Эту задачу помогут решить сверхточные нейронные сети (CNN) - современные архитектуры нейронных сетей, которые в основном используются для задач компьютерного зрения. CNN может применяться для решения ряда различных задач, таких как распознавание изображений, локализация объектов и обнаружение изменений.
Ныне разработано приложение компьютерного зрения «ОКО», которое может идентифицировать модель автомобиля на представленном изображении. Учитывая, что разные модели автомобилей могут выглядеть очень похожими, и любой автомобиль может выглядеть очень по-разному в зависимости от окружающей среды и угла, под которым они сфотографированы, такая задача до недавнего времени была просто невозможной.
И эта непростая задача решена КодЛикс - Российской IT-компанией, которая занимается исследованиями и разработкой систем технического зрения, а также созданием наукоёмкого программного обеспечения. КодЛикс имеет государственную аккредитацию в министерстве цифрового развития, связи и массовых коммуникаций Российской Федерации.
Обнаружение транспортных средств и распознавание их - одна из широко востребованных функций в наши дни компаниями и организациями. Эта технология использует компьютерное зрение для обнаружения различных типов транспортных средств на видео или в реальном времени с помощью камеры.
Революция глубокого обучения позволила расширить возможности системы. Вместо того, чтобы объяснять концепцию автомобиля, компьютеры смогли вместо этого многократно изучать изображения и сами изучать такие концепции. За последние несколько лет дополнительные инновации в области искусственных нейронных сетей привели к созданию искусственного интеллекта, который может выполнять задачи классификации изображений с точностью человеческого уровня и даже превышать его. Основываясь на новых разработках, КодЛикс смог обучить искусственный интеллект классифицировать автомобили по их модели.
Программная библиотека «ОКО», которая разработана специалистами КодЛикс, может обнаружить и идентифицировать автомобили на изображениях и в видеопотоке. Работа библиотеки основана на технологии глубокого машинного обучения. При этом наиболее весомыми функциями являются возможность определения марки и модели автомобиля по представленном на изображении или на видео и по заданному эталонному изображению (фото) разыскать заданный экземпляр автомобиля среди множества изображений автомобилей или в видеопотоке (видеофайле).
Высокая эффективность работы системы «ОКО» обеспечивается использованием современных нейросетевых алгоритмов. Именно набор нейросетей позволяет выделить и анализировать различные особенности автомобиля, присущие именно ему, когда он находится в видеопотоке или представлен на снимках. Причем, «ОКО» анализирует все особенности внешнего вида автомобиля, не ограничиваясь использованием только номера государственной регистрации или информации о марке и модели транспортного средства.
Важнейшей особенностью созданной нейронной сети является возможность идентификации автомобиля, снятого с разных ракурсов, что значительно увеличивает эффективность распознавания.
Решая задачи повышения гарантированной точности распознавания, разработчики использовали большие базы данных и привлекли операторов высокой квалификации, которые выполнили первоначальную подготовку данных на этапе обучения нейросетей.
Примененные проверенной архитектуры нейросетей, задействованных в данных проектах, позволяет выполнять машинную обработку данных с высокой точностью и скоростью. При этом система может работать как с изображениями одиночных автомобилей, так и с кадрами, на которых представлены несколько транспортных средств.
При этом уникальной особенностей данной системы является возможность использования ее на носимых устройствах, что важно при решении задач не только по обработке видеозаписи с камер систем видеонаблюдения, но также при быстром разворачивании мобильных рабочих мест и даже функционировать на автомобилях во время движения.
Высокие показатели разработанного программного комплекса «ОКО» достигнуты большим количеством теоретических исследований, при которых применялись методы системного анализа, обработки изображений и распознавания образов, а также машинного обучения. Разработчиками был произведён широкий анализ существующих решений при практической реализации данной задачи, что позволило синергетично объединить в данной системе наиболее передовые и совершенные алгоритмы и методологии.
Для классификации изображений разработчики системы «ОКО» использовали модифцированные версии нескольких сверточных нейронных сетей. Они исследовали поведение этих сетей при анализе изображений автомобилей, а также модифицировали их архитектуру с целью получения максимальной производительности в решаемых задачах. При этом подбирались оптимальные параметры обучения (гиперпараметры сети) и определялись этапы предподготовки обучающей выборки.
Принцип работы системы заключается в проведении анализа всех изображений автомобиля с использованием набора нейросетей, каждая из которых отвечает за конкретный выделенный признак. После этого происходит формрование цифрового представления автомобиля, которое переносится в базу данных или напрямую используется для сравнения с заданным.
Данная разработка позволяет значительно упростить поиск требуемого автомобиля, используя видеозаписи, даже в том случае, даже если номерные знаки заменены или не читаемы, что безусловно повысит раскрываемость угонов автомобилей.
