Оригинальная методика тестирования ANPR-систем от компании «Хай-Тек Софт»

Любое программное обеспечение, испытывающее серьезное конкурентное давление на профильном рынке, должно в обязательном порядке иметь эффективный инструмент, позволяющий с высокой степенью точности и объективности оценивать реальные достоинства и преимущества продукта перед своими аналогами. Для исследования возможностей дальнейшего совершенствования модуля автоматического распознавания государственных регистрационных номеров (ГРН), входящего в состав системы управления видеонаблюдением (СУВ) «ВОСХОД», специалисты компании «ХАЙ-ТЕК СОФТ» написали специальную утилиту AnprTester и разработали оригинальную методику тестирования ANPR-приложений.

Введение

По мере развития искусственного интеллекта (ИИ) на практике все большее распространение получают ANPR-технологии, основанные на автоматическом распознавании ГРН транспортных средств (ТС). Аббревиатура ANPR происходит от английского Automatic Number Plate Recognition. В технической литературе, преимущественно американской, можно также встретить обозначение ALPR – от английского Automatic License Plate Recognition. В контексте материала, рассматриваемого в данной статье, ANPR и ALPR – это абсолютно идентичные понятия.

Современные ANPR-системы являются классическим примером видеоаналитики. Они используют компьютерное зрение для автоматического считывания регистрационных номеров автомобилей с целью их идентификации и отслеживания. Существенный прогресс в области ИИ, наблюдаемый в последние годы, позволил широко интегрировать подобные системы в нашу повседневную жизнь. Наибольшее распространение ANPR-приложения получили в таких областях, как:

• Интеллектуальные системы управления дорожным движением;

• Обеспечение соблюдения правил дорожного движения;

• Взимание платы за проезд по платным автомагистралям;

• Контроль доступа на охраняемые объекты;

• Обнаружение угнанных автомобилей;

• Управление парковкой и др.

ANPR-системы становятся неотъемлемой частью современной городской инфраструктуры, обеспечивают эффективность и надежность управления повседневными задачами «умного города», начиная с улучшения управления дорожным движением и заканчивая автоматизацией парковочных пространств. А в дальнейшем существенная роль этих решений в преобразовании к лучшему многих аспектов городской жизни будет только возрастать.

Принцип работы автоматического распознавания ГРН

Автоматическое распознавание ГРН включает в себя несколько важных этапов, позволяющих быстро и точно определить уникальный номер автомобиля:

1. Захват изображения. Для получения изображений автомобилей используются камеры видеонаблюдения, устанавливаемые в стационарных местах, например, на пунктах взимания платы, или же в подвижном варианте на полицейском автотранспорте.

2. Обнаружение номерных знаков. Для решения данной задачи используются специализированные модели обнаружения объектов, например, такие как YOLO.

3. Оптическое распознавание символов. Далее средствами OCR (от англ. Optical Character Recognition) обеспечиваются чтение символов на изображении номерного знака и их преобразование в машиночитаемый текст.

4. Поиск в базе данных. Полученные текстовые данные сверяются с базой данных для подтверждения информации о считанном ГРН.

Надо отметить, что ANPR-системы в условиях реальной эксплуатации часто сталкиваются с такими проблемами, как плохое освещение, различный дизайн регистрационных номеров, наклонное изображение знака, а также неблагоприятные условия окружающей среды (дождь, снег, туман, загрязнения номера и пр.). И раньше это было достаточно серьезным препятствием для достижения приемлемых результатов в точности распознавания и идентификации ТС. Но современные технологии обработки видеоизображений и алгоритмы глубокого обучения алгоритмов обнаружения на базе сверточных нейронных сетей позволяют успешно справляться практически со всеми перечисленными артефактами и проблемами.

Методика тестирования ANPR-систем

Сегодня на российском рынке присутствует уже достаточно много высококлассных ANPR-систем, разработанных отечественными компаниями и адаптированных под местные особенности. В ряду таких программных приложений можно отметить сервис распознавания автомобильных номеров Neurocore, аналитический модуль Ivideon ANPR, систему интеллектуальной видеоаналитики для распознавания транспорта LUNA Cars от компании VisionLabs, систему распознавания автомобильных номеров и обеспечения безопасности дорожного движения «Авто-Интеллект» от компании ITV, систему автоматического распознавания автомобильных номеров AutoTRASSIR. И это далеко не полный перечень подобных продуктов.

Все вышеперечисленные системы в полной мере отвечают самым высоким требованиям по точности и надежности работы в различных условиях эксплуатации и показывают вполне достойные результаты в различных тестах и испытаниях, проводимых специализированными организациями и средствами массовой информации, занимающимися исследованиями и освещением событий в данной предметной области. И это легко объяснимо, так как практически все разработчики при создании ANPR-систем пользуются одними и теми же алгоритмами, моделями и программными средствами, которые на сегодняшний день являются наиболее совершенными и точными. Конечно, никто из ведущих отечественных производителей не раскрывает до конца секретов внутренней «кухни», но общеизвестно, что добиться серьезных результатов, варясь исключительно в собственном соку, не используя в своих разработках лучшие алгоритмы, модели, наборы данных и пр., практически невозможно.

И все же отличия, пусть иногда и совсем незначительные, по точности и скорости обработки, по набору функциональных возможностей и прочим параметрам в системах различных производителей присутствуют. А раз так, то разработчикам данных приложений необходим и специальный инструментарий, который помогал бы им понимать уровень состоятельности и конкурентности их продукта в сравнении с аналогами. Именно с целью обеспечения возможности качественной оценки модуля распознавания ГРН из состава СУВ «ВОСХОД» в сравнении с основными конкурентами специалистами компании «ХАЙ-ТЕК СОФТ» были разработаны программная утилита и оригинальная методика тестирования ANPR-систем.

Утилита AnprTester позволяет запускать на рабочей станции ANPR-приложения различных производителей и оценивать их эффективность при работе на одинаковых наборах видеоизображений с движущимися ТС. Кроме того, утилита позволяет автоматизировать как процесс самого тестирования, так и процесс предварительной подготовки тестовых наборов.

Сама же методика тестирования заключается в последовательном выполнении следующих операций:

1. Монтируются видеоролики, содержащие большое количество сюжетов с проездами автомобилей. Для облегчения процесса монтажа роликов используется видеоаналитика (в частности, пересечение автомобилем заданной линии в кадре). На данный момент создано четыре видеоролика с суммарным количеством около тысячи номеров. В каждом ролике присутствуют номера, снятые с разных ракурсов, на разных скоростях движения ТС, при разных погодных условиях, включая самые неблагоприятные (туман, дождь, снег), а также ГРН с различным дизайном.
2. Создаются так называемые тестовые наборы (разметка к видеоролику), содержащие список ГРН проезжавших автомобилей и соответствующие им временные метки.
3. Для упрощения процесса создания разметки реализована функция автоматической разметки. Сначала запускается процесс распознавания номеров с помощью одной из ANPR-систем. На основании полученных событий формируется начальная разметка. Далее, для проверки корректности сформированной разметки, на ней выполняется запуск тестов с применением нескольких других ANPR-систем. Государственные регистрационные номера тестового набора, по которым получены верные результаты распознавания сразу ото всех систем, помечаются как проверенные. Остальные номера проверяются и отмечаются вручную.
4. На проверенных таким образом разметках выполняется основное тестирование выбранных приложений от разных разработчиков.
5. По завершении тестов формируются отчеты, содержащие показатели точности распознавания ГРН каждой системой, усредненные по результатам отработки на всех четырех видеороликах.

Заключение

В заключении данной статьи хотим привести результаты последних по времени тестов, на которых испытывались модуль распознавания ГРН из состава СУВ «ВОСХОД» в сравнении с двумя прямыми аналогами нашего продукта – ANPR-системами, разработанными ведущими российскими компаниями. Эти интеллектуальные приложения-конкуренты давно и широко используются в практических задачах и заслужили самые высокие оценки как профильных специалистов, так и заказчиков по всей стране.

Тем приятнее нам сегодня демонстрировать итоговую диаграмму испытаний, которая самым красноречивым образом подчеркивает правильность выбранных нами решений и тот огромный труд, который сплоченная команда «ХАЙ-ТЕК СОФТ» вложила в реализацию этого уникального программного продукта – СУВ «ВОСХОД».