Разработка системы видео-мониторинга парковочного пространства

Локальные и глобальные признаки
Признаки, при помощи которых человек анализирует изображение, бывают локальными и глобальными. В соответствии с рисунком 6 большинство людей скажет, что на ней изображена красная машина.

Рисунок 6 - Исходное изображение

Детектирование и сегментация
В компьютерном зрении этот процесс называется детектированием и сегментацией. Сегментация – это разделение изображения на множество частей, связанных друг с другом визуально, либо семантически. А детектирование – это обнаружение объектов на изображении. Детектирование нужно четко отличать от распознавания. Допустим, на той же картинке в соответствии с рисунком 7 можно детектировать автомобиль и дорожный знак. Но распознать знак его невозможно, так как он повернут к нам обратной стороной. Так же при распознавании лиц детектор может определить расположение лица, а «распознаватель» уже скажет, чье это лицо.

Рисунок 7 - Детектирование и сегментация
Дескрипторы и визуальные слова
Существует много разных подходов к распознаванию.
Например, такой: на изображении сначала нужно выделить интересные точки или интересные места. Что-то отличное от фона: яркие пятна, переходы и т.д. Есть несколько алгоритмов, позволяющих это сделать.
Один из наиболее распространенных методов обработки изображений
– Difference of Gaussians (DoG). Размывая картинку с разным радиусом и сравнивая получившиеся результаты, можно находить наиболее контрастные фрагменты. Области вокруг этих фрагментов представляют интерес.
Далее эти области описываются в цифровом виде. Области разбиваются на небольшие участки, определяется, в какую сторону направлены градиенты, получаются векторы в соответствии с рисунком 8.
Полученные данные записываются в дескрипторы.

Рисунок 8 - Метод Difference of Gaussians

Чтобы одинаковые дескрипторы признавались таковыми независимо от поворотов в плоскости, они разворачиваются так, чтобы самые большие векторы были повернуты в одну сторону. Делается это далеко не всегда. Но если нужно обнаружить два одинаковых объекта, расположенных в разных плоскостях.
Дескрипторы можно записывать в числовом виде. Дескриптор можно представить в виде точки в многомерном массиве. В двумерный массив в соответствии с рисунком 8 попали наши дескрипторы. После этого возможно их кластеризовать – разбить на группы.
Дальше для каждого кластера описывается область в пространстве. Когда дескриптор попадает в эту область, для нас становится важным не то, каким он был, а то, в какую из областей он попал. На следующем шаге сравниваются изображения, чтобы определить, сколько дескрипторов одного изображения оказались в тех же кластерах, что и дескрипторы другого изображения. Такие кластеры можно называть визуальными словами.
Чтобы находить не просто одинаковые картинки, а изображения похожих объектов, требуется взять множество изображений этого объекта и множество картинок, на которых его нет. Затем выделить из них дескрипторы и кластеризовать их. Далее нужно выяснить, в какие кластеры попали дескрипторы с изображений, на которых присутствовал нужный нам
объект. Если дескрипторы с нового изображения попадают в те же кластеры, значит, на нем присутствует искомый объект.
Совпадение дескрипторов – еще не гарантия идентичности содержащих их объектов. Один из способов дополнительной проверки – геометрическая валидация. В этом случае проводится сравнение расположения дескрипторов относительно друг друга.
Распознавание и классификация
Для простоты представим, что все изображения делятся на три класса: архитектура, природа и портрет. В свою очередь, природа подразделяется на растения животных и птиц. А уже поняв, что это птица, можно определить, какая именно: сова, чайка или ворона.
Разница между распознаванием и классификацией достаточно условна. Если на картинке нашлась сову, то это скорее распознавание. Если просто птицу, то это некий промежуточный вариант. А если только природу – это определенно классификация. Т.е. разница между распознаванием и классификацией заключается в том, насколько глубоко прошлись по иерархии. И чем дальше будет продвигаться компьютерное зрение, тем ниже будет сползать граница между классификацией и распознаванием [6].

2. 
   Анализ подходов к распознаванию номеров
   

Можно выделить два подхода в распознавании автомобильных номеров. Распознавание можно проводить в облачном сервисе либо использовать для этого библиотеки распознавания. У этих подходов есть свои преимущества и недостатки.
Распознавание регистрационных номеров на локальном сервере требует серьезных вычислительных затрат, разработку и сопровождение ПО. Зато существуют бесплатные библиотеки с помощью которых можно разработать ПО распознавания автомобильных номеров.
Распознавание регистрационных номеров в облачном сервисе экономит вычислительные ресурсы, кроме того ПО распознавания уже готово и его сопровождением занимается сторонняя компания. Но за услуги облачного распознавания придется платить, так же необходимо постоянное широкополосное подключение к интернету. Для сравнения подходов были выявлены критерии. В таблице 1 приведено сравнение этих подходов.
Таблица 1 – Сравнение подходов к распознаванию номеров

Критерий	Распознавание на локальном сервере	Распознавание в облачном сервисе
Потребление вычислительных ресурсов	Высокое	Низкое
Наличие сети Интернет	Не нужен	Нужен
Стоимость	open-source	Плата за каждое распознавание
ПО распознавания	Необходимо разрабатывать и отлаживать	Разработкой и сопровождением занимается сторонняя организация

Взвесив достоинства и недостатки этих подходов было решено использовать локальные библиотеки распознавания, т.к. ключевым параметром является цена.

2. 
   Технология распознавания автомобильных номеров
   

Один из ключевых параметров для создания системы распознавания — используемая аппаратура для фотосъёмки. Чем мощнее и лучше система освещения, чем лучше камера, тем больше шансов распознать номер. Хороший инфракрасный (ИК) прожектор может просветить даже пыль и грязь, имеющиеся на номере, затмить все мешающие факторы. Чем лучше система съёмки — тем надежнее результат. Лучший алгоритм без хорошей системы съёмки бесполезен [7].