SENTIVEILLANCE SDK 8.2

MODALIDADE ALPR

A modalidade ALPR do componente SentiVeillance realiza detecção e reconhecimento de placas de veículos em tempo real (placa de matrícula). Os algoritmos baseados em redes neurais profundas apresentam:

• Detecção confiável. As placas podem ser separadas mesmo em imagens complexas, que contêm objetos como placas ou sinais de trânsito. Veja os testes de confiabilidade abaixo.
• Processamento de dados de tráfego. Os algoritmos SentiVeillance podem ler simultaneamente placas de veículos de vários veículos em movimento no tráfego rodoviário.
• Tolerância à posição da câmera. Dependendo da resolução da câmera, o algoritmo ALPR pode ler placas de maior distância e ângulo mais alto.

A modalidade VH pode ser utilizada em conjunto com a modalidade ALPR, principalmente nestes casos:

• Detecção de dados do veículo. Em certos cenários, um tipo de veículo (ou seja, caminhão ou ônibus) deve ser detectado antes de executar o algoritmo de reconhecimento de placa. Além disso, a direção, a cor ou o modelo do movimento do veículo podem ser necessários como filtro antes de executar o reconhecimento da placa.
• Evitando trapaças com placas substituídas. Os integradores podem fazer uma lógica de software que verifica se a placa reconhecida corresponde a outros dados de registro, como cor do veículo ou marca e modelo, e não sendo falsificada ou movida de outro veículo.

Exemplos de programação do SDK mostram como usar essa modalidade.

Licenças adicionais ou atualizações para o número de fluxos de vídeo processados ​​nas licenças existentes podem ser adquiridas a qualquer momento pelos clientes do SentiVeillance 8.2 SDK.

TESTES DE CONFIABILIDADE

Apresentamos os resultados dos testes para mostrar a confiabilidade do algoritmo SentiVeillance 8.2 ALPR nas imagens de carros tiradas em diferentes condições. Imagens do site platemania.com foram usadas para testes. As imagens foram agrupadas em cinco conjuntos de dados:

• Dataset 1 – imagens de qualidade inferior com largura das placas inferior a 100 pixels. As placas estão mais distantes. As imagens apresentam oclusões parciais e ângulos de captura altos.
• Dataset 2 – imagens de qualidade média com largura de placas entre 100 e 200 pixels. As imagens foram capturadas em médio alcance e as placas estão mais próximas da câmera.
• Dataset 3 – imagens de alta qualidade com largura de placas entre 200 e 300 pixels. A maioria das imagens foi capturada em cenário de estacionamento, com apenas alguns desfoques de movimento ou ocorrências de iluminação fraca.
• Dataset 4 – imagens de alta qualidade com largura de placas entre 300 e 400 pixels. A maioria das imagens foi capturada em cenário de estacionamento, com apenas alguns desfoques de movimento ou ocorrências de iluminação fraca.
• Dataset 5 – imagens de alta qualidade com largura de placas superior a 400 pixels. A maioria das imagens foi capturada em cenário de estacionamento, com apenas alguns desfoques de movimento ou ocorrências de iluminação fraca.

As imagens abaixo ilustram imagens de amostra de cada dataset:

                                               Dataset 1

                                               Dataset 2

                                               Dataset 3

                                               Dataset 4

                                               Dataset 5

Dois experimentos foram realizados com imagens de cada dataset:

• Experimento 1 – o OCR foi configurado para interpretar 1 (um) como I (letra I) e 0 (zero) como O (letra O).
• Experimento 2 – o OCR não tinha regras específicas para interpretação de letras e números.