Сочинение на тему Автоматическое распознавание номерных знаков с использованием Raspberry Pi и обработки изображений: обзор

В настоящее время обработка изображений относится к числу быстрорастущих технологий. В этой статье представлен обширный обзор использования цифровой обработки изображений и ее приложений в области распознавания символов. В дополнение к этому, в статье предлагается разработка автоматического определения номерного знака транспортного средства на основе Raspberry Pi с использованием обработки изображений. Предлагаемая система использует цифровую камеру вместе со схемой дисплея, сопряженной со схемой Raspberry Pi. Ожидается, что эта система устранит недостатки распознавания номерных знаков (LPR), широко используемой за рубежом технологии, благодаря использованию датчика, который будет включать камеру только при наличии транспортного средства и, следовательно, уменьшать энергопотребление и повышать общую производительность. эффективность системы.

Ключевые слова – распознавание символов, цифровая обработка изображений, IOT, Raspberry Pi, датчики

<Р> Введение

В настоящее время транспортное средство является наиболее распространенным видом транспорта, поскольку население резко увеличивается. Таким образом, очевидно слышать различные связанные с этим проблемы воровства и безопасности. Это скорее проблема для систем управления транспортными средствами, потому что эти проблемы приводят к потере информации и контрабанде деталей транспортных средств независимо от первоначальной личности человека, владеющего этим транспортным средством. Кроме того, системы парковки не в состоянии отследить те транспортные средства, которые ввозятся контрабандой после кражи. В нашей стране по-прежнему отсутствуют автоматизированные методы, которые могут решить эти проблемы. За границей используется система под названием «Распознавание номерных знаков» (LPR), в которой номерной знак или номерной знак связан с данными отдельного человека, владеющего этим конкретным транспортным средством, и хранится в базе данных. Такая система снижает вероятность краж и нарушений безопасности, так как каждый раз, когда личность (данные) человека подтверждается его номерным знаком, который хранится в базе данных, он автоматически сообщает, авторизовано ли это транспортное средство или нет. Система LPR потребляет больше энергии благодаря постоянному мониторингу системы, независимо от присутствия или обнаружения транспортного средства, как указано ранее. Чтобы преодолеть эту проблему, в этой статье предлагается система распознавания номерных знаков с использованием Raspberry Pi, сопряженного с цифровой камерой, которая будет работать на основе ИК-датчиков. Эти датчики будут определять время, когда камера сделает снимок. Датчик запускает камеру точно в то время, когда он обнаружит объект (транспортное средство), что уменьшит энергопотребление системы, что приведет к увеличению срока службы системы. Сфера действия предлагаемой системы заключается в том, чтобы ориентироваться на государственные учреждения, такие как больницы, банки, учебные заведения и другие общественные места, где людские скопления больше и требуют надлежащего управления транспортными средствами. В этом документе в разделе II описываются соответствующие исследования, в разделе III обсуждается предлагаемая модель, а в разделе IV обобщаются ожидаемые результаты, а также объем и проблемы.

ОБЗОР ЛИТЕРАТУРЫ

Многие методы были предложены для системы распознавания номерных знаков, и они часто подвергаются существенным ограничениям из-за неожиданных трудностей. Наиболее распространенные подходы зачисляются в соответствии с:

1) Сопоставление с шаблоном: это один из самых простых способов распознавания символов, который используется для аутентификации сохраненных данных по распознаваемому символу. Операции сопоставления определяют степень сходства между двумя объектами [1, 3]. Этот метод распознавания очень чувствителен к шуму и деформации изображения.

2) Оптическое распознавание символов (OCR). Этот метод является вторым наиболее широко используемым методом распознавания буквенно-цифровых символов [1, 2]. Этот метод позволяет преобразовывать отсканированные символы в коды ASCII или другие коды символов.

3) Нейронные сети. Этот метод использует процесс машинного обучения для распознавания шаблонов [2, 4, 6, 8] и может быть классифицирован как сети с прямой связью, обратной связью и периодические. Обычно многослойный персептрон (MLP) используется для распознавания символов. Он применяется к вычислительной архитектуре, которая состоит из массивно параллельного соединения адаптивных нейронных процессоров. Из-за его параллельной природы, он может выполнять вычисления с очень высокой скоростью. Данными можно манипулировать динамически во время выполнения процесса. Существуют различные подходы к обучению нейронных сетей, такие как исправление ошибок, Больцман и конкурентное обучение.

4) Система LPR: система распознавания номерных знаков является одним из наиболее широко и новейших методов, используемых в системе обнаружения номерных знаков. Он играет важную роль во многих приложениях, связанных с транспортными системами, такими как управление движением и анализ, управление скоростью, предотвращение угона автомобилей, управление парковкой и т. Д. [1].

Прежде всего, система LPR преследует две цели: определить местоположение номерного знака и распознать буквенно-цифровые символы на табличке. B. Связанные исследования Chang et al. [1] предложил «Автоматическое распознавание номерных знаков» с использованием оптического распознавания символов (OCR). Входные изображения были преобразованы в двоичную форму, а затем OCR вычислил топологические особенности символов для дальнейшего распознавания. Авторы выполнили самоорганизованный шаблонный тест, чтобы сопоставить входной символ с базой данных и, следовательно, нашли лучшее соответствие. Пробные эксперименты были выполнены на 1601 изображении, и достигнутый показатель успеха составил 95,6%. Anagnostopoulos et al. [2] предложил «Алгоритм распознавания номерных знаков для приложений интеллектуальной транспортной системы», в котором бинаризация была выполнена с использованием метода Sauvola с использованием метода сегментации скользящих концентрических окон (SCW), чтобы быстрее определять область интересов (ROI). Позднее была принята во внимание обучаемая система OCR на основе нейронных сетей, в которой использовался подход вероятностной нейронной сети (PNN) с двумя отдельными вероятностными сетями: одна для алфавита, а другая для распознавания чисел. Авторы выполнили пробный эксперимент на 1334 изображениях и достигли сегментации около 96,5% при скорости распознавания 89,1%. Общий показатель успеха составил 86,0%, который был улучшен до 90-95% за счет ограничения некоторых условий, таких как расстояние захвата пластины, угол обзора пластины, условия освещения и низкая сложность фона. Anagnostopoulos [3] представил опрос по распознаванию номерных знаков по неподвижным изображениям и видеопоследовательности, в котором ROI был извлечен с использованием статистики краев, морфологии и анализа связанных компонентов (CCA).

Сегментация выполнялась с использованием обработки гистограммы и математической морфологии, и, наконец, символы распознавались с использованием статистических / гибридных классификаторов, сопоставления с образцом или шаблоном. Авторы добились лучших результатов, используя нейронные сети и подход статистического классификатора, но для дальнейшего улучшения потребовалось большое количество обучающей выборки. Бабу и др. [4, представили «Основанный на особенностях подход к распознаванию номерных знаков индийских номерных знаков», в котором изображения были предварительно обработаны для улучшения качества изображения и обработаны с использованием медианных фильтров для уменьшения шума. Для сегментации изображения использовался метод Оцу для пороговых значений на пластине, а затем для распознавания символов было реализовано извлечение статистических признаков.