IP kamery na rozpoznávanie ŠPZ: ÁNO alebo NIE? Názory odborníkov. Hľadanie ŠPZ hikvision - hikvision ural kamery na čítanie ŠPZ

Pozrime sa bližšie na možnosti IP kamery na čítanie ŠPZ.

Môže sa použiť na nasledujúce účely:

• automatické otváranie závory pri vstupe do kontrolovaného územia;
• automatické udeľovanie pokút, keď vodič s rozpoznaním poruší pravidlá v oblasti pokrytia kamery štátna poznávacia značka.
• automaticky vypočítať náklady na parkovanie na základe údajov o vozidle.
• okamžité oznámenie o detekcii auto, ktoré potrebujete, porovnaním jeho čísla s databázou.

Všetky tieto analytické procesy vykonáva interný softvér automaticky, alebo s nastaveniami a špecifikovanými funkciami od používateľa, prostredníctvom softvéru nainštalovaného na serveri. Pri začatí práce s IP kamerou na rozpoznávanie ŠPZ sa odporúča prečítať si návod na inštaláciu, konfiguráciu a obsluhu zariadenia. Sieťová kamera na rozpoznávanie ŠPZ môže mať rôzne tvarové faktory a typy inštalácie. Výber by mal vychádzať z aktuálnych požiadaviek a podmienok.

Ponúkame na nákup IP kamier na rozpoznávanie ŠPZ za cenu 3 000 rubľov v našom internetovom obchode. Všetko je dostupné na webe potrebné informácie o zariadení.

Charakteristika IP kamery na rozpoznávanie ŠPZ

Pred kúpou IP kamery s funkciou rozpoznávania ŠPZ sa oboznámte s jej technickými vlastnosťami.

Zoznam technických vlastností:

• Možnosti napájania.
• Typ softvéru, jednoduchosť ovládania.
• Trieda ochrany IP kamery.
• Pozorovací uhol.
• Povolenie.
• Spôsob inštalácie a pripojenia.
• Rýchlosť spracovania informácií, vyhľadávanie zhôd.
• Rýchlosť snímania a nahrávania.
• Teplota obsluha kamery.
• Maximálna prípustná vlhkosť vzduchu
• Hodnotenie značky výrobcu na trhu riadiacich a video monitorovacích systémov, užívateľské recenzie.
• Rozmery, hmotnosť zariadenia.
• Kompletná sada, dostupnosť spojovacích prvkov potrebných na inštaláciu, návod na obsluhu.

Kamery uvedené v tejto časti boli testované našimi špecialistami z hľadiska kompatibility so softvérom Macroscop "Rozpoznávanie licenčných čísel". V kombinácii s týmto softvérom vám naše kamery poskytnú neustálu kontrolu nad chráneným priestorom, pomôžu vám nájsť ten správny stroj a zautomatizujú množstvo procesov.

Po výbere zariadenia, ktoré spĺňa všetky požiadavky, môžete rýchlo zadať objednávku na webovej stránke. Videokameru s rozpoznávaním ŠPZ doručíme na požadované miesto v Moskve v čo najkratšom čase.

Pridané: 2018-02-28 15:24:21

Moderné video monitorovacie systémy poskytujú nielen zber video streamov, ale aj rozsiahle možnosti analýzy videa.

Funkcie ako počítanie počtu návštevníkov, rozpoznávanie tváre, rozpoznávanie a zaznamenávanie poznávacích značiek s istotou presahovali záujmy a jurisdikciu spravodajských agentúr pri riešení každodenných obchodných problémov.

Pozrime sa bližšie na jednu z populárnych funkcií analýzy videa – rozpoznávanie ŠPZ. Niekedy je video monitorovací systém integrovaný so systémom kontroly prístupu: kamera načíta poznávaciu značku auta, analytický systém skontroluje prijatý obrázok so zoznamom poznávacích značiek z databázy a ak sa nájde zhoda, pošle potvrdenie prístupu. riadiaci systém umožňujúci prejazd auta.

Samostatne poznamenávame, že pri návrhu video monitorovacieho systému je potrebné oddeliť úlohy rozpoznávania ŠPZ a prehľadovej funkcie (pohyb techniky a chodcov, umiestnenie kamier v závislosti od podmienok pozorovaného priestoru atď.). Pre kameru určenú na rozpoznávanie ŠPZ platia obmedzenia týkajúce sa umiestnenia. Okrem toho sú potrebné špeciálne nastavenia. Zameranie kamery by malo byť presne nasmerované na oblasť určenú pre prejazd vozidiel (vo väčšine prípadov je to 3-4 metre). Z tohto dôvodu sa odporúča používať fotoaparáty s pevným objektívom. Okrem toho zvyčajne majú najlepšie vlastnosti z hľadiska citlivosti na svetlo v porovnaní s motorizovanými šošovkami.

Aké rozlíšenie fotoaparátu si mám vybrať?

Pri riešení naznačeného problému rozpoznávania ŠPZ môže vysoké rozlíšenie videokamery poskytnúť výsledok horší ako vypočítaný. Je to spôsobené tým, že so zvyšujúcim sa rozlíšením fotoaparátu sa zhoršuje fotocitlivosť, čo negatívne ovplyvňuje rozpoznávanie ŠPZ v noci.

Na výpočet sa používa vzorec (w / n) * p:

kde w je šírka pohľadu v oblasti upevnenia ŠPZ (m),

n – veľkosť ŠPZ (m),

Ak vezmeme šírku sledovaného priestoru na 3 m, priemerná šírka ŠPZ je 0,52 m a optimálna veľkosť obrázky (v praxi) 200 pixelov, dostaneme nasledujúci výpočet:

(w/n)*p = (3/0,52)*200 = 1154 pixelov.

Prepočty ukazujú, že kamera s HD rozlíšením (1280 x 720 pixelov) je pre nás vhodná.

Kamery pre rozpoznávací systém musia mať určité vlastnosti

Mala by sa vziať do úvahy fyzická veľkosť matrice. Čím väčšia je matrica, tým je fotocitlivejšia. Minimum prípustná veľkosť matrice na rozpoznávanie ŠPZ 1/3 palca. Matrice s rozmermi 1/2 palca a väčšie fungujú najlepšie.

Obrázok 1. Porovnanie snímok získaných v tme a počas denného svetla z kamier, ktoré sa líšia veľkosťou matrice

Pri výbere fotoaparátu treba brať do úvahy aj parameter clony Je určený výberom objektívu pre fotoaparát a označuje sa ako F číslo, ktoré je určené pomerom ohniskovej vzdialenosti a hodnoty otvorenia clony. Čím vyššia je clona, ​​tým viac svetla dopadne na matricu fotoaparátu a pomer signálu k šumu je zodpovedajúcim spôsobom vyšší. V samotnom obraze bude menej digitálneho šumu. Na rozpoznanie ŠPZ potrebujete objektív s clonou aspoň F/1,4. Objektív s F/1,3 bude rýchlejší.

Všimnite si, že bez ohľadu na to, čo technické údaje Ak by neexistovala kamera, pri úplnej absencii osvetlenia by ste sa nedočkali výsledku v podobe uznanej ŠPZ. V tomto ohľade by sa mala spočiatku zvážiť možnosť dodatočného osvetlenia. Drvivá väčšina kamier má teraz IR prisvietenie, ale použitie vstavaného IR prisvietenia znamená, že kamera musí byť prepnutá do čiernobieleho režimu. Navyše dodatočné teplo generované infračerveným žiarením môže byť v lete nadmerné a môže viesť k prehriatiu, čo spôsobí ďalšie rušenie.

Venujme pozornosť aj takej charakteristike fotoaparátu, ako je počet snímok za sekundu. My ako výrobca odporúčame fotoaparát so snímkovou frekvenciou 25 fps. V praxi sa však v zariadeniach, kde sa autá pohybujú nízkou rýchlosťou, kamery prepnú do režimu 12 snímok za sekundu a nižšie, čím sa odstráni záťaž zo zariadenia potrebného na spracovanie množstva informácií.

Ako sme uviedli vyššie, pre umiestnenie videokamery existujú pomerne prísne hranice, ktoré vedú k výraznému zhoršeniu výsledku.

Uhol sklonu poznávacej značky by nemal presiahnuť 5° vzhľadom na os x v dvojrozmernej verzii obrazu.

Ak chcete zachytiť dva jazdné pruhy, môžete kameru umiestniť nasledovne:

Kamera by mala byť umiestnená vo výške 2 až 6 metrov. Pri umiestňovaní na predmety, ktoré majú bariéru, je potrebné vziať do úvahy, že samotná bariéra tvorí určitú zónu vylúčenia.

Technológie na softvérové ​​rozpoznávanie poznávacích značiek áut a tvárí ľudí sú čoraz žiadanejšie. Napríklad automatické rozpoznávanie poznávacích značiek vozidiel možno použiť ako súčasť systému kontroly prístupu na organizáciu účtovacích systémov platené parkovisko, automatizáciu prejazdu áut alebo na zber štatistických informácií (napríklad opakované návštevy nákupného centra alebo autoumyvárne). To všetko umožňuje moderný inteligentný softvér. Čo je potrebné na implementáciu takéhoto systému? V zásade nie toľko - videokamery, ktoré spĺňajú určité požiadavky a zodpovedajúci inteligentný softvérový modul. Napríklad softvér alebo väčší rozpočet

V tomto článku vám povieme, ako si vybrať tú správnu digitálnu videokameru schopnú generovať vysokokvalitný obraz videa vhodný na softvérové ​​rozpoznanie ŠPZ áut

Povolenie

Len pred niekoľkými rokmi sa veľkosť poznávacej značky na obrazovke merala ako percento šírky rámu. Všetky televízne kamery boli analógové a ich rozlíšenie bolo konštantné. Teraz, keď matice môžu mať rozlíšenie od 0,5 do 12 megapixelov, relatívne hodnoty sa neuplatňujú a požadovaná šírka ŠPZ sa meria v pixeloch.

Špecifikácia softvéru na rozpoznávanie ŠPZ spravidla špecifikuje požiadavky na šírku ŠPZ na obrazovke, postačujúce na spoľahlivé rozpoznanie. Napríklad softvérový modul AutoTrassir vyžaduje šírku 120 pixelov a NumberOK - 80 pixelov. Rozdiely v požiadavkách sú vysvetlené nuansami fungovania rozpoznávacích algoritmov a prípustná úroveň spoľahlivosť akceptovaná vývojárom. Od osobná skúsenosť Je možné poznamenať, že AutoTrassir je náročnejší a „rozmarnejší“ z hľadiska výberu vybavenia, šošoviek a správnej inštalácie fotoaparátu. Keď je však dovedený k dokonalosti, vykazuje trvalo spoľahlivé výsledky a je málo závislý od poveternostných podmienok.

Pre väčšiu spoľahlivosť odporúčame použiť šírku ŠPZ 150 pixelov. A ak si pamätáme, že šírka ŠPZ podľa GOST je pol metra (presnejšie 520 mm), tak sa dostaneme k požadovanému rozlíšeniu 300 bodov na meter.

Lineárne rozlíšenie pixelov na meter závisí od uhla pohľadu a rozlíšenia matrice kamery. Dá sa vypočítať pomocou vzorca:

Rlin- lineárne rozlíšenie, pixely na meter

R h- horizontálne rozlíšenie kamery (napr.R h =1080)

𝛼 - pozorovací uhol kamery

L- vzdialenosť od fotoaparátu k objektu

Môžete tiež použiť našu online kalkulačku na stránke produktu, o ktorý máte záujem, v záložke „Čo vidím“.

Nižšie je (napríklad) niekoľko možností pre IP sledovacie kamery označujúce maximálnu vzdialenosť, z ktorej je možné rozpoznanie ŠPZ (šírka ŠPZ 150 pixelov). Upozorňujeme, že pri fotoaparátoch s varifokálnym objektívom bola pri výpočtoch použitá maximálna ohnisková vzdialenosť

	Ohnisková vzdialenosť	Horizontálne rozlíšenie	Max. vzdialenosť, m	Max. pohľadová šírka, m
		1920 pixelov
		1280 pixelov
		2688 pixelov
		2048 pixelov
		2048 pixelov

Je dôležité pochopiť, že kamery s vyšším rozlíšením dokážu pokryť širšie oblasti, takže ich v rovnakej oblasti je potrebných menej. Lineárne rozlíšenie zároveň zostáva v rámci požiadaviek na identifikáciu. Tento fakt V mnohých situáciách je ekonomicky výhodné používať kamery s vysokým rozlíšením.

Svetelná citlivosť a rýchlosť uzávierky

Na spoľahlivé rozpoznanie poznávacích značiek auta musí mať fotoaparát dobrú citlivosť na svetlo a možnosť manuálneho nastavenia rýchlosti uzávierky (rýchlosť uzávierky alebo jednoducho rýchlosť uzávierky). Táto požiadavka je mimoriadne dôležitá pri budovaní systémov na rozpoznávanie poznávacích značiek pre autá idúce ďalej vysoká rýchlosť. Pre autá pohybujúce sa rýchlosťou do 30 km/h (a práve takéto projekty pre našich zákazníkov spravidla realizujeme: chatové osady, obytné komplexy, parkoviská obchodných centier, rôzne uzavreté oblasti) je táto požiadavka menšia. dôležité, ale nemožno to podceňovať, pretože na dosiahnutie vysokej kvality rozpoznávania musí fotoaparát zaznamenať aspoň desať snímok s čitateľným číslom.
Preto napríklad na rozpoznanie poznávacej značky auta pohybujúceho sa rýchlosťou 30 km/h s uhlom kamery do 10 stupňov vzhľadom na os pohybu by rýchlosť uzávierky mala byť približne 1/200 druhý. Pre mnoho lacných fotoaparátov nemusí byť takáto rýchlosť uzávierky dostatočná ani počas dňa v zamračenom počasí a obraz bude tmavý a/alebo zašumený. Preto by ste mali venovať veľkú pozornosť veľkosti matrice a jej kvalite. Ideálne je použiť špecializovanú čiernobielu kameru s CCD maticou. Ich cena je však veľmi vysoká a rozlíšenie zvyčajne nepresahuje 1 megapixel, čo spôsobuje vážne obmedzenia ich použiteľnosti.
Vo všeobecnosti by ste sa nemali snažiť o vysoké rozlíšenie, pokiaľ na to neexistujú objektívne dôvody. Relatívne lacné kamery s ultra vysokým rozlíšením (4 MP, 5 MP a vyššie) sú postavené na 1/3, 1/2,8 a menej často 1/2,5-palcových matriciach. Rovnakú veľkosť matrice majú aj fotoaparáty s rozlíšením 1,3 a 2 megapixely. Výsledkom je, že veľkosť každého fotocitlivého prvku v 1,3-megapixelovom fotoaparáte je výrazne väčšia ako v 5-megapixelovom fotoaparáte a väčšia veľkosť- čím viac svetla dokáže zhromaždiť každý fotosenzitívny prvok. To je dôvod, prečo IP kamery, ktoré odporúčame na rozpoznávanie ŠPZ, majú len zriedka rozlíšenie väčšie ako 2 MP.

Wide Dynamic Range (WDR), kompenzácia protisvetla

Dynamický rozsah fotoaparátu určuje pomer medzi maximálnou a minimálnou intenzitou svetla, ktorú jeho snímač bežne dokáže rozpoznať. Inými slovami, toto je schopnosť fotoaparátu súčasne sprostredkovať jasne osvetlené aj tmavé oblasti obrazu bez skreslenia alebo straty. Tento parameter je veľmi dôležitý pre automatické rozpoznávanie ŠPZ, pretože pomáha bojovať proti osvetleniu kamery svetlometmi. Avšak ani tie najpokročilejšie kamery so 140dB WDR si nie vždy dokážu poradiť s vysoko kontrastným osvetlením. V tomto prípade je nastavený dodatočné osvetlenie viditeľné svetlo alebo pracujúce v IR rozsahu, zvýraznenie oblasti, v ktorej dochádza k rozpoznaniu ŠPZ.

Hĺbka ostrosti

Hĺbka ostrosti alebo v plnom rozsahu hĺbka ostrosti zobrazovaného priestoru (DOF) je rozsah vzdialeností, pri ktorých sú objekty vnímané ako ostré.

Tento parameter je určený ohniskovou vzdialenosťou, clonou a vzdialenosťou od objektu. Čím väčšia je hĺbka ostrosti, tým väčšia je oblasť zaostrenia a tým viac možností „uloviť“ dostatočný počet jasných záberov idúceho auta.

Azda najväčší vplyv na hĺbku ostrosti má clona objektívu. Čím menšia je clona, ​​tým väčšia je hĺbka ostrosti, tým väčšia je hĺbka ostrosti. Všetky kamery na rozpoznávanie ŠPZ, ktoré odporúčame, sa dokážu prispôsobiť meniacim sa svetelným podmienkam automatickou zmenou clony. Odporúča sa zaostrovanie takýchto fotoaparátov na maximálne otvorenú clonu, kedy je hĺbka ostrosti minimálna.

Čím väčšia je vzdialenosť od fotoaparátu k objektu, tým väčšia je hĺbka ostrosti, preto by ste sa nemali snažiť umiestniť fotoaparát čo najbližšie k zóne rozpoznávania. Na druhej strane, čím dlhšia je ohnisková vzdialenosť, tým menšia je hĺbka ostrosti. Podľa našej praxe je optimálna vzdialenosť od kamery k rannej hodine v rozmedzí od 6 do 10 metrov. Aj keď to nie je nemožné rozoznať zo vzdialenosti 100 metrov.

Skreslenie

Mnohé šošovky mierne skresľujú obraz. Najbežnejšie je takzvané „sudové“ skreslenie obrazu. Je to spôsobené tým, že zväčšenie je väčšie v strede a menšie na okrajoch, čo vedie k zmene veľkosti objektu. Ak teda ten istý objekt spadne do stredu obrázka a na jeho okraj, jeho veľkosť na okraji sa bude zdať menšia. Môže to ovplyvniť identifikáciu.

Čím kratšia je ohnisková vzdialenosť, tým výraznejšie môže byť skreslenie. Preto nie je vhodné na identifikáciu používať fotoaparáty so širokouhlými objektívmi (menej ako 4 mm).

Hluk a podanie farieb

Čím menej šumu a presnejšie podanie farieb, tým lepšie na identifikáciu. Preto sa odporúča venovať pozornosť takým parametrom, ako je minimálne osvetlenie kamery, ako aj prítomnosť funkcií redukcie šumu.
Potlačenie šumu je dôležité najmä v zlých svetelných podmienkach, kedy sú snímače fotoaparátu veľmi hlučné, čo komplikuje identifikáciu. Treba si uvedomiť, že v mnohých prípadoch si redukcia hluku a iné elektronické vychytávky neporadia a je potrebné zabezpečiť dostatočnú úroveň osvetlenia na mieste.

Kompresia videa

Moderné IP kamery prenášajú komprimovaný video signál a ak v zábere nedochádza k žiadnemu pohybu alebo je minimálny, návštevnosť bude malá. Ak je pohyb v zábere intenzívny, premávka sa zvýši. Ak je teda v nastaveniach fotoaparátu nastavený konštantný bitrate, obraz bude vhodný na identifikáciu pri absencii pohybu, no nepoužiteľný pri intenzívnom pohybe v zábere.
Pre identifikáciu sa odporúča nastaviť variabilný bitrate s najvyšším vysoký stupeň kvalitu. V tomto prípade bude zabezpečená požadovaná kvalita obrazu.

Senzor: 1/2,8” CMOS s progresívnym skenovaním Hardvér WDR 140dB Objektív: 2,8-12 mm Vlastnosti: vnútorná kamera pre vonkajšiu inštaláciu je potrebný termokryt. Objektív nie je súčasťou balenia a je potrebné ho zakúpiť samostatne
Max. rozlíšenie: 1,3 MP, 1280 x 960 pixelov Hardvér WDR Objektív: 2,8-12 mm
Vonkajšia 2 MP sieťová kamera AXIS P1365-E s WDR a Lightfinder Senzor: 1/2,8” CMOS s progresívnym skenovaním Max. rozlíšenie: 2MP, 1920 x 1080 pixelov Hardvér WDR Technológia Lightfinder Objektív: 2,8-8 mm @ F1,3 Vlastnosti: Vysoká citlivosť, automatické zaostrovanie
Dahua IPC-HF8301E Utlra WDR 120 dB, Ultra 3DNR Senzor: 1/3" CMOS s progresívnym skenovaním Max. rozlíšenie: 3MP, 2048 x 1536 pixelov Hardvér WDR Objektív: 2,8-12 mm Vlastnosti: vnútorná kamera pre vonkajšiu inštaláciu je potrebný termokryt. Objektív nie je súčasťou balenia a je potrebné ho zakúpiť samostatne
Senzor: 1/3” CMOS s progresívnym snímaním Max. rozlíšenie: 1,3 MP, 1280 x 960 pixelov Objektív: 2,8 – 8 mm (F1,2) Vlastnosti: Vysoká citlivosť, automatické zaostrovanie

Moderné video dohľad vám umožňuje zhromažďovať informácie o pohybe áut a chodcov a tiež poskytuje rôzne možnosti analýzy videa.

Funkcie na určovanie počtu návštevníkov a identifikáciu jednotlivcov sa stali žiadanými medzi súkromnými organizáciami a podnikateľmi.

Pozrime sa bližšie na dôležitú funkciu identifikácie ŠPZ. Video monitorovacie systémy je možné kombinovať so systémom kontroly prístupu. Videokamera určí číslo a analytický systém vyhľadá zhodu v zozname databázových čísel a ak je k dispozícii, udelí systému kontroly prístupu povolenie na vstup do vozidla.

Pri plánovaní inštalácie video monitorovacieho systému musíte oddeliť úlohu identifikácie ŠPZ od funkcie monitorovania vozidiel a chodcov. Videokamery na rozpoznávanie ŠPZ majú obmedzenia na miesta inštalácie a tiež vyžadujú špeciálnu konfiguráciu. Kamera by mala byť zameraná len na oblasť, kde jazdia ľudia vozidiel. Preto je lepšie inštalovať kamery, ktoré majú pevný objektív. Ich ďalšou výhodou je charakteristika citlivosti na svetlo.

Rozlíšenie fotoaparátu

Vysoké rozlíšenie kamery neznamená kvalitný výkon úlohy rozpoznávania ŠPZ. Vypočítané optimálne rozlíšenie môže dokonca poskytnúť najlepší výsledok. Čím vyššie rozlíšenie, tým horšia svetelná citlivosť a to zhoršuje identifikáciu ŠPZ pri horšom osvetlení.

Pri výpočte požadovaného povolenia použite nasledujúci vzorec: (w/n)*p, kde w je kontrolná šírka zaznamenanej ŠPZ; n - veľkosť ŠPZ; p je navrhovaná šírka zobrazeného čísla meraná v pixeloch.

Uvažujme výpočet pomocou nasledujúceho príkladu: priemerná veľkosť značky je 0,52 m, šírka kontrolovanej oblasti je 3 m a odporúčaná veľkosť je zvyčajne 200 pixelov. Dostávame túto odpoveď:

(w/n)*p = (3/0,52)*200 = 1154 pixelov.

Z výpočtu je zrejmé, že vhodná možnosť K dispozícii bude kamera so štandardným HD formátom snímania (1280*720 pixelov). Ale to platí, ak je vzdialenosť od fotoaparátu k číslu 3-5 metrov. Ak je vzdialenosť väčšia, rozlíšenie kamery musí byť vyššie. Ak táto vzdialenosť presahuje 20 m, potom je potrebný fotoaparát s varifokálnym objektívom. Umožní vám to zúžiť uhol pohľadu, čím sa zväčší pevný objekt na obrazovke monitora.

Charakteristika videokamier na rozpoznávanie ŠPZ

Musíte vziať do úvahy veľkosť samotnej matrice. Väčšia matrica má väčšiu citlivosť na svetlo. Aby bolo možné rozpoznať poznávacie značky, matica musí byť aspoň 1/3 palca. Ale pre kvalitnú identifikáciu čísel je potrebná matica 1/2 palca alebo väčšia. Napríklad IP kamera s matricou Sony IMX 185 veľkosti 1/1,8.

Nemenej dôležitá je clonová charakteristika. Tento indikátor určuje objektív videokamery a označuje sa ako číslo F. Je charakterizované pomerom ohniskovej vzdialenosti k hodnote otvorenia clony. Charakteristika signálu k šumu bude lepšia pri vyššom pomere clony, pretože do matrice vstupuje viac svetla. S rastúcou clonou sa znižuje aj množstvo digitálneho šumu. Na určenie čísel je potrebná hodnota clony F/1,4 a vyššia.

Dokonca najviac najlepšie fotoaparáty nedokáže v úplnej tme určiť ŠPZ auta. Preto sa musíte okamžite postarať o normálne osvetlenie. Väčšina moderných fotoaparátov má IR prisvietenie, no táto funkcia vás núti prepnúť do čiernobieleho režimu snímania. Pri IR prísvite dochádza k dodatočnému zahrievaniu kamery, čo môže v horúcom období spôsobiť prehriatie, čo spôsobí zbytočné rušenie.

Dôležitý je aj počet snímok za sekundu. Odporúčajú sa fotoaparáty so snímkovou frekvenciou 25 fps. V oblastiach s pomalá rychlosť dopravné pohyby videokamery sa prepnú do režimu 12 fps alebo nižšej. To vám umožní znížiť zaťaženie zariadenia, aby ste mohli lepšie spracovávať prichádzajúce objemy informácií.

Umiestnenie fotoaparátu

Na dosiahnutie očakávaného výsledku musí byť zariadenie umiestnené v prísnom súlade so všetkými podmienkami

• Na obrázku by naklonenie čísla auta nemalo byť väčšie ako 5° pozdĺž osi x.
• Uhol smeru kamery by mal byť do 30° horizontálne aj vertikálne.
• Ak chcete zachytiť 2 jazdné pruhy, môžete umiestniť kameru do stredu medzi ne.
• Výška kamery by mala byť v rozmedzí 2-6 metrov.
• Pri inštalácii zariadenia v blízkosti bariéry musíte vziať do úvahy, že vytvára určitú vylúčenú oblasť.
• Po inštalácii kamery je potrebné skontrolovať prijateľnosť kvality snímania v noci. Režim clony je nastavený na „auto“ s úrovňou 50.
• Ak chcete vypnúť svetlomety počas tmavého obdobia, potrebujete fotoaparát s rýchlosťou uzávierky 1/1000 alebo viac.
• S absenciou bežné osvetlenie Na cestách by mala byť funkcia deň/noc nastavená na „auto“. V opačnom prípade je inteligentné podsvietenie nastavené na „zapnuté“.
• Podsvietenie BLC a WDR musí byť vypnuté.

Na automatické zaznamenávanie ŠPZ do databázy potrebujete špeciálny program pre fotoaparát alebo PC, ktorý ŠPZ rozpozná. Kamery, ktoré dokážu samé rozpoznať poznávacie značky vozidiel, sú už dostupné na predaj.

Je čas podrobne povedať, ako funguje naša implementácia algoritmu na rozpoznávanie ŠPZ: čo sa ukázalo ako úspešné riešenie, čo fungovalo veľmi zle. A len sa hláste užívateľom Habry – veď s pomocou Android aplikácie Recognitor ste nám pomohli zozbierať slušnú databázu obrázkov poznávacích značiek, urobených úplne nezaujate, bez vysvetlenia, ako fotiť a ako nefotiť. A pri vývoji rozpoznávacích algoritmov je najdôležitejšia databáza obrázkov!

Čo sa stalo s Android aplikáciou Recognitor

Bolo veľmi milé, že používatelia Habr sa rozhodli stiahnuť si aplikáciu, vyskúšať ju a poslať nám čísla.

Sťahovanie a vyhodnocovanie programov

Od vydania aplikácie server prijal 3800 obrázkov čísel z mobilnej aplikácie.
A ešte viac nás potešil odkaz http://212.116.121.70:10000/uploadimage - za 2 dni nám poslali asi 8 tisíc obrázkov ŠPZ v plnej veľkosti (väčšinou z Vologdy)! Server bol takmer vypnutý.

Teraz máme databázu 12 000 fotografií – čaká nás obrovské množstvo práce na odladenie algoritmov. Zábava ešte len začína!

Dovoľte mi pripomenúť, že v aplikácii pre Android bolo predtým pridelené číslo. V tomto článku sa v tejto fáze nebudem rozpisovať. V našom prípade - Haar kaskádový detektor. Tento detektor nie vždy funguje, ak je číslo v rámiku príliš otočené. Analýzu toho, ako náš trénovaný kaskádový detektor funguje a kedy nefunguje, si nechám na budúce články. Toto je naozaj veľmi zaujímavé. Zdá sa, že ide o čiernu skrinku – detektor bol natrénovaný a nič iné sa robiť nedá. V skutočnosti to nie je pravda.

Ale stále je kaskádový detektor dobrou voľbou v prípade obmedzených výpočtových zdrojov. Ak je poznávacia značka špinavá alebo je ťažko viditeľný rám, potom Haar funguje dobre aj v porovnaní s inými metódami.

Rozpoznávanie čísel

Tu je príbeh o rozpoznávaní textu na obrázkoch tohto typu:

Všeobecné prístupy k uznávaniu boli opísané v prvom článku.

Spočiatku sme si dali za úlohu rozoznať špinavé, čiastočne zotreté a značne zdeformované ŠPZ.
Po prvé, je to zaujímavé, a po druhé, zdalo sa, že potom tie čisté budú fungovať vo všeobecnosti v 100% prípadov. Zvyčajne sa to, samozrejme, stáva. Ale tu to nevyšlo. Ukázalo sa, že ak pre nečisté čísla bola pravdepodobnosť úspechu 88 %, tak pre čisté čísla napríklad 90 %. Aj keď v skutočnosti pravdepodobnosť rozpoznania z fotografie je mobilná aplikácia pred úspešnou odpoveďou to samozrejme dopadlo ešte horšie ako naznačený údaj. O niečo menej ako 50 % prichádzajúcich obrázkov (aby sa ľudia nepokúšali fotiť). Tie. Na úspešné rozpoznanie ŠPZ bolo v priemere potrebné dvakrát odfotiť. Aj keď toto nízke percento je do značnej miery spôsobené tým, že mnohí sa pokúšali brať čísla z obrazovky monitora, a nie v reálnej situácii.

Celý algoritmus bol vytvorený pre špinavé čísla. Ukázalo sa však, že teraz v lete je v Moskve 9 z 10 izieb dokonale čistých. To znamená, že je lepšie zmeniť stratégiu a vytvoriť dva samostatné algoritmy. Ak sme boli schopní rýchlo a spoľahlivo rozpoznať čisté číslo, pošleme tento výsledok používateľovi, a ak to nebolo možné, strávime trochu viac času procesora a spustíme druhý algoritmus pre špinavé čísla.

Jednoduchý algoritmus na rozpoznávanie ŠPZ, ktorý by sa mal okamžite implementovať

Ako spoznať dobré a čisté číslo? Nie je to vôbec ťažké.

Uvádzame nasledujúce požiadavky na takýto algoritmus:

1) určitá stabilita pri otáčaní (± 10 stupňov)
2) odolnosť voči malým zmenám v mierke (20%)
3) odrezanie akýchkoľvek hraníc čísla okrajom rámu alebo jednoducho zle definované hranice by nemali všetko zničiť (to je zásadne dôležité, pretože v prípade špinavých čísel sa musíte spoľahnúť na hranicu čísla; ak číslo je čisté, potom ho nič necharakterizuje lepšie ako čísla/písmená číslo).

Takže v čistých a dobre čitateľných číslach sú všetky čísla a písmená od seba oddeliteľné, čo znamená, že môžete binarizovať obrázok a použiť morfologické metódy na výber súvisiacich oblastí alebo použiť známe funkcie výberu obrysov.

Binarizovať rám

Tu sa tiež oplatí prejsť strednopriepustným filtrom a normalizovať obrázok.


Na obrázku je na začiatku zobrazený rám s nízkym kontrastom kvôli prehľadnosti.

Potom binarizujte pomocou pevného prahu (prah môže byť pevný, pretože obraz bol normalizovaný).

Hypotézy rotácie rámu

Predpokladajme niekoľko možných uhlov natočenia obrazu. Napríklad +10, 0, -10 stupňov:

V budúcnosti bude mať metóda malý odpor voči uhlu natočenia čísel a písmen, preto bol zvolený pomerne veľký uhol - 10 stupňov.
V budúcnosti budeme pracovať s každým rámom samostatne. Ktorá z hypotéz rotácie dáva najlepší výsledok, vyhrá.

A potom zbierajte všetky súvisiace oblasti. Tu bola použitá štandardná funkcia findContours z OpenCV. Ak má spájaná oblasť (obrys) výšku v pixeloch od H1 do H2 a šírka a výška sú spojené vzťahom od K1 po K2, tak ju necháme v rámci a všimneme si, že v tejto oblasti môže byť znamienko. Takmer určite v tejto fáze zostanú iba čísla a písmená, zvyšok odpadu zmizne z rámu. Vezmime ohraničujúce obdĺžniky, privedieme ich do rovnakej mierky a potom pracujeme s každým písmenom/číslom samostatne.

Tu sú obrysové ohraničovacie rámčeky, ktoré splnili naše požiadavky:

Písmená/čísla

Kvalita obrazu je dobrá, všetky písmená a čísla sú dokonale oddelené, inak by sme sa k tomuto kroku nedostali.
Všetky znaky upravíme na rovnakú veľkosť, napríklad 20x30 pixelov. Tu sú:

Mimochodom, OpenCV pri vykonávaní zmeny veľkosti (pri zmenšení na veľkosť 20x30) zmení binarizovaný obrázok na obrázok s prechodom vďaka interpolácii. Budeme musieť zopakovať binarizáciu.

A teraz najjednoduchší spôsob, ako porovnať so známymi obrázkami postáv, je použiť XOR (normalizovaná Hammingova vzdialenosť). Napríklad takto:

Vzdialenosť = 1,0 – |Ukážkový obrázok XOR|/|Ukážka|

Ak je vzdialenosť väčšia ako prah, potom sa domnievame, že sme našli znamenie, ak je menšia, vyhodíme ho.

Písmeno-číslica-číslica-číslica-písmeno-písmeno

Áno, hľadáme ruské poznávacie značky automobilov v tomto formáte. Tu musíte vziať do úvahy, že číslo 0 a písmeno „o“ sú vo všeobecnosti nerozoznateľné od seba, číslo 8 a písmeno „v“. Zoraďme všetky značky zľava doprava a vezmime po 6 značiek.
Časy kritérií - písmeno-číslica-číslica-číslica-písmeno-písmeno (nezabudnite na 0/o, 8/v)
Druhé kritérium – odchýlka dolnej hranice 6 číslic od riadku

Celkový počet bodov za hypotézu je súčtom Hammingových vzdialeností všetkých 6 postáv. Čím väčšie, tým lepšie.

Ak je teda celkový počet bodov nižší ako prahová hodnota, potom sa domnievame, že sme našli 6 číslic čísla (bez regiónu). Ak je väčšia ako prahová hodnota, potom prejdeme k algoritmu, ktorý je odolný voči špinavým číslam.

Tu sa tiež oplatí zvážiť písmená „N“ a „M“ samostatne. Aby ste to dosiahli, musíte vytvoriť samostatný klasifikátor, napríklad pomocou histogramu prechodov.

región

Nasledujúce dva alebo tri znaky nad čiarou nakreslenou pozdĺž spodnej časti 6 už nájdených znakov sú oblasťou. Ak existuje tretia číslica a jej podobnosť je väčšia ako prahová hodnota, potom oblasť pozostáva z troch číslic. Inak z dvoch.

Rozpoznanie regiónu však často nie je také hladké, ako by sme chceli. Čísla pre regióny sú menšie a nemusia byť úspešne rozdelené. Preto je lepšie rozpoznať oblasť spôsobom, ktorý je odolnejší voči nečistotám/hluku/prekrývaniu, ako je popísané nižšie.

Niektoré detaily popisu algoritmu nie sú príliš podrobne opísané. Čiastočne kvôli tomu, že teraz bol vyrobený iba prototyp tohto algoritmu a stále ho treba testovať a ladiť na tých tisíckach obrázkov. Ak je číslo dobré a čisté, musíte číslo rozpoznať v desiatkach milisekúnd alebo odpovedať „neúspešne“ a prejsť na serióznejší algoritmus.

Algoritmus odolný voči špinavým číslam

Je jasné, že vyššie popísaný algoritmus vôbec nefunguje, ak sa znaky na ŠPZ lepia kvôli zlej kvalite obrazu (nečistoty, slabé rozlíšenie, zlý tieň alebo uhol snímania).

Tu sú príklady čísel, pri ktorých prvý algoritmus nemohol nič urobiť:

Budete sa ale musieť spoľahnúť na hranice ŠPZ a potom v rámci presne vymedzenej oblasti hľadať značky s presne známou orientáciou a mierkou. A hlavne – žiadna binarizácia!

Hľadáme dolnú hranicu počtu

Najjednoduchšia a najspoľahlivejšia fáza v tomto algoritme. Prechádzame niekoľkými hypotézami založenými na uhle rotácie a pre každú hypotézu rotácie zostavujeme histogram jasu pixelov pozdĺž vodorovných čiar pre spodnú polovicu obrázka:

Zvoľme si maximálny sklon a tým určíme uhol sklonu a na akej úrovni číslo zospodu odrezať. Nezabudnime vylepšiť kontrast a získajme tento obrázok:

Vo všeobecnosti sa na zvýšenie spoľahlivosti orezávania čísel oplatí používať nielen histogram jasu, ale aj histogram disperzie a gradientový histogram.

Hľadáme hornú hranicu počtu

Tu to nie je také zrejmé, ukázalo sa, že ak je zadná poznávacia značka odobratá z rúk, potom môže byť horná hranica silne zakrivená a čiastočne zakrývať značky alebo v tieni, ako v tomto prípade:


V hornej časti čísla nie je žiadny ostrý prechod jasu a maximálny gradient úplne zredukuje číslo v strede.

Zo situácie sme vyšli nie veľmi triviálnym spôsobom: natrénovali sme Haar kaskádový detektor pre každé číslo a každé písmeno, našli sme všetky znaky na obrázku, a tak určili horný riadok, kde sa má rezať:

Zdá sa, že tu stojí za to zastaviť - už sme našli čísla a písmená! Ale v skutočnosti, samozrejme, detektor Haar môže robiť chyby a máme tu 7-8 znakov. Dobrý príklad čísla 4. Ak sa horná hranica čísla spája s číslom 4, potom nie je vôbec ťažké vidieť číslo 7. Čo sa mimochodom stalo v tomto príklade. Ale na druhej strane, napriek chybe v detekcii, horná hranica nájdených obdĺžnikov sa v skutočnosti zhoduje s hornou hranicou ŠPZ.

Nájdite bočné hranice čísla

Nič zložité - úplne rovnaké ako spodné. Jediný rozdiel je v tom, že často môže jas gradientu prvého alebo posledného znaku v čísle prekročiť jas gradientu vertikálneho okraja čísla, takže sa nevyberie maximum, ale prvý gradient, ktorý prekročí prah. . Podobne aj pri spodnej hranici je potrebné prejsť niekoľkými hypotézami ohľadom sklonu, keďže vzhľadom na perspektívu nie je vôbec zaručená kolmosť zvislých a vodorovných hraníc.

Takže tu je pekne zostrihané číslo:

Áno! Obzvlášť pekné je vložiť rámik s nechutným číslom, ktoré bolo úspešne rozpoznané.

Jediná smutná vec je, že v tejto fáze môže byť nesprávne odrezaných 5 % až 15 % čísel. Napríklad takto:

(mimochodom, niekto nám poslal žlté číslo taxíka, pokiaľ som pochopil - formát nie je štandardný)

Toto všetko bolo potrebné, aby sa to všetko robilo len kvôli optimalizácii výpočtov, keďže prechádzať všetkými možnými polohami, mierkami a sklonmi značiek pri ich hľadaní je výpočtovo veľmi nákladné.

Rozdeľte reťazec na znaky

Bohužiaľ, vzhľadom na perspektívu a neštandardnú šírku každého musíme postavy v už orezanom čísle nejako zvýrazniť. Tu opäť pomôže histogram jasu, ale pozdĺž osi X:

Jediné, čo sa v budúcnosti oplatí preskúmať, sú dve hypotézy: symboly začínajú okamžite alebo by sa malo preskočiť jedno maximum histogramu. Je to spôsobené tým, že na niektorých poznávacích značkách môže byť otvor na skrutku alebo hlava skrutky poznávacej značky rozlíšený ako samostatný znak, prípadne nemusí byť vôbec viditeľný.

Rozpoznávanie znakov

Obrázok stále nie je binarizovaný, použijeme všetky dostupné informácie.

Toto sú tlačené znaky, takže vážená kovariancia je vhodná na porovnanie obrázkov s príkladom:

Porovnávacie vzorky a kovariančné váhy:

Samozrejme, nemôžete jednoducho porovnávať oblasť zvýraznenú horizontálnym histogramom so vzorkami. Musíme urobiť niekoľko hypotéz týkajúcich sa posunu a rozsahu.
Počet hypotéz podľa pozície X = 4
Počet hypotéz podľa polohy pozdĺž osi Y = 4
Počet škálových hypotéz = 3

Pre každý región je teda potrebné vypočítať kovariancie 4 x 4 x 3 na porovnanie s jedným znamienkom.

Najprv nájdime 3 veľké čísla. To je 3 x 10 x 4 x 4 x 3 = 1440 porovnaní.

Potom jedno písmeno vľavo a ďalšie dve vpravo. Na porovnanie je 12 písmen, potom je počet porovnaní 3x12x4x4x3 = 1728

Keď máme 6 znakov, potom všetko napravo od nich je región.

Región môže mať 2 alebo 3 číslice - toto je potrebné vziať do úvahy. Rozdelenie oblasti pomocou metódy histogramu je už zbytočné, pretože kvalita obrazu môže byť príliš nízka. Preto jednoducho nájdeme čísla jedno po druhom zľava doprava. Počnúc od ľavého horného rohu je potrebných niekoľko hypotéz pozdĺž osi X, osi Y a mierky. Nájdeme najlepšiu zhodu. Posunieme sa o danú hodnotu doprava a znova hľadáme. Budeme hľadať tretí znak naľavo od prvého a napravo od druhého Ak je miera podobnosti tretieho znaku väčšia ako prahová hodnota, potom máme šťastie - číslo regiónu pozostáva z troch číslic.

závery

Prax používania algoritmu (druhý opísaný v článku) opäť potvrdila pravdivosť pri riešení problémov s rozpoznávaním: pri vytváraní algoritmov potrebujete skutočne reprezentatívnu základňu. Zamerali sme sa na špinavé a ošarpané izby, pretože... Testovacia základňa sa natáčala v zime. A skutočne, často sa dali rozoznať aj dosť zlé čísla, no v tréningovej zostave neboli takmer žiadne čisté čísla.

Objavila sa aj druhá strana mince: len málo vecí dráždi používateľa viac ako situácia, keď automatický systém nerieši úplne primitívny problém. "No, čo sa tu nedá prečítať?" A to, že automatický systém nedokázal rozpoznať špinavé alebo ošúchané ŠPZ, sa očakáva.

Úprimne povedané, toto je naša prvá skúsenosť s vývojom systému rozpoznávania pre masového spotrebiteľa. A stojí za to naučiť sa premýšľať o takých „maličkostiach“, ako sú používatelia. Teraz sa k nám pridal špecialista, ktorý vyvinul podobný program „Recognitor“ pre iOS. V používateľskom rozhraní má používateľ možnosť vidieť, čo sa práve odosiela na server, vybrať, ktoré z čísel zvýraznených Haarom je potrebné, a má možnosť vybrať požadovanú oblasť v už „zamrznutom“ rámčeku. A už sa to pohodlnejšie používa. Automatické rozpoznávanie sa nestane hlúpou funkciou, bez ktorej sa nedá nič robiť, ale iba asistentom.

Premýšľať o systéme, v ktorom bude automatické rozpoznávanie obrázkov harmonické a pohodlné pre používateľa, sa ukázalo ako o nič jednoduchšia úloha ako vytvorenie týchto algoritmov rozpoznávania.

A samozrejme dúfam, že článok bude užitočný.