Вы находитесь в разделе Типовых решений систем безопасности
Smart Video: технологии распознавания номеровИдея построения эффективной системы безопасности не может быть реализована лишь количественным подходом. на данный момент не достаточно просто увеличить число камер, посадить так же одного человека за мониторы или поставить проверять транспорт по списку. На первый план выходят проблемы автоматизированного анализа огромных потоков видеоинформации разного типа. И выполнение этих задач невозможно без применения технологий Smart Video От человека в "ватнике" – к человеку с компьютером Центры мониторинга на крупных предприятиях с помощью систем Smart Video способны более эффективно контролировать большие территории и транспортные потоки, оперативно реагировать на возникшие угрозы, продуктивно использовать данные из информационных баз предприятия. В этом случае в распоряжении специалистов оказываются не только терабайты информации, а действенный инструмент проведения политики экономической безопасности, которая является составной частью общей безопасности предприятия и не может эффективно решаться в отдельности от задачи охраны предприятия. Следующим шагом развития можно назвать интеграцию системы безопасности с системами автоматизации предприятия, когда сведения о направлении транспорта и другие данные из системы безопасности поступают в общую информационную систему и открывают возможности, ранее не доступные пользователям. И факт распознавания номера становится не просто константой, а информационной единицей. Человек в "ватнике" у дверей проходной в современном мире все меньше ассоциируется с охраной предприятия. Поскольку распознавание различных видов учетных номеров транспорта наиболее надежно и эффективно осуществляется при помощи систем видеонаблюдения, в этой аналитической статье будут проанализированы основные технологические принципы их построения. Принципы работы систем распознавания текстовой информации из видеопотока Одним из первых шагов при построении подобных систем является извлечение информации из потока видеоданных: классификация объектов и их параметров, распознавание данных определенной категории. Некоторые проблемы и способы их решения будут проанализированы ниже. интенсивный поиск текста в изображении Для реализации этой задачи предусмотрено четыре основных метода.
 Анализ последовательности кадров При наличии соответствующих условий эффективной оказывается интегральная гипотеза по распознаванию символов, построенная на выявлении данного объекта в последовательности кадров. Применение этой схемы позволяет повысить надежность работы системы и устойчивость к помехам в сигнале. При остановке транспорта, например на контрольно-пропускном пункте (КПП), эффективно усреднение сигнала по серии кадров для подавления шума. Этот метод позволяет системе оставаться продуктивной даже при весьма слабом освещении. Распознавание символов После локализации символов следуют этапы бинаризации, выделения отдельных символов, анализа результатов на основе загодя известной структуры объекта и дораспознавания результатов исходя из предварительной классификации. В зависимости от того, насколько грамотно выполнены действия на этих стадиях, зависит в итоге процент распознавания. Поясним принципы работы системы на этих стадиях более подробно.
Распознавание символа. Для него применяются только те методы, которые устойчивы к изменению шрифта и слабым аффинным искажениям символа, поскольку прочие множественные схемы в рассматриваемых нами задачах оказываются малоэффективны. В качестве признаков символа используется набор из 4, 8 или даже 16 локальных направлений, и локальные вогнутости и выпуклости, причем сильные выпуклости интерпретируются как концы. На изображение буквы накладывается сетка небольшого размера, а вычисленные признаки приписываются к той ячейке сетки, куда они попадают. На рис. 4 красным отмечены квадратики, в которых находится хотя бы одна точка контура с локальным направлением близким к 45 °С.
Последующий анализ. Номера машин имеют четко зафиксированную геометрию, и ограничение на используемые символы в определенных позициях. Это, например, позволяет не путать похожие по изображению символы "В" и "8", не принимать грязь на номере за нераспознанный символ. В результате оператору предоставляется максимально точная информация. Развитие систем распознавания для получения дополнительных данных
Анализ градиента температур. При съемке вагона тепловой камерой по градиенту температур в местах соприкосновения груза со стенками вагона можно определять степень загрузки вагона на контрольных точках, что особенно эффективно для жидких грузов с высокой теплопроводностью. Задачи, решаемые цифровыми видеокомлексами распознавания номеров Индексация видео. В видеоархиве можно осуществлять быстрый интенсивный поиск интересующей информации, например: номер машины, номер вагона, количество вагонов в составе, номера контейнеров, количество машин за определенный временной интервал. Кроме того, возможна навигация в архиве не только по датам, но и по содержанию, что сильно повышает эффективность работы оператора и v принятия решения. Контроль доступа. Распознанный номер сверяется по базе данных, после чего принимается решение о доступе на предприятие, автоматическое вычеркивание накладной при выезде машины за пределы предприятия, устанавливается превышение лимита по въезду на территорию. Подобные системы особенно эффективны при интеграции с другими системами верификации (такими как Proximity-карты, распознавание лица по камере, направленной на водителя и сверка на совпадение карточки с номером машины и/или лица водителя). Выявление фактов мошенничества. Въезд одной и той же машины/вагона на весовую без разгрузки, въезд по чужой Proximity-карте, перевешивание номеров, передача карточки на платных парковках, угон машины с парковки по "своей" карточке, если не происходит сличение пары карточка/номер. Проверка по базе данных на трассе. Проверка всего транспортного потока по базе данных в реальном времени, без необходимости останавливать машину, вглядываться в номера и отправлять запрос в базу данных. Это позволяет гораздо эффективней выявлять различные нарушения. Анализ марки по контурам и сверки с зарегистрированной в базе данных – одно из перспективных направлений в реализации поставленной задачи. Порядка 80% нарушений связано с регистрацией автотранспорта, поэтому данная процедура становится главной в повышении раскрываемости угонов. Автоматический анализ вагонов в составе. Автоматизация цикла обработки состава позволяет значительно повысить пропускную способность сортировочных станций, что положительно сказывается на увеличении пропускной способности железнодорожных узлов. Столь же важным моментом в транзите вагонов считается принцип. возможность обнаружения в течение 40 минут пропажи вагона в составе. В этом случае ответственность несет персонал предыдущего перегона, так что своевременное обнаружение пропажи является одним из факторов экономической безопасности. Интеграция с другими системами идентификации
Подобная технология внедряется на заводе "Северсталь", где данные от системы распознавания номеров сопоставляются с данными от считывателя карточек (карточка закреплена в автомобиле), после чего из электронного пропуска системы безопасности извлекается зарегистрированная пара карточка/номер машины. Сверка номера вагона и RFID-метки на вагоне также позволяет более эффективно выявлять факты нарушений на железнодорожном транспорте. Читайте далее:  IР-революция-II Оборудование Videotec Рынок IP-видеонаблюдения: современное состояние и перспективы развития Женщины у руля Pick-a-Point Оборудование должно отвечать специфике объекта Аналоговые телекамеры: поднимаясь до уровня IP Цифровая выгода ЦИФРОВОЙ четырехканальный видеорегистратор Digia Охрана периметра и городских объектов: шаг в будущее "Коррупторы – конструкторы" – 7:1 Кризис переходного возраста, или Как сделать так, чтобы не было мучительно больно из-за очередного с Цифровые системы EverFocus. Вопрос выбора AViaLLe™ Дурная наследственность-III
|
Эталоны знаков содержат описание того, в каких клетках требуется появление нужного признака и в каких клетках данный признак не должен появляться у конкретного знака. При подобном подходе нагрузка м. анализом и оценкой сходства распределена более равномерно, а сам метод не слишком чувствителен к небольшим сдвигам графемы в окне анализа. Кроме того, одни и те же эталоны могут в разумных пределах использоваться для распознавания знаков с переменным соотношением габаритов (применяться к вытянутым и сплющенным буквам). Система обладает хорошим быстродействием и позволяет распознавать на современных компьютерах в секунду до 10 тыс. знаков размером, скажем, 20х30 пикселей.
Практика применения описываемых систем демонстрирует, что использование парных систем контроля доступа значительно повышает эффективность каждого звена. При контроле доступа целесообразна интеграция с различными системами СКУД.