Распознавание номеров (LPR / ANPR): как работает

Это инженерное руководство, а не юридическая консультация. Уточняйте детали у квалифицированного юриста.

Кратко

Распознавание автомобильных номеров превращает изображение машины с камеры в текст её номера – это конвейер из четырёх шагов: найти номер, очистить кадр, прочитать символы и сверить результат со списком. Точность здесь – не одно число, а два: доля захвата (камера получила пригодное изображение номера?) и доля чтения (символы прочитаны верно?), и честная цифра системы – это их произведение: высокая на контролируемой полосе и заметно ниже в плотном потоке, под углом, ночью или на грязном номере, и никогда не 100%. Номер попадает в систему видеоуправления (VMS) как стандартное событие через ONVIF Profile M, который несёт метаданные номера, но ничего не говорит о том, насколько точным было чтение. Главное: автомобильный номер – это персональные данные, но не биометрия, поэтому он подпадает под закон о защите данных и сроках хранения (GDPR, режим видеонаблюдения в Великобритании, закон Калифорнии об ALPR), а не под особые правила для биометрии, что регулируют распознавание лиц, – и его настоящий риск это трасса перемещений, что накапливается, когда множество чтений хранятся и связываются во времени.

Почему это важно

Распознавание номеров – это аналитика, которую чаще всего разворачивают походя, а потом жалеют: не потому, что технология экзотична, а потому, что покупатели недооценивают и то, насколько условна её точность, и то, как быстро сохранённые чтения превращаются в карту перемещений людей. Специфицирует её обычно оператор парковки, системный интегратор, городской отдел трафика или контроля, менеджер логистики или кампуса либо продакт, который видел на демо чистое чтение номера в солнечной полосе и теперь должен рассчитать систему под дождь, фары, скорость и сотню дизайнов номеров. Эта статья написана так, чтобы нетехнический читатель понял обе половины: как на самом деле работает чтение и где оно проседает, и почему номер юридически – совсем не то же, что лицо: легче в одном (он не биометрия) и тяжелее в другом (он строит истории перемещений). Старший видеоинженер найдёт формулировки о стандартах и точности корректными; но текст в первую очередь служит человеку, принимающему решение.

Что такое LPR – и какие слова путают

Начнём с названий, потому что три аббревиатуры описывают одну идею, а четвёртая тихо отличается. LPR (License-Plate Recognition) и ANPR (Automatic Number-Plate Recognition) – это одна технология: LPR – распространённый термин в Северной Америке, ANPR – в Великобритании и большей части мира. ALPR (Automated License-Plate Reader) обычно называет правоохранительную версию массового сбора того же самого. Все три означают: камера и софт читают номер машины с видео и превращают его в искомый текст.

Четвёртое слово важно, чтобы купить правильную камеру. LPC – License-Plate Capture, «захват» – это камера, что записывает чёткое читаемое изображение номера для человека, но не превращает его в текст. LPR добавляет шаг распознавания, что выдаёт символы как данные, по которым компьютер ищет, сверяет и подаёт тревогу. Камера захвата даёт вам доказательство; камера распознавания даёт автоматизацию. Понимание того, что именно вы покупаете, предотвращает самую частую закупочную ошибку в этой области.

И ещё одна рамка, что держит всю статью честной: LPR опознаёт автомобиль и через регистрационную базу его владельца – но не обязательно того, кто за рулём. Чтение номера говорит «эта машина проехала здесь в это время», а не «этот человек был здесь». Этот разрыв – авто, а не водитель – проходит и через рассказ о точности, и через рассказ о приватности ниже.

Как работает LPR: конвейер из четырёх шагов

Современное распознавание номеров – это конвейер из четырёх шагов. На каждом шаге точность теряется или сохраняется, поэтому каждый стоит понять простыми словами.

Шаг 1 – найти номер (детекция). Сначала система находит машину и номер в кадре – так же, как детекция объектов, что мы разбирали раньше, обводит рамкой машину или человека. Нейросеть, обученная находить номера, возвращает рамку вокруг области номера. Если номер слишком мал в кадре, слишком под углом или потерян в бликах, всё дальше по конвейеру страдает – «мусор на входе» начинается здесь.

Шаг 2 – очистить кадр (подготовка). Вырезанный номер редко бывает строго анфас и ровно освещён. Система поворачивает и выпрямляет его, масштабирует к стандартному размеру и поднимает контраст, чтобы символы отделились от фона. Здесь и окупается особое железо: светоотражающее покрытие номера – тот же материал, что заставляет дорожные знаки светиться в фарах, – отбрасывает инфракрасный свет прямо обратно в камеру, поэтому инфракрасный осветитель делает символы различимыми даже в полной темноте. Хорошо очистите кадр – и задача чтения станет лёгкой; очистите плохо – и ни один распознаватель не спасёт.

Шаг 3 – прочитать символы (OCR). Теперь главный шаг: оптическое распознавание символов (OCR) – технология, что превращает картинку текста в настоящие буквы и цифры. Система либо сегментирует номер на отдельные символы и распознаёт каждый, либо – в новых решениях – читает весь номер за один проход нейросетью, обученной на множестве шрифтов и раскладок. На выходе – строка вроде AB12CDE. Внутренности модели здесь – архитектура OCR-сети и обучение – относятся к разделу AI for Video Engineering; эта статья владеет тем, как чтение встраивается в камеру, VMS и рабочий процесс.

Шаг 4 – проверить результат (постобработка). Сырому чтению не верят слепо. Система применяет правила синтаксиса ожидаемого региона (у британского номера фиксированный паттерн букв-цифр; у номера штата США – свой), использует голосование по кадрам – читает один номер на нескольких кадрах видео и берёт самый согласованный ответ – и затем сверяет подтверждённый номер со списком наблюдения (машины интереса) или списком допуска (разрешённые машины, например резиденты). Весь конвейер, от изображения до сверенного результата, обычно занимает заметно меньше секунды.

Нажмите, чтобы увеличить

Точность – это два числа, а не одно

Вот правило, на котором держится весь раздел, применённое к номерам: точность – это диапазон, привязанный к качеству изображения, углу, скорости, свету и состоянию номера, а не одно число, и никогда не 100%. И для LPR есть второй, более острый тезис, что большинство вендорских паспортов размывают: точностей две, и честная цифра – их произведение.

Доля захвата отвечает: из проехавших машин, на скольких камера получила пригодное изображение номера? Машину можно упустить из-за того, что её закрыла другая, номер вышел за кадр, была неверная экспозиция или поздно сработал триггер. Производители обычно целятся в долю захвата около 98%.

Доля чтения отвечает: из захваченных номеров, сколько OCR превратил в верные символы? Захваченный, но неверно прочитанный номер путает 8 и B, теряет символ или искажает нестандартный шрифт. Производители обычно целятся в долю чтения около 95%.

Теперь арифметика, которую покупатели пропускают. Сквозная точность системы – это произведение двух:

• доля захвата: 98% = 0,98
• доля чтения: 95% = 0,95
• верных чтений в сумме: 0,98 × 0,95 = 0,931 → около 93%

Так система, заявленная с двумя отлично звучащими числами, выдаёт верные пригодные чтения примерно на 93 из 100 машин в хороших условиях – и это хороший случай. Назовите одно «99%» – и вы спрятали, какое из двух чисел оно описывает и при каких условиях измерялось.

Нажмите, чтобы увеличить

Условия двигают оба числа, и сильно. Факторы, что важнее всего, примерно по порядку: угол номера к камере (держите в пределах примерно 30 градусов по горизонтали и вертикали), скорость машины (быстрее – больше смаза, если затвор не достаточно быстр, чтобы его заморозить), свет (прямое солнце, блик фар и полная темнота – каждое побеждает камеру, не созданную под это), физическое состояние номера (грязь, повреждения, тонированные рамки, необычные шрифты) и разнообразие номеров (развёртывание в США встречает 50+ дизайнов штатов и именные номера; стандартизированный номер одной страны куда легче). Контролируемая полоса парковки – медленные машины, фиксированный хороший угол, инфракрасный ночью, в основном местные номера – попадает в верх диапазона, обычно 95–99% доли чтения. Многополосная дорога со свободным потоком, смешанной погодой, смешанными номерами и более высокими скоростями тянет реальную цифру вниз, иногда заметно ниже полосной, – поэтому программы взимания платы и контроля считают ошибочные чтения заложенной в бюджет статьёй расходов, а не невозможностью.

Нажмите, чтобы увеличить

Частая ошибка, которой стоит избегать

Самая дорогая схема, что мы видим, – считать чтение номера доказательством, что человек где-то был. Номер опознаёт машину и через реестр её владельца – но не водителя и не с уверенностью, когда символ прочитан неверно. На втором месте – спецификация по полосной цифре и развёртывание на дорогу: 98%-захват / 95%-чтение от медленной, хорошо освещённой точки доступа – это не то, что выдаёт четырёхполосное шоссе в сумерках, и бюджет на цифре с демо гарантирует разочарование. Третья – покупка камеры захвата (LPC) с ожиданием распознавания (LPR) – или покупка обычной камеры с навешенным LPR без инфракрасного, быстрого затвора и узкого угла, что нужны самому чтению. Требуйте полевой пилот на ваших реальных камерах, вашем реальном трафике и вашем реальном наборе номеров, с отчётом по отдельным долям захвата и чтения и указанием условий, прежде чем кто-то назовёт LPR «готовым».

Что чтению нужно от камеры

Распознавание номера требует от камеры больше, чем обычное наблюдение, и выделенная LPR-камера построена вокруг четырёх вещей, что обычные камеры делают неверно.

Первое – быстрый затвор. Машина на дорожной скорости проходит за обычную выдержку достаточно, чтобы смазать номер в нечитаемое пятно, поэтому LPR-камеры используют короткие выдержки – обычно в диапазоне 1/500–1/2000 секунды, ещё быстрее для высоких скоростей, – чтобы заморозить номер. Второе – инфракрасный осветитель, настроенный под светоотражающее покрытие номера, что возвращает чёткое контрастное изображение номера в полной темноте и пробивает блик фар, пока остальная сцена остаётся тёмной. Третье – узкое контролируемое поле зрения: вариофокальный или длинный объектив, что заполняет кадр номером в точке чтения, потому что разрешение, потраченное на номер, – это разрешение, что помогает OCR. Четвёртое, на камерах для быстрых полос, – сенсор с глобальным затвором, что экспонирует весь кадр сразу, избегая диагонального смаза, что роллинг-затвор даёт на быстрых объектах, и чисто синхронизируясь с инфракрасным импульсом.

Практический вывод: LPR – это обычно выделенная камера, нацеленная на точку чтения, часто в паре со второй обзорной камерой, что показывает всю сцену – водителя, полосу, окружение – в обычном цвете. LPR-камера отвечает «какой номер?»; обзорная отвечает «что произошло?». Попытка делать обе работы одной камерой – тихая причина, почему столько ретрофит-проектов LPR недотягивают.

Где работает LPR – и как номер попадает в VMS

Конвейер может работать в двух местах, и где он работает, формирует стоимость, задержку и приватность. На краю камера или малый локальный сервер читают номер сами и отдают лишь результат – строку номера и миниатюру, – что держит трафик низким, а сырое видео локальным. Многие современные LPR-камеры – самодостаточные считыватели, что делают весь конвейер на устройстве. Централизованно, на сервере или в облаке, камера шлёт кадры вверх, а чтение и сверка с базой происходят в одном месте – что нужно, чтобы сверять номер с большим, часто обновляемым списком или коррелировать чтения между многими камерами. Где работает аналитика – на камере, на локальном сервере или в облаке – это отдельное решение со своим профилем задержки, трафика и приватности, разобранное в аналитике на краю против облака. Эта статья владеет тем, что LPR делает и какой закон его оборачивает.

Как бы он ни работал, чтение становится полезным лишь тогда, когда система видеоуправления – софт, что принимает и записывает множество потоков с камер, называемый VMS, – может его принять и на него отреагировать. Здесь и вступает стандарт. ONVIF – это общий язык, что позволяет камерам и софту разных производителей понимать друг друга, а ONVIF Profile M – профиль, созданный для метаданных и событий аналитики. Profile M явно задаёт стандартные метаданные для номерных знаков (наряду с машиной, лицом и телом) и интерфейс события для аналитики распознавания номеров, переносимые внутри видеопотока, через ONVIF event service или по лёгкому протоколу обмена сообщениями MQTT (ONVIF, Profile M). Его собственный пример использования – «контроль доступа на парковке через приложения распознавания номеров». Это стандартное событие – причина, по которой чтения номеров с Profile M-камеры могут открыть шлагбаум, наполнить индекс поиска или поднять тревогу в Profile M-совместимой VMS другого вендора.

Вот граница, что подводит команды, и она та же, что управляет каждой аналитикой. ONVIF стандартизирует, как сообщается событие номера, а не насколько точно чтение и как оно вычислено. Сама модель OCR, порог уверенности, правила синтаксиса региона – это собственность вендора, доступная через его SDK, а не гарантия ONVIF. Как всегда, совместимость с ONVIF – это базовый уровень интероперабельности, а не обещание паритета функций или точности. Держите «события номера, совместимые с ONVIF» и «точное чтение номера» строго отдельно. О стандарте под этим – см. события, метаданные и интерфейс аналитики ONVIF; о коммерческом обзоре того, как профили вписываются в системы безопасности, ориентир – блог Фора Софт профили ONVIF в системах безопасности.

Нажмите, чтобы увеличить

Юридическая граница: номер – это персональные данные, но не биометрия

Это часть, что отделяет распознавание номеров от распознавания лиц, и понять её верно защищает вас и от чрезмерной осторожности, и от беспечности. С лицами закон идёт прежде функции, потому что шаблон лица – это биометрия. Автомобильный номер – другое.

Номер – это персональные данные. По европейскому Общему регламенту защиты данных (GDPR), персональные данные – это любая информация, относящаяся к опознанному или опознаваемому человеку, включая идентификационный номер. Номер, обработанный в контексте, что связывает его через реестр с владельцем машины, – это персональные данные, поэтому GDPR применяется: вам нужно законное основание, вы должны сообщить людям, что система существует, а систематическому наблюдению нужна оценка рисков (GDPR, Рег. (ЕС) 2016/679, ст. 4(1) и ст. 6; EDPB Guidelines 3/2019 о видеоустройствах).

Номер – это не биометрия. Это ключевое различие. Биометрия в смысле статьи 9 GDPR возникает из технической обработки физических характеристик человека – лица, отпечатка, радужки – для однозначного опознания этого человека. Номер – это присвоенный идентификатор машины, а не измерение тела. Европейский совет по защите данных (EDPB) относит номера к отдельной от биометрии категории персональных данных. Практический итог: режим спец-категории статьи 9 и построенные вокруг него биометрические законы США – Illinois BIPA, Texas CUBI, – что регулируют распознавание лиц, к самому номеру не применяются. LPR проходит более низкий юридический барьер, чем сверка лиц. Это реальное и полезное различие, и именно поэтому парковки свободно используют LPR там, где никогда не запустили бы распознавание лиц.

Но настоящий риск – это трасса перемещений. Опасность в распознавании номеров не в одном чтении, а в истории. Сохраните каждое чтение с многих камер за месяцы – и вы построили карту того, где машина (и по выводу её владелец) бывала, когда и как часто. Это накопление – сердце проблемы приватности, и именно поэтому массовое автоматическое чтение номеров вызывает устойчивое внимание. Анализ полицейских сетей считывателей от Electronic Frontier Foundation нашёл, что более 99,9% собранных данных номеров не связаны ни с каким преступлением или расследованием – это, в подавляющем большинстве, запись перемещений невиновных людей, хранимая на всякий случай (EFF, Street-Level Surveillance: Automated License Plate Readers). Иными словами, юридический барьер для LPR – это в основном хранение, доступ и передача, а не согласие на захват.

Три режима показывают, как это работает, и различаются по месту:

• Евросоюз – GDPR + EDPB. Номер – персональные данные; развёртыванию ANPR нужны законное основание (для платной парковки часто – необходимость исполнения договора; для госорганов – публичная задача или законный интерес), понятные таблички, минимизация данных, заданный срок хранения и – для систематического наблюдения за публичным пространством – оценка воздействия на защиту данных (DPIA) по ст. 35 GDPR, как разъясняет руководство EDPB по видеоустройствам (EDPB, Guidelines 3/2019).
• Великобритания – одна из крупнейших сетей ANPR в мире, строго управляемая. Национальная система ANPR Великобритании фиксирует порядка 60 миллионов чтений в день, хранит данные 12 месяцев и ограничивает доступ ролевым контролем; её работа задокументирована в опубликованной DPIA и управляется руководством Управления комиссара по информации (ICO) и Surveillance Camera Code of Practice по Закону о защите свобод 2012 года (UK Home Office, National ANPR Service DPIA; ICO, руководство по ANPR). Масштаб и надзор по замыслу растут вместе.
• США – нет федерального закона, лоскут штатов. ALPR широко развёрнут при малом федеральном регулировании. SB 34 Калифорнии (2015, кодифицирован в Civil Code §1798.90.5 и далее) – ведущий пример защиты на уровне штата: он требует от операторов ALPR публиковать политику использования и приватности, вести журналы доступа, защищать данные и – для госорганов – запрещает продавать или передавать данные, кроме как другим госорганам. Данные считывателей часто хранятся годами и нередко лежат в частных базах вендоров вроде Flock Safety или Vigilant от Motorola, а правоприменение по незаконной передаче данных продолжается (California Civil Code §1798.90.5; EFF, политики ALPR).

Чистое инженерное правило, что вытекает из всех трёх: для номеров проектируйте под закон о хранении и передаче так же, как под биометрический закон для лиц. Задайте определённый, обоснованный срок хранения и удаляйте по графику; логируйте и ограничивайте, кто может запрашивать историю; не передавайте данные вне их законной цели; размещайте уведомление; проводите DPIA для любого систематического развёртывания. Номер захватить законно легче, чем лицо, – а сохранённая история и есть место, где живёт ответственность. Это инженерное руководство, а не юридическая консультация.

Нажмите, чтобы увеличить

LPR одним взглядом

Табл. 1. Распознавание номеров против распознавания лиц. Они делят форму «камера → событие» и правило «никогда не 100%», но юридически различны: номер – персональные данные под законом о хранении, лицо – спец-категория биометрии под законом о согласии. Сопоставьте аналитику – и её юридический барьер – реальной задаче.

Где это окупается

Распознавание номеров окупает себя в горстке проверенных задач, и назвать их – значит заземлить ожидания. Крупнейшая – парковка и контроль доступа: шлагбаум открывается по номеру резидента из списка допуска без брелока, безбилетная стоянка тарифицирует по номеру, кампус или депо пускает одобренные машины и логирует прочие. Вторая – взимание платы и дорожные сборы – полосы свободного потока, зоны низких выбросов и платного въезда, что тарифицируют или фильтруют по номеру на скорости. Третья – безопасность и контроль: тревога при появлении машины из списка наблюдения, поддержка расследования или отметка краденого номера – область, где опасения об истории перемещений выше всего, а управление должно быть строжайшим. Вокруг них – длинный хвост меньших применений: выдача у машины и самовывоз, что встречают известного клиента, аналитика времени стоянки и трафика, автоматизация на заправке или весовом контроле.

В каждом дисциплина «точность против производительности» одна и та же: чтение высокое, но не идеальное, поэтому рабочий процесс должен мягко терпеть ошибочное чтение – промах по списку допуска откатывается к домофону, совпадение в контроле подтверждается человеком, что смотрит на изображение номера, а не действует вслепую. Чтение номера – сильный сигнал, а не вердикт.

Где здесь Фора Софт

Фора Софт строит софт реального времени для видео, стриминга и компьютерного зрения с 2005 года, в 250+ выпущенных проектах, и распознавание номеров – функция, где мы тратим больше всего усилий ещё до того, как камера увидит номер: на геометрию полосы, угол, затвор и инфракрасный, точку чтения, потому что именно там теряется или сохраняется доля захвата. Мы ведём с того, как система ведёт себя под реальной нагрузкой: с отдельных долей захвата и чтения, измеренных на собственной полосе и наборе номеров клиента, с процесса мягкого отката для неизбежного ошибочного чтения и с дизайна хранения и доступа, что держит сохранённую историю законной и минимальной, – и лишь потом с возможностей. Система номеров, что честна о своих двух числах точности и построена удалять по графику, бьёт ту, что показывает идеальное чтение на демо и тихо накапливает ответственность.

Главное

• LPR/ANPR читает номер машины в искомый текст; он опознаёт машину и её владельца, но не водителя.
• Конвейер – четыре шага: найти номер, очистить кадр, прочитать символы (OCR), проверить и сверить.
• Точность – это два числа: доля захвата × доля чтения, и честная цифра – их произведение, никогда не 100%.
• Угол, скорость, свет, состояние и разнообразие номеров двигают точность; контролируемая полоса читает куда лучше потока.
• Выделенной LPR-камере нужны быстрый затвор, инфракрасный под светоотражающий номер и узкий угол – часто в паре с обзорной камерой.
• Номер – персональные данные, но не биометрия: проектируйте под закон о хранении, доступе и передаче, а не под режим ст. 9 / BIPA.

Что почитать дальше

• Распознавание лиц в видеонаблюдении: как работает и где ограничено
• Карта видеоаналитики: что может обнаружить система наблюдения
• GDPR для видеонаблюдения