RecAM. Reconocimiento Automático de Matrículas

Transcripción

1 RecAM Reconocimiento Automático de Matrículas Curso de Tratamiento de Imágenes por Computadora Año 2003 Tutor: Ing. Alvaro Pardo Integrantes: Rodrigo Abal Raúl Medeglia Nicolás Pebet

2 De Qué Se Trata? Cada vez hay más vehículos. Esto produce más congestionamiento. Problema: congestionamiento en peajes. Solución: crear un sistema que permita la identificación automática de la matrícula. Alivia al operario. Permite por ejemplo el pago del peaje con la patente. 10/07/2003 RecAM 2

3 Otras Aplicaciones Corroboración del pago de patentes. Cálculo del tiempo en estacionamientos tarifados. Infracciones de tránsito. Comando de barreras en áreas restringidas. 10/07/2003 RecAM 3

4 Sistema de reconocimiento automático 10/07/2003 RecAM 4

5 Qué Implementamos? El sistema consiste en tres módulos: Mejoramiento de la imagen. Segmentación de la matrícula del resto de la imagen. Binarización con umbral adaptivo. En una etapa posterior, se implementará un OCR para completar el reconocimiento. 10/07/2003 RecAM 5

6 Herramientas Utilizadas Cámara digital Olympus con mínima compresión. PC estándar: Celeron 500MHz, 64MB RAM, Windows 98 SE. XnView 1.5 Matlab 5.1 con Toolbox de Image Processing /07/2003 RecAM 6

7 Cómo Funciona? Conocimiento previo (buen contraste entre los dígitos y el fondo). Patrón que identifica los dígitos. 10/07/2003 RecAM 7

8 Qué significa y cómo se obtiene el patrón? Se aplica el operador Sobel en la dirección horizontal. Se obtiene imagen con los gradientes horizontales. En la cual: En transiciones claro-oscuro: pico positivo. En transiciones oscuro-claro: pico negativo. Pico positivo + pico negativo y la distancia entre ellos es < ε => Trazo negro sobre fondo blanco. 10/07/2003 RecAM 8

9 Un corte horizontal de la matrícula define un patrón de trazos. Si se es capaz de encontrar este patrón repetido en varias filas consecutivas, se podrá decir que allí se encuentra la matrícula. 10/07/2003 RecAM 9

10 Segmentación Filtrado Sobel. Dos umbrales iguales y opuestos. Clasificación de la respuesta en tres posibles estados. Se fijó un 5% sobre el histograma. Es decir, superan el umbral el 5% de los valores de gradiente. 10/07/2003 RecAM 10

11 Binarización de la matrícula segmentada Umbral: cuáles píxeles son blancos y cuáles negros. Adaptivo. Óptimo. Cómo se calculan las medias? Cuántos píxeles son negros y cuántos blancos? Usamos la característica de la matrícula: letras negras sobre fondo blanco. 10/07/2003 RecAM 11

12 Cómo? Se cuentan los píxeles de la fila (en la matriz de la respuesta del filtro Sobel) hasta encontrar un pico. Pico positivo => Transición claro-oscuro => todos los píxeles hasta allí eran blancos. Se sigue contando hasta el siguiente pico, si es negativo => todos los píxeles contados ahora habrán sido negros. Se repite este procedimiento en toda la matrícula. También se fueron acumulando las intensidades, pudiéndose así calcular las medias y las probabilidades, y con ellas, el umbral óptimo. 10/07/2003 RecAM 12

13 Requerimientos en la implementación Distancia fija entre la cámara y el vehículo, estableciendo un margen de tolerancia. Que el vehículo no se encuentre en movimiento. Chapa con dígitos oscuros sobre fondo claro. Imágenes obtenidas con luz ambiental y en niveles de gris. Matrícula limpia, seca, y en buen estado. La tolerancia frente a la inclinación de la matrícula es un ángulo de ± 20 grados. En esta primera implementación se suponen matrículas de 3 letras y 4 números. 10/07/2003 RecAM 13

14 Un Ejemplo... Sobel Umbral (5 %) Busco Patrón 10/07/2003 RecAM 14

15 Un Ejemplo... Sobel Umbral (15 %) Histograma de la matrícula, el umbral para la binarización calculado por RecAM es Binarización 10/07/2003 RecAM 15

16 Resultados y Conclusiones Gracias a los avances de la tecnología se puede contar con equipos PC estándar potentes que permiten el procesamiento de las imágenes en tiempo real. El operador Sobel se eligió por una cuestión de eficiencia, ya que se buscaron patrones por filas. Los algoritmos fueron sometidos a rigurosas pruebas obteniéndose siempre muy buenos resultados. Queda pendiente el desarrollo de un OCR para terminar el reconocimiento. 10/07/2003 RecAM 16

17 Referencias F. Martín Rodríguez, X. Fernández Hermida. "Reconocedor Automático de Matrículas de Automóviles. Proceedings of TIARP-01, (2001). F. Martín Rodríguez, X. Fernández Hermida. "An OCR for VLP s (Vehicle license plate)". Proceedings of ICSPAT-97. San Diego. (Setiembre 1997). V. Sergey, R. Alexander, S. Roman. "Moving car license plate recognition, Final report". Technion - Israel Institute of Technology. J. Brown, A. Harris, M. Noury, A. Patel, J. Rafferty. "License plate recognition system". Georgia Institute of Technology. (Setiembre 2002). 10/07/2003 RecAM 17

18 Mas Referencias... J. Molina, J. M. Mossi, A. Albiol. "Development of a plate reader for surveillance system". Universidad Politécnica de Valencia. N. Ketelaars. "Final project: Automated license plate recognition". (Enero 2001). P. Ponce, S. Wang, D. Wang. "Final Report: License plate recognition. J. F. Canny. "A computational approach to edge detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 8: Sorin Draghici. "A neural network based artificial vision system for licence plate recognition" Dept. of Computer Science, Wayne State University. Proceedings of IJNS /07/2003 RecAM 18

19 Preguntas 10/07/2003 RecAM 19