Vrijeme je da detaljno ispričamo kako funkcionira naša implementacija algoritma za prepoznavanje registarskih tablica: šta se pokazalo kao dobro rješenje, a što je funkcionisalo vrlo loše. I samo prijavite Habra-korisnike – uostalom, uz pomoć Recognitor Android aplikacije pomogli ste nam da dobijemo pristojnu bazu podataka slika registarskih tablica snimljenih na potpuno nepristrasan način, bez objašnjenja kako snimati, a kako ne. A baza podataka slika je najvažnija stvar pri razvoju algoritama za prepoznavanje!

Šta se dogodilo sa Android aplikacijom Recognitor

Bilo je jako lijepo što su korisnici Habra počeli preuzimati aplikaciju, isprobavati je i slati nam brojeve.

Preuzimanja programa i ocjene

Od kada je aplikacija postavljena na server, pristiglo je 3800 slika brojeva iz mobilne aplikacije.
A još više smo bili zadovoljni linkom http://212.116.121.70:10000/uploadimage - za 2 dana poslano nam je oko 8 hiljada slika registarskih tablica u punoj veličini (uglavnom iz Vologde)! Server je skoro pao.

Sada imamo bazu od 12.000 fotografija u našim rukama - predstoji ogroman posao pred algoritmima za otklanjanje grešaka. Sva zabava tek počinje!

Da vas podsjetim da je broj prethodno dodijeljen u Android aplikaciji. U ovom članku se neću detaljno zadržavati na ovoj fazi. U našem slučaju, Haar kaskadni detektor. Ovaj detektor ne radi uvijek ako je broj u okviru previše rotiran. Ostaviću analizu kako trenirani kaskadni detektor radi kada ne radi za naredne članke. Zaista je vrlo zanimljivo. Čini se da je ovo crna kutija - to je trenirao detektor i ne radi ništa drugo. Zapravo nije.

Ali ipak, kaskadni detektor je dobra opcija u slučaju ograničenih računarskih resursa. Ako je registarska tablica prljava ili je okvir slabo vidljiv, onda se Haar dobro ponaša i u odnosu na druge metode.

Prepoznavanje brojeva

Evo priče o prepoznavanju teksta na slikama ove vrste:

Pristupi opštem prepoznavanju opisani su u prvom članku.

U početku smo si postavili zadatak da prepoznamo prljave, djelimično izbrisane i ozbiljno izobličene registarske tablice.
Prvo, zanimljivo je, a drugo, činilo se da bi onda čisti funkcionirali općenito u 100% slučajeva. Obično se to, naravno, dešava. Ali ovdje nije išlo. Ispostavilo se da ako je za prljave brojeve vjerovatnoća uspjeha bila 88%, onda za čiste, na primjer, 90%. Iako se u stvarnosti vjerojatnost prepoznavanja s fotografije na mobilnoj aplikaciji do uspješnog odgovora, naravno, pokazala još gora od naznačene brojke. Nešto manje od 50% dolaznih slika (da ljudi ne pokušavaju da slikaju). One. u prosjeku je registarsku tablicu trebalo dva puta fotografisati da bi se uspješno prepoznala. Iako je u mnogim aspektima tako nizak postotak posljedica činjenice da su mnogi pokušali uzeti brojeve sa ekrana monitora, a ne u stvarnom životu.

Cijeli algoritam je napravljen za prljave brojeve. Ali pokazalo se da je sada ljeti u Moskvi 9 od 10 soba savršeno čisto. Zato je bolje promijeniti strategiju i napraviti dva odvojena algoritma. Ako je bilo moguće brzo i pouzdano prepoznati čist broj, onda ćemo ovaj rezultat poslati korisniku, a ako to nije moguće, onda trošimo malo više procesorskog vremena i pokrećemo drugi algoritam za prljave brojeve.

Jednostavan algoritam za prepoznavanje registarskih tablica koji treba odmah implementirati

Kako prepoznati dobar i čist broj? Uopšte nije teško.

Predstavljamo sljedeće zahtjeve za ovakav algoritam:

1) određena stabilnost na skretanje (± 10 stepeni)
2) otpornost na manje ljuštenje (20%)
3) odsecanje bilo kakvih granica broja granicom okvira ili jednostavno loše definisane granice ne bi trebalo da uništi sve (ovo je suštinski važno, jer u slučaju prljavih brojeva morate se osloniti na granicu broja; ako broj je čist, onda ništa bolje ne karakterizira sobe/slova sobe).

Dakle, u čistim i dobro čitanim brojevima, svi brojevi i slova su odvojivi jedni od drugih, što znači da možete binarizirati sliku i koristiti morfološke metode za odabir povezanih područja ili za korištenje dobro poznatih funkcija odabira konture.

Binariziramo okvir

Ovdje vrijedi proći kroz filter srednjeg prolaza i normalizirati sliku.


Slika prikazuje prvobitno niski kontrastni okvir radi jasnoće.

Zatim binarizirajte prema fiksnom pragu (možete popraviti prag, pošto je slika normalizirana).

Hipoteze rotacije okvira

Pretpostavimo nekoliko mogućih uglova rotacije slike. Na primjer, +10, 0, -10 stepeni:

U budućnosti će metoda imati malu otpornost na kut rotacije brojeva i slova, pa je odabran tako prilično veliki korak u kutu - 10 stupnjeva.
Ubuduće ćemo raditi sa svakim okvirom samostalno. Koja hipoteza rotacije će dati najbolji rezultat će pobijediti.

Zatim prikupite sva povezana područja. Ovdje smo koristili standardnu ​​funkciju findContours iz OpenCV-a. Ako spojeno područje (kontura) ima visinu u pikselima od H1 do H2, a širina i visina su povezane omjerom od K1 do K2, ostavite ga u okviru i zabilježite da u ovoj oblasti može biti znak. Gotovo sigurno u ovoj fazi će ostati samo brojevi i slova, a ostatak smeća će napustiti okvir. Uzmimo pravokutnike koji ograničavaju konture, dovedite ih u istu skalu, a zatim radimo sa svakim slovom / brojem zasebno.

Evo graničnih okvira puteva koji su zadovoljili naše zahtjeve:

Slova/cifre

Kvalitet slike je dobar, sva slova i brojevi su savršeno razdvojivi, inače ne bismo došli do ovog koraka.
Sve znakove skaliramo na istu veličinu, na primjer, 20x30 piksela. Evo ih:

Inače, kada OpenCV izvrši promjenu veličine (kada se smanji na veličinu 20x30), binarizirana slika će se pretvoriti u gradijentnu, zbog interpolacije. Morat ćemo ponoviti binarizaciju.

A sada je najlakši način za poređenje sa poznatim slikama znakova korištenjem XOR-a (Normalized Hamming Distance). Na primjer ovako:

Udaljenost = 1.0 - |Sample XOR Image|/|Sample|

Ako je udaljenost veća od praga, onda smatramo da smo pronašli znak, ako je manji, izbacujemo ga.

Slovo-broj-broj-broj-slovo-slovo

Da, tražimo ruske automobilske znakove u ovom formatu. Ovdje morate uzeti u obzir da se broj 0 i slovo "o" uopće ne razlikuju jedno od drugog, broj 8 i slovo "c". Postrojićemo sve znakove s lijeva na desno i uzeti ćemo 6 znakova.
Vremena kriterija - slovo-broj-broj-broj-slovo-slovo (ne zaboravite na 0/o, 8/v)
Kriterij dva - odstupanje donje granice od 6 karaktera od reda

Ukupan rezultat za hipotezu je zbir Hamingovih udaljenosti svih 6 znakova. Što veće, to bolje.

Dakle, ako su ukupan broj bodova manji od praga, onda smatramo da smo pronašli 6 cifara broja (bez regije). Ako je više od praga, onda idemo na algoritam koji je otporan na prljave brojeve.

Ovdje još uvijek vrijedi posebno razmotriti slova "H" i "M". Da biste to učinili, morate napraviti poseban klasifikator, na primjer, prema histogramu gradijenata.

Region

Sljedeća dva ili tri znaka iznad linije povučene duž dna od 6 već pronađenih znakova su regija. Ako postoji treća znamenka i njena sličnost je veća od praga, tada se regija sastoji od tri znamenke. Inače, od dva.

Međutim, prepoznavanje regiona često ne ide tako glatko kako bi se željelo. Brojevi u regijama su manji, možda neće biti uspješno podijeljeni. Stoga je regija bolje prepoznata na način koji je otporniji na prljavštinu/buku/preklapanje, kao što je opisano u nastavku.

Neki detalji opisa algoritma nisu otkriveni previše detalja. Djelomično zbog činjenice da je sada napravljena samo mock-up ovog algoritma i ostaje da se testira i otkloni greške na tim hiljadama slika. Ako je broj dobar i čist, onda morate prepoznati broj u desetinama milisekundi ili odgovoriti "neuspješno" i prijeći na ozbiljniji algoritam.

Algoritam otporan na prljave brojeve

Jasno je da gore opisani algoritam uopće ne funkcionira ako se znakovi na registarskoj tablici drže zajedno zbog lošeg kvaliteta slike (prljavština, loša rezolucija, loša sjena ili ugao snimanja).

Evo primjera brojeva kada prvi algoritam nije uspio ništa učiniti:

No, morat ćete se osloniti na granice registarske tablice, a zatim u strogo određenom području tražiti znakove s točno poznatom orijentacijom i razmjerom. I što je najvažnije - nema binarizacije!

Tražimo donju granicu broja

Najjednostavniji i najpouzdaniji korak u ovom algoritmu. Prolazimo kroz nekoliko hipoteza o kutu rotacije i gradimo za svaku hipotezu o rotaciji histogram svjetline piksela duž horizontalnih linija za donju polovicu slike:

Odaberimo maksimum nagiba i tako odredimo ugao nagiba i na kojoj razini odsjeći broj odozdo. Ne zaboravimo poboljšati kontrast i dobiti ovu sliku:

Općenito, vrijedi koristiti ne samo histogram svjetline, već i histogram disperzije, histogram gradijenta, kako bi se povećala pouzdanost isjecanja brojeva.

Tražimo gornju granicu broja

Ovdje nije tako očito, ispostavilo se da ako se stražnja registarska tablica skine s ruku, onda gornja granica može biti snažno zakrivljena i djelomično prekriti znakove ili u hladu, kao u ovom slučaju:


Nema oštrog prijelaza svjetline u gornjem dijelu broja, a maksimalni gradijent će u potpunosti smanjiti broj u sredini.

Iz situacije smo se izvukli na ne baš trivijalan način: obučili smo Haar kaskadni detektor za svaki broj i svako slovo, pronašli sve znakove na slici i odredili gornju liniju gdje da sečemo:

Čini se da se ovdje vrijedi zaustaviti - već smo pronašli brojeve i slova! Ali u stvarnosti, naravno, Haar detektor može biti pogrešan, a ovdje imamo 7-8 znakova. Dobar primjer broja 4. Ako se gornja granica broja spoji sa brojem 4, onda uopće nije teško vidjeti broj 7. Što se inače dogodilo u ovom primjeru. Ali s druge strane, uprkos grešci detekcije, gornja granica pronađenih pravougaonika zaista se poklapa sa gornjom ivicom registarske tablice.

Pronađite bočne ivice broja

Takođe ništa komplikovano - apsolutno isto kao i donji. Jedina razlika je u tome što često svjetlina gradijenta prvog ili posljednjeg znaka u broju može premašiti svjetlinu gradijenta vertikalne granice broja, tako da se ne bira maksimum, već prvi gradijent koji prelazi prag . Slično, kod donje granice potrebno je razvrstati nekoliko hipoteza nagiba, jer zbog perspektive okomitost vertikalnih i horizontalnih granica uopće nije zajamčena.

Dakle, evo jednog lijepo podrezanog broja:

Da! posebno je lijepo ubaciti okvir sa odvratnim brojem koji je uspješno prepoznat.

Samo jedno je tužno - do ove faze može se pogrešno odsjeći od 5% do 15% brojeva. Na primjer, ovako:

(usput, neko nam je poslao žuti taksi broj, koliko sam shvatio - format nije regularan)

Sve je to bilo potrebno kako bi se sve ovo radilo samo radi optimizacije proračuna, budući da je računski veoma skupo sortirati sve moguće pozicije, razmjere i nagibe znakova prilikom traženja istih.

Podijelite niz na znakove

Nažalost, zbog perspektive i nestandardne širine svih znakova, morate nekako istaknuti znakove u već izrezanom broju. Ovdje će opet pomoći histogram svjetline, ali duž X ose:

Jedina stvar koju vrijedi istražiti u budućnosti su dvije hipoteze: simboli počinju odmah ili jedan maksimum histograma treba preskočiti. To je zbog činjenice da se na nekim brojevima otvor za šraf ili glava zavrtnja registarske tablice može razlikovati kao poseban znak, ili može biti potpuno nevidljiv.

Prepoznavanje karaktera

Slika još uvijek nije binarizirana, koristit ćemo sve informacije koje imamo.

Evo znakova za štampanje, tako da je ponderisana kovarijansa pogodna za poređenje slika sa primerom:

Uzorci za poređenje i težina pod kovarijansom:

Naravno, ne možete samo porediti područje istaknuto horizontalnim histogramom sa uzorcima. Moramo napraviti nekoliko hipoteza o pomaku i skali.
Broj hipoteza po položaju duž X ose = 4
Broj hipoteza po položaju duž Y ose = 4
Broj hipoteza na skali = 3

Dakle, za svaku oblast, u poređenju sa jednim znakom, potrebno je izračunati kovarijance 4x4x3.

Prije svega, naći ćemo 3 velika broja. To je 3 x 10 x 4 x 4 x 3 = 1440 poređenja.

Zatim jedno slovo lijevo i još dva desno. Ima 12 slova za poređenje.Tada je broj poređenja 3x12x4x4x3 = 1728

Kada imamo 6 karaktera, onda je sve desno od njih regija.

U regionu mogu biti 2 ili 3 cifre - to se mora uzeti u obzir. Podijeliti regiju na histogramski način je već besmisleno zbog činjenice da je kvalitet slike prenizak. Stoga jednostavno naizmjenično nalazimo brojeve s lijeva na desno. Počevši od gornjeg lijevog ugla, potrebno nam je nekoliko hipoteza za x-osu, y-os i skalu. Pronalaženje najboljeg spoja. Pomeramo se za datu količinu udesno, opet tražimo. Tražit ćemo treći znak lijevo od prvog i desno od drugog, ako je mjera sličnosti trećeg znaka veća od praga, onda imamo sreće - broj regije se sastoji od tri znamenke.

zaključci

Praksa primjene algoritma (drugi opisan u članku) još jednom je potvrdila uobičajenu istinu u rješavanju problema prepoznavanja: pri kreiranju algoritama potrebna je zaista reprezentativna baza. Ciljali smo na prljave i otrcane prostorije, jer testna baza je snimana zimi. Zaista, često je bilo moguće prepoznati prilično loše brojeve, ali čistih brojeva u uzorku obuke gotovo da nije bilo.

Otkrila se i druga strana medalje: malo šta toliko iritira korisnika kao situacija kada automatski sistem ne rješava potpuno primitivan zadatak. “Pa, šta se ovdje ne može pročitati?!” A činjenica da automatski sistem nije mogao prepoznati prljavu ili otrcanu registarsku tablicu je očekivana.

Iskreno govoreći, ovo je naše prvo iskustvo u razvoju sistema prepoznavanja za masovnog potrošača. I vrijedi naučiti razmišljati o takvim "sitnicama" kao što su korisnici. Sada nam se pridružio stručnjak koji je razvio sličan program „Recognitor“ za iOS. U korisničkom interfejsu korisnik ima priliku da vidi šta se trenutno šalje na server, da odabere koji od brojeva koje je dodelio Haar je neophodan, moguće je izabrati potrebnu oblast u već „zamrznutom“ okviru. I zgodnije ga je koristiti. Automatsko prepoznavanje postaje ne glupa funkcija bez koje se ništa ne može, već jednostavno pomoćnik.

Razmišljanje o sistemu u kojem bi automatsko prepoznavanje slike bilo harmonično i zgodno za korisnika nije se pokazalo lakšim od kreiranja ovih algoritama za prepoznavanje.

I, naravno, nadam se da će članak biti od koristi.

Tehnologije za softversko prepoznavanje brojeva automobila i lica ljudi postaju sve traženije. Na primjer, automatsko prepoznavanje registarskih tablica može se koristiti kao komponenta sistema kontrole pristupa, za organizovanje sistema naplate za plaćeno parkiranje, automatizaciju prolaska automobila ili za prikupljanje statističkih informacija (ponovljene posjete tržnom centru ili autopraonici, na primjer ). Sve je to u moći modernog inteligentnog softvera. Šta je potrebno za implementaciju takvog sistema? U principu ne toliko - video kamere koje ispunjavaju određene zahtjeve i odgovarajući inteligentni softverski modul. Na primjer, softver ili veći budžet

U ovom članku ćemo vam reći kako odabrati pravu digitalnu video kameru koja može generirati video sliku visokog kvaliteta koja je prihvatljiva za softverske zadatke prepoznavanja registarskih tablica.

Dozvola

Prije nekoliko godina veličina registarske tablice na ekranu mjerila se u % širine okvira. Sve televizijske kamere su bile analogne i njihova rezolucija je bila konstantna. Sada, kada matrice mogu imati rezolucije od 0,5 do 12Mp, relativne vrijednosti ne vrijede i potrebna širina registarske tablice se mjeri u pikselima.

U pravilu specifikacije softvera za prepoznavanje registarskih tablica navode zahtjeve za širinom registarskih tablica na ekranu, dovoljnu za njihovo pouzdano prepoznavanje. Tako, na primjer, softverski modul Autotrassir zahtijeva širinu od 120 piksela, a NumberOK zahtijeva 80 piksela. Razlike u zahtjevima objašnjavaju se i nijansama rada algoritama za prepoznavanje i prihvatljivim nivoom pouzdanosti koji je usvojio programer. Iz ličnog iskustva može se primijetiti da je Autotrassir zahtjevniji i “kapriciozniji” u pogledu odabira opreme, objektiva i pravilne instalacije kamere. Ali, s obzirom na to, pokazuje konstantno pouzdane rezultate i malo zavisi od vremenskih uslova.

Za veću pouzdanost, možemo preporučiti fokusiranje na vrijednost širine registarske tablice od 150 piksela. A ako se sjetimo da je širina registarske tablice prema GOST-u pola metra (preciznije 520 mm), onda dolazimo do potrebne rezolucije od 300 tačaka po metru.

Linearna rezolucija piksela po metru zavisi od ugla gledanja i rezolucije matrice kamere. Može se izračunati pomoću formule:

Rlin- linearna rezolucija, piksela po metru

R h- horizontalna rezolucija kamere (npr.R h =1080)

𝛼 - ugao kamere

L- udaljenost od kamere do objekta

Također možete koristiti naš online kalkulator na stranici proizvoda koji vas zanima, na kartici „Šta vidim“.

Ispod je (na primjer) nekoliko opcija za IP video nadzorne kamere koje označavaju maksimalnu udaljenost sa koje je moguće prepoznavanje registarskih tablica (širina registarske tablice 150 piksela). Imajte na umu da je za kamere sa varifokalnim objektivom u proračunu korištena maksimalna žižna daljina

	Žižna daljina	Horizontalna rezolucija	Max. udaljenost, m	Max. širina gledanja, m
		1920 piksela
		1280 piksela
		2688 piksela
		2048 piksela
		2048 piksela

Važno je shvatiti da kamere sa višom rezolucijom mogu pokriti šira područja, tako da je potrebno manje kamera za isto područje. U ovom slučaju, linearna rezolucija ostaje u granicama zahtjeva za identifikaciju. Ova činjenica čini ekonomski izvodljivim korištenje kamera visoke rezolucije u mnogim situacijama.

Osetljivost na svetlost i brzina zatvarača

Za pouzdano prepoznavanje registarskih oznaka automobila, kamera mora imati dobru osjetljivost na svjetlo i mogućnost ručnog podešavanja brzine zatvarača (brzina zatvarača ili samo brzina zatvarača). Ovaj zahtjev je izuzetno važan kada se gradi sistem za prepoznavanje registarskih tablica za vozila koja se kreću velikom brzinom. Za automobile koji se kreću brzinom do 30 km/h (naime, mi obično realizujemo takve projekte za naše kupce: vikend naselja, stambeni kompleksi, parkirališta trgovačkih centara, razna zatvorena područja) ovaj zahtjev je manje važan, ali se ne može podcijeniti, jer da bi se postigao visok kvalitet prepoznavanja, kamera mora snimiti najmanje deset kadrova sa čitljivim brojem.
Stoga, na primjer, za prepoznavanje registarske tablice automobila koji se kreće brzinom od 30 km/h s uglom ugradnje kamere do 10 stupnjeva u odnosu na os kretanja, brzina zatvarača treba biti oko 1/200 sekunde. Za mnoge jeftine kamere, čak i tokom dana po oblačnom vremenu, takva ekspozicija možda neće biti dovoljna, a slika će se pokazati tamnom i/ili bučnom. Stoga je vrijedno obratiti posebnu pažnju na veličinu matrice i njenu kvalitetu. U idealnom slučaju, koristite specijaliziranu crno-bijelu kameru sa CCD matricom. Međutim, njihova cijena je vrlo visoka, a rezolucija obično nije veća od 1MP, što nameće ozbiljna ograničenja u njihovoj primjeni.
Općenito, ne biste trebali juriti za visokom rezolucijom osim ako za to postoje objektivni razlozi. Relativno jeftine kamere ultra visoke rezolucije (4Mp, 5Mp i više) izgrađene su na 1/3, 1/2.8 i, rjeđe, 1/2.5-inčnim matricama. Kamere rezolucije 1,3 i 2 megapiksela imaju istu veličinu matrice. Kao rezultat toga, veličina svakog fotoosjetljivog elementa u kameri od 1,3 MP je primjetno veća nego u kameri od 5 MP, a što je veća veličina, svaki fotoosjetljivi element može prikupiti više svjetla. Zbog toga IP kamere koje preporučujemo za zadatke prepoznavanja brojeva rijetko imaju rezoluciju veću od 2 megapiksela.

Široki dinamički opseg (WDR), kompenzacija pozadinskog osvetljenja

Dinamički raspon kamere određuje omjer između maksimalnog i minimalnog intenziteta svjetlosti koji njen senzor može normalno uhvatiti. Drugim riječima, ovo je sposobnost kamere da prenosi i jarko osvijetljene i tamne dijelove slike bez izobličenja i gubitka. Ovaj parametar je veoma važan za automatsko prepoznavanje registarskih tablica, jer pomaže u rješavanju osvjetljenja kamere farovima. Međutim, čak i najnaprednije kamere sa 140dB WDR nisu uvijek u stanju podnijeti svjetlo visokog kontrasta. U tom slučaju se ugrađuje dodatno osvjetljenje vidljive svjetlosti ili rada u IC opsegu, naglašavajući područje u kojem se prepoznaje registarska tablica.

Dubina polja

Dubina polja ili, u potpunosti, dubina polja prikazanog prostora (DOF) je raspon udaljenosti na kojima se objekti percipiraju kao oštri.

Ova postavka je određena žižnom daljinom, otvorom blende i udaljenosti subjekta. Što je veća dubina polja, veće je područje fokusa i više mogućnosti da se "uhvati" dovoljan broj jasnih kadrova automobila u pokretu.

Možda najveći efekat na dubinu polja ima otvor blende. Što je manji otvor blende, veća je dubina polja; što je veća, to je manja dubina polja. Sve naše preporučene kamere za prepoznavanje registarskih tablica mogu se prilagoditi promjenjivim uvjetima osvjetljenja automatskim promjenom otvora blende. Preporučuje se podešavanje fokusa takvih kamera na maksimalnom otvoru blende, kada je dubina polja minimalna.

Što je veća udaljenost od kamere do objekta, to je veća dubina polja, stoga nemojte pokušavati da postavite kameru što bliže zoni prepoznavanja. S druge strane, što je veća žižna daljina, to je manja dubina polja. Prema našoj praksi, optimalna udaljenost od kamere do jutra je u rasponu od 6 do 10 metara. Iako nije nemoguće i prepoznavanje sa udaljenosti od 100 metara.

Distorzija

Mnogi objektivi blago iskrivljuju sliku. Najčešća je takozvana "barel" distorzija slike. To je zbog toga što je uvećanje veće u sredini i manje na rubovima, što rezultira promjenom veličine objekta. Dakle, ako isti predmet padne u centar slike i na njen rub, njegove dimenzije na rubu će izgledati manje. Ovo može uticati na mogućnost identifikacije.

Što je žižna daljina kraća, to se može primijetiti jače izobličenje. Stoga je nepoželjno koristiti kamere sa širokokutnim objektivima (manjim od 4 mm) za identifikaciju.

Šum i reprodukcija boja

Što je manje šuma i preciznija reprodukcija boja, to je bolje za identifikaciju. Stoga se preporučuje da obratite pažnju na parametre kao što su minimalno osvjetljenje kamere, kao i prisutnost funkcija smanjenja šuma.
Suzbijanje buke je posebno važno pri slabom osvjetljenju, kada su senzori kamere veoma „bučni“, što otežava identifikaciju. Treba shvatiti da se u mnogim slučajevima smanjenje buke i drugi elektronski „spravi“ ne mogu nositi, te je potrebno osigurati dovoljan nivo osvjetljenja u objektu.

Video kompresija

Moderne IP kamere emituju komprimirani video signal, a ako nema kretanja u kadru ili je ono minimalno, promet će biti mali. Ako je kretanje u kadru intenzivno, promet će rasti. Stoga, ako je u postavkama kamere postavljena konstantna brzina prijenosa, slika će biti prikladna za identifikaciju u nedostatku kretanja, ali neupotrebljiva - s velikim pomicanjem u kadru.
Za identifikaciju, preporučuje se postavljanje promjenljive brzine prijenosa s najvišim nivoom kvalitete. U tom slučaju će se dobiti željeni kvalitet slike.

Senzor: 1/2.8” CMOS s progresivnim skeniranjem Hardverski WDR 140dB Objektiv: 2,8-12 mm Karakteristike: komora je unutrašnja, potrebno je termo kućište za ugradnju na ulici. Objektiv nije uključen i prodaje se zasebno
Max. Rezolucija: 1.3MP, 1280 x 960 piksela Hardverski WDR Objektiv: 2,8-12 mm
AXIS P1365-E 2 MP vanjska mrežna kamera sa WDR i Lightfinder Senzor: 1/2.8” CMOS s progresivnim skeniranjem Max. rezolucija: 2mp, 1920 x 1080 piksela Hardverski WDR Lightfinder Technology Objektiv: 2.8-8mm @F1.3 Karakteristike: visoka osjetljivost, automatski fokus
Dahua IPC-HF8301E Utlra WDR 120dB, Ultra 3DNR Senzor: CMOS 1/3" Progressive Scan Max. rezolucija: 3mp, 2048x1536 piksela Hardverski WDR Objektiv: 2,8-12 mm Karakteristike: komora je unutrašnja, potrebno je termo kućište za ugradnju na ulici. Objektiv nije uključen i prodaje se zasebno
Senzor: 1/3” CMOS s progresivnim skeniranjem Max. Rezolucija: 1.3MP, 1280x960 piksela Objektiv: 2,8 - 8 mm (F1,2) Karakteristike: visoka osjetljivost, automatski fokus

1.1 Kamere

DS-2CD4A25FWD-IZ(H)(S) Lightfighter metak i

DS-2CD4A26FWD-IZ(H)(S) Darkfighter metak

Vanjski IR Bullet kamera

1. Radi pri veoma slabom osvetljenju
2. odličan rad kompenzacije farova,
3. cilindrično, robusno kućište za sve vremenske prilike,
4. dozvola za prepoznavanje registarskih tablica,
5. lista c/b filtera,
6. alarmni izlaz

1. Darkfighter Tehnologija ultra-niskog svjetla Visoka rezolucija 1920x1080
2. Do 60 fps pri Full HD1080p 120dB WDR
3. Motorizovani VF objektiv od 2,8~12 mm sa inteligentnim autofokusom
4. Pametni kodek H.264+ kompaktni kompresijski IR iluminator 50m.
5. IP67 zaštita
6. Napajanje +-12V DC i PoE
7. Ugrađena memorija, podrška do 128 GB
8. Podržava ANPR, crno-belo filtriranje liste

Opcije:

Integrirani grijač (-H)

Audio/alarmni ulazi/izlazi (-S)

Kamere pogodne za prepoznavanje registarskih tablica u početku se isporučuju sa firmverom za brojanje prolaznika,

stoga se, na zahtjev kupca, obnavljaju za ovu funkciju.

Treptanje ne uklanja u potpunosti funkciju brojanja i omogućava vam da se vratite na nju ako želite odabirom SMART događaja, kao što je prikazano na slici ispod.

1.2 Rješenje

Rješenja Hikvision prepoznavanje registarskih tablica koje osigurava sama kamera može se podijeliti na:

jedan). Klasično prepoznavanje registarskih tablica i izlaz liste prepoznatih direktno iz kamere

1. Radnje kada se broj poklapa sa listom snimljenom kamerom (ulazak na teritoriju, uključivanje sirene, slanje poruke)

Kada se sa liste pojavi broj, suvi kontakt kamere je zatvoren, što je signal za kontrolnu jedinicu barijere.

2. Zahtjevi za kameru i mjesto instalacije

2.1. Registarska tablica mora biti čitljiva i dobro osvijetljena.

2.2. Registarska tablica mora biti široka najmanje 150 piksela.

2.3. Dozvoljeni nagib - ne više od 5 ° (u smjeru kazaljke na satu i suprotno od kazaljke na satu).

2.4. Vertikalni ugao - ne više od 30 °.

Originalna formula je �=ℎ∗√3.

2.5. Horizontalni ugao - ne više od 30 °.

2.6. Ako je potrebno prepoznati registarske tablice iz dvije trake, po pravilu se preporučuje postavljanje kamere na prečku.

2.7. Potrebno je odabrati ispravnu udaljenost od kamere do mjesta prepoznavanja

2.8. Prilikom noćnog prepoznavanja registarskih tablica potrebno je IC osvjetljenje.

2.9. Brzina zatvarača treba da bude dovoljno velika da smanji odsjaj farova noću. Po pravilu govorimo o 1⁄1000.

2.10. Dubina fokusa je veoma važan parametar. Ako koristite kameru sa CS mount objektivom, koristite fiksni objektiv. Fiksna sočiva su bolja za prepoznavanje zbog veće dubine fokusa.

2.11. Prilikom odabira mjesta za montažu, imajte na umu da direktna sunčeva svjetlost može izobličiti sliku.

2.12. Prilikom postavljanja kamere sa strane ceste, provjerite kako oslonac reaguje na prolazak teških vozila ili kolone vozila. Ako podrška ima opipljive fluktuacije, to će uticati na efikasnost sistema.

2.14. U rijetkim slučajevima može doći do situacije lažne detekcije.
Da biste ovo sveli na minimum, potrebno vam je sljedeće:

1. ispravno odaberite zonu prepoznavanja.
2. pokušajte promijeniti ugao gledanja ili lokaciju kamere.
3. podesite postavke za minimalnu i maksimalnu veličinu registarskih tablica u postavkama.

3. Detekcija vozila

Inteligentna IP kamera detektuje automobil identifikacijom i prepoznavanjem registarskih tablica, dajući sledeće podatke registratoru, iVMS-5200 ili drugom potrošaču:

1. Vrijeme putovanja (sati i minute)
2. Smjer putovanja ("ulazak" i "izlaz" pri odabiru zone putovanja)
3. registarske tablice (slova i brojevi)
4. Država registracije (ime)
5. Snimak ekrana sa brojem (mala slika)
6. Snimak ekrana preko cijelog ekrana
7. Video trenutka određivanja (+/- 1-5s)
8. Automatsko prepoznavanje crne/bijele liste (izdavanje odgovarajućeg alarma)
9. Aktivacija alarmnog izlaznog releja (na samoj kameri, u registratoru se posebno konfiguriše)

Podacima primljenim od kamere upravljaju odgovarajući potrošači:

Možete podesiti prijenos informacija i stvarno prepoznavanje registarskih tablica na kameri na sljedećim potrošačima:

a) Postavka prepoznavanja na lokalnomNVR

Ako je NVR povezan na iVMS-4200, tada se snimač i kamera mogu konfigurirati iz njega:

b) Priznanje viVMS-4200

Čak iu iVMS-4200 možete obavljati svo upravljanje procesom prepoznavanja, ali nezavisno bez NVR-a, to je samo školjka koja može koristiti samo normalne funkcije video nadzora sa ovih kamera.

c) Postavka prepoznavanja naiVMS-5200 P

iVMS-5200 Pro ima naprednu analitiku koja koristi prepoznavanje brojeva u različitim aktivnostima društva i poslovanja.

Postavka prepoznavanja na kameri

Na samoj kameri, preko web-sučelja, možete konfigurirati za bilo kojeg potrošača, podešavajući to već na njoj, ali za povezivanje aktuatora konfiguracija se vrši samo na kameri.

Upravo ovdje ćemo razmotriti funkciju otkrivanja automobila za otvaranje barijere.

4. Podešavanje kamere

4.1. Za obradu događaja prepoznavanja registarskih tablica, kao što je, na primjer, otvaranje barijere, prije svega morate konfigurirati "Alarmni izlaz", zatvaranjem suhog kontakta čiji će mehanizam raditi.

Bez toga, neće biti električne reakcije na prepoznavanje koje se može dalje podešavati.

Međutim, ako ne planirate koristiti mehanizaciju, onda to nije potrebno.

4.2. Po pravilu, barijeru ne bi trebalo otvarati svim posjetiocima, već samo „svojima“, ili, u ekstremnim slučajevima, ne puštati samo određene. Stoga je potrebno unaprijed uneti "bijelu" i "crnu" listu brojeva za koju je potrebno da dobijete njenu formu sa same kamere pritiskom na dugme "izvoz".

Želim da obratim pažnju na naziv fonta koji se koristi u dokumentu, koji, naravno, nije u vašem sistemu, ali je neophodno da kamera pravilno percipira vaše unapred podešene postavke:

Nakon što popunite datoteku sa listom brojeva, potrebno je da izaberete popunjene ćelije naslovne trake, pazeći da je font nazvan na kineskom, a zatim pomoću dugmeta Excel kopirajte format prema uzorku

Zatim morate primijeniti ovaj format na sve ćelije koje ste unijeli, naglašavajući ih tako da sve budu napisane fontom s kineskim imenom.

4.3. Nakon uvoza pripremljene Excel datoteke, u kameru će se popuniti podaci "bijele" i "crne" liste:

Napomena: Nažalost, sa listama ćao pomalo tužno:

I sada, tek nakon svega prethodno urađenog, možete pristupiti postavljanju prepoznavanja registarskih tablica i omogućavanju reakcije okidača na brojeve sa "bijele" liste

4.4. Postavite broj traka za prepoznavanje i podesite zonu, a zatim odaberite regiju.

Podržane zemlje u opciji "EU i CIS":

Češka, Njemačka, Španija, Francuska, Italija, Holandija, Poljska, Slovačka, Bjelorusija, Moldavija, Ukrajina, Rusija, Belgija, Bugarska, Danska, Finska, Velika Britanija, Grčka, Hrvatska, Mađarska, Izrael, Luksemburg, Makedonija, Norveška, Portugal, Rumunija, Srbija, Azerbejdžan, Gruzija, Kazahstan, Litvanija, Turkmenistan, Uzbekistan, Letonija, Estonija, Austrija, Albanija, Bosna i Hercegovina, Republika Irska, Republika Island, Vatikan, Republika Malta, Švedska, Švajcarska, Kipar , Turska, Slovenija.

4.5. Odaberite način unosa/izlaska.

4.6. Provjerite i ponovo sačuvajte raspored.

4.7. Isključite "Sve" odabirom "Bijela lista" i uključite izlaz alarma.

4.8. Omogućite prepoznavanje i sačuvajte postavke.

5. Prepoznavanje brojeva

1. Proces prepoznavanja može se vidjeti u posebnoj kartici postavki.

1. Međutim, rezultati detekcije i prepoznavanja mogu se vidjeti samo u arhivi registratora.
2. Kamera će moći pisati na svoju memorijsku karticu samo stalno i o događajima:

Snimci ekrana identifikacije registarskih tablica također se mogu poslati na FTP server tako što ćete provjeriti odjeljak Komunikacijski metod na kartici Pretraga konfiguracije u meniju Saobraćaj.

6. Zaključak

Ne ljuti se! NVR, iVMS-4200 & 5200 nemaju sve gore navedene probleme! Tamo sve radi kako treba i ima odličnu funkcionalnost!

Prije par mjeseci, Hikvision je zvanično predstavio firmware za kamere 4. serije sa mogućnošću prepoznavanja registarskih tablica. Ovaj firmver se može preuzeti sa službene web stranice Hikvision-a u Rusiji, firmver je apsolutno besplatan i pogodan je čak i za kamere kupljene prije više od 2 godine, jedini nedostatak trenutno je onemogućavanje svih pametnih funkcija, osim prepoznavanja brojeva (to je zbog velikog opterećenja procesora kamere). Trenutno svaki vlasnik kamera serije Hikvision 4 može testirati mogućnost ovog firmvera na svojim kamerama. Platforma ugrađena u kameru detektuje i prepoznaje registarske tablice, te šalje primljene informacije na ili radi kontrole pristupa.

Za ispravan rad funkcije prepoznavanja registarskih tablica u kameri Hikvision 4. serije, moraju se poštovati brojni parametri:

• za prepoznavanje, horizontalni ugao je kritičan i treba da bude unutar 0-7 stepeni;
  
• broj mora zauzimati najmanje 130 piksela na slici;
• firmver kamere specijalizovana 5.3.0_150719. Za sada samo na engleskom

Šta dobijamo preko pretraživača:

U privatne svrhe uklonjena je slika registarske tablice i jedan znak sa prepoznatog broja.

Kao što vidite, kamera prepoznaje registarsku tablicu, označava vrijeme, regiju i fotografije samog broja, ako se broj iz nekog razloga ne prepozna, pravi se screenshot i može se prepoznati ručno. Za čuvanje podataka u slučaju gubitka veze, u kameri postoji bafer za 1000 brojeva.

Šta dobijamo putem Smart NVR-a(u našem slučaju, sa firmverom V3.4.0):

Dobijamo set fotografija sa datumom, brojem kamere i prepoznatim brojem vozila. Registar prikuplja i pohranjuje ove podatke. Moguće je pretraživati ​​i po vremenu i po broju, po bilo kom broju i slovu, za bilo koji vremenski period.Sve potrebne informacije mogu se preuzeti u XLS fajlu.

Takođe, možete vratiti datoteku sa brojevima sa crno-bele liste i na taj način automatizovati otvaranje aktuatora.

Poslednja opcija za dobijanje informacija je. Danas, upravo ovaj sistem u potpunosti podržava sve funkcije prepoznavanja registarskih tablica i druge funkcije inteligentne kamere. U iVMS-5200Pro, interfejs za prepoznavanje registarskih tablica prikazuje poslednjih 8 registarskih tablica u realnom vremenu desno od videa pametne kamere sa vremenom.

U privatne svrhe, jedan znak je uklonjen iz prepoznatog broja.

Istovremeno, klikom na registarsku tablicu pojavljuje se detaljna slika:
Tražite informacije: svi brojevi i slike automobila padaju u bazu podataka, gdje se lako mogu pretraživati ​​po parametrima ( može biti bilo kojim brojem i slovom broja, za bilo koji period). Da biste to učinili, otvorite sučelje zahtjeva za brojem i navedite informacije koje nas zanimaju.

Ovaj sistem smo testirali na 2 kamere + DS-7616NI-E2 sa firmverom V3.4.0 i iVMS-5200Pro softverom kompanije Hikvision (ne tako davno, ovaj modul se pojavio i u ažuriranoj verziji IVMS-4200 2.3.1.3 i testiran). Postotak priznatih registarskih tablica bio je ~70% , ali u našem slučaju to je bilo zbog nemogućnosti savršenog postavljanja kamere i praćenja svih parametara za ugao horizonta prema broju automobila.

Iz iskustva naših kolega iz Sankt Peterburga: „Prema podacima proizvođača, postotak priznatih tablica je 85% pri brzini od 65 km/h. U praksi se nasipom ponekad vozi i 100+ automobila, ali brojevi se prepoznaju ispravno. Što se tiče prepoznavanja registarskih tablica u mraku, prema informacijama proizvođača, a na osnovu zdravog razuma potrebno je ugraditi IR iluminator talasne dužine 850 nm. U našem slučaju, kamera je postavljena visoko i reflektor nije prikladan.”

U gore navedenom, koristili smo "gomila":

2) Tamron 5-50 objektiv

3) Termo kućište Hikvision 1313HZ-S

Generalno, sistem radi pristojno, prepoznavanje registarskih tablica se dešava direktno na kameri, opterećenje na računaru klijenta je minimalno (čak i ako sve kamere rade sa prepoznavanjem), sistem može čitati informacije sa 4 trake istovremeno.

Ekonomski dio ovog rješenja: Kamere Hikvision 4. serije koštaju od 19990 rubalja. odvojeno vam je potrebno termo kućište i dobro sočivo) i 39.990 rubalja. jer ako ovdje dodate 16-kanalni snimač, ovo je dodatnih 16.990 rubalja. Trošak sistema za prepoznavanje registarskih tablica s jednom kamerom (opcija za 39.990 rubalja) na bazi DVR-a koštat će 57.000 rubalja. Kada koristite 2-3 kamere, cijena rješenja po kanalu će se smanjiti i zapravo će biti jednaka cijeni same kamere.

Službeni zastupnik Hikvision-a (Hikvision) na Uralu (C) 2017.

Postoji mnogo sistema za automatizaciju ulaska automobila na teritoriju zaštićenog objekta. Počevši od banalnog čuvara u separeu sa dugmetom i završavajući elektronskom propusnicom ili radio privezkom.

Elektronski sistem za prepoznavanje registarskih tablica je usamljen na ovoj listi i do nedavno nije bio previše popularan.

Postoji nekoliko razloga za to.

Prvo, visoka cijena opreme i složenost prilagodbe. Drugo, aktivno odbacivanje inovacija, uključujući akte neskrivene sabotaže, od strane samih stražara, čiji je rad sada strogo kontrolisan, isključujući mogućnost dodatne zarade.

Međutim, postoje značajne prednosti koje sistem prepoznavanja registarskih tablica pruža:

• značajno povećanje nivoa sigurnosti i kontrole drumskog saobraćaja na objektu;
• isključena je mogućnost da treće osobe uđu u zaštićeno područje koristeći lažne ili ukradene magnetne propusnice ili elektronske privjeske za ključeve. (automobil se takođe može ukrasti, ali je to mnogo teže);
• automatsko prijavljivanje vozila s mogućnošću generiranja više izvještaja;
• mogućnosti daljinskog pristupa omogućavaju menadžmentu organizacije da kontroliše rad zaposlenih;
• sistem za prepoznavanje registarskih tablica može se lako integrirati u cjelokupni sistem kontrole pristupa organizacije.

Potpuno je isključena mogućnost ulaska na teritoriju zaštićenog objekta lijepljenjem brojeva ispisanih na štampaču na broj automobila. Gotovo svi sistemi za prepoznavanje registarskih tablica kontrolišu refleksiju svjetlosti, koju papir nema. Ponovno zalijepljeni broj jednostavno neće biti pročitan.

Opseg automatizovanih sistema za prepoznavanje registarskih tablica je prilično raznolik. Prije svega, prepoznavanje brojeva automobila bit će korisno na benzinskim stanicama, benzinskim pumpama, autopraonicama, skladištima, preduzećima, parkiralištima.

Funkcije koje takav automatski sistem za prepoznavanje registarskih tablica može obavljati prilično su raznolike:

• kontrola ulaska i izlaska na kontrolisanu teritoriju;
• ograničenje odlaska sa teritorije preduzeća, na primer, autobuska stanica, klijent koji nije izvršio uplatu;
• praćenje opterećenja servisnog područja.

U kombinaciji sa sistemima kontrole pristupa, identifikacija registarskih tablica pruža dodatne pogodnosti. Prije svega, ovo je potpuna kontrola lokacije vozila u utovarnom prostoru poduzeća. To omogućava praćenje uvoza sirovina ili izvoza gotovih proizvoda, provjeru efikasnosti utovarno-istovarnih operacija i sprječavanje krađe.

Istovremeno, provjera broja automobila ne samo na ulazu, već i na izlazu isključuje mogućnost izvoza robe korištenjem krivotvorenih ili pogrešnih pratećih dokumenata.

Ali vlasnik parkinga ili parkinga dobija najviše pogodnosti. Sistem automatskog prepoznavanja registarskih tablica omogućit će praćenje zauzetosti teritorije u realnom vremenu, što će omogućiti preduzimanje mjera za poboljšanje efikasnosti.

Kombinovanjem prepoznavanja registarskih tablica sa sistemom plaćanja u potpunosti će se eliminisati mogućnost zloupotrebe ili krađe od strane zaposlenih. A također će u potpunosti eliminirati mogućnost grešaka u obračunu vremena provedenog vozila na parkingu i dati željezni dokaz u sporovima sa nesavjesnim kupcima.

TEHNIČKE KARAKTERISTIKE I SASTAV OPREME

Sistem za automatsko prepoznavanje registarskih tablica, ovisno o proizvođaču i modelu, može uključivati ​​više uređaja i softverski paket sa modulima koji obavljaju različite analitičke funkcije ili opslužuju netipične uređaje. Na primjer, kamionske vage, radar za brzinu itd.

Zahtjevi za računar na kojem će se program instalirati.

Minimalni zahtjevi za različite programe mogu značajno varirati ovisno o funkcionalnom opterećenju, ali je u većini slučajeva potrebno:

• procesor, najmanje 3 GHz;
• video kartica: Intel, ATI sa OpenGL ili nVidia najmanje 512 MB;
• RAM, ne manje od 4 GB;
• HDD disk kapaciteta najmanje 4 GB.

DVR sa RTSP funkcijom.

Ovo je protokol za striming koji omogućava ne samo gledanje i snimanje informacija, već i korištenje videa u realnom vremenu. Primjer takvih rekordera je model HIKVISION DS-7204HVI-SV.

Nadzorna kamera sa RTSP funkcijom.

Takvi uređaji za prepoznavanje broja automobila moraju imati rezoluciju od najmanje 550 TVL, što osigurava matrica 1/3 "760H. Žižna daljina je 9-22 mm, što će omogućiti identifikaciju na znatnoj udaljenosti i pri prilično velikoj brzini, na primjer, Atis AW-CAR40VF ili AW-CAR180VF.

Svetlosna osetljivost kamere treba da bude što veća od 0,001 Lux, osim toga, uređaj mora biti opremljen IC osvetljenjem, što omogućava kvalitetno snimanje sa udaljenosti od najmanje 15-20 m. Potrebne su sledeće funkcije :

• ručno podešavanje ekspozicije;
• automatski balans bijele boje;
• kompenzacija pozadinskog osvetljenja;
• prošireni dinamički raspon.

Ove kamere će se koristiti isključivo na otvorenom, tako da je obavezno posjedovanje klase zaštite kućišta IP 66 sa ugrađenim termoparovima koji omogućavaju rad uređaja na niskim temperaturama od najmanje -30°C.

Preporučljivo je koristiti crno-bijele kamere jer imaju veću osjetljivost i rezoluciju od kamera u boji. Osim toga, većina algoritama za prepoznavanje registarskih tablica pretvara sliku u boji primljenu od kamere u crno-bijelu.

Izvršni uređaji i upravljački moduli.

Na primjer, BARBOS modul povezan na PC preko USB veze. Ovaj modul ima 4 petoamperska releja preko kojih možete kontrolisati barijeru, kapiju, kapiju, rasvjetu, GSM obavještenje, razne sisteme indikacija prikazanih u kontrolnoj sobi itd.

KAMERE ZA PREPOZNAVANJE TABICA

Glavni parametar na koji treba obratiti pažnju pri odabiru mjesta za ugradnju CCTV kamera za prepoznavanje registarskih tablica je ručno podešavanje brzine zatvarača. Postoji linearna veza između brzine vozila i preporučene brzine zatvarača (vrijeme ekspozicije kadra - zatvarač).

Što je veća brzina automobila, vrijeme ekspozicije bi trebalo biti kraće, inače će okvir biti zamućen - zamućenje u pokretu. Međutim, maksimalna dozvoljena brzina zatvarača ne zavisi samo od vremena ekspozicije, već i od ugla kamere. Ugao ugradnje kamere je ugao između pravca kretanja vozila i optičke ose kamere.

Većina kamera srednjeg dometa sposobna je za prijenos slike registarske tablice širine 80 piksela pogodne za prepoznavanje pod uglom vertikalne instalacije do +30° i horizontalnim uglovima skretanja od +/- 30°. Smatra se dobrim pokazateljem ako je sistem prepoznao registarsku tablicu kada je odstupila od horizontale (hrapavost puta) +/- 10°.

Na slici je prikazan grafikon zavisnosti vremena ekspozicije od ugla ugradnje kamere i brzine vozila.

Softver.

Softver je ključni element sistema za prepoznavanje registarskih tablica. Postoje mnoge razvojne kompanije koje nude svoje proizvode potrošačima.

Najčešći razvoj budžeta "Broj OK".

Prepoznaje ruske, ukrajinske, bjeloruske i moldavske registarske tablice, evidentira datum i vrijeme ulaska i izlaska vozila i vrijeme provedeno na teritoriji objekta. Ima mogućnost izrade jednostavnih izvještaja i može se integrirati u 1C. Program je kompatibilan sa većinom kamkordera i DVR-a koji imaju RTSP funkciju.

Drugi najvažniji je sistem prepoznavanja registarskih tablica. "automaršal".

Ima 2 algoritma za prepoznavanje, jedan za brzine do 30 km/h, drugi - do 150 km/h. Ima posebno prilagođene module "Parking", "Autopraonica", "Kapija ACS". Široke mogućnosti za izradu analitičkih izveštaja, upravljanje preko WEB klijenta i funkcija slanja SMS obaveštenja.

Sistem identifikacije registarskih tablica ima opsežnije dodatne karakteristike. "Kontrola saobraćaja" istraživačko-proizvodno društvo "Diskret".

Ovaj program se može povezati na kamionske vage i povezati bruto i neto vrijednosti sa brojem, kao i generirati sažetke, bilance i druge izvještajne dokumente. „Kontrola saobraćaja“ vodi foto arhivu trenutaka prolaska vozila kroz punkt i ima široke mogućnosti za analitičku pretragu, po broju automobila ili fotoaparata, vremenu i datumu.

Sistem "automatski broj" iz firme "ELVIS Neo Tech".

Struktura uključuje module "Auto-control", "Senesys-Avto" i "Auto Number". Program ima značajnu integraciju sa drugim sistemima video nadzora i sistema kontrole pristupa, kao i fleksibilan generator izveštaja, dobre mogućnosti arhiviranja i pretraživanja.

Bez sumnje, profesionalni sistemi za prepoznavanje registarskih tablica su prilično skupi. A upotreba prilagođenog konvencionalnog sistema video nadzora i demo verzija specijalizovanog softvera nije toliko efikasna koliko bismo želeli.

Ali korištenje ove vrste video analitike može dovesti poslovanje povezano s drumskim transportom na kvalitativno novi nivo, kako u smislu kontrole tako i poslovne analize.

* * *

© 2014-2020 Sva prava zadržana.
Materijali stranice služe samo u informativne svrhe i ne mogu se koristiti kao smjernice i normativni dokumenti.