Контакты
Подписка
МЕНЮ
Контакты
Подписка

Smart Video: технологии распознавания номеров

В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик  |  К списку авторов  |  К списку публикаций

И.В. Богданов
Директор департамента исследований компании ISS

Smart Video: технологии распознавания номеров

Идея построения эффективной системы безопасности не может быть реализована лишь количественным подходом. Сегодня не достаточно просто увеличить число камер, посадить еще одного человека за мониторы или поставить проверять транспорт по списку. На первый план выходят проблемы автоматизированного анализа огромных потоков видеоинформации разного типа. И выполнение этих задач невозможно без применения технологий Smart Video

От человека в "ватнике" – к человеку с компьютером

Центры мониторинга на крупных предприятиях с помощью систем Smart Video способны более эффективно контролировать большие территории и транспортные потоки, оперативно реагировать на возникшие угрозы, продуктивно использовать данные из информационных баз предприятия. В этом случае в распоряжении специалистов оказываются не только терабайты информации, а действенный инструмент проведения политики экономической безопасности, которая является составной частью общей безопасности предприятия и не может эффективно решаться в отдельности от задачи охраны предприятия. Следующим шагом развития можно назвать интеграцию системы безопасности с системами автоматизации предприятия, когда сведения о направлении транспорта и другие данные из системы безопасности поступают в общую информационную систему и открывают возможности, ранее не доступные пользователям. И тогда факт распознавания номера становится не просто константой, а информационной единицей. Человек в "ватнике" у дверей проходной в современном мире все меньше ассоциируется с охраной предприятия.

Поскольку распознавание различных видов учетных номеров транспорта наиболее надежно и эффективно осуществляется при помощи систем видеонаблюдения, в этой статье будут рассмотрены основные технологические принципы их построения.

Принципы работы систем распознавания текстовой информации из видеопотока

Одним из первых шагов при построении подобных систем является извлечение информации из потока видеоданных: классификация объектов и их параметров, распознавание данных определенной категории. Некоторые проблемы и способы их решения будут рассмотрены ниже.

Поиск текста в изображении

Для реализации этой задачи предусмотрено четыре основных метода.

  1. Сегментация по цвету. Метод очень прост, легко реализуем и хорошо работает даже на "сложных" изображениях, однако не может быть применен в условиях, где цветовые характеристики символов не стабильны. В основном он используется для автоматического извлечения титров из фильмов и в аналогичных ситуациях. В рассматриваемых нами обстоятельствах данный метод неэффективен.
  2. Фильтрация изображения. В том случае, если имеется информация о характерных размерностях текста в изображении, предлагается подобрать фильтр по типу и размеру. Чем лучше эта задача выполнена, тем четче выделяются участки, представляющие интерес, что видно из примера (рис. 1). Метод прост в реализации, основной проблемой остается подбор фильтра и обработка отфильтрованных данных. Этот способ позволяет эффективно распознавать сложные изображения, в том числе варьирующиеся по яркостным и контрастным характеристикам. Из недостатков следует отметить, что он не устойчив к загрязнению символов, резким теням вдоль номерной пластины, не работает с номерами, символы которых слиты с "границей" номера, неэффективен при определении трафаретных номеров вагонов. Поэтому метод применяется в практике решения описываемых задач с учетом ограничений, которые не позволяют устойчиво контролировать транспорт в сложных условиях.
  3. Поиск кластера с заданной геометрией. Метод интересен в задачах, где мала вариативность размеров локализуемых объектов, так как обладает высокой помехоустойчивостью. Работает даже при сильном искажении искомого объекта. Особенно эффективен при распознавании номеров вагонов, где геометрические характеристики номера слабо изменяются (рис. 2).
  4. Анализ локальных форм. Способ основан на анализе изображения как набора кратномасштабных форм, на составлении из них более "крупного" объекта по заданным критериям. Обладает всеми плюсами метода 2, лишен его слабых сторон, но ресурсоемок и сложен в реализации, особенно на стадии анализа образуемых групп.

Анализ последовательности кадров

При наличии соответствующих условий эффективной оказывается интегральная гипотеза по распознаванию символов, построенная на выявлении данного объекта в последовательности кадров. Применение этой схемы позволяет повысить надежность работы системы и устойчивость к помехам в сигнале.

При остановке транспорта, например на контрольно-пропускном пункте (КПП), эффективно усреднение сигнала по серии кадров для подавления шума. Этот метод позволяет системе оставаться продуктивной даже при очень слабом освещении.

Распознавание символов

После локализации символов следуют этапы бинаризации, выделения отдельных символов, анализа результатов на основе заранее известной структуры объекта и дораспознавания результатов исходя из предварительной классификации. В зависимости от того, насколько грамотно выполнены действия на этих стадиях, зависит в итоге процент распознавания.

Поясним принципы работы системы на этих стадиях более подробно.

Бинаризация. Этот принцип (бинаризация означает переход к двухуровнему изображению: 1 – символ, 0 – фон) необходим для выделения отдельных символов (рис. 3). Метод должен корректно работать при неравномерной засветке, низкой контрастности, неравномерном цвете символа и т.д.

Распознавание символа. Для него применяются только те методы, которые устойчивы к изменению шрифта и слабым аффинным искажениям символа, поскольку прочие многочисленные схемы в рассматриваемых нами задачах оказываются малоэффективны.

В качестве признаков символа используется набор из 4, 8 или даже 16 локальных направлений, а также локальные вогнутости и выпуклости, причем сильные выпуклости интерпретируются как концы. На изображение буквы накладывается сетка небольшого размера, а вычисленные признаки приписываются к той ячейке сетки, куда они попадают. На рис. 4 красным отмечены квадратики, в которых находится хотя бы одна точка контура с локальным направлением близким к 45 °С.

Эталоны знаков содержат описание того, в каких клетках требуется появление нужного признака и в каких клетках данный признак не должен появляться у конкретного знака. При подобном подходе нагрузка между анализом и оценкой сходства распределена более равномерно, а сам метод не слишком чувствителен к небольшим сдвигам графемы в окне анализа. Кроме того, одни и те же эталоны могут в разумных пределах использоваться для распознавания знаков с переменным соотношением габаритов (применяться к вытянутым и сплющенным буквам). Система обладает хорошим быстродействием и позволяет распознавать на современных компьютерах в секунду до 10 тыс. знаков размером, скажем, 20х30 пикселей.

Последующий анализ. Номера машин имеют четко зафиксированную геометрию, а также ограничение на используемые символы в определенных позициях. Это, например, позволяет не путать похожие по изображению символы "В" и "8", не принимать грязь на номере за нераспознанный символ. В результате оператору предоставляется максимально точная информация.

Развитие систем распознавания для получения дополнительных данных

Анализ контуров. Анализ контуров автотранспорта применяется для сравнения с базой данных и определения модели (рис. 5).

Анализ градиента температур. При съемке вагона тепловой камерой по градиенту температур в местах соприкосновения груза со стенками вагона можно определять степень загрузки вагона на контрольных точках, что особенно эффективно для жидких грузов с высокой теплопроводностью.

Задачи, решаемые цифровыми видеокомлексами распознавания номеров

Индексация видео. В видеоархиве можно осуществлять быстрый поиск интересующей информации, например: номер машины, номер вагона, количество вагонов в составе, номера контейнеров, количество машин за определенный временной интервал. Кроме того, возможна навигация в архиве не только по датам, но и по содержанию, что сильно повышает эффективность работы оператора и скорость принятия решения.

Контроль доступа. Распознанный номер сверяется по базе данных, после чего принимается решение о доступе на предприятие, автоматическое вычеркивание накладной при выезде машины за пределы предприятия, устанавливается превышение лимита по въезду на территорию. Подобные системы особенно эффективны при интеграции с другими системами верификации (такими как Proximity-карты, распознавание лица по камере, направленной на водителя и сверка на совпадение карточки с номером машины и/или лица водителя).

Выявление фактов мошенничества. Въезд одной и той же машины/вагона на весовую без разгрузки, въезд по чужой Proximity-карте, перевешивание номеров, передача карточки на платных парковках, угон машины с парковки по "своей" карточке, если не происходит сличение пары карточка/номер.

Проверка по базе данных на трассе. Проверка всего транспортного потока по базе данных в реальном времени, без необходимости останавливать машину, вглядываться в номера и отправлять запрос в базу данных. Это позволяет гораздо эффективней выявлять различные нарушения. Анализ марки по контурам и сверки с зарегистрированной в базе данных – одно из перспективных направлений в реализации поставленной задачи. Порядка 80% нарушений связано с регистрацией автотранспорта, поэтому данная процедура становится главной в повышении раскрываемости угонов.

Автоматический анализ вагонов в составе. Автоматизация процесса обработки состава позволяет значительно повысить пропускную способность сортировочных станций, что положительно сказывается на увеличении пропускной способности железнодорожных узлов. Столь же важным моментом в транзите вагонов считается возможность обнаружения в течение 40 минут пропажи вагона в составе. В этом случае ответственность несет персонал предыдущего перегона, так что своевременное обнаружение пропажи является одним из факторов экономической безопасности.

Интеграция с другими системами идентификации

Практика применения описываемых систем показывает, что использование парных систем контроля доступа значительно повышает эффективность каждого звена. При контроле доступа целесообразна интеграция с различными системами СКУД.

Подобная технология внедряется на заводе "Северсталь", где данные от системы распознавания номеров сопоставляются с данными от считывателя карточек (карточка закреплена в автомобиле), после чего из электронного пропуска системы безопасности извлекается зарегистрированная пара карточка/номер машины.

Сверка номера вагона и RFID-метки на вагоне также позволяет более эффективно выявлять факты нарушений на железнодорожном транспорте.

Опубликовано: Журнал "Системы безопасности" #6, 2004
Посещений: 13384

  Автор

Богданов И. В.

Богданов И. В.

Директор департамента исследований компании ISS

Всего статей:  4

В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик  |  К списку авторов  |  К списку публикаций