Desarrollo de un Sistema para Reconocimiento de Vehículos que Circulan a Exceso de Velocidad Dentro del Campus Espe-Sangolquí Mediante Captura y Procesamiento.

Presentación del tema: "Desarrollo de un Sistema para Reconocimiento de Vehículos que Circulan a Exceso de Velocidad Dentro del Campus Espe-Sangolquí Mediante Captura y Procesamiento."— Transcripción de la presentación:

1 Desarrollo de un Sistema para Reconocimiento de Vehículos que Circulan a Exceso de Velocidad Dentro del Campus Espe-Sangolquí Mediante Captura y Procesamiento de Imágenes en base al Sistema Embebido Odroid U3 Milton Fabricio Rosero Prado Ingeniería en Electrónica y Telecomunicaciones

2 Introducción Fundamento Teórico Materiales y Métodos Diseño e implementación Análisis de Resultados Conclusiones y Recomendaciones AGENDA

3 INTRODUCCIÓN

4 1850 1880

5 120 Km/h considerado normal
Exceso de velocidad segunda causa de muertes previsibles 120 Km/h considerado normal

6 Métodos de control vehicular
Detector por radar Sensor láser visible activo Sensores magneto-resistivos Cortinas fotoeléctricas CCTV

7 Técnicas de Monitorización e Identificación Vehicular
Radio Frecuencia Satelital Óptica Láser

8 Inconvenientes: Sistemas Costosos Pocos equipos disponibles Requiere proceso complementario para la identificación del infractor “El equipo se coloca en un determinado lugar con dos operadores, quienes a su vez avisan, por medio de una radio, a otro grupo de policías que se colocan a un kilómetro más allá, sobre las características del carro infractor” Se requiere personal humano adicional La información se queda guardada en los equipos

9 SISTEMA PROPUESTO Detección de exceso de velocidad
Identificación del Infractor Envío de información hacia base de datos

10 FUNDAMENTO TEÓRICO

11 Reconocimiento Óptico de Caracteres (OCR)

12 Sistemas de Reconocimiento Automático de Matrículas (ANPR)
Basados en software y Hardware especializados Sistemas de Gestión de tráfico Control de fraude en autopistas Telepeajes Controles de acceso automáticos Estacionamientos

13 Procesamiento Digital de Imágenes y Visión Artificial
Técnicas aplicadas a imágenes digitales: Mejorar su visualización Búsqueda de información Relevante

14 Técnicas de Procesamiento Digital de Imágenes
Filtrado de Imágenes ---> Filtro Gaussiano Detección de Bordes Umbralización de Imágenes (Thresholding) Proyección horizontal y vertical de una imagen Match Template (Comparación de Plantillas)

15 Técnicas de Procesamiento Digital de Imágenes
Umbralización de Imágenes (Thresholding) Proyección horizontal y vertical de una imagen

16 Técnicas de Procesamiento Digital de Imágenes
Match Template (Comparación de Plantillas)

17 Métodos y Materiales

18 Hardware Empleado Odrioid U3 Cámara web Odroid 720p PC Personal
Soporte metálico

19 Software Empleado Sistema Operativo Ubuntu 14.04 Compilador GCC OpenCV
Tesseract-OCR CodeBlocks IDE QT Creator MySQL SSH

20 DISEÑO E IMPLEMENTACIÓN

21 Proceso general del Sistema

22 Adquisición de video y captura de imágenes

23 Detección Vehicular y Determinación de Velocidad

24 Detección Vehicular y Determinación de Velocidad
Correlación > 0.98 Proyección vertical > 0.65 Vehículo extraído de la imagen completa

25 Identificación placas, segmentación de caracteres y OCR

26 Identificación placas, segmentación de caracteres y OCR

27 Identificación placas, segmentación de caracteres y OCR

28 Envío de información a la base de datos

29 Envío de información a la base de datos

30 Envío de información a la Base de datos

31 Manual de Usuario

32 Manual de Usuario

33 Configuración Inicial en el interfaz de usuario

34 Funcionamiento del Sistema de Detección e Identificación Vehicular
Detección Vehicular Imagen desde 4.5 metros

35 Detección Vehicular 200 vehículos analizados 200 vehículos detectados
100 % de aciertos Umbral de error: 7 Km/h ---> 100Km/h (Dirección General de Tráfico de España )

36 Identificación Vehicular
Altura 1.70 metros 200 imágenes frontales analizadas: 5% error ----> Placas en mal estado 9,47% error ---> Proceso de entrenamiento OCR (540 imágenes)

37 Envío de Información a la Base de datos
Autenticación Envío de información Desconexión Conexión Librerías MySQL++ Información que se envía: Velocidad Fecha Hora Número de placa Carril de circulación y fotografía Librerías SSH++ Información que se envía: Imagen del vehículo

38

39 Tiempo de procesamiento de los algoritmos implementados
Comparación entre tiempos de procesamiento Odroid U3 y un computador personal Características del PC Procesador Intel Core i3-2330M (segunda Memoria RAM 4 GB Sistema operativo de 64 bits Linux-Ubuntu Se utilizó el mismo software en los dos equipos Procesos evaluados: Detección vehicular Identificación de la placa Ubicación del área de la placa Segmentación de caracteres OCR Envío y almacenamiento de información

40 Tiempos de procesamiento Detección Vehicular
Relación de Tiempos Odroid/PC > 4.17

41 Tiempos de Procesamiento en la Identificación Vehicular
PROCESO GENERAL Imágenes capturadas e Imágenes externas

42 Identificación Vehicular - Proceso General
Relación de Directamente proporcional No Lineal

43 Identificación Vehicular – Análisis de Subprocesos
ODROID PC

44 Identificación Vehicular – Análisis de Subprocesos
Subprocesos 2 y 3 ---> Tiempo Constante Subproceso > Tiempo directamente proporcional al tamaño de la imagen Tiempo de procesamiento depende de la localización de la placa

45 Tiempos en el envío y almacenamiento de la información obtenida
Conexión, autenticación, envío de información y desconexión. Se incluye en el código las direcciones IP y las contraseñas. 110 Milisegundos

46 Análisis de Capacidad de Procesamiento en Tiempo Real
Imagen 320x240: 12 ms (Detección) + 27 ms (Identificación) ms (Envío) =149 ms 6 FPS Imagen 640x480: 25 ms (Detección) + 59 ms (Identificación) ms (Envío) = 194 ms 5 FPS Imagen 1280x720: 34 ms (Detección) + 96 ms (Identificación) ms (Envío) = 240 ms 4 FPS 15 frames por segundo

47 Análisis de Capacidad de Procesamiento en Tiempo Real
Estimando que circulen vehículos con 1 segundo de diferencia: Imagen 320x240: = ms / > FPS Imagen 640x480: = ms / > FPS Imagen 1280x720: = ms / > FPS

48 OBSERVACIONES La cantidad de imágenes procesadas por segundo se ve directamente limitada por la cámara utilizada. No se toma en cuenta el tiempo requerido para mostrar la imagen en una pantalla. Los análisis se realizaron durante el día, ya que la cámara no posee visión infrarroja.

49 DISCUSIÓN Y CONCLUSIONES

50 CONCLUSIONES El sistema de reconocimiento e identificación vehicular mediante procesamiento digital de imágenes en base al sistema embebido Odroid U3 presenta un porcentaje de aciertos del 100% para detección vehicular y 86% para identificación de la placa, permitiendo además diferenciar vehículos de bicicletas y personas. Se obtuvo un error promedio en la medición de velocidad de 4.8 Km/h, el cual está dentro del rango de tolerancia de error de los equipos de medición de velocidad vehicular, según la DGT de España. En comparación a sistemas comerciales de reconocimiento automático de números de placa (APNR), éstos presentan porcentajes de aciertos de 98% y 99%; mas se debe tener en cuenta que utilizan estaciones de servidores para el procesamiento; emplean cámaras especializadas que entre otras características poseen iluminación y visión infrarroja para resaltar solamente el área de la placa, facilitando la identificación y reduciendo el tiempo de procesamiento; y han sido desarrollados, mantenidos y mejorados por equipos de trabajo completos durante años.

51 CONCLUSIONES Los procesos de detección e identificación vehicular no pudieron ser realizados en conjunto desde una misma ubicación del sistema, debido a que la cámara web empleada posee características limitadas en resolución y para captura de imágenes en movimiento. Se necesitaron ubicaciones distintas para las pruebas de funcionamiento de cada proceso: 4.50 metros de altura para la detección vehicular, 1.70 metros para la identificación de la placa.

52 CONCLUSIONES El proceso de reconocimiento vehicular se dividió en tres subprocesos principales: la ubicación de la zona de la placa, la segmentación de caracteres, y el reconocimiento óptico de caracteres (OCR). Se obtuvieron porcentajes de aciertos para cada uno del 100%, 95% y 90.53% respectivamente, dando como porcentaje de aciertos del proceso completo un valor de 86%. Se recomienda realizar un entrenamiento con los tipos de letras específicos que se utilizan en las placas de vehículos del Ecuador, las cuales deben ser proporcionadas por la Agencia Nacional de Tránsito.

53 CONCLUSIONES En promedio, el procesamiento de imágenes en el Odroid U3 requiere 4.33 veces más tiempo que en el computador. Se determinó que el tiempo requerido para la identificación vehicular depende principalmente del subproceso de ubicación de la placa, el cual depende del tamaño de la imagen. La segmentación de caracteres y el OCR mantienen un tiempo promedio constante de 15 milisegundos en el Odroid y de 4 milisegundos en el computador, independientemente del tamaño de la imagen. En promedio se requieren 110 milisegundos para el envío y almacenamiento de la información en la base de datos del servidor, tanto desde el Odroid como desde el computador.

54 CONCLUSIONES En promedio se requieren 110 milisegundos para el envío y almacenamiento de la información en la base de datos del servidor, tanto desde el Odroid como desde el computador. Considerando los tiempos de detección, identificación y envío de información, se podrían procesar: Vehículos sin intervalos Con intervalo de 1 segundo Imagen 320x240: 6 FPS FPS Imagen 640x480: 5 FPS FPS Imagen 1280x720: 4 FPS FPS

55 CONCLUSIONES Sin tomar en cuenta las limitaciones de la cámara, sí es factible realizar el reconocimiento e identificación vehicular mediante procesamiento de imágenes en el sistema embebido Odroid U3, en tiempo real (15+ FPS ) . Para realizar la detección e identificación vehicular desde una misma ubicación se recomienda el empleo de una cámara especializada para aplicaciones de reconocimiento vehicular, como es la cámara KOMOTO NUMBER PLATE READCAM AVN-80RL25/ AVP-80RL25, que entre sus principales características presenta: Velocidades de captura desde 1/60 hasta 1/120,000 segundos; 80 leds infrarrojos para visión nocturna hasta 15 metros de alcance; sensor CCD 1/3” que proporciona una imagen de alta calidad; Protección contra polvo y agua para su uso en exteriores.

56 CONCLUSIONES Se recomienda colocar puntos de control estratégicos alrededor del campus Espe Sangolquí en las ubicaciones que se especifican en la figura con el objetivo de identificar a los vehículos que exceden el límite de velocidad de 20 Km/h. En estas ubicaciones se observó que los vehículos aumentan su velocidad en lugar de reducirla.

57