License Plate Recognition (LPR)

License Plate Recognition (LPR) adalah modul analitik Visionaire4 yang mendeteksi kendaraan dalam video stream, melakukan OCR pada plat nomor, dan mengirimkan event berisi nomor plat beserta metadata pendukung secara real-time. Tersedia dalam empat varian pipeline yang dapat disesuaikan dengan kebutuhan lokasi dan jenis kendaraan.

Apa yang Dilakukan

LPR memproses setiap frame dari video stream untuk mendeteksi kendaraan dan plat nomornya, lalu mengeluarkan event berisi hasil OCR ketika identifikasi dianggap cukup yakin.

Yang DILAKUKAN:

• Mendeteksi kendaraan (mobil, motor, bus, truk) dalam video stream
• Melakukan OCR pada plat nomor Indonesia — format sipil, militer, dan diplomatik (tergantung varian)
• Menentukan arah kendaraan (masuk/keluar) berdasarkan garis virtual yang dikonfigurasi (LPR2 dan LPRS)
• Membatasi duplikasi dengan cache berbasis waktu per plat
• Menyediakan MJPEG stream dengan overlay visual bounding box dan hasil OCR untuk monitoring
• Mengklasifikasikan tipe plat (sipil, pemerintah, militer, diplomatik) pada varian LPRS dan LPR3S

Yang TIDAK dilakukan:

• Tidak melakukan verifikasi whitelist/blacklist — logika akses harus diimplementasikan di aplikasi
• Tidak menyimpan riwayat event secara internal — gunakan Lenz atau webhook untuk penyimpanan
• Tidak mendukung plat nomor luar negeri
• Tidak memberikan kecepatan kendaraan
• LPR3/LPR3S tidak memberikan informasi arah (direction selalu unknown)

Use Cases

Cara Kerja

LPR2 dan LPRS menggunakan arsitektur single-stage: satu inferensi mendeteksi kendaraan dan plat bersamaan. Hasil OCR dari beberapa frame dikumpulkan dan dikelompokkan berdasarkan kemiripan teks (Levenshtein distance), lalu konsensus dari mayoritas hasil dipilih sebagai output final. Metode ini toleran terhadap noise sesaat dan cocok untuk skenario yang membutuhkan akurasi konsisten.

LPR3 dan LPR3S menggunakan arsitektur two-stage: deteksi kendaraan dijalankan setiap frame, sedangkan plate detection dan OCR di-throttle ke FPS yang lebih rendah (default 4 FPS). Setiap kendaraan ditrack secara individual, dan hasil OCR langsung di-output begitu confidence score cukup tinggi. Pendekatan ini lebih efisien untuk skenario high-throughput dengan volume kendaraan tinggi.

Persyaratan

Kamera

Pemasangan dan Lingkungan

Dependensi

• Visionaire4 terinstal dan berjalan di node target
• GPU dengan VRAM minimal 800 MB (LPR2/LPRS) atau 1 GB (LPR3/LPR3S)
• RAM minimal 2 GB per pipeline
• CPU minimal 3 core per pipeline
• Stream video aktif dapat diakses oleh node Visionaire

Setting Up

Konfigurasi

Parameter API

Parameter ini dikirim dalam request body saat spawn pipeline atau diperbarui via endpoint config.

Variabel Lingkungan

Variabel ini dikonfigurasi di level sistem Visionaire4, bukan per pipeline.

Output yang Dihasilkan

LPR mengirimkan event payload setiap kali kendaraan dengan plat nomor berhasil diidentifikasi. Event dikirimkan sekali per kendaraan per periode cache (dikontrol oleh plate_cache_lifetime).

Field Utama

Tipe Plat

Contoh Payload

{
  "analytic_id": "NFV4-LPR2",
  "stream_id": "gate_entry_001",
  "timestamp": "2024-01-15T10:30:00Z",
  "detections": [
    {
      "confidence": 0.95,
      "label": "car",
      "area_name": "Gate A",
      "plate_number": "B1234ABC",
      "plate_type": "plate",
      "direction": "in",
      "bounding_box": {
        "left": 0.2,
        "top": 0.3,
        "width": 0.3,
        "height": 0.4
      },
      "attributes": {
        "vehicle": { "label": "car", "confidence": 0.92 },
        "plate": { "label": "plate", "confidence": 0.88 },
        "character": { "label": "B1234ABC", "confidence": 0.95 }
      }
    }
  ]
}

Best Practices

Penempatan Kamera

• Posisikan kamera pada sudut 15–30 derajat dari horizontal agar plat nomor tidak terdistorsi perspektif
• Jarak optimal ke titik baca plat adalah 3–8 meter — terlalu dekat mempersingkat waktu deteksi, terlalu jauh mengurangi resolusi plat
• Tinggi pemasangan 1–1,5 meter dari permukaan jalan memberikan sudut pandang terbaik untuk plat kendaraan roda empat
• Hindari menempatkan kamera yang langsung menghadap matahari — gunakan sunshield atau pilih posisi berlawanan dengan arah matahari utama

Pencahayaan

• Pastikan minimal 300 lux di area tempat plat terbaca
• Pasang IR illuminator untuk operasi malam hari atau area dengan pencahayaan tidak merata
• Pertimbangkan polarizing filter untuk mengurangi glare dari permukaan plat metalik
• Hindari sumber cahaya langsung yang mengarah ke lensa kamera

Tuning Area ROI

• Letakkan polygon ROI di area di mana plat paling jelas terbaca, bukan di seluruh jalur kendaraan
• Untuk direction inference (LPR2/LPRS), posisikan garis virtual di titik di mana kendaraan bergerak tegak lurus — biasanya tengah jalur
• Gunakan endpoint /snapshot untuk memverifikasi posisi ROI sebelum deployment
• Jangan buat area yang terlalu lebar — memperbesar kemungkinan false positive dari kendaraan di lane berbeda

Threshold Tuning

• Mulai dengan nilai default, kemudian sesuaikan berdasarkan hasil observasi
• Untuk high-security (parkir apartemen, checkpoint): naikkan threshold dan min_group_member, terima miss rate lebih tinggi
• Untuk high-throughput (toll, highway): turunkan threshold sedikit, tangani duplikasi dan false positive di level aplikasi
• Monitor rasio false positive vs false negative secara berkala dan sesuaikan threshold

Limitations

• Motion blur dari kendaraan berkecepatan tinggi dapat menyebabkan karakter plat tidak terbaca — atasi dengan shutter speed kamera yang lebih tinggi (>1/500s) atau tambahkan pencahayaan
• Glare dan refleksi pada permukaan plat metalik dapat mengaburkan karakter — gunakan polarizing filter atau sesuaikan sudut kamera
• Plat kotor atau rusak mengurangi akurasi OCR secara signifikan dan tidak dapat diatasi dari sisi konfigurasi
• Plat non-Indonesia (luar negeri) tidak didukung oleh model saat ini
• LPR3/LPR3S tidak memberikan direction inference — implementasikan logika arah di level aplikasi jika dibutuhkan
• Resolusi di bawah 1080p akan menghasilkan banyak kesalahan OCR karena ukuran plat terlalu kecil dalam frame
• Plat dengan karakter tidak standar (modifikasi, stiker, font custom) dapat menyebabkan OCR menghasilkan karakter yang salah
• Setiap pipeline membutuhkan resource GPU dan CPU yang terpisah — pertimbangkan kapasitas hardware sebelum menambah banyak pipeline di satu node

Modul Terkait