Камери, що розпізнають номери. Перегляд відео з камер спостереження: як розпізнати номер авто? Можливості програмного забезпечення з автоматизації в'їзду. Вирішення супутніх завдань

Технології програмного розпізнавання номерів автомобілів та осіб людей стають все більш популярними. Наприклад, автоматичне розпізнавання номерів автомашин може використовуватися як компонент системи контролю доступу для організації білінгових систем платних парковок, автоматизації пропуску автомобілів або для збору статистичної інформації (повторні візити в ТРЦ або на мийку, наприклад). Усе це під силу сучасному інтелектуальному ПЗ. Що ж потрібне для реалізації подібної системи? У принципі, не так і багато - відеокамери, які відповідають певним вимогам та відповідний інтелектуальний програмний модуль. Наприклад, ПЗ або більш бюджетний

У цій статті ми розповімо, як правильно вибрати цифрову відеокамеру, здатну формувати якісне відео, прийнятне для задач програмного розпізнавання номерів автомобілів

Дозвіл

Ще кілька років тому розмір номерного знака на екрані вимірювався у % від ширини кадру. Всі телекамери були аналоговими та їх разрешение було величиною постійної. Тепер, коли матриці можуть мати дозвіл від 0.5 до 12Мп, відносні величини не застосовуються і необхідна ширина номерного знака вимірюється в пікселях.

Як правило, у специфікації на ПЗ розпізнавання номерів вказуються вимоги до ширини номерного знака на екрані, достатньої для їх розпізнавання. Так, наприклад, програмний модуль АвтоТрасир вимагає ширини 120 пікселів, а НомерОК - 80 пікселів. Відмінності у вимогах пояснюються як нюансами роботи алгоритмів розпізнавання, і допустимим рівнем достовірності, прийнятим розробником. З особистого досвіду можна відзначити, що АвтоТрасир більш вимогливий і "примхливий" у частині вибору обладнання, об'єктива, правильності встановлення камери. Але, будучи доведеним до пуття, показує стабільно достовірні результати і мало залежить від погодних умов.

Для більшої надійності можна порадити орієнтуватися на значення ширини номерного знака 150 пікс. А якщо згадати, що ширина номерного знака за ГОСТом становить пів метра (520мм якщо бути точним), то ми приходимо до необхідної роздільної здатності 300 точок на метр.

Лінійна роздільна здатність пікселів на метр залежить від кута огляду та роздільної здатності матриці камери. Розрахувати його можна за формулою:

R lin- лінійна роздільна здатність, пікселів на метр

R h- горизонтальна роздільна здатність камери (наприклад,R h =1080)

𝛼 - кут огляду камери

L- відстань від камери до об'єкта

Також ви можете скористатися нашим онлайн-калькулятором на сторінці товару, що цікавить вас, на вкладці «Що побачу».

Нижче наведено (наприклад) кілька варіантів камер IP відеоспостереження із зазначенням максимальної дистанції, з якої можливе розпізнавання номерних знаків (ширина номерного знака 150 пікс). Зверніть увагу, для камер з варіофокальним об'єктивом у розрахунку використовувалося максимальне значення фокусної відстані

	Фокусна відстань	Дозвіл по горизонталі	Max. відстань, м	Max. ширина огляду, м
		1920 пікселів
		1280 пікселів
		2688 пікселів
		2048 пікселів
		2048 пікселів

Важливо розуміти, що камери з більш високою роздільною здатністю можуть вести спостереження за ширшими зонами, тому їх на ту саму ділянку потрібно менше. При цьому лінійний дозвіл залишається в межах вимог щодо ідентифікації. Цей факт робить економічно обґрунтованим використання камер високого дозволу у багатьох ситуаціях.

Світлочутливість та швидкість затвора

Для впевненого розпізнавання автомобільних реєстраційних знаків камера повинна мати хорошу світлочутливість і можливість ручної установки швидкості затвора (shutter speed або просто витримки). Ця вимога дуже важлива при побудові систем розпізнавання номерів автомобілів, що рухаються на високій швидкості. Для машин, що рухаються зі швидкістю до 30км/год (а саме такі проекти ми, як правило, і реалізуємо для наших замовників: котеджних селищ, житлових комплексів, паркувань ТЦ, різних закритих територій) ця вимога менш важлива, але недооцінювати її не можна, адже Для досягнення високої якості розпізнавання камера повинна зняти не менше десяти кадрів з номером, що читається.
Тому, наприклад, для розпізнавання номера а/м, що рухається зі швидкістю 30км/год при куті установки камери до 10 градусів щодо осі руху, швидкість затвора повинна бути 1/200 секунди. Для багатьох недорогих камер така витримка навіть вдень за похмурої погоди може виявитися недостатньою, і картинка виявиться темною та/або зашумленою. Тому варто звертати увагу на розмір матриці та її якість. В ідеалі використовувати спеціалізовану чорно-білу камеру із CCD матрицею. Однак ціна їх досить висока, а дозвіл зазвичай не більше 1Мп, що накладає серйозні обмеження на їх застосування.
У випадку не слід гнатися за високим дозволом, якщо немає об'єктивних причин. Відносно недорогі камери ультра-високої роздільної здатності (4Мп, 5Мп і вище) побудовані на матрицях 1/3, 1/2.8 і рідше 1/2.5 дюйма. Такий же розмір матриці мають камери з роздільною здатністю 1.3 і 2Мп. Як наслідок, розмір кожного світлочутливого елемента в камері 1.3Мп відчутно більше, ніж у камері 5Мп, а ніж більше розмір- тим більше світла може зібрати кожен світлочутливий елемент. Саме тому рекомендовані нами для розпізнавання номерів IP камери рідко мають роздільну здатність більше 2Мп.

Широкий динамічний діапазон (WDR), компенсація фонового засвічення

Динамічний діапазон камери визначає співвідношення між максимальною та мінімальною інтенсивністю світла, яке може нормально фіксувати її сенсор. Іншими словами, це здатність камери передати без спотворень та втрат одночасно і яскраво освітлені та темні ділянки зображення. Цей параметрДуже важливий при автоматичному розпізнаванні номерів, т.к. допомагає боротися із засвіченням камери світлом фар. Однак навіть найпросунутіші камери з WDR в 140dB не завжди в змозі впоратися з висококонтрастним освітленням. У цьому випадку встановлюється додаткове освітлення видимого світла або функціонує в інфрачервоному діапазоні, що підсвічує зону, в якій відбувається розпізнавання номера.

Глибина різкості

Глибиною різкості, чи, повністю, глибиною різкості зображуваного простору (ГРИП) називається діапазон відстаней у якому предмети сприймаються як різкі.

Цей параметр визначається фокусною відстанню, діафрагмою та відстанню до об'єкта. Чим більша глибина різкості - тим більша зона фокусування і тим більше більше можливостей«зловити» достатню кількість чітких кадрів автомобіля, що рухається.

Мабуть, максимальне впливом геть глибину різкості надає діафрагма об'єктива. Чим менший отвір діафрагми – тим більша глибина різкості, чим більше – тим ГРИП менше. Всі рекомендовані нами камери для розпізнавання номерів можуть підлаштовуватися під зміну умов освітлення за рахунок автоматичної зміни діафрагми. Налаштування фокусу таких камер рекомендується виконувати при максимально відкритій діафрагмі, коли мінімальна глибина різкості.

Чим більша дистанція від камери до об'єкта, тим більша глибина різкості, тому не варто прагнути розміщувати камеру максимально близько до зони розпізнавання. З іншого боку – чим фокусна відстань більша, тим глибина різкості менша. За нашою практикою, оптимальна відстаньвід камери до ам – у межах від 6 до 10 метрів. Хоча не є неможливим і розпізнавання з відстані 100 метрів.

Спотворення

Багато об'єктивів трохи спотворюють зображення. Найчастіше зустрічається так зване «бочкоподібне» спотворення картинки. Це пов'язано зі збільшенням, яке більше в центрі та менше по краях, що призводить до зміни розмірів об'єкта. Так, якщо один і той же об'єкт потрапить у центр зображення і на його край - його розміри на краю здаватимуться меншими. Це може спричинити можливість ідентифікації.

Чим коротша фокусна відстань - тим сильнішим може бути помітне спотворення. Тому камери з ширококутними об'єктивами (менше 4 мм) для ідентифікації небажано застосовувати.

Шуми та кольоропередача

Чим менше шумів і чим точніше перенесення кольорів - тим краще для ідентифікації. Тому рекомендується звернути увагу на такі параметри, як мінімальне освітлення камери, а також наявність функцій шумоподавлення.
Придушення шумів особливо актуальне при недостатньому освітленні, коли датчики камери сильно «шумлять», що ускладнює ідентифікацію. Слід розуміти, що у багатьох випадках шумозаглушення та інші електронні «примочки» не можуть впоратися, і потрібно забезпечити достатній рівень освітлення на об'єкті.

Стиснення відео

Сучасні IP-камери передають стислий відеосигнал, причому якщо руху в кадрі немає або воно мінімальне - трафік буде невеликим. Якщо ж рух у кадрі інтенсивний – трафік зростатиме. Тому у разі виставлення в налаштуваннях камери постійного бітрейту картинка буде придатною для ідентифікації за відсутності руху, але непридатною - при інтенсивному русі в кадрі.
Для ідентифікації рекомендується виставляти змінний бітрейт із найвищим рівнем якості. У цьому випадку забезпечуватиметься потрібна якість зображення.

Матриця: 1/2.8” Progressive Scan CMOS Апаратний WDR 140dB Об'єктив: 2.8-12 мм Особливості: камера внутрішня, для встановлення на вулиці необхідний термокожух. Об'єктив у комплект не входить і купується окремо
Макс. роздільна здатність: 1,3мп, 1280 x 960 пікс Апаратний WDR Об'єктив: 2.8-12 мм
Вулична 2 MP мережева камера AXIS P1365-E з WDR та Lightfinder Матриця: 1/2.8” Progressive Scan CMOS Макс. роздільна здатність: 2мп, 1920 x 1080 пікс Апаратний WDR Технологія Lightfinder Об'єктив: 2,8-8 мм @ F1.3 Особливості: Висока чутливість, автофокус
Dahua IPC-HF8301E UTLRA WDR 120Дб, Ultra 3DNR Матриця: 1/3" Progressive Scan CMOS Макс. роздільна здатність: 3мп, 2048x1536 пікс Апаратний WDR Об'єктив: 2.8-12 мм Особливості: камера внутрішня, для встановлення на вулиці необхідний термокожух. Об'єктив у комплект не входить і купується окремо
Матриця: 1/3” Progressive Scan CMOS Макс. роздільна здатність: 1,3мп, 1280х960 пікс Об'єктив: 2,8 - 8 мм (F1.2) Особливості: Висока чутливість, автофокус

Анастасія Шуткіна
У зв'язку з все більшим проникненням мережевого відеоспостереження в системи безпеки, у професійній спільноті виникла дискусія про те, які камери краще підходять для розпізнавання. автомобільних номерів– аналогові чи IP. Судячи з постів у форумах, у тому числі і на sec.ru, є достатня кількість експертів, які вважають, що використання IP камер для цього не ефективно. Ми спробували розібратися в ситуації докладніше – навіщо вивчили різні публікації у ЗМІ та провели інтерв'ю з експертами.

Низька чутливість: "вічна" проблема IP камер?

Один із основних аргументів скептиків – IP камери вимагають для розпізнавання номерів набагато більшої освітленості сцени, ніж аналогові. Разом з необхідністю використовувати «короткий» електронний затвор (не більше 1/500 секунди), вважають вони, це призведе до того, що в сутінках і при нічному освітленні розпізнавання номерів взагалі буде неможливим. Ще одна типова претензія до IP камер – необхідність забезпечення трафіку передачі мережею, тобто. знаходження компромісу між ступенем стиснення та точністю передачі деталей зображення.

Ю.Л. Зарубін, Генеральний директор компанії «Технології Розпізнавання»зазначає з цього приводу: «Я вважаю, що більшість IP камер не годяться для розпізнавання номерів, оскільки вони тиснуть інформацію, не зважаючи на необхідність збереження дрібних деталей. Є і ще один недолік у IP камер - це те, що виходить досить великий обсяг інформації, що передається, тому що для розпізнавання потрібно практично повний дозвіл. На сьогоднішній день всі IP камери, з якими я стикався, для розпізнавання номерів дуже слабкі. Вони фактично працюють тільки в денний час та в дуже обмежених умовах»

Однак, якщо придивитися уважніше, ситуація тут дещо інша. По-перше, треба розділяти дві різні ситуації: розпізнавання номерів на парковках (швидкість руху на яких не велика, а рівня освітлення зазвичай достатньо для роботи IP камер) і на трасах (швидкість руху на яких велика, є часто щільний потік машин, а освітлення не надто велике). Здавалося б, саме в останній ситуації застосування IP камер викликає найбільші питання.

Надаємо слово Ю.В. Бухтіярову, директору української компанії "Відео Інтернет Технології": «Ще недавно найбільш істотною перешкодою до застосування мегапіксельних телекамер, яка характерна не тільки для розпізнавання автомобільних номерів, а й взагалі для спостереження за дорожнім рухом, є висока швидкість руху автомобілів. Для того щоб автомобільні номери та зображення самих автомобілів не розмивалися під час руху на великій швидкості, доводиться встановлювати високу швидкість електронного затвора. Отже, чутливість знижується приблизно на порядок, якщо порівнювати зі стандартним значенням часу накопичення, яке мегапіксельні телекамери зазвичай знаходяться в межах 1/50-1/60 с. Однак, останнім часом, з появою більш чутливих матриць з найкращим співвідношеннямсигнал/шум розробники мегапіксельних телекамер зробили помітний крок вперед, навіть у них у лінійках з'явилися моделі з ІК-фільтром, що переміщується, після чого ці камери стали придатні для використання в системах цілодобового спостереження із застосуванням ІЧ-підсвічування».

Насправді уявлення, що без додаткового освітлення в нічний час аналогові камери дають змогу впевнено справлятися з розпізнаванням так само не зовсім правильно. Принаймні більшість виробників модулів розпізнавання номерів вкрай рекомендують використовувати додаткове підсвічування- Вузькопроменеві імпульсні ІЧ прожектори. Кут падіння світла в таких прожекторах зазвичай дозволяє висвітлити площу об'єкта відеоспостереження на одну камеру. Таким чином, схема побудови системи розпізнавання така: 1 смуга руху = 1 камера + 1 ік-прожектор Проте, при такому грамотному підході та IP камери працюватимуть чудово. Та й чутливість мережевих камер (особливо з CCD матрицями, а не КМОП) лише трохи поступається аналоговим. Так що правильно підібрані IP камери з цієї точки зору нічим не гірші за аналогові.

М.В. Руцков, Генеральний директор компанії "Мегапіксел", зазначає:«Спочатку зробимо зауваження про терміни. Поняття IP-камера досить широке. Якщо говорити про нашу галузь, то це здебільшого камери на кольорових CMOS-сенсорах, з компресією на борту та виходом у FastEthernet. Тоді якщо говорити саме про їх використання - відповідь негативна, такі камери використовувати для розпізнавання автономерів не можна. IP-камери на CMOS-сенсорах мають низьку чутливість і практично не працюють у темну пору доби. Аналогові камери більш чутливі, але програють за роздільною здатністю. Такі камери, наприклад, мають ефективну ширину захоплення трохи більше 2-х метрів, що замало вирішення завдань ДІБДР. Таким чином, якщо говорити про "вузькі" заїзди - ваги, паркування, КПП, то перевага за аналоговими камерами. Якщо ж, мати на увазі завдання ДІБДР - "широкі" проїзди, то ситуацію врятують лише мегапіксельні чорно-білі камери з машинного зору - там немає компресії та висока чутливість за рахунок використання CCD-сенсорів.»

Переваги використання IP камер.

Отже, поговоримо про переваги застосування IP камер. Насамперед, вони працюють без прив'язки до «заліза», тоді як аналогові камери вимагають наявності поряд реєстратора або, принаймні, відеосервера. Наскільки це проблематично може бути на протяжній трасі зрозуміти не важко.

Надаємо слово Д.А. Горбаньову, Технічному директору компанії ITV:

«Зараз все частіше і частіше починають використовувати IP камери для розпізнавання номерів, оскільки дуже зручно, що вони дозволяють отримати зображення з високою роздільною здатністю, за допомогою якого можна перекривати відразу кілька смуг руху. До безумовних переваг IP камер можна віднести простоту установки - мережу легше підвести, ніж, наприклад, той же коаксіальний кабель., можна навіть Wi-Fi використовувати. не треба"

Важливою властивістю IP камер є і простота нарощування системи - вони просто створені для того, щоб легко будувати масштабовані масштаби. розподілені системивідеоспостереження. Їхній широкий діапазон дистанційних налаштувань дозволяє отримати максимальну якість зображення в зовнішніх умовах, а відсутність подвійної конвертації сигналу (властивої ситуації з аналоговими камерами) збільшує швидкість роботи.

Р.В. Стрільців Генеральний директор компанії "Навіком" зазначає:

IP камери на даний момент дуже успішно вирішують завдання розпізнавання номерів. Їхні основні переваги - зручність монтажу та висока якість одержуваного зображення, а основний недолік – відносно не висока світлочутливість»

Крім цього, IP камери дозволяють використовувати прогресивну розгортку, а також легко керувати стисненням сигналу, що дозволяє економити місце на цифрових носіях. Ну і зрозуміло, дуже важливо, що вони, як зазначав уже вище М.В. Руцьков, дозволяють вирішити проблему перекриття смуг руху. В зв'язку з цим Ю.В. Бухтіярівзазначає:

Застосування мегапіксельних телекамер для розпізнавання номерів дозволяє вирішити одну важливу технічну проблему, яка полягає в наступному. Роздільна здатність аналогових телекамер, які використовуються в системах розпізнавання автомобільних номерів, насилу вистачає, щоб фіксувати номерні знаки на ширині однієї смуги дорожнього руху. Тому у разі проїзду автомобіля відразу по двох смугах руху його номерний знак виявиться «розрізаним» на зображеннях, отриманих від двох телекамер, спрямованих на ці смуги. Для виключення такої ситуації інсталятори встановлюють аналогові телекамери таким чином, щоб краї поля зору перекривали поля зору сусідніх телекамер. Очевидно, що це веде до підвищення вартості проекту. Мегапіксельні камери дозволяють легко вирішити цю проблему за допомогою одного пристрою».

Таким чином, застосування IP камер для систем розпізнавання автомобільних номерів не тільки правомірне, але й дозволяє отримати багато додаткових переваг, які важко досягти для їх аналогових «побратимів».

Розпізнавання номерів: за якими камерами майбутнє?

Д.А. Горбанєв:«Мені здається, що мережеві камери домінуватимуть над аналоговими – це еволюція, від якої нікуди не втекти. На даний момент, звичайно, є аналогові камери, які за окремими характеристиками перевершують мережеві на порядок, наприклад, за чутливістю, тому наскільки я з особистого досвіду знаю зазвичай застосовують ІЧ підсвічування, щоб у сутінки номер був більш видний і легше його було розпізнати. Проте технології не стоять на місці, а розвиваються і я думаю, що в кінцевому рахунку IP камери безумовно лідируватимуть. Поки що щось не прийде і їм натомість у свою чергу…».

Р.В. Стрільців:«У будь-якому випадку майбутнє однозначне за IP-камерами, оскільки технології не стоять на місці. Головне під час застосування мережевих камер забезпечити правильні встановлення, кут огляду та роботу електронного затвора з об'єктивом, а також компенсацію засвічення».

Ю.Л. Зарубін:«Я думаю все-таки настане час, коли мережеві камери повернуться обличчям до проблеми роботи в нічних умовах».

А.В. Піменов, Начальник відділу зв'язків із громадськістю компанії "ЕЛВІС":«Рано чи пізно все взагалі перейде на ІР. Звичайно, безпека це та галузь в якій досить важко відбуваються зміни, є всякі переліки та регламенти щодо використання того чи іншого обладнання. Тому найближче майбутнє все-таки за аналогом, а в перспективі, звичайно, IP камери повністю замінять аналогові.»

А.В. Коробков, Директор з розробок компанії-розробника MACROSCOP :

Ми спочатку зробили ставку саме на IP камери. Власне наші продукти тільки на них і орієнтовані. Наш досвід показав, що при правильному підборі компонентів системи, встановленні та налаштуванні вони дозволяють надійно розпізнавати номери автомобілів при швидкості руху до 150 км/год. При цьому побудова та модернізація систем на IP камерах набагато швидша і простіша, ніж на аналогових, тому ми впевнені, що майбутнє, безумовно, за IP камерами».

Застосування IP-камер розпізнавання номерів: приклад реалізації.

Як ми бачили вище, хоча практично всі експерти і погоджуються, що за IP камерами майбутнє, багато хто при цьому вважає, що на сьогодні вони навряд чи кращі за аналогові. Однак, незважаючи на це, розробники з Пермі нещодавно додали модуль розпізнавання номерів у своє ПО MACROSCOP– єдине, що з аналоговими камерами взагалі не працює. Ми зв'язалися з ними та отримали матеріал про те, як влаштований цей модуль.

Модуль забезпечує такі функціональні можливості:

• Розпізнавання реєстраційних номеріврухомих автомобілів із збереженням в архів інформації про час, дату, номер автомобіля, а також посилання на відповідний відеокадр.
• Перехоплення за номером транспортних засобів, занесених до картотеки, у реальному часі.
• Роботу із вбудованою картотекою автомобільних номерів, яка дозволяє додавати та редагувати номери, вводити додаткову інформацію про транспортні засоби, формувати списки перехоплення та/або інформаційні списки.
• Пошук транспортного засобу в архіві за часом, датою, номером автомобіля та додатковою інформацією з картотеки.

Модуль дозволяє:

• Проводити обробку відеопотоку зі швидкістю 6 і 25 кадрів за секунду.
• Розпізнавати номери при вертикальному куті нахилу відеокамери до 40° та горизонтальному куті відхилення до 30°, а також при куті нахилу державного реєстраційного знакащодо площини до 10 °.
• Розпізнавати стандартні типи номерів, що відповідають стандартам Росії, України, СРСР, Білорусі та Італії, а також інверсні, дипломатичні та поліцейські номери.
• Використовувати детектор руху для зменшення обчислювальних витрат під час ідентифікації номера.
• Задавати окремі області пошуку зменшення обчислювальних витрат за ідентифікації номера.
• Розпізнавати номери зі швидкістю руху автомобіля до 150 км/год.
• Розпізнавати одночасно до 10 різних номерів.

Покажемо, як усі ці можливості реалізуються на практиці. Для налаштування роботи модуля є спеціальне вікно (рис.1).

Рис 1. Налаштування модуля розпізнавання автомобільних номерів

Спочатку необхідно вибрати один із двох режимів роботи: «Паркування» (6 кадр/сек) використовується при маленькій швидкості руху транспорту, а «Дорога» (25 кадр/сек) для швидкого руху (наприклад, вулиця чи автомобільна траса).

Щоб увімкнути пошук та розпізнавання при вугіллі крену державного реєстраційного знака щодо площини дорожнього полотна до 10°, достатньо активувати опцію «Шукати не горизонтальні номери». Для пошуку інверсних номерів (наприклад, поліцейські чи військові номери), використовується спеціальна опція «Шукати інверсні номери».

Регульований параметр "Поріг достовірності" дозволяє змінювати якість розпізнавання номера у відсотках. Номери, якість яких буде нижчою за задану величину порога, будуть автоматично відкинуті. Ще один параметр «Кількість нерозпізнаних символів» дозволяє автоматично відкидати номери, в яких кількість нерозпізнаних символів більша за вказану.

Параметри «Мінімальний розмір номера» та «Максимальний розмір номера» - задають мінімальний та максимальний розмірномери у відсотках кадру. Їх можна задати також інтерактивно на зображенні від камери - розтягнувши прямокутну область так, щоб номер автомобіля опинився всередині даної області (рис.2).

Мал 2. Завдання мінімального розміру номера

Оскільки мінімізація обчислювальних ресурсівпри високій якості результату, є фірмовим стилем MACROSCOP і в модулі розпізнавання номерів зроблено все, щоб оптимізувати роботу системи.

Насамперед, це можливість завдання окремих зон пошуку (рис.3) – завжди може бути частина кадру, у якій поява автомобільних номерів неможливо (наприклад, узбіччя, тротуар тощо.). Якщо зони пошуку не будуть задані, то буде аналізуватися повний кадр, як це типово і буває в багатьох інших системах.

Рис 3. Завдання зон пошуку

Налаштування «Використовувати автомасштаб» знижує обчислювальні витрати у випадку, коли горизонтальний розмір номера перевищує 120 пікселів. (така ситуація виникає коли для спостереження за однією смугою руху використовуються камера з роздільною здатністю більше 1Mpix, і, як наслідок, розмір номерів виходить занадто великим).

Для цих же цілей служить і налаштування «Використовувати детектор руху» при включенні якої аналізуватимуться тільки ті кадри і зони де є рух.

Важливо відзначити, що база даних системи може працювати у двох режимах:

• «Локальна» – якщо картотека використовується одним сервером у системі та її необхідно розташувати на тому самому сервері, де здійснюється розпізнавання номерів.
• «Видалена» – якщо картотека використовується кількома серверами, і вона розташована на певному сервері в мережі. Необхідно вказати адресу сервера в мережі та порт, на якому він розташований, ім'я користувача та пароль користувача.

Рис 4. Вікно «Розпізнавання номерів»

Для спостереження в реальному часі та перегляду архіву в клієнті служить вікно «Розпізнавання номерів» (рис.4), яке включає три закладки: «Спостереження», «Архів» і «Картотека».

Закладка "Спостереження" (саме вона відображена на наведеному вище малюнку) призначена для перегляду подій виявлення автомобільних номерів у реальному часі. У нижній правій частині вкладки розташовано список подій виявлення автомобільних номерів.

У лівій верхній частині вкладки відображається кадр, який відповідає обраній події. Вгорі на кадрі відображається назва каналу, час і дата, що відповідає даному кадру. Помаранчевою лінією на зображенні виділяється автомобіль, номер якого було розпізнано. У нижньому лівому куті кадру з'являється збільшене зображення розпізнаного номера. У нижній лівій частині вікна розташована додаткова інформація, праворуч від додаткової інформації розташовуються кнопки «Перейти в картотеку» і «Додати в картотеку».

Над списком у правій верхній частині розташована панель фільтрації. З її допомогою можна проводити фільтрацію даних, що відображаються у списку подій виявлення номерів. Панель «Фільтрація» дозволяє задавати наступні параметрифільтрації:

• Номер автомобіля;
• Прізвище власника;
• Група, якій належить номер автомобіля;
• Канал, на якому було виявлено номер;
• додаткова інформація;
• Швидкість;
• Колір автомобіля;

Закладка «Архів» призначена для перегляду та пошуку в архіві подій виявлення автомобільних номерів. Функціонал цієї закладки аналогічний закладці «Спостереження». Відмінність полягає в тому, що події у списку номерів є результатом запиту з основного архіву.

Закладка «Картотека» (рис.5) для роботи з картотекою автомобільних номерів дозволяє керувати групами та списками перехоплення, додавати, редагувати, видаляти номери та пов'язану з ними інформацію.

Рис.5 Закладка «Картотека»

Рис.6 Вікно «Управління групами»

Щоб додати якусь групу в перехоплення, достатньо поставити галочку в полі «Перехоплювати автомобілі з цієї групи». Можна також увімкнути і режим для відображення номерів безпосередньо на зображенні потрібного каналу – він представлений на мал.

Рис.7 Режим для відображення номерів безпосередньо на зображенні

При виборі опції «Відображати всі номери» - відображатимуться всі виявлені номери (зеленим кольором) та номери, додані у перехоплення (червоним кольором), а «Відображати номери, додані у перехоплення» - відображатимуться лише додані у перехоплення номери.

За твердженням розробників описаного модуля їх практичний досвід показав, що IP-камери чудово справляються з розпізнаванням номерів, однак, ІЧ підсвічування для нічного часу все ж таки бажане.

Настав час докладно розповісти, як працює наша реалізація алгоритму розпізнавання номерів: що виявилося вдалим рішенням, що працювало дуже погано. І просто відзвітувати перед Хабра-користувачами - адже ви за допомогою Android програми Recognitor допомогли нам набрати пристойного розміру базу знімків номерів, знятих абсолютно неупереджено, без пояснення як знімати, а як ні. А база знімків при розробці алгоритмів розпізнавання найважливіше!

Що вийшло з Android додатком Recognitor

Було дуже приємно, що користувачі Хабра взялися качати програму, пробувати її і надсилати нам номери.

Завантажень програми та оцінки

З моменту викладання програми на сервер надійшло 3800 знімків номерів від мобільної програми.
А ще більше нас порадувало посилання http://212.116.121.70:10000/uploadimage - нам за 2 дні відправили близько 8 тисяч знімків повнорозмірних автомобільних номерів (переважно вологодських)! Сервер майже лежав.

Тепер у нас на руках база у 12 000 знімків фотографій – попереду гігантська робота з налагодження алгоритмів. Все найцікавіше лише починається!

Нагадаю, що у додатку Android попередньо виділявся номер. У цій статті я не докладно зупинятимуся на цьому етапі. У нашому випадку – каскадний детектор Хаара. Цей детектор не завжди спрацьовує, якщо номер кадру сильно повернутий. Аналіз того, як працює нами каскадний детектор, коли не працює, залишу на наступні статті. Адже це дійсно дуже цікаво. Здається, що це чорна скринька - от навчили детектор і більше нічого не зробити. Насправді, це не так.

Але все ж таки каскадний детектор - непоганий варіант у разі обмежених обчислювальних ресурсів. Якщо автомобільний номер брудний або рамка погано видно, то Хаар теж непогано себе виявляє щодо інших методів.

Розпізнавання номера

Тут розповідь про розпізнавання тексту на картинках такого виду:

Загальні підходи щодо розпізнавання були описані у першій статті.

Спочатку ми ставили собі завдання розпізнавання брудних, частково стертих і здорово спотворених перспективою номерів.
По-перше, це цікаво, а по-друге, здавалося, що тоді чисті спрацьовуватимуть взагалі у 100% випадках. Зазвичай, звісно, ​​і відбувається. Але тут не склалося. Виявилося, що якщо за брудними номерами ймовірність успіху була 88%, то за чистими, наприклад, 90%. Хоча насправді ймовірність розпізнавання від фотографії на мобільному додаткудо успішної відповіді, звичайно, виявилося ще гірше за вказану цифру. Трохи менше 50% від зображень, що приходять (щоб люди не намагалися фотографувати). Тобто. в середньому двічі потрібно було сфотографувати номер, щоб успішно розпізнати його. Хоча багато в чому такий низький відсоток пов'язаний із тим, що багато хто намагався знімати номери з екрана монітора, а не в реальній обстановці.

Весь алгоритм будувався для брудних номерів. Але виявилося, що зараз влітку в Москві 9 з 10 номерів ідеально чисті. А значить краще змінити стратегію та зробити два роздільні алгоритми. Якщо вдалося швидко і надійно розпізнати чистий номер, цей результат і відправимо користувачеві, а якщо не вдалося, то витрачаємо ще трохи часу процесора і запускаємо другий алгоритм для брудних номерів.

Простий алгоритм розпізнавання номерів, який варто було б реалізувати відразу

Як розпізнати хороший і чистий номер? Це зовсім не складно.

Пред'явимо такі вимоги до такого алгоритму:

1) деяка стійкість до поворотів (±10 градусів)
2) стійкість до незначної зміни масштабу (20%)
3) відрізання будь-яких меж номера кордоном кадру чи просто погано виражені кордону нічого не винні рушити все (це важливо, оскільки у разі брудних номерів доводиться спиратися на межу номера; якщо номер чистий, то нічого краще цифр/букв не характеризує номер).

Отже, в чистих і добре читаних номерах усі цифри і букви відокремлені одна від одної, а отже можна бінаризувати зображення і морфологічними методами виділити пов'язані області, або скористатися відомими функціями виділення контурів.

Бінаризуємо кадр

Тут варто ще пройтися фільтром середніх частот та нормалізувати зображення.


На зображенні наведено спочатку малоконтрастний кадр для наочності.

Потім бінаризувати по фіксованому порога (можна поріг фіксувати, тому що зображення було нормалізоване).

Гіпотези щодо повороту кадру

Припустимо кілька можливих кутів поворотів зображення. Наприклад, +10, 0, -10 градусів:

Надалі метод матиме невелику стійкість до кута повороту цифр і букв, тому обраний такий великий крок по куту - 10 градусів.
З кожним кадром надалі працюватимемо незалежно. Яка гіпотеза щодо повороту дасть кращий результат, та й переможе.

А потім зібрати всі пов'язані області. Тут використовувалася стандартна функція findContoursіз OpenCV. Якщо пов'язана область (контур) має висоту в пікселях від H1 до H2, а ширина і висота пов'язана відношенням від K1 до K2, то залишаємо в кадрі і відзначаємо, що в цій області може бути знак. Майже напевно на цьому етапі залишаться лише цифри та літери, решта сміття з кадру піде. Візьмемо прямокутники, що обмежують контури, приведемо їх до одного масштабу і далі попрацюємо з кожною буквою/цифрою окремо.

Ось які обмежують прямокутники контурів задовольнили наші вимоги:

Літери/цифри

Якість знімка хороша, всі літери та цифри відмінно розділяються, інакше ми до цього кроку не дійшли б.
Масштабуємо всі знаки одного розміру, наприклад, 20х30 пікселів. Ось вони:

До речі, OpenCV при виконанні Resize (при приведенні до розміру 20х30) бінаризоване зображення перетворить на градієнтоване за рахунок інтерполяції. Доведеться повторити бінаризацію.

І тепер найпростіший спосіб порівняти з відомими зображеннями знаків – використовувати XOR (нормалізована дистанція Хеммінга). Наприклад так:

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

Якщо дистанція більша за порогову, то вважаємо, що ми знайшли знак, менше - викидаємо.

Літера-цифра-цифра-цифра-літера

Так, ми шукаємо автомобільні знакиРФ саме у такому форматі. Тут треба врахувати, що цифра 0 і літера «о» взагалі не відрізняються один від одного, цифра 8 та літера «в». Вибудуємо всі знаки зліва направо і братимемо по 6 знаків.
Критерій разів - буква-цифра-цифра-цифра-літера-літера (не забуваємо про 0/о, 8/в)
Критерій два - відхилення нижньої межі 6 знаків від лінії

Сумарні очки за гіпотезу – сума дистанцій Хеммінга всіх 6 знаків. Чим більше тим краще.

Отже, якщо сумарні окуляри менші за поріг, то вважаємо, що ми знайшли 6 знаків номера (без регіону). Якщо більше порога, то йдемо до стійкого алгоритму до брудних номерів.

Тут варто розглянути окремо літери «Н» і «М». Для цього потрібно зробити окремий класифікатор, наприклад, за гістограмою градієнтів.

Регіон

Наступні два або три знаки над лінією, проведеної внизу 6 вже знайдених знаків, - регіон. Якщо третя цифра існує, і її схожість більша за порогову, то регіон складається з трьох цифр. Інакше із двох.

Однак розпізнавання регіону часто відбувається не так гладко, як хотілося б. Цифри в регіони менші, можуть успішно не розділитися. Тому регіон краще дізнаватися способом більш стійким до бруду/шуму/перекриття, описаним далі.

Якісь деталі опису алгоритму не надто докладно розкриті. Почасти через те, що зараз зроблено лише макет цього алгоритму і доведеться ще протестувати та налагодити його на тисячах зображень. Якщо номер хороший і чистий, то потрібно за десятки мілісекунд розпізнати номер або відповісти "не вдалося" і перейти до більш серйозного алгоритму.

Алгоритм стійкий до брудних номерів

Зрозуміло, що алгоритм, описаний вище, зовсім не працює, якщо знаки на номері злипаються через погану якість зображення (бруду, погану роздільну здатність, невдалу тінь або кут зйомки).

Ось приклади номерів, коли перший алгоритм нічого не зміг зробити:

Але доведеться спиратися на межі автомобільного номера, а потім уже всередині певної області шукати знаки з точно відомою орієнтацією та масштабом. І головне – жодної бінаризації!

Шукаємо нижню межу номера

Найпростіший і найнадійніший етап у цьому алгоритмі. Перебираємо кілька гіпотез щодо кута повороту і будуємо для кожної гіпотези щодо повороту гістограму яскравості пікселів уздовж горизонтальних ліній для нижньої половини зображення:

Виберемо максимум градієнта і так визначимо кут нахилу та за яким рівнем відрізати номер знизу. Не забудемо покращити контраст і отримаємо ось таке зображення:

Взагалі варто використовувати не тільки гістограму яскравості, але й гістограму дисперсії, гістограму градієнтів, щоб збільшити надійність обрізки номера.

Шукаємо верхню межу номера

Тут вже не так очевидно, виявилося, якщо знімають із рук задній автомобільний номер, то верхня межа може бути сильно вигнута і частково прикривати знаки або в тіні, як у цьому випадку:


Різкого переходу яскравості у верхній частині номера немає, а максимальний градієнт зовсім розріже номер посередині.

Ми вийшли із ситуації не дуже тривіально: навчили на кожну цифру та кожну букву каскадний детектор Хаара, знайшли всі знаки на зображенні, так визначили верхню лінію де різати:

Здавалося б, що тут і варто зупинитися – ми ж знайшли вже цифри та букви! Але насправді, звісно, ​​детектор Хаара може помилятися, а в нас тут 7-8 знаків. Хороший приклад цифри 4. Якщо верхня межа номера зливається з цифрою 4, то зовсім не складно побачити цифру 7. Що, до речі, і сталося в даному прикладі. Але з іншого боку, незважаючи на помилку у детектуванні, верхня межа знайдених прямокутників справді збігається з верхньою межею автомобільного номера.

Знайти бічні межі номера

Теж нічого хитрого – абсолютно так само, як і нижню. Єдина відмінність, що часто яскравість градієнта першого або останнього знака в номері може перевищувати яскравість градієнта вертикальної межі номера, тому вибирається не максимум, а перший градієнт, що перевищує поріг. Аналогічно з нижньою кордоном необхідно перебрати кілька гіпотез по нахилу, тому що через перспективу перпендикулярність вертикальної та горизонтальної межі зовсім не гарантована.

Отже, ось добре обрізаний номер:

так! особливо приємно вставити кадр з огидним номером, який був успішно розпізнаний.

Засмучує лише одне - до цього етапу від 5% до 15% номерів можуть відрізатися неправильно. Наприклад, так:

(до речі, це хтось нам відправив жовтий номер таксі, наскільки я зрозумів - формат не штатний)

Все це потрібно було, щоб усе це робилося лише для оптимізації обчислень, тому що перебрати всі можливі положення, масштаби та нахили знаків при їх пошуку дуже витратно обчислювально.

Розділити рядок на знаки

На жаль, через перспективу і не стандартну ширину всіх знаком, доводиться якось виділяти символи в вже обрізаному номері. Тут знову допоможе гістограма по яскравості, але вже вздовж осі X:

Єдине, що надалі варто дослідити дві гіпотези: символи починаються відразу чи один максимум гістограми варто пропустити. Це пов'язано з тим, що на деяких номерах отвір під гвинт або головка гвинта автомобільного номера можуть відрізнятися як окремий знак, а можуть бути зовсім непомітні.

Розпізнавання символів

Зображення досі не бінаризоване, використовуватимемо всю інформацію, що є.

Тут друковані символи, отже підійде виважена коваріація для порівняння зображень із прикладом:

Зразки для порівняння та ваги при коваріації:

Звичайно, не можна просто порівняти область, виділену за допомогою горизонтальної гістограми, із зразками. Доводиться робити кілька гіпотез щодо зміщення та масштабу.
Кількість гіпотез за положенням по осі X = 4
Кількість гіпотез за положенням по осі Y = 4
Кількість гіпотез за масштабом = 3

Таким чином, для кожної області при порівнянні з одним знаком необхідно розрахувати 4х4х3 коваріації.

Насамперед знайдемо 3 великі цифри. Це 3 x 10 x 4 x 4 x 3 = 1440 порівнянь.

Потім зліва одну літеру та праворуч ще дві. Літер для порівняння 12. Тоді кількість порівнянь 3x12x4x4x3 = 1728

Коли ми маємо 6 символів, то все праворуч від них - регіон.

У регіоні може бути 2 цифри або 3 цифри - це потрібно врахувати. Розбивати регіон гістограмним способом вже безглуздо через те, що якість зображення може бути занадто низькою. Тому просто по черзі знаходимо цифри зліва направо. Починаємо з лівого верхнього кута, необхідно кілька гіпотез щодо осі X, осі Y та масштабу. Знаходимо найкращий збіг. Зміщуємось на задану величину вправо, знову шукаємо. Третій символ будемо шукати ліворуч від першого і праворуч від другого, якщо міра схожості третього символу більша за пороговий, то нам пощастило - номер регіону складається з трьох цифр.

Висновки

Практика застосування алгоритму (другого описаного у статті) вкотре підтвердила прописну істину під час вирішення завдань розпізнавання: потрібна справді презентативна база під час створення алгоритмів. Націлювалися на брудні і потерті номери, т.к. тестова база знімалася взимку. І справді часто досить погані номеривдавалося дізнаватися, але чистих номерів у навчальній вибірці майже не було.

Розкрилася й інша сторона медалі: мало так дратує користувача, як ситуація, коли автоматична система не вирішує зовсім примітивне завдання. «Ну, що тут може не читатися?!» А те, що автоматична система не змогла дізнатися брудного чи потертого номера, - це очікувано.

Щиро кажучи, це наш перший досвід розробки системи розпізнавання для масового споживача. І про такі «дрібниці», як про користувачів, варто вчитися думати. Зараз до нас приєднався фахівець, який розробив аналогічну Recognitor програму під iOs. У UI у користувача з'явилася можливість побачити, що зараз вирушає на сервер, вибрати який із виділених Хааром номерів потрібний, є можливість виділити необхідну область у кадрі, що вже «застиг». І користуватися цим зручніше. Автоматичне розпізнавання стає не безглуздою функцією, без якої не можна нічого зробити, а просто помічником.

Продумувати систему, в якій автоматичне розпізнавання зображення буде гармонійно та зручно користувачеві, виявилося завданням анітрохи не простіше, ніж створювати ці алгоритми розпізнавання.

І, звісно, ​​сподіваюся, що стаття буде корисною.

Розглянемо докладніше можливості IP-камери для зчитування номерів.

Вона може використовуватися з метою:

• автоматизованого відкриття шлагбауму під час в'їзду на контрольовану територію;
• автоматизованої виписки штрафів за порушення водієм правил у зоні покриття камери з розпізнаванням автомобільних номерів.
• для автоматичного розрахунку вартості паркування, ґрунтуючись на даних автомобіля.
• негайного інформування про виявлення потрібної машинишляхом порівняння її номера з базою даних.

Всі ці аналітичні процеси виконуються внутрішнім софтом в автоматичному режимі або з налаштуваннями та заданими функціями від користувача через встановлене на сервері програмне забезпечення. Починаючи роботу з IP камерою для розпізнавання автомобільних номерів, рекомендується ознайомитися з інструкцією з встановлення, налаштування та експлуатації приладу. Мережева камера розпізнавання номерів може мати різний форм фактор та тип монтажу. Вибирати слід, ґрунтуючись на поточних вимогах та умовах.

Ми пропонуємо купити IP камери для розпізнавання автомобільних номерів за ціною від 3000 рублів в нашому інтернет магазині. На сайті є вся необхідна інформація про пристрій.

Характеристики IP камери для розпізнавання автомобільних номерів

Перш ніж придбати IP камеру з функцією розпізнавання номерів, ознайомтеся з її технічними характеристиками.

Список технічних характеристик:

• Параметри електроживлення.
• Тип програмного забезпечення, зручність керування.
• Клас захисту IP камери.
• Кут огляду.
• Дозвіл.
• Спосіб монтажу та підключення.
• Швидкість обробки інформації, пошук відповідностей.
• Швидкість зйомки, запису.
• Температурний режимроботи камери.
• Гранично допустима вологість повітря
• Рейтинг марки виробника на ринку систем контролю та відеоспостереження, відгуки користувачів.
• Габарити, вага пристрою.
• Комплектація, наявність потрібних для встановлення кріплень, інструкції з експлуатації.

Камери, представлені в цьому розділі, були перевірені нашими фахівцями на сумісність із програмним забезпеченням Macroscop "Розпізнавання автомобільних номерів". У поєднанні з цим програмним забезпеченням, наші камери забезпечать Вам постійний контрольза територією, що охороняється, допоможе в пошуку потрібної машини, автоматизації ряду процесів.

Вибравши пристрій, який відповідає всім вимогам, ви можете швидко оформити замовлення на сайті. Ми доставимо відеокамеру з розпізнаванням номерів на потрібний об'єкт по Москві в найкоротший термін.

Сучасне відеоспостереження дозволяє збирати інформацію про потік руху автомобілів та пішоходів, а також надає різноманітні можливості відеоаналітики.

Функції визначення кількості відвідувачів, ідентифікації осіб стали затребувані серед приватних організацій та підприємців.

Розглянемо докладніше важливу функцію визначення номерних символів. Системи відеоспостереження можуть поєднуватися із системою керування доступом. Відеокамера визначає номер, а система аналітики шукає збіг у переліку номерів бази даних та за його наявності, дає дозвіл системі контролю доступу на в'їзд транспортного засобу.

При плануванні встановлення системи відеоспостереження необхідно відокремити завдання визначення номерів від функції спостереження за транспортом та пішоходами. Відеокамери для розпізнавання номерних знаків мають обмеження на місця встановлення, а також потребують особливого налаштування. Камера має бути сфокусована лише на ділянці, де проїжджають транспортні засоби. Тому краще встановлювати камери, які мають нерухомий об'єктив. Вони мають додаткову перевагу в характеристиках світлочутливості.

Роздільна здатність камери

Висока роздільна здатність камери ще не означає якісне виконання поставленого завдання з розпізнавання номерів. Розрахункова оптимальна роздільна здатність може дати навіть кращий результат. Чим вище роздільна здатність, тим гірша світлочутливість, а це погіршує визначення номерів при поганому освітленні.

При розрахунку необхідного дозволу використовують таку формулу: (w/n)*p де w - ширина огляду зафіксованого номерного знака; n – розмір номерного знака; p - пропонована ширина номера, що відображається, що вимірюється в пікселях.

Розглянемо розрахунок наступного прикладу: середній розмір знака - 0,52 м, ширина контрольованої зони - 3 м, а рекомендований розмір зазвичай приймають 200 пікселів. Отримуємо таку відповідь:

(w/n) * p = (3/0,52) * 200 = 1154 пікселя.

З розрахунку видно, що відповідним варіантомбуде камера із стандартним HD форматом зйомки (1280*720 пікселів). Але це справедливо, якщо відстань від камери до номера 3-5 метрів. Якщо відстань більша, то і роздільна здатність камери потрібна вище. Якщо ця відстань перевищує 20м, то потрібна камера з варіофокальним об'єктивом. Вона дозволить звузити кут огляду, тим самим збільшивши фіксований об'єкт на екрані монітора.

Характеристики відеокамер для розпізнавання номерів

Потрібно брати до уваги розмір самої матриці. Велика матица має більшу світлочутливість. Щоб розпізнавати номери, матриця повинна бути не менше ніж 1/3 дюйма. Але для якісного визначення номерів необхідна матриця від 1/2 дюйма та більше. Наприклад, IP камера з матрицею Sony IMX 185 розміром 1/1.8.

Не менш важлива і характеристика світлосили. Цей показник визначає об'єктив відеокамери та позначається як число F. Воно характеризується відношенням фокусної відстані до значення розкриття діафрагми. Характеристика сигнал/шум буде краще при більшій світлосилі, так як на матрицю надходить більше світла. Зі збільшенням світлосили зменшується і кількість цифрових шумів. Визначення номерів потребує значення світлосили від F/1,4 та вище.

Навіть самі найкращі камеринездатні визначити номер автомобіля, що у повній темряві. Тому потрібно одразу подбати про нормальне освітлення. Більшість сучасних камер має ІЧ-підсвічування, але ця функція змушує переходити в режим чорно-білої зйомки. При ІЧ-підсвічуванні відбувається додаткове нагрівання камери, що може спричинити перегрів у спеку року, а це створить зайві перешкоди.

Має значення та показник числа кадрів за секунду. Рекомендуються камери із частотою 25 к/с. На ділянках із малою швидкістю руху транспортного потокувідеокамери перемикаються в режим 12 к/с або нижче. Це дозволяє зменшити навантаження на пристрій, щоб краще обробляти обсяги інформації, що надходять.

Розташування відеокамери

Для отримання очікуваного результату обладнання потрібно розміщувати з дотриманням усіх умов

• На зображенні нахил номера автомобіля не повинен перевищувати 5° по осі x.
• Кут напрямку камери повинен бути до 30 ° як по горизонталі, так і по вертикалі.
• Щоб захопити дві смуги, можна встановити камеру по центру між ними.
• Висота розташування камери повинна бути в межах 2-6 ​​метрів.
• При монтажі пристрою біля шлагбауму потрібно враховувати, що він створює деяку ділянку відчуження.
• Встановивши камеру, необхідно перевірити прийнятність якості зйомки вночі. Режим діафрагми виставляється на "авто" з рівнем 50.
• Для гасіння світла фар у темний період необхідна камера з витримкою 1/1000 і більше.
• При відсутності нормального освітленнядороги слід виставити функцію день/ніч на "авто". В іншому випадку виставляється інтелектуальне підсвічування в положення - "вкл".
• Підсвічування BLC та WDR має бути вимкнено.

Щоб автоматично фіксувати номери у базі даних, потрібна спеціальна програма для камери чи ПК, яка розпізнає номерні знаки. Наразі з'явилися у продажу і камери, які самі розпізнають номери автомобілів.