Введение 4
Постановка задачи 6
Глава 1. Теоретические основы 7
1.1 Контурный анализ 8
1.2 Статистический анализ. Построение классификатора 11
1.2.1 Признаки. Примитивы Хаара 12
1.2.2 Принцип сканирующего окна 13
1.2.3 Бустинг. AdaBoost 15
1.2.4 Построение каскада классификаторов 17
1.3 Преобразование Хафа 17
1.4 Сверточные нейронные сети 19
1.4.1 Описание понятий “локальное восприятие”, “разделяемые веса”, “пространственная субдискретизация” 19
1.4.2 Понятия сверточного, субдискретизирующего и полносвязного слоёв 21
1.4.3 Обучение сети 22
Глава 2. Практическая часть 25
2.1 Локализация автомобильного номера на изображении 25
2.1.1 Использование детектора границ Канни 25
2.1.2 Использование метода Виолы-Джонса 29
2.1.3 Тестирование алгоритмов 31
2.1.4 Модификация алгоритма локализации автомобильного номера 32
2.2 Нормализация локализованной области. Выделение символов 35
2.2.1 Поворот номера в горизонтальную ориентацию 36
2.2.2 Выделение символов 38
2.2.3 Результаты нормализации и поиска символов на номерной пластине 40
2.3 Распознавание символов 41
2.3.1 Обучающая выборка. Предобработка данных 42
2.3.2 Архитектура сети 43
2.3.3 Результаты 45
Выводы 46
Заключение 47
Список литературы 48
С давних пор человечество стремится разработать методы и алгоритмы, которые помогут автоматизировать большое количество процессов. Задачи распознавания и сегментирования образов на изображениях по настоящее время являются сложными и актуальными, об этом можно судить хотя бы из-за великого множества разнообразного медиа-контента, хранящегося в просторах интернета и большого многообразия научных статей, посвященных этой теме [1, 2, 3].
Одной из актуальных и интересных проблем является проблема идентификации автомобилей по фотографии или видео путем распознавания автомобильных государственных номеров. Применение автоматических систем распознавания автомобильных номеров может быть востребовано в разных сферах деятельности. Широким спросом эта технология пользуется у полицейских структур. Например, государственная инспекция безопасности дорожного движения в 2006 году в рамках программы «Повышение безопасности дорожного движения” взяла на вооружение специальные камеры, которые позволяют автоматически идентифицировать автомобили, нарушающие скоростные нормы на дороге, одной из причин уменьшения жертв на дороге [4] является применение данной технологии. Система идентификации может быть использована и в множестве других случаях, например, при создании автоматического контрольно-пропускного пункта на предприятии с закрытым доступом или поиска угнанных автомобилей.
Один из самых важных аспектов при построении системы идентификации автомобиля по изображению — это распознавание номера. Этот процесс условно разбивается на несколько этапов: локализация номера, нормализация, распознавание символов. Каждый из этих этапов требует определенное количество ресурсов, что в сумме даёт большой объем вычислений, а соответственно и большие затраты времени. Кроме того, эти этапы очень зависимы друг от друга, потому что в зависимости от качества, например, локализации номера, могут быть плохо распознаны и символы с номера. Такая система должна хорошо работать на всех этапах ее реализации.
Затраты на время не критичны, если обработка изображения или видео происходит не в реальном времени. Однако, возникают ситуации, когда необходимо производить обработку в режиме “он-лайн”. В этом случае важно, чтобы кадры обрабатывались с достаточно высокой скоростью — это нужно для того, чтобы не происходило промежутков «проскакивания» кадров, в которые может попасть идентифицируемый объект. Данную задачу можно решить путем повышения мощности аппаратуры, однако при таком подходе существенным недостатком является финансовый аспект: чем мощнее и современнее аппаратура, тем она дороже стоит. Поэтому стоит также обратить внимание на разработку новых и модификацию старых алгоритмов распознавания номеров.
В данной работе рассматривается алгоритмический способ уменьшения скорости обработки изображения, а так же увеличения точности распознавания автомобильных номеров. Используется язык программирования C++, библиотека компьютерного зрения OpenCV [5] и фреймворк Caffe, предоставляющий методы глубинного обучения [6].
В рамках данной работы был получен модифицированный алгоритм
сегментации и распознавания автомобильных номеров, позволяющий
оптимизировать время и точность процесса идентификации автомобилей. На
этапе локализации разработан метод, позволяющий использовать
преимущества разных подходов, и достигать хороших показателей как по
точности, так и по скорости обработки. На шаге нормализации и поиска
символов на номерной пластине было подобрано решение, дающее
приемлемые результаты. На стадии распознавания выделенных символов
подобрана такая архитектура сверточной нейронной сети, при которой
удается достигать наилучших результатов в соотношении скорости к
качеству распознавания символов. Реализацию некоторых методов можно
увидеть в приложении [25].
Разработанное решение, благодаря своей высокой скорости обработки
кадра, может использоваться на машинах, не обладающими большими
вычислительными возможностями, например, на телефонах и видеорегистраторах.
