video kamera utvrđuje broj, a analitički sustav traži podudarnost u listi brojeva baze podataka i, ako postoji, daje dozvolu sustavu kontrole pristupa za ulazak u vozilo.

Prilikom planiranja ugradnje sustava videonadzora potrebno je odvojiti zadatak prepoznavanja registarskih pločica od funkcije nadzora vozila i pješaka. Video kamere za prepoznavanje registarskih pločica imaju ograničenja mjesta postavljanja, a zahtijevaju i posebnu konfiguraciju. Kamera treba biti fokusirana samo na područje gdje se ljudi voze vozila. Stoga je bolje ugraditi kamere koje imaju fiksni objektiv. Imaju dodatnu prednost karakteristika osjetljivosti na svjetlo.

Rezolucija kamere

Visoka razlučivost kamere ne znači i kvalitetno obavljanje zadatka prepoznavanja registarskih pločica. Izračunata optimalna rezolucija može čak dati najbolji rezultat. Što je veća rezolucija, to je lošija svjetlosna osjetljivost, a to pogoršava identifikaciju registarskih pločica pri slabom osvjetljenju.

Prilikom izračuna potrebne dozvole koristite sljedeću formulu: (w/n)*p, gdje je w pregledna širina snimljene registarske pločice; n - veličina registarske pločice; p je predložena širina prikazanog broja, mjerena u pikselima.

Razmotrimo izračun na sljedećem primjeru: prosječna veličina znaka je 0,52 m, širina kontroliranog područja je 3 m, a preporučena veličina je obično 200 piksela. Dobijamo ovaj odgovor:

(š/n)*p = (3/0,52)*200 = 1154 piksela.

Iz proračuna je jasno da prikladna opcija Tu će biti kamera sa standardnim HD formatom snimanja (1280*720 piksela). Ali to vrijedi ako je udaljenost od kamere do broja 3-5 metara. Ako je udaljenost veća, tada rezolucija kamere mora biti veća. Ako ta udaljenost prelazi 20 m, tada je potrebna kamera s varifokalnim objektivom. Omogućit će vam sužavanje kuta gledanja, čime se povećava fiksni objekt na zaslonu monitora.

Karakteristike video kamera za prepoznavanje registarskih oznaka

Morate uzeti u obzir veličinu same matrice. Veća matrica ima veću svjetlosnu osjetljivost. Za prepoznavanje registarskih pločica matrica mora biti najmanje 1/3 inča. Ali za visokokvalitetnu identifikaciju brojeva potrebna je matrica od 1/2 inča ili veća. Na primjer, IP kamera sa Sony IMX 185 matricom mjerenja 1/1.8.

Ne manje važna je i karakteristika otvora blende. Ovaj pokazatelj određuje objektiv videokamere i označava se kao F broj. Karakterizira ga omjer žarišne duljine i otvora blende. Karakteristika signal/šum bit će bolja pri većem omjeru otvora blende, budući da više svjetla ulazi u matricu. Kako se omjer otvora blende povećava, smanjuje se i količina digitalnog šuma. Određivanje brojeva zahtijeva vrijednost otvora blende od F/1,4 i više.

Čak i najviše najbolje kamere nesposoban odrediti registarsku pločicu automobila u potpunom mraku. Stoga se morate odmah pobrinuti za normalno osvjetljenje. Većina modernih fotoaparata ima IR osvjetljenje, ali ova značajka vas prisiljava da se prebacite na crno-bijeli način snimanja. S IR osvjetljenjem dolazi do dodatnog zagrijavanja kamere, što može uzrokovati pregrijavanje u vrućoj sezoni, a to će stvoriti nepotrebne smetnje.

Broj sličica u sekundi također je važan. Preporučuju se kamere s brzinom sličica u sekundi od 25 fps. U područjima s mala brzina prometna kretanja video kamere se prebacuju na način rada od 12 fps ili niže. To vam omogućuje da smanjite opterećenje uređaja kako biste bolje obradili dolazne količine informacija.

Lokacija kamere

Da biste dobili očekivani rezultat, oprema mora biti postavljena u strogom skladu sa svim uvjetima

• Na slici, nagib broja automobila ne smije biti veći od 5° duž x-osi.
• Kut usmjeravanja kamere trebao bi biti do 30° i vodoravno i okomito.
• Za snimanje 2 trake, možete postaviti kameru između njih.
• Visina kamere trebala bi biti unutar 2-6 metara.
• Prilikom postavljanja uređaja u blizini barijere, morate uzeti u obzir da stvara određeno područje isključenja.
• Nakon instaliranja kamere, morate provjeriti prihvatljivost kvalitete snimanja noću. Način rada otvora blende postavljen je na "automatski" s razinom od 50.
• Za gašenje prednjih svjetala tijekom mračnog razdoblja potrebna vam je kamera s brzinom zatvarača 1/1000 ili većom.
• S odsutnošću normalno osvjetljenje Na cestama, dan/noć funkcija treba biti postavljena na "auto". U suprotnom, inteligentno pozadinsko osvjetljenje postavljeno je na "uključeno".
• BLC i WDR pozadinsko osvjetljenje moraju biti isključeni.

Za automatsko evidentiranje registarskih pločica u bazi podataka potreban vam je poseban program za kameru ili računalo koji prepoznaje registarske pločice. Sada su u prodaji kamere koje same mogu prepoznati registarske pločice vozila.

Vrijeme je da detaljno ispričamo kako funkcionira naša implementacija algoritma za prepoznavanje registarskih pločica: što se pokazalo uspješnim rješenjem, što je radilo vrlo loše. I samo javite korisnicima Habra - uostalom, uz pomoć Android aplikacije Recognitor pomogli ste nam da prikupimo pristojnu bazu slika registarskih pločica, snimljenih potpuno nepristrano, bez objašnjenja kako se, a kako ne smije. A baza slika je najvažnija stvar kod razvoja algoritama za prepoznavanje!

Što se dogodilo s Android aplikacijom Recognitor

Bilo je jako lijepo što su korisnici Habra odlučili preuzeti aplikaciju, isprobati je i poslati nam brojeve.

Preuzimanje i procjena programa

Od puštanja aplikacije na server je stiglo 3800 slika brojeva iz mobilne aplikacije.
A još više smo bili zadovoljni linkom http://212.116.121.70:10000/uploadimage - u 2 dana poslali su nam oko 8 tisuća slika registarskih tablica u punoj veličini (uglavnom iz Vologde)! Poslužitelj je skoro pao.

Sada imamo bazu podataka od 12 000 fotografija - pred nama je ogromna količina posla na otklanjanju grešaka u algoritmima. Zabava tek počinje!

Dopustite mi da vas podsjetim da je u Android aplikaciji prethodno dodijeljen broj. U ovom članku neću ulaziti u detalje u ovoj fazi. U našem slučaju - Haarov kaskadni detektor. Ovaj detektor ne radi uvijek ako se broj u okviru previše okreće. Analizu kako naš obučeni kaskadni detektor radi i kada ne radi ostavit ću za buduće članke. Ovo je stvarno jako zanimljivo. Čini se da je ovo crna kutija - detektor je uvježban i ništa se više ne može učiniti. Zapravo to nije istina.

Ipak, kaskadni detektor dobra je opcija u slučaju ograničenih računalnih resursa. Ako je registarska pločica prljava ili je okvir teško vidljiv, Haar također ima dobre rezultate u odnosu na druge metode.

Prepoznavanje brojeva

Evo priče o prepoznavanju teksta na slikama ove vrste:

Opći pristupi prepoznavanju opisani su u prvom članku.

U početku smo si postavili zadatak prepoznavanja prljavih, djelomično obrisanih i jako izobličenih registarskih pločica.
Kao prvo, ovo je zanimljivo, a kao drugo, činilo se da bi onda čisti radili općenito u 100% slučajeva. Obično se to, naravno, događa. Ali ovdje nije uspjelo. Pokazalo se da ako je za prljave brojeve vjerojatnost uspjeha bila 88%, onda je za čiste brojeve, na primjer, 90%. Iako je zapravo vjerojatnost prepoznavanja s fotografije Mobilna aplikacija prije uspješnog odgovora, naravno, ispalo je još gore od naznačene brojke. Nešto manje od 50% pristiglih slika (tako da ljudi ne pokušavaju slikati). Oni. U prosjeku je bilo potrebno dva puta fotografirati registarsku pločicu da bi se uspješno prepoznala. Iako je ovako nizak postotak velikim dijelom posljedica činjenice da su mnogi pokušavali uzimati brojke s ekrana monitora, a ne u stvarnoj situaciji.

Cijeli algoritam je izgrađen za prljave brojeve. Ali pokazalo se da je sada ljeti u Moskvi 9 od 10 soba savršeno čisto. To znači da je bolje promijeniti strategiju i napraviti dva odvojena algoritma. Ako smo uspjeli brzo i pouzdano prepoznati čisti broj, onda ćemo taj rezultat poslati korisniku, a ako to nije moguće, onda trošimo malo više procesorskog vremena i pokrećemo drugi algoritam za prljave brojeve.

Jednostavan algoritam za prepoznavanje registarskih pločica koji treba odmah implementirati

Kako prepoznati dobar i čist broj? Nije uopće teško.

Predstavljamo sljedeće zahtjeve za takav algoritam:

1) određena stabilnost na okretaje (± 10 stupnjeva)
2) otpornost na manje promjene u mjerilu (20%)
3) odsijecanje granica broja rubom okvira ili jednostavno loše definirane granice ne bi trebalo sve uništiti (ovo je fundamentalno važno, jer se u slučaju prljavih brojeva morate osloniti na granicu broja; ako broj je čist, onda ga ništa ne karakterizira bolje od brojeva/slova broj).

Dakle, u čistim i dobro čitljivim brojevima, svi brojevi i slova mogu se odvojiti jedni od drugih, što znači da možete binarizirati sliku i koristiti morfološke metode za odabir povezanih područja ili koristiti dobro poznate funkcije odabira kontura.

Binariziraj okvir

Ovdje također vrijedi proći kroz filtar srednjeg prolaza i normalizirati sliku.


Slika prikazuje okvir s početnim niskim kontrastom radi jasnoće.

Zatim binarizirajte pomoću fiksnog praga (prag može biti fiksan jer je slika normalizirana).

Hipoteze rotacije okvira

Pretpostavimo nekoliko mogućih kutova rotacije slike. Na primjer, +10, 0, -10 stupnjeva:

U budućnosti će metoda imati mali otpor kutu rotacije brojeva i slova, pa je odabran prilično veliki korak u kutu - 10 stupnjeva.
Ubuduće ćemo sa svakim okvirom raditi zasebno. Pobijedit će koja god hipoteza rotacije da najbolji rezultat.

Zatim prikupite sva povezana područja. Ovdje je korištena standardna funkcija pronaći konture iz OpenCV-a. Ako povezano područje (kontura) ima visinu u pikselima od H1 do H2, a širina i visina su povezani relacijom od K1 do K2, tada ga ostavljamo u okviru i napominjemo da u tom području može biti znak. Gotovo sigurno će u ovoj fazi ostati samo brojke i slova, ostalo će smeće nestati iz okvira. Uzmimo granične pravokutnike, dovedimo ih u isto mjerilo i zatim radimo sa svakim slovom/brojem zasebno.

Ovo su obrisi graničnih okvira koji su zadovoljili naše zahtjeve:

Slova/brojevi

Kvaliteta slike je dobra, sva slova i brojke su savršeno odvojene, inače ne bismo došli do ovog koraka.
Sve znakove skaliramo na istu veličinu, na primjer, 20x30 piksela. Evo ih:

Usput, OpenCV će prilikom izvođenja Resize (kada se smanji na veličinu 20x30) pretvoriti binariziranu sliku u gradijentnu sliku zbog interpolacije. Morat ćemo ponoviti binarizaciju.

A sada je najlakši način za usporedbu s poznatim slikama znakova koristiti XOR (normaliziranu Hammingovu udaljenost). Na primjer ovako:

Udaljenost = 1,0 - |Uzorak XOR slike|/|Uzorak|

Ako je udaljenost veća od praga, smatramo da smo pronašli znak; ako je manja, izbacujemo je.

Slovo-cifra-cifra-cifra-slovo-slovo

Da, tražimo ruske automobilske tablice u ovom formatu. Ovdje morate uzeti u obzir da se broj 0 i slovo "o" općenito ne razlikuju jedno od drugog, broj 8 i slovo "v". Poredajmo sve znakove s lijeva na desno i uzmimo po 6 znakova.
Kriterijska vremena - slovo-znamenka-znamenka-znamenka-slovo-slovo (ne zaboravite na 0/o, 8/v)
Drugi kriterij - odstupanje donje granice od 6 znamenki od linije

Ukupni bodovi za hipotezu su zbroj Hammingovih udaljenosti svih 6 znakova. Što veće, to bolje.

Dakle, ako su ukupni bodovi manji od praga, tada smatramo da smo pronašli 6 znamenki broja (bez regije). Ako je veći od praga, tada idemo na algoritam koji je otporan na prljave brojeve.

Ovdje također vrijedi odvojeno razmotriti slova "N" i "M". Da biste to učinili, morate napraviti zaseban klasifikator, na primjer, pomoću histograma gradijenata.

Regija

Sljedeća dva ili tri znaka iznad crte povučene duž dna od 6 znakova koji su već pronađeni su regija. Ako treća znamenka postoji i njezina je sličnost veća od praga, tada se regija sastoji od tri znamenke. Inače od dva.

Međutim, prepoznavanje regije često ne ide glatko kako bismo željeli. Brojevi u regijama su manji i možda se neće uspješno podijeliti. Stoga je bolje prepoznati područje na način koji je otporniji na prljavštinu/buku/preklapanje, opisano u nastavku.

Neki detalji opisa algoritma nisu objavljeni previše detaljno. Dijelom zbog činjenice da je sada napravljen samo prototip ovog algoritma i još ga treba testirati i otkloniti pogreške na tim tisućama slika. Ako je broj dobar i čist, tada morate prepoznati broj u desecima milisekundi ili odgovoriti "nije uspjelo" i prijeći na ozbiljniji algoritam.

Algoritam otporan na prljave brojeve

Jasno je da gore opisani algoritam uopće ne radi ako se znakovi na registarskoj pločici slijepe zbog loše kvalitete slike (prljavština, loša rezolucija, loša sjena ili kut snimanja).

Evo primjera brojeva kod kojih prvi algoritam nije mogao učiniti ništa:

No, morat ćete se osloniti na granice registarske pločice, a zatim unutar strogo definiranog područja tražiti znakove s točno poznatom orijentacijom i mjerilom. I što je najvažnije - nema binarizacije!

Tražimo donju granicu broja

Najjednostavniji i najpouzdaniji stupanj u ovom algoritmu. Prolazimo kroz nekoliko hipoteza na temelju kuta rotacije i za svaku hipotezu rotacije gradimo histogram svjetline piksela duž vodoravnih linija za donju polovicu slike:

Odaberimo maksimalni gradijent i tako odredimo kut nagiba i na kojoj razini rezati broj odozdo. Ne zaboravimo poboljšati kontrast i dobiti ovu sliku:

Općenito, vrijedi koristiti ne samo histogram svjetline, već i histogram disperzije i histogram gradijenta kako bi se povećala pouzdanost skraćivanja brojeva.

Tražimo gornju granicu broja

Ovdje to nije tako očito, pokazalo se da ako se stražnja registarska pločica uzme iz ruku, gornja granica može biti jako zakrivljena i djelomično prekriti znakove ili u sjeni, kao u ovom slučaju:


Nema oštrog prijelaza u svjetlini na vrhu broja, a maksimalni gradijent će potpuno smanjiti broj u sredini.

Iz situacije smo izašli na ne baš trivijalan način: uvježbali smo Haarov kaskadni detektor za svaki broj i svako slovo, pronašli sve znakove na slici i tako odredili gornji red gdje treba rezati:

Čini se da vrijedi stati ovdje - već smo pronašli brojeve i slova! Ali u stvarnosti, naravno, Haarov detektor može pogriješiti, a ovdje imamo 7-8 znakova. Dobar primjer broja 4. Ako se gornja granica broja spoji s brojem 4, tada uopće nije teško vidjeti broj 7. Što se, usput, i dogodilo u ovom primjeru. No, s druge strane, unatoč grešci u detekciji, gornja granica pronađenih pravokutnika zapravo se poklapa s gornjom granicom registarske pločice.

Pronađite bočne granice broja

Također ništa škakljivo - potpuno isto kao i donji. Jedina je razlika u tome što često svjetlina gradijenta prvog ili zadnjeg znaka u broju može premašiti svjetlinu gradijenta okomitog ruba broja, pa se ne odabire maksimum, već prvi gradijent koji prelazi prag . Slično, s donjom granicom, potrebno je proći kroz nekoliko hipoteza u vezi s nagibom, jer zbog perspektive, okomitost okomite i vodoravne granice uopće nije zajamčena.

Evo lijepo sređenog broja:

Da! Posebno je lijepo ubaciti okvir s odvratnim brojem koji je uspješno prepoznat.

Jedina tužna stvar je da do ove faze od 5% do 15% brojeva može biti pogrešno odrezano. Na primjer, ovako:

(usput, netko nam je poslao žuti taksi broj, koliko sam shvatio - format nije standardan)

Sve je to bilo potrebno kako bi se sve ovo radilo samo radi optimizacije izračuna, budući da je prolazak kroz sve moguće položaje, mjerila i nagibe znakova prilikom traženja istih računalno vrlo skup.

Podijeli niz na znakove

Nažalost, zbog perspektive i nestandardne širine svih, moramo nekako istaknuti likove u već izrezanom broju. I ovdje će pomoći histogram svjetline, ali duž X osi:

Jedina stvar koju vrijedi istražiti u budućnosti su dvije hipoteze: simboli počinju odmah ili treba preskočiti jedan maksimum histograma. To je zbog činjenice da se na nekim registarskim pločicama rupa za vijak ili glava vijka registarske pločice mogu razlikovati kao zaseban znak ili se uopće ne vide.

Prepoznavanje likova

Slika još uvijek nije binarizirana, koristit ćemo sve dostupne informacije.

Ovo su tiskani znakovi, pa je ponderirana kovarijanca prikladna za usporedbu slika s primjerom:

Usporedni uzorci i težine kovarijance:

Naravno, ne možete jednostavno usporediti područje istaknuto horizontalnim histogramom s uzorcima. Moramo postaviti nekoliko hipoteza u vezi s pomakom i razmjerom.
Broj hipoteza po poziciji X = 4
Broj hipoteza prema položaju duž Y osi = 4
Broj hipoteza ljestvice = 3

Dakle, za svaku regiju potrebno je izračunati 4 x 4 x 3 kovarijance za usporedbe s jednim predznakom.

Prije svega, pronađimo 3 velika broja. To je 3 x 10 x 4 x 4 x 3 = 1440 usporedbi.

Zatim jedno slovo s lijeve strane i još dva s desne strane. Postoji 12 slova za usporedbu. Tada je broj usporedbi 3x12x4x4x3 = 1728

Kada imamo 6 znakova, onda je sve desno od njih regija.

Regija može imati 2 znamenke ili 3 znamenke - to treba uzeti u obzir. Već je besmisleno dijeliti regiju metodom histograma zbog činjenice da bi kvaliteta slike mogla biti preniska. Stoga jednostavno pronalazimo brojeve jedan po jedan s lijeva na desno. Počevši od gornjeg lijevog kuta, potrebno je nekoliko hipoteza duž X-osi, Y-osi i mjerila. Pronalazimo najbolji spoj. Pomaknemo se za zadani iznos udesno i ponovno tražimo. Tražit ćemo treći znak lijevo od prvog i desno od drugog ako je mjera sličnosti trećeg znaka veća od praga, tada imamo sreće - broj regije sastoji se od tri znamenke.

zaključke

Praksa korištenja algoritma (drugog opisanog u članku) još je jednom potvrdila istinu pri rješavanju problema prepoznavanja: potrebna vam je uistinu reprezentativna baza pri izradi algoritama. Ciljali smo na prljave i otrcane sobe, jer... Testna baza snimljena je zimi. I doista, često su se znale prepoznati prilično loše brojke, ali čistih brojeva u treningu gotovo da nije bilo.

Pojavila se i druga strana medalje: malo što više iritira korisnika od situacije kada automatski sustav ne rješava potpuno primitivan problem. “Pa, što se ovdje ne može pročitati?!” A činjenica da automatski sustav nije mogao prepoznati prljave ili otrcane tablice je očekivana.

Iskreno govoreći, ovo je naše prvo iskustvo u razvoju sustava prepoznavanja za masovnog potrošača. I vrijedi naučiti razmišljati o takvim "sitnicama" kao što su korisnici. Sada nam se pridružio stručnjak koji je razvio sličan program "Recognitor" za iOS. U korisničkom sučelju korisnik ima priliku vidjeti što se trenutno šalje na poslužitelj, odabrati koji od brojeva označenih od strane Haara je potreban te imati mogućnost odabrati željeno područje u već “zamrznutom” okviru. I već je praktičniji za korištenje. Automatsko prepoznavanje postaje ne glupa funkcija bez koje se ništa ne može učiniti, već jednostavno pomoćnik.

Razmišljanje o sustavu u kojem će automatsko prepoznavanje slike biti harmonično i pogodno za korisnika pokazalo se ništa lakšim zadatkom od izrade ovih algoritama za prepoznavanje.

I, naravno, nadam se da će članak biti koristan.