Обнаружение автомобильных номеров на основе смешанного каскада классификаторов

В статье приводятся результаты решения задачи обнаружения номеров государственной регистрации автотранспортных средств на изображениях. Решение основано на использовании каскада классификаторов в процессе мультимасштабного сканирования изображений для поиска однострочных номерных знаков. При постр...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2010
1. Verfasser:	Мурыгин, К.В.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2010
Schriftenreihe:	Штучний інтелект
Schlagworte:	Прикладные интеллектуальные системы. Моделирование объектов и процессов
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/56142
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов / К.В. Мурыгин // Штучний інтелект. — 2010. — № 2. — С. 147-152. — Бібліогр.: 9 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-56142
record_format	dspace
spelling	nasplib_isofts_kiev_ua-123456789-561422025-02-09T13:38:57Z Обнаружение автомобильных номеров на основе смешанного каскада классификаторов Виявлення автомобільних номерів на основі змішаного каскаду класифікаторів Detection of Car License Plate on the Basis of the Mixed Cascade of Classifiers Мурыгин, К.В. Прикладные интеллектуальные системы. Моделирование объектов и процессов В статье приводятся результаты решения задачи обнаружения номеров государственной регистрации автотранспортных средств на изображениях. Решение основано на использовании каскада классификаторов в процессе мультимасштабного сканирования изображений для поиска однострочных номерных знаков. При построении каскада использовались классификаторы разных типов: начальные классификаторы основаны на анализе положения обучающих объектов в узлах многомерного куба (МКВ-классификаторы), конечные – формировались в виде линейной комбинации значений свойств с помощью алгоритма AdaBoost. Использование каскада смешанных классификаторов позволило увеличить быстродействие алгоритма обнаружения. У статті наводяться результати вирішення задачі виявлення номерів державної реєстрації автотранспортних засобів на зображеннях. Рішення ґрунтується на використанні каскаду класифікаторів у процесі мультимасштабного сканування зображень для пошуку однорядкових номерних знаків. При побудові каскаду використовувалися класифікатори різних типів: початкові класифікатори ґрунтуються на аналізі положення навчальних об’єктів у вузлах багатомірного куба (МКВ-класифікатори), кінцеві – формувалися у вигляді лінійної комбінації значень властивостей за допомогою алгоритму AdaBoost. Використання каскаду змішаних класифікаторів дозволило збільшити швидкодію алгоритму виявлення. The article is devoted to a problem of car license plate detection on images. The decision is based on use of the cascade of classifiers in the course of multiscale scanning of images for search of one-line license plates. At cascade construction classifiers of different types were used: initial classifiers are based on the analysis of position of training objects in vertexes of a multidimensional cube (MCV-classifiers), final - were formed in the form of a linear combination of values of features by means of algorithm AdaBoost. Use of the cascade of the mixed classifiers has allowed to increase computing characteristics of detection algorithm. 2010 Article Обнаружение автомобильных номеров на основе смешанного каскада классификаторов / К.В. Мурыгин // Штучний інтелект. — 2010. — № 2. — С. 147-152. — Бібліогр.: 9 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/56142 004.89:004.93 ru Штучний інтелект application/pdf Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Прикладные интеллектуальные системы. Моделирование объектов и процессов Прикладные интеллектуальные системы. Моделирование объектов и процессов
spellingShingle	Прикладные интеллектуальные системы. Моделирование объектов и процессов Прикладные интеллектуальные системы. Моделирование объектов и процессов Мурыгин, К.В. Обнаружение автомобильных номеров на основе смешанного каскада классификаторов Штучний інтелект
description	В статье приводятся результаты решения задачи обнаружения номеров государственной регистрации автотранспортных средств на изображениях. Решение основано на использовании каскада классификаторов в процессе мультимасштабного сканирования изображений для поиска однострочных номерных знаков. При построении каскада использовались классификаторы разных типов: начальные классификаторы основаны на анализе положения обучающих объектов в узлах многомерного куба (МКВ-классификаторы), конечные – формировались в виде линейной комбинации значений свойств с помощью алгоритма AdaBoost. Использование каскада смешанных классификаторов позволило увеличить быстродействие алгоритма обнаружения.
format	Article
author	Мурыгин, К.В.
author_facet	Мурыгин, К.В.
author_sort	Мурыгин, К.В.
title	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов
title_short	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов
title_full	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов
title_fullStr	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов
title_full_unstemmed	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов
title_sort	обнаружение автомобильных номеров на основе смешанного каскада классификаторов
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2010
topic_facet	Прикладные интеллектуальные системы. Моделирование объектов и процессов
url	https://nasplib.isofts.kiev.ua/handle/123456789/56142
citation_txt	Обнаружение автомобильных номеров на основе смешанного каскада классификаторов / К.В. Мурыгин // Штучний інтелект. — 2010. — № 2. — С. 147-152. — Бібліогр.: 9 назв. — рос.
series	Штучний інтелект
work_keys_str_mv	AT muryginkv obnaruženieavtomobilʹnyhnomerovnaosnovesmešannogokaskadaklassifikatorov AT muryginkv viâvlennâavtomobílʹnihnomerívnaosnovízmíšanogokaskaduklasifíkatorív AT muryginkv detectionofcarlicenseplateonthebasisofthemixedcascadeofclassifiers
first_indexed	2025-11-26T09:22:43Z
last_indexed	2025-11-26T09:22:43Z
_version_	1849844268713115648
fulltext	«Штучний інтелект» 2’2010 147 2М УДК 004.89:004.93 К.В. Мурыгин Институт проблем искусственного интеллекта МОН Украины и НАН Украины, г. Донецк, Украина kir@iai.donetsk.ua Обнаружение автомобильных номеров на основе смешанного каскада классификаторов В статье приводятся результаты решения задачи обнаружения номеров государственной регистрации автотранспортных средств на изображениях. Решение основано на использовании каскада классификаторов в процессе мультимасштабного сканирования изображений для поиска однострочных номерных знаков. При построении каскада использовались классификаторы разных типов: начальные классификаторы основаны на анализе положения обучающих объектов в узлах многомерного куба (МКВ-классификаторы), конечные – формировались в виде линейной комбинации значений свойств с помощью алгоритма AdaBoost. Использование каскада смешанных классификаторов позволило увеличить быстродействие алгоритма обнаружения. Введение Автоматизация управления движением автотранспорта является в настоящее время актуальной и практически важной задачей, в рамках которой активно разрабатываются и развиваются системы автоматического распознавания номерных знаков. Подобные системы имеют достаточно широкий спектр возможных применений: На платных автомобильных стоянках Автомобильный номер считывается дважды: при въезде и выезде. Компьютерная сис- тема автоматически определяет время стоянки и вычисляет величину оплаты. Допол- нительно такая система может определять автомобили, для которых на данной стоянке плата не взимается. Контроль доступа Автоматический пропуск в охраняемую зону автомобилей с номерами, входящими в список. На платных автодорогах Автомобильный номер используется для определения платы за проезд по платной до- роге или для дополнительной проверки разрешения на проезд. Пограничный контроль Номер автомобиля регистрируется при въезде в страну и выезде из нее. Эта информация заносится в централизованную базу данных и используется для мониторинга пересече- ний границы. Розыск краденых автомобилей Такая система, размещенная на обочине дороги, контролирует номера всех проезжаю- щих мимо нее машин, сравнивая их в реальном масштабе времени со списком угнан- ных автомобилей или тех, у которых просрочен штраф. При проезде автомобиля, но- мер которого есть в этом списке, система выдает сообщение дорожной полиции, которая останавливает этот автомобиль. Контроль превышения скорости и проезда на красный свет В ряде стран для решения таких задач уже используются видеокамеры, однако обработка фотографий автомобилей нарушителей выполняется вручную. Применение технологии распознавания автомобильных номерных знаков позволяет автоматизировать этот про- цесс, вплоть до печати квитанции на оплату штрафа. Управление движением Применение систем распознавания автомобильных номерных знаков позволяет авто- матически классифицировать автомобили на несколько типов (например, авторизован- ные, известные посетители и неизвестные посетители, требующие проверки), направ- ляя их на различные полосы движения, сокращая тем самым время ожидания и упрощая работу службе охраны. Мурыгин К.В. «Искусственный интеллект» 2’2010 148 2М В настоящее время существует достаточно много систем автоматического рас- познавания автомобильных номеров, ориентированных на национальные стандарты номерных знаков, которые могут отличаться по многим характеристикам: размер, фор- ма, цвет символов и фона, количество и состав (буквы и цифры) символов, алфавит сим- волов. Поэтому задача распознавания номерных знаков автотранспортных средств, принятых в Украине, является актуальной и практически важной. Решение задачи обнаружения автомобильного номера является первым этапом в разработке систем автоматического контроля движения транспортных средств на основе распознавания номерных знаков. После обнаружения выполняются другие этапы обработки и анализа изображений, такие, как нормализация изображения (напри- мер, по углу поворота номерного знака, отношению горизонтального размера изобра- жения номера к вертикальному, углу крена символов номера), сегментация символов, распознавание символов. Целью данной работы является разработка и исследование методов обнаружения автомобильных номеров, качество работы которых во многом определяет характерис- тики всего комплекса алгоритмов, используемых в системе распознавания номерных знаков. Общие принципы используемого метода обнаружения Для обнаружения автомобильных номеров на цифровых изображениях исполь- зуется большое разнообразие различных эвристических подходов и их комбинаций, основанных на предполагаемых отличиях в свойствах изображений номерных знаков, и изображений, не относящихся к ним. К таким подходам можно отнести использова- ние: карт вертикальных границ [1], [2]; спектральных характеристик [2]; нечетких карт принадлежности точек номерным знакам [3]; подсчета числа границ, следующих на определенном расстоянии друг от друга [4]; морфологического преобразования для поиска линий символов, имеющих определенную ширину [5] и др. В отличие от перечисленных подходов, используемый метод основывается на об- щих принципах поиска объектов на изображениях, предложенных в [6]. В качестве исходных данных для получения эффективного алгоритма поиска используется на- бор полутоновых изображений автомобильных номеров и изображений фона. При этом никаких эвристических знаний о свойствах изображений номеров не используется. В ходе обнаружения выполняется мультимасштабное сканирование изображения с некоторым пространственным и масштабным шагом, которые подбираются экспери- ментально на основе требований к скорости и качеству работы алгоритма, либо могут быть учтены при обучении путем дополнения базы изображений номеров, изображе- ниями с изменением масштаба и смещением на половину желаемого шага мультимас- штабного сканирования. Для каждой области-кандидата выполняется каскадная клас- сификация на принадлежность номерному знаку. В качестве классификаторов каскада используются классификаторы двух типов: 1. МКВ-классификаторы [7] – на начальных этапах каскада. 2. Линейные классификаторы, полученные с помощью алгоритма AdaBoost [6], [8], – на завершающих этапах каскада. За счет использования на начальных этапах МКВ-классификаторов сокращается число используемых для классификации свойств при сохранении высокого качества классификации [7], что в сочетании с возможностью древовидного представления МКВ-классификатора позволяет существенно сократить время поиска. Обнаружение автомобильных номеров на основе смешанного каскада... «Штучний інтелект» 2’2010 149 2М В качестве свойств изображения, используемых для классификации МКВ-клас- сификаторами и линейными классификаторами, использовались Хаар-подобные логи- ческие свойства, предложенные в [9], значения которых не зависят от линейных поэле- ментных преобразований изображений, связанных с изменениями яркости и контраст- ности. Для быстрого получения значений свойств для произвольной области изображения использовался алгоритм [6], основанный на предварительном расчете интегрального изображения. Обучение каскада классификаторов Для обучения классификаторов использовалась база изображений однострочных номерных знаков, которые были размечены вручную и вырезаны из реальных циф- ровых фотографий автотранспортных средств. Всего было обработано 282 исходных изображения. Каждое изображение, содержащее изображение номера, использовалось для формирования набора обучающих изображений номеров путем изменения масшта- ба вырезанного изображения номера и угла его поворота в плоскости изображения. При изменении масштаба изображения отношение горизонтального размера к верти- кальному варьировалось в диапазоне 3,3 – 4,2. Изменение угла поворота выполнялось в диапазоне (– 5; 5) градусов с шагом в 1 градус. В результате полученный обучающий набор изображений номеров насчитывал около 45 000 изображений. Для формирования изображений фона использовались те же изображения, за ис- ключением области, соответствующей номеру. Таким образом, формирование фона проходило с использованием изображений, соответствующих изображениям, полу- чаемым в реальных условиях эксплуатации системы автоматического распознавания номерных знаков. Перед обучением очередного классификатора каскада случайным образом из используемых изображений вырезались области, классифицируемые как автомобильные номера всеми предыдущими классификаторами каскада. В проведен- ных экспериментах таких изображений вырезалось около 20 000 для каждого класси- фикатора. В ходе обучения каскада для каждого классификатора использовалось ограниче- ние на ошибку пропуска цели – 0,01. При обучении с помощью алгоритма AdaBoost на конечных этапах каскада обучение велось до достижения требуемой ошибки про- пуска цели. Обучение МКВ-классификаторов, используемых на начальных этапах кас- када, выполнялось путем минимизации суммарной ошибки классификации согласно алгоритму, приведенному в [7]. После этого выполнялось комбинирование свойств путем исключения из классификатора случайного свойства и подбора более эффектив- ного, снижающего итоговую суммарную ошибку классификации. Полученный классифи- катор представлял собой дерево решений. Назначение маркеров классов в вершинах многомерного куба выполнялось таким образом, чтобы ошибка пропуска не превосхо- дила указанное выше ограничение. Результаты обучения каскада классификаторов для обнаружения автомобильных номеров В ходе описанного процесса обучения был получен смешанный каскад из 6-ти классификаторов, имеющих характеристики, приведенные в табл. 1. В последней строке табл. 1 приведены также общие характеристики для всего каскада. Мурыгин К.В. «Искусственный интеллект» 2’2010 150 2М Таблица 1 – Характеристики классификаторов смешанного каскада для обнару- жения номерных знаков Номер классификатора в каскаде Тип классификатора Число свойств Ошибка пропуска цели Ошибка ложного обнаружения 1 МКВ 5 0,01 0,41 2 МКВ 10 0,01 0,22 3 МКВ 12 0,01 0,11 4 Линейный 138 0,01 0,01 5 Линейный 303 0,01 0,01 6 Линейный 465 0,01 0,01 Весь каскад – – 0,059 <10-8 Из приведенной таблицы видно, что полученный каскад имеет высокие характе- ристики по качеству решения задачи классификации типа объект/фон, где объектом выступают изображения автомобильных номеров. Необходимость достижения приве- денной в таблице характеристики ошибки ложного обнаружения для всего каскада объясняется тем, что при мультимасштабном сканировании изображений число канди- датов достаточно велико, в частности для изображений 640480 пикселей и приемле- мых размерах пространственного шага и шага прохода по масштабам, число кандидатов может быть порядка 106. Примеры работы алгоритма обнаружения на основе полученного каскада приве- дены на рис. 1. Рисунок 1 – Примеры работы алгоритма обнаружения автомобильных номеров на реальных изображениях Обнаружение автомобильных номеров на основе смешанного каскада... «Штучний інтелект» 2’2010 151 2М В приведенных изображениях примеров ложного обнаружения не оказалось. Однако стоит заметить, что ложное обнаружение чаще всего проявляется в случаях присутствия на изображении надписей на бигбордах и рекламных вывесках магази- нов, что может быть исключено установкой камеры с учетом специфических дорожных условий. Кроме этого, так как ложные обнаружения встречаются редко, их можно исклю- чить на дальнейших этапах обработки найденных изображений номерных знаков, без существенного влияния на скорость обработки данных всей системы распознавания. Исследование скоростных характеристик алгоритма обнаружения проводилось на компьютере Pentium Core2Duo с частотой процессора 2,33 ГГц. В качестве входных изображений использовались изображения размером 640480 пикселей, получаемые от подключенной к компьютеру видеокамеры с частотой 30 кадров в секунду. При муль- тимасштабном сканировании изображений проход по масштабам выполнялся в диапа- зоне горизонтальных размеров номеров от 106 до 214 пикселей с мультипликативным шагом в 1,1 раза (всего 8 масштабов). Проход по изображению выполнялся с различными шагами по вертикали yh и го- ризонтали xh , зависящими соответственно от вертикального и горизонтального разме- ров искомого изображения номера: 0,05xh W= × , 0,05yh H= × , где W – горизонтальный, а H – вертикальный размеры искомого изображения номера. В результате проведенных экспериментов были определены скоростные характе- ристики предложенного алгоритма обнаружения, которые составили в среднем 12 – 15 кадров в секунду. При необходимости увеличения скорости обработки, кроме из- менения шагов мультимасштабного сканирования, можно ограничить область поиска номера на основе знания вероятного места его расположения, параметры которого за- висят от конкретных условий расположения камеры. Выводы Рассмотренный в статье подход к решению задачи обнаружения номерных зна- ков автомобилей позволил достичь хороших показателей по качеству и скорости обра- ботки входных изображений. В ходе обучения был получен каскад классификаторов, имеющий следующие характеристики: ошибка пропуска цели – 0,059, ошибка ложного обнаружения – <10-8. Скорость обработки изображений размером 640*480 пикселей на компьютере Pentium Core2Duo с частотой процессора 2,33 ГГц – 12 – 15 кадров в секунду. Рассмотренный алгоритм позволяет успешно использовать его в качестве первого этапа обработки изображений в системах распознавания автомобильных но- меров. Дальнейшие исследования в направлении создания системы автоматического распознавания могут быть связаны с нормализацией изображения номера, сегментаци- ей символов и распознаванием символов, представленных на изображении номерно- го знака. Литература 1. Real-Time Automatic Vehicle Management System Using Vehicle Tracking And Car Plate Number Iden- tification / Lee H., Kim D., Kim D., Bang S.Y. // ICME. – 2003. – № 7. – P. 353-356. 2. Acosta B.D. Experiments in Image Segmentation for Automatic US License Plate Recognition / B.D. Acosta // Thesis submitted to the Faculty of the Virginia Polytechnic Institute and State University in partial fulfill- ment of the requirements for the degree of MASTER OF SCIENCE in Computer Science. – 2004. – 104 p. Мурыгин К.В. «Искусственный интеллект» 2’2010 152 2М 3. Automatic License Plate Recognition / Chang S.-L., Chen L.-S., Chung Y.-C., Chen S.-W. // IEEE TRans. on Intelligent Transportation Systems. – 2004. – Vol. 5, № 1. – P. 42-53. 4. Broumandnia A. Application of pattern recognition for Farsi license plate recognition / A. Broumandnia, M. Fathy // ICGST Int. J. on Graphics, Vision and Image Processing. – 2005. – Vol. 5, № 2. – P. 25-31. 5. Martin F. Automatic Car Plate Recognition Using a Partial Segmentation Algorithm / F. Martin, D. Bor- ges // Proc. of Signal Processing, Pattern Recognition, and Applications. – 2003. – P. 246-249. 6. Paul Viola. Jones Robust real-time object detection / Paul Viola and Michael J. // Proc. of IEEE Workshop on Statistical and Computational Theories of Vision. – 2001. 7. Мурыгин К.В. Комбинирование бинарных свойств в виде МКВ-классификатора / К.В. Мурыгин // Искусственный интеллект. – 2010. – № 1. – С. 108-113. 8. Schapire R.E. Improved Boosting Algorithms Using Confidence-rated Predictions / R.E. Schapire, Y. Singer // Proc. of Machine Learning. – 1999. – Р. 297-336. 9. Мурыгин К.В. Особенности реализации алгоритма AdaBoost для обнаружения объектов на изображе- ниях / К.В. Мурыгин // Искусственный интеллект. – 2009. – № 3. – С. 573-581. К.В. Муригін Виявлення автомобільних номерів на основі змішаного каскаду класифікаторів У статті наводяться результати вирішення задачі виявлення номерів державної реєстрації автотранспортних засобів на зображеннях. Рішення ґрунтується на використанні каскаду класифікаторів у процесі мультимасштабного сканування зображень для пошуку однорядкових номерних знаків. При побудові каскаду використовувалися класифікатори різних типів: початкові класифікатори ґрунтуються на аналізі положення навчальних об’єктів у вузлах багатомірного куба (МКВ-класифікатори), кінцеві – формувалися у вигляді лінійної комбінації значень властивостей за допомогою алгоритму AdaBoost. Використання каскаду змішаних класифікаторів дозволило збільшити швидкодію алгоритму виявлення. K.V. Murygin Detection of Car License Plate on the Basis of the Mixed Cascade of Classifiers The article is devoted to a problem of car license plate detection on images. The decision is based on use of the cascade of classifiers in the course of multiscale scanning of images for search of one-line license plates. At cascade construction classifiers of different types were used: initial classifiers are based on the analysis of position of training objects in vertexes of a multidimensional cube (MCV-classifiers), final - were formed in the form of a linear combination of values of features by means of algorithm AdaBoost. Use of the cascade of the mixed classifiers has allowed to increase computing characteristics of detection algorithm. Статья поступила в редакцию 26.01.2010.

Обнаружение автомобильных номеров на основе смешанного каскада классификаторов

Institution

Ähnliche Einträge