YMKA DEVELOPMENT

Распознавание государственных номерных знаков

Владей ситуацией
Почему Вам это нужно?
Затраты на внедрение окупятся менее чем через месяц!
Статистика показывает, что как правило в сфере обслуживания в авто бизнесе- воровство достигает 20% от оборота. Остановите это невежество! Благодаря нашим разработкам, у Вас будет ясная картина загруженности Вашего объекта, ни один автомобиль не обслужат мимо кассы!
Как это использовать?
Реальные кейсы наших партнеров
Автомойки
1) - Фактическое время пребывания а/м на объекте, сопоставление нормочасов и примененных услуг
2) - Детальная информация о загруженности мойки, часах/днях пик позволит Вам спланировать маркетинговую деятельность и проводить эффективные акции
3) - Составление эффективного графика для сотрудников- позволит Вам не терять клиентов из-за очереди в часы пик
4) - Выявление неквалифицированного персонала
5) - Повышение эффективности труда, индивидуализация достижений и повышение вовлеченности сотрудников в рабочий процесс (опция)
6) - Аудит автомойки 5+ постов, построение эффективного управления и разделения труда, подбор необходимого оборудования и гарантированное повышение загруженности и стоимости среднего чека, а вместе с этим и рентабельности автомойки (опция)
СТО
1) - Фактическое время пребывания а/м на объекте, его передвижение между цехами, сопоставление нормочасов и примененных услуг
2) - Повышение лояльности клиентов путем онлайн просмотра за ходом выполнения работ с его а/м
3) - Контроль качества исполнителями и хранение данных до шести месяцев (пакет Яровой)
4) - Выявление неэффективного персонала и перераспределение ролей/списка работ
5) - Повышение эффективности труда, индивидуализация достижений и повышение вовлеченности сотрудников в рабочий процесс, контроль за исполнением каждой позиции заказ-наряда (опция)
Наши тарифы
Выберите то что подходит именно Вам
Месяц
500 ₽
один поток (камера) в месяц
Год
5 000 ₽
один поток (камера) в год
Век
10 000 ₽
один поток (камера) навсегда
Оборудование, монтаж и настройка
1
Оборудование 1-16 каналов
Эконом:
IP Камеры от 4 000 рубоей
Стандарт:
IP Камеры от 6 000 рубоей
Видеорегистратор 10 000 рублей
HDD 5TB 11 000 рублей
Профи:
IP Камеры от 10 000 рубоей
Видеорегистратор 10 000 рублей
HDD 5TB 11 000 рублей
Вы можете заказать оборудование из Поднебесной, мы тестировали наш модуль на IP камере за 800 рублей-
IT WORKS!

2
Монтаж
Установка камеры 2 000-2 500 рублей (в зависимости от высоты)
Монтаж кабеля в гофре 60 рублей/м.п.
Настройка сетевого оборудования 2 000 рублей
Настройка видеорегистратора 2 000 рублей (удаленный просмотр с любого устройства, демонстрация с камер Вашим клиентам)
Монтаж и настройку Вы можете произвести своими силами, соблюдая наши допуски при монтаже.
3
Настройка и поддержка модуля Распознавание
Выезд специалиста в пределах МКАД 2 000 рублей, за МКАД до ММК 2500, до БМК 3 000.
Удаленно - бесплатно.
Делаем Важное доступным каждому
Каждый день мы прилагаем все усилия, чтобы сделать жизнь наших клиентов лучше и счастливее
1
Высокое качество
Мы профессиональная команда, предоставляем качество и ценность нашим клиентам. Все наши специалисты имеют более чем 5-летний опыт работы в автоматизации. Нам нравится, что мы делаем. Точность распознавания номеров не менее 90% и это еще не предел.
2
Хорошая поддержка
Наши менеджеры всегда готовы ответить на ваши вопросы. Вы можете позвонить нам по выходным и ночью. Также вы можете посетить наш офис для личной консультации. Мы сами настроим модуль на Вашем объекте, ВЫ сразу начнете ощущать пользу продукта.
3
Индивидуальный подход
Наша компания работает по принципу индивидуального подхода к каждому клиенту. Этот метод позволяет нам добиваться успеха в проблемах всех уровней. Интеграция с более чем 30 программами автоматизации и учета позволяет бороться с воровством на любом объекте.
4
Минимизация затрат
Все что нужно для работы модуля распознавания номеров- это:
1) IP камеры с разрешением HD+ на въезде и выезде
2) Роутер
3) Компьютер или ноутбук или Вы можете приобрести у нас мини ПК, который справится с данной задачей
4) Желание исключить воровство

Мы любим наших клиентов
Самый обширный список интеграций с программами для автомоек и автосервисов.
Выберете своего партнера!
Как настроить?
У нас разработана удобная инструкция по подключению и настройке ПО "Распознавание номеров", если у Вас возникнут трудности, то мы подскажем по телефону, или можем подключиться к Вам удаленно и настроить систему распознавания совершенно бесплатно.
Как правило настройка занимает от пяти до десяти минут. Конечно бывают исключения.
Что понадобится?
Для полноценного запуска системы распознавания номеров авто, Вам понадобится:
1) IP камера для распознавания разрешения не менее HD, с ИК подсветкой от 20 до 50 метров.
2) Персональный компьютер или ноутбук для установки программы распознавания
3) Доступ в интернет
4) Пять минут Вашего времени

Можно попробовать перед покупкой?
Нужно! Мы предоставим Вам месяц бесплатного пользования системой со всеми привилегиями.
Сколько стоит система распознавания номеров?
Выберите любой удобный для Вас вариант использования программы распознавания номеров:
1) Бесплатно на месяц
2) Сервисная модель с ежемесячной оплатой 500 рублей
3) Годовая подписка со скидкой 17% всего за 5 000 рублей
4) Единоразовый платеж 10 000 рублей
YMKA DEVELOPMENT
Преимущества наших разработок!
Модуль распознавания номерных знаков автомобиля мы разработали для автомоек и СТО, как правило на таких объектах нет мощных компьютеров, поэтому задача была не только хорошо распознавать номера, но и минимально нагружать компьютер, на "экваторе" разработки пришла идея интегрировать решение в мини-ПК на ARM, наш релиз состоялся на автомойке на Лодочной и GM Club на Дмитровке, на данный момент мы продолжаем заниматься оптимизацией модуля, среди наших целей:

1) Работа с 10 потоками распознавания номеров на одном мини-ПК
2) Распознавание марок автомобилей
3) Распознавание цвета автомобиля
4) Добавление номерных знаков других государств
5) Так же мы обрабатываем запросы, которые помогут Вашему бизнесу.

Мы открыты для интеграций в CRM системы, которые используют автомойки и СТО, а если не используете, то срочно исправьте это!

Использование распознавания автомобильных номеров в тандеме с Вашей системой автоматизации и учета, позволит исключить неучтенные автомобили и обслуживание мимо кассы, пользу и выгоду от данных инвестиций Вы почувствуете незамедлительно, так же сможете понять, слабые места и уровень квалификации Вашего персонала.
Распознавание госномеров на автомобилях
ТЕХНОЛОГИЯ ИДЕНТИФИКАЦИИ НОМЕРОВ АВТО

Распознование автомобильных номеров как уникального ПО берет свое начало с 70-х годов. Тогдашнее появление технологии не имело особого успеха, так оно фактически обогнало время. Это обусловлено тем, что люди не понимали практической пользы от использования данной технологии, кроме того — в ней практически не было необходимости, ввиду слабой распространенности транспортных средств.

Единственная сфера применения, которая казалось перспективной — государственный учет. То есть отслеживание скоростного режима по простейшей схеме: происходит распознавание, камера фиксирует автомобильные знаки нарушителя, после чего владелец авто облагается штрафом.

И только сегодня, спустя 40 с лишним лет, распознавание номеров автомобилей стало неотъемлемой частью существования целого сектора бизнеса.

ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ

За простыми данными, выводимыми на экран монитора стоят непомерные усилия, как умственные, так и практические. Перед появлением действующего рабочего образцы был разработан алгоритм для чтения номеров, который впоследствии был протестирован более чем в 10 000 уникальных ситуаций.

Система распознавания номеров:

-Определение местонахождения номера на фото
Иными словами, поиск области, в которой должен находиться номер таким образом, чтобы он наверняка попал в нее и при этом там не находились лишние объекты;

-Нормализация изображения
Когда программа распознавания номеров автоматически обрабатывает изображение таким образом, чтобы компьютер четко видели границы, в которых находится необходимая информация, а также проведение правки контраста;

-Чтение текста
Распознавание данных, которые оказались внутри кодированного изображения. Несомненно, этот алгоритм будет беспрецедентно выполнять возложенные на него функции, когда сам номерной знак находится в правильном положении и освещен должным образом.

Распознавание номеров автомобилей является действительным сложным процессом, состоящим из множества операций, не смотря на, казалось бы, тривиальную задачу прочтения 9 символов, состоящих из букв и цифр. Однако польза, получаемая от реализации данной технологии, в 10-ки раз превышает усилия, затраченные на создание технологии.

ПРАКТИЧЕСКАЯ ПОЛЬЗА ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИИ

Конец 20-го века стал отправной точкой, когда автомобили начали заполнять улицы мегаполисов, появлялись в семье у каждого и обретали своего рода культовость. Если есть спрос — будет и предложение, таким простейшей экономическим законом было обусловлено массовое распространение различных точек шиномонтажа, сто и автомобильных моек.

Однако существование такого рода бизнес-проектов невозможно представить без тотального контроля. Это обусловлено тем, что в большинстве случаев мастер и владелец авто взаимодействуют друг с другом, поэтому полностью проконтролировать объем работы и получаем денежные средства невозможно.

Именно для решения этой проблемы, владельцы многих бизнесов автомобильной ниши берут на вооружение распознавание номеров авто. Таким образом вы получаете полный контроль над всеми процессами, имея в руках количество обслуженных авто за день и время работы с ними.

Система распознавания автомобильных номеров применяется во многих областях автомобильного бизнеса, при этом ее функционал с легкостью адаптируется под вашу нишу. Это может быть программа для автомойки, сто программа (1с автосервис, АвтоДилер).

Распознание номеров машин особенно актуально, когда речь идет о парковке. Камера перед шлагбаумом четко фиксирует время, когда авто заехало на территорию. Таким образом производится четкий контроль до секунды в рамках конкретного автомобиля. При этом сам процесс автоматизирован и требует вовлечения со стороны человека.

Помимо учета времени и денежных средств, программа распознавания номеров автомобилей, позволяет заметно улучшить качество труда на предприятие. Имею в своем вооружение всем тайм-коды вы можете отслеживать, сколько времени требуется двум разным рабочим для выполнения одной и то же задачи.

Хотите знать еще больше?
Тогда материал ниже для Вас!

Много раз возникали дискуссии на тему того, как сейчас работает распознавание номеров. Но конкретики, где были бы показаны разные подходы к распознаванию номеров, пока не было. Так что сейчас попробуем разобраться, как все это работает.



Софт VS Железо
Один из важнейших параметров для создания системы распознавания номеров — это камеры видеонаблюдения. Чем качественнее Ваше освещение, чем выше характеристики и функционал камеры, тем выше шанс распознать номер правильно. Мощный инфракрасный (ИК) прожектор просветит пыль и грязь, налипшую на номер, затмить все мешающие факторы. Наверняка, каждому приходило аналогичное «письмо счастья», где виден лишь номер.



Чем лучше качество съемки — тем надежнее результат. Лучший алгоритм без должного оборудования для съёмки бесполезен: всегда будут номера, которые не распознаются.



Давайте разберемся с программной частью, сделаем упор именно на случай, когда номер видно плохо или с искажается (просто снят «с рук» любой камерой).

Структура алгоритма
• Предварительный поиск номера — обнаружение автомобиля и области в которой находится номер
• Стабилизация номера — определение точных границ и размеров номера, выравнивание констраста
• Распознавание текста — чтение символов которые нашлись в обработанном изображении
Это базовая структура. Конечно, в «тепличных условиях», когда номер расположен линейно и хорошо освещён, а у Вас в распоряжение отличный алгоритм распознавания, останется лишь третий пункт. Некоторые алгоритмы объединяют поиск номера и его стабилизацию.

Часть 1: алгоритм предпоиска
Анализ границ и фигур, контурный анализ
Самый тривиальный способ выделения номера — поиск прямоугольного контура номерной рамки. Работает исключительно в ситуациях когда есть ясно читаемый контур, что редкость, ничем не заслоняемый, и высоким разрешением и ровной границей.



Алгоритмы фильтруют изображение для нахождения границ, далее производят выделение всех найденных контуров и их анализ или распознавание. Практически все работы с обработкой изображений делаются исключительно данным образом. Примеров в инете более чем достаточно. Работает плохо, но хоть как-то.

Анализ только необходимых границ
Куда интереснее, стабильнее и практичнее представляется решение, где от рамки анализируется только её часть. Выделяют контуры, после чего ищут все вертикальные прямые. Для любых двух прямых, которые расположены недалеко друг от друга, со сдвигом по оси y, и с правильным отношением расстояния между ними к их длине, рассматривается гипотеза, что номер располагается между ними. Данный подход похож на упрощённый метод HOG .



Один из самых популярных методов- анализ гистограмм изображения. Подход основывается на предположении, что частотная характеристика региона с номером отличается от частотной характеристики окрестности.



На изображении выделяют границы (выявление высокочастотных пространственных компонентов изображения). Строится проекция изображения на ось y (иногда и на ось x). Максимум полученной проекции может совпасть с фактическим расположением номера.
У такого подхода есть один жирный минус — размер машина должен быть сопоставим с размером кадра, т. к. фон так же может содержать надписи или другие детализированные объекты.

Статистический анализ и классификаторы
В чём минус методов упомянутых выше? В том, что на реальных, запачканных грязью номерах нет ни выраженных границ, ни выраженной статистики.



Лучшие методы, хотя и не часто используемые- методы, опирающиеся на различные классификаторы. Например, хорошо работает обученный каскад Хаара. Эти методы позволяют анализировать область на предмет наличия в ней характерных для номера отношений, точек или градиентов, более глубокий анализ.
Такие методы позволяют находить не просто номер, а номер в сложных «не тепличных» условиях. Тот же каскад Хаара для базы, собранной зимой в центре Москвы выдавал порядка 90% правильного обнаружения номера и 2−3% ложного захвата. Ни один алгоритм обнаружения границ или гистограмм не может выдать такое качество обнаружение по картинкам плохого качества.

Слабое место
Многие методы в нынешних алгоритмах прямо или косвенно опираются на наличие границ номера. Даже если границы не используются при детектировании номера, то скорее всего используются при дальнейшем анализе.
Неожиданно, но для статистических вычислений сложным случаем может оказаться даже чистый номер в хромированной (светлой) рамке на белой машине, так как оно встречается куда реже грязных номеров и может не встретиться достаточное количество раз при обучении.

Часть 2: алгоритмы нормализации или стабилизации
Практически все алгоритмы обнаруживают номер не точно и требуют дальнейшего уточнения его положения, а также улучшение качества снимка (пост обработку). Например, часто требуется поворот и обрезка краёв:


Поворот номерных знаков в горизонтальную ориентацию. Когда остается только окрестность номера, выделение границ начинает работать значительно лучше, ведь все длинные горизонтальные прямые, которые удалось выделить — это и есть границы номера.
Самый простой фильтр, способный выделить такие прямые — преобразование Хафа:

Преобразование Хаффа очень быстро выделяет две главных прямых и обрезает по ним изображение:


Увеличение контраста
И лучше тем или иным способом улучшить контрастность нашего изображения. Строго говоря, нужно усилить интересующую нас область пространственных частот:



Разделение на символы
После поворота имеем горизонтальный номер с неточно определёнными левыми и правыми краями. Можно не отрезать лишнее, достаточно просто нарезать имеющиеся в номере буквы и цифры и работать при распознавании с ними.


Теперь следует найти максимумы горизонтальной диаграммы, это и будут промежутки буквами. Если мы ожидаем определенное количество знаков и расстояние между знаками будет примерно одинаковое, то разбиение на буквы по гистограмме сработает на ура.
Останется только вырезать имеющиеся буквы и перейти в процедуре распознавания.

Слабые места
При загрязнении номера периодические максимумы при разбиении на символы могут просто не проявиться, хотя сами символы могут быть вполне читаемы.
Горизонтальные граница номера — не всегда лучший ориентир. Номера могут быть изогнуты штатно (Mercedes C-класса), могут быть бережно утоплены в неподходящее почти квадратное углубление для номера на американских машинах. А верхняя граница заднего номера просто часто прикрыта элементами багажного отсека.
Естественно, учитывать эти и другие проблемы — это задача для серьезных систем распознавания номеров.

Часть 3: алгоритмы распознавания символов
Задача распознавания текста или отдельных символов (optical character recognition, OCR) с одной стороны классическая, а с другой — сложная. Существует большое разнообразие алгоритмов решения, некоторые из которых достигли совершенства. Но, с другой стороны, самых лучших алгоритмов в открытом доступе Вы не встретите. Есть, конечно Tesseract OCR и несколько его аналогов, но эти алгоритмы не решают всех задач. В целом, методы распознавания текста можно разбить на два класса: структурные методы основанные на морфологии и анализе контура, имеющие дело с бинаризованным изображением, и растровые методы, основывающиеся на анализе непосредственного изображения. При этом зачастую используется комбинация методов

Отличия от стандартной задачи OCR
Во-первых, во всяком случая в РФ, в автомобильных номерах используется стандартный шрифт. Это просто подарок для автоматической системы распознавания знаков. 90% усилий в области OCR тратится на рукописный текст.
Во-вторых, грязь.



Здесь большинство известных методов распознавания символов бессильны, особенно если по пути изображение бинаризуется для проверки связанности областей, разделения символов.

Tesseract OCR
Это открытое программное обеспечение, выполняющее автоматическое распознавание как единичной буквы, так и сразу текста. Tesseract удобен своей кроссплатформенностью, стабильно работает и легко обучаем. Но он очень плохо работает с затертым, битым, грязным и деформированным текстом. Когда я попробовал сделать на нём распознавание номеров — результат был всего 20%. Самые чистые и прямые. Хотя, конечно, и при использовании готовых библиотек что-то зависит от радиуса кривизны рук.

K-nearest
Достаточно простой для понимания метод распознавания символов, который, несмотря на свою примитивность, часто может побеждать не самые удачные реализации SVM или нейросетевых методов.
Алгоритм его работы следующий:
1) предварительно записываем приличное количество изображений реальных символов уже корректно разбитые на классы в ручную
2) вводим меру расстояния между символами номера (если изображение бинаризованно, то операция XOR будет оптимальна)
3) затем, когда мы пытаемся распознать символ, поочередно рассчитываем дистанцию между ним и всеми символами в базе. Среди ближайших соседей, возможно, будут представители различных классов. Естественно, представителей какого класса больше среди соседей, к тому классу стоит отнести распознаваемый символ, все просто.

Конечно, если у Вас есть огромный DataSet с примерами символов, снятых под разными углами, освещением, со всеми возможными потертостями, то K-nearest — это все, что Вам нужно. Но тогда нужно очень быстро рассчитывать дистанцию между изображениями, а это значит- бинаризовать его и использовать XOR. Но тогда именно в случае с загрязненными или потертыми номерами будут проблемы. Бинаризация совершенно непредсказуемо изменяет символ.
У метода есть важнейшее преимущество: он простой и прозрачный, а значит легко отлаживается и настраиваться на оптимальный результат. Во большинстве случаев важно понимать, как работает ваш алгоритм.

Корреляционный
Часто методы, которые используются в распознавании изображений, построены на эмпирических подходах. Но никто не запрещает использовать математический аппарат теории вероятности, который был просто отполирован в задачах детектирования сигнала в радиолокационных системах. Шрифт на автомобильном номере нам известен, шум фотокамеры или пыль на номере можно назвать гауссовским. Существует некоторая неопределенность по расположению символов и их наклонах, но эти параметры можно перебрать. Если мы оставляем изображение не бинаризованным, то нам еще неизвестна амплитуда сигнала, т. е. яркость символа.
Очень не хочется вдаваться в строгое решение этой задачи в рамках статьи. По сути все-равно все сводится к операции расчета ковариации входного сигнала с гипотетическим (с учетом заданных смещений и поворотов):

Если нужно выбрать из разных символов, то гипотезы по повороту и смещению строятся для каждого символа. Если мы точно знаем, что входное изображение содержит символ, то максимум ковариации по всем гипотезам определит символ, его смещение и наклон. Тут, конечно, встает проблема близости изображений различных символов («р» и «в», «о» и «с» и др.). Самое простое — ввести для каждого символа весовую матрицу коэффициентов.
Эти методы называют «template-matching», что полностью отражает их суть. Задаем образцы и сравниваем входное изображение с образцами. Если есть какая-то неопределенность по параметрам, то, либо перебираем все возможные варианты, либо используем адаптивные подходы, правда тут уже знать и понимать математику придется.
Достоинства метода:
— предсказуемый и хорошо изученный результат, если шум хоть немного соответствует выбранной модели;
— если шрифт задан строго, как в нашем случае, то способен разглядеть сильно пыльный/грязный/потертый символ.
Недостатки:
— вычислительно весьма затратный.

Нейросети


Про искусственные нейросети написано очень много. Сейчас их разделяют на поколения:
— классические 2−3х-слойные нейросети, обучающиеся градиентными методами с обратным распространением ошибок
— так называемые deep-learning нейросети и сверточные сети.
Второе поколение нейросетей уже последние лет 7 побеждают на соревнованиях по распознаванию изображений, выдавая результат несколько лучший, нежели остальные методы.
Существует открытая база изображений рукописных цифр. Также стоит отдельно отметить, что для печатных шрифтов прекрасно работают простейшая однослойная или двухслойная (вопрос терминологии) сеть, которая по сути не отличается от template-matching подходов.
Достоинства метода:
— при правильной настройке и обучении может работать лучше других известных методов;
— при значимом обучающем массиве данных устойчив к искажениям символов.
Недостатки:
— наиболее сложный для описанных методов;
— диагностика аномального поведения в многослойных сетях попросту невозможна.

Заключение
В статье были рассмотрены базовые методы распознавания, их типичные глюки и ошибки. Возможно, это поможет вам сделать свой номер чуть более читаемым при поездках по городу, или наоборот.
Еще я надеюсь, что удалось показать полное отсутствие магии в задаче распознавания номеров. Все абсолютно понятно и интуитивно. Совершенно не страшная задача для курсовой работы студента по соответствующей специальности.
Write Close
Close
Для Вашего удобства- мы сами Вам перезвоним!
Как к Вам обращаться
Телефон
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности.
Made on
Tilda