Алгоритмы камер видеонаблюдения усовершенствовали

Недавно разработанные алгоритмы для распознавания автомобилей способны обнаруживать и распознавать размытые и пересвеченные номера

Ученые из Университета науки и технологий МИСИС совместно с экспертами компании “СИТИЛАБС” усовершенствовали алгоритмы камер видеонаблюдения, которые теперь способны определять смазанные и засвеченные номера автомобилей. Эта работа включала в себя предварительную классификацию качества изображения, что значительно экономит вычислительные ресурсы и повышает точность всей системы видеонаблюдения. Специальные модули, совместимые с различными устройствами, могут быть установлены на разных объектах, включая дороги общего назначения и горнопромышленные предприятия.

Идентификация конкретных автомобилей по государственным регистрационным номерам является важной задачей, особенно при высокой скорости движения, ярком освещении и неблагоприятных погодных условиях. Отсеивание некорректных изображений номеров позволяет оптимизировать процесс распознавания и снизить вероятность ошибок.

Для определения степени засвеченности номеров автомобилей специалисты использовали анализ гистограммы яркости. Для обнаружения как самих транспортных средств, так и номеров, была применена известная нейронная сеть YOLO-V5.

При обучении нейронных сетей были учтены разные условия, такие как время суток, сезон и погода, чтобы обеспечить точность их работы. После выделения области государственных знаков на изображении, выбранный участок был преобразован в одномерное “серое” изображение. После анализа гистограммы определяется степень “пересвеченности”, и таким образом, 95,7% номеров успешно классифицировались как засвеченные. Для определения степени смазанности была разработана уникальная нейронная сеть, обеспечивающая точность классификации на уровне 96,4% и минимальное время обработки всего 0,073 миллисекунды на ПК.

Создание датасета для обучения нейронной сети для определения смазанности было отдельной сложной задачей, учитывая специфичные условия, при которых изображения становятся смазанными.

Разработанный алгоритм не только классифицирует изображения как читаемые или нечитаемые, но также предоставляет количественную оценку степени смазанности и засвеченности. Эти данные могут быть использованы для настройки параметров камеры, таких как выдержка и диафрагма, что позволяет улучшить качество последующих кадров.

Эти методы также нашли успешное применение на различных устройствах, включая ПК и микрокомпьютер Nvidia Jetson Nano. Они могут быть использованы как в серверных системах, так и в мобильных решениях, где камера и вычислительное устройство объединены в одном устройстве. Это особенно актуально для систем стационарного видеонаблюдения на промышленных объектах, таких как карьеры, где требования к точности распознавания номеров очень высоки.