Алгоритм выделения рамки государственного номера автотранспортного средства Текст научной статьи по специальности «Компьютерные и информационные науки»

ТЕХНИЧЕСКИЕ НАУКИ

УДК 004.932.2

И.О. Архипов

канд. техн. наук, доцент, заведующий, кафедра «Программное обеспечение», ФГБОУ ВПО «Ижевский государственный технический университет им. М. Т. Калашникова»

М.О. Еланцев

магистрант, кафедра «Программное обеспечение», ФГБОУ ВПО «Ижевский государственный технический университет им. М. Т. Калашникова»

АЛГОРИТМ ВЫДЕЛЕНИЯ РАМКИ ГОСУДАРСТВЕННОГО НОМЕРА АВТОТРАНСПОРТНОГО СРЕДСТВА

Аннотация. В статье рассмотрен способ предобработки изображения и алгоритм выделения рамки государственного номера, основанный на вычислении корреляции между изображением с камеры и шаблоном рамки.

Ключевые слова: компьютерное зрение, адаптивный порог, корреляция.

I.O. Arhipov, Kalashnikov Izhevsk State Technical University

M.O. Elantcev, Kalashnikov Izhevsk State Technical University

ALGORITHM OF LICENSE PLATE LOCALIZATION

Abstract. The article reads about method of image preprocessing and algorithm of license plate localization based on calculation of correlation between image and license plate pattern.

Keywords: computer vision, adaptive threshold, correlation.

В наши дни с ростом числа автовладельцев растет необходимость оперативного учета транспортных средств. Для автоматизации учета используются специальные системы распознавания государственных номеров. Такие системы используются на дорогах для контроля трафика, на парковках для обеспечения безопасности, в автомобильных сервисах для учета клиентов и в других областях.

Условно работу предлагаемой системы распознавания регистрационных номеров можно разделить на три этапа: определение наличия автомобиля в кадре; локализация рамки номера и распознавание символов номера. В данной статье рассматривается этап нахождения рамки номера. Алгоритм предлагаемого решения представлен на рисунке 1.

Рисунок 1 - Алгоритм нахождения рамки номера

Сначала изображение кадрируется до нужного размера, переводится в черно-белый формат и применяется алгоритм автоконтраста. Для устранения шума на изображении применяется фильтр Гаусса. Поскольку камера имеет фиксированное положение, а автомобиль проезжает мимо камеры под произвольным углом, то изображение поворачивается так, чтобы номер был выровнен по горизонтали. Последней выполняется бинаризация изображения. Так как кадр освещается неравномерно, применяется адаптивный порог по формуле [1]:

(и(х, у ) > x, у ) - С у) < x, у) - С '

f(x, у) - значение яркости пикселя,

ц(x, у) - среднее значение яркости пикселей в окрестности точки (x, у), С - константа.

Значение константы С в выражении 1 определено экспериментально и равно - 4. Изображения с камеры до и после предобработки показаны на рисунке 2.

После предобработки необходимо получить координаты наиболее вероятных положений рамки

f\x, y ) =

(1)

где

номера. Исходя из задачи, искомый объект всегда имеет прямоугольную форму с определенным соотношением сторон, причем известно, что внешняя граница номера должна быть темной, а область между границей номера и цифрами - светлой.

ня^вн

Я

Рисунок 2 - Кадр до и после предобработки

В предлагаемом методе для определения положения государственного номера выполняется вычисление корреляции между изображением и шаблоном. В качестве шаблона используется прямоугольная область, заполненная прозрачными пикселями, вокруг которой находится сначала однопиксельная белая рамка, а затем - однопиксельная черная рамка, как показано на рисунке 3.

шш

Рисунок 3 - Слева - изображение номера после предобработки, справа - шаблон для вычисления корреляции

Поскольку из-за перспективных искажений удаленный номер на изображении меньше, чем близко расположенный, размер шаблона меняется в зависимости от координаты у. Значение корреляции в каждой точке вычисляется по формуле [2]:

R(x, У) =Е T( x', у') * I( x + x'+ у'), (2)

x'.y'

где T(x',y) - шаблон,

I(x,y) - значение яркости пикселя изображения.

Шаблон, используемый в выражении 2 определен следующим образом:

0 x', у' е Outer

T(x', у') = | 1 x',у' е Outer 1, (3)

I(x + x", у + у') x', у' е Inner

где OuterO - множество координат находящихся на краю шаблона, Outerl - множество координат, отстоящих от края шаблона на 1, Inner - множество остальных координат шаблона.

В полученной карте корреляции определяются наиболее сильные локальные максимумы - будущие кандидаты на координаты номера - и вычисляются параметры (табл. 1) их окрестностей (рис. 4).

Рисунок 4 - Слева - карта корреляции. Справа - область с выделенной окрестностью максимума

В таблице 1 перечислены контролируемые параметры окрестности максимума карты корреляции. Таблица 1. Параметры окрестности максимума

Обозначение Название Формула

W Ширина окрестности rx1 +rx2

H Высота окрестности ry1 +ry2

w_d_h Отношение ширины к высоте w/h

sq_d_wh Отношение площади окрестности к площади ограничивающего прямоугольника S wh

rx1_d_rx2 Отношение длин окрестностей слева и справа rx1 rx 2

rx1_d_rx2 Отношение длин окрестностей сверху и снизу ry1 ry 2

p_d_sq Отношение периметра окрестности к ее площади P S

p2_d_sq Отношение квадрата периметра окрестности к ее площади P2 S

Экспериментально было установлено, что наилучшее разделение классов достигается при использовании параметра p_d_sq (рис. 5):

.. ll I I J

О.ОО- 0.10 O.ÍO 0_Ю- Q.40- 0.50. О.йО OJO- О.ЯО 0.900.10 0?0 0,30 0.40 0.50 0,60 0.70 0,80 0 90 1Д0

■ Ошибки ■ Ппл.адлмши

Рисунок 5 - Гистограмма распределения классов по параметру p_d_sq

При выборе порога 0,6, ошибка классификации составляет 0,287. Используя остальные параметры, были исключены случаи, которые не являются номерами. При пороге 0,6, с учетом всех параметров, ошибка классификации снижается до 0,205, что является не достаточным для последующего распознавания символов номерного знака. Однако, при проезде автомобиля мимо камеры, мы успеваем зафиксировать от 5 до 13 кадров (в зависимости от скорости автомобиля), содержащих номерной знак одного автомобиля.

Рассмотренная выше вероятность ошибки классификации 0,205 получена при анализе всех изображений, на которых зафиксирован автомобиль. Для идентификации автомобиля достаточно правильно распознать номер хотя бы на одном кадре. В этом случае вероятность ошибки классификации снижается в 5-13 раз и составляет от 0,016 до 0,041. Дальнейшее уменьшение ошибки может быть достигнуто за счёт отслеживания траектории рамки номера на предыдущих кадрах и более точного определения граничных параметров.

В результате предложен алгоритм, позволяющий локализовать рамку государственного номера автотранспортного средства в кадре видеоизображения. Исследованы параметры алгоритма, гарантирующие выделение рамки номера с вероятностью от 0,959 до 0,984 - в зависимости от скорости передвижения автомобиля мимо камеры. Также в статье намечены пути для повышения точности локализации.

Список литературы:

1. Bradski G., Kaehler A. Learning OpenCV / Gary Bradski, Adrian Kaehler. - O'Reilly Media, 2008. -

556 p.

2. Айфичер Э. Цифровая обработка сигнала: практический подход: пер. с англ. -2-е изд. — М.: Вильямс, 2004. - 992 с.