Construyendo un Sistema de Reconocimiento de Matrículas
para Vietnam TollBooth
Vinh Du Mai 1,2
2 Departamento Eléctrico y Electrónico Universidad de
Transporte y Comunicaciones
Hanoi, Vietnam
(+84) 9339772773, (+86) 13681639973
maivinhdu@yahoo.com
RESUMEN
El sistema de reconocimiento automático de matrículas (ALPR) tiene una amplia
aplicación y es muy importante en el inteligente
Sistema de transporte (ITS) como el sistema de cobro electrónico de peaje (ETC). El
propósito de este documento es diseñar un sistema de Reconocimiento Automático de
Matrículas (ALPR), que se aplicará para ETC 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 sistema de software. En la primera parte, el
precio, los tipos de equipos y la tecnología se considerarán 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,
combinaremos la tecnología de procesamiento de imágenes y la red neuronal artificial
para proponer un sistema de software mejorado, nuestro software incluye cuatro
módulos:
captura de imagen, ubicación de la matrícula, personajes
segmentación y reconocimiento de personajes. Nuestro software ALPR será probado por
700 imágenes de vehículos de Vietnam, que se obtienen 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 de los métodos existentes anteriormente, la eficiencia del tiempo y la precisión
de la computación se mejora y queda muy satisfecha para todos los tipos de entornos de
Vietnam LP y Vietnam.
Descriptores de Sujeto y Categorias
B.0 [ Harware]: General; I.4.6 [ Procesamiento de imagen y
Visión por computador]: Segmentación - detección de bordes; I.4.7 [ Procesamiento de imagen y
visión por computadora]: Medición de características - tamaño y forma, proyecciones, textura; I.4.10
[ Procesamiento de imagen y visión por computadora]:
Representación de imagen - morfológico
estadístico; I.5.1 [ Reconocimiento de patrones]: Modelos - redes neuronales;
I.5.4 [ Reconocimiento de patrones]: Aplicaciones - procesamiento de texto
Términos generales
Diseño, algoritmos, rendimiento, experimentación.
Palabras clave
reconocimiento automático de matrículas, red neuronal artificial, cobro electrónico de
peajes, sistema de transporte inteligente.
El permiso para hacer copias digitales o impresas de todo o parte de este trabajo para uso
personal o en el aula se otorga sin cargo, siempre que las copias no se hagan o distribuyan con
fines de lucro o ventaja comercial y que las copias lleven este aviso y la cita completa en la
primera página . Copiar de otro modo, o volver a publicar, publicar en servidores o redistribuir en
listas, requiere un permiso específico previo y / o una tarifa.
SoICT 2012, 23 de agosto - 24, 2012, Ha Long, Vietnam. Copyright 2012
ACM 978-1-4503-1232-5 / 12/08 ... $ 10.00.
Duoqian Miao 1, Ruizhi Wang 1
1 Departamento de Informática y Tecnología
Universidad de Tongji, Shanghai 201804, China
(+86) 18621877898
miaoduoqian@163.com ,
ruizhi.ann.wang@gmail.com
1. INTRODUCCIÓN
El sistema ALPR es un tema de investigación muy importante y popular del
campo ITS, que es muy importante para el desarrollo de la infraestructura de
transporte en el mundo. Los sistemas prototipo de ALPR estaban funcionando
en 1979, y se otorgaron contratos para producir sistemas industriales, primero
en electrónica EMI y luego en sistemas de reconocimiento informático en
Wokingham. Sistemas de prueba temprana implementados en el túnel Dartford,
Reino Unido. El primer sistema detectó un automóvil robado en 1981. Desde el
período inicial de los 80, muchos países han comenzado a desarrollar el sistema
ALPR [26]. El sistema ALPR tiene una amplia aplicación en ITS tales como:
Sistema de cobro electrónico de peajes (ETC) [13,17,21], Sistema de
estacionamiento [3,5,11,22], Sistema de notificación de vehículos de
emergencia, Sistema automático de aplicación de la carretera [9 , 20], Sistemas
de información al viajero [14,15], Sistemas de transporte público,
Desafortunadamente, la mayoría de estos sistemas ALPR no pudieron
aplicarse a todos los países del mundo, debido a que la mayoría de los
investigadores anteriores utilizaron varias fuentes de imagen, entorno,
calidad de las imágenes y los parámetros (como el tamaño, la resolución de
las imágenes, la distancia desde cámara a vehículo, ángulo de la matrícula
del vehículo, etc.) de las imágenes no son las mismas. Por lo tanto, es muy
difícil solicitar la imagen de todos los países, todos los entornos y todos los
vehículos. En los países en desarrollo como Vietnam, donde es un país en
desarrollo que ha comenzado a desarrollar y aplicar el STI. En los primeros
tiempos, el sistema ETC se ha implementado en algunas de las carreteras y
autopistas nacionales de Vietnam. Por lo tanto, necesitamos investigar y
desarrollar el sistema ALPR para todos los tipos de LP de Vietnam, que
cumple con las regulaciones, la gestión y el medio ambiente en Vietnam, y
podría aplicarse en un sistema ETC de una parada y sin paradas en
Vietnam. Existen algunas tecnologías aplicadas en el software ALPR
anterior, tales como: histograma, detección de bordes, proyecciones
verticales y horizontales y red neuronal de perceptrón multicapa [5], bordes
verticales y horizontales, corrección de sesgo, características estadísticas,
recuentos direccionales de contorno, recuentos cruzados y periféricos áreas
de fondo [6]. Y ventanas concéntricas deslizantes, análisis de región de
interés y red neuronal [7], algoritmo de transformación y contorno de hough,
proyección horizontal y vertical y modelo de markov oculto [8], algoritmo de
niblack, transformaciones de hough [9], detección de bordes, proyección
vertical y plantilla coincidencia [11], proyección horizontal, proyecciones
horizontal y vertical, red neuronal perceptrón multicapa [12]. Y la morfología
matemática,
107
detección de bordes, clasificador jerárquico [19], análisis de componentes conectados
[21]. Pero, la mayoría de estos métodos funcionan bajo condiciones controladas, sus
datos de imagen no se recopilaron en Vietnam, por lo que no pudieron solicitar las
placas de Vietnam. Para hacer frente a estas limitaciones, hemos considerado
lo especifico
características de Vietnam LP y el entorno de Vietnam para proponer un sistema ALPR
mejorado, que satisface todos los tipos de entornos de Vietnam LP y Vietnam, nuestro
sistema ALPR tiene las principales contribuciones de la siguiente manera:
Sistema de hardware: Hemos propuesto una arquitectura de hardware del
sistema ALPR para ETC de una parada y ETC sin paradas en Vietnam, que
cumplió con el estándar del sistema de cobro de peaje de Vietnam [23], y
también consideramos el costo de los equipos, la calidad de equipos,
popularidad de equipos y fácil mantenimiento del sistema.
Software ALPR: hemos considerado las características específicas de
Vietnam LP como: tipos, tamaños, letras y números y ángulos de LP para
proponer un software ALPR, que satisfaga a todos
tipos de Vietnam LP y Vietnam
medio ambiente. En la ubicación de la matrícula, hemos utilizado una nueva idea para
mejorar la calidad de la base de la imagen en la operación de sustracción de la imagen
en escala de grises, de acuerdo con las características específicas de Vietnam LP,
hemos elegido los parámetros apropiados para eliminar los ruidos y el corte de LP
región. En la segmentación de caracteres, hemos propuesto un método simple para
cortar dos líneas separadas en el LP de dos filas. Y en el reconocimiento de
caracteres, hemos utilizado dos redes MLP para letras y números, así como
preprocesamiento para obtener letras y números de alta calidad en el uso de la red.
Por lo tanto, se mejora el tiempo de computación y la precisión.
El resto del documento está organizado de la siguiente manera: la sección 2 es el sistema de
hardware, la sección 3 es el software ALPR, la sección 4 son los resultados experimentales, la
sección 5 son las conclusiones, la sección 6 son los agradecimientos y la última son las referencias.
2. SISTEMA DE HARDWARE
2.1 Arquitectura de hardware
En este documento, propusimos una arquitectura de hardware del sistema ALPR para ETC de
una parada y ETC sin paradas en Vietnam, que cumplió con el estándar del sistema de cobro
de peaje de Vietnam [23], nuestro sistema ALPR consta de cuatro módulos: detectores de
vehículos ( cortina de luz y bucles de inducción), controladores, cámara infrarroja y
capturadores de fotogramas (tarjeta de adquisición de imágenes), computadora como la Fig.1.
Figura 1. Arquitectura del sistema de hardware del método propuesto
Al diseñar la arquitectura de hardware para el sistema ALPR, debemos considerar algunos
problemas principales, como el costo de los equipos, la calidad de los equipos, la popularidad de
los equipos y el fácil mantenimiento del sistema. En este documento, hemos considerado los
problemas anteriores para seleccionar equipos para nuestro sistema ALPR, los equipos en
nuestro sistema ALPR de la siguiente manera:
Cortina de luz: Utilizamos una cortina de luz para detectar el paso de vehículos.
La cortina de luz es un par con un transmisor y un receptor, el transmisor proyecta
una serie de haces de luz infrarroja paralelos al receptor, que consta de varias
células fotoeléctricas, cuando un objeto rompe uno o más de los haces envía una
señal de parada al Unidad controladora. Elegimos este equipo debido a: medición
precisa [1], bajo precio, muy popular y fácil de mantener (no requiere cierre de
carril), pero la cortina de luz es sensible a fuertes lluvias, niebla densa [1] y
personas que pasan. Por lo tanto, hemos combinado la cortina de luz con el bucle
de inducción para rechazar esta debilidad.
Bucle de inducción: Bucle de inducción basado en el principio del cambio de inductancia
en una bobina cuyo campo electromagnético interrumpido por un objeto metálico. La
bobina está representada por bucles de cable especiales instalados en el pavimento de la
carretera. La unidad electrónica transmite energía a los bucles de cable a frecuencias
entre 10 kHz y 200 kHz, según el modelo [1]. La inductancia disminuida acciona el relé de
salida de la unidad electrónica o la salida ópticamente aislada de estado sólido, que envía
un pulso al controlador que indica la presencia de un vehículo [1]. Y el bucle de inducción
es muy sencillo de instalar y no es sensible a las inclemencias del tiempo, como la lluvia,
la niebla, y proporciona la mejor precisión para los datos de conteo en comparación con
otras técnicas comúnmente utilizadas [1]. Por lo tanto, hemos elegido el circuito de
inducción para la detección del vehículo en nuestro sistema ALPR.
Unidades controladoras: Hemos utilizado un controlador lógico programable (PLC) para
recibir y procesar las señales del relé de salida de la unidad electrónica de la cortina de
luz y el bucle de inducción. Debido a que el PLC es muy popular, fácil de mantener el
sistema, de bajo precio y muy estable en el entorno de la industria. Las señales del PLC
se enviarán a la computadora a través del estándar RS232.
Cámara infrarroja: Para obtener una mayor precisión de ALPR, la cámara debe proporcionar un nivel
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.
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
iluminación (como a través de iluminación IR o funcionalidad de amplia dinámica) [28] y la cámara
debe ser sensible a la parte infrarroja del espectro, al menos a 850 nanómetros y equipado con un
filtro para restringir la parte visible del espectro. La lente tendría un juego completamente abierto y la
velocidad de obturación a 1/1000 de segundo y una fuente de infrarrojos debe instalarse junto a la
cámara [27]. Por lo tanto, aprovechando las características retroreflectantes de las matrículas, la
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,
Capturador de fotogramas (tarjeta de adquisición de imágenes): Los capturadores de cuadros
eran la forma predominante de conectar las cámaras a la computadora, es un dispositivo electrónico
que captura cuadros fijos digitales individuales de una señal de video analógica o una transmisión de
video digital. Los cuadros de video capturados en forma digital y luego se muestran y almacenan
como imagen, y estas imágenes se utilizan para el software ALPR. Elegiremos capturador de cuadros
que generalmente puede almacenar múltiples cuadros y puede capturar imágenes a altas
velocidades de cuadro y resoluciones, la imagen digital RGB es
108
guardado en el marco y leído en la memoria EMS a través de PCI [4], mejor es la calidad de
las imágenes de entrada, mejores condiciones tiene el algoritmo de reconocimiento de
matrículas [1].
Computadora: La computadora se usa para el software ALPR y el almacenamiento de datos, las
imágenes del vehículo capturadas por el módulo de software de captura a través del capturador de
fotogramas y la cámara infrarroja se usarán para el software ALPR. Los resultados del
reconocimiento son placas de matrícula y otra información (fecha, hora, número de carril, categoría,
2.4 Posición y ángulo de la cámara infrarroja
El posicionamiento de la cámara es una consideración importante para un
funcionamiento satisfactorio. Monte la cámara de tal manera que se capture una
imagen ideal de la placa cuando la placa esté en el centro de la imagen grabada. El
ángulo de visión vertical máximo de una cámara utilizada para ALPR es de 30
grados, y el ángulo de visión horizontal máximo es de 25 grados. En la mayoría de
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

Figura. 2) módulos: ubicación de la matrícula (LPL), segmentación de caracteres y reconocimiento

de caracteres como la figura 3.

Figura 2. Flujo de información de nuestro sistema ALPR propuesto

Figura 3. El software ALPR del método propuesto
Cuando un vehículo llega a los carriles de la puerta de peaje, será detectado por la cortina de luz
y el bucle de inducción, estas señales de estos equipos se enviarán a la unidad controladora 1 y
3.1 Ubicación de la matrícula
a la unidad controladora 2 y luego se enviarán al PLC para su procesamiento, y luego envíe a la
Preprocesamiento: En primer lugar, la imagen RGB de origen en la Fig. 4 (a) se convierte en imagen
computadora a través del estándar RS322. Esta señal se utiliza como entrada para el software
en escala de grises formando una suma ponderada de R,
de captura de imágenes en la PC para capturar imágenes de vehículos desde la cámara
G, y componentes B como Eq.1, el resultado es la Fig. 4 (b). Y
infrarroja a través del capturador de cuadros. Estas imágenes se utilizan para que el software
ALPR reconozca la matrícula. Los resultados del reconocimiento son placas de matrícula y otra 0.2989 * R 0.5870 * G 0.1140 * B (1)
información (fecha, hora, número de carril, categoría, etc.) se almacenará en el disco de
En segundo lugar, usamos la apertura morfológica en la imagen en escala de grises, es la eficiencia
hardware de esta computadora para el cálculo de la tarifa de ETC de una parada y ETC sin
para el paso de sustracción de la imagen, con el elemento estructurante (SE = 25) de acuerdo con la
parar, y estas imágenes del vehículo, número la placa y otros datos se enviarán al servidor
ecuación. (2), el resultado es la Fig. 4 (c).
central para el procesamiento posterior del sistema ETC general

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.

el resultado es la Fig. 4 (i).

5 (d).

AB UNA cama y desayuno (6)

bb
Tarea de segmentación: En primer lugar, se aplica un método para segmentar dos líneas
BB
bb

Finalmente, arreglamos la región LP midiendo las propiedades de cada componente
conectado, los campos de la matriz de estructura denotan diferentes propiedades para cada
región. Seleccionando el LP de los candidatos por área elegida que es la región más
profunda en el cuadro que tiene propiedades del área LP, luego encuentre un conjunto de
coordenadas de la región LP, el resultado es la Fig. 4 (k).
del LP de dos filas. Y luego, aplicamos un algoritmo de segmentación para cada línea en
el LP de una fila y LP de dos filas por algoritmo de segmentación, que use un método
llamado "pico- a-
valle "en la imagen binaria para segmentar caracteres en cada La línea de la zona de LP,
caracteres y números de Vietnam se detecta utilizando la función pico a valle como la ecuación.
(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

transformación de radón en una imagen (,) fxy para una dada Vx

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)

R , fxy , xcos y sin dxdy (8)

En segundo lugar, rotamos LP por el método de interpolación especificado por interpolación

bilineal, después de rotar, obtuvimos la Fig. 4 (m). Por último, cortamos exactamente la región
LP al encontrar las coordenadas del rectángulo LP, luego tenemos el vector de posición de
cuatro elementos [x min y min Figura 5. a) después de la cuantización, b) después de cambiar el tamaño, c) después
ancho alto], que especifica el tamaño y la posición del rectángulo de recorte, da como resultado la
de contornos horizontales e incompletos, d) después de eliminar ruidos,
Fig. 4 (n).
e) resultado de la segmentación de caracteres para una fila de Vietnam LP f) resultado de
la segmentación de caracteres para dos filas de
Vietnam LP.

3.3 Reconocimiento de caracteres

Propusimos un método mejorado, que utilizaba una red neuronal de perceptrón multicapa
(MLP) y un algoritmo de retropropagación para reconocer letras y números de Vietnam
LP. Los conjuntos de datos para el entrenamiento y las pruebas se obtienen de las
imágenes de Vietnam LP, que se obtuvieron en el sistema real, 10 números (0, 1, 2, 3, 4,
5, 6, 7, 8,
9) y 15 letras (F, H, K, L, M, N, P, R, S, T, U, V, X, Y, Z) de Vietnam LP para el entrenamiento
de la red MLP, como la tabla 2. Todas las letras y números fueron redimensionados en (10x20)
píxeles para entrenamiento. Utilizamos este tamaño para las muestras en la red de
entrenamiento, ya que con este tamaño hemos ahorrado el tiempo de cómputo para el
entrenamiento y el uso de la red, por lo que se mejora el tiempo de cómputo del reconocimiento
de caracteres.

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

peso, la red MLP entrenada con el vector de entrada norte

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

y números en la red capacitada, utilizaremos la tecnología de procesamiento de imágenes

Paso 4: Actualización de la matriz de pesaje de acuerdo con la ecuación 15, y luego basada en el
para el procesamiento previo para obtener una alta calidad de caracteres y números (dilate la
método de gradiente con la regla delta en la ecuación (16).
imagen suministrada utilizando un elemento estructurante cuyo ancho es de 2 píxeles). Para
W k( 1) W k() wkiq () (15) el reconocimiento de caracteres, los vectores objetivo definidos con una variable llamada
objetivo, cada vector objetivo es un vector de 15 elementos con un 1 en la posición del
mi mi
y yo neti
wkiq () ( ) carácter que representa, y
w y neti w iq
iq yo (dieciséis)

( 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

Fig. 6 (c, d).

neti
zw
q
.
iq

Calculamos los valores de los pesos entre la capa oculta y las capas de salida se actualizan

mediante la ecuación (17) y oi k

()es error de salida de
capa de salida, este error se calculará de acuerdo con la ecuación (18)

W iqk ( 1) W iqk () oi
()k zkq () (17)

dónde, q 1, 2, ... l, yo 1, 2, ... norte

oi
()k dkyo() ykyo() yka
yo
() neti k ()

dkyo() ykyo() ykyo() 1 ykyo() (18)

dónde, yo 1, 2, ... norte

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.

4. RESULTADOS DE LOS EXPERIMENTOS Tabla 2. Resultados de nuestro sistema general

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.

[3] Sirithinaphong, T., Chamnongthai, K. 1999. El reconocimiento

de matrícula de automóvil para sistema de estacionamiento automático. En
Procesamiento del Quinto Simposio Internacional sobre Procesamiento de
Señales y sus Aplicaciones, 455-457. [4] Yan, D., Ma, HQ, Liu, JL, Langang. 2001.
A High
Sistema de reconocimiento de matrículas de rendimiento basado en la
técnica web. En Procesamiento de 2001 IEEE
Conferencia de Sistemas Inteligentes de Transporte, 325-329. [5] Ahmedl,

AT, Hamadl, D., Tilmant, G. 2003. Vehicule

placa de reconocimiento de lisense en aplicaciones de marketing En
Procesamiento del simposio de vehículos inteligentes IEEE, 90-94. [6] Lee, HJ,
Chen, SY, Wang, SZ 2004. Extracción y
Reconocimiento de matrículas de motocicletas y vehículos

113
 en autopistas. Procedimientos de el 17 internacional
Conferencia sobre reconocimiento de patrones, 356-359. [7] Anagnostopoulos,
CN, Anagnostopoulos, I., Loumos, V.,
Kayafas, E. 2006. Algoritmo de reconocimiento de matrículas para aplicaciones
del Sistema de Transporte Inteligente. IEEE Trans. Intel.Trans.Systems. 7, 3,
377-392.
[8] Tran, DD, Tran, LHD, Tran, VP, Nguyen, VH 2005.
Construcción de un sistema automático de reconocimiento de matrículas de
vehículos. Actas de la 3ª Conferencia Internacional de Informática, 59-63.
[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
la Conferencia Internacional de IEEE sobre Tecnología Industrial, 1800-1804.
[10] Mitchell, M., Hudnall, M., Brown, D., Cordes, D. 2007. A
Arquitectura del host para el reconocimiento de matrículas de automóviles.
Procesamiento de IEEE Intelligence and Security Informática, 87-94.
[11] Yang, HW, Xu, LC, Shi, L. 2007. Diseño y
Implementación del Sistema de Reconocimiento de Matrículas.
Procesamiento del primer simposio internacional IEEE sobre tecnologías de
la información y aplicaciones en educación, 602-605.
[12] Arya, F., Suwardi, IS 2007. Reconocimiento de matrículas
Sistema para vehículos indonesios. Actas de la Conferencia
Internacional sobre Ingeniería Eléctrica e Informática Institut Teknologi
Bandung, 657-659. [13] Li, B., Zeng, ZY, Zhou, JZ 2008. Algoritmo para
Sistema de reconocimiento de matrículas para estaciones de peaje sin parar.
Procesamiento de la Conferencia internacional sobre ocultación inteligente de
información y procesamiento de señales multimedia, 873-
876.
[14] Friedrich, M., Jehlicka, P., Schlaich, J. 2008. Automático
Reconocimiento de matrícula para la observancia del comportamiento de viaje.
Procesamiento de la 8ª Conferencia Internacional sobre Métodos de Encuesta en el
Transporte, 1-17.
[15] Yasin, AM, Karim, MR, Abdullah, AS 2009. Viajes
Medición del tiempo en tiempo real utilizando el reconocimiento automático de
matrículas para el medio ambiente de Malasia. J. East. Asi. Soci. Trans. Semental. 8,
1738-1751.
[16] Luo, XD, Mei, X. 2010. Diseño y realización de
Sistema de reconocimiento de matrículas integrado basado en DSP. Procesamiento de
la segunda conferencia internacional de 2010 sobre modelado y simulación por
computadora, 272-276.
[17] Wenjie, H. 2010. Matrícula automática del vehículo
Sistema de reconocimiento utilizado en el cobro de peaje de Expressway.
Procesamiento de la 3a Conferencia Internacional de IEEE sobre Informática y
Tecnología de la Información, 159-162. [18] Zhang, KS, Tang, W., Wei, HB, Shi,
RY 2010. Estudio sobre
El sistema de identificación de matrículas de automóviles basado en un sistema
informático embebido. Procesamiento de 2do
Conferencia internacional sobre tecnología educativa e informática,
146-149.
[19] Wen, Y., Lu, Y., Yan, JQ, Zhou, ZY, Karen, M., Deneen,
V., Shi, PF 2011. Algoritmo para el reconocimiento de matrículas
aplicado al sistema de transporte inteligente. IEEE Trans.
Intel.Trans.Systems. 12, 3, 830-845. [20] Hsu, GS, Alexandra, P., Chen,
JC, Yeh, F., Chen, MH
2011. Reconocimiento de matrículas para categorizado
Aplicaciones. Procesamiento de la Conferencia Internacional IEEE sobre
Electrónica y Seguridad Vehicular, 220-225. [21] Ranjan, KR, Sinha, A. 2011.
Vehículo automático
Sistema de registro de peajes. Procesamiento de la 2da Conferencia
Internacional sobre Comunicación Inalámbrica, Tecnología Vehicular, Teoría
de la Información y Tecnología de Sistemas Electrónicos y Aeroespaciales,
1-3. [22] Mohammed, MM, Khan, IM, Khalifa, OO 2011. Vehículo.
Sistemas de control y gestión de sujeción y estacionamiento alternativos.
Procesamiento de la 4ta Conferencia Internacional de Mecatrónica, 1-5. [23]
VRA. 2008. Autopista de peaje - Especificación para el
Estación superior única con recibos de códigos de barras, Dirección de carretera de
Vietnam TCCS 01 estándar. [24] Reconocimiento adaptativo ARH Hungría: Áreas de
aplicación de
Automático Número Plato Reconocimiento.
http://www.anpr.net/anpr_09/anpr_applicationareas.html. [25]
Reconocimiento adaptativo ARH Hungría: Matrícula
Reconocimiento Algoritmos y Tecnología.
http://www.platerecognition.info/1102.htm. [26]
Wikipedia: Automático número plato reconocimiento.
http://en.wikipedia.org/wiki/Automatic_number_plate_recog nition.
[27] Servicio de asesoramiento de CCTV: una introducción a ALPR.
http: //www.cctv-
information.co.uk/i/An_Introduction_to_ANPR. [28] Hsu, HD: Mantener la placa
bajo control. a & s international, 70-75,
2009. [en línea]. Disponible:
www.arhungaria.hu/cikkek/eng__prod_exploration.pdf
114