Facultad de Ingeniería Eléctrica

Departamento de Telecomunicaciones y Electrónica

Trabajo de diploma

Algoritmo para el reconocimiento automático de

matrículas utilizando la herramienta de
simulación Matlab.

Autor: Javier Barco Alvárez.

Tutores: Ing. Reinier Alejandro Alonso Quintana.

MSc. Roberto Díaz Amador.

Santa Clara

2014

"Año 56 dela Revolución"

Universidad Central “Marta Abreu” de Las Villas

Facultad de Ingeniería Eléctrica

Departamento de Telecomunicaciones y Electrónica

Trabajo de diploma

Algoritmo para el reconocimiento automático de

matrículas utilizando la herramienta de
simulación Matlab.

Autor: Javier Barco Alvárez.

E-mail: jbarco@uclv.edu.cu

Tutores: Ing. Reinier Alejandro Alonso Quintana.

MSc. Roberto Díaz Amador.

Santa Clara

2014

"Año 56 de la Revolución"
Hago constar que el presente trabajo de diploma fue realizado en la Universidad Central
“Marta Abreu” de Las Villas como parte de la culminación de estudios de la
especialidad de Ingeniería en Telecomunicaciones y Electrónica, autorizando a que el
mismo sea utilizado por la institución para los fines que estime conveniente, tanto de
forma parcial como total y que además no podrá ser presentado en eventos, ni
publicados sin autorización de la Universidad.

Firma del autor

Los abajo firmantes certificamos que el presente trabajo ha sido realizado según
acuerdo de la dirección de nuestro centro y el mismo cumple con los requisitos que debe
tener un trabajo de esta envergadura referido a la temática señalada.

Firma del autor Firma del jefe de departamento

donde se defiende el trabajo

Firma del responsable de

Información Científico-Técnica
 PENSAMIENTO

“Saber no es suficiente, debemos aplicar.

Desear no es suficiente, debemos hacer”.

Johann W. Von Goethe

i
 DEDICATORIA

Debo agradecer a muchas personas el haber llegado hasta aquí. A todos, sin
excepción, les agradezco infinitamente. No puedo, sin embargo, dejar de
mencionar a aquellos, sin cuya ayuda, hubiese sido imposible este empeño.
 A quienes siempre me han guiado por el camino de la verdad: Mis
padres.
 A quienes amo sin medida: Mi hermana y novia.
 A quienes me dan aliento para seguir adelante: Mis Compañeros.
 A mis Tutores quienes me han hecho crecer y han ejercido gran
influencia en mí como profesional y en lo personal, sin cuya guía
hubiese sido muy difícil la culminación de este trabajo.

ii
 AGRADECIMIENTOS

La gratitud es el más legítimo pago al esfuerzo ajeno, es reconocer que todo lo

que somos es la suma del sudor de los demás, es tener conciencia de que un
hombre solo no vale nada y que la dependencia humana, además de obligada
es hermosa: por tanto, le agradezco a todos los que hicieron posible la
realización de esta investigación.

Muchas Gracias

iii
 TAREA TÉCNICA
 Estudio del estado del arte sobre algoritmos y aplicaciones actuales de
localización y reconocimiento de matrículas vehiculares y sus principales
causas de fallo.

 Creación de una base de casos de matrículas cubanas con sistemas de

adquisición instalados.

 Implementación de un algoritmo para la localización de una matrícula en

una imagen.

 Implementación de un algoritmo para el reconocimiento de caracteres de

una matrícula.

 Discusión de los resultados obtenidos.

 Elaboración del informe final.

Firma del autor Firma del tutor

iv
 RESUMEN

La identificación de la matrícula tiene un sin número de aplicaciones en interés

de mantener controles y registros de acceso a zonas restringidas, mantener
seguimientos policiales y controles de recorridos sobre vehículos, cobro de
peajes en determinados tramos de carretera, entre otros. Debido a la
importancia que reviste el control no supervisado de los automóviles para el
Ministerio del Interior el objetivo general de esta investigación es desarrollar
un algoritmo para el reconocimiento automático de matrículas de vehículos
utilizando la herramienta de simulación Matlab.
En este informe se recoge un estudio sobre el estado actual de los algoritmos
de reconocimiento de matrículas vehiculares. Se incluye además un bosquejo
sobre los procedimientos y técnicas de procesamiento digital de imágenes
utilizadas en la etapa de pre-procesamiento para el acondicionamiento de las
imágenes de entrada a los algoritmos de reconocimiento de patrones
empleados, igualmente se recogen los conceptos necesarios para la
comprensión y utilización de redes neuronales en la etapa de reconocimiento
de los caracteres.

v
 Contenido
Pensamiento ...................................................................................................... i

Dedicatoria ......................................................................................................... ii

Agradecimientos .............................................................................................. iii

Tarea técnica .................................................................................................... iv

Resumen ........................................................................................................... v

Introducción...................................................................................................... 1

Capítulo I: Estado del arte ............................................................................... 4

1.1 Reconocimiento automático de matrículas .......................................... 4

1.2 Aplicaciones ............................................................................................ 5

1.3 Software comerciales ............................................................................. 6

1.4 Algoritmos empleados en el reconocimiento de matrícula ................. 8

1.4.1 Programación dinámica ...................................................................... 9

1.4.2 Transformada de Hough ...................................................................... 9

1.4.3 Transformada de Gabor .................................................................... 10

1.4.4 Operaciones morfológicas ................................................................ 10

1.4.5 AdaBoost ............................................................................................ 11

1.4.6 Detección de bordes .......................................................................... 12

1.4.7 Detección por color ........................................................................... 13

1.5 Matrículas automovilísticas en Cuba .................................................. 14

1.5.1 Formato de las matrículas de vehículos .......................................... 15

Capítulo II: Materiales y métodos ................................................................. 17

2.1 Entrada de imágenes ............................................................................ 17

vi
 2.2 Pre-procesamiento de imágenes ......................................................... 18

2.2.1 Transformación en escala de grises ................................................ 19

2.2.2 Filtro de mediana ............................................................................... 20

2.2.3 Matemática morfológica .................................................................... 21

2.2.3.1 Operadores morfológicos .............................................................. 22

2.2.4 Transformación en binario ................................................................ 25

2.2.4.1 Método de Otsu ............................................................................... 26

2.3 Localización de la matrícula................................................................. 28

2.3.1 Detección de bordes por Sobel ........................................................ 28

2.3.2 Bagging ............................................................................................... 32

2.3.3 Boosting ............................................................................................. 32

2.3.4 AdaBoost ............................................................................................ 32

2.4 Segmentación de caracteres................................................................ 37

2.4.1 Función para corregir el ángulo ....................................................... 37

2.4.2 Función para separar los caracteres ................................................ 38

2.5 Reconocimiento de caracteres ............................................................ 40

Capítulo III: Discusión de resultados ........................................................... 43

3.1 Localización de las matrículas............................................................. 43

3.2 Localización de caracteres .................................................................. 47

3.3 Corrección del ángulo de inclinación de las matrículas ................... 48

3.4 Clasificadores implementados ............................................................ 52

3.5 Evaluación del rendimiento del algoritmo completo ......................... 54

Conclusiones .................................................................................................. 56

vii
Recomendaciones.......................................................................................... 57

Referencias bibliográficas ............................................................................. 58

Bibliografía consultada .................................................................................. 60

Anexos ............................................................................................................ 61

Anexo 1. Proceso empleado en la obtención de la localización de

matrículas en una imagen. ......................................................................... 61

Anexo 2. Proceso empleado en el reconocimiento de los caracteres

alfanuméricos de las matrículas. ............................................................... 63

Anexo 3. Función principal del algoritmo ANPR propuesto. .................. 64

viii
 INTRODUCCIÓN

La identificación de la matrícula es fácilmente realizable por humanos, pero en la

actualidad el número creciente de vehículos y la necesidad de poder realizar el
trabajo con menos recursos humanos ha llevado a la existencia de sistemas que
hagan esto de manera automática. Para las máquinas, una matrícula es
simplemente una mancha oscura que se encuentra dentro de una región de la
imagen, con una intensidad y luminosidad determinadas. Debido a esto, es
necesario diseñar un sistema matemático robusto, capaz de percibir y extraer lo
que deseamos de la imagen capturada.(Pozo, 2009)
En la mayoría de los casos, los vehículos están señalizados por sus números de
matrícula, que permiten la identificación del auto, del propietario y otros datos de
interés. En la actualidad la identificación de la matrícula tiene un sin número de
aplicaciones en interés de mantener controles y registros de acceso a zonas
restringidas, mantener seguimientos policiales sobre determinados vehículos y
mantener controles de recorridos de vehículos, cobro de peajes en determinados
tramos de carretera, entre muchos otros.
El principal problema en la identificación automática es tal vez la gran variabilidad
en los sistemas de adquisición de la imagen de la matrícula, que está determinada
por variaciones en la iluminación, en la velocidad del vehículo, en la posición
relativa del vehículo respecto a la cámara entre muchas otras.
Debido a la importancia que reviste el control no supervisado de los automóviles y
la gran capacidad con que cuenta el Ministerio del Interior (MININT) en cuanto a la
cantidad de cámaras instaladas en todo el país, se hace necesario desarrollar
herramientas capaces de captar matrículas a partir de imágenes provenientes de
distintas fuentes y con distintos niveles de calidad. En este sentido las
herramientas de procesamiento digital de imágenes y de redes neuronales
existentes permiten elaborar estudios con el fin de mejorar los resultados que se
obtienen actualmente con los software que se disponen.
Teniendo en cuenta lo anteriormente planteado se determinó como problema de
investigación de este trabajo, ¿Cómo desarrollar un algoritmo capaz de identificar

1
la matrícula de automóviles en una imagen, y determinar cuáles son los caracteres
en la misma?
El objetivo general de esta investigación es desarrollar un algoritmo para el
reconocimiento automático de matrículas de vehículos utilizando la herramienta de
simulación Matlab.
Para cumplir con este objetivo se proponen los siguientes objetivos específicos:
 Realizar un estudio del estado del arte sobre algoritmos y aplicaciones
actuales de localización y reconocimiento de matrículas vehiculares y sus
principales causas de fallo.
 Implementar un algoritmo para la localización de una matrícula en una
imagen.
 Implementar un algoritmo para el reconocimiento de caracteres de una
matrícula.

Organización del informe

El informe de la investigación se estructura en introducción, capitulario,
conclusiones, recomendaciones, referencias bibliográficas, bibliografía
consultada y anexos.
 Introducción: Se dedica a realizar un acercamiento a la vigencia y los
objetivos del tema de la investigación realizada.
 Capitulario: En el primer capítulo se abordan los tópicos más importantes
sobre el reconocimiento automático de matrículas vehiculares en el
mundo. Además se hace referencia a los sistemas de reconocimiento de
matrículas comerciales existentes y los resultados que presentan; y se
exponen las características de las matrículas en Cuba. En el segundo
capítulo se describe el algoritmo para el reconocimiento automático de
matrículas de vehículos; y se exponen los métodos empleados para la
realización de la investigación y se realiza una descripción matemática de
estos. En el tercer capítulo se realizan varias pruebas para comprobar la
eficacia del algoritmo y se discuten los resultados obtenidos.

2
 Conclusiones: Se recogen en esta sección las conclusiones sobre los
resultados obtenidos en la investigación.
 Recomendaciones: Se exponen las recomendaciones que se generan a
partir de las conclusiones del trabajo.
 Referencias bibliográficas: Se realiza un listado de los documentos
consultados en el desarrollo de la investigación y que aparecen citados en
el texto del informe.
 Bibliografía consultada: Se incluye un listado de los documentos
empleados en la investigación y que no se citan en el informe.
 Anexos: En esta sección se abordan aspectos relacionados con el tema
tratado no incluidos en el informe sobre el desarrollo de la investigación.
Se brindan los códigos de la función principal implementada para el diseño
del algoritmo.

3
 CAPÍTULO I: ESTADO DEL ARTE
1.1 Reconocimiento automático de matrículas
El reconocimiento automático de placas o mejor conocido como ANPR (Automatic
Number Plate Recognition), se le atribuye a la compañía inglesa Police
Development Branch en 1976.
Un sistema ANPR es un equipo especial formado por un software y hardware
específicos, que procesa señales gráficas de entrada como imágenes estáticas o
secuencias de video, y reconocen los caracteres de una matrícula a partir de estas
fuentes. La parte hardware de un sistema ANPR está formado típicamente por una
cámara, una unidad de procesado de imágenes, un disparador u obturador, una
unidad de transmisión y otra de almacenamiento.
El disparador controla físicamente un sensor directamente instalado en un carril.
Siempre que el sensor detecte un vehículo a una distancia apropiada de la
cámara, este activará el mecanismo de reconocimiento. Alternativamente a esta
solución, se encuentra la detección por software o el continuo procesado de una
señal video muestreada. La detección por software, o el procesado continuo de
video, pueden consumir mayores recursos de sistema, pero no necesitan
hardware adicional, como en el caso del hardware con disparador. (Jiménes,
2012). En la figura 1 se muestra el esquema físico de un sistema ANPR.

Fig. 1:Esquema físico de un sistema ANPR. (videovigilancia, 2014)

4
Un sistema ANPR puede ser separado en seis principales pasos: 1) entrada de
imágenes o video de datos con vehículos, 2) pre-procesamiento de la imagen para
elevar la calidad de la misma, 3) detección y localización de la matrícula en la
imagen, 4) segmentación de la matrícula, 5) reconocimiento de los caracteres de
la matrícula, 6) mostrar y guardar los resultados. Los pasos 3 y 4 juegan un papel
importante en el correcto reconocimiento de la matrícula. En la figura 2 se muestra
un diagrama en bloque de un sistema de ANPR en el cual se ven muy bien
identificados los seis pasos comentados con los que consta el algoritmo.

Fig. 2: Diagrama en bloque de un sistema ANPR.

Para el desarrollo del trabajo se deberá sobrepasar diferentes dificultades

producidas por el ángulo de captura, ángulo de inclinación de la cámara, la
velocidad de los vehículos, la calidad y resolución de la imagen, diferentes
factores de ruido en el objeto de interés como peatones, bicicletas y otros
vehículos.
En algunos casos, el ANPR se puede configurar para almacenar también una
fotografía del conductor. Estos sistemas a menudo utilizan iluminación infrarroja
para hacer posible que la cámara pueda tomar fotografías en cualquier momento
del día. La tecnología ANPR tiende a ser específica para una región, debido a la
variación entre matrículas de un lugar a otro.(Yu and Wen, 2012)

1.2 Aplicaciones
El reconocimiento automático de matrículas mediante un sistema de visión artificial
es un tema de indudable interés comercial con numerosas aplicaciones como el
control de aparcamientos, acceso a instalaciones, tarificación de peajes, cálculo
de la velocidad media entre puntos de una carretera, etc.

5
En los parqueos, el reconocimiento de matrículas es usado para calcular la
duración en la que el coche ha estado aparcado. Cuando un vehículo llega a la
entrada del parqueo, el número de matrícula es automáticamente reconocido y
almacenado en la base de datos. Cuando el vehículo más tarde sale y llega a la
puerta de salida, el número de matrícula es nuevamente reconocido y comparado
con el primero almacenado en la base de datos. La diferencia de tiempo es usada
para calcular el coste del aparcamiento.
Los sistemas de reconocimiento automático de matrículas pueden ser usados en
control de accesos, por ejemplo, esta tecnología es usada en algunas compañías
para conceder el acceso solo a vehículos del personal autorizado.
En algunos países estos sistemas de reconocimiento están instalados a lo largo
de un área de la ciudad para detectar y monitorear el tráfico de vehículos. Cada
vehículo es registrado en una base de datos central y, se puede comparar con una
lista negra de vehículos robados o controlar la congestión en accesos a la ciudad
en las horas pico. En muchas ciudades se utiliza este tipo de sistema como por
ejemplo en Londres (Reino Unido), Gotemburgo (Suecia), Trondhein (Noruega),
Copenhague (Dinamarca), Bristol (Reino Unido), Edimburgo (Escocia), Roma y
Génova (Italia), Helsinki (Finlandia), Hong Kong y Singapur.(Pozo, 2009)

1.3 Software comerciales

A pesar de existir varios software comerciales, el reconocimiento automático de
matrículas es un tema que está siendo muy investigado. Los sistemas comerciales
en uso en la actualidad pueden obtener tasas de acierto superiores al 95% en
entornos controlados. En entornos en los que las condiciones de iluminación no
están controladas o varía el tamaño, orientación o perspectiva de la placa, la tasa
de acierto se reduce hasta el 75 %.(Pozo, 2009)
A continuación se describen algunas de las aplicaciones comerciales de ANPR
más utilizadas en el mundo, y se exponen sus principales características y
resultados que presentan.

6
Sistema de reconocimiento de matrículas Biartic
Se caracteriza por la capacidad de lecturas masivas en ángulos extremos y en
cualquier situación climatológica con una velocidad de procesamiento muy
elevada. La fiabilidad de lectura es de un 98.5% con una velocidad de
identificación y registro de 15 matrículas por segundo. Los datos del
reconocimiento se recogen en una base de datos junto con la fecha, hora,
fotografía, sentido del movimiento y posición GPS con la que se puede tramitar el
boletín de denuncia desde el propio vehículo patrulla. En el caso de sistemas en
puntos fijos se añade información de velocidades medias. Los datos registrados
son procesados en tiempo real con diferentes bases de datos (listas negras,
blanca, informativas) soportando más de 40 millones de registros teniendo una
respuesta inmediata mientras el sistema continúa procesando más lecturas sin
perder su efectividad.(Rios, 2014)

Sistema de reconocimiento de matrículas Motorola

Permite leer placas y cotejarlas con la información de una base de datos instalada
para una rápida verificación de identidad. Esta solución es escalable y de rápida
implementación, utiliza cámaras infrarrojas resistentes que se conectan con un
software de tecnología de reconocimiento óptico de caracteres de última
generación, lo que le permite mantener el área vigilada independientemente de las
condiciones climáticas y de iluminación. Automáticamente detecta y procesa
placas de vehículos con listas de placas buscadas. Mantiene el área vigilada
independientemente de las características del entorno y de las condiciones de
iluminación. Ofrece una velocidad de captura relativa de 210 km/h con una
precisión del 90%. (Solutions, 2014)

Lector de matrículas XCI-NPR-ACR

El sistema puede reconocer las matrículas de hasta 25 países europeos a una
distancia entre 3 y 18 metros, e incluye Ethernet 10/100 y conector RS232. El XCI-
NPR se ha diseñado para una instalación sencilla y de fácil mantenimiento. La
carcasa dispone de acceso físico fácil. El módulo proporciona la detección y
notificación de matrícula incorrecta. La cámara puede configurarse con dos

7
funciones de alarma, que le permite controlar las acciones exteriores, tales como
encender una luz o elevar una barrera. Posee una fiabilidad de un 99% y funciona
de día y de noche.(Sony, 2007)

Lector de matrículas en Cuba (PVigChapa)

PVigChapa fue concebido con el objetivo fundamental de detectar matrículas de
vehículos a partir de la secuencia de video o imágenes estáticas tomadas por
cámaras de video vigilancia instaladas en lugares de interés operativo para el
MININT, extendidos a lo largo de todo el país. PVigChapa consta de las siguientes
funcionalidades: detección de matrículas, consiste en la detección y
reconocimiento de matrículas; gestión de alertas, constituye una de las
funcionalidades que más valor agregado le aporta a PVigChapa como sistema, ya
que facilita el trabajo de los órganos de enfrentamiento mediante la emisión de
alertas ante el paso por los puntos de vigilancia de vehículos que son de interés
para el MININT; búsqueda de matrículas, esta opción le brinda a los usuarios de
PVigChapa la posibilidad de realizar búsquedas sobre las informaciones
almacenadas de forma local en el punto de vigilancia; y gestión de listas de
vigilancia, están concebidas con el objetivo de mantener el seguimiento de
vehículos de interés para el MININT, permite crear listas en las que se incluyen un
grupo de matrículas de vehículos que se mantendrán bajo vigilancia y se activará
una alerta cuando PVigChapa detecte el paso de uno de ellos por un punto de
vigilancia.

1.4 Algoritmos empleados en el reconocimiento de matrícula

El reconocimiento automático de matrículas consta de un algoritmo cuyos pasos
elementales se encuentran bien diferenciados: localización de la matrícula en la
imagen, realce y mejoramiento de la localización detectada y detección de los
caracteres.(Dorsch et al., 2009)
No se debe pasar por alto que lo que hace que un sistema sea más eficiente que
otro, es la utilización de distintos métodos en cada paso del algoritmo.
Se debe tener en cuenta a la hora de diseñar un sistema de ANPR, para qué clase
de aplicación se desea emplear pues cada método tiene sus potencialidades y

8
debilidades, por ejemplo si se desea que la respuesta del sistema sea obtenida en
tiempo real los algoritmos empleados deben favorecer la rapidez sobre la
complejidad de los cálculos, lo que puede provocar que cuando las condiciones de
iluminación no son las adecuadas, o la matrícula está sucia o inclinada el sistema
tiende a cometer un mayor número de errores que otros procedimientos que
poseen un mayor tiempo de procesamiento pues en estos se emplean métodos de
clasificación y procesamiento de imágenes más eficientes pero mucho más lento,
de ahí que se deba establecer una relación de compromiso entre la eficacia del
sistema y el tiempo de procesamiento.
A continuación se muestra una serie de algoritmos empleados en ANPR para la
localización y reconocimiento de caracteres de matrícula.

1.4.1 Programación dinámica

El algoritmo basado en la programación dinámica no necesita encontrar la
matrícula en la imagen pues este segmenta directamente los caracteres
alfanuméricos, por lo que no requiere ninguna característica de la matrícula como
son los bordes, color, o líneas, que son parámetros que son afectados con la
variación de la intensidad. Para la extración de los caracteres se basa en las
características de alto y ancho de los mismos, combinados con un rango de
valores de umbral. La programación dinámica posee un tiempo computacional
bajo por lo que es un algoritmo rápido lo que posibilita su uso en sistemas de
tiempo real y posee una exactitud de hasta un 97.14%.(Kolour and Shahbahrami,
2011)(Kang, 2009)

1.4.2 Transformada de Hough

Es uno de los más eficientes algoritmos para detectar líneas en imágenes binarias,
aunque tiene como desventaja el tiempo de ejecución. Además requiere un tiempo
computacional muy alto cuando la imagen binaria posee una alta resolución. Este
algoritmo consiste en mirar por regiones de una imagen que contengan dos líneas
paralelas que puedan ser consideradas como candidatos a posibles matrículas.
Para lograr un buen resultado la transformada de Hough es combinada con un
algoritmo de detección de bordes. Primeramente es aplicado el algoritmo de

9
detección de bordes y luego la transformada de Hough, de forma tal que esta
última encuentre dos pares de líneas paralelas que formen un paralelogramo, que
es considerado como un posible candidato para matrícula. Como ahora la
transformada de Hough actúa solamente sobre los contornos de los objetos de la
imagen se disminuye considerablemente el tiempo de ejecución y el tiempo
computacional. Este algoritmo tiene la desventaja de dar varios posibles
candidatos a matrícula los cuales deben ser analizados en cuanto a su relación de
alto por ancho para de esta forma seleccionar de forma correcta la matrícula de
todos los demás candidatos.(Kolour and Shahbahrami, 2011)

1.4.3 Transformada de Gabor

El filtro de Gabor es una herramienta de análisis de textura con el cual se logra la
detección de la matrícula, esta se basa en el análisis de textura de la imagen en
varias direcciones y escalas. (Kolour and Shahbahrami, 2011)
En (Ktata et al., 2013) se emplea este método para la localización de la matrícula
en la imagen, pues los caracteres sobre la matrícula producen un patrón de
textura específico que puede ser considerado como una característica a la hora de
localizar la matrícula en la imagen. En ese estudio primeramente se emplearon
los filtros de Gabor, los cuales son una clase especial de filtros lineales que son
orientados, y permiten resaltar las texturas y áreas homogéneas de la imagen.

1.4.4 Operaciones morfológicas

Las operaciones morfológicas constituyen una herramienta de procesamiento de
imagen basado en la forma. A través de un elemento estructural los operadores
morfológicos se encargan de analizar las imágenes digitales. La matrícula tiene
forma rectangular pero con este método pueden ser detectados varios posibles
candidatos que presenten la misma forma. Este algoritmo es muy usado en
disímiles estudios como es el caso de (Dehshibi and Allahverdi, 2011) en el cual
primeramente se erosiona la imagen usando como elemento estrcutural un
rectángulo y luego es dilatada empleando la misma estructura. En este trabajo
para eliminar el problema de los posibles candidatos se empleó el AdaBoost
(Adaptative Boosting) como clasificador binario empleando características Haar

10
like, dando hasta un 98.75% de exactitud localizando correctamente las
matrículas. Además son empleadas por (Kasaei et al., 2010) en el cual una vez
que se tiene la imagen binaria y filtrada por un filtro de bordes de Sobel, se aplica
un operador de cierre en la dirección horizontal empleando un elemento
estructural con forma rectangular para la localización de la matrícula. En esta
investigación para eliminar el problema de los posibles candidatos, se analizaron
teniendo en cuenta el radio, la forma y las dimensiones de alto y ancho. También
(Mai et al., 2011) emplean el operador morfológico de apertura combinado con
una operación de sustracción para el pre-procesamiento de la imagen. Luego se
emplea un filtro de bordes de Canny y se aplica un operador morfológico de cierre,
uno de apertura para eliminar el ruido, y uno de dilatación para agrandar el tamaño
de los posibles candidatos. Para eliminar el problema de los posibles candidatos
se realiza un análisis de estos muy parecido al estudio anterior.

1.4.5 AdaBoost
El AdaBoost es un algoritmo que se basa en la selección de varios clasificadores
débiles para la construcción de un nuevo clasificador fuerte. Se denominan
clasificadores débiles pues solamente es necesario que estos posean una
probabilidad de acierto ligeramente superior al 50%. Este sistema se basa sobre el
entrenamiento, por lo que para el desarrollo de este algoritmo es necesario
entrenar una base de datos que contenga imágenes de matrículas manualmente
extraídas y sea lo más grande posible. Este algoritmo es muy usado para los
sistemas de ANPR; es empleado por (Dehshibi and Allahverdi, 2011) en el cual
utilizan el AdaBoost como clasificador binario empleando características Haar like
para clasificar varios posibles candidatos a matrículas y mantener las áreas
correctas, a través de este procedimiento se obtiene una exactitud de 96.93%.
Además en este estudio para el reconocimiento de caracteres se empleó un
AdaBoost multiclases de tipo SAMME con una exactitud de un 94.5%. (Dlagnekov,
2004), también emplea este método para la localización de la matrícula, dando
muy buenos resultados los experimentos realizados, de 158 imágenes pasadas al
clasificador fuerte detectó correctamente un 95.6% .

11
1.4.6 Detección de bordes
Este algoritmo es muy empleado en ANPR pues para la localización de la
matrícula se basa en las características física que poseen las matrículas, ya que
estas poseen gran cantidad de bordes verticales debido a los caracteres incluidos
en la misma, en comparación a otras partes del vehículo. Este algoritmo es muy
usado por varios autores como es el caso de (Dorsch et al., 2009) los cuales
emplean un filtro de bordes de Sobel a una imagen binaria, para luego analizar los
picos máximos en la dirección horizontal y vertical de la imagen. Este método tiene
el inconveniente que estos máximos no sólo representan la ubicación de la
matrícula, sino que también pueden haber picos en otras zonas de alta densidad
de bordes, como carteles, fondos arbolados, rejas o alambrados; por lo que es
necesario descartar aquellos que no cumplen con las condiciones típicas de la
matrícula como: ancho mínimo, ancho máximo, alto mínimo, etc. En este trabajo
se logran muy buenos resultados en zonas con pocos bordes verticales, se
detecta un 70% de las matrículas y en zonas con muchos bordes el algoritmo
detecta un 54% de las matrículas. Además este método es empleado por (Saha et
al., 2009) donde se emplea el filtro de bordes de Sobel en la dirección horizontal y
vertical, para luego analizar las zonas de la imagen que contengan un mayor
número de bordes como posibles candidatos a matrículas. Ellos logran en los
experimentos realizados una exactitud de hasta un 92%, pues a diferencia del
trabajo anterior en la etapa de pre-procesamiento se emplea un filtro de mediana
para remover gran parte del ruido de la imagen. (Chunyu et al., 2013), también se
basa en la extracción de bordes de la imagen para la localización de la matrícula,
pero con la particularidad de que se emplea un operador diferencial en la dirección
horizontal y vertical. (Sarker et al., 2013) es otro de los muchos trabajos que
emplea este método con la diferencia de que en este caso sólo analizan la parte
inferior de la foto disminuyendo así el tiempo de procesamiento; para la detección
de bordes emplean un filtro de Sobel. En este trabajo el algoritmo diseñado se
equivocó en 416 imágenes de 52 000 imágenes captadas dando una efectividad
de hasta un 99.2%. (Ashoori-Lalimi and Ghofrani, 2011) emplean la detección de
bordes a través de un filtro de Sobel combinado con los operadores morfológicos

12
de apertura y cierre para eliminar los pequeños detalles de la imagen y de esta
manera quedarnos con los posibles candidatos a matrícula. Los posibles
candidatos a matrícula son analizados en cuanto a sus radios, relación de ancho
por alto, etc. En este estudio se logra una exactitud de hasta un 95.2% a la hora
de localizar la matrícula en la imagen.

1.4.7 Detección por color

La detección de la matrícula por el color es una técnica muy empleada en los
sistemas ANPR aunque es utilizada muchas veces en combinación con otras
técnicas como la detección de bordes, debido a que el color es muy afectado por
la variación de la intensidad. (Yu and Wen, 2012) para realizar la localización de la
matrícula emplearon la técnica de LTU (Look-Up-Table) en la cual se crea una
distribución de color de la matrícula, con la cual se pueden identificar varios
candidatos que posean colores muy parecidos a la matrícula. Se puede comprobar
la rectangularidad o la relación de alto por ancho de los candidatos para de esta
manera obtener la matrícula. En este estudio se realizó un experimento el cual en
condiciones de día, de 200 matrículas, se detectaron bien 184, mientras que en
condiciones de noche de 150 matrículas se detectaron bien 138. Con lo que se
concluye que el sistema diseñado detecta un 92% de las matrículas correctamente
en condiciones de día y de noche. (Machecha and Sepúlveda, 2008) realizan una
búsqueda de posibles candidatos lo cual se divide en dos sub-bloques en paralelo,
uno para localizar las matrículas de color amarillo y otro para la localización de
matrículas de color blanco. Para la búsqueda de matrículas amarillas se basa en
que una imagen en el plano Cb muestra los objetos amarillos o muy cercanos a
esta tonalidad, por lo que a una imagen en el plano Cb se le realiza la
umbralización con el objetivo de mostrar como verdaderos los píxeles de color
amarillo. Para la búsqueda de matrículas blancas se realiza el mismo
procedimiento con la diferencia de que la umbralización muestra como falso los
píxeles correspondientes a los objetos con bajo nivel de azul. Paralelo a esto la
imagen pasa por un detector de bordes verticales (filtro de Sobel) y con un
proceso de dilatación se unen los bordes que están suficientemente cerca (de la
placa). Combinando estos dos métodos con un filtro para eliminar las manchas

13
pequeñas en la imagen se tienen los posibles candidatos de matrícula. Luego
estos son análizados teniendo en cuenta la relación de largo por ancho, umbral de
color, etc.

Una vez analizados los algoritmos más empleados en ANPR estos son evaluados
teniendo en cuenta algunos de los parámetros más importantes en la siguiente
tabla.
Sensibilidad a
Complejidad de Detección de Tiempo
Método condiciones
implementación bordes computacional
ambientales

Programación
Alta Baja No Baja
dinámica

Hough +
Media Baja Sí Alta
bordes

Transformada
Baja Alta Sí Alta
de Gabor

Morfológicas Baja Alta Sí Alta

AdaBoost Baja Alta No Baja

Bordes + color Media Media Sí Alta

Tabla 1.1: Comparación de algoritmos basados en ANPR. (Kolour and

Shahbahrami, 2011)

1.5 Matrículas automovilísticas en Cuba

La chapa o matrícula antigua de los vehículos cubanos (comenzó a sustituirse en
el año 2013) tiene unas dimensiones exclusivas que no se corresponden con los
estándares del fabricante —la firma alemana UTSCH—, encargado de suministrar
el equipamiento, las materias primas e insumos, por lo que el mantenimiento de
este sistema resultaba costoso. Sólo por concepto de sustitución de matrículas en

14
los trámites de traspasos, cambios de domicilio, deterioro, pérdida y nuevas
producciones, el monto del sostenimiento era de 198 696 euros al año. La
diversidad de colores tenía sus inconvenientes, pues cada color de matrícula
posee un precio diferente, y la empresa suministradora exige comprar 5 000
unidades como mínimo de cada orden de producción. Este sistema tenía
desventajas relacionadas con la identificación humana y los sistemas
tecnológicos, debido a la poca separación y el escaso contraste entre el color de
fondo y sus caracteres, a la diversidad de colores y a otros factores que influyen
en la ilegibilidad de la matrícula como, por ejemplo, las confusiones entre algunos
caracteres como la O con la Q y con el cero; la B con el 8, la Z con el 2, entre
otros.
Por lo que se decidió realizar un nuevo proceso de reinscripción y cambio de
chapa de identificación de los vehículos mediante la implementación de un nuevo
sistema, más económico para su sostenimiento, más efectivo como elemento de
identificación humana y técnica, y mucho más flexible para su administración. El
cambio está refrendado en el artículo 224 de la Ley 109 del Código de Seguridad
Vial, que le confiere al MININT la facultad para disponer las reinscripciones
generales o parciales, los cambios de chapas de identificación y de licencia de
circulación de los vehículos inscritos.

1.5.1 Formato de las matrículas de vehículos

Se emplea un formato estándar del fabricante, donde el código alfanumérico
tendrá una letra y seis dígitos, agrupados en dos grupos de tres para facilitar su
identificación, en el caso de los vehículos, como autos y camiones, y una letra y
cinco dígitos para las motos. De esta manera pueden obtenerse 20 millones de
posibilidades de combinaciones en el caso de los primeros vehículos y 1 699 983
variantes para las motos.
Los autos y camiones, tienen matrículas con 420 mm de largo por 110 mm de
ancho; y las motos con 200 mm de largo por 140 mm de ancho.
Todas las chapas son blancas con los caracteres en negro y tienen un folio en la
parte superior derecha y una imagen de la Isla de Cuba, impresos con láser como
medida de seguridad. Una banda de color azul en el extremo izquierdo con la

15
palabra CUBA en posición vertical tienen las matrículas de las personas jurídicas,
elemento que la diferencia de las matrículas de las personas naturales, al
desaparecer la variedad de colores de fondo, pues las chapas no identifican el
sector de pertenencia del medio.
La letra A identifica las matrículas oficiales, actualmente de color blanco; las letras
C, D, y E, para el sector diplomático; la letra K para los extranjeros, las letras F y
M para identificar FAR y MININT, respectivamente, y la T, para los vehículos
rentados al turismo. El resto de las letras no tiene ningún significado. Los
vehículos destinados al servicio de protocolo se identifican, además, con una
pegatina con orla de color azul oscuro y el texto Protocolo. Los vehículos
pertenecientes a la prensa extranjera tienen una pegatina con orla de color verde y
el texto P. Ambas pegatinas se colocan en el centro de la parte superior del
parabrisas delantero.
No se emplean las letras I, O, Q, S, W y la Z para evitar confusiones en la
identificación.(Cruz, 2013)

16
 CAPÍTULO II: MATERIALES Y MÉTODOS

En este capítulo se discuten los métodos empleados para la realización de la

investigación y se realiza una descripción matemática de estos. En la siguiente
figura se muestra un diagrama en bloque de un sistema ANPR a partir del cual se
comenzará a describir sus principales bloques y las funciones que se emplean en
cada segmento del algoritmo.

Fig. 3: Diagrama en bloque de un sistema ANPR.

2.1 Entrada de imágenes

Las imágenes de entrada de los sistemas de ANPR son adquiridas de varias
formas en dependencia de la cámara que esté captando las fotos o secuencias de
video, sea digital o analógica.
Las imágenes utilizadas fueron captadas mediante las cámaras de video vigilancia
instaladas en la ciudad de Cienfuegos en el mes de abril de 2014 entre los
horarios de 7:00 am y 7:00 pm, debido a que el entorno urbano no posee la
suficiente iluminación para realizar capturas en horas de la noche; las fotografías
fueron tomadas a partir de flujos de video en formato MPG4m con resolución de
704x480 píxeles, 20 imágenes por segundo y una compresión de 45%, debido a
que el video es transportado sobre un enlace SHDSL con velocidad de 2 Mbit/s lo
cual obliga a la limitación evidente de la calidad del mismo. Se incluyen en el
estudio un total de 325 imágenes de vehículos en las cuales varía la orientación
angular de la matrícula, la iluminación de la imagen y el zoom del lente de la

17
cámara, por tanto el resultado final de los algoritmos propuestos puede mejorar si
la fuente de las imágenes es adquirida a partir de un ambiente controlado. Sin
embargo, la gran variabilidad presente en la base de casos conformada en un
entorno de adquisición real, le confiere al trabajo una alta aplicabilidad y
versatilidad.
Las imágenes en formato JPG son cargadas por el Matlab en tres matrices cada
una de ella con los colores primarios rojo, verde y azul (RGB) almacenados en tres
matrices en un arreglo de mxnx3, donde „m‟ es el número de filas y „n‟ el número de
columnas de la imagen. Debido a esto el color de cada píxel está determinado por
la combinación de la intensidad de estos colores primarios en el plano donde se
ubica el píxel. Es necesario realizar ciertas transformaciones a esta imagen para
disminuir el tiempo de procesamiento; por lo que, en el bloque de pre-
procesamiento de la imagen lo primero que se realiza es la transformación de la
imagen a escala de grises ya que en esta la información es almacenada en una
sola matriz de mxn. Teniendo en cuenta que el presente trabajo está orientado a
matrículas que tendrán en todos los casos fondo blanco con letras negras, esta
transformación no debe tener mayores implicaciones en el resultado final.

2.2 Pre-procesamiento de imágenes

En general las técnicas de pre-procesamiento de imágenes se pueden dividir en
tres categorías, los métodos de dominio espacial, que se basan en manipular
directamente los píxeles en una imagen, los métodos de dominio de frecuencia,
que operan sobre la transformada de Fourier o sobre otros dominios de frecuencia
de una imagen, y los métodos combinados, que procesan una imagen en el
dominio de la frecuencia y el espacio. Las técnicas de pre-procesamiento de
imágenes juegan un papel fundamental en los sistemas ANPR pues las imágenes
captadas deben sobrepasar diferentes dificultades producidas por el ángulo de
captura, ángulo de inclinación de la cámara, la velocidad de los vehículos, la
calidad y resolución de la imagen, diferentes factores de ruido en el objeto de
interés como peatones, bicicletas y otros vehículos.(Shih, 2010)

18
2.2.1 Transformación en escala de grises
La transformación en escala de grises tiene la intención de cambiar los niveles de
gris de una imagen entera en una forma uniforme, o sea modifica los niveles de
gris dentro de una ventana definida por una función de mapeo. Esta
transformación usualmente realza el contraste de la imagen logrando que los
detalles puedan ser más visibles. Esto se logra aplicando a todos los píxeles una
función que es la que se encarga del realce de la misma. La imagen en escala de
grises es representada frecuentemente por 4bits/píxeles o 8bits/píxeles, donde la
cantidad de niveles de grises con que contará dicha imagen va a estar
determinado por la cantidad de bits/píxeles como se muestra en la ecuación.(Shih,
2010)
(1)

Para la transformación de las imágenes en escalas de grises se emplea la

ecuación 2.
(2)

Donde „R‟, „G‟ y „B‟ son los componentes de crominancia de los colores rojo, verde
y azul respectivamente, mientras que „y‟ es la información de luminancia con la
que serán cargados los píxeles. En la figura 4 se muestra la transformación en
escalas de grises de la imagen original.

Fig. 4: Transformación en escalas de grises de una imagen.

Se pueden eliminar ciertos tipos de ruidos empleando filtros lineales, pero los
filtros gaussianos y filtros de mediana son los más empleados para este propósito.

19
Por ejemplo, el filtro de mediana es muy útil removiendo el ruido impulsivo de una
fotografía, de ahí que se haya empleado para la realización de la investigación.
Primero se pasa un filtro de mediana con una máscara de 3x3 píxeles y en caso
de no detectar ningún candidato a matrícula se le pasa entonces el mismo filtro
pero variando la máscara a 5x5, 7x7 y 9x9 píxeles.

2.2.2 Filtro de mediana

Este filtro se basa en reemplazar el nivel de gris de cada píxel por la mediana de
los niveles de gris en un entorno de este píxel, resolución del filtro de mediana,
siendo este método muy efectivo si lo que se desea preservar es la agudeza de
los bordes de la imagen.
En la investigación se emplea el filtro de mediana de Matlab medfilt2, lo que hace
es sustituir el nivel de gris del píxel que se está analizando por el nivel de gris del
píxel que corresponde con la mediana. Para determinar la mediana se ordenan los
píxeles teniendo en cuenta todos los niveles de gris del píxel que se quiere
transformar y todos los píxeles vecinos de forma ascendente, para luego
determinar la mediana por medio de la ecuación 3. Donde „N‟ es el número de
píxeles analizados.
(3)

En la figura 5 se muestra como se suavizan las regiones de altas frecuencias a

partir de aplicarle un filtro de mediana a la imagen en escala de grises.

Fig. 5: Empleo de un filtro de mediana a una imagen en escala de grises.

Una vez filtrada la imagen se crea una estructura elemental de forma rectangular
de 3x12 píxeles, debido a que las matrículas de los automóviles poseen dicha

20
forma, y se emplean los operadores morfológicos de erosión y de dilatación con la
estructura elemental creada para de esta manera eliminar los pequeños detalles
de la imagen y separar las regiones de interés a través de la erosión y luego la
ampliación de los mismos a partir de la dilatación. Para crear la estructura
elemental se emplea la función de Matlab strel, y para la erosión y dilatación las
funciones de Matlab imerode e imdilate respectivamente. En la figura 6 se muestra
como queda la imagen filtrada luego de ser aplicados los filtros morfológicos de
erosión y dilatación.

Fig. 6: Imagen filtrada luego de ser aplicados los filtros morfológicos de erosión y
dilatación.

2.2.3 Matemática morfológica

La matemática morfológica se basa en un análisis geométrico de formas y texturas
de imágenes. Los operadores morfológicos trabajan con dos imágenes, la imagen
que se quiere procesar, o imagen activa como se le suele llamar, y la estructura
elemental. Cada estructura elemental tiene una forma diseñada, lo cual puede ser
considerado como una sonda o un filtro que se le pasa a la imagen activa; por lo
que la imagen activa puede ser modificada explorándola con diversas estructuras
elementales. Las operaciones elementales en la morfología matemática son
dilación y erosión, las cuales pueden estar combinadas consecutivamente para
producir otras operaciones, como la apertura y el cierre.(Shih, 2010).

21
2.2.3.1 Operadores morfológicos
Dilatación
Sea „A‟ y „B‟ conjuntos de y Ø representando al conjunto vacío, la dilatación de
„A‟ por „B‟ es denotada como y viene dada por la ecuación 4.
{ | ̂ } (4)

Dicha ecuación se basa en la obtención de la reflexión de „B‟ sobre su origen y

cambiar esta reflexión por „z‟, tal que ̂ y „A‟ se solapen en al menos un elemento
distinto de cero. Basado en esta interpretación la ecuación 4 puede ser escrita de
la forma siguiente.

{ |[ ̂ ] } (5)

Comúnmente „B‟ es referido a la estructura elemental que se le pasa a la imagen

„A‟ como una máscara de convolución con la diferencia que la convolución se basa
en operaciones aritméticas y la dilatación lo que hace es mover a „B‟ respecto a su
origen, y desplazarlo después sucesivamente de tal forma que se deslice sobre el
conjunto „A‟. (yan-ying et al., 2010)(Malpartida, 2003)
La dilatación toma cada píxel del objeto con valor a 1 y le pone un valor de 1 a
todos aquellos píxeles pertenecientes al fondo que tengan una conectividad con el
píxel del objeto, o sea, pone a 1 los píxeles del fondo vecinos a los píxeles del
objeto.(Mendoza and Beltrán, 2009)

Erosión
Sea „A‟ y „B‟ conjuntos de , la erosión de „A‟ por „B‟ es denotada como y
viene dada por la ecuación 6.
{ | } (6)

Dicha ecuación indica que la erosión de „A‟ por „B‟ es el conjunto de todos los
puntos de „z‟ tal que „B‟, trasladado por „z‟, está contenido en „A‟. La erosión es la
operación contraria a la dilatación por lo que ambas se pueden relacionar, o sea
se puede aplicar la operación inversa siguiendo la ecuación 7. (yan-ying et al.,
2010)

22
 ̂ (7)

La erosión toma cada píxel del objeto que tiene una conectividad con los píxeles
del fondo y los coloca a 0, o sea pone a 0 todos los píxeles del objeto vecinos a
los píxeles del fondo. (Mendoza and Beltrán, 2009)

Apertura y cierre
Son las combinaciones de erosión/dilatación y dilatación/erosión respectivamente,
que tienen como objetivo simplificar la imagen.
La apertura generalmente alisa los contornos de los objetos rompiendo estrechas
uniones entre objetos de la imagen o eliminando objetos muy estrechos, y
eliminando prolongaciones finas de los objetos.
El cierre tiende a alisar los contornos de los objetos pero realizando la operación
contraria a la apertura pues este generalmente incrementa el grosor de las
estrechas uniones entre objetos y de las finas prolongaciones de estos. Además
de eliminar pequeños huecos y rellenar las irregularidades de los contornos de los
objetos.

Apertura
La apertura de „A‟ por „B‟ es denotada como y viene dada por la ecuación
8.
(8)

Cierre
El cierre de „A‟ por „B‟ es denotada como y viene dada por la ecuación 9.
(9)

Dilatación en escalas de grises

La dilatación en escalas de grises de „f‟ por „b‟ es denotada como y viene
dada por la ecuación 10.
{ | } (10)

23
Donde y son los dominios de „f‟ y „b‟ respectivamente. La condición de que
y que ; es análoga a la definición de la dilatación
binaria en la cual los dos conjuntos tienen que ser solapados por al menos un
elemento.

Erosión en escalas de grises

La erosión en escalas de grises de „f‟ por „b‟ es denotada como y viene dada
por la ecuación 11.
{ | } (11)

Donde y son los dominios de „f‟ y „b‟ respectivamente. La condición de que

y que ; es análoga a la definición de la erosión
binaria en la cual la estructura elemental tiene que estar completamente contenida
por el conjunto que está siendo erosionado. (yan-ying et al., 2010)

Luego se haya una imagen resultante entre la diferencia de la imagen filtrada por
el filtro de mediana y la que se obtiene una vez que se aplicaron los operadores
morfológicos, para de esta manera lograr eliminar los lugares de la imagen que
poseen un nivel demasiado oscuro, y así resaltar en esta, los lugares con
predominio de colores claros y de mayor intensidad como es el caso de la
matrícula, la cual es de color blanco y está fabricada de un material reflexivo, lo
que hace que esta región sea de las más brillantes en la imagen, siendo esto una
característica importante a la hora de la localización de las matrículas. Para lograr
esto, se emplea la función de Matlab imsubtract que consiste en la resta de cada
elemento de un arreglo „x‟ con su correspondiente elemento de un arreglo „y‟,
donde los elementos de estos arreglos deben ser de la misma clase y deben
poseer el mismo tamaño. En la figura 7 se muestra como queda la imagen
resultante luego de ser aplicada la función imsubtract, y se puede apreciar
claramente como las partes más oscuras de la imagen que no son de interés se
han eliminado completamente.

24
 Fig. 7: Imagen resultante de la resta de las imágenes por medio de la función
imsubtract de Matlab.

Una vez que se haya la imagen resultante se realiza la transformación a binario.

Esta transformación es muy importante pues al llevar la imagen a dos niveles
solamente el tratamiento de estás es mucho más sencillo. Como con la operación
anterior se logran eliminar las partes más oscuras de la imagen, a la hora de
determinar el umbral para la división de dos clases de la imagen quedan
resaltadas las zonas claras de la imagen como es la matrícula. No obstante a esto
se decide que las 80 filas superiores de la imagen sean colocadas a 0 pues la
matrícula casi nunca se encuentra ubicada en esta posición de la imagen, y con
este paso del algoritmo se logra aumentar considerablemente el desempeño del
mismo a la hora de la localización de la matrícula en la imagen. En la figura 8 se
muestra un ejemplo de la transformación en binario de una imagen.

Fig. 8: Transformación en binario de una imagen.

2.2.4 Transformación en binario

La binarización consiste en convertir una imagen en niveles de gris, en blanco y
negro. La binarización se basa en establecer un umbral a partir del cual se van a
comparar los niveles de grises de la imagen y si el valor con que se compara es

25
mayor que el umbral se pone a 1 (blanco) de lo contrario se pone a 0 (negro),
como se muestra en la ecuación 12.
(12)
{

Para la transformación de las imágenes en binario se emplea la función de Matlab

im2bw, a la cual se le tiene que pasar el nivel de umbral a partir del cual se va a
separar la imagen en dos clases. Para determinar el umbral se emplea la función
de Matlab graythersh la cual emplea el método de Otsu.

2.2.4.1 Método de Otsu

Esta técnica calcula el valor de umbral de forma que la dispersión dentro de cada
segmento sea lo más pequeña posible, pero al mismo tiempo sea lo más alta
posible entre segmentos diferentes. Para ello se calcula el cociente entre ambas
varianzas y se busca que este cociente sea máximo, siendo este valor el umbral
buscado. En la ecuación 13 se muestra la probabilidad de ocurrencia de un nivel
de gris „i‟ en la imagen. Donde „N‟ es el número de píxeles de la imagen y el
número de píxeles con nivel de gris „i‟, donde „i‟ va desde 0 hasta 255.
(13)

En el caso de la umbralización en dos niveles los píxeles son divididos en dos

clases: , con niveles de gris, [1,…, t] y , con niveles de gris, [t+1,…, L]; donde
„t‟ es la variable que buscamos y „L‟ es el último de los niveles de gris en una
imagen. En las ecuaciones 14 y 15 se determinan la distribución de probabilidad
de los niveles de gris para ambas clases.
(14)

(15)

Donde y se determinan a través de las ecuaciones mostradas a

continuación.

26
 (16)
∑

(17)
∑

En las ecuaciones 18 y 19 se determinan las medias para ambas clases.

(18)
∑

(19)
∑

En la ecuación 20 se determina la media total de la imagen.

(20)

A través de la ecuación 21 se determina la varianza entre clases de una imagen

binarizada.
(21)

Para la binarización la meta es conseguir un valor de t tal que sea máximo, es

decir, cuando la varianza entre dos clases sea máxima.(Industrial, 2005)

Una vez que se tiene la imagen binarizada se emplea la función de Matlab

bwareaopen la cual elimina las manchas en la imagen que posean una resolución
menor que 40 píxeles, lo cual se puede apreciar claramente en la imagen
mostrada en la figura 9.

27
 Fig. 9: Borrado de pequeñas manchas con una resolución menor que 40 píxeles.

2.3 Localización de la matrícula

La localización de la matrícula en la imagen es una de las etapas más difíciles del
algoritmo debido a la gran diversidad de automóviles existentes con diferentes
formas y ruidos asociados con peatones, bicicletas u otros autos que pueden
hacer que el algoritmo tienda a equivocarse. Además esta etapa se ve seriamente
afectada cuando las condiciones de iluminación no son adecuadas (horario
nocturno en entornos en los cuales no hay alumbrado artificial adecuado), las
matrículas se encuentran deformadas o sucias, entre otros. El primer paso a la
hora de localizar la matrícula en la imagen es la detección de bordes verticales de
la imagen empleando el operador de Sobel.

2.3.1 Detección de bordes por Sobel

El operador Sobel es un detector de bordes muy usado el cual emplea un par de
matrices de 3x3 píxeles que son simétricamente horizontales y verticales, y que la
suma de todos sus elementos es cero. Estas matrices son convolucionadas con la
imagen original píxel a píxel y el máximo valor de la convolución es considerado
como el valor del píxel de salida detectándose de esta manera los bordes de la
imagen. Estas matrices son mostradas en la figura 10; la primera de ellas
determina los bordes verticales y la segunda los bordes horizontales en la
imagen.(yan-ying et al., 2010)
En la figura 11 se muestra la detección de bordes de una imagen en binario a
través del empleo del operador vertical de Sobel.

28
 Fig. 10: Operadores gradiente de Sobel.

Fig. 11: Operador de Sobel vertical aplicado a una imagen.

Cuando se tienen los bordes de los elementos de la imagen detectados se realiza

nuevamente la dilatación para aumentar el tamaño de los bordes y cerrar los
contornos detectados. Una vez realizado esto se emplea la función de Matlab imfill
para rellenar los huecos de los objetos detectados y se aplica nuevamente la
función de Matlab bwareaopen pero esta vez con una resolución de 1500 píxeles
que es aproximadamente la resolución que tienen los caracteres de las matrículas
en las imágenes captadas, y así de esta manera eliminar los caracteres de la
placa y solamente quedarnos con la forma de la misma. En la figura 12 se muestra
como se transforma una imagen con los bordes detectados una vez que se le
aplique el operador morfológico de dilatación y la función de Matlab imfill; y en la
figura 13 se muestra como se eliminan las manchas en la imagen con una
resolución menor que 1500 píxeles una vez que se ha empleado la función de
Matlab bwareaopen.

29
Fig. 12: Empleo del operador morfológico de dilatación y la función de Matlab imfill
a una imagen con los bordes detectados.

Fig. 13: Borrado de los manchas en la imagen con una resolución menor que 1500
píxeles.

Mediante la función de Matlab bwlabel se determinan los elementos conexos en la

imagen para de esta manera analizar uno a uno todos los objetos captados y
definir cuales cumplen con las características de una matrícula.
Esta función de Matlab devuelve una imagen del mismo tamaño a la de entrada
con la particularidad de que a todos los valores del fondo le asigna valor 0,
mientras que al primer objeto detectado dentro de la imagen le asigna a todos sus
píxeles valor 1, al segundo objeto detectado le asigna a todos sus píxeles valor 2,
y así sucesivamente hasta el último objeto.
Una vez empleada la función bwlabel son evaluados todos los candidatos según la
relación de alto/ancho de la matrícula, de esta manera los candidatos que posean
una relación menor a 0.16 o mayor a 0.32 son eliminados. Además son eliminados
aquellos candidatos que posean un área mayor que 10 000 píxeles y un mayor

30
número de filas que columnas. En la figura 14 se muestra como una vez
evaluados los candidatos teniendo en cuenta las características de las matrículas
estos son reducidos en gran medida. En la mitad superior de la imagen se
observa cómo se obtiene la matrícula, pero en la mitad inferior se obtienen más de
un candidato, los cuales poseen características muy similares a las matrículas en
cuanto a su forma.

Fig. 14: Evaluación de los candidatos a matrícula.

Como se puede observar en la figura este paso del algoritmo tiene el

inconveniente de poder detectar varios candidatos por lo que se decidió realizar un
multiclasificador empleando el AdaBoost a partir de redes neuronales para los
casos en que sean identificadas más de 2 regiones de interés, para aumentar la
eficacia del algoritmo. Esta etapa es muy necesaria pues en caso de no emplear el
clasificador se tendrían que evaluar cada una de las regiones y esto consumiría
mucho más tiempo de procesamiento.

31
2.3.2 Bagging
Bagging es una técnica donde los datos son tomados de un dataset original en „S‟
tiempos creándose „S‟ nuevos dataset del mismo tamaño al original. Cada dataset
es construido por la selección aleatoria de datos del original con reposición; la
reposición indica que en un mismo dataset pueda ser seleccionado el mismo dato
más de una vez.
Después de tener las „S‟ dataset construidos, se aplica el algoritmo de aprendizaje
a cada uno individualmente. Cuando se quiera clasificar un nuevo dato este se le
pasa a los „S‟ clasificadores y se toma como respuesta el que tenga una mayoría
de voto. (Harrington, 2012)

2.3.3 Boosting
El boosting es una técnica muy similar al bagging, pero en boosting los
clasificadores diferentes son entrenados secuencialmente. Cada nuevo
clasificador es entrenado basado en su desempeño durante el entrenamiento. El
boosting hace nuevos clasificadores sobre datos que son previamente clasificados
por anteriores clasificadores.
El boosting se diferencia al bagging porque la salida es calculada a partir de la
suma de los pesos de los clasificadores. En boosting los clasificadores no tienen
los mismos pesos como en bagging pues los pesos son asignados basándose en
cuan exitosos fueron los clasificadores en las iteraciones previas.
Existen numerosas versiones del boosting pero solo nos referiremos a la
denominada AdaBoost que es una de las técnicas más empleadas en la
actualidad y es la que se emplea en la realización de la investigación.

2.3.4 AdaBoost
El AdaBoost es un algoritmo que se basa en la selección de varios clasificadores
débiles para la construcción de un nuevo clasificador fuerte. Se denominan
clasificadores débiles pues solamente es necesario que estos posean una
probabilidad de acierto mayor o igual a un 51%.
En Adaboost un peso es aplicado a cada ejemplo en el entrenamiento de los datos
el cual es denotado por el vector D, e inicialmente todos serán iguales. Un
clasificador débil es entrenado primeramente a partir de un dataset. Los errores

32
del clasificador débil son calculados y el clasificador débil es entrenado en un
segundo tiempo con la misma base de datos. En este segundo tiempo los pesos
del entrenamiento son ajustados considerando los ejemplos que fueron
incorrectamente clasificados. El objetivo final de AdaBoost es obtener una
respuesta de todos los clasificadores entrenados en cada iteración, por lo que
para esto se le asigna a cada clasificador un valor de α basado en los errores
cometidos por cada clasificador. En la ecuación 22 se muestra como se determina
el error de los clasificadores, y en la ecuación 23 como se determina el valor de α.
En la figura 15 se muestra una representación esquemática bien detallada del
AdaBoost. (Harrington, 2012)
(22)

(23)

Fig. 15: Representación esquemática del AdaBoost.(Harrington, 2012)

Una vez que se ha determinado el valor de se pueden actualizar los pesos del
vector „D‟ si la predicción del clasificador fue correcta como se muestra en la
ecuación 24, en caso de que la predicción fuese incorrecta se actualizan los pesos
del vector D como se muestra en la ecuación 25.

33
 (24)

(25)

Después de haber determinado el valor de „D‟ el AdaBoost comienza otra

iteración, hasta lograr que el error en el entrenamiento sea 0 o hasta que el
número de clasificadores débiles sea un valor definido por el usuario.(Harrington,
2012)
Como se menciona anteriormente este algoritmo se basa en la obtención de un
clasificador fuerte a partir de varios clasificadores débiles. Para la realización de
este trabajo se decidió emplear como clasificadores débiles las redes neuronales,
creándose 17 redes neuronales y un alfabeto para el entrenamiento de estas,
formado por 150 imágenes de matrículas y 150 imágenes de errores. Las
imágenes de errores se tomaron de fragmentos de los vehículos como carteles,
focos, defensa, entre otras partes que suelen hacer fallar el algoritmo. En la figura
16 se muestra un fragmento de este alfabeto creado para el entrenamiento de las
redes neuronales.

Fig. 16: Fragmento del alfabeto creado para el entrenamiento de las redes
neuronales.
En las 17 redes neuronales a la hora de pasarle la imagen ya sea para su
entrenamiento o para clasificarlo una vez construida la red neuronal, las imágenes
fueron modificadas a una resolución fija de 15x80 píxeles, por lo que el número
de neuronas que presenta la capa de entrada es de 1200. Además fueron

34
empleadas 2 neuronas en la capa de salida debido a que son dos clases las que
se quieren clasificar.
El número de neuronas que forman las capas de entrada y salida está
determinado por el problema, mientras que el número de capas ocultas y el
número de neuronas en cada una de ellas no está fijado ni por el problema ni por
ninguna regla teórica por lo que el diseñador es quien decide esta arquitectura en
función de la aplicación.
Lo lógico es pensar que la mejor solución sería implementar una red con muchas
capas ocultas y un gran número de neuronas, pero esto trae consigo un aumento
considerable de la carga computacional, lo que implica una mayor dificultad de
implementación en tiempo real y un crecimiento en el tiempo de aprendizaje por
parte de la red.(Serrano et al., 2009)
Una vez planteado esto se realizaron varias pruebas variando el número de
neuronas con que iba a contar la capa oculta y se decidió el empleo de 60 debido
a que fue con el cual se lograron mejores resultados.

2.3.5 Redes neuronales

Una red neuronal es la modelación matemática aproximada de las estructuras y
funcionalidades de las redes neuronales biológicas. El modelo artificial de una
neurona está compuesto por un conjunto de conexiones, estas conexiones pueden
ser excitadoras (presentan signo positivo), o inhibidoras (conexiones negativas); y
por pesos o sinapsis que determinan el comportamiento de la neurona. Además
está formado por un sumador que se encarga de sumar todas las entradas
multiplicadas por las respectivas sinapsis, una función de activación no linear para
limitar la amplitud de la salida de la neurona, y un umbral exterior que determina el
umbral por encima del cual la neurona se activa. En la figura 17 se muestra el
esquema de un modelo neuronal en el cual se ven reflejados todos los
componentes por los que está compuesto y que han sido explicados.(Serrano et
al., 2009)

35
 Fig. 17: Esquema de un modelo neuronal.

Aunque parece un principio básico y sencillo, el verdadero potencial de este

campo de la inteligencia artificial surge cuando se comienzan a interconectar
varias neuronas para conformar una red. En la ecuación 26 se enuncia la
expresión matemática de una neurona:
(26)
(∑ )

En la cual es la entrada iésima, es el factor de ponderación correspondiente

a cada entrada y b es el factor de polarización de la neurona o umbral y es la
función de transferencia. Es necesario conocer que la función de transferencia es
el factor que define las propiedades de la neurona y puede ser cualquier función
matemática, aunque las empleadas principalmente son, las funciones paso
unitario, lineal y no lineal (sigmoidea).

Algoritmo de aprendizaje back propagation

El algoritmo de aprendizaje back propagation es un algoritmo de descenso por
gradiente que retropropaga las señales desde la capa de salida hasta la capa de
entrada optimizando los valores de los pesos sinápticos mediante un proceso
iterativo que se basa en la minimización de la función de coste.(Serrano et al.,
2009) Lo más habitual es minimizar alguna función monótona creciente del error,
como el valor absoluto del error o el error medio cuadrático, y la más utilizada es la
cuadrática, que viene dado por:

36
 (27)
∑∑

Donde „M‟ es el número de patrones utilizados para entrenar la red y „N‟ es el

número de neuronas en la capa de salida.
Una vez que se obtiene el candidato a matrícula se realiza la corrección del ángulo
de inclinación para luego pasar a la etapa de segmentación y reconocimiento de
caracteres; en la figura 18 se muestra una imagen con la matrícula correctamente
localizada.

Fig. 18: Matrícula correctamente localizada en una imagen.

2.4 Segmentación de caracteres

Una vez que la matrícula es localizada en la imagen se realiza la segmentación de
los caracteres, para lo cual se emplean varias funciones que son descritas a
continuación.

2.4.1 Función para corregir el ángulo

Para corregir el ángulo de inclinación de la matrícula la imagen es filtrada
primeramente por un filtro de Sobel en la dirección horizontal con el objetivo de
resaltar los bordes horizontales de la imagen, y un filtro para eliminar los pequeños
detalles y así eliminar los caracteres de la matrícula. El objetivo final de esta
función es quedarse con el borde inferior horizontal de la matrícula y determinar la
inclinación que esta posee. Para obtener la inclinación de la matrícula se emplea
la expresión 28, que resulta de operaciones con las coordenadas de los puntos

37
iniciales y finales de los bordes horizontales de la matrícula y
teoremas de trigonometría:
(28)
√

En la figura 19 se muestra como se realiza la corrección del ángulo de inclinación

de una matrícula.

Fig. 19: Corrección del ángulo de inclinación de la matrícula.

2.4.2 Función para separar los caracteres

Una vez que la imagen de la matrícula es corregida el tamaño de la misma es
ajustado a una resolución fija de 90x360 píxeles con el empleo de una
interpolación de tipo „bicubica‟, y luego es llevada a escala de grises. Luego se
emplea la función de Matlab fspecial(‘unsharp’) para elevarle el contraste a la
misma, la cual emplea un filtro de 3x3 que está determinado por el parámetro
„alpha‟ que se encuentra en el rango de 0 a 1. El valor de „alpha‟ empleado en la
investigación fue de 0.2. En la ecuación 28 se muestra el filtro resultante de esta
función de Matlab. En la figura 20 se muestra como la imagen de la matrícula ya
corregida es filtrada por este filtro y se ve claramente cómo el contraste de la
misma es realzado.
(29)
[ ]

Fig. 20: Imagen filtrada para elevar el contraste de la imagen corregida.

38
Luego la imagen es binarizada y se emplean varias funciones con el objetivo de
eliminar aquellos detalles que no son útiles a la hora de reconocer los caracteres,
como es eliminar las filas que posean una cantidad de cero mayor al 65% y menor
que el 10% de la cantidad de columnas, y eliminar todas las filas y columnas con
todos sus elementos a 1. En la figura 21 se muestra como a la imagen binarizada
se le eliminan los bordes y pequeños detalles, pues estos lo que hacen es
perjudicar el rendimiento del algoritmo, de ahí la necesidad de tratar de
eliminarlos.

Fig. 21: Borrado de los bordes y detalles de la imagen binarizada.

Una vez realizado esto se emplea nuevamente la función de Matlab bwreaopen

para eliminar las manchas en la imagen con una resolución menor del 0.25% del
total de píxeles de la matriz y por tanto la eliminación de estos detalles no modifica
la información contenida en cada uno de los caracteres que ocupan un espacio
significativamente superior en la imagen (80 píxeles). Seguido a esto, se emplea la
función bwlabel para separar los elementos conexos y poder analizar cada uno por
separado. Estos son ajustados a una resolución fija de 10x7 píxeles, y son
analizados en cuanto a la relación de alto/ancho y área máxima que poseen los
caracteres. Se realiza un conteo de los restantes elementos conexos y se
comparan con siete que es la cantidad de caracteres alfanuméricos que presenta
la matrícula, y si el conteo resulta ser menor que siete se llama nuevamente a la
función pero esta vez variando la máscara del filtro de mediana empleado hasta
lograr que el conteo de los elementos conexos sea al menos siete.
En caso de que el conteo sea mayor que siete se realiza la correlación espacial
entre los elementos conexos y los caracteres de un alfabeto formado por los
números del 0 al 9 y las letras „P‟, „B‟ y „T‟ que son las empleadas actualmente en
las matrículas, para determinar cuáles son los siete elementos que más
verosimilitud presentan, y así eliminar las posibles manchas en la imagen; o sea

39
quedarnos con los siete caracteres alfanuméricos de la matrícula como se muestra
en la figura 22.

Fig. 22: Obtención de los siete elementos que mayor verosimilitud presenten con
respecto a un alfabeto de caracteres previamente creado.

Para realizar la correlación espacial se emplea la función de Matlab corr2, esta

consiste en comparar dos imágenes „A‟ y „B‟, donde „A‟ y „B‟ sean matrices o
vectores que posean el mismo tamaño, y la misma devuelve un escalar „r‟ como
respuesta donde se indica que tan parecidos son las imágenes „A‟ y „B‟. En la
ecuación 29 se expone el principio de funcionamiento de esta función. Donde „m‟ y
„n‟ son las filas y las columnas de las imágenes „A‟ y „B‟, y los valores de ̅ y ̅ son
los valores medios de „A‟ y „B‟ respectivamente.
∑ ∑ ̅ ̅ (30)
√ ∑ ∑ ̅ ∑ ∑ ̅

2.5 Reconocimiento de caracteres

Una vez que se tienen los siete caracteres segmentados entonces se realiza el
reconocimiento de los mismos con el empleo de redes neuronales. Para la
realización de este objetivo se decidió emplear seis redes neuronales, tres para la
identificación del primer carácter que será una letra y las otras tres para los seis
restantes caracteres que serán números empleando el bagging o mayoría de voto.
Las redes neuronales empleadas para las letras clasifican las letras „B‟, „T‟ y „P‟
pues como el proceso de cambio de matrícula no se ha completado en el país
estas son las letras más usadas hasta el momento. Por lo que para el
entrenamiento de estas, se creó un alfabeto con 162 ejemplos, o sea 54 letras de
cada tipo; con niveles de calidad variados para así entrenar al clasificador para
condiciones reales. Este alfabeto fue construido a partir de recortar fotos de
matrículas captadas a distintas horas del día y con distintos ángulos de captura;

40
en la figura 23 se muestra un fragmento del alfabeto empleado para el
entrenamiento de las redes neuronales de las letras.

Fig. 23: Fragmento del alfabeto empleado para el entrenamiento de las redes
neuronales de las letras.

Las tres restantes redes neuronales clasifican los seis caracteres numéricos por lo
que se construyó para el entrenamiento de las mismas un alfabeto de 490
números, o sea 49 caracteres de cada número desde el 0 hasta el 9, con distintos
niveles de calidad para que el entrenamiento de las redes neuronales sea lo más
real posible a como se presentan los caracteres de las matrículas que se van a
reconocer. Este alfabeto fue construido a partir de recortar fotos de matrículas
captadas a distintas horas del día y con distintos ángulos de captura; en la figura
24 se muestra un fragmento del alfabeto para el entrenamiento de las redes
neuronales de los números.

Fig. 24: Fragmento de alfabeto para el entrenamiento de las redes neuronales de

los números.

En las seis redes neuronales a la hora de pasarle el carácter ya sea para su

entrenamiento o para clasificarlo una vez construida la red neuronal, estos son
modificados a una resolución fija de 10x7 píxeles, por lo que el número de
neuronas que presenta la capa de entrada es de 70. Además se tomó como 54 el

41
número de neuronas en la capa oculta; y las redes neuronales de las letras
poseen una cantidad de 3 neuronas en la capa de salida pues son tres letras las
que se necesitan clasificar; mientras que las tres restantes redes neuronales
poseen una cantidad de 10 neuronas en la capa de salida pues son diez números
los que se necesitan clasificar. Para la creación del alfabeto cada imagen debe ser
transformada en un vector de 70x1 a partir de la imagen binaria de cada carácter,
los vectores son conformados como una matriz única la cual es aplicada a la red
neuronal.
En la figura 25 se muestra una matrícula con los caracteres alfanuméricos
reconocidos con el empleo de las redes neuronales.

Fig. 25: Reconocimiento de caracteres de una matrícula con el empleo de las

redes neuronales.

42
 CAPÍTULO III: DISCUSIÓN DE RESULTADOS

En este capítulo se exponen los resultados a los que se arriban con la

investigación, a partir de la realización de varias pruebas que evalúan el
desempeño del algoritmo implementado. Para evaluar la eficiencia del programa
propuesto se analizan todos los bloques del algoritmo individualmente en cuanto a
la probabilidad de error que presenta y el tiempo de procesamiento; y se exponen
los resultados obtenidos, indicándose en cada uno de ellos cuáles son los
principales problemas que afectan el rendimiento del mismo.
Como se expresa en el capítulo 2 las pruebas son realizadas a partir del empleo
de una de las cámaras de video vigilancia del MININT de Cienfuegos con una
posición fija y con un determinado nivel de zoom. Para la realización de las
pruebas se conformó un dataset de fotos con distintos tipos de vehículos y a
distintas horas del día. Las fotos del dataset fueron extraídas todos los miércoles
del mes de abril, escogiéndose los primeros cinco automóviles que pasaban a
partir de las 7:00 am, 8:00 am, 9:00 am, 10:00 am, 11:00 am, 12:00 pm, 1:00 pm,
2:00 pm, 3:00 pm, 4:00 pm, 5:00 pm, 6:00 pm, y 7:00 pm. De esta manera se
extrajeron un total de 65 fotos por cada día, por lo que en mes de abril se
recogieron un total de 325 fotos.

3.1 Localización de las matrículas

La localización de las matrículas en la imagen constituye una sección intermedia
de los algoritmos de ANPR, pero al ser el primer bloque del procedimiento a la
hora del reconocimiento determina en gran medida la eficacia y eficiencia del
algoritmo. En este acápite se exponen algunos de los principales resultados que
permiten evaluar las posibilidades y la eficiencia que presenta el algoritmo
propuesto.
El pre-procesamiento de las imágenes juega un papel fundamental a la hora de la
localización de la matrícula y en este se emplean varias funciones que elevan el
desempeño del algoritmo.
Se decide que las 80 filas superiores de la imagen sean colocadas a 0 pues la
matrícula casi nunca se encuentra ubicada en esta posición de la imagen, y con

43
este paso del algoritmo se logra aumentar considerablemente el desempeño del
mismo a la hora de la localización de la matrícula en la imagen. Sin el empleo de
esto el programa logra localizar correctamente 312 matrículas de 325 imágenes
con que cuenta el alfabeto, mientras que con el empleo de esta se detectan 323
matrículas. En la tabla 3.1 se muestra en cuanto incrementa la rendimiento del
algoritmo.
Porcentaje de matrículas
Evaluación del algoritmo Matrículas localizadas
localizadas
Análisis de la imagen
96% 312 de 325
completa
Análisis de la imagen con las
99.3846% 323 de 325
80 primeras filas a 0

Incremento 3.3846% 11

Tabla 3.1: Evaluación del algoritmo con o sin la sustitución de las primeras 80 filas
de la imagen por 0.

En esta etapa se emplea además el filtro de mediana que tiene como objetivo la
eliminación de los ruidos impulsivos en la imagen y juega un papel fundamental a
la hora de la localización de la matrícula. Sin el empleo del filtro se logran captar
253 matrículas de 325 imágenes, mientras que con el empleo de este se logran
captar 323 matrículas. En la tabla 3.2 se muestra en cuanto incrementa la eficacia
del algoritmo con el empleo del filtro de mediana.
Porcentaje de matrículas
Evaluación del algoritmo Matrículas localizadas
localizadas

Sin el empleo del filtrado 77.8461% 253 de 325

Con el empleo del filtrado 99.3846% 323 de 325

Incremento 21.5384% 70

Tabla 3.2: Evaluación del algoritmo con o sin el empleo del filtro de mediana.

Como se ha observado en las tablas 3.1 y 3.2 se muestra como el desempeño del
programa a la hora de la localización de la matrícula se ve seriamente afectado sin

44
el empleo de estas técnicas de pre-procesamiento, de ahí la necesidad de su
empleo en la investigación. Las fotos que no fueron detectadas se deben a
diferentes motivos, ya sea por la calidad de la misma o por la intensidad de la
iluminación en que fue tomada la foto, lo cual se ve reflejado en la figura 26 la cual
muestra una de las imágenes en la que no se captó la matrícula.

Fig. 26: Imagen en la que no fue detectada la matrícula.

En las figuras mostradas a continuación se pueden observar las matrículas

captadas en una imagen desde distintos ángulos de captura, cuando la matrícula
se encuentra inclinada o cuando el vehículo se encuentra en una posición frontal o
lateral con respecto a la cámara.

Fig. 27: Imágenes de la localización de la matrícula con el vehículo desde una

posición frontal a la cámara.

45
 Fig. 28: Imágenes de la localización de la matrícula con el vehículo desde una
posición lateral a la cámara y con distintos ángulos de captura.

Las imágenes mostradas en la figura 29 fueron tomadas en condiciones de noche

pero debido a que en las posiciones que se encuentran las cámaras de video
vigilancia con las que se tomaron las fotos para la investigación no existe la
iluminación suficiente, estas no se incluyeron en el alfabeto creado para evaluar el
desempeño del algoritmo pues al no existir la iluminación suficiente la etapa de
reconocimiento de caracteres se ve seriamente afectada.

Fig. 29: Imágenes de la localización de la matrícula con el vehículo desde la

posición lateral y frontal a la cámara en condiciones de noche.

46
Como se puede observar en las imágenes mostradas a continuación se puede dar
el caso de que exista en una imagen más de un candidato a matrícula, como es el
caso de la figura 30 en la que se detectan más de una matrícula en una imagen, o
en la figura 31 en la que se detecta la matrícula y otras zonas del vehículo como
posibles candidatos en una misma imagen.

Fig. 30: Imágenes en las que se detecta más de una matrícula.

Fig. 31: Imágenes en las que se detecta una matrícula y otras zonas del vehículo
como posibles candidatos.

3.2 Localización de caracteres

En esta etapa del algoritmo se analiza la eficiencia de este en cuanto al tiempo de
procesamiento y la probabilidad de error para el reconocimiento de los caracteres.
Además se analizan varias funciones que son fundamentales para lograr que el
desempeño del programa sea el máximo posible. Esta etapa del programa se ve
seriamente afectada cuando las condiciones de iluminación no son las adecuadas
y la calidad de la imagen es muy mala, pues puede darse el caso que los

47
caracteres estén cortados y no es posible identificar los siete caracteres
alfanuméricos. Esto sucede en 3 de las imágenes detectadas por lo que no se
tendrán en cuenta estas para la evaluación de la eficiencia del algoritmo para el
reconocimiento de los caracteres, pero si se tendrán en cuenta para determinar la
eficiencia del algoritmo total. Teniendo en cuenta que el algoritmo no detecta las
matrículas en 2 de las imágenes, el porciento de error del programa en cuanto a la
no detección de sus siete caracteres es 3 de 323, o sea, un 0.9287%.

3.3 Corrección del ángulo de inclinación de las matrículas

Una vez localizadas las matrículas se realiza la corrección del ángulo de
inclinación de las mismas lo cual es un paso fundamental para aumentar la
eficacia del algoritmo a la hora del reconocimiento de los caracteres. Aquí se
expone el desempeño del programa implementado sin el empleo de este algoritmo
y se comparan los resultados obtenidos.
Empleando la función de corrección del ángulo de inclinación se logran identificar
correctamente un 97.9464% de los caracteres, o sea de 2240 caracteres se
equivocó en 46. Además se logran identificar totalmente los caracteres del 88.75%
de las matrículas, o sea de 320 matrículas que se emplearon en el experimento se
detectaron correctamente 284.
Sin el empleo de la función de corrección del ángulo de inclinación se logran
identificar correctamente un 92.3214% de los caracteres, o sea de 2240
caracteres se equivocó en 172. Además se logran identificar correctamente un
72.1815% de las matrículas, o sea de 320 matrículas que se emplearon en el
experimento se detectaron 231.
Los resultados de la tabla 3.3 muestran que si bien el incremento en porcentaje de
reconocimiento de caracteres al hacer la corrección de ángulo es discreto (5.6%),
el resultado en la identificación total de la matrícula es apreciablemente superior,
puesto que los resultados mejoran en más de un 16%.

48
 Porcentaje de
Porcentaje del Matrículas
Evaluación del Caracteres matrículas
reconocimiento totalmente
algoritmo reconocidos totalmente
de caracteres identificadas
identificadas

Sin corrección
del ángulo de
92.3214% 2068 de 2240 72.1815% 231 de 320
inclinación

Con corrección
del ángulo de
97.9464% 2194 de 2240 88.75% 284 de 320
inclinación

Incremento 5.625% 126 16,5685% 53

Tabla 3.3: Evaluación del algoritmo con o sin el empleo de la función de corrección
del ángulo de inclinación.

Como se aprecia en los datos dados y en la figura 32, el desempeño del algoritmo
se afecta considerablemente, de ahí la necesidad del empleo de esta función. En
esta figura, en las dos primeras columnas se muestra la imagen inicial y como no
todos sus caracteres son reconocidos correctamente; mientras que en las dos
restantes columnas se muestra la imagen inicial corregida, y como son eliminados
los errores cometidos por el reconocimiento de sus caracteres con la corrección
del ángulo de inclinación.

Fig. 32: Reconocimiento de caracteres con o sin el empleo de la función de

corrección del ángulo de inclinación.

49
En las figuras 33 y 34 se muestra cómo se comporta el tiempo de procesamiento
sin y con el empleo de esta función en cada iteración, señalándose en estas con
líneas discontinuas de color azul el tiempo medio de procesamiento, el cual
incrementa en 16,7mseg cuando se emplea la función de corrección del ángulo de
inclinación. Teniendo en cuenta que el tiempo de procesamiento no aumenta
considerablemente y con el empleo de esta se logran muy buenos resultados en
cuanto a la cantidad de caracteres que se reconocen correctamente se decide
utilizarla para el desarrollo de la investigación.

Fig. 33: Gráfico del tiempo de procesamiento sin el empleo de la función de

corrección del ángulo de inclinación.

50
 Fig. 34: Gráfico del tiempo de procesamiento con el empleo de la función de
corrección del ángulo de inclinación.

Una vez que la matrícula ha sido localizada y su ángulo de inclinación ha sido

corregido se realiza la localización de los caracteres de la matrícula. Como se
señala en el capítulo 2 esto se realiza mediante el empleo de la función de
correlación espacial con la cual se obtienen los siete candidatos que presentan
una mayor verosimilitud a los caracteres alfanuméricos de las matrículas. Una vez
detectados los siete caracteres se pasa al reconocimiento de los mismos; en la
figura 35 se muestran los caracteres detectados enmarcados en un rectángulo de
color verde.

Fig. 35: Localización de los caracteres de una matrícula.

51
3.4 Clasificadores implementados
Como se explica en el capítulo 2 para reconocimiento de los caracteres se
emplean redes neuronales combinadas con el bagging, por lo que en este acápite
se demuestra la eficacia del algoritmo propuesto en cuanto al reconocimiento de
los caracteres con el empleo del bagging con respecto a las redes neuronales por
separado, y se compara con el tiempo de procesamiento.

Bagging de letras
Las redes neuronales empleadas para las letras fueron nombradas MKL1, MKL2 y
MKL3 y en la tabla 3.4 se muestra un análisis de la eficacia y el tiempo de
procesamiento de cada una de ellas y el bagging.
Evaluación de los Porcentaje del
Cantidad de letras Tiempo de
clasificadores para las reconocimiento de las
reconocidos procesamiento
letras letras

MKL1 95.625% 306 de 320 449.6mseg

MKL2 96.25% 308 de 320 449.8mseg

MKL3 94.6875% 303 de 320 448.6mseg

Bagging 96.5625% 309 de 320 450.1mseg

Tabla 3.4: Evaluación de los clasificadores para las letras.

Se debe señalar que en la tabla 3.4 el bagging es ligeramente superior al mejor de

los clasificadores en cuanto al porcentaje del reconocimiento de las letras, y los
tiempos de procesamiento empleados por estos son muy parecidos, por lo que se
evaluaron ambos en cuanto a la complejidad que presentan, y resultó que la del
bagging es ligeramente superior que si se emplease una sola red neuronal. La
diferencia según la complejidad fue pequeña, por tanto se decide emplear el
bagging en la realización de esta investigación para obtener mejores resultados.
Teniendo en cuenta que el proceso de cambio de matrícula no ha terminado y a
medida que este avance el número de letras a clasificar será muy superior se
supone que con el empleo del bagging se obtendrán mejores resultados.

52
Bagging de números
Las redes neuronales empleadas para los números fueron nombradas MKN1,
MKN2 y MKN3 y en la tabla 3.5 se muestra un análisis de la eficacia y el tiempo de
procesamiento de cada una de ellas y el bagging.
Evaluación de los Porcentaje del
Cantidad de números Tiempo de
clasificadores para los reconocimiento de
reconocidos procesamiento
números números

MKN1 97.5% 1872 de 1920 400.8mseg

MKN2 97.1875% 1866 de 1920 396.4mseg

MKN3 97.5520% 1873 de 1920 400.6mseg

Bagging 98.1770% 1885 de 1920 450.1mseg

Tabla 3.5: Evaluación de los clasificadores para los números.

Como se puede apreciar en la tabla 3.5 con el empleo del bagging se logra
incrementar el desempeño del algoritmo para el reconocimiento de caracteres,
logrado detectar correctamente 12 números más que con la red neuronal MKN3
que es la que presenta un mayor desempeño respecto a las otras y con el
incremento de 49.5mseg del tiempo de procesamiento.

Una vez realizada la comparación en cuanto al desempeño de los clasificadores

para las letras y los números se analizan en las tablas 3.6 y 3.7 como se
comportan los caracteres en cuanto a la probabilidad de error de cada uno. Como
se puede apreciar en la tabla 3.6 en las letras la probabilidad de error total es de
3.43% y la mayor probabilidad de error está determinada por la letra „T‟ con un
14.2% de error, lo cual se debe a que en el alfabeto de las imágenes captadas
solamente fueron tomadas 14 fotos con dicha letra y el programa se equivocó en
dos de ellas. En la tabla 3.7 se aprecia que los números poseen una probabilidad
de error total de 1.82%, destacándose en esta que los números que mayor
probabilidad de error presentan son el „2‟, „3‟, „5‟ y „6‟ con un porciento de error

53
superior al 3% y los que menor porcentaje de error presentan son el „4‟, „7‟ y „8‟
con un porciento de error por debajo al 1%.

Evaluación de las letras P B T Total

Total de equivocaciones 7 2 2 11

Total de letras 251 55 14 320

Porcentaje de error 2.78 3.63 14.2 3.43

Tabla 3.6: Evaluación del porcentaje de error de las letras.

Evaluación de los 0 1 2 3 4 5 6 7 8 9 Total

números

Total de 8 4 6 5 1 4 4 0 1 2 35
equivocaciones

Total de números 573 264 183 139 110 88 106 118 152 187 1920

Porcentaje de 1.39 1.51 3.27 3.59 0.9 4.54 3.77 0 0.65 1.06 1,82
error

Tabla 3.7: Evaluación del porcentaje de error de los números.

3.5 Evaluación del rendimiento del algoritmo completo

Una vez explicado cómo se han realizado todas las etapas del programa y se han
expuestos los principales resultados que presentan cada una de estas, se muestra
en la tabla 3.8 y en la figura 36 el rendimiento del programa completo. En la tabla
los porcentajes reflejados en los 3 primeros campos están referidos al total de
matrículas que son ingresadas a cada etapa sin tener en cuenta el total inicial,
esto permite valorar el comportamiento de cada sección del algoritmo sin que el
resultado se afecte por el comportamiento de etapas anteriores. En el campo final
el porcentaje que se muestra es el cálculo del rendimiento total del programa, aquí
se toma como total las 325 matrículas evaluadas.

54
Evaluación del rendimiento del
Porcentaje de efectividad Porcentaje de error
programa

Localización 99.3846% 0.6154%

No detección de los caracteres 99.0713% 0.9287%

Matrículas totalmente
88.75% 11.25%
identificadas

Total 87.3846% 12,6154%

Tabla 3.8: Evaluación del rendimiento del algoritmo completo.

Rendimiento del algoritmo.

Total de Matrículas
Identificadas
Error en la Localización

Error en la Identificación de los

siete caracteres
Error en el reconocimiento de
todos los caracteres.

Fig. 36: Diagrama circular del rendimiento del algoritmo implementado.

55
 CONCLUSIONES

 A partir del análisis de la literatura, y de la base de casos creada, se

determinó que los problemas inherentes a la adquisición, tales como la
inclinación relativa de la matrícula, la ausencia de una adecuada
iluminación y la presencia de ruido, son factores que afectan el desempeño
de los sistemas de ANPR.
 El bloque de localización de la matrícula implementado muestra una
efectividad de un 99.38%.
 Con el empleo del filtrado de mediana que se empleó en el bloque de pre-
procesamiento se logró incrementar el desempeño del algoritmo diseñado
en cuanto al número de matrículas localizadas en un 21.5%.
 El algoritmo para el reconocimiento de caracteres implementado muestra
una efectividad en cuanto al número de matrículas totalmente identificadas
de hasta un 88.75%.
 Con el empleo del algoritmo diseñado para la corrección del ángulo de
inclinación se logró incrementar el desempeño del programa en cuanto a el
reconocimiento de matrículas totalmente identificadas en un 16.5%.
 La efectividad total del algoritmo de reconocimiento automático de matrícula
implementado en Matlab es de un 87.38%.

56
 RECOMENDACIONES

 Continuar con el perfeccionamiento de los algoritmos propuestos en la

presente investigación, aumentar el número de casos en los que se evalúa
el rendimiento de estos e incluir casos nocturnos para generalizar los
resultados a cualquier horario del día.
 Elaborar el primer paso de los algoritmos de ANPR, la adquisición de las
imágenes de los automóviles de forma automática y conformar con los
algoritmos presentados en este estudio un único algoritmo de ANPR.
 Incluir en el bloque de pre-procesamiento un algoritmo de corrección de la
iluminación que pueda mejorar el desempeño del programa implementado.
 Poner en función práctica mediante una aplicación independiente el
algoritmo final.

57
 REFERENCIAS BIBLIOGRÁFICAS

ASHOORI-LALIMI, M. & GHOFRANI, S. 2011. An Efficient Method for Vehicle License Plate
Detection in Complex Scenes. Circuits and Systems.
CRUZ, A. M. D. 2013. La chapa que viene [Online]. Available: http://digital@juventudrebelde.cu
[Accessed].
CHUNYU, C., FUCHENG, W., BAOZHI, C., XIN, C. & CHEN, Z. 2013. Application of image processing
to the vehicle license plate recognition Proceedings of the 2nd International Conference on
Computer Science and Electronics Engineering (ICCSEE 2013).
DEHSHIBI, M. M. & ALLAHVERDI, R. 2011. Persian Vehicle License Plate Recognition Using
Multiclass AdaBoost. 3rd International Conference on Signal Acquisition and Processing
(ICSAP 2011).
DLAGNEKOV, L. 2004. License Plate Detection Using AdaBoost.
DORSCH, J. P., FORT, V. A. & FURLÁN, L. G. 2009. Reconocimiento automático de matrícula del
automotor.
HARRINGTON, P. 2012. Machine learning in action. Manning Shelter Island [Online]. Available:
http://www.manning.com.
INDUSTRIAL, I. E. A. Y. C. 2005. Segmentación por umbralización. Método de Otsu. Universidad
Nacional de Quilmes.
JIMÉNES, S. E. C. 2012. Identificación y reconocimiento de matrículas de automóviles con Matlab.
Proyecto de fin de carrera, Universidad Politécnica de Madrid.
KANG, D.-J. 2009. Dinamic programing-based method for extraction of license plate numbers of
speeding vehicles on the highway. International journal of automotive technology, Vol. 10
No. 2.
KASAEI, S. H., KASAEI, S. M. & KASAEI, S. A. 2010. New Morphology-Based Method for Robust
Iranian Car Plate Detection and Recognition. International Journal of Computer Theory and
Engineering, Vol. 2 No. 2.
KOLOUR, H. S. & SHAHBAHRAMI, A. 2011. An evaluation of license plate recognition algorithms.
International Journal of Digital Information and Wireless Communications (IJDIWC), Vol. 1.
KTATA, S., BENZARTI, F. & AMIRI, H. 2013. License plate localization using Gabor filters and neural
networks Journal of Computer Science, Vol. 9 No. 10.

58
MACHECHA, V. A. & SEPÚLVEDA, J. Q. 2008. Sistema de reconocimiento y lectura de placas de
vehículos en movimiento. XIII Simposio de tratamiento de señales, imágenes y visión
artificial. STSIVA 2008.
MAI, V., MIAO, D., WANG, R. & ZHANG, H. 2011. An Improved Method for Vietnam License Plate
Location.
MALPARTIDA, E. A. S. 2003. Sistema de visión artificial para el reconocimiento y manipulación de
objetos utilizando un brazo robot. Tesis para Optar el Grado de magister en ingeniería de
control y automatización., Pontificia universidad católica del Perú.
MENDOZA, L. E. M. & BELTRÁN, R. J. Z. 2009. “Desarrollo de una aplivación para el reconocimiento
automático de placas a partir de la imágen digital de un vehículo”. Trabajo de grado
presentado comorequisito parcial paraoptaral Título de INGENIERO EN COMPUTACIÓN,
Universidad de Oriente.
POZO, J. S. D. 2009. Detección de matrículas mediante características binarias locales (LBP).
Proyecto de fin de carrera, Universidad de Murcia.
RIOS, I. 2014. Sistemas de reconocimiento de matrículas Biartic [Online]. Córdoba - Argetnina.
Available: http://biartic.com/Reconocimiento_de_Matriculas.php [Accessed].
SAHA, S., BASU, S., NASIPURI, M. & BASU, D. K. 2009. License Plate Localization from Vehicle
Images: An Edge Based Multi-stage Approach International Journal of Recent Trends in
Engineering, Vol 1, No. 1.
SARKER, M. M. K., YOON, S., LEE, J. & PARK, D. S. 2013. Novel License Plate Detection Method
Based on Heuristic Energy Map. Vol.38C No.12.
SERRANO, A. J., SORIA, E. & MARTÍN, J. D. 2009. Redes neuronales artificiales. Universidad de
Valencia.
SHIH, F. Y. 2010. Image processing and pattern recognition. In: ENGINEERS, T. I. O. E. A. E. (ed.).
Canada: Published by John Wiley & Sons.
SOLUTIONS, M. 2014. Reconocimiento automático de placa de vehículo (ALPR) [Online]. Available:
http://www.motorolasolutions.com [Accessed].
SONY. 2007. Lector de matrículas XCI-NPR-ACR [Online]. Sony Corporation. Available:
http://www.sonybiz.net/vision [Accessed].
VIDEOVIGILANCIA. 2014. Kit reconocimiento matrículas 4 pistas GV lectura y grabación [Online].
Available: http://www.videovigilancia.eu.com/489-kit-reconocimiento-matriculas-4-pistas-
gv-lectura-y-grabacion [Accessed].

59
YAN-YING, G., GUO-QING, Y. & LI-HUI, J. 2010. Adaptive Weighted Morphology Detection
Algorithm of Plane Object in Docking Guidance System. International Journal of Advanced
Robotic Systems, Vol. 7, No. 2, pp. 099-104.
YU, C.-C. & WEN, C.-Y. 2012. Multiple license plates location using the optical flow algorithm and
blob analysis. Forensic science journal, Vol. 11 No. 1.

BIBLIOGRAFÍA CONSULTADA

BRIAND.HAHN & DANIELT.VALENTINE 2007. Essential MATLAB® for Engineers and Scientists. In:
ELSEVIER (ed.).
BRIANR.HUNT, RONALDL.LIPSMAN & JONATHANM.ROSENBERG 2001. A Guide to MATLAB for
Beginners and Experienced Users. In: PRESS, C. U. (ed.).
ETHEMALPAYDıN 2010. Introduction to Machine Learning. London, England.
GOPI, E. S. 2007. Algorithm Collections for Digital Signal Processing Applications Using Matlab. In:
SPRINGER (ed.).
SMOLA, A. & S.V.N.VISHWANATHAN 2008. Introduction to Machine Learning. In: CAMBRIDGE, P.
B. T. P. S. O. T. U. O. (ed.)

60
 ANEXOS
Anexo 1. Proceso empleado en la obtención de la localización de matrículas
en una imagen.
Caso 1. Localización de una matrícula en una imagen.

61
Caso 2. Localización de más de una matrícula en una imagen.

62
Anexo 2. Proceso empleado en el reconocimiento de los caracteres
alfanuméricos de las matrículas.

63
Anexo 3. Función principal del algoritmo ANPR propuesto.
function[CaractOK,CaractWrong,NumMatric,MatricWrong,MatricOK,GoodIDF,
BadIDF,VectErr,matricW,NoMat,VectErrLet,NoMatricIndex] = Results1

% Esta función es a partir de la cual se obtienen todos los resultados de

% los algoritmos implementados. Se adjunta una lista del significado de
% las variables.
% 1. CaractOK.........% de caracteres correctamente identificados.
% 2. BadIF...........Matrículas Localizadas con más de 2 errores de
identificación.
% 3. CaractWrong......Cantidad de caracteres mal identificados.
% 4. GoodIDF..........% de Matrículas Identificadas con al menos 1 error.
% 5. MatricOK.........% de matrículas totalmente Identificadas.
% 6. MatricWrong......Cantidad de matrículas con error.
% 7. NoMat............Matrículas no localizadas.
% 8. NumMatric........Total de matrículas.
% 9. VectErr..........Orden de las matrículas con error.
% 10.VectErrlet.......Orden de las matrículas con error en las Letras.
% 11.NoMatricIndex....Orden de las matrículas no localizadas.
% 12.matricW..........Matrículas no Identificadas.

% El gráfico de salida contiene el tiempo de procesamiento de cada caso y

% el promedio del tiempo tomados todos los casos.

CompEnt =
['P010112';'P008877';'P010112';'B012856';'P008679';'P009468';'B021476';
'P009468';'B012886';'P079907';...
'P036222';'P010353';'P119744';'B012961';'P008079';'P008079';'P009586';
'P008356';'P119788';'P008930';...
'P008025';'P009464';'P080042';'P008674';'P009497';'P009497';'P008664';
'P010004';'P079874';'P008664';...
'P008945';'P010439';'B012817';'P009905';'B012533';'P008333';'P008010';
'P008078';'P080157';'P008479';...
'P119873';'P119988';'P119988';'P008438';'P119934';'P009493';'B013024';
'B013056';'B022028';'P009740';...
'P008139';'P008025';'P009229';'P010419';'P008414';'B013048';'P033563';
'P008116';'P008671';'B012726';...
'P120047';'P120283';'P009249';'P009993';'P008125';'P009465';'B013029';

64
'B013334';'P008058';'P011569';...
'T002278';'P008587';'P119645';'P009709';'P009493';'P120471';'P120361';
'P010973';'B012975';'B012975';...
'P008545';'P120165';'P010059';'P008380';'P008822';'B022028';'P120272';
'P120361';'T003135';'P120389';...
'P008348';'B012792';'B012792';'P009664';'P010973';'T005919';'P119724';
'T002947';'T002947';'P010973';...
'B042035';'P119850';'B042035';'P119850';'P119586';'B042035';'P010059';
'P008517';'P009454';'P079941';...
'P120221';'P120221';'P120221';'P080236';'P009021';'P079941';'P011625';
'P010074';'P120301';'T001407';...
'P008317';'T001407';'P008473';'P122447';'P122447';'B041722';'P010059';
'P008074';'P009709';'P008573';...
'P008573';'P032697';'B013363';'P008309';'P009139';'B013001';'P009139';
'P120192';'T003356';'P045520';...
'P119974';'P009467';'B012817';'P010152';'P120036';'B013107';'B013118';
'P080305';'P008029';'B013046';...
'P012945';'P008780';'B012931';'P010260';'P010260';'P009096';'P080326';
'P009262';'P010007';'P009586';...
'P119948';'P119948';'P008715';'P008219';'P009709';'P119586';'P008183';
'P008183';'P120015'; 'B012667';...
'P009592';'B012707';'B012897';'P120068';'B011697';'P008220';'P010074';
'P120389';'P032697';'P120361';...
'P029678';'P120195';'P010121';'P009384';'P120561';'P008954';'P080246';
'P120249';'P079960';'P008247';...
'P120249';'P008128';'P079924';'P009369';'P080246';'P080246';'P104619';
'P009369';'B012476';'B013119';...
'B059609';'B059323';'P009227';'B013107';'P120303';'P010059';'P064035';
'P120156';'P009960';'P010183';...
'P119799';'P010439';'P120156';'B013106';'B013106';'P009459';'P120432';
'P038964';'B012566';'B012566';...
'P005024';'P009778';'P120185';'P010439';'P010439';'P064035';'P008995';
'P010007';'P120401';'B003065';...
'P010439';'P119577';'P009960';'B013093';'P008128';'P126266';'P009275';
'T003010';'P119873';'P008317';...
'P008050';'P009502';'P008247';'P120090';'P119703';'B012857';'P009502';
'B012817';'P120327';'P008402';...
'P009304';'P010112';'P119588';'P008622';'P009296';'P012945';'B013106';

65
'B059321';'P080206';'P010112';...
'P033794';'P033794';'P039563';'P008025';'P010385';'P119616';'P119616';
'P080325';'P009275';'P008978';...
'P127742';'P119586';'T001423';'T001423';'P120408';'T001903';'T001423';
'T001903';'P047503';'B013168';...
'P079926';'B059328';'P080232';'P080176';'P080271';'P080271';'P119586';
'P010019';'P010019';'B012476';...
'P008473';'P008473';'P008600';'P120389';'P009484';'P009330';'P008762';
'P010029';'P079868';'P079868';...
'P120361';'P120361';'B012755';'P032697';'P008622';'P008622';'P014857';
'P120389';'P010383';'P008342';...
'B037370';'B037370';'P119870';'P119974';'B013203';'B013203';'P010074';
'P010074';'P008766';'P008220';...
'P080362';'P032697';'P008500';'P008500';'P008247';'B077432';'T001403';
'P008780';'P008968';'P008725';...
'P010342';'P010342';'P120068';'P008122';'P010347';'B077432';'T004714';
'T001403';'T001434';'T001424';...
'T001403';'T003076';'P119586';'P119859';'T003076'];

ExtImg = '.jpg';
[SizeRow, ~] = size(CompEnt);
time = zeros(1,SizeRow);xtime=1:1:SizeRow;
CountError = 0;MatricWrong=0;
nomatric=0;
MK15 = importdata('MKNPROB-100.mat');
MK100 = importdata('MKNPROB-102.mat');
MK98 = importdata('MKN104.mat');
MKL1 = importdata('MKL-900.mat');
MKL2 = importdata('MKL101.mat');
MKL3 = importdata('MKL-500.mat');
GodTurnf = ones(10,7,13);

for i = 1:13
ElevenGods=['001';'011';'021';'031';'041';'051';'061';'071';'081';'091';
'0P1';'0B1';'0T1'];
GodTurn = imread(strcat(ElevenGods(i,:),'.jpg'));
GodTurn = rgb2gray(GodTurn);DClevel = graythresh(GodTurn);
GodTurn = im2bw(GodTurn,DClevel);

66
GodTurn = TrimAlbum(GodTurn);
GodTurnf(:,:,i) = imresize(GodTurn,[10 7]);
end
GoodIDF=zeros(1,SizeRow);VectErr=zeros(1,SizeRow);
VectErrLet = zeros(1,SizeRow);
VectErrNum = zeros(1,SizeRow);
NoMatricIndex = zeros(1,SizeRow);
NoMat=0;
time2 = cputime;
T=zeros(SizeRow,1);
for i = 1:SizeRow
i
ww=1;
MatTrans = num2str(i);
MatAnalysis = imread(strcat(MatTrans,ExtImg));
[a,b,val,ContNoMat] =
Skel_Findf(MatAnalysis,3,ww,MK15,MK100,MK98,MKL1,MKL2,MKL3,GodTurnf);
SSS=0;
if a==0&b==0
[a,b,val,ContNoMat] =
Skel_Findf(MatAnalysis,5,ww,MK15,MK100,MK98,MKL1,MKL2,MKL3,GodTurnf);
end
if a==0&b==0
[a,b,val,ContNoMat] =
Skel_Findf(MatAnalysis,7,ww,MK15,MK100,MK98,MKL1,MKL2,MKL3,GodTurnf);
end
if a==0&b==0
[a,b,val,ContNoMat] =
Skel_Findf(MatAnalysis,9,ww,MK15,MK100,MK98,MKL1,MKL2,MKL3,GodTurnf);
end
if a==0&b==0
[a,b,val,ContNoMat] =
Skel_Findf(MatAnalysis,2,ww,MK15,MK100,MK98,MKL1,MKL2,MKL3,GodTurnf);
end
if a==0&b==0
ww=2.5;
[a,b,val,ContNoMat] =
Skel_Findf(MatAnalysis,3,ww,MK15,MK100,MK98,MKL1,MKL2,MKL3,GodTurnf);

67
 end
if a==0&b==0
val='XXXXXXX';
SSS=1;
nomatric=nomatric+1;
NoMatricIndex(i)=i;
if ContNoMat==1
NoMat=NoMat+1;
T(i,1)=1;
end
end
x = char(CompEnt(i,:));
y = char(val);
GoodID=0;
if strcmp(x,y)==0
MatricWrong = MatricWrong+1;
VectErr(i)=i;
for j = 1:7
if strcmp(char(CompEnt(i,j)),char(val(1,j)))==0&&j==1&&SSS==0
CountError=CountError+1;
VectErrLet(i) = i;
GoodID=GoodID+1;
if char(CompEnt(i,j))==char(80)
ContP=ContP+1;
elseif char(CompEnt(i,j))==char(66)
ContB=ContB+1;
elseif char(CompEnt(i,j))==char(84)
ContT=ContT+1;
else
end
elseif strcmp(char(CompEnt(i,j)),char(val(1,j)))==0...
&&j~=1&&SSS==0
CountError=CountError+1;
GoodID=GoodID+1;
VectErrNum(i) = i;
if char(CompEnt(i,j))==num2str('1')
Cont1=Cont1+1;
elseif char(CompEnt(i,j))==num2str('2')

68
 Cont2=Cont2+1;
elseif char(CompEnt(i,j))==num2str('3')
Cont3=Cont3+1;
elseif char(CompEnt(i,j))==num2str('4')
Cont4=Cont4+1;
elseif char(CompEnt(i,j))==num2str('5')
Cont5=Cont5+1;
elseif char(CompEnt(i,j))==num2str('6')
Cont6=Cont6+1;
elseif char(CompEnt(i,j))==num2str('7')
Cont7=Cont7+1;
elseif char(CompEnt(i,j))==num2str('8')
Cont8=Cont8+1;
elseif char(CompEnt(i,j))==num2str('9')
Cont9=Cont9+1;
elseif char(CompEnt(i,j))==num2str('0')
Cont0=Cont0+1;
else
end
end
end
GoodIDF(i)=GoodID;
end
time(1,i) = cputime-time2;
time2=cputime;
end

%////////////////////////////////////////////////////////////////////////
%Datos finales
%////////////////////////////////////////////////////////////////////////
matricW=nomatric;
CaractWrong = CountError;
NOlocaliz=(SizeRow-NoMat)*100/SizeRow;
NoIdCaract=((SizeRow-NoMat)-(matricW-NoMat))*100/(SizeRow-NoMat);
CaractOK = ((SizeRow-matricW)*7-CountError)*100/((SizeRow-matricW)*7);
MatricOK = (SizeRow-MatricWrong)*100/(SizeRow-matricW);
NumMatric = SizeRow;
BadIDF=size(GoodIDF(GoodIDF>1),2);

69
GoodIDF=100-(size(GoodIDF(GoodIDF>1),2)/NumMatric)*100;

%////////////////////////////////////////////////////////////////////////
% Gráfico del tiempo de procesamiento de cada caso y el promedio del
% tiempo tomados todos los casos.
%////////////////////////////////////////////////////////////////////////
figure;plot(xtime,time,'g<--','LineWidth',1.6,'MarkerEdgeColor','r');
grid;title('Gráfico de tiempo de procesamiento');xlabel('Iteraciones');
ylabel('Tiempo (Seg)');hold on;
plot(xtime,ones(1,SizeRow)*mean(time),'b--','LineWidth',2);
legend ('Tiempo','Tiempo Medio')
VectErr=VectErr(VectErr>0);
VectErrLet = find(VectErrLet~=0);
VectErrNum = find(VectErrNum~=0);
NoMatricIndex = find(NoMatricIndex~=0);

70