Décima Conferencia iraní sobre visión artificial y procesamiento de imágenes, del 22 al 23 de noviembre de 2017; Isfahan Univ.
de Tecnología, Isfahan, Irán
Un algoritmo sin estilo y de alta velocidad
para la detección de matrículas
Asadollah Shahbahrami Departamento Babak Abad Foomani Departamento
de Ingeniería Informática de Ingeniería Informática Facultad de Ingeniería,
Facultad de Ingeniería Universidad Universidad de
de Guilan, Rasht, Irán Guilan, Rasht, Irán
shahbahrami@guilan.ac.ir Babak.abad@yahoo.com
Resumen: el reconocimiento automático de matrículas (ALPR) es una de las herramientas
más destacadas en las aplicaciones de sistemas de transporte inteligentes. En la
implementación del algoritmo ALPR, la detección de matrículas (LPD) es una etapa crítica. A
pesar de muchas investigaciones de vanguardia, algunos parámetros como la iluminación baja /
alta, el tipo de cámara o un estilo diferente de matrícula (LP) hacen que el paso LPD siga siendo
un problema difícil. En este artículo, proponemos un nuevo método sin estilo basado en el
espectro de potencia cruzada. Nuestro método tiene tres pasos; diseño adaptativo binarizado filtro,
filtrado utilizando espectro de potencia cruzada y verificación. Los resultados experimentales
muestran que la precisión de reconocimiento del enfoque propuesto es del 98% entre 2241
imágenes de automóviles iraníes, incluidos dos estilos de LP. Además, el proceso de detección
de placas lleva 44 milisegundos, lo que es adecuado para el procesamiento en tiempo real.
Palabras clave: detección de matrículas, espectro de potencia cruzada, umbral
adaptativo.
Yo NTRODUCCIÓN
El Sistema de Transporte Inteligente (ITS) es uno de los desfiles del gobierno
electrónico, que juega un papel importante en la reducción de los costos de tráfico.
Además, el reconocimiento automático de matrículas (ALPR) es uno de los pasos
principales en ITS [1-6]. Monitoreo de tráfico [3, 5], navegación [3],
pagos de peaje [3-8], seguridad
la administración [4-7], el estacionamiento público y privado [3-13] y la búsqueda de
vehículos robados [3, 5, 8] son ​varias aplicaciones de ALPR en el ITS.
Para diseñar una aplicación para ITS, un paso es el reconocimiento del vehículo. El
reconocimiento del vehículo incluye la identificación del vehículo por sus características
como color, tipo, logotipo y número LP [4]. En muchas aplicaciones, el reconocimiento del
vehículo debe identificar el vehículo de manera única y una de las propiedades únicas
para este objetivo es LP [7]. Existen diferentes tecnologías para el reconocimiento de
vehículos, como etiquetas de identificación por radiofrecuencia (RFID), bucles inductivos,
detectores de microondas [9] y procesamiento de imágenes digitales (DIP). El equipo
basado en RFID debe ser aceptado por los propietarios de los vehículos porque tiene un
costo adicional y puede filtrar datos privados como la ubicación. Además, en caso de
utilizar etiquetas RFID, existe el riesgo de fraude en algunas aplicaciones, como los pagos
de peaje automáticos [4]. Los bucles inductivos son voluminosos y no pueden funcionar en
el movimiento lento de los vehículos. Además, es muy difícil implementarlos y actualizarlos
debajo de las carreteras. Debido a tales problemas, los enfoques basados ​en DIP son
preferidos en muchos casos. Los sistemas basados ​en DIP son fáciles de instalar. Los
costos de actualización y mantenimiento también son bajos en
978-1-5386-4405-8 / 17 / $ 31.00 © 2017 IEEE
76
Alireza Akoushideh Departamento de
Ingeniería Eléctrica Facultad de Chamran,
Rama Rasht, Universidad Técnica y
Profesional, Teherán, Irán,
a_akushide@sbu.ac.ir
comparación con otros sistemas y pueden ser un equipo complementario para otros
sistemas [4]. Los sistemas basados ​en DIP utilizan imagen digital o video para
reconocer vehículos. En estos sistemas, se debe extraer LP para reconocer un
vehículo automáticamente. Los sistemas ALPR contienen tres pasos principales que
son generales en muchos sistemas [1, 4, 5, 7]: detección de matrículas (LPD),
segmentación de caracteres y reconocimiento de caracteres.
En el paso LPD, se debe extraer la región o regiones que solo tienen imagen LP.
Este paso es el más destacado en ALPR [1, 6, 7] porque la operación adecuada y el
rendimiento de los próximos pasos dependen de este paso. Idealmente, este paso debería
entregar una (s) región (es) completa (s) y limitada (s) de la imagen que contiene LP [6].
Existen muchas técnicas para localizar un LP en la imagen, como detección de bordes,
detección de contornos, detección de texturas, detección de características de color,
características de caracteres, relaciones geométricas y métodos híbridos [10]. Sin
embargo, presentar un enfoque para cubrir varios problemas como la iluminación alta /
baja, el factor de zoom y la complejidad de la imagen sigue siendo una tarea difícil.
Independientemente de los pros y conos de los métodos antes mencionados
para detectar LP, muchos de ellos tienen algunos parámetros que deben
establecerse de acuerdo con un estilo de LP. Por ejemplo, en [5, 7], se deben
calcular la Firma de vecindad multimodal (MNS) y los valores medios. Estos
parámetros no son fáciles de calcular. En otras palabras, dichos parámetros deben
calcularse mediante experimentos o no pueden calcularse utilizando propiedades
visuales como el color, la forma y otras propiedades. Sin embargo, el uso de
propiedades como el color limita el algoritmo a las cámaras en color.
El objetivo principal de nuestro algoritmo propuesto es introducir un algoritmo
para detectar cualquier tipo de placa, independientemente de sus estándares o
características visuales, como el tamaño, el color y las fuentes. En otras palabras,
mientras que el algoritmo propuesto necesita varias imágenes de referencia del LP,
otros necesitan establecer o definir varios parámetros complejos, tales como
covarianza de color, texturas, densidades de borde o densidades de esquina. El
algoritmo propuesto se basa en el diseño de un filtro binarizado adaptativo (ABF) y un
espectro de potencia cruzada (CPS). El ABF se obtiene promediando y umbralizando
varios filtros que solo omiten la región LP. Hemos utilizado CPS entre la imagen de
entrada y ABF. En el paso final, se utilizan dos propiedades para verificar los LP
extraídos. Son la diferencia de fase (PD) y el número de contornos (NC) en las
regiones candidatas. Notamos que calcular PD y NC no es
más complejo que otros parámetros mencionados. Por ejemplo, el número de La detección de esquinas se utilizó para encontrar puntos de esquina, que fueron seguidos por
contornos con área grande, aproximadamente es igual al número de caracteres. Es agrupamiento para eliminar esquinas no deseadas. El uso de la agrupación provocó que

igual a 8 para LP privado iraní. Por lo tanto, el cálculo de tales parámetros podría algunas veces las regiones LP se agruparan en algunas regiones separadas. Este problema se

ignorarse en términos de dureza de cálculo. Sin embargo, el algoritmo propuesto resolvió mediante el valor de distribución acumulativa en el rectángulo delimitador. Finalmente,

puede resistir sin ellos para extraer regiones LP. Nuestros resultados el clasificador en cascada se usa para filtrar regiones no LP [3].

experimentales que se han obtenido en 2241 imágenes reales de automóviles

iraníes muestran que la precisión del reconocimiento es del 98%. Además, el
proceso de detección de placas lleva 44 milisegundos, lo que es adecuado para el
procesamiento en tiempo real.
El documento está organizado de la siguiente manera. Una breve revisión de los trabajos
relacionados se presenta en la Sección II. Nuestro algoritmo propuesto se presenta en la Sección III.
Los resultados experimentales se describen en la Sección IV. Finalmente, el documento se concluye
en la Sección V.
II R TRABAJOS ELIFICADOS
La detección de bordes Sobel se utilizó para detectar bordes verticales. Para
superar la iluminación baja / alta, también se usa un filtro para aumentar el contraste
de la imagen. Aunque el filtro está diseñado para mejorar regiones similares a
placas, afecta a regiones que no son LP [7]. Este es el inconveniente de este
enfoque. El MNS también se utiliza para detectar información de color. El uso de las
funciones de MNS hace que el algoritmo se limite a un estándar de país. El método
Sobel es más sensible al ruido en comparación con los detectores de borde
tradicionales [5]. Se presentó un algoritmo para todos los pasos de ALPR. En el
paso LPD, se utilizó la transformación de sombrero de copa para detectar LP.
Después de la transformación de sombrero de copa, se aplicó el detector de bordes
Sobel para extraer bordes verticales. Se ha afirmado que los bordes verticales son
abundantes en las regiones LP. Luego se aplicó el método de umbral de Otsu y
finalmente,
Se utilizó una técnica de ventanas deslizantes de hormigón (SCW) para la
extracción de LP como una nueva técnica adaptativa [5]. En esta técnica, dos
rectángulos anidados exploraron toda la imagen. En esta técnica, el valor medio del
rectángulo exterior y el rectángulo interior se calcularon como M UNA y M SI, respectivamente.
Estos rectángulos anidados deben moverse toda la imagen. Luego su relación se
comparó con un umbral. La imagen resultante es similar a las imágenes obtenidas del
umbral. Cada región que contiene al menos un número de Euler de 4, una rotación
máxima de 35 grados y una relación geométrica de 2 (ancho / alto ≈ 2) se seleccionó
como LP. Si no se detectó LP, todo el proceso se repite para la imagen invertida. El
filtro Gabor se fuzzificó para detectar LP. El filtro Gabor se obtuvo de una
combinación de un filtro sinusoide y gaussiano. También se diseñó un filtro con la
ayuda de la lógica difusa para que sea robusto contra la iluminación alta / baja o el
ruido [18]. La combinación de la Transformada de Onda Discreta de Haar (HDWT) y
la Red Neural Artificial (ANN) se utilizaron para LPD. La reducción del tamaño de la
imagen mediante la descomposición mediante HDWT hace que la detección sea
rápida en comparación con su tamaño original [19]. Se utilizaron plantillas y análisis
de color para LPD. El método fue capaz de detectar todas las placas en un ciclo de
coincidencia utilizando plantillas dinámicas de evitación, como los métodos clásicos
de coincidencia de plantillas o los métodos de inteligencia artificial. Se propuso una
búsqueda de tira de columna modificada para LPD en [8].
III. ALGORITMO PROPUESTO

El algoritmo propuesto detecta la (s) región (es) de LP en una imagen de nivel de

gris para que sea aplicable tanto a las cámaras de color como a las de blanco y negro.
El método de máscara laplaciana es otro método basado en bordes para El algoritmo propuesto tiene tres pasos, que los describimos a continuación, (A)
LPD. Este método puede resistir a los faros. Este experimento demostró que la diseñando el filtro binarizado adaptativo (ABF), (B) filtrando usando el espectro de
técnica de Laplace es robusta para altas iluminaciones. Laplace es una potencia cruzada (CPS) y la verificación (C). La figura 1 representa el diagrama de
aproximación del segundo gradiente de una imagen [15] cuya imagen contiene bloques del algoritmo propuesto.
bordes verticales y horizontales. El segundo gradiente de una imagen es más
sensible al ruido [15]. Los detalles horizontales y verticales de la imagen se
extrajeron usando la transformada wavelet. Luego se aplicó la Descomposición
en Modo Empírico (EMD) para LPD y finalmente, se realizó la transformación de
Hilbert para extraer las propiedades de LP [16]. Se utilizó un filtro de dominio de
frecuencia y un nuevo método de mejora de contraste para LPD en condiciones
peligrosas como lluvia o niebla, ambientes de bajo contraste, objetos similares a
LP en el fondo [17].

La detección de la esquina de Harris se utilizó para localizar LP [9]. Se calculó el número

de esquinas y se comparó con un umbral. El modelo de color de intensidad de saturación de
tono (HSI) también se usó para filtrar regiones de LP porque en este estudio los colores de
LP se limitaron a azul, amarillo, negro y blanco. El uso del modelo HSI limita el uso de este
algoritmo a los dispositivos de adquisición de imágenes en color. Este método también
aumenta el costo de implementación. Para condiciones de poca luz como las noches, este
algoritmo debe usarse con dispositivos de iluminación de luz. En otra investigación, después
de cambiar el tamaño de la imagen de entrada a 640x800, se utilizó la ecualización de
histograma adaptativo para superar el problema de bajo contraste. En el siguiente paso,
Harris

77
 función out = LAT (in, int, out, m, n, w, h) in: imagen de entrada, int: imagen
Imagen de entrada LP de referencia

Diseño de integral, m: ancho del carácter, n: altura del carácter, w: ancho de la imagen
filtro de entrada, h: altura de la imagen de entrada, t: valor umbral para i = 0 a w
Promedio
binarizado
para j = 0 a h calcular el conteo y sumar variables si (en [i, j] × conteo) ≤
adaptativo
Umbral (suma × (100 - t))

Filtrado utilizando
Espectro de potencia cruzada Cross Power
Spectrum

Número de contornos (NC) entonces fuera [i, j] = 0 más fuera [i, j] = 255
fin si fin para
Verificación fin para fin
T 1 < NC <T 2 función
α <PD <β
Diferencia de fase
(PD)
Fig. 2 El cálculo del pseudocódigo del umbral adaptativo local.
Placa

En la función LAT, al suponer que la imagen integral int se proporciona

Higo. 1 Diagrama de bloques del algoritmo propuesto para LPD. previamente, se ha calculado un umbral. Este umbral es proporcionado por la suma
de intensidades de píxeles alrededor del píxel objetivo y otro umbral t. Los píxeles
de redondeo tienen forma de rectángulo. El producto del recuento de píxeles en el
En el primer paso, diseñamos un filtro personalizado usando un promedio rectángulo y el producto de suma y t se comparan para clasificar el píxel objetivo
de LP de referencia y comparándolo con un umbral. El proceso promedio hace como blanco (255) o negro (0). El uso de esta estrategia ayuda a que LAT sea
que el filtro diseñado sea
localmente adaptativo. Además, una imagen integral ayuda a evitar el cálculo de
representativo de patrones LP en diferentes personajes. Además, el umbral
partes comunes de ventanas superpuestas.
utilizando un enfoque adaptativo se realiza para superar la variación de
iluminación de la luz que sigue siendo un desafío crítico en muchos algoritmos.
No es necesario diseñar ABF para cada imagen de entrada; significa que para
los LP con el mismo estilo, el filtro solo se calcula una vez. En el segundo paso,
Como se mencionó anteriormente, para el cálculo de myn, se requiere el ancho y la
se calcula el CPS entre la imagen de entrada y el ABF. En otras palabras, se
altura de los caracteres. Sin embargo, este algoritmo en un conjunto de datos considerado
realiza un filtrado de la región LP. En el tercer paso, verificación, las regiones
que no son LP se filtran utilizando dos límites de propiedad: diferencia de fase funciona correctamente por m = 8, n = 8 y t =

(PD) y número de contornos (NC). Suponemos que NC está limitado al umbral T 1 y 0.15. En la figura 3 se representa un promedio de 1000 LP de referencia diferentes en
T 2, y PD está limitado al ángulo α y β. el mismo estilo (LP privado en Irán) y LAT en diferentes iluminaciones.

ADBECF
A. Diseño de filtro binarizado adaptativo
En este paso, usamos el promedio de algunos LP de referencia en estilos
similares. Hay algunos estilos diferentes de LP para cada país. Para cada país hay
diferentes tipos de normas, como las privadas, públicas, policiales y oficiales. Para
diseñar un ABF, se debe considerar un tipo específico. El diseño de ABF usando el
promedio de todos los LP referenciados se muestra en (1).
Fig. 3 Promedio y LAT en diferentes iluminaciones. A, B, C) los mismos filtros en diferentes
pags iluminaciones. D, E, F) resultados de realizar LAT en A, B y C, respectivamente.

( , ) nm pnmh (1 , placa
yo
) (1)
1

donde, p es el número de LP de referencia ymyn son el ancho y la altura de LP en una La figura 3 muestra dos grupos de imágenes, LPs de referencia promediados en el
imagen de entrada, respectivamente. lado izquierdo e imágenes trilladas de ellos en el lado derecho. Las partes A, B y C

Para lograr propiedades de iluminación invariantes, el filtro diseñado debe muestran el resultado de promediar 1000 LP de referencia en iluminaciones bajas,

normalizarse. Para este propósito, se utiliza una versión optimizada de Umbral normales y altas, respectivamente. Las partes D, E y F muestran el resultado de LAT en

adaptativo local (LAT) [20]. El pseudocódigo para la imagen de entrada en, la imagen A, B y C, respectivamente. Como se puede ver, mientras la iluminación está cambiando
integral int, el ancho del carácter m, la altura del carácter n, el ancho de la imagen de en el grupo izquierdo, el resultado del LAT sigue siendo invariable a la variación de la
entrada w, la altura de la imagen de entrada h y el valor umbral t para la iluminación.
umbralización se representan en la figura 2.

78
B. Filtrado por espectro de potencia cruzada
En este paso, la imagen de entrada se considera como una señal, que se filtra
para alcanzar las regiones LP. Utilizamos Cross Power Spectrum (CPS) para el
filtrado. CPS se define usando (2):
**
HF
CPS
(2)
| HF
**
El | El
donde, los símbolos y * son productos Hadamard y
operadores de conjugación, respectivamente. Además, F y H son la transformación
de las imágenes de entrada y el ABF de la imagen en el dominio de frecuencia,
respectivamente. En otras palabras, el CPS entre dos señales o imágenes
transformadas F y H se define como producto Hadamard (producto de entrada) de F
y conjugación de H, dividido por el valor absoluto del producto. La Transformada de
Fourier se utiliza para transformar las imágenes en el dominio de frecuencia.
Una diferencia importante entre el filtrado utilizando la transformada de Fourier y el
CPS es la normalización que se obtiene dividiendo los productos en el valor absoluto
del producto. Esta propiedad evita una respuesta falsa y nítida de los filtros en áreas
claras de una imagen. Sin embargo, en el paso anterior, la iluminación de la luz se
suprime al usar el LAT antes del CPS. Los valores normalizados también nos permiten
seleccionar parámetros fácilmente. La figura 4 representa la aplicación del filtro
binarizado adaptativo utilizando CPS.
El LP extraído debe tenerIV.
Higo. 4 4 Filtrado con espectro de potencia cruzada (A) Imagen original, (B) Salida de filtrado.
En la Fig. 4, la parte A y B representan algunas imágenes de muestra de nuestro conjunto de
datos como entrada y resultado de realizar CPS, respectivamente. Los píxeles blancos en la parte B
indican posibles coincidencias para las regiones LP. Más intensidad de píxel hace que la
coincidencia sea más posible. Hay muchos píxeles blancos con diferentes intensidades, por lo que
utilizamos un
79
umbral para ellos. Asumiendo que el valor umbral sea igual a
0.85 del valor máximo de intensidades, cuatro píxeles eran más grandes que otros.
Marcamos estos píxeles con cuatro puntos blancos para que sean más observables en
comparación con otros píxeles. La Parte A incluye dos LP, mientras que se seleccionan
cuatro candidatos después del filtrado, que se representa en la parte B de la Fig. 4. Para
eliminar las coincidencias no deseadas, deben verificarse.
C. Verificación
Una desventaja de usar el ABF y el CPS es su tasa de falsos positivos. En otras
palabras, el uso de CPS ha provocado la selección de regiones falsas como LP. Para
hacer frente a este problema, se considera un paso de verificación basado en las
propiedades de LP. La diferencia de fase (PD) y el número de contornos (NC) se
elige para la verificación. Cabe señalar que estos parámetros son fáciles de calcular
en comparación con otros parámetros como la covarianza del color, la textura, las
densidades de los bordes o las esquinas. Evitamos usar esos complejos parámetros
mencionados en el algoritmo propuesto.
La PD se obtiene del CPS. El PD indica el ángulo de rotación entre el filtro
ABF y la región candidata. Al suponer que los ángulos son limitados, podemos
rechazar regiones que no sean LP. El NC también se usa para rechazar regiones
no LP. Para ser más precisos, el NC es el número de contornos externos
obtenidos por aproximación de cadena. El PD y el NC se calculan para las
regiones extraídas de la parte A de la Fig. 4. La TABLA I muestra cuatro
candidatos extraídos y los valores correspondientes de PD y NC. Los valores PD
y NC para las regiones de matrícula varían de 0 a 15 y de 6 a 9,
respectivamente. Estas limitaciones se aplican secuencialmente, primero PD y
luego NC. Al aplicar la limitación de PD en la Tabla I, la tercera fila se rechaza
porque su valor PD es mayor que 15. Una región no LP en la cuarta fila también
se rechaza utilizando el valor NC.
T PODER yo . REGIONES CANDIDATAS EXTRACTAS Y
CORRESPONDIENTE LA PD Y LA VALORES NCR PARA F YO G. 4)
Fila Región extraída PD (grado) CAROLINA DEL NORTE
1 13,1 8
2 14,5 77
3 40,1 8
44 14,8 1
todos los caracteres,
RESULTADOS AB
EXPERIMENTALES
En esta sección, presentamos dos criterios para la evaluación, el conjunto de
datos que se han utilizado y los resultados experimentales. Además, se ha
presentado una comparación entre nuestro algoritmo propuesto y los algoritmos
más modernos.
Para la evaluación de nuestro método propuesto frente al estado de la técnica,
elegimos la tasa de detección y los criterios de ejecución o tiempo de ejecución. A
continuación, los describimos a ambos en detalle:
Tasa de detección: este criterio significa cuántos LP se extraen realmente.
Tampoco debería tener regiones adicionales. Tenga en cuenta que si un algoritmo informa
un área falsa como una placa de matrícula, falso positivo, se asigna un punto negativo a
ese algoritmo.
Tiempo de ejecución: sabemos que el consumo de tiempo de cada algoritmo depende
de diferentes lenguajes de programación o sistema informático. Además, cada algoritmo
informa su resultado en función de sus conjuntos de datos. Para comparar todos los
algoritmos de vanguardia de manera justa con nuestro enfoque, los ejecutamos en la misma
máquina 1, y el mismo lenguaje de programación 2 en nuestro conjunto de datos. Definimos el
tiempo de ejecución como el tiempo exacto desde el algoritmo de inicio hasta el final. No se
calcula el tiempo para cargar o leer una imagen desde el disco. Además, no se considera el
tiempo para mostrar el resultado. Las imágenes en el conjunto de datos se han dividido en
dos conjuntos de grupos (A y B). Cada grupo consta de un estilo de imágenes de matrículas
de Irán. Además, cada grupo consta de tres subconjuntos de imágenes, que se toman con
diferentes iluminaciones de luz (Baja / Normal / Alta). Las propiedades de las imágenes
usadas en nuestro conjunto de datos y el resultado de la implementación del algoritmo
La figura 5 muestra una comparación entre nuestro algoritmo y otros avances en
la tasa de detección. Como podemos ver, nuestro algoritmo propuesto tiene el mejor
resultado. La razón principal de este comportamiento es el uso de filtros personalizados
y espectro de potencia cruzada. La figura 6 muestra una comparación del tiempo
computacional entre la técnica propuesta y algunos algoritmos de vanguardia. Como
podemos ver, nuestro algoritmo propuesto tiene el tiempo de cálculo más bajo. Aunque
la transformación de la imagen y el filtro ABF en el dominio de la frecuencia tiene varios
gastos generales, el uso del producto Hadamard en lugar de una máscara ponderada
en convolución puede reducir el tiempo de cálculo general.
Tiempo computacional
500
421
400
300
213

tiempo (milisegundos)
propuesto se ilustran en T PODER II T PODER II . 200
126
90 96 101
63
100 44

PAGS ROPERIDADES DE yo MAGES EN EL U SED re ATASET Y

R ESULT DE yo MPLEMENTACIÓN DE PAGS ROPOSADO UNA LGORITHM. Algoritmos diferentes

# de LP # de detectados Exactitud Fig. 6 Una comparación del tiempo computacional entre el enfoque propuesto y algunos algoritmos
Grupo # de imágenes LP relacionados.

LNH LNHLNHL norte H

UNA 500 1013675524 1030 688 512 1013 673 95,8 97,3 97,2 V. CONCLUSIONES

si 13 22 18 13 22 18 12 22 18 92.3 100100 La detección de matrículas (LPD) es un paso básico para muchos servicios en
En general 2241 2295 2250 98,0 sistemas de transporte inteligentes. En esta investigación, para aumentar la tasa de
detección de LPD, hemos propuesto un algoritmo. La técnica propuesta tiene tres
pasos: diseñar un filtro binarizado adaptativo, filtrar usando espectro de potencia

En t PODER II, las imágenes están en dos grupos (A y B) y cruzada y verificación. El algoritmo propuesto es robusto para los desafíos de

tres subconjuntos (L, N y H). Las letras "L", "N" y "H" son términos de iluminación en comparación con otros equipos de última generación. La tasa de

iluminación baja, normal y alta, respectivamente. El número de imágenes detección de la técnica propuesta es del 98%. Además, debido a que trabaja en el

pertenecientes a cada grupo / subconjunto se presenta en detalles. Para dominio de la frecuencia, es significativamente más rápido que otros algoritmos

evaluar, el resultado general también se ilustra en la figura 5. basados ​en el espacio. Nuestra próxima investigación será la implementación de
nuestro algoritmo propuesto en plataformas de hardware como procesadores de señal
digital (DSP), matrices de puertas de programación de campo (FPGA) o unidades de
procesamiento gráfico (GPU).

de algoritmos

98
98100 96
96
93.8 92.8 91.2 90.1 89.8 89.4
94 Reconocimiento
porcentaje de LP detectado

92
Agradecemos al Sr. Ashari, gerente de Jade Abrisham Company en Teherán, quien
90
proporcionó nuestro conjunto de datos real de automóviles iraníes para este documento.
88

86

84

Diferentes tasas de detección

Fig. 5 Una comparación de la tasa de detección entre el enfoque propuesto y algunos algoritmos
relacionados.

1 El algoritmo propuesto se implementa en una computadora con núcleo i7 (2670QM), 2 C ++ en Microsoft Visual Studio 2015 con la biblioteca OpenCV (3.1)

8 Gigabytes de memoria de acceso aleatorio (DDR3) y gráficos AMD Radeon (HD

6700M).

80
 [11] SRK Dahiya, “Una revisión de la técnica de reconocimiento

Referencias Sistema de reconocimiento automático de matrículas, "Revista

internacional de aplicaciones informáticas, vol.
121, no. 17, pp. 6-9, 2015.

[1] L. Jin, H. Xian, J. Bie et al., "License Plate Recognition [12] NK Ibrahim ;, E. Kasmuri ;, NA Jalil; et al., "Licencia
Reconocimiento de placas (LPR): una revisión con experimentos para el
Algoritmo para automóviles de pasajeros en áreas residenciales chinas ”,
estudio de caso de Malasia, "The International Journal of Soft Computing and
Sensors, vol. 12, no. 6, págs. 8355-8370, 2012. [2] ZW Wu, "Método de
Software Engineering, vol. 3, no. 3, págs. 83-93, 2014.
ubicación de matrículas basado en
Operador de detección de bordes LOG, "Mecánica aplicada y materiales, vol.
108, págs. 52-55, 2012.
[13] D. Zheng, Y. Zhao y J. Wang, "Un método eficiente

[3] J. Luo, S. Yang, R. Guan et al., "Un método robusto para de la ubicación de la placa, "Pattern Recognition Letters, vol. 26, no. 15,

Detección de matrícula ", págs. 133-138.

págs. 2431-2438, 2005. [14] C. Gou, K. Wang, Y. Yao et al., “Vehicle

[4] B. Tian, ​BT Morris, M. Tang y otros, "Hierarchical and License Plate

Vigilancia de vehículos en red en ITS: una encuesta, "IEEE Reconocimiento basado en regiones extremas y máquinas de Boltzmann

Transactions on Intelligent Transportation Systems, vol. pp, no. 99, pp. restringidas, "IEEE Transactions on Intelligent Transportation Systems,

1-24, 3 de mayo de 2016. [5] CNE Anagnostopoulos, IE vol. 17, no. 4, págs. 1096-1107,

Anagnostopoulos, V. 2016

Loumos et al., "Un algoritmo de reconocimiento de matrículas para [15] RC González; y RE Woods, "Imagen digital

aplicaciones de sistemas de transporte inteligentes", IEEE Transactions on Processing, "págs. 711-816, 2008. [16]
S. Yu, B. Li, Q. Zhang et al., "Una nueva placa de matrícula
Intelligent Transportation Systems, vol. 7, no. 3, págs. 377-392, 6 de
método de localización basado en la transformación wavelet y el análisis EMD
septiembre de 2006. [6] K. Deb y K.-H. Jo, "licencia de vehículo basada en
", Pattern Recognition, vol. 48, no. 1, pp. 114-
color HSI
detección de placa ".
125, 2015.

[7] V. Abolghasemi, y A. Ahmadyfard, “Un enfoque basado en el borde

[17] S. Azam y MM Islam, "Matrícula automática

método asistido por color para la detección de matrículas ”, Image and Vision
detección en condiciones peligrosas ”, Journal of Visual Communication

Computing, vol. 27, no. 8, pp. 1134-1142, 2 de julio de 2009.

and Image Representation, vol. 36, págs. 172-186, 2016.

[8] AH Ashtari, MJ Nordin y K. Seyed Mostafa [18] V. Tadic, M. Popovic y P. Odry, "Fuzzified Gabor

Mousavi, "Un nuevo enfoque confiable para la detección de matrículas filtrar para detección de matrículas "Ingeniería
Aplicaciones de la inteligencia artificial, vol. 48, págs. 40-58,
persas en imágenes en color". pp. 1-5. [9] T. Panchal, H. Patel y A.
Panchal, "Matrícula 2016

Detección utilizando la esquina de Harris y la segmentación de caracteres [19] KCH Rong Choi Lee, Huan Sheng Wang, "Real-

mediante un enfoque integrado a partir de una imagen ”, Procedia Computer

Reconocimiento de matrículas de vehículos de tiempo basado en

Science, vol. 79, págs. 419-425, 2016. [10] S. Du, M. Ibrahim, M. Shehata et
escaneo y transformada de onda discreta 2D Haar, "Mecánica aplicada

al., “Automatic
y materiales, vol. 284-287, pp. 2402-2406, enero de 2013.

Reconocimiento de matrículas (ALPR): una revisión de vanguardia,

"Transacciones IEEE en circuitos y sistemas para tecnología de video, vol. [20] D. Bradley y G. Roth, "Umbral adaptativo utilizando

23, no. 2, págs. 311-325, 2013. la imagen integral ", Journal of Graphics Tools, vol. 12, no. 2, págs.
13-21, 2007.

81