fernanda frydson t. richard gutierrez p

Aplicación de visión por computador para el Aplicación de visión por computador para el reconocimiento del número de placa de vehículos reconocimiento del número de placa de vehículos

usando modelos de aprendizaje (OCR usando modelos de aprendizaje (OCR convencionales)convencionales)

Fernanda Frydson T. Richard Gutierrez P.

Facultad de Ingeniería en Electricidad y ComputaciónEscuela Superior Politécnica del Litoral – ESPOL

Guayaquil – Ecuador

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

1. Introducción

1.1 ANPR 1.2 OCR 1.2.1 Modelos 1.2.1 Técnicas 1.2.1 Análisis de

los OCR’s2. Implementación de la

solución3. Resultados

Experimentales3. 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.


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.


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


TÉCNICAS

TESSERACT: Desarrolla originalmente por Hewlett Packard, luego liberado por Google, es multiplaforma, preciso, potente. El formato que procesa es el TIFF


TÉCNICASOcrad GOCR Tesseract

Precisión en el reconocimiento Buena Buena Excelente

Tiempo de respuesta Excelente Mala Buena

Sistemas Operativos desarrollado UnixWindows

Linux

WindowsLinux

Mac OS

Lenguaje desarrollado C++ C C y C++

Licencia

GNU General Public

License

GNU General Public

License

Licencia Apache

Formato de imagen de entradaBmp, pgm,

ppm

pnm, PBM, pgm

y otrosTIFF

Calidad de imagen para análisis Buena Excelente Buena

Versión estable disponible Julio 2010Agosto 2009

Sept. 2010


ANÁLISIS DE LOS OCR’S

Driver Gothic License Plate


ANÁLISIS DE LOS OCR’S: GOCR

Prueba para imagen 1



ANÁLISIS DE LOS OCR’S: OCRAD




ANÁLISIS DE LOS OCR’S: TESSERACT




ANÁLISIS DE LOS OCR’S: TESSERACT ENTRENADO




ANÁLISIS DE LOS OCR’SResultados para imagen 1


OCR Total de Caracteres

Reconocidos Correctamen

te

No Reconocido

s

Porcentaje de Error

GOCR 37 35 2 5.41Ocrad 37 29 8 21.62

Tesseract 37 31 6 16.22Tesseract entrenado

37 36 1 2.70

OCR Total de Caracteres

Reconocidos Correctament

e

No Reconocido

s

Porcentaje de Error

GOCR 37 34 3 8.10Ocrad 37 30 7 18.92

Tesseract 37 31 6 16.22Tesseract entrenado

37 37 0 0


1. Introducción2. Implementación de la

solución 2.1 Placas Vehiculares 2.2 Tesseract 2.2.1 Fase de

entrenamiento 2.2.1 Fase de

reconocimiento3. 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 muestrasCaracteres 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

AntesLa 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 ERRORESOCR IMPLEMENTADO

Distinción entre caracteres alfabéticos y numéricos

Después

DETECCIÓN DE ERRORES

Placas

Tasa de

Reconocimiento % de Rec. Con Clasificación

100 Placas (606

Imágenes) 28% 66%

OCR IMPLEMENTADO

Similitud de caracteresDETECCIÓN DE ERRORES

OCR IMPLEMENTADO

Patrones para caracteres especiales


OCR IMPLEMENTADO

Caracteres Sesgados


OCR IMPLEMENTADO

45 Grados

Corrección geométrica: Ninguna

Resultado: GMX 672

100% Caracteres Reconocidos

Imagen Binaria B/N - TIFF Sin compresión:

DETECCIÓN DE ERRORES: ROTACIÓN SOBRE EJE VERTICAL

65 Grados


Resultado: GMX 672



OCR IMPLEMENTADO

7 0 Grados


Resultado: GMX 672




75 Grados


Resultado: GMX 672

83,33% Caracteres Reconocidos

Errores: Mientras el ángulo de rotación horizontal aumenta, los caracteres tienden a tomar similitud con otros como es el caso del 1 y 7, M y H.

OCR IMPLEMENTADO

45 Grados


Resultado: GMX 672



DETECCIÓN DE ERRORES: ROTACIÓN SOBRE EJE HORIZONTAL

65 Grados


Resultado: GMX 672



OCR IMPLEMENTADO

70 Grados


Resultado: GMX 672

83.33% Caracteres Reconocidos


Errores: Mientras aumente su rotación vertical, luego de la binarización, los caracteres tienden a verse aplastados causando problemas de reconocimiento y como en el presente ejemplo la “M” la reemplaza por “III” o simplemente no la reconoce.

DETECCIÓN DE ERRORES: ROTACIÓN SOBRE EJE HORIZONTAL

OCR IMPLEMENTADO

ETAPA 2: RECONOCIMIENTO

RESULTADO SOBRE 100 PLACAS / 606 IMAGENES

Librería pv2 pv3 pv4 pv5 pv6 pv7 Pv8 (Final)

Total de Placas Reconocidas 66 72 75 75 60 75 83

OCR IMPLEMENTADO




reconocimiento3. Resultados Experimentales

4. Conclusiones y Recomendaciones

PRUEBAS DE CAMPO

Puntos 24

Tomas 240

Corrección aplicada

Alineamiento

Imágenes procesadas

1440

RESULTADOS: PRUEBAS DE CAMPO

PRUEBAS DE CAMPO % DE EFICIENCIA ALGORITMO

IMPLEMENTADO




reconocimiento3. Resultados Experimentales4. 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

fernanda frydson t. richard gutierrez p

Documents