¿Recuerdas el escáner de matrículas de $86 millones que reproduje?

Hace unas semanas, publiqué lo que en ese momento pensé que era un artículo bastante inocuo: cómo reproduje un proyecto de $ 86 millones en 57 líneas de código. Admito que fue una afirmación bastante engañosa. Básicamente, estaba diciendo que había reproducido la misma tecnología de escaneo y validación de matrículas por la que la policía de Victoria, Australia, acababa de pagar 86 millones de dólares.

Desde entonces, las reacciones han sido abrumadoras. Mi artículo recibió más de 100 000 visitas el primer día y, a última vista, ronda las 450 000. He sido invitado a hablar en programas de entrevistas de radio locales y en una conferencia en California.

Creo que alguien puede haber malinterpretado Victoria, AU como Victoria, BC. Aunque rechacé cortésmente estas ofertas, me he reunido para tomar un café con varios desarrolladores locales y firmas de renombre por igual. Ha sido increíblemente emocionante.

La mayoría de los lectores lo vieron por lo que era: una prueba de concepto para generar debate sobre el uso de la tecnología de código abierto, el gasto público y el deseo de un hombre de construir cosas geniales desde su sofá. Los pedantes han señalado la falta de capacitación, soporte y los habituales aumentos de costos de TI empresarial, pero no vale la pena explorarlos. Prefiero pasar esta publicación mirando mis resultados y cómo otros pueden reforzar su propia precisión.

Antes de profundizar demasiado en los resultados, me gustaría repasar una cosa que siento que se perdió en la publicación original. El concepto de este proyecto comenzó completamente separado del proyecto BlueNet de $86 millones. De ninguna manera fue un intento de eliminarlo.

Comenzó con la idea persistente de que, dado que OpenCV existe y el sitio web de VicRoads tiene verificación de matrículas, debe haber una manera de combinar los dos o usar algo mejor. Fue solo cuando comencé mi redacción que me topé con BlueNet. Mientras descubría BlueNet y su precio, me dio un gran ángulo editorial, con el código ya escrito.

Era inevitable que hubiera algunas incoherencias entre los proyectos. También creo que parte de la razón por la que esto explotó fue el oportuno momento de un informe sobre el despilfarro del gasto público en TI en Australia. El proyecto de ley de TI del gobierno federal se ha disparado de $ 5.

9 mil millones a $ 10 mil millones, y entregó un valor dudoso para esa explosión. Los investigadores de medios que me contactaron se apresuraron a relacionar los dos, pero esto no es algo que yo aliente rápidamente. Un descargo de responsabilidad En aras de la transparencia, debo declarar algo que también faltaba en la publicación original.

Mi empleador anterior entregó proyectos de TI más pequeños (menos de $ 1 millón) para la policía de Victoria y otros organismos estatales. Como resultado, me sometí a controles policiales y completé los formularios requeridos para convertirme en un contratista de VicPol. Esto puede implicar que tengo un hacha para moler o que tengo algún conocimiento interno específico, pero en cambio estoy orgulloso de los proyectos que entregamos.

Ambos llegaron a tiempo y dentro del presupuesto.Visualización de los resultadosLa siguiente es una representación en video de mis resultados, compuesta en After Effects para un poco de diversión. Grabé varias secuencias de prueba, y este fue el clip más exitoso.

Voy a entrar en detalles sobre las configuraciones ideales de la cámara, las regiones de detección y más después del video. Te ayudará a comprender mejor qué hizo que este video de iPhone que tomé a través del parabrisas sea mejor que un Contour HD en ángulo por la ventana lateral. Un dilema ético Si vio el gráfico principal de este artículo o vio el video anterior, es posible que haya notado un desarrollo muy interesante: atrapé a alguien.

Específicamente, atrapé a alguien conduciendo un vehículo con un registro cancelado de 2016. Esto podría haber sucedido por muchas razones, la más inocente de las cuales es una práctica de reventa dudosa. Ocasionalmente, cuando la venta privada de un vehículo no se realiza por el libro, el comprador y el vendedor pueden no completar una transferencia oficial de registro.

Esto le ahorra al comprador cientos de dólares, pero el vehículo aún está registrado a nombre del vendedor. No es raro que un vendedor cancele el registro y reciba un reembolso ad hoc de los meses restantes, también por valor de cientos de dólares. Alternativamente, el conductor del vehículo bien podría ser el criminal que sospechamos que es.

Entonces, aunque en broma llamé al proyecto plate-snitch cuando lo configuré en mi computadora, ahora me enfrento al dilema de si debo reportar lo que vi. Finalmente, el conductor fue detectado usando un prototipo de un dispositivo solo para policías. Pero conducir con un registro de 2016 (cancelado, no vencido) es un movimiento muy deliberado.

Hmm. Volver a los resultados De las muchas reacciones a mi artículo, una cantidad significativa fueron bastante literales y dudosas. Como dije que repliqué el software, me aseguraron que debía tener un centro de soporte, garantías y manuales de capacitación.

Uno incluso intentó replicar mis resultados y se topó con los obstáculos inevitables de la calidad de la imagen y el material de origen. Debido a esto, algunos insinuaron que elegí mis imágenes de origen. A eso solo puedo decir, Bueno, duh.

Cuando construí mi prueba de concepto inicial (nuevamente, centrándome en validar una idea, no en replicar BlueNet), usé un pequeño conjunto de muestra de menos de diez imágenes. Dado que la configuración de la cámara es uno de los factores más importantes, si no el más importante, en ALPR, las seleccioné por sus características ideales que mejoran el reconocimiento. Al final del día, es muy simple tomar una prueba de concepto frágil y romperla.

La verdadera innovación y desafío proviene de tomar una prueba de concepto y hacer que funcione. A lo largo de mi carrera profesional, muchos desarrolladores sénior me han dicho que las cosas no se pueden hacer o al menos no se pueden hacer en el momento oportuno. A veces tenían razón.

A menudo, simplemente tenían aversión al riesgo. Nada es imposible hasta que se demuestre que lo es. Mucha gente bastardea esta cita, y es posible que hayas visto o escuchado una de sus encarnaciones antes.

Para mí, resume perfectamente una mentalidad de desarrollo saludable, en la que es casi obligatorio reforzar y validar las ideas para comprenderlas. Configuraciones óptimas de la cámara ALPR Este proyecto es muy emocionante y diferente para mí porque tiene una métrica de éxito clara, ya sea que el software reconozca la placa. Esto solo puede suceder con una combinación de hardware, software y soluciones de red.

Después de publicar mi artículo original, las personas que venden cámaras ALPR rápidamente ofrecieron consejos. Zoom óptico La solución más obvia en retrospectiva es el uso de un zoom óptico. Aunque exploro otros factores importantes a continuación, ninguno conduce a un aumento tan absoluto en el reconocimiento como este.

En general, las soluciones ALPR profesionales se compensan en ángulo, se orientan en el lugar donde estará la matrícula y se acercan al área para maximizar la claridad. Esto significa que cuanto más zoom, más píxeles para jugar. Todas las cámaras que tenía a mi disposición eran de una lente fija.

Incluían: Una cámara de acción Contour HD. Estos salieron en 2009, y uso el mío para registrar mi viaje en bicicleta y para reproducir cada semana la experiencia cercana a la muerte. Una Fujifilm X100S (famosa por una lente principal fija) Mi iPhone 6 La prueba destacada se grabó en mi teléfono.

Mi único método para replicar un zoom óptico fue usar una aplicación para grabar a 3K en lugar de 1080p, y luego hacer zoom y recortar digitalmente. Una vez más, más píxeles con los que jugar.Ángulo & Posicionamiento El ángulo de visión de 30 a menudo se menciona como el estándar para el reconocimiento ideal de matrículas.

Esto es increíblemente importante cuando se entera de que BlueNet utiliza una serie de cámaras. También tiene sentido cuando consideras que una cámara frontal generalmente no vería mucho. Si tuviera que adivinar, diría que una matriz mayormente orientada hacia adelante sería la configuración ideal.

Consistiría en una sola cámara apuntando al punto muerto como se muestra arriba, dos descentradas a 30 a cada lado y una sola cámara mirando hacia atrás. El valor de tener la mayoría de las cámaras apuntando hacia adelante provendría del mayor tiempo de reacción si el vehículo viaja en la dirección opuesta. Esto permitiría un escaneo, un proceso y un giro en U más rápidos que si las cámaras traseras captaran un vehículo sospechoso que ya había pasado diez metros del vehículo policial.

Un GymbalAl componer el video, pensé en estabilizar el metraje. En cambio, opté por mostrar el viaje lleno de baches por lo que era. Lo que viste fue que sostenía mi teléfono cerca del parabrisas mientras mi esposa conducía.

Echa un vistazo a ese riguroso método científico. Otros factores importantes Tasa de fotogramas Tanto el intento de replicar mi proyecto como mis grabaciones desde entonces exploraron el mismo concepto erróneo de que la frecuencia de fotogramas de muestreo ALPR puede estar relacionada con el éxito. En mi experiencia, esto no hizo más que ciclos de desperdicio.

En cambio, lo que es increíblemente importante es la velocidad de obturación que crea imágenes limpias y nítidas que alimentan bien el algoritmo. Pero también estaba probando metraje a una velocidad bastante baja. Como máximo, dos vehículos que se cruzan en una zona de 60 km/h crean una diferencia de 120 km/h.

BlueNet, por otro lado, puede funcionar hasta unos supuestos 200 km/h. Como una forma de resolver esto, un colega sugirió la detección de objetos y el procesamiento fuera de banda. Identifique un vehículo y dibuje un cuadro delimitador.

Espere a que entre en el ángulo de reconocimiento ideal y haga zoom. Luego tome una ráfaga de fotos para el procesamiento asíncrono. Investigué el uso de OpenCV (node-opencv) para el reconocimiento de objetos, pero encontré algo más simple como la detección de rostros, que toma entre 600 y 800 ms.

No solo menos que ideal para mi uso, sino bastante pobre en general. Hype-train TensorFlow viene al rescate. Capaz de ejecutarse en el dispositivo, hay ejemplos de proyectos que identifican múltiples vehículos por marco a un asombroso 27.

7fps. Esta versión podría incluso exponer estimaciones de velocidad. Legalmente sin valor, pero quizás útil en la vigilancia diaria (sin referencia de fps en el archivo Léame).

Para explicar mejor cómo el reconocimiento de vehículos de alto rendimiento podría combinarse con técnicas ALPR más lentas, creé otro video en After Effects. Me imagino que los dos trabajando de la mano se verían así: Velocidad de fotogramas frente a velocidad de obturación Una manifestación diferente de la velocidad de fotogramas está influenciada en gran medida por la velocidad de obturación y, más específicamente, los problemas del obturador rodante que plagan las películas digitales tempranas o de gama baja. grabadoras La siguiente es una instantánea de algunas imágenes de Contour HD.

Puede ver a solo 60 km/h que el problema de la persiana enrollable hace que el metraje sea más o menos inutilizable desde el punto de vista de ALPR. Ajustar la velocidad de fotogramas tanto en Contour HD como en mi iPhone no dio como resultado una distorsión notablemente menor. En teoría, una velocidad de obturación más alta debería producir imágenes más claras y nítidas.

Serían cada vez más importantes si tuviera que perseguir el punto de referencia BlueNet de 200 km/h. Menos desenfoque y menos distorsión del obturador rodante idealmente conducirían a una mejor lectura. Versión ALPR abierta Uno de los descubrimientos más interesantes fue que la versión node-openalpr que estaba usando está desactualizada y no es tan poderosa como su solución propietaria.

Si bien un requisito de código abierto fue sin duda un factor, fue sorprendente la precisión con la que la versión en la nube podía leer con éxito marcos en los que ni siquiera podía identificar una placa. Datos de capacitación del país ALPR no hay forma de anularlo. Tienes que bajar la bifurcación de otra persona, lo que te permite proporcionar un parámetro de país adicional.

Pero esto no siempre ayuda. Usando el algoritmo predeterminado de EE. UU., pude producir la mayoría de los resultados. Especificar el conjunto de datos de Australia en realidad redujo a la mitad el número de lecturas de placas exitosas, y solo logró encontrar una o dos que el algoritmo de EE. UU. no pudo.

Proporcionar el conjunto de placas anchas australianas separado nuevamente redujo a la mitad el conteo e introdujo una sola placa adicional. Claramente hay mucho que desear cuando se trata de conjuntos de datos basados ​​en Australia para ALPR, y creo que la gran cantidad de estilos de placas disponibles en Victoria es un factor que contribuye. Planar WarpsOpen ALPR viene con una herramienta particular para reducir el impacto de la distorsión tanto del ángulo de la cámara como de los problemas del obturador.

La deformación plana se refiere a un método en el que las coordenadas se pasan a la biblioteca para sesgar, trasladar y rotar una imagen hasta que se parezca mucho a una placa recta. En mi limitada experiencia de prueba, no pude encontrar una deformación plana que funcionara en todas las velocidades Cuando considera la persiana enrollable, tiene sentido que la distorsión crezca en relación con la velocidad del vehículo.

Me imagino que alimentar datos de velocidad del acelerómetro o GPS como un coeficiente podría funcionar. O, ya sabes, consigue una cámara que no sea completamente basura. Lo que otros están haciendo en la industria Numerosos lectores se acercaron después de la última publicación para compartir sus propias experiencias e ideas.

Quizás una de las soluciones más interesantes que compartió conmigo fue la de Auror en Nueva Zelanda. Emplean cámaras ALPR fijas en las estaciones de servicio para informar sobre personas que roban gasolina. Esto en sí mismo no es particularmente nuevo y revolucionario.

Pero cuando se combinan con su red, pueden generar automáticamente una alerta cuando los delincuentes conocidos han regresado o están apuntando a estaciones de servicio en el área. Desarrolladores independientes en Israel, Sudáfrica y Argentina han mostrado interés en construir sus propias versiones pirateadas de Red Azul. A algunos probablemente les irá mejor que a otros, ya que lugares como Israel usan placas de matrícula de siete dígitos sin caracteres alfabéticos.

Puntos claveSimplemente hay demasiado que he aprendido en las últimas semanas de incursionar para caber en una publicación. Si bien ha habido muchos detractores, realmente aprecio el apoyo y el conocimiento que me han enviado. Hay muchos desafíos que enfrentará al intentar construir su propia solución ALPR, pero afortunadamente muchos de ellos son problemas resueltos. .

Para poner las cosas en perspectiva, soy diseñador y desarrollador front-end. He pasado unas diez horas ahora en metraje y código, otras ocho en producción de video y al menos otras diez solo en redacción. He logrado lo que tengo subido a hombros de gigantes.

Estoy instalando bibliotecas construidas por personas inteligentes y he aprovechado los consejos de personas que venden estas cámaras para ganarse la vida. La pregunta de $ 86 millones sigue siendo si puede construir una solución a medias que haga un buen trabajo parado sobre los hombros de gigantes, cómo ¿Debe invertir mucho más dinero para hacer un trabajo realmente bueno? Mi solución ni siquiera está en el mismo sistema solar que el 99.

Escáner con una precisión del 999% que algunos comentaristas de Internet parecen esperar. Pero, de nuevo, BlueNet solo tiene que cumplir con un objetivo de precisión del 95 %. Entonces, si $ 1 millón lo lleva al 80 % de precisión, y tal vez $ 10 millones lo lleva al 90 % de precisión, ¿cuándo deja de gastar?

Además, teniendo en cuenta que la tecnología tiene aplicaciones comerciales comprobadas aquí en Oceanía, ¿cuánto más dinero de los contribuyentes debería invertirse en una solución patentada de fuente cercana cuando las nuevas empresas locales podrían beneficiarse? Después de todo, se supone que Australia es una nación innovadora