Показана доцільність і ефективність адаптивного розпізнавання елементів реєстраційного номера автомобіля з використанням нейронної мережі Хеммінга. Запропоновано етапи розпізнавання - виявлення фрагмента зображення, імовірно містить реєстраційний номер автомобіля, визначення кута повороту фрагмента зображення, розпізнавання складових реєстраційного номера на нейронної мережі, корекція елементів реєстраційного номера автомобіля в залежності від його типу. Розроблено java-додаток для реалізації цих етапів.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Винокуров І.В.


ADAPTIVE RECOGNITION OF ELEMENTS OF VEHICLE REGISTRATION NUMBER

The expediency and efficiency of adaptive recognition of the elements of vehicle registration number using the Hamming neural network is shown in the paper. The following stages of recognition are suggested: detection of a fragment of the image presumably containing the vehicle registration number, determination of the angle of rotation of the image fragment, recognizing the components of the registration number on the neural network, and correction of the elements of the vehicle registration number, depending on its type. A Java application has been developed to implement these steps.


Область наук:

  • Комп'ютер та інформатика

  • Рік видавництва: 2018


    Журнал: Міжнародний науково-дослідний журнал


    Наукова стаття на тему 'АДАПТИВНЕ РОЗПІЗНАВАННЯ ЕЛЕМЕНТІВ РЕГІСТАЦІОННОГО НОМЕРИ АВТОМОБІЛЯ '

    Текст наукової роботи на тему «АДАПТИВНЕ РОЗПІЗНАВАННЯ ЕЛЕМЕНТІВ РЕГІСТАЦІОННОГО НОМЕРИ АВТОМОБІЛЯ"

    ?Винокуров І.В.

    ORCID: 0000-0001-8697-1032, кандидат технічних наук, доцент, Московський Державний Технічний Університет ім. Н.е. Баумана (філія) в м Калузі

    АДАПТИВНЕ РОЗПІЗНАВАННЯ ЕЛЕМЕНТІВ РЕГІСТАЦІОННОГО НОМЕРИ АВТОМОБІЛЯ

    анотація

    Показана доцільність і ефективність адаптивного розпізнавання елементів реєстраційного номера автомобіля з використанням нейронної мережі Хеммінга. Запропоновано етапи розпізнавання - виявлення фрагмента зображення, імовірно містить реєстраційний номер автомобіля, визначення кута повороту фрагмента зображення, розпізнавання складових реєстраційного номера на нейронної мережі, корекція елементів реєстраційного номера автомобіля в залежності від його типу. Розроблено java-додаток для реалізації цих етапів.

    Ключові слова: реєстраційний номер автомобіля, оператор Собеля, перетворення Хафа, нейронна мережа Хеммінга.

    Vinokurov I.V.

    ORCID: 0000-0001-8697-1032, PhD in Engineering, Associate professor, Kaluga Branch of N.E. Bauman Moscow State Technical University ADAPTIVE RECOGNITION OF ELEMENTS OF VEHICLE REGISTRATION NUMBER

    Abstract

    The expediency and efficiency of adaptive recognition of the elements of vehicle registration number using the Hamming neural network is shown in the paper. The following stages of recognition are suggested: detection of a fragment of the image presumably containing the vehicle registration number, determination of the angle of rotation of the image fragment, recognizing the components of the registration number on the neural network, and correction of the elements of the vehicle registration number, depending on its type. A Java application has been developed to implement these steps.

    Keywords: car registration number, Sobel operator, Hafa transformation, Hamming neural network.

    В даний час існує безліч програмних систем і апаратно-програмних комплексів для розпізнавання реєстраційних номерів автомобілів по зображеннях з відеокамер спостереження - «Потік» (компанія «Россі»), «MegaCar» (компанія «Megapixel»), «Авто-Інспектор» (компанія ISS) і т.п. Практично в кожному з них розпізнавання реєстраційного номера автомобіля складається з наступних основних етапів: попередня обробка, сегментація і розпізнавання символів. Останній етап є досить важливим і може бути здійснений трьома різними типами методів - шаблонними, структурними або ознаковими. У прізнакових методах зображення кожного символу представляється як об'єкт в n-вимірному просторі ознак, який порівнюється з еталонними об'єктами, і зображення співвідноситься з найбільш підходящим з них. Одним з прізнакових методів є адаптивне нейромережеве розпізнавання. Цей метод може бути використаний і для розпізнавання елементів реєстраційних номерів автомобілів. Основні етапи цього методу наступні [1, С. 364] - виділення горизонтального і вертикального фрагментів зображення, в яких імовірно знаходиться реєстраційний номер автомобіля; виявлення і виділення елементів реєстраційного номера автомобіля з містить його фрагмента зображення; розпізнавання елементів реєстраційний номер автомобіля; корекція елементів реєстраційного номера автомобіля відповідно до його типом.

    Оскільки білий колір фону пластини має максимальну колірну інтенсивність, то виділення фрагмента зображення, імовірно містить реєстраційний номер автомобіля, може бути реалізовано обчисленням для всіх горизонтальних і вертикальних піксельних ліній їх колірної інтенсивності [2, С. 424]. Максимуми колірної інтенсивності найімовірніше будуть свідчити про наявність у відповідному фрагменті зображення реєстраційного номера автомобіля (рис. 1).

    Мал. 1 - Піки колірної інтенсивності вертикальної і горизонтальної проекцій

    Виходячи з відомої ширини символу реєстраційного номера автомобіля, можна, як і на попередньому етапі, за допомогою обчислення колірної інтенсивності його горизонтальної проекції, виділити в ньому розташування складових його символів (рис. 2).

    Мал. 2 - Піки горизонтальної інтенсивності елементів реєстраційного номера автомобіля

    Безпосередньо перед етапом виділення у фрагменті зображення символів реєстраційного номера автомобіля досить часто виникає необхідність в його повороті. Визначення кута повороту реєстраційного номера автомобіля виконується в результаті сукупності декількох типів аналізів і подальшої обробки зображення. На першому етапі виконується операція виявлення кордонів зображення на основі оператора Собеля для горизонтальних кордонів. Метою другого етапу є визначення рівняння прямих, що відповідають верхній і нижній кордонів реєстраційного номера автомобіля. На цьому етапі виконується розрахунок карти щільності знайдених точок меж в просторі коефіцієнтів лінійних залежностей просторових координат з використанням перетворення Хафа [3, С. 148].

    Для розпізнавання (класифікації) елементів реєстраційного номера автомобіля цілком достатня нейронна мережа Хеммінга [4, С. 46]. Мережа такого типу реалізує обчислення хеммінгово (евклидово) відстань між розпізнаваним і еталонним образами. Безпосередньо перед реалізацією етапу розпізнавання на нейронної мережі, в ряді випадків може знадобитися шаблонна скелетизації [5, С. 51].

    Всі допустимі елементи реєстраційного номера автомобіля після етапу їх бинаризации (растеризации) представляються у вигляді матриці певного обсягу. При цьому пікселю з максимальною колірною насиченістю відповідає нульове значення, а з мінімальної колірною насиченістю - одиничне [6, С. 56].

    Якщо зображення автомобіля має досить погана якість, то виникає необхідність в адаптивної бинаризации. Основними параметрами адаптивної бинаризации є радіус і поріг. Перший являє собою розмір області, на якій відбувається аналіз кожного з ділянок зображення. Порогом є деяке значення кольору (як правило, в градаціях сірого). Якщо колір пікселя перевищує це значення, то в подальшому він розглядається як піксель з чорним кольором, якщо не перевищує, то з білим [7, С. 74]. Результат роботи описаного вище способу адаптивної бинаризации наведено нижче (рис. 3).

    Мал. 3 - Результат роботи адаптивної бинаризации зображення

    Слід зазначити, що нейронна мережа Хеммінга поступається за ефективністю розпізнавання мереж зворотного поширення помилки, ART і деяким іншим, оскільки здатна правильно розпізнавати (класифікувати) тільки слабо зашумлений образи [8, С. 123]. З метою підвищення ефективності процесу розпізнавання, безпосередньо перед його реалізацією, виділені фрагменти зображення реєстраційного номера автомобіля порівнюються з еталонними значеннями параметрів їх яскравості, контрастності, відтінків і колірної насиченості. Додатковими параметрами висококонтрастних фрагментів зображення можуть бути їх висота, відношення ширини до висоти і деякі інші [9, С. 156].

    Після реалізації всіх описаних вище етапів, розпізнаний реєстраційний номер автомобіля порівнюється з шаблоном реєстраційного номера 1-го типу [10, С. 94].

    Описана в попередній статті методика нейросетевого розпізнавання реєстраційного номера автомобіля реалізована у вигляді програми, написаної на мові Java.

    Основними командами додатки є:

    "Завантаження зображення" - здійснює вибір файлів з зображеннями автомобілів і їх відображення на головному вікні програми у вигляді списку.

    "Виділити і розпізнати номер" - реалізує процес розпізнавання реєстраційного номера автомобіля на обраному зі списку зображенні автомобіля. Після завершення розпізнавання відображає виділений з зображення номер автомобіля і його результат.

    "Зупинити процес розпізнавання" - завершує процес розпізнавання реєстраційного номера автомобіля.

    "Змінити параметри розпізнавання" - відображає діалогове вікно, що дозволяє переглядати і / або змінювати поточні значення параметрів розпізнавання реєстраційного номера автомобіля. Вікно має закладки, на яких відображаються логічно взаємопов'язані параметри розпізнавання, що представляють собою коефіцієнти математичних методів цифрової обробки зображень.

    Процес виділення і подальшого розпізнавання елементів реєстраційних номерів автомобілів за їхніми фотографіями з використанням розробленого додатка полягає в реалізації наступних етапів - вибір і завантаження зображень автомобілів; настройка параметрів аналізу і обробки зображень; настройка параметрів виділення і розпізнавання елементів реєстраційного номера; власне, розпізнавання і відображення його результатів на головному вікні програми (рис. 4).

    Мал. 4 - Результати розпізнавання реєстраційного номера автомобіля

    Список літератури / References

    1. Муригін К.В. Нормалізація зображення автомобільного номера і сегментація символів для подальшого розпізнавання / К.В. Муригін // Штучний інтелект. - 2010. - № 2. - С. 364-369.

    2. Гонсалес Р. Цифрова обробка зображень / Р. Гонсалес, Р. Вудс. - М .: Техносфера, 2006. - 1072 з.

    3. Муригін К.В. Виявлення автомобільних номерів на основі змішаного каскаду класифікаторів / К.В. Муригін // Штучний інтелект. - 2010. - № 3. - С. 147-152.

    4. Винокуров І.В. Реалізація розпізнавання реєстраційного номера автомобіля на нейронної мережі Хеммінга / І.В. Винокуров // ЮЖНО-Сибірський НАУКОВИЙ ВІСНИК науково-технічний журнал - 2014. № 3 (7). - С. 46.

    5. Винокуров І.В. Розпізнавання реєстраційного номера автомобіля на нейронної мережі Хеммінга / І.В. Винокуров // Міжнародний науковий журнал «ІННОВАЦІЙНА НАУКА». 2017. - № 01-2. - С. 51.

    6. Винокуров І.В. Реалізація розпізнавання реєстраційного номера автомобіля на нейронної мережі Хеммінга / І.В. Винокуров // Міжнародний науковий журнал «ІННОВАЦІЙНА НАУКА». 2017. - № 01-2. - С. 56.

    7. Ширяєв В.І. Фінансові ринки: Нейронні мережі, хаос і нелінійна динаміка: Навчальний посібник / В.І. Ширяєв. - М .: ЛИБРОКОМ, 2013. - 232 c.

    8. Ширяєв В.І. Фінансові ринки: Нейронні мережі, хаос і нелінійна динаміка: Навчальний посібник / В.І. Ширяєв. - М .: КД Ліброком, 2015. - 232 c.

    9. Ширяєв В.І. Фінансові ринки: Нейронні мережі, хаос і нелінійна динаміка / В.І. Ширяєв. - М .: КД Ліброком, 2016. - 232 c.

    10. Ях'яева Г.Е. Нечіткі множини і нейронні мережі: Навчальний посібник / Г.Е. Ях'яева. - М .: БИНОМ. ЛЗ, ІНТУІТ.РУ, 2012. - 316 c.

    Список літератури англійською мовою / References in English

    1. Murygin K.V. Normalizacija izobrazhenija avtomobil'nogo nomera i segmentacija simvolov dlja posledujushhego raspoznavanija [Normalization of Car Identification Number Image and Symbol Segmentation for Subsequent Recognition] / K.V. Murygin // Iskusstvennyj intellekt [Artificial Intelligence]. - 2010. - No. 2. - P. 364-369. [In Russian]

    2. Gonsales R. Cifrovaja obrabotka izobrazhenij [Digital image processing] / R. Gonsales, R. Vuds. - M .: Tehnosfera, 2006. - 1072 p. [In Russian]

    3. Murygin K.V. Obnaruzhenie avtomobil'nyh nomerov na osnove smeshannogo kaskada klassifikatorov [Detection of Car Identification Numbers Based on Mixed Cascade of Classifiers] / K.V. Murygin // Iskusstvennyj intellekt [Artificial Intelligence]. - 2010. - No. 3. - P. 147-152. [In Russian]

    4. Vinokurov I.V. Realizacija raspoznavanija registracionnogo nomera avtomobilja na nejronnoj seti Hjemminga [Implementation of Recognition of Vehicle Identification Number on Hamming Neural Network] / I.V. Vinokurov // JuZhNO-

    SIBIRSKIJ NAUChNYJ VESTNIK nauchno-tehnicheskij zhurnal [SOUTH SIBERIAN SCIENTIFIC BULLETIN scientific and technical journal]. - 2014. - No. 3 (7). - P. 46. [in Russian]

    5. Vinokurov I.V. Raspoznavanie registracionnogo nomera avtomobilja na nejronnoj seti Hjemminga [Recognition of Vehicle Identification Number on Hamming Neural Network] / I.V. Vinokurov // Mezhdunarodnyj nauchnyj zhurnal «INNOVACIONNAJa NAUKA» [International scientific journal "INNOVATIVE SCIENCE"]. - 2017. - № 01-2. - P. 51. [in Russian]

    6. Vinokurov I.V. Realizacija raspoznavanija registracionnogo nomera avtomobilja na nejronnoj seti Hjemminga [Implementation of Recognition of Vehicle Identification Number on Hamming Neural Network] / I.V. Vinokurov // Mezhdunarodnyj nauchnyj zhurnal «INNOVACIONNAJa NAUKA» [International scientific journal "INNOVATIVE SCIENCE"]. - 2017. - No. 01-2. - P. 56. [in Russian]

    7. Shirjaev V.I. Finansovye rynki: Nejronnye seti, haos i nelinejnaja dinamika: Uchebnoe posobie [Financial Markets: Neural Networks, Chaos and Nonlinear Dynamics: Textbook] / V.I. Shirjaev. - M .: LIBROKOM, 2013. - 232 p. [In Russian]

    8. Shirjaev V.I. Finansovye rynki: Nejronnye seti, haos i nelinejnaja dinamika: Uchebnoe posobie [Financial Markets: Neural Networks, Chaos and Nonlinear Dynamics: Textbook] / V.I. Shirjaev. - M .: KD Librokom, 2015. - 232 p. [In Russian]

    9. Shirjaev V.I. Finansovye rynki: Nejronnye seti, haos i nelinejnaja dinamika [Financial Markets: Neural Networks, Chaos and Nonlinear Dynamics: Textbook] / V.I. Shirjaev. - M .: KD Librokom, 2016. - 232 p. [In Russian]

    10. Jah'jaeva G.Je. Nechetkie mnozhestva i nejronnye seti: Uchebnoe posobie [Fuzzy Sets and Neural Networks: Textbook] / G.Je. Jah'jaeva. - M .: BINOM. LZ, INTUIT.RU, 2012. - 316 p. [In Russian]

    DOI: https://doi.org/10.23670/IRJ.2018.67.106 Гаріна С.В.1, Нікішин М.Б.2

    : ORCID: 0000-0002-6153-8977, кандидат технічних наук, доцент 2ORCID: 0000-0002-1700-3676, кандидат педагогічних наук, доцент Національний дослідницький Мордовський державний університет ім. «Н.П. Огарьова »м Саранськ ОЦІНКИ ОПТИМАЛЬНОСТІ багатокритеріальних рішень

    анотація

    Наведено багатокритеріальні рішення для задач оптимізації в будівництві. Пропонується метод пошуку оптимальних рішень. Дані завдання мають велику складність, так як до оптимальних рішень пред'являються вимоги за кількома критеріями. Вимогами за критеріями можуть бути витрати коштів, часу, матеріалів, соціальні, екологічні наслідки від реалізації рішень. Розглядаються зростаючі і спадні частини цільової функції і дається оцінка оптимального рішення за допомогою коефіцієнта ефективності. Пропонується розглянути пріоритети за кожним критерієм. Встановлено, що використання пріоритетних оптимальних рішень за окремими критеріями дає з найменшими витратами часу визначати оптимальні значення змінних.

    Ключові слова: оптимізація, багатокритеріальні рішення, цільова функція.

    Garina S.V.1, Nikishin M.B.2

    1ORCID: 0000-0002-6153-8977, PhD in Engineering, Associate professor

    2ORCID: 0000-0002-1700-3676, PhD in Pedagogy, Associate professor Ogarev Mordovian State University, Saransk ESTIMATIONS OF OPTIMALITY OF MULTICRITERIAL SOLUTIONS

    Abstract

    Multicriteria solutions for optimization of problems in construction are given in the paper, and the method for finding optimal solutions is proposed. These problems are of great complexity, since several criteria are required for the optimal solutions. The requirements for the criteria can be the costs offunds, time, materials, social, environmental consequences from the implementation of decisions. The increasing and decreasing parts of the objective function are considered and the estimation of the optimal solution by means of the efficiency coefficient is given. It is proposed to consider the priorities for each criterion. It is established that the use of priority optimal solutions by separate criteria gives the least possible time to determine optimal values ​​of variables.

    Keywords: optimization, multicriteria solutions, objective function.

    У пошуках оптимального рішення можуть приймати участь декілька груп осіб, які пропонують в Аріантом, що задовольняють їх інтересам. Вони вибирають критерії, які спричиняють бажані рішення [1, С. 15].

    Одних цікавить продуктивність праці, інших - тривалість життя, третє - рівень доходів і т. Д. Будь-які критерії можна уявити в узагальненому еквіваленті, але це складно. Багатокритеріальні цільові функції - це система цільових функцій, кожна з яких пов'язана з відповідним критерієм [3, С. 14], [4, С. 61], [5, С. 20]. Якщо змінні параметри цільових функцій однакові, а постійні параметри різні, то єдиного рішення не існує. Виняток - однакове співвідношення постійних параметрів для всіх критеріїв. Що більшою мірою ймовірно.

    Багатокритеріальні оптимізаційні задачі розглядаються в теорії нечітких множин [10]. Більшість моделей прийняття рішень в нечітких умовах використовують задані критерії, обмеження і альтернативи. Ці моделі застосовують при прийнятті колективних та індивідуальних рішень, для розв'язання багатокритеріальних і


    Ключові слова: РЕЄСТРАЦІЙНИЙ НОМЕР АВТОМОБІЛЯ /CAR REGISTRATION NUMBER /ОПЕРАТОР Собеля /SOBEL OPERATOR /ПЕРЕТВОРЕННЯ Хафа /Нейронна мережа Хеммінга /HAMMING NEURAL NETWORK /HAFA TRANSFORMATION

    Завантажити оригінал статті:

    Завантажити