Распознавание гос номеров своими руками

Добавил пользователь Morpheus
Обновлено: 05.10.2024

Программа OpenALPR имеет открытый исходный кот, используется для распознавания автомобильных номеров. Данная система позволяет распознавать номера автомобилей, как из потока видеокамеры, так и из локального видео файла, а также из файлов-изображений.

Поддерживается режим командной строки.

Также можно скачать программу и положить ее в каталог популярной программы для видеонаблюдения Xeoma или сделать это прямо через Xeoma.

У вас есть полная свобода выбора, как использовать openALPR в Xeoma. Есть два основных способа:

Из программы (автоматический)
1 Подключите модуль “Распознавание автономеров” в цепочку.
2 Зайдите в настройки модуля.
3 Ознакомьтесь с лицензией AGPL(GPL).
4 Отметьте галочкой страну или страны, автомобильные номера которых должны распознаваться. Если будет отмечены Австралия, Европа и Великобритания, Сингапур, Южная Корея или США, в папку Xeoma в подпапке Additional создастся папка openalpr, куда будет скачана утилита OpenALPR. После этого она будет применена в Xeoma для распознавания номеров указанных стран. Всё полностью автоматизировано.

Вручную
1 Подключите модуль “Распознавание автономеров” в цепочку.
2 Скачайте бинарник OpenALPR для Windows *** :

скачайте бинарник OpenALPR для Linux *** :

3 Зайдите в папку Xeoma, подпапку Additional. Создайте папку с названием openalpr. В эту папку положите бинарник с названием
alpr.exe для Windows
alpr для Linux

4 После этого в настройках модуля “Распознавание автономеров” можно отметить галочкой страну или страны, для номеров которых будет применяться распознавание (Австралия, Европа и Великобритания, Сингапур, Южная Корея или США). Xeoma начнёт использовать утилиту для распознавания автономеров.

Другие программы для распознавания номеров
По этому образцу вместо openANPR Вы можете использовать другие сторонние программы для распознавания номеров.
Xeoma сохраняет изображение в файл, а затем вызывает OpenALPR со следующими параметрами:
alpr.exe -c ‹COUNTRY_CODE› --config ‹CONFIG_PATH› ‹IMAGE_PATH›
Затем Xeoma построчно читает вывод OpenALPR. Если строка вывода начинается с “plate” и содержит “result”, то Xeoma берет следующую строку вида:
" - ‹PLATE_NUMBER› confidence: 79.6227"
и вырезаем из нее ‹PLATE_NUMBER›. Это и будет результатом распознавания.

Конфиг-файл с именем openalpr.conf лежит в папке рядом с OpenALPR.

* openALPR – это отдельная программа, которая не является частью или модулем Xeoma. Xeoma и openALPR могут использоваться независимо друг от друга.
** Скачивание openALPR из программы Xeoma является формой командной строки и ответа.
*** Исходники и инструкция по компиляции OpenALPR уже включены в бинарник (см. выше)

Все чаще стал сталкиваться с подобной задачей, когда видео не позволяет распознать гос. знак. В большинстве случаях подобное видео не рассматривают в госавтоинспекции, делают заключение о отсутствии возможности установить виновника и закрывают дела.
В этой статье мы поговорим о "раскадровке" видео с видеорегистратора. Раскадровка дает возможность по кадрам изучить записанный ролик и заметить то, что не заметно в обычном видео. Для этого нам потребуется немного времени и установка программы Adobe After Effects CC.

Запускам программу Adobe After Effects CC и добавляем наш видео ролик открыв вкладку Файл > Импорт > Файл.. или нажав сочетание клавиш CTRL+ I

После добавление видео, оно будет отображено в правом верхнем углу программу. Его необходимо зажать левой кнопкой мышки и перенести на значок "Создать новую композицию.". Без этого видео не появиться в в окне просмотра и области правки.

Далее для ускорение процесса обработки и минимизации лишних кадров, нам нужно выделить область, которую необходимо вывести по кадрам. Для этого при помощи "скрола" мы находим начала и конец необходимой области видео. С помощи бегунков, которые выделены стрелками. Перетягиваем их к нужному участку с обоих концов. Тем самым мы оставляем только нужную область видео ролика.

Далее нажимаем вкладку Композиция > Добавить в очередь рендеринга или нажав сочетание клавиш CTRL+ M

Внизу программы появиться вкладка "Очередь рендеринга".
— Окно "Очередь рендеринга". Модуль вывода: Без потерь (нажимаем на надпись "Без потерь")
— Окно "Настройка модуля вывода", Формат: (указываем "Эпизод PNG" так же возможно "Эпизод JPEG", остальные форматы могут потребовать установки дополнительного ПО для просмотра.)
Затем нажимаем "ОК"

Указываем место выгрузки обработанных файлов на компьютер.
— Окно "Очередь рендеринга". Вывод в: нажимаем на надпись "название вашего файла"
Указываем путь к папки вывода файлов и нажимаем "Сохранить". После чего нажимаем кнопку "рендеринг" и ждем окончания обработки.

В конечном варианте вы получите видео ролик разбитый по кадрам в формате PNG или выбранным вами.

Но кадрирование видео не даст вам 100% вероятности установить гос. знак. Порой для распознание приходится прибегать в дополнительному ПО. Я использую Adobe Photoshop CS5 с помощью которой можно скорректировать контраст (Изображение > Коррекция > Уровни… или нажав сочетание клавиш CTRL+ L) и инструмент "Кривые" (Изображение > Коррекция > Кривые или нажав сочетание клавиш CTRL+ М). Эти функции позволяет убирать засветку. Так же используются и другие функции, но это уже заслуживает отдельную статью.

Немного из практики
Так же часто приходится прибегать к восстановлению силуэтов цифра и букв. В этом случаи часто применяется шрифт гос. знаков RoadNumbers.otf методом подбора, можно определить знаки с определенной вероятностью. Как правило это может быть полезным когда на видео искажение номера.

Каждое видео имеет индивидуальный подход и свои тонкости. Часто гос. знаки не читаются на видео, но отлично видны в зеркальном отражении кузова машины, стекла и все что может отражать. По мимо самого гос. знака так же обращается внимание на соседний машины их номера и наличие видеорегистратора. В одном из случаях, сотрудники не смогли найти скрывшегося мотоциклиста. Так получилось, что удалось выяснить не только личность но и в плоть до вк и моб.телефона.

Какие факторы нужно учесть при внедрении решения с распознаванием номеров транспортных средств, чтобы получить качественное распознавание и эффективную работу всей системы? В статье развеем миф, что качественное решение с распознаванием номеров стоит дорого, а полноценная автоматизация КПП требует интеграции с другими системами.

Система распознавания номеров актуальна для различных объектов

Примеры объектов, на которых востребованы решения с распознаванием номеров транспортных средств, - автотранспортные предприятия, заводы, автомобильные стоянки, гаражные кооперативы, коттеджные поселки, заправочные станции, пункты контроля въезда на территорию объекта и т.п.

Какого бы масштаба не был ваш объект, при создании решения по контролю проезда автотранспорта на территорию, в первую очередь ориентируйтесь на бизнес-задачи. Задачи могут быть разные: контроль въезда/выезда автомобилей на территорию, автоматизация работы сотрудников службы безопасности, учет автомобилей на территории, статистика и отчетность, реализация сложных сценариев въезда на территорию, например, установка ограничений для въезда или выезда определенного автотранспорта в зависимости от дня недели или времени суток.

Самое распространённое решение с использованием распознавания номеров автомобилей — решение по контролю доступа на объект.

Алгоритм работы подобного решения. Автомобиль подъезжает к закрытой территории, въезд или выезд на которую оснащен шлагбаумом или воротами. На въезде (выезде) установлена видеокамера. Видеокамера подключена к компьютеру, на котором установлено система распознавания VideoNet-AUTO PSIM. Система считывает номерной знак автомобиля. Дальше система сравнивает распознанный номер с базой данных номеров транспортных средств или базой данных номеров автомобилей системы контроля доступа. На основе результата сравнения распознанного номера и при выполнении настроенных сценариев доступа, система принимает решение об открытие проезда или его блокировке.

Уникальность решения VideoNet-AUTO PSIM

Основное преимущество VideoNet-AUTO PSIM — построение полноценной системы видеонаблюдения, системы распознавания номеров ТС и системы контроля и управления доступом в рамках одного решения. Такое решение является единым и не требует интеграции между системами. Для решения всего спектра задач используется одно программное обеспечение VideoNet. Модуль распознавания номеров встроен в программное обеспечение VideoNet PSIM. Пользователь подключает необходимое оборудование (камеры, контроллеры СКУД) и настраивает систему под свои задачи. Такой подход является максимально функциональным и простым для внедрения.

Комплексный подход к построению решения позволяют сократить инвестиции в инфраструктуру объекта.

На объектах с повышенными требованиями к безопасности можно организовать сложные сценарии доступа — многофакторную идентификацию — въезд может осуществляться по номеру транспортного средства плюс карта доступа или по номеру транспортного средства и отпечатку пальца водителя.

Модуль распознавания номеров ТС в VideoNet

Стоимость базового модуля распознавания за один канал распознавания 10600 рублей.

Для решения по контролю доступа на территорию используется модуль распознавания государственных номеров автотранспорта Base. Модуль распознавания автоматизирует процессы считывания и идентификации номерных знаков, облегчает поиск интересующих транспортных средств, автоматизирует въезд автомобилей на охраняемую парковку или территорию. Модуль работает с IP и аналоговыми видеокамерами. Решение с использованием модуля Base является лучшим решением на рынке по цене и функциональности.

Видеокамера — ключевой элемент системы распознавания.

От правильного выбора видеокамеры, ее настройки, выбора места установки зависит точность распознавания и соответственно эффективность работы всей системы. Мы собрали основные рекомендации, следуя которым, вы повысите качество системы распознавания. Итак, основные правила.

ПРАВИЛО №1. Разные камеры для разных задач

Используйте отдельную видеокамеру для распознавания номеров транспортных средств. Не пытайтесь решить с помощью одной видеокамеры две задачи: распознавание номеров ТС и обзорного наблюдения. Получить качественную систему распознавания при таком подходе у вас не получится.

ПРАВИЛО №2. Выбор разрешения камеры

Все автомобильные номера по ГОСТ Р 50577-2018 должны иметь строго определенные размеры и располагаться на определенном расстоянии от поверхности дорожного покрытия. На всех легковых, грузовых, грузопассажирских автомобилях, автобусах предусматривается наличие двух номерных знаков, один из которых располагается спереди, другой сзади.

Размер автомобильного номера — единый на всей территории РФ. Поэтому разрешение камеры можно подобрать по простой формуле.

Расчет разрешения камеры:

W - Ширина точки проезда в метрах

N – размер номера в метрах

P – рекомендованный размер изображения номера по ширине 150 -200 pix

Пример расчета разрешения камеры:

(6/0,52)*150= 1730 Pix

Ширина знака составляет 520 мм. У нас проезд 6 метров. Для проезда шириной 6 метров достаточно видеокамеры с разрешением 2МП.

Увеличение разрешения видеокамеры не улучшает качество системы распознавания и создает дополнительную нагрузку на ваш компьютер.

ПРАВИЛО №3. Частота кадров видеокамеры

Чем больше частота формирования кадров видеокамеры, тем больше кадров с номером каждого автомобиля будет сформировано во время его движения. Ниже приведены значения частоты кадров при различной скорости движения транспортных средств.

Если у нас решение по контролю доступа на территорию, где скорость движения транспортных средств до 30 км/ч, для качественного распознавания достаточно 6 к/с.

Расчет частоты кадров для разной скорости движения автомобиля:

до 30 км/ч – 6 кадров/сек.

до 70 км/ч – 15 кадров/сек.

до 150 км/ч – 25 кадров/сек.

до 270 км/ч – 60 кадров/сек

ПРАВИЛО №4. Фокусное расстояние (угол обзора), тип объектива

Ширина обзора камеры равна ширине проезда. Если известно заранее место установки, выбираем камеру с фиксированным объективом. Камера с фиксированным объективом за счет большей светосилы объектива дает лучший результат распознавания номеров транспортных средств.

Вариофокальный объектив выбираем в случае, когда точное место расположения камеры неизвестно. Такой вариант позволяет настроить систему распознавания непосредственно на месте монтажа.

Для повышения точности распознавания рекомендуем настроить в VideoNet зону распознавания. Будут распознаваться только номера автомобилей, которые попадают в заданную зону. Такой подход позволит исключить лишнюю информацию для системы распознавания и повысит качество распознавания.

ПРАВИЛО №5. Выбор выдержки объектива

На видеокамере должна быть возможность настройки выдержки.

Рекомендуемые значения экспозиции (выдержки, затвора) в зависимости от скорости движения автомобилей:

1/500 сек - до 30 км/ч

1/1000 сек - до 70 км/ч

1/2000 сек - до 150 км/ч

1/4000 сек - до 270 км/ч

ПРАВИЛО №6. Рекомендации по установке видеокамеры

Номер автомобиля должен размещаться в кадре целиком. Угол вертикального наклона не более 30°. Угол горизонтальной плоскости — не более 20°. Расстояние от камеры до автомобиля определяется характеристиками камеры.

ПРАВИЛО №7. Освещенность в зоне распознавания номера

Для распознавания номеров автомобилей освещенность в зоне распознавания номера должна быть не меньше 50 ЛЮКС. Рекомендуемые значения освещенности в зоне распознавания 100 -120 ЛЮКС. Рекомендуем использовать дополнительное освещение для эффективной работы системы в темное время суток — прожектор или ИК-прожектор. Тщательно относимся к выбору места установки, чтобы не было засветки номера.

Поскольку вопрос по распознаванию автомобильных номеров периодически всплывает, а open source вариантов у нас все еще нет, решил поделится написанной (и сложенной в чулан) распознавалкой.

Система была написана для целей логирования номерных знаков на пропусных пунктах парковок. Код стоит рассматривать как тестовый прототип заслуживающий переписывания. Тем не менее он рабочий и давал точность расспознавания на тестовом датасете (нет не поделюсь) порядка 90-95% (по схеме правильно/неправильно).

Readme для слабаков? Еще и на мёртвом хостинге.

Написано же 'и сложенной в чулан'. Проект из категории 'выкинуть жалко' поэтому 'подарим сообществу'.

На основе openalpr? Но зачем?

Тем не менее он рабочий и давал точность расспознавания на тестовом датасете (нет не поделюсь)

Как формировался датасет?

Мне как бы не надо, у меня есть, но просто интересно.

порядка 90-95% (по схеме правильно/неправильно).

В каком диапазоне яркость/контрастность пластины ГРЗ?
Как влияет грязь на пластине на процент распознавания?
Как влияет смаз изображения из-за высокой скорости?
Какой диапазон рабочих размеров в пикселях?
Препроцессинг (поворот пластины, исправление трапеции) нужен/есть?
Сколько распознаётся одна пластина?
Работа с цветной пластиной, или только ч/б?
Сколько стран распознаётся?
Есть ли шаблоны?

Таких значений нет у ARH, ISS, Visillect при суточных прогонах на магистралях в произвольных погодных условиях. С парковками конечно попроще: изображение — статика, разброс по геометрии минимален, время распознавания не лимитируется, но скепсис имеется.

Там linear SVM + haar.
Поэтому вопросы по поводу работы с искаженными данными не требуют ответа, с ними все довольно плохо.

Solace ★★ ( 20.10.16 17:28:02 )
Последнее исправление: Solace 20.10.16 17:28:10 (всего исправлений: 1)

Где вы увидели openalpr? Там кроме opencv нет ничего.

Лажанул, да. Сорри.
И да, а почему не попробовал CNN для feature extraction?

В любом случае лично от меня спасибо за код. Попутно вопрос: почему забросил? Сейчас это направление очень популярное.

Съемка в режиме снапшота с камер парковок плюс веб.

В каком диапазоне яркость/контрастность пластины ГРЗ?

Худшее что было это (черное-белое)/белое~0.1

Как влияет грязь на пластине на процент распознавания?

Поскольку 'заказчик' решил проект не развивать, то до тестирования этого (и много чего еще) дело не дошло. Датасет парковок собирался поздней осенью ранней зимой поэтому в обучающих выборках было всякое.

Как влияет смаз изображения из-за высокой скорости?

Деградирует естественно. Но, такой режим работы не предполагался по заданию, предполагается что авто остановилось перед шлагбаумом.

Однако на парковках снимали в том числе дешевыми китайскими веб камерами иногда с не очень адекватным временем экспозиции и моментом съемки поэтому обучающие данные пришлось поаугментировать на это.

Какой диапазон рабочих размеров в пикселях?

Ширины от 100 до 200 были в тестовой выборке. Поскольку номер ищется Хааром то как таковых жестких ограничений нет.

Препроцессинг (поворот пластины, исправление трапеции) нужен/есть?

Исправляется только аффинное преобразование (параллелограмм). Как показала практика этого достаточно даже если угол съемки 30 градусов к нормали номерного знака. Обучающие данные данные для классификаторов символов были аугментированы чтобы терпеть остаточные деформации.

Сколько распознаётся одна пластина?

Работа с цветной пластиной, или только ч/б?

С серой, цветная приводится к серой.

Только РФ, номера авто, автобусы и грузовые.

95%
Таких значений нет у ARH, ISS, Visillect при суточных прогонах на магистралях в произвольных погодных условиях. С парковками конечно попроще: изображение — статика, разброс по геометрии минимален, время распознавания не лимитируется, но скепсис имеется.

Охотно верю что на магистралях все плохо. В условиях парковки несколько проще, особенно если статика. Очень может быть что датасет не репрезентативный.

Там linear SVM + haar. Поэтому вопросы по поводу работы с искаженными данными не требуют ответа, с ними все довольно плохо.

haar только для поиска номера. С ним все достаточно хорошо работает. В имевшихся условиях recall был >99%.

Аффинные искажения нормализуются. Обучающие данные для классификаторов символов аугментировались чтобы терпеть оставшие проективные искажения.

linear SVM чудесно работает для расспознавания символов 'фиксированного' шрифта если его пускать по hog.

Лажанул, да. Сорри. И да, а почему не попробовал CNN для feature extraction?

Потому что 'заказчик' хотел на дешевом железе. CNN сразу предполагает не самое дешевое железо.

Ага. Почитал, повнимательнее глянул код. После работы поиграюсь.

В любом случае лично от меня спасибо за код. Попутно вопрос: почему забросил? Сейчас это направление очень популярное.

Пожалуйста. Забросил потому что изначальному 'заказчику' не очень хотелось платить за проект, а мне не очень хотелось самому заниматься его коммерциализацией. Поэтому случился 'no deal' и я решил 'подарить текущую версию людям'.

От меня не убудет поскольку объективно говоря, после скуривания всех 1500+ (да их в природе столько) статей связанных с license plate recognition, все нужно сильно переделать.

Спасибо за подробный ответ.

Съемка в режиме снапшота с камер парковок плюс веб.

Сколько примерно понадобилось пластин для обучения до заявленного уровня?

Это понятно, я имел в виду числа. Но, раз до тестирования не дошло, то вопрос снимается.

Но, такой режим работы не предполагался по заданию, предполагается что авто остановилось перед шлагбаумом.

Снапшот делался по какому-то внешнему событию? Motion detection, или даже внешний датчик. Или выбирали кадры из кольцевого буфера и искали пластину там? В код не смотрел, поэтому такие глупые вопросы.

С серой, цветная приводится к серой. Шаблонов нет.

Кхм, это как-то совсем по частному. Там где хоть немного пахнет государством, обычно сразу всплывает требование на синие и чёрные пластины (насчёт красных склероз молчит). Их даже в базе фиксировать запрещается.

Ширины от 100 до 200 были в тестовой выборке.

Имелась в виду высота самого мелкого элемента текста ГРЗ. Но, в принципе неважно, пересчитывается в уме. Примерно 6-12 пиксел для букв, 7-14 для цифр, 6-12 для цифр номера и 3-6 для RUS. Значения такие же, как и у коммерческих систем.

Только РФ, номера авто, автобусы и грузовые.

Понятно. На фоне требований к распознанию 60-70 стран (в каждой 4-6 вариантов) не очень густо.

Охотно верю что на магистралях все плохо.

Там не плохо, просто жёсткие условия на время обработки и поиск пластины в буфере. А против погоды (дождь, туман, метель, контровый свет) особо не пораспознаваться.

В условиях парковки несколько проще, особенно если статика.

Я так понял, что была только статика. Авто стоит номером перед камерой пока не откроется шлагбаум.

Очень может быть что датасет не репрезентативный.

Для своей задачи очень даже репрезентативный.

Как показала практика этого достаточно даже если угол съемки 30 градусов к нормали номерного знака.

А это очень интересно. Поскольку то, с чем приходилось сталкиваться, очень печально реагировали на вращение. А дополнительный препроцессинг плохо сказывался на жоре рессурсов. Также актуальная проблема — нестантартное расположение пластины ГРЗ.

Сколько примерно понадобилось пластин для обучения до заявленного уровня?

~10000 с парковок и ~30000 веб, но это только для распознавания и нормализации. В основном для набора статистики загрязнения. 20% ушло в test set.

Детектор был взят готовый из opencv. Он не очень хороший (recall ~95%), но если изображение 'подергать' блуром, то можно сделать ~99%. Свой большой датасет для обучения детектора был собран, но по вышеозвученной причине не был использован.

Не подсвечивали вообще ни чем :(. Значительная часть датасета это съемка китайской камерой на гране ослепления фронтальными фарами.

Снапшот делался по какому-то внешнему событию? Motion detection, или даже внешний датчик. Или выбирали кадры из кольцевого буфера и искали пластину там? В код не смотрел, поэтому такие глупые вопросы.

Чесно говоря фиг его знает как оно срабатывало (это не я делал) когда датасет собирался. Судя по всему снапшот делался по сигналу поднятия шлагбаума три раза через 1 секунду. Поэтому моя задача состояла в том чтобы написать библиотеку которой на вход дается картинка плюс настройки, а на выход она даст номер.

Для демонстрации был сделан autonum.py который сидит, смотрит видео поток и по получению в консоль get, распознает и выводит номер.

Кхм, это как-то совсем по частному. Там где хоть немного пахнет государством, обычно сразу всплывает требование на синие и чёрные пластины (насчёт красных склероз молчит). Их даже в базе фиксировать запрещается.

Понятно. На фоне требований к распознанию 60-70 стран (в каждой 4-6 вариантов) не очень густо.

Вряд ли исходники такой вещи мы в ближайшее время увидим.

Я так понял, что была только статика. Авто стоит номером перед камерой пока не откроется шлагбаум.

Так должно было быть. В реальности время экспозиции было больше чем бы хотелось (да здраствует дешевое китайское железо и местные установщики) поэтому датасет к классификаторам символов пришлось поаугментировать.

А это очень интересно. Поскольку то, с чем приходилось сталкиваться, очень печально реагировали на вращение. А дополнительный препроцессинг плохо сказывался на жоре рессурсов. Также актуальная проблема - нестантартное расположение пластины ГРЗ.

Нормализация номера была одна из основных проблем, потому что камеры поставлены фиг знает как и переставить их нельзя. Поэтому пришлось терпеть углы к нормали до порядка 30 градусов (сверху + справа/слева). Поскольку вменяемый shape regressor остался в пухлом TODO (на которое забили), то делал только нормализацию аффинных деформаций. На перспективные искажение и 'спремление' кривых номеров забили, но поаугментировали данных для классификаторов символов чтобы они это терпели.

Распознавание номеров авто
К сожалению, не знаю есть ли тут такая тема.. Нужен код для распознавания номеров автомобилей с.

Нужен софт для использования веб камеры в качестве камеры наблюдения
Здрасте, у меня следующий вопрос: имеется старая веб камера, хочу ее аккуратно прилепить над.

Камеры наблюдения
Привет всем! Ребята вот у моего друга ест камеры наблудение, хотим его установить в его офисе, к.

Спасибо за отзыв. По моему этот мне не подходит. Потому что этот сдк работает для определенных стран в числе которых мой отсутствует.

достал SDK от EMGU. Можете кто нибудь помочь с началом работы. Что показать что куда? потом наколдовать и сам могу.

если вы скачали с официального сайта и установили себе то там есть примеры , в том числе и пример нахождения номера
по умолчанию примеры тут
C:\Emgu\emgucv-windesktop 3.4.3.3016\Emgu.CV.Example\

с нахождением номера тут
C:\Emgu\emgucv-windesktop 3.4.3.3016\Emgu.CV.Example\LicensePlateRecognition

Спасибо большое. Это что-то.
У меня есть два вопроса к вам.
1. Этот пример находит только с картинки, мне нужен с видео как быть?
2. Где тут можно задать пример госномера чтобы немного повысить шансы на правильное прочтения?

Илхом, видео это не что иное как последовательность картинок, а распознавание в любом случае делается для кадра, а не видео

Я Вас понял. Получается я читаю по 5 кадров с секунду чтобы не нагружать комп в лишний раз. Даже если машина не подходит программа будет проверять на наличие номера 5 раз в секунду. Это правильно?
Спасибо за объяснения.

Да.
Думаю для оптимизации можно еще прикрутить детектирование движения и проверять номер только если обнаружено движение, т.е. смена картинки.

Понятно. Сделаю посмотрю что получится и покажу вам. Если что, задам вопросы. Думаю это займет несколько дней.

привет, очень хотелось бы узнать чем закончилась история. вроде как обещал отчитаться/поделиться опытом.

Установка камеры видео-наблюдения
Подскажите пожалуйста идеальное решение цена\ качество. Необходимо установить камеры в 2-х разных.

Питание для камеры наблюдения
Здравствуйте. Имеется камера наблюдения Smartec STC-3680/3 ULTIMATE. Вопрос в питании, для этой.

Как отображать изображение с камеры наблюдения на web-странице?
Доброго времени суток, Уважаемы Форумчане! Снова я. Снова с вопросами. Снова за Вашей помощью. .

Организация сети между ноутбуком и аппаратом записывающим видео с камеры наблюдения.
Аппарат 4ch H.164 DVR имеется LAN. При подключении на прямую через витую пару к ноутбуку сеть.

Распознавание номеров в Matlab
Здравствуйте. Не могли бы вы мне помочь? Я на сайте нашел уже выполненное задание, касательно.

Распознавание автомобильных номеров
Здравствуйте, всем! У меня одна просьба не могли бы вы подсказать как написать алгоритм по.

Читайте также: