Распознавание автомобильных номеров
License Plate Recognition, LPR

История развития систем распознавания номерных знаков насчитывает десятилетия, однако классические алгоритмы не достигли существенного успеха. Лишь с момента, когда стали доступны системы машинного обучения и искусственного интеллекта (ИИ), наметился значительный прогресс в технологиях распознавания и классификации объектов.

Машинное зрение здесь во многом подобно человеческому. Когда мы видим номерной знак, неважно, какой страны, мы в подавляющем большинстве случаев понимаем, что это именно номерной знак, и можем легко очертить его границы.
Наш ИИ был обучен на тысячах номерных знаках со всего света и теперь распознаёт их почти в любой ситуации.

Система распознавания условно состоит из трёх слоёв, образующих многозадачный конвейр обработки изображений.

Первый слой, также параллельно обрабатывающий несколько кадров одновременно, находит транспортные средства, некоторые их детали, оценивает их пространственную ориентацию относительно камеры и определяет потенциальные кандидаты в номерные знаки.

Данные из первого слоя по конвейру передаются во второй, где определяется геометрический тип знака и методами семантической сегментации вычисляются его границы и потенциальная читабельность. Читабельность напрямую зависит от площади изображения, то есть от количества пикселей. Опытным путём мы установили, что для камер среднего класса это число составляет 2500, в противном случае качество последующего распознавания заметно снижается. Для камер с хорошей оптикой и достаточно резким изображением можно включить опцию "Определять знаки меньшего размера", где предел снижен до 1800 пикселей. Следует отметить, что для знаков стандартного размера это составляет примерно 90 на 18 пикселей, что довольно мало.

Успешно определив параметры номерного знака, второй слой передаёт их в третий, в модуль оптического распознавания символов (OCR). Здесь изображение нормируется в правильный прямоугольник методом обратной трёхмерной проекции, очищается от шума, повышается его чёткость и затем подвергается распознаванию символов.

Модуль OCR также обучался на тысячах номерных знаков, содержащих по меньшей мере 30000 символов, что позволило нам добиться точности распознавания свыше 99%.
Конечным этапом является постобработка, где символы преобразуются в строку и по возможности разрешаются конфликтные написания, такие как O и 0 (ноль).

Хотя ИИ может работать и на центральном процессоре, для эффективной обработки требуется современная видеокарта с поддержкой DirectX 12, памятью от 4 Гб, предпочтительно nVidia.

Основное

Ориентация – это какую часть автомобиля с потенциальным номерным знаком видит камера: переднюю или заднюю. Она не всегда может быть определена, например, в условиях недостаточной освещенности, или если часть автомобиля неудачно закрыта препятствием. Информация об ориентации автомобиля передаётся в POST запросе системы интеграции.

Использование

Если ориентация определена, скорее всего, номерной знак при этом виден целиком. Если камера расположена так, что ориентация стабильно определяется, например, на подземной парковке, можно включить опцию Распознавать только если определена ориентация автомобиля. Это снизит нагрузку на модуль распознавания символов и уменьшит вероятность ложно-положительных срабатываний.

Информация об ориентация полезна, например, для организации парковки, на которой въезд и выезд осуществляется по единственной полосе. В этом случае можно открывать шлагбаум, если автомобиль виден спереди, то есть подъезжает, и игнорировать номер, если машина покидает парковку.

Программа для видеонаблюдения Висек Онлайн

Допустимая транслитерация

Программа для видеонаблюдения Вайсек Онлайн

Другая транслитерация