Продвинутые алгоритмы видеонаблюдения для распознавания номеров автомобилей

Проведено значительные усовершенствования в алгоритмах видеонаблюдения на автомобильных дорогах, способных точно выявлять смазанные и засвеченные номера автомобилей. Улучшения включают предварительную оценку качества изображения, что существенно сокращает затраты вычислительных ресурсов и повышает точность работы всей системы видеонаблюдения. Кроме того, эти модули кроссплатформенные и могут быть установлены на различных устройствах.

Одной из важных задач в анализе дорожных ситуаций, является идентификация конкретных автомобилей по государственным регистрационным номерам. Часто из-за высокой скорости движения, мощного света фар, наличия пыли и других нежелательных факторов, камеры могут ошибочно распознавать номера. Предварительная фильтрация некорректных изображений позволяет эффективно использовать ресурсы для распознавания и снижает риск ошибок.

Для определения степени засвеченности автомобильных номеров специалисты предлагают применять анализ яркости изображения. Для обнаружения как автомобилей, так и автомобильных номеров, используется известная нейронная сеть YOLO-V5.

Для обучения нейронных сетей были созданы датасеты, учитывающие время суток, сезонные изменения и погодные условия. После выделения области государственных номеров на изображении, выбранная часть из трехмерного цветового пространства RGB преобразуется в одномерное "серое" изображение. Затем, после подсчета гистограммы, выделяется ее часть, отвечающая за "пересвеченность". Этот метод позволил правильно классифицировать 95,7% номеров как засвеченные. Для оценки степени смазанности была разработана нейронная сеть с уникальной архитектурой, обеспечивающая точность классификации на уровне 96,4% при минимальном времени обработки.

Создание датасета для обучения нейронной сети для определения степени смазанности было отдельной задачей, требовавшей больших усилий, поскольку условия смазанных изображений специфичны.

Разработанный алгоритм, помимо классификации изображений как читаемые и неверные, также предоставляет количественную оценку степени смазанности и засвеченности. Эти данные могут быть использованы для настройки параметров камеры, таких как выдержка и диафрагма, что способствует повышению качества последующих снимков.

Эти методы могут быть применены в системах стационарного видеонаблюдения, где требуется точное распознавание номеров и контроля за движением транспорта. Эксперименты показали эффективность предложенных методов на различных устройствах. Предложенные подходы могут быть применены как в серверных решениях, так и в мобильных устройствах, где камера и вычислительное устройство объединены в одном устройстве.