Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Детектирование номера 7
1.1. Гистограммный анализ регионов 13
1.2. Метод Виолы-Джонса 15
1.3. Нейросетевой подход 17
Глава 2. Нормализация и сегментация 22
2.1. Нормализация 22
2.2. Сегментация 24
Глава 3. Распознавание символов 25
3.1. K-nearest 25
3.2. Использование нейросетей 26
Выводы 29
Заключение 30
Список литературы 31
Ежедневно миллионы людей используют автомобиль как средство постоянного передвижения, будь это такси или личный транспорт. Автомобильная промышленность активно развивается, и плодами их деятельности пользуется все больше и больше людей. Количество автовладельцев с каждым днем увеличивается. Статистика показывает, что каждый час на дороги выезжает новый водитель в новой машине.
В России ситуация обстоит точно также. Каждый день на дороги страны выезжает около 56 миллионов автомобилей. Для идентификации автомобиля его оборудуют двумя номерными знаками спереди и сзади, расположение и размеры которых регулируются ГОСТом.
Далеко не секрет, что количество дорожно-транспортных происшествий по причине нарушения правил дорожного движения растет пропорционально количеству автомобилей. Чаще всего, ДТП происходят по нескольким причинам: езда в нетрезвом виде, нарушение скоростного режима и выезды на полосу встречного движения. Если проблему езды в состоянии опьянения решить каким-то автоматическим комплексом затруднительно на данный момент (требуется полицейский, который остановит подозрительного водителя, оценит его состояние по объективным показателям), то за соблюдением рядности и скоростного режима уже сейчас по всему миру наблюдают автоматические комплексы.
Работают они по следующему принципу:
1. Фиксируют нарушение камерой
2. Распознают номер машины
3. Формируют постановление об административном правонарушении
После этого, инспектор просматривает материалы и принимает решение о привлечении автовладельца к ответственности.
Системы распознавания номеров не безупречны. Сейчас инцидентов с ошибочным определением номерных знаков стало гораздо меньше, однако улучшать алгоритмы всегда есть куда.
Машинное зрение является одной из самых быстроразвивающихся технологий. Количество способов применения данной технологии сложно переоценить. Практически в любой сфере где есть какие-то графические данные можно использовать данную технологию. Параллельно с этим нейросети завоевывают все большие и большие высоты на различных мероприятиях, посвященных классификации объектов. Сверточные нейронные сети становятся трендом среди исследователей и разработчиков.
В целом, процесс распознавания автомобильных номеров состоит из трех этапов:
1. Детектирование номерного знака на изображение
2. Нормализация и сегментация номера на символы
3. Распознавание символов
В данной работе исследуются уже существующие решения на каждом из этапов и из композиции лучших предлагается новая реализация.
Задача распознавания автомобильных номеров имеет множество решений. На каждом этапе алгоритма существует большое количество путей, по которым может пойти разработчик. В данной работе сравнивались некоторые из них. С увеличением вычислительных мощностей область машинного зрения развивается быстрее и быстрее. Некоторые производители стали обращать внимания на потребности исследователей и производить действительно хорошие продукты, помогающие ученым.
Кроме того, теперь не надо прикладывать больших усилий для создания нейронных сетей. Практически на каждом языке программирования есть доступные библиотеки, позволяющие настроить и обучить нейросеть без погружения в глубину её реализации - все уже сделано сторонними разработчиками. Необходимо только прочесть документацию и подготовить необходимое обучающее множество.
Также были выявлены общая проблема для всех алгоритмов: грязные номера. Эту проблему можно решить только отчасти. Если какой-то из символов загрязнен целиком, то распознавание станет невозможым.
