Sayıların tanınması için IP kameralar: Evet, ya da değil? Uzman görüşleri. Hikvision Otomotiv Oda Tanımı - Hikvision Ural Kamera Okuma Araba Odaları

Rakamları okumak için daha fazla özellik IP kamera'yı okuyun.

İçin kullanılabilir:

• Kontrollü bölgenin girişindeki bariyerin otomatik açılması;
• ORTAKLIK BAŞLATMASI DEĞERLENDİRME İHTİYACI VAR araba numaraları.
• Otomobil verilerine göre otopark maliyetini otomatik olarak hesaplamak için.
• Keşif hakkında anında bilgilendirme İğneli arabaNumarasını veritabanıyla karşılaştırarak.

Tüm bu analitik işlemler, dahili yazılımda otomatik modda veya kullanıcıdan ayarlanmış yazılımlar, sunucuda yüklü olan yazılımlar aracılığıyla gerçekleştirilir. IP kamerayı aracı araç numaralarını tanımak için, cihazın yüklenmesi, yapılandırılması ve çalıştırılması için talimatları okumanız önerilir. Numaraların tanınması ağ odası, farklı bir form faktörü ve montaj türüne sahip olabilir. Mevcut gereksinim ve koşullara göre seçmelisiniz.

Çevrimiçi mağazamızda 3000 ruble fiyatı, araba numaralarını tanımak için IP kameraları satın almayı teklif ediyoruz. Site hepsi mevcuttur gerekli bilgi Cihaz hakkında.

Araba tanıma için IP kamera özellikleri

Rakamlar tanıma özelliğine sahip bir IP kamera almadan önce, teknik özelliklerini okuyun.

Teknik özellikler listesi:

• Güç seçenekleri.
• Yazılım türü, yönetim kolaylığı.
• IP Kamera Koruma Sınıfı.
• Görüş açısı.
• Çözüm.
• Kurulum ve bağlantı yöntemi.
• Bilgi işlem hızı, eşleştirme için arama.
• Hız çekimi, kayıt.
• Sıcaklık modu Kamera çalışıyor.
• Son derece izin verilen nem
• Kumanda sistemleri ve video gözetim pazarında üreticinin marka değerlendirmesi, kullanıcı yorumları.
• Boyutlar, cihazın ağırlığı.
• Ekipman, kurulum için gerekli fitinglerin varlığı, kullanım talimatları.

Bu bölümde sunulan kameralar, Macroscop yazılımı "araç numaralarının tanınması" ile uyumluluk için uzmanlarımız tarafından test edilmiştir. Verilerle birlikte, kameralarımız size korumalı alanın sürekli izlenmesi sağlayacaktır, istenen makineyi aramada size yardımcı olacak, birkaç işlemin otomasyonu.

Tüm gereksinimleri karşılayan bir cihazı seçerek, sitedeki siparişi hızlı bir şekilde kontrol edebilirsiniz. Kamerayı, sayıların Moskova'daki istenen nesneye mümkün olan en kısa sürede tanınmasını sağlayacağız.

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

Modern sistemler Video gözetim sadece bir video akışı koleksiyonu değil, aynı zamanda video analitiklerinin geniş olanaklarıdır.

Bu tür işlevler, ziyaretçi sayısını saymak, bireylerin tanınması, tanınması ve araç sayılarının tespit edilmesi, günlük iş görevlerini çözme konusunda özel hizmetlerin çıkarlarının ve yetki alanlarının ötesine geçti.

Video analizinin talep edilen fonksiyonlarından birinde daha fazla ayrıntı durduralım - araç numaralarının tanınması. Bazen video gözetim sistemi erişim kontrol sistemi ile bütünleşmiştir: Kamera, araç numarasını okur, Analytics sistemi, veritabanından gelen sayı sayısının ortaya çıkan görüntüsünü kontrol eder ve tesadüfin onaylandığında, arabanın bir üyesini gönderir.

Ayrı olarak, bir video gözetim sistemi tasarlarken, araç numaralarının tanınmasının görevlerini ve bir genel bakış işlevinin (hareketli teknikler ve yayalar, gözlenen alanın koşullarına bağlı olarak, odaların konumu, vb.) Denklemlenmesi gerektiğini unutmayın. .). Numaraları tanımak için tasarlanmış bir kamera için, konaklama kısıtlamaları vardır. Ek olarak, özel ayarlar gereklidir. Kamera netleme, araba kullanmak için tasarlanan bölgeye kesinlikle yönlendirilmelidir (çoğu durumda 3-4 metredir). Bu bağlamda, sabit bir lensli kameraların kullanılması önerilir. Buna ek olarak, genellikle en iyi özellikler Tanıtım üzerinde motorlu lenslere kıyasla.

Hangi çözünürlüğe sahip kamera seçmek daha iyidir?

Otomobil numaralarını tanımak için belirlenmiş görevi çözerken, kameranın yüksek çözünürlüğü hesaplanan birine kıyasla daha da kötüleşebilir. Bunun nedeni, çözünürlükteki artışa sahip odaların, geceleri sayıların tanınmasını olumsuz yönde etkileyen ışığa duyarlılığı bozmasıdır.

Hesaplama için, formül (W / N) * P kullanılır:

w'nin, Numaranın fiksasyon bölgesindeki inceleme genişliği (M),

n - araba numarası boyutu (m),

Görüntülenen bölümün 3 m genişliğini, 0.52 m'lik plakanın ortalama genişliğini alırsak ve optimum boyut Görüntüler (pratikte) 200 piksel, daha sonra bir sonraki hesaplamayı elde ederiz:

(W / N) * p \u003d (3 / 0.52) * 200 \u003d 1154 piksel.

Hesaplama, HD çözünürlüğe sahip bir kamera için uygun olduğunu göstermektedir (1280 x 720 piksel).

Tanıma sisteminin kameraları belirli özelliklere sahip olmalıdır.

Matrisin fiziksel boyutunu dikkate alınmalıdır. Daha fazla matris, daha fazla şekilde. Minimum İzin verilen boyut Matrisler, 1/3 inç sayıları tanımak için. Boyut ve daha yüksek 1/2 inçlik matrisler en iyidir.

Şekil 1. Günün karanlık ve parlak bir zamanında elde edilen görüntülerin matris boyutunda farklılık gösteren kameralardan karşılaştırılması

Bir kamera seçerken, ayrıca ışıkların parametresini de dikkate almalısınız. Oda için lens seçimi ile belirlenir ve F - FOCAL uzunluğunun oranı ile belirlenen sayı olarak gösterilir ve Diyaframın boyutu, buna göre, yukarıda. Görüntünün kendisi daha az dijital ses haline gelecektir. Numaraları tanımak için, parlaklığa sahip bir lens f / 1.4'ten az değildir. F / 1.3 olan lens daha hafif olacaktır.

Ne olursa olsun Özellikler Kamera yoktu, aydınlatma yokluğunda, elde edilmeyeceğiniz tanınmış bir plaka formundaki sonuç. Bu bağlamda, başlangıçta ek aydınlatma olasılığını göz önünde bulundurun. Odaların mutlak çoğunluğu artık IR aydınlatması var, ancak yerleşik ışıklı IR'nin kullanımı, kamerayı siyah ve beyaz moduna aktarma ihtiyacı anlamına gelir. Ek olarak, IR Glow sırasında yayımlanan ek ısı, yaz aylarında gereksiz hale gelebilir, aşırı ısınmaya yol açarak ek girişim yaratır.

Ayrıca, saniyede kare sayısı olarak böyle bir oda karakteristiğine de dikkat ediyoruz. Biz bir üretici olarak, 25 k / s kare hızına sahip bir oda öneriyoruz. Bununla birlikte, uygulamada, makinelerin düşük hızda hareket ettiği nesnelerde, odalar, bilgileri bilgi dizisini işlemek için gerekli ekipmandan çıkarırken, 12 ila / S ve altına aktarılır.

Yukarıda belirttiğimiz gibi, kamera konaklamasının oldukça katı sınırları vardır, onlar için çıkış sonuçta önemli bir bozulmaya yol açar.

Lisans plakasının eğim açısı, görüntünün iki boyutlu versiyonunda X eksenine göre 5 °'yi geçmemelidir.

İki şerit yakalamak için, kamerayı aşağıdaki gibi yerleştirebilirsiniz:

Kamera 2 ila 6 metre arasında bir yüksekliğe yerleştirilmelidir. Bir engel olan nesnelere yerleştirildiğinde, bariyerin kendisinin belirli bir yabancılaşma bölgesi oluşturduğunu göz önünde bulundurmanız gerekir.

Otomobillerin ve insanların insanların yazılımın tanınması teknolojileri giderek daha fazla talepte bulunmaktadır. Örneğin, otomatik oto tanıma, fatura sistemlerinin organizasyonu için, erişim kontrol sisteminin bir bileşeni olarak kullanılabilir. Ücretli otopark, otomasyon otomasyonu geçişi veya istatistiksel bilgi toplamak (örneğin TRV veya yıkama için tekrarlanan ziyaretler). Bütün bunlar, modern entelektüel yazılım olabilir. Böyle bir sistemi uygulamak için neler gerekiyor? Prensip olarak, belirli gereksinimleri ve ilgili akıllı yazılım modülünü karşılayan birçok video kamerası yoktur. Örneğin veya daha fazla bütçe

Bu yazıda, yazılım tanıma görevleri için kabul edilebilir, yüksek kaliteli bir video oluşturabilen, dijital bir video kamerayı nasıl seçeceğinizi söyleyeceğiz.

çözüm

Birkaç yıl önce, ekrandaki plakanın büyüklüğü çerçevenin genişliğinin% olarak ölçüldü. Tüm kameralar analog idi ve yanıtları sabitin büyüklüğüydü. Artık matrislerin 0,5 ila 12 arasında bir çözünürlüğe sahip olabileceğini), göreceli değerler geçerli değildir ve istenen plaka genişliği piksel cinsinden ölçülür.

Kural olarak, sayıların tanınması için şartname, ekrandaki lisans plakasının genişliği için gereklilikleri, kendinden emin bir tanıma için yeterlidir. Bu nedenle, örneğin, AutoTransMisser'in otomatik modülü, 120 piksel genişlik gerektirir ve sayı 80 pikseldir. İhtiyaçlardaki farklılıklar, tanınma algoritmaları çalışmalarının nüansları ve geliştirici tarafından kabul edilen izin verilen bir güvenilirlik seviyesi olarak açıklanmaktadır. Nın-nin kişisel deneyim Autotransmisir'in ekipman, lens, kamera ayarının doğruluğu açısından daha talepkar ve "kaprisli" olduğu belirtilebilir. Ancak, akla getirilmesi, sürekli güvenilir sonuçları gösterir ve hava koşullarına çok az bağlıdır.

Daha fazla güvenilirlik için, 150 pixteki lisans plakası sayısının değerini gezinmenizi önerebilirsiniz. Ve eğer lisans plakasının GOST'a göre genişliğinin yarım metre (520mm doğru olması için) olduğunu hatırlıyorsanız, daha sonra metre başına 300 puan arzu edilen çözünürlüğe geliyoruz.

Metre üzerindeki piksellerin doğrusal çözünürlüğü, görüntüleme açısına ve kamera matrisinin iznine bağlıdır. Formül tarafından hesaplamak mümkündür:

R lin. - Doğrusal çözünürlük, metre başına piksel

R H. - odanın yatay çözünürlüğü (örneğin,R H. =1080)

α - kamera görüntüleme açısı

L. - kameradan nesneye olan mesafe

Ayrıca, "Ne gördüğüm" sekmesinde, ilgilendiğiniz malların ürünündeki çevrimiçi hesap makinemizi de kullanabilirsiniz.

Aşağıda (örneğin) (örneğin), plaka tanımanın mümkün olduğu maksimum mesafeyi belirten birkaç çeşit IP video gözetleme kamerası vardır (plaka 150 pix'in genişliği). Not, fokal uzunluğun maksimum değeri, varifokal lensli kameralar için kullanılmıştır.

	Odak uzaklığı	Yatay çözünürlük	Maks. Mesafe, M.	Maks. İncelemenin genişliği, m
		1920 piksel
		1280 piksel
		2688 piksel
		2048 piksel
		2048 piksel

Daha yüksek çözünürlüklü kameraların daha geniş bölgeleri izleyebileceğini anlamak önemlidir, bu nedenle aynı sitede daha az var. Bu durumda, doğrusal çözünürlük, kimlik gerekliliklerinin sınırları dahilinde kalır. Bu gerçek Birçok durumda yüksek çözünürlüklü odaların ekonomik olarak makul bir şekilde kullanılmasını sağlar.

Hafiflik Hassasiyeti ve Deklanşör Hızı

Otomotiv kayıt işaretlerinin kendine güvenen tanınması için, kameranın iyi bir şekilde ışığa duyarlı olması ve deklanşör hızının (deklanşör hızı veya sadece alıntılar) manuel olarak kurulması olasılığı olmalıdır. Bu gereksinim, yüksek hızda hareket eden araç tanıma sistemleri oluştururken son derece önemlidir. 30 km / s'ye kadar hızlarda hareket eden arabalar için (yani, bir kural olarak, müşterilerimiz için uyguluyoruz: yazlık yerleşim yerleri, konut kompleksleri, alışveriş merkezinin otoparkı, çeşitli kapalı bölgeler) Bu gereksinim daha az önemlidir, ancak Düşünmek mümkün değildir, çünkü yüksek kalitede tanıma elde etmek için, kamera okunabilir sayı ile en az on kareyi çıkarmalıdır.
Bu nedenle, örneğin, A / M sayısını tanımak, hareketi eksenine göre 10 dereceye kadar olan oda montajının köşesinde 30 km / s hızda hareket etmek, deklanşör hızı yaklaşık 1 olmalıdır / 200 saniye. Bulutlu havalarda öğleden sonra bile bu kadar ucuz kameralar için, yetersiz olabilir ve resim karanlık ve / veya harika olacaktır. Bu nedenle, matrisin büyüklüğüne ve kalitesine çok dikkat etmeye değer. İdeal olarak bir CCD matrisli özel bir siyah beyaz oda kullanın. Bununla birlikte, fiyat çok yüksek ve çözünürlük genellikle 1 mm'den fazla değildir, bu da uygulanabilirlikleri üzerinde ciddi kısıtlamalar getirir.
Genel olarak, eğer nesnel sebep yoksa, yüksek çözünürlükte kovalanmamalıdır. Nispeten ucuz ultra yüksek çözünürlüklü kameralar (4MP, 5MP ve üstü) matrisler 1/3, 1 / 2,8 ve daha az sıklıkla 1 / 2,5 inç üzerine inşa edilmiştir. Matrisin aynı boyutunda 1,3 ve 2 mm'lik bir çözünürlüklü kameralara sahiptir. Sonuç olarak, oda 1.3mm'teki her bir ışığa duyarlı elemanın boyutu, 5MP odasından önemli ölçüde daha fazladır ve daha büyük boyutta - daha fazla ışık her bir ışığa duyarlı elemanı toplayabilir. Bu nedenle, IP kamera tanıma görevleri için bizim tarafımızdan nadiren 2MP'den fazla izin var.

Geniş dinamik aralık (WDR), arka plan aydınlatması dengeleme

Haznenin dinamik aralığı, normal olarak sensörünü sabitleyebilecek maksimum ve minimum ışık yoğunluğu arasındaki oranı belirler. Başka bir deyişle, bu, kameranın aynı anda bozulma ve kayıp olmadan ve görüntünün parlak aydınlatılmış ve karanlık alanlarını aktarma yeteneğidir. Bu parametre, sayıların otomatik olarak tanınması nedeniyle çok önemlidir, çünkü Bir ışık şampiyonu odasıyla savaşmaya yardımcı olur. Bununla birlikte, 140db'de WDR'li en gelişmiş kameralar bile, her zaman yüksek kontrastlı aydınlatma ile başa çıkamazlar. Bu durumda ayarlanmış ek aydınlatma Görünür ışık veya IR aralığında çalıştırılan, sayı tanımanın ortaya çıktığı aydınlatma bölgesi.

Alan derinliği

Alanın derinliği veya tamamen, görüntünün netliğinin derinliği (grip), nesnelerin keskin olarak algılandığı mesafeler aralığı olarak adlandırılır.

Bu parametre, odak uzaklığı, diyafram ve nesneye olan mesafe ile belirlenir. Alanın derinliği ne kadar yüksek olursa, daha odaklanma bölgesi ve hareketli bir arabanın yeterli sayıda açık karesini "yakalamak" için daha fazla fırsat.

Belki de keskinliğin derinliği üzerindeki maksimum etki bir lens diyaframı vardır. Diyaframın deliği, netliğin derinliği ne kadar küçük olursa, gribin konuları. Sayıların tanınması için önerilen tüm kameralar, diyaframın otomatik değişimi nedeniyle aydınlatma koşullarını değiştirmeye uyum sağlayabilir. Bu tür odaların odağının ayarlanması, netliğin derinliği minimum olduğunda mümkün olan en yüksek diyaframda yapılmalıdır.

Kameradan nesneye olan mesafe ne kadar büyükse, netliğin derinliği daha büyüktür, bu nedenle kamerayı tanıma bölgesine mümkün olduğunca yakın bir şekilde yerleştirmeye çalışmak gerekli değildir. Öte yandan, odak uzaklığı daha uzundur, keskinliğin derinliği daha azdır. Uygulamamızda, kameradan AM'ye en uygun mesafe, 6 ila 10 metre arasındadır. Her ne kadar imkansız olmasa da ve bir mesafeden ve 100 metre uzaklıktadır.

Çarpıtma

Birçok lens küçük bir görüntü bozar. Çoğu zaman, resmin sözde "namlulu biçimli" bozulması meydana gelir. Bu, merkezde daha büyük ve kenarlarda daha az olan bir artışla ilişkilidir; bu, nesnenin boyutunda bir değişikliğe yol açar. Bu nedenle, aynı nesne görüntünün ortasına ve kenarında düşerse - kenardaki boyutları daha küçük görünecektir. Bu, tanımlama yeteneğini etkileyebilir.

Fokal uzunluğu daha kısa, bozulma farkına varılabilir. Bu nedenle, geniş açılı lenslere sahip kameralar (4mm'den az) belirlenmezdir.

Gürültü ve Renk Üreme

Daha az gürültü ve daha doğru renk üretimi - kimlik için daha iyidir. Bu nedenle, odanın minimum aydınlatması ve gürültü azaltma fonksiyonlarının varlığının olduğu gibi parametrelere dikkat edilmesi önerilir.
Gürültünün baskılanması özellikle kamera sensörleri, kimliği karmaşıklaştıran "gürültülü" olduğunda yetersiz aydınlatma ile ilgilidir. Birçok durumda gürültü azaltma ve diğer elektronik "boğalar" başlayamayacağı anlaşılmalıdır ve tesiste yeterli bir aydınlatma düzeyi sağlamak gerekir.

Sıkıştırma videosu

Modern IP kameralar sıkıştırılmış bir video sinyali iletir ve çerçevede bir hareket yoksa veya minimumdur - trafik küçük olacaktır. Çerçevedeki hareketi yoğunsa - trafik büyüyecek. Bu nedenle, ayarlardaki ayarlarda sürekli bir bit hızı durumunda, resim, hareket yokluğunda tanımlama için uygun olacaktır, ancak uygun olmayan - çerçevede yoğun bir hareketle.
Tanımlamak için, en çok bir değişken bit hızı ayarlamanız önerilir. yüksek seviyeler Kalite. Bu durumda, istenen görüntü kalitesi sağlanacaktır.

Matris: 1 / 2.8 "Progressive Scan CMOS Donanım WDR 140DB. Lens: 2.8-12 mm ÖZELLİKLER: İç kamera, sokakta kurulum için termokupl gereklidir. Lens dahil değildir ve satın alınır
Maks. Çözünürlük: 1,3mp, 1280 x 960 pix Donanım WDR. Lens: 2.8-12 mm
Sokak 2 MP Ağ Kamera Ekseni P1365-E C WDR ve Hafif Matris: 1 / 2.8 "Progressive Scan CMOS Maks. Çözünürlük: 2MP, 1920 x 1080 Pix Donanım WDR. Teknoloji Hafif. Lens: 2.8-8 mm @ F1.3 Özellikler: Yüksek Hassasiyet, Otomatik Net
DAHUA IPC-HF8301E UTLRA WDR 120DB, Ultra 3DNR Matris: 1/3 "Progressive Scan CMOS Maks. Çözünürlük: 3MP, 2048x1536 pix Donanım WDR. Lens: 2.8-12 mm ÖZELLİKLER: İç kamera, sokakta kurulum için termokupl gereklidir. Lens dahil değildir ve satın alınır
Matris: 1/3 "Progressive Scan CMOS Maks. Çözünürlük: 1,3mp, 1280x960 pix Lens: 2.8 - 8 mm (F1.2) Özellikler: Yüksek Hassasiyet, Otomatik Net

Modern video gözetimi, araç trafiğinin ve yayaların akışı hakkında bilgi toplamanıza olanak sağlar ve ayrıca video analitiklerinin çeşitli özelliklerini de sağlar.

Özel kuruluşlar ve girişimciler arasında kişileri tanımlayan ziyaretçi sayısını belirleme işlevleri.

Lisans plakalarının belirlenmesinin ayrıntılı bir işlevini düşünün. Video gözetim sistemleri erişim kontrol sistemi ile birleştirilebilir. Kamera sayısını belirler ve analitik sisteminin veritabanı numaraları listesinde bir tesadüf arıyor ve varsa, aracın girişi için erişim kontrol sistemine izin veriyor.

Video gözetim sisteminin kurulumunu planlarken, taşıma ve yayaların gözlem fonksiyonundan sayıları belirleme görevini ayırmanız gerekir. Lisans plakalarının tanımak için kamera, kurulum sitesine sınırlamaları ve özel bir ayara ihtiyaçları var. Kamera sadece geçtikleri siteye odaklanmalı araçlar. Bu nedenle, sabit bir lensi olan kameraları yüklemek daha iyidir. Kanınlık özelliklerinde ek bir avantaja sahipler.

Kamera çözünürlüğü

Kameranın yüksek çözünürlüğü henüz sayıları tanımak için görevin kalite yürütülmesi anlamına gelmez. Hesaplanan optimum çözünürlük bile verebilir en iyi sonuç. Çözünürlük ne kadar yüksek olursa, arttırılır ve bu da bu sayıların tanımlanmasını zayıf aydınlatma ile kötüleştirir.

Gerekli çözünürlüğü hesaplarken, aşağıdaki formül kullanılır: (w / n) * p, burada W'nin sabit bir plakanın muayenesinin genişliği olduğu; n - plaka sayısı; P - Piksel cinsinden ölçülen görüntülenen numaranın önerilen genişliği.

Aşağıdaki örnekte hesaplamayı düşünün: İşaretin ortalama boyutu 0,52 m, kontrol edilen bölgenin genişliği 3 m'dir ve önerilen boyut genellikle 200 piksel olarak alınır. Böyle bir cevabı alırız:

(W / N) * p \u003d (3 / 0.52) * 200 \u003d 1154 piksel.

Hesaplama bunu gösterir uygun seçeneği Standart HD çekim formatına sahip bir kamera olacak (1280 * 720 piksel). Ancak, kameradan sayıya olan mesafe 3-5 metre ise bu doğrudur. Mesafe daha büyükse, kamera çözünürlüğü yukarıda gereklidir. Bu mesafe 20 metreyi geçerse, bir variofokal lensli kamera gereklidir. Gözden geçirme açısını daraltmaya, böylece monitör ekranındaki sabit nesneyi artırmaya izin verir.

Sayıların tanınması için video kameraların özellikleri

Matrisin kendisinin boyutunu dikkate almak gerekir. Büyük matitsa daha fazla ışığa sahiptir. Numaraları tanımak için matris en az 1/3 inç olmalıdır. Ancak nitel sayıların bir tanımı için, 1/2 inç ve daha fazlası için bir matris gerekir. Örneğin, Sony IMX 185 matris boyutunda 1 / 1.8 olan bir IP kamera.

Işıkların özellikleri eşit derecede önemlidir. Bu gösterge, kameranın lensini tanımlar ve F sayısı olarak gösterilir. Odak uzunluğunun diyaframın açıklama değerine oranı ile karakterize edilir. Karakteristik sinyal / gürültü daha iyi bir parlaklıkla daha iyi olacaktır, çünkü matrisin üzerine daha fazla ışık gelir. Artan ışıkla, dijital gürültü sayısı azalır. Numaraların tanımı, farların değerini F / 1.4 ve daha yüksektir.

Hatta bile en iyi kameralar Tam karanlığın bulunduğu aracın sayısını belirleyemem. Bu nedenle, derhal normal aydınlatmaya dikkat etmeniz gerekir. Modern odaların çoğu IR aydınlatması vardır, ancak bu özellik siyah ve beyaz çekim moduna geçmek zorunda kalır. IR aydınlatması, kameranın ek ısıtması meydana geldiğinde, sıcak mevsimde aşırı ısınmaya neden olabilecek ve bu, ekstra girişim yaratacaktır.

Saniyede kare sayısının önemli ve göstergesi. Kameralar 25 K / S frekansı ile önerilir. Ulaştırma akışının düşük hareketi hızındaki alanlarda, kamera 12 ila / s veya altına geçirilir. Bu, gelen bilgileri daha iyi işlemek için cihazdaki yükü azaltmanıza olanak sağlar.

Kameranın düzenlenmesi

Beklenen sonuç için, ekipmanın tüm şartlara net bir şekilde gözetilmesi gerekir.

• Resimde, aracın eğim numarası X ekseni boyunca 5 ° 'den fazla olmamalıdır.
• Odanın yönü açısı, yatay ve dikey olarak 30 ° 'ye kadar olmalıdır.
• 2 bant yakalamak için, odayı aralarındaki ortama kurabilirsiniz.
• Kameranın yüksekliği 2-6 metre içinde olmalıdır.
• Cihazı bariyerin yanına yerleştirirken, yabancılaşmanın belirli bir bölümünü oluşturduğu akılda tutulmalıdır.
• Kamerayı yükledikten sonra, gece çekim kalitesinin kabul edilebilirliğini kontrol etmek gerekir. Diyafram modu, bir seviye 50 ile "Otomatik" olarak ayarlanır.
• Işık farlarını karanlık bir sürede temizlemek için, alıntılı bir kamera 1/1000 veya daha fazla.
• Normal aydınlatma yokluğunda, yol "Otomatik" üzerine bir gün / gece işlevi ayarlanmalıdır. Aksi takdirde, entelektüel aydınlatma konumuna getirilir - "Açık".
• Aydınlatma BLC ve WDR kapatılmalıdır.

Veritabanına numaraları otomatik olarak kaydetmek için, özel bir kamera programı gereklidir veya lisans plakalarını tanıyan bir PC. Şimdi satışa ve kameralara, otomobil numaralarını tanıyan kameralara gelin.

Rakamların tanınmasının algoritmasının nasıl uygulanmasının nasıl çalıştığını ayrıntılı olarak söylemenin zamanı geldi: bu, çok iyi çalıştığı iyi bir çözüm olduğu ortaya çıktı. Ve sadece HABRA-kullanıcıların önünde rapor vermek için - sonuçta, Android uygulama tanındırıcısını kullanırsanız, sayıların anlık görüntülerinin anlık görüntüsünün veritabanının iyi bir boyutunu kazanmasına yardımcı olmuştur, tamamen sınırsız, nasıl çekim yapmayı ve nasıl olmadıklarını açıklamamıza yardımcı oldu. Ve algoritmaları tanımak için resim veritabanı en önemlisidir!

Android uygulaması tanınanıyla ne oldu

Habra kullanıcılarının uygulamayı indirmeye, denemeye ve bize numaraları göndermesi çok güzeldi.

İndirme Programları ve Değerlendirme

Uygulamayı yayınlama anından, mobil uygulamadaki sayıların 3,800 anlık görüntüsü sunucuya geldi.
Ve daha da fazlası Http: //21/116/121.70: 10000 / uploadimage ile memnun kaldık - 2 gün boyunca yaklaşık 8 bin tam boyutlu araba numaraları (çoğunlukla Vologda) gönderdik! Sunucu neredeyse yalan söylüyordu.

Şimdi, hata ayıklama algoritmaları üzerindeki devasa çalışmaların öncesinde fotoğrafların 12.000 fotoğrafının bir tabanına sahibiz. En ilginç olanların hepsi başlıyor!

Size Android uygulamasının daha önce numarayı vurguladığını hatırlatayım. Bu yazıda, bu aşamada ayrıntılı olarak durmayacağım. Bizim durumumuzda, Haar basamaklı dedektör. Çerçevedeki sayı çok döndürülürse, bu dedektör her zaman çalışmaz. Eğitimli cascade dedektörünün çalışmadığında bizi nasıl çalıştığını analiz, aşağıdaki makaleleri bırakın. Bu gerçekten çok ilginç. Bu, bu bir kara kutu olduğu görülüyor - burada dedektörü ve yapacak başka bir şeyleri eğittiler. Aslında, değil.

Ancak hala bir basamaklı dedektör, sınırlı bilgi işlem kaynakları durumunda iyi bir seçenektir. Araç numarası kirliyse veya çerçeve zayıf görünürse, Haar ayrıca diğer yöntemlerle ilgili olarak kendini gösterir.

Oda tanıma

İşte bu tür resimlerde metnin tanınması hakkında bir hikaye:

Tanıma ile ilgili genel yaklaşımlar ilk makalede açıklanmıştır.

Başlangıçta, kendimizi kirli, kısmen kırılmış ve iyi çarpık sayıları perspektifi tanıma görevini belirledik.
İlk olarak, ilginç ve ikincisi, o zaman temizlik% 100 vakalarda çalışabilecek gibi görünüyordu. Genellikle, elbette olur. Ama burada işe yaramadı. Kirli sayılar için başarı olasılığı% 88, daha sonra saf, örneğin% 90'dır. Aslında fotoğraftan tanınma olasılığı olsa da mobil uygulama Başarılı bir cevaptan önce, elbette, belirtilen figürden bile daha kötü olduğu ortaya çıktı. Gelen görüntülerin% 50'sinden biraz az (böylece insanlar fotoğraf çekmeye çalışmaz). Şunlar. Ortalama olarak, iki kez başarılı bir şekilde tanımak için odanın bir fotoğrafını çekmek gerekliydi. Birçok açıdan bu kadar düşük bir yüzde kadar düşük bir yüzde, birçok kişinin monitör ekranından sayıları vurmaya çalıştığı ve gerçek bir ayarda olmadığı gerçeğiyle ilişkilidir.

Tüm algoritma kirli sayılar için inşa edildi. Ancak şimdi Moskova'daki yaz aylarında 10 oda dışında mükemmel bir şekilde temiz. Bu yüzden stratejiyi değiştirmek ve iki ayrı algoritma yapmak daha iyidir. Temiz bir numarayı hızlı ve güvenli bir şekilde tanımayı başardıysanız, o zaman bu sonuç ve kullanıcıyı gönderirseniz ve eğer başarısız olursa, bazı işlemci zaman geçireceğiz ve kirli odalar için ikinci algoritmayı başlatacağız.

Hemen mal olacak sayıları tanımak için basit bir algoritma

İyi ve temiz bir sayı nasıl tanınır? Hiç de zor değil.

Bu algoritma için aşağıdaki şartları sunuyoruz:

1) Dönen bazı direnç (± 10 derece)
2) Küçük ölçekli değişikliklere kararlılık (% 20)
3) Çerçeve sınırının sayısının sınırlarını kesmek veya basitçe kötü belirgin sınırlar her şeyi kapatmamalıdır (temel olarak önemlidir, çünkü kirli sayılar durumunda, sayı sınırına güvenmek zorunda kalırsınız; Temiz, sonra sayılar / harflerden daha iyi bir şey yok sayıyı karakterize edemez).

Böylece, temiz ve iyi okunaklı odalarda, tüm sayılar ve harfler birbirinden ayrılır, bu da imaj ve morfolojik yöntemleri ikna edebileceğiniz veya ilgili alanları tahsis edebileceğiniz veya iyi bilinen kontur frekanslarını kullanabilirsiniz.

Dolambaçlı çerçeve

Hala orta frekansları filtreleyin ve görüntüyü normalleştirmeye değer.


Görüntü, netlik için başlangıçta küçük bir çerçeveyi gösterir.

Sonra sabit bir eşikteki binarisy (Görüntü normalleştiğinden, eşiği düzeltebilirsiniz).

Çerçeveyi döndürerek hipotez

Görüntünün birkaç olası köşesinin döndüğünü varsayalım. Örneğin, +10, 0, -10 derece:

Gelecekte, yöntem, sayıların ve harflerin döndürülmesinin köşesine küçük bir dirence sahip olacaktır, bu nedenle köşedeki oldukça büyük bir adım 10 derecedir.
Gelecekte her insanla bağımsız olarak çalışacağız. Sırayla ne tür bir hipotez en iyi sonucu verecek, biri kazanacak.

Ve sonra ilgili tüm alanları toplayın. Standart işlev burada kullanıldı. findcontours. OpenCV'den. İlişkili alan (kontur), H1'den H2'ye piksellerde bir yüksekliğe sahipse ve genişlik ve yükseklik K1'den K2'ye oranla ilişkilendirilirse, sonra çerçeveye bırakırız ve bu alanda bir işaret olabileceğini unutmayın. . Neredeyse muhtemelen bu aşamada sadece sayılar ve harfler, Çarşı'nın geri kalanı çerçevesinden geri kalıyor. Dikdörtgenlerin sınırlayıcı kıvrımlarını alın, onlara bir ölçeğe veririz ve sonra her harf / rakamla ayrı ayrı çalışırız.

Bunlar, gereksinimlerimizi yerine getiren sınırlayıcı kontur dikdörtgenleridir:

Harfler / Sayılar

Resmin kalitesi iyidir, tüm harfler ve sayılar mükemmel bir şekilde ayrılır, aksi takdirde bu adıma ulaşmazız.
Tüm işaretleri bir boyuta ölçeklendirmek, örneğin, 20x30 piksel. İşte buradalar:

Bu arada, OpenCV yeniden boyutlandırma yaparken (20x30 boyutu gerçekleştirildiğinde), enterpolasyon nedeniyle ikili görüntü bir degradeye dönüşecektir. Binleşmeyi tekrarlamalıyız.

Ve şimdi, bilinen işaret görüntüleriyle karşılaştırmanın en kolay yolu XOR (normalleştirilmiş hamming mesafesi) kullanmaktır. Örneğin, şöyle:

Mesafe \u003d 1.0 - | Örnek Xor Image | / | Örnek |

Mesafe daha eşik ise, bir işaret bulduğumuza inanıyoruz, daha az - atın.

Düzen Digit-Digit-Digit-Mektup Mektubu

Evet, bu formatta Rusya Federasyonu otomotiv belirtileri arıyoruz. Burada, Şekil 0 ve "O" harfinin genellikle birbirinden, Şekil 8 ve "B" harfini birbirinden ayırt edilemez olduğunu düşünmek gerekir. Tüm işaretleri soldan sağa çıkaralım ve 6 karakter alacağız.
Kriter Times - Digit-Digit-Digit harfli harf (0 / O, 8 / c'yi unutma)
Kriter İki - Satırdan 6 karakterin alt sınırının sapması

Hipotez için özet gözlükler - 6 karakterin tümü Hamming mesafesinin toplamı. Daha büyük daha iyi.

Öyleyse, toplam bardak eşikten daha azsa, o zaman oda (bölge olmadan) 6 sayı bulduğumuza inanıyoruz. Daha fazla eşik varsa, sonra kirli sayılara sürdürülebilir algoritmaya gidiyoruz.

Ayrıca "H" ve "M" harflerini ayrı olarak da görülmeye değer. Bunu yapmak için, örneğin, gradyanların histogramı ile ayrı bir sınıflandırıcı yapın.

Bölge

Önceden bulunan 6 karakterin altına harcanan hatların üzerinde aşağıdaki iki veya üç işaret bölgesidir. Üçüncü basamak varsa ve daha fazla eşik görünüyorsa, bölge üç haneden oluşur. İki dışındaki.

Bununla birlikte, bölgenin tanınması genellikle istediğim kadar düzgün olmaz. Bölgelerdeki rakamlar daha azdır, başarılı bir şekilde bölünemez. Bu nedenle, bölge, aşağıda tarif edilen kir / gürültü / örtüşmeye daha dirençli olanı bilmek daha iyidir.

Algoritmanın açıklamasının bazı detayları çok ayrıntılı değildir. Kısmen bu algoritmanın düzeninin şu anda yapıldığı ve yine de bu bin görüntüye test edilmesi ve hata yapılması nedeniyle. Numara iyi ve temiz ise, numarayı tanımanız veya milisaniyede yanıt vermeniz ve "başarısız" cevabını cevaplamanız ve daha ciddi bir algoritmaya gidin.

Kirli sayılara karşı dirençli algoritma

Yukarıda açıklanan algoritmanın hiçbir şekilde çalışmadığı açıktır, eğer sayılardaki işaretler zayıf görüntü kalitesi (kir, zayıf çözünürlük, başarısız gölge veya çekim açısı) nedeniyle yapışır.

İşte ilk algoritma hiçbir şey yapamadığında sayılar örnekleri:

Ancak, araç numarasının sınırlarına güvenmelisiniz ve daha sonra tam olarak bilinen oryantasyon ve ölçekle işaretleri aramak için kesinlikle tanımlanmış bir alanın içinde. Ve en önemlisi - binarizasyon yok!

Daha düşük sınır numarasını arıyoruz

Bu algoritmada en kolay ve en güvenilir sahne. Birkaç hipotezin rotasyon açısında dönüyoruz ve imajın alt yarısı için yatay çizgiler boyunca piksel parlaklığının parlaklığının histogramını çevirerek her hipotez için inşa ediyoruz:

Maksimum gradyanı seçiyoruz ve bu yüzden eğim açısını ve aşağıdaki sayıyı azaltmak için hangi düzeyde belirledik. Kontrastı geliştirmeyi ve bu görüntüyü almayı unutmayacağım:

Genel olarak, sadece parlaklık histogramını değil, aynı zamanda bir dispersiyonun histogramı, odanın düzeltilmesinin güvenilirliğini artırmak için bir dispersiyon histogramıdır.

Üst sınır numarasını arıyoruz

Burada o kadar açık değil, arka otomobil numarasının elinden çıkarıldığında, üst sınır, bu durumda olduğu gibi olduğu gibi, üst sınır çok eğri ve kısmen kapak işaretleri veya gölgede olabilir:


Odanın üstündeki parlaklığın keskin bir geçişi yoktur ve maksimum gradyan ortadaki sayıyı azaltır.

Durumdan çok önemsiz değiliz: Her figür için eğitilmişlerdir ve her harfin bir basamaklı dedektör Haar'ı buldular, görüntüdeki tüm işaretleri bulundu, bu yüzden en üst satırın kesileceği

Burada öyle görünüyor ki ve durmaya değer - zaten sayıları ve harfleri bulduk! Ancak aslında, elbette, Haar dedektörü yanlış olabilir ve burada 7-8 işaretimiz var. Bir numaranın iyi bir örneği 4. Numaranın üst sınırı 4 numara ile birleştirilirse, Şekil 7'yi görmek hiç zor değil. Bu örnekte, bu örnekte ne olur? Ancak diğer taraftan, algılamadaki hataya rağmen, dikdörtgenlerin üst sınırı, otomobil numarasının üst sınırıyla gerçekten çakışıyor.

Yan sınırları bul

Ayrıca, hiçbir şey cunning değildir - kesinlikle ve alt kısım. Tek fark, odadaki birinci veya son işaretin gradyanının parlaklığının, sayının dikey sınırının gradyanının parlaklığını aşmasıdır, bu nedenle maksimum seçilmedi, ancak eşiği aşan ilk gradyan. Benzer şekilde, alt sınır ile, birkaç hipotezin eğim yoluyla hareket ettirilmesi gerekir, çünkü dikey ve yatay sınırın göz önüne alındığında, her şeyden dolayı garanti edilmez.

Yani, burada iyi kırpılmış bir numara:

Evet! Özellikle tanınan iğrenç bir numaraya sahip bir çerçeve eklemek çok hoş.

Bir şey üzücü - bu aşamaya göre% 5 ila% 15'lik sayıların yanlış kesilebilir. Örneğin, şöyle:

(Bu arada, bu birisi bize sarı bir taksi numarası gönderdi, anlaşıldığım kadarıyla - format düzenli değil)

Bütün bunlar, tüm bunların sadece hesaplamaları optimize etmek için yapılması gerekliydi, çünkü tüm olası pozisyonları, aradıklarında işaretlerin ölçeğini ve eğimlerini çok pahalıdır.

Dizeyi işaretlere bölün

Ne yazık ki, beklentiler ve hepsinin standart bir genişliği olmadığı için, zaten kırpılmış numarada bir şekilde tahsis etme sembollerine sahiptirler. Burada parlaklığın histogramı tekrar tekrar karışır, ancak zaten x ekseni boyunca:

İki hipotez keşfetmeye devam edecek tek şey: Semboller hemen başlar veya bir maksimum histogram atlamaya değerdir. Bunun nedeni, bazı sayıların, vida veya araba numarası vidasının başı için bir delik, ayrı bir işaret olarak farklılık göstermesi ve hiç görünebilir.

Sembol tanıma

Görüntü hala ikilimi değil, tüm bilgileri kullanacağız.

İşte yazdırılan semboller, bu da görüntüleri bir örnekle karşılaştırmak için ağırlıklı kovaryans anlamına gelir:

Covariance ne zaman karşılaştırma ve ağırlık için örnekler:

Tabii ki, numunelerle yatay bir histogram kullanılarak tahsis edilen alanı basitçe karşılaştırmak imkansızdır. Yer değiştirme ve ölçek üzerine birkaç hipotez yapmalıyız.
X \u003d 4 ekseni üzerindeki konumdaki hipotez sayısı
Y \u003d 4 eksen boyunca pozisyondaki hipotez sayısı
Ölçek üzerinde hipotez sayısı \u003d 3

Böylece, her alan için, bir işaret ile karşılaştırıldığında, 4x4x3 kovanizlığını hesaplamanız gerekir.

Öncelikle 3 büyük sayı buluyoruz. 3 x 10 x 4 x 4 x 3 \u003d 1440 karşılaştırmasıdır.

Sonra bir harften ve sağ iki daha fazla. Karşılaştırma için harfler 12. Daha sonra karşılaştırma miktarı 3x12x4x4x3 \u003d 1728'dir.

6 karakterimiz olduğunda, o zaman her şey onlardan - bölge.

Bölgede 2 hane veya 3 hane olabilir - dikkate alınmalıdır. Bölgeyi bir histogramla bölmek, görüntü kalitesinin çok düşük olması nedeniyle zaten anlamsızdır. Bu nedenle, sadece dönüşümlü olarak soldan sağa doğru sayıları bulun. Sol üst açıda başlıyoruz, X ekseni, Y ekseni ve ölçeği boyunca birkaç hipotez gerekir. En iyi tesadüf buluyoruz. Belirtilen değere sağa kaydırıldık, tekrar bakıyoruz. Üçüncü sembolün görünümünün ölçüsü, üçüncü sembolün görünümünün daha fazla eşik olduğunda, üçüncü sembolü arayacağız, sonra şanslıydık - bölgenin sayısı üç rakamdan oluşuyor.

sonuç

Algoritmayı uygulama uygulaması (makalede açıklanan ikincisi) bir kez daha tanıma görevlerini çözmedeki kayıt gerçeğini doğruladı: Algoritmalar oluştururken gerçekten sunum yapan bir üs gereklidir. Kirli ve bağlı sayıları hedefledik, çünkü Test tabanı kışın çekildi. Ve gerçekten sıklıkla oldukça kötü sayılar tanıymayı başardı, ancak eğitim örneğinde neredeyse hiç temiz sayılar yoktu.

Madalyanın diğer tarafı ortaya çıktı: Çok az, kullanıcının otomatik sistemin tamamen ilkel bir görevi çözmediği bir durum olarak çok rahatsız edici. "Peki, burada oku olamaz?!" Ve otomatik sistemin kirli veya perişan numarasını tanımadığı gerçeği bekleniyor.

Açıkçası, bu bir kitle tüketicisi için bir tanıma sistemi geliştirme konusunda ilk deneyimimizdir. Ve bu kadar "trifles" hakkında, kullanıcılar olarak, düşünmeyi öğrenmeye değer. Şimdi iOS altında benzer bir "tanınan" programı geliştiren bir uzman bize katıldı. UI'de, kullanıcı şu anda sunucuya gönderilenleri görme fırsatı var, Numaralı karakterlerden hangisini seçtiğini seçer, gerekli alanı zaten "dondurulmuş" çerçevede vurgulamak mümkündür. Ve bunu kullanmak daha uygundur. Otomatik tanıma aptal bir işlev olmaz, bir şey yapmak mümkün değildir, ancak sadece bir asistan.

Görüntünün otomatik olarak tanınmasının kullanıcıya uyum sağlayacağı sistemi düşünün - bu tanıma algoritmalarını oluşturmaktan daha kolay olmayan bir görev olduğu ortaya çıktı.

Ve elbette, makalenin yararlı olacağını umuyorum.