Полтавский Артем Владимирович - студент кафедры «Алгебра и дискретная математика», Институт математики механики и компьютерных наук им. И.И. Воровича.
344058, Ростов-на-Дону, ул. Мильчакова, 8а.
Rostov-on-Don.
Юрушкина Татьяна Геннадьевна - преподаватель кафедры «Естественные науки».
344002, Ростов-на-Дону, пл. Гагарина, 1.
Rostov-on-Don.
Юрушкин Михаил Викторович - старший преподаватель кафедры «Алгебра и дискретная математика», Институт математики механики и компьютерных наук им. И.И. Воровича, кандидат физико-математических наук.
344058, Ростов-на-Дону, ул. Мильчакова, 8а.
Rostov-on-Don.
Introduction. The problem of automatic license plate recognition is considered. Its solution has many potential applications from safety to traffic control. The work objective was to develop an intelligent recognition system based on the application of deep learning algorithms, such as convolution neural networks that consider automotive standards for license plates in various countries and continents, and are tolerant to camera locations and quality of input images, as well as to changing lighting, weather conditions, and license plate deformations.
Materials and Methods. An integrated approach for the problem solution based on the application of convolution neural network composition is proposed. An experimental analysis of neural network models trained to meet the requirements of the universal license plate recognition task was conducted. Based on it, models that showed the best ratio of quality and speed were selected. Quality of the system is provided through the optimization of various models with different modifications. In particular, convolution neural networks were trained using images from several datasets. In addition, to obtain the best results, the models used were pre-trained on a specially generated synthetic dataset.
Results. The paper presents numerical experiments, the results of which imply the superiority of the developed algorithm over the commercial OpenALPR package on public datasets. In particular, on the 2017-IWT4S-HDR_LP-dataset, license plate recognition accuracy was 94 percent, and on the Application-Oriented License Plate dataset, 86 percent.
Discussion and Conclusions. The resulting algorithm can be used to automatically detect and recognize license plates. The experiments show that the algorithm quality meets or exceeds quality of the commercial OpenALPR package. The developed algorithm quality can be improved through increasing the training dataset, which does not require the participation of the developer.
Введение. Статья посвящена задаче автоматического обнаружения и распознавания автомобильных номеров, решение которой имеет множество потенциальных применений, начиная от обеспечения безопасности и заканчивая управлением трафиком на дорогах. Целью данной работы являлась разработка интеллектуальной системы нахождения и распознавания автомобильных номеров, основанной на применении алгоритмов глубокого обучения и сверточных нейронных сетей, учитывающей различные региональные стандарты автомобильных номеров, и устойчивой к различным расположениям камеры, качеству видео, освещению, погодным условиям и деформациям номерных знаков.
Материалы и методы. Предложен комплексный подход к решению задачи, основанный на применении сверточных нейронных сетей. Проведен экспериментальный анализ нейросетевых моделей, обученных под требования задачи универсального распознавания номерного знака. На его основании были выбраны модели, показывающие лучшее соотношение качества и быстродействия. Качество системы обеспечивается оптимизацией различных моделей с различными модификациями. В частности, сверточные нейронные сети обучались с использованием изображений из нескольких наборов данных. Кроме того, для получения наилучших результатов используемые модели были предобучены на специально сгенерированном синтетическом датасете.
Результаты исследования. В статье приведены численные эксперименты, результаты которых свидетельствуют о превосходстве разработанного алгоритма над коммерческим пакетом OpenALPR на публичных наборах данных. В частности, на наборе данных 2017-IWT4S-HDR_LP-dataset точность распознавания номерных знаков составила 94 процента, а на наборе данных Application-Oriented License Plate 86 процентов.
Обсуждение и заключения. Полученный алгоритм может быть использован для автоматического обнаружения и распознавания автомобильных номеров. Проведенные эксперименты показали, что качество алгоритма не уступает качеству коммерческого пакета OpenALPR. Качество разработанного алгоритма можно увеличивать за счет увеличения тренировочного датасета, что не требует участия разработчика.
The authors declare that there are no conflicts of interest present.