Fernanda Frydson T. Richard Gutierrez P.

1. Aplicación de visión por computador para el reconocimiento del número de placa de vehículos usando modelos de aprendizaje (OCR convencionales) Fernanda Frydson T. Richard Gutierrez P. 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 fraudes en autopistas • Control de velocidad media en autopistas • Control de camiones • Inventariado de vehículos … etc

4. 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 1. Introducción 3. Conclusiones y Recomendaciones

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

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

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

8. OCR:Reconocimiento Óptico de Caracteres 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.

9. OCR:Reconocimiento Óptico de Caracteres Técnicas • GOCR: Desarrollada por JoergSchulenburg, 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

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

11. OCR:Reconocimiento Óptico de Caracteres Técnicas

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

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

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

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

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

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

18. 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 1. Introducción 4. Conclusiones y Recomendaciones

19. Tipos de placas vehiculares en el ecuador Placa Particular Placa de Alquiler Placa Municipal PlacaGubernamental

20. Esquema General del OCR

21. Fases del Tesseract

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

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

24. OCR implementado Imágenes Plantilla

25. OCR implementado Cuadro comparativo de pruebas

26. OCR implementado Características de las imágenes • Las imágenes son previamente binarizadas • El formato es TIFF, sin compresión • Resolución es de 72ppp - 300ppp

27. OCR implementado Clasificación de las placas • Buenas • Parcialmente Buenas • Malas

28. OCR implementado Análisis de pagina Antes Despues

29. OCR implementado Detección de errores • Distinción entre caracteres alfabéticos y numéricos 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” Antes

30. OCR implementado Detección de errores • Distinción entre caracteres alfabéticos y numéricos Después

31. OCR implementado Detección de errores • Similitud de caracteres

32. OCR implementado Detección de errores • Patrones para caracteres especiales

33. OCR implementado Detección de errores • Caracteres Sesgados

34. OCR implementado Detección de errores • Caracteres Sesgados

35. OCR implementado Detección de errores • Caracteres Sesgados

36. OCR implementado Detección de errores: Rotación sobre eje vertical

37. OCR implementado Detección de errores

38. OCR implementado Detección de errores: Rotación sobre eje horizontal

39. OCR implementado Detección de errores: Rotación sobre eje horizontal

40. OCR implementado Etapa 2: Reconocimiento

41. 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 1. Introducción 4. Conclusiones y Recomendaciones

42. Pruebas de campo

43. Resultados: pruebas de campo

44. Pruebas de campo % de eficienciaalgoritmoimplementado

45. 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 1. Introducción 4. Conclusiones y Recomendaciones

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

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