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.
Ранее ученые создали приложение для прогноза задержек авиарейсов.