Preview

Вестник Донского государственного технического университета

Расширенный поиск

Автоматическое распознавание автомобильных номерных знаков

https://doi.org/10.23947/1992-5980-2020-20-1-93-99

Полный текст:

Аннотация

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.

Об авторах

А. В. Полтавский
Южный федеральный университет
Россия

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.



Т. Г. Юрушкина
Донской государственный технический университет
Россия

Юрушкина Татьяна Геннадьевна - преподаватель кафедры «Естественные науки».

344002, Ростов-на-Дону, пл. Гагарина, 1.



М. В. Юрушкин
Южный федеральный университет
Россия

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.



Список литературы

1. Bernstein, D. Automatic vehicle identification: technologies and functionalities / D. Bernstein, A. Y. Kanaan // Journal of Intelligent Transportation System. — 1993. — 1 (2). — P. 191–204.

2. Development of vehicle-license number recognition system using real-time image processing and its application to travel-time measurement / K. Kanayama [et al.] // IEEE Vehicular Technology Conference. — May, 1991. — P. 798–804.

3. Kessentini, Y. A two-stage deep neural network for multi-norm license plate detection and recognition / Y. Kessentini, M.D. Besbes, S. Ammar, A. Chabbouh // ExpertSystems with Applications. — 2019. — Vol. 136. — P. 159– 170.

4. Tian, J. A two-stage character segmentation method for Chinese license plate / J. Tian, R. Wang, G. Wang, J. Liu, Y. Xia // Computers & Electrical Engineering. — 2015. — Vol.46. — P. 539–553.

5. A CNN-based approach for automatic license plate recognition in the wild / M. Dong [et al.] // British Machine Vision Conference (BMVC). — 2017. — P. 1–12.

6. LeCun, Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. — 2015. — Vol. 521, no. 7553. — P. 436–444.

7. Holistic recognition of low quality license plates by CNN using track annotated data / J. Španhel [et al.] // 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). — 2017. — P. 1–6.


Для цитирования:


Полтавский А.В., Юрушкина Т.Г., Юрушкин М.В. Автоматическое распознавание автомобильных номерных знаков. Вестник Донского государственного технического университета. 2020;20(1):93-99. https://doi.org/10.23947/1992-5980-2020-20-1-93-99

For citation:


Poltavskii A.V., Yurushkina T.G., Yurushkin M.V. Automatic license-plate recognition. Vestnik of Don State Technical University. 2020;20(1):93-99. (In Russ.) https://doi.org/10.23947/1992-5980-2020-20-1-93-99

Просмотров: 88


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1992-5980 (Print)
ISSN 1992-6006 (Online)