Aplicación de visión por computador para el reconocimiento del número de placa de vehículos

edu.red Esquema general ANPR

edu.red Control de acceso a parqueaderos Control de fraudes en autopistas Control de velocidad media en autopistas Control de camiones Inventariado de vehículos … etc Justificación del proyecto

edu.red Sub1. Introducción 1.1 ANPR 1.2 OCR 1.2.1 Modelos 1.2.1 Técnicas 1.2.1 Análisis de los OCR’s 2. Implementación de la solución 3. Resultados Experimentales 3. Conclusiones y Recomendaciones

edu.red Es una aplicación de Visión por Computador que utiliza Reconocimiento Óptico de Caracteres OCR en imágenes para leer las matriculas de los vehículos Introducción: Sistemas ANPR Trabaja en un entorno NO CONTROLADO

edu.red Los sistemas OCR simulan la habilidad humana mediante la creación y el uso de modelos físicos o matemáticos OCR: Reconocimiento Óptico de Caracteres

edu.red Modelos Redes Neuronales: Es un sistema inspirado en el funcionamiento del cerebro humano Método Lógico: Se utiliza conjuntos difusos, lógica simbólica, etc. OCR: Reconocimiento Óptico de Caracteres

edu.red Modelos Método Probabilista: Utiliza análisis de varianzas, covarianzas, dispersión, distribución, etc. Método Geométrico (Clustering): Es un método de agrupación de una serie de vectores de acuerdo a un criterio de cercanía. OCR: Reconocimiento Óptico de Caracteres

edu.red Técnicas GOCR: Desarrollada por Joerg Schulenburg, se basa en un conjunto de reglas, portable a diferentes SO’s, sensible a imágenes con ruido e inclinación. OCRAD: Creado por Antonio Díaz, es un método de extracción de características geométrico, rápido pero muy sensible al ruido OCR: Reconocimiento Óptico de Caracteres

edu.red Técnicas TESSERACT: Desarrolla originalmente por Hewlett Packard, luego liberado por Google, es multiplaforma, preciso, potente. El formato que procesa es el TIFF OCR: Reconocimiento Óptico de Caracteres

edu.red Técnicas OCR: Reconocimiento Óptico de Caracteres

edu.red Análisis de los OCR’s Driver Gothic License Plate OCR: Reconocimiento Óptico de Caracteres

edu.red Análisis de los OCR’s: GOCR Prueba para imagen 1 Prueba para imagen 2 OCR: Reconocimiento Óptico de Caracteres

edu.red Análisis de los OCR’s: OCRAD Prueba para imagen 1 Prueba para imagen 2 OCR: Reconocimiento Óptico de Caracteres

edu.red Análisis de los OCR’s: Tesseract Prueba para imagen 1 Prueba para imagen 2 OCR: Reconocimiento Óptico de Caracteres

edu.red Análisis de los OCR’s: Tesseract entrenado Prueba para imagen 1 Prueba para imagen 2 OCR: Reconocimiento Óptico de Caracteres

edu.red Análisis de los OCR’s Resultados para imagen 1 Prueba para imagen 2 OCR: Reconocimiento Óptico de Caracteres

edu.red Sub1. Introducción 2. Implementación de la solución 2.1 Placas Vehiculares 2.2 Tesseract 2.2.1 Fase de entrenamiento 2.2.1 Fase de reconocimiento 3. Resultados Experimentales 4. Conclusiones y Recomendaciones

edu.red Placa Particular Placa de Alquiler Placa Gubernamental Placa Municipal Tipos de placas vehiculares en el ecuador

edu.red Esquema General del OCR

edu.red Fases del Tesseract

edu.red Determinar el conjunto de caracteres que van a ser utilizados Diseñar imagen con texto que contenga un conjunto de ejemplos OCR implementado Etapa 1: Entrenamiento paso a paso

edu.red Tener 5 – 10 muestras Caracteres frecuentes mínimo 20 muestras Puntos importantes para crear imagen de entrenamiento No hacer frases sin significado ejemplo, 012345 !@#$%^ Mas de 10 muestras para caracteres cerca de los 15 pixeles Los datos de entrenamiento se debe agrupar por tipo de letra OCR implementado

edu.red Imágenes Plantilla OCR implementado

edu.red Cuadro comparativo de pruebas OCR implementado

edu.red Las imágenes son previamente binarizadas El formato es TIFF, sin compresión Resolución es de 72ppp – 300ppp Características de las imágenes OCR implementado

edu.red Buenas Parcialmente Buenas Malas Clasificación de las placas OCR implementado

edu.red Antes Despues Análisis de pagina OCR implementado

edu.red Distinción entre caracteres alfabéticos y numéricos Antes La letra “B” era reconocida como el número “8”. El cero “0” era reconocido como la letra “O”, “Q” o “D”, “U”. El seis “6” fácilmente era reconocido como la letra “G” El número “1” fácilmente era reconocido con la “I” El “4” hallaba similitud con la letra “A” El número “5” hallaba similitud con la letra “S” El número “2” hallaba similitud con la letra “Z”. El número “7” hallaba similitud con la letra “T” Detección de errores OCR implementado

edu.red Distinción entre caracteres alfabéticos y numéricos Después Detección de errores OCR implementado

edu.red Similitud de caracteres Detección de errores OCR implementado

edu.red Patrones para caracteres especiales Detección de errores OCR implementado

edu.red Caracteres Sesgados Detección de errores OCR implementado

edu.red Detección de errores: Rotación sobre eje vertical OCR implementado

edu.red Detección de errores OCR implementado

edu.red Detección de errores: Rotación sobre eje horizontal OCR implementado

edu.red Etapa 2: Reconocimiento OCR implementado

edu.red Pruebas de campo

edu.red Resultados: pruebas de campo

edu.red Pruebas de campo % de eficiencia algoritmo implementado

edu.red Se consiguió realizar una librería de entrenamiento con excelentes resultados Se podría crear un entrenamiento mucho más robusto utilizando placas de otros países Conclusiones y Recomendaciones

edu.red En el presente proyecto se realizó la toma de imagen de manera manual, por lo que se puede realizar de manera autónoma. Conclusiones y Recomendaciones