Разработка автоматизированной системы распознавания государственных регистрационных знаков транспортных средств | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 21 декабря, печатный экземпляр отправим 25 декабря.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №21 (259) май 2019 г.

Дата публикации: 29.05.2019

Статья просмотрена: 32 раза

Библиографическое описание:

Даниленко А. Н., Гуженко А. С. Разработка автоматизированной системы распознавания государственных регистрационных знаков транспортных средств // Молодой ученый. — 2019. — №21. — С. 31-34. — URL https://moluch.ru/archive/259/59600/ (дата обращения: 11.12.2019).



Ключевые слова: свёрточные нейронные сети, SSDLite+MobileV2, распознавание, ГРЗ, архитектура, web-приложение, набор данных.

В настоящее время развитие информационных технологий, применение искусственных нейронных сетей и обширное использование систем регистрации фото и видеосигналов стали решающими факторами стремительного развития автоматических систем распознавания образов, в том числе — распознавания государственных регистрационных знаков (далее — ГРЗ) автомобилей и прочих транспортных средств (ТС).

В данной работе предлагается метод построения и реализация системы обнаружения и распознавания ГРЗ на цифровых изображениях. Основные задачи, которые подлежат автоматизации в данной системе — это локализация номера автомобиля (определение его местоположения на изображении), и непосредственно само распознавание текста.

Разработанная авторами система предоставляет пользователю возможность осуществлять поиск по базе данных распознанных ранее государственных регистрационных знаков ТС (с использованием фильтров по номеру транспортного средства, дате и времени его фиксации). Поиск возможен только по тем результатам распознавания, которые разрешены согласно правам доступа пользователя после успешной авторизации. Соответственно, предусмотрена авторизация пользователя в системе.

Структурная схема разработанной системы представлена на рисунке 1.

В клиентскую часть входят следующие компоненты:

− Интегратор с камерами видеонаблюдения, который необходим для получения изображения посредством подключения к источнику изображения по протоколу HTTPS.

− Автоматизированное рабочее место оператора (АРМ) — это web-интерфейс для взаимодействия пользователя с системой.

Рис. 1. Структурная схема разработанной системы распознавания ГРЗ

Серверная часть состоит из следующих компонентов:

− Подсистема обработки запросов, отвечающая за передачу данных с камер видеонаблюдения в модуль распознавания и последующую обработку результатов, а также запросов пользователей.

− Подсистема работы с БД, которая отвечает за сохранение результатов распознавания в базу данных и их последующее получение для предоставления по запросу пользователей.

− Модуль распознавания, который на вход принимает изображение, а на выход отдает вырезанный номер ГРЗ и результат распознавания в виде текста.

− Хранилище данных, в котором сохраняются исходные изображения, полученные с камер видеонаблюдения, а также вырезанные в результате распознавания рамки ГРЗ.

− База данных системы, в которой хранятся данные пользователей и результаты распознавания.

Для разработки модуля детектирования авторам потребовалось спроектировать и обучить следующие модели машинного обучения:

1. Детектор ГРЗ, принимающий на вход изображение ТС и возвращающий координаты обрамляющего прямоугольника;

2. Детектор символов, принимающий на вход изображение прямоугольника ГРЗ и возвращающий координаты обрамляющих прямоугольников для символов, оставляющих ГРЗ.

Предлагаемая схема распознавания представлена на рисунке 2.

Рис. 2. Процесс распознавания ГРЗ на изображении

На основе анализа показателей точности и скорости работы наиболее распространенных архитектур было принято решение использовать архитектуру MobileNetV2+SSDLite для решения задачи детектирования ГРЗ [1].

SSDLite-архитектура для задачи детектирования объекта, использующая MobileNetV2 в свёрточной части, превосходит известный детектор реального времени YOLOv2 по точности на датасете MS COCO, при этом показывая в 20 раз большую скорость и в 10 раз меньший размер [2].

Для тестирования разработанного модуля детектирования использовалось 6000 изображений, отложенных перед этапом обучения детектора ГРЗ. В данном наборе содержатся ГРЗ следующих стран:

− Россия, всего 2000 изображений разных типов;

− Евросоюз, 2000 изображений разных стран;

− СНГ, 1000 изображений разных стран;

− Бразилия, 1000 изображений.

Результаты тестирования приведены в таблице 1.

Таблица 1

Результаты тестирования модуля детектирования

Набор данных

Количество изображений

IoU

Recall

DT

mAP

Recall2

DT2

5C

AC

РФ

2000

0.95

1

85

0.52

0.99

103

0.99

0.98

EC

2000

0.97

1

86

0.49

0.98

110

0.99

0.95

СНГ

1000

0.95

1

85

0.51

0.99

105

0.99

0.94

Бразилия

1000

0.94

1

85

0.52

0.99

106

0.99

0.99

США

1000

0.91

0.99

92

0.48

0.91

119

0.97

0.86

Для тестирования детектора ГРЗ использовались следующие метрики:

 IoU — целевая метрика Intersection over Union [3];

 Полнота (Recall) — метрика, показывающая долю ГРЗ, найденных в общем наборе данных;

 Среднее время детектирования (DT), в миллисекундах.

Для тестирования детектора символов использовались следующие метрики:

 Средняя точность детектирования (mAP);

 Полнота (Recall2);

 Среднее время детектирования (DT2) в миллисекундах.

Для тестирования всей системы использовались следующие метрики:

 Доля номеров, в которых корректно распознано более 5 символов (5C);

 Доля номеров, распознанных полностью (AC).

Экранная форма разработанного приложения представлена на рисунке 3.

Рис. 3. Экранная форма системы

Проведено успешное тестирование системы детектирования и распознавания ГРЗ, показавшее устойчивость к изменению различных факторов, затрудняющих обнаружение и распознавание номера. Точность реализованной системы составила не менее 94 %, что является отличным результатом. Таким образом, разработанная авторами система распознавания ГРЗ на цифровых изображениях может применяться для решения задач на практике.

Литература:

1. MobileNetV2: The Next Generation of On-Device Computer Vision Networks // Google AI Blog. URL: https://ai.googleblog.com/2018/04/mobilenetv2-next-generation-of-on.html (дата обращения: 23.05.2019).

2. MobileNetV2: Inverted Residuals and Linear Bottlenecks // arXiv.org. URL: https://arxiv.org/abs/1801.04381 (дата обращения: 23.05.2019).

3. Intersection over Union (IoU) for object detection // pyimagesearch. URL: https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/ (дата обращения: 23.05.2019).

Основные термины (генерируются автоматически): изображение, результат распознавания, камера видеонаблюдения, Модуль распознавания, COCO, время детектирования, бразилия, баз данных, HTTPS, структурная схема.


Похожие статьи

Распознавание объектов на основе видеосигнала, полученного...

Введение. Отличительная черта компьютерного зрения — это извлечение полезной и важной для нас информации из изображений или последовательности изображений. Компьютерное зрение сосредотачивается на обработке трех-мерных сцен...

Алгоритмы распознавания объектов | Статья в сборнике...

В данной статье рассмотрены алгоритмы распознавания объектов на изображении, проведен анализ методов, применяемых при обработке изображений, а также описано использование средств машинного обучения в рамках работы с изображениями.

Разработка и исследование алгоритмов автоматизированной...

Автоматизированная система обработки результатов ультразвукового контроля с распознаванием типов доработки.

Рис. 3. Структурная схема модуля обработки данных. Разработка интерфейса модуля обработки данных ультразвукового контроля с...

Эффективность использования видеосистемы биометрической...

Системы видеонаблюдения являются сегодня обязательным, а порой и основным

За это время система сравнивает изображение, получаемое в режиме реального времени и снимки из базы по нескольким сотням

На рисунке 1 представлена структурная схема объектов, на...

Разработка информационного обеспечения автоматизированной...

Данные изображения так же находятся в форматах PNG или JPEG на персональном

Обнаружение объекта в системе происходит за счет модели распознавания объекта — это

Ядром системы является база данных, содержащая всю информацию для оперирования в...

Анализ методов распознавания образов | Статья в журнале...

Существует множество методов распознавания образов на изображениях. Понимание данных методов важно для решения различного рода задач. Во-первых, важно понимание теории распознавания образов.

Математическое и программное обеспечение распознавания...

На вход процедуры распознавания поступает изображение с камеры.

Процедура распознавания осуществляется при помощи следующих механизмов: методы улучшения качества изображения, метод детектирования знака, метод классификации знака.

Обнаружение объектов на изображении с использованием...

В последнее время разрабатываются узконаправленные информационные системы обработки и анализа данных.

В данной статье предлагается рассмотреть первый этап решения — задачу получения данных для разработки модели детектирования объектов.

Разработка автоматизированной системы обнаружения...

В качестве результата распознавания главный процесс должен выбрать результат той нейронной

Такая схема работы позволяет ускорить процесс распознавания транспортных средств в

Разрабатывается и еще одна схема работы системы, суть которой в следующем.

Похожие статьи

Распознавание объектов на основе видеосигнала, полученного...

Введение. Отличительная черта компьютерного зрения — это извлечение полезной и важной для нас информации из изображений или последовательности изображений. Компьютерное зрение сосредотачивается на обработке трех-мерных сцен...

Алгоритмы распознавания объектов | Статья в сборнике...

В данной статье рассмотрены алгоритмы распознавания объектов на изображении, проведен анализ методов, применяемых при обработке изображений, а также описано использование средств машинного обучения в рамках работы с изображениями.

Разработка и исследование алгоритмов автоматизированной...

Автоматизированная система обработки результатов ультразвукового контроля с распознаванием типов доработки.

Рис. 3. Структурная схема модуля обработки данных. Разработка интерфейса модуля обработки данных ультразвукового контроля с...

Эффективность использования видеосистемы биометрической...

Системы видеонаблюдения являются сегодня обязательным, а порой и основным

За это время система сравнивает изображение, получаемое в режиме реального времени и снимки из базы по нескольким сотням

На рисунке 1 представлена структурная схема объектов, на...

Разработка информационного обеспечения автоматизированной...

Данные изображения так же находятся в форматах PNG или JPEG на персональном

Обнаружение объекта в системе происходит за счет модели распознавания объекта — это

Ядром системы является база данных, содержащая всю информацию для оперирования в...

Анализ методов распознавания образов | Статья в журнале...

Существует множество методов распознавания образов на изображениях. Понимание данных методов важно для решения различного рода задач. Во-первых, важно понимание теории распознавания образов.

Математическое и программное обеспечение распознавания...

На вход процедуры распознавания поступает изображение с камеры.

Процедура распознавания осуществляется при помощи следующих механизмов: методы улучшения качества изображения, метод детектирования знака, метод классификации знака.

Обнаружение объектов на изображении с использованием...

В последнее время разрабатываются узконаправленные информационные системы обработки и анализа данных.

В данной статье предлагается рассмотреть первый этап решения — задачу получения данных для разработки модели детектирования объектов.

Разработка автоматизированной системы обнаружения...

В качестве результата распознавания главный процесс должен выбрать результат той нейронной

Такая схема работы позволяет ускорить процесс распознавания транспортных средств в

Разрабатывается и еще одна схема работы системы, суть которой в следующем.

Задать вопрос