Return to search

Reconhecimento Automático de Placas de Automóveis Utilizando Redes de Kohonen

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-01-18T12:53:32Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Dissertação_Pedro Gonçalves.pdf: 8565820 bytes, checksum: f14c8d37ea1f5daef226a8a6f131bada (MD5) / Made available in DSpace on 2016-01-18T12:53:32Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Dissertação_Pedro Gonçalves.pdf: 8565820 bytes, checksum: f14c8d37ea1f5daef226a8a6f131bada (MD5)
Previous issue date: 2015-09-01 / Punir infrações de trânsito, controlar tráfego em rodovias, controlar o acesso a áreas
restritas, entre outras, são ações tomadas para melhorar o trânsito nas grandes cidades. Para
realizar tais ações é necessário, portanto, identificar o veículo automotivo, utilizando, para isso,
sua placa de licenciamento. Entretanto, com o aumento de automóveis nas vias urbanas, essa
tarefa tornou-se muito difícil de ser realizada de uma forma eficiente por apenas agentes de
trânsito, pois existe uma grande quantidade de dados a serem analisados e reportados aos órgãos
competentes. Soma-se a isso, o fato de fatores emocionais, cansaços físico e mental, inerentes aos
seres humanos, atrapalharem a eficácia da tarefa executada. Por isso, ferramentas que realizam o
reconhecimento ótico de caracteres, Opitcal Character Recognition (OCR), vem sendo cada vez
mais empregadas para realizar a identificação automática de caracteres existentes nas placas dos
automóveis.
Este trabalho visa descrever um sistema para identificação de veículos automotivos
através de imagens estáticas, apresentando técnicas pesquisadas e estudadas em cada etapa do
processo de identificação. As etapas que são apresentadas e detalhadas incluem: a identificação da
placa, segmentação dos caracteres presentes na placa e o reconhecimento dos caracteres isolados.
Técnicas envolvendo processamento digital de imagem como detectores de bordas, operações
morfológicas, análise de componentes conectados e limiarização serão explicitadas. Redes
neurais artificias são propostas para realizar o reconhecimento do caractere isolado, tais como
Self-Organizing Maps (SOM) e Kernel Self-Organizing Map (KSOM), e serão pormenorizadas.
Para avaliar o desempenho das técnicas empregadas nesse projeto, imagens presentes na
base de dados MediaLab LPR Database foram utilizadas. Métricas como Recall, Precision e
F-Score foram empregadas na avaliação de performance dos diferentes algoritmos estudados e
implementados para realizar a detecção da placa, ajudando na escolha do extrator da placa do
sistema final. No estágio de segmentação da placa e do reconhecimento dos caracteres isolados,
a taxa de acerto foi utilizada para avaliar os algoritmos propostos. Para um grupo de 276
imagens pertencentes a uma base pública, as etapas de detecção, segmentação e reconhecimento
alcançaram desempenhos semelhantes aos vigentes na literatura ANAGNOSTOPOULOS et al.
(2006) e propiciaram, aproximadamente, uma taxa de acerto global do sistema OCR proposto de
85%. / Punish traffic infractions, traffic control on highways, control access to restricted areas,
among others, are actions taken to improve traffic in major cities. In order to take these actions
is therefore necessary to identify the motor vehicle using it licensing plate. However, with the
increase of the number of cars on urban roads, this task has become very difficult to be performed
effectively only by traffic agents because there is a lot of data to be analyzed and reported to the
competent agencies. In addition, the fact that emotional factors, physical and mental tiredness,
that inherent features to humans, hider effectiveness of task begin performed. Therefore, tools
that perform optical character recognition (OCR) are begin increasingly used for automating the
identification of characters on licensing plate of the vehicles.
This research describes a system for identification of automotive vehicles through still
images showing algorithms researched in the literature on each step of the identification process.
The stages are presented and detailed include: plate identification, segmentation of the characters
existing in plate and the recognition of single characters. Techniques involving digital image
processing like edge detectors, morphological operations, connected component analysis and
thresholding are explained. Artificial neural networks are submitted to achieve the recognition
of single character, such as Self-Organizing Maps (SOM) and Kernel Self-Organizing Map
(KSOM), are detailed.
In order to evaluate the performance of the techniques used in this project, images
from mainly the MediaLab LPR Database were used. The metrics employed to analyze the
performance of algorithms implemented to detect a region of plate on image are Recall, Precision
and F-Score. This metrics helped to choose the better algorithms for extraction plate on image.
In the segmentation stage of the plate and the recognition of single characters, the hit rate was
used to evaluate the proposed algorithms. For group of 276 images belonging a public database,
the stages of detection, segmentation and recognition reached similar performance with previous
approaches (ANAGNOSTOPOULOS et al., 2006), leading the proposed OCR system to 85% of
hit rate.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/14920
Date01 September 2015
CreatorsGONÇALVES, Pedro Rodolfo da Silva
Contributorshttp://lattes.cnpq.br/8715023255304328, ARAÚJO, Aluízio Fausto Ribeiro
PublisherUniversidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil
Source SetsIBICT Brazilian ETDs
LanguageBreton
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0037 seconds