PC BD Alexandra Buri H José Rivera De La Cruz.

Presentación del tema: "PC BD Alexandra Buri H José Rivera De La Cruz."— Transcripción de la presentación:

1 Segmentación de imágenes de placas vehículares usando técnica de crecimiento de regiones
PC BD Alexandra Buri H José Rivera De La Cruz. Facultad de Ingeniería en Electricidad y Computación Escuela Superior Politécnica del Litoral – ESPOL Guayaquil – Ecuador

2 ESQUEMA GENERAL ANPR

3 JUSTIFICACIÓN DEL PROYECTO
Control de acceso a parqueaderos Control de peaje

4 JUSTIFICACIÓN DEL PROYECTO
Control de velocidad Tráfico vehicular

5 CONTENIDO 1.1 ANPR 1.2 Segmentación 1.2.1 Técnicas
1. Introducción 1.1 ANPR 1.2 Segmentación 1.2.1 Técnicas 1.2.2 Análisis de técnicas 2. Implementación de la solución: algoritmo de segmentación 3. Resultados Experimentales 4. Conclusiones y Recomendaciones

6 1.1 INTRODUCCIÓN: SISTEMAS ANPR
Es un método de vigilancia en masa que utiliza reconocimiento óptico de caracteres en imágenes para leer matrículas de los vehículos. Detección Normalización Imagen Entrada Imagen Salida OCR Segmentación

7 1.2 Segmentación La segmentación es el proceso que divide una imagen en regiones cuyos píxeles poseen atributos similares, por ejemplo, intensidad, textura, movimiento. Imagen Entrada Imagen Salida

8 1.2.1 Técnicas de Segmentación

9 1.2.1 Segmentación: Técnicas
Por discontinuidad: Es la division de la imagen según cambios abruptos del nivel de gris. Por similitud: Compara grupo de píxeles considerando como región a cada grupo de ellos que tienen propiedades similares.

10 Segmentación por detección de puntos
1.2.1 Segmentación: Técnicas Detección de puntos: Es un método muy simple basado en la aplicación de una mascara centrada en el pixel a analizar. Segmentación por detección de puntos

11 Segmentación por detección de líneas a 45 °
1.2.1 Segmentación: Técnicas Detección de líneas: Se usan diferentes máscaras según la dirección se desee identificar. Segmentación por detección de líneas a 45 °

12 Segmentación por detección de bordes
1.2.1 Segmentación: Técnicas Detección de Bordes: Un borde dentro de una imagen es considerado un tipo de discontinuidad por lo que este puede ser detectado usando derivadas de primer y segundo orden. Segmentación por detección de bordes

13 1.2.1 Segmentación: Técnicas
Método Ventajas Inconvenientes Detección de discontinuidad Detección de puntos. Es bastante simple. Solo valida para puntos. Detección de líneas. Solo valida para líneas. Usa diferentes mascaras en función de la dirección. Detección de Bordes Es bastante simple.. Existen varios operadores. Es sensible al ruido. Presenta ruido en determinadas direcciones según el operador.

14 Segmentación por procesado local
1.2.1 Segmentación: Técnicas Procesado local: Analiza zona de pixeles con propiedades parecidas y une dicha regiones formando un borde continuo. Segmentación por procesado local

15 Segmentación por transformada de Hough
1.2.1 Segmentación: Técnicas Transformada de Hough: Permite detectar curvas en una imagen. Segmentación por transformada de Hough

16 1.2.1 Segmentación: Técnicas
Seguimiento de contorno: Se busca la unión de bordes a través del camino mas óptimo entre los elementos del grafo.

17 1.2.1 Segmentación: Técnicas
Método Ventajas Inconvenientes Unión de bordes Procesado local Es simple. Solo valida para puntos. Transformada de Hough Detecta curvas de forma precisa. Limitado a rectas y curvas. Seguimiento de contorno Funciona bien ante el ruido. Requiere mucho calculo computacional.

18 Segmentación usando técnica de umbralizacion
1.2.1 Segmentación: Técnicas Umbralización: Esta técnica toma como punto de partida el histograma de la imagen y se trata de convertir una imagen de gris o color a imagen binaria. Segmentación usando técnica de umbralizacion

19 Segmentación usando técnica de división y fusión
1.2.1 Segmentación: Técnicas División y fusión: Se trata de dividir la imagen en regiones uniformes de manera que una región con propiedades uniformes se divide sucesivamente hasta que sus partes sean uniformes. Segmentación usando técnica de división y fusión

20 Segmentación usando técnica de crecimiento de regiones
1.2.1 Segmentación: Técnicas Crecimiento de regiones: Se parte con un conjunto de puntos semillas a los que se le van añadiendo sus píxeles vecinos dependiendo de la regla que los asocie. Segmentación usando técnica de crecimiento de regiones

21 1.2.1 Segmentación: Técnicas
Método Ventajas Inconvemnientes Por similitud Umbralizaccion Local Menos sensible a las variaciones de luminosidad . Costo computacional mayor. Global Costo computacional menor. Mas sensible a las variaciones de luminosidad . Crecimiento de regiones División y fusión Buena detección. Autónomo. . Las imágenes deben ser potencias de 2.. Contornos no reales Ofrece un resultado muy completo Necesidad de semilla. Necesidad de punto de parada

22 1.2.1 Técnicas de Segmentación

23 1.2.2 Analisis de técnicas Umbralizacion global: Se elige un valor de umbral para toda la imagen .

24 1.2.2 Segmentación: Análisis de Técnicas
UMBRALIZACIÓN GLOBAL

25 1.2.2 Análisis de técnicas UMBRALIZACIÓN GLOBAL Se trabajo con la técnica en sus respectivos métodos obteniendo los siguientes resultados:

26 1.2.2 Analisis de técnicas Umbralizacion Local: Se divide la imagen en regiones y se establece un valor para cada región.

27 1.2.2 Análisis de técnicas UMBRALIZACIÓN LOCAL Se trabajo con la técnica en sus respectivos métodos obteniendo los siguientes resultados:

28 TAMAÑO DE REGIONES(SUBIMAGENES)
1.2.2 Segmentación: Análisis de Técnicas UMBRALIZACIÓN LOCAL PORCENTAJE DE EFECTIVIDAD VS TÉCNICA USADA TAMAÑO DE REGIONES(SUBIMAGENES)  TÉCNICAS DE UMBRALIZACION 5X3 5X4 5X5 6X3 6X4 6X5 7X3 7X4 7X5 8X3 8X4 8X5 HUANG 17 67 87 30 20 27 53 73 77 40 50 OTSU 93 97 90 INTERMODES 33 37 23 13 6.7 10 LI MAX ENTROPY MEAN 63 83 57 80 60 47 MIN ERROR 3.3

29 1.2.2 Análisis de técnicas Crecimiento de Regiones Se trabajo con la técnica en la elección de semillas posteriormente en el desarrollo y finalización del crecimiento y presentación de resultados.

30 1.2.2 Análisis de técnicas Fase 2 Fase 3 Fase 1 Fase 4
Crecimiento de regiones Depuración de regiones Presentación de regiones Fase 1 Fase 2 Fase 3 Fase 4 Obtención de semillas

31 1.2.2 Segmentación: Análisis de Técnicas
CRECIMIENTO DE REGIONES Distancia de Enfoque # de Imágenes tomadas # de placas detectadas # de placas segmentadas % Efectividad de segmentación Punto 1 11 7 100% Punto 2 10 9 Punto 3 Punto 4 Punto 5 Punto 6 Punto 7 8 89% Punto 12 Punto 15 - 0% Punto 16 90% Punto 18 6 5 83% Punto 19 Punto 20 3 33% Punto 21 Punto 22 Punto 23 Punto 24

32 CONTENIDO 1. Introducción 2. Implementación de la solución 2.1 Placas Vehiculares 2.2 Implementación 2.2.1 Diagrama de Flujo 2.2.2 Esquema 2.2.3 Fases 3. Resultados Experimentales 4. Conclusiones y Recomendaciones

33 2.1 PLACAS VEHICULARES Características de Placas:
30x15cm de dimensión y 6 caracteres representativos para placas antiguas. 40x15cm de dimensión y 7 caracteres representativos para placas nuevas.

34 2.1 PLACAS VEHICULARES Tipos de placas vehiculares Placa Particular
Placa de alquiler Placa Municipal Placa Gubernamental

35 2.2.1 Implementación: Diagrama de Flujo
Fase 1 Obtención de Semillas

36 2.2.1 Implementación: Diagrama de Flujo
Fase 2 Crecimiento de regiones Depuración de regiones Fase 3 Presentación de regiones Fase 4

37 2.2.2 Implementación: Esquema

38 2.2.3 Implementación: Fases
FASE 1: OBTENCION DE SEMILLA

39 2.2.3 Implementación: Fases
FASE 1: OBTENCION DE SEMILLA

40 2.2.3 Implementación: Fases
FASE 1: OBTENCION DE SEMILLA Determinar el nivel de gris que mas veces se repite basado en un histograma de frecuencias. Todos los puntos que poseen el nivel de gris encontrado seran puntos semillas.

41 2.2.3 Implementación: Fases FASE 2: CRECIMIENTO DE REGIONES

42 2.2.3 Implementación: Fases FASE 2: CRECIMIENTO DE REGIONES

43 2.2.3 Implementación: Fases FASE 2: CRECIMIENTO DE REGIONES
N:g. REPRESENTA SOMBRA T= n.g. seleccionado para sombra

44 2.2.3 Implementación: Fases FASE 2: CRECIMIENTO DE REGIONES
Determinar la regla de crecimiento de la región. Experimentalmente se determino un nivel de gris representativo de la sombra. Este nivel gris fue usado en la definición de la regla:

45 2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES

46 2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES

47 2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES En ésta fase que se logra es eliminar las regiones que por propiedades de ellas no pertenecen a una región valida determinada por datos experimentales como por ejemplo altura de un carácter, tamaño del área.

48 2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES

49 2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES

50 2.2.3 Implementación: Fases
FASE 4: PRESENTACIÓN DE REGIONES En la última fase se presenta las regiones validas y que por ende solo son caracteres segmentados correctamente.

51 CONTENIDO 1. Introducción 2. Implementación de la solución 3. Resultados Experimentales 4. Conclusiones y Recomendaciones

52 Resultados: Pruebas de Campo
Puntos 24 Tomas 240 Algoritmo Crecimiento de regiones Color Escala % Excelente 45.83 % Buena 20.83 % Malo 33.33 %

53 P1: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

54 P2: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

55 P3: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

56 P4: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

57 P5: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

58 P6: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

59 P7: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

60 P12: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

61 P16: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

62 P18: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

63 P19: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

64 P20: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

65 P21: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

66 P22: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

67 P23: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

68 P24: Pruebas de Campo Color Escala % Excelente 45.83 % Buena 20.83 %
Malo 33.33 %

69 # de placas segmentadas % Efectividad de segmentación
RESULTADOS Distancia de Enfoque # de Imágenes tomadas # de placas detectadas # de placas segmentadas % Efectividad de segmentación Punto 1 11 7 100% Punto 2 10 9 Punto 3 Punto 4 Punto 5 Punto 6 Punto 7 8 89% Punto 12 Punto 15 - 0% Punto 16 90% Punto 18 6 5 83% Punto 19 Punto 20 3 33% Punto 21 Punto 22 Punto 23 Punto 24

70 CONTENIDO 1. Introducción 2. Implementación de la solución 3. Resultados Experimentales 4. Conclusiones y Recomendaciones

71 CONCLUSIONES Y RECOMENDACIONES
Se logro implementar un algoritmo rápido para cuando se desee segmentar una imagen a nivel de gris. A pesar de que el siguiente proceso que tendrá nuestra imagen resultante será el de OCR y lo recomendable es tener como dimensiones mínimas de imagen 120x50 píxeles nuestra propuesta funciona hasta con imágenes de 85x45 píxeles

72 CONCLUSIONES Y RECOMENDACIONES
Sería interesante probar otras técnicas que ayuden a corregir lo que es el contorno del objeto se trató de corregir con operaciones morfológicas pero el resultado no fue el esperado.

73 Preguntas?

74 Segmentación de imágenes de placas vehículares usando técnica de crecimiento de regiones
PC BD Alexandra Buri H José Rivera De La Cruz. Facultad de Ingeniería en Electricidad y Computación Escuela Superior Politécnica del Litoral – ESPOL Guayaquil – Ecuador