Araba numaralarının tanınması ülkemizde nispeten son zamanlarda kullanılıyor. Bu, yüksek hızlı parkurlarda ve şehirdeki kolluk kuvvetlerinin ilk temsilcilerinde kullanılır. Yüksek hızlı modu, otopark ve diğer trafik kurallarını ihlal eden sürücüler, video yakalama video çekimi ve arabanın belirlenmesine dayanarak para cezası alır.
Genellikle şifre çözme fonksiyonu gereklidir ve geleneksel bir sürücü (örneğin, bir makineyle bir çarpışma, bir kaza sahasından çekin). Bir otomatik projektör girişine sahip olan sürücü, numarayı deşifre edebilir veya videoyu sınava aktarabilir.
Video gözetim kamerasında ne görülebilir ve nasıl yapılır?
Son zamanlarda, tanıma programı sadece uzman organlardan değil, sıradan vatandaşlarda da giderek daha popüler hale gelmiştir. Videonun kalitesine bağlı olarak ve çerçeveler üzerinde yakalanan zorluklar ortaya çıkabilir.
Video şifre çözmek için kullanılan:
- araba otomobilinden;
- Özel evin veya organizasyonun sokak odasından;
- bir sokak odası mağazasından veya başka bir kurumdan.
Yurtiçi geliştiriciler, görüntülerin daha net ve anlaşılabilir hale getirdiği birçok program yarattılar.
Tanıma Makinesi Numarası: Sonuçta Yardım
Video gözetim kameralarının kayıtlarını görüntüleme İnternet üzerinden veya doğrudan kişisel bir bilgisayara yüklenmesi gereken özel programlar aracılığıyla yapılabilir. Bütün bunlar, kanun uygulayıcılarının saldırgana liderlik ettiği durumlarda sonuçlarına yardımcı olabilir.
Aslanın bu tür cihazların payı var aşağıdaki avantajlar:
- Güncel saat, tarih ve çerçeveBeton bir plaka ile arabası kim var;
- Yer izlenebilir gerçek zamanlı kameralarda araç, müdahale yapmak;
- Tarih, saat ve yere göre (otomobilin fark edildiği) aichi Beton Kartı Takvimi Numarası;
- Mevcut mevcut veritabanı ile çalışmanın işlevi, Makineler hakkında daha ayrıntılı bilgi almak, güncellemeleri, kısa sürede müdahale çalışmaları.
Günümüzde, kolluk kuvvetleri, gümrük hizmetleri, bu tür programların ana tüketicileridir, ancak popülerlikleri, belirli bir numaraya sahip bir araba bulması veya bir sonucu yardım etmeye çalışması gereken normal sürücüler arasında büyüyor.
Oda tanıma programları: Popüler modellere genel bakış
Kendilerini kanıtlayan lisans plakalarını tanımak için programlar, yalnızca üretici veya uygulayıcıları ile iletişim kurarak ödenebilir.
En popüler izleme programları arasında izleme yaptık ve en ilginç olanı tahsis ettik:
1. Automarchal
Cihazın sadeliği nedeniyle, program mükemmel sonuçlar verir, lisans plakalarının tanınması doğruluğunun neredeyse% 98'ine ulaşır. Yazılım sayısına bağlı olarak, yazılımın maliyeti yirmi ila yüz elli bin ruble değişebilir.
Uygulama kapsamı: En sık geçiş, şanzıman, diğer sürücülere yüklenir. Çalışırken sadece iki tanıma algoritması kullanılır. Aynı zamanda, sistem, aracın saatte 150 kilometreye kadar bir hızda hareket ettiği yüksek hızlı parçalara monte edilebilir. Görüntü kalitesi ve tanım netliği etkilenmeyecektir.
2. servis
Bu program, IP kameralarından alınan verileri tanımada uzmanlaşmıştır. Geliştirici ifadelerine göre, video yakalama kartı sayesinde tanınma doğrudan AutoRentor üzerinden yapılabilir. Hareketli otomobillerin hızı saatte iki yüz kilometreyi geçebilir ve program tanıma kalitesinin% 95'ini, görüntü netliğinin% 95'ini garanti eder. Programın perakende fiyatı yaklaşık 27.000 ruble ulaşır.
Uygulama kapsamı: Araba yıkama, otopark ve büyük bir otomobil akışının kaydedildiği diğer yerlere kurulabilir.
3. Uygulama Tanınan
Android işletim sisteminde çalışan cihazlar için. Programın özelliği, kullanıcıların elde edilen odalarda veri alışverişinde bulunmasıdır, böylece veritabanının veritabanını artırır. Şu anda ücretsiz erişimde, ancak önceki programlar olarak bu kadar mükemmel göstergeler vermez. Burada, tanımanın netliği bölgede% 85'e ulaşıyor. Aynı zamanda, son görüntünün kalitesi yeterince yüksek değil, resimler sık \u200b\u200bsık bulaşmasıyla elde edilir ve net değil.
Ancak geliştiriciler, mevcut yazılımı iyileştirmeyi ve kullanıcılara daha kaliteli resimlere sahip olmayı planladıklarını iddia ediyorlar. Değişikliklerden sonra, henüz bilinmemektedir.
Tanıma programları, kullanıcılar ve uzman hizmetler tarafından giderek daha fazla kullanılmaktadır. Yukarıdaki programlar en popüler olanlar, ancak piyasadaki değil.
Katma: 2018-02-28 15:24:21
Modern video gözetim sistemleri 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. Ek olarak, genellikle basınçlı lenslere kıyasla ışığa duyarlılığın en iyi özelliklerine sahiptirler.
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 alırsak, plakanın ortalama genişliği 0.52 m'dir ve görüntünün en uygun boyutu (uygulamada) 200 piksel, daha sonra aşağıdaki 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. 1/3 inç sayıları tanımak için minimum izin verilen matris boyutu. 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.
Herhangi bir teknik özelliğin bir kamera olduğunu, aydınlatma yokluğunda, elde edilmeyeceğiniz tanınmış bir plaka formundaki sonucu olduğunu unutmayın. 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.
Korunan bir nesnenin topraklarına araba girişi için birçok otomasyon sistemi vardır. Bir kabindeki bir banal koruyucusundan bir düğme ile ve elektronik bir geçiş veya radyo anahtarlığı ile bitmiş.
Otomobil numaralarının elektronik tanıma sistemi, konağın bu listesinde bulunur ve yakın zamana kadar çok popülerlik kullanmadı.
Bunun birkaç nedeni var.
İlk olarak, ekipmanın yüksek maliyeti ve ayarın karmaşıklığı. İkincisi, sabotaj dışı eylemler de dahil olmak üzere, işçiliği şimdi katı bir şekilde kontrol edilen, ek kazanç olasılığını ortadan kaldıran gardiyanlar da dahil olmak üzere inovasyonun aktif reddedilmesi.
Ancak, araç lisans tanıma sistemleri sağlayan önemli avantajlar vardır:
- tesiste karayolu taşımacılığının güvenliği ve kontrolü düzeyinde önemli bir artış;
- Üçüncü tarafların sahte veya çalınan manyetik geçiş veya elektronik anahtar halkalarını kullanarak korumalı alana nüfuz etme olasılığını ortadan kaldırma. (Araba da tedavi edilebilir, ancak çok daha karmaşıktır);
- sayısız rapor oluşturma olasılığı olan araçlarda otomatik raporlama;
- uzaktan erişim yetenekleri, kuruluşun yönetiminin çalışanların çalışmalarını kontrol etmesine izin verir;
- araba sayılarının tanınması sistemi, kuruluşun genel olarak kolayca entegre edilebilir.
Korunan nesnenin topraklarını, rakam numarasına yazdırılan sayıları yapıştırarak, tamamen hariç tutulur. Otomobil numaralarının neredeyse tüm otomatik tanıma sistemleri, kağıdın sahip olmadığı yansıma katsayısını kontrol eder. Darmadağınık sayı sadece okunmayacak.
Otomotiv sayısının otomatik tanıma sistemlerinin kapsamı oldukça çeşitlidir. Her şeyden önce, otomobilin odasının tanınması, bakım istasyonlarında, benzin istasyonlarında, otomobil yıkamaları, depolarda, işletmelerde, park yerlerinde faydalı olacaktır.
Böyle bir otomobil numaralarını otomatik olarak tanıma sistemini gerçekleştirebilecek işlevler oldukça çeşitlidir:
- kontrollü bölgeye giriş ve kalkış kontrolü;
- Şirketin topraklarından çıkışın kısıtlanması, örneğin, otobüs istasyonu, ödeme yapmayan bir müşteri;
- servis bölgesinin yüklenmesinin uygulanması.
Erişim kontrol sistemleriyle birlikte, araba numaraları tanımlaması ek avantajlar sağlar. Her şeyden önce, bu, kurumsal yükleme alanında karayolu taşımacılığını bulmanın tam bir kontrolüdür. Bu, hammaddelerin ithalatını veya bitmiş ürünlerin çıkarılmasını izlemeyi mümkün kılar, yükleme ve boşaltmanın etkinliğini kontrol eder ve zimmetlenmeyi önler.
Aynı zamanda, arabanın sayısını kontrol etmek sadece girişte değil, yolda, kargoyu sahte veya hatalı eşlik eden belgelerle ihraç etme olasılığı hariç tutulmuştur.
Ancak en fazla fayda park yerini veya otoparkın sahibini alır. Sayıların otomatik olarak tanınması sistemi, bölgenin sona ermesini gerçek zamanlı olarak kontrol edecektir, bu da verimliliği artıracak önlemler almayı mümkün kılacaktır.
Araba tanıma birleştirmenin ödeme sistemiyle birleştirilmesi, çalışanlardan kötüye kullanma veya kabartma olasılığını tamamen ortadan kaldıracaktır. Otoparktaki aracın zamanını sayarken hataların olasılığını tamamen ortadan kaldırın ve vicdansız müşterilerle anlaşmazlıklarda demir kanıtı verecektir.
Özellikler ve Ekipman Kompozisyonu
Otomatik sayıların tanıma sistemi, üreticiye ve modele bağlı olarak, çeşitli analitik fonksiyonları veya atipik cihazlar servisi yapan modüllerle çeşitli cihazlar ve bir yazılım paketi içerebilir. Örneğin, otomotiv terazileri, hızını belirlemek için radar, vb.
Programın kurulacağı bilgisayar gereksinimleri.
Farklı programlar için asgari gereksinimler, fonksiyonel yüke bağlı olarak önemli ölçüde değişebilir, ancak çoğu durumda gerekli olabilir:
- İşlemci, 3 GHz'den az değil;
- ekran Kartı: Intel, ATI OpenGL veya NVIDIA ile en az 512 MB;
- rAM, üye 4 GB;
- HDD disk hacmi en az 4 GB'dir.
RTSP fonksiyonlu video kaydedici.
Bu, sadece bilgi görüntülemek ve yazmak için de mümkün kılan bir akış protokolüdür, aynı zamanda video kullanan video kullanmayı da mümkün kılar. Bu tür kayıtlar örneği, DS-7204HVI-SV modelini Hikvision olarak görev yapabilir.
RTSP fonksiyonlu video gözetim kamerası.
Bu tür bir cihaz tanıma cihazları, 1/3 "760H matris tarafından sağlanan en az 550 TVL'lik bir çözünürlüğe sahip olmalıdır. Odak uzunluğu 9-22 mm'dir, bu da örneğin önemli bir mesafede ve oldukça yüksek hızda tanımlanabilendir. , ATIS AW-CAR40VF veya AW-CAR180VF.
Kameranın ışığa duyarlılığı, 0,001 lux'ten mümkün olduğu kadar yüksek olmalıdır, ek olarak, cihazın en az 15-20 m mesafesinden yüksek kaliteli çekim olasılığı ile bir IR aydınlatması ile donatılmalıdır. Gerekli fonksiyonlar:
- manuel Deklanşör Hızı Kurulumu;
- otomatik beyaz dengesi;
- karşı koruma için tazminat;
- genişletilmiş dinamik aralık.
Kamera verileri yalnızca sokakta kullanılacaktır, bu nedenle, cihazın en az -30 ° C'de düşük sıcaklıklarda çalışmasına izin veren yerleşik termoelementlere sahip bir IP 66 konut koruma sınıfına sahip olması gerekir.
Renkli olduğundan daha fazla hassasiyet ve çözünürlüğe sahip olduklarından, siyah ve beyaz odaların kullanılması önerilir. Ek olarak, çoğu araç tanıma algoritması, kameradan siyah ve beyaza alınan renkli bir görüntüyü dönüştürür.
Yürütme aygıtları ve kontrol modülleri.
Örneğin, PC'ye USB bağlantısı üzerinden bağlı Barbos modülü. Bu modülün, bariyeri, kapıları, küçük kapı, aydınlatmayı, GSM uyarısını, çeşitli gösterge sistemlerini, gönderimin vb. Reddedildiği 4 odacıklı röleye sahiptir.
Araba numaraları tanıma kameraları
Dikkat etmek için ana parametre, araba numaralarını tanımak için bir video gözetim kamerası yüklemek için bir yer seçerken, manuel bir ayardır. Araç hızı ile önerilen deklanşör hızı arasında doğrusal bir ilişki vardır (çerçeve maruz kalma süresi deklanşördür).
Aracın hızı ne kadar yüksek olursa, maruz kalma süresi o kadar az, aksi takdirde çerçevenin bir yağlaması olacaktır - hareket bulanıklığı. Bununla birlikte, izin verilen maksimum deklanşör hızı sadece maruz kalma süresine değil, aynı zamanda oda kurulumunun açısına da bağlıdır. Odanın açısı, aracın yönü ile kameranın optik ekseni arasındaki açıdır.
Çoğu orta fiyat kategorisi kameraları, bir otomotiv numarası 80 piksel genişliğinin uygun bir görüntüsünü + 30 ° 'ye kadar bir montaj açısı ve yatay sapma açıları +/- 30 °. Sistem, yatay olarak (yol düzensizlikleri) +/- 10 ° 'dan saptığında, sistem numarasını tanıdıysa, iyi bir gösterge olarak kabul edilir.
Maruz kalma süresinin haznenin montaj açısından zamanlaması ve aracın hızı şekilde gösterilmiştir.
Yazılım.
Yazılım, araç numaralarının sistem tanınmasının önemli bir unsurudur. Ürünlerini tüketiciye sunan birçok geliştirici var.
En yaygın bütçe gelişimi "Odalar".
Rus, Ukrayna, Belarus ve Moldovan sayılarını tanır, araç taşımacılığının tarihini ve saatini kaydeder ve nesnenin topraklarında kalma zamanını kaydeder. Basit raporlar oluşturma ve 1C'de entegre olabilme yeteneğine sahiptir. Program, RTSP işlevine sahip çoğu video kamerası ve video kaydediciyle uyumludur.
En önemli ikinci, araba sayılarının sistem tanınmasıdır. "Otomatik".
30 km / s'ye kadar olan hız için bir tanınma algoritması vardır, ikincisi 150 km / s'ye kadardır. Özel olarak uyarlanmış "otopark" modülleri, "araba yıkama", "SCUD GATE". Analitik raporlar oluşturmak için kapsamlı fırsatlar, bir web istemcisi ile yönetim ve SMS bildirim işlevlerini gönderme.
Daha geniş ekstra fırsatlar, araba numaralarının sistem tanımını vardır. "Trafik kontrolü" Bilimsel ve Üretim Derneği "diskr".
Bu program otomotiv ağırlıklarına ve kravatla brüt ve net değerlerin yanı sıra rapor raporları, bilançolar ve diğer raporlama belgelerine bağlanabilir. "Trafik kontrolü", kontrol tekniklerinin anlarının fotoğraf arşivini kontrol noktasından yol açar ve analitik arama, araba ya da kamera, saat ve tarih ile yeterli fırsatlara sahiptir.
Sistem "Otomatik numara" Elvis Neo Tech'ten.
Kompozisyon "Auto-Control" modülleri, "Senesys-AVTO" ve "Otomatik Oda" içerir. Program, diğer video gözetim sistemleri ve akud ile önemli entegrasyon olanakları ve ayrıca esnek bir rapor üreteci, arşiv için iyi referanslar ve bunları arayın.
Kuşkusuz, profesyonel otomatik kar tanıma sistemleri oldukça pahalıdır. Uyarlanmış bir geleneksel video gözetim sisteminin ve özel yazılım demülsiyonlarının kullanımı, istediğim kadar etkili değil.
Ancak, bu tür video analitiğinin kullanımı, hem kontrol hem de işletme analizi açısından, karayolu taşımacılığıyla ilgili işleri nitel olarak yeni bir seviyeye getirebilir.
* * *
© 2014-2020 Tüm hakları Saklıdır.
Sitenin malzemeleri tanıtım yapısına sahiptir ve rehberlik ve düzenleyici belgeler olarak kullanılamaz.
Birkaç ay önce HikVision, 4. Serisi kameralar için ürün yazılımını araç numaralarını tanıma imkanı ile sundu. Bu ürün yazılımı, Rusya'daki resmi Hikvision sitesinden indirilebilir, ürün yazılımı kesinlikle ücretsizdir ve 2 yıldan fazla birden fazla satın alınan kameralara bile gelir, şu anda tüm akıllı işlevleri, numara tanıma hariç tüm akıllı fonksiyonları kapatabileceğiniz tek şey ( Bu, kamera işlemcisine yüksek yük nedeniyledir). Şu anda, Hikvision 4. Serisi kameraların herhangi bir sahibi, bu ürün yazılımının odalarında bulabilir. Odaya yerleştirilen platform, araç numaralarını tespit eder ve tanır ve erişimi kontrol etmek veya kontrol etmek için bilgileri gönderir.
HikVision 4. Series Odasında araç numaralarını tanımanın işlevini doğru bir şekilde yerine getirmek için, bir dizi parametreye uymanız gerekir:
- tanıma için, yatay açısı kritiktir ve 0-7 derece içinde olmalıdır;
- sayı, görüntüde en az 130 piksel kaplamalıdır;
- kamera üretici yazılımı Özel 5.3.0_150719. Şimdiye kadar sadece ingilizce
Ne alıyoruz Gözat yoluyla:
Özel amaçlarla, plakanın bir resmi ve tanınan sayıdan bir işareti kaldırıldı.
Gördüğünüz gibi, kamera plakayı tanır, sayının zamanını, bölgesini ve fotoğraflarını belirtir, eğer bir nedenden ötürü tanınmazsa, ekran görüntüsü yapılır ve manuel modda tanınabilir. Verileri kaydetmek için, iletişim kaybıyla, 1000 oda için odada bir tampon var.
Ne alıyoruz Akıllı NVR ile. (Bizim durumumuzda, Firmware v3.4.0 ile):
Tarihi, kamera numaralarını ve tanınmış araba odasını belirten bir dizi fotoğraf çekiyoruz. Kayıt memuru bu bilgiyi toplar ve saklar. Hem zaman içinde hem de numarayla arama yapabilirsiniz, herhangi bir rakam ve harfte, herhangi bir süre boyunca tüm gerekli bilgiler XLS dosyasında boşaltılabilir.
Ayrıca, dosyayı siyah ve beyaz listeden sayılarla tekrar indirebilirsiniz ve böylece aktüatörün açılmasını otomatikleştirebilirsiniz.
Bilgi almak için son seçenektir. Bugün, odaların sayıların ve diğer akıllı işlevlerinin tanınması üzerindeki tüm işlevselliği tam olarak destekleyen bu sistemdir. "Linemark Tanıma" arayüzünde IVMS-5200PRO, akıllı kamera video modunun sağındaki gerçek zamanlı olarak, zamanın belirten 8 numaralı lisans plakası görüntülenir.
Privattive amaçlı olarak, tanınan sayıdan bir işaret silindi.
Aynı zamanda, plakaya tıkladığınızda, ayrıntılı bir resim görünür: 
Bilgi ara: Otomobillerin tüm odaları ve görüntüleri, parametrelerle arama yapmak için kolay oldukları veritabanına düşer ( herhangi bir süre için herhangi bir rakam ve sayı mektubu tarafından yapabilirsiniz.). Bunu yapmak için, sayının yanıt arayüzünü açın ve ilgilendiğiniz bilgileri belirtin.
Hikvision'dan V3.4.0 ve IVMS-5200PRO yazılımıyla 2 odaya + DS-7616NI-E2'de bu sistemi test ettik (çok uzun zaman önce IVMS-4200 2.3.1.3'ün güncellenmiş sürümünde bu modül de ortaya çıktı ve test edildi). Tanınan lisans plakalarının yüzdesi ~ 70% , Ancak, bizim durumumuzda, bu kamerayı mükemmel bir şekilde yerleştiremediğinden ve ufkun köşesindeki tüm parametreleri araç numarasına gözlemlemekten kaynaklanıyordu.
Petersburg'dan meslektaşlarımızın deneyiminden: "Üreticiden gelen bilgilere göre, tanınan lisans plakalarının yüzdesi 65 km / s hızda% 85'tir. Uygulamada - Dolgu arabalarında bazen 100+ gidin, ancak sayılar doğru tanınır. Karanlıktaki sayının tanınması gelince, üreticiden gelen bilgilere göre ve sağduyu temelinde, 850 nm dalga boyuna sahip bir IR spot ışığı koymak gerekir. Bizim durumumuzda, kamera yüksek kuruludur ve başlama ışıkları uymuyor. "
Yukarıdakilerde, "BUNDA" kullanılmıştır:
2) Tamron 5-50 lens
3) HikVision 1313HZ-S termokuplları 
Genel olarak, sistem terbiyeli çalışır, plaka tanıma doğrudan kamerada gerçekleşir, müşterinin bilgisayarı üzerindeki yükün minimumdur (tüm kameralar tanıma ile çalışacaklar bile), sistem bilgileri 4 şeritlerle aynı anda okuyabilir.
Bu kararın ekonomik kısmı: Hikvision Chambers 4th series 19990 ruble. Ayrı ayrı bir termal ve iyi lens gerekir) ve 39990 ruble gerekir. Çünkü burada 16 kanallı bir kayıt cihazı varsa, ayrıca 16990 ruble. Video kaydediciye dayanarak bir kamera (39990 ruble için seçenek) sistem tanıma sisteminin maliyeti 57.000 ruble mal olacak. 2-3 kamera kullanırken, kanal için kanalın fiyatı düşer ve aslında kameranın maliyetine eşittir.
Urallarda (C) 2017 Resmi Bayi Hikvision (Glavizhen)
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 mobil uygulamaya fotoğraftan başarılı bir cevaba tanınması olasılığı, elbette, belirtilen figürden daha da 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 daha fazla eşik olduğunda, birinci ve ikinci solundaki üçüncü sembolü arayacağız, sonra şanslıydık - bölgenin odası üç basamaktan 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.
