Технологија за препознавање регистарски таблички на возила на CCTV
Технологијата за препознавање регистарски таблички на возила на CCTV е широко позната како Автоматско препознавање регистарски таблички (ANPR) или Препознавање регистарски таблички (LPR). Овој систем им овозможува на CCTV камерите автоматски да ги „читаат“ броевите на регистарските таблички, а потоа да ги претворат во текстуални податоци што можат да се складираат, пребаруваат и анализираат. Во последниве години, ANPR се повеќе се користи на автопати, паркинзи, наплатни рампи, индустриски зони, па дури и станбени комплекси бидејќи може да ја подобри безбедноста, оперативната ефикасност и точноста на евидентирањето на влезните и излезните возила.
Што е ANPR и како функционира?
Генерално, ANPR е комбинација од хардвер (CCTV камери и уреди за обработка) и софтвер (алгоритми за обработка на слики и вештачка интелигенција). Неговата цел е да снима слики од возилата, да детектира области на регистарските таблички, а потоа да ги препознава знаците на табличката.
Работните процеси на ANPR обично вклучуваат четири главни фази:
1. Снимање слики (снимање слики)
CCTV камерите снимаат слики или видеа од возила. Во овој момент, квалитетот на сликата е клучен за успехот на системот. Фактори како што се резолуцијата на камерата, брзината на блендата, осветлувањето и локацијата за монтирање на камерата се значајни фактори.
2. Детекција на регистарски таблички
Софтверот ги лоцира регистарските таблички во рамките на сликата. Овој процес ги користи карактеристичните карактеристики на регистарската табличка: правоаголна форма, специфичен контраст на боите и правилни шеми на карактери. Современите системи често користат модели на длабоко учење за да ги подобрат можностите за детекција во сложени позадини.
3. Сегментација на ликовите
Откако ќе се пронајде плочката, системот ги одделува знаците еден по еден. Овој чекор е клучен бидејќи валкана, оштетена или плочка што се рефлектира од светлина може да го отежни одделувањето на знаците.
4. Препознавање на ликови (OCR/препознавање)
Одвоените знаци се препознаваат со помош на техники на OCR (оптичко препознавање знаци). Најновата генерација на системи користи невронски мрежи кои можат да учат од различни фонтови, агли на снимање и услови на осветлување.
Во некои имплементации, класичниот процес на сегментација е заменет со пристап од почеток до крај: моделот со вештачка интелигенција директно ја претвора сликата од регистарската табличка во текст без експлицитно одвојување на знаци. Ова овозможува постабилни перформанси во предизвикувачки услови во реалниот свет.
Главни компоненти на ANPR систем базиран на CCTV
За ANPR да работи оптимално, потребни се неколку меѓусебно поддржувачки компоненти:
– CCTV камера специфична за ANPR
Тие генерално се одликуваат со високи брзини на блендата, широк динамички опсег (WDR), IR (инфрацрвено) за ноќно гледање и можност за снимање на подвижни објекти. Додека ANPR може да се користи на стандардни камери, специјализираните камери ја подобруваат точноста, особено за возила со голема брзина.
– Дополнително осветлување (IR осветлувач / помошни светла)
Ноќе или во места со слаба осветленост, инфрацрвениот осветлувач помага да се добие јасна слика од регистарската табличка. Прилагодувањето на интензитетот е важно за да се избегне прекумерна експозиција.
– Уреди за обработка (рабни уреди/NVR/сервери)
Постојат системи кои обработуваат на камера (edge AI), на NVR или на централизиран сервер. Обработката на edge ги намалува барањата за пропусен опсег бидејќи пренесува отчитувања на плочи и снимки од слики наместо сурово видео.
– Софтвер за управување и интеграција
Резултатите од отчитувањето на табличките треба да се евидентираат, прикажуваат и поврзуваат со други системи како што се портали на порти, бази на податоци за клиенти на паркинг, безбедносни системи или аналитички контролни табли.
Фактори што влијаат на точноста на отчитувањето на плочата
Точноста на ANPR се одредува не само од софистицираноста на вештачката интелигенција, туку и од условите на терен. Некои клучни фактори се:
1. Агол и растојание на камерата
Преголемото навалување ја отежнува читливоста на плочата. Вообичаена практика е камерата да се постави под умерен агол и на соодветно растојание од објективот, така што плочата ќе достигне одредена минимална големина на сликата.
2. Брзина на возилото
Брзите возила бараат голема брзина на блендата за да се спречи заматување на движењето. На патот, ANPR уредите често се спарени со камери со висока брзина на слики и висок бленд.
3. Осветлување и рефлексија
Рефлексиите од плочите (особено рефлектирачките) можат да предизвикаат „исчезнување“ на знаците. Соодветните поставки за WDR и IR помагаат во ублажување на овој проблем.
4. Физичка состојба на плочата
Валканите, покриени, вдлабнати или изменети плочи (нестандардни фонтови) ја намалуваат точноста. Други прекршувања, како што се употребата на додатоци, мика или завртки што ги прикриваат знаците, исто така го комплицираат системот.
5. Време и животна средина
Дождот, маглата, прашината и екстремното осветлување (на пр. позадинското осветлување од сонцето) можат да го намалат квалитетот на сликата.
Улогата на вештачката интелигенција и длабокото учење во современиот ANPR
Раниот ANPR во голема мера се потпираше на традиционалните техники за обработка на слики, како што се прагови, детекција на рабови и анализа на форми. Сепак, овие методи честопати се мачеа со различни услови во реалниот свет.
Во моментов, длабокото учење ги подобрува можностите на системите во неколку аспекти:
– Попрецизно откривање на регистарски таблички дури и кога регистарската табличка е мала, навалена или има зафатена позадина.
– Препознавањето на знаци е поотпорно на варијации како што се фонтови, корупција или шум.
– Прилагодливост низ целата земја/формат преку обука за релевантни збирки на податоци.
– Препознавање од крај до крај што ја намалува зависноста од сегментација на ликовите.
Сепак, вештачката интелигенција сè уште бара добри податоци за обука. Системите обучени на локални услови (формат на регистарска табличка, стил на фонт, јазик/знак и локални сообраќајни услови) обично работат подобро.
Пример за апликација на ANPR на CCTV
1. Управување со паркирање
ANPR се користи за автоматско пресметување на времетраењето на паркирањето, отворање бариери без билети и намалување на редиците. Системот може да ги поврзе регистарските таблички со дигитални плаќања или претплати.
2. Безбедност на пристапот до областа
Стамбените комплекси, магацините и фабриките често користат бели листи за регистрирани возила и црни листи за сомнителни возила. Кога ќе се открие регистарска табличка, системот може да активира аларм или известување.
3. Спроведување на законот и следење на сообраќајот
ANPR помага во лоцирање на изгубени возила, идентификување на возила што ги прекршуваат прописите и анализа на густината на сообраќајот. На поголем обем, податоците од ANPR можат да се користат за аналитика на сообраќајот.
4. Наплатни рампи и патарини
Интеграцијата со платните системи го прави процесот побрз, особено во повеќелентните шеми на слободен проток кои ја минимизираат потребата од запирања.
Предизвици за приватноста и безбедноста на податоците
Употребата на ANPR директно се однесува на потенцијално чувствителни податоци, бидејќи регистарските броеви на возилата можат да се поврзат со идентитетот на сопственикот преку одредени системи. Затоа, администраторите на ANPR мора да обрнат внимание на:
– Политика за задржување на податоци: колку долго се чуваат податоците и за која цел.
– Контрола на пристап: кој има право да ги гледа податоците за регистарските таблички и нивната историја.
– Кибербезбедност: енкрипција, логови за ревизија и заштита од протекување на податоци.
– Усогласеност со регулативата: усогласеност со важечките прописи за заштита на податоци во секој регион.
Добра практика е да се чуваат податоци по потреба, да се ограничи пристапот и да се имплементираат соодветни безбедносни стандарди за да се обезбеди одговорно користење на технологијата.
Заклучок
Технологијата за препознавање регистарски таблички на возила на CCTV (ANPR/LPR) е клучно решение за безбедност и автоматизација, од пристап до порти до анализа на сообраќајот. Овој систем работи низ фазите на снимање слики, откривање на регистарски таблички, препознавање карактери и интеграција во системи за управување. Успехот на ANPR е во голема мера под влијание на квалитетот на камерата, осветлувањето, инсталацијата и софистицираноста на користените алгоритми со вештачка интелигенција. Понатаму, имплементацијата на ANPR мора да биде избалансирана и со силни политики за приватност и безбедност на податоците. Со правилно техничко планирање и етичка употреба, ANPR може да обезбеди значајни придобивки за менаџерите на објекти, владите и пошироката заедница.
