Krótka historia z naszego back-office. Zostawiamy ją tutaj, bo dobrze pokazuje, jak kamery LPR wyglądają w folderze producenta, a jak na realnym parkingu we wtorek wieczorem.
Pająk kontra system rozpoznawania tablic
Wjazd 1. Środa, 20:46. Kamera LPR raportuje, że w strefie detekcji coś stoi już ponad pół minuty, ale nie potrafi odczytać tablicy. Confidence — za niski. Bbox — za blisko krawędzi kadru. Format znaków — nie pasuje do żadnej znanej tablicy.
Sprawdzamy obraz. Auta nie ma. Jest pająk. Siedzi sobie tuż przed obiektywem, w samym środku strefy detekcji, podświetlony przez podczerwień tak ładnie, że na zdjęciu wygląda jak gwiazdka z reklamy świątecznej.
Kamery LPR w praktyce — co naprawdę je psuje
Na targach kamery LPR pokazują w idealnych warunkach: tablica prosto w kadrze, oświetlenie ustawione, auto jedzie 10 km/h. W produkcji walczą z czymś zupełnie innym:
- pająkami (osobny rozdział — sieci potrafią urosnąć w jedną noc),
- śniegiem przyklejonym do osłony obiektywu,
- liśćmi jesienią i topolowymi puchami w czerwcu,
- ptakami, które lubią siadać na szlabanie i na samej kamerze,
- przebłyskami słońca o świcie (białe tablice = biały kadr),
- tablicami brudnymi, zgiętymi, częściowo zasłoniętymi hakiem holowniczym,
- kierowcami, którzy zatrzymują się 30 cm przed pętlą indukcyjną, w martwym polu kamery.
Wniosek: kamera LPR to nie jest urządzenie typu „kup i działa”. To zestaw decyzji algorytmicznych, które muszą działać w środowisku, którego nikt nie projektował z myślą o widzeniu maszynowym.
Czego nauczył nas pająk
Z tego konkretnego pajączka wzięła się u nas heurystyka, którą wewnętrznie nazywamy reposition view:
Jeśli przez 3 kolejne próby kamera widzi coś dokładnie w tym samym miejscu kadru i to coś nie ma kształtu tablicy — to prawdopodobnie nie jest pojazd. To jest coś na kamerze.
Wokół tej zasady narosły kolejne: progi confidence, mechanizm best-of-3 (kamera ma trzy próby — bierzemy najlepszą), kontrola bbox przy krawędziach kadru, detekcja edge-cut, czyli sytuacji, gdy tablica jest częściowo poza polem widzenia.
Każda z tych rzeczy wzięła się z konkretnego błędu na produkcji. Nie z dokumentacji producenta, nie z whitepapera.
Trzeci poziom obrony to człowiek z miotełką
Kamery LPR robią naprawdę dużo: deep learning, podczerwień, klasyfikacja w czasie rzeczywistym, integracja z pętlami indukcyjnymi i szlabanem. Ale po wszystkich tych warstwach algorytmów raz na jakiś czas zostaje jedna rzecz, której nie da się rozwiązać kodem:
Trzeba pojechać, zmieść pajęczynę i przetrzeć obiektyw.
To też jest część systemu parkingowego. Może mniej efektowna niż slajdy na konferencji, ale ta, która sprawia, że szlaban o 20:46 jednak się podnosi.
Leave a Reply