Розпізнавання державних номерів транспортних засобів за допомогою згорткової нейронної мережі
DOI:
https://doi.org/10.32782/2225-6733.43.2021.2Ключові слова:
розпізнавання номерних знаків, нейронні мережі, глибоке навчанняАнотація
Стаття розкриває тему розробки системи розпізнавання державних номерів різноманітних транспортних засобів, використовуючи сучасні підходи і алгоритми згорткових нейронних мереж. Система зосереджена на необмежених сценаріях захоплення, де державні знаки можуть бути значно спотворені через похилі види та інші недоліки цифрового зображення. Під час аналізу зовнішніх джерел було виявлено, що аналогічні системи мають безліч недоліків, які виражаються у: нестійкості розпізнавання низькоякісних зображень, погану ідентифікацію об’єктів (розпізнавання об’єктів, які не відносяться до транспортного засобу), а також жорсткому обмеженні обчислювальних потужностей та виробників відеокарт. Як наслідок було виявлено проблему, поставлено мету роботи, проаналізовано наукові дослідження та публікації, а також побудовано математичну модель, проведено навчання моделі нейронної мережі та тестування якості розпізнавання. Після розробки системи були виявлені й усунуті її недоліки та підвищена продуктивність. У підсумку отримано систему, що може використовуватись на відеоадаптерах Nvidia, але при необхідності (відеочіп Radeon або чіп, інтегрований у процесор) нейронна мережа може використовувати процесор. Також однією з основних переваг стала трьошарова робота нейронної мережі, завдяки котрій спочатку відбувається пошук транспортного засобу, після чого на вихідному зображенні проводиться пошук державного номеру і наприкінці починається розпізнавання номерного знаку. До більш непомітних, але важливих переваг, можна віднести: швидкість роботи, низькі системні вимоги, а також розпізнавання номерних знаків будь-якого формату та країни. Результати тестування показують, що запропонований метод без будь-якої адаптації параметрів та налаштувань для конкретного сценарію працює аналогічно найсучаснішим комерційним системам у традиційних сценаріях та навіть перевершує деякі із них
Посилання
License Plate Recognition From Still Images and Video Sequences: A Survey / C.N. Anagnostopoulos, I. Anagnostopoulos, I. Psoroulas, V. Loumos, E. Kayafas // IEEE Transactions on Intelligent Transportation Systems. – 2018. – Vol. 16(3). – Pp. 377-391. – Mode of access: https://doi.org/10.1109/TITS.2008.922938.
Segmentation and Annotation Free License Plate Recognition With Deep Localization and Failure Identification / O. Bulan, V. Kozitsky, P. Ramesh, M. Shreve // IEEE Transactions on Intelligent Transportation Systems. – 2017 – Vol. 18(9). – Pp. 2351-2363. – Mode of access: https://doi.org/10.1109/TITS.2016.2639020.
Vehicle license plate recognition based on extremal regions and restricted boltzmann machines / C. Gou, K. Wang, Y. Yao, Z. Li // IEEE Transactions on Intelligent Transportation Systems. – 2016. – Vol. 17. – Pp. 1096-1107. – Mode of access: https://doi.org/10.1109/TITS.2015.2496545.
Kingma D.P. Adam: A method for stochastic optimization / D.P. Kingma, J. Ba // 3rd International Conference for Learning Representations. – 2016. – Pp. 12-15.
Panahi R. Accurate detection and recognition of dirty vehicle plate numbers for high-speed applications / R. Panahi, I. Gholampour // IEEE Transactions on Intelligent Transportation Systems. – 2016. – Vol. 18, no. 4. – Pp. 767-779. – Mode of access: https://doi.org/10.1109/TITS.2016.2586520.
A robust and efficient approach to license plate detection / Y. Yuan, W. Zou, Y. Zhao, X. Wang, X. Hu, N. Komodakis // IEEE Transactions on Image Processing. – 2017. – Vol. 26, no. 3. – Pp. 1102-1114. – Mode of access: https://doi.org/10.1109/TIP.2016.2631901.
Spatial transformer networks / M. Jaderberg, K. Simonyan, A. Zisserman, K. Kavukcuoglu // Advances in Neural Information Processing Systems. – 2016. – Vol. 28. – Pp. 1-9.
A robust real-time automatic license plate recognition based on the YOLO detector / R. Laroca, E. Severo, L.A. Zanlorensi, L.S. Oliveira, G.R. Gonçalves, W.R. Schwartz, D. Menotti // International Joint Conference on Neural Networks (IJCNN). – 2018. – Pp. 1-10. – Mode of access: https://doi.org/10.1109/IJCNN.2018.8489629.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).
Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.
