Автовладельцам не удастся скрыться от камер грязными номерами

Автор: Дмитрий Новиков, редактор

07 сентября 2023

Ученые Университета науки и технологий МИСИС совместно со специалистами компании «СИТИЛАБС» усовершенствовали алгоритмы камер видеонаблюдения, определяющие смазанные и засвеченные номера автомобилей. Предварительная классификация качества изображения существенно экономит вычислительные ресурсы и повышает точность работы всей системы видеонаблюдения. Модули кроссплатформенные, их можно установить на различные устройства. Эта разработка может быть с успехом использована,  как на дорогах общего назначения, так и на некоторых горнопромышленных объектах.

Одной из важных задач, возникающих при анализе дорожно-транспортных ситуаций, в том числе и в условиях технологических дорог, является идентификация конкретного автомобиля по государственному регистрационному знаку. Зачастую  из-за высокой скорости машины, яркого света фар, запылённости, а также недостаточных возможностей камеры машины распознаются некорректно. Своевременное отсеивание заведомо некорректных изображений номеров позволяет не задействовать впустую вычислительные ресурсы для распознавания, а также снижает вероятность ошибочного распознавания. 

Для определения степени засвеченности автомобильного номера специалисты предлагают использовать анализ гистограммы яркостей. Для детектирования как транспортных средств, так и автомобильных номеров используется хорошо известная нейронная сеть yolo-v5.

«Для идентификации автомобилей и номеров при обучении нейронных сетей формировались датасеты с учетом времени суток, сезонности и погоды. После определения области гос.знаков на изображении, выбранный участок из трехмерного цветового пространства RGB сводится к одномерному «серому». После подсчета гистограммы выделяется та ее часть, которая будет отвечать за «пересвеченность», таким образом, 95,7% номеров верно классифицировались как засвеченные. Для определения степени смазанности была построена  нейронная сеть с уникальной архитектурой, которая обеспечивает точность классификации 96,4% при минимальном времени обработки 0,073 мc на ПК», - говорит д.т.н. Игорь Тёмкин, заведующий кафедрой автоматизированных систем управления (АСУ) НИТУ МИСИС.

В процессе разработки нейронной сети для определения степени смазанности изображений возникла необходимость создания специального набора данных для обучения. Условия, при которых получаются смазанные изображения, являются уникальными, и требовалось много времени на отбор подходящих данных из обширного массива.

Разработанный алгоритм, помимо разделения изображений на читаемые и нечитаемые, также предоставляет количественную оценку степени смазанности и пересвеченности. Эти данные могут быть использованы для настройки параметров камеры, таких как выдержка и диафрагма, что способствует улучшению качества последующих снимков.

Эксперименты проводились на разных устройствах, включая ПК и микрокомпьютер Nvidia Jetson Nano. Предложенные методы могут быть применены как в серверных решениях, так и в мобильных устройствах, где камера и вычислительное устройство интегрированы в одном устройстве.