Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Asadollah Shahbahrami Departamento Babak Abad Foomani Departamento Alireza Akoushideh Departamento de
de Ingeniería Informática de Ingeniería Informática Facultad de Ingeniería, Ingeniería Eléctrica Facultad de Chamran,
Facultad de Ingeniería Universidad Universidad de Rama Rasht, Universidad Técnica y
de Guilan, Rasht, Irán Guilan, Rasht, Irán Profesional, Teherán, Irán,
shahbahrami@guilan.ac.ir Babak.abad@yahoo.com a_akushide@sbu.ac.ir
Resumen: el reconocimiento automático de matrículas (ALPR) es una de las herramientas comparación con otros sistemas y pueden ser un equipo complementario para otros
más destacadas en las aplicaciones de sistemas de transporte inteligentes. En la sistemas [4]. Los sistemas basados en DIP utilizan imagen digital o video para
implementación del algoritmo ALPR, la detección de matrículas (LPD) es una etapa crítica. A reconocer vehículos. En estos sistemas, se debe extraer LP para reconocer un
pesar de muchas investigaciones de vanguardia, algunos parámetros como la iluminación baja / vehículo automáticamente. Los sistemas ALPR contienen tres pasos principales que
alta, el tipo de cámara o un estilo diferente de matrícula (LP) hacen que el paso LPD siga siendo son generales en muchos sistemas [1, 4, 5, 7]: detección de matrículas (LPD),
un problema difícil. En este artículo, proponemos un nuevo método sin estilo basado en el
segmentación de caracteres y reconocimiento de caracteres.
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 En el paso LPD, se debe extraer la región o regiones que solo tienen imagen LP.
imágenes de automóviles iraníes, incluidos dos estilos de LP. Además, el proceso de detección Este paso es el más destacado en ALPR [1, 6, 7] porque la operación adecuada y el
de placas lleva 44 milisegundos, lo que es adecuado para el procesamiento en tiempo real. 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
Palabras clave: detección de matrículas, espectro de potencia cruzada, umbral
embargo, presentar un enfoque para cubrir varios problemas como la iluminación alta /
adaptativo.
baja, el factor de zoom y la complejidad de la imagen sigue siendo una tarea difícil.
Yo NTRODUCCIÓN
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].
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
(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 umbral para ellos. Asumiendo que el valor umbral sea igual a
En este paso, la imagen de entrada se considera como una señal, que se filtra 0.85 del valor máximo de intensidades, cuatro píxeles eran más grandes que otros.
para alcanzar las regiones LP. Utilizamos Cross Power Spectrum (CPS) para el Marcamos estos píxeles con cuatro puntos blancos para que sean más observables en
filtrado. CPS se define usando (2): 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
HF
CPS eliminar las coincidencias no deseadas, deben verificarse.
(2)
| HF
**
El | El
1 13,1 8
2 14,5 77
3 40,1 8
44 14,8 1
utilizamos un
79
Tampoco debería tener regiones adicionales. Tenga en cuenta que si un algoritmo informa La figura 5 muestra una comparación entre nuestro algoritmo y otros avances en
un área falsa como una placa de matrícula, falso positivo, se asigna un punto negativo a la tasa de detección. Como podemos ver, nuestro algoritmo propuesto tiene el mejor
ese algoritmo. 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
Tiempo de ejecución: sabemos que el consumo de tiempo de cada algoritmo depende
computacional entre la técnica propuesta y algunos algoritmos de vanguardia. Como
de diferentes lenguajes de programación o sistema informático. Además, cada algoritmo
podemos ver, nuestro algoritmo propuesto tiene el tiempo de cálculo más bajo. Aunque
informa su resultado en función de sus conjuntos de datos. Para comparar todos los
la transformación de la imagen y el filtro ABF en el dominio de la frecuencia tiene varios
algoritmos de vanguardia de manera justa con nuestro enfoque, los ejecutamos en la misma gastos generales, el uso del producto Hadamard en lugar de una máscara ponderada
máquina 1, y el mismo lenguaje de programación 2 en nuestro conjunto de datos. Definimos el en convolución puede reducir el tiempo de cálculo general.
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
Tiempo computacional
dos conjuntos de grupos (A y B). Cada grupo consta de un estilo de imágenes de matrículas 500
421
de Irán. Además, cada grupo consta de tres subconjuntos de imágenes, que se toman con 400
diferentes iluminaciones de luz (Baja / Normal / Alta). Las propiedades de las imágenes
300
usadas en nuestro conjunto de datos y el resultado de la implementación del algoritmo 213
tiempo (milisegundos)
propuesto se ilustran en T PODER II T PODER II . 200
126
90 96 101
63
100 44
# de LP # de detectados Exactitud Fig. 6 Una comparación del tiempo computacional entre el enfoque propuesto y algunos algoritmos
Grupo # de imágenes LP relacionados.
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
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)
80
[11] SRK Dahiya, “Una revisión de la técnica de reconocimiento
[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,
[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.
método asistido por color para la detección de matrículas ”, Image and Vision
detección en condiciones peligrosas ”, Journal of Visual Communication
[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-
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.
23, no. 2, págs. 311-325, 2013. la imagen integral ", Journal of Graphics Tools, vol. 12, no. 2, págs.
13-21, 2007.
81