Методы, алгоритмы и средства автоматического управления процессом формирования изображений в системах распознавания текстовых меток реального времени тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Черкас, Павел Сергеевич

• Черкас, Павел Сергеевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Черкас, Павел Сергеевич

Оглавление

Введение

Глава 1. Анализ современных подходов к управлению процессом формирования изображений в системах распознавания текстовых меток реального времени

1.1 Общая характеристика систем распознавания текстовых меток реального времени

1.1.1 Общее описание и назначение систем распознавания текстовых меток

1.1.2 Описание систем распознавания тестовых меток реального времени

1.1.3 Состав систем распознавания тестовых меток реального времени

1.1.3.1 Аппаратное обеспечение систем распознавания текстовых меток реального времени

1.1.3.2 Специальное программное обеспечение систем распознавания текстовых меток реального времени

1.2 Критерии эффективности систем распознавания текстовых меток реального времени

1.3 Основные проблемы применения систем распознавания текстовых меток 5 реального времени и автоматического управления процессом формирования изображений

1.3.1 Качество изображений с образами текстовых меток

1.3.2 Проблема низкой эффективности систем распознавания текстовых меток реального времени

1.4 Выводы по первой главе

Глава 2. Структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени

2.1 Задача разработки структуры систем автоматического управления параметрами видеооборудования

2.2 Качество изображений в системах автоматического управления параметрами видеооборудования

2.2.1 Общее описание требований к качеству изображений

2.2.2 Расчет значений характеристик информативных изображений

2.2.3 Оптимальные значения характеристик изображений

2.2.4 Расчет качества информативных изображений

2.2.5 Определение качества изображений, содержащих образы нескольких текстовых меток

2.3 Структура систем автоматического управления параметрами видеооборудования

2.4 Общее описание зависимости эффективности алгоритмов распознавания текстовых меток от качества изображений

2.5 Выводы по второй главе

Глава 3. Метод автоматического управления процессом формирования

изображений в системах распознавания текстовых меток реального времени

3.1 Задача разработки систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток

3.2 Особенности функционирования алгоритмов распознавания текстовых меток с учетом автоматического управления процессом формирования изображений

3.3 Выбор видеооборудования и его управляемых параметров

3.3.1 Общие требования к видеооборудованию

3.3.2 Выбор управляемых параметров видеооборудования

3.3.3 Определение базовой зависимости характеристик изображения от управляемых параметров оборудования

3.4 Особенности разработки и функционирования модуля управления

3.4.1 Общее описание управления параметрами видеооборудования

3.4.2 Ограничения процесса управления параметрами видеооборудования

3.4.3 Алгоритмы автоматического адаптивного управления параметрами видеооборудования

3.4.4 Автоматическое управление параметрами видеооборудования при невыполнении ограничений процесса управления

3.5 Особенности оценки эффективности и тестирования систем автоматического управления параметрами видеооборудования

3.6 Потенциал использования метода автоматического управления процессом формирования изображений

3.7 Выводы по третьей главе

Глава 4. Разработка системы автоматического распознавания автомобильных

номеров реального времени с автоматическим управлением процессом

формирования изображений

4.1 Задача распознавания автомобильных номеров

4.2 Разработка системы распознавания автомобильных номеров с автоматическим управлением процессом формирования изображений

4.2.1 Общее описание комплекса «УМКА-АвтоМаршал»

4.2.2 Определение качества изображений с образами автомобильных номеров

4.2.3 Выбор видеооборудования

4.2.4 Выбор управляемых параметров видеооборудования

4.2.5 Алгоритмы автоматического адаптивного управления параметром К в системе «УМКА-АвтоМаршал»

4.3 Результаты тестирования комплекса «УМКА-АвтоМаршал»

4.3.1 Оценка эффективности комплекса «УМКА-АвтоМаршал»

4.3.2 Ограничения использования комплекса «УМКА-АвтоМаршал»

4.3.3 Оценка выполнения ограничений процесса управления

4.4 Результаты диссертационного исследования

4.5 Выводы по четвертой главе

Заключение

Список сокращений и условных обозначений

Список литературы

Список иллюстративного материала

Приложение А. Оценка зависимости вероятности правильного распознавания автомобильных номеров от средней яркости светлых и темных пикселей их образов

Приложение Б. Технические характеристики аппаратно-программного комплекса «УМКА-АвтоМаршал»

Приложение В. Результаты эксперимента по определению эффективности аппаратно-программного комплекса «УМКА-АвтоМаршал»

Приложение Г. Акты и отзывы об использовании результатов диссертационного исследования

Приложение Д. Награды и дипломы, полученные по результатам диссертационного исследования

Введение диссертации (часть автореферата) на тему «Методы, алгоритмы и средства автоматического управления процессом формирования изображений в системах распознавания текстовых меток реального времени»

Введение

Актуальность темы исследования и степень ее разработанности

В настоящее время информационные технологии являются неотъемлемой частью нашей жизни. Доступность и высокая производительность современных компьютеров и большой ассортимент современного программного обеспечения привели к тому, что компьютеры и информационные технологии используются практически повсеместно. Так и системы технического зрения применяются для решения широкого круга задач на транспорте и в промышленном производстве.

Системы распознавания текстовых меток реального времени являются частным случаем систем технического зрения. Данные системы представляют собой аппаратно-программные комплексы и предназначены для идентификации объектов контроля в режиме реального времени с помощью распознавания образов их текстовых меток на видеоизображениях. Текстовая метка представляет собой последовательность символов из заданного алфавита.

В аппаратное обеспечение систем распознавания текстовых меток реального времени входит видеооборудование и ЭВМ. Видеооборудование в общем виде включают в себя видео камеры, объективы, средства освещения, средства захвата видео и т.д.

Программное обеспечение систем распознавания текстовых меток состоит из специализированного и общего программного обеспечения. Специализированное программное обеспечение включает в себя подсистему видеоввода, алгоритмы обработки и анализа изображений, графический интерфейс пользователя и другие подсистемы.

Применение систем распознавания текстовых меток реального времени облегчает работу человека, связанную с обработкой визуальной информации и уменьшает количество необходимых рутинных действий. Например, данные системы могут применяться для решения следующих задач: распознавание

автомобильных номеров для идентификации автотранспорта, распознавание текстовых меток на упаковке для дальнейшей сортировки продукции и т.д.

Многие аспекты разработки и функционирования систем технического . зрения в общем виде и систем распознавания текстовых меток реального времени в частности описаны в работах таких ученых как J1. Шапиро, Дж. Стокман, Р. Гонсалес, Р. Вудс, Б. Яне, A.A. Лукьяница, А.Г. Шишкин., Mann S., В.А. Сойфер, А. Розенфельд и др.

Эффективность систем распознавания текстовых меток реального времени зависит от многих факторов, в том числе и от работы алгоритмов распознавания текстовых меток, которые предъявляют определенные требования к изображениям с образами текстовых меток. Это приводит к тому, что максимальная эффективность алгоритмов распознавания достигается только при обработке высококачественных изображений с образами текстовых меток, удовлетворяющих определенным требованиям.

Качество изображений с образами текстовых меток зависит от следующих основных факторов: условия использования системы, параметры текстовых меток, качество видеооборудование и корректность их установки и настройки.

Многие системы распознавания текстовых меток реального времени используются в сложных нестационарных условиях с видеооборудованием общего назначения, которые в подобных условиях не способны формировать изображения текстовых меток высокого качества. Это связано с тем, что механизмы адаптации к условиям использования в таком оборудовании (например, автоматическая регулировка диафрагмы, электронного затвора и усиления) рассчитаны на достижение высокого качества всего изображения, а не его областей с образами текстовых меток. Указанные проблемы отмечены в публикациях М.В. Руцкова, Ю. Бухтиярова, А. Гонта и др.

Таким образом, в нестационарных условиях видеооборудование формирует низкокачественные изображения текстовых меток, при анализе которых алгоритмы не способны правильно распознать текстовую метку, что приводит к значительному снижению эффективности всей системы.

Для повышения эффективности систем распознавания текстовых меток реального времени в подобных условиях необходимо, чтобы на вход алгоритмов распознавания поступали высококачественные изображения текстовых меток. В определенных случаях могут применяться программные алгоритмы улучшения качества изображений. Но в рассматриваемых системах изображения текстовых меток могут быть настолько низкого качества, что подобные алгоритмы будут не способны улучшить его. Для обеспечения необходимого качества изображений текстовых меток оптимальнее всего управлять процессом формирования изображений в соответствии с особенностями функционирования конкретной системы и используемых в ней алгоритмов распознавания

Одним из способов управления процессом формирования изображений является ручная подстройка параметров видеооборудования. Однако во многих системах она не выполняется или не может быть выполнена. Этот факт отмечен во многих научных статьях и профессиональных журналах, посвященным системам видеонаблюдения.

Поэтому для повышения эффективности систем распознавания текстовых меток реального времени в нестационарных условиях целесообразно производить автоматическое управление параметрами видеооборудование. При этом системы распознавания текстовых меток необходимо рассматривать как системы автоматического управления, в которых качество изображений с образами текстовых меток является сигналом отрицательной обратной связи и учитывается в процессе управления параметрами видеооборудование.

При разработке систем распознавания текстовых меток реального времени с автоматическим управлением процессом формирования изображений возникают определенные научные и технические проблемы.

Большинство систем распознавания текстовых меток описываются только на уровне алгоритмов анализа изображений. Это прослеживается в работах Воскресенского Е.М., Фаворской М.Н. и др. Но для автоматического управления параметрами оборудования системы управления должны включать в себя

критерии и алгоритмы оценки качества изображений с образами текстовых меток и алгоритмы автоматического управления параметрами видеооборудования.

Критериям и алгоритмам оценки качества изображений в общем виде посвящены работы К.С. Икрамова, И. Кривошеева и др. Но данные методы не учитывают особенности оценки качества изображений с точки зрения процессов распознавания текстовых меток и управления параметрами видеооборудования.

Проблемы возникают и при разработке алгоритма автоматического управления, т. к. на данный момент мало изучены вопросы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток именно с точки зрения процесса распознавания. А само видеооборудование должно позволять управлять своими параметрами с учетом особенностей функционирования системы и используемых в ней алгоритмов распознавания.

При этом многие системы распознавания текстовых меток в настоящее время используются в нестационарных условиях с видеооборудованием общего назначения, из-за чего эффективность данных систем значительно снижается. Это делает необходимым и весьма актуальным решение описанных выше проблем.

Целью диссертационной работы является повышение эффективности систем распознавания текстовых меток реального времени при применении в нестационарных внешних условиях эксплуатации за счет автоматического управления процессом формирования изображений. Для достижения указанной цели необходимо решить следующие основные задачи:

1) Разработать критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток.

2) Разработать структуру системы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени.

3) Разработать алгоритмы автоматического управления параметрами видеооборудования.

4) Апробировать предложенные решения в системе автоматического распознавания автомобильных номеров.

Предметом исследования являются методы, алгоритмы и средства автоматического управления процессом формирования изображений в системах распознавания текстовых меток реального времени при их применении в нестационарных внешних условиях эксплуатации.

Методология и методы исследования

В данной работе рассматриваются системы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени, в которых видеооборудование является объектом управления, качество изображений является сигналом обратной связи, а цель управления заключается в максимизации качества формируемых изображений с образами текстовых меток.

Для решения поставленных задач в диссертационной работе использованы методы обработки и анализа изображений, теории автоматического управления, математической статистики, теории оптимизации, математический аппарат теории распознавания изображений и законы оптики.

Научной новизной обладают:

1) Критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток. Данные критерии и алгоритмы позволяют оценивать качество именно образов текстовых меток на изображениях.

2) Структура системы автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени. Данная структура позволяет выполнять автоматическое управление параметрами видеооборудования для формирования изображений текстовых меток необходимого качества.

3) Алгоритмы автоматического адаптивного управления параметрами видеооборудования. Применение данных алгоритмов при использовании

системы распознавания текстовых меток реального времени в нестационарных внешних условиях эксплуатации позволяет формировать высококачественные изображения текстовых меток и за счет этого повысить эффективность алгоритмов распознавания текстовых меток и всей системы.

Практическая ценность заключается в следующем:

1) Описана методика разработки систем автоматического управления параметрами видеооборудования. Данная методика может быть использована при разработке новых систем и при модификации существующих.

2) Разработаны алгоритмы оценки качества изображений с образами нескольких текстовых меток.

3) Описаны ограничения процесса управления параметрами видеооборудования.

4) Представлены критерии оценки эффективности систем управления параметрами видеооборудования.

5) Разработана система автоматического управления выдержкой и усилением камеры в системе распознавания автономеров АПК «УМКА-АвтоМаршал»

Достоверность результатов

Данные, полученные при исследованиях и испытаниях, соответствуют предложенным в данной работе решениям. Алгоритмы оценки качества изображений и автоматического управления параметрами видеооборудования основываются на известных положениях фундаментальных наук. Результаты исследований использовались при разработке АПК «УМКА-АвтоМаршал», который показал высокую эффективность в задачах распознавания автономеров при применении в нестационарных условиях эксплуатации.

Апробация результатов

Основные положения диссертации были представлены на десятой международной научной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2010), Межвузовском конкурсе-конференции «Технологии Microsoft в теории и практике программирования» (Санкт-Петербург, 2012), четвертых ежегодных смотрах-сессиях аспирантов и молодых ученых Вологодской области по отраслям наук (Вологда, 2010 г.), а также на научных семинарах кафедры ПО ВТ и АС ИМИТ СПбГПУ.

В 2010 году в г. Вологда автором работы была получена премия в конкурсе «Инновационные проекты молодых изобретателей и рационализаторов» за разработку АПК «УМКА-АвтоМаршал».

По результатам диссертации было опубликовано 7 работ, в том числе 4 в изданиях, рекомендованных ВАК.

На защиту выносятся следующие положения диссертации:

1) Критерии и алгоритмы оценки качества изображений, содержащих образы текстовых меток.

2) Структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени.

3) Алгоритмы адаптивного автоматического управления параметрами видеооборудования.

Диссертация состоит из введения, 4 глав, заключения, списка сокращений и условных обозначений, списка литературы, списка иллюстративного материала и приложений.

В первой главе представлено общее описание систем распознавания текстовых меток реального времени. Данные системы являются аппаратно-

программными комплексами и предназначены для идентификации объектов контроля с помощью распознавания образов их ТМ на изображениях, поступающих от видеооборудования.

В аппаратное обеспечение данных систем входят видеооборудование и ЭВМ, а специализированное программное обеспечение включает в себя подсистему видеоввода, подсистему обработки и анализа изображений, графический интерфейс пользователя и т.д. Основу специализированного ПО рассматриваемых систем составляют алгоритмы распознавания ТМ на видеоизображениях.

Рассмотрены основные этапы алгоритмов распознавания ТМ, и описано видеооборудование, входящее в состав современных систем распознавания текстовых меток реального времени.

Эффективность рассматриваемых систем распознавания зависит от многих факторов, одним из которых является эффективность алгоритмов распознавания. При этом максимальная эффективность алгоритмов распознавания достигается только при обработке высококачественных изображений ТМ, которые соответствует определенным требованиям.

Описана проблема применения систем распознавания текстовых меток реального времени, заключающаяся в том, что многие такие системы используются в нестационарных условиях с видеооборудованием общего назначения, которые не способны формировать изображения с образами ТМ высокого качества в подобных условиях. Из-за этого эффективность алгоритмов распознавания и всей системы значительно снижается.

Чтобы повысить эффективность алгоритмов распознавания и всей системы необходимо на вход алгоритмов распознавания подавать качественные изображения ТМ. Для получения высококачественных изображений в сложных нестационарных условиях необходимо управлять процессом формирования изображений. Описан метод ручной подстройки параметров видеооборудования и его основные недостатки.

Для повышения эффективности рассматриваемых систем распознавания текстовых меток при их использовании в нестационарных условиях целесообразно производить автоматическое управление параметрами видеооборудования.

Проведен анализ современных способов автоматического управления параметрами видеооборудования. Дано общее описание понятия качество изображения.

Анализ источников литературы показал, что многие вопросы разработки и применения алгоритмов распознавания текстовых меток и алгоритмы оценки качества изображений в общем виде проработаны на высоком уровне. Но отсутствуют структуры систем управления параметрами видеооборудования в системах распознавания текстовых меток, содержащие критерии и алгоритмы оценки качества изображений и алгоритмы автоматического управления параметрами видеооборудования.

По результатам исследований определен круг решаемый в диссертационной работе задач.

Во второй главе разработаны критерии и алгоритмы оценки качества изображений с образами ТМ. Все изображения разделяются на информативные и неинформативные. Для информативных изображений именно в областях с образами текстовых меток вычисляются характеристики образа ТМ. Определены алгоритмы вычисления средней яркости светлых и темных пикселей образа ТМ в области изображения Качество вычисляется только для информативных изображений как степень соответствия характеристик текущего изображения оптимальным значениям. При наличии на изображении образов нескольких ТМ, для каждого образа вычисляется вектор характеристики образа ТМ, все вектора кластеризуются, и центр наибольшего кластера используется как вектор обобщенных значений.

Разработана структура систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени. Кроме типовых элементов она включает критерии и алгоритмы оценки

качества изображений и адаптивный модуль управления параметрами видеооборудования.

Описаны принципы функционирования рассматриваемых систем, представляющих собой системы автоматического управления параметрами видеооборудования с целью достижения требуемого качества изображений с образами ТМ. При этом новые значения управляемых параметров оборудования вычисляются в модуле управления с помощью закона управления с учетом их текущих значений и качества текущего изображения.

В третьей главе описана методика разработки и принципы функционирования систем автоматического управления параметрами видеооборудования в системах распознавания текстовых меток реального времени.

Данная методика может быть использованы при проектировании новых систем распознавания текстовых меток с автоматическим управлением параметрами средств формирования изображений, для выбора необходимого аппаратного обеспечения и при разработке алгоритмов распознавания ТМ. Она также могут быть использованы и при функционировании уже разработанных системы распознавания текстовых меток с целью автоматического управления процессом формирования изображений, оценки эффективности системы и для выработки рекомендаций по улучшению ее эффективности.

Сформированы критерии выбора видеооборудования и его параметров, которые будут автоматически регулироваться в системе.

Описаны методы адаптивного автоматического управления выбранными параметрами видеооборудования в модуле управления рассматриваемых систем. Представлены ограничения процесса управления. МУ является автоматическим регулятором, который с учетом качества изображений и текущих значений управляемых параметров видеооборудования, вырабатывает новые значения управляемых параметров, чтобы последующие изображения с образами ТМ обладали необходимым качеством. Алгоритм управления подобных регуляторов должен включать в себя различные стратегии поведения при обработке

информативных и неинформативных изображений. Необходимо использовать адаптивный МУ, состоящий из подсистемы управления и подсистемы адаптации. Подсистема адаптации в таком МУ отвечает за адаптацию алгоритма управления или его параметров к сложным нестационарным условиям использования системы. Описаны особенности применения поисковых и беспоисковых методов управления. Представлены алгоритмы автоматического управления параметрами видеооборудования при невыполнении ограничений процесса управления.

Описаны методы оценки эффективности и тестирования рассматриваемых систем автоматического управлением процессом формирования изображений. Описаны возможные области применения предложенных решений.

В четвертой главе описан процесс разработки системы распознавания автомобильных номеров реального времени с автоматическим управлением процессом формирования изображений.

Представлен анализ задачи автоматического распознавания автомобильных номеров на изображениях. Автомобильные номера описаны в ГОСТ Р 50577 и являются ТМ. Дано описание современных систем распознавания автомобильных номеров. В большинстве случаев они применяются в сложных нестационарных условиях эксплуатации.

Описан АПК «УМКА-АвтоМаршал». Он является сетевой «умной камерой», предназначен для применения в задачах распознавания автомобильных номеров и в нем выполняется автоматическое управление параметрами видеооборудования по представленной в данной работе методике с использованием предложенных в данной работе решений.

Представлены алгоритмы определения качества изображений с автомобильными номерами. Описан процесс выбора видеооборудования и его управляемых параметров при разработке АПК «УМКА-АвтоМаршал».

Представлены особенности функционирования адаптивного МУ .в АПК «УМКА-АвтоМаршал». Описаны алгоритмы адаптации и расчета новых значений управляемых параметров видеооборудования в адаптивном МУ АПК «УМКА-АвтоМаршал».

По результатам тестирования АПК «УМКА-АвтоМаршал» показал высокую эффективность в задачах распознавания автомобильных номеров при применении в сложных нестационарных условиях. Представлены оценки выполнимости ограничений процесса управления и ограничения использования данного АПК.

Описаны итоги диссертационного исследования. Представлены коммерческие проекты, в которых используется АПК «УМКА-АвтоМаршал» и предложенные в данной работе решения.

В заключении сформированы основные выводы диссертации.

В приложениях представлены:

1) Оценка зависимости вероятности правильного распознавания автомобильных номеров от средней яркости светлых и темных пикселей их образов.

2) Технические характеристики аппаратно-программного комплекса «УМКА-АвтоМаршал».

3) Результаты эксперимента по определению эффективности аппаратно-программного комплекса «УМКА-АвтоМаршал».

4) Акты и отзывы об использовании результатов диссертационного исследования.

5) Награды и дипломы, полученные по результатам диссертационного исследования.

Глава 1. Анализ современных подходов к управлению процессом формирования изображений в системах распознавания текстовых меток

реального времени

1.1 Общая характеристика систем распознавания текстовых меток реального

времени

1.1.1 Общее описание и назначение систем распознавания текстовых меток

Системы распознавания текстовых меток являются частным случаем систем технического зрения. Системы технического зрения в настоящее время активно развиваются и используются для автоматизации труда человека или полной его замены в областях деятельности, связанных со сбором и анализом зрительной информации.

В общем виде цель систем технического зрения заключается в формировании полезных выводов относительно объектов и сцен реального мира на основе анализа изображений, полученных с помощью датчиков [4].

Видеоизображение определяется как двумерная функция f (х, у), где х и у — координаты в пространстве (конкретно, на плоскости), и значение / которой в любой точке, задаваемой парой координат ([х,у), называется интенсивностью с ограниченной точностью [5]. Для описания изображения часто используется двумерный массив значений яркости Цх,у] [4].

Системы распознавания текстовых меток обрабатывают и анализируют изображения объектов реального мира, содержащие образы их текстовых меток (ТМ). Текстовые метки или надписи представляют собой последовательность символов из заданного алфавита А. В основном количество символов в

последовательности известно и равно N. В формальном виде текстовая метка имеет следующее представление:

С = с1с2...сп , (1.1)

где п - количество символов текстовой метки, с,- е А, А - алфавит,

А = {скаг\, скагг, ... , скагк), к - количество символов в алфавите.

ТМ могут находиться на одном или нескольких объектах в наблюдаемой сцене.

В большинстве случаев надписи на объекте содержат информацию, с помощью которой можно идентифицировать именно этот объект из множества других или однозначно идентифицировать сцену и ее состояние. С помощью распознавания данной информации решается широкий круг задач: идентификация и контроль объектов, определение состояния объектов и т.д. Распознанные надписи на объекте используется вместе с изображением объекта для дальнейшей обработки и хранения. Примерами областей применения систем распознавания текстовых меток могут служить идентификация транспортных средств с помощью распознавания образов их государственных регистрационных знаков (автомобили, железнодорожный транспорт), контроль промышленных изделий (контроль упаковки, идентификация труб, слябов и др.). Примеры изображений объектов с ТМ представлены на рисунке 1.1.

а) б) в)

а - стальные трубы; б - автомобили; в - железнодорожные вагоны Рисунок 1.1- Примеры изображений объектов с текстовыми метками

Системы распознавания текстовых меток в основном используются в качестве автоматизированных информационных систем поддержки принятия

решений. Они позволяют накапливать и систематизировать информацию об объектах контроля в базах данных и обладают специализированным пользовательским интерфейсом, что значительно упрощает работу оператора.

Системы распознавания текстовых меток также являются подмножеством систем оптического распознавания символов (OCR, Optical Character Recognition). OCR системы предназначены для распознавания рукописного, машинописного или печатного текста в общем виде. Системы распознавания текстовых меток имеет более узкую специализацию и более жесткие критерии эффективности по сравнению с OCR системами.

Описание основных аспектов обработки изображений (в том числе и распознавание текста) приведено в [4-9].

Системы распознавания текстовых меток могут обрабатывать и анализировать изображения в нескольких режимах. Например, записанный видео файл с высоким разрешением и содержащий 10 секунд реального времени, может обрабатываться в течение получаса или более длительного времени. В таких системах полезная информация об изображении и об образах объектов на нем выдается со значительными временными задержками в соответствии с временем, необходимым на обработку всех кадров. Про такие системы можно сказать, что они не работают в масштабе реального времени. Однако имеется ряд систем, которые обрабатывают изображения в режиме реального времени и предоставляют полезную информацию практически мгновенно или с небольшими временными задержками. Такие системы формируют множество систем распознавания текстовых меток реального времени.

Список литературы диссертационного исследования кандидат наук Черкас, Павел Сергеевич, 2013 год

Список литературы

1. ГОСТ Р 50577-93. Знаки государственные регистрационные транспортных средств. Типы и основные размеры. Технические требования. [Текст]. - Введ. 1994-01-01. - М. : Изд-во стандартов, 1993. - 33 с.

2. ГОСТ Р 52398-2005. Классификация автомобильных дорог. Основные параметры и требования. [Текст]. - Введ. 2006-05-01. - М. : Стандартинформ, 2006. - 7 с.

3. ГОСТ Р ИСО 9000-2008. Системы менеджмента качества. Основные положения и словарь. [Текст]. - Взамен ГОСТ Р ИСО 9000-2001; введ. 2009-0910. - М. : Стандартинформ, 2009. - 35 с.

4. Шапиро JL Компьютерное зрение [Текст] / JI. Шапиро, Дж. Стокман; Пер. с англ. - М. : БИНОМ. Лаборатория знаний, 2006. - 752 е., 8с. Ил. : ил.

5. Гонсалес Р. Цифровая обработка изображений [Текст]. / Р. Гонсалес, Р. Вудс - Москва : Техносфера, 2005. - 1072 с.

6. Яне Б. Цифровая обработка изображений [Текст] / Б. Яне - Москва : Техносфера, 2007. - 584 с.

7. Лукьяница A.A. Цифровая обработка видеоизображений [Текст] / A.A. Лукьяница, А.Г. Шишкин. - М. : «Ай-Эс-Эс Пресс», 2009. - 518 с.

8. Mann S. Intelligent image processing [Text] / Mann S. - Wiley, 2002. -

359 s.

9. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. - 2-е изд., испр. - М. : ФИЗМАТЛИТ, 2003. - 784 с.

10. Балыков Е.А. Разработка и обеспечение качества программных средств обработки и анализа изображений [Текст] / Е.А. Балыков, В.А. Царев. -М. : Компания Спутник+, 2006. - 179 с.

11. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин [Текст] / Пер. с англ. под. ред. JI.C. Лебедева. - М. : Мир, 1972.-232 с.

12. Техническое зрение в системах управления мобильными объектами-2010 [Текст] : Труды научно-технической конференции-семинара. Вып. 4 / Под ред. Р. Р. Назирова. - М. : КДУ, 2011- 328 с. : табл., ил., цв. ил.

13. Соколов С.М. Проблемы машинного видения в робототехнике и автоматизации производства [Текст] / С.М. Соколов // Робототехника, прогноз, программирование: сборник / под ред. Малинецкого Г.Г. - M. : URSS, 2007. -(Будущее прикладной математики. Избранные лекции). - С. 37-68.

14. Царев В.А. Научные аспекты проектирования и оптимизации оптоэлектронных систем идентификации наземных транспортных средств [Текст] / В.А. Царев //Автоматизация в промышленности. - 2009г. - №5. - С.55-62.

15. Tsarev V.A. Segmentation of images of license plates. [Text] / V.A. Tsarev, E.N. Vesnin // Pattern Recognition and Image Analysis. - 2006, Vol. 16, No. l.-P. 108-110.

16. Системы видеонаблюдения и инфракрасная подсветка. Основы теории и практика применения [Электронный ресурс] / ИК ТЕХНОЛОГИИ. - М. 2010. — URL: http://www.irtechnologies.ru/files/ir_teor__prakt.pdf (дата обращения 20.08.2012).

17. Гонта А. Практическое пособие по CCTV [Электронный ресурс] / А. Гонта. - 2-я ред.

18. P-Iris. Новая технология управления диафрагмой улучшает качество изображения в мегапиксельных и HDTV сетевых камерах [Электронный ресурс]. URL: http://www.itconnect.com.ua/Articles/Piris_rus.pdf (дата обращения 30.08.2012).

19. Каменев Д. Выбор камеры для системы видеонаблюдения (CCTV) [Электронный ресурс] / Д. Каменев. - 2009. - URL: http://cbez.ru/?p=80 (дата обращения 25.08.2012).

20. Проектирование сетевых систем видеонаблюдения. Часть 2. // ProSystem CCTV : первый и единственный журнал в России по системам видеонаблюдения : профессиональное издание для экспертов и специалистов по ' 4'» охранному телевидению и видеонаблюдению. - М. : Амма-Пресс. 2011, №02 (50) . -2000 экз.-С. 54-64.

21. Богуславский A.A. Методы программирования систем технического зрения реального времени : диссертация ... доктора физико-математических наук : 05.13.11 / A.A. Богуславский. - Москва, 2006. - 334 с. ил.

22. Воскресенский Е.М. Моделирование и адаптация систем распознавания текстовых меток на видеоизображениях [Текст] / Е.М. Воскресенский, В.А. Царев. - Череповец : ИНЖЭКОН. 2009. - 152 с.

23. Черкас П.С. Разработка программного обеспечения информационно-управляющих систем с изменяемой бизнес-логикой [Текст] / П.С. Черкас, А.Е. Михайлов // Технологии Microsoft в теории и практике программирования : материалы межвузовского конкурса-конференции студентов, аспирантов и молодых ученых Северо-Запада - СПб. : Изд-во Политехи, ун-та, 2010. - С. 182— 183.

24. Алиев Э.В. Программное обеспечение «виртуальных полигонов» в задачах проектирования и тестирования систем технического зрения [Текст] / Э.В. Алиев, В.А. Царев // Технологии Microsoft в теории и практике программирования: Материалы межвузовского конкурса-конференции студентов, аспирантов и молодых ученых Северо-Запада. - СПб. : Изд-во Политехи, ун-та, 2010.-C.il.

25. Воскресенский Е.М. Метод оценки эффективности систем распознавания текстовых меток на сложном фоне с использованием дерева вероятностных характеристик [Текст] / Е.М. Воскресенский, В.А. Царев // Компьютерная оптика. - 2008. - Т. 32, № 3. - С. 283-290.

26. Настоящее и будущее теста систем распознавания автомобильных номеров // ProSystem CCTV : первый и единственный журнал в России по системам видеонаблюдения : профессиональное издание для экспертов и

специалистов по охранному телевидению и видеонаблюдению. — М. : Немецкая Фабрика Печати. 2010, № 42-43 . - 2000 экз. - С. 60-64.

27. Cherkas P.S. Smart Camera Adaptive Optoelectronic System [Text] / E.N. Vesnin, A.E. Mikhailov, V.A. Tsarev, P.S. Cherkas // Pattern Recognition and Image Analysis. - Pleiades Publishing, Ltd., 2012. - 2012, Vol. 22, No. 3. - P. 406411.

28. Черкас П.С. Автоматическое управление параметрами средств формирования изображений в системах распознавания автомобильных номеров реального времени [Текст] / П.С. Черкас, E.H. Веснин // Технологии Microsoft в теории и практике программирования : материалы межвузовского конкурса-конференции студентов, аспирантов и молодых ученых Северо-Запада. - СПб. : Изд-во Политехи, ун-та, 2012. - С. 47- 48.

29. Икрамов К.С. Методы и устройства оценки изменений информационных параметров сигналов изображений в системах телевизионного контроля объектов : диссертация ... кандидата технических наук : 05.12.04 / К.С. Икрамов; [Место защиты: Моск. техн. ун-т связи и информатики] - Москва, 2011.-205 с. ил.

30. Комар В.Г. Количественные критерии качества изображения для оценки кинематографических систем [Электронный ресурс] / В.Г. Комар // ТКТ, 2000, №10. - URL: http://barsic-cat.chat.ru/tkt/10_2000/komar.htm (дата обращения 16.03.2012).

31. Кривошеев М. И. Качество изображения и измерения в цифровом телевидении [электронный ресурс] / М.И. Кривошеев, A.C. Мкртумов, В.Г. Федунин // 625. 1999. № 1. - С.72-75. - URL: http://rus.625-net.ru/625/1999/01/krivosheev.htm (дата обращения 16.03.2012).

32. Монич Ю.И. МЕРА ОЦЕНКИ РЕЗКОСТИ ЦИФРОВОГО ИЗОБРАЖЕНИЯ [электронный ресурс] / Ю.И. Монич, В.В. Старовойтов. // ДОКЛАДЫ БГУИР. - 2011. - С. 80-85. - URL: http://www.bsuir.by/rn/12_104571_l_69801.pdf (дата обращения 01.06.2012).

33. Гучия С. Качество изображения: как его обеспечить? [Текст] / С. Гучия // Системы безопасности : журнал для руководителей и специалистов в области безопасности - М. : Leituvos rytas. 2009, №5 (89) 25000 экз. - С. 38-40.

34. Иванов Д. Знак качества [Электронный ресурс] / Д. Иванов // Broadcasting. Телевидение и радиовещание. — 2006, #1. - URL: http://www.broadcasting.ru/ articles2/Oborandteh/sign_qualit (дата обращения 30.08.2012).

35. Веснин Е.Н. Модель адаптивной системы распознавания идентификационных буквенно-цифровых меток движущихся объектов [Текст] / Е.Н. Веснин, В.А. Царев // Компьютерное моделирование 2005: Труды VI Международной научно-технической конференции. - СПб. : Изд-во Политехнического университета, 2005. - С. 399-400.

36. Фаворская М.Н. Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений : диссертация ... доктора технических наук : 05.13.17 / М.Н. Фаворская; [Место защиты: Сиб. федер. ун-т]. - Красноярск, 2011. - 326 с. ил.

37. Пешков Н.Н. Математическое моделирование и разработка алгоритмов обнаружения и измерения параметров сторонних объектов в системах наблюдения : диссертация ... кандидата физико-математических наук : 05.13.18 / Н.Н. Пешков. - Ставрополь, 2004. - 146 с. ил.

38. Черкас П.С. Автоматическое управление параметрами средств формирования изображений в системах распознавания текстовых меток реального времени [Текст] / JI.JI. Малыгин, В.А. Царев, П.С. Черкас // Научно-технические ведомости СПбГПУ 4' 2012. Информатика. Телекоммуникации. Управление. -СПб.: Изд-во Политехи, ун-та, 2012. - С. 106-109.

39. Бухтияров Ю. Сравнительное тестирование телекамер под задачи автоматического распознавания автомобильных номеров [Электронный ресурс] / Ю. Бухтияров // Журнал ProSystem CCTV №04 [40] 2009. - С. 10-16. - URL: http://downloads.vit.ua/news/ProCCTV_40_VIT.pdf (дата обращения 30.08.2012).

40. Бухтияров Ю. Выбор мегапиксельных телекамер под задачи автоматического распознавания автомобильных номеров [Электронный ресурс] / Ю. Бухтияров // Журнал ProSystem CCTV №03 [45] 2010. - С. 38-47. - URL: http://downloads.vit.ua/news/procctv_2010_megapixel.PDF (дата обращения 31.08.2012).

41. Cherkas P.S. Adaptive optoelectronic system "Smart camera" [Text] / P.S. Cherkas // 10th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010). St. Petersburg, December 512, 2010. Conference Proceedings (Vol. I-II), Volume II. - SPb. : Politechnika, 2010. -P. 83-85.

42. Yu Shi. Smart Cameras: A Review [Electronic resource] / Yu Shi, Serge Lichman. - URL:

http ://www. nicta. com.au/_data/ assets/pdf_file/0004/16456/smart_camera_review.pdf

(дата обращения 23.06.2012).

43. Belbachir. Smart Cameras [Text] / Belbachir, Ahmed Nabil (Ed.). - 2010, XX. - 404 p.: 187 illus., Hardcover.

44. Дворкович A.B. Разработка и исследование высокоэффективных систем цифровой обработки динамических изображений и оценки ее качества : диссертация ... доктора технических наук : 05.12.04 / А.В. Дворкович; [Место защиты: Моск. гос. техн. ун-т им. Н.Э. Баумана]. - Москва, 2007. - 471 с. ил.

45. Дорф Р. Современные системы управления [Текст] / Р. Дорф, Р. Бишоп. Пер. с англ. Б. И. Копылова. -М.: Лаборатория Базовых Знаний, 2002. — 832 е.: ил.

46. Справочник по теории автоматического управления [Текст] / Под ред.

A.А. Красовского. - М. : Наука. Гл. ред. физ.-мат. лит., 1987 - 712 с.

47. Савин М.М. Теория автоматического управления [Текст] : учеб. пособие / М.М. Савин, B.C. Елсуков, О.Н. Пятина; под ред. д.т.н., проф.

B.И. Лачина. - Ростов н/Д : Феникс, 2007. - 469 с. : ил. - (Высшее образование).

48. Методы классической и современной теории автоматического управления [Текст] : Учебник в 5-ти тт.; 2-е изд., перераб. И до. Т4: Теория

оптимизации систем автоматического управления / Под ред. К.А. Пупкова и Н.Д. Егупова. - М.: Издательство МГТУ им Н.Э. Баумана, 2004. - 744 е.; ил.

49. Интеллектуальные системы автоматического управления [Текст] / Под ред. И. М. Макарова, В. М. Лохина - М.: ФИЗМАТЛИТ, 2001. - 576 с.

50. Федосов Б.Т. Динамические объекты. Определения, модели, структура, свойства [электронный ресурс] / Б.Т. Федосов. - Рудный. 2008. - URL: http://model.exponenta.ru/bt/bt_00414_Din_Obj_l.htm (дата обращения 05.06.2012).

51. Царев В.А. К вопросу о разработке и применении адаптивных оптоэлектронных систем технического зрения [Текст] / Е.Н. Веснин, A.B. Вето, В.А. Царев // Автоматизация в промышленности. - 2009 г. - №11. - С. 48-52.

52. Воскресенский Е.М. Методы управления процессом распознавания текстовых меток на изображениях [Текст] / Е.М. Воскресенский, В.А. Царев // Компьютерная Оптика. - 2008. - Т.32, №4. - С. 413-416.

53. Бобцов A.A. Адаптивное и робастное управление параметрически и функционально неопределенными объектами в условиях возмущений и запаздывания : диссертация ... доктора технических наук : 05.13.01. / A.A. Бобцов. -СПб. ,2011.-309 с. ил.

54. Давыдов Р.В. Адаптивное управление и прогнозирование состояния нестационарных технологических объектов с запаздыванием [Текст] : диссертация ... кандидата технических наук : 05.13.06 / Р.В. Давыдов. — Ангарск, 2003.-215 с.

55. Носенков Д.А. Видеоинформационная система токарного станка с интеллектуальным управлением : диссертация ... кандидата технических наук : 05.03.01 / Д.А. Носенков. - Ростов-на-Дону, 2000. - 201 с. ил.

56. Смелков В.М. Дискретно-аналоговые методы повышения информационной способности телевизионных камер и обнаружителей движения на ПЗС для промышленного видеонаблюдения и телевизионной охраны : диссертация ... доктора технических наук : 05.12.04 / В.М. Смелков. - Великий Новгород, 2006. - 294 с. ил.

57. Методы робастного, нейро-нечеткого и адаптивного управления [Текст] : Учебник / Под ред. Н.Д. Егупова. - М. : Изд-во МГТУ им. Н.Э. Баумана, 2001.-744 с, ил.

58. Антонов В.Н. Адаптивное управление в технических системах [Текст] : Учеб. Пособие / В.Н. Антонов, В.А. Терехов, И.Ю. Тюкин. — СПб. : Издательство С.-Петербургского университета, 2001. - 244 с.

59. Поляк Б.Т. Робастная устойчивость и управление [Текст] / Б.Т. Поляк, П.С. Щербаков. - М.: Наука, 2002. - 303 с.

60. Якубович В.А. Адаптивное управление динамическими объектами [Текст] / В.Н. Фомин, A.JI. Фрадков, В.А. Якубович. - М. : Наука, главная редакция физико-математической литературы, 1981. - 448 с.

61. Славин O.A. Адаптивное распознавание и его применение к системе ввода печатного текста : диссертация ... доктора технических наук : 05.13.01 / O.A. Славин; [Место защиты: Ин-т систем, анализа РАН]. - М., 2011. - 310 с.

62. Веснин E.H. Адаптация алгоритмов обработки и анализа изображений [Текст] / E.H. Веснин, В.А. Царев // Технологии Microsoft в теории и практике программирования: Материалы межвузовского конкурса -конференции студентов и молодых ученых Северо-Запада. - СПб. : Издательство Политехнического университета, 2006. - С. 181-182.

63. Веснин E.H. Адаптация систем распознавания буквенно-цифровых меток движущихся объектов [Текст] / E.H. Веснин // Сборник научных трудов ИМИТ СПбГПУ. Под ред. Л.Л. Малыгина. - Череповец : Изд-во "Порт-Апрель", 2007.-С. 81-91.

64. Мандель И.Д. Кластерный анализ [Текст] / И.Д. Мандель.- М. : Финансы и статистика. 1988. - 176 е.: ил.

65. Jain A.K. Data Clustering: A Review [Electronic resource] / A.K. Jain, M.N. Murty, PJ. Flynn. - ACM Computing Surveys, Vol. 31, No. 3, September 1999. -URL: http://www.cs.tau.ac.il/~fiat/DataMine05/p264-jain.pdf (дата обращения 31.08.2012).

66. Айвазян С.А. Прикладная статистика: классификация и снижение размерности [Текст] / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин -М.: Финансы и статистика, 1989.

67. Бахвалов Н.С. Численные методы [Электронный ресурс] / Н.С. Бахвалов, Н.П. Жидков, Г.М. Кобельков. - 7-е изд. (эл.). - М. : БИНОМ. Лаборатория знаний, 2012. — 636 с. : ил. - (Классический университетский учебник).

68. Черкас П.С. Метод машинного обучения на основе алгоритма многомерной интерполяции и аппроксимации случайных функций [Текст] / Ю.Н. Бахвалов, Л.Л. Малыгин, П.С. Черкас // Вестник Череповецкого государственного университета 2012. - 2012, № 2, Т. 2. — С. 7-9.

69. Бахвалов Ю.Н. Метод многомерной интерполяции и аппроксимации и его приложения: Монография [Текст] / Ю.Н. Бахвалов. - М. : Компания Спутник+, 2007. - 109 с.

70. Бахвалов Ю.Н. Многомерная интерполяция и аппроксимация на основе теории случайных функций [Электронный ресурс] / Ю.Н. Бахвалов - URL: Ьир://у^\¥.тасЬ1пе1еагп1п§.шМ1к1Лпйех.р11р?1111е=Многомерная интерполяция и аппроксимация на основе теории случайных функций (дата обращения 30.08.2012).

71. Цифровая камера SDU - 415. Техническое описание [Электронный ресурс] / ООО «Спецтелетехника». - URL: http://www.sptt.ru/sptt/pdf/SDU415.pdf (дата обращения 20.03.2012).

72. Черкас П.С. Оптоэлектронные системы распознавания автомобильных номеров с управляемой подсветкой [Текст] / П.С. Черкас, В.А. Царев // Материалы IV ежегодных смотров-сессий аспирантов и молодых ученых по отраслям наук: Технические науки. Экономические науки. - Вологда : ВоГТУ, 2010.-С. 75-79.

73. Дискретная математика и комбинаторика [Текст] : Пер. с англ. - М. : Издательский дом "Вильяме", 2004. - 960 с.: ил. - Парал. тит. англ.

74. Руцков M.B. Пляжный баскетбол - к вопросу Видеофиксации (часть вторая) [Электронный ресурс] / М.В. Руцков. - 2010. - URL: http://www.mpixel.ru/public_htm/Ball_2.htm (дата обращения 06.03.2012).

75. Журавель И.М. Краткий курс теории обработки изображений. MatLab - Image Processing Toolbox [Электронный ресурс] / Консультационный центр MatLab компании SoftLine. - URL:

http://rrc.dgu.rU/res/matlab/imageprocess/book2/2.html (дата обращения 08.08.2012).

76. Черкас П.С. Метод автоматического адаптивного управления процессом формирования изображений в системах распознавания текстовых меток реального времени [Текст] / П.С. Черкас, В. А. Царев // Компьютерная оптика. - 2013. - Т. 37, № 3. - С. 376-384.

Список иллюстративного материала

Рисунок 1.1 - Примеры изображений объектов с текстовыми метками.........................................19

Рисунок 1.2 - Схематичное представление процесса формирования изображений......................27

Рисунок 1.3 - Примеры локализованных областей изображения в системах распознавания

автомобильных номеров......................................................................................................................30

Рисунок 1.4 — Схема функционирования систем распознавания ТМ РВ........................................41

Рисунок 1.5 - Примеры низкокачественных изображений автономеров........................................45

Рисунок 1.6-Пример низкокачественного изображения, сформированного

неспециализированным видеооборудованием...................................................................................45

Рисунок 1.7 - Схема функционирования систем распознавания ТМ РВ с автоматическим

управлением процессом формирования изображений......................................................................47

Рисунок 2.1 - Неоптимальное выделение области изображения с образом ТМ............................61

Рисунок 2.2 - Оптимальное выделение области изображения с образом ТМ................................61

Рисунок 2.3 - Вычисление значений BRwf,Ue и ВЯыаск образа ТМ.....................................................63

Рисунок 2.4 - Использование результатов распознавания при вычислении BRwhite и ВЯыаск образа

ТМ..........................................................................................................................................................64

Рисунок 2.5 - Определение векторов оптимальных значений R0...................................................67

Рисунок 2.6 - Определения качества изображений...........................................................................68

Рисунок 2.7 - Расчет качества изображения с образами нескольких ТМ простым усреднением 70 Рисунок 2.8 - Расчет качеств изображения с образами нескольких ТМ с использованием

кластеризации........................................................................................................................................71

Рисунок 2.9 - САУ с адаптивным модулем управления...................................................................76

Рисунок 2.10 - Пример изображения с повернутым образом номера.............................................81

Рисунок 3.1 - Доступные для управления параметры видеооборудования....................................95

Рисунок 3.2 - Описание сетевых «умных камер».............................................................................96

Рисунок 3.3 - Зависимость выдержки Е и усиления Got К...........................................................104

Рисунок 3.4 - Схема формирования изображений и применения новых значений управляемых

параметров видеооборудования........................................................................................................110

Рисунок 3.5 - Процесс определения вектора isHPR при обработке информативных

изображений........................................................................................................................................118

Рисунок 3.6 - Схематичное функционирование адаптивного МУ................................................121

Рисунок 4.1 - Пример описания типа автомобильного номера из ГОСТ Р 50577-93..................135

Рисунок 4.2 - Изображение автомобиля с прицепом......................................................................136

Рисунок 4.3 - Проблемные изображения автомобилей..................................................................139

Рисунок 4.4 - Малоинформативное для оператора изображение автомобиля.............................142

Рисунок 4.5 - Локализованные области изображения с образами автономеров..........................144

Рисунок 4.6 - Особенность расчета значений R(I) образа автономера.........................................144

Рисунок 4.7 — Оптимальные значения R0 в АПК «УМКА-АвтоМаршал»...................................146

Таблица 4.1 — Зависимость значений BRWhue и BRbiack от параметров Ей G (часть 1)..................150

Таблица 4.2 - Зависимость значений BRwhue и BRbiack от параметров Е и G (часть 2)..................150

Таблица 4.3 - Примеры изображений автономера, сформированные с различными значениями

параметров Еиб................................................................................................................................151

Таблица 4.4 - Базовая зависимость Mbase характеристик BRwhile и BRbiack от значений параметра

К............................................................................................................................................................153

Рисунок А. 1 — Зависимость вероятности правильного распознавания автономеров от средней

яркости светлых и темных пикселей их образов на изображении.................................................181

Рисунок А.2 - Оптимальные значения R0 в АПК «УМКА-АвтоМаршал»...................................181

Рисунок А.З - Изображения автономеров различных типов без ИК подсветки и с ИК

подсветкой...........................................................................................................................................182

Рисунок Б.1 - Аппаратное обеспечение АПК «УМКА-АвтоМаршал».........................................183

Таблица Б.1 - Технические характеристики АПК «УМКА-АвтоМаршал»..................................184

Рисунок Б.2 - АПК «УМКА-АвтоМаршал» в варианте с Wi-Fi антенной...................................185

Рисунок Б.З - Фотография АПК «УМКА-АвтоМаршал» с неуправляемым объективом...........186

Рисунок В.1 - Место установки камер.............................................................................................189

Таблица В.1 - Оценка эффективности управления в АПК «УМКА-АвтоМаршал»....................190

Рисунок В.2 - Изменение освещенности автономера при движении машины............................190

Таблица В.2 - Сравнение АПК «УМКА-АвтоМаршал» с камерами общего назначения...........192

Рисунок В.З - Типичные кадры с камеры «УМКА-АвтоМаршал»...............................................194

Рисунок В.4 - Типичные кадры с камеры MINTRON MTV-64G5DHP........................................195

Рисунок В.5 - Типичные кадры с камеры BOSCH LTC0510/50....................................................196

Рисунок Г.1 - АКТ внедрения результатов диссертационных исследований..............................197

Рисунок Г.2 - Отзыв о внедрении АПК «УМКА-АвтоМаршал» в АСУ ЛТЦ г. Сочи................198

Рисунок Д.1 - Свидетельство о получении премии........................................................................199

Рисунок Д.2 - Диплом IV ежегодного смотра-сессии аспирантов и молодых ученых...............200

Рисунок Д.З - Диплом конкурс-конференции «Технологии Microsoft в теории и практике программирования»............................................................................................................................201

Приложение А. Оценка зависимости вероятности правильного распознавания автомобильных номеров от средней яркости светлых и

темных пикселей их образов

После того, как в системе распознавания автомобильных номеров с автоматическим управлением параметрами видеооборудования были определены алгоритмы распознавания, выбраны характеристик областей изображения с образами ТМ, были вычислены оптимальные значения для данных характеристик.

В областях изображения с образами автономеров вычисляется средняя яркость светлых ВЯ^ие и темных ВЯЫаск пикселей образа автономера по формулам (2.10-2.14), представленным во 2 главе данной работы.

По имеющимся видеоизображениям, полученным с мест внедрения системы распознавания «АвтоМаршал», производился расчет вероятности правильного распознавания автомобильных номеров при различных значениях ВЯ^ие и ВЯыась Размер выборки был равен 738 изображений. Для автоматического распознавания автомобильных номеров на видеоизображениях использовалось ядро распознавания ПО «АвтоМаршал». Результаты распознавания сохранялись в текстовый файл. При этом также сохранялись значения ВЯ^ие и ВЯЫаск образа распознанного номера, которые вычислялись автоматически по результатам работы алгоритмов распознавания.

Список распознанных номеров сверялся с эталонным списком номеров, составленным вручную для всех имеющихся изображений. В эталонный список была занесена информация об изображениях с образами автономеров высокого и низкого качества. Т.е. если образ номера на изображении был не пригоден для распознавания (например, был пересвечен, имел недостаточную освещенность, был сильно зашумлен и т.д.), то в эталонном списке делалась пометка с прочерком вместо номера и также записывались значения характеристик ВЯ„Ы(е ВЯыаск Для данного образа (оператор вручную выделял минимальную область

изображения с образом автомобильного номера и подавал ее на вход алгоритмам расчета качества изображений).

Далее в соответствии с алгоритмом определения R0, представленным во 2 главе данной работы, пространство характеристик BRwhitexBRbiack было разбито на области размером 10x10. Для каждой области mtj вычислялась средняя вероятность распознавания P¿J. После чего для удобства расчетов зависимость P¡j от BRwhite и BRblack была сглажена. Далее если PtJ > 0,95 , то центр области Q, е R0.

Результаты расчетов зависимости вероятности Р правильного распознавания автомобильных номеров в ПО «АвтоМаршал» от средней яркости светлых и темных пикселей его образа представлены на рисунке А. 1.

0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

"О 50 100 150 200 250 BRblack

Рисунок А. 1 - Зависимость вероятности правильного распознавания автономеров от средней яркости светлых и темных пикселей их образов на изображении Область с векторами оптимальных значений R0 характеристик BRwhite и BRbiack образов автономеров в ПО «АвтоМаршал» представлена на рисунке А.2.

250 200 150

BRwhite

100 50

°0 50 100 150 200 250 BRb¡ack

Рисунок А.2 - Оптимальные значения R0 в АПК «УМКА-АвтоМаршал» С учетом того, что АПК «УМКА-АвтоМаршал» изначально разрабатывался для распознавания автономеров типов 1 и 1Б по ГОСТ [1], то зависимость

■

вероятности распознавания Р от ВЯ^Ше и ВЯЫаск и оптимальные значения ЯО вычислялись по изображениям с образами номеров данных типов. Однако в алгоритмах распознавания реализовано распознавание большинства типов номеров по указанному ГОСТ. В алгоритмах управления с учетом универсальности характеристик ВЯ^Ы1е и ВЯЫаск,, они будут также корректно вычисляться и для других типов номеров.

При этом для автономеров со светлыми символами на темном фоне (например, типы 9,10, 20 по ГОСТ [1]) в светлое время суток в качестве светлых пикселей будут учитываться пиксели символов номера, а в темное время суток -наоборот пиксели фона, т.к. при использовании ИК подсветки данные типы «инвертируются» (кроме типа 5). Данная особенность проиллюстрирована на рисунке А.З. Однако соотношение средней яркости светлых и темных пикселей образа номера останется практически таким же и поэтому вычисленные оптимальные значения ЯО также могут быть использованы и для оценки качества образов номеров данных типов. При этом алгоритм управления параметрами видеооборудования также будет корректно функционировать, т.к. изменение параметров камеры приведет к прогнозируемому изменению характеристик ВЯ и ВЯЫаск как для «неинвертированных» образов номеров, так и для «инвертированных».

Тип номера по ГОСТ [1] Без ИК подсветки С ИК подсветкой

Тип 1 «Обычные» Тип 1Б «Такси»

Тип 15 «Транзитные»

Тип 20 «МВД» Тип 5 «Военные»

Щъ282к * ШШ&SH

Г1к 025 }fjj

ИК не отражает

шшшШ И» о f

ИК не отражает

Рисунок А.З - Изображения автономеров различных типов без ИК подсветки и с

ИК подсветкой

Приложение Б. Технические характеристики аппаратно-программного

комплекса «УМКА-АвтоМаршал»

Представленные ниже данные взяты из паспорта для АПК «УМКА-АвтоМаршал».

АПК «УМКА-АвтоМаршал» - это интеллектуальный цифровой телевизионный комплекс со встроенным РС-совместимым вычислительным модулем, предназначенный для применения в системах распознавания автомобильных номеров. Преимущество использования комплекса «УМКА-АвтоМаршал» заключается в возможности автоматического управления процессом формирования изображений. Основная цель такого управления -повышение эффективности распознавания автомобильных номеров за счет формирования высококачественных изображений автономеров в нестационарных условиях. Суть управления заключается в оценке заданных характеристик качества изображений автомобильных номеров и изменения параметров камеры для улучшения данных характеристик.

Аппаратное обеспечение комплекса представлено на рисунке Б.1.

Узкополосный ИК-фильтр

- минимизирует засветку кадра {солнце, фары машин и пр.)

4

Watchdog

-управление питанием - подогрев

/

13 Ethernet Э Wi-Fi

Управляемый объектив

Цифровая камера f

— use, U2" ИК-подсветка

-управляемая _ 0<85 мкм

Вычислительный модуль

— Intel Atom 1.6 GHz

— 1 ГБ ОЗУ, 16 ГВ SSD

— Windows 7 Starter

— спец. ПО: распознавание и управлениеСФИ

Рисунок Б.1 - Аппаратное обеспечение АПК «УМКА-АвтоМаршал»

Более детальное описание оборудования дано в таблице Б.1.

Таблица Б.1 - Технические характеристики АПК «УМКА-АвтоМаршал»

Параметр Описание

Матрица SONY CCD ICX415AQ, ЧБ, 1/2", 580 TBJI, прогрессивная развертка, повышенная чувствительность

Разрешение 768x576 - 18 FPS, 384x288 - 25 FPS

Минимальная освещенность 0 люкс

Импульсная ИК-подсветка 850 нм

Экспозиция Автоматическое и ручное управление (от 10~6 с до 10~3 с)

Оптические фильтры Поляризационный / инфракрасный

Распознавание автомобильных Ядро распознавания «АвтоМаршал»

номеров

Объектив Вариофокальный моторизованный с ручной диафрагмой, 5-50мм

Дистанция до автономера До 30 метров, управляемый объектив

Вычислительный модуль Intel Atom 1.6 ГГц, 1 ГБ ОЗУ, HDD/SSD, РС/104+

Общее ПО Windows Seven Starter

Сетевые возможности Wi-Fi, Ethernet, HTTP

Объем трафика До 6 Мбит/с при трансляции 1 канала видео

Напряжение питания 12В (DC)

Потребляемая мощность 40 Вт + 30 Вт подогрев

Самодиагностика Имеется

Габариты 450x250x150 мм

Корпус Пылезащищенный и влагостойкий

Рабочий диапазон температур -30 °С до +50 °С

Подогрев Автоматическая регуляция подогрева

Вес 15 кг

Тип корпуса и некоторые элементы аппаратного обеспечения могут изменяться в различных версиях АПК в зависимости от конкретных потребностей заказчика.

Все электронные модули установлены в герметичном корпусе, что допускает эксплуатацию комплекса в уличных условиях. Питание комплекса осуществляется от внешнего источника с напряжением 12В, потребляемый ток -не более 5А.

На самой камере «УМКА-АвтоМаршал» производится распознавание автономеров (может быть отключено) и трансляция видеокадров по сети. Распознанные номера вместе с фотографиями машин также передаются по сети.

АПК «УМКА-АвтоМаршал» размещается на обочине автодороги или над автодорогой (на штативе, столбе, ферме и т.п.). Обеспечивается его питание от сети переменного тока или аккумуляторного устройства. При первом запуске прибора вручную удаленно выполняется настройка оптической схемы. Далее система функционирует в автономном режиме. Номера проезжающих ТС вместе с их изображениями передаются через сеть Ethernet как по проводным, так и беспроводным каналам связи.

Фотографии АПК «УМКА-АвтоМаршал» представлены ниже на рисунках Б.2 и Б.З.

Рисунок Б.2 - АПК «УМКА-АвтоМаршал» в варианте с Wi-Fi антенной

Рисунок Б.З - Фотография АПК «УМКА-АвтоМаршал» с неуправляемым

объективом

Приложение В. Результаты эксперимента по определению эффективности аппаратно-программного комплекса «УМКА-АвтоМаршал»

«УМКА-АвтоМаршал» - это аппаратно-программный комплекс, который является сетевой «умной» камерой с автоматическим управлением параметрами камеры. Он предназначен для применения в системах распознавания автомобильных номеров и разработан в соответствии с предложенными в данной работе решениями. Более подробное описание АПК «УМКА-АвтоМаршал» приведено в 4 главе данной работы и в приложении Б.

Целью эксперимента является определение эффективности АПК «УМКА-АвтоМаршал». Эксперимент проходил в два этапа. На первом этапе оценивалась эффективность управления параметрами видеооборудования в АПК «УМКА-АвтоМаршал». На втором этапе эффективность АПК «УМКА-АвтоМаршал» сравнивалась с видеокамерами общего назначения.

Оба этапа тестирования проводились следующим образом:

- Сначала в различное время суток в течение нескольких дней было записано видео с камер.

- Далее записанное видео анализировалось для оценки количества высококачественных изображений с образами автономеров. После этого записанное видео подавалось на вход алгоритмов распознавания в ПО «АвтоМаршал». Результаты распознавания сверялись с эталонным списком автомобилей, составленным вручную по имеющимся видеоданным.

При этом в эталонный список заносились данные об изображениях автономеров высокого и низкого качества. Т.е. если в зоне контроля присутствовал автомобиль с номером, но на изображении его образ был не пригоден для распознавания (пересвечен или малоконтрастен), то в эталонном

списке делалась пометка с прочерком вместо номера и также записывались значения характеристик ВЯ^Ы1е и ВКЫаск для данного образа.

Оценка качества изображений автомобильного номера производилась следующим образом:

на изображении вручную выделялся минимальный прямоугольник, содержащий образ автономера. После чего рассчитывались средние значения яркости темных и светлых пикселей образа автономера в данной области изображения (по описанной во 2 главе методике). Если на изображении присутствовали образы нескольких номеров, то описанная операция выполнялась для каждого из них. Далее для каждой области изображения с образом автономера рассчитывалось ее качество в соответствии с приложением А и с расчетными формулами, описанными в главах 2, 3 и 4 данной работы.

Оценка уровня распознавания осуществлялась следующим образом: записанные видео файлы подавались на вход алгоритмов распознавания в ПО «АвтоМаршал». Т.к. в данном тестировании важно, чтобы технические средства позволяли обнаруживать максимальное число проезжающих автомобилей, то при тестировании оценивались следующие параметры:

- процент высококачественных изображений ТНд > 0,95;

- процент автономеров, которые полностью правильно распознались в ПО «АвтоМаршал».

Тестирование проводилось с 1 по 10 мая 2012 года в реальных условиях. Тестируемые видеокамеры на обоих этапах эксперимента располагались на мостовом сооружении на высоте 5 метров над проезжей частью (рисунок В.1). Расстояние от видеокамеры до центра зоны контроля - 20 метров, ширина зоны контроля около 2 метров. Освещение в светлое время суток - естественное, в темное - общее (в АПК «УМКА-АвтоМаршал» использовалась встроенная ИК подсветка).

Рисунок B.l - Место установки камер

На первом этапе определялась эффективность алгоритмов управления параметрами видеооборудования. Для этого использовался АПК «УМКА-АвтоМаршал» с включенным и с отключенным алгоритмом управления. Видео с USB камеры записывалось непосредственно самим АПК «УМКА-АвтоМаршал» на встроенный жесткий диск посредством ядра программы «АвтоМаршал» с помощью кодека MJPEG (коэф. сжатия 0.9) с разрешением 384x288, 25 к/сек.

На данном этапе использовался всего один АПК «УМКА-АвтоМаршал». При этом был реализован следующий режим работы комплекса: четные кадры формировались при включенном управлении параметрами камеры, а нечетные - с отключенным (используемая в данном комплексе USB видеокамера позволяет управлять своими параметрами для каждого формируемого кадра в отдельности). Соответственно обновление данных в подсистеме адаптации и оценка качества изображений также выполнялись только для четных кадров. Это позволило использовать только одну единицу комплекса, т.к. при этом наблюдалась одна и та же зона контроля в одно и то же время.

Нечетные кадры формировались с одинаковыми значениями параметров видеооборудования: £ = 750 мкс, (7=500. Для проверки эффективности управления видео записывалось в обычных (днем и ночью) и в сложных (днем при ярком солнце) условиях эксплуатации. Результаты первого этапа эксперимента представлены в таблице В.1. На данном этапе было обработано 520 автомобилей.

Таблица В.1 - Оценка эффективности управления в АПК «УМКА-АвтоМаршал».

Видеокамера ТН<2 > 0,95 Вероятность правильного распознавания в ПО «АвтоМаршал»

День, облачно День, ярк. солнце Ночь День, облачно День, ярк. солнце Ночь

УМКА-АвтоМаршал с управлением 97 95 94 93 93 89

УМКА-АвтоМаршал без управления 65 40 79 60 44 78

АПК «УМКА-АвтоМаршал» с включенным алгоритмом управления параметрами видеооборудования работал намного эффективнее. Проблемы при отключенном алгоритме управления возникали из-за того, что использовался объектив с ручной диафрагмой (видеокамера 415 не имеет возможности

подключения объективов с АРД). Худшим качеством обладали изображения, сформированные в сложных условиях эксплуатации с отключенным алгоритмом управления. Данные результаты подтверждают, что алгоритм управления способен значительно повысить качество формируемых изображений, а соответственно и эффектность алгоритмов распознавания и всей системы в целом. Необходимость применения алгоритмов управления также связана с тем, что при движении машины в зоне контроля освещенность автономера изменяется (рисунок В.2).

Рисунок В.2 - Изменение освещенности автономера при движении машины Разработанные алгоритмы управления параметрами видеооборудования в АПК «УМКА-АвтоМаршал» способны минимизировать отрицательное влияние данных изменений.

На втором этапе эффективность АПК «УМКА-АвтоМаршал» сравнивалась с видеокамерами общего назначения. В данном эксперименте участвовали следующее видеооборудование:

1) Цифровая сетевая ЧБ камера «УМКА.-АвтоМаршал»

- размер ПЗС матрицы 1/2";

- объектив Computar 1/2", 50mm, F1.3, ручная диафрагма;

- ИК фильтр;

- PIK подсветка (совмещенная с камерой);

- автоматическая подстройка параметров камеры для получения изображений автомобильного номера высокого качества;

- не требует использование вспомогательных средств освещения.

2) Аналоговая цветная видеокамера MINTRON MTV-64G5DHP

- размер ПЗС матрицы 1/4";

- встроенный объектив f=4~88 мм, Fl.6-3.8;

- низкая чувствительность;

- отсекающий ИК фильтр не убирается механически.

3) Аналоговая ЧБ видеокамера BOSCH LTC0510/50:

- размер ПЗС матрицы 1/2";

- объектив Tamron 1/2", f=10~40mm, Fl.4, АРД;

- высокое разрешение;

- расширенный динамический диапазон XF-Dynamic;

- может использоваться совместно с ИК подсветкой. На видеокамерах 2 и 3 были настроены следующие параметры:

- фиксированное время экспонирования 1/500 с;

- автоматический переход между режимами День/Ночь (при наличии этой опции).

Для оцифровки аналоговых видеосигналов использовалась плата AVerMedia AVerTV Hybrid NanoExpress, установленная в слот ExpressCard/54 тестового ноутбука. Характеристики ноутбука: ASUS ßs, Core 2 Duo T7500, 250 ГБ HDD, 2

ГБ ОЗУ, операционная система Windows 7 Домашняя расширенная. Запись видео с аналоговых видеокамер производилась со сжатием с помощью кодека MJPEG (коэффициент сжатия 0.9) с разрешением 384x240, 25 к/сек средствами ПО «АвтоМаршал» версии 1.21.1. Запись видео с цифровой сетевой камеры «УМКА-АвтоМаршал» выполнялась также со сжатием с помощью кодека MJPEG в формате 384x288, 25 к/сек средствами ПО «АвтоМаршал».

Ниже представлены результаты тестирования. В итоге на видео на втором этапе было записано и обработано 1240 автомобилей. Результаты тестирования представлены в таблице В.2.

Таблица В.2 - Сравнение АПК «УМКА-АвтоМаршал» с камерами общего

назначения

Видеокамера THq >0,95 Вероятность правильного распознавания в ПО «АвтоМаршал»

день ночь день ночь

УМКА-АвтоМаршал с управлением 96,8 88,7 92,2 88,4

MINTRON MTV-64G5DHP 86,2 8,2* 89,3 13,3

BOSCH LTC0510/50 71,5 73,4 84,7 82,7

* - среднее качество Q(Im) = 85,3.

В светлое время суток камера 1 формировала изображения высокого качества, что способствовало высокому уровню распознавания. Камеры 2 и 3 формировали изображения приемлемого качества, что способствовало среднему уровню распознавания.

В темное время суток камера 1 формировала изображения высокого качества, пригодные для распознавания номеров. Изображения с камеры 3 также были приемлемого качества и пригодны для распознавания. Однако по визуальному качеству и по четкости образа автомобильного номера изображения с камеры 1 были значительно лучше изображений с камеры 3.

Изображения с камеры 2 в темное время суток были малоконтрастными или сильно зашумленными, что значительно затрудняло обнаружение образа автомобильного номера.

Наилучшие результаты распознавания в светлое и темное время суток показала камера 1, разработанная с использованием предложенных в данной работе решений.

Камера 3 также показала достаточно высокие результаты за счет того, что она построена на высокочувствительной матрице с технологией ХР-Бупапис. Однако на многих кадрах, полученных от данной камеры, образы автомобильных номеров были пересвечены.

Основным недостатком применения камер 2 и 3 в системах распознавания автомобильных номеров является то, что образы автомобильных номеров могут быть пересвечены на изображении в светлое время суток или при использовании дополнительных осветителей. А в темное время суток при использовании камеры 2 изображения номеров будут малоконтрастными и сильно зашумленными.

Типичные кадры с видеокамер, записанные на втором этапе эксперимента, представлены на рисунках В.З, В.4 и В.5 ниже.

По результатам проведения эксперимента можно сделать вывод, что АПК «УМКА-АвтоМаршал» (а соответственно и предложенные в данной работе решения) показал высокую эффективность в задачах распознавания автомобильных номеров. Изображения с образами автомобильных номеров, формируемые данной камерой, обладают высоким качеством.

Результаты второго этапа данного тестирования были опубликованы на сайте компании ООО «Малленом» и доступны по адресу: http://www.mallenom.ru/news210512.рЬр.

а061£н~

V НбРР

а)

Ж:

б)

а - дневные кадры; б - ночные кадры В.З - Типичные кадры с камеры «УМКА-АвтоМаршал»

а) б)

а - дневные кадры; б - ночные кадры Рисунок В.4 - Типичные кадры с камеры МШТКОИ МТУ-6405БНР

а) б)

а - дневные кадры; б - ночные кадры Рисунок В.5 - Типичные кадры с камеры BOSCH LTC0510/50

Приложение Г. Акты и отзывы об использовании результатов диссертационного исследования

ООО «Малленом»

Россия, 162600, Вологодская обл., г. Череповец, ул.Гоголя 33-а, тел. [phone]; факс [phone], http://www.malIcnom.ru, e-mail: ¡[e-mail]

АКТ

внедрения результатов диссертационных исследований Черкаса П.С.

Математическая модель систем распознавания текстовых меток реального времени и алгоритмы автоматического управления параметрами средств формирования изображений в данных системах, разработанные в результате диссертационных исследований Черкасом П.С., были применены при создании аппаратно-программного комплекса «УМКА-АвтоМаршал» в период с 2010 г. по 2012 г. Данный АПК является «умной» сетевой камерой, автоматически управляет своими параметрами с целью формирования высококачественных изображений с автомобильными номерами и предназначен для применения в системах распознавания автомобильных номеров.

АПК «УМКА-АвтоМаршал» доказал свою эффективность при применении в сложных нестационарных условиях (уровень правильного распознавания в светлое и темное время суток во всех сериях экспериментов составил 95 % и более).

АПК «УМКА-АвтоМаршал» успешно применяется в рамках проекта «Дорожный пристав». Проект «Дорожный пристав» предназначен для выявления автомобилей должников в потоке автотранспорта, с помощью распознавания их государственных регистрационных знаков и проверки их по базам данных налоговой инспекции и службы судебных приставов

За 2010 и 2011 год АПК «УМКА-АвтоМаршал» в рамках проекта «Дорожный пристав» был поставлен в соответствии со следующими контрактами:

1) Муниципальный контракт от 16 марта 2010 г. для Муниципального учреждения «Хозяйственная служба», в лице директора ВДПлаксина, г. Вологда.

2) Муниципальный контракт от 21 апреля 2010 г. для Администрации Вытегорского муниципального района, в лице главы Вытегорского муниципального района Чсвгунова Владимира Ивановича.

3) Муниципальный контракт № 76 на закупку аппаратно-программного комплекса от 22 февраля 2011 г. для «Муниципального заказчика», в лице Главы Администрации города Смоленска Лазарева Константина Григорьевича.

4) Договор поставки № 14 от 11 ноября 20 И г. для УМП «Томскстройзаказчик», г. Томск.

5) Договор поставки № 57 от 01 сентября 2011 г. для МУ «Комитет по управлению имуществом и землепользованию», г. Улан-Удэ.

АПК «УМКА-АвтоМаршал» также применяется в составе Автоматизированной системы управления логистического транспортного центра г. Сочи по заказу AHO «Транспортная Дирекция Олимпийских Игр», что подтверждено отзывом ООО «СеверТрансАвтомагика» № 663 от 25 сентября 2012 г.

Рисунок Г. 1 - АКТ внедрения результатов диссертационных исследований

Директор

Живиця А.Э.

ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «СеверТрансАвтоматика»

162624, Россия, Вологодская область, Тел/факс: г. Череповец, ул. Командарма Белова, д.29 [phone] _е-шай: [e-mail] [phone]

ОГРН 1083528011478

ОКПО 8714709 -7

ИНН3528143725/ КПП352801001

25.09.2012 №663

На №_от _

Директору ООО «Маллсном» Живиця А.Э.

Отзыв о результатах внедрения АПК «УМКА-АвтоМаршал»

Уважаемая Анна Эдуардовна!

Аппаратно - программный комплекс «УМКА-АвтоМаршал» с 01.08.2011 года внедрен в составе Автоматизированной системы управления логистического транспортного центра г.Сочи (Заказчик - AHO «Транспортная Дирекция Олимпийских Игр») на трех объектах транспортной инфраструктуры:

• Грузовой двор железнодорожной станции Сочи;

• Грузовой двор №1 станция Веселое;

• Грузовой двор №2 станция Веселое.

Комплекс обеспечивает фотофиксацию въезжающего на территорию и выезжающего с грузом автотранспорта, распознавание номера и передачу информации в центральную базу данных системы.

В течение всего срока работы АПК показывает стабильно высокий уровень распознавания номеров автотранспорта от 95 до 98 %, что позволило обеспечить контроль за въездом на территорию грузовых дворов аккредитованного AHO «ТДОИ» автотранспорта.

Информация, регистрируемая АПК, является важным элементом бизнес-процесса управления перевозками грузов для подготовки Олимпиады 2014 года в ropo,

Рисунок Г.2 - Отзыв о внедрении АПК «УМКА-АвтоМаршал» в

АСУ ЛТЦг. Сочи

Система менеджмента качества предприятия сертифицирована на соответствие требованиям ИСО 9001-2008

Приложение Д. Награды и дипломы, полученные по результатам диссертационного исследования

к{кьеви>и,а Обще^о-сосьс-с-к-а-ьс. о-6сни-о-Сс- о-ръеимс^жссм «Ро-лсссйсЬсс-сс /ФСо-л-о-ре&сиР

в (¡слл&сбях э(СгО-(с&м.и>1е,с(илгл ЬрирсссаР /5 о-л-о-кх-у-сЬьй. л-лсжи.

71* Ь

'Ва-л.а-га^ск-а-Л аблясним-сс

Т. Ъл^нснлв*

У

/О ПИЛКИ 2010 ЪЛф-Л

Рисунок Д. 1 - Свидетельство о получении премии

III степени

НАГРАЖДАЕТСЯ

ЧЕРКАС ПАВЕЛ СЕРГЕЕВИЧ

Институт менеджмента и информационных технологии (филиал) Санкт-Петербургского государственного политехнического университета в городе Череповце

За высокий уровень доклада «Оптоэлектронные системы распознавания автомобильных номеров с управляемой подсветкой»

в секции «Информационные технологии»

IV ЕЖЕГОДНЫХ СМОТРОВ-СЕССИЙ АСПИРАНТОВ И МОЛОДЫХ УЧЕНЫХ ПО ОТРАСЛЯМ НАУК Номинация «Аспиранты»

Председатель оргиад^Йр^ ректор Во;шгодск&! г> югудар! технического утте|н:»л^та, д-р техн. наук, п[М>1Ч'Сор V

15 декабря 2010 г. Вологда

Л. И. Соколов

Рисунок Д.2 - Диплом IV ежегодного смотра-сессии аспирантов и молодых

ученых

This is to certify that

Pavel S. Cherkas

has taken place in Contest « Microsoft technologies in software engineering and software development»

Настоящим дипломом

награждается Павел С. Черкас

занявший,/ место в конкурсе-конференции «Технологии Microsoft в теории и практике программирования»

Microsoft representative

Academic Progr;

St. Petersburg, 2012

Представитель Microsoft

anager, Russia & CIS

Санкт-Петербург, 2012

^--ee«-» -r ' ' * ' '......

вЯШтШШ&ШШ

Рисунок Д.З - Диплом конкурс-конференции «Технологии Microsoft в теории и

практике программирования»