ВИСНОВКИ

Для того, щоб досягти найбільшої стійкості і ефективності роботи системи, необхідно врахувати наступні чинники з реального життя. По-перше, хоча існує всього три види розмірів контейнерів, номер контейнера може мати різний розмір, місцеположення і шрифт. Символи можуть розташовуватися в одну, дві лінії або в одну вертикальну. Для того щоб правильно виділити символи номера спочатку необхідно правильно визначити його розташування. По-друге, через умови освітленості (час доби) і змін погоди, поверхня контейнера сильно змінюється. І контраст між номером і кольором контейнера теж різний. По-третє, на контейнері може бути всяка грязь і небажані логотипи. Система повинна позбавитися від всіх цих небажаних перешкод і виділити номер коректно.

Існуючі системи дозволяють вести облік контейнерних перевезень в порту, терміналі або на сортувальній станції. Допомагають отримувати інформацію про пересування, місцеположення і стан певного контейнера. Розробка виконується на базі оптико-електронної підсистеми розпізнавання ідентифікаційних номерів контейнерів і призначена для використання в портах, терміналах, сортувальних станціях. Система розпізнає номери всіх контейнерів, що потрапили у поле зору відеокамер, записує і зберігає протягом встановленого терміну їх зображення. Системи розпізнавання автомобільних номерів можуть вести облік статистичних характеристик транспортного потоку. Дані, отримувані детектором системи, дозволяють реалізувати алгоритми адаптивного регулювання дорожнім рухом з урахуванням реальної дорожньо-транспортної обстановки, фіксувати факти ДТП і пробок, розраховувати реальні навантаження на дорожнє полотно і т.д. Джерелом інформації служить телевізійний сигнал, що поступає від декількох відеокамер, розташованих на стовпах збоку проїжджій частині.

У даному розділі було проаналізовано особливості представлення СН на зображені та на їх основі розроблена структурна системи розпізнання зображень з СН. Структура системи складається з блоку попередньої обробки, класифікації, пошуку СН, її розділення та ідентифікації символів.

Структура системи потребує виконання кожного блоку без помилок, так як якщо в якомусь блоку буде помилка, то далі система може працювати не коректне, чи спостерігатимуться помилки при завершальному етапі класифікації. Тому еталонних зображеннях були розглянуті та проаналізовані всі блоки структури. У блоку попередньої обробки були досліджені всі блоки що входять у нього, але більш за все було досліджено фільтрацію зображень так як це основний блок який входе в блок попередньої обробки. Було досліджено ряд реальних зображень, аналіз яких показав що понад усе вони схильні до імпульсної (сніг, пил) та Гаусових перешкод. На підставі цього піддав пробні зображення цими видами шуму, щоб аналізуючи фільтри виявити найкращий тип фільтрації здатний з мінімальною погрішністю позбавитись від цих видів перешкод. Отримав графік залежності співвідношенням сигнал/шум на середньо квадратичну похибку. На підставі дослідження цього графіку зробив висновок що для системи, яка обробляє реальні зображення, на яких може бути присутні імпульсні або Гаусови перешкоди, для застосування фільтрації яка здатна з мінімальною погрішністю позбавитись від цих видів перешкод є медіана фільтрація, тому саме вона і була зроблена у системі. Дослідивши особливості кожного класу зображення розробив блок класифікації зображення. Прийняття рішення о класифікації зображень реалізується на основі аналізу гістограми зображення, аналізу співвідношення чорних та білих пікселів на бінаризованому зображенні та приблизного місця розташування СН.