ПРАКТИЧЕСКОЕ  ПРИМЕНЕНИЕ  АЛГОРИТМОВ  МАШИННОГО  ЗРЕНИЯ  К  ВОПРОСУ  ОБНАРУЖЕНИЯ  АВТОМОБИЛЬНЫХ  НОМЕРНЫХ  ЗНАКОВ

Барсуков  Андрей  Алексеевич

Минаев  Александр  Сергеевич

Шипилов  Сергей  Сергеевич

студенты  4  курса,  кафедра  «Прикладная  математика  и  информатика»,  РФ,  г.  Тольятти

Е-mail :  barsukov2@gmail.com

Климов  Виталий  Сергеевич

научный  руководитель,  канд.  тех.  наук,  доцент,  РФ,  г.  Тольятти

Для  контроля  автомобильных  потоков  в  коммерческих  или  правоохранительных  целях  часто  требуется  проводить  обнаружение  и  распознавание  автомобильных  номеров  движущихся  объектов.

Такие  задачи  ставятся  для  систем,  работающих  в  реальном  времени,  поэтому  важно  не  только  точно  определить  местоположение  искомого  объекта,  но  и  сделать  обнаружение  максимально  быстрым.

В  данной  работе  предлагается  к  использованию  сочетание  алгоритма  Виолы-Джонса  и  детектора  границ  Канни,  показывается  их  быстродействие,  а  также  оптимальные  параметры  для  задачи  обнаружения  автомобильных  номерных  знаков.

Алгоритм  работы  системы:

Рисунок  1.  Общий  алгоритм  работы

Рассмотрим  подробнее  алгоритм,  представленный  на  Рис.  1.

1.  Поиск  номерного  знака  в  видеопотоке  методом  Виола-Джонса  [4],  который  за  счет  обучения  на  двух  выборках,  положительной  и  отрицательной,  позволяет  достичь  точности  94  %.  Пример  кадра,  извлеченного  с  камеры  с  выделенным  номером  представлен  на  Рис.  2.

Рисунок  2.  Выделение  номера  на  изображении

Из  Рис.  2  видно,  что  метод  Виолы-Джонса  может  давать  ложные  обнаружения,  поэтому  следующим  шагом  должна  быть  обработка  найденных  областей. 

2.  Фильтрация  лишних  кандидатов  путем  подсчета  площади  обнаруженной  области  и  сравнение  с  ее  ожидаемым  размером.  Эксперименты  показали,  что  на  практике  удобно  вычислить  примерное  значение  площади  номера  для  текущего  расположения  камеры  и  фильтровать  исходя  из  этих  значений.  Область,  наиболее  подходящая  (Рис.  3),  передаётся  на  шаг  3.

Рисунок  3.  Выделение  номера  на  изображении  с  применением  фильтра

3.  Для  частичного  исключения  шума  применяется  размытие  изображения  гауссовым  фильтром  (Рис.  4)  и  подавление  немаксимумов  (Рис.  5),  т.  е  пикселей,  которые  не  могут  быть  частью  границы(контура).  Это  позволяет  исключить  появления  слишком  большого  количества  контуров  на  следующем  этапе.

Рисунок  4.  Размытая  область  с  номером

Рисунок  5.  Отсеивание  областей,  не  являющихся  контурами

4.  Применение  детектора  границ  Канни  (Рис.  6).  В  этом  методе  для  отсеивания  пикселей,  не  являющихся  контурами,  используется  два  параметра:  верхняя  граница(upper  threshold)  и  нижняя  граница(lower  threshold)  [3].  Нами  экспериментально  было  доказано,  что  оптимальные  значения  для  задачи  распознавания  это  120  для  верхней  границы  и  40  для  нижней.

Рисунок  6.  Детектор  границ  Канни

5.  Выделение  связных  фигур,  т.  е  прямоугольного  номера,  с  помощью  последовательного  прохода  по  связным  контурам  и  их  запоминание.  Найденный  контур  на  Рис.  7  выделен  красной  рамкой  [1—2].

Рисунок  7.  Найденный  номер

6.  Зная,  что  по  ГОСТ  номер  автомобиля  обладает  размерами  520х112  мм,  найденные  на  пятом  шаге  прямоугольники  фильтруются  и  запоминаются.  Учитывая,  что  номера  могут  быть  повернуты  относительно  камеры,  был  установлен  оптимальный  диапазон  для  соотношения  ширина/высота  ():

                                                   (1)

7.  На  данном  этапе  номер  уже  выделен  и  его  довольно  просто  разделить  на  символы,  учитывая  что  их  положение  четко  регламентировано  ГОСТ  и  распознать,  используя,  например,  нейронные  сети.

Для  демонстрации  каждого  этапа  нами  была  разработана  программа  на  языке  C#,  которая  работает  с  изображениями  (Рис.  7).  Рис.  2—7  были  сделаны  с  ее  помощью.

Рисунок  7.  Общий  вид  программы

Учитывая  факт,  что  эти  алгоритмы  предполагается  использовать  в  системах  реального  времени,  в  реализованную  нами  программу  был  встроен  счетчик  времени  для  подсчета  времени  выполнения  каждого  шага,  сделаны  20  измерений  и  подсчитано  среднее  время  выполнения  каждой  операции:

Таблица  1.

Среднее  время  выполнения  этапов  выделения  номера

Из  таблицы  1  видно,  что  в  среднем,  предложенная  нами  система,  обрабатывает  около  10  кадров  в  секунду.  Таким  образом,  нами  показано,  что  предложенная  методика  подходит  для  применения  в  системах  реального  времени.

Список  литературы:

1.Журавлёв  Ю.И.  Распознавание  образов  и  анализ  изображений  /Ю.И.  Журавлёв,  И.Б.  Гуревич  //  Искусственный  интеллект:  Модели  иметоды.  Т.  1.  М.  :  Радио  и  связь,  2000.  —  310  с.

2.Фу  К.  Структурные  методы  в  распознавании  образов  /  К.  Фу;  пер.  с  англ.  Н.В.  Завалишина  ;  под  ред.  М.А.  Айзермана.  М.:  Мир,1977.  —  319  с.

3.Canny  J.A  Computational  Approach  to  Edge  Detection  /  J.  Canny  //  IEEE  Transactions  on  pattern  analysis  and  machine  intelligence.  —  1986.  —  №  6.  —  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.420.3300&rep=rep1&type=pdf  (дата  обращения  25.04.2015). 

4.Viola  P.  Rapid  Object  Detection  using  a  Boosted  Cascade  of  Simple  features  /  P.  Viola,  M.  Jones.  Accepted  Conference  on  Computer  Vision  and  Pattern  Recognition,  2001.  —  9  p.