Extracción de las características y reconocimiento de los caracteres de matriculas Sergio Marín Pulido Alberto Campos Galeano José Carlos Requeijo Puente Iván Ruiz Rube

Índice Introducción Metodología Implementación Conclusiones Referencias

Introducción Motivación: Debido al incremento de tráfico, surge la necesidad de crear sistemas inteligentes de tráfico (ITS). Aplicaciones: Peajes de autopistas, aparcamientos, controles de tráfico, etc. Objetivo: Aplicación que reconozca caracteres de una matrícula, basándonos en un clasificador multi-etapa. Debido al incremento de tráfico, surge la necesidad de crear sistemas inteligentes de tráfico (ITS), para el reconocimiento de caracteres de una matricula. Destacar la dificultad de una maquina para reconocer los caracteres de una imagen, puesto que existen muchos aspectosque distorsionan la imagen original y provocan un reconocimiento erroneo. Objetivo: implementacion de una aplicación que reconozca caracteres de una matricula basandonos en el sistema propuesto por el articula internacional.

Metodología Prerrequisitos: marco de la matricula, con inclinación horizontal y vertical no excesiva y con un contraste adecuado entre los caracteres y el fondo. Clasificador (2 etapas): Pretratamiento de la imagen y extracción de características. Reconocimiento de caracteres mediante comparación estadística con plantillas. El algoritmo se basa en el contraste entre el fondo y los caracteres impresos de una matricula. Restricciones al algoritmo: obtener la imagen centrada en el marco de la matricula, inclinacion horizontal y vertical no excesiva y luminosidad adecuada. El algoritmo expuesto describe el proceso en 2 etapas: Pretratamiento yextracion de caracterisiticas de una imagen, Reconocimiento de caracteres mediante comparacion estadistica con plantillas.

Metodología Pasos del Clasificador: Binarización Tratamiento de ruido Extracción de componentes conexas Adelgazamiento Extracción de características Reconocimiento de caracteres

Binarización Consiste en la conversión de cada píxel de la imagen en píxeles blancos y negros en función de un umbral. Métodos para obtener el umbral: Entropía máxima: umbral = max( H(N)+H(B) ) Selección Iterativa: refinamientos sucesivos (Thrussel,1979) Consiste en convertir cada pixel de la imagen en escala de grises en blanco y negro en funcion de un umbral. Para obtener este umbral, emplearemos el metodo de la entropia maxima (formulas). Entropía = H(B) + H(W) El valor umbral es aquel para el cual la entropía tiene un valor máximo.

Tratamiento de ruido Debido a la binarización y a los defectos de la matricula, aparece ruido en la imagen, siendo necesaria su eliminación para obtener un mejor reconocimiento. Para ello se recorre la imagen binaria buscando 3 tipos de ruidos: Roturas Huecos Manchas blancas Tanto la binarizacion como los defectos propios de la placa provocan la existencia de ruido en la imagen, lo cual es necesario su eliminacion, para obtener un reconocimeino ok El algoritmo de eliminacion de ruido consite en recorrer la imagen binaria y eliminar los 3 tipos de ruidos. Eliminacion de roturas Rellenado de huecos Eliminacion de manchas blancas (plantillas)

Extracción de componentes conexas Para ello se recorre la imagen y se hace una proyección horizontal y vertical de los caracteres de la matricula, obteniendo así el ancho y el alto mínimo de las componentes conexas. A continuación, se normalizan a un tamaño preestablecido cada una de las componentes extraídas. Se recorre la imagen y se hace una proyeccion horizontal y vertical de los caracteres de la matricula, para obtener el ancho y el alto maximo de las componentes conexas. Una vez extraidas, se proceden a normalizar cada una de las componentes a un tamaño preestablecido.

Adelgazamiento Obtener el esqueleto de cada componente para eliminar información redundante y mejorar la extracción de las características geométricas. Para ello se recorren las componentes por los cuatro puntos cardinales y se marcan los píxeles si son puntos finales, puntos simples y puntos aislados, para su posterior eliminación. Para cada componente conexa se obtiene su esqueleto, eliminando informacion redundante y mejorando la extraccion de las caracteristicas geometricas. El algoritmo consiste en recorrer las imágenes por los cuatro puntos cardinales y se comprueba:…..Se marcaran para su eliminacion los pixeles, en funcion de si son puntos finales, puntos simples, y puntos aislados -

Extracción de características Realizado el pretratamiento, se obtienen las siguientes características: Porcentaje de aparición de cada uno de los dígitos del código de cadena. Número de líneas. Número de vecinos de cada píxel (de 1 a 4 vecinos). Tras el pretratamiento, se sacan las siguientes caracterisitcas: Porcentaje de aparicion de cada uno de los digito del codigo de cadena Numero de lineas Nmero de vecinos de cada pixel (de 1 a 4 vecinos)

Reconocimiento de caracteres A partir de las características, buscamos en la Base de Datos aquél que más se ajuste a las proporcionadas y ponderadas con un umbral (grado de similitud del carácter con respecto a cada símbolo). Se proporciona aquel con menor peso (mayor similitud). Partiendo de las valores de las caracterisitcas anteriores, buscamos en la BD aquellos simbolo que mas se ajuste a dichos valores. Se usa un valor umbral para indicar el grado de similitud del carácter con respecto al simbolo de la BD.

Implementación Entorno de desarrollo: Visual Studio .NET Lenguaje de programación: C# Inconveniente: Falta de librerías de procesamiento de imágenes. Uso de Componente: Crownwood.WizardControl Arquitectura de la aplicación: Presentación: AsistenteForm y ReconocerForm. Fachada: OperacionesImagen Lógica: Binarizacion, Adelgazamiento, etc. Visual Studio .NET Lenguaje C#

Conclusiones Trabajo complementario a “Reconocimiento del marco de la matricula de coche”. Complejidad en el proceso de extracción y reconocimiento de caracteres. El reconocimiento está estrechamente relacionado con el conjunto de símbolos de la Base de Datos y el número de características a obtener. Trabajo complementario a la extracción del marco de la matricula. Para mejorar la eficiencia del proceso, se pueden emplear autovectores. Se pueden añadir nuevas caracteristicas para mejorar la fase de reconocimiento, como por ejemplo SINGULAR VALUE, que no se ha implementado debido a su complejidad. Difultad para incluir nuevos simbolos en la base de datos

Conclusiones Mejoras: Empleo de autovectores para mejorar la eficiencia del proceso. Aumentar el número de características para obtener mejores resultados en el reconocimiento. Añadir más símbolos para poder identificar otros tipos de matriculas.

Referencias Car License Plate Feature Extraction and Recognition based on multi-stage classifier. Pu Han, Wei Han, Dong-Feng Wang, Yong-Jie Zhai Autovectores www.kolmogorov.unex.es/~ojedamc/doc/biol/tema012.pdf

Referencias Trabajos de cursos anteriores. www.us.es/gtocoma/pid/ Métodos avanzados en segmentación de imágenes en niveles de gris. Francisco Javier Campo Olmedo, José Manuel Delgado Romero, Manuel Jesús Gomero Parra, Raúl Linares Corona. Algoritmo adelgazamiento (thinning process). Eva Fernández Albarracín, Fernando Gil García, Rafael Gómez Blaves, Antonio Sánchez Díaz. Chain code & thinning OCR. Manuel Ramón León Jiménez, Javier López Moreno. Selección eficiente de candidatos a cara. Manuel Resinas Arias de Reyna

Gracias