تشخیص پلاک خودرو با پایتون (ANPR)؛ راهنمای صفر تا صد

داستان پلاک‌ها؛ از یک تکه آهن تا چشم‌های هوشمند دیجیتال

تا به حال به این فکر کرده‌اید که وقتی از یک عوارض الکترونیکی رد می‌شوید یا وارد پارکینگ یک مرکز خرید بزرگ می‌شوید، چه اتفاقی در کسری از ثانیه می‌افتد؟ هیچ نگهبانی با دفترچه یادداشت منتظر شما نیست تا شماره پلاک‌تان را بنویسد. در واقع، یک سیستم «بینایی ماشین» (Computer Vision) در حال تماشای شماست. او نه تنها می‌بیند که یک ماشین در حال حرکت است، بلکه می‌تواند با دقت خیره‌کننده‌ای، حروف و اعداد روی آن تکه فلز کوچک را بخواند و در یک دیتابیس عظیم جستجو کند.

این تکنولوژی که ما متخصصان به آن ANPR (Automatic Number Plate Recognition) یا تشخیص خودکار پلاک خودرو می‌گوییم، دیگر مختص فیلم‌های جاسوسی یا سیستم‌های پیچیده پلیس نیست. امروزه با قدرت زبان برنامه‌نویسی پایتون و کتابخانه‌های متن‌باز، هر کسی که کمی اشتیاق به کدنویسی داشته باشد، می‌تواند سیستمی بسازد که پلاک خودروها را تشخیص دهد.

طبق گزارش‌های صنعتی، بازار سیستم‌های شناسایی هوشمند خودرو به دلیل گسترش شهر‌های هوشمند (Smart Cities)، سالانه رشد دو رقمی دارد و پایتون به دلیل سادگی و قدرت در حوزه هوش مصنوعی، زبان شماره یک این انقلاب است.

بیایید روراست باشیم؛ در ابتدا شاید فکر کنید که تشخیص پلاک یعنی فقط خواندن چند عدد. اما واقعیت این است که دنیای واقعی «کثیف» است. نور خورشید که مستقیماً روی پلاک می‌تابد و باعث درخشش می‌شود، بارانی که حروف را تار می‌کند، زاویه دوربین که پلاک را کج نشان می‌دهد یا حتی پلاک‌های قدیمی و فرسوده که رنگشان پریده است؛ همه این‌ها چالش‌هایی هستند که یک برنامه ساده نمی‌تواند از پس آن‌ها بربیاید. اینجاست که ما به سراغ مفاهیم پیشرفته‌تری مثل پردازش تصویر و یادگیری عمیق می‌رویم.

پایتون چرا؟ چرا نه جاوا یا سی‌پلاس‌پلاس؟

شاید بپرسید وقتی سی‌پلاس‌پلاس (C++) سرعت بسیار بالاتری دارد، چرا برای ساخت یک سیستم تشخیص پلاک به سراغ پایتون می‌رویم؟ پاسخ در یک کلمه است: اکوسیستم.

تصور کنید می‌خواهید یک خانه بسازید. در سی‌پلاس‌پلاس، شما باید تک‌تک آجره‌ها را خودتان بپزید و سیمان را فرموله کنید. اما در پایتون، شما به یک فروشگاه عظیم از قطعات پیش‌ساخته دسترسی دارید. هر کاری که بخواهید انجام دهید (از تشخیص لبه‌های تصویر گرفته تا تبدیل عکس به متن)، یک کتابخانه یا «پکیج» آماده برای آن وجود دارد که توسط هزاران برنامه‌نویس در سراسر جهان بهینه‌سازی شده است.

شرکت‌های بزرگی مثل Google و Meta (فیس‌بوک سابق) بخش بزرگی از زیرساخت‌های هوش مصنوعی خود را بر پایه پایتون بنا کرده‌اند. دلیلش ساده است؛ پایتون اجازه می‌دهد برنامه‌نویس به جای درگیر شدن با پیچیدگی‌های سخت‌افزاری و مدیریت حافظه، روی «منطق» برنامه تمرکز کند. در پروژه ANPR، ما می‌خواهیم روی اینکه «چطور پلاک را بهتر تشخیص دهیم» تمرکز کنیم، نه اینکه «چطور حافظه رم را مدیریت کنیم».

کالبدشکافی سیستم ANPR؛ این جادو چطور کار می‌کند؟

برای اینکه بتوانیم یک سیستم تشخیص پلاک بسازیم، نباید به آن به چشم یک مرحله نگاه کنیم. در واقع، ANPR یک خط لوله (Pipeline) است. یعنی داده‌ها (تصویر) وارد ابتدای لوله می‌شوند و در هر مرحله، کمی تغییر می‌کنند تا در نهایت به شکل یک متن (رشته) از لوله خارج شوند.

بیایید این مراحل را با یک مثال ساده بررسی کنیم. تصور کنید می‌خواهید در یک عکس شلوغ از یک خیابان، پلاک یک ماشین سفید را پیدا کنید. شما نمی‌توانید مستقیماً به کامپیوتر بگویید «پلاک را بخوان». کامپیوتر عکس را فقط به صورت مجموعه‌ای از اعداد (پیکسل‌ها) می‌بیند. بنابراین ما باید مسیر زیر را طی کنیم:

۱. پیش‌پردازش (Pre-processing)

اولین قدم، تمیز کردن تصویر است. عکس‌های دوربین‌های مداربسته معمولاً نویز دارند یا رنگ‌هایشان نامناسب است. در این مرحله ما کارهایی مثل تبدیل عکس به سیاه و سفید (Grayscale) را انجام می‌دهیم. چرا؟ چون برای تشخیص لبه‌های یک عدد، رنگ آبی یا قرمز ماشین اهمیتی ندارد و فقط تضاد بین رنگ زمینه و رنگ عدد (کنتراست) مهم است. همچنین از فیلترهایی برای حذف نویزها استفاده می‌کنیم تا تصویر «صاف» و آماده شود.

۲. شناسایی ناحیه پلاک (Plate Localization)

این سخت‌ترین بخش است. در یک عکس ۱ مگاپیکسلی، پلاک شاید فقط ۱ درصد از فضای تصویر را اشغال کند. ما باید به سیستم یاد بدهیم که در میان درخت‌ها، آدم‌ها و تابلوهای راهنمایی، دقیقاً کجای تصویر «مستطیلی» است که احتمالاً پلاک است. در اینجا از الگوریتم‌های تشخیص لبه (مثل Canny Edge Detection) یا مدل‌های یادگیری عمیق مثل YOLO (You Only Look Once) استفاده می‌کنیم که می‌توانند در لحظه، اشیاء را شناسایی کنند.

تصور کنید یک ذره‌بین دارید و آن را روی کل عکس می‌چرخانید تا هر جا شکل مستطیلی با نسبت ابعاد خاصی دیدید، دور آن یک کادر بکشید. این همان کاری است که مدل‌های تشخیص شیء انجام می‌دهند.

۳. تکه‌برداری و اصلاح (Segmentation & Warping)

حالا که کادر دور پلاک را کشیدیم، پلاک را از بقیه عکس جدا می‌کنیم (Crop). اما یک مشکل وجود دارد: دوربین‌ها همیشه روبروی پلاک نیستند. گاهی پلاک از زاویه یا کج گرفته شده است. اگر بخواهیم حروف را بخوانیم، باید آن‌ها را «صاف» کنیم. این مرحله را Perspective Transform می‌نامند؛ یعنی انگار پلاک را از روی عکس برمی‌داریم و روی میز می‌گذاریم تا کاملاً تخت و مستقیم شود.

۴. شناسایی نویسه‌ها (OCR - Optical Character Recognition)

در مرحله نهایی، ما یک تصویر کوچک و صاف از پلاک داریم. حالا نوبت به OCR می‌رسد. OCR در واقع ترجمه «تصویرِ عدد» به «خودِ عدد» است. سیستم بررسی می‌کند که این شکل منحنی شبیه به عدد ۸ است یا حرف «ب». کتابخانه‌هایی مثل Tesseract (ساخته گوگل) یا EasyOCR در این مرحله وارد عمل می‌شوند تا پیکسل‌ها را به متن تبدیل کنند.

ابزارهای مورد نیاز؛ جعبه ابزار یک متخصص ANPR

قبل از اینکه دست به کد بزنیم، باید بدانیم چه ابزارهایی را باید نصب کنیم. اگر می‌خواهید وارد این مسیر شوید، این چهار مورد ستون فقرات پروژه شما خواهند بود:

بسیاری از تازه‌کارها فکر می‌کنند که باید حتماً یک کامپیوتر فوق‌ güçlü با کارت گرافیک‌های گران‌قیمت داشته باشند. اما خبر خوب این است که برای شروع و پیاده‌سازی نسخه‌های پایه ANPR، یک لپ‌تاپ معمولی هم کفایت می‌کند. البته اگر بخواهید سیستمی بسازید که ۱۰۰ ماشین را در ثانیه در یک اتوبان سریع‌سیر تشخیص دهد، آن وقت صحبت از GPUهای NVIDIA و مدل‌های بهینه شده به میان می‌آید.

اگر در هر مرحله از نصب این ابزارها یا پیاده‌سازی کدها با مشکل مواجه شدید، یا می‌خواهید بدانید چطور این سیستم را در مقیاس صنعتی پیاده کنید، مشورت با متخصصین در بخش پشتیبانی زیروکس می‌تواند مسیر شما را بسیار سریع‌تر کند، چون هر خطای کوچک در نصب OpenCV می‌تواند ساعت‌ها وقت شما را بگیرد.

چالش‌های دنیای واقعی؛ چرا تشخیص پلاک سخت‌تر از آن است که فکر می‌کنیم؟

شاید در یوتیوب ویدیوهایی دیده‌ باشید که با ۱۰ خط کد، پلاک را تشخیص می‌دهند. اما وقتی می‌خواهید این سیستم را در یک پارکینگ واقعی نصب کنید، با واقعیت‌های تلخی روبرو می‌شوید. بیایید به چند مورد از این چالش‌ها نگاه کنیم تا بدانیم یک Senior Developer چه چیزهایی را در نظر می‌گیرد.

اول: مشکل نورپردازی. نور در محیط بیرون ثابت نیست. در ساعت ۱۲ ظهر، نور خورشید می‌تواند باعث ایجاد بازتاب (Glare) روی پلاک شود که باعث می‌شود عدد «۱» با زمینه سفید یکی شود و ناپدید شود. از طرف دیگر، در شب، نور شدید چراغ‌های جلو یا محیط‌های تاریک، باعث ایجاد نویزهای دانه‌دانه (Salt and Pepper Noise) در عکس می‌شود. برای حل این مشکل، ما از تکنیک‌هایی مثل Histogram Equalization استفاده می‌کنیم تا کنتراست تصویر را به صورت هوشمند تنظیم کنیم.

دوم: تنوع پلاک‌ها. در ایران ما با انواع پلاک‌ها روبرو هستیم؛ پلاک‌های قدیمی، پلاک‌های جدید، پلاک‌های موتوری و پلاک‌های دولتی. هر کدام ابعاد و فونت‌های متفاوتی دارند. یک سیستم OCR که فقط برای فونت‌های انگلیسی آموزش دیده است، هرگز نمی‌تواند اعداد فارسی یا حروف خاص پلاک‌های ایرانی را تشخیص دهد. اینجاست که مفهوم Custom Training یا آموزش مدل روی داده‌های بومی وارد می‌شود.

سوم: سرعت پردازش (Real-time Processing). اگر سیستم شما ۵ ثانیه طول بکشد تا یک پلاک را بخواند، در یک اتوبان که ماشین‌ها با سرعت ۱۰۰ کیلومتر بر ساعت در حال حرکت هستند، شما ماشین را از دست داده‌اید. برای رسیدن به سرعت Real-time، ما مجبوریم از روش‌هایی مثل Multi-threading استفاده کنیم یا مدل‌های سنگین را به مدل‌های سبک‌تر مثل MobileNet تبدیل کنیم تا روی سخت‌افزارهای ضعیف‌تر هم سریع اجرا شوند.