Все о распознавании номерных знаков автомобиля

Сегодняшнюю жизнь невозможно представить без автомобилей. Они используются практически во всех сферах деятельности человека. Несмотря на то, что многие марки машин похожи друг на друга, отличить одну машину от другой можно при помощи государственного регистрационного номера. По сути, данный государственный номер является официальным пропуском на участие в дорожном движении. Таким образом, вопрос распознавания и контроля таких номеров лежит в основе обеспечения дорожной безопасности. Он актуален как для небольшой частной парковки, так и для большого предприятия, через которое ежедневно проходит несколько десятков машин. Данный вопрос является настолько актуальным, что в его решении принимают участие многие организации. На сегодняшний день в качестве оборудования для распознавания государственных регистрационных номеров автомобилей используется система автоматического распознавания номеров или LPR система. Такое оборудование не только позволяет распознать номер автомобиля, но и занести его в базу с последующей регистрацией событий, которые связаны с данным автотранспортным средством. При этом вся работа полностью автоматизирована, а единая база номеров позволяет проследить за интересующим объектом на любой территории. Если же регистрационного номера нет в базе, то система самостоятельно заносит его, сверяя данные с информацией в единой базе данных ГИБДД. Эффективность данного оборудования очень высока, но высокой является и стоимость, поэтому данные устройства пока не получается внедрить повсеместно. Рассмотрим более подробно вопрос того, каким образом системам LPR удается с такой точностью осуществлять слежение за автомобилями на дорогах.

Как, наверное, стало понятно из названия, основа любой системы автоматического распознавания государственных регистрационных номеров машин это сам алгоритм распознавания. Основными характеристиками данных систем являются значение вероятности распознавания, скорость обработки данных и способности по определению различных типов номеров, а также работы с картинками различного уровня качества. Во многом на данных характеристики оказывают воздействие внешние факторы, такие как развитие знаний в области высшей математики, распознавания изображений различной четкости, прорывы в программировании, а также квалификация разработчиков.

Поскольку в основе разработки систем распознавания лежит вопрос создания искусственного интеллекта, результаты такой работы не разглашаются и являются государственной тайной. Именно поэтому в широком доступе нет, не только данных о том, что можно ожидать в ближайшем будущем, а даже о том, в чем состоит основа уже существующих моделей. Только небольшое количество организаций, которые работают в данной области, имеют право на публикацию некоторой доли информации. На основе этого и приходится делать выводы и строить догадки. Если аккумулировать доступную информацию, то можно сформировать общую картину работы любой из существующих систем автоматического распознавания государственных регистрационных номеров машин. В частности можно выделить семь основных этапов работы.

Первый этап заключается в захвате общего изображения и его формировании. Под формированием подразумевается процесс очистки картинки от шумов, в качестве которых может выступать низкая освещенность, плохая яркость или контрастность, а также размытость. Далее система в этой массе «чистых» пикселей находит заветную область, на которой должен находиться регистрационный номер автомобиля. После того, как область найдена, вся ненужная информация стирается и происходит детальная фокусировка на захваченной области с номером. При этом изображение масштабируется таким образом, чтобы данные можно было увидеть невооруженным глазом. После графического масштабирования происходит корректировка качества изображения, чтобы в итоге привести картинку к обычному спектру красок. Уже на данном этапе система может определить, к какому типу стандарта относится исследуемый объект. Кстати, предварительное определение это как раз шестой этап распознавания, притом самый интересный. Ведь именно в процессе предварительного распознавания система сверяет такие параметры, как используемый шрифт на номерном знаке, цвет фона и символов, количество строк представленных в номере и код региона регистрации. Объем такой базы невозможно оценить в мыслимых масштабах, а система обрабатывает ее за доли секунды. Кроме этого, именно от того, насколько эффективно и качественно будет пройден данный этап, будет зависеть конечный результат, а значит и стоимость самой системы, а также репутация производителя. Наконец происходит вычленение всех символов, которые в итоге и формируют единый номер автомобиля. После этого системе остается только заглянуть во внутренний реестр данных и считать всю информацию, которая относится к транспортному средству с распознанным номером. В большинстве случаев, полученная информация заносится в базу виде строки с определенным государственным номером, картинки автомобиля с наилучшими характеристиками по цветопередаче и четкости и информации о временном промежутке присутствия машины на объекте. В зависимости от типа оборудования и настроек пользователя, данный перечень может расширяться.

Остановимся чуть более подробно на технологии оптического распознавания символов - ОСR. Как уже отмечалось, от ее качества будет во многом зависеть конечный результат. С одной стороны кажется, что это довольно простая задача. Но практике все оказывается намного сложнее. Так, для того, чтобы обеспечить 95% вероятность успеха, система должна распознать каждый символ номера с вероятностью 97%. Если переводить эти данные в более наглядный вид, то можно сказать, что из тысячи проанализированных символов, только три могут быть распознаны неправильно или не распознаны вообще. Такое высокое требование вероятности обусловлено тем, что конечному определению номерного знака предшествует как минимум три алгоритма – локализации номерного знака, нормализации и корректировки изображения и точного выделения символов. Средняя вероятность выполнения каждого алгоритма должна составлять не менее 98% и это с четом того, что новые номерные знаки содержат по девять символов, включая код региона. Согласно немногочисленной информации, находящейся в свободном доступе можно сделать вывод о том, что максимальное качество распознавания обеспечивают системы, которые используют структурный алгоритм работы.

Структурный метод подразумевает построение не изображения, а графа, ведь, как известно графическое представление воспринимать гораздо проще. Узлы и дуги данного графа представляют собой элементы входного объекта и пространственные отношения между ними, соответственно. А символом линии будет основным структурным элементом. Для распознавания символа, первоначального создается его скелет. Этот процесс проходит посредствам одного или нескольких известных математических алгоритмов. После создания скелета, каждой его точке присваивается типологический признак, в качестве которого может выступать нормированная координата, реберная длина, характеризующая расстояние до следующей вершины графа, Нормированное направление до следующей типологической точки или до входа/выхода из точки или разносторонни кривизны дуги, как в левом, так и правом отклонении. Как не странно, но некоторые коды не обладают указанными отличительными характеристиками. Взять, к примеру, буку «О» или цифру «0». Как в том, так и другом случае, построение скелета по описанным признакам не представляется возможным. Поэтому, если система не смогла найти типологический признак, то в ход вступают дополнительные признаки, например, положение и размер такого компонента, как «дыра» или модификация прямого прогиба. По таким признакам можно распознать любой символ. Правда, здесь нужно внимательно относиться к обучению системы. Так, в некоторых случаях число точек прогиба может быть настолько велико, что при самообучении системы, они могут вызвать сбой алгоритма, что в итоге может привести к поломке всего устройства. Поэтому очень важно на начальном этапе обучения планомерно добавлять в систему те или иные признаки, либо, вообще использовать их частично. Бывают случаи, когда даже такого сравнения признаков может быть недостаточно. Например, когда номер покрыт толстым слоем грязи или имеет сильные искажения в виде царапин или сколов. В этом случае искусственный интеллект начинает работать на максимум своих возможностей. Так же как и человек, система распознавания начинает додумывать ту картинку, которая больше всего подходит в данном случае. Так, например, если человеку показать восьмерку с закрытыми ушками, то она будет вполне похожа на тройку. Но после пристально рассмотрения, человек все же заметит эту разницу и примет верное решение. Также поступает и система – путем склеивания различных элементов картинки, она буквально по точкам и линиям создает целостный образ, наиболее подходящий, по ее мнению для данной ситуации.

На сегодняшний день, последний метод автоматизирован менее всего. И это понятно, ведь в данном случае велик риск совершить ошибку и принять неправильное решение. Именно поэтому пока алгоритм додумывания используется очень редко. Вместо этого, системе дается команда о подаче тревожного сигнала, в случае если ей не удается распознать номер. В этом случае оператор сам смотрит на изображение и вносит соответствующие данные в общую базу. Кстати, именно этот метод легок в основу работы Дорожно-постовых служб, которые тали чаще останавливать водителей с грязными номерами. Как видно, большую роль здесь играет не столько воспитательный фактор, сколько забота о сохранности и обучении оборудования. Кроме этого, для улучшения качества распознавания можно использовать сразу же несколько алгоритмов, но это значительно удорожает стоимость системы.

Поскольку в данной статье очень часто использовалось понятие качественного изображения, будет целесообразным дать определение этого понятия. Стоит отметить, что как такового качественного изображения в памяти системы не существует – есть только средний уровень изображения, ниже которого нельзя опускаться. Если говорить о конкретных характеристиках такого среднего или приемлемого изображения, то можно отметить его устойчивость, сбалансированность и четкость в любых рабочих условиях. Соответственно, чтобы обеспечить такой уровень изображения системе необходимо предварительно показать ряд примеров по каждому отдельному признаку. Например, ей нужно показать, что значит хорошее разрешение, или, что понимать под должным уровнем освещения и т.д. Все вплоть до контрастности и цветопередачи должно быть заложено в базовые знания системы. На основе установленной базы устройство будет самостоятельно обучаться, а оператор, в случае необходимости, будет вносить изменения, корректируя работу системы.

В целом о типовой работе системы автоматического распознавания государственных регистрационных номеров машин можно судить только по оборудованию контроля доступа, организованного на немногочисленных стоянках и парковочных комплексах. В этом случае можно увидеть то, как описанная система работает в комплексе устройств, обеспечивая защиту объекта от несанкционированного проникновения. Итак, стандартный контрольно-пропускной пункт на территории охраняемой парковки представлен заграждением виде шлагбаума, информационной световой системой красного и зеленого цвета, камерой наблюдения, главным компьютером и системой автоматического распознавания государственных регистрационных номеров машин. Приближаясь к месту въезда, автомобилист видит красный сигнал системы оповещения, который говорит ему о том, что нужно остановиться. При этом еще до того, как водитель начнет тормозить, камера видеонаблюдения начнет распознавание номерного знака. За считанные секунды, система прогоняет изображение по всем алгоритмам и предоставляет главному компьютеру информацию о наличии или отсутствии данных об этом автомобиле. Если данные подтверждаются, то компьютер отдает приказ о пропуске машины на территорию объекта. В этом случае шлагбаум автоматически поднимается, а система визуального оповещения загорается зеленым светом. Если же данные не были найдены, то система подает тревожный сигнал, который говорит оператору о том, что нужно лично проконтролировать ситуацию. В последующем, информация об этой машине заносится в базу и тревожный сигнал больше не подается. После того, как было приято какое-либо решение, система запускает алгоритм заново – иными словами ждет, пока в ее поле зрения попадет новый номер автомобиля.

Вышесказанное позволяет сделать общий вывод о том, что круг проблем, которые необходимо решить при помощи автоматических систем распознавания государственных регистрационных номеров машин, довольно широк. Основная задача на сегодняшний день состоит в том, чтобы учесть как можно больше обучающих факторов, при этом, не перегрузив систему лишними знаниями. В целом управление и создание таких систем это искусство, которое требует скрупулезного подхода и, главное, времени, которое расставит все по своим местам. Только в ходе практических экспериментов можно будет выявить потенциальные проблемы и сделать новые открытия, которые помогут улучшить существующую систему. Поэтому если вы когда-нибудь увидите цену такой системы, не пеняйте на то, что кто-то хочет нажиться на необходимом для обеспечения охраны оборудовании. Вспомните, сколько усилий и времени требуется на создание данного устройства и тогда все станет понятно.

• Системы дымоудаления;
• Видеодомофон - первый рубеж безопасности;
• Оборудование пожарной сигнализации;
• Все об IP-оборудовании и даже больше;
• Огнезащитная обработка;