Kennzeichen erkennung Arbeits prinzip

Von: Shenzhen TGW Technology Co.,Ltd

Die Kennzeichen erkennungs technologie basiert auf der Bilds egmentierung, Bilder kennung theorie. Die Technologie wird verwendet, um Bilder zu analysieren, die ein Nummern schild enthalten, um die Position des Kennzeichens zu bestimmen und die Text zeichen weiter zu extrahieren und zu erkennen.

Ein typischer Prozess zur Kennzeichen erkennung umfasst die Bilder fassung, die Vor verarbeitung von Bildern, die Position ierung von Kennzeichen, die Zeichens egmentierung, die Zeichen erkennung und die Ergebnis ausgabe. Pro Prozess ist komplementär zueinander. Alle Prozesse müssen seine hohe Effizienz und hohe Anti-Interferenz-Fähigkeit sicherstellen. Nur so kann die Identifikation verarbeitung ein zufriedenstellen des Ergebnis erzielen.

Es gibt zwei Haupt methoden, um das Kennzeichen erkennungs system zu implemen tieren, eine Standbild erkennung und die andere ist die dynamische Videostream kennung. Die Bilder kennung wird durch Faktoren wie Bildqualität, Kennzeichen verstellung und Kennzeichen neigung einges chränkt. Die dynamische Videostream erkennung erfordert eine schnellere Erkennungs geschwindigkeit, die durch die Leistungs indikatoren des Prozessors begrenzt ist. Insbesondere wenn wir eine Echtzeit-Kennzeichen erkennung auf mobilen Terminals realisieren möchten, ist eine stärkere Leistungs optimierung erforderlich.

Obwohl die Kennzeichen erkennung sechs Hauptprozesse umfasst, befindet sich der Kern algorithmus nur in drei Modulen: Kennzeichen position ierung, Zeichens egmentierung und Zeichen erkennung.

Kennzeichen position ierung

Die Hauptaufgabe der Kennzeichen position ierung besteht darin, den Bereich des Kennzeichens aus dem Standbild-oder Video rahmen zu finden und das Nummern schild vom Bild für die nachfolgende Verarbeitung modul verarbeitung zu trennen. Die Kennzeichen position ierung ist einer der wichtigen Faktoren, die die System leistung beeinflussen. Derzeit gibt es viele Möglichkeiten, Nummern schilder zu lokalisieren, aber im Allgemeinen können sie in zwei Methoden unterteilt werden:

Erstens die Methode basierend auf grafischer Bildgebung.

Es gibt haupt sächlich (1) farb basierte Lokal isierungs methoden, wie z. B. Farb kanten algorithmus, Farb abstand und Ähnlichkeit algorithmus usw.; (2) textur basierte Lokal isierungs methoden wie Wavelet-Textur, horizontale Gradienten differential textur usw.; (3) Kanten detektion basierte Position ierungs methode; (4) Position ierungs methode basierend auf mathematischer Form.

Die auf Grafik-und Bild technologie basierende Position ierungs methode ist anfällig für Störungen, die durch externe Interferenz informationen verursacht werden, und verursacht einen Position ierungs fehler. Wenn beispiels weise bei der auf der Farb analyze basierenden Position ierungs methode die Hintergrund farbe des Kennzeichens der Farbe des Kennzeichens ähnlich ist, ist es schwierig, das Nummern schild aus dem Hintergrund zu extrahieren. Bei der auf der Kanten erkennung basierenden Methode kann der Fleck am Rand des Kennzeichens leicht den Position ierungs fehler verursachen. Die Interferenz externer Interferenz informationen täuscht auch den Position ierungs algorithmus, was dazu führt, dass der Position ierungs algorithmus zu viele Nicht-Kennzeichen kandidaten regionen erzeugt, was die System last erhöht.

Zweitens die Methode, die auf maschinellem Lernen basiert.

Zu den auf maschinellem Lernen basierenden Methoden gehören Feature-Engineering-basierte Position ierungs methoden und neuronale netzwerk basierte Position ierungs methoden. Zum Beispiel können wir ein Kennzeichen position ierungs system durch einen kaskadi erten Klass ifikator trainieren, der auf den von OpenCV bereit gestellten Haar funktionen basiert. Aber diese Methode ist sehr zeit aufwendig zu trainieren, und die Effizienz der Klassifizierung und Position ierung ist auch gering. Daher sind im Bereich der Ziel lokal isierung neuronale netz basierte Methoden die gängigen Methoden. Bei neuronalen netz basierten Lokal isierungs methoden werden Faltung netzen haupt sächlich zum Erlernen von Ziel merkmalen verwendet. Da das neuronale Faltung netzwerk eine Übersetzungs invarianz aufweist, kann es im Lernprozess durch Kandidaten regionen ergänzt werden und die Kandidaten regionen klassifizieren. Die Kandidaten region, die korrekt klass ifi ziert ist, ist der Ort des Ziels. Es gibt viele Implementierungs modelle für solche Methoden, wie z. B. RCNN, schnellere RCNN, SSD usw.

Charakters egmentierung

Die Aufgabe der Zeichens egmentierung besteht darin, jedes Zeichen in einem mehr spalt igen oder mehrz eiligen Zeichen bild aus dem gesamten Bild in ein einzelnes Zeichen bild zu schneiden. Herkömmliche Zeichens egmentierung algorithmen können in die folgenden zwei Kategorien zusammen gefasst werden: direkte Segment ierungs methoden, Segment ierungs methoden basierend auf der Bild morphologie. Die direkte Segment ierungs methode ist einfach, basierend auf einigen Vorkenntnissen, wie der Verteilung von Kennzeichen zeichen, und unterstützt auch einige grundlegende Projektions algorithmen, um eine Segment ierung zu erreichen. Die morphologie basierte Segment ierungs methode verwendet Kanten erkennung, Expansion und Korrosion, um die Zeichen bild position zu bestimmen. Herkömmliche Zeichen segment ierungs algorithmen reagieren auch empfindlich auf äußere Störungen wie Kennzeichen neigung, Zeichen verschmutzung und Adhäsion. Die korrekte Segment ierung der Kennzeichen zeichen ist für die Zeichen erkennung sehr wichtig. Nur wenn die Segment ierung korrekt ist, kann die Erkennungs genauigkeit garantiert werden. Mit der kontinuier lichen Entwicklung der Theorie des neuronalen Netzes hat auch die End-to-End-Technologie für die Klassifizierung und Erkennung von Bildern große Durchbrüche erzielt. Daher werden viele OCR-Software die traditionelle Verarbeitung der Zeichen segment ierung allmählich los und Multi-Zeichen werden vom Erkennungs netzwerk direkt erkannt.

Charakter erkennung

Bei der Zeichen erkennung wird die Zeichen codierung aus einem Bild extrahiert, das ein oder mehrere Zeichen enthält. Die typische Methode der Zeichen erkennung ist die Methode der Bild klassifizierung basierend auf maschinellem Lernen. Bei der Bild klassifizierung methode kann ein Bild nur eine Klassifizierung ausgeben, dh ein Bild kann nur ein Zeichen bild enthalten. Dies erfordert eine hohe Genauigkeit der Zeichens egmentierung. Eine weitere Erkennungs methode ist die End-to-End-Zeichen erkennungs methode, die auf einem wiederkehren den neuronalen Netzwerk basiert. Diese Methode gibt das gesamte Kennzeichen bild in das Netzwerk ein, und das neuronale Netzwerk gibt alle Zeichen direkt aus. Die End-to-End-Methode entfernt direkt den Zeichens egmentierung prozess und vermeidet den durch den Zeichens egmentierung fehler verursachten Stabilitäts verlust. Die End-to-End-Methode reagiert jedoch auch empfindlich auf andere Störungen wie die Neigung des Kennzeichens.

Wir haben kurz einige Technologien des drei Kernteils des Kennzeichens kennung systems oben besprochen. Im Anschluss werden wir einige Mainstream-Technologien ausführlich diskutieren.