تشخیص پلاک خودرو

D
پویش رایان داتیس
مطالعه حدود 0 دقیقه
14 0
تشخیص پلاک خودرو
راهنمای مطالعه
تشخیص پلاک خودرو LPR/ANPR چیست؟
OCR کاراکترهای معادل بصری
تراکم پیکسلی مورد نیاز PPF
تشخیص چالش های مهم در LPR

چند سالی هست که بحث‌ پلاک خوانی، پلاک بینی، پلاک زنی، دوربین مداربسته پلاک خوان، دوربین پلاک بین، دوربین مداربسته شناسایی پلاک، ANPR، LPR و … در بازار نظارت تصویری رنگ و بوی جدیدی به خود گرفته است. هر تولیدکننده‌ای تلاش می‌کند تا بهترین عملکرد را برای مشتریان خود داشته باشد. در این راهنمای آموزشی 16 بخشی، اصول تشخیص پلاک (LPR)‌/‌تشخیص خودکار شماره پلاک (ANPR) را توضیح می‌دهیم. با ما همراه باشید. 

تشخیص پلاک خودرو LPR/ANPR چیست؟

الگوریتم‌های تشخیص پلاک خودرو (License Plate Recognize:LPR) یا تشخیص خودکار شماره پلاک (Automatic Number Plate Recognition.:ANPR) سال‌هاست که برای شناسایی پلاک خودروها و خروجی کاراکترهای الفبای عددی روی پلاک استفاده می‌شوند. LPR معمولاً برای اجرای قانون، پارکینگ و امنیت مرزی به بازار عرضه می شود. در مقایسه با اکثر تجزیه و تحلیل‌های ویدیویی دیگر، این فناوری کامل‌تر است.

مراحل LPR/ANPR کدامند؟

LPR/ANPR شامل دو مرحله اساسی است:

1- مکان یابی پلاک خودرو

 صحنه‌های نظارت تصویری می‌تواند شامل کارکتر‌های زیادی باشد. از بیلبوردها، ویترین فروشگاه‌ها، نام شرکت‌ها در وسایل نقلیه و …

2- خواندن کاراکترهای پلاک

هنگامی که پلاک دیده شد، کاراکترها باید خوانده شوند. اگرچه این کار توسط عوامل مختلفی از جمله زاویه، فونت، تصاویر پس‌زمینه، کثیف بودن و غیره پیچیده می‌شود.

آموزش تشخیص پلاک دوربین مداربسته

OCR LPR قدیمی

تشخیص ویژگی‌های نوری (Optical Character Recognition:OCR) یک کاراکتر را به عنوان ورودی می‌گیرد. و آن را با کاراکترهای کامل مطابقت می‌دهد. یا کاراکترها را به بخش های مختلف تبدیل می‌کند و آن قطعات را با الگوهای کاراکترها مطابقت می‌دهد.

به عنوان مثال 'A' با یک خط زاویه دار از چپ به راست، یک خط زاویه دار از راست به چپ، و یک خط افقی در وسط ایجاد می‌شود. با پیدا کردن لبه‌های کاراکتر، OCR تعیین می‌کند که آن A است.

OCR LPR قدیمی

استفاده از الگوها در برابر تغییرات فونت و سایز آن، انعطاف پذیرتر است. با این حال، OCR معمولاً با زوایای دید شیب‌دار یا کاراکترهای مسدود کار نمی‌کند.

OCR روی کاراکترهایی با اندازه یکنواخت و با فاصله یکسان و حروفی که به گونه‌ای طراحی شده‌اند که قابل تمایز باشند، بهترین عملکرد را خواهد داشت.

پلاک‌های دارای کاراکترهای انباشته به ویژه برای OCR ،چالش برانگیز هستند. زیرا اکثر الگوریتم‌ها برای خواندن از چپ به راست طراحی شده‌اند و لبه‌های 2 کاراکتر روی هم شبیه هیچ الگوی کاراکتری شناخته شده‌ای نیستند:

OCR کاراکترهای معادل بصری

نقطه ضعف اصلی تکنیک‌های OCR این است که برخی از کاراکترها در فونت‌های پلاک معمولی دارای معادل‌های بصری هستند(به عنوان مثال O در مقابل Q در مقابل 0 (صفر)، S در مقابل 5، I در مقابل 1، B در مقابل 8).

این بدان معناست که پلاکی با کاراکترهای "ABC1234" در معرض خطر خوانده شدن به عنوان "A8C1Z34" یا "ABCI234" است. یا به تصویر زیر نگاه بیندازید: 

OCR کاراکترهای معادل بصری

این اتفاق به طور قابل توجهی چالش شناسایی خودکار پلاک خودرو در موارد تحت نظر را افزایش می‌دهد. در حالی که تشخیص موارد صحیح در پلاک‌هایی که نادیده گرفته شده‌اند، شناسایی نشده‌اند یا تشخیص داده نشده‌اند ویا به طور کامل از قلم می‌افتند، نسبتا آسان است.

برای پرداختن به این موضوع، برخی از الگوریتم‌های LPR، تنظیم معادلی را برای کاهش نرخ پلاک‌های گمشده برنامه‌ریزی کرده‌اند، که معمولاً به عنوان تطبیق «فازی» نامیده می‌شود. با این حال، این امر نرخ مثبت کاذب را افزایش می‌دهد، که موضوعی در راستای امنیت و پارکینگ است. زیرا وسایل نقلیه با پلاک معادل اجازه دسترسی به مناطقی را خواهند داشت که نباید دسترسی داشته باشند.

تراکم پیکسلی مورد نیاز

الزامات تشخیص پلاک مربوط به تراکم پیکسل بسیار متفاوت است. اما اغلب به 100-300PPF نیاز دارد که بسیار بیشتر از تشخیص شخص یا وسیله نقلیه است. 

سازندگان معمولاً الزامات را بر حسب پیکسل در ارتفاع یا عرض پلاک و یا کاراکترها مشخص می‌کنند. اندازه پلاک‌ها و سرعت وسایل نقلیه به طور قابل توجهی بر نیازهای پیکسل تأثیر می‌گذارد، همانطور که در این مثال از یک سازنده VMS LPR آمده است: 

تراکم پیکسلی مورد نیاز

سیستم تشخیص پلاک LPR هوشمند

بسیاری از موارد LPR مدرن از الگوریتم‌های هوشمند برای خواندن پلاک‌ها استفاده می‌کنند. در حالی که برخی از آنها کاملاً هوشمند هستند، بیشتر موارد تجاری از ترکیبی از عملکرد ماشینی، عملکرد هوشمند و OCR استفاده می‌کنند:

1- کاملاً هوشمند(تشخیص خودرو، یافتن و خواندن پلاک ها)

وسایل نقلیه را شناسایی کنید، پلاک ها را شناسایی کنید و کاراکترها را بخوانید.

2- پلاک های هوشمند (بدون تشخیص وسیله نقلیه، پیدا کردن و خواندن پلاک ها)

شناسایی پلاک ها و خواندن کاراکترها.

3- تشخیص هوشمند (فقط پلاک ها را پیدا کنید)

بدون تشخیص وسیله نقلیه، پلاک‌ها را شناسایی کنید و سپس از OCR برای خواندن استفاده کنید.

سیستم‌های کاملا هوشمند از یک شبکه عصبی استفاده می‌کنند که به طور خاص برای LPR توسعه داده شده است، که از یک فرآیند چند مرحله‌ای برای خواندن پلاک ها استفاده می‌کند. الگوریتم‌های نیمه هوشمند از الگوریتم های هوشمند برای یافتن پلاک ها و تنظیم زاویه و نور پلاک و سپس OCR برای خواندن کاراکترها استفاده می‌کنند:

شبکه عصبی در پلاک خوانی

با این حال، هزینه محاسباتی بالاتری نسبت به OCR دارد. این به ویژه در LPR مهم است زیرا برای خواندن پلاک ماشین‌ها با حرکت سرعت زیاد FPS بالاتری (بیشتر از 30 فریم در ثانیه) مورد نیاز است. برخلاف تجزیه و تحلیل عمومی شخص/چهره/خودرو که در آن <10 فریم در ثانیه کافی است.

استفاده از ویژگی هوشمند دقیق تر از OCR است و در برابر تغییرات انعطاف پذیرتر است. با لکه‌ها، تغییرات پلاک، تغییرات نور و زوایای مختلف بهتر برخورد می‌کند.

علاوه بر این، کاراکترهای انباشته شده کمتر از OCR مشکل دارند زیرا الگوریتم‌های هوشمند به دنبال حروف هستند، نه فقط به دنبال لبه پلاک ها:

دیپ لرنینگ در شبکه عصبی و پلاک خوانی

LPR هوشمند اغلب همراه با موارد آنالیزی دیگر مثل تشخیص خودرو (رنگ و دیگر موارد) و الگوی نظارت بر ترافیک بدون دوربین های اضافی است. 

مجموعه داده پلاک ها

LPR هوشمند با استفاده از مجموعه داده‌های پلاک خودرو، مشابه سایر الگوریتم‌های هوشمند (مانند تشخیص چهره)‌، توسعه داده می‌شود و عموماً برای آزمایش و توسعه در دسترس است.

در برخی از نقاط جهان، مجموعه پلاک‌ها به طور منظم تغییر می‌کنند، به این معنی که مجموعه داده ها برای حفظ الگوریتم های خود نیاز به بروزرسانی منظم دارند.

مسائل مربوط به صحت ادعاهای مطروحه 

بسیاری از تولیدکنندگان LPR به طور گمراه‌کننده‌ای به نرخ مثبت واقعی خود، در مورد دقت سیستم های خود، اشاره می‌کنند‌. که مشکل‌ساز است زیرا پلاک‌هایی را که شناسایی نکرده است نادیده می‌گیرد.

به عنوان مثال، ادعای دقت "99%" در تشخیص حروف الفبای عددی روی پلاک خودرو رایج است، اما این به طور کلی به این معنی است که فقط پلاک هایی که اشتباه خوانده شده اند در آن متریک دقت حساب می‌شوند، نه پلاک هایی که اصلا دیده نمی‌شوند.

مسائل رایجی که باعث از دست رفتن تشخیص داده نشدن پلاک ها می‌شوند(سرعت خودرو، زوایای زیاد، آب و هوای بد، پلاک های آسیب دیده، پلاک های مبهم) در زمان محاسبه دقت سیستم، در نظر گرفته نمی‌شوند، که عملکرد واقعی سیستم را نشان نمی‌دهد. 

تشخیص هوشمند ماشین

LPR مبتنی بر OCR از عوامل ماشینی برای یافتن پلاک‌ها استفاده می‌کند و از طبقه‌بندی‌کننده‌های ویژگی های مختلف، برای یافتن ویژگی‌ها اصلی و لبه‌های پلاک استفاده می‌کند.

تشخیص هوشمند ماشین

طبقه‌بندی‌کننده‌های Haar در تشخیص لبه‌ها و خطوط در اشیا با استفاده از طبقه‌بندی‌کننده‌های تشخیص دهنده آبشاری شکل، (درست مانند تشخیص چهره) بخوبی عمل می‌کنند. طبقه‌بندی‌کننده‌های Haar از روزنه‌های کشویی و فیلترهای چندگانه برای یافتن پلاک های روی وسایل نقلیه استفاده می‌کنند:

تشخیص پلاک با ماشین لرنینگ

بسیاری از الگوریتم‌های تشخیص هوشمند ماشین دارای نسبت‌های از پیش برنامه‌ریزی‌شده برای ارتفاع و عرض پلاک خودرو هستند. با این حال، به همین دلیل، تشخیص هوشمند ماشین LPR در یافتن متونی که پلاک-مانند هستند نیز خوب عمل می کنند، متونی که پلاک نیستند:

یادگیری ماشین در پلاک خوانی

تشخیص هوشمند ماشین از نظر محاسباتی ساده‌تر از روش‌های دیگر تشخیص هوشمند است. و همچنان به طور گسترده مورد استفاده قرار می‌گیرد، زیرا برای بسیاری از برنامه‌ها (مثلاً سرعت کم، محیط‌های با نور خوب) به اندازه کافی دقیق است.

تشخیص پلاک دشوارتر از شناسایی اعداد

به دلیل متغیرهای زیادی که درگیر هستند، تشخیص پلاک ها به طور کلی دشوارتر از تشخیص کاراکترهای روی پلاک های شناسایی شده است.

این برخلاف تشخیص چهره است که در آن تشخیص بسیار ساده تر از شناسایی است.

تشخیص چالش های مهم در LPR

تشخیص پلاک خودرو در درجه اول چالش برانگیز است زیرا در خارج از خانه، معمولاً در شرایط نوری و آب و هوایی کنترل نشده، روی سوژه‌های متحرک انجام می‌شود.

رایج ترین جنبه هایی که باعث چالش های LPR می شوند عبارتند از:

  1. سرعت خودرو
  2. پلاک های آسیب دیده
  3. آب و هوا
  4. نورپردازی
  5. قالب های پلاک
  6. زاویه پلاک

زاویه پلاک ها

زاویه گرفتن، حساس ترین و قابل کنترل ترین جنبه LPR است. زوایای مستقیم در مقایسه با زوایای تیزتر منجر به دقت بالاتری می‌شود. هر دو زاویه عمودی و افقی باید تا حد امکان مستقیم به وسایل نقلیه مورد نظر باشد.

به همین دلیل، بسیاری از برنامه های LPR با سرعت بالا در بزرگراه‌ها (به عنوان مثال عوارض) مستقیماً بالای سطح جاده نصب دوربین مداربسته می‌شوند و در کنار آن قرار نمی‌گیرند.

زاویه پلاک ها

پلاک های آسیب دیده/کثیف

 پلاک‌های آسیب دیده یا کثیف برای OCR LPR مشکل ساز هستند زیرا این روش‌ها به یافتن لبه ها متکی هستند. آنها معمولاً باعث عدم شناسایی و خواندن جزئی پلاک های شناسایی شده می‌شوند:

پلاک های آسیب دیده/کثیف

در حالی که الگوریتم های هوشمند در برخورد با پلاک های آسیب دیده یا کثیف بهتر هستند زیرا به دنبال لبه نیستند، پلاک های آسیب دیده و کثیف کیفیت تصویر گرفته شده توسط دوربین مدار بسته و دقت آن را کاهش می‌دهند.

آب و هوا

در حالی که بسیاری از سیستم های LPR عملکرد دقیقی را در شرایط آب و هوایی روشن ارائه می‌دهند. باران، برف و مه به طور قابل توجهی بر عملکرد تشخیص و ضبط پلاک تأثیر می گذارد، که بر عملکرد الگوریتم LPR تأثیر می گذارد:

آب و هوای بد برای تشخیص پلاک

مشکل دیگر در آب و هوا‌، مشکلات وسایل نقلیه برف‌پوش، پوشش کامل پلاک‌های جلو و حتی پوشاندن جزئی یا کامل پلاک‌های عقب است:

تشخیص سخت پلاک در برف

روشنایی کم 

LPR در نور کم 2 چالش عمده دارد:

  1. نورپردازی در حرکت از چراغ‌های جلو/چراغ‌های عقب
  2. گرفتن نور کافی برای خواندن پلاک ها

دوربین های LPR باید به ویژه در WDR قوی باشند، که منابع نور روشن را تاریک تر نگه می‌دارد. در عین حال پلاک خودرو را قابل مشاهده می‌کند:

چالش wdr در نور کم

چالش دیگر برای LPR در نور کم، متعادل کردن زمان شاتر دوربین و گرفتن نور کافی است، اما نه آنقدر طولانی که سوژه دچار تاری شود:

چالش سرعت شاتر در نور کم

متغیرهای پلاک خودرو

پلاک‌های خودرو در سراسر جهان به‌طور گسترده‌ای متفاوت هستند. با اندازه‌ها، حروف، رنگ‌ها و تصاویر/پس‌زمینه‌های متفاوت.

پلاک‌های اروپایی از فرمت های رایج (به طور کلی سفید با حروف سیاه) پیروی می کنند و خواندن آنها بسیار آسان تر است:

متغیرهای پلاک خودرو

حروف فارسی روی پلاک‌ها در ایران نیز همانند نوشته‌های مبتنی بر لاتین پشتیبانی می‌شوند و به دقت بالا با وضوح بالاتری نیاز دارند.

پلاک ایرانی و چالش های آن

پشتیبانی منطقه ای و محدودیت های دقت

هنگام در نظر گرفتن یک ارائه دهنده LPR/ANPR، مهم است که برای منطقه جغرافیایی خود پشتیبانی را بررسی کنید. این معمولاً بر اساس کشور به کشور متفاوت است. با این حال، حتی در یک کشور خاص که پشتیبانی می‌شود، اگر مناطق خاصی در آن کشور دارای انواع مختلف پلاک باشند، دقت می‌تواند به میزان قابل توجهی کاهش یابد. 

سیستم های اختصاصی LPR کامل و اختصاصی آماده بهره برداری

سیستم‌های اختصاصی LPR آماده بهره برداری، شامل دوربین های تخصصی LPR، نرم افزار و سیستم های مدیریت پلاک از یک سازنده واحد است. آنها اغلب برای کاربردهای چالش برانگیز سبک، سرعت بالا و ترافیک بالا (به عنوان مثال بزرگراه چند بانده) به بازار عرضه می شوند.

این سیستم ها معمولاً برای کاربران خاص، با امنیت بالا و با مشخصات بالا به بازار عرضه می‌شوند و در بازار انبوه قابل استفاده نیستند.

سخن آخر در مورد تشخیص پلاک خودرو

همانطور که در بالا اشاره شد، بحث تشخیص پلاک خودرو، بسیار پیچیده است. گاهی نور، گاهی سرعت خودرو، قابلیت WDR و پارامترهای دیگر کارایی یک نرم افزار تشخیص پلاک یا حتی دوربین پلاک خوان را زیر سوال می‌برد. 

برای در میان گذاشتن دیدگاه خود لازم است ابتدا وارد حساب کاربری شوید.