Тема: Оптимизация алгоритма сегментации и распознавания государственных автомобильных номеров

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].
Купить

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.
Купить