2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)
UN ENFOQUE EFICIENTE PARA LA PLACA DE
LICENCIA AUTOMÁTICA
SISTEMA DE RECONOCIMIENTO
B. Pechiammal 1
PG estudiante
Departamento de Informática e Ingeniería Departamento de Informática e Ingeniería
Jeppiaar Engineering College
priyabalu2193@gmail.com
Resumen - El reconocimiento automático de matrículas es un tipo de tecnología
de procesamiento de imágenes para reconocer la información de matrículas de
imágenes o videos. Las imágenes de placa observadas normalmente están en
baja resolución y sufren una pérdida severa de datos de borde, lo que arroja una
prueba increíble para los patrones de detección y reconocimiento de matrículas
de vehículos existentes. El proceso de reconocimiento automático de matrícula
requiere un alto nivel de precisión, cuando hay varios vehículos que van en un
lapso breve y la abstracción de la matrícula es una tarea difícil, básicamente
debido a la disposición de los números y al impacto del trabajo ambiental. Este
paso influye en la precisión de la separación de caracteres y el marco de
reconocimiento. Este artículo presenta un algoritmo para el reconocimiento
automático de
sistema de matrícula
utilizando varios enfoques. Reconocimiento automático de licencia
El método de placa consta de tres segmentos: segmentación de caracteres,
reconocimiento óptico de caracteres y coincidencia de plantillas. El marco propuesto
presenta el sistema automático de identificación de matrículas de vehículos que utiliza
una extracción de matrículas de vehículos. En este artículo se propone otra estrategia
que utiliza el filtrado de Gabor para el reconocimiento de caracteres en la imagen en
escala de grises. Los componentes están separados directamente de las imágenes de
personajes en escala de grises por filtros Gabor que están diseñados excepcionalmente
para datos medibles de estructuras de personajes. La coincidencia de plantillas es un
sistema que se explota para encontrar una subimagen de una imagen de destino que
coordina una imagen de plantilla. Experimente los resultados de resultados para
mostrar la superioridad de nuestro enfoque propuesto en cuanto a efectividad.
palabras clave - Reconocimiento automático de matrículas (ANPR),
reconocimiento automático de matrículas (ALPR), segmentación de caracteres,
matrícula del vehículo, coincidencia de plantillas, reconocimiento óptico de
caracteres (OCR).
YO. INTRODUCCIÓN
El sistema de reconocimiento automático de matrículas existe por un tiempo
prolongado, sin embargo, a finales de los 90
978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE
Dr.J.Arokia Renjith 2
Profesor
Jeppiaar Engineering College
arokiarenjith@gmail.com
transformado en una aplicación básica debido a la adición sustancial en el
conjunto de vehículos. Los datos eliminados de las etiquetas se utilizan en su
mayor parte para observar la actividad, controlar, detenerse, peajes en las
autopistas y hacer registros automáticos para detener los marcos, estimación
del tiempo de viaje y así adelante por las organizaciones de autorización de
ley. El problema del reconocimiento se subdivide en general en 5 secciones:
(1) adquisición de imágenes, es decir, capturar la imagen de la placa de
matrícula. (2) preprocesar la imagen, es decir, estandarización, alterar la
iluminación, la asimetría y la diferencia de la imagen (3 ) segmentación de
caracteres, es decir, encontrar y distinguir la imagen individual en la placa, (4)
reconocimiento óptico de caracteres. Puede haber más ajustes sobre estos
(como coordinar el número de permiso del vehículo con una base de datos
específica para rastrear vehículos especulados, etc.) sin embargo, la
estructura principal continúa como antes. Un parámetro de control de esa
manera son los estándares y medidores de movimiento particulares de la
nación. Esto afina el marco, es decir, la cantidad de caracteres en la etiqueta,
el nivel de luminancia del contenido (archivo relativo, es decir, contenido tenue
en la base clara o contenido ligero en la base opaca) y así sucesivamente.
Entonces, el problema puede ser limitado para su aplicación en una nación
específica. Por ejemplo, en la India, el estándar es imprimir los números de
etiqueta en sombreado oscuro sobre una base blanca para vehículos privados
y sobre una base amarilla para vehículos comerciales. La configuración
general de la etiqueta es dos letras (para el código de estado) seguidas por el
código local, luego un código de cuatro dígitos particular para un vehículo
específico. En los Estados Unidos no se han establecido reglas estrictas con
respecto a los estilos de texto que pueden ser explotados por este motivo. La
matrícula del vehículo es un ejemplo con altas variedades de contraste [1].
Este documento ofrece un resumen del trabajo de investigación realizado
hasta el momento y de los métodos utilizados en la construcción de un sistema
LPR. El trabajo está aislado en unas pocas secciones: adquisición de
imágenes, extracción de matrículas y placas de separación de caracteres y
etapas de reconocimiento de matrículas. [2]
Page 121
2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)
Adquisición de imágen: Esta etapa logra obtener una imagen mediante una
técnica de adquisición. En nuestro sistema propuesto, utilizamos una
cámara computarizada de alta o baja determinación y suficiente
fuente de luz para asegurar el
Foto de información.
Extracción de matrícula: Esta etapa elimina la localización de la intriga, es
decir, la etiqueta, de la imagen obtenida. El enfoque propuesto incluye
"Cubrir un distrito con alta o baja probabilidad de etiqueta y luego
examinar toda el área velada en busca de etiqueta.
Segmentación de caracteres de matrícula: La segmentación de matrícula,
a la que se alude de vez en cuando como Aislamiento de personajes,
toma el lugar de la intriga y se esfuerza por dividirla en caracteres
específicos. En el marco propuesto, la división se realiza en el segmento
OCR.
Reconocimiento óptico de caracteres: Existen numerosas estrategias
utilizadas para percibir personajes confinados. En el marco propuesto,
estamos utilizando el reconocimiento óptico de caracteres [2].
La etapa de extracción de matrícula es la etapa más vital en el marco
ANPR ya que todas las otras etapas dependen de la extracción del
rango de matrícula. La extracción de la matrícula es problemática y
afecta específicamente la exactitud de ANPR debido a que cada paso
adicional depende de la extracción precisa de la matrícula. Numerosos
problemas ocurren en medio de la identificación y extracción de la
matrícula ya que
la
razones que lo acompañan: -
1. La habilidad de la extracción está influenciada por la complejidad de la escena.
2. Diversos vehículos tienen placas situadas en varias posiciones.
3. El clamor puede ocurrir en medio de la captura de la cámara.
4. Condiciones climáticas a cargo del aterrizaje de conmoción.
5. La hora del día influye en la iluminación y, por lo tanto, entra en
problemas de diferencia.
6. Caracteres, bordes y tornillos indeseables presentan perplejidad.
7. La posición incorrecta de la cámara o la placa da como resultado una flexión que influye en
la efectividad de la extracción de la placa.
8. Brillo bajo o desigual, imagen oscurecida, imagen de entrada de baja
determinación, reflejo, sombra influyen en
efectividad de la extracción del territorio de la matrícula [3].
II OBRAS RELACIONADAS
978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE
Abbas M. Al-Ghaili, Syamsiah Mashohor, Abdul Rahman Ramli y Alyani
Ismail [4] propusieron una estrategia rápida para el descubrimiento de
etiquetas automáticas (CLPD) y presentan tres compromisos principales.
El compromiso principal era proponer un cálculo rápido de descubrimiento
de borde vertical
(VEDA) en interpretación de la
diferenciación entre los valores de escala de grises, que mejora la rapidez
de la estrategia CLPD. El segundo compromiso que se propuso fue la
estrategia CLPD que forma imágenes de baja determinación tomadas por
una cámara web. Después de que VEDA haya reconocido los bordes
verticales, se resaltan los codiciados puntos de interés de la placa a la luz
de los datos de sombreado. El tercer compromiso fue contrastar el VEDA
con el administrador de Sobel en cuanto a precisión, cálculo de calidad
multifacética y tiempo de preparación.
S. Ramalingam, M. Rhead y R. Gurney [5] propusieron el reconocimiento
automático de matrículas (ANPR)
marcos que utilizan el reconocimiento óptico de caracteres (OCR) para
ayudar a decidir los caracteres individuales de la matrícula. Intentan
crear índices de información clave a través de un procedimiento de
recreación que producirá imágenes de matrículas automáticas. Como
paso inicial, tales placas indicarán fluctuaciones en la dispersión de
caracteres para inspeccionar los marcos ANPR que exhibirán los
estándares para la evaluación comparativa. Este marco mantiene una
distancia estratégica del requisito de realizar cualquier prueba de campo
escalada de activos por parte de la Policía.
Najeem Owamoyo [6] propuso el reconocimiento automático de
número para vehículos nigerianos. La extracción de la matrícula se
realiza utilizando el canal de ubicación del borde Sobel, las
operaciones morfológicas y el examen del segmento asociado. La
división de caracteres se completa mediante un examen de proyección
vertical y parte asociada.
Shan Du, M. Shehata, W. Badawy [7] describen un extenso
estudio sobre las Técnicas ALPR existentes (Reconocimiento
Automático de Placas) al organizarlas como lo indican los elementos
utilizados como parte de cada etapa. Las correlaciones de los
mismos en términos de Pros, Contras, Reconocimiento se producen
y se tendieron a las tasas de Procesamiento. También se dio una
cifra futura para ALPR hacia el final. La investigación futura de ALPR
debería centrarse en el reconocimiento de placas de múltiples
niveles, basado en video
Page 122
2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)
ALPR utiliza datos mundiales, manejo de múltiples placas, preparación
de imágenes de placa de alta calidad, reconocimiento de carácter
incierto.
P. Anishiya, prof. S. Mary se une [8] centrado en un marco de
restricción y reconocimiento de matrículas para vehículos en Tamil
Nadu (India). Este marco se crea a la luz de imágenes avanzadas
y se puede conectar sin esfuerzo a los marcos de parada
automática de negocios para la utilización del acceso de grabación
de las administraciones de parada, el uso seguro de las casas de
parada y, además, para prevenir problemas de robo automático. El
cálculo propuesto se determinará mediante una combinación de
operación morfológica con pruebas de criterios de región para
confinamiento de matrículas. La división de los caracteres de la
placa se logró mediante la utilización de buscadores de bordes,
nomenclatura y enfoque de relleno. El reconocimiento de
caracteres fue experto con la guía de caracteres ópticos por el
procedimiento de coordinación de plantillas.
Chitode JS [9] sugirió que ANPR es consistente sistema
integrado reconoce los caracteres
particularmente para la foto de etiqueta. El recuento propuesto se
basó en la combinación de la operación morfológica con las
pruebas de criterios de dominio para la restricción de la matrícula
del vehículo. La afirmación del personaje fue capaz con la guía del
atractivo óptico por la técnica de Template Matching.
P. Anishiya y el Prof. SM Joans [10] propusieron que el Sistema de
detección de matrículas de vehículos (VNPD) para vehículos indios
contiene tres módulos principales particularmente
preprocesamiento de imagen, contendiente
extracción del territorio y reconocimiento del personaje [10]. En la
configuración previa, la foto se apila y cambia a tenue o coincidente,
seguido por algunas estrategias de eliminación de ruido. En la
extracción del territorio contendiente, se termina la divulgación del
dominio de la matrícula y la división de los caracteres. En
reconocimiento de caracteres,
organizar organizando y plano del arco central es
978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE
Se realiza la recuperación de los personajes. El reconocimiento de
caracteres se puede realizar de la misma manera mediante el marco
neuronal, de todos modos necesita una preparación periódica para una mejor
capacidad. También requiere una gran cantidad de especulación y aptitud
para obtener resultados dignos [11].
T. Tsukada, T. Yamada, K. Kozuka, K. y Yamamoto, S., [17]
utilizaron la correspondencia de plantillas. La coincidencia de
plantillas incluye la utilización de una base de datos de
caracteres o plantillas. Hay diferentes formatos para cada
carácter de entrada. El reconocimiento (reconocimiento) se
logra al contrastar el presente en el carácter con cada formato
para localizar el que coordina mejor. En el caso de que I (x, y)
sea el carácter de información, T „(x, y) es el diseño n,
entonces la capacidad de coordinación s (l, Tn) devolverá un
valor que indica qué tan bien la plantilla n coincide con la
entrada.
M. Rama Bai [18] propuso un enfoque innovador para la
evacuación del clamor y también la identificación de los bordes
para imágenes paralelas y en escala oscura utilizando
operaciones morfológicas. Los resultados muestran que la
técnica de ubicación del borde del canal derrota las
restricciones de las estrategias convencionales y efectivamente
elimina la conmoción y concentra los bordes más conspicuos.
Hontani.H y Koga.T [19] propusieron una técnica para eliminar
personajes sin conocer previamente su posición y tamaño en la imagen.
El método se puede determinar mediante la investigación de formas a
escala, que depende de la presunción de que los caracteres tienen
formas de clasificación de líneas localmente y formas de clasificación
de manchas por todas partes.
En la forma de escala
En la investigación, los canales gaussianos a escalas diferentes
oscurecen la imagen dada y las formas de mayor tamaño aparecen a
escalas más grandes. Para distinguir estas escalas, la probabilidad del
123
2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)

presentado. Mediante métodos para curvas principales estandarizadas, los

enfoques de marca registrada se extraen del espacio de escala xyt. La

posición (x, y) demuestra el sitio de la figura y la escala t muestra el tamaño

innato de la marca registrada de las figuras relacionadas. Todos estos

enfoques de marca registrada potencian la extracción de la figura de la

imagen dada que tiene formas de clasificación de líneas localmente y formas

de clasificación de manchas por todas partes.

Norizam Sulaiman [20] introducido la

avance de placa de vehículo programada
El marco de descubrimiento en el que posteriormente, antes de preparar la

placa de esperanza, se distingue por los métodos para la estrategia de

extracción de resaltado, la división de caracteres se completa mediante el

cuadro de límite y el reconocimiento de caracteres se completa mediante la

coincidencia de plantillas.

III. ENFOQUE PROPUESTO PARA AUTOMÁTICO

EXTRACCIÓN DE PLACA DE LICENCIA

El enfoque propuesto para la extracción de matrículas

es

hablado en este segmento. La contribución a este marco es la imagen

del vehículo que se obtiene a través de una cámara avanzada y el
rendimiento es la partición de la matrícula real. Las imágenes se
obtienen en diversas condiciones de luz y en diversos cimientos. La
Figura 1: Descripción general del marco del sistema propuesto.
estructura propuesta se indica en [3]. La figura 1 se compone de tomar
después de los pasos principales:
1. Capturar imagen

El paso inicial es la captura de una imagen utilizando electrónica

artilugio, para ejemplo, óptico
1) Capturar imagen
cámara (avanzada / video); La cámara web, etc., se puede utilizar para
2) Conversión de RGB a escala de grises
capturar las imágenes adquiridas. Para esta empresa, las imágenes del
3) Gabor Filtering
vehículo se llevarán con una cámara computarizada Panasonic FX / Nikon. En
4) Segmentación de personajes
esta empresa, se tomará una foto pre-capturada. Las imágenes se guardarán
5) OCR utilizando la coincidencia de plantillas
como diseño JPEG sombreado en la cámara. A continuación, podemos
6) Extracción de matrícula
continuar utilizando la capacidad de Matlab para cambiar la imagen JPEG del
vehículo en una organización de escala tenue.

978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE Page 124

2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)
Este marco es la imagen captada por una cámara establecida a una distancia de
1-2 metros del vehículo, tal como apareció al tomar después de la Figura 2 (a)
[12].
2) Conversión de RGB a escala de grises
En la disposición RGB, cada píxel tiene tres partes de sombreado:
rojo, verde y azul.
(una) (si)
Figura 2: (a) imagen de entrada (b) Imagen de escala de grises
En el paso de preparación previa, la imagen de sombreado
se proporciona como información y se cambia a una imagen en
escala oscura que aparece en la figura 3 (b). El paso preliminar para
digitalizar una imagen "altamente contrastante" a través de una
variedad de sombras tenues es aislar la imagen en varios píxeles,
dependiendo de la determinación espacial requerida. Este rango se
habla en la ruta dinámica como un rango de 0 (oscuro) y 1 (blanco),
con cualquier valor fragmentario [12].
3) Gabor Filtración
El filtro Gabor es una técnica de filtrado lineal que se utiliza para expulsar
el ruido de la imagen bajo pensamiento. Si bien ayuda a evacuar la
conmoción de motivación, protege los bordes. Después de que la
separación por división se utilizó para expulsar todas las líneas esperan
caracteres. Es tomar en cuenta el clamor. Se utiliza ampliamente y es
978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE
excepcionalmente convincente para expulsar el clamor mientras se guardan los
bordes. Eso es especialmente exitoso en
evacuar el ruido de tipo 'sal y pimienta' [12].
Fig. 3: Imagen filtrada
4) Segmentación de personajes
El objetivo de esta etapa, dada la imagen de expansión, es
segmentar cada uno de los personajes, sin perder componentes de los
personajes. La división se destaca entre los procedimientos más
esenciales en el reconocimiento de matrícula programada. En el caso de
que la división se caiga, un personaje puede aislarse vergonzosamente
en dos piezas, o dos personajes pueden consolidarse
despreciablemente. Teniendo en cuenta el objetivo final de percibir los
caracteres de la matrícula del vehículo un tiempo después, cada
personaje debe dividirse individualmente. Los caracteres individuales
deben ser reconocidos (seccionados) entre sí. En la segmentación de
caracteres, los caracteres y los dígitos de la placa se seccionan y cada
uno se conserva como una imagen diferente. Cuantifica una disposición
de propiedades para cada distrito marcado en la red de nombres. El
cuadro de rebote se utiliza para cuantificar las propiedades del distrito de
imágenes. Este sistema se utiliza para verificar los números con el
formato utilizado por el cálculo de coordinación de diseño en
Reconocimiento óptico de caracteres (OCR) [12].
(una) (si)
Fig. 4: (a) Imagen dilatada (b) Imagen segmentada
5) OCR utilizando la coincidencia de plantillas
125
2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)

Comparación de plantillas es uno de el personaje

Procedimientos de reconocimiento. Es la forma de encontrar el área de
una subimagen llamada formato, dentro de una imagen.
Formato coordinando incluye decidir
similitudes entre una plantilla dada y ventanas de un tamaño similar en
una imagen y reconociendo la ventana que ofrece la medida de
semejanza más notable. Funciona mediante la correlación píxel por píxel
de la imagen y el formato para cada desarraigo concebible del diseño.
Este procedimiento incluye la utilización de una base de datos de
caracteres o diseños. Existe un formato para todos los caracteres de
información concebibles. Los formatos se hacen para cada uno de los
caracteres alfanuméricos (de AZ y 0-9) utilizando el estilo de texto
"Normal" [15]. La Figura 2 muestra la plantilla para algunos de los
caracteres alfanuméricos [14].
El filtro de Gabor es un filtro lineal cuyas representaciones de espacio
introducción y frecuencia sigmal son
fundamentalmente lo mismo que el marco visual humano. Es un gran
enfoque para separar y examinar elementos de superficie. Se encuentra que
continúa como un "canal de paso de banda para la circulación de
recurrencia espacial cercana en la superficie" [13].
Un complejo filtro de Gabor viene dado por la convolución de un sinusoide
alucinante con un gaussiano. Considerando los filtros Gabor
bidimensionales, este artículo considera el grupo de filtros dados por, g (x,
y;

, , , , ) = exp ((- x'2 + 2y'2) / 2 2) * exp (i (2 x '/

+ ))

dónde,

x '= xcos + ysin y' = - xsin

+ ycos En las ecuaciones

anteriores, es la longitud de onda de la

sinusoide complejo es la introducción sobre el
ordinario, es la fluctuación de la envoltura gaussiana, es el
equilibrio y es la proporción del ángulo. En lugar de indicar la fluctuación
de la envoltura gaussiana, es bastante común e instintivo determinar la
transmisión de datos b del canal Gabor, que es una capacidad
logarítmica de la proporción '/' [14].

Fig. 5: Plantilla Se dan un par de casos de canales Gabor 1D y 2D con varias calidades
de parámetros en la
figura 6 adjunta [14]:

6) Extracción de matrícula

El algoritmo de segmentación de caracteres se utiliza para

segmentar el personaje. Debido a esta segmentación de
caracteres, el ruido del mango está incluido y esa conmoción se
evacua utilizando el canal. El carácter evacuado de la conmoción
se coordina con el formato utilizando la coincidencia de plantilla,
por último se extrae el carácter [12].

IV Algoritmo de extracción de placa numérica

A. El filtro de Gabor

978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE Page 126

2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)

Figura 6. Filtros 1D Gabor. Las filas (de arriba a abajo) muestran los
efectos especiales del período de tiempo impredecible, la media y la
varianza, respectivamente.

Figura 7 [14]. Imagen original (izquierda) y resultado de la detección de

bordes basada en filtro vertical Gabor (derecha)

V. Resultados experimentales y análisis de rendimiento

Figura 3. Filtros 2D de Gabor. Las filas (de abajo hacia arriba) muestran los

distintos efectos del ancho de banda, la relación de aspecto, el desplazamiento

Una base de datos consta de varias imágenes en color JPEG
de fase y la orientación, respectivamente.
estimadas. Las imágenes se redimensionan a 1024 X 768. Se
añaden hasta 250 imágenes para probar el cálculo. Las imágenes
se traen con diversos cimientos y también condiciones de luz. Las
SI. Detección de bordes
pruebas demuestran que el algoritmo tiene una gran ejecución en
Como ya se expresó, la matrícula es una región de la extracción de matrículas,
Alto grosor del borde vertical. Estos datos se utilizan para concentrar las y personaje
áreas solicitantes de la imagen. La imagen de la escena alucinante está trabajo de segmentación [16].
enrevesada con un filtro Gabor situado verticalmente (consulte la Figura
3) hasta tal punto que los bordes verticales solitarios brindan una
respuesta sólida. La imagen resultante solo muestra los bordes
La Tabla 1 ilustra la extracción de matrículas y la tasa de éxito de segmentación de caracteres [16].
verticales, con cierta conmoción, y luego se binariza utilizando la
estrategia de Otsu.

Las restricciones del filtro Gabor, aparte de la introducción, se

determinan experimentalmente. A continuación se presentan un par de
Algoritmo Número total de Tasa de
casos comunes, que proponen firmemente que el canal Gabor es
imágenes éxito (%)
efectivo para eliminar al candidato de cualquier imagen.
Extracción de 250 85
matrícula
Segmentación de 214 80
personajes

Tabla 1 Rendimiento de la extracción de la placa del número de vehículo y separación de

caracteres.

La poca profundidad y los reflejos afectan el trabajo de extracción

de matrículas. Debido a la iluminación desigual, placas de
matrícula recoloradas, genuinas

978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE Page 127

2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)
las matrículas no se pudieron eliminar con precisión. La decepción en
la división de caracteres se debió principalmente a la convergencia de
caracteres en la placa de matrícula, placas de matrícula recoloradas,
introducción de la imagen y poca luz.
El trabajo de reconocimiento de caracteres se realiza en 10
dígitos (0 a 9) y 26 alfabetos (A a Z). El reconocimiento
tasa lograda utilizando
parte "polinomial" es 79.84%. El falso
el reconocimiento se debe a la cercanía en la forma del personaje,
por ejemplo, 6 y B, 5 y S, etc. [16].
VI. CONCLUSIÓN
En este proyecto, la estrategia propuesta se conecta y se prueba
en varias imágenes y se contrasta con la deferencia con el
tiempo de reconocimiento y la precisión. Se ha realizado una
amplia investigación en este trabajo propuesto para desarrollar
un marco de reconocimiento de matrículas preciso. OCR produce
menos tiempo y precisión notable para
modelo
reconocimiento coincidente cuando se compara con las estrategias
pasadas. Esto demuestra que la velocidad de reconocimiento se ha
mejorado mucho.
TRABAJO FUTURO
Aunque el avance crítico de las estrategias ANPR se ha
realizado en las últimas décadas, todavía queda mucho
trabajo por hacer, ya que un marco sólido debería funcionar
con éxito bajo una variedad de condiciones naturales y de
placas. Un potente marco ANPR debería ser capaz de
gestionar placas de varios estilos, por ejemplo, placas
nacionales distintivas con varios estilos de texto y estructura
de oraciones diversa. El reconocimiento de matrícula también
se puede utilizar para el fabricante del vehículo y el
reconocimiento del modelo.
978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE
Hay muchos otros temas abiertos para la investigación futura.
• Sistemas ANPR de placas múltiples
• Fabricante de automóviles y reconocimiento de modelos
REFERENCIAS
[1] Sra. Sushama H. ​Bailmare, Prof. ABGadicha “Un documento de revisión sobre
Reconocimiento de matrículas de vehículos (VNPR) utilizando un método de
segmentación de caracteres mejorado ", Revista Internacional de Publicaciones
Científicas y de Investigación, Tomo 3, Número 12,
Diciembre de 2013 1 ISSN 2250-3153. [2] Prashant Chaudhary, Dr. VS Dhaka,
Manoj Kumar "Automático
Sistema de Reconocimiento de Matrículas Usando LabVIEW: Revisión “, Revista
Internacional de Investigación Avanzada en Informática e Ingeniería de Software, Volumen
6, Número 2, febrero de 2016 ISSN: 2277 128X. [3] Sarbjit Kaur, Sukhvir Kaur "Un
enfoque eficiente para el número
Imagen de extracción de placas de vehículos en Procesamiento de imágenes ",
Revista Internacional de Informática y Tecnologías de la Información, Vol. 5 (3),
2014, 2954-2959. [4] Abbas M. Al-Ghaili, Syamsiah Mashor, Abdul Rahman Ramli,
y Alyani Ismail. "Método de detección de matrículas de automóviles basado en bordes
verticales" Transacciones IEEE sobre tecnología vehicular,
Vol. 62, N ° 1, enero de 2013. [5] S. Ramalingam, M. Rhead y R. Gurney "Impacto del
espacio entre caracteres en el rendimiento de los sistemas de reconocimiento
automático de matrículas (ANPR) a través de la simulación", Tecnología de seguridad
(ICCST),
Conferencia internacional de Carnahan sobre.
IEEE 2014.
[6] Najeem Owamoyo, A.Alaba Fadele y Abimbola Abudu,
"Reconocimiento de matrícula para vehículos nigerianos", Revista Internacional de
Investigación Académica (ARIJ), Vol.4, Issue.3, pp.48-55,
2013
[7] Shan Du, Mohamed. Shehata, Wael. Badawy, "Automático
Reconocimiento de matrículas (ALPR): una revisión de vanguardia ”
IEEE Vol. 23, No.2, junio de 2013. [8] P. Anishiya, Prof. S. Mary Joans,
"Reconocimiento de matrículas para automóviles indios que usan dilatación morfológica y
erosión con la ayuda de los demás". Conferencia internacional sobre tecnología de la
información y las redes, Vol.4,2011. [9] Rupali Kate, Dr.Chitode JS "Reconocimiento de
matrículas utilizando
Segmentación "Internacional Diario de Ingenieria &
tecnología( IJERT) ISSN: 22780-0181. Vol.1 NÚMERO 9-Nov-
2012
[10] P. Anishiya y el Prof. SM Joans, "Reconocimiento de matrículas para automóviles indios
que usan dilatación morfológica y erosión con la ayuda de los demás" Conferencia
internacional sobre tecnología de la información y las redes, Singapur, 2011
Page 128
2017 Tercera Conferencia Internacional sobre Ciencia, Tecnología, Ingeniería y Gestión (ICONSTEM)
[11] Hanit Karwal, Akshay Girdhar "Detección de matrícula del vehículo"
Sistema para vehículos indios “IEEE Conferencia internacional sobre inteligencia
computacional y tecnología de comunicación, 2015
[12] Sr. AN Shah, Sra. AS Gaikwad. "Una revisión-reconocimiento de
Número de matrícula con segmentación de caracteres y OCR con coincidencia de
plantillas ", Revista Internacional de Investigación Avanzada en Informática e
Ingeniería de la Comunicación, Vol. 5, Número 2, febrero de 2016. [13] V. Tadic, Z.
Trpovski y P. Odry "Detección de matrículas mediante bancos de filtros Gabor y
análisis de textura", Proc. IEEE 9º Simposio internacional sobre sistemas
inteligentes e informática, Subotica, Serbia, 2011, 381-386.
[14] Subhradeep Kayal "Detección automática de matrículas utilizando
Gabor Filtrado y cortes transversales ", Procesamiento individual, reconocimiento de
patrones y aplicación / 779: Gráficos por computadora e imágenes 2012
[15] Aniruddh Puranic, Deepak KT, Umadevi V "Número de vehículo
Sistema de reconocimiento de placas: una revisión e implementación de la literatura
utilizando la coincidencia de plantillas ", Revista Internacional de Aplicaciones
Informáticas ( 0975 - 8887) Volumen 134 - No.1, enero de 2016.
978-1-5090-4855-7 / 17 / $ 31.00 © 2017 IEEE
[dieciséis] MM Shidore, SP Narote "Reconocimiento de matrículas para vehículos
indios", IJCSNS Revista Internacional de Informática y Seguridad de Redes, VOL.11
No.2, febrero de 2011. [17] Naito, T. Tsukada, T. Yamada, K. Kozuka, K. y
Yamamoto, S.,
"Métodos de reconocimiento robustos para placas inclinadas bajo varios
iluminación condiciones al aire libre ", Actas
IEEE / IEEJ / JSAI Conferencia internacional sobre inteligencia
Sistemas de transporte, pp. 697-702, 1999. [18] MR Bai, VV Krishna y J. Sreedevi,
"Un nuevo enfoque morfológico para la eliminación del ruido y la detección de bordes",
IJCSI
Revista Internacional de Cuestiones de Informática, Vol. 7, problema
6 de noviembre de 2010.
[19] Hontani, H. y Koga, T., "Método de extracción de caracteres sin
conocimiento previo sobre tamaño e información ", Actas del IEEE Conferencia
Internacional de Electrónica de Vehículos ( IVEC'01), págs. 67-72, 2001. [20] Norizam
Sulaiman, "Desarrollo de placa automática para vehículos
Sistema de detección", Tercera Conferencia Internacional sobre Ingeniería y
Tecnología de Sistemas, pp.130-135, IEEE 2013.
Page 129