CC BY
105
Секция «Информационнее системы и технологии»
УДК 004.93
К. М. Болдырев, М. А. Лаптева Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
СИСТЕМА РАСПОЗНАВАНИЯ РЕГИСТРАЦИОННЫХ НОМЕРОВ АВТОМОБИЛЯ С ПРИМЕНЕНИЕМ НЕЙРОННОЙ СЕТИ
Работа посвящена разработке системы распознавания регистрационных номеров автомобиля с применением нейронной сети. Использование данной системы позволит обеспечить контроль и безопасность дорожного движения.
Обеспечение дисциплины на дорогах и повышение ответственности водителей является важной и актуальной задачей. Одна из возможных и эффективных мер - это автоматический контроль соблюдения правил дорожного движения, нарушение которых влечёт за собой неотвратимость наказания. Автоматически могут быть зарегистрированы такие нарушения, как несоблюдение скоростного режима, выезд на полосу встречного движения, выезд на красный сигнал светофора, нарушение правил остановки и стоянки на проезжей части, перестроение с нарушением требований дорожной разметки и многие другие. Одновременно при контроле проезжающего транспорта ведётся поиск угнанных автомобилей, выявляются автомобили без номерного знака.
Преимущества автоматической регистрации очевидны - система регистрирует каждый проезжающий мимо автомобиль, что при высокой интенсивности движения при многополосном движении работник патрульно-постовой службы не сможет сделать в принципе. Сверить все номера автомобилей по списку также не под силу одному человеку.
Проблема идентификации автомобиля по регистрационному номерному знаку является важным аспектом контроля и обеспечения безопасности дорожного движения. Программные продукты, способные решать данную задачу, востребованы в самых различных сферах. Примером могут служить автотранспортные предприятия, автомобильные стоянки, гаражные кооперативы, коттеджные поселки, заправочные станции, пункты контроля въезда на территорию объекта и т. п.
Задача распознавания регистрационных номеров автомобилей обычно решается с помощью таких известных методов, как шаблонный метод, структурный, признаковый и других [1]. Существующие методы имеют низкую устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям, поэтому было решено реализовать алгоритм с применением сверточной нейронной сети, одним из преимуществом которых является слабая чувствительность к искажениям входного сигнала.
В основе сверточных сетей лежат три механизма, позволяющие достичь относительной устойчивости к переносу, масштабированию и незначительным искажениям на изображении:
1. Локальное извлечение признаков. Каждый слой сканируется локальным рецептивным окном, причем, положения этого окна могут частично перекрываться
во время сканирования. Затем это окно передает взвешенное просуммированное значение всех пикселей связанному с положением этого окна нейрону. Это значение и будет называться локальным признаком. Как только признак извлечен - его точное расположение уже не имеет значения, поскольку установлено его местонахождение относительно других признаков.
2. Формирование слоев в виде набора карт признаков. Каждый вычислительный слой состоит из множества карт признаков - плоскостей, на которых все нейроны должны использовать одно и то же множество синаптических весов. Такая форма усложняет структуру сети, однако имеет два важных преимущества: инвариантность к смещению, которое достигается с помощью свертки с ядром небольшого размера, и сокращение числа свободных параметров, которое достигается за счет совместного использования синаптических весов нейронами одной и той же карты.
3. Подвыборка. За каждым слоем свертки следует вычислительный слой, осуществляющий локальное усреднение и подвыборку. За счет этого, достигается уменьшение разрешения для карт признаков. Такая операция приводит к понижению чувствительности выходного сигнала оператора отображения признаков к незначительному смещению и прочим формам деформации.
Постепенно нейронная сеть обучается выделять ключевые характеристики поступающих на вход изображений [2; 3]. Архитектура сверточной нейронной сети состоит из многих слоев (см. рисунок).
1 2 3 4 5
Сверточная нейронная сеть: 1 - вход; 2, 3 - скрытые сверточные слои; 4 - слой из обычных нейронов; 5 - выходы сети
В качестве входных данных выступает изображение, содержащее регистрационный номер автомобиля, а в качестве выходных данных выступает строка с номером автомобиля.
Актуальные проблемы авиации и космонавтики - 2014. Информационные технологии
Система представляет собой Windows-приложение, разработанное в среде разработки Microsoft Visual Studio 2012. Разработанный программный продукт, реализует алгоритм распознавания регистрационных номеров автомобилей на основе сверточной нейронной сети, основными функциями которого являются: загрузка изображения через диалоговое окно, загрузка нейронной сети, создание нейронной сети, обучение нейронной сети, загрузка обучающей выборки, выделение символов на изображении и детектирование регистрационного номера.
Библиографические ссылки
1. Спицын В. Г. Распознавание изображений : учеб. пособие // Изв. Том. политехнич. ун-та. Томск : ТПУ, 2012. С. 54-59.
2. Le Cun Y., Bengio Y. Convolutional networks for images, speech and time series // The handbook of brain theory and neural networks. 1998. Vol. 7. P. 255-258.
3. Ronse C., Najman L., Decenciere E. Mathematical morphology: 40 years on // Proceedings of the VII Intern. symposium of mathematical morphology. Netherlands, 2005. № 30. P. 350-370.
© Болдырев К. М., Лаптева М. А., 2014
УДК 004.932.2
Ю. В. Борисов Научный руководитель - А. Г. Зотин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ПРОЕКТИРОВАНИЕ УЧЕБНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ «ЭЛЕКТРОННЫЙ ПОМОЩНИК ПРЕПОДАВАТЕЛЯ»
Представлено описание проектирования учебной информационной системы для преподавателей школ, позволяющей обеспечить автоматизированную работу с ведением документооборота, а также предложен метод обеспечения безопасности доступа к персональным данным.
Электронный документооборот является неотъемлемой частью сфере образования. Любой школьный преподаватель ведет достаточно много различной документации. Так, например, во время проведения занятий необходимо проставлять отметки посещаемости и успеваемости учащимся. Помимо этого в обязательства преподавателей входит написание различных планов, порой характеристик, отчётов о проделанной работе и мн.др. Практически все преподаватели реализуют всю документацию в продуктах офисного пакета корпорации Microsoft (MS Office Word, MS Office Excel, MS Office Access и др.). Несмотря на огромные возможности этих продуктов, многие используют лишь самую малую часть предложенного функционала. Столкнувшись с этой проблемой, было решено спроектировать такую учебную информационную систему, которая позволит автоматизировать процесс создания форм отчётности, ведения электронного журнала и пр.
При изучении предметной области было выявлено, что в основном преподавателями проводятся следующие виды работ: составляются календарно-тематические и учебно-тематические планирования, ведется рейтинг успеваемости и посещаемости, происходит написание различных отчётов [1]. В связи с этим была предложена следующая структура программы, позволяющая реализовать вышеперечисленные действия (рис. 1).
Все модули программы находятся под управлением ядра программы. Модуль, отвечающий за интерфейс, позволит настраивать вид программы под каждого пользователя индивидуально в соответствии с должностными обязанностями. Например, завуч сможет объявить каждому преподавателю о предстоящих
проверках, собраниях, педагогических советах и др. мероприятиях. Модуль защиты, связанный с модулем доступа к БД, обеспечит защищенный вход. Большая часть всех модулей даст возможность сгенерировать различные отчёты, которые пишутся преподавателями, а модуль расчета расписания и аудиторного фонда покажет, в какое время и какие аудитории заняты или свободны и высчитает расписание конкретного преподавателя. Поскольку информационная система предназначена для использования ее в течение учебного процесса, то она будет учитывать различные нюансы, возникающие в это время, включая учебные и неучебные дни.
Архитектура конечного приложения предполагается вида «клиент-сервер». Программа-клиент рассчитана на людей, производящих образовательную деятельность, программа-сервер - исключительно для администратора, задачей которого является сопровождение ПО и БД, а также внесение первоначальных основных данных.
В связи с конфиденциальностью информации, хранящуюся в БД было решено использовать несколько способов для доступа к данным (рис. 2).
Рис. 2 показывает три типа возможной авторизации:
1) авторизация с помощью логина и пароля. Это классический тип авторизации, не способный обеспечить максимальную защиту данных, в связи с чем пользователю будет предоставлен максимально ограниченный доступ.
2) авторизация на основе распознавания лица [2] надёжнее предыдущего типа авторизации, однако полноценной защиты также не обеспечит, поэтому доступ к некоторым данным будет ограниченным.
