В МИСИС улучшили алгоритм для определения засвеченных и смазанных номеров машин

Ученые Университета науки и технологий МИСИС совместно со специалистами компании "СИТИЛАБС" усовершенствовали алгоритмы камер видеонаблюдения, определяющие смазанные и засвеченные номера автомобилей. Об этом "Газете.Ru" рассказали в МИСИС.

Одной из важных задач, возникающих при анализе дорожно-транспортных ситуаций, в том числе и в условиях технологических дорог, является идентификация конкретного автомобиля по государственному регистрационному знаку.

Зачастую  из-за высокой скорости машины, яркого света фар, запыленности, а также недостаточных возможностей камеры машины распознаются некорректно.

Для определения степени засвеченности автомобильного номера специалисты предлагают использовать анализ гистограммы яркостей. Для детектирования как транспортных средств, так и автомобильных номеров используется хорошо известная нейронная сеть yolo-v5.

"Для идентификации автомобилей и номеров при обучении нейронных сетей формировались датасеты с учетом времени суток, сезонности и погоды. После определения области знаков на изображении, выбранный участок из трехмерного цветового пространства RGB сводится к одномерному "серому". После подсчета гистограммы выделяется та ее часть, которая будет отвечать за "пересвеченность", таким образом, 95,7% номеров верно классифицировались как засвеченные. Для определения степени смазанности была построена  нейронная сеть с уникальной архитектурой, которая обеспечивает точность классификации 96,4% при минимальном времени обработки 0,073 мc на ПК", – рассказал заведующий кафедрой автоматизированных систем управления (АСУ) НИТУ МИСИС Игорь Темкин.

Отдельной задачей в ходе работы над нейронной сетью для определения смазанности было создание датасета для обучения.

Разработанный алгоритм, помимо классификации на читаемые и нечитаемые изображения, дает также количественную оценку степени смазанности и засвеченности. Эти данные в свою очередь могут быть использованы для корректировки параметров камеры, таких, как значение выдержки и диафрагмы, что позволит повысить качество последующих кадров.

В ходе экспериментов предложенные подходы показали свою эффективность на различных устройствах, таких как ПК и микрокомпьютер Nvidia Jetson Nano.