تشخیص پلاک خودرو و احراز هویت راننده با ترکیب الگوریتم های پردازش تصویر و یادگیری عمیق

با افزایش تهدیدهای امنیتی و جرائم، لزوم ایجاد سیستم‌های نظارتی کارآمد برای جلوگیری از ورود افراد غیرمجاز به اماکن حساس بیش از پیش احساس می‌شود. سیستم‌های کنونی مبتنی بر دوربین‌های مداربسته معمولاً فقط شماره پلاک خودرو را شناسایی می‌کنند و هویت راننده را تایید نمی‌کنند، که این امر می‌تواند منجر به چالش‌های امنیتی شود. در این پژوهش، یک سیستم امنیتی ترکیبی برای تطبیق شماره پلاک خودرو و چهره راننده ارائه شده است که با استفاده از دو دوربین اختصاصی، دقت تشخیص و امنیت را بهبود می‌بخشد. دوربین 1 پس از دریافت چهره راننده با استفاده از مدل mediapipe face mesh جهت استخراج نقاط کلیدی دقیق و مدل ویژن ترنسفورمر برای استخراج ویژگی‌های عمیق و سطح بالا پردازش می‌شود. بردارهای ویژگی به دست آمده از چهره با استفاده از معیار فاصله کسینوسی با داده‌های موجود در پایگاه داده مقایسه شده و در صورت تطابق کافی، احراز هویت راننده انجام می‌شود. با استفاده از دوربین 2، پلاک خودرو با بهره‌گیری از یک شبکه عصبی کانولوشنی پیشرفته تشخیص داده شده و کاراکترهای آن استخراج می‌شود. این روش به تغییرات شرایط نوری و نویز محیطی مقاومت بیشتری دارد. نتایج شبیه‌سازی نشان می‌دهد که سیستم پیشنهادی با دقت 92% برای تشخیص چهره و 982% در استخراج پلاک خودرد و عملکرد پایدار در شرایط متغیر محیطی، به‌عنوان یک راهکار موثر برای افزایش امنیت در سیستم‌های نظارتی و کنترل دسترسی کاربرد دارد. افزایش امنیت، کاهش نرخ خطا، پردازش سریع‌تر و کاهش نیاز به داده‌های آموزشی حجیم از مزایای این روش ترکیبی است.

vehicle license plate recognition and driver identification using a combination of image processing algorithms and deep learning

as security threats and crimes increase, the need to create efficient surveillance systems to prevent unauthorized persons from entering sensitive areas is becoming increasingly felt. current systems based on cctv cameras usually only detect the license plate number and do not verify the identity of the driver، this can lead to security challenges. in this study, a hybrid security system was developed to match the vehicle's license plate number and driver's face, which improves detection accuracy and security by using two dedicated cameras. camera-1 is processed after receiving the driver's fکace using the mediapipe face mesh model to extract precise key points and the transformer vision model to extract deep and high-level features. feature vectors obtained from the face are compared using the cosine interval criterion with the data in the database and, if sufficient, driver authentication is performed. with camera-2, the license plate is detected using an advanced cannula neural network and its characters are extracted. this method is more resistant to changes in optical conditions and environmental noise. the simulation results show that the proposed system with an accuracy of 92% for facial recognition and 982% in the extraction of self-reduction plaque and stable performance under changing environmental conditions، it is used as an effective solution to increase security in surveillance and access control systems. increasing security, reducing error rates, faster processing and reducing the need for large-scale training data are the benefits of this combination method.