Распознавание номеров автомобилей. Критерии выбора IP камер для распознавания номеров Разрешение камеры наблюдения для чтения автомобильного номера

Настало время подробно рассказать, как работает наша реализация алгоритма распознавания номеров: что оказалось удачным решением, что работало весьма скверно. И просто отчитаться перед Хабра-пользователями - ведь вы с помощью Android приложения Recognitor помогли нам набрать приличного размера базу снимков номеров, снятых совершенно непредвзято, без объяснения как снимать, а как нет. А база снимков при разработке алгоритмов распознавания самое важное!

Что получилось с Android приложением Recognitor

Было очень приятно, что пользователи Хабра взялись качать приложение, пробовать его и отправлять нам номера.

Скачиваний программы и оценки

С момента выкладывания приложения на сервер пришло 3800 снимков номеров от мобильного приложения.
А еще больше нас порадовала ссылка http://212.116.121.70:10000/uploadimage - нам за 2 дня отправили около 8 тысяч полноразмерных снимков автомобильных номеров (преимущественно вологодских)! Сервер почти лежал.

Теперь у нас на руках база в 12 000 снимков фотографий - впереди гигантская работа по отладке алгоритмов. Все самое интересное только начинается!

Напомню, что в приложении Android предварительно выделялся номер. В этой статье я не буду подробно останавливаться на этом этапе. В нашем случае - каскадный детектор Хаара . Этот детектор не всегда срабатывает, если номер в кадре сильно повернут. Анализ того, как работает нами обученный каскадный детектор, когда не работает, оставлю на следующие статьи. Это ведь действительно очень интересно. Кажется, что это черный ящик - вот обучили детектор и больше ничего не сделать. На самом деле это не так.

Но все-таки каскадный детектор - неплохой вариант в случае ограниченных вычислительных ресурсов. Если автомобильный номер грязный или рамка плохо видна, то Хаар тоже неплохо себя проявляет относительно других методов.

Распознавание номера

Здесь рассказ про распознавание текста в картинках такого вида:

Общие подходы про распознавании были описаны в первой статье .

Изначально мы ставили перед собой задачу распознавания грязных, частично стертых и здорово искаженных перспективой номеров.
Во-первых, это интересно, а во-вторых, казалось, что тогда чистые будут срабатывать вообще в 100% случаях. Обычно, конечно, так и происходит. Но тут не сложилось. Оказалось, что если по грязным номерам вероятность успеха была 88%, то по чистым, например, 90%. Хотя на деле вероятность распознавания от фотографии на мобильном приложении до успешного ответа, конечно, оказалось еще хуже указанной цифры. Чуть меньше 50% от приходящих изображений (чтобы люди не пытались фотографировать). Т.е. в среднем дважды нужно было сфотографировать номер, чтобы распознать его успешно. Хотя во многом такой низкий процент связан с тем, что многие пытались снимать номера с экрана монитора, а не в реальной обстановке.

Весь алгоритм строился для грязных номеров. Но вот оказалось, что сейчас летом в Москве 9 из 10 номеров идеально чистые. А значит лучше изменить стратегию и сделать два раздельных алгоритма. Если удалось быстро и надежно распознать чистый номер, то этот результат и отправим пользователю, а если не удалось, то тратим еще немного времени процессора и запускаем второй алгоритм для грязных номеров.

Простой алгоритм распознавания номеров, который стоило бы реализовать сразу

Как же распознать хороший и чистый номер? Это совсем не сложно.

Предъявим следующие требования к такому алгоритму:

1) некоторая устойчивость к поворотам (± 10 градусов)
2) устойчивость к незначительному изменению масштаба (20%)
3) отрезание каких-либо границ номера границей кадра или просто плохо выраженные границы не должны рушить все (это принципиально важно, т.к. в случае грязных номеров приходится опираться на границу номера; если номер чистый, то ничего лучше цифр/букв не характеризует номер).

Итак, в чистых и хорошо читаемых номерах все цифры и буквы отделимы друг от друга, а значит можно бинаризовать изображение и морфологическими методами либо выделить связанные области, либо воспользоваться известными функциями выделения контуров.

Бинаризуем кадр

Здесь стоит еще пройтись фильтром средних частот и нормализовать изображение.


На изображении приведен изначально малоконтрастный кадр для наглядности.

Затем бинаризовать по фиксированному порогу (можно порог фиксировать, т. к. изображение было нормализовано).

Гипотезы по повороту кадра

Предположим несколько возможных углов поворотов изображения. Например, +10, 0, -10 градусов:

В дальнейшем метод будет иметь небольшую устойчивость к углу поворота цифр и букв, поэтому выбран такой достаточно большой шаг по углу - 10 градусов.
С каждым кадром в дальнейшем будем работать независимо. Какая гипотеза по повороту даст лучший результат, та и победит.

А затем собрать все связанные области. Тут использовалась стандартная функция findContours из OpenCV. Если связанная область (контур) имеет высоту в пикселях от H1 до H2 а ширина и высота связана отношением от K1 до K2, то оставляем в кадре и отмечаем, что в этой области может быть знак. Почти наверняка на этом этапе останутся лишь цифры и буквы, остальной мусор из кадра уйдет. Возьмем ограничивающие контуры прямоугольники, приведем их к одному масштабу и дальше поработаем с каждой буквой/цифрой отдельно.

Вот какие ограничивающие прямоугольники контуров удовлетворили нашим требованиям:

Буквы/цифры

Качество снимка хорошее, все буквы и цифры отлично разделимы, иначе мы до этого шага не дошли бы.
Масштабируем все знаки к одному размеру, например, 20х30 пикселей. Вот они:

Кстати, OpenCV при выполнении Resize (при приведении к размеру 20х30) бинаризованное изображение превратит в градиентаное, за счет интерполяции. Придется повторить бинаризацию.

И теперь самый простой способ сравнить с известными изображениями знаков - использовать XOR (нормализованная дистанция Хэмминга). Например так:

Distance = 1.0 - |Sample XOR Image|/|Sample|

Если дистанция больше пороговой, то считаем, что мы нашли знак, меньше - выкидываем.

Буква-цифра-цифра-цифра-буква-буква

Да, мы ищем автомобильные знаки РФ именно в таком формате. Тут нужно учесть, что цифра 0 и буква «о» вообще не отличимы друг от друга, цифра 8 и буква «в». Выстроим все знаки слева направо и будем брать по 6 знаков.
Критерий раз - буква-цифра-цифра-цифра-буква-буква (не забываем про 0/о, 8/в)
Критерий два - отклонение нижней границы 6 знаков от линии

Суммарные очки за гипотезу - сумма дистанций Хэмминга всех 6 знаков. Чем больше, тем лучше.

Итак, если суммарные очки меньше порога, то считаем, что мы нашли 6 знаков номера (без региона). Если больше порога, то идем к алгоритму устойчивому к грязным номерам.

Тут еще стоит рассмотреть отдельно буквы «Н» и «М». Для этого нужно сделать отдельный классификатор, например, по гистограмме градиентов.

Регион

Следующие два или три знака над линей, проведенной по низу 6 уже найденных знаков, - регион. Если третья цифра существует, и ее похожесть больше пороговой, то регион состоит из трех цифр. Иначе из двух.

Однако, распознавание региона часто происходит не так гладко, как хотелось бы. Цифры в регионы меньше, могут удачно не разделиться. Поэтому регион лучше узнавать способом более устойчивым к грязи/шума/перекрытию, описанным далее.

Какие-то детали описания алгоритма не слишком подробно раскрыты. Отчасти из-за того, что сейчас сделан лишь макет этого алгоритма и предстоит еще протестировать и отладить его на тех тысячах изображений. Если номер хороший и чистый, то нужно за десятки миллисекунд распознать номер или ответить «не удалось» и перейти к более серьезному алгоритму.

Алгоритм устойчивый к грязным номерам

Понятно, что алгоритм, описанный выше совсем не работает, если знаки на номере слипаются из-за плохого качества изображения (грязи, плохого разрешения, неудачной тени или угла съемки).

Вот примеры номеров, когда первый алгоритм не смог ничего сделать:

Но придется опираться на границы автомобильного номера, а потом уже внутри строго определенной области искать знаки с точно известной ориентацией и масштабом. И главное - никакой бинаризации!

Ищем нижнюю границу номера

Самый простой и самый надежный этап в этом алгоритме. Перебираем несколько гипотез по углу поворота и строим для каждой гипотезы по повороту гистограмму яркости пикселей вдоль горизонтальных линий для нижней половины изображения:

Выберем максимум градиента и так определим угол наклона и по какому уровню отрезать номер снизу. Не забудем улучшить контраст и получим вот такое изображение:

Вообще стоит использовать не только гистограмму яркости, но также и гистограмму дисперсии, гистограмму градиентов, чтобы увеличить надежность обрезки номера.

Ищем верхнюю границу номера

Тут уже не так очевидно, оказалось, если снимают с рук задний автомобильный номер, то верхняя граница может быть сильно изогнута и частично прикрывать знаки или в тени, как в данном случае:


Резкого перехода яркости в верхней части номера нет, а максимальный градиент и вовсе разрежет номер посередине.

Мы вышли из ситуации не очень тривиально: обучили на каждую цифру и каждую букву каскадный детектор Хаара, нашли все знаки на изображении, так определили верхнюю линию где резать:

Казалось бы, что тут и стоит остановиться - мы же нашли уже цифры и буквы! Но на деле, конечно, детектор Хаара может ошибаться, а у нас тут 7-8 знаков. Хороший пример цифры 4. Если верхняя граница номера сливается с цифрой 4, то совсем не сложно увидеть цифру 7. Что кстати и произошло в данном примере. Но с другой стороны, несмотря на ошибку в детектировании, верхняя граница найденных прямоугольников действительно совпадает с верхней границей автомобильного номера.

Найти боковые границы номера

Тоже ничего хитрого - абсолютно также, как и нижнюю. Единственное отличие, что часто яркость градиента первого или последнего знака в номере может превышать яркость градиента вертикальной границы номера, поэтому выбирается не максимум, а первый градиент, превышающий порог. Аналогично с нижней границей необходимо перебрать несколько гипотез по наклону, т. к. из-за перспективы перпендикулярность вертикальной и горизонтальной границы совсем не гарантирована.

Итак, вот хорошо обрезанный номер:

да! особенно приятно вставить кадр с отвратительным номером, который был успешно распознан.

Печалит лишь одно - к этому этапу от 5% до 15% номеров могут отрезаться неправильно. Например, так:

(кстати это кто-то нам отправил желтый номер такси, насколько я понял - формат не штатный)

Все это нужно было, чтобы все это делалось лишь для оптимизации вычислений, т. к. перебрать все возможные положение, масштабы и наклоны знаков при их поиске - очень затратно вычислительно.

Разделить строку на знаки

К сожалению, из-за перспективы и не стандартной ширины всех знаком, приходится как-то выделять символы в уже обрезанном номере. Тут снова выручит гистограмма по яркости, но уже вдоль оси X:

Единственное, что в дальнейшем стоит исследовать две гипотезы: символы начинаются сразу или один максимум гистограммы стоит пропустить. Это связано с тем, что на некоторых номерах отверстие под винт или головка винта автомобильного номера могут различаться, как отдельный знак, а могут быть и вовсе незаметны.

Распознавание символов

Изображение до сих пор не бинаризовано, будем использовать всю информацию, что есть.

Здесь печатные символы, значит подойдет взвешенная ковариация для сравнения изображений с примером:

Образцы для сравнения и веса при ковариации:

Конечно, нельзя просто сравнить область, выделенную с помощью горизонтальной гистограммы, с образцами. Приходится делать несколько гипотез по смещению и по масштабу.
Количество гипотез по положению по оси X = 4
Количество гипотез по положению по оси Y = 4
Количество гипотез по масштабу = 3

Таким образом, для каждой области при сравнении с одним знаком необходимо рассчитать 4х4х3 ковариации.

Первым делом найдем 3 большие цифры. Это 3 х 10 х 4 х 4 х 3 = 1440 сравнений.

Затем слева одну букву и справа еще две. Букв для сравнения 12. Тогда количество сравнений 3x12x4x4x3 = 1728

Когда у нас есть 6 символов, то все справа от них - регион.

В регионе могут быть 2 цифры или 3 цифры - это нужно учесть. Разбивать регион гистограммным способом уже бессмысленно из-за того, что качество изображения может быть слишком низкое. Поэтому просто поочередно находим цифры слева направо. Начинаем с левого верхнего угла, необходимо несколько гипотез по оси X, оси Y и масштабу. Находим наилучшее совпадение. Смещаемся на заданную величину вправо, снова ищем. Третий символ будем искать слева от первого и справа от второго, если мера похожести третьего символа больше пороговой, то нам повезло - номер региона состоит из трех цифр.

Выводы

Практика применения алгоритма (второго описанного в статье) в очередной раз подтвердила прописную истину при решении задач распознавания: нужна действительно презентативная база при создании алгоритмов. Мы нацеливались на грязные и потертые номера, т.к. тестовая база снималась зимой. И действительно часто довольно плохие номера удавалось узнавать, но чистых номеров в обучающей выборке почти не было.

Вскрылась и другая сторона медали: мало что так раздражает пользователя, как ситуация, когда автоматическая система не решает совсем примитивную задачу. «Ну что тут может не читаться?!» А то, что автоматическая система не смогла узнать грязный или потертый номера, - это ожидаемо.

Откровенно говоря, это наш первый опыт разработки системы распознавания для массового потребителя. И о таких «мелочах», как о пользователях, стоит учиться думать. Сейчас к нам присоединился специалист, разработавший аналогичную «Recognitor» программу под iOs. В UI у пользователя появилась возможность увидеть, что сейчас отправляется на сервер, выбрать какой из выделенных Хааром номеров нужный, есть возможность выделить необходимую область в уже «застывшем» кадре. И пользоваться этим уже удобнее. Автоматическое распознавание становится не дурацкой функцией, без которой нельзя ничего сделать, а просто помощником.

Продумывать систему, в которой автоматическое распознавание изображения будет гармонично и удобно пользователю, - оказалось задачей ничуть не проще, чем создавать эти алгоритмы распознавания.

И, конечно, надеюсь, что статья будет полезна.

Рассмотрим подробнее возможности IP камеры для считывания номеров.

Она может использоваться в целях:

• автоматизированного открытия шлагбаума при въезде на контролируемую территорию;
• автоматизированной выписки штрафов при нарушении водителем правил в зоне покрытия камеры с распознаванием автомобильных номеров.
• для автоматического расчета стоимости парковки, основываясь на данных автомобиля.
• немедленного информирования об обнаружении нужной машины, путем сравнения её номера с базой данных.

Все эти аналитические процессы выполняются внутренним софтом в автоматическом режиме, либо с настройками и заданными функциями от пользователя, через установленное на сервере программное обеспечение. Начиная работу с IP камерой для распознавания автомобильных номеров, рекомендуется ознакомиться с инструкцией по установке, настройке и эксплуатации прибора. Сетевая камера распознавания номеров может иметь разный форм фактор и тип монтажа. Выбирать следует, основываясь на текущих требованиях и условиях.

Мы предлагаем купить IP камеры для распознавания автомобильных номеров, по цене от 3000 рублей в нашем интернет магазине. На сайте доступна вся необходимая информация об устройстве.

Характеристики IP камеры для распознавания автомобильных номеров

Прежде чем купить IP камеру с функцией распознавания номеров, ознакомьтесь с её техническими характеристиками.

Список технических характеристик:

• Параметры электропитания.
• Тип программного обеспечения, удобство управления.
• Класс защиты IP камеры.
• Угол обзора.
• Разрешение.
• Способ монтажа и подключения.
• Скорость обработки информации, поиска соответствий.
• Скорость съёмки, записи.
• Температурный режим работы камеры.
• Предельно допустимая влажность воздуха
• Рейтинг марки производителя на рынке систем контроля и видеонаблюдения, отзывы пользователей.
• Габариты, вес устройства.
• Комплектация, наличие нужных для установки креплений, инструкции по эксплуатации.

Камеры, представленные в данном разделе были проверены нашими специалистами на совместимость с программным обеспечением Macroscop "Распознавание автомобильных номеров". В сочетании с данным ПО, наши камеры обеспечат Вам постоянный контроль за охраняемой территорией, поможет в поиске нужной машины, автоматизации ряда процессов.

Выбрав устройство, соответствующее всем требованиям, вы можете быстро оформить заказ на сайте. Мы доставим видеокамеру с распознаванием номеров на нужный объект по Москве в кратчайший срок.

Существует множество систем автоматизации въезда автомобилей на территорию охраняемого объекта. Начиная от банального охранника в будке с кнопкой и заканчивая электронным пропуском или радио брелоком.

Электронная система распознавания автомобильных номеров стоит в этом списке особняком и до недавнего времени особой популярностью не пользовалась.

Причин этому несколько.

Во-первых, высокая стоимость оборудования и сложность настройки. Во-вторых, активное неприятие новшества, включая акты неприкрытого саботажа, самими охранниками, работа которых теперь жестко контролируется, исключая возможность дополнительного заработка.

Однако, есть существенные преимущества, которые предоставляет система распознавания номеров автомобилей:

• значительное повышение уровня безопасности и контроля автомобильного транспорта на объекте;
• исключается возможность для третьих лиц проникнуть на охраняемую территорию используя поддельные или похищенные магнитные пропуска или электронные брелоки. (автомобиль тоже можно угнать, но это намного сложнее);
• автоматическое ведение отчетности о транспортных средствах с возможностью формирования многочисленных отчетов;
• возможности удаленного доступа позволяют руководству организации контролировать работу служащих;
• систему распознавания автомобильных номеров можно легко интегрировать в общую СКУД организации.

Возможность въехать на территорию охраняемого объекта, приклеив на номер автомобиля распечатанные на принтере цифры, полностью исключена. Практически все системы автоматического распознания автомобильных номеров контролируют коэффициент светоотражения, которым не обладает бумага. Переклеенный номер просто не будет считываться.

Область применения систем автоматизированного распознавания автомобильных номеров довольно разнообразна. Прежде всего, распознавание номера автомобиля будет полезно на станциях технического обслуживания, АЗС, автомойках, складах, предприятиях, паркингах.

Функции, которые может выполнять такая система автоматического распознавания автомобильных номеров довольно разнообразны:

• контроль въезда и выезда на контролируемую территорию;
• ограничение выезда с территории предприятия, к примеру, автостанции, клиента, не совершившего оплату;
• осуществление контроля загрузки сервисной зоны.

В сочетании с системами контроля доступа идентификация автомобильных номеров дает дополнительные преимущества. Прежде всего, это полный контроль нахождения автомобильного транспорта в погрузочной зоне предприятия. Это дает возможность отследить ввоз сырья или вывоз готовой продукции, проверить эффективность погрузочно-разгрузочных работ и предотвратить хищения.

При этом, проверкой номера автомобиля не только на въезде, но и на выезде исключается возможность вывоза груза по поддельным или ошибочным сопроводительным документам.

Но больше всего преимуществ получает владелец паркинга или автостоянки. Система автоматического распознавания номеров позволит проконтролировать заполняемость территории в реальном времени, что даст возможность принять меры по повышению эффективности.

Совмещение распознавания номеров автомобилей с системой оплат полностью исключит возможность злоупотребления или хищения со стороны наемных работников. А так же полностью исключит возможность ошибок в подсчете времени нахождения транспортного средства на территории автостоянки и даст железное доказательство в спорах с недобросовестными клиентами.

ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ И СОСТАВ ОБОРУДОВАНИЯ

В состав системы для автоматического распознавания номеров, в зависимости от производителя и модели, могут входить несколько устройств и программный комплекс с модулями, выполняющими различные функции аналитики или обслуживающими нетипичные приспособления. К примеру, автомобильные весы, радар для определения скорости и т.п.

Требования к компьютеру на котором будет установлена программа.

Минимальные требования для разных программ могут существенно отличаться в зависимости от функциональной нагрузки, но в большинстве случаев необходим:

• процессор, не менее 3 GHz;
• видеокарта: Intel, ATI с OpenGL или nVidia не менее 512 MВ;
• оперативная память, не мене 4 GB;
• HDD диск объемом не менее 4 GB.

Видеорегистратор с функцией RTSP.

Это потоковый протокол, который дает возможность не только просмотра и записи информации, но и использования видео в режиме реального времени. Примером таких регистраторов может служить модель HIKVISION DS-7204HVI-SV.

Камера видеонаблюдения с функцией RTSP.

Такие устройства для распознания номера автомобиля должны иметь разрешение не менее 550 ТВЛ, что обеспечивается матрицей 1/3" 760H. Фокусное расстояние 9-22 мм, что даст возможность идентификации на значительном расстоянии и при довольно высокой скорости, например, Atis AW-CAR40VF или AW-CAR180VF.

Светочувствительность камеры должна быть максимально высокой от 0,001 Люкс, кроме того, устройство необходимо оборудовать ИК подсветкой дающей возможность качественной съемки с расстояния не менее 15-20 м. Обязательно наличие функций:

• ручной установки выдержки;
• автоматического баланса белого;
• компенсации встречной засветки;
• расширенного динамического диапазона.

Данные камеры будут использоваться исключительно на улице, поэтому обязательно иметь класс защиты корпуса IP 66 с встроенными термоэлементами, позволяющими устройству функционировать при низких температурах не менее -30°С.

Рекомендуется использовать черно-белые камеры, так как они обладают большей чувствительностью и разрешающей способностью, чем цветные. Кроме того, большинство алгоритмов распознания номеров автомобилей преобразуют получаемое от камеры цветное изображение в черно-белое.

Исполнительные устройства и модули управления.

К примеру, модуль «BARBOS» подключаемый к ПК через USB соединение. Данный модуль имеет 4 пятиамперных реле, через которые можно управлять шлагбаумом, воротами, калиткой, освещением, GSM оповещением, различными системами индикации, выведенными в диспетчерскую и т.п.

КАМЕРЫ ДЛЯ РАСПОЗНАВАНИЯ АВТОМОБИЛЬНЫХ НОМЕРОВ

Основным параметром, на который следует обратить внимание, при выборе места установи камеры видеонаблюдения для распознавания автомобильных номеров, является ручная установка выдержи. Существует линейная зависимость между скоростью автомобиля и рекомендуемой выдержкой (временем экспозиции кадра - shutter).

Чем выше скорость автомобиля, тем меньше должно быть время экспозиции, иначе произойдет смазывание кадра - motion blur. Однако максимально допустимая выдержка зависит не только от времени экспозиции, но и от угла установки камеры. Угол установки камеры - это угол между направлением движения автомобиля и оптической осью видеокамеры.

Большинство видеокамер средней ценовой категории способны передать пригодное к распознанию изображение автомобильного номера шириной 80 пикселей при вертикальном угле установки до +30° и горизонтальных углах отклонения +/- 30°. Хорошим показателем считается, если система распознала автомобильный номер при его отклонении от горизонтали (неровности дороги) +/- 10°.

График зависимости времени выдержки от угла установки камеры и скорости движения автомобиля приведен на рисунке.

Программное обеспечение.

ПО – является ключевым элементом системы распознавания автомобильных номеров. Существует множество фирм разработчиков, предлагающих свой продукт потребителю.

Наиболее распространенная бюджетная разработка «НомерОК» .

Она распознает Российские, Украинские, Белорусские и Молдавские номера, фиксирует дату и время въезда выезда автотранспорта и время нахождения на территории объекта. Имеет возможность построения простых отчетов и может интегрироваться в 1С. Программа совместима с большинством видеокамер и видеорегистраторов имеющих функцию RTSP.

Второй по значимости является система распознания автомобильных номеров «Автомаршал» .

Она имеет 2 алгоритма распознания один для скорости до 30 км/час, второй – до 150 км/час. Имеет специально адаптированные модули «Парковка», «Автомойка», «СКУД Gate». Широкие возможности построения аналитических отчетов, управления через WEB клиент и функцию рассылки SMS уведомлений.

Более широкими дополнительными возможностями обладает система идентификация номеров автомобилей «Трафик контроль» научно-производственного объединения «Дискрет».

Эта программа может подключаться к автомобильным весам и привязывать к номеру значения брутто и нетто, а так же формировать сводки, балансы и другие отчетные документы. «Трафик контроль» ведет фотоархив моментов проезда техники через пропускной пункт и имеет широкие возможности аналитического поиска, по номеру автомобиля или камеры, времени и дате.

Система «Авто номер» от компании «ЭЛВИС Нео Тек».

В состав входят модули «Авто-контроль», «Senesys-Avto» и «Авто Номер». Программа имеет значительные возможности интеграции с другими системами видеонаблюдения и СКУД, а так же гибкий генератор отчетов, хорошие возможности ведения архива и поиска по нему.

Несомненно, профессиональные системы распознания автомобильных номеров довольно дорогостоящее удовольствие. А использование адаптированной обычной системы видеонаблюдения и демоверсий специализированного программного обеспечения не столь эффективно, как хотелось бы.

Но применение такого рода видеоаналитики способно вывести бизнес связанный с автомобильным транспортом на качественно новый уровень, как с точки зрения контроля, так и в бизнес анализе.

* * *

© 2014-2020 г.г. Все права защищены.
Материалы сайта имеют ознакомительный характер и не могут использоваться в качестве руководящих и нормативных документов.

Анастасия Шуткина
В связи с все большим проникновением сетевого видеонаблюдения в системы безопасности, в профессиональном сообществе возникла дискуссия о том какие камеры лучше подходят для распознавания автомобильных номеров – аналоговые или IP. Судя по постам в форумах, в том числе и на sec.ru, есть достаточное число экспертов полагающих, что использование IP камер для этого не эффективно. Мы попробовали разобраться в ситуации более подробно – для чего изучили различные публикации в СМИ и провели интервью с экспертами.

Низкая чувствительность: «вечная» проблема IP камер?

Один из основных аргументов скептиков – IP камеры требуют для распознавания номеров намного большей освещенности сцены, чем аналоговые. В совокупности с необходимостью использовать «короткий» электронный затвор (не более 1/500 секунды), полагают они, это приведет к тому что в сумерках и при ночном освещении распознавание номеров вообще будет не возможно. Еще одна типичная претензия к IP камерам – необходимость обеспечения трафика передачи по сети, т.е. нахождения компромисса между степенью сжатия и точностью передачи деталей изображения.

Ю.Л. Зарубин, Генеральный директор компании «Технологии Распознавания» отмечает по этому поводу: «Я считаю, что большинство IP камер не годятся для распознавания номеров, поскольку они жмут информацию, не считаясь с необходимостью сохранения мелких деталей. Есть и еще один недостаток у IP камер – это то, что получается достаточно большой объем передаваемой информации, потому что для распознавания нужно практически полное разрешение. На сегодняшний день все IP камеры, с которыми я сталкивался, для распознавания номеров годятся очень слабо. Они фактически работают только в дневное время и в очень ограниченных условиях»

Однако, если приглядеться внимательнее, ситуация здесь несколько иная. Во-первых, надо разделять две различные ситуации: распознавание номеров на парковках (скорость движения на которых не велика, а уровня освещения как правило достаточно для работы IP камер) и на трассах (скорость движения на которых большая, имеется зачастую плотный поток машин, а освещение не слишком велико). Казалось бы, именно в последней ситуации применение IP камер и вызывает наибольшие вопросы.

Предоставим слово Ю.В. Бухтиярову, Директору украинской компании "Видео Интернет Технологии" : «Еще недавно наиболее существенным препятствием к применению мегапиксельных телекамер, которое характерно не только для области распознавания автомобильных номеров, но и вообще для наблюдения за дорожным движением, является высокая скорость движения автомобилей. Для того чтобы автомобильные номера и изображения самих автомобилей не размывались при движении на большой скорости, приходится устанавливать высокую скорость электронного затвора. Следовательно, чувствительность снижается примерно на порядок, если сравнивать со стандартным значением времени накопления, которое у мегапиксельных телекамер обычно находится в пределах 1/50-1/60 с. Однако, в последнее время, с появлением более чувствительных матриц с лучшим соотношением сигнал/шум разработчики мегапиксельных телекамер сделали заметный шаг вперед, более того у них в линейках появились модели с перемещаемым ИК-фильтром, после чего эти камеры стали пригодны для использования в системах круглосуточного наблюдения с применением ИК-подсветки».

На самом деле представление, что без дополнительного освещения в ночное время аналоговые камеры позволяют уверенно справляться с распознаванием так же не совсем верно. По крайней мере, большинство производителей модулей распознавания номеров крайне рекомендуют использовать дополнительную подсветку – узколучевые импульсные ИК прожекторы. Угол падения света в таких прожекторах, как правило, позволяет осветить площадь объекта видеонаблюдения на одну камеру. Таким образом, схема построения системы распознавания такова: 1 полоса движения = 1 камера + 1 ик-прожектор Однако, при таком грамотном подходе и IP камеры будут работать прекрасно. Да и чувствительность сетевых камер (особенно с CCD матрицами, а не КМОП) лишь немногим уступает аналоговым. Так что правильно подобранные IP камеры с этой точки зрения ничем не хуже аналоговых.

М.В. Руцков, Генеральный директор компании «Мегапиксел», отмечает: «Сначала сделаем замечание о терминах. Понятие IP-камера достаточно широкое. Если говорить о нашей отрасли, то это в большинстве своём камеры на цветных CMOS-сенсорах, с компрессией на борту и выходом в FastEthernet. Тогда если говорить именно о их использовании -ответ отрицательный, такие камеры использовать для распознавания автономеров нельзя. IP-камеры на CMOS-сенсорах имеют низкую чувствительность и фактически не работают в тёмное время суток. Аналоговые камеры более чувствительны, но проигрывают по разрешающей способности. Такие камеры, например, имеют эффективную ширину захвата не более 2-х метров, что мало для решения задач ГИБДД. Таким образом, если говорить про "узкие" заезды - весы, парковки, КПП, то преимущество за аналоговыми камерами. Если же, иметь ввиду задачи ГИБДД - "широкие" проезды, то ситуацию спасут только мегапиксельные чёрно-белые камеры из машинного зрения - там нет компрессии и высокая чувствительность за счёт использования CCD-сенсоров.»

Преимущества применения IP камер.

Итак, поговорим теперь о преимуществах применения IP камер. Прежде всего, они работают без привязки к «железу», тогда как аналоговые камеры требуют наличия рядом регистратора или, по крайней мере, видеосервера.. Насколько это проблематично может быть на протяженной трассе понять не трудно.

Предоставим слово Д.А. Горбаневу, Техническому директору компании ITV:

«Сейчас все чаще и чаще начинают использовать IP камеры для распознавания номеров, поскольку очень удобно, что они позволяют получить изображение с высоким мегапиксельным разрешением, с помощью которого можно перекрывать сразу несколько полос движения. К безусловным достоинствам IP камер можно отнести простоту установки – сеть легче подвести, чем, например, тот же коаксиальный кабель., можно даже Wi-Fi использовать, Более того, есть IP камеры, которые используют POE интерфейс т.е питание к ним отдельно подводить не надо»

Важным свойством IP камер является и простота наращивания системы – они просто созданы для того, чтобы легко строить масштабируемые распределенные системы видеонаблюдения. Их широкий диапазон дистанционных настроек позволяет получить максимальное качество изображения в меняющихся внешних условиях, а отсутствие двойной конвертации сигнала (свойственного ситуации с аналоговыми камерами) увеличивает скорость работы.

Р.В. Стрельцов Генеральный директор компании "Навиком" отмечает:

«IP камеры на текущий момент очень успешно решают задачу распознавания номеров. Их основные достоинства - удобство монтажа и высокое качество получаемого изображения, а основной недостаток – относительно не высокая светочувствительность»

Помимо этого IP камеры позволяют использовать прогрессивную развертку, а также легко управлять сжатием сигнала, что позволяет экономить место на цифровых носителях. Ну и разумеется, весьма важно, что они, как отмечал уже выше М.В. Руцков , позволяют решить проблему «перекрытия» полос движения. В этой связи Ю.В. Бухтияров отмечает:

«Применение мегапиксельных телекамер для распознавания номеров позволяет решить одну важную техническую проблему, которая заключается в следующем. Разрешающей способности аналоговых телекамер, которые используются в системах распознавания автомобильных номеров, с трудом хватает, чтобы фиксировать номерные знаки на ширине одной полосы дорожного движения. Поэтому в случае проезда автомобиля сразу по двум полосам движения его номерной знак окажется «разрезанным» на изображениях, полученных от двух телекамер, направленных на эти полосы. Для исключения такой ситуации инсталляторы устанавливают аналоговые телекамеры таким образом, чтобы края их поля зрения перекрывали поля зрения соседних телекамер. Очевидно, что это ведет к повышению стоимости проекта. Мегапиксельные же камеры позволяют легко решить эту проблему с помощью одного устройства».

Таким образом, применение IP камер для систем распознавания автомобильных номеров не только правомерно, но и позволяет получить многие дополнительные преимущества, трудно достижимые для их аналоговых «собратьев».

Распознавание номеров: за какими камерами будущее?

Д.А. Горбанев: «Мне кажется, что сетевые камеры будут доминировать над аналоговыми - это эволюция, от которой никуда не уйти. На данный момент, конечно, есть аналоговые камеры которые по отдельным характеристикам превосходят сетевые на порядок, например, по чувствительности, поэтому насколько я по личному опыту знаю обычно применяют ИК подсветку, чтобы в сумерки номер был более виден и легче его было распознать. Однако, технологии не стоят на месте, а развиваются и я думаю, что в конечном счете IP камеры будут безусловно лидировать. Пока что-то не придет и им взамен в свою очередь…».

Р.В. Стрельцов: «В любом случае будущее однозначно за IP камерами, поскольку технологии не стоят на месте. Главное при применении сетевых камер обеспечить правильные установку, угол обзора и работу электронного затвора с объективом, а также компенсацию засветки».

Ю.Л. Зарубин: «Я думаю все-таки придет время когда сетевые камеры повернутся лицом к проблеме работы в ночных условиях».

А.В. Пименов, Начальник отдела по связям с общественностью компании "ЭЛВИС": «Рано или поздно все вообще перейдет на IP. Конечно, безопасность это та отрасль в которой достаточно тяжело происходят изменения., есть всякие перечни и регламенты по использованию того или иного оборудования. Поэтому ближайшее будущее все-таки за аналогом, а в перспективе конечно IP камеры полностью заменят аналоговые.»

А.В. Коробков, Директор по разработкам компании-разработчика MACROSCOP :

«Мы изначально сделали ставку именно на IP камеры. Собственно, наши продукты только на них и ориентированы. Наш опыт показал, что при правильном подборе компонентов системы, установке и настройке они позволяют надежно распознавать номера автомобилей при скорости движения до 150 км/ч. При этом построение и модернизация систем на IP камерах намного быстрее и проще, чем на аналоговых, поэтому мы уверены, что будущее, безусловно, за IP камерами».

Применение IP-камер для распознавания номеров: пример реализации.

Как мы видели выше, хотя практически все эксперты и соглашаются, что за IP камерами будущее, многие при этом считают, что на сегодня они вряд ли предпочтительней аналоговых. Однако, несмотря на это разработчики из Перми недавно добавили модуль распознавания номеров в свое ПО MACROSCOP – единственное, которое с аналоговыми камерами вообще не работает. Мы связались с ними и получили материал о том, как устроен этот модуль.

Модуль обеспечивает следующие функциональные возможности:

• Распознавание регистрационных номеров движущихся автомобилей с сохранением в архив информации о времени, дате, номере автомобиля, а также ссылки на соответствующий видеокадр.
• Перехват по номеру транспортных средств, занесенных в картотеку, в реальном времени.
• Работу со встроенной картотекой автомобильных номеров, которая позволяет добавлять и редактировать номера, вводить дополнительную информацию о транспортных средствах, формировать списки перехвата и/или информационные списки.
• Поиск транспортного средства в архиве по времени, дате, номеру автомобиля и дополнительной информации из картотеки.

Модуль позволяет:

• Проводить обработку видеопотока со скоростью 6 и 25 кадров секунду.
• Распознавать номера при вертикальном угле наклона видеокамеры до 40° и горизонтальном угле отклонения до 30°, а также при угле крена государственного регистрационного знака относительно плоскости до 10°.
• Распознавать стандартные типы номеров соответствующие стандартам России, Украины, СССР, Беларуси и Италии, а также инверсные, дипломатические и полицейские номера.
• Использовать детектор движения для уменьшения вычислительных затрат при идентификации номера.
• Задавать отдельные области поиска для уменьшения вычислительных затрат при идентификации номера.
• Распознавать номера при скорости движения автомобиля до 150 км/час.
• Распознавать одновременно до 10 различных номеров.

Покажем как все эти возможности реализуются на практике. Для настройки работы модуля служит специальное окно (рис.1).

Рис 1. Настройка модуля распознавания автомобильных номеров

Сначала необходимо выбрать один из двух режимов работы: «Парковка» (6 кадр / сек) используется при маленькой скорости движения транспорта, а «Дорога» (25 кадр / сек) для быстрого движения (например, улица или автомобильная трасса).

Чтобы включить поиск и распознавание при угле крена государственного регистрационного знака относительно плоскости дорожного полотна до 10°, достаточно активировать опцию «Искать не горизонтальные номера». Для поиска инверсных номеров (например, полицейские или военные номера), служит специальная опция «Искать инверсные номера».

Регулируемый параметр «Порог достоверности» позволяет изменять качество распознавания номера в процентах. Номера, качество которых будет ниже заданной величины порога, будут автоматически отброшены. Еще один параметр «Количество нераспознанных символов» позволяет автоматически отбрасывать номера, в которых количество нераспознанных символов больше указанного.

Параметры «Минимальный размер номера» и «Максимальный размер номера» - задают минимальный и максимальный размер номера в процентах от кадра. Их можно задать также и интерактивно на изображении от камеры - растянув прямоугольную область так, чтобы номер автомобиля оказался внутри данной области (рис.2).

Рис 2. Задание минимального размера номера

Поскольку минимизация вычислительных ресурсов при высоком качестве результата, является «фирменным стилем» MACROSCOP и в модуле распознавания номеров сделано все, чтобы оптимизировать работу системы.

Прежде всего, это возможность задания отдельных зон поиска (рис.3) – всегда может быть часть кадра, в которой появление автомобильных номеров не возможно (например, обочина, тротуар и т.д.). Если зоны поиска не будут заданы, то анализироваться будет полный кадр, как это типично и бывает во многих прочих системах.

Рис 3. Задание зон поиска

Настройка «Использовать автомасштаб» снижает вычислительные затраты в случае, когда горизонтальный размер номера более чем 120 пиксел. (такая ситуация возникает когда для наблюдения за одной полосой движения используются камера с разрешением более 1Mpix, и как следствие, размер номеров получается слишком большим).

Для этих же целей служит и настройка «Использовать детектор движения» при включении которой, будут анализироваться только те кадры и зоны где есть движение.

Важно отметить, что база данных системы может работать в двух режимах:

• «Локальная» – если картотека используется одним сервером в системе и ее необходимо расположить на том же сервере, где производится распознавание номеров.
• «Удаленная»– если картотека используется несколькими серверами, и она расположена на определенном сервере в сети. Необходимо указать адрес сервера в сети и порт, на котором он расположен, имя пользователя и пароль пользователя.

Рис 4. Окно «Распознавание номеров»

Для наблюдения в реальном времени и просмотра архива в клиенте служит окно «Распознавание номеров» (рис.4), которое включает в себя три закладки: «Наблюдение», «Архив» и «Картотека».

Закладка «Наблюдение» (именно она отображена на приведенном выше рисунке) предназначена для просмотра событий обнаружения автомобильных номеров в реальном времени. В правой нижней части вкладки расположен список событий обнаружения автомобильных номеров.

В левой верхней части вкладки отображается кадр соответствующий выбранному событию. Вверху на кадре отображается название канала, время и дата соответствующая данному кадру. Оранжевой линей на изображении выделяется автомобиль, номер которого был распознан. В нижнем левом углу кадра отображается увеличенное изображение распознанного номера. В левой нижней части окна расположена дополнительная информация, справа от дополнительной информации располагаются кнопки «Перейти в картотеку» и «Добавить в картотеку».

Над списком в правой верхней части расположена панель фильтрации. С её помощью можно производить фильтрацию данных, отображаемых в списке событий обнаружения номеров. Панель «Фильтрация» позволяет задавать следующие параметры фильтрации:

• Номер автомобиля;
• Фамилия владельца;
• Группа, которой принадлежит номер автомобиля;
• Канал, на котором был обнаружен номер;
• Дополнительная информация;
• Скорость;
• Цвет автомобиля;

Закладка «Архив» предназначена для просмотра и поиска в архиве событий обнаружения автомобильных номеров. Функционал данной закладки аналогичен закладке «Наблюдение». Отличие заключается в том, что события в списке номеров являются результатом запроса из основного архива.

Закладка «Картотека» (рис.5) для работы с картотекой автомобильных номеров, позволяет управлять группами и списками перехвата, добавлять, редактировать, удалять номера и связанную с ними информацию.

Рис.5 Закладка «Картотека»

Рис.6 Окно «Управление группами»

Чтобы добавить какую либо группу в перехват, достаточно поставить галочку в поле «Перехватывать автомобили из данной группы». Можно включить и режим для отображения номеров непосредственно на изображении нужного канала – он представлен на рис.7

Рис.7 Режим для отображения номеров непосредственно на изображении

При выборе опции «Отображать все номера» - будут отображаться все обнаруженные номера (зелёным цветом) и номера, добавленные в перехват (красным цветом), а «Отображать номера, добавленные в перехват» - будут отображаться только добавленные в перехват номера.

По утверждению разработчиков описанного модуля их практический опыт показал, что IP-камеры прекрасно справляются с распознаванием номеров, однако, ИК подсветка для ночного времени все же желательна.

Технологии программного распознавания номеров автомобилей и лиц людей, становятся все более востребованы. Например, автоматическое распознавание номеров автомашин может использоваться как компонент системы контроля доступа, для организации биллинговых систем платных парковок, автоматизации пропуска автомобилей или для сбора статистической информации (повторные визиты в ТРЦ или на мойку, например). Все это по силам современному интеллектуальному ПО. Что же нужно для реализации подобной системы? В принципе, не так и много - видеокамеры, удовлетворяющие определенным требованиям и соответствующий интеллектуальный программный модуль. Например, ПО или более бюджетный

В этой статье мы расскажем, как правильно выбрать цифровую видеокамеру, способную формировать качественное видеоизображение, приемлемое для задач программного распознавания номеров автомобилей

Разрешение

Еще несколько лет назад размер номерного знака на экране измерялся в % от ширины кадра. Все телекамеры были аналоговыми и их реазрешение было величиной постоянной. Теперь, когда матрицы могут иметь разрешение от 0.5 до 12Мп, относительные величин не применяются и требуемая ширина номерного знака измеряется в пикселях.

Как правило, в спецификации на ПО распознавания номеров указываются требования к ширине номерного знака на экране, достаточной для уверенного их распознавания. Так, например, программный модуль АвтоТрассир требует ширины в 120 пикселей, а НомерОК - 80 пикселей. Отличия в требованиях объясняются как нюансами работы алгоритмов распознавания, так и допустимым уровнем достоверности, принятым разработчиком. Из личного опыта можно отметить, что АвтоТрассир более требователен и «капризен» в части выбора оборудования, объектива, правильности установки камеры. Но, будучи доведенным до ума, показывает стабильно достоверные результаты и мало зависит от погодных условий.

Для большей надежности можно порекомендовать ориентироваться на значение ширины номерного знака в 150 пикс. А если вспомнить, что ширина номерного знака по ГОСТу составляет пол метра (520мм если быть точным), то мы приходим к требуемому разрешению в 300 точек на метр.

Линейное разрешение пикселей на метр зависит от угла обзора и разрешения матрицы камеры. Рассчитать его можно по формуле:

R lin - линейное разрешение, пикселей на метр

R h - горизонтальное разрешение камеры (например, R h =1080)

𝛼 - угол обзора камеры

L - расстояние от камеры до объекта

Также вы можете воспользоваться нашим онлайн-калькулятором на странице Интересующего вас товара, на вкладке «Что увижу».

Ниже приведено (для примера) несколько вариантов камер IP видеонаблюдения с указанием максимальной дистанции, с которой возможно распознавание номерных знаков (ширина номерного знака 150 пикс). Обратите внимание, для камер с вариофокальным объективом в расчете использовалось максимальное значение фокусного расстояния

	Фокусное расстояние	Разрешение по горизонтали	Max. расстояние, м	Max. ширина обзора, м
		1920 пикселей
		1280 пикселей
		2688 пикселей
		2048 пикселей
		2048 пикселей

Важно понимать, что камеры с более высоким разрешением могут вести наблюдение за более широкими зонами, поэтому их на один и тот же участок требуется меньше. При этом линейное разрешение остается в пределах требований по идентификации. Данный факт делает экономически обоснованным использование камер высокого разрешения во многих ситуациях.

Светочувствительность и скорость затвора

Для уверенного распознавания автомобильных регистрационных знаков камера должна обладать хорошей светочувствительностью и возможностью ручной установки скорости затвора (shutter speed или просто выдержки). Это требование крайне важно при построении систем распознавания номеров автомобилей, движущихся на высокой скорости. Для машин, движущихся со скоростью до 30км/ч (а именно такие проекты мы, как правило, и реализуем для наших заказчиков: коттеджных поселков, жилых комплексов, парковок ТЦ, различных закрытых территорий) это требование менее важно, но недооценивать его нельзя, ведь для достижения высокого качества распознавания камера должна снять не менее десяти кадров с читаемым номером.
Поэтому, например, для распознавания номера а/м, двигающегося со скоростью 30км/ч при угле установки камеры до 10 градусов относительно оси движения, скорость затвора должна быть порядка 1/200 секунды. Для многих недорогих камер такая выдержка даже днем при пасмурной погоде может оказаться недостаточной, и картинка окажется темной и/или зашумленной. Поэтому стоит обращать пристальное внимание на размер матрицы и ее качество. В идеале использовать специализированную черно-белую камеру с CCD матрицей. Однако цена их весьма высока а разрешение обычно не более 1Мп, что накладывает серьезные ограничения на их применимость.
В общем случае не следует гнаться за высоким разрешением, если на то нет объективных причин. Относительно недорогие камеры ультра-высокого разрешения (4Мп, 5Мп и выше) построены на матрицах 1/3, 1/2.8 и, реже 1/2.5 дюйма. Такой же размер матрицы имеют и камеры с разрешением 1.3 и 2Мп. Как следствие, размер каждого светочувствительного элемента в камере 1.3Мп ощутимо больше чем в камере 5Мп, а чем больше размер - тем больше света может собрать каждый светочувствительный элемент. Именно поэтому рекомендуемые нами для задач распознавания номеров IP камеры редко имеют разрешение больше 2Мп.

Широкий динамический диапазон (WDR), компенсация фоновой засветки

Динамический диапазон камеры определяет соотношение между максимальной и минимальной интенсивностью света, которые может нормально фиксировать ее сенсор. Иными словами, это способность камеры передать без искажений и потерь одновременно и ярко освещенные и темные участки изображения. Данный параметр очень важен при автоматическом распознавании номеров, т.к. помогает бороться с засветкой камеры светом фар. Однако даже самые продвинутые камеры с WDR в 140dB не всегда в состоянии справиться с высококонтрастным освещением. В этом случае устанавливается дополнительное освещение видимого света или работающее в ИК диапазоне, подсвечивающее зону, в которой происходит распознавание номера.

Глубина резкости

Глубиной резкости, или, полностью, глубиной резкости изображаемого пространства (ГРИП) называется диапазон расстояний на в котором предметы воспринимаются как резкие.

Этот параметр определяется фокусным расстоянием, диафрагмой и расстоянием до объекта. Чем больше глубина резкости - тем больше зона фокусировки и тем больше возможностей «поймать» достаточное количество четких кадров движущегося автомобиля.

Пожалуй, максимальное влияние на глубину резкости оказывает диафрагма объектива. Чем меньше отверстие диафрагмы - тем больше глубина резкости, чем больше - тем ГРИП меньше. Все рекомендуемые нами камеры для распознавания номеров умеют подстраиваться под изменение условий освещения за счет автоматического изменения диафрагмы. Настройку фокуса таких камер рекомендуется производить при максимально открытой диафрагме, когда глубина резкости минимальна.

Чем больше дистанция от камеры до объекта, тем глубина резкости больше, поэтому не стоит стремиться размещать камеру максимально близко к зоне распознавания. С другой стороны - чем фокусное расстояние больше, тем глубина резкости меньше. По нашей практике, оптимальное расстояние от камеры до ам - в пределах от 6 до 10 метров. Хотя не является невозможным и распознавания с расстояния и 100 метров.

Искажение

Многие объективы немного искажают изображение. Наиболее часто встречается так называемое «бочкообразное» искажение картинки. Это связано с увеличением, которое больше в центре и меньше по краям, что приводит к изменению размеров объекта. Так, если один и тот же объект попадет в центр изображения и на его край - его размеры на краю будут казаться меньше. Это может повлиять на возможность идентификации.

Чем короче фокусное расстояние - тем сильнее может быть заметно искажение. Поэтому камеры с широкоугольными объективами (менее 4мм) для идентификации применять нежелательно.

Шумы и цветопередача

Чем меньше шумов и чем точнее цветопередача - тем лучше для идентификации. Поэтому рекомендуется обратить внимание на такие параметры как минимальная освещенность камеры, а также наличие функций шумоподавления.
Подавление шумов особенно актуально при недостаточной освещенности, когда датчики камеры сильно «шумят», что осложняет идентификацию. Следует понимать, что во многих случаях шумоподавление и прочие электронные «примочки» не могут справиться, и нужно обеспечить достаточный уровень освещения на объекте.

Сжатие видео

Современные IP-камеры передают сжатый видеосигнал, причем, если движения в кадре нет или оно минимально - трафик будет небольшим. Если же движение в кадре интенсивное - трафик будет расти. Поэтому, в случае выставления в настройках камеры постоянного битрейта, картинка будет пригодной для идентификации при отсутствии движения, но непригодной - при интенсивном движении в кадре.
Для идентификации рекомендуется выставлять переменный битрейт с самым высоким уровнем качества. В этом случае будет обеспечиваться нужное качество изображения.

Матрица: 1/2.8” Progressive Scan CMOS Аппаратный WDR 140dB Объектив: 2.8-12 мм Особенности: камера внутренняя, для установки на улице необходим термокожух. Объектив в комплект не входит и приобретается отдельно
Макс. разрешение: 1,3мп, 1280 x 960 пикс Аппаратный WDR Объектив: 2.8-12 мм
Уличная 2 MP сетевая камера AXIS P1365-E c WDR и Lightfinder Матрица: 1/2.8” Progressive Scan CMOS Макс. разрешение: 2мп, 1920 x 1080 пикс Аппаратный WDR Технология Lightfinder Объектив: 2,8-8 мм @F1.3 Особенности: Высокая чувствительность, автофокус
Dahua IPC-HF8301E Utlra WDR 120Дб, Ultra 3DNR Матрица: 1/3" Progressive Scan CMOS Макс. разрешение: 3мп, 2048x1536 пикс Аппаратный WDR Объектив: 2.8-12 мм Особенности: камера внутренняя, для установки на улице необходим термокожух. Объектив в комплект не входит и приобретается отдельно
Матрица: 1/3” Progressive Scan CMOS Макс. разрешение: 1,3мп, 1280х960 пикс Объектив: 2,8 - 8 мм (F1.2) Особенности: Высокая чувствительность, автофокус