Aplicación de visión por computador para el reconocimiento del número de placa de vehículos
Esquema general ANPR
Control de acceso a parqueaderos Control de fraudes en autopistas
Control de velocidad media en autopistas Control de camiones
Inventariado de vehículos … etc
Justificación del proyecto
Sub1. Introducción 1.1 ANPR 1.2 OCR 1.2.1 Modelos 1.2.1
Técnicas 1.2.1 Análisis de los OCR’s 2.
Implementación de la solución 3. Resultados
Experimentales 3. Conclusiones y Recomendaciones
Es una aplicación de Visión por Computador que
utiliza Reconocimiento Óptico de Caracteres OCR en
imágenes para leer las matriculas de los vehículos
Introducción: Sistemas ANPR Trabaja en un entorno NO
CONTROLADO
Los sistemas OCR simulan la habilidad humana mediante la
creación y el uso de modelos físicos o
matemáticos OCR: Reconocimiento Óptico de
Caracteres
Modelos Redes Neuronales: Es un sistema inspirado en el
funcionamiento del cerebro humano Método Lógico: Se
utiliza conjuntos difusos, lógica simbólica, etc.
OCR: Reconocimiento Óptico de Caracteres
Modelos Método Probabilista: Utiliza análisis de
varianzas, covarianzas, dispersión, distribución,
etc. Método Geométrico (Clustering): Es un
método de agrupación de una serie de vectores de
acuerdo a un criterio de cercanía. OCR: Reconocimiento
Óptico de Caracteres
Técnicas GOCR: Desarrollada por Joerg Schulenburg, se basa
en un conjunto de reglas, portable a diferentes SO’s,
sensible a imágenes con ruido e inclinación. OCRAD:
Creado por Antonio Díaz, es un método de
extracción de características geométrico,
rápido pero muy sensible al ruido OCR: Reconocimiento
Óptico de Caracteres
Técnicas TESSERACT: Desarrolla originalmente por Hewlett
Packard, luego liberado por Google, es multiplaforma, preciso,
potente. El formato que procesa es el TIFF OCR: Reconocimiento
Óptico de Caracteres
Técnicas OCR: Reconocimiento Óptico de
Caracteres
Análisis de los OCR’s Driver Gothic License Plate
OCR: Reconocimiento Óptico de Caracteres
Análisis de los OCR’s: GOCR Prueba para imagen 1
Prueba para imagen 2 OCR: Reconocimiento Óptico de
Caracteres
Análisis de los OCR’s: OCRAD Prueba para imagen 1
Prueba para imagen 2 OCR: Reconocimiento Óptico de
Caracteres
Análisis de los OCR’s: Tesseract Prueba para imagen
1 Prueba para imagen 2 OCR: Reconocimiento Óptico de
Caracteres
Análisis de los OCR’s: Tesseract entrenado Prueba
para imagen 1 Prueba para imagen 2 OCR: Reconocimiento
Óptico de Caracteres
Análisis de los OCR’s Resultados para imagen 1
Prueba para imagen 2 OCR: Reconocimiento Óptico de
Caracteres
Sub1. Introducción 2. Implementación de la
solución 2.1 Placas Vehiculares 2.2 Tesseract 2.2.1 Fase
de entrenamiento 2.2.1 Fase de reconocimiento 3. Resultados
Experimentales 4. Conclusiones y Recomendaciones
Placa Particular Placa de Alquiler Placa Gubernamental Placa
Municipal Tipos de placas vehiculares en el ecuador
Esquema General del OCR
Fases del Tesseract
Determinar el conjunto de caracteres que van a ser utilizados
Diseñar imagen con texto que contenga un conjunto de
ejemplos OCR implementado Etapa 1: Entrenamiento paso a
paso
Tener 5 – 10 muestras Caracteres frecuentes mínimo 20
muestras Puntos importantes para crear imagen de entrenamiento No
hacer frases sin significado ejemplo, 012345 !@#$%^ Mas de 10
muestras para caracteres cerca de los 15 pixeles Los datos de
entrenamiento se debe agrupar por tipo de letra OCR
implementado
Imágenes Plantilla OCR implementado
Cuadro comparativo de pruebas OCR implementado
Las imágenes son previamente binarizadas El formato es
TIFF, sin compresión Resolución es de 72ppp –
300ppp Características de las imágenes OCR
implementado
Buenas Parcialmente Buenas Malas Clasificación de las
placas OCR implementado
Antes Despues Análisis de pagina OCR implementado
Distinción entre caracteres alfabéticos y
numéricos Antes La letra “B” era reconocida
como el número “8”. El cero “0”
era reconocido como la letra “O”, “Q” o
“D”, “U”. El seis “6”
fácilmente era reconocido como la letra “G” El
número “1” fácilmente era reconocido
con la “I” El “4” hallaba similitud con
la letra “A” El número “5” hallaba
similitud con la letra “S” El número
“2” hallaba similitud con la letra “Z”.
El número “7” hallaba similitud con la letra
“T” Detección de errores OCR
implementado
Distinción entre caracteres alfabéticos y
numéricos Después Detección de errores OCR
implementado
Similitud de caracteres Detección de errores OCR
implementado
Patrones para caracteres especiales Detección de errores
OCR implementado
Caracteres Sesgados Detección de errores OCR
implementado
Caracteres Sesgados Detección de errores OCR
implementado
Caracteres Sesgados Detección de errores OCR
implementado
Detección de errores: Rotación sobre eje vertical
OCR implementado
Detección de errores OCR implementado
Detección de errores: Rotación sobre eje horizontal
OCR implementado
Detección de errores: Rotación sobre eje horizontal
OCR implementado
Etapa 2: Reconocimiento OCR implementado
Sub1. Introducción 2. Implementación de la
solución 2.1 Placas Vehiculares 2.2 Tesseract 2.2.1 Fase
de entrenamiento 2.2.1 Fase de reconocimiento 3. Resultados
Experimentales 4. Conclusiones y Recomendaciones
Pruebas de campo
Resultados: pruebas de campo
Pruebas de campo % de eficiencia algoritmo implementado
Sub1. Introducción 2. Implementación de la
solución 2.1 Placas Vehiculares 2.2 Tesseract 2.2.1 Fase
de entrenamiento 2.2.1 Fase de reconocimiento 3. Resultados
Experimentales 4. Conclusiones y Recomendaciones
Se consiguió realizar una librería de entrenamiento
con excelentes resultados Se podría crear un entrenamiento
mucho más robusto utilizando placas de otros países
Conclusiones y Recomendaciones
En el presente proyecto se realizó la toma de imagen de
manera manual, por lo que se puede realizar de manera
autónoma. Conclusiones y Recomendaciones