Эффективный алгоритм идентификации транспортных средств в системах видеонаблюдения

Рассмотрена задача, связанная с повышением точности идентификации транспортных средств с использованием стационарных или мобильных видеокамер. Плохое качество изображений или их частей из-за различных внешних или внутренних факторов может приводить к потере значимой информации. К факторам, негативно влияющим на качество итоговых изображений, можно причислить избыточную яркость объектов кадра, высокую скорость перемещения объектов, недостаточные возможности камеры для съемки в темных или избыточно ярких условиях. Яркие источники света, например, автомобильные фары, подают избыточное количество света на матрицу камеры и делают некоторые части изображений неразличимыми, а высокая скорость объектов в кадре при недостаточном значении выдержки часто приводит к тому, что за объектом следует некоторый шлейф. Такие факторы приводят к тому, что интересующие объекты на изображении могут стать непригодными для анализа. Особенно важным это становится, когда необходимо точно определить регистрационный номер автомобиля. Высокая степень смазанности или засвеченности может привести к тому, что различные идентификационные метки, такие, как государственные регистрационные знаки (ГРЗ) автомобилей, могут быть нечитаемыми и непригодными для распознавания различными системами. Подобные проблемы характерны также для некоторых горнопромышленных объектов, где ведется стационарное видеонаблюдение за производственными процессами. Данная работа посвящена вопросам автоматического определения степени смазанности и засвеченности изображений государственных регистрационных знаков автомобилей. Предлагаются методы для быстрого определения смазанности и засвеченности изображений на примере ГРЗ, применимые для встраивания в различные системы на базе платформы микрокомпьютера Nvidia Jetson Nano, без существенных задержек системы. Данный подход, помимо классификации на читаемые и нечитаемые изображения, дает также численную оценку смазанности и засвеченности. Эти данные в свою очередь могут быть использованы для корректировки параметров камеры, таких, как значение выдержки и диафрагмы, что позволит повысить качество последующих кадров.

Епифанов В. А., Темкин И. О., Краснояружский С. Е. Эффективный алгоритм идентификации транспортных средств в системах видеонаблюдения // Горный информационно-аналитический бюллетень. – 2023. – № 6. – С. 5–18. DOI: 10.25018/ 0236_1493_2023_6_0_5.

Епифанов Владислав Александрович^1,2 — аспирант, e-mail: epifanov.vld@yandex.ru,
Темкин Игорь Олегович¹ — д-р техн. наук, профессор, e-mail: igortemkin@yandex.ru,
Краснояружский Сергей Евгеньевич² — разработчик, e-mail: blazzer4267@gmail.com,
¹ НИТУ «МИСиС»,
² ООО «Ситилабс».

Темкин И.О., e-mail: igortemkin@yandex.ru.

1. Arena F., Pau G., Severino A. An overview on the current status and future perspectives of smart cars // Infrastructures. 2020, vol. 5, no. 7, article 53. DOI: 10.3390/infrastructures 5070053.

2. Temkin I., Myaskov A., Deryabin S., Konov I., Ivannikov A. Design of a digital 3D model of transport—technological environment of open-pit mines based on the common use of telemetric and geospatial information // Sensors. 2021, vol. 21, no. 18, article 6277. DOI: 10.3390/ s21186277.

3. Темкин И. О., Клебанов Д. А., Дерябин С. А., Конов И. С. Построение интеллектуальной геоинформационной системы горного предприятия с использованием методов прогнозной аналитики // Горный информационно-аналитический бюллетень. — 2020. — № 3. — С. 114—125. DOI: 10.25018/0236-1493-2020-3-0-114-125.

4. Zhang H., Tao P., Meng X., Liu M., Liu X. An optimum deployment algorithm of camera networks for open-pit mine slope monitoring // Sensors. 2021, vol. 21, no. 4, article 1148. DOI: 10.3390/s21041148.

5. Brooks C. N., Dobson R. J., Dean D. B., Banach D., Oommen T., Havens T. C., Ahlborn T., Cook S. J., Clover A. Evaluating the use of unmanned aerial vehicles for transportation purposes // Michigan Department of Transportation, Michigan, USA, 2015. Report No. RC-1616, 201 р.

6. Болотова Ю. А., Спицын В. Г., Рудомёткина М. Н. Распознавание автомобильных номеров на основе метода связных компонент и иерархической временной сети // Компьютерная оптика. — 2015. — Т. 39. — № 2. — С. 275—280. DOI: 10.18287/0134-2452-201539-2-275-280.

7. Полтавский А. В., Юрушкина Т. Г., Юрушкин М. В. Автоматическое распознавание автомобильных номерных знаков // Вестник Донского государственного технического университета. 2020. — Т. 20. — № 1. — С. 93—99. DOI: 10.23947/1992-5980-2020-20-1-93-99.

8. Yang X., Wang X. Recognizing license plates in real-time // arXiv: 2019. 1906.04376. DOI: 10.48550/arXiv.1906.04376.

9. Wang J., Hu X. Convolutional neural networks with gated recurrent connections // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022, vol. 44, pp. 3421—3435. DOI: 10.1109/TPAMI.2021.3054614.

10. Wang J., Hu Y. Gated recurrent convolution neural network for OCR / NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017, pp. 334—343.

11. Atienza R. Vision transformer for fast and efficient scene text recognition // Document Analysis and Recognition — ICDAR. 2021, pp. 319—334. DOI: 10.1007/978-3-030-865498_21.

12. Kissos I., Dershowitz N. OCR error correction using character correction and featurebased word classification / 12th IAPR Workshop on Document Analysis Systems (DAS). 2016. DOI: 10.1109/DAS.2016.44.

13. Mokhtar K., Bukhari S., Dengel A. OCR Error Correction: State-of-the-art vs An NMT Based Approach / 13th IAPR International Workshop on Document Analysis Systems (DAS). 2018. DOI: 10.1109/DAS.2018.63.

14. Jatzkowski I., Wilke D., Maurer M. A deep-learning approach for the detection of overexposure in automotive camera images / 21st International Conference on Intelligent Transportation Systems (ITSC). 2018. DOI: 10.1109/ITSC.2018.8569692.

15. Singh M., Tiwari R., Swami K., Vijayvargiya A. Detection of glare in night photography / 23rd International Conference on Pattern Recognition (ICPR). 2016. DOI: 10.1109/ICPR. 2016.7899744.

16. Chen Y., Liu F., Pei K. Self-supervised sun glare detection CNN for self-aware autonomous driving / Machine Learning for Autonomous Driving Workshop at the 35th Conference on Neural Information Processing System. 2021.

17. Зотин А. Г., Пахирка А. И., Дамов М. В., Савчина Е. И. Улучшение визуального качества изображений, полученных в сложных условиях освещенности на основе инфракрасных данных // Программные продукты и системы. — 2016. — № 3. — С. 109—120. DOI: 10.15827/0236-235X.115.109-120.

18. Xin Yang, Ke Xu, Yibing Song, Qiang Zhang, Xiaopeng Wei, Rynson Lau Image correction via deep reciprocating HDR transformation / Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018. DOI: 10.1109/CVPR.2018.00193.

19. Zaidi S., Ansari M., Aslam A., Kanwal N., Asghar M., Lee B. A Survey of modern deep learning based object detection models // Digital Signal Processing. 2022, vol. 126. DOI: 10.1016/ j.dsp.2022.103514.

20. Kai Feng, Han Hong, Ke Tang, Jingyuan Wang Decision making with machine learning and ROC curves // SSRN Electronic Journal. 2019/06/01. DOI: 10.2139/ssrn.3382962.