Я работаю с автомобильной техникой и хорошо вижу, как меняется дорожный контроль. Раньше камера в основном читала номерную пластину целиком. Теперь система анализирует кадр шире и глубже. Если часть символов закрыта грязью, снегом, рамкой, фаркопом или углом съемки, поиск не останавливается на пустом месте. Алгоритм собирает набор признаков машины и сверяет их между собой.
Как камера читает номер
Сначала камера выделяет область номерного знака. Дальше программа ищет контуры символов, сравнивает их форму, расстояние между ними, наклон строки, яркость фона и характер засветки. При частичном перекрытии она не угадывает наугад, а восстанавливает недостающий фрагмент по видимым элементам. Если читаются несколько знаков из набора, система сужает круг вариантов. Дополнительно учитываются формат регистрационного знака, длина последовательности, допустимое расположение букв и цифр.
В работе важен не один кадр. Камера берет серию изображений, снятых с небольшим интервалом. На одном кадре знак закрыт бликом, на другом лучше виден край пластины, на третьем различим отдельный символ. Из серии получается собрать более точную картину. Я встречал решения, где обработка идет по принципу OCR (оптическое распознавание символов), но для дороги одного чтения текста мало. Нужна проверка по соседним признакам автомобиля.
Дополнительные признаки
Когда номер читается не полностью, в дело вступают признаки машины. Система определяет тип кузова, примерные габариты, силуэт, форму светотехники, рисунок решетки, расположение эмблемы, цвет, число осей, контур стекол, конфигурацию бампера. Для грузовой техники полезны длина состава, форма кабины, высота седельной сцепки, наличие прицепа. Для легковых машин информативны пропорции кузова и световая подпись фар.
Я бы выделил главный инженерный принцип: машина распознается не по одной детали, а по совокупности. Если камера видит лишь часть номера, она сопоставляет читаемые символы с моделью автомобиля, цветом и временем прохода через точку контроля. Если через несколько секунд другая камера фиксирует похожий автомобиль с тем же набором признаков, вероятность ошибки снижается. По сути, система строит связку из разрозненных данных и проверяет, нет ли противоречий.
Границы точности
У таких комплексов есть пределы. Грязь, плотный снег, сильный дождь, встречное солнце, ночная засветка, низкое разрешение, вибрация опоры, слишком острый угол обзора ухудшают результат. Отдельная проблема — нестандартные рамки, деформированные пластины, потертая краска символов, пленка с бликами. Если водитель сознательно прикрывает номер, он обычно закрывает не всю пластину равномерно, а ключевой участок. Для алгоритма сложнее всего случаи, где скрыты похожие символы и нет чистого кадра в серии.
Но и у нарушителя запас прочности меньше, чем принято думать. Камера видит машину целиком, а не только табличку. Если номер закрыт листком, тряпкой или откидной шторкой, в кадре остаются марка, модель, цвет кузова, особенности колесных арок, наклейки, багажник на крыше, повреждения кузова. Для розыска или проверки маршрута набор признаков уже дает рабочую зацепку. При наличии нескольких точек наблюдения картина становится связной.
С инженерной точки зрениярения ценность И не в чудесном распознавании из плохого кадра, а в устойчивой обработке больших потоков данных. Человек смотрит на запись и замечает броские детали. Алгоритм сравнивает тысячи похожих машин без усталости, хранит признаки, ранжирует совпадения, отсеивает явные ошибки. По этой причине частично скрытый номер давно перестал быть надежным способом уйти от фиксации. Камере нужен не идеальный кадр, а достаточный набор согласованных признаков.
