Содержание к диссертации
Введение
Глава 1. Анализ современных подходов к управлению процессом формирования изображений в системах распознавания текстовых меток реального времени 18
1.1 Общая характеристика систем распознавания текстовых меток реального времени 18
1.1.1 Общее описание и назначение систем распознавания текстовых меток 18
1.1.2 Описание систем распознавания тестовых меток реального времени 21
1.1.3 Состав систем распознавания тестовых меток реального времени 23
1.1.3.1 Аппаратное обеспечение систем распознавания текстовых меток реального времени 24
1.1.3.2 Специальное программное обеспечение систем распознавания текстовых меток реального времени 28
1.2 Критерии эффективности систем распознавания текстовых меток реального времени 34
1.3 Основные проблемы применения систем распознавания текстовых меток реального времени и автоматического управления процессом формирования изображений 38
1.3.1 Качество изображений с образами текстовых меток 38
1.3.2 Проблема низкой эффективности систем распознавания текстовых меток реального времени 41
1.4 Выводы по первой главе 51
Глава 2. Структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени 53
2.1 Задача разработки структуры систем автоматического управления параметрами видеооборудования 53
2.2 Качество изображений в системах автоматического управления параметрами видеооборудования 54
2.2.1 Общее описание требований к качеству изображений 54
2.2.2 Расчет значений характеристик информативных изображений 57
2.2.3 Оптимальные значения характеристик изображений 65
2.2.4 Расчет качества информативных изображений 67
2.2.5 Определение качества изображений, содержащих образы нескольких текстовых меток 69
2.3 Структура систем автоматического управления параметрами видеооборудования 72
2.4 Общее описание зависимости эффективности алгоритмов распознавания текстовых меток от качества изображений 79
2.5 Выводы по второй главе 83
Глава 3. Метод автоматического управления процессом формирования изображений в системах распознавания текстовых меток реального времени 84
3.1 Задача разработки систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток 84
3.2 Особенности функционирования алгоритмов распознавания текстовых меток с учетом автоматического управления процессом формирования изображений 86
3.3 Выбор видеооборудования и его управляемых параметров 93
3.3.1 Общие требования к видеооборудованию 93
3.3.2 Выбор управляемых параметров видеооборудования 98
3.3.3 Определение базовой зависимости характеристик изображения от управляемых параметров оборудования 105
3.4 Особенности разработки и функционирования модуля управления 106
3.4.1 Общее описание управления параметрами видеооборудования 106
3.4.2 Ограничения процесса управления параметрами видеооборудования 109
3.4.3 Алгоритмы автоматического адаптивного управления параметрами видеооборудования 113
3.4.4 Автоматическое управление параметрами видеооборудования при невыполнении ограничений процесса управления 122
3.5 Особенности оценки эффективности и тестирования систем автоматического управления параметрами видеооборудования 124
3.6 Потенциал использования метода автоматического управления процессом формирования изображений 130
3.7 Выводы по третьей главе 132
Глава 4. Разработка системы автоматического распознавания автомобильных номеров реального времени с автоматическим управлением процессом формирования изображений 134
4.1 Задача распознавания автомобильных номеров 134
4.2 Разработка системы распознавания автомобильных номеров с автоматическим управлением процессом формирования изображений 140
4.2.1 Общее описание комплекса «УМКА-АвтоМаршал» 140
4.2.2 Определение качества изображений с образами автомобильных номеров 141
4.2.3 Выбор видеооборудования 147
4.2.4 Выбор управляемых параметров видеооборудования 149
4.2.5 Алгоритмы автоматического адаптивного управления параметром K в системе «УМКА-АвтоМаршал» 154
4.3 Результаты тестирования комплекса «УМКА-АвтоМаршал» 156
4.3.1 Оценка эффективности комплекса «УМКА-АвтоМаршал» 156
4.3.2 Ограничения использования комплекса «УМКА-АвтоМаршал» 158
4.3.3 Оценка выполнения ограничений процесса управления 159
4.4 Результаты диссертационного исследования 161
4.5 Выводы по четвертой главе 162
Заключение 164
Список сокращений и условных обозначений 167
Список литературы 168
Список иллюстративного материала
- Состав систем распознавания тестовых меток реального времени
- Качество изображений в системах автоматического управления параметрами видеооборудования
- Особенности функционирования алгоритмов распознавания текстовых меток с учетом автоматического управления процессом формирования изображений
- Разработка системы распознавания автомобильных номеров с автоматическим управлением процессом формирования изображений
Введение к работе
Актуальность темы и степень ее разработанности
Системы распознавания текстовых меток реального времени представляют собой аппаратно-программные комплексы (АПК) и предназначены для идентификации объектов в режиме реального времени с помощью распознавания образов их текстовых меток на изображениях. Классическим примером систем распознавания текстовых меток являются системы распознавания автономеров.
В аппаратное обеспечение систем распознавания входят компьютер и видеооборудование: видеокамеры, объективы, средства освещения, средства захвата видео и т. д. Основные функции программного обеспечения заключаются в получении видеоизображений от видеооборудования и в выявлении и распознавании графических образов текстовых меток на них.
Эффективность систем распознавания текстовых меток зависит от многих факторов, в том числе и от работы алгоритмов распознавания, которые предъявляют определенные требования к изображениям с образами текстовых меток. Из-за этого максимальная эффективность алгоритмов распознавания достигается только при обработке качественных изображений с образами текстовых меток, удовлетворяющих требованиям.
Качество изображений с образами текстовых меток зависит от следующих основных факторов: условия использования системы, характеристики текстовой метки, качество видеооборудования и корректность его установки и настройки.
Многие системы распознавания текстовых меток применяются в сложных нестационарных условиях эксплуатации. Например, когда освещенность зоны контроля переменчива и непредсказуема, когда могут проявляться погодные явления, а текстовые метки обладают различными характеристиками и могут быть загрязнены. При этом используется видеооборудование общего назначения, которое в подобных условиях не способны формировать качественные изображения текстовых меток. Это связано с тем, что механизмы адаптации к условиям использования в таком оборудовании (например, автоматическая регулировка усиления и диафрагмы, автоматический электронный затвор и др.) рассчитаны на достижение высокого качества всего изображения, а не его областей, содержащих образы текстовых меток, и не учитывают особенности функционирования конкретной системы и применяемых в ней алгоритмов распознавания. Из-за этого типовое видеооборудование в сложных нестационарных условиях эксплуатации зачастую формируют низкокачественные изображения, при анализе которых алгоритмы не способны правильно распознать текстовую метку, что приводит к значительному снижению эффективности всей системы. Указанные проблемы отмечены в публикациях М.В. Руцкова, Ю. Бухтиярова, А. Гонта и др.
Для повышения эффективности систем распознавания текстовых меток в подобных условиях необходимо, чтобы на вход алгоритмов распознавания поступали изображения с качественными образами текстовых меток. В определенных случаях можно применять программные алгоритмы для улучшения качества изображений. Но в рассматриваемых системах изображения текстовых
меток могут быть настолько низкого качества, что подобные алгоритмы будут не способны улучшить его. Для обеспечения необходимого качества изображений текстовых меток целесообразно управлять процессом формирования изображений в соответствии с особенностями функционирования конкретной системы и используемых в ней алгоритмов распознавания текстовых меток.
Одним из таких способов является ручная подстройка параметров видеооборудования (выдержки, усиления и др.). Но во многих случаях она не выполняется. Это отмечено во многих научных статьях и профессиональных журналах, посвященным системам видеонаблюдения и технического зрения.
В этой связи для повышения эффективности систем распознавания текстовых меток в нестационарных условиях целесообразно производить автоматическое управление параметрами видеооборудования. При этом системы распознавания текстовых меток рассматриваются как системы автоматического управления, в которых качество изображения текстовой метки является сигналом обратной связи и учитывается в процессе управления параметрами видеооборудования. Цель управления заключается в максимизации качества изображений, содержащих образы текстовых меток. Однако при разработке описанных выше систем автоматического управления параметрами видеооборудования возникают определенные научные и технические проблемы.
Большинство систем распознавания текстовых меток описываются только на уровне алгоритмов анализа изображений. Это прослеживается в работах Воскресенского Е.М., Фаворской М.Н. и др. Но для автоматического управления параметрами оборудования системы управления должны включать в себя критерии и алгоритмы оценки качества изображений с образами текстовых меток и алгоритмы автоматического управления параметрами видеооборудования.
Критериям и алгоритмам оценки качества изображений в общем виде посвящены работы К.С. Икрамова, И. Кривошеева и др. Но данные методы не учитывают особенности оценки качества изображений с точки зрения процессов распознавания текстовых меток и управления параметрами видеооборудования.
Проблемы возникают и при разработке алгоритма автоматического управления, т. к. на данный момент мало изучены вопросы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток именно с точки зрения процесса распознавания. А само видеооборудование должно позволять управлять своими параметрами с учетом особенностей функционирования системы и используемых в ней алгоритмов распознавания.
Цель диссертационной работы
Целью диссертационной работы является повышение эффективности систем распознавания текстовых меток реального времени при применении в нестационарных внешних условиях эксплуатации за счет автоматического управления процессом формирования изображений.
Основные задачи
Для достижения указанной цели необходимо решить следующие задачи: 1) Разработать критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток.
-
Разработать структуру системы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени.
-
Разработать алгоритмы автоматического управления параметрами видеооборудования.
-
Апробировать предложенные решения в системе автоматического распознавания автомобильных номеров.
Научной новизной обладают:
-
Критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток. Данные критерии и алгоритмы позволяют оценивать качество именно образов текстовых меток на изображениях.
-
Структура системы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени. Данная структура позволяет выполнять автоматическое управление параметрами видеооборудования для формирования изображений текстовых меток необходимого качества.
-
Алгоритмы автоматического адаптивного управления параметрами видеооборудования. Применение данных алгоритмов при использовании системы распознавания текстовых меток реального времени в нестационарных внешних условиях эксплуатации позволяет формировать высококачественные изображения текстовых меток и за счет этого повысить эффективность алгоритмов распознавания текстовых меток и всей системы.
Практическая ценность
-
Описана методика разработки систем автоматического управления параметрами видеооборудования. Данная методика может быть использована при разработке новых систем и при модификации существующих.
-
Разработаны алгоритмы оценки качества изображений с образами нескольких текстовых меток.
-
Описаны ограничения процесса управления параметрами видеооборудования.
-
Представлены критерии оценки эффективности систем управления параметрами видеооборудования.
-
Разработана система автоматического управления выдержкой и усилением камеры в системе распознавания автономеров АПК «УМКА-АвтоМаршал»
Предмет исследования - методы, алгоритмы и средства автоматического управления процессом формирования изображений в системах распознавания текстовых меток реального времени при их применении в нестационарных внешних условиях эксплуатации.
Методология и методы исследования
В данной работе рассматриваются системы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток, в которых видеооборудование является объектом управления, качество изображений является сигналом обратной связи, а цель управления заключается в максимизации качества формируемых изображений с образами текстовых меток.
Для решения поставленных задач в диссертационной работе использованы методы обработки и анализа изображений, теории автоматического управления,
математической статистики, теории оптимизации, математический аппарат теории распознавания изображений и законы оптики. На защиту выносятся:
-
Критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток.
-
Структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени.
-
Алгоритмы адаптивного автоматического управления параметрами видеооборудования.
Достоверность результатов
Данные, полученные при исследованиях и испытаниях, подтверждают корректность предложенных в данной работе решений. Алгоритмы оценки качества изображений и автоматического управления параметрами видеооборудования основываются на известных положениях фундаментальных наук. Результаты исследований использовались при разработке АПК «УМКА-АвтоМаршал», который показал высокую эффективность в задачах распознавания автономеров при применении в нестационарных условиях эксплуатации.
Апробация
Основные положения диссертации были представлены на десятой международной научной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2010), Межвузовском конкурсе-конференции «Технологии Microsoft в теории и практике программирования» (Санкт-Петербург, 2012), четвертом ежегодном смотре-сессии аспирантов и молодых ученых Вологодской области по отраслям наук (Вологда, 2010 г.), а также на научных семинарах кафедры «Программного обеспечения вычислительной техники и автоматизированных систем» Института менеджмента и информационных технологий ФГБОУ ВПО «Санкт-Петербургский государственный политехнический университет». В 2010 году в г. Вологда автором получена премия в рамках конкурса «Инновационные проекты молодых изобретателей и рационализаторов» за разработку АПК «УМКА-АвтоМаршал».
Публикации
По результатам диссертации было опубликовано 7 работ, в том числе 4 в изданиях, рекомендованных ВАК.
Структура диссертации
Диссертация состоит из введения, 4 глав, заключения, списка сокращений и условных обозначений, списка литературы, списка иллюстративного материала и приложений. Объем основной части составляет 167 страницы. Работа содержит 46 рисунков, 7 таблиц, список литературы из 76 наименований, 5 приложений на 21 страницах.
Состав систем распознавания тестовых меток реального времени
Основные положения диссертации были представлены на десятой международной научной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2010), Межвузовском конкурсе-конференции «Технологии Microsoft в теории и практике программирования» (Санкт-Петербург, 2012), четвертых ежегодных смотрах-сессиях аспирантов и молодых ученых Вологодской области по отраслям наук (Вологда, 2010 г.), а также на научных семинарах кафедры ПО ВТ и АС ИМИТ СПбГПУ.
В 2010 году в г. Вологда автором работы была получена премия в конкурсе «Инновационные проекты молодых изобретателей и рационализаторов» за разработку АПК «УМКА-АвтоМаршал».
По результатам диссертации было опубликовано 7 работ, в том числе 4 в изданиях, рекомендованных ВАК. На защиту выносятся следующие положения диссертации: 1) Критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток. 2) Структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени. 3) Алгоритмы адаптивного автоматического управления параметрами видеооборудования.
Диссертация состоит из введения, 4 глав, заключения, списка сокращений и условных обозначений, списка литературы, списка иллюстративного материала и приложений. В первой главе представлено общее описание систем распознавания текстовых меток реального времени. Данные системы являются аппаратно-программными комплексами и предназначены для идентификации объектов контроля с помощью распознавания образов их текстовых меток (ТМ) на изображениях, поступающих от видеооборудования.
В аппаратное обеспечение данных систем входят видеооборудование и ЭВМ, а специализированное программное обеспечение включает в себя подсистему видеоввода, подсистему обработки и анализа изображений, графический интерфейс пользователя и т.д. Основу специализированного ПО рассматриваемых систем составляют алгоритмы распознавания ТМ на видеоизображениях.
Рассмотрены основные этапы алгоритмов распознавания ТМ, и описано видеооборудование, входящее в состав современных систем распознавания текстовых меток реального времени.
Эффективность рассматриваемых систем распознавания зависит от многих факторов, одним из которых является эффективность алгоритмов распознавания. При этом максимальная эффективность алгоритмов распознавания достигается только при обработке высококачественных изображений ТМ, которые соответствует определенным требованиям.
Описана проблема применения систем распознавания текстовых меток реального времени, заключающаяся в том, что многие такие системы используются в нестационарных условиях с видеооборудованием общего назначения, которые не способны формировать изображения с образами ТМ высокого качества в подобных условиях. Из-за этого эффективность алгоритмов распознавания и всей системы значительно снижается.
Чтобы повысить эффективность алгоритмов распознавания и всей системы необходимо на вход алгоритмов распознавания подавать качественные изображения ТМ. Для получения высококачественных изображений в сложных нестационарных условиях необходимо управлять процессом формирования изображений. Описан метод ручной подстройки параметров видеооборудования и его основные недостатки.
Для повышения эффективности рассматриваемых систем распознавания текстовых меток при их использовании в нестационарных условиях целесообразно производить автоматическое управление параметрами видеооборудования.
Проведен анализ современных способов автоматического управления параметрами видеооборудования. Дано общее описание понятия качество изображения.
Анализ источников литературы показал, что многие вопросы разработки и применения алгоритмов распознавания текстовых меток и алгоритмы оценки качества изображений в общем виде проработаны на высоком уровне. Но отсутствуют структуры систем управления параметрами видеооборудования в системах распознавания текстовых меток, содержащие критерии и алгоритмы оценки качества изображений и алгоритмы автоматического управления параметрами видеооборудования.
По результатам исследований определен круг решаемых в диссертационной работе задач. Во второй главе разработаны критерии и алгоритмы оценки качества изображений с образами ТМ. Все изображения разделяются на информативные и неинформативные. Для информативных изображений именно в областях с образами текстовых меток вычисляются характеристики образа ТМ. Определены алгоритмы вычисления средней яркости светлых и темных пикселей образа ТМ в области изображения Качество вычисляется только для информативных изображений как степень соответствия характеристик текущего изображения оптимальным значениям. При наличии на изображении образов нескольких ТМ, для каждого образа вычисляется вектор характеристики образа ТМ, все векторы кластеризуются, и центр наибольшего кластера используется как вектор обобщенных значений. Разработана структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени. Кроме типовых элементов она включает критерии и алгоритмы оценки качества изображений и адаптивный модуль управления параметрами видеооборудования.
Описаны принципы функционирования рассматриваемых систем, представляющих собой системы автоматического управления параметрами видеооборудования с целью достижения требуемого качества изображений с образами ТМ. При этом новые значения управляемых параметров оборудования вычисляются в модуле управления с помощью закона управления с учетом их текущих значений и качества текущего изображения.
В третьей главе описана методика разработки и принципы функционирования систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени.
Качество изображений в системах автоматического управления параметрами видеооборудования
Встает задача выбора подходящего видеооборудования, которые было бы способно формировать высококачественные изображения с образами ТМ и которое позволяло бы управлять своими параметрами с учетом особенностей функционирования алгоритмов распознавания ТМ конкретной системы. Для описанных выше задач оптимально подходят цифровые камеры. Они обладают высоким качеством и необходимыми функциональными возможностями по управлению их параметрами (например, цифровые USB видеокамеры). В последнее время все чаще разрабатываются так называемые «умные камеры» [42, 43], которые в одном корпусе содержат цифровую камеру и вычислительный модуль, на котором могут выполняться алгоритмы обработки и анализа изображений, в том числе и алгоритмы распознавания текстовых меток. При этом в данном модуле могут быть реализованы и алгоритмы автоматического управления параметрами видеооборудования. Непрерывное повышение производительности ЭВМ и уменьшение их размеров приводит к возможности использования мощных вычислительных средств внутри умных видеокамер и к возможности выполнения сложных алгоритмических расчетов непосредственно в камере. Примерами подобных комплексов являются «УМКА-АвтоМаршал», «КОРДОН», «КРИС», «СТРЕЛКА» и другие разработки в нашей стране и за границей (приборы «Арена» и «Рубеж» на Украине, система «ASSET» в Финляндии, Trafistar Sr590). Автор данной работы является одним из разработчиков устройства «УМКА-АвтоМаршал».
В качестве управляемого видеооборудования могут выступать и аналоговые камеры с платами видеоввода. При этом автоматическое управление может производиться определенными модулями камеры, объективом (например, степень открытия диафрагмы) и процессом оцифровки изображения (управление параметрами платы видеоввода).
Следующая проблема связана с тем, что большинство современных систем распознавания текстовых меток описываются только на уровне алгоритмов распознавания ТМ [14, 22, 35, 36]. Но для управления процессом формирования изображений данные системы должны включать еще критерии и алгоритмы оценки качества изображений ТМ и алгоритмы автоматического управления параметрами видеооборудования. Это делает невозможным использование имеющихся принципов описания систем распознавания текстовых меток для автоматического управления параметрами видеооборудования, т.к. от конкретных значений параметров видеооборудования в определенный момент времени зависят характеристики изображения и его областей с образами ТМ, т.е. зависит качество изображений и соответственно эффективность алгоритмов распознавания и всей системы.
Также недостаточно проработаны критерии и алгоритмы оценки качества изображений с образами ТМ. Как было указано в п. 1.3.1 алгоритмы оценки качества изображений в общем виде проработаны на высоком уровне. Но они не учитывают особенности процессов распознавания ТМ и автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени, что затрудняет их использование.
Также в системах распознавания текстовых меток реального времени с автоматическим управлением процессом формирования изображений может потребоваться и модификация алгоритмов обработки и анализа изображений, применяемых для распознавания ТМ. Это связано с тем, что они должны быть рассчитаны на обработку изображений с образами ТМ высокого и низкого качества, и они должны предоставлять подробную информацию о результатах распознавания ТМ, которая нужна для расчета качества изображений.
Рассматриваемые в данной работе системы распознавания текстовых меток с управляемым видеооборудованием должны рассматриваться как системы автоматического управления (САУ). Теория автоматического управления в общем виде описана во многих научных трудах российских и зарубежных ученых [45-49]. В том числе имеются работы, описывающие применение теории управления в компьютерных системах. Из всех разновидностей САУ системы распознавания текстовых меток реального времени, рассматриваемые в данной работе, относятся к замкнутым САУ, в которых процесс управления происходит по отклонению измеряемой величины [47]. В рассматриваемых системах, с точки зрения общей теории автоматического управления, динамическим объектом управления является видеооборудование [50], измеряемая величина – характеристики изображения ТМ, сигнал обратной связи – качество изображения или несоответствие характеристик изображения требованиям, а управляющий сигнал – значения управляемых параметров видеооборудования. Цель управления заключается в максимизации качества изображений с образами ТМ, формируемых видеооборудованием.
Вопросы автоматического управления в системах технического зрения также описаны в [51-56]. Однако во многих случаях рассматриваемые системы применяются в нестационарных условиях использования. Часто при этом неизвестна вся необходимая априорная информация об объектах контроля, об особенностях функционирования видеооборудования и о зависимости качества изображений от значений параметров видеооборудования. В таких случаях необходимо использовать адаптивные автоматические регуляторы для управления параметрами видеооборудования, которые описаны в [57-60].
Особенности функционирования алгоритмов распознавания текстовых меток с учетом автоматического управления процессом формирования изображений
Опишем взаимосвязь эффективности алгоритмов распознавания ТМ от качества изображений с образами ТМ. Под эффективностью алгоритмов распознавания в текущем описании понимается количество полезной информации, извлекаемое ими при анализе изображения ТМ за определенное время.
Пусть видеооборудование H в конкретный момент времени t установлены и настроены определенным образом, т.е. они имеют конкретные значения своих параметров HP t. В данный момент времени они наблюдают зону контроля, имеющую определенное состояние St (освещенность, положение объектов и прочие характеристики). Результатом работы видеооборудования в данный момент времени является изображение, которое получено в соответствии с текущими параметрами видеооборудования и текущим состоянием зоны контроля. Для изображения рассчитываются его характеристики R(It).
Условно можно сказать, что данное изображение содержит определенное количество информации QI об объектах реального мира: QI (It ) [0,1] . (2.26)
Значение QI=0 символизирует полное отсутствие информация на изображении об объектах реального мира (такая ситуация может произойти при получении изображения с платы видео захвата при отключенной камере). Значение QI=1 описывает случай с идеализированным изображением, которые содержит максимально-возможное количество информации об объектах реального мира. В реальных условиях такое значение практически недостижимо.
При этом используемые алгоритмы A способны извлечь определенное количество информации QIa при анализе изображения I: QIa(A, It ) = kA QI (It ) . (2.27) Из представленной формулы видно, что количество информации QIa(A,It) зависит от того, насколько много информации QI(I) содержит изображение.
Коэффициент kA в формуле (2.27) в общем виде символизирует часть информации содержащейся на изображении, которую могут извлечь алгоритмы. Т.е. можно сказать, что данный коэффициент определяет качество (эффективность) алгоритмов распознавания. Это обусловлено тем, что на изображении может иметься необходимое количество информации, но она может быть представлена не в надлежащем виде, либо алгоритмы не способны извлечь всю информацию, имеющуюся на изображении. Например, на рисунке 2.10 представлено изображение с автомобильным номером.
Рисунок 2.10 – Пример изображения с повернутым образом номера Данный номер четко виден, все его символы хорошо различимы, т.е. можно сделать вывод, что на изображении находится достаточно информации для распознавания номера. Однако он находится в вертикальном положении. Многие системы распознавания автомобильных номеров рассчитаны только на распознавание тех номеров, чей образ незначительно отклонен от горизонтальной оси изображения или параллелен ей. В таких системах на приведенном изображении номер распознан не будет. В данных системах имеется ряд требований, в соответствии с которыми заданы оптимальные значения R0 для характеристик изображений c образами ТМ объектов контроля, поступающих на вход алгоритмов распознавания.
В соответствии с текущими значениями R(It) характеристик областей изображения с образами ТМ и с их оптимальными значениями R0 рассчитывается качество изображения. Качество изображения зависит от многих факторов, в том числе от текущего состояния зоны контроля St и от текущих значений параметров видеооборудования HP t.
Из описанного выше следует, что количество информации, извлекаемое алгоритмами распознавания ТМ при анализе изображения, зависит не только от количества информации QI(It), которое содержит изображение, но и от качества данного изображения. Таким образом, формулу (2.27) можно уточнить следующим образом: QIa (A, It ) = k Q(R(It ), R0) QI (It ). (2.28)
В некоторых случаях формула (2.28) может быть более сложной и описывать более специфичную зависимость количества информации, извлекаемой алгоритмами при анализе изображения.
В большинстве случаев коэффициент kA[0,1]. Однако некоторые алгоритмы анализируют последовательность изображений I = (I1, I2,…, In) либо могут учитывать при анализе текущего изображения информацию, полученную от предыдущих изображений. Для таких алгоритмов в некоторых случаях коэффициент kA может быть больше 1. Например, при анализе двух изображений движущихся объектов можно примерно вычислить их скорость и направление движения. Хотя при анализе одного изображения практически невозможно рассчитать данные характеристики.
К увеличению коэффициента kA может привести и использование информации, полученной не от изображения, а от других источников. Например, от датчиков обнаружения движения.
Общая эффективность работы алгоритмов Qs зависит также от времени ts, затрачиваемого на обработку одного изображения: Qs(QIa, ts). В общем виде коэффициент ts описывает ресурсоемкость используемых алгоритмов и производительность ЭВМ.
Таким образом, эффективность работы алгоритмов распознавания ТМ и всей системы зависит от количества информации и от ее представления на изображении (т.е. от качества изображений, которое в свою очередь зависит от текущего состояния зоны контроля и текущих значений параметров видеооборудования), от способности алгоритмов извлекать всю необходимую информацию и от времени обработки изображений.
Разработка системы распознавания автомобильных номеров с автоматическим управлением процессом формирования изображений
Кроме изображений, на которых были выделены области l, и в них были распознаны все или часть символов автономеров, к информативным также относятся и изображения с образами автономеров низкого качестве или когда все изображение обладает низким качеством.
Так значения BRwhite и BRblack можно определить и при обработке изображения, на которых имеется прямоугольная белая область. Она в определенных ситуациях с учетом известных геометрических характеристик автономера может являться его пересвеченным образом.
При этом, алгоритм локализации в ядре распознавания «АвтоМаршал» не был рассчитан на выделение пересвеченных образов номеров, поэтому область с таким номером не будет локализована. Для определения пересвеченных образов номеров был разработан вспомогательный алгоритм, который основывается на бинаризации изображения с порогом 180, после чего для всех белых пикселов происходит выделение связных компонент по связности с 4 соседями и их фильтрация по геометрическим характеристикам номера и с учетом его возможных искажений: отношение высоты образа автомобильного номера к его ширине должно находиться в пределах от 0,1 до 0,35. Также с учетом приближенно известных размеров образа номера на изображении выделенные области отсеиваются по количеству пикселей, содержащихся в них. Далее для конкретной связной компоненты вычисляется минимальный прямоугольник, содержащий в себе данную компоненту. По всем пикселям данного прямоугольника рассчитывается среднее значение яркости BR простым усреднением, которое используется в качестве средней яркости светлых и темных пикселей образа номера: BRwhite = BRblack = BR.
В тех случаях, когда области с образами автономеров не были локализованы или в них не были распознаны символы ТМ и когда не были обнаружены пересвеченные образы номера, то анализируется качество всего изображения. Так, если после бинаризации всего изображения с высоким порогом (220) большая часть (больше 85 %) пикселей изображения окажется белыми, то это означает, что все изображение пересвечено. При этом если оно было сформировано в тот момент, когда в зоне контроля находился автомобиль, то образ его номера также будет пересвечен. В таких случаях в качестве значений средней яркости светлых и темных пикселей образа номера можно использовать число 255: BRwhite = BRblack = 255. Во всех остальных случаях изображение является неинформативным, и для него не вычисляются R(I) и Q(I).
Если на информативном изображении обнаружены образы нескольких автомобильных номеров, то для каждого из них рассчитывается характеристики BRwhite и BRblack, а затем все эти значения обобщаются в одно значение R(I) с помощью кластеризации по формулам (2.10-2.14).
Далее были вычислены оптимальные значения R0 для BRwhite и BRblack образа автомобильного номера на видеоизображении. Расчет R0 был выполнен в соответствии с алгоритмом, описанным во 2-й главе данной работы, и представлен в приложении А. Сами значения R0 представлены на рисунке 4.7.
Для расчета качества информативных изображений в АПК «УМКА-АвтоМаршал» используется формула (2.17).
При разработке АПК «УМКА-АвтоМаршал» было выбрано следующее видеооборудование: - цифровая USB телевизионная камера; - вариофокальный объектив с ручной диафрагмой; - импульсный ИК-осветитель на основе сборки светодиодов с длинной волны излучения 0,85 мкм и встроенными источниками питания; - узкополосный интерференционный ИК-фильтр. Также в аппаратное обеспечение данного АПК входят следующие элементы: - РС-совместимый вычислительный модуль в индустриальном исполнении; - твердотельный накопитель (SSD); - блок питания; - герметичный корпус.
Цифровая USB телевизионная камера является черно-белой камерой производства ООО «Спецтелетехника» с прогрессивной разверткой и максимальным разрешением 768х576 точек. Кадровая частота - 25Гц. На входе оптической системы расположен узкополосный интерференционный фильтр с максимальным пропусканием на длине волны излучения ИК осветителя (0,85 мкм). Тем самым существенно снижается компонента засветки от солнечного излучения, автомобильных фар и осветительных ламп. Подсветка ИК прожектора синхронизирована с экспозицией электронного затвора камеры, при этом длительность свечения регулируется программно и лежит в диапазоне 10 мкс … 4 мс (патент РФ №78343). Камера обменивается информацией со встроенной ЭВМ через порт USB 2.0. Оптическая система содержит вариообъектив 5 50 мм с приводом и с ручной диафрагмой (выбранная
видеокамера не поддерживает использование объектив с автоматической диафрагмой), который позволяет программно подстраивать фокусное расстояние и резкости вручную без необходимости разборки комплекса. Более подробное описание АПК «УМКА-АвтоМаршал», в том числе и его аппаратного обеспечения, приведено в приложении Б.
Данная видеокамера была выбрана из-за того, что она является высокочувствительной и обладает высоким разрешением. При этом подключение по интерфейсу USB 2.0 позволяет не только получать видеокадры в цифровом виде, но и управлять параметрами камеры (период формирования кадров, разрешение, области интереса, усиление, выдержка и т.д.) практически в режиме реального времени от кадра к кадру. ИК-осветитель был выбран по нескольким причинам: - большинство типов автомобильных номеров по ГОСТ [1] оснащены световозвращающим покрытием; - свет в ИК диапазоне не виден невооруженным человеческим глазом, что минимизирует дискомфорт водителей автомобилей в тот момент, когда они проезжают в зоне контроля; - используемая камера обладает высокой чувствительностью в ИК диапазоне. Часть из всех параметров выбранного видеооборудования является стационарными, а остальная часть – динамическими по классификации, которая была описана во второй главе данной работы.
