ВЫВОДЫ

Для того чтобы достичь наибольшей устойчивости и эффективности работы системы, необходимо учесть следующие факторы из реальной жизни. Во-первых, хотя существует всего три вида размеров контейнеров, номер контейнера может иметь различный размер, местоположение и шрифт. Символы могут располагаться в одну, две линии или в одну вертикальную. Для того чтобы правильно выделить символы номера сначала необходимо правильно определить его местоположение. Во-вторых, из-за условий освещенности (время суток) и изменений погоды, поверхность контейнера сильно меняется. И контраст между номером и цветом контейнера тоже разный. В-третьих, на контейнере может быть всякая грязь и нежелательные логотипы. Система должна избавиться от всех этих нежелательных помех и выделить номер корректно.

Существующие системы позволяют вести учет контейнерных перевозок в порту, терминале или на сортировочной станции. Помогают получать информацию о передвижениях, местоположение и состояние определенного контейнера. Разработка выполняется на базе оптико-электронной подсистемы распознавания идентификационных номеров контейнеров и предназначена для использования в портах, терминалах, сортировочных станциях. Система распознает номера всех контейнеров, попавших в поле зрения видеокамер, записывает и сохраняет в течение установленного срока их изображения. Системы распознавания автомобильных номеров могут вести учет статистических характеристик транспортного потока. Данные, получаемые детектором системы, позволяют реализовать алгоритмы адаптивного регулирования дорожным движением с учетом реальной дорожно-транспортной обстановки, фиксировать факты ДТП и пробок, рассчитывать реальные нагрузки на дорожное полотно и т.д. Источником информации служит телевизионный сигнал, поступающий от нескольких видеокамер, расположенных на столбах сбоку проезжей части.

В данном разделе были проанализированы особенности представления СН на изображены и на их основе разработана структурная системы распознавания изображений с СН. Структура системы состоит из блока предварительной обработки, классификации, поиска СН, ее разделения и идентификации символов.

Структура системы требует выполнения каждого блока без ошибок, так как если в каком блока будет ошибка, то далее система может работать не корректно или наблюдаться ошибки при завершающем этапе классификации. Поэтому эталонных изображениях были рассмотрены и проанализированы все блоки структуры. У блока предварительной обработки были исследованы все блоки входящих в него, но больше всего было исследовано фильтрацию изображений так как это основной блок который входе в блок предварительной обработки. Было исследовано ряд реальных изображений, анализ которых показал что более всего они подвержены импульсной (снег, пыль) и Гаусових препятствий. На основании этого подверг пробные изображения этими видами шума, чтобы анализируя фильтры выявить наилучший тип фильтрации способен с минимальной погрешностью избавиться от этих видов препятствий. Получил график зависимости соотношением сигнал / шум на средне квадратичную погрешность. На основании исследования этого графика сделал вывод что для системы, которая обрабатывает реальные изображения, на которых может присутствовать импульсные или Гаусовы препятствия, для применения фильтрации которая способна с минимальной погрешностью избавиться от этих видов помех является медиана фильтрация, поэтому именно она и была сделана в системе.

Исследовав особенности каждого класса изображения разработал блок классификации изображения. Принятие решения о классификации изображений реализуется на основе анализа гистограммы изображения, анализа соотношение черных и белых пикселей на бинаризованому изображении и приблизительного местоположения СН.