Download PDF
ads:
UNIVERSIDADE PRESBITERIANA MACKENZIE
MESTRADO EM ENGENHARIA ELÉTRICA
LUIZ ANGELO D’AMORE
ROBUSTEZ NA SEGMENTAÇÃO DE
PLACAS VEICULARES EM CONDIÇÕES
COMPLEXAS DE AQUISIÇÃO
SÃO PAULO
2010
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
LUIZ ANGELO D’AMORE
ROBUSTEZ NA SEGMENTAÇÃO DE
PLACAS VEICULARES EM CONDIÇÕES
COMPLEXAS DE AQUISIÇÃO
Trabalho apresentado ao Programa de Pós-
Graduação em Engenharia Elétrica da
Universidade Presbiteriana Mackenzie, como
requisito para obtenção do título de Mestre
em Engenharia Elétrica.
Orientador: Dr. Maurício Marengoni
SÃO PAULO
2010
ads:
D164r D’Amore, Luiz Angelo.
Robustez na segmentação de placas veiculares em condições
complexas de aquisição / Luiz Angelo D’Amore – 2010.
62 f. : il. ; 30 cm
Dissertação (Mestrado em Engenharia Elétrica) – Universidade
Presbiteriana Mackenzie, São Paulo, 2010.
Bibliografia: f. 60-62.
1. Localização de placas veiculares. 2. Reconhecimento de
padrões. 3. Visão computacional. I. Título.
CDD
621.367
LUIZ ANGELO D’AMORE
ROBUSTEZ NA SEGMENTAÇÃO DE
PLACAS VEICULARES EM CONDIÇÕES
COMPLEXAS DE AQUISIÇÃO
Data da defesa: 13 de agosto de 2010.
BANCA EXAMINADORA
_________________________________
Prof. Dr. Maurício Marengoni
_________________________________
Prof. Dr. Pedro Paulo Balbi de Oliveira
_________________________________
Prof. Dr. Adilson Gonzaga
DEDICATORIA
Dedico este trabalho aos meus pais Mario e Sonia, minha esposa Monique e meus
filhos João Pedro e Letícia Helena.
AGRADECIMENTOS
Ao meu professor e orientador Dr. Mauricio Marengoni, pela confiança e apoio neste
trabalho e no curso de mestrado.
A todos os meus professores do mestrado, pelos conhecimentos transmitidos,
fundamentais a este projeto e a minha vida acadêmica.
A Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pelo
fomento parcial do curso.
“Não há nada mais difícil de se tomar nas
mãos, mais perigoso de se conduzir e mais
incerto quanto ao seu sucesso, do que a
iniciativa de se introduzir uma nova ordem
das coisas”
Maquiavel
“Em momentos de crise, só a imaginação é
mais importante que o conhecimento”
Albert Einstein
D’AMORE, Luiz Angelo. Robustez na Segmentação de Placas Veiculares em
Condições Complexas de Aquisição. Trabalho apresentado ao Programa de Pós-
Graduação em Engenharia Elétrica da Universidade Presbiteriana Mackenzie, como
requisito para obtenção do título de Mestre em Engenharia Elétrica. 2010. 62 páginas.
RESUMO
Os sistemas automáticos de reconhecimento de placas veiculares têm como
principal função a identificação de veículos a partir de imagens digitais, com aplicações
nas áreas de segurança pública e privada. Neste trabalho são apresentadas técnicas
de processamento de imagens com o objetivo de desenvolver um método robusto para
a segmentação de placas veiculares em condições complexas de aquisição. O termo
robusto neste trabalho é relacionado diretamente à eficácia do sistema quanto à
localização automática das placas veiculares sem intervenção humana, considerando
características específicas das imagens e placas. O método proposto é baseado nas
especificidades dos dígitos localizados nas placas brasileiras. Embora o método tenha
sido projetado para o padrão de placas brasileiro, pode ser facilmente ajustado para
outros padrões. Os resultados obtidos com o método proposto mostram um
desempenho melhor que outras abordagens acadêmicas, ou mesmo de sistemas
comerciais.
Palavras-chave: Localização de placas veiculares, reconhecimento de padrões, visão
computacional.
D’AMORE, Luiz Angelo. Robustez na Segmentação de Placas Veiculares em
Condições Complexas de Aquisição. Trabalho apresentado ao Programa de Pós-
Graduação em Engenharia Elétrica da Universidade Presbiteriana Mackenzie, como
requisito para obtenção do título de Mestre em Engenharia Elétrica. 2010. 62 páginas.
ABSTRACT
The work presented here shows a robust method for license plate detection. The
term robust in this work is directly related to the efficacy of the system as an automated
locator of license plates without human intervention and considering specific
characteristics of image acquisition and license plate features. The proposed method is
based on the specify features of the digits found on the Brazilian license plates.
Although the method was designed for the Brazilian license plate pattern it can be easily
adjusted to other patterns. The results obtained using the proposed method showed a
better performance than that of other academic approaches and even of commercial
systems.
Key-words:.
License plate detection, pattern recognition, computer vision.
SUMÁRIO
1. INTRODUÇÃO ....................................................................................................................... 12
2. TRABALHOS RELACIONADOS ........................................................................................ 21
2.1.
“A
UTOMATIC VEHICLE IDENTIFICATION BY PLATE RECOGNITION
” ...................................... 21
2.2.
“A
H
IBRID
A
PPROACH TO
L
ICENSE
P
LATE
S
EGMENTATION UNDER
C
OMPLEX
C
ONDITIONS
”
................................................................................................................................................... 25
2.3.
“SIAV
–
U
M
S
ISTEMA DE
I
DENTIFICAÇÃO
A
UTOMÁTICA DE
V
EÍCULOS
” ........................... 28
2.4.
“R
ECONHECIMENTO
A
UTOMÁTICO DE
P
LACAS DE
V
EÍCULOS
A
UTOMOTORES
A
TRAVÉS DE
R
EDES
N
EURAIS
A
RTIFICIAIS
” ................................................................................................... 30
2.5.
“K
APTA
–
U
M
S
ISTEMA DE
R
ECONHECIMENTO
A
UTOMÁTICO DE
P
LACAS DE
V
EÍCULOS
B
ASEADO NAS
T
ÉCNICAS DE
R
EDES
N
EURAIS E
P
ROCESSAMENTO DE
I
MAGENS
” ...................... 32
3. MÉTODO PROPOSTO ......................................................................................................... 36
3.1.
M
ÉTODO
“A”
-
L
OCALIZAÇÃO DE FAIXAS VERTICAIS
.......................................................... 36
3.2.
M
ÉTODO
“B”-
L
OCALIZAÇÃO DE ASSINATURAS DE GRADIENTES DE INTENSIDADE
............. 41
3.3.
M
ÉTODO
“C”-
L
OCALIZAÇÃO DE FAIXAS HORIZONTAIS
. ..................................................... 45
3.3.1. Pré-processamento ..................................................................................................... 47
3.3.2. Faixas horizontais ....................................................................................................... 48
3.3.3. Agrupamento de faixas horizontais ............................................................................ 51
3.3.4. Morfologia .................................................................................................................. 52
3.3.5. Regiões conexas .......................................................................................................... 53
3.3.6. Sub-regiões conexas.................................................................................................... 54
4. RESULTADOS ....................................................................................................................... 55
5. CONCLUSÃO ......................................................................................................................... 59
REFERÊNCIAS BIBLIOGRÁFICAS ...................................................................................... 60
LISTA DE FIGURAS
F
IGURA
1
-
P
RINCIPAIS ETAPAS DOS SISTEMAS DE RECONHECIMENTO DE PLACAS
.......................... 15
F
IGURA
2
–
I
MAGEM COM BAIXO CONTRASTE
................................................................................ 17
F
IGURA
3
-
I
MAGEM COM BAIXA ILUMINAÇÃO
............................................................................... 17
F
IGURA
4
-
I
MAGEM DE VEÍCULO INCLINADO
................................................................................. 18
F
IGURA
5
-
I
MAGEM DE VEÍCULO COM INSCRIÇÕES
........................................................................ 18
F
IGURA
6
-
I
MAGEM DE VEÍCULO COM REFLEXO
............................................................................ 19
F
IGURA
7
-
P
LACA VEICULAR COM ESTADO DE CONSERVAÇÃO CRÍTICO
......................................... 19
F
IGURA
8
–
I
MAGEM ORIGINAL
...................................................................................................... 21
F
IGURA
9
–
I
MAGEM BINARIZADA
.................................................................................................. 22
F
IGURA
10
–
R
ESULTADO DA VARREDURA E DAS OPERAÇÕES MORFOLÓGICAS
.............................. 23
F
IGURA
11
–
R
EGIÃO DA PLACA
..................................................................................................... 23
F
IGURA
12
-
D
ÍGITOS
/
CARACTERES SEGMENTADOS E NORMALIZADOS
.......................................... 24
F
IGURA
13
-
I
MAGEM BINARIZADA APÓS PRÉ
-
PROCESSAMENTO
.................................................... 25
F
IGURA
14
–
F
AIXAS LOCALIZADAS NA BUSCA POR TEXTURAS
...................................................... 26
F
IGURA
15
-
R
EGIÕES CANDIDATAS A PLACA VEICULAR
................................................................ 26
F
IGURA
16
–
P
ROJEÇÃO VERTICAL
................................................................................................. 27
F
IGURA
17
-
S
UB
-
REGIÕES SEGMENTADAS
..................................................................................... 27
F
IGURA
18
-
I
MAGEM DE VEÍCULO
................................................................................................. 28
F
IGURA
19
-
V
ARIAÇÃO TONAL DA LINHA
"A" ............................................................................... 28
F
IGURA
20
-
V
ARIAÇÃO TONAL DA LINHA
"B" ............................................................................... 28
F
IGURA
21
-
E
STÁGIO NA PROCURA POR DÍGITOS
........................................................................... 29
F
IGURA
22
-
S
EGMENTAÇÃO DOS CARACTERES DA PLACA
............................................................. 30
F
IGURA
23
-
P
ROJEÇÕES PARA O QUADRADO
................................................................................. 31
F
IGURA
24
-
P
ROGRAMA DE LOCALIZAÇÃO DA REGIÃO DA PLACA
................................................. 32
F
IGURA
25
-
P
ROGRAMA DE SEGMENTAÇÃO DOS CARACTERES DA PLACA
..................................... 33
F
IGURA
26
-
M
APA DE BITS
............................................................................................................ 34
F
IGURA
27
-
P
ROJEÇÃO HORIZONTAL
............................................................................................. 34
F
IGURA
28
-
P
ROJEÇÃO VERTICAL
.................................................................................................. 34
F
IGURA
29
-
P
ROCESSO DE RECONHECIMENTO DOS CARACTERES
.................................................. 34
F
IGURA
30
-
I
MAGEM ORIGINAL DO MÉTODO
“A” .......................................................................... 36
F
IGURA
31
-
R
ESULTADO DA APLICAÇÃO DE
S
OBEL
....................................................................... 37
F
IGURA
32
-
R
ESULTADO DA BINARIZAÇÃO
................................................................................... 37
F
IGURA
33
–
F
AIXAS VERTICAIS LOCALIZADAS PELO MÉTODO
“A” ............................................... 38
F
IGURA
34
-
R
EGIÃO CANDIDATA A DE UMA PLACA VEICULAR
...................................................... 39
F
IGURA
35
-
R
ESULTADO DA BINARIZAÇÃO
.................................................................................. 39
F
IGURA
36
-
R
EGIÕES CONEXAS CANDIDATAS AOS DÍGITOS
/
CARACTERES
. .................................... 40
F
IGURA
37
–
E
XEMPLO DE ANÁLISE DE GRADIENTE EM LINHA SEM PLACA VEICULAR
.................... 41
F
IGURA
38
-
E
XEMPLO DE ANÁLISE DE GRADIENTE EM LINHA COM PLACA VEICULAR
.................... 42
F
IGURA
39
-
E
XEMPLO DE ASSINATURA DE GRADIENTE DE INTENSIDADE
...................................... 42
F
IGURA
40
-
E
XEMPLO DE ASSINATURA DE GRADIENTE DE INTENSIDADE
...................................... 43
F
IGURA
41
–
E
XEMPLO DE ASSINATURA DE GRADIENTE DE INTENSIDADE
...................................... 43
F
IGURA
42
-
E
XEMPLO DE ASSINATURA DE GRADIENTE DE INTENSIDADE
...................................... 44
F
IGURA
43
-
S
EIS ETAPAS DO MÉTODO PROPOSTO
.......................................................................... 45
F
IGURA
44
-
I
MAGEM ORIGINAL DO MÉTODO
“C” .......................................................................... 47
F
IGURA
45
-
E
XEMPLOS DE FAIXAS HORIZONTAIS
.......................................................................... 49
F
IGURA
46
–
C
ENTRO DAS FAIXAS HORIZONTAIS COM O PRÉ
-
PROCESSAMENTO
............................. 50
F
IGURA
47
-
C
ENTRO DAS FAIXAS HORIZONTAIS SEM O PRÉ
-
PROCESSAMENTO
.............................. 50
F
IGURA
48
-
A
GRUPAMENTOS DE FAIXAS HORIZONTAIS
................................................................. 51
F
IGURA
49
-
I
MAGEM APÓS OPERAÇÕES MORFOLÓGICAS
............................................................... 52
F
IGURA
50
-
I
MAGEM ORIGINAL COM REGIÕES CANDIDATAS EM DESTAQUE
.................................. 53
F
IGURA
51
-
I
MAGENS DA REGIÃO CONSIDERADA DE UMA PLACA VEICULAR
................................. 54
F
IGURA
52
-
I
MAGEM COM SOMBRA
,
REFLEXO E INSCRIÇÕES
......................................................... 57
F
IGURA
53
–
I
MAGEM COM SOMBRA E INCLINAÇÃO
....................................................................... 58
LISTA DE TABELAS
T
ABELA
1
–
C
OMPARATIVO DOS RESULTADOS OBTIDOS PELOS TRÊS SISTEMAS
............................. 56
T
ABELA
2
-
C
OMPARATIVOS SOBRE OS PROBLEMAS INVESTIGADOS
............................................... 57
12
1. INTRODUÇÃO
Dentro da área de visão computacional existe uma grande quantidade de
trabalhos relacionados com o reconhecimento de padrões (SOUZA, 2000). Técnicas de
segmentação e reconhecimento de placas veiculares em imagens digitais estão
inseridas na área de visão computacional em reconhecimento de padrões
(ANAGNOSTOPOULOS, PSOROULAS, et al., 2008) (CAMPOS, BAMPI e SUSIN,
2001) (GUINGO e THOMÉ, 2004).
O reconhecimento de padrões é tipicamente utilizado em aplicações comerciais,
como no reconhecimento da fala, de faces, das íris, das mãos, de impressões digitais,
de caracteres, na classificação de documentos e em mineração de dados (GUINGO e
THOMÉ, 2004). Este trabalho tem como foco um caso particular do reconhecimento de
padrões: a localização de placas veiculares em imagens digitais.
Sistemas automáticos de reconhecimento de placas veiculares têm como
principal função a identificação de veículos a partir de imagens digitais. Um sistema
automático de reconhecimento de placas veiculares, a partir de uma imagem digital,
pode ser dividido nas seguintes etapas: localização, segmentação e reconhecimento da
placa de licenciamento (DAMORE e MARENGONI, 2010) (ANAGNOSTOPOULOS,
PSOROULAS, et al., 2008) (SOUZA, 2000) (PEDRINI e SCHWARTZ, 2008) (GOMES e
LOTUFO, 2005).
No Brasil o problema no reconhecimento de placas de veículos automotores,
além dos problemas clássicos ligados aos processos de visão computacional,
apresenta ainda um grande número de variáveis que precisam ser tratadas pelos
sistemas. Essas variáveis são apresentadas em resolução específica (CONSELHO
NACIONAL DE TRÂNSITO DO BRASIL, 2007), que prevê oito tipos de placas,
conforme a utilização do veículo: aluguel; aprendizagem; coleção; experiência;
fabricantes; missões diplomáticas; oficiais; particulares. Estas placas possuem cores
diferentes, símbolos que podem aparecer em um tipo, mas não em outro, número de
caracteres e dígitos diferentes, etc.
13
Esses sistemas podem ser utilizados na segurança pública ou privada, através
de aplicações específicas como: controle de infrações de trânsito, acesso a áreas
restritas, acesso a áreas públicas e na investigação (ANAGNOSTOPOULOS,
PSOROULAS, et al., 2008) (SOUZA, 2000) (CAMPOS, BAMPI e SUSIN, 2001) (GAO,
WANG e XIE, 2007) (KWASNICKA e WAWRZYNIAK, 2002) (THOMÉ, RODRIGUES e
GUINGO, 2002) (BELVESI, FREITAS, et al., 1999).
No controle de infrações de trânsito esses sistemas são utilizados para auxiliar o
registro por excesso de velocidade, avanço de sinal vermelho e pelo trânsito em áreas
restritas na cidade de São Paulo está relacionado ainda à restrição da circulação dos
veículos em determinados dias da semana e faixas horárias, com base no último dígito
da placa do veículo. Normalmente esses controles são realizados através de radares
fixos e móveis, que capturam as imagens dos veículos ao longo dos dias e em
diferentes condições de iluminação, clima, hora do dia, e de velocidade (SOUZA, 2000)
(CAMPOS, BAMPI e SUSIN, 2001) (GAO, WANG e XIE, 2007) (KWASNICKA e
WAWRZYNIAK, 2002) (THOMÉ, RODRIGUES e GUINGO, 2002) (BELVESI, FREITAS,
et al., 1999).
No controle de acesso a áreas restritas esses sistemas são utilizados para
verificar a prévia autorização de entrada e saída de veículos. Esse tipo de sistema
normalmente é utilizado por condomínios, empresas e órgãos públicos (SOUZA, 2000)
(GAO, WANG e XIE, 2007) (KWASNICKA e WAWRZYNIAK, 2002).
No controle de acesso em áreas públicas esses sistemas são utilizados para
controlar o tempo de permanência, frequência e fluxo de acesso. Esse tipo de sistema
normalmente é utilizado por estacionamentos onde não há a exigência de cadastro
prévio dos veículos. (SOUZA, 2000) (CAMPOS, BAMPI e SUSIN, 2001) (GAO, WANG
e XIE, 2007) (KWASNICKA e WAWRZYNIAK, 2002) (THOMÉ, RODRIGUES e
GUINGO, 2002) (BELVESI, FREITAS, et al., 1999).
Os sistemas automáticos de reconhecimento de placas veiculares também
começam a se fazer presente na área da segurança pública especificamente nos
setores de investigação criminal. Partindo das imagens capturadas por radares
instalados em pontos estratégicos, as placas de identificação dos veículos são
pesquisadas e registradas nas bases de dados dos órgãos de trânsito, auxiliando na
14
localização de veículos furtados e roubados, além da identificação de possíveis rotas
de fuga (KWASNICKA e WAWRZYNIAK, 2002) (THOMÉ, RODRIGUES e GUINGO,
2002).
As pesquisas relacionadas a sistemas de reconhecimento de placas veiculares,
normalmente utilizam em seus testes, bases de imagens de veículos cedidas por
empresas particulares ou órgãos públicos. Como essas bases são formadas por
imagens de veículos relacionados a infrações de trânsito, elas não são disponibilizadas
para outros pesquisadores, evitando a exposição dos infratores que podem ser
facilmente identificados.
Com isso o comparativo entre a eficiência de sistemas de detecção de placas de
veículos utilizando um banco de imagens comum, ou ainda a comparação entre
trabalhos relacionados disponíveis fica restrito à utilização de alguns sistemas
disponibilizados por seus autores ou empresas na web.
Apesar de existirem diversas publicações relacionadas a sistemas de
reconhecimento de placas, são poucas as que apresentam e detalham as técnicas
utilizadas, principalmente quando são proprietárias de algum diferencial. O autor deste
trabalho acredita que o problema da divulgação parcial das técnicas em publicações
tem como principal origem o interesse comercial de empresas e governos sobre o
assunto.
Normalmente os sistemas automáticos de reconhecimento de placas veiculares
possuem uma etapa de pré-processamento e mais três etapas básicas
(ANAGNOSTOPOULOS, PSOROULAS, et al., 2008) (GOMES e LOTUFO, 2005)
(GAO, WANG e XIE, 2007) (KWASNICKA e WAWRZYNIAK, 2002) (OZBAY e
ERCEBELI, 2005): localização e segmentação da região da placa do veículo;
localização e segmentação dos dígitos/caracteres contidos na região; reconhecimento
dos dígitos/caracteres. Estas etapas estão apresentadas na Figura 1.
15
Figura 1 - Principais etapas dos sistemas de reconhecimento de placas
A etapa de pré-processamento é utilizada com o objetivo de melhorar a imagem
para um melhor resultado nas etapas seguintes. Normalmente nessa etapa são
aplicadas técnicas de realce, equalização de histograma e filtragens
(ANAGNOSTOPOULOS, PSOROULAS, et al., 2008) (GOMES e LOTUFO, 2005)
(GAO, WANG e XIE, 2007) (KWASNICKA e WAWRZYNIAK, 2002) (GONZALEZ e
WOODS, 2010).
A etapa de localização e segmentação da região da placa do veículo
normalmente utiliza técnicas baseadas nas características morfológicas da placa, dos
caracteres ou da combinação de ambas (GOMES e LOTUFO, 2005). As duas
principais técnicas baseadas na morfologia da placa são: detecção de arestas com a
transformada de Hough (ANAGNOSTOPOULOS, PSOROULAS, et al., 2008)
(GONZALEZ e WOODS, 2010) e redes neurais artificiais (GUINGO e THOMÉ, 2004)
(KWASNICKA e WAWRZYNIAK, 2002). Entre as técnicas baseadas na morfologia dos
caracteres estão a de variação tonal e a de correlação dos objetos da imagem
(ANAGNOSTOPOULOS, PSOROULAS, et al., 2008) (GOMES e LOTUFO, 2005)
(KWASNICKA e WAWRZYNIAK, 2002).
16
Na etapa de localização e segmentação dos dígitos/caracteres, são utilizadas
técnicas de projeções horizontais e verticais (ANAGNOSTOPOULOS, PSOROULAS, et
al., 2008) (GAO, WANG e XIE, 2007) (BELVESI, FREITAS, et al., 1999) (OZBAY e
ERCEBELI, 2005), busca por um “L” invertido (SOUZA, 2000) e projeções sobre
polígonos regulares (THOMÉ, RODRIGUES e GUINGO, 2002).
Para o reconhecimento dos dígitos/caracteres as técnicas mais utilizadas são;
comparação das projeções horizontais e verticais com padrões (BELVESI, FREITAS, et
al., 1999), rede neural com o valor dos pixels na camada de entrada
(ANAGNOSTOPOULOS, PSOROULAS, et al., 2008) (GAO, WANG e XIE, 2007), rede
neural com as projeções obtidas da técnica dos polígonos (GUINGO e THOMÉ, 2004)
(THOMÉ, RODRIGUES e GUINGO, 2002), subtração de padrões de dígitos/caracteres
(OZBAY e ERCEBELI, 2005).
O principal objetivo deste trabalho é o desenvolvimento de um método robusto
para a localização das placas veiculares em imagens obtidas por radares fixos e
móveis, em diferentes condições de iluminação, posição, tempo, contraste e outros
ruídos.
O termo robusto neste trabalho está relacionado diretamente com a eficácia do
sistema quanto à localização automática das placas veiculares, sem a necessidade de
intervenção humana e considerando características específicas de aquisição e das
placas. Algumas das características das placas são: inclinação, cor, tamanho,
posicionamento e estado de conservação. Algumas interferências externas também
são consideradas, como: reflexos, iluminação, chuva, neblina, neve, inscrições nos
veículos, ruídos originados pelos dispositivos de captação e a diversidade de padrões
existentes (GUINGO e THOMÉ, 2004) (KWASNICKA e WAWRZYNIAK, 2002)
(BELVESI, FREITAS, et al., 1999).
Alguns exemplos dos problemas tratados na robustez deste trabalho são
apresentados da Figura 2 a Figura 7
17
Figura 2 – Imagem com baixo contraste
Figura 3 - Imagem com baixa iluminação
18
Figura 4 - Imagem de veículo inclinado
Figura 5 - Imagem de veículo com inscrições
Figura
Figura 7 -
Placa veicular com estado de conservação crítico
Figura
6 - Imagem de veículo com reflexo
19
Placa veicular com estado de conservação crítico
20
O capítulo 2 apresentada alguns resumos de trabalhos relacionados à
localização de placas, segmentação de caracteres e reconhecimento de placas
veiculares. Nos resumos são apresentadas as técnicas utilizadas, os resultados obtidos
e diferenciais observados pelos autores.
No capítulo 3 são apresentados três métodos investigados neste trabalho com
base nos trabalhos listados no capítulo 2. O último método apresentado é o proposto
pelo autor, sendo dividido em 6 etapas. A primeira de pré-processamento, trata da
atenuação de ruídos nas imagens. A segunda faz uma busca por faixas horizontais,
compatíveis com os tamanhos dos caracteres. A terceira é responsável pela
localização de agrupamentos das faixas horizontais localizadas. A quarta elimina as
faixas isoladas e agrupa as faixas próximas. A quinta faz uma busca por possíveis
regiões contendo uma placa veicular. A última etapa valida as regiões da etapa anterior
segmentando os dígitos/caracteres.
No capítulo 4 são apresentados os resultados obtidos nos testes realizados com
o método proposto neste trabalho e uma comparação com outros dois sistemas
disponíveis na web, sendo um comercial e outro acadêmico.
O capítulo 5 apresenta as conclusões e alguns comentários sobre os resultados
obtidos, considerando o objetivo de localizar placas veiculares em imagens digitais
obtidas em condições complexas de aquisição.
2.
TRABALHOS RELACIONADOS
Neste capitulo
são apresentadas
de placas veiculares
, extraídas d
descrita a metodologia utilizada, apresentando seus diferenciais e os resultados
obtidos.
2.1. “Automatic vehicle identification by plate recognition
Uma das técnicas para a
varredura
das linhas e colunas utilizando as características da largura e altura da placa
(OZBAY e ERCEBELI, 2005)
A partir
da imagem original apresentada na
processo com uma binarização, o resultado
mencionada a utilização de algumas técnicas para binarização, sem maiores
informações sobre as mesmas.
TRABALHOS RELACIONADOS
são apresentadas
técnicas para a detecção e/ou
, extraídas d
e trabalhos científicos relevantes
. Para cada trabalho é
Uma das técnicas para a
localização da região da placa veicular é baseada na
(OZBAY e ERCEBELI, 2005)
.
da imagem original apresentada na
Figura 8
, os autores iniciam o
processo com uma binarização, o resultado
é apresentado na
Figura
informações sobre as mesmas.
Figura 8 – Imagem original
21
técnicas para a detecção e/ou
reconhecimento
. Para cada trabalho é
descrita a metodologia utilizada, apresentando seus diferenciais e os resultados
2.1. “Automatic vehicle identification by plate recognition
”
localização da região da placa veicular é baseada na
das linhas e colunas utilizando as características da largura e altura da placa
, os autores iniciam o
Figura
9. No trabalho é
mencionada a utilização de algumas técnicas para binarização, sem maiores
Após a binarização é re
da imagem em busca de faixas com tamanhos correspondentes
esperada. São apresentados os valores de 10 e 100 pixels para o mínimo e máximo
tamanho das faixas.
Localizadas as faixas correspondentes aos critérios apresentados, os autores
utilizam
operações morfológicas de dilatação e erosão sobre a imagem, objetivando o
fechamento de regiões. O
resultado dessa etapa pode ser
(OZBAY e ERCEBELI, 2005)
Após a binarização é re
alizada uma varredura nas linhas verticais e horizontais
Figura 9 – Imagem binarizada
(OZBAY e ERCEBELI, 2005)
resultado dessa etapa pode ser
observado
22
alizada uma varredura nas linhas verticais e horizontais
da imagem em busca de faixas com tamanhos correspondentes
à região da placa
esperada. São apresentados os valores de 10 e 100 pixels para o mínimo e máximo
Localizadas as faixas correspondentes aos critérios apresentados, os autores
operações morfológicas de dilatação e erosão sobre a imagem, objetivando o
observado
na Figura 10.
Figura 10 –
Resultado da varredura e das operações morfológicas
A partir das coordenadas da região localizada é extraída a região
correspondente da imagem
(OZBAY e ERCEBELI, 2005)
correspondente da imagem
original binarizada,
conforme apresentado na
Figura 11 – Região da placa
(OZBAY e ERCEBELI, 2005)
23
Resultado da varredura e das operações morfológicas
A partir das coordenadas da região localizada é extraída a região
conforme apresentado na
Figura 11.
Da região extraída são segmentad
dígitos/
caracteres através da
regiões localizadas são normalizadas em 36 x 18 pixels, conforme
Figura 12 -
O método proposto pelos autores propõe
dígitos/caracteres através da comparação das regiões
Para os testes os autores utilizaram 340 imagens coloridas com resolução de
1600 x 1200 pixels, considerando apenas imagens com variações na condição de
iluminação. O sistema foi implementado em Matlab 6.5, objetivando a localizaç
placas veiculares da Turquia.
É
apresentada uma taxa de acert
veiculares, 96% para a correta segmentação das regiões dos dígitos/caracteres e
98,8% de acerto
no reconhecimento dos mesmos.
Da região extraída são segmentad
as as sub-
regiões correspondentes aos
caracteres através da
s projeç
ões horizontais e verticais da região. As sub
regiões localizadas são normalizadas em 36 x 18 pixels, conforme
Figura
Dígitos/caracteres segmentados e normalizados
(OZBAY e ERCEBELI, 2005)
O método proposto pelos autores propõe
o reconhecimento dos
dígitos/caracteres através da comparação das regiões
normalizadas com
placas veiculares da Turquia.
apresentada uma taxa de acert
o
de 97,6% para a localização das placas
no reconhecimento dos mesmos.
24
regiões correspondentes aos
ões horizontais e verticais da região. As sub
-
Figura
12.
Dígitos/caracteres segmentados e normalizados
o reconhecimento dos
normalizadas com
padrões.
Para os testes os autores utilizaram 340 imagens coloridas com resolução de
1600 x 1200 pixels, considerando apenas imagens com variações na condição de
iluminação. O sistema foi implementado em Matlab 6.5, objetivando a localizaç
ão de
de 97,6% para a localização das placas
veiculares, 96% para a correta segmentação das regiões dos dígitos/caracteres e
2.2. “A Hibrid
Approach to License Plate Segmentation under
Complex Conditions”
Nesse trabalho
(ZHANG, LIU e JIANG, 2007)
localização de placas veiculares adquiridas em condições complexas de aquisição. O
método proposto pelos autores é baseado na utilização de redes neurais artificiais e na
aná
lise das características dos componentes da ima
É apresentada inicialmente uma etapa de pré
binarização adaptativa
, conforme
percorre suas linhas em busca de texturas e características
placas veiculares.
As linhas localizadas são agrupadas formando regiões conforme
apresenta a Figura 14.
Figura
13
(ZHANG, LIU e JIANG, 2007)
é proposto um método híbrido para
lise das características dos componentes da ima
gem.
É apresentada inicialmente uma etapa de pré
-
processamento seguida de uma
, conforme
Figura 13
. Depois de binarizada a image
percorre suas linhas em busca de texturas e características
correspondentes
13
- Imagem binarizada após pré-
processamento
(ZHANG, LIU e JIANG, 2007)
25
Approach to License Plate Segmentation under
é proposto um método híbrido para
localização de placas veiculares adquiridas em condições complexas de aquisição. O
método proposto pelos autores é baseado na utilização de redes neurais artificiais e na
processamento seguida de uma
. Depois de binarizada a image
m o método
correspondentes
às das
As linhas localizadas são agrupadas formando regiões conforme
processamento
Figura
14
As faixas localizadas são processadas em busca de regiões que possam conter
placas veiculares. Os resultados dessa etapa são apresentados na
Figura
14
– Faixas localizadas na busca
por texturas
(ZHANG, LIU e JIANG, 2007)
Figura
15 - Regiões candidatas a placa veicular
(ZHANG, LIU e JIANG, 2007)
26
por texturas
As faixas localizadas são processadas em busca de regiões que possam conter
placas veiculares. Os resultados dessa etapa são apresentados na
Figura 15.
Das coordenadas de cada região candidata é
da imagem original
, sendo cada uma delas apresentadas a próxima etapa do método
proposto, que se utiliza de redes neurais artificiais para a validação das mesmas.
A etapa seguinte trabalha
válidas utilizando
a projeção vertical
resultado dessa etapa pode ser observado na
O método proposto não apresenta uma etapa responsável pelo reconhecimento
dos dígitos/caracteres.
Nos testes foram utilizadas 400 imagens com reso
adquiridas em condições complexas. É apresentada uma taxa de acert
localização das placas e 95% para a correta segmentação das regiões dos
dígitos/caracteres, com tempo médio de processamento de 1,2 segundos por im
Das coordenadas de cada região candidata é
extraída a regi
A etapa seguinte trabalha
n
a segmentação dos dígitos/caract
a projeção vertical
dos pixels da região
binarizada
resultado dessa etapa pode ser observado na
Figura 17.
Figura 16 – Projeção vertical
(ZHANG, LIU e JIANG, 2007)
Figura 17 - Sub-regiões segmentadas
(ZHANG, LIU e JIANG, 2007)
Nos testes foram utilizadas 400 imagens com reso
lução de 640 x 480 pixels,
27
extraída a regi
ão correspondente
, sendo cada uma delas apresentadas a próxima etapa do método
proposto, que se utiliza de redes neurais artificiais para a validação das mesmas.
a segmentação dos dígitos/caract
eres das regiões
binarizada
(Figura 16). O
O método proposto não apresenta uma etapa responsável pelo reconhecimento
lução de 640 x 480 pixels,
adquiridas em condições complexas. É apresentada uma taxa de acert
o de 94% para a
localização das placas e 95% para a correta segmentação das regiões dos
dígitos/caracteres, com tempo médio de processamento de 1,2 segundos por im
agem.
28
2.3. “SIAV – Um Sistema de Identificação Automática de Veículos”
Os autores desse artigo utilizam um processo de análise por variação tonal nas
linhas das imagens (SOUZA e SUSIN, 2000), com o objetivo de localizar as regiões
das placas conforme apresentado na Figura 18. Essa análise é apresentada como uma
assinatura, conforme Figura 19 e Figura 20.
Figura 18 - Imagem de veículo
(SOUZA e SUSIN, 2000)
Figura 19 - Variação tonal da linha "A"
(SOUZA e SUSIN, 2000)
Figura 20 - Variação tonal da linha "B"
(SOUZA e SUSIN, 2000)
A região localizada na etapa anterior é binarizada por um algoritmo adaptativo
que apresentou melhores resultados no contexto do reconhecimento de caracteres
(NIBLACK, 1986).
Depois da binarização o trabalho utiliza um algoritmo de busca por dígitos, na
procura por regiões com o formato de um “L” invertido de pixels em branco, conforme
Figura 21. As regiões localizadas são percorridas por uma barra horizontal e outra
vertical, com o objetivo de determinar os limites das possíveis regiões dos caracteres.
29
Figura 21 - Estágio na procura por dígitos
(SOUZA e SUSIN, 2000)
Esse algoritmo de busca não consegue localizar caracteres quando
interconectados ou conectados com as bordas da placa, sendo totalmente dependente
de uma correta binarização.
Após a localização dos caracteres é verificada a correta formação dos mesmos
considerando uma placa veicular. Se o algoritmo não localizar nenhuma formação
válida, a etapa anterior é repetida com uma nova taxa para a binarização adaptativa.
Quando a região da placa é finalmente localizada, uma expansão de contraste é
aplicada sobre a mesma região da imagem original, seguida de uma nova binarização.
Os caracteres extraídos são redimensionados para uma região de 15 x 15 pixels,
sendo apresentados a duas redes neurais distintas. A rede para o reconhecimento das
letras foi construída com 225 x 26 x 26 neurônios, já a rede para os números com 225 x
10 x 10 neurônios. Os valores correspondem respectivamente as camadas de entrada,
oculta e de saída.
O treinamento da rede e os testes do sistema foram realizados com uma mesma
base de 500 imagens com resolução de 320 x 240 pixels, contendo veículos com
placas de 70 x 20 a 120 x 40 pixels.
As taxas de acerto do sistema desenvolvido e denominado “SIAV”, foram
comparados com o sistema demonstrativo da empresa israelense Hi-Tech Solutions
(Seecar License Plate Recognition).
O sistema SIAV apresentou melhores resultados nas etapas de localização da
placa e na etapa de segmentação dos caracteres, quando comparados ao sistema
Seecar. As taxas foram de 97,7% (SIAV) contra 76,2% (Seecar License Plate
Recognition)
para a etapa de localização da placa e de 91,3% (SIAV) contra 64,6%
(See
car License Plate Recognition)
combinação da localização e reconhecimento correto das placas é apresentada uma
taxa de acerto de 37,5%.
2.4
. “Reconhecimento Automático de Placas de Veículos
Automotores A
través de Redes Neurais Artificiais”
Nesse artigo
(THOMÉ, RODRIGUES e GUINGO, 2002)
redes neurais artificiais para selecionar, dentre as diversas regiões de uma imagem,
aquela
com maior probabilidade de conter uma placa veicular.
A região da placa selecionada é apresentada para a segmentação dos
caracteres, através de suas projeções
canto esquerdo inferior da
Figura
Figura
(THOMÉ, RODRIGUES e GUINGO, 2002)
Após a segmentação dos caracteres, são extraídas suas características pela
técnica da projeção do contorno dos mesmos sobre os lados de um polígono regular,
car License Plate Recognition)
na etapa de segmentação dos caracteres.
través de Redes Neurais Artificiais”
(THOMÉ, RODRIGUES e GUINGO, 2002)
com maior probabilidade de conter uma placa veicular.
caracteres, através de suas projeções
horizontal e vertical, conforme
Figura
22.
Figura
22 - Segmentação dos caracteres da placa
(THOMÉ, RODRIGUES e GUINGO, 2002)
30
para a etapa de localização da placa e de 91,3% (SIAV) contra 64,6%
na etapa de segmentação dos caracteres.
Para a
combinação da localização e reconhecimento correto das placas é apresentada uma
. “Reconhecimento Automático de Placas de Veículos
os autores utilizam
redes neurais artificiais para selecionar, dentre as diversas regiões de uma imagem,
A região da placa selecionada é apresentada para a segmentação dos
horizontal e vertical, conforme
apresentado no
Após a segmentação dos caracteres, são extraídas suas características pela
técnica da projeção do contorno dos mesmos sobre os lados de um polígono regular,
31
especificamente um quadrado de 32 x 32 pixels, conforme Figura 23, resultando num
vetor de 128 características para cada caractere.
Figura 23 - Projeções para o quadrado
(THOMÉ, RODRIGUES e GUINGO, 2002)
No trabalho também é apresentada a construção de duas redes neurais
distintas, responsáveis pelo reconhecimento em separado das letras e dos números.
Na camada de entrada os autores utilizam o vetor de 128 características obtido na
etapa anterior, são utilizados 47 neurônios na camada oculta da rede e,
respectivamente, 10 e 26 neurônios para as camadas de saída das duas redes. Os
treinamentos das redes foram feitos com as características obtidas de 80% das
imagens, sendo os 20% restantes utilizados para os testes.
O banco de imagens utilizado no trabalho foi composto por 5.233 imagens
provenientes do DER-RJ, Departamento de Estrada e Rodagem do estado do Rio de
Janeiro, obtidas de radares instalados em ambientes não controlados, porém não foi
apresentada a resolução das imagens.
Na conclusão os autores apresentam uma taxa de 76,61% para o
reconhecimento correto das placas, não apresentando resultados para a segmentação
das placas, nem comparando com outro sistema comercial ou acadêmico.
2.5. “Kapta –
Um Sistema de Reconhecimento Automático de Placas
de Veículos Baseado nas Técnicas de Redes Neurais e
Processamento de Imagens”
Neste trabalho
(GUINGO, STIEBLER e THOMÉ, 2004)
um filtro laplaciano p
ara localizar a região da placa, identificando pontos com
determinado contraste. Após a aplicação desse filtro é realizada uma busca por
regiões com maior probabilidade de pertencerem às bordas dos caracteres, conforme
Figura 24
, seguida de uma nova busca por áreas de maior densidade dos pontos de
bordas localizados.
Figura
24
Na etapa de segmentação dos caracteres da placa, é apresentada
primeiramente a conversão da região para tons de cinza e aplicado um filtro adaptativo
com o objetivo de melhorar o contraste. Na
regiões conexas com “vizin
Processamento de Imagens”
(GUINGO, STIEBLER e THOMÉ, 2004)
é
utiliza
24
- Programa de localização da região da
placa
(GUINGO, STIEBLER e THOMÉ, 2004)
com o objetivo de melhorar o contraste. Na
sequencia
é realizada uma busca por
regiões conexas com “vizin
hança de oito”
(GONZALEZ e WOODS, 2010)
32
Um Sistema de Reconhecimento Automático de Placas
de Veículos Baseado nas Técnicas de Redes Neurais e
utiliza
do primeiramente
ara localizar a região da placa, identificando pontos com
determinado contraste. Após a aplicação desse filtro é realizada uma busca por
regiões com maior probabilidade de pertencerem às bordas dos caracteres, conforme
, seguida de uma nova busca por áreas de maior densidade dos pontos de
placa
Na etapa de segmentação dos caracteres da placa, é apresentada
primeiramente a conversão da região para tons de cinza e aplicado um filtro adaptativo
é realizada uma busca por
(GONZALEZ e WOODS, 2010)
. As regiões
localizadas recebem uma verificação em suas dimensões, posições relativas na
imagem, alinhamento das bordas superiores e inferiores, etapas apresentadas na
Figura 25. Por ú
ltimo é verificada a formação de conjuntos contendo sete regiões
conexas válidas.
Figura 25 -
Programa de segmentação dos car
Após a segmentação dos caracteres são extraídas as características individuais,
através da combinação do mapa de bits com 16 x 16 pixels
com as projeções horizontais
Programa de segmentação dos car
acteres da placa
(GUINGO, STIEBLER e THOMÉ, 2004)
através da combinação do mapa de bits com 16 x 16 pixels
apresentado na
com as projeções horizontais
e verticais, conforme Figura 27 e
Figura
33
localizadas recebem uma verificação em suas dimensões, posições relativas na
imagem, alinhamento das bordas superiores e inferiores, etapas apresentadas na
ltimo é verificada a formação de conjuntos contendo sete regiões
acteres da placa
Após a segmentação dos caracteres são extraídas as características individuais,
apresentado na
Figura 26,
Figura
28.
Figura 26 - Mapa de bits
Figura
(GUINGO, STIEBLER e THOMÉ, 2004)
As características extraídas são apresentadas para as camadas de entrada de
duas redes neurais distintas, responsáveis pelo
letras e dos números, conforme
camada intermediária e nas camadas de saída
as respectivas redes.
Figura
29
Figura
27 - Projeção horizontal
Figura
vertical
(GUINGO, STIEBLER e THOMÉ, 2004)
duas redes neurais distintas, responsáveis pelo
reconhecimento em separado das
letras e dos números, conforme
Figura 29
. Ambas as redes utilizam apenas uma
camada intermediária e nas camadas de saída
s são utilizados 10 ou 26 neurônios para
29
-
Processo de reconhecimento dos caracteres
(GUINGO, STIEBLER e THOMÉ, 2004)
34
Figura
28 - Projeção
vertical
As características extraídas são apresentadas para as camadas de entrada de
reconhecimento em separado das
. Ambas as redes utilizam apenas uma
s são utilizados 10 ou 26 neurônios para
Processo de reconhecimento dos caracteres
35
Para o treinamento das redes, os autores utilizaram os caracteres extraídos de
1000 imagens coloridas com resolução de 320 x 240 pixels, adquiridas no posto de
vistoria do DETRAN-RJ. Da mesma forma outras 300 imagens foram utilizadas para os
testes das redes.
Na conclusão é apresentada uma taxa de 78,38% para a correta localização e
identificação dos sete caracteres de uma mesma placa, 97,01% no reconhecimento
das letras e 98,26% para os números.
Segundo os autores “O reconhecimento automático de placa de veículos embora
possua um grande apelo e potencial de aplicação prática, ainda apresenta desafios que
demandam esforço de pesquisa na busca de melhores soluções para as diferentes
etapas do processamento.”
36
3. MÉTODO PROPOSTO
Baseado nos trabalhos investigados no capítulo anterior foi desenvolvido um
sistema baseado na busca por faixas verticais correspondentes aos dígitos/caracteres.
Como esse método não apresentou a robustez necessária para lidar com as imagens
em nossa base de imagens, um novo método baseado em “assinaturas espectrais”
correspondentes as regiões das placas, foi desenvolvido. Como este método “B” ainda
não apresentou resultados satisfatórios para o banco de imagens utilizado, partiu-se
então para um método que procurasse por faixas horizontais pertencentes aos
dígitos/caracteres, considerando também o agrupamento entre as mesmas, este é o
método “C”.
3.1. Método “A” - Localização de faixas verticais
Neste método, é aplicado um filtro de Sobel para a detecção de bordas
(GONZALEZ e WOODS, 2010) na imagem original apresentada na Figura 30. O
resultado obtido pode ser observado na Figura 31.
Figura 30 - Imagem original do método “A”
37
Figura 31 - Resultado da aplicação de Sobel
Após a aplicação do filtro a imagem é apresentada para binarização com um
limiar empírico (neste caso 128) e o resultado é exemplificado na Figura 32.
Figura 32 - Resultado da binarização
38
Partindo do resultado da binarização, as colunas da imagem são percorridas em
busca de faixas verticais correspondentes à altura esperada para os dígitos/caracteres.
O tamanho esperado das faixas depende diretamente da resolução da imagem e das
porcentagens mínima e máxima de ocupação do veículo na largura da imagem. Neste
caso é esperado que o veículo preencha de 50 a 100% da largura da imagem,
considerando a atuação dos radares em apenas uma faixa de rolagem das vias
públicas. As faixas verticais localizadas pelo processamento da imagem da Figura 32
são apresentadas na Figura 33, com uma maior concentração na região da placa do
veículo.
Figura 33 – Faixas verticais localizadas pelo método “A”
Na etapa seguinte o sistema faz uma busca por um agrupamento das faixas
verticais localizadas na etapa anterior. As linhas da imagem são percorridas buscando
por uma maior concentração de pontos. As concentrações localizadas são
consideradas válidas se as linhas imediatamente superiores e inferiores também
apresentarem concentrações na mesma região. A região com maior concentração de
faixas localizadas é considerada candidata a uma região que contenha uma placa
veicular, conforme apresentado na Figura 34.
39
Figura 34 - Região candidata a de uma placa veicular
Após a localização da região candidata é extraída da imagem original a região
correspondente, sendo realizada uma nova binarização com um limiar empírico (o
mesmo valor de 128). O resultado da binarização é apresentado na Figura 35.
Figura 35 - Resultado da binarização
40
A partir da binarização apresentada na Figura 35, a nova imagem é processada
em busca de regiões conexas com “vizinhança de quatro” (PEDRINI e SCHWARTZ,
2008) (GONZALEZ e WOODS, 2010). As regiões conexas localizadas são validadas
com referência à largura e altura mínimas e máximas. O resultado deste
processamento é apresentado na Figura 36.
Figura 36 - Regiões conexas candidatas aos dígitos/caracteres.
Uma próxima etapa para este método seria a apresentação das regiões conexas
localizadas para uma rede neural artificial, objetivando um possível reconhecimento
dos dígitos/caracteres. Porém este método foi descartado por não apresentar robustez
na localização de placas veiculares em imagens onde foram observadas inclinações
acentuadas do veículo com relação à câmera. Outro fator que desmotivou a
continuidade na investigação deste método foi a quantidade de parâmetros trabalhados
de forma empírica, fator contrário para a obtenção de um algoritmo robusto.
3.2. Método “B”-
L
intensidade
Este método
procura por assinaturas
correspondentes às
regiões das placas
apresenta um exemplo de imagem com análise
linha específica que não corta uma pl
Figura 37
a ausência de altas
para uma placa.
Figura 37 – E
xemplo
Na Figura 38 é
apresenta
intensidade em
uma linha específica que corta uma placa veicular.
figura
pode ser observada uma região com
assinatura
correspondente a
L
ocalização de assinaturas
de gradientes de
procura por assinaturas
de gradientes de intensidade
regiões das placas
(SOU
ZA e SUSIN, 2000)
apresenta um exemplo de imagem com análise
de gradiente de intensidade
linha específica que não corta uma pl
aca veicular. Pode ser observado
a ausência de altas
frequências
que caracterizem uma assinatura ou padrão
xemplo
de análise de gradiente em linha sem p
laca veicular
apresenta
da uma imagem
com análise
pode ser observada uma região com
alta frequência
que caracteriz
correspondente a
o padrão de uma placa veicular.
41
de gradientes de
de gradientes de intensidade
ZA e SUSIN, 2000)
. A Figura 37
de gradiente de intensidade
em uma
aca veicular. Pode ser observado
nos gráficos da
que caracterizem uma assinatura ou padrão
laca veicular
com análise
de gradiente de
uma linha específica que corta uma placa veicular.
Nos gráficos desta
que caracteriz
a uma
Figura 38 -
Exemplo de análise
As regiões
onde foram localizadas as assinaturas
são marcadas
com faixas horizontais
Figura 39 -
Exemplo de assinatura
Exemplo de análise
de gradiente em linha com
placa veicular
onde foram localizadas as assinaturas
de gradiente de intensidade
com faixas horizontais
conforme apresentado na
Figura
Exemplo de assinatura
de gradie
nte de intensidade
42
placa veicular
de gradiente de intensidade
Figura
39 a Figura 42.
nte de intensidade
Figura 40 -
Exemplo de assinatura
Figura 41 –
Exemplo de assinatura
Exemplo de assinatura
de gradiente de intensidade
Exemplo de assinatura
de gradiente de intensidade
43
de gradiente de intensidade
de gradiente de intensidade
Figura 42 -
Exemplo de assinatura
As próximas etapa
s
maior conce
ntração de assinaturas, a seg
dígitos/caracteres para uma rede neural artificial
Este método
também não apresentou
com baixo contraste ou sombra na região das placas veiculares
“B” foi abandonado. Outro
fator considerado foi novamente
empíricos. Contudo,
com base neste método e no anterior
proposta de localização dos dígitos/caracteres baseada na busca por faixas
horizontais.
Exemplo de assinatura
de gradiente de intensidade
s
para este método seria
m a localização das regiões com
ntração de assinaturas, a seg
mentação
e apresentação
dígitos/caracteres para uma rede neural artificial
objetivando o
recon
também não apresentou
robustez no processamento das imagens
com baixo contraste ou sombra na região das placas veiculares
e, portanto, o método
fator considerado foi novamente
a quantida
com base neste método e no anterior
,
foi criada
44
de gradiente de intensidade
m a localização das regiões com
e apresentação
desses
recon
hecimento.
robustez no processamento das imagens
e, portanto, o método
a quantida
de de parâmetros
foi criada
uma nova
proposta de localização dos dígitos/caracteres baseada na busca por faixas
45
3.3. Método “C”- Localização de faixas horizontais.
Um dos métodos para localizar placas veiculares em imagens digitais é baseado
na frequência da mudança de cores (GOMES e LOTUFO, 2005) (KWASNICKA e
WAWRZYNIAK, 2002), estes métodos em geral localizam a posição das placas nas
imagens, mas também criam um número grande de hipóteses para serem testadas.
O método proposto neste trabalho também é baseado na frequência da
mudança de cores, mas combinado com a densidade de caracteres/dígitos, reduz o
numero de hipóteses a serem testadas (DAMORE e MARENGONI, 2010). O método
procura nas imagens por regiões que apresentem variações de cor compatível com as
densidades dos dígitos/caracteres de uma placa. Para cada região localizada no
processo é aplicada uma técnica de validação. O método proposto foi dividido em seis
etapas, conforme a Figura 43.
Figura 43 - Seis etapas do método proposto
46
A primeira etapa, de pré-processamento, trata da atenuação de ruídos nas
imagens. A atenuação é feita de modo a não prejudicar as bordas dos caracteres. Na
segunda etapa, é feita uma busca por faixas horizontais, compatíveis com os tamanhos
dos caracteres e considerando um limite máximo de variação na tonalidade de cada
faixa. A terceira etapa é responsável pela localização de agrupamentos de faixas
horizontais, considerando uma quantidade mínima de faixas com uma distância
máxima entre elas. Na quarta etapa são aplicadas operações morfológicas de erosão e
dilatação nos agrupamentos de faixas horizontais, com o objetivo de eliminar faixas
isoladas e agrupar faixas próximas. Na quinta etapa é realizada uma busca por regiões
conexas que passam a ser candidatas a uma região onde existe uma placa de veículo.
A sexta e última etapa é responsável pela validação das regiões candidatas, através da
busca por sub-regiões compatíveis aos dígitos/caracteres encontrados nas placas dos
veículos no Brasil.
47
3.3.1. Pré-processamento
A etapa de pré-processamento é utilizada para atenuar ruídos sem prejudicar as
bordas principalmente dos dígitos/caracteres. Esta etapa ajuda a diminuir os falsos
positivos nas etapas seguintes (GAO, WANG e XIE, 2007).
Para definir as técnicas a serem utilizadas nesta etapa, foram realizados testes
com os filtros da média, gaussiana, mediana simples e média com preservação de
bordas. Esses filtros foram combinados com variações nos tamanhos das máscaras
(3x3, 5x5 e 7x7). O filtro da mediana simples com tamanho 3x3 foi o que apresentou os
melhores resultados, considerando o custo computacional, a atenuação dos ruídos e a
preservação das bordas dos caracteres, resultado este já esperado (GONZALEZ e
WOODS, 2010).
Na próxima etapa do método proposto, serão apresentados os resultados com e
sem a etapa de pré-processamento. A imagem original do veículo é apresentada na
Figura 44.
Figura 44 - Imagem original do método “C”
48
3.3.2. Faixas horizontais
Esta etapa tem como objetivo localizar faixas horizontais compatíveis com os
tamanhos dos caracteres esperados, considerando três parâmetros: o primeiro define o
limite de variação de tonalidade entre os pixels de uma mesma faixa horizontal, os
outros dois parâmetros, limitam a largura mínima e máxima esperadas para os
caracteres/dígitos em uma placa.
O parâmetro que limita a variação de tonalidade é relacionado diretamente ao
contraste de imagem. Nos testes realizados, foram obtidos os melhores resultados
empiricamente com o valor de 20 níveis de cinza para a variação máxima em uma faixa
horizontal. A utilização de valores superiores a 20 limita a localização das placas
veiculares em imagens com baixo contraste. Já a utilização de valores inferiores a 20
apresentam uma excessiva quantidade de regiões candidatas a uma placa veicular.
Os parâmetros que limitam a largura mínima e máxima esperadas para os
caracteres/dígitos em uma placa, dependem diretamente de três fatores: a largura de
imagem; largura do veículo na imagem e a espessura dos caracteres/dígitos das placas
brasileiras.
Neste trabalho foram utilizadas inicialmente imagens com resolução de 640
pixels na largura, sendo esperado que a largura dos veículos ocupe de 50% a 100%
dessa resolução. Considerando um valor aproximado de 2 metros para a largura
média das faixas de rolagem dos veículos e como a largura padrão do traço dos
caracteres/dígitos é de 10 mm (CONSELHO NACIONAL DE TRÂNSITO DO BRASIL,
2007), tem-se então uma espessura esperada para os caracteres/dígitos, na imagem
adquirida de 3 a 6 pixels.
O algoritmo percorre e analisa as linhas da imagem, atualizando os valores de
mínimo e máximo das intensidades de cada faixa sendo analisada, monitorando a
diferença entre esses dois valores, para que não exceda valor do primeiro parâmetro,
que limita a variação de tonalidade. Quando o primeiro parâmetro é excedido, é
verificada se a largura da faixa localizada está entre os valores do segundo e terceiro
parâmetros, que limitam a largura mínima e máxima esperada. Quando uma faixa é
considerada válida, o sistema verifica seus dois pixels vizinhos, um à direita e outro à
49
esquerda, sendo que ambos devem ter tonalidades superiores ou inferiores à
tonalidade média da faixa.
A Figura 45 apresenta os três exemplos de regiões a serem consideradas: a
região número 1 possui uma faixa central inválida, considerando que a mesma possui
gradientes de mesmo sinal nas bordas laterais. A região número 2 possui uma faixa
central considerada válida pela sua largura e pelos gradientes de sinal contrários nas
bordas laterais. A região número 3 possui uma faixa central inválida, pois sua largura
ultrapassa os limites estabelecidos das espessuras esperadas de caracteres/dígitos.
Figura 45 - Exemplos de faixas horizontais
Quando uma faixa satisfaz a todas as verificações propostas, o centro da
mesma é armazenado em uma nova imagem. A Figura 46 e Figura 47, exibem os
resultados desta etapa com e sem o pré-processamento, onde a diferença entre as
imagens é o ruído atenuado na etapa de pré-processamento. Note que na imagem da
Figura 47 o número de pontos que serão posteriormente descartados é bem maior que
na imagem da Figura 46, devido a ruído existente na imagem.
50
Figura 46 – Centro das faixas horizontais com o pré-processamento
Figura 47 - Centro das faixas horizontais sem o pré-processamento
51
3.3.3. Agrupamento de faixas horizontais
A terceira etapa é responsável pela localização de agrupamentos de faixas
horizontais, sendo utilizados dois parâmetros. O primeiro define o espaçamento
horizontal máximo entre os centros das faixas horizontais localizadas na etapa anterior,
esse parâmetro tem como referência a distância máxima entre dois caracteres em uma
placa veicular. O segundo parâmetro define a quantidade mínima de faixas horizontais
e sequenciais, considerando um mínimo de caracteres agrupados.
Novamente a resolução 231 (CONSELHO NACIONAL DE TRÂNSITO DO
BRASIL, 2007), define em 50 mm a distância máxima entre dois caracteres/dígitos e
um mínimo de sete faixas horizontais correspondentes à quantidade de
caracteres/dígitos das placas de licenciamento do Brasil.
Nesta etapa o algoritmo armazena em uma nova imagem as faixas que ligam o
centro da primeira e da última faixa pertencente ao agrupamento localizado. A Figura
48 exibe o resultado desta etapa, podendo ser observadas três regiões com
agrupamentos de faixas.
Figura 48 - Agrupamentos de faixas horizontais
52
3.3.4. Morfologia
Algumas das regiões localizadas na parte superior e inferior da Figura 48
nitidamente não pertencem a uma placa veicular. Essas regiões são formadas por
grupos de uma a três linhas. A quarta etapa tem como objetivo eliminar essas faixas
isoladas e agrupar faixas próximas, através da aplicação de operações morfológicas de
erosão e dilatação.
Os melhores resultados foram obtidos quando foram aplicados primeiramente
duas erosões, seguidas de três dilatações utilizando um elemento estrutural quadrado
de dimensão três. A Figura 49 exibe o resultado desta etapa, podendo ser observados
apenas dois agrupamentos de faixas.
Figura 49 - Imagem após operações morfológicas
53
3.3.5. Regiões conexas
A quinta etapa é responsável pela localização de regiões conexas com
“vizinhança de quatro” (PEDRINI e SCHWARTZ, 2008) (GONZALEZ e WOODS, 2010).
Nesta etapa é gerada uma nova imagem com regiões retangulares que contornem as
regiões conexas localizadas. Essas novas regiões são denominadas “candidatas”. A
Figura 50 exibe sobre a imagem original as duas regiões candidatas localizadas
Figura 50 - Imagem original com regiões candidatas em destaque
54
3.3.6. Sub-regiões conexas
Esta última etapa é responsável pela validação das regiões candidatas
localizadas na etapa anterior. Cada região candidata é binarizada 25 vezes, com
limiares variando entre 10 e 250, com incrementos de 10.
Em cada imagem binarizada o método procura de 6 a 8 sub-regiões conexas e
alinhadas horizontalmente, considerando que as placas veiculares no Brasil possuem 7
caracteres. Na Figura 51 são apresentadas três imagens da região considerada de
uma placa veicular. A primeira corresponde à imagem original da região candidata, a
segunda a imagem binarizada com o limiar que resultou na localização das sete sub-
regiões conexas, apresentadas em destaque na última imagem da figura.
Figura 51 - Imagens da região considerada de
uma placa veicular
55
4. RESULTADOS
O método proposto foi testado inicialmente com 516 imagens, coloridas e em
tons de cinza com resolução de 640 x 480 pixels, obtidas por equipamentos de radares
fixos e móveis de quatro rodovias brasileiras no estado de São Paulo e comparado com
os sistemas SIAV (SOUZA e SUSIN, 2000) e Seecar (Seecar License Plate
Recognition) com resultado de taxa de localização acima de 90% (DAMORE e
MARENGONI, 2010).
Um dos fatores relacionados com a robustez já mencionada é o fator resolução.
Para testar o sistema com imagens em resolução inferior à utilizada no primeiro teste
anterior foram levantadas 543 imagens obtidas de radares fixos e interligados pelo
Sistema Nacional de Identificação de Veículos em Movimento – SINIVEM, todas em
tons de cinza com resolução de 384 x 288 pixels.
Os dois conjuntos de imagens utilizados neste trabalho não são públicos e foram
cedidos com restrição de divulgação pela Policia Civil do Estado de São Paulo.
As características comuns aos dois conjuntos de imagens são:
• Formato jpg;
• Imagens frontais e traseiras dos veículos;
• Diferentes tipos de licenças de veículos;
• Inclinação câmera / veículo;
• Reflexos nas placas, vidros e estrutura;
• Imagens diurnas e noturnas;
• Aquisições sobre chuva e neblina;
• Veículos com e sem inscrições diversas;
• Diferentes estados de conservação.
56
Estas imagens também foram testados em outros dois sistemas, o Seecar
(Seecar License Plate Recognition) que é um sistema comercial da empresa israelense
Hi-Tech Solutions e o SIAV que foi desenvolvido e disponibilizado pela Universidade
Federal do Rio Grande do Sul no Brasil (SOUZA e SUSIN, 2000).
Na Tabela 1 são apresentados os resultados obtidos pelos três sistemas através
do processamento das imagens dos dois conjuntos de imagens. Os resultados obtidos
pelo sistema proposto pelo método “C” apresentado no capítulo 3 deste trabalho,
superam os outros dois sistemas utilizados na comparação.
Tabela 1 – Comparativo dos resultados obtidos pelos três sistemas
Taxa de acerto
Sistemas
Resolução
640 x 480
Resolução
384 x 288
Média Ponderada
Proposto 93,80 % 91,16 % 92,45 %
Seecar 75,00 % 67,77 % 71,29 %
SIAV 54,65 % 46,04 % 50,24 %
Conforme apresentado na Tabela 1, das 1059 imagens processadas o sistema
localizou a correta região da placa em 980 imagens, o que representa 92,45% do total.
Além das regiões corretas o sistema também localizou nessas 980 imagens outras 56
regiões com possibilidade de serem uma placa veicular, resultando numa taxa de
falsos positivos de 5,3%.
Para fazer uma análise de robustez do sistema foi feita uma análise manual das
1059 imagens mencionadas com relação aos parâmetros de robustez mencionados no
início deste trabalho. Conforme apresentado na Tabela 2, as imagens foram divididas
em 5 grupos: imagens com inscrições, imagens de baixo contraste, imagens com
sombras, imagens com inclinações e imagens com reflexos. Algumas imagens foram
classificadas como pertencendo a mais de um grupo, pois apresentavam mais de uma
característica discriminante, conforme os exemplos apresentados na Figura 52 e Figura
53.
Tabela 2 -
Comparativos sobre os problemas investigados
Problema investigado
Inscrições
Baixo contraste
Sombra
Inclinação
Reflexos
Figura
52
Comparativos sobre os problemas investigados
Imagens dos
conjuntos
Sistemas
Proposto
Seecar
210 (19,83%) 86,67%
72,85%
72 (06,80%) 69,44%
72,22%
153 (14,45%) 83,66%
70,58%
585 (55,33%) 92,15%
84,30%
108 (10,19%) 48,15%
43,51%
52
-
Imagem com sombra, reflexo e inscrições
57
Sistemas
Seecar
SIAV
72,85%
42,86%
72,22%
31,94%
70,58%
40,52%
84,30%
52,56%
43,51%
19,44%
Imagem com sombra, reflexo e inscrições
Figura
Pode-
se notar que a inclinação obtida devido ao posicionamento das câmeras
dos
radares não chega a ser um problema em termos de detecção. Inscrições e
sombra reduzem as taxas de detecção em torno de 5 e 10
respectivamente, mas o sistema ainda possui um desempenho superior aos outros dois
testados. Para imagens de b
faixas horizontais não é suficiente para fazer a discriminação dos caracteres/dígitos,
mas o desempenho do sistema é similar ao do See
Para imagens com reflexos ainda est
desempenho. U
ma hipótese possível é que na etapa onde são feitas as buscas por
componentes conexas os reflexos não permitem a identificação do número mínimo de
componentes.
Figura
53 – Imagem com sombra e inclinação
sombra reduzem as taxas de detecção em torno de 5 e 10
testados. Para imagens de b
aixo contraste o limiar utilizado na etapa de busca de
mas o desempenho do sistema é similar ao do See
c
ar e ainda melhor que o SIAV.
Para imagens com reflexos ainda est
á sendo investiga
do o motivo do baixo
58
se notar que a inclinação obtida devido ao posicionamento das câmeras
radares não chega a ser um problema em termos de detecção. Inscrições e
pontos percentuais
respectivamente, mas o sistema ainda possui um desempenho superior aos outros dois
aixo contraste o limiar utilizado na etapa de busca de
faixas horizontais não é suficiente para fazer a discriminação dos caracteres/dígitos,
ar e ainda melhor que o SIAV.
do o motivo do baixo
ma hipótese possível é que na etapa onde são feitas as buscas por
componentes conexas os reflexos não permitem a identificação do número mínimo de
59
5. CONCLUSÃO
Em um artigo recente (ANAGNOSTOPOULOS, PSOROULAS, et al., 2008) foi
apresentado um levantamento sobre técnicas de detecção e reconhecimento de placas
veiculares, onde são apresentadas taxas de localização médias de 95%. Infelizmente o
artigo não apresenta as condições de aquisição e não fornece detalhes sobre as
imagens utilizadas nos testes destes sistemas.
O método proposto neste trabalho é novo método e faz a localização de placas
veiculares em imagens adquiridas em condições complexas. O método apresentou
uma taxa de detecção das placas próxima a 94% na base de imagens utilizada.
Comparado com os resultados de outros dois sistemas utilizando o mesmo conjunto
de imagens, o método proposto superou em aproximadamente 20 pontos percentuais o
sistema comercial Seecar (Seecar License Plate Recognition) e em 40 pontos
percentuais o sistema acadêmico SIAV (SOUZA e SUSIN, 2000).
O método proposto é completamente automático, de fácil implementação e
mostrou robustez na detecção de placas para as condições de aquisição das imagens,
que incluíram problemas do tipo inclinação, tamanho da placa, iluminação, chuva,
neblina, resolução da imagem e oclusão parcial dos dígitos/caracteres. Note que a
maioria dos sistemas apresentados na literatura utilizam imagens frontais e de alta
resolução.
O sistema proposto neste trabalho pode ser melhorado ainda nos seguintes
aspectos:
a. Na etapa de pré-processamento, além da aplicação da mediana de 3x3, o
alargamento de contraste deve facilitar a localização de regiões com placas veiculares
em imagens com baixo contraste e que não são localizadas no sistema atual.
b. Na etapa de sub-regiões conexas, a busca por limiares para binarização, é
executada utilizando 25 valores de corte de forma crescente. Poderia ser utilizado uma
técnica similar a de uma busca binária, partindo-se de uma valor mediano e movendo-
se o valor de corte em apenas uma direção, reduzindo o custo computacional do
método proposto.
c. Finalmente a implementação de mais uma etapa responsável pelo reconhecimento
dos dígitos/ caracteres, juntamente com um analisador sintático, reduziria
consideravelmente o número de falsos positivos.
60
REFERÊNCIAS BIBLIOGRÁFICAS
ANAGNOSTOPOULOS, C.-N. E. et al. License Plate Recognition From Still Images
and Video Sequences: A Survey. IEEE Transactions on Intelligent Transportation
Systems. [S.l.]: [s.n.]. set. 2008. p. Vol 9.
BELVESI, R. et al. Um Sistema de Reconhecimento Automático de Placas de
Automóveis. Encontro Nacional de Inteligência Artificial. Rio de Janeiro / RJ: [s.n.].
1999.
CAMPOS, T.; BAMPI, S.; SUSIN, A. A. Sistema de Identificação de Placas por
Processamento Automático de Imagens. IWS - VII Workshop Iberchip. Montivideo -
Uruguay: [s.n.]. 2001.
CONSELHO NACIONAL DE TRÂNSITO DO BRASIL. Resolução 231 - Sistema de
Placas de Indetificação, 2007. Disponivel em:
<http://www.denatran.gov.br/contran.htm>.
DAMORE, L. A.; MARENGONI, M. Automatic Licence Place Detection in Complex
Conditions of Acquisition. VISAPP- Internacional Conference on Computer Vision
Theory and Applications. Angers / França: [s.n.]. 2010.
GAO, Q.; WANG, X.; XIE, G. License Plate Recognition Based On Prior Knowledge.
IEEE - International Conference on Automation and Logistcs. Jinan / China: [s.n.]. 2007.
GOMES, A. L.; LOTUFO, R. D. A. Método de Localização de Placa de
Licenciamento Veicular. Universidade Estadual de Campinas. Campinas / SP: [s.n.].
2005.
GONZALEZ, R. C.; WOODS, R. E. Processamento de Imagens Digitais. 3ª. ed. [S.l.]:
Pearson Prentice Hall, 2010.
61
GUINGO, B. C.; STIEBLER, G. M.; THOMÉ, A. C. G. Kapta - Um Sistema de
Reconhecimento Automático de Placas de Veículos Baseado nas Técnicas de
Redes Neurais e Processamento de Imagens. Congresso Brasileiro de Tecnologia
da Informação e Comunicação. Florianópolis / SC: [s.n.]. 2004.
GUINGO, B. C.; THOMÉ, A. C. G. Estratégias para o Reconhecimento da Licença de
Veículos. RMCT - Revista Militar de Ciência e Tecnologia, Rio de Janeiro, 2004.
KWASNICKA, H.; WAWRZYNIAK, B. License plate location and recognition in
camera pictures. Artificial Intelligence Methods. Gliwice / Poland: [s.n.]. 2002.
NIBLACK, W. An Introduction to Digital Image Processing. [S.l.]: Prentice Hall,
1986.
OZBAY, S.; ERCEBELI, E. Automatic Vehicle Identification by Plate Recognition.
Proceedings of World Academy of Sciense, Engineerring and Technology. [S.l.]: [s.n.].
2005. p. Volume 9.
PEDRINI, H.; SCHWARTZ, W. R. Análise de Imagens Digitais, Princípios,
Algoritmos e Aplicações. 1. ed. [S.l.]: Thomson Learning Inc, 2008.
SEECAR License Plate Recognition. Hi-tech solutions. Disponivel em:
<http://www.htsol.com>. Acesso em: 07 set. 2010.
SOUZA, F. P. C. Localização e Leitura Automática de Caracteres Alfanuméricos -
Uma Aplicação na Identificação de Veículos. Universidade Federal do Rio Grande
do Sul: [s.n.]. 2000. Dissertação de Mestrado.
SOUZA, F. P. C.; SUSIN, A. A. SIAV - Um Sistema de Identificação Automática de
Veículos. XIII Congresso Brasileiro de Automática. Florianópolis / SC: [s.n.]. 2000.
62
THOMÉ, A. C. G.; RODRIGUES, R. J.; GUINGO, B. C. Reconhecimento Automático
de Placas de Veículos Automotores Através de Redes Neurais Artificiais. 2º
Congresso Brasileiro de Computação. Itajaí / SC: [s.n.]. 2002.
ZHANG, X.; LIU, X.; JIANG, H. A Hybrid Approach to License Plate Segmentation
under Complex Conditions. Third International Conference on Natural Computation.
Haikou / China: [s.n.]. 2007.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo