Рис.5.  Отработка приконтурных зон карьера  ●

● Технические науки 
 
     
                                               
№1 2014 Вестник КазНТУ  
         
178 
Целесообразность применения ЦПТ обосновывается в первую очередь значительным снижением 
эксплуатационных  затрат  по  сравнению  с  другими  транспортными  схемами,  предусматривающими 
использование  автомобильного  или  железнодорожного  транспорта.  Так,  по  данным  зарубежной 
практики,  применение  дробильных  комплексов  в  карьере  в  сочетании  с  конвейерами  снижает 
эксплуатационные затраты в несколько раз по сравнению с автотранспортом.  
В  странах  СНГ  в  настоящее  время  ЦПТ  применяют  на  карьерах  горной  металлургии:  на 
Оленегорском  и  Ковдорском  ГОКах  (Россия),  на  Полтавском,  Южном,  Ингулецком,  Центральном, 
Новокриворожском и Северном ГОКах (Украина),  и на Навоийском ГМК (Узбекистан). 
 
ЛИТЕРАТУРА 
1. 
Вайсберг Л.А., Баранов В.Ф. Состояние перспективы развития циклично-поточных технологий. Горный 
журнал. 2002 - № 4. 
2. 
Яковлев  В.Л.  Перспективные  решения  в  области  циклично-поточной  технологии  глубоких  карьеров.               
// Тяжелое машиностроение. – 2003. – № 3. 
3. 
Сапаков  Е.А.  и  др.  Разработка  циклично-поточной  технологии  для  карьеров  корпорации  «Казахмыс»                 
// Горный журнал. – 2005. - №5 (специальный выпуск). 
 
REFERENCES 
1.  Weisberg L.A. Rams V. F. Sostoyaniye of prospect of development of cyclic and line technologies. Mountain 
magazine. 2002 - No. 4.  
2.  Yakovlev V. L. Perspective decisions in the field of cyclic and line technology deep карьеров.//Heavy 
mechanical engineering. – 2003 . – No. 3. 3 
3.  Sapakov E.A. etc. Development of cyclic and line technology for Kazakhmys corporation pits//the Mountain 
magazine. – 2005 . - No. 5 (special release). 
 
Молдабеков Б.К. 
«Ақтоғай» карьерінде циклді – ағымды технологияны қолдану ерекшеліктері 
Түйіндеме.
  Пайдалы  қазбалар  кенорындарын  ашық  игеру  кезінде  терең  карьерлердің  төменгі 
деңгейжиектерінен  тау-кен  қазындысын  тасымалдау  шығындары,  сəйкесінше  пайдалы  қазбаларды  өндіру 
шығындарын азайтудың негізгі бағыттарының бірі циклді-ағымды технологияларды қолдану болып табылады. 
Берілген мақалада «Ақтоғай» карьерінде циклді-ағымды технологияны қолдану ерекшеліктері қарастырлған. 
Негізгі сөздер:
 ашық кен игеру, тасымалдау, циклді – ағымды технология. 
 
Moldabekov B. 
Features of application of cyclic-line technology of career in the conditions of «Aktogai» 
Summary.
 When open development of mineral resources the main direction of reducing the cost of haulage with 
lower levels deep pits and consequently reducing the cost of mining is the application of cyclic-line technology (CLT). 
This article describes features of application of cyclic-line technology of career in the conditions of «Aktogai» 
Key words:
 open-cast mining, deep pits, transportation, cyclic and line technologies
. 
 
 
УДК 004.383.5 
А.С. Тлебалдинова, Н.Ф. Денисова  
(Восточно-Казахстанский государственный технический университет имени Д.Серикбаева 
Усть-Каменогорск, Республика Казахстан) 
 
ИССЛЕДОВАНИЕ МЕТОДОВ И АЛГОРИТМОВ ДЛЯ ЗАДАЧИ РАСПОЗНАВАНИЯ 
НОМЕРНЫХ ЗНАКОВ ТРАНСПОРТНЫХ СРЕДСТВ
 
 
Аннотация.  
Данная  статья  посвящена  вопросам  локализации  номерного  знака  транспортных  средств. 
Локализация номерного знака является важным этапом в задаче распознавания номерных знаков. Предлагается 
алгоритм обнаружения автомобильного номера с применением контурного анализа. Такой подход позволяет не 
рассматривать внутренние точки изображения и тем самым сократить объем обрабатываемой информации. Как 
следствие, это может обеспечить работу системы распознавания в реальном времени. 
Ключевые слова:
 контурный анализ, локализация номерного знака, бинаризация, OpenCV. 
 

● Техникалыќ єылымдар 
 
ЌазЎТУ хабаршысы №1 2014  
 
179
Одним  из  важных  этапов  распознавания  автомобильных  номеров  является  этап  локализации 
номерного знака на изображении. Для разработки алгоритма поиска номерного знака были изучены 
типы,  серии,  структура  и  примеры  обозначения  номерных  знаков,  размеры  букв  и  цифр  в 
соответствии  с  требованиями  стандарта  ГОСТа  СТ  РК 986-2003, новые  образцы  государственных 
регистрационнных номерных знаков транспортных средств, утвержденные Приказом МВД РК от 16 
июля 2012 года №400, а также методы локализации объектов. 
Существуют  различные  подходы  к  нахождению  области  номерного  знака.  Одним  из 
применяемых  подходов  для  локализации  номерной  пластины  является  метод  обнаружения  границ 
изображения с использованием таких алгоритмов как алгоритм Собеля, Кенни, Робинсона и др. [1]. 
Алгоритм  обнаружения  границ  должен  распознать  как  горизонтальные,  так  и  вертикальные  края. 
Результирующее изображение, после выделения краев должно содержать большое количество линий 
в  области  пластины  номерного  знака,  т.  к.  она  содержит  символы.  Это  основное  свойство,  которое 
используется  для  выделения  области  пластины  номерного  знака  на  изображении.  Для  локализации 
области номерного знака создается окно, приблизительно равное размеру пластины номерного знака 
на  изображении.  Это  окно  используется,  чтобы  оценить  количество  граней  во  всех  областях 
изображения, имеющих наибольший контраст. Окно накладывается на результирующее изображение 
в наиболее контрастных зонах. Если количество граней находится в заданном диапазоне, то данная 
область  отмечается  как  область,  возможно  содержащая    номерной  знак.  Необходимое  количество  
граней определяется экспериментально. Результат работы этого окна – список возможных областей – 
кандидатов, в которых может содержаться пластина номерного знака. 
Основным  недостатком  этого  подхода  является  то,  что  процесс  выбора  кандидата  является 
медленным,  поскольку  значения  всех  пикселей  в  выделенном  окне  должны  быть  неоднократно 
суммированы.  Другим  недостатком  является  набор  большого  количества  кандидатов  в  номерные 
знаки. 
Альтернативным  подходом  для  обнаружения  номерной  пластины  является    преобразование 
Хафа,  которое  используется  для  обнаружения  участков  различных  форм  в  изображении,  таких  как 
круг,  эллипс,  прямая  и  т.  д. [2]. На  вход  преобразования  Хафа  подается  бинарное  изображение  с 
вертикальными  и  горизонтальными  выделенными  краями.  На  выходе  преобразования  получаем 
набор прямых линий, ограничивающих предполагаемый номерной знак, то есть список  возможных  
кандидатов   на   местоположение пластины номерного знака. Горизонтальные и  вертикальные пары 
линий сопоставляются. Горизонтальные и вертикальные пары линий, составляющие прямоугольник с 
отношением  сторон  примерно  равных  отношению  сторон  номерной  пластины,  отмечаются  как 
область,  возможно  содержащую  номер.  Одним  из  недостатков  преобразования  Хафа  является  тот 
факт,  что  вертикальные  линии  на  номерном  знаке  значительно  короче  горизонтальных  и, 
следовательно, могут быть более зашумленными [3].  
В  результате  исследований,  проводившихся  Массачусетским  университетом  по  проблеме 
выделения текстовых областей из общего фона изображения [4], были получены следующие данные. 
При построчном сканировании изображения, разбиении строк на окна размером N=32 оказалось, что 
при  применении  дискретного  преобразования  Фурье  в  тех  участках    изображения,  где  содержится 
текстовая  информация, спектр коэффициентов преобразования Фурье имеет пик на низких частотах, 
в то время как для других участков изображения пик находится либо на высоких частотах, либо на 
нулевой частоте (хаотический апериодический сигнал). Таким образом, задача выделения номерного 
знака  из  общего  фона  изображения  сводится  к  задаче  выделения  из  изображения  областей  с 
преобладанием низкочастотной составляющей спектра [5]. 
Таким  образом,  сложный  математический  аппарат,  а  также  высокие  требования  к 
вычислительной  мощности  аппаратного  обеспечения,  потенциально  затрудняют  реализацию  этих 
методов  и  их  применение  в  системах  реального  времени  на  компьютерах  невысокого  класса.  В 
противоположность данным методам для задачи локализации (обнаружения) автомобильного номера 
более  подходящим  методом  является  контурный  анализ.  В  контексте  данной  задачи  ее  решение 
контурным  анализом  не  требует  проведения  обучения  (подготовки  обучающего  множества)  или 
заготовки специальных шаблонов. 
Контурный  анализ  (далее  КА) - совокупность  методов  выделения,  описания  и  преобразования 
контуров  изображения.  Он  является  важным  этапом  обработки  изображений  и  распознавания 
зрительных образов. Контур целиком определяет форму изображения и содержит всю необходимую 

● Технические науки 
 
     
                                               
№1 2014 Вестник КазНТУ  
         
180 
информацию для распознавания изображений по их форме. Такой подход позволяет не рассматривать 
внутренние  точки  изображения  и  тем  самым  сократить  объем  обрабатываемой  информации.  Как 
следствие, это может обеспечить работу системы распознавания в реальном времени. Так же данный 
подход позволит сократить объем запоминающих устройств системы распознавания [6]. 
Итак, рассмотрим задачу обнаружения автомобильного номера на изображении с применением 
контурного  анализа.  Определим  номерной  знак  в  качестве  «прямоугольной  области  с  контрастным 
содержимым»,  т.е.  текст  внутри  контура  является  контрастным  по  отношению  к  фону  области.  На 
рисунке 1 представлена схема алгоритма обнаружения автомобильного номера на изображении. 
 
 
 
Рис. 1. 
Схема алгоритма обнаружения автомобильного номера на изображении 
 
Общая  последовательность  действий  алгоритма  выглядит  следующим  образом: 1. На  вход 
алгоритма поступает предварительно обработанное изображение; 2. Затем производится бинаризация 
изображения; 3. Используя  бинаризованное  изображение  производится  выделение  контуров  на 
изображении; 4. Далее  производится  проверка  каждого  найденного  контура: 4.1 на  соответствие 
формы, 4.2 на соответствие размерам (площади), 4.3 на соответствие наличия текста внутри области; 
5.  В  случае  полного  соответствия  требованиям  добавляем  контур  в  список  обнаруженных 
автомобильных номеров.  
Бинаризация  изображений,  т.е.  перевод  полноцветного  или  в  градациях  серого  изображения  в 
монохромное,  где  присутствуют  только  два  типа  пикселей  (темные  и  светлые)  имеет  большое 
значение  при  распознавании  образов.  Существуют    различные  подходы    к    бинаризации,  которые  
условно  можно  разделить  на 2 группы:  пороговые;  адаптивные.  На  рисунке 2 представлены 
результаты пороговой бинаризации. 

● Техникалыќ єылымдар 
 
ЌазЎТУ хабаршысы №1 2014  
 
181
 
 
Рис. 2. 
Пороговая бинаризация: слева – источник, справа – бинаризация 
 
Пороговые  методы  бинаризации  работают  со  всем  изображением,  находя    какую-то  
характеристику (порог), позволяющую разделить все изображение на ч рное и белое. 
Понятно,  что  каждый  раз  вручную  для  каждого  изображения  подбирать  свой    порог  яркости  
неудобно.  Для    этого  существуют    различные  критерии    бинаризации,  например,  Отсу,  Бернсена, 
Эйквеля, Ниблэка и т.п.  
Самым эффективным, как по быстродействию, так  и  по  качеству, считается  критерий Отсу. 
Метод использует гистограмму распределения значений яркости пикселей растрового изображения. 
Строится гистограмма по значениям pi=ni/N, где N – это общее количество пикселей на изображении, 
ni–  это  количество  пикселей  с  уровнем  яркости i. Диапазон  яркостей  делится  на  два  класса  с 
помощью  порогового  значения  уровня  яркости k, k — целое  значение  от 0 до L. Каждому  классу 
соответствуют относительные частоты ω0ω1:  
    (1) 
    (2) 
Средние уровни для каждого  из  двух  классов  изображения.  
Далее  вычисляется  максимальное  значение  оценки  качества  разделения  изображения  на  две 
части:  
 
 
 
 
 
 
(3) 
где  (σ
кл
)
2
=ω
0
ω
1
(μ
1
-μ
0
)
2
, – межклассовая    дисперсия,  а  (σ
общ
)
2
 – это  общая  дисперсия  для  всего 
изображения целиком. Адаптивные методы работают с участками изображений и используются при 
неоднородном  освещении  объектов.  Такие  алгоритмы  базируются  на  использовании  локальной  или 
глобальной гистограммы изображения. На рисунке 3 представлен результат адаптивной бинаризации. 
 
 
 
Рис. 3. 
Адаптивная бинаризация 
 

● Технические науки 
 
     
                                               
№1 2014 Вестник КазНТУ  
         
182 
Для  системы  распознавания  автомобильных  номеров  в  большинстве  случаев  естественным 
является  выбор  адаптивных  методов  бинаризации  изображений,  т.к.  очевидно,  что  система  будет 
применяться в различных условиях (время  суток, наличие   строений и других объектов создающих 
тень,  а  так  же  сам  факт  перемещения  автомобиля  в  пространстве  и  т.д.).  Однако  следует  отметить, 
что  адаптивные  методы  бинаризации  работают  медленнее  пороговых,  что  следует  учитывать  при 
выборе метода.  
Выделение  контуров  на  изображении.  После  того,  как    была  проведена  предварительная 
обработка  и  бинаризация  цифрового  изображения,  происходит  извлечение    информация  о 
расположении границ между темными и светлыми областями изображения.   
Процедура  выделения  границ  строит  каркас  цифрового  изображения It(h,w) и  состоит  из 
следующих шагов: 1) обработка цифрового изображения It(h, w) фильтром Хаара; 2) выделение точек 
границ на обработанном изображении It(h, w); 3) объединение найденных точек в линии.  
На первом шаге процедуры входное изображение обрабатывается фильтром Хаара. В результате 
получается обработанное изображение того же размера, отражающее  величину местных перепадов  
яркости исходного изображения. Для  вычисления  пикселя  обработанного изображения  необходимо 
найти  соответствующий  пиксель  на  исходном  изображении,  очертить  прямоугольную  окрестность 
этого пикселя и разделить эту окрестность пополам. Значение пикселя обработанного  изображения 
будет  равно  алгебраической  сумме  пикселей  выделенной  окрестности  исходного  изображения,  в 
которой  пиксели  правой  части  берутся  со  знаком  «плюс»,  а    пиксели  левой  части – со  знаком 
«минус».  Если  использовать  вычислительный  прием  интегрального  изображения,  то  для  расчета 
одного  пикселя  обработанного  изображения  достаточно  выполнить  всего  пять  операций  сложения, 
независимо  от  количества  пикселей  в  его  прямоугольной  окрестности.  Это  существенно  повышает 
быстродействие метода, что важно для обработки видеопотока.  
На  третьем  шаге  процедуры,  найденные  граничные  точки  объединяются  в  линии.  Две  точки 
относятся к одной линии, если расстояние между ними не превышает заданного расстояния, которое 
назовем  радиусом  связности.  При  этом  точки  максимумов  никогда  не  объединяются  с  точками 
минимумов.  Таким  образом,  на  этом  шаге  выделяются  вертикальные  линии  границ  переходов 
яркости  с  темного  на  светлое  и  со  светлого  на    темное.  Для  выделения  горизонтальных  границ 
достаточно  развернуть  прямоугольную    окрестность  фильтра  на 90° и  сканировать  производное 
изображение в поисках экстремумов уже в вертикальном направлении. В результате данной операции 
мы  получаем  набор  контуров.  Контур - это  список  точек,  которые  в  той  или  иной  форме 
представляют кривую на изображении. Это представление может быть различным в зависимости от 
обстоятельств. Есть много способов для представления кривой. Как правило, контуры представлены 
последовательностями,  в  которых  каждая    запись  содержит  информация  о  нахождении  следующей 
точки на кривой. На рисунке 4 представлен пример применения процедуры выделения контуров на 
изображении:  
 
 
 
Рис. 4. 
Выделение контуров на изображении 
 
Проверка  контуров  на  соответствие  автомобильному  номеру:  для  того  чтобы  найти  контур 
автомобильного номера, следует осуществить фильтрацию  всех найденных контуров по критериям, 
отражающим  характеристики  автомобильного  номера  в  сравнении  с  другими  объектами 
окружающего  мира.  Следует  осуществлять  фильтрацию  по  следующим    характеристикам  контура:  
по  форме:  контур  должен  содержать  только 4 вершины,  попарно-параллельные  противоположные 
стороны,  и  углы  между смежными векторами близкие к 90°, а  так  же иметь длину в соотношении с 

● Техникалыќ єылымдар 
 
ЌазЎТУ хабаршысы №1 2014  
 
183
шириной,  удовлетворяющие  значениям  пропорций;  по    размеру:  контур    должен    удовлетворять  
требованиям  минимальной    и    максимальной    площади    содержимой    области,  чтобы    иметь  
возможность    извлечения  данных  (изображения  символов)  достаточной  информативности  (т.е. 
достаточного размера). 
Каждое  условие  фильтрации  использует  определенные  значения,  выступающие  настройками 
алгоритма.  Такие  настройки  могут  задавать  заранее  и  иметь  значения  по  умолчанию,  а  так  же 
значения, задаваемые пользователем во время непосредственного функционирования такой системы. 
Такой подход обеспечит гибкость и адаптивность алгоритма к различным условиям. 
Описанный  выше  алгоритм  был  реализован  с  использованием  библиотеки OpenCV в  модуле 
обнаружения  области  номерного  знака.  Модуль  выделяет  красной  рамкой  все  области,  в  которых 
может быть размещён номер. Результат работы алгоритма приведен на рисунке 5.  
 
 
 
Рис. 5. 
Результат работы алгоритма обнаружения области номерного знака 
 
Далее ведется работа над выбором и адаптацией методов распознавания символов с учетом их 
эффективности по таким основным характеристикам, как время и техническое оборудование. 
 
ЛИТЕРАТУРА 
1.  Прэтт У. Цифровая обработка изображений: Пер. с англ. / У. Прэтт. - М.: Мир, 1982. - Кн. 2. - 480 с. 
2.  Nijhuis J.A.G. Car License Plate Recognition with Neural Networks and Fuzzy Logic / J.A.G. Nijhuis [et al.]  
// IEEE International Conference on Neural Networks. - 1995. - Р. 2232-2236. 
3.  Елизаров  А.И.  Методика  построения  систем  распознавания  автомобильного  номера / А.И.Елизаров, 
А.В.Афонасенко // Известия Томского политехнического университета. - 2006. - Т.309. - №8. - С.118-122. 
4.  Wu V. Automatic text detection and recognition / V. Wu, R.Manmatha, E.M.Riseman. – DARPA 97. P.707-
712. 
5.  Галуев  Г.А.  Нейросетевая  система  автоматической  идентификации  номерных  знаков  автомобилей                  
/ Г.А. Галуев, А.С. Тараненко // Искусственный интеллект. – 2002. - №4. - C. 666-674. 
6.  Фурман  Я.А.  Цифровые  методы  обработки  и  распознавания  бинарных  изображений / Я.А.  Фурман       
А.Н. Юрьев, В.В. Яншин - Красноярск, 1992. – 248 с. 
 
REFERENCES 
1.  Prett U. Tsifrovaya obrabotka izobrazheniy: Per. s angl. / U. Prett. - M.: Мir, 1982. - Kn. 2. - 480 с. 
2.  Nijhuis J.A.G. Car License Plate Recognition with Neural Networks and Fuzzy Logic / J.A.G. Nijhuis [et al.]       
// IEEE International Conference on Neural Networks. - 1995. - Р. 2232-2236. 
3.  Elizarov  А.I. Metodika postroenia system raspoznavania avtomobilnogo nomera / А.I. Elizarov, 
А.V.Afonasenko // Izvestia Tomskogo politekhnicheskogo universiteta . - 2006. - Т.309. - №8. - S.118-122. 
4.  Wu V. Automatic text detection and recognition / V. Wu, R.Manmatha, E.M.Riseman. – DARPA 97. P.707-
712. 
5.  Galuev G.А.  Neirosetevaya  sistema  avtomaticheskoi  identifikatsii  nomernykh  znakov    avtomobilei                    
/ G.А. Galuev, А.S. Taranenko // Iskusstvennyi intellekt. – 2002. - №4. - S. 666-674. 
6.  Furman Ya.А. Tsifrovye metody obrabotki I raspoznavaniya binarnykh izobrazheniy / Ya.А. Furman, 
А.N.Yurev, V.V. Yanshin - Krasnoyarsk, 1992. – 248 s. 
 
 

● Технические науки 
 
     
                                               
№1 2014 Вестник КазНТУ  
         
184 
Тлебалдинова А.С., Денисова Н.Ф. 
Көлік құралдарының нөмірлік белгілерін айырып тану есебіне арналған əдістер мен аогритмдерді 
зерттеу
 
Түйіндеме.
  Мақала  көліктердің  нөмірлік  белгілерін  оқшаулау  сұрақтарына  арналған.  Жұмыста  нөмірлік 
белгілер облысын табуға арналған əр түрлі əдістерге шолу жасалған жəне олардың əрқайсысының кемшіліктері 
анықталған. Көліктердің нөмірлік белгілерін оқшаулау есебін шешуге мүмкіндік беретін жəне шынайы уақытта 
айырып  тану  жүйесінің  жұмысын  қамтамасыз  ететін  əдістің  сипаттамасы  мен  негіздемесі  берілген.  Кескінде  
автомобиль нөмірін табу алгоритмінің сызбасы мен оны жүзеге асырғандағы нəтижелері келтірілген. 
Кілттік сөздер:
 контурлық талдау, нөмірлік таңбаны оқшаулау, бинаризация, OpenCV. 
 
Тлебалдинова А.С., Денисова Н.Ф. 
Исследование  методов  и  алгоритмов  для  задачи  распознавания  номерных  знаков  транспортных 
средств
 
Резюме.
  Статья  посвящена  вопросам  локализации  номерного  знака  транспортных  средств.  В  работе 
проделан обзор существующих различных подходов к нахождению области номерного знака, а также выявлены 
их  недостатки.  Представлено  описание  и  обоснование  метода,  позволяющего  решить  задачу  обнаружения 
автомобильного  номера  и  обеспечить  работу  системы  распознавания  в  реальном  времени.  Приведена  схема 
алгоритма обнаружения автомобильного номера на изображении и результаты ее реализации. 
Ключевые слова:
 контурный анализ, локализация номерного знака, бинаризация, OpenCV. 
 
Tlebaldinova А.S., Denissova N.F. 
Research methods and algorithms for the problem of recognition of license plates of vehicles
 

жүктеу/скачать 43,12 Mb.

Достарыңызбен бөлісу: