Введение

Этот системный проект был разработан как часть моей выпускной работы и направлен на решение задачи распознавания номеров автомобилей с синим фоном и белыми буквами. В стадии обнаружения и локализации номеров я использовал подход, предложенный EasyPR, с использованием цветового пространства HSV и оператора Sobel для локализации номеров. Отсутствие использования алгоритма Cmerser для локализации является определенным недостатком.

Основные исследования

1. Исследование использования цветовой информации номера для локализации области номера на изображении или видео.
2. Исследование использования информации о границах номера для локализации области номера на изображении или видео.
3. Исследование использования алгоритма SVM для классификации локализированных областей номера и областей помех.
4. Исследование использования возможностей и мышления на языке C++ для разделения семи символов номера.
5. Исследование использования сверточных нейронных сетей из глубинного обучения для распознавания каждого символа номера.
6. Исследование использования кросс-платформенной библиотеки wxWidgets для проектирования удобного пользовательского интерфейса системы.# Общий процесс разработки системы Внешний интерфейс всей системы представлен ниже: Новая функция обратной связи об ошибках пользователей представлена ниже: # Полученные результаты и перспективы
7. Система использует цветовую и границу информацию для обнаружения более 95% номеров автомобилей с синим фоном и белыми буквами в естественных условиях. Точность распознавания символов номера составляет более 80%, и система может непрерывно обучаться на основе обратной связи пользователей, повышая точность распознавания номеров.
8. Однако система имеет некоторые недостатки. Когда номер автомобиля имеет желтый фон и черные буквы (например, номера учебных автомобилей), точность обнаружения снижается. Также система может не обнаружить номера автомобилей с синим фоном и белыми буквами, если автомобиль имеет полностью синий цвет. Эти вопросы требуют дальнейших исследований.
9. Система находится на стадии лабораторных исследований, но если количество тренировочных номеров автомобилей будет достаточно большим и будут решены вышеупомянутые проблемы, система может быть применена для автоматического распознавания номеров автомобилей в реальных условиях.

Анализ условий выполнения

Система выполняется на операционной системе Windows. Пользователь, клонировав проект, может сразу запустить его с помощью CLion. В проекте используются относительные пути, поэтому нет необходимости беспокоиться о несовместимости.После запуска проекта пользователю необходимо выполнить одну итерацию обучения модели, что можно сделать, нажав на соответствующие пункты в пользовательском интерфейсе: "обучение модели для распознавания символов" и "обучение модели для распознавания китайских символов". Помимо установки IDE (например, IDEA), пользователю не требуется никакой дополнительной настройки окружения для запуска системы, модификации и изучения кода. В папке Commons находятся все необходимые плагины для OpenCV и wxWidgets, преобразованные в .a файлы, и они прямым образом используются в файле CMakeLists. Пользователь может запустить проект, просто открыв его в CLION без необходимости в дополнительной настройке. Кроме того, я предоставил "ленивую" версию проекта, которую можно запустить, просто склонировав проект и нажав на window.exe для запуска системы, а затем нажав на обучение модели для обучения собственной модели. Из-за различий в процессорах и графических ускорителях различных компьютеров, пользователю необходимо обучить модель самостоятельно для последующего распознавания.