دوربین های ANPR

دوربین های ANPR، امکان تشخیص خودکار پلاک خودروها را فراهم می کنند. از این دوربین ها به منظور اجرای درست قوانین و ثبت تخلف صاحبان خودرو استفاده می شود. از سوی دیگر، داده های آماری به دست آمده از این دوربین ها به یک منبع بالقوه برای برنامه ریزی شهری تبدیل شده اند. برای استفاده در سیاست گذاری، داده های به دست آمده باید با مجموعه ای از مدل های یادگیری ماشین و پورتال های داده باز به اشتراک گذاشته شوند.

معرفی دوربین پلاک خوان و تفاوت LPR و ANPR

دوربین‌های پلاک‌خوان (ANPR یا LPR) تجهیزاتی هستند که برای خواندن و تشخیص شماره‌پلاک‌ خودروها استفاده می‌شوند. این دوربین‌ها از تکنولوژی‌های بینایی ماشین و تشخیص الگو استفاده می‌کنند تا به طور خودکار شماره‌پلاک‌ را تشخیص داده و ثبت کنند. این اطلاعات می‌توانند برای اهداف امنیتی، نظارتی و مدیریت ترافیک مورد استفاده قرار بگیرند.

ANPR و LPR هر دو اصطلاح یکسان استفاده می‌شوند و به دوربین‌های پلاک‌خوان اشاره دارند. اما برخی کشورها از اصطلاح LPR (License Plate Recognition) استفاده می‌کنند، در حالی که برخی دیگر از ANPR (Automatic Number Plate Recognition) استفاده می‌کنند.

تفاوت LPR و ANPR در واقع نامگذاری و نحوه استفاده از اصطلاح است. این دو اصطلاح به معنای یکسانی هستند و برای دوربین‌های پلاک‌خوان استفاده می‌شوند، هدف آن‌ها همان تشخیص و ثبت شماره‌پلاک‌ است. لطفاً توجه داشته باشید که در دیگر زبان‌ها و مناطق جغرافیایی ممکن است از اصطلاحات مختلفی استفاده شود، اما مفهوم کلی آن‌ها یکسان است.

اجرای دوربین های تشخیص خودکار شماره پلاک

در سال های اخیر، شاهد افزایش اجرای دوربین های تشخیص خودکار شماره پلاک که به اختصار ANPR نامیده می شوند، بوده ایم. داده های جمع آوری شده از این دوربین ها شامل زمان، موقعیت و پلاک خودرو شناسایی شده هستند و به عنوان اطلاعات شخصی قابل شناسایی شناخته می شوند. از سوی دیگر، این داده ها در یک محیط امن به منظور اجرای قانون و بازرسی مجرمان بکار می روند.

بسیاری از شهرها از داده های به دست آمده از دوربین های ANPR  برای سیاست گذاری بهتر استفاده می کنند. با این وجود، بکارگیری شیوه های مختلف حفظ حریم خصوصی در برقراری تعادل در قانون گذاری بسیار اهمیت دارد. در این زمینه همچنان به تحقیقات و ارائه روش های پیشنهادی بیشتر نیاز است.

شبکه ای از دوربین های تشخیص خودکار شماره پلاک می توانند به یک منبع داده مهم برای زیرساخت های دوقلوی دیجیتال تبدیل شود. دوقلوی دیجیتال یا DT، تبادل اطلاعات جامع را امکان پذیر می سازند. از سوی دیگر، آن ها می توانند شامل مدل ها، شبیه سازی ها و الگوریتم های توصیف کننده رفتارها و ویژگی ها در جهان واقعی باشند.

 با این وجود، داده های شخصی حساس را نمی توان در خارج از محیط حفاظت شده بدون مکانیزم های احراز هویت و مجوز بکار برد. حتی در این حالت نیز استفاده از این داده ها توسط مقام های محلی سوال برانگیز است.

بیشتر بخوانید : قیمت دوربین مداربسته دید در شب

داده های معنایی

تبادل داده های ناشناس بر اساس استانداردی انجام می شود که برای توصیف داده های مستقل از انواع دوربین های ANPR و نرم افزار آن ها بکار می رود. در نتیجه، داده های معنایی به عنوان یک مکانیزم کلیدی برای همکاری بین ارائه دهندگان داده در نظر گرفته می شوند. داده معنایی، عبارتی است که برای اشاره به داده هایی بکار می رود که با چارچوب توصیف منابع (RDF) ساختاربندی شده اند.

 RDF، یک مدل داده استاندارد است که برای تبادل داده در وب بکار می رود و از سه کلمه برای بیان اطلاعات منابع مختلف استفاده می کند. این منابع می توانند اطلاعات به دست آمده از یک دوربین ANPR باشند. هر سه کلمه را می توان با یک آدرس وب به نام URI شناسایی کرد. زمانی که URI یک منبع آدرس دهی می شود، ماشین ها می توانند اطلاعات بیشتری را جستجو کنند. به این ترتیب، مجموعه داده های مختلف به هم مرتبط می شوند.

خدمات جابجایی

در ناشناس سازی داده خدمات جابجایی عمومی از دو روش استفاده می شود. در این دو روش، داده حاصل از رابط های برنامه نویسی اپلیکیشن (API) همراستا با مشخصات داده جابجایی یا MDS بکار می رود. MDS این امکان را به خدمات جابجایی عمومی می دهد تا شهرها را از مکان و زمان سفرها مطلع کنند.

خدمات جابجایی عمومی می توانند شامل اسکوترهای برقی و دوچرخه ها، موتورسیکلت ها و خودروهای اشتراکی باشند. در عوض، شهر نیز از یک API به منظور تنظیم رفت و آمدها ازجمله مناطق ممنوع برای رفت و آمد این وسایل نقلیه استفاده می کند.

گردش داده ها

برای گردش داده، ابزار ANPR Metrics بکار می رود. روش کار به این صورت است که موقعیت خودرو توسط یک دوربین به پایگاه داده ارسال می شود. خروجی این پایگاه داده به فرمت مقادیر جدا شده با کاما یا CSV استخراج می شود. ANPR Metrics نیز مانند ابزار Mobility Metrics از یک رابط خط فرمان (CLI) استفاده می کند.

خروجی استخراج شده یکبار مورد پردازش قرار می گیرد ولی روی دیسک ذخیره نمی شود. به این ترتیب، ریسک کپی اطلاعات به حداقل می رسد. بعد از ناشناس سازی داده، این ابزار شروع به تولید یک داشبورد کاربرپسند و مجموعه داده قابل خواندن توسط ماشین به فرمت CSV و turtle می کند.

حریم خصوصی افراد

حریم خصوصی با توسعه مدل k-anonymity به منظور جلوگیری از احتمال شناسایی افراد انجام می شود. این مدل بر انتشار مجموعه داده ها تمرکز دارد. این در حالی است حریم خصوصی تفاضلی برای سرویس هایی بکار می رود که خروجی جستار به حضور یا عدم حضور فرد در مجموعه داده حساس نیست. حفظ حریم خصوصی افراد در دوربین های ANPR به شرح زیر انجام می شود:

• زمان بندی: برچسب زمانی تشخیص خودرو به صورت تظریف یک ساعته و یک روزه تقسیم بندی می شود.
• تظریف جغرافیایی بسته به نوع معیار اندازه گیری
• حذف تظریف های پراکنده: تظریف های حاوی کمتر از 10 خودرو حذف می شوند.

این فرآیند هنگام تولید داده های ناشناس مربوط به ابعاد مکانی-زمانی انجام می شود. تظریف زمانی به صورت ساعتی یا روزانه است در حالی که در تظریف جغرافیایی از موقعیت دوربین ها استفاده می شود.

مشخصات داده مورد استفاده برای مدل سازی داده های آماری

به دلیل اهمیت قابلیت همکاری معنایی در دوقلوی دیجیتال هوشمند شهری، نمودار تولید شده توسط ANPR Metrics باید با مشخصات داده همسو باشد. در این ابزار از هفت مشخصه استفاده می شود که عبارتند از:

• شبکه حسگر معنایی: استانداردی برای توصیف حسگرها و مشاهدات آن ها؛
• واژگان موقعیت مرکزی: استاندارد مرکزی برنامه ISA اروپا برای تسهیل قابلیت همکاری اطلاعات فضایی اداره امور عمومی؛
• GeoSPARQL : استاندارد OGC برای بیان اطلاعات فضایی RDF؛
• OWL-time: استانداردی برای توصیف اطلاعات زمانی یک منبع؛
• زیرساخت OSLO: جداکننده واژگان متمرکز بر توصیف اشیای فیزیکی که بخشی از ساختار جاده هستند؛
• واژگان شهر اشیا: واژه ارائه دهنده یک چارچوب مفهومی مشترک برای مفاهیم شهر هوشمند با تمرکز بر تبادل داده؛
• جریان ترافیک: استاندارد بکار رفته در مدل های داده هوشمند.

سخن پایانی

چالش کنونی در خصوص دوربین های ANPR، افزایش اعتماد در انتشار داده هاست. داده آماری حاصل از این دوربین ها را می توان همانند میانگین آماری رسمی منتشر کرد. در نتیجه، شفاف سازی اطلاعات شهروندان بیشتر خواهد شد و شهرها می توانند به صورت بهینه از این داده ها برای سیاست گذاری استفاده کنند. نظر شما در مورد امنیت این دوربین ها در حفظ حریم خصوصی شهروندان چیست؟

منبع : etrr.springeropen