Recibido el 26 de febrero de 2020, aceptado el 4 de marzo de 2020, fecha de publicación el 9 de marzo de 2020, fecha de la versión actual, 19 de marzo de 2020.

Identificador de objeto digital 10.1109 / ACCESS.2020.2979185

Hacia un k-medias neutrosófico optimizado con algoritmo

genético para el reconocimiento automático de matrículas de
vehículos (ONKM-AVLPR)

BEDIR BEDIR YOUSIF 1, MOHAMED MAHER ATA 2, NEHAL FAWZY 3,

Y MARWA OBAYA 3,4
1 Departamento de Ingeniería Electrónica y de Comunicaciones, Facultad de Ingeniería, Universidad de Kafrelsheikh, Kafrelsheikh 35514, Egipto
2 Departamento de Ingeniería Electrónica y de Comunicaciones, Instituto Superior de Ingeniería y Tecnología de MISR, Mansoura 35516, Egipto.
3 Departamento de Ingeniería Electrónica y de Comunicaciones, Facultad de Ingeniería, Universidad de Mansoura, Mansoura 35516, Egipto.
44 Programa de Comunicaciones, Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad PNU, Riad 84428, Arabia Saudita Autor para correspondencia:

Mohamed Maher Ata ( mmaher844@yahoo.com )

RESUMEN El presente documento propone una nueva metodología para el reconocimiento de matrículas (LP) en el estado del arte de los algoritmos de procesamiento de

imágenes y un conjunto neutrosófico (NS) optimizado basado en el algoritmo genético (GA). En primer lugar, hemos realizado algunas técnicas de procesamiento de imágenes,

como detección de bordes y operaciones morfológicas para utilizar la localización (LP). Además, hemos extraído las características más destacadas mediante la implementación

de una nueva metodología utilizando (GA) para optimizar las operaciones (NS). El uso de (NS) disminuye la indeterminación en las imágenes (LP). Además, el algoritmo de

agrupamiento k-means se ha aplicado para segmentar los caracteres (LP). Finalmente, hemos aplicado el algoritmo de análisis de etiquetado de componentes conectados

(CCLA) para identificar las regiones de píxeles conectadas y agrupar los píxeles apropiados en componentes para extraer cada carácter de manera efectiva. Se han calculado

varios índices de rendimiento para medir la eficiencia del sistema, como precisión, sensibilidad, especificidad, dados y coeficientes de jaccard. Además, hemos creado una base

de datos para todos los detectados y reconocidos (LP) con fines de prueba. Los resultados experimentales muestran que la metodología propuesta tiene la capacidad de ser

adecuada tanto para (árabe-egipcio) como para inglés (LP). El sistema propuesto logra un alto grado de precisión de reconocimiento para todo el sistema de acuerdo con los

siguientes estudios de caso; (i) para un egipcio de alta resolución (LP), el sistema propuesto alcanza aproximadamente el 96,67% de precisión del reconocimiento correcto, (ii)

para un inglés (LP) corrupto de baja resolución, el sistema propuesto alcanza una precisión del 94,27%. Además, hemos aplicado el sistema propuesto en algún tipo de

perturbación de la imagen, es decir (destello en la imagen, ruido externo y variación de iluminación), el sistema propuesto alcanza una precisión de 92,5% de identificación

correcta. Sin embargo, los métodos tradicionales logran aproximadamente un 79% de precisión de identificación correcta en presencia de tales degradaciones de imagen. Esto

refleja cómo el sistema propuesto se generaliza, optimiza y propone un alto grado de precisión de reconocimiento. Precisión del 5% de la identificación correcta. Sin embargo, los

métodos tradicionales logran aproximadamente un 79% de precisión de identificación correcta en presencia de tales degradaciones de imagen. Esto refleja cómo el sistema

propuesto se generaliza, optimiza y propone un alto grado de precisión de reconocimiento. Precisión del 5% de la identificación correcta. Sin embargo, los métodos tradicionales

logran aproximadamente un 79% de precisión de identificación correcta en presencia de tales degradaciones de imagen. Esto refleja cómo el sistema propuesto se generaliza,

optimiza y propone un alto grado de precisión de reconocimiento.

TÉRMINOS DEL ÍNDICE Análisis de etiquetado de componentes conectados, algoritmo genético, k-medias, segmentación de letras y números, localización
de matrículas, conjunto neutrosófico.

I. INTRODUCCIÓN
El reconocimiento automático de matrículas de vehículos (AVLPR) ha aumentado
ampliamente en aplicaciones tales como la supervisión del tráfico por carretera, el
seguimiento de vehículos, el estacionamiento y los sistemas inteligentes de transporte (ITS).
La placa de matrícula (LP) es una placa de metal que incluye caracteres y palabras que se
fijan en el cuerpo exterior del vehículo y se utilizan para reconocer los vehículos [1]. Debido a
las diversas discriminaciones de (LP) con respecto a la forma, el tamaño, el idioma,
signos y colores de un país a otro. Se han sugerido muchos métodos para
(AVLPR) dependiendo de las características y regulaciones del país (LP). Localizar
la matrícula en un fondo complejo es una misión difícil. Por lo tanto, se deben
considerar algunos factores importantes para adquirir una extracción exitosa de la
(LP) como el tamaño de la placa, la calidad de la imagen, el estilo de la placa, la
condición de la iluminación, la ubicación de la placa y las especificaciones de fondo
[2], [3].

En la última década, se han implementado muchos estudios de

El editor asociado que coordinó la revisión de este manuscrito y lo aprobó para su investigación para mejorar el proceso de reconocimiento de matrículas (LPR).
publicación fue Inês Domingues . La mayoría de estos estudios dependen de

Este trabajo está bajo una licencia Creative Commons Attribution 4.0. Para obtener más información, consulte https://creativecommons.org/licenses/by/4.0/
VOLUMEN 8, 2020 49285

FIGURA 1. Muestra de placas egipcias e inglesas.
Algoritmos tradicionales de preprocesamiento de imágenes, como localización de placas,
extracción de caracteres y reconocimiento de patrones [4]. Sin embargo, esas técnicas
adolecen de una obvia falta en el grado de eficiencia de reconocimiento (LP)
especialmente bajo diferentes degradaciones de imagen, por ej. (parpadeo, desenfoque,
oscurecimiento o cualquier ruido externo).
En este documento, consideramos tanto las matrículas (árabe-egipcias)
como las matrículas inglesas. Elegimos las placas egipcias, ya que sería
considerado como uno de los estudios de caso más complicados (LP). El
egipcio (LP) tiene muchos estilos que están escritos tanto en árabe como en
inglés. Además, elegimos placas de baja resolución en inglés para validar la
metodología propuesta en diferentes estudios de casos. La figura 1 representa
algunas muestras de matrículas egipcias tanto en estilo antiguo como nuevo y
en matrículas inglesas. Consideramos reconocer los números y letras del estilo
(LP) con cuatro etapas principales; (i) detección (localización), (ii)
segmentación, (iii) reconocimiento, (iv) comunicación de la base de datos. En la
primera etapa, hemos detectado la ubicación adecuada del (LP) mediante el
uso de detección de bordes y operaciones morfológicas. En la segunda etapa,
hemos sugerido un algoritmo de conjunto neutrosófico (NS) optimizado para
extraer las características más destacadas en las imágenes (LP). Esta
optimización se ha logrado utilizando un algoritmo genético. La estrategia
propuesta tiene como objetivo reducir la indeterminación en las imágenes (LP).
Además, el algoritmo k-means se ha utilizado con fines de agrupamiento, y el
último paso en la etapa anterior, el análisis de etiquetado de componentes
conectados (CCLA) se ha aplicado para extraer caracteres individualmente.
En la tercera etapa, los caracteres se reconocerían de acuerdo con la medición de
los caracteres que coinciden con las plantillas que se almacenaron en la base de datos.
Finalmente, almacenamos el reconocido (LP) en la base de datos de acceso de
Microsoft. La figura 2 muestra el diagrama de bloques del sistema propuesto.
II TRABAJO RELACIONADO
P. Prabhakar et al. han presentado un método prometedor para extraer la
ubicación y los caracteres de la matrícula (LP) [5]. El algoritmo dependía de
convertir la imagen del vehículo en una imagen en escala de grises. Luego, han
aplicado algunos algoritmos tradicionales de procesamiento de imágenes para
calcular el componente conectado para extraer caracteres individualmente. Su
metodología propuesta ha logrado un porcentaje de precisión aceptado al
optimizar algunos parámetros para lograr una tasa de reconocimiento aceptable
que los métodos clásicos.
CHLin et al. presentó un sistema efectivo de reconocimiento de matrículas
que primero detecta vehículos y luego recupera las matrículas de los vehículos
para reducir los falsos positivos en
49286
BB Yousif et al .: Hacia un ONKM-AVLPR
FIGURA 2. El marco propuesto.
detección de placa [6]. Han mejorado la tasa de reconocimiento de caracteres de
imágenes borrosas y misteriosas utilizando redes neuronales de convolución.
AC Roy et al. propuso una solución para el reconocimiento de matrículas de
Bangladesh [7]. En primer lugar, han localizado la posición de la placa (LP) del
vehículo en función de las placas comerciales con un color único (verde) para el
estándar de su país. Han logrado el proceso de aislamiento mediante el uso de
proyección horizontal con valor umbral. Han logrado criterios de segmentación
de caracteres mediante el uso de proyección vertical con umbral. Además, para
reconocer los caracteres, han utilizado un algoritmo de coincidencia de plantillas.
Capturaron más de 180 imágenes fijas de las carreteras para probar sus
algoritmos. Han logrado aproximadamente (93%), (98.1%) y (88.8%)
respectivamente para la tasa de éxito en la detección, segmentación y
reconocimiento de matrículas de Bangladesh.
Ullah et al. Este documento se ha centrado en la detección de placas de matrícula
solamente [8], que dependen de características morfológicas matemáticas tales como
(altura, ancho, ángulo y relación) de la placa de matrícula. El sistema propuesto
funciona para todos los tipos de matrículas en inglés que varían en formas y tamaños.
Sin embargo, su sistema propuesto tiene la capacidad de manejar imágenes que son
complejas y varían en el fondo, el tamaño, la distancia y el ángulo de la cámara, etc.
El método propuesto encontró la tasa de ubicación correcta del 78% solamente.
S. Omran et al. propuesto para Iraqi, un sistema automático de reconocimiento de
matrículas, mediante el uso del reconocimiento óptico de caracteres (OCR) con la
coincidencia de plantillas y el enfoque de correlación para el reconocimiento de placas [9].
Se utiliza en más de 40 imágenes, y finalmente se le da 87.5% para extracción de placa y
85.7% para reconocimiento de placa.
B. Tiwari et al. introdujo el algoritmo genético (GA) para detectar las
ubicaciones de los caracteres de la matrícula [10]. Esta técnica solía
distinguir la característica clave de las placas de matrícula de acuerdo con
símbolos con bordes robustos de luz oscura. Esta técnica utilizada para
superar la licencia
VOLUMEN 8, 2020
BB Yousif et al .: Hacia un ONKM-AVLPR
el problema de detección de placa (LP) depende solo del diseño geométrico de los
caracteres (LP). La técnica propuesta tiene una alta impunidad a los cambios en la
iluminación.
KM Babuand et al. tiene cuatro pasos principales para el reconocimiento de
matrículas [11]. En primer lugar, en el preprocesamiento, las imágenes se capturan a
través de la cámara digital, se ajusta el brillo apropiado, se elimina el ruido y se convierte
en una imagen en escala de grises. En segundo lugar, encontraron los bordes en la
imagen para extraer la ubicación (LP). Además, los caracteres están segmentados en
(LP). Finalmente, han aplicado un algoritmo de coincidencia de plantillas para reconocer
cada carácter en la imagen (LP). Todo el sistema ha logrado aproximadamente un
91,11% de precisión. Sin embargo, no trataron con algunas dificultades de la siguiente
manera (imagen borrosa, rota (LP) y similitudes entre los personajes).
N. Rana et al. ha discutido varias técnicas de detección de matrículas y
compara su desempeño en parámetros similares [12]. Han utilizado análisis
de firma con análisis de componentes conectados y transformación de
distancia euclidiana). Han logrado un 92% de precisión de éxito y fallas
debido a la iluminación inapropiada y al desenfoque.
Vidhya norte et al. han presentado diferentes tipos de enfoques como sus desafíos
involucrados en la detección, localización y reconocimiento de números de matrículas
[13]. Este documento presenta una encuesta de las técnicas de reconocimiento de
matrículas clasificándolas en función de las características utilizadas en cada etapa y
descubrió que la mayor precisión de ellas fue la detección basada en bordes, la
ventana concéntrica deslizante, que logró una precisión de éxito del 98.4%.
Este trabajo presenta las siguientes contribuciones: 1- Hemos propuesto
una nueva metodología para la matrícula
reconocimiento (LPR) en el estado del arte de algoritmos de procesamiento
de imágenes y un conjunto neutrosófico optimizado (NS) basado en algoritmo
genético (GA). 2- Hemos extraído las características más destacadas por
imple-
Mencionando una nueva estrategia según (GA) para optimizar las
operaciones (NS). El uso del conjunto (NS) disminuye la indeterminación en las
imágenes de matrícula (LP). 3- Hemos aplicado el algoritmo de agrupamiento
k-means para seg-
Mencione los caracteres (LP).
4- Hemos aplicado componentes conectados etiquetado anal-
Algoritmo ysis (CCLA) para identificar las regiones de píxeles conectadas y
agrupar los píxeles apropiados en componentes para extraer cada carácter de
manera efectiva. 5- El sistema propuesto tiene como objetivo una alta tasa de
reconocimiento
Precisión de la posición en presencia de degradaciones e interrupciones de la
imagen (LP).
6- Finalmente, los resultados experimentales muestran lo siguiente:
i Para un egipcio de alta resolución (LP), el sistema propuesto logra
aproximadamente un 96,67% de precisión de reconocimiento correcto.
ii Para un inglés (LP) dañado de baja resolución,
el sistema propuesto logra una precisión del 94,27%. Algunos
ejemplos de tales corrupciones (letras discontinuas o invisibles,
variación de iluminación y oscurecimiento).
VOLUMEN 8, 2020
iii En caso de egipcio (LP), hemos aplicado el
sistema propuesto en algún tipo de perturbación de la imagen, es
decir (destello en la imagen, ruido externo y variación de la iluminación), el
sistema propuesto alcanza aproximadamente el 92.5% de precisión de la
identificación correcta de la binarización. Sin embargo, los métodos
tradicionales logran aproximadamente un 79% de precisión en la
identificación correcta de la binarización en presencia de degradación de la
imagen. Esto refleja cómo el sistema propuesto se generaliza, optimiza y
propone un alto grado de precisión de reconocimiento. La parte restante de
este documento se organiza de la siguiente manera. Sección III, proporciona
la posibilidad de localización (LP). Sección IV propuso un nuevo método para
segmentar y extraer letras y números. Sección V, presentó cómo podemos
reconocer los caracteres según la base de datos de almacenamiento.
Sección VI,
Explicar los resultados experimentales de nuestro sistema propuesto. Sección VII; demostrar el
almacenamiento de nuestro resultado como un texto en la base de datos de acceso de
Microsoft. Finalmente, el trabajo se concluye en la sección VIII
III. LOCALIZACIÓN DE PLACA DE LICENCIA
A. ADQUISICION DE IMAGEN
Las imágenes de la matrícula egipcia (LP) se capturan con una cámara digital de alta
resolución (Nikon) con una resolución de (5152 × 3864) píxeles. Las imágenes se
toman desde los lados delantero y trasero de los vehículos con una distancia
(aproximadamente 2 metros y hasta 3 metros de distancia) a las (12.00 p.m.). Las
imágenes se recopilan de muchos lugares, como parques, campamentos, calles
(https: //drive.google.com/file/d/1CUSzJgDM10zrsRo1SQj5 mibZPddFriP / view). Las
imágenes en inglés (LP) se capturan utilizando la cámara digital (OLYMPUS
CAMEDIA C-2040ZOOM) con una resolución de (640 × 480) píxeles. Las imágenes de
la base de datos han incluido más de 500 imágenes de las vistas traseras de varios
vehículos (camiones, automóviles, autobuses), tomadas bajo diferentes condiciones
de iluminación (nublado, soleado, lluvioso), como se muestra en la Fig. 3 [14].
B. PRE-PROCESAMIENTO DE IMÁGENES
En el preprocesamiento de la imagen RGB del automóvil, como se muestra
en la Fig. 4 (a), se reduce a 50% de su escala original para reducir el
tiempo de cálculo. Además, se han utilizado imágenes de corte y cambio de
tamaño para disminuir la probabilidad de encontrar regiones candidatas
como se muestra en la Fig. 4 (b). La imagen RGB contiene tres canales
rojo, verde y azul, cada canal tiene un valor en el rango (0-255), mientras
que la imagen en escala de grises tiene solo un canal, por lo que
convertimos la imagen RGB al formato de escala de grises como se
muestra en la Fig.4 (c ) Además, hemos aumentado el contraste de las
imágenes para facilitar el proceso de detección de (LP) [15] como se
muestra en la Fig. 4 (d). Del mismo modo, todos los pasos discutidos
anteriormente también se han aplicado en las placas de matrícula en inglés.
Sin embargo, en este caso,
49287

FIGURA 3. Muestra de vehículos.
FIGURA 4. ( a) Imagen RGB, (b) Imagen de corte y redimensionamiento, (c) Imagen de escala de grises, (d)
Imagen de contraste, (e) Filtros medianos, (f) Detectores de borde Sobel, (g) Dilatación, (h) Imagen rellena, (i)
Erosión, (j) Eliminación de objetos no deseados.
C. LOCALIZAR RECTÁNGULOS DE VEHÍCULO DE PLACA
En el sistema propuesto, la placa se ha extraído mediante la aplicación de un grupo de
operaciones; (i) fi ltro mediano de aplicación con máscara (3 × 3) para fomentar la imagen
y eliminar ruidos (apariencia aleatoria en píxeles en blanco y negro) como se muestra en
la Fig. 4 (e). (ii) aplique el detector de bordes sobel [16], [17] para detectar los bordes
apropiados como se muestra en la Fig. 4 (f). (iii) aplique operaciones morfológicas
(dilatación y erosión de la imagen) para aislar la placa del fondo. La dilatación se usa
para aumentar el grosor del límite para evitar problemas de líneas discontinuas, la
dilatación hace que los objetos sean más grandes a medida que cada píxel de fondo se
transfiere a un píxel de objeto como se muestra en la Fig. 4 (g). Además, todos los
agujeros se han llenado como se muestra en la Fig. 4 (h). La erosión utilizada para
asignar las regiones de placa candidatas mediante el uso de elementos de estructura
cuadrada como se muestra en la Fig. 4 (i). Finalmente,
49288
BB Yousif et al .: Hacia un ONKM-AVLPR
FIGURA 5. ( a) Imagen RGB, (b) Cambiar el tamaño de la imagen, (c) Imagen en escala de grises, (d)
Imagen de contraste, (e) Filtros medianos, (f) Detectores de borde Sobel, (g) Dilatación, (h) Imagen llena,
(i ) Erosión, (j) Eliminar objetos no deseados.
(iv) puede haber más de un área candidata para la ubicación (LP), por lo que la eliminación de
objetos no deseados se ha aplicado como se muestra en la Fig. 4 (j), y la similitud de todos los
pasos para las matrículas inglesas como se muestra en la Fig.
D. (LOCALIZACIÓN LP) DETECCIÓN DE LÍMITES
CERRADOS
El paso final ahora es localizar el apropiado (LP). Hemos aplicado dos
verificadores básicos para garantizar que la región de la placa sea correcta y
rechazar las regiones indeseables. Estos pasos se enumeran a continuación
[18]:
1) VERIFICADOR DE FORMA DE RECTÁNGULO
Compruebe si la suma de píxeles blancos = (+ 5% o -5%) como tolerancia para el área
apropiada de estas regiones [19].
2) DIMENSIÓN DEL CONTROLADOR DE PLACA
Compruebe si (a < altura / ancho de la región de éxito < si).
Mientras que los valores de los parámetros (a, b) dependen de las dimensiones
de la matrícula (LP). El algoritmo 1 explica brevemente los criterios de detección
(LP) con las dos fichas. Tenga en cuenta que si la región detectada no se ha
considerado como una placa, entonces comenzamos el procedimiento de detección
desde su primer paso. Sin embargo, en lugar de utilizar una imagen en escala de
grises contrastada, utilizamos una imagen en color de canal verde [20]. El canal
verde proporciona suficiente contraste para la imagen, también desenfocamos la
imagen para suavizar los bordes (LP) y
VOLUMEN 8, 2020
BB Yousif et al .: Hacia un ONKM-AVLPR

FIGURA 6. Algoritmo de localización de matrículas.

Algoritmo 1 Etapa de detección

Entrada: Imagen del auto.

Salida: Imagen de matrícula (LP).

Pasos:

Imagen de preprocesamiento ( cambio de tamaño, imagen en escala de grises, contraste).

Aplicar proceso de filtrado con alguna operación morfológica (filtro medio, detección de
bordes sobelos, dilatación, llenado de agujeros, erosión, eliminación de objetos no deseados) para
mejorar la imagen.
Aplicar cuadro delimitador alrededor de cada región en la imagen.
FIGURA 7. Base de datos de vehículos egipcios según color de licencia.
Etiqueta Todos los objetos detectados.

Calcular longitud, ancho para cada región que se detectaría y calcular la relación (longitud /
ancho).
Si suma de píxeles blancos = (+ 5% o -5%) como tolerancia para el área de estas regiones. la región se analizaría en el modo de escala de grises para reconocer letras
Leer Proxima linea. y números en (LP).
Si a <( largo / ancho) < si
Cosecha imagen y guárdelo. Más
A. IMAGEN NEUTROSÓFICA

Carga ruta de la imagen y recortar y cambiar el tamaño de la imagen. El análisis de neutrosofía se ha utilizado para estimar la indeterminación
Aplicar imagen de canal verde en lugar de imagen de canal en escala de grises e imagen borrosa. Probado (incertidumbre) en el conjunto de datos de imagen. Conjuntos de pertenencia que
= verdadero contienen un cierto grado de falsedad (F), indeterminación (I) y verdad (T). Estas
funciones de membresía se aplican para asignar la imagen de entrada al dominio
Final interior si
(NS), lo que resulta en la imagen (NS) ( UNA NS). Entonces, para la imagen, el píxel
Final exterior si
A (x, y) se define como UNA NS ( x, y) = A (t, i, f) = {T (x, y), I (x, y), F (x, y)} para el
dominio (NS) que da la pertenencia verdadera, indeterminada y falsa al conjunto
de píxeles brillantes. Suponga que A (x, y) demuestra el valor de intensidad del
reduce el ruído. La figura 6 explica todo el algoritmo de localización de
píxel (x, y), y Hacha, y) indicado a su valor medio local, las funciones de membresía
matrículas.
se pueden representar de la siguiente manera [21] - [24].

IV. LETRAS Y NÚMEROS SEGMENTACIÓN Y EXTRACCIÓN

El conjunto de datos de las placas inglesas contiene imágenes de vehículos

T (x, y) = A (x, y) - UNA min , (1)
con placas domésticas de toda Croacia [14]. La nueva matrícula egipcia tiene
UNA max - UNA min
un tamaño estándar de (16 × 32) cm que se divide en tres regiones
x + si2 y + si2
principales; la región superior de la placa con 62 mm, una región desde el ∑ ∑
Hacha, y) = 1 A.m, norte), (2)
borde superior de la placa contiene una palabra de "Egipto" en inglés y árabe. si ∗ si
Esta región tiene un color de fondo que indica el tipo de automóvil (taxi, m = x - si 2 n = j - si 2

privado, etc.) como se muestra en la Fig.7.

Yo (x, y) = δ ( X, y) - δ min (3)
δ max - δ min,
La región de recordatorio de la placa se separa verticalmente en dos partes; la mitad δ ( X, y) = abs ((A (x, y) - Hacha, y))), (4)
derecha incluye las letras de la placa, y la mitad izquierda incluye números. En
F (x, y) = 1 - T (x, y) (5)
consecuencia, las regiones de placas egipcias se dividen en dos partes con una relación
de (1: 2) desde la altura, analizando la primera región de la imagen original mediante el donde el valor de intensidad del píxel (x, y) es A (x, y), su valor medio local
uso de un filtro de color para identificar el tipo de automóvil. Además, el segundo representado por Hacha, y) y su valor absoluto representado por δ ( x, y)
donde, el valor de I (x, y) midiendo

VOLUMEN 8, 2020 49289

 BB Yousif et al .: Hacia un ONKM-AVLPR

la indeterminación de UNA NS ( x, y). La entropía de la imagen (NS) representa
como, la suma de entropías de los tres conjuntos T,
F e I, que reflejan la distribución de elementos en el dominio (NS), que se
representaría de la siguiente manera:
mi NS = mi T + mi I + mi F,
donde 'b' expresa el tamaño del filtro promedio, que se establece como b = 3
para producir la imagen del conjunto neutrosófico (NS), el valor absoluto de la
varianza entre la intensidad media y su valor medio de la intensidad media, se
expresa mediante
δ T ( X, y) La entropía de I aumenta al obtener una distribución uniforme de los
(6) elementos, donde el α valor en el α- mean ha sido optimizado mediante el uso

∑ del algoritmo genético (GA).

mi T = - max { T} (7)
i = min { T} PAGS T ( yo) ln ( PAGS T ( yo)), B. OPTIMIZACIÓN EN ( α - MEDIO) USANDO
ALGORITMO GENÉTICO
∑
mi F = - max { F} (8) El valor óptimo de ( α) se ha calculado de forma adaptativa utilizando (GA) [26] -
i = min { F} PAGS F ( yo) ln ( PAGS F ( yo)), [28], como se analiza en el algoritmo 2. La función de optimización de la aptitud
es jaccard (JAC), que son medidas estadísticas que calculan la unión ' ∪ 'y la
∑
intersección' ∩ 'operadores de cualquiera de los dos conjuntos. Esta aptitud (JAC)
mi Yo = - max { YO } (9)
viene dada por:
i = min { YO } PAGS YO ( yo) ln ( PAGS YO ( yo)),

Los tres subconjuntos de entropía están representados por ( mi T mi YO , mi F)

Las probabilidades de los elementos en las tres funciones de membresía están JAC (f, q) = A rf ∩ UNA rq (19)
UNA rf ∪ UNA rq,
representadas por ( PAGS T ( i), P YO ( i), P F ( yo)). Además, las desviaciones en F y T
crean la distribución de elementos en la imagen, y la entropía de I para hacer que F dónde, UNA rf es la región segmentada computarizada (LP)
y T se correlacionen con I. utilizando el sistema propuesto (ONKM), y UNA rq es la región de la verdad
fundamental (LP) como se discute en el algoritmo 3. La Fig. 10 ilustra el diagrama de
flujo del algoritmo de segmentación de caracteres de la placa de matrícula (ONKM)
1) α- MEDIO DE IMAGEN NEUTROSÓFICA para obtener ( α óptimo). Para lograr el máximo de coeficiente (JAC) con algoritmo
La operación media local para una imagen de nivel de gris A es [25]: genético, aplicamos la ecuación. (20)

x + si 2 y + si 2
∑ ∑
Hacha, y) = 1 A.m, norte), (10) F (f, q) = 1 - JAC (f, q), (20)
si ∗ si
m = x - si 2 n = j - si 2
C. K-MEDIA CLUSTERING UTILIZANDO
Los ( α- media) operación para imagen neutrosófica UNA NS es OPTIMIZADO ( α- MEDIA)

K-means es una técnica de agrupamiento, que suma los objetos en grupos

UNA NS ( α) = A ( α), YO ( α), F( α)), (11)
K [29] - [33]. La siguiente expresión matemática introduce el k-significa:

dónde T ( α), YO ( α) y F( α) se expresan de la siguiente manera:

re j
∑ ∑ ∥∥ W yo - Z j ∥∥,
Yo < α
T ( α) = { T (12) O=q (21)
T α, yo ≥ α
j=1 i=1

Yo < α donde, q es el número total de grupos, Z j es el centro de la j th clúster y re j es

F( α) = { F, (13)
F α, yo ≥ α el número de píxeles de la j th racimo. En el algoritmo k-means, es necesario
disminuir O por
x + si 2 y + si 2
∑ ∑
T α ( X, y) = 1 T (m, norte), (14)
si ∗ si
m = x - si 2 n = j - si 2
Algoritmo 2 Algoritmo genético
Generar n poblaciones aleatorias.
x + si 2 y + si 2 Calcular La función de aptitud de estas soluciones.
∑ ∑
F α ( X, y) = 1 F (m, norte), (15) Crear nueva poblacion.
si ∗ si Seleccione de la población dos cromosomas parentales según su aptitud.
m = x - si 2 n = j - si 2

Transversal los padres para la nueva descendencia.

yo α ( X, y) = δ T ( X, y) - δ T min , (dieciséis) Mudar nueva descendencia

δ T max - δ T min Asignar nueva descendencia
Utilizar La nueva población generada para la iteración.
δ T ( X, y) = abs (T (x, y) - T (x, y)), (17) Si la restricción final lograda.

x + si 2 y + si 2 Detener, y proporcionar la solución preeminente.

∑ ∑
T (x, y) = 1 T (m, norte), (18) Termina si repite Los pasos
si ∗ si anteriores.
m = x - si 2 n = j - si 2

49290 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

FIGURA 8. ( a) Placa detectada, (b) Placa gris, (c) Imagen de verdad, (d) Imagen de indeterminación, (e) Imagen falsa, (f) Imagen de última verdad, (g) Última imagen de indeterminación, (h) Última imagen falsa, (i) Imagen
K-mean, (j) Imagen de verdad del terreno, (k) Imagen de salida de optimización genética, (l) Imagen después de aplicar (CCLA).

FIGURA 9. ( a) Placa detectada, (b) Placa gris, (c) Imagen de verdad, (d) Imagen de indeterminación, (e) Imagen falsa, (f) Imagen de última verdad, (g) Última imagen de indeterminación, (h) Última imagen falsa, (i) Imagen
K-mean, (j) Imagen de verdad del terreno, (k) Imagen de salida de optimización genética, (l) Imagen después de aplicar (CCLA).

Algoritmo 3 Extracción de la verdad del terreno Aquí aplicamos el agrupamiento k-means para el optimizado (NS) al subconjunto ( T)

Entrada: imagen de la región de la placa.

Salida: Imagen de la verdad fundamental.

Pasos: D. ANÁLISIS DE ETIQUETADO DE COMPONENTES CONECTADOS

inicio
(CCLA)
Convertir Rgb2gray imagen.
El análisis de etiquetado de componentes conectados se identificaría como un
Binarizar Imagen en escala de grises.
Aplicar 2 do orden de umbral adaptativo: proceso de escaneo de imagen (píxel por píxel), es decir (de arriba a abajo y de
T1: valor umbral 1 izquierda a derecha). El objetivo del proceso es reconocer las regiones y grupos de
T2: valor umbral 2 píxeles conectados en componentes según el grado de conectividad de píxeles,
D: T1 deseado
mientras que todos los píxeles en un componente conectado que comparten los
<D <T2
mismos valores de intensidad de píxeles y de alguna manera están conectados
Dilatar re
Rellenar y extraer re entre sí [34], [ 35] Una vez que se han especificado todos los grupos, cada píxel se
Final etiqueta con un nivel de gris o un color de acuerdo con el componente, que antes se
asignaría a cada uno de esos píxeles. Fig.8 y Fig.9 ilustran las etapas discutidas
aplicando la siguiente condición: previamente. La figura 10 presenta el algoritmo completo de segmentación y
extracción de letras y números. El algoritmo 4 analiza todos estos pasos
∑
Zj=1 W yo, (22) brevemente.
re j
W yo ∈ C j

donde en el conjunto de datos, W = { w yo, i = 1, 2, . . . , n}, w yo es una muestra en el

}
V. RECONOCIMIENTO DE PERSONAJES
espacio d-dimensional y C = {C 1, C 2, . . . , C q
es la partición que satisfizo que W = U q Ahora, la coincidencia de caracteres se ha inicializado comparando los
i=1 C yo. Después
optimizando α, ( T e I) los subconjuntos se convierten en un nuevo valor, mientras que el efecto de caracteres extraídos con las letras estándar (17 alfabetos y 10 numéricos)
la indeterminación es el siguiente: de tamaño 42 × 24 para matrícula egipcia (LP) [18]. Además, se han
utilizado otros criterios de coincidencia de caracteres con las letras estándar
Yo (x, y) < α óptimo (26 alfabetos y 10 numéricos) de tamaño 42 × 24 para inglés (LP) [36].
W (x, y) = {T (x, y) (23)
T α ( X, y) Yo (x, y) ≥ α óptimo

VOLUMEN 8, 2020 49291

 BB Yousif et al .: Hacia un ONKM-AVLPR

FIGURA 10. Algoritmo de letras y segmentación de números.

49292 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

FIGURA 11. Algoritmo de reconocimiento de caracteres.

Algoritmo 4 Segmentación
Entrada: Imagen de matrícula.

Salida: Letras y números de imagen de matrícula.

Método: ( NS + K-mean + Algoritmo genético + Análisis de etiquetas de componentes conectados).

Pasos:

Fase de utilización A: NS para

cada imagen.

Leer imagen de matrícula y convertir imagen a imagen gris.

Calcular valor medio local de la imagen gris con filtro promedio ( 3 × 3) de acuerdo a ecuación (2) && obteniendo max y min del valor medio local.

Obtener valor absoluto entre imagen gris y valor medio local de imagen gris según ecuación ( 4 4 ) && obteniendo min, max de valor absoluto.

Obtener verdad (T) según ecuación (1). Obtener indeterminación

(I) según ecuación ( 3 ) Obtener falsedad (F) según ecuación
(5).
B: NS + K significa.
Mientras loop ( abs (Entropía para nueva indeterminación –Entropía para vieja indeterminación) / Entropía para vieja indeterminación) ≤ δ.
Calcular antigua entropía por indeterminación según ecuación (9). Inicializar alfa
aleatorio, rango establecido (0 a 1).
Calcular media alfa del subconjunto verdadero según ecuación ( 12 ) Calcular nueva entropía por
indeterminación según ecuación (9), ( dieciséis ) Mientras loop = True Aplicar K-significa
segmentación con (K = 2) racimos

Segmento última imagen verdadera que logra la condición de bucle con umbral (alfa).
Otra repetición
mientras finaliza el bucle

C: algoritmo genético
Aplicando el (GA) para buscar α óptimo a través del rango especificado que alcanza el valor más alto de jaccard, que se usa para medir la similitud entre 2
conjuntos, y es la función de ajuste de acuerdo con ecuación ( 19 ), (20).
Fase de verificación

Calcular ( NS) para la imagen de prueba usando α óptimo sin usar (GA).
Mapa la imagen de prueba en el conjunto optimizado - (NS).
Grupo y segmento los píxeles usando k –medios según ecuación ( 23 )
D: Análisis de etiqueta de componente conectado

Eliminar objeto no deseado que menos de 50 píxeles.

Dilatación para separar los personajes unos de otros.
Etiqueta y cuenta componentes conectados y propiedades de medida de regiones de imagen.
Calcular relación entre la longitud del eje (mayor y menor) para cada objeto.
Calcular relación entre la suma de píxeles negros y blancos de cada objeto.
Extraer letras y números individuales de las placas.

En la técnica de correspondencia, utilizamos el método estadístico de correlación cruzada
[37].
Dado que había dos imágenes (imagen de base de datos conocida e imagen de entrada)
en este sistema. Correlación cruzada considerada como
F 1 ( j, k) para 1 ≤ j ≤ J y F 2 ( j, k) para 1 ≤ k ≤ K expresa aproximadamente dos imágenes
discretas que indican la imagen que se va a encuestar y la plantilla, respectivamente. La
correlación cruzada normalizada entre el par de imágenes se expresa como Eq. (24),
como se muestra en la parte inferior de la página siguiente. La figura 11 resume los
pasos principales para la etapa de reconocimiento.
VI. RESULTADOS EXPERIMENTALES Y DISCUSIÓN
Se han utilizado experimentos con MAT LAB R2016b, procesador corei5 y (4
GB de RAM). El sistema propuesto se ha utilizado de acuerdo con 250
imágenes con un tamaño de (5152 ×
3864) píxeles para egipcio (LP) y 500 imágenes con un tamaño de (640 × 480)
píxeles para inglés (LP). Además, hemos registrado los resultados de acuerdo con
algunas degradaciones de la imagen, como placas sucias, placas de iluminación
no uniformes, imágenes ruidosas, imágenes borrosas e imágenes oscuras. Se
han tomado imágenes de ambas direcciones de vehículos (adelante y

VOLUMEN 8, 2020 49293

 BB Yousif et al .: Hacia un ONKM-AVLPR

TABLA 1. Resultados experimentales.

TABLA 2. Mediciones de rendimiento promedio utilizando (NS + K-means) con δ = 0.001, para matrículas egipcias.

hacia atrás). Las imágenes egipcias (LP) se separaron con la distancia (2 a 3 m) de
los vehículos. Capturamos imágenes de prueba egipcias (LP) con una cámara
digital (NIKON D5200) con resolución del sensor (24 MP CMOS), y capturaron
imágenes de prueba en inglés (LP) con una cámara digital (OLYMPUS CA MEDIA
C-2040 ZOOM) con resolución del sensor (2 MP CMOS). Las imágenes se han
y falso negativo (FN) [38], [39]. yo) TP: píxeles correctamente segmentados como la
columna vertebral en la verdad y el algoritmo que usamos. ii) TENNESSE: píxeles no
representados como la columna vertebral en la verdad básica y por el algoritmo que
utilizamos. iii) FP:
los píxeles no se representan como la columna vertebral en la verdad básica, pero se

recopilado como una base de datos de muchos lugares como parques, representan como la columna vertebral mediante el algoritmo que usamos (falsamente

campamentos y calles, la Tabla 1 ilustra una muestra del resultado general del segmentado). iv) FN: píxeles representados como la columna vertebral en la verdad básica,

sistema. pero no representados como la columna vertebral por el algoritmo que utilizamos.

(una) Exactitud: se puede definir como el porcentaje de instancias correctamente

A. EVALUACIÓN CUANTITATIVA clasificadas, se puede representar como se muestra en la ecuación. ( 25 )

1) MEDIDAS CLÁSICAS

Realizamos mediciones clásicas mediante el uso de cuatro variables: verdadero TP + TN TP + TN +

Precisión = FP + FN, (25)
positivo (TP), verdadero negativo (TN), falso positivo (FP),

∑ ∑
F 1 ( j, k) F 2 ( j - m + (M + 1) / 2, K - n + (N + 1) / 2)
j k
R (m, n) = (24)
[∑ [∑ ] 12
∑ ∣∣ F 1 ( j, k) 2 ∣∣] 1 2 ∑
El | F 2 ( j - m + (M + 1) / 2, K - n + (N + 1) / 2) | 2
J K j k

49294 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

TABLA 3. Mediciones de rendimiento promedio utilizando (NS + K-means) con δ = 0.001, para matrículas inglesas.

CUADRO 4. Mediciones de rendimiento promedio utilizando (NS + K-means + algoritmo genético) con δ = 0.001, para matrículas egipcias.

CUADRO 5. Mediciones de rendimiento promedio utilizando (NS + K-means + algoritmo genético) con δ = 0.001, para matrículas inglesas.

CUADRO 6. Mediciones de rendimiento promedio utilizando (NS + K-means) con δ = 0.05, para matrículas egipcias.

(si) Sensibilidad: determine los píxeles positivos en la verdad básica, que se (C) Ciudad específica: determine los píxeles negativos en la verdad básica, también

especifican como positivos por el algoritmo que se estima. La sensibilidad se puede especificados como negativos por el algoritmo que se estima. Esta métrica está determinada

determinar por la ecuación. (26) por la ecuación. ( 27 )

Sensibilidad = TP (26) Ciudad específica = TN (27)

TP + FN, TN + FP,

VOLUMEN 8, 2020 49295

 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 7. Mediciones de rendimiento promedio utilizando (NS + K-means) con δ = 0.05, para matrículas inglesas.

CUADRO 8. Mediciones de rendimiento promedio utilizando (NS + K-means + algoritmo genético) con δ = 0.05, para matrículas egipcias.

CUADRO 9. Mediciones de rendimiento promedio utilizando (NS + K-means + algoritmo genético) con δ = 0.05, para matrículas inglesas.

2) MATRICES DE SIMILITUD O
(una) Coeficiente de dados (DC): determina el rango de la superposición espacial entre
JAC (f, q) = DC (29)
dos imágenes binarias. Los valores (DC) oscilan entre 0, es decir (sin superposición) y 1, es 2 - DC
decir, (Compacto ideal al 100%), los valores (DC) se calculan utilizando la ecuación. ( 28 )
Estudio de caso (1): Estudio comparativo entre (NS + k - medias) y (NS +
k-medias + Algoritmo genético) para matrículas egipcias e inglesas, al utilizar
∣∣ las métricas de valoración comparamos el rendimiento con δ = 0.001 y δ = 0,05
como umbral de (NS). Los resultados se ilustran en la Tabla 2, Tabla 3,
DC (f, q) = 2 ∣∣ UNA rf∣∣∩ UNA
UNA∣∣rfrq+ ∣∣ UNA rq ∣∣, (28)
Tabla 4 y Tabla 5, Tabla 6, Tabla 7, Tabla 8 y Tabla 9.

(si) Coeficiente de Jaccard (JAC): Se utiliza para medir la similitud entre dos Tenga en cuenta que la base de datos de placas egipcias se ha capturado con

imágenes binarias. Se puede representar como se muestra en la ecuación. ( 29 ) una cámara digital (NIKON D5200) con un tamaño de (5152 × 3864) píxeles y
resolución (24 mega píxeles). Sin embargo, la base de datos de matrículas en
inglés se capturó utilizando una cámara digital (OLYMPUS CAMEDIA
∣∣
C-2040ZOOM) con un tamaño de (640 × 480) píxeles y resolución (2 mega
JAC (f, q) = ∣∣ UNA rf ∩ UNA rq ∣∣, píxeles).
∣∣ UNA rf ∪ UNA rq

49296 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 10. Mejor valor de función con cada generación del conjunto de entrenamiento para matrícula
egipcia.

CUADRO 11. El mejor valor de función con cada generación del conjunto de entrenamiento para placas de
inglés. FIGURA 12. Resultados de iteración de GA durante generaciones para placas egipcias.

Los resultados medidos se comparan con los resultados de las imágenes de

verdad del terreno apropiadas, que lo hacemos. Los cálculos han comprometido
más de 250 imágenes egipcias de LP con respecto a sus colores y fondo
complejo, y más de 500 imágenes en inglés (LP) tomadas bajo diversas
FIGURA 13. Resultados de la iteración de GA durante generaciones para placas de inglés.
condiciones de iluminación (nublado, soleado, lluvioso). Es obvio que (NS +
k-significa
+ Algoritmo genético) en δ = 0.05, lograr una alta tasa de
precisión (aproximadamente 96.4%) y alta Jaccard (aproximadamente 93.29%) para
placas egipcias, y lograr precisión (aproximadamente 92.2%) y Jaccard
(aproximadamente 83.27%) para placas inglesas. Sin embargo, cuando aplicamos
nuestro sistema en placas inglesas, que capturaron con una cámara digital de alta
resolución, obtenemos alta precisión y alta Jaccard. El tiempo promedio de
procesamiento para los cálculos del sistema propuesto en ambas bases de datos se ha
dirigido a aproximadamente 0,99648525 segundos. Los resultados experimentales se
han utilizado utilizando MATLABR2016b, procesador corei5 y (4 GB de RAM).

FIGURA 14. Métodos tradicionales para el ruido de sal y papel.

Los resultados de la iteración (GA) a través de generaciones se ilustran en la

Tabla 10 para egipcio (LP) y en la Tabla 11 para inglés (LP), el número de
generación representado por la primera columna 'Generación', el número
acumulativo de evaluaciones de la función de aptitud representada por el segunda
columna 'f -count', el valor de la función de mejor aptitud a través de la generación
representada por la tercera columna 'Best F (x)', y la última columna 'Mean f (x)'
representa (la mejor media). El (GA) depende del máximo (JAC) según la
validación cruzada de cinco veces.
y fuerte en la señal de la imagen, esta degradación puede ser causada. Se
dispersa al azar en blanco o negro o en ambos píxeles sobre la imagen.
2) Agregando ruido gaussiano: Es la mejor forma de blanco
ruido; es resultado de fluctuaciones aleatorias en la señal.
3) Agregar ruido moteado: también llamado multiplicativo
ruido y es un problema principal en algunas aplicaciones de radar.

La operación de iteración de la GA en la Fig. 12, Fig. 13 demuestra el
mejor y el valor medio de ajuste del umbral de segmentación de caracteres
para las placas.
Estudio de caso (2):
Estudio comparativo entre (métodos tradicionales) y (NS + k-significa
+ Algoritmo genético en δ = 0,05), en casos críticos [40] como:
4) Agregar ruido periódico: este tipo de degradación tiene una
efecto grande, y es difícil eliminar o reducir su efecto utilizando
métodos de limpieza tradicionales.
5) Oscurecer la imagen: disminuir la intensidad de cada píxel en
imagen.
6) Imagen borrosa: esta es la distorsión en la imagen
debido al movimiento de la cámara o fuera de foco. Como mencionamos

1) Agregar sal y ruido de papel: también, llamado ruido binario, anteriormente, la mayoría de los investigadores han presentado algunas técnicas

ruido de disparo y ruido de impulso. Por perturbaciones repentinas tradicionales para placas de matrícula (LP)

VOLUMEN 8, 2020 49297

 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 12. Estudio comparativo entre (Métodos tradicionales) y (NS + k-means + Algoritmo genético), al agregar sal y ruido de papel.

CUADRO 13. Estudio comparativo entre (Métodos tradicionales) y (NS + k-means + Algoritmo genético), cuando se agrega ruido gaussiano blanco.

49298 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 14. Estudio comparativo entre (Métodos tradicionales) y (NS + k-means + Algoritmo genético), cuando se agrega ruido moteado.

CUADRO 15. Estudio comparativo entre (métodos tradicionales) y (NS + k-means + algoritmo genético), al agregar ruido periódico.

VOLUMEN 8, 2020 49299

 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 16. Estudio comparativo entre (Métodos tradicionales) y (NS + k-means + Algoritmo genético), cuando se reduce el brillo de la imagen.

CUADRO 17. Estudio comparativo entre (métodos tradicionales) y (NS + k-means + algoritmo genético), al difuminar la imagen.

49300 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR
CUADRO 18. Desafíos en el sistema.
CUADRO 19. Falla en el sistema.
FIGURA 15. Sistema propuesto para sal y ruido de papel.
FIGURA 16. Métodos tradicionales para el ruido gaussiano.
reconocimiento [41], [4], como convertir imágenes en escala de grises en imágenes
binarias mediante el uso de técnicas de umbral simple o doble [42], aplicando una
máscara de filtro como (sobel, canny, prewitt) para encontrar los bordes. Para la mayoría
de los sistemas de reconocimiento de patrones, algunos investigadores han utilizado
operaciones morfológicas como la erosión y la dilatación, que son procesos importantes.
VOLUMEN 8, 2020
FIGURA 17. Sistema propuesto para el ruido gaussiano.
FIGURA 18. Métodos tradicionales para el ruido moteado.
FIGURA 19. Sistema propuesto para el ruido moteado.
eso sería necesario para eliminar objetos ruidosos y finalmente aplicar el análisis de
etiquetado de componentes conectados (CCLA) que escanea imágenes de prueba y
agrupa los píxeles apropiados en componentes etiquetados de acuerdo con la
conectividad de píxeles.
Hemos ilustrado un estudio comparativo entre (métodos tradicionales) y
(sistema propuesto (NS + k-means + algoritmo genético)) en δ = 0.05, y sus
resultados relacionados con las imágenes de verdad del terreno
correspondientes.
Mesa (12), hemos agregado ruido de sal y papel con (varianza = 0.09),
esto afecta aproximadamente al 9% de los píxeles. Hemos notado que el
método tradicional introduce una superposición obvia entre letras y
números en egipcio (LP), y poca superposición en inglés (LP). Sin
embargo, la metodología introducida ha logrado detectar cada letra y
número.
Mesa (13), hemos agregado ruido gaussiano blanco con (media = 0.09) y
(varianza = 0.01), hemos notado que el método tradicional introduce una
superposición obvia entre letras y números y elimina algunos píxeles como el
punto de la primera letra en egipcio (LP), y tenemos un error para detectar
letras en
49301

FIGURA 20. Métodos tradicionales para el ruido periódico.
FIGURA 21. Sistema propuesto para ruido periódico.
Inglés (LPs). Sin embargo, la metodología introducida ha logrado detectar
cada letra y número.
Mesa (14), Hemos agregado ruido moteado (ruido multiplicativo) con
(varianza = 0,09). Hemos notado que el método tradicional introduce la
detección de algunas letras y se superpone entre otras letras y números
para egipcio (LP) e inglés (LP). Sin embargo, la metodología introducida ha
logrado detectar cada letra y número.
Tabla 15, Hemos agregado ruido periódico, función periódica (función
seno), hemos notado que el método tradicional no podía detectar ninguna
letra o número para egipcio (LP) e inglés (LP). Sin embargo, la metodología
introducida ha logrado detectar cada letra y número.
Mesa (16), ilustrado cuando reducimos el brillo de la imagen (oscurecer
la imagen), hemos notado que el método tradicional no podía detectar
todas las letras y números para egipcio (LP) e inglés (LP). Sin embargo, la
metodología introducida ha logrado detectar cada letra y número.
Mesa (17), ilustrado cuando desenfocamos la imagen, hemos notado
que el método tradicional introduce una superposición obvia entre letras y
números para egipcio (LP), y no pudo detectar ninguna letra para inglés
(LP). Sin embargo, la metodología introducida ha logrado detectar cada
letra y número.
Hemos calculado los principales índices de rendimiento sobre las 250
imágenes de matrículas egipcias para las técnicas tradicionales y el sistema de
interés propuesto. Del mismo modo, los mismos pasos se pueden aplicar a más
de 500 imágenes de matrículas en inglés. Se han utilizado y notado los
siguientes estudios de caso:
En caso de agregar sal y ruido de papel para las imágenes, la Fig. 14 ilustra
ese promedio (precisión, sensibilidad, especificidad,
49302
BB Yousif et al .: Hacia un ONKM-AVLPR
FIGURA 22. Métodos tradicionales para oscurecer la imagen.
FIGURA 23. Sistema propuesto para oscurecer la imagen.
dado, jaccard) fue eso (89.86%, 71.12%, 99.48%, 82.43%,
70,43%), respectivamente para el método tradicional. La figura 15 ilustra que, el
promedio (precisión, sensibilidad, especificidad, dados, jaccard) fue eso (92.58%,
87.80%, 96.58%,
91.87%, 84.99%), respectivamente para el sistema propuesto. En caso de
agregar ruido gaussiano para las imágenes, la Fig. 16 ilustra que el promedio
(precisión, sensibilidad, especificidad, dados, Jaccard) fue (87.30%, 76.15%,
97.35%, 84.03%,
72,72%), respectivamente para el método tradicional. La figura 17 ilustra que, el
promedio (precisión, sensibilidad, especificidad, dados, jaccard) fue eso (94.18%,
92.54%, 96.43%,
94.84%, 90.21%), respectivamente para el sistema propuesto. En el caso de agregar
ruido moteado para las imágenes, la Fig. 18 ilustra que el promedio (precisión,
sensibilidad, especificidad, dados, jaccard) fue eso (76%, 83.67%, 73.72%, 71.20%,
55.56%), respectivamente para el método tradicional .
La figura 19 ilustra que, el promedio (precisión, sensibilidad, especificidad,
dados, jaccard) fue eso (92.24%, 89.34%, 94.60%,
91.85%, 85.02%), respectivamente para el sistema propuesto. En caso de
agregar ruido periódico para las imágenes, la Fig.20 ilustra que, promedio
(precisión, sensibilidad, especificidad, dados, jaccard) fue eso (63.35%, 64.73%,
63.93%, 60.77%,
44,40%), respectivamente para el método tradicional. La figura 21 ilustra que,
promedio (precisión, sensibilidad, especificidad, dados, jaccard) fue eso
(90.43%, 86.05%, 94.20%,
89,38%, 81,4%), respectivamente para el sistema propuesto. En caso de
reducir el brillo de las imágenes, la Fig. 22 ilustra que el promedio
(precisión, sensibilidad, especificidad, dados, jaccard) fue (71.05%,
99.83%, 38.58%, 77.7%,
64,21%), respectivamente, para el método tradicional.
VOLUMEN 8, 2020
BB Yousif et al .: Hacia un ONKM-AVLPR
CUADRO 20. Método propuesto.
FIGURA 24. Métodos tradicionales para desenfocar la imagen.
FIGURA 25. Sistema propuesto para desenfocar la imagen.
La figura 23 ilustra que, el promedio (precisión, sensibilidad, especificidad,
dados, jaccard) fue eso (95.18%, 95.04%, 95.32%,
94,99%, 90,55%), respectivamente para el sistema propuesto. En el caso de
imágenes borrosas, la Fig. 24 ilustra que el promedio (precisión, sensibilidad,
especificidad, dados, jaccard) fue (86.19%, 80.81%, 89.45%, 84.74%, 73.89%),
respectivamente, para el método tradicional.
La figura 25 ilustra que, promedio (precisión, sensibilidad, especificidad,
dados, jaccard) fue eso (90.40%, 90.27%, 90.65%,
91.59%, 84.53%), respectivamente para el sistema propuesto. El sistema propuesto tiene
como objetivo un alto grado de precisión de reconocimiento con la presencia de algunas
corrupciones de imagen externas como se muestra en la Tabla 18.
Por otro lado, el sistema propuesto adolece de algunos problemas de detección y
reconocimiento en el caso de sombras de imágenes muy pesadas y placas dañadas,
como se muestra en la Tabla 19.
VOLUMEN 8, 2020
FIGURA 26. Base de datos de acceso de Microsoft.
VII. COMUNICACIÓN DE BASE DE DATOS
Construimos nuestra base de datos utilizando la base de datos de acceso de Microsoft conectada
con Mat lab 2016b como se muestra en la Fig.26.
La interfaz gráfica de usuario (GUI) para el reconocimiento de caracteres con
MAT LAB 2016b se ha implementado y diseñado para construir el sistema de
reconocimiento apropiado (LP) como se muestra en la figura 27.
Las siguientes tablas (20 y 21) ilustran un estudio de comparación
concluido entre nuestro sistema propuesto y algunos trabajos de interés
relacionados. Hemos observado que la metodología propuesta tiene la
capacidad de mejorar y reconocer con éxito tanto los caracteres como los
números de matrícula (árabe e inglés) (alta resolución-baja resolución) con una
precisión de reconocimiento muy alta y un tiempo de cálculo bajo en
comparación con el trabajo relacionado.
Para evaluar la precisión del método propuesto para diferentes variaciones de LP en
conjuntos de datos de referencia populares y disponibles al público [43], hemos utilizado
el conjunto de datos de LP de referencia de Media Lab [44] y los conjuntos de datos de
LP de referencia de AOLP [45]. Hemos agregado algunos estudios de caso importantes
y críticos según el conjunto de datos LP de referencia de Media Lab como se muestra
en la Tabla 22, y también los conjuntos de datos LP de referencia de AOLP como se
muestra en la Tabla 23. Las dos tablas presentan la precisión de detección con la
presencia de imagen LP crítica degradaciones Además, el tiempo promedio para los
cálculos de la
49303
 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 21. Trabajo relacionado.

49304 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 21. ( Continuado) Trabajo relacionado.

FIGURA 27. La interfaz gráfica de usuario (GUI) para el reconocimiento de caracteres con MATLAB 2016b.

El método de reconocimiento de LP propuesto en ambos puntos de referencia fue de Las Tablas discutidas anteriormente (22 y 23) han evaluado nuestro método
aproximadamente 1.688535 segundos. Todos los experimentos se han utilizado con MATLAB propuesto para diferentes variaciones de LP en conjuntos de datos de referencia
R2016b, procesador corei5 y (4 GB de RAM). populares y disponibles públicamente, como

VOLUMEN 8, 2020 49305

 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 22. Conjunto de datos LP de referencia de Media Lab.

49306 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 22. ( Continuado) Conjunto de datos LP de referencia de Media Lab.

VOLUMEN 8, 2020 49307

 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 22. ( Continuado) Conjunto de datos LP de referencia de Media Lab.

49308 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 23. Aolp benchmark lp data sets.

VOLUMEN 8, 2020 49309

 BB Yousif et al .: Hacia un ONKM-AVLPR

CUADRO 23. ( Continuado) Aolp benchmark lp data sets.

CUADRO 24. Resultados de la calidad de reconocimiento.

'' Conjunto de datos LP de referencia de Media Lab '' y '' Conjuntos de datos LP Hemos medido tanto el MSE como el PSNR [46] - [49] de acuerdo con la
de referencia de AOLP. Hemos notado que la metodología propuesta tiene la ecuación. (30, 31)
capacidad de mejorar y reconocer las placas en diferentes va Riaciones. Licencia Los
∑ ∑norte ∣∣ X ij - y ij ∣∣ 2,
caracteres y números de la placa se han utilizado con éxito con alta precisión de MSE = METRO (30)
reconocimiento y bajo tiempo de cálculo. Sin embargo, las imágenes con mucho i=1 j=1
sombreado han sufrido algún tipo de precisión degra dacion (aproximadamente [ max 2 ]

90.01%). PSNR = 10 ∗ Iniciar sesión 10 , (31)

MSE

Además, la calidad de reconocimiento de extremo a extremo, el tiempo de
cálculo promedio, el error cuadrático medio (MSE) y la relación pico señal / ruido
(PSNR) se han utilizado y discutido brevemente en la Tabla 24.
PSNR se ha utilizado como medida de calidad para medir la calidad
entre la imagen original y la imagen final.
donde max es un valor de intensidad máxima en una imagen, mientras que M y N son
altura y anchura, respectivamente, de una imagen. X ij es la imagen original y y ij Es la
imagen final.
La Tabla 24 ilustra que ambos valores de PSNR y MSE son lo suficientemente
buenos en comparación con las nuevas técnicas de reconocimiento de aprendizaje
profundo [50] - [54].

49310 VOLUMEN 8, 2020

BB Yousif et al .: Hacia un ONKM-AVLPR
VIII CONCLUSIÓN
Este documento propone una nueva metodología para mejorar la precisión de
reconocimiento de las matrículas (árabe-Egipto) e inglés. Hemos introducido la
segmentación y extracción de caracteres con el sistema (ONKM) de acuerdo con
el algoritmo genético. El análisis de etiquetado de componentes conectados se ha
aplicado para garantizar una coincidencia de plantilla exitosa.
El sistema propuesto ofrece una detección exitosa con un reconocimiento
preciso en las placas de matrícula árabe e inglesa. Se ha introducido un estudio
de comparación completo entre el sistema propuesto y las técnicas tradicionales
de acuerdo con los índices de rendimiento estándar. La metodología propuesta
ofrece una alta tasa de precisión de reconocimiento (LP) en presencia de algunas
degradaciones de imagen populares. La extensión de nuestro trabajo tiene como
objetivo implementar el conjunto neutrosófico de acuerdo con más técnicas de
optimización, como enjambre de partículas, colonia de hormigas, enjambre de
gallinas y técnicas difusas. Además, se incluiría más interrupción y variación de la
imagen para tener un amplio criterio de toma de decisiones para el mejor
optimizador.
CUMPLIMIENTO DE LAS NORMAS ÉTICAS
Conflicto de intereses: Los autores declaran que no hay conflicto de intereses
con respecto al manuscrito.
Referencias
[1] H. Hu, Z. Zhang e Y. Bai, '' Ubicación de la matrícula del automóvil basada en
morfología matemática '' en Avances recientes en informática e ingeniería de la información, vol.
128. Berlín, Alemania: Springer, enero de 2012, págs. 415–420.
[2] S. Du, M. Ibrahim, M. Shehata y W. Badawy, '' Matrícula automática
reconocimiento (ALPR): una revisión de vanguardia '' IEEE Trans. Circuitos Syst. Video Technol., vol. 23,
no. 2, págs. 311–325, febrero de 2013.
[3] GL Corneto, FA da Silva, DR Pereira, LL de Almeida, AO
Artero, JP Papa, VHC de Albuquerque, HM Sapia, '' Un nuevo método para la detección
automática de matrículas de vehículos '' IEEE Latin Amer. Trans.,
vol. 15, no. 1, págs. 75–80, enero de 2017.
[4] A. Conci, J. Carvalho y T. Rauber, '' Un sistema completo para la placa del vehículo
localización, segmentación y reconocimiento en la vida real ''. IEEE Latin Amer. Trans., vol. 7, no. 5,
págs. 497–506, septiembre de 2009.
[5] P. Prabhakar, P. Anupama y SR Resmi, '' Número de vehículo automático
detección y reconocimiento de placas '' en Proc. En t. Conf. Control, Instrum., Commun. Comput
Technol. (ICCICCT), Julio de 2014, págs. 185–190. [6] C.-H. Lin, Y.-S. Lin y W.-C. Liu, '' Un eficiente
reconocimiento de matrículas
sistema que utiliza redes neuronales de convolución '' en Proc. IEEE Int. Conf. Appl. Syst. Invención
(ICASI), Abril de 2018, págs. 224–227.
[7] AC Roy, MK Hossen y D. Nag, '' Detección de matrícula y char-
Un sistema de reconocimiento para vehículos comerciales basado en el enfoque morfológico y la
coincidencia de plantillas '' en Proc. 3rd Int. Conf. Electr. Ing. Inf. Commun. Technol. (ICEEICT), Septiembre
de 2016, págs. 1-6.
[8] I. Ullah y HJ Lee, '' Un enfoque para localizar la licencia de vehículo coreana
placa basada en morfología matemática y características geométricas '' en Proc. En t. Conf.
Comput Sci. Comput Intell. (CSCI), Diciembre de 2016, págs. 836–840.
[9] SS Omran y JA Jarallah, '' Reconocimiento de matrículas de vehículos iraquíes usando
OCR '' en Proc. Annu Conf. Nuevas tendencias Inf. Commun. Technol. Appl. (NTICT) Marzo de 2017,
págs. 298-303.
[10] B. Tiwari y P. Tiwari, '' Un análisis de resultados de localización de licencia
número de placa utilizando técnicas de procesamiento dinámico de imágenes y algoritmos genéticos '' En
t. Adv. Res. J. Sci. Ing. Technol., vol. 4, no. 1, pp. 1-4, enero de 2017.
[11] KM Babu y MV Raghunadh, '' Detección de matrícula del vehículo
y reconocimiento utilizando el método de cuadro delimitador '' en Proc. En t. Conf. Adv. Commun. Control de
Computación. Technol. (ICACCCT), Mayo de 2016, págs. 106-110.
VOLUMEN 8, 2020
[12] N. Rana y PK Dahiya, '' Técnicas de localización en sistemas ANPR:
A-state-of-art '' En t. J. Adv. Res. Comput Sci. Softw. Ing., vol. 7, no. 5, págs. 682-686, mayo de
2017.
[13] N. Vidhya y SG Sundari, '' Una encuesta sobre localización y reconocimiento de
numero de licencia,'' En t. J. Advance Comput. Ing. Netw., vol. 3, no. 2, págs. 49–52, febrero de 2015.
[14] Detección de placa de matrícula, reconocimiento y almacenamiento automatizado.
Acceso: 19 de octubre de 2019. [En línea]. Disponible en: http://www.zemris.fer.hr/ projects /
LicensePlates / english / results.shtml [15] HZ Nafchi, A. Shahkolaei, R. Hedjam y M. Cheriet, ''
CorrC2G: Color
a conversión gris por correlación '' Proceso de señalización IEEE. Letón., vol. 24, no. 11, págs. 1651–1655,
noviembre de 2017.
[16] R. Hedjam, HZ Nafchi, M. Kalacska y M. Cheriet, '' Influencia de
conversión de color a gris en el rendimiento de la binarización de la imagen del documento: hacia un
nuevo problema de optimización '' IEEE Trans. Proceso de imagen.
vol. 24, no. 11, págs. 3637–3651, noviembre de 2015. [17] J. Kim y S. Lee, '' Extracción de líneas principales
mediante el reclutamiento de umbral cero
enlaces de borde caninos a lo largo de Sobel '' Proceso de señalización IEEE. Letón.,
vol. 22, no. 10, págs. 1689–1692, octubre de 2015. [18] MA Massoud, M. Sabee, M. Gergais y
R. Bakhit, '' Nuevo automatizado
reconocimiento de matrículas en Egipto '' Alexandria Eng. J. vol. 52, no. 3, págs. 319–326, septiembre de
2013.
[19] BR Mohamed, HMA El Kader, HM Rafaat y MS Sharaf,
'' Reconocimiento automático de matrículas '' En t. J. Sci. Res. Publicaciones, vol. 3, no. 12, págs. 1-7, diciembre
de 2013.
[20] M. Bagabir y M. Elhafi, '' Un método para placas de vehículos sudaneses
detección y extracción '' En t. J. Comput. Appl. Technol. Res. vol. 5, no. 2, págs. 110-114, 2016.
[21] SF Ali, H. El Ghawalby y AA Salama, '' De imagen a neutrosófica
imagen '' en Conjuntos y sistemas neutrosóficos. Port Fuad, Egipto: Port Said Univ., Facultad
de Ciencias, Departamento de Matemáticas e Informática, abril de 2015, págs. 1-13.
[22] D. Koundal, '' Segmentación de imagen basada en texturas usando clúster neutrosófico
tering '' Proceso de imagen IET. vol. 11, no. 8, págs. 640–645, agosto de 2017. [23] Y. Guo y HD
Cheng, '' Nuevo enfoque neutrosófico para segmentar imágenes
tation '' Reconocimiento de patrones. vol. 42, no. 5, págs. 587–595, mayo de 2009. [24] Y.
Dong, H. Zhang, Z. Liu, C. Yang, G.-S. Xie, L. Zheng y
L. Wang, `` Factorización de matriz de transformación de conjuntos neutrosóficos basada en contornos
activos para segmentación de textura de color '' Acceso IEEE, vol. 7, págs. 93887–93897, julio de 2019.
[25] Y. Guo, HD Cheng e Y. Zhang, '' Un nuevo enfoque neutrosófico para
imagen molesta '' NewMath. Computación natural. vol. 5, no. 3, págs. 653–662, noviembre de 2009.
[26] G. Abo Smara y F. Khalefah, '' Localización del número de placa
utilizando técnicas de procesamiento dinámico de imágenes y algoritmos genéticos '' IEEE Trans. Evol.
Comput. vol. 18, no. 2, págs. 244–257, abril de 2014. [27] G.-E. Abo-Samra, '' Aplicación de localización
independiente de la placa del vehículo
número usando binarización de múltiples ventanas y algoritmo genético semi-híbrido '' J. Eng., vol.
2018, no. 2, págs. 104-116, febrero de 2018. [28] L. Liu, Z. Jia, J. Yang y NK Kasabov, '' Detección
de cambio de imagen SAR
basado en la morfología matemática y el algoritmo de agrupación K-means '' Acceso IEEE, vol.
7, págs. 43970–43978, marzo de 2019. [29] S. Chen, X. Yang e Y. Tian, ​'' Árbol jerárquico
K-significa discriminativo
para la clasificación de imágenes a gran escala '' IEEE Trans. Neural Netw. Aprender. Syst. vol. 26, no. 9,
págs. 2200–2205, septiembre de 2015. [30] P. Panwar, G. Gopal y R. Kumar, '' Segmentación de imagen
usando K-means
agrupamiento y umbralización '' En t. Res. J. Eng. Technol. (IRJET) vol. 3, no. 5, págs. 1-7, mayo de
2016.
[31] A. Bala y AK Sharma, '' Segmentación de imagen en color usando K-means
algoritmo de agrupamiento y detección de bordes morfológicos '' En t. J. Últimas tendencias Eng.
Technol. (IJLTET), 2016, págs. 48–55.
[32] S. Kapil, M. Chawla y MD Ansari, '' Sobre la agrupación de datos K-significa
algoritmo con algoritmo genético '' en Proc. 4th Int. Conf. Paralelo, Distrib. Computación de red.
(PDGC), 2016, págs. 202–206.
[33] AS Ashour, AR Hawas, Y. Guo y M. A. Wahba, '' Una novela optimizada
K-medios neutrosóficos que utilizan un algoritmo genético para la detección de lesiones cutáneas en imágenes de
dermatoscopia ''. Señal, proceso de video de imagen., vol. 12, no. 7, págs. 1311-1318, octubre de 2018.
[34] A. AbuBaker, R. Qahwaji, S. Ipson y M. Saleh, '' Una exploración conectada
técnica de etiquetado de componentes '' en Proc. IEEE Int. Conf. Proceso de señal. Commun. Noviembre de
2007, págs. 1283-1286.
[35] L. He, X. Zhao, Y. Chao y K. Suzuki, '' Basado en la configuración de transición de configuración
etiquetado de componentes conectados '' IEEE Trans. Proceso de imagen. vol. 23, no. 2, págs. 943–951,
febrero de 2014.
49311
 BB Yousif et al .: Hacia un ONKM-AVLPR

[36] D. Gilly y K. Raimond, '' Reconocimiento de matrículas: una coincidencia de plantilla BEDIR BEDIR YOUSIF recibió el B.Sc. Licenciado en ingeniería
método ing '' En t. J. Eng. Res. Appl., vol. 3, no. 2, págs. 1240-1245, marzo / abril. 2013 electrónica por la Facultad de Ingeniería Electrónica, Menou fi a
University, Egipto, en 1999, y el M.Sc. y Ph.D. grados del
[37] B. Dhanalakshmi, G. Yogasri y M. Mohanapriya, '' Mejora de la precisión Departamento de Ingeniería Electrónica y de Comunicaciones,
del sistema de reconocimiento automático de matrículas de vehículos con algoritmo de coincidencia de
Facultad de Ingeniería, Universidad de Mansoura, Mansoura,
plantillas '' En t. Res. J. Eng. Technol. (IRJET) vol. 5, no. 2, págs. 1-4, febrero de 2018.
Egipto, en 2006 y 2013, respectivamente. Actualmente es
profesor asociado del Departamento de Ingeniería Electrónica y
[38] M. Vania, D. Mureja y D. Lee, '' Segmentación automática de la columna vertebral
Comunicaciones, Facultad de
Imágenes de TC que utilizan redes neuronales convolucionales a través de la generación redundante de etiquetas

de clase ''. J. Comput. Des. Ing., vol. 6, no. 2, págs. 224–232, abril de 2019. [39] DS Prabha y JS Kumar, '' Evaluación

del desempeño de la segmentación de imágenes-

Ingeniería, Universidad de Kafrelsheikh, Kafrelsheikh, Egipto. Tiene varias publicaciones en el
ción utilizando métodos objetivos '' Indian J. Sci. Technol., vol. 9, no. 8, págs. 1-8, febrero de 2016.
modelado de dispositivos plasmónicos, comunicaciones ópticas, dispositivos optoelectrónicos,

[40] P. Singh y R. Shree, '' Un estudio comparativo de los modelos de ruido y la imagen. nanoelectrónica y antenas. Sus intereses de investigación y enseñanza incluyen las áreas de
técnicas de restauración '' En t. J. Comput. Appl., vol. 149, no. 1, págs. 18–27, septiembre de 2016. comunicaciones ópticas inalámbricas, el modelado de dispositivos electromagnéticos,
nanoelectrónica, dispositivos ópticos y comunicaciones ópticas.
[41] AM Al-Ghaili, S. Mashohor, AR Ramli y A. Ismail, '' Vertical-edge-
método de detección basado en matrículas de automóviles '' IEEE Trans. Veh. Technol.,
vol. 62, no. 1, págs. 26–38, enero de 2013.
MOHAMED MAHER ATA recibió el Ph.D. Licenciado en el
[42] CNE Anagnostopoulos, IE Anagnostopoulos e ID Psoroulas,
Departamento de Comunicación Eléctrica y Electrónica,
'' Reconocimiento de matrículas de imágenes fijas y secuencias de video: una encuesta '' IEEE
Facultad de Ingeniería, Universidad de Tanta, Egipto, con la
Trans. Intell. Transp. Syst. vol. 9, no. 3, págs. 377–391, septiembre de 2008.
cooperación de la Universidad de Regina, Canadá. Actualmente

[43] NR Soora y PS Deshpande, '' Color, escala y rotación independientes
detección de múltiples placas en videos e imágenes fijas '' Matemáticas. Problemas Ing., vol. 2016,
págs. 1-14, junio de 2016.
[44] Acceso: 8 de enero de 2020. [En línea]. Disponible: http: //www.medialab.ntua.
gr / research / LPRdatabase.html
[45] G.-S. Hsu, J.-C. Chen y Y.-Z. Chung, '' Licencia orientada a aplicaciones
reconocimiento de placa '' IEEE Trans. Veh. Technol., vol. 62, no. 2, págs. 552–561, febrero de 2013.
[46] B. Balamurugan y S. Dinesh, '' Reconocimiento avanzado de matrículas utilizando
red neuronal '' En t. J. Adv. Res. Electrón. Commun. Ing. (IJARECE),
vol. 3, no. 12, págs. 1-4, diciembre de 2014.
es profesor asistente en el Instituto Superior de Ingeniería y
Tecnología de MISR, Mansoura, Egipto. Ha publicado muchos
artículos de investigación indexados (SJR indexado-ISI
indexado) en el estado del arte de la ingeniería biomédica,
astrofísica,
Comunicación eléctrica, bioinformática, encriptación, cifrado y sistemas inteligentes de transporte (ITS). Su
área de interés de investigación se utilizó en el campo del procesamiento de señales, procesamiento de
imágenes, multimedia, aprendizaje automático, procesamiento de video y visión por computadora.

[47] F. PirahanSiah, SNHS Abdullah y S. Sahran, '' Imagen adaptativa

segmentación basada en la relación pico señal / ruido para un sistema de reconocimiento de NEHAL FAWZY recibió el B.Sc. Licenciada en comunicaciones e
matrículas '' en Proc. En t. Conf. Comput Appl. Ind. Electron. (ICCAIE) Diciembre de 2010, págs. ingeniería electrónica, en 2013. Actualmente es investigadora de la
468–472. Facultad de Ingeniería de la Universidad de Mansoura. Sus
[48] ​S. Kaur, '' Un sistema de reconocimiento automático de matrículas bajo imagen intereses de investigación están en el área de procesamiento de
Procesando,'' En t. J. Intell. Syst. Appl., vol. 8, no. 3, págs. 14-25, marzo de 2016. [49] R. imágenes y videos.
Mukherjee, A. Pundir, D. Mahato, G. Bhandari y GJ Saxena,
'' Un algoritmo robusto para el filtrado de imágenes morfológicas, espaciales y la extracción y mapeo de

características de caracteres empleados para el reconocimiento de matrículas de vehículos '', en Proc. En t. Conf.

Comunicaciones Inalámbricas, Proceso de Señal. Netw. (WiSPNET), Marzo de 2017, págs. 864–869.

[50] S.-L. Chang, L.-S. Chen, Y.-C. Chung y S.-W. Chen, '' Automático
reconocimiento de matrícula '' IEEE Trans. Intell. Transp. Syst. vol. 5, no. 1, págs. 42–53, marzo de MARWA OBAYA recibió el B.Sc. Licenciado en ingeniería electrónica y de comunicaciones por la
2004. Facultad de Ingeniería de la Universidad de Mansoura, Mansoura, Egipto, en 2001, y el M.Sc. y
[51] MK Hossen, AC Roy, SA Chowdhury, S. Islam y K. Deb '' Licencia
Ph.D. grados del Departamento de Ingeniería Electrónica y de Comunicaciones, Facultad de
sistema de detección y reconocimiento de placas basado en el enfoque morfológico y la red
Ingeniería, Universidad de Mansoura, en 2005 y 2008, respectivamente. Actualmente es
neuronal de alimentación '' IJCSNS Int. J. Comput. Sci. Netw. Secur. vol. 18, no. 5, págs. 36–46,
profesora asociada del Departamento de Ingeniería Electrónica y Comunicaciones, Facultad de
mayo de 2018.
Ingeniería, Universidad de Mansoura, Egipto. También es Directora del Programa de Ingeniería
[52] P. Shivakumara, D. Tang, M. Asadzadehkaljahi, T. Lu, U. Pal y
de Comunicaciones, Departamento de Ingeniería Eléctrica, Universidad Princesa Nora Bint
MH Anisi, '' Método basado en CNN-RNN para el reconocimiento de matrículas ''
Abdurrahman, Riad, Arabia Saudita. Tiene varias publicaciones en ingeniería biomédica,
CAAI Trans. Intell. Technol., vol. 3, no. 3, págs. 169-175, septiembre de 2018. [53] X. Zhai, F.
Bensaali y R. Sotudeh, '' Red neuronal basada en OCR para optimización y aprendizaje automático inteligente. Su área de interés de investigación se utilizó

ANPR '' en Proc. IEEE Int. Conf. Imag. Syst. Techn. Proc. Julio de 2012, págs. 393–397. en el campo del procesamiento de imágenes, procesamiento de señales,

[54] H. Li, P. Wang y C. Shen, '' Hacia una placa de matrícula de extremo a extremo
detección y reconocimiento con redes neuronales profundas '' IEEE Trans. Intell. Transp. Syst. vol. 20,
no. 3, págs. 1126–1136, marzo de 2019.

49312 VOLUMEN 8, 2020