CC BY
4
УДК 004.93
Щеглов Д.Ю. студент магистратуры института инженерных технологий и естественных наук Белгородский государственный национальный исследовательский университет Россия, г. Белгород МЕТОДИКА РАСПОЗНАВАНИЯ НОМЕРНЫХ ЗНАКОВ ТРАНСПОРТНЫХ СРЕДСТВ
Аннотация: В статье рассматривается методика распознавания номерных знаков транспортных средств. Приведены результаты анализа существующих методов и методик распознавания структурированных символов. Приведены результаты анализа номерных знаков Российской Федерации. Дано описание процессной модели системы распознавания структурированных символов на примере номерных знаков.
Ключевые слова: номерной знак, методика распознавания символов, процессная модель, система распознавания.
Shcheglov D. Yu. student of master course of the department of engineering technologies and natural sciences Belgorod State National Research University
Russia, Belgorod THE METHOD OF RECOGNITION OF LICENSE PLATES OF
VEHICLES
Annotation: The article discusses the vehicle license plate recognition technique. The results of the analysis of existing methods and techniques for recognizing structured characters are presented. The results of the analysis of license plates of the Russian Federation. A description of the process model of the recognition system of structured characters is given on the example of license plates.
Key words: license plate, character recognition method, process model, recognition system.
Анализ существующих методов и методик распознавания структурированных символов в целом [1-4], а также применение отдельных методов распознавания структурированных символов на примере номерных знаков транспортных средств РФ [5], дало возможность построить собственную методику распознавания структурированных символов на примере номерных знаков транспортных средств РФ. В основе рассматриваемой методики заложены использование базовых методов распознавания структурированных символов, применение которых, в свою очередь, также базируется на основе изучения и анализа стандартов номерных знаков РФ и выявляет алгоритм самого процесса распознавания номерных знаков. Изучение и анализ номерных знаков РФ, выявило многообразие и разнотипность номерных знаков [6], что потребовало необходимости разработки алгоритмов, которые учитывают все
особенности и характеристики, присущие этим номерным знакам. Для получения информации о структуре каждого номерного знака и их синтаксисов был проведен подробный анализ стандартов НЗ ТС.
В целом методики, используемые при создании систем распознавания номерных знаков, могут различаться [7, 8], вследствие различных условий их эксплуатации. Однако, структура у большинства этих систем распознавания общая, которая состоит из этапов, представленных на рисунке 1.
Рисунок 1 - Общая структура типовой системы номерных знаков
Этап 1 - Формирование изображения. На вход системы из регистрирующего устройства поступает изображение для дальнейшей его обработки и анализа. Характеристики регистрирующего устройства для систем видеонаблюдения играет важнейшую роль, поскольку от них зависит работоспособность всей системы в целом.
Этап 2 - Предварительная обработка изображения. Предварительная обработка изображения используется для улучшения качества, либо для преобразования удобному для дальнейшей их обработки виду.
Этап 3 - Локализация НЗ. На данном этапе осуществляется поиск НЗ с целью их последующего анализа.
Этап 4 - Сегментация номерного знака. На данном этапе происходит разделение символов локализованного номерного знака на отдельные сегменты.
Этап 5 - Распознавание символов. На этапе распознавания осуществляется электронный перевод машинописного или печатного текста в текстовые данные.
Выполнение каждого этапа, представленного на рисунке 1, может быть осуществлено разными способами и с разной степенью эффективности. В предложенной методике с целью ускорения и повышения качества распознавания символов, на этапе предварительной обработки изображения осуществляются те преобразования, которые приводят к удобному для дальнейшей их обработки виду. На этапе распознавания символов для
снижения размерности признакового пространства и повышения эффективности распознавания символов применяется кластерный анализ.
Процессная модель системы распознавания структурированных символов на примере номерных знаков, согласно предложенной методике, представлено на рисунке 2.
Внешние процессы
Изображения Внешние источники ПОЛЙЮВЗГТ? ли
Л В I О а, с ■и 5 X к (н X «а Процессобрэботки изображения г -4 -"1 ь
----------------------------1
'и |±, Л -^ вп [ т™ пв » с
Процесс кластеризаци и символов К Ь^-
Процесс распознавания символов р
Процесс регистрации изображения V, тиг РИ
-* Процессы передачи информации
-------► Процессы настройки и управления
Рисунок 2 - Процессная модель системы распознавания структурированных символов
Данная модель позволяет учитывать не только протекающие процессы системы, но и иметь четкое представление об ее особенностях функционирования. Для построения модели используется процессно-ориентированный подход [9].
На рисунке 2 введены следующие обозначения и сокращения блоков: II -информация об изображении; 12 - информация, поступающая от внешних источников; 13 - информация по принятому решению; и1 - управляющие команды, задающие процесс обработки; и - управляющие команды, задающие процесс формирования изображения; V - физическое воздействие на объекты; 11;2 - результаты процесса обработки информации; «РИ» - регистрация изображения; «Л» - локализация НЗ, «ПО» - предварительная обработка; «С» -сегментация, «К» - кластеризация; «Р» - распознавание; «&» - логическая операция «И».
Логическая операция «&» введено для задания условия перехода на другие слои иерархии. Например, после вычисления характеристических признаков объекта «11», информация «11;2» на слой распознавания может поступить только тогда, когда процессы предварительной обработки, включающие операции преобразования изображения и кластеризации завершены.
Анализируя протекающие в системе информационные и управляющие процессы, их можно условно разделить на внутренние и внешние процессы.
Внутренними процессами являются преобразования поступившей информации в соответствии с управляющими воздействиями. Внешними процессами являются поступление информации от внешних источников, характеристики сформированных объектов, а также информация по принятию решений.
Здесь можно выделить четыре основных слоя: процесс обработки изображения, который включает этапы локализации, предварительной обработки и сегментации, процесс кластеризации символов, процесс распознавания символов и процесс регистрации изображения.
Функционирование системы, представленной на рисунке 2 сводится к следующему: зарегистрированный объект поступает на уровень обработки информации, где осуществляются этапы локализации, предварительной обработки и сегментации. После преобразования к удобному для дальнейшей обработки виду, отсегментированные символы подвергаются кластерному анализу по соотношению сторон символа. На слое распознавания с помощью метода простых шаблонов осуществляется само распознавание объекта и принятие дальнейшего решения.
Результаты проведенных экспериментов показывают, что предложенная методика позволяет сократить среднее время обработки данных на 178.9 миллисекунды, а средний уровень качества распознавания повысить на 10,9%.
Тем самым, данная методика, позволяет определить ряд преимущественных характеристик для разработанной автоматизированной системы распознавания номерных знаков. Таких как:
- повышение точности распознавания;
- ускорение обработки;
- способность распознавать различные типы номерных знаков РФ;
- способность работать с изображениями в различных условиях освещенности и зашумленности.
Использованные источники:
1. Арлазаров, В.Л. Адаптивное распознавание символов / В.Л. Арлазаров, А.Д. Астахов, В.В. Троянкер, [и др.] // Интеллектуальные технологии ввода и обработки информации. Сборник трудов. — М.: Институт системного анализа РАН, 1998. - С. 39-56.
2. Афонасенко, А.В. Обзор методов распознавания структурированных символов / А.В. Афонасенко, А.И. Елизаров // Доклады Томского государственного университета систем управления и радиоэлектроники. - Вып. 2(18). -Ч.1. 2008. - С.83-88.
3. Вапник, В.Н. Теория распознавания образов (статистические проблемы обучения) // В.Н. Вапник, А.Я. Червоненкис // М.: Издательство «Наука», Главная редакция физико-математической литературы, 2014. - 416 с.
4. Горелик, А.Л., Скрипкин, В.А. Методы распознавания. - М.: Высшая школа, 2017. - 222 с.
5. Обухов, А.В., Методы автоматического распознавания автомобильных номеров / А.В. Обухов, С.А. Ляшева, М.П. Шлеймович // Вестник Чувашского университета. - 2016. - № 3. - С. 201-208.
6. 3. ГОСТ Р 50577-93"Знаки государственные регистрационные транспортных средств. Типы и основные размеры. Технические требования"(принят и введен в действие постановлением Госстандарта РФ от 29 июня 1993 г. N 165)
7. Ту, Дж., Гонсалес, Р. Принципы распознавания образов. — М.: Мир, 1978. -401с.
8. Федяев, О.И., Пауков, Д.П. Нейронные сети: прогнозирование как задача распознавания образов URL:http://masters.donntu.org/2003/fvti/paukov/library/neurow.htm.
9. Дурденко, В.А., Ильичев, М.А. Моделирование систем распознавания образов на основе процессного подхода // Вестник ВГУ, СЕРИЯ: Системный анализ и информационные технологии, 2009. - №2. - С.5-9.
