مبدأ عمل التعرف على لوحة الترخيص

بواسطة: شنتشن TGW التكنولوجيا المحدودة

تعتمد تقنية التعرف على لوحة الترخيص على تجزئة الصورة ونظرية التعرف على الصور. يتم استخدام هذه التقنية لتحليل الصور التي تحتوي على لوحة أرقام لتحديد موضع لوحة الترخيص ومقتطفات أخرى والتعرف على الأحرف النصية.

تتضمن عملية التعرف النموذجية على لوحة الترخيص اكتساب الصورة ، والمعالجة المسبقة للصور ، وتحديد موقع لوحة الترخيص ، وتجزئة الأحرف ، والتعرف على الأحرف ، وإخراج النتائج. لكل عملية مكملة لبعضها البعض. يجب أن تضمن كل عملية كفاءتها العالية وقدرتها العالية على مكافحة التدخل. بهذه الطريقة فقط يمكن لمعالجة تحديد الهوية تحقيق نتيجة مرضية.

هناك طريقتان رئيسيتان لتنفيذ نظام التعرف على لوحة الترخيص ، واحدة لا تزال التعرف على الصور ، والأخرى هي التعرف على دفق الفيديو الديناميكي. يقتصر التعرف على الصورة على عوامل مثل جودة الصورة ، تشويه لوحة الترخيص ، وإمالة لوحة الترخيص. يتطلب التعرف على دفق الفيديو الديناميكي سرعة التعرف بشكل أسرع ، والتي تقتصر على مؤشرات أداء المعالج ، خاصة عندما نريد تحقيق التعرف على لوحة الترخيص في الوقت الفعلي على المحطات المحمولة ، فإنه يتطلب المزيد من تحسين الأداء.

على الرغم من أن التعرف على لوحة الترخيص يتضمن ست عمليات رئيسية ، إلا أن الخوارزمية الأساسية موجودة فقط في ثلاث وحدات: تحديد موضع لوحة الترخيص ، وتجزئة الأحرف ، والتعرف على الأحرف.

تحديد المواقع لوحة الترخيص

تتمثل المهمة الرئيسية لتحديد موضع لوحة الترخيص في العثور على منطقة لوحة الترخيص من الصورة الساكنة أو إطار الفيديو وفصل لوحة الترخيص عن الصورة لمعالجة وحدة المعالجة اللاحقة. يعد تحديد موضع لوحة الترخيص أحد العوامل المهمة التي تؤثر على أداء النظام. في الوقت الحاضر ، هناك العديد من الطرق لتحديد موقع لوحات الترخيص ، ولكن بشكل عام ، يمكن تقسيمها إلى طريقتين:

أولاً ، الطريقة القائمة على التصوير الجرافيكي.

هناك بشكل أساسي (1) طرق توطين قائمة على اللون ، مثل خوارزمية حافة اللون ، ومسافة اللون وخوارزمية التشابه ، وما إلى ذلك ؛ (2) طرق التوطين القائمة على الملمس ، مثل نسيج المويج ، والملمس التفاضلي الأفقي ، وما إلى ذلك ؛ (3) طريقة تحديد المواقع القائمة على الكشف ؛ (4) طريقة تحديد المواقع على أساس الشكل الرياضي.

طريقة تحديد المواقع القائمة على الرسومات وتكنولوجيا الصورة عرضة للتداخل الناجم عن معلومات التداخل الخارجي وتسبب فشل تحديد المواقع. على سبيل المثال ، في طريقة تحديد المواقع القائمة على تحليل الألوان ، إذا كان لون الخلفية للوحة الترخيص مشابهًا للون لوحة الترخيص ، فمن الصعب استخراج لوحة الترخيص من الخلفية. في الطريقة القائمة على اكتشاف الحافة ، يمكن أن تتسبب البقعة الموجودة على حافة لوحة الترخيص بسهولة في فشل تحديد المواقع. سيؤدي تداخل معلومات التداخل الخارجي أيضًا إلى خداع خوارزمية تحديد المواقع ، مما يتسبب في إنشاء خوارزمية تحديد المواقع لعدد كبير جدًا من المناطق المرشحة للوحة غير المرخصة ، مما يزيد من تحميل النظام.

ثانيا ، الطريقة القائمة على التعلم الآلي.

تشمل الأساليب القائمة على التعلم الآلي طرق تحديد المواقع القائمة على الهندسة وطرق تحديد المواقع القائمة على الشبكة العصبية. على سبيل المثال ، يمكننا تدريب نظام تحديد موضع لوحة الترخيص من خلال مصنف متتالي يعتمد على ميزات haar التي توفرها OpenCV. لكن هذه الطريقة تستغرق وقتًا طويلاً للتدريب ، كما أن كفاءة التصنيف وتحديد المواقع منخفضة أيضًا. لذلك ، في مجال توطين الهدف ، الأساليب القائمة على الشبكة العصبية هي الطرق الرئيسية. في طرق التوطين القائمة على الشبكة العصبية ، تستخدم الشبكات العصبية الالفية بشكل أساسي لتعلم الميزات المستهدفة. نظرًا لأن الشبكة العصبية التالفية لها ثبات في الترجمة ، فيمكن استكمالها بالمناطق المرشحة في عملية التعلم وتصنيف المناطق المرشحة. المنطقة المرشحة المصنفة بشكل صحيح هي موقع الهدف. هناك العديد من نماذج التنفيذ لمثل هذه الأساليب ، مثل RCNN و RCNN الأسرع و SSD وما إلى ذلك.

تجزئة الشخصية

تتمثل مهمة تجزئة الأحرف في قص كل حرف في صورة أحرف متعددة الأعمدة أو متعددة الخطوط من الصورة بأكملها إلى صورة حرف واحد. يمكن تلخيص خوارزميات تجزئة الأحرف التقليدية في الفئتين التاليتين: طرق التجزئة المباشرة ، طرق التجزئة بناءً على مورفولوجيا الصورة. طريقة التجزئة المباشرة بسيطة ، بناءً على بعض المعرفة السابقة ، مثل توزيع أحرف لوحة الترخيص ، كما تساعد بعض خوارزميات الإسقاط الأساسية لتحقيق التجزئة ؛ تستخدم طريقة التجزئة القائمة على التشكل تستخدم اكتشاف الحافة والتوسع والتآكل لتحديد موضع صورة الحرف. خوارزميات تجزئة الشخصيات التقليدية حساسة أيضًا للاضطرابات الخارجية ، مثل ميل لوحة الترخيص ، تلوث الشخصية ، والالتصاق. يعد التقسيم الصحيح لأحرف لوحة الترخيص مهمًا جدًا للتعرف على الشخصيات. فقط عندما يكون التقسيم صحيحًا ، يمكن ضمان دقة التعرف. مع التطور المستمر لنظرية الشبكة العصبية ، حققت تقنية تصنيف الصورة من البداية إلى النهاية اختراقات كبيرة ، حيث تتخلص العديد من برامج التعرف الضوئي على الحروف تدريجيًا من معالجة تجزئة الأحرف التقليدية ، ويتم التعرف على الأحرف المتعددة مباشرة من خلال شبكة التعرف.

التعرف على الشخصية

التعرف على الأحرف هو عملية استخراج ترميز الأحرف من صورة تحتوي على حرف واحد أو أكثر. الطريقة النموذجية للتعرف على الشخصيات هي طريقة تصنيف الصورة بناءً على التعلم الآلي. في طريقة تصنيف الصورة ، يمكن لصورة واحدة إخراج تصنيف واحد فقط ، أي أن صورة واحدة يمكن أن تحتوي فقط على صورة حرف واحد. هذا يتطلب دقة عالية من تجزئة الشخصية. طريقة التعرف الأخرى هي طريقة التعرف على الأحرف من النهاية إلى النهاية بناءً على شبكة عصبية متكررة. تقوم هذه الطريقة بإدخال صورة لوحة الترخيص بالكامل في الشبكة ، وستخرج الشبكة العصبية مباشرة جميع الأحرف. تقوم طريقة النهاية بإزالة عملية تجزئة الأحرف بشكل مباشر وتتجنب فقدان الاستقرار الناجم عن خطأ تجزئة الحرف ، ولكن طريقة النهاية إلى النهاية حساسة أيضًا للاضطرابات الأخرى مثل إمالة لوحة الترخيص.

ناقشنا بإيجاز بعض التقنيات في الجزء الأساسي الثلاثة من نظام التعرف على لوحة الترخيص أعلاه. في المتابعة ، سنجري مناقشة مفصلة لبعض التقنيات السائدة.