Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN 1. INTRODUCCIÓN
El sistema de reconocimiento automático de matrículas (ALPR) tiene una amplia El sistema ALPR es un tema de investigación muy importante y popular del
aplicación y es muy importante en el inteligente campo ITS, que es muy importante para el desarrollo de la infraestructura de
Sistema de transporte (ITS) como el sistema de cobro electrónico de peaje (ETC). El transporte en el mundo. Los sistemas prototipo de ALPR estaban funcionando
propósito de este documento es diseñar un sistema de Reconocimiento Automático de en 1979, y se otorgaron contratos para producir sistemas industriales, primero
Matrículas (ALPR), que se aplicará para ETC de una parada y sin paradas en Vietnam. en electrónica EMI y luego en sistemas de reconocimiento informático en
Nuestro sistema ALPR consta de dos partes principales: la primera parte es el sistema Wokingham. Sistemas de prueba temprana implementados en el túnel Dartford,
de hardware y la segunda parte es el sistema de software. En la primera parte, el Reino Unido. El primer sistema detectó un automóvil robado en 1981. Desde el
precio, los tipos de equipos y la tecnología se considerarán para el diseño, que período inicial de los 80, muchos países han comenzado a desarrollar el sistema
satisface el medio ambiente de Vietnam, la regulación de Vietnam en las reglas de ALPR [26]. El sistema ALPR tiene una amplia aplicación en ITS tales como:
precios de carreteras y el estándar de ETC de Vietnam. En la segunda parte, Sistema de cobro electrónico de peajes (ETC) [13,17,21], Sistema de
combinaremos la tecnología de procesamiento de imágenes y la red neuronal artificial estacionamiento [3,5,11,22], Sistema de notificación de vehículos de
para proponer un sistema de software mejorado, nuestro software incluye cuatro emergencia, Sistema automático de aplicación de la carretera [9 , 20], Sistemas
módulos: de información al viajero [14,15], Sistemas de transporte público,
107
detección de bordes, clasificador jerárquico [19], análisis de componentes conectados Cortina de luz: Utilizamos una cortina de luz para detectar el paso de vehículos.
[21]. Pero, la mayoría de estos métodos funcionan bajo condiciones controladas, sus La cortina de luz es un par con un transmisor y un receptor, el transmisor proyecta
datos de imagen no se recopilaron en Vietnam, por lo que no pudieron solicitar las una serie de haces de luz infrarroja paralelos al receptor, que consta de varias
placas de Vietnam. Para hacer frente a estas limitaciones, hemos considerado células fotoeléctricas, cuando un objeto rompe uno o más de los haces envía una
lo especifico señal de parada al Unidad controladora. Elegimos este equipo debido a: medición
características de Vietnam LP y el entorno de Vietnam para proponer un sistema ALPR precisa [1], bajo precio, muy popular y fácil de mantener (no requiere cierre de
mejorado, que satisface todos los tipos de entornos de Vietnam LP y Vietnam, nuestro carril), pero la cortina de luz es sensible a fuertes lluvias, niebla densa [1] y
sistema ALPR tiene las principales contribuciones de la siguiente manera: personas que pasan. Por lo tanto, hemos combinado la cortina de luz con el bucle
de inducción para rechazar esta debilidad.
sección 5 son las conclusiones, la sección 6 son los agradecimientos y la última son las referencias. y una dirección de iluminación constantes independientemente de cualquier condición, pero el
entorno en la estación de peaje es muy complejo con una gran variedad de condiciones de
iluminación tales como: diurno, nocturno, luz solar, luz de fondo, faros y condiciones climáticas, etc.
2. SISTEMA DE HARDWARE Por lo tanto, las cámaras deben ser resistentes y resistentes a la intemperie para exteriores, estas
cámaras deben estar diseñadas específicamente para adaptarse a diferentes condiciones de
2.1 Arquitectura de hardware iluminación (como a través de iluminación IR o funcionalidad de amplia dinámica) [28] y la cámara
En este documento, propusimos una arquitectura de hardware del sistema ALPR para ETC de debe ser sensible a la parte infrarroja del espectro, al menos a 850 nanómetros y equipado con un
una parada y ETC sin paradas en Vietnam, que cumplió con el estándar del sistema de cobro filtro para restringir la parte visible del espectro. La lente tendría un juego completamente abierto y la
de peaje de Vietnam [23], nuestro sistema ALPR consta de cuatro módulos: detectores de velocidad de obturación a 1/1000 de segundo y una fuente de infrarrojos debe instalarse junto a la
vehículos ( cortina de luz y bucles de inducción), controladores, cámara infrarroja y cámara [27]. Por lo tanto, aprovechando las características retroreflectantes de las matrículas, la
capturadores de fotogramas (tarjeta de adquisición de imágenes), computadora como la Fig.1. iluminación del iluminador se reflejará directamente de regreso a la cámara, solo se verá luz infrarroja
sin luz visible u otras reflexiones o refracciones. La imagen, por supuesto, será negra sin detalles,
excepto la placa de matrícula [27]. Por lo tanto, hemos elegido una cámara infrarroja para capturar
una imagen que tenga una calidad lo suficientemente alta como para permitir la ubicación de los
datos de la placa. De acuerdo con todas las razones anteriores, hemos elegido una cámara infrarroja
para nuestro sistema ALPR. La imagen, por supuesto, será negra sin detalles, excepto la placa de
matrícula [27]. Por lo tanto, hemos elegido una cámara infrarroja para capturar una imagen que tenga
una calidad lo suficientemente alta como para permitir la ubicación de los datos de la placa. De
acuerdo con todas las razones anteriores, hemos elegido una cámara infrarroja para nuestro sistema
ALPR. La imagen, por supuesto, será negra sin detalles, excepto la placa de matrícula [27]. Por lo
tanto, hemos elegido una cámara infrarroja para capturar una imagen que tenga una calidad lo
suficientemente alta como para permitir la ubicación de los datos de la placa. De acuerdo con todas las razones anteriores,
108
guardado en el marco y leído en la memoria EMS a través de PCI [4], mejor es la calidad de 2.4 Posición y ángulo de la cámara infrarroja
las imágenes de entrada, mejores condiciones tiene el algoritmo de reconocimiento de
El posicionamiento de la cámara es una consideración importante para un
matrículas [1].
funcionamiento satisfactorio. Monte la cámara de tal manera que se capture una
Computadora: La computadora se usa para el software ALPR y el almacenamiento de datos, las imagen ideal de la placa cuando la placa esté en el centro de la imagen grabada. El
imágenes del vehículo capturadas por el módulo de software de captura a través del capturador de ángulo de visión vertical máximo de una cámara utilizada para ALPR es de 30
fotogramas y la cámara infrarroja se usarán para el software ALPR. Los resultados del grados, y el ángulo de visión horizontal máximo es de 25 grados. En la mayoría de
reconocimiento son placas de matrícula y otra información (fecha, hora, número de carril, categoría, los sistemas, el ángulo horizontal está entre 15 y 20 grados [28]. En el carril único,
etc.), esta información se almacenará en el disco de hardware de esta computadora para el cálculo probablemente la mejor posición es para una cámara e iluminador en un bolardo de
de la tarifa de ETC de una parada y ETC de una parada. Estas imágenes de vehículos, matrículas 1 m de altura directamente en el vehículo que se aproxima [27].
y otros datos se enviarán al servidor central en el Edificio Central del sistema ETC para su posterior
procesamiento.
3. SOFTWARE ALPR
2.2 Flujo de información Este documento propuso un sistema mejorado de reconocimiento automático de
El flujo de información en nuestro sistema ALPR podría describirse como en la matrículas (ALPR) para todos los tipos de matrículas de Vietnam (LP), que incluía tres
B ((cama
AB UNA (( y desayuno
) (2)
En tercer lugar, utilizamos la resta de imágenes en una imagen en escala de grises. El operador de
2.3 Cámaras infrarrojas y lentes. sustracción de píxeles toma dos imágenes ya que las imágenes de entrada y salida que tienen
Por lo general, existen limitaciones físicas en lo que respecta a las placas o valores de píxeles son de la primera imagen es la Fig. 4 (c) menos los valores de píxeles
cámaras, lo que podría afectar el resultado de un sistema supuestamente correspondientes de la segunda imagen es la Fig. 4 (b) como la ecuación. (3)
automatizado. La pintura, el óxido o el marco de una placa pueden interferir fxy fxy son de entrada, gxy(,)
se emite, el resultado es la Fig. 4 (d).
1 (,) 2(,)
fácilmente con el proceso de reconocimiento, por lo que deben tenerse en
cuenta durante la fase de diseño, elegir cámaras adecuadas y colocarlas
gxy , F xy, F
2
xy, (3)
correctamente parece ser igualmente importante, elegir cámaras adecuadas 1
y colocarlas correctamente parecen ser igualmente importantes [28]. En el Luego, convertimos a imagen binaria usando el método Otsu por la ecuación. (4) T es un
ETC sin parar, el tiempo de obturación debe establecerse en corto al umbral global que se define mediante el método de Otsu, que calcula un umbral global
detectar vehículos en movimiento, debemos asegurarnos de que el utilizado para convertir una imagen de intensidad en una imagen binaria, que elige el umbral
procesamiento se realice dentro de este marco de tiempo para poder para minimizar la varianza intraclase de los píxeles en blanco y negro, el resultado es la Fig.
capturar cada automóvil en tiempo real, la cámara también debe instalarse 4 (e) .
en el camino para capturar cuadros de video en el momento correcto. Para
evitar la sobreexposición, utilizamos una cámara con funcionalidad dinámica 1 si xy , T
amplia [28]. gxy , (4)
00 de otra manera
Ubicación del candidato a la matrícula: En primer lugar, utilizamos la detección de bordes con el
operador Canny, el borde de la unidad normal dado por
R (x) RnRxnx
() R (((()))) ) ((() () ) . Este método es buscar máximos en el
109
derivada de imagen direccional en la dirección () nx()
norte( . Buscar Figura 4. imagen RGB de origen, b) imagen en escala de grises, c) imagen de
apertura de morfología, d) imagen sustraída, e) imagen binaria, f) borde detectado por el
máximos locales de magnitud de gradiente () Sx ) ()x )(( en la dirección
R (()
método de Canny, g) imagen de cierre de morfología, h) apertura de morfología para
borde normal a local, nx() , suprimiendo todas las respuestas excepto
norte(
eliminar ruidos, i ) imagen dilatada, k) candidato a la placa de matrícula, l) ángulo de la
máximo local, el resultado es la Fig. 4 (f). En segundo lugar, utilizamos la operación de cierre placa de matrícula, m) imagen después de girar, n) después de cortar exactamente la
para fusionar estructuras en una imagen binaria, el cierre de A por B se obtiene por la región LP.
dilatación de A por B, seguido de la erosión de la estructura resultante por B como Eq. (5),
donde y denotar 3.2 Segmentación de caracteres
erosión y dilatación, la imagen de salida es la Fig. 4 (g) Tarea de preprocesamiento: Cuantización en la imagen gris en la Fig. 4 (n), una imagen
en blanco y negro determinada por un umbral adaptativo, obtuvimos la Fig. 5 (a).
ABABB
B (( (( ) (5) Luego, la imagen se redimensiona en el parámetro 50x150 píxeles para LP de una fila
En tercer lugar, utilizamos la operación de apertura para eliminar ruidos en la imagen binaria, su
y 100x100 píxeles para LP de dos filas, obtuvimos la Fig. 5 (b). Determinar los
área de píxeles en la imagen binaria que todos los componentes conectados tienen menos de [7
contornos horizontales LP calculando la suma de las líneas en la Fig. 5 (b), y en el
25] píxeles para eliminar todas las regiones (ruidos) que no son candidatos LP, la imagen de
complemento de la imagen, 0 se convierte en 1 y 1 en 0, se invierte el blanco y negro.
salida es Fig. 4 (h). Luego, utilizamos la operación de dilatación para aumentar los objetos en las
Cada píxel se resta del valor máximo de píxel y la diferencia se usa como el valor de
imágenes binarias, las posiciones donde cabe un elemento de estructura dado. La dilatación de A
píxel en la imagen de salida, obtuvimos la Fig. 5 (c). Usando la apertura de la
por el elemento estructurante B está definida por la ecuación (6). Enciende los píxeles que
morfología en la imagen binaria para eliminar todos los componentes conectados
estaban cerca de los píxeles que estaban originalmente, engrosando los elementos de la imagen,
(ruidos) de menos de 10 píxeles para LP de una fila y LP de dos filas, obtuvimos la Fig.
del LP de dos filas. Y luego, aplicamos un algoritmo de segmentación para cada línea en
Finalmente, arreglamos la región LP midiendo las propiedades de cada componente el LP de una fila y LP de dos filas por algoritmo de segmentación, que use un método
conectado, los campos de la matriz de estructura denotan diferentes propiedades para cada llamado "pico- a-
región. Seleccionando el LP de los candidatos por área elegida que es la región más valle "en la imagen binaria para segmentar caracteres en cada La línea de la zona de LP,
profunda en el cuadro que tiene propiedades del área LP, luego encuentre un conjunto de caracteres y números de Vietnam se detecta utilizando la función pico a valle como la ecuación.
coordenadas de la región LP, el resultado es la Fig. 4 (k). (9)
Vl pags
2* VxVr () 1pags
Ubicación exacta de la matrícula: En primer lugar, encontramos el ángulo y giramos LP aplicando la Vp (9)
() X
Se puede pensar que un conjunto de ángulos calcula la proyección de la imagen a lo largo de los
donde, Vp ( X) es la función de proyección vertical en la ubicación x actual, l pags es la posición
ángulos dados , el resultado es una nueva imagen R
(,)
máxima en el lado izquierdo de x, r pags es la posición máxima en el lado derecho de x.
con líneas en la Fig. 4 (l). Buscamos cambios entre picos y valles, y luego contamos el número de píxeles negros por
columna en la proyección. Después de la segmentación, tenemos resultados como la Fig.5.
X * cos y * pecado( ) (7)
110
Red de formación: Utilizaremos dos redes para el entrenamiento de letras y vkqj ( 1) vkqj () ()kxk () (19)
nq j
números con ruidos, en cada red ajustaremos los pesos de cada unidad de tal
dónde, , q 1, 2, ... l, j 1, 2, ... metro
manera que se reduzca el error entre la salida deseada y la salida real,
calculamos la derivada de error de los pesos . En otras palabras, debe calcular norte
nq
()k oi
()k W k iq
() a netq k ()
cómo cambia el error a medida que aumenta o disminuye ligeramente cada yo 1
y
X yo oi
()k W k iq
() y nq 1 y nq (20)
yo 1
salida deseada D, m capas de entrada (m = 200), l capas ocultas fueron dónde, yo 1, 2, ... norte
j
elegido por conjeturas y experiencia (l = 10), n capas de salida (n = 15 para el reconocimiento de Paso 5: Si la E <E max luego finalice, si damos k = 1 y E = 0 y regresamos el paso 1.
letras, n = 10 para el reconocimiento de números).
Crearemos una red que pueda manejar vectores de entrada ruidosos, por lo que la red primero se
Paso 1: Leer el vector de entrada X (yoletras y números), todas las muestras son
entrenó en vectores de entrada y luego la red se entrenó en entradas ruidosas. Después de
(10x20) píxeles y grabados en una matriz de dos dimensiones [10 20]. Borre todos los
completar el entrenamiento utilizando la propagación hacia atrás con 932 épocas o hasta que el error
valores anteriores y luego inicialice los vectores de pesos
de suma cuadrática de la red caiga por debajo de 0.001 (10- 3) tenemos el rendimiento del
W qj W sesgos,
iq tasa de aprendizaje , error max max mi , k = 1 y E = 0. entrenamiento de la red neuronal como en la Fig. 6 (a).
Paso 2: Calculando la salida real de la red desde la señal de entrada de la capa oculta (Eq.10), la
señal de salida de la capa oculta (Eq.11), la señal de entrada de la capa de salida (Eq.12), Prueba de red: En la prueba de la red MLP, la confiabilidad del sistema de
finalmente tenemos la señal de salida de la capa de salida es Eq .13 reconocimiento de caracteres y números de la red neuronal se mide probando la
red con cientos de vectores de entrada con cantidades variables de ruidos. La
prueba de la red a varios niveles de ruido, ruido con una media de 0 y una
metro
desviación estándar de 0 a 1 se agrega a los vectores de entrada. La salida de la
netq v qj X (10)
1
jj
red MLP se pasa a través de la función de transferencia competitiva de modo
netq netq que solo una de las 15 salidas (que representan los caracteres) tiene un valor de
z qa netq( ) (1 mi ) (1 mi ) (11)
1. La línea continua en el gráfico de la Fig. 6 (b) muestra el fiabilidad para la red
l entrenada con y sin ruido. La fiabilidad de la misma red cuando solo se había
neti wziq qq (12)
1 entrenado sin ruido se muestra con una línea discontinua en la Fig. 6 (b).
neti neti
y
yo
un( neti ) (1 mi ) (1 mi ) (13)
Paso 3: Cálculo de errores al cuadrado según la ecuación 14
1 norte
2
Usando la red: Después del entrenamiento y las pruebas, utilizaremos dos redes entrenadas
Ew
() ( re y yo ) (14)
1
yo
para reconocer todos los personajes y números de Vietnam LP. Antes de colocar caracteres
2
yo
( re y ) * ( un neti ) zq
0 en todas partes como. Para el reconocimiento de números, el objetivo
yo yo
vectores definidos con una variable llamada objetivo, cada vector objetivo es un vector
y l
de 10 elementos con un 1 en la posición del número
dónde, mi
( re y yo ) , yo
una
( wziq qq ) ,
neti representa, 0 en todas partes, obtuvimos resultados como en
yo
y 1
yo
Calculamos los valores de los pesos entre la capa oculta y las capas de salida se actualizan
W iqk ( 1) W iqk () oi
()k zkq () (17)
oi
()k dkyo() ykyo() yka
yo
() neti k ()
Los valores de los pesos entre la capa de entrada y las capas ocultas se actualizan mediante la
Figura 6. (a) rendimiento de entrenamiento de la red MLP, (b) prueba de caracteres
ecuación (19) y
nq k()es error de salida de la capa oculta será entrenados en la red, (c) resultados para una fila
calcular de acuerdo con la ecuación (20). Vietnam LP, (d) resultados para dos filas de Vietnam LP.
111
En el módulo de reconocimiento de caracteres: para el trabajo de entrenamiento, hemos
3.4 gestión de bases de datos ALPR
utilizado dos redes para el entrenamiento de caracteres y números con ruidos, por lo que el
La base de datos ALPR será almacenada y administrada en la computadora por una base de
tiempo de cálculo y la precisión mejoraron. Al utilizar el trabajo en red, hemos utilizado la
datos local de Microsoft Office Access. Los resultados del reconocimiento son placas de
tecnología de procesamiento de imágenes para el preprocesamiento para obtener una alta
matrícula y otra información (fecha, hora, número de carril, categorías, etc.) se almacenará y
calidad de caracteres y números antes de ponerlos en la red capacitada, por lo que la tasa de
ya proporcionará el cálculo de la tarifa de ETC de una parada y ETC de una parada. Una HMI
precisión del sistema es más alta que algunos métodos anteriores, podemos ver en Tabla 1.
de software debería ser capaz de proporcionar una transmisión para monitorear el vehículo
que pasa, examinar la base de datos, consultar cualquier vehículo y personalizar la
configuración del sistema y almacenar datos que permitan un análisis de datos más avanzado
y compartirlos en el servidor central para un mayor procesamiento de sistema general de En la Tabla 2, tenemos resultados para la prueba del sistema ALPR general,
ETC. vemos que la precisión promedio del sistema ALPR general es muy alta.
Implementamos el experimento con PC Intel (R) Core (TM) 2 Duo CPU T7250 @
Tasa de Tasa de Tasa de precisión (%)
Promedio
2.00GHz, RAM 1.00 GB, versión de Windows Vista Imagen
Tipo de LP corrección error e tasa
6.1 (Build 7600) Sistema operativo de 32 bits y versión MATLAB total
(%)
7.8.0.347 (R2009a). Probamos 700 imágenes de vehículos de Vietnam (400 tipos de una
LP de una fila 700 683 17 97,57
fila, 300 tipos de dos filas), que se obtuvieron del sistema real, estas imágenes de 97,43
LP de dos hileras 700 681 19 97,28%
vehículos tienen un fondo muy diferente, como iluminación, ángulos de licencia, tamaño y
En la Tabla 3, hemos comparado los resultados de nuestro método propuesto con los métodos
tipo, dimensiones de la cámara a los vehículos , colores,
anteriores, vemos que la tasa de precisión de nuestro método es más alta que la mayoría de
condiciones de luz en Vietnam
los trabajos anteriores y se mejora el tiempo de cálculo de nuestro método. Pero estas
entorno, estas imágenes de vehículos son imágenes de color verdadero RGB y en dos
comparaciones son solo para referencias, debido a que nuestro método y los métodos
formatos (800x600 píxeles y 768x288 píxeles). En el módulo de ubicación de la placa de
anteriores no se evalúan en las mismas condiciones e imágenes de datos.
matrícula, la mayoría de los métodos anteriores tienen algunos casos restringidos:
incertidumbre de los bordes, varios tipos de placa, imágenes con baja o alta iluminación,
colores, luz solar y luz nocturna. Pero estas limitaciones fueron resueltas por nuestro método Tabla 3. Resultados de comparación de Nuestro método con algunos Anterior
propuesto, debido a razones tales como. La primera razón - Hemos utilizado la operación de Métodos
sustracción en la imagen en escala de grises para obtener una mejor imagen con nuevos
Imagen Tasa Tasa de error Promedio
valores de intensidad que satisfacen la binarización de la imagen, esta es la razón por la cual Métodos
total correcta tasa (%) Informática
tiempo (s)
nuestro método propuesto es muy eficiente para imágenes de fondo complejas, imágenes de
Nuestro metodo 700 682 18 años 97,43% 0,25
día y de noche y diferentes iluminaciones. La segunda razon - Hemos elegido los buenos
Árbitro. [4] No No No 90-97 0.1 - 1,5
valores de elementos estructurantes (SE = 25) en el paso de apertura morfológica y el valor de
Árbitro. [5] 1000 965 35 96.50 No
los componentes conectados [7 25] píxeles para eliminar todas las regiones (ruidos) que no
Árbitro. [6] 351 344 77 98,00 No
son candidatos para matrículas. La tercera razon - Hemos elegido los buenos valores en la
Árbitro. [7] 1334 1307 26 86.00 No
fijación del paso de la región LP, valores satisfechos para las dimensiones de Vietnam LP.
Árbitro. [8] 795 738 57 92.85 No
Vemos que la tasa de precisión de nuestro método es muy alta, como la Tabla 1.
Árbitro. [9] 141 128 13 91,00 No
Árbitro. [11] No No No 98,00 0,5
Árbitro. [15] 306 268 38 87,44 No
Árbitro. [17] No No No 97,00 <3,0
Árbitro. [19] 9026 8731 295 96,73 0.284
Tabla 1. Resultados de la tarea de ubicación de LP, tarea de segmentación de LP, Árbitro. [20] 387 379 18 años 98,00 No
Tarea de reconocimiento de LP La Fig. 7 y la Fig. 8 muestran algunos ejemplos de resultados de experimentos de nuestro sistema
ALPR. Vemos que, nuestro método está muy satisfecho con las imágenes de vehículos de
Segmentación Reconocimiento
LP Location Vietnam, que se obtuvieron del sistema real, estas imágenes de vehículos tienen un fondo muy
LP LP
diferente, como iluminación, ángulos de licencia, ángulo de LP, tamaño y tipo, dimensiones de la
Una fila dos
cámara a los vehículos, colores , condiciones de luz en el ambiente de Vietnam. Estas imágenes
fila uno fila dos fila uno fila dos fila
de vehículos son imágenes de color verdadero RGB y en dos formatos (800x600 píxeles y
Imagen 400 300 400 300 400 300
768x288 píxeles). La Fig. 7 muestra algunos resultados de una imagen de Vietnam LP de una fila
Tasa de precisión
97.25 97.00 98.75 97.67 97.50 97.00 y la Fig. 8 muestra algunos resultados de una imagen de LP Vietnam de dos filas.
(%)
Tasa promedio
97,13 98,21 97,25
(%)
En el módulo de segmentación, la mayoría de los métodos anteriores solo se aplicaban para
el LP de una fila. En este documento, hemos propuesto un método mejorado para segmentar
caracteres y números en tipos de LP de una o dos filas de Vietnam LP basado en el método
de pico a valle y parámetros estadísticos de caracteres y dígitos. Y el preprocesamiento
combinado para mejorar la calidad de la imagen y eliminar el ruido, nuestro enfoque podría
aplicarse tanto para el tipo de LP de Vietnam como para el de una y dos filas, y las tasas de
precisión de nuestro método son muy altas, como la Tabla 1.
112
Figura 8. Algunos resultados de dos filas de Vietnam LP
5. CONCLUSIONES
En este documento, propusimos un método para diseñar un sistema ALPR, que aplicó para
el Sistema de Cobro de Peaje de una parada y sin paradas en Vietnam. Nuestro sistema
ALPR consta de dos partes principales: la primera parte es el sistema de hardware y la
segunda parte es el software. En la primera parte, el precio, los tipos de equipos y la
tecnología considerados para el diseño que satisface el medio ambiente de Vietnam, la
regulación de Vietnam en las reglas de precios de carreteras y el estándar de ETC de
Vietnam. En la segunda parte, combinamos tecnología de procesamiento de imágenes
digitales y red neuronal artificial, nuestro software incluye cuatro módulos: captura de
imágenes, ubicación de matrículas, segmentación de caracteres y reconocimiento de
caracteres. Probamos nuestro software ALPR con 700 imágenes de vehículos de Vietnam,
que se obtuvieron del sistema real y el fondo complejo: condiciones de iluminación (noche y
día), ángulos de licencia, iluminación, tamaño y tipo, colores y luz reflejada. Nuestro
software ALPR es más efectivo que algunos métodos existentes, el tiempo de computación
y la precisión se mejoran y están muy satisfechos para todos los tipos de entornos de
Vietnam LP y Vietnam. Nuestro ALPR podría usarse para ETC de una parada y sin parar en
Vietnam. Pero en el trabajo futuro, todavía estamos investigando para mejorar nuestro
algoritmo para hacer que nuestro sistema ALPR sea más rápido y más preciso e
Figura. 7. Algunos resultados para una fila de Vietnam LP implementaremos nuestro sistema ALPR probado en el ETC de una parada y el ETC de una
parada en Vietnam.
6. AGRADECIMIENTOS
Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (Nº de
serie 60970061, 61075056) y los Fondos Fundamentales de Investigación para las
Universidades Centrales.
7. REFERENCIAS
[1] Lawrence AK, Milton KM, David RP 2006. Tráfico
Manual del detector. Servicio de Información Técnica y Centro de
Distribución de Productos de Investigación y Tecnología. [2] Elena, L., Mimbela,
Y. 2000. Un resumen del vehículo
Tecnologías de detección y vigilancia utilizadas en sistemas inteligentes de
transporte, The Vehicle Detector Clearinghouse, México.
113
en autopistas. Procedimientos de el 17 internacional [17] Wenjie, H. 2010. Matrícula automática del vehículo
Conferencia sobre reconocimiento de patrones, 356-359. [7] Anagnostopoulos, Sistema de reconocimiento utilizado en el cobro de peaje de Expressway.
CN, Anagnostopoulos, I., Loumos, V., Procesamiento de la 3a Conferencia Internacional de IEEE sobre Informática y
Kayafas, E. 2006. Algoritmo de reconocimiento de matrículas para aplicaciones Tecnología de la Información, 159-162. [18] Zhang, KS, Tang, W., Wei, HB, Shi,
del Sistema de Transporte Inteligente. IEEE Trans. Intel.Trans.Systems. 7, 3, RY 2010. Estudio sobre
377-392. El sistema de identificación de matrículas de automóviles basado en un sistema
informático embebido. Procesamiento de 2do
[8] Tran, DD, Tran, LHD, Tran, VP, Nguyen, VH 2005.
Conferencia internacional sobre tecnología educativa e informática,
Construcción de un sistema automático de reconocimiento de matrículas de
146-149.
vehículos. Actas de la 3ª Conferencia Internacional de Informática, 59-63.
[19] Wen, Y., Lu, Y., Yan, JQ, Zhou, ZY, Karen, M., Deneen,
V., Shi, PF 2011. Algoritmo para el reconocimiento de matrículas
[9] Alegria, F. y Girao, PS 2006. Reconocimiento de placa de vehículo
para control de tráfico inalámbrico y sistema de aplicación de la ley. Procesamiento de aplicado al sistema de transporte inteligente. IEEE Trans.
la Conferencia Internacional de IEEE sobre Tecnología Industrial, 1800-1804. Intel.Trans.Systems. 12, 3, 830-845. [20] Hsu, GS, Alexandra, P., Chen,
JC, Yeh, F., Chen, MH
2011. Reconocimiento de matrículas para categorizado
[10] Mitchell, M., Hudnall, M., Brown, D., Cordes, D. 2007. A
Aplicaciones. Procesamiento de la Conferencia Internacional IEEE sobre
Arquitectura del host para el reconocimiento de matrículas de automóviles.
Procesamiento de IEEE Intelligence and Security Informática, 87-94. Electrónica y Seguridad Vehicular, 220-225. [21] Ranjan, KR, Sinha, A. 2011.
Vehículo automático
Sistema de registro de peajes. Procesamiento de la 2da Conferencia
[11] Yang, HW, Xu, LC, Shi, L. 2007. Diseño y
Implementación del Sistema de Reconocimiento de Matrículas. Internacional sobre Comunicación Inalámbrica, Tecnología Vehicular, Teoría
Procesamiento del primer simposio internacional IEEE sobre tecnologías de de la Información y Tecnología de Sistemas Electrónicos y Aeroespaciales,
la información y aplicaciones en educación, 602-605. 1-3. [22] Mohammed, MM, Khan, IM, Khalifa, OO 2011. Vehículo.
Internacional sobre Ingeniería Eléctrica e Informática Institut Teknologi VRA. 2008. Autopista de peaje - Especificación para el
Bandung, 657-659. [13] Li, B., Zeng, ZY, Zhou, JZ 2008. Algoritmo para
Estación superior única con recibos de códigos de barras, Dirección de carretera de
Sistema de reconocimiento de matrículas para estaciones de peaje sin parar. Vietnam TCCS 01 estándar. [24] Reconocimiento adaptativo ARH Hungría: Áreas de
114