Riconoscimento automatico della targa: Sbloccare il potenziale della tecnologia di visione artificiale
Di Fouad Sabry
()
Info su questo ebook
Che cos'è il riconoscimento automatico della targa
Il riconoscimento automatico della targa è una tecnologia che utilizza il riconoscimento ottico dei caratteri sulle immagini per leggere le targhe dei veicoli e creare dati sulla posizione del veicolo. Può utilizzare la televisione a circuito chiuso esistente, le telecamere per l'applicazione del codice stradale o le telecamere appositamente progettate per l'attività. L'ANPR viene utilizzato dalle forze di polizia di tutto il mondo per scopi di applicazione della legge, incluso il controllo se un veicolo è registrato o autorizzato. Viene utilizzato anche per la riscossione elettronica del pedaggio su strade a pagamento e come metodo per catalogare i movimenti del traffico, ad esempio da parte delle agenzie autostradali.
Come trarrai vantaggio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Riconoscimento automatico della targa
Capitolo 2: Sistema di trasporto intelligente
Capitolo 3: Telecamera di controllo del traffico
Capitolo 4: Riscossione elettronica del pedaggio
Capitolo 5: Auto della polizia
Capitolo 6: Pedaggio stradale aperto
Capitolo 7: SPECIFICHE (autovelox)
Capitolo 8: Applicazione dei limiti di velocità stradale in Australia
Capitolo 9: Unità di polizia stradale
Capitolo 10: Video pedaggio
(II) Rispondere alle principali domande del pubblico sul riconoscimento automatico delle targhe.
(III) Esempi reali dell'utilizzo del riconoscimento automatico delle targhe in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di riconoscimento automatico delle targhe.
Correlato a Riconoscimento automatico della targa
Titoli di questa serie (100)
Istogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniModello del sistema visivo umano: Comprendere la percezione e l'elaborazione Valutazione: 0 su 5 stelle0 valutazioniSpazio colore: Esplorare lo spettro della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniContorno attivo: Avanzamento della visione artificiale con tecniche di contorno attivo Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei contorni: Svelare l'arte della percezione visiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniPercezione visiva: Approfondimenti sull'elaborazione visiva computazionale Valutazione: 0 su 5 stelle0 valutazioniFiltro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo Valutazione: 0 su 5 stelle0 valutazioniGruppo congiunto di esperti fotografici: Sfruttare la potenza dei dati visivi con lo standard JPEG Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniBanca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto del colore: Comprendere la percezione e la rappresentazione nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFunzione di corrispondenza dei colori: Comprendere la sensibilità spettrale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello a colori: Comprendere lo spettro della visione artificiale: esplorare i modelli di colore Valutazione: 0 su 5 stelle0 valutazioniConsenso del campione casuale: Stima robusta nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniHashing geometrico: Algoritmi efficienti per il riconoscimento e la corrispondenza delle immagini Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Telecamera per le forze dell'ordine: Progressi nella visione artificiale per le telecamere delle forze dell'ordine Valutazione: 0 su 5 stelle0 valutazioniIntegrazione dell'infrastruttura del veicolo: Sbloccare intuizioni e progressi attraverso la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento dei segnali stradali: Sbloccare il potere della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFotocamera intelligente: Rivoluzionare la percezione visiva con la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniContapersone: Sbloccare insight attraverso Visual Analytics Valutazione: 0 su 5 stelle0 valutazioniPanoramica sulle principali metodologie per la sicurezza in ambito automotive Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento ottico dei caratteri: Sfruttare la potenza della visione artificiale per il riconoscimento ottico dei caratteri Valutazione: 0 su 5 stelle0 valutazioniTelecamera a luci rosse: Esplorazione delle applicazioni di visione artificiale: la prospettiva della telecamera a luci rosse Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento intelligente dei caratteri: Avanzamento della percezione automatica nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisualizza la sintesi: Esplorare le prospettive nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento automatico del bersaglio: Progressi nelle tecniche di visione artificiale per il riconoscimento del bersaglio Valutazione: 0 su 5 stelle0 valutazioniAuto a guida autonoma: Esplorare la visione artificiale nei veicoli autonomi Valutazione: 0 su 5 stelle0 valutazioniApprendimento applicato ai veicoli terrestri: Migliorare le prestazioni dei veicoli terrestri attraverso l'apprendimento della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVideoimpronta digitale digitale: Migliorare la sicurezza e l'identificazione nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale: Approfondimenti sul mondo della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniAnalisi dei contenuti video: Sbloccare insight attraverso i dati visivi Valutazione: 0 su 5 stelle0 valutazioniRobot automatizzato per l'ispezione a raggi X: Migliorare il controllo di qualità attraverso la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRete di sensori visivi: Esplorare la potenza delle reti di sensori visivi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento vocale audiovisivo: Progressi, applicazioni e approfondimenti Valutazione: 0 su 5 stelle0 valutazioniCentralini Cloud: l'innovazione che semplifica il tuo business: Il piano marketing applicato alla PMI TLC Telecomunicazioni per i centralini 3CX Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto attivo: Sbloccare la potenza dei modelli di aspetto attivo nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRealtà aumentata: Esplorando le frontiere della visione artificiale nella realtà aumentata Valutazione: 0 su 5 stelle0 valutazioniCalcolo fisico: Esplorare la visione artificiale nell'informatica fisica Valutazione: 0 su 5 stelle0 valutazioniLa rivoluzione dell'automobile: Idee per un nuovo modello industriale Valutazione: 0 su 5 stelle0 valutazioniSmart Car CyberSecurity: Il Cyber Risk delle Auto Intelligenti Valutazione: 0 su 5 stelle0 valutazioniFlusso ottico: Esplorazione di modelli visivi dinamici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento dei gesti: Sbloccare il linguaggio del movimento Valutazione: 0 su 5 stelle0 valutazioniCompressione dati: Sbloccare l'efficienza nella visione artificiale con la compressione dei dati Valutazione: 0 su 5 stelle0 valutazioniVECPA - Veicolo Elettrico Con Pilota Automatico Valutazione: 0 su 5 stelle0 valutazioniProfilo colore: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
ANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioniGuida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioniIl Terzo Like Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Riconoscimento automatico della targa
0 valutazioni0 recensioni
Anteprima del libro
Riconoscimento automatico della targa - Fouad Sabry
Capitolo 1: Riconoscimento automatico delle targhe
Il processo di lettura delle targhe automobilistiche attraverso fotografie che utilizzano il riconoscimento ottico dei caratteri per fornire dati sulla posizione del veicolo è noto come riconoscimento automatico delle targhe (ANPR; vedere anche vari nomi di seguito). Può fare uso di telecamere a circuito chiuso preesistenti, telecamere per l'applicazione delle regole stradali o telecamere appositamente costruite. I dipartimenti di polizia di tutto il mondo utilizzano l'ANPR per condurre ispezioni legali, come la verifica dell'immatricolazione e dell'assicurazione di un veicolo. I dipartimenti autostradali, ad esempio, lo utilizzano per tenere traccia dei modelli di traffico e riscuotere i pedaggi elettronici sui percorsi pay-per-use.
Le immagini acquisite dalle telecamere e il testo sulla targa possono essere salvati utilizzando il riconoscimento automatico della targa e alcuni sistemi possono anche essere impostati per salvare un'istantanea del conducente. La telecamera è in grado di catturare un'immagine a qualsiasi ora del giorno o della notte, poiché l'illuminazione a infrarossi viene utilizzata nella maggior parte dei sistemi. Il sistema ANPR deve adeguarsi alle differenze regionali nella progettazione delle targhe.
L'errata identificazione, gli alti tassi di errore e le maggiori spese governative sono solo alcune delle preoccupazioni sulla privacy sollevate da ANPR. Alcuni hanno affermato che si tratta di un massiccio programma di monitoraggio.
Nomi alternativi per i lettori di targhe:
Riconoscimento meccanico dei veicoli in base alle targhe (ALPR)
Lettore targhe motorizzato o computerizzato (ALPR)
Identificazione automatica delle auto (AVI)
Posizionamento automatico dei numeri (ANPG)
Lettori di targhe (CPR)
Tecnologia di lettura delle piastre (LPR)
Sistema di lettura automatica delle targhe (LAPI)
Lettore targhe su ruote (MLPR)
Sistemi di lettura automatica delle targhe (VLPR)
Lettore automatico di targhe (VRI)
Nel 1976, il Police Scientific Development Branch in Gran Bretagna sviluppò la tecnologia che sarebbe diventata ANPR.
Il software del sistema è compatibile con l'hardware dei comuni PC desktop e può essere integrato con programmi e archivi dati di terze parti. Il riconoscimento ottico dei caratteri (OCR) viene utilizzato per estrarre i caratteri alfanumerici della targa dopo che una serie di metodi di elaborazione delle immagini sono stati utilizzati per identificare, normalizzare e migliorare l'immagine della targa. Esistono due metodi principali per l'implementazione dei sistemi ANPR: il primo consente di eseguire l'intero processo presso la posizione della corsia in tempo reale, mentre il secondo prevede la trasmissione di immagini da più corsie a una postazione remota del computer, che quindi esegue il processo OCR in un secondo momento. Sono necessari circa 250 ms per registrare i caratteri alfanumerici di una targa, l'ora e la data, il numero di corsia e qualsiasi altro dato necessario nella posizione della corsia. Questi dati possono essere conservati localmente sulla corsia, trasferiti a un computer distante per l'elaborazione, o entrambi. La seconda configurazione, una server farm, viene utilizzata per gestire attività intensive come quelle coinvolte nel sistema di congestion charge di Londra. In tali sistemi potrebbe essere necessario un mezzo di trasmissione ad alta intensità di larghezza di banda a causa della frequente necessità di caricare fotografie su un server distante.
Le immagini della telecamera vengono elaborate utilizzando un software di riconoscimento ottico dei caratteri (OCR) per l'uso in ANPR. Piccole lacune sono state incluse in alcune lettere (come P e R) quando gli olandesi sono passati a una nuova forma di targhe automobilistiche nel 2002, rendendole più uniche e, quindi, più leggibili per tali sistemi. Per avere davvero successo, i sistemi ANPR devono essere in grado di gestire il fatto che alcuni layout di targa utilizzano dimensioni e posizionamento del testo diversi. Anche se molti programmi vengono adattati paese per paese, i sistemi più complessi sono in grado di gestire meglio le versioni in tutto il mondo.
Possono essere impiegate anche unità mobili, spesso montate su autovetture, insieme a telecamere fisse già installate per l'applicazione delle norme stradali o alla televisione a circuito chiuso. Per dare un'occhiata migliore alle piastre, alcune configurazioni utilizzano telecamere a infrarossi.
I progressi tecnologici degli anni '90 hanno trasformato i sistemi di riconoscimento automatico delle targhe (ANPR) da ingombranti, costosi e fissi a dispositivi portatili punta e scatta
. Lo sviluppo di un software in grado di funzionare su personal computer standard ha eliminato la necessità di una conoscenza precisa degli angoli, delle direzioni, delle dimensioni e delle velocità con cui le lastre avrebbero attraversato il campo visivo della telecamera. Componenti più compatti e convenienti hanno provocato un'impennata nell'adozione da parte dei dipartimenti di polizia di tutto il mondo. Gli agenti possono ora pattugliare tutti i giorni con il vantaggio della lettura delle targhe in tempo reale, quando possono intercettare rapidamente grazie alla miniaturizzazione sia delle telecamere che dei computer che lo rendono possibile.
Per quanto utili possano essere, gli ANPR mobili non sono privi di inconvenienti significativi. In caso di traffico in avvicinamento, una delle sfide principali è assicurarsi che il computer e le telecamere possano tenere il passo con velocità relative superiori a 100 mph (160 km/h). Poiché l'apparecchiatura funzionerà con l'alimentazione elettrica del veicolo, deve essere particolarmente efficiente in termini di spazio.
La capacità della telecamera di leggere una targa è influenzata da una serie di fattori, uno dei quali è la velocità relativa del veicolo. L'ora del giorno, le condizioni meteorologiche e le angolazioni della telecamera possono influire sulla capacità di un ANPR di generare una scansione accurata, pertanto gli algoritmi devono essere in grado di tenere conto di questi fattori. In queste circostanze, la risoluzione e l'accuratezza di una lettura possono anche essere direttamente influenzate dalle lunghezze d'onda della luce utilizzate nel sistema.
Quando si decide su un veicolo della polizia montare una telecamera ANPR, è importante tenere conto della sua vicinanza alle targhe che verrà scansionata. Data l'ampia varietà di missioni e condizioni, potrebbe essere difficile determinare quante fotocamere utilizzare e dove posizionarle per ottenere risultati ottimali. Le telecamere per la lettura delle targhe rivolte in avanti, a più corsie, sono essenziali per il pattugliamento autostradale. Le telecamere con una portata più breve e una lunghezza di messa a fuoco inferiore sono necessarie alla polizia municipale per acquisire le targhe sulle automobili parcheggiate. I parcheggi con file di veicoli allineati perpendicolarmente l'uno all'altro necessitano di telecamere con lunghezze di messa a fuoco molto basse. I sistemi più all'avanguardia sono malleabili, consentendo l'installazione da una a quattro telecamere intercambiabili. Poiché una telecamera rivolta in avanti è resa inutile in presenza di traffico in avvicinamento, gli stati che hanno bisogno solo di targhe posteriori hanno una difficoltà in più. In uno scenario di questo tipo, una telecamera potrebbe essere invertita.
Il programma ha bisogno di sette algoritmi di base per rilevare una targa:
Individuazione e separazione della lastra nell'immagine (localizzazione della lastra)
Orientamento e dimensionamento della piastra: corregge l'inclinazione della piastra e modifica le misurazioni per soddisfare le specifiche
La luminosità e il contrasto dell'immagine vengono normalizzati durante il processo di normalizzazione.
La separazione dei caratteri sulle tavole è chiamata segmentazione dei caratteri
.
Riconoscimento ottico dei caratteri
Analizzare i caratteri e la loro collocazione in relazione alle norme grammaticali regionali
Valore di riconoscimento che fa la media su numerosi campi/immagini per aumentare la fiducia nel risultato finale, poiché ogni particolare immagine può soffrire di sfocatura a causa di bagliori di luce, oscuramento parziale o altri fattori.
La precisione del sistema è funzione della difficoltà di queste singole parti del codice. Alcuni sistemi utilizzano metodi di rilevamento dei bordi durante la terza fase (normalizzazione) per migliorare il contrasto visivo tra le lettere e lo sfondo della lastra. Per ridurre ulteriormente al minimo gli elementi visivi che distraggono, è possibile utilizzare un filtro mediano.
Il programma deve essere sufficientemente resiliente da gestire una varietà di problemi. Tra questi ci sono:
La distanza della lastra dalla fotocamera, o una fotocamera di scarsa qualità, contribuiscono entrambi a una bassa risoluzione del file.
foto sfocate, in particolare quelle con sfocatura da movimento
La sovraesposizione, i riflessi o le ombre causano scarsa illuminazione e scarso contrasto.
Un gancio di traino o un'altra ostruzione, o sporcizia sulla piastra, potrebbero rendere difficile la lettura.
Le targhe di rimorchi trainati, camper e altri veicoli a volte hanno targhe anteriori e posteriori separate, quindi è importante leggere entrambe.
Lettura targa interrotta dal cambio di corsia del veicolo
Variante tipografica; spesso utilizzato per targhe personalizzate (alcuni paesi non consentono tali targhe, eliminando il problema)