Киселев Алексей Викторович, кандидат технических наук, доцент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexey V. Kiselev, Cand. Sci. (Engineering), Associate Professor at the Department Computers
50 Let Oktyabrya Str. 94, Kursk 305040
Кулешова Елена Александровна, кандидат технических наук, доцент кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Elena A. Kuleshova, Cand. Sci. (Engineering), Associate Professor at the Department Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Таныгин Максим Олегович, доктор технических наук, доцент, профессор кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Maxim O. Tanygin, Dr. Sci. (Engineering), Associate Professor, Professor at the Department Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Конаныхина Татьяна Николаевна, кандидат технических наук, доцент, доцент кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Tatyana N. Konanykhina, Cand. Sci. (Engineering), Associate Professor, Associate Professor at the Department Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Чьямова Зоя Константиновна, студент кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Zoya K. Chyamova, Student at the Department of Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования — повышение точности и скорости распознавания государственных регистрационных знаков транспортных средств в режиме реального времени за счет применения гибридного метода, адаптированного к российским стандартам и устойчивого к условиям окружающей среды.
Методы. В статье предложен и апробирован гибридный Memod распознавания государственных регистрационных знаков транспортных средств на основе конвейерной архитектуры YOLOvV12 — EasyOCR. Был синтезирован уникальный обучающий набор данных, обеспечивающий максимальную вариативность. Проведен сравнительный анализ детекторов (YOLOv10, YOLOv12, RT-DETR), подтверждающий целесообразность использования модели YOLOv12, продемонстрировавшей наилучшие показатели наиболее важных метрик (Precision = 0,99, Recall = 0,98 и mAP0,5:0,95 = 0,91). Разработан многовариантный конвейер предобработки изображений для OCR, выполняющий последовательное преобразование вырезанного изображения, включающий адаптивное масштабирование, улучшение контраста, шумоподавление и морфологические операции. Для минимизации типичных ошибок ОСВ был использован ограниченный набор допустимых символов и реализован алгоритм проверки соответствия российскому формату государственных регистрационных знаков.
Результаты. Оценка эффективности ОСВ проводилась путем сравнения распознанного текста с эталонным с использованием количественных Mempuk, таких как CRR (Character Recognition Rate) и PRR (Plate Recognition Rate), являющейся отраслевым аналогом метрики WRR (Word Recognition Rate). Проведен ряд экспериментов на тестовом наборе данных. Экспериментальная валидация предложенного гибридного метода распознавания государственных регистрационных знаков транспортных средств подтвердила его высокую эффективность (получены значения количественных метрик: mAP0,5:0,95 = 0,91, CRR = 99,0 %, PRR = 98,5 %), что свидетельствует о способности метода к обеспечению устойчивого распознавания в условиях реальной эксплуатации.
Заключение. Полученные результаты соответствуют верхней границе диапазона показателей coврeменных систем автоматического распознавания, включая коммерческие решения. Это свидетельствует о высокой конкурентоспособности предложенного метода.
The purpose of the research is improving the accuracy and speed of real-time recognition of vehicle registration plates through the use of a hybrid method adapted to Russian standards and resistant to environmental conditions.
Methods. This paper proposes and tests a hybrid method for recognizing vehicle registration plates based on the YOLOv12 – EasyOCR pipeline architecture. A unique training dataset was synthesized to ensure maximum variability. A comparative analysis of detectors (YOLOv10, YOLOv12, RT-DETR) was conducted, confirming the feasibility of using the YOLOv12 model, which demonstrated the best performance on the most important metrics (Precision = = 0,99, Recall = 0,98, and mAP0,5:0,95 = 0,91). A multivariate image preprocessing pipeline for OCR was developed, performing sequential transformations of the cropped image, including adaptive scaling, contrast enhancement, noise reduction, and morphological operations. To minimize typical OCR errors, a limited set of acceptable characters was used, and an algorithm for checking compliance with the Russian license plate format was implemented. Results. The OCR performance was assessed by comparing the recognized text with the reference text using quantitative metrics such as Character Recognition Rate (CRR) and Plate Recognition Rate (PRR), which is the industry equivalent of Word Recognition Rate (WRR). A series of experiments were conducted on a test dataset. Experimental validation of the proposed hybrid method for recognizing vehicle license plates confirmed its high efficiency (quantitative metric values of mAP0,5:0,95 = 0,91, CRR = 99,0 %, PRR = 98,5 %), demonstrating the method’s ability to ensure robust recognition under real-world conditions.
Conclusion. The obtained results correspond to the upper limit of the performance range of modern automatic recognition systems, including commercial solutions. This demonstrates the high competitiveness of the proposed method.
The authors declare that there are no conflicts of interest present.