Jármű rendszámfelismerő technológia CCTV-n
A CCTV-s járműrendszámfelismerő technológia széles körben automatikus rendszámfelismerésként (ANPR) vagy rendszámfelismerésként (LPR) ismert. Ez a rendszer lehetővé teszi a CCTV-kamerák számára, hogy automatikusan „leolvassák” a rendszámokat, majd szöveges adatokká alakítsák azokat, amelyek tárolhatók, kereshetők és elemezhetők. Az elmúlt években az ANPR-t egyre inkább használják autópályákon, parkolókban, fizetőkapukon, ipari területeken és még lakótelepeken is, mivel javíthatja a biztonságot, a működési hatékonyságot és a bejövő és kimenő járművek rögzítésének pontosságát.
Mi az ANPR és hogyan működik?
Általánosságban elmondható, hogy az ANPR hardver (CCTV kamerák és feldolgozó eszközök) és szoftver (képfeldolgozó algoritmusok és mesterséges intelligencia) kombinációja. Célja a járművek képének rögzítése, a rendszámtáblák területének érzékelése, majd a rendszámtáblán lévő karakterek felismerése.
Az ANPR munkafolyamatok jellemzően négy fő szakaszból állnak:
1. Képalkotás (képrögzítés)
A CCTV kamerák képeket vagy videókat rögzítenek a járművekről. Ezen a ponton a képminőség kulcsfontosságú a rendszer sikere szempontjából. Az olyan tényezők, mint a kamera felbontása, a zársebesség, a megvilágítás és a kamera felszerelési helye mind jelentős tényezők.
2. Rendszámfelismerés
A szoftver a képen belül megkeresi a rendszámtáblákat. Ez a folyamat a rendszámtábla jellegzetes jellemzőit használja ki: téglalap alakú, specifikus színkontrasztos és szabályos karaktermintázatú. A modern rendszerek gyakran mélytanulási modelleket alkalmaznak az összetett hátterek észlelési képességének javítására.
3. Karakterszegmentálás
Miután megtalálta a lemezt, a rendszer egyesével szétválasztja a karaktereket. Ez a lépés azért kulcsfontosságú, mert egy piszkos, sérült vagy fényvisszaverődő lemez megnehezítheti a karakterek szétválasztását.
4. Karakterfelismerés (OCR/felismerés)
Az elkülönített karaktereket OCR (optikai karakterfelismerő) technikákkal ismeri fel. A legújabb generációs rendszerek neurális hálózatokat használnak, amelyek képesek tanulni a különféle betűtípusokból, felvételi szögekből és fényviszonyokból.
Egyes implementációkban a klasszikus szegmentálási folyamatot egy végponttól végpontig terjedő megközelítés váltja fel: a mesterséges intelligencia modellje közvetlenül szöveggé alakítja a rendszámtábla képét anélkül, hogy explicit módon elválasztaná a karaktereket. Ez stabilabb teljesítményt tesz lehetővé kihívást jelentő valós körülmények között.
A CCTV-alapú ANPR rendszer fő alkotóelemei
Az ANPR optimális működéséhez számos, egymást kölcsönösen támogató összetevőre van szükség:
– ANPR-specifikus CCTV kamera
Általában nagy zársebességgel, széles dinamikatartományú (WDR), éjjellátó IR (infravörös) technológiával és mozgó tárgyak rögzítésének képességével rendelkeznek. Míg az ANPR használható hagyományos kamerákon, a speciális kamerák javítják a pontosságot, különösen a nagy sebességű járművek esetében.
– Kiegészítő világítás (infravörös megvilágító / segédfények)
Éjszaka vagy gyenge fényviszonyok mellett az infravörös megvilágító segít tiszta rendszámtáblakép létrehozásában. Az intenzitás beállítása fontos a túlexponálás elkerülése érdekében.
– Feldolgozó eszközök (edge eszközök/NVR/szerverek)
Léteznek olyan rendszerek, amelyek kamerán (edge AI), NVR-en vagy központosított szerveren dolgoznak fel adatokat. Az edge feldolgozás csökkenti a sávszélesség-igényt, mivel nyers videó helyett rendszámtáblázatokat és pillanatképeket továbbít.
– Menedzsment és integrációs szoftver
A rendszámleolvasás eredményeit rögzíteni, megjeleníteni és más rendszerekhez, például kapukhoz, parkolóügyfél-adatbázisokhoz, biztonsági rendszerekhez vagy analitikai irányítópultokhoz kell kapcsolni.
A rendszámtábla-leolvasás pontosságát befolyásoló tényezők
Az ANPR pontosságát nemcsak a mesterséges intelligencia kifinomultsága, hanem a terepviszonyok is meghatározzák. Néhány kulcsfontosságú tényező:
1. Kameraszög és -távolság
A túlzott dőlés megnehezíti a lemez leolvasását. Gyakori gyakorlat, hogy a kamerát mérsékelt szögben és a lencsétől megfelelő távolságra helyezik el, hogy a lemez mérete elérje a képen egy bizonyos minimális méretet.
2. Jármű sebessége
A gyorsan mozgó járműveknél gyors záridőre van szükség a mozgás okozta elmosódás elkerülése érdekében. Közúton az ANPR-eszközöket gyakran nagy képkockasebességű, nagy zársebességű kamerákkal párosítják.
3. Világítás és visszaverődés
A lemezekről (különösen a fényvisszaverő lemezekről) érkező visszaverődések a karakterek „eltűnését” okozhatják. A megfelelő WDR és IR beállítások segítenek enyhíteni ezt a problémát.
4. A lemez fizikai állapota
A piszkos, letakart, horpadt vagy módosított táblák (nem szabványos betűtípusok) csökkentik a pontosságot. Más szabálytalanságok, például a karaktereket eltakaró kiegészítők, csillám vagy csavarok használata is bonyolítja a rendszert.
5. Időjárás és környezet
Az eső, a köd, a por és a szélsőséges megvilágítás (pl. a nap ellenfénye) ronthatja a képminőséget.
A mesterséges intelligencia és a mélytanulás szerepe a modern ANPR-ben
A korai ANPR nagymértékben támaszkodott a hagyományos képfeldolgozási technikákra, mint például a küszöbérték-meghatározás, az élérzékelés és az alakzatelemzés. Ezek a módszerek azonban gyakran nehezen tudták kezelni a változó valós körülményeket.
Jelenleg a mélytanulás számos szempontból javítja a rendszerek képességeit:
– Pontosabb rendszámfelismerés még akkor is, ha a rendszámtábla kicsi, ferde vagy zsúfolt a háttere.
– A karakterfelismerés jobban ellenáll az olyan eltéréseknek, mint a betűtípusok, a torzulás vagy a zaj.
– Országokon átnyúló/formátumokon átívelő alkalmazkodóképesség a releváns adatkészletekkel kapcsolatos képzés révén.
– Végponttól végpontig tartó felismerés, amely csökkenti a karakterszegmentálásra való támaszkodást.
A mesterséges intelligencia azonban továbbra is jó minőségű betanítási adatokat igényel. A helyi körülmények (rendszámtábla formátuma, betűtípus, nyelv/karakter és helyi közlekedési viszonyok) alapján betanított rendszerek jellemzően jobban teljesítenek.
Példa ANPR alkalmazásra CCTV-n
1. Parkoláskezelés
Az ANPR automatikusan kiszámítja a parkolási időt, kinyitja a jegy nélküli sorompókat és csökkenti a sorokat. A rendszer képes a rendszámtáblákat digitális fizetésekhez vagy előfizetésekhez kapcsolni.
2. A területhez való hozzáférés biztonsága
A lakótelepek, raktárak és gyárak gyakran használnak fehérlistákat a regisztrált járművekhez és feketelistákat a gyanús járművekhez. Rendszámtábla észlelésekor a rendszer riasztást vagy értesítést küldhet.
3. Rendvédelem és forgalomfelügyelet
Az ANPR segít megtalálni az elveszett járműveket, azonosítani a szabályokat megszegő járműveket és elemezni a forgalom sűrűségét. Nagyobb léptékben az ANPR-adatok forgalomelemzésre is felhasználhatók.
4. Fizetős kapuk és fizetős utak
A fizetési rendszerekkel való integráció felgyorsítja a folyamatot, különösen a többsávos, szabad áramlású rendszerekben, amelyek minimalizálják a megállások szükségességét.
Adatvédelmi és biztonsági kihívások
Az ANPR használata közvetlenül kapcsolódik potenciálisan érzékeny adatokhoz, mivel a járműrendszámok bizonyos rendszereken keresztül összekapcsolhatók a tulajdonos személyazonosságával. Ezért az ANPR adminisztrátorainak a következőkre kell figyelniük:
– Adatmegőrzési szabályzat: mennyi ideig és milyen célból tároljuk az adatokat.
– Hozzáférés-vezérlés: kinek van joga megtekinteni a rendszámadatokat és azok előzményeit.
– Kiberbiztonság: titkosítás, auditnaplók és adatszivárgás elleni védelem.
– Szabályozási megfelelés: tartsa be az egyes régiókban érvényes adatvédelmi előírásokat.
A jó gyakorlat az adatok szükség szerinti megőrzése, a hozzáférés korlátozása és a megfelelő biztonsági szabványok bevezetése a technológia felelősségteljes használatának biztosítása érdekében.
Következtetés
A CCTV-s rendszámfelismerő technológia (ANPR/LPR) kulcsfontosságú megoldás a biztonság és az automatizálás területén, a kapubelépéstől a forgalomelemzésig. Ez a rendszer a képalkotástól a rendszámfelismerésen, a karakterfelismerésen és a menedzsment rendszerekbe való integráción átívelő szakaszokon keresztül működik. Az ANPR sikerét nagymértékben befolyásolja a kamera minősége, a világítás, a telepítés és az alkalmazott MI-algoritmusok kifinomultsága. Továbbá az ANPR bevezetését szigorú adatvédelmi és adatbiztonsági politikákkal is ki kell egyensúlyozni. Megfelelő műszaki tervezéssel és etikus használattal az ANPR jelentős előnyökkel járhat a létesítménygazdálkodók, a kormányok és a tágabb közösség számára.
