EM RUMO A UM SISTEMA AUTOMÁTICO DE CONTROLE DE ACESSO DE ... · Palavras-chave: Reconhecimento ótico de caracteres OCR. Imagem. Binarização. Fil-tragem. i. Abstract In a recognition

DANIEL ROCHA GUALBERTO

Orientador: David Menotti

EM RUMO A UM SISTEMA AUTOMÁTICO DE

CONTROLE DE ACESSO DE VEÍCULOS AUTOMOTIVOS:

RECONHECIMENTO DE CARACTERES EM PLACAS DE

VEÍCULOS

Ouro Preto

Novembro de 2010

Universidade Federal de Ouro Preto

Instituto de Ciências ExatasBacharelado em Ciência da Computação

EM RUMO A UM SISTEMA AUTOMÁTICO DE

CONTROLE DE ACESSO DE VEÍCULOS AUTOMOTIVOS:

RECONHECIMENTO DE CARACTERES EM PLACAS DE

VEÍCULOS

Monogra�a apresentada ao Curso de Bachare-lado em Ciência da Computação da Universi-dade Federal de Ouro Preto como requisito par-cial para a obtenção do grau de Bacharel emCiência da Computação.


Ouro Preto

Novembro de 2010

UNIVERSIDADE FEDERAL DE OURO PRETO

FOLHA DE APROVAÇÃO

Em Rumo a Um Sistema Automático de Controle de Acesso de Veículos

Automotivos: Reconhecimento de Caracteres em Placas de Veículos


Monogra�a defendida e aprovada pela banca examinadora constituída por:

Dr. David Menotti � OrientadorUniversité Paris-Est

Dr. Guillermo Câmara Chavez

Université Cergy-Pontoise

Dr. Ricardo Augusto Rabelo de Oliveira

Universidade Federal de Ouro Preto

Ouro Preto, Novembro de 2010

Resumo

Em um sistema de reconhecimento existem três etapas entre a aquisição da imagem de um

carro até a extração do caractere. A primeira consiste na localização da placa. A segunda

consiste num pré-processamento da placa, para binarizar a imagem e remover ruídos. E a

terceira etapa consiste em aplicar uma função de Reconhecimento Ótico de Caracteres (OCR)

a �m de identi�car os caracteres. Este projeto propõe a realização da segunda e terceira

etapa do Reconhecimento de Caracteres de Placas de Veículos.

Palavras-chave: Reconhecimento ótico de caracteres OCR. Imagem. Binarização. Fil-

tragem.

i

Abstract

In a recognition system there are three stages between image acquisition of a car until the

extraction of character. The �rst is the location of the plate. The second is a pre-processing

of the card to the binarized image and remove noise. And the third step is to apply a function

Optical Character Recognition (OCR) to identify the characters. This project proposes to

carry out the second and third stage of Character Recognition License Plate.

Keywords: Optical Character Recognition OCR. Image. Binarization. Filtering.

ii

Dedico este trabalho primeiramente a Deus, pois sem Ele, nada seria possível e não es-

taríamos aqui reunidos, desfrutando, juntos, destes momentos que nos são tão importantes.

Aos meus pais João e Zuleides pelo esforço, dedicação e compreensão, em todos os mo-

mentos desta e de outras caminhadas.

Ao meu irmão Rafael pelo incentivo, cooperação e apoio.

iii

Agradecimentos

Aos professores, especialmente ao Professor David Menotti, pela contribuição, dentro de sua

área, para o desenvolvimento da monogra�a e principalmente pela dedicação e empenho que

demonstrou no decorrer de suas atividades para com o projeto.

A minha mãe Zuleides, meu irmão Rafael, minha tia Lourdinha e meu Tio Selio pelo

empenho e auxílio, num momento decisivo do trabalho.

E a todos aqueles que, direta ou indiretamente, colaboraram para que este trabalho consiga

atingir os objetivos propostos.

iv

Sumário

1 Introdução 1

1.1 Justi�cativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.2 Objetivos especí�cos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Desenvolvimento 9

2.1 Identi�cação de placas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1.1 Método: Áreas de alto contraste . . . . . . . . . . . . . . . . . . . . . . 9

2.1.2 Método: Análise de Freqüência . . . . . . . . . . . . . . . . . . . . . . . 10

2.1.3 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2 Reconhecimento de Caracteres de Placas de Identi�cação de Veículos . . . . . . 11

2.2.1 Filtragem da placa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.2 Reconhecimento de caractere . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Experimentos 18

3.1 Placa GOR5902 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3.2 Placa GZF8464 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.3 Placa HCH8169 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Implementação 21

4.1 Criar o Template das Letras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

4.2 Criar o Template dos números . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

4.3 Identi�car as imagens das Letras . . . . . . . . . . . . . . . . . . . . . . . . . . 22

4.4 Identi�car as imagens dos números . . . . . . . . . . . . . . . . . . . . . . . . . 24

4.5 Correção ao ângulo da Placa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4.6 Correção ao ângulo dos Caracteres . . . . . . . . . . . . . . . . . . . . . . . . . 25

4.7 Reconhecimento dos Caracteres - OCR . . . . . . . . . . . . . . . . . . . . . . . 26

4.8 Metodo Principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

v

5 Conclusões 35

Referências Bibliográ�cas 50

vi

Lista de Figuras

1.1 Foto do Túnel de Dartford, onde se realizou o teste do primeiro SACAVA, FONTE

(Matthews) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 O sistema E-ZPASS ao aproximar um carro da área do pedágio, o campo de ra-

diofreqüência emitido pela antena ativa o mecanismos que deduz da conta pré-paga

do motorista. FONTE (6). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3 Imagens ao vivo são transmitidas do Centro de Controle de Tráfego para o site da

CCR Ponte e para emissoras de TV, FONTE(das Estradas) . . . . . . . . . . . . . 3

1.4 Placa de um veículo de aluguel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.5 Placa de um veículo que se encontra em estado de teste. . . . . . . . . . . . . . . . 4

1.6 Placa de um veículo particular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.7 Placas utilizadas por veículos de consulados. . . . . . . . . . . . . . . . . . . . . . . 5

1.8 Placas utilizadas em veículos utilizados por altos cargos. . . . . . . . . . . . . . . . 5

1.9 Placa utilizadas em automóveis de propriedade do estado, união ou município. . . . 6

1.10 Placa de veículo de auto-escola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.11 Placa de automóvel de coleção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.12 Placa de carro que ainda estão em fase de teste. . . . . . . . . . . . . . . . . . . . . 6

1.13 Demonstração de uma placa de veículo brasileira, de acordo com (2) . . . . . . . . 7

2.1 (A) Imagem original condensada, (B) Bordas verticais (C) Classi�cação da imagem

�lltrada (D) Projeção vertical PV (y). FONTE: (15) . . . . . . . . . . . . . . . . . 10

2.2 (A)Imagem de entrada com os candidatos identi�cados placa de licença,(B) Placa

reconhecida corretamente,(C)O algarismo "8"foi reconhecido como uma letra "B"e

(D)método de segmentação de caracteres não identi�ca caracteres na imagem,

FONTE: (8) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.3 Um �uxograma do sistema RCPIV FONTE: (7) . . . . . . . . . . . . . . . . . . . . 12

2.4 Foto da Placa HAI0232, que será utilizada como exemplo para demonstrar os méto-

dos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.5 Imagem da Placa HAI0232 apos ser convertida para escala de cinza. . . . . . . . . 13

2.6 Imagem da Placa HAI0232 ápos ter passada pelo método de correção de angulo. . 14

2.7 Imagem da Placa HAI0232 apos ter passada pelo método de binarização da imagem. 15

vii

2.8 Imagem da Placa HAI0232 apos ter passada pelo método de limpeza de ruidos. . . 15

2.9 Imagem da Placa HAI0232 apos ter passada pelo método de enquadramento da

placa e limpeza de ruidos novamente. . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.10 Imagem da Placa HAI0232 apos ter sido identi�cado os caracteres. . . . . . . . . . 16

2.11 Imagens das letras utilizadas no OCR de Reconhecimento de Padrão . . . . . . . . 17

2.12 Imagens dos numeros utilizadas no OCR de Reconhecimento de Padrão . . . . . . 17




5.1 Imagens de Placas de Automoveis Utilizados. . . . . . . . . . . . . . . . . . . . . . 36









viii

Lista de Tabelas

3.1 Resultados da placas da amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

5.1 Log dos Resultados das Placas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41









ix

Lista de Algoritmos

x

Capítulo 1

Introdução

Nesta monogra�a, serão abordados os conceitos fundamentais do Sistema Automático de Con-

trole de Acesso de Veículos Automotivos, (SACAVA), destancando o sistema de Reconheci-

mento de Caracteres de Placas de Identi�cação de Veículos (RCPIV).

Um SACAVA foi criada em 1976, pelo Departamento de Desenvolvimento Cientí�co da

Polícia no Reino Unido, com o objetivo de identi�car carros roubados. O protótipo inicial

desenvolvido foi �nalizado em 1979 e desenvolvido pela empresa Britânica EMI Electronics.

Esse sistema começou a ser testado na rodovia A1 e no Túnel Dartford, ambos na Inglaterra

(5).(FIG.1.1)

Figura 1.1: Foto do Túnel de Dartford, onde se realizou o teste do primeiro SACAVA, FONTE(Matthews)

Apenas em 1981 ocorreu a identi�cação de um carro furtado, seguido da prisão do deli-

tuoso, através do uso desse sistema. Há algum tempo atrás, a identi�cação de veículos era

um trabalho completamente manual, porém, com o crescimento do tráfego de veículos nas

1

1. Introdução 2

rodovias, a tarefa de identi�cação manual de veículos se tornou inviável (5).

Hoje em dia, o SACAVA se tornou o principal método para muitos sistemas de transporte

automatizado, algumas das áreas mais famosas são:

• Pagamento Automático de Pedágios

A maioria das estradas pedagiadas está equipada com um sistema eletrônico de coleta

de pedágio FIG(1.2), ela foi desenvolvida para tornar o �uxo de tráfego mais rápido,

já que carros não precisam parar para fazer o pagamento. Ele usa basicamente um

transponder instalado no veículo, ativado por uma antena em uma faixa de pedágio.

A sua informação de conta está guardada no transponder, a antena identi�ca o seu

transponder e lê a sua informação de conta. A quantia do pedágio é debitada na sua

conta e você tem a permissão de passar. No Brasil, o sistema eletrônico de coleta do

pedágio é chamado de Sem Parar ou Via Fácil. (14).

Figura 1.2: O sistema E-ZPASS ao aproximar um carro da área do pedágio, o campo deradiofreqüência emitido pela antena ativa o mecanismos que deduz da conta pré-paga domotorista. FONTE (6).

• Medição da velocidade media de uma auto estrada

Ao guiar um carro de um ambiente para outro em uma auto estrada pode ser avaliado

a aceleração da velocidade média. Este método é mais potente que o método onde

você simplesmente faz uma única medida, uma vez que o motorista pode desacelerar

rapidamente se ele está ciente de que são realizados no local controle de velocidade.

• Estatísticas sobre o Tráfego

1. Introdução 3

O uso das estradas e outras instalações podem ser avaliados. Quantos automóveis que

trafegam em determinado local durante um dia? Como movimentar o tráfego através de

um município? Como difundir o tráfego das rodovias?

• Controle de acesso a pontes e estacionamentos

Sistemas que detectam os veículos que utilizam pontes ou estacionamentos particulares,

onde os proprietários de veículos que se deslocam recebem uma multa se não pagar pelo

tempo e utilização da mesma.

• Monitoramento de tráfego

Uma metodologia, para contagem de veículos em cruzamentos e vias urbanas. Com

o objetivo de demonstrar que o número de veículos particulares aumentou de forma

signi�cativa nos centros urbanos. Nesta conjuntura, os estudos de contagem de �uxo

de veículos são instrumentos de primordial importância no planejamento de transportes

e no controle da operação, melhorando as condições de �uidez do tráfego urbano e a

qualidade de vida da população. Uma demonstração pode ser encontrada em (1) e

observado na FIG1.3.

Figura 1.3: Imagens ao vivo são transmitidas do Centro de Controle de Tráfego para o site daCCR Ponte e para emissoras de TV, FONTE(das Estradas)

O SACAVA começa seu processo a partir de uma imagem de um carro, onde encontra a

placa e identi�ca seus caracteres. Com o reconhecimento dos caracteres presentes na placa, é

possível identi�car o carro e levantar informações sobre o mesmo automaticamente.

Em um SACAVA existem três etapas entre a aquisição da imagem de um carro até o

reconhecimento dos caracteres que compõe a placa de identi�cação do veículo. A primeira

consiste na localização da placa. A segunda consiste em realizar uma �ltragem, ou pré-

processamento da imagem da placa localizada, visando binarizar e remover ruídos da imagem.

E a terceira etapa, consiste em utilizar a função de Optical Character Recognition, (OCR, ou

em português, Reconhecimento Ótico de Caracteres), a �m de identi�car os caracteres.

1. Introdução 4

Esta pesquisa propõe a realização do sistema RCPIV, ou seja:

• Implementação da segunda etapa, referente ao pré-processamento ou �ltragem da placa;

• Implementação da terceira etapa, referente ao reconhecimento de caractere - OCR;

Esse sistema é parte fundamental do sitema SACAVA, já que sua precisão é essencial para

levantar informações sobre veículos com exatidão.

O sistema proposto foi desenvolvido como um programa de computador, em que o sistema

deve ser capaz de analisar as fotogra�as a cores em qualquer resolução nitida, sendo retirados

em plena luz do dia sem o uso de luz arti�cial. Cada fotogra�a deve conter uma placa de

carro. O sistema de placa brasileiro é subdivido de acordo o tipo de uso para que o veículo

está registrado:

• Automóveis de aluguel: Táxis, ônibus e caminhões recebem as placas vermelhas, como

pode ser observados na FIG1.4, com caracteres alfanuméricos em branco.

Figura 1.4: Placa de um veículo de aluguel.

• Automóveis de experiência: Os carros que estão em reparo nas concessionárias ou o�cinas

e que precisam ser testados na rua levam a placa verde, como demonstrado na FIG1.5.

Figura 1.5: Placa de um veículo que se encontra em estado de teste.

• Automóveis particular: A mais comum, aquela que todo proprietário de carros tem em

seu automóvel, (FIG1.6). O fundo desse tipo de placa é cinza e os caracteres alfanuméri-

cos em preto.

• Placas especiais: Usadas pelos consulados, nas cores azul e branca, veja 1.7. Elas levam

as letras CC, que indicam Corpo Consular. São dois modelos, a do cônsul de carreira,

1. Introdução 5

Figura 1.6: Placa de um veículo particular

que tem o fundo azul e os caracteres em branco e a do cônsul honorário. Essa placa é

igual a comum, porém é adicionada uma chapa ovalada em azul com as letras CC, em

branco.

Figura 1.7: Placas utilizadas por veículos de consulados.

• Placas de bronze: Utilizadas em carros o�ciais de prefeitos, presidentes de câmaras,

presidente da assembléia, presidente de tribunais, entre outros. O fundo é preto e os

caracteres alfanuméricos dourados. A placa contém o brasão da república, veja a FIG1.8.

Figura 1.8: Placas utilizadas em veículos utilizados por altos cargos.

• Automóveis o�ciais: Usada nos carros de propriedade do estado, união ou município.

No caso de ser estado, ela leva somente o nome do estado; o da união, somente o nome

do país, (FIG1.9). O fundo é branco com parte alfanumérica em preto.

• Automóveis de aprendizagem: Essa é a placa obrigatória em carros de auto-escola e

identi�cam que o motorista está em treinamento, (FIG1.10). O fundo é branco e letras

e números vermelhos.

1. Introdução 6

Figura 1.9: Placa utilizadas em automóveis de propriedade do estado, união ou município.

Figura 1.10: Placa de veículo de auto-escola

• Automóveis de coleção: Carros com mais de 30 anos de fabricação e um percentual de

originalidade levam a placa preta, designando carros que pertencem a coleção. O fundo

é preto e as letras utilizam a cor cinza, (FIG1.11).

Figura 1.11: Placa de automóvel de coleção

• Automóveis em fase de teste: Carros das montadoras que ainda estão em fase de testes

para ver seu desempenho rodam com a placa azul,(FIG1.12).

Figura 1.12: Placa de carro que ainda estão em fase de teste.

As placas devem ser todas no modelo particular brasileiro, em que o fundo desse tipo de

1. Introdução 7

placa é cinza e os caracteres alfanuméricos em preto, de acordo com (2). O formato das placas

deve ser (AAA XXXX), onde A são os caracteres de A - Z e X são inteiros no intervalo de

0-9. Como observa-se na FIG1.13 .

Figura 1.13: Demonstração de uma placa de veículo brasileira, de acordo com (2)

O sistema para reconhecer placas deve ser capaz de identi�car pela imagem do veículo,

ocorrendo através de fotogra�as, ou seja, os exemplos são baseados em imagens estáticas. Na

tentativa de conseguir imagens mais nítidas, as fotos foram tiradas de veículos estacionados,

com foco e �ash automático, e depois recortados a placas pelo software Photoshop.

1.1 Justi�cativa

Atualmente a universidade está se reestruturando pelo incentivo do governo federal, através

do REUNI (Programa de Apoio ao Plano de Reestruturação e Expansão das Universidades

Federais). Com o programa em andamento, já �ca perceptível o aumento do tráfego de

veículos. Faz-se então, imprescindível um estudo para controlar a expansão desse setor. Uma

alternativa de realizar esse estudo seria por meio de um SACAVA. Com a implementação

desse sistema objetiva-se o aprendizado em processamento de imagens (7), reconhecimento de

padrões (4) e a plataforma MATLAB.

1.2 Objetivos

1.2.1 Objetivo geral

Reconhecer os caracteres de placas de licença de veículos a partir de imagens digitais per-

mitindo a identi�cação de veículos, sendo uma proposta de controle de acesso de veículos na

UFOP, será feita apenas em modo de simulação, ou seja, não haverá interação direta com o

ambiente real.

1.2.2 Objetivos especí�cos

Adquirir experiencia na prática em métodos e técnicas básicas em processamento de imagens

e reconhecimento de padrões como o utilizado no SACAVA.

1. Introdução 8

• Pré-processamento ou �ltragem da placa de veículos;

• Binarizar a imagem e remover ruídos.

• Realizar reconhecimento de caracteres da placas de identi�cação de veículos.

Capítulo 2

Desenvolvimento

O SACAVA é realizado em três etapas. A primeira etapa em que tenta encontrar a placa

na imagem. Como segundo passo, tratamento da imagem da placa para que localize os sete

caracteres da placa, e �nalmente, a identi�cação dos sete caracteres. O sistema retorna os

caracteres da placa em formato de texto como o resultado �nal.

2.1 Identi�cação de placas

O método de identi�cação de placas não foi proposto para ser implementado, entretanto ele

foi analisado para poder compreender a primeira etapa do SACAVA, sendo assim possível ver

qual seria o corte correto realizada na imagem em torno da placa do veículo. Para exemplo,

será citado dois métodos propostos:

2.1.1 Método: Áreas de alto contraste

Espera-se que uma área com os caracteres da placa do veículo contenha as áreas de alto

contraste, devido a muitas arestas entre os caracteres e o fundo escuro brilhante. Ao fazer a

imagem em tons de cinza e, em seguida, perceber a intensidade na imagem como altura em

uma paisagem, pode-se descrever os gradientes da paisagem como gradientes conhecidos. O

método descrito nesta seção é baseado no sistema descritos em (15), onde pode ser observado

na FIG2.1.

O Gradiente descreve o declive do pixel como um vetor de duas dimensões. Uma área com

uma transição suave da intensidade do preto ao branco tem todos os gradientes curtos apon-

tando da mesma forma para todos os pixels da área, enquanto uma área com uma transição

abrupta de preto para (alto contraste) branco irá resultar em gradientes de comprimento,

qonde ira apontar para a área preta. Depois de ter calculado os gradientes da imagem, pode-

mos calcular os seus ângulos. Opta-se por criar uma nova imagem mostrando gradientes com

um ângulo de entre 0◦ e 30◦ em uma linha horizontal. Antes de fazer uma imagem binária

9

2. Desenvolvimento 10

com as possíveis posições de placas de identi�cação, a área da placa em uma forma coerente

correspondente a imagem com um �ltro para cada pixel de uma intensidade à média da sua

vizinhança. Uma vez que estamos interessados principalmente na ligação pixels que estão

próximos uns dos outros (os caracteres da placa) e quiser evitar a área da placa de licença

está associada a áreas próximas de suas bordas superiores e inferiores, de�ne a placa como

um retângulo horizontal. O resultado é um espaço coeso, com uma altura igual à altura dos

caracteres da placa de licença e uma largura que é ligeiramente maior que a largura da placa.

Como última etapa, cria-se uma imagem binária.

Figura 2.1: (A) Imagem original condensada, (B) Bordas verticais (C) Classi�cação da imagem�lltrada (D) Projeção vertical PV (y). FONTE: (15)

2.1.2 Método: Análise de Freqüência

Ao analisar a oscilação entre as intensidades de luz e escuridão das placas incluídas, este

método para localizar a placa, marca as áreas que têm uma freqüência próxima da taxa média

de medida das áreas da placa. Para cada pixel da imagem, analisa-se uma freqüência de uma

linha que começa com um determinado número de pontos antes do pixel atual e termina o

mesmo número de pixels depois. Examinam a intensidade acima e abaixo da média da área. É

este valor que é usado como uma expressão da freqüência na área, como demonstra a FIG2.2.


O método é baseado em (8) que também trabalha com análise de freqüência para localizar as

placas.

Figura 2.2: (A)Imagem de entrada com os candidatos identi�cados placa de licença,(B) Placareconhecida corretamente,(C)O algarismo "8"foi reconhecido como uma letra "B"e (D)métodode segmentação de caracteres não identi�ca caracteres na imagem, FONTE: (8)

2.1.3 Trabalhos Relacionados

Na literatura existem diversas propostas sobre como localizar uma placa de veículo em uma

imagem além das duas citadas. Um exemplo é (12) com a tentativa de localizar áreas retangu-

lares que contêm pequenas áreas, com uma relação altura / largura igual caracteres em uma

placa de licença. Se vários domínios, tais colocados lado a lado é um candidato a placa do

placa do veículo.

Outra maneira de localizar áreas nas imagens é pela Maximally stable extremal regions

(MSER). Uma boa descrição intuitiva da idéia por trás da encontrada em (10),

2.2 Reconhecimento de Caracteres de Placas de Identi�cação

de Veículos

O reconhecimento do RCPIV consiste em duas etapas, na implementação de técnicas

de �ltragem de imagem, que tem como objetivo melhorar a taxa de reconhecimento dos


caracteres (7), como demonstrado na FIG2.3 ilustrando o diagrama de um RCPIV.

Imagem de iden-ti�cação da

placa de veículo

Filtragem

Reconhecimento- OCR

Texto com os carac-teres reconhecidos

Figura 2.3: Um �uxograma do sistema RCPIV FONTE: (7)

2.2.1 Filtragem da placa

Nesta etapa de �ltragem as técnicas de pré-processamento implementadas são aplicadas as

imagens das placas dos veículos (7). Para o pré-processamento da placa utiliza cinco etapas:

Converter para escala de cinza, alinhar a placa de identi�cação do veículo, tratamento da placa

de identi�cação do veículo e segmentação da placa. A FIG2.4 será utilizada para demonstrar

os métodos.

Figura 2.4: Foto da Placa HAI0232, que será utilizada como exemplo para demonstrar osmétodos.


2.2.1.1 Converter para escala de cinza

Aplica-se o algoritmo de conversão cromática na imagem. Como a imagem capturada da placa

do veículo é colorida, e os algoritmos empregados não fazem uso desta informação, converte-se

a mesma para 256 tons de cinza, como pode ser observado na FIG2.5.

A converção dos valores RGB para valores de tons de cinza, forma uma soma ponderada

dos R, G, B, utilizando a seguinte expressão:

0.2989×R+ 0.5870×G+ 0.1140×B

Figura 2.5: Imagem da Placa HAI0232 apos ser convertida para escala de cinza.

2.2.1.2 Alinhar a placa de identi�cação do veículo

Um algoritmo de detecção de ângulo é utilizado sobre a imagem resultante da etapa de con-

versão para escala de cinza. Inicia a identi�cação das bordas horizontais da placas, calcula o

ângulo de inclinação dos caracteres e gira a placa de modo que o caracteres �que alinhado.

Para alinhar a placa, usamos o método Radon Transform (RT) como descrito em (15).

Calcular a transformação das encostas das bordas superior e inferior da placa após converter

em escala de cinza. Uma vez que sabemos a inclinação da placa, podemos girar a imagem, um

número correspondente de graus na direção oposta a placa com o objetivo de deixar a placa

alinhada horizontalmente.

Para representar uma imagem com a Radon Transform realiza projeções para todos os

ângulos entre 0◦ e 179◦ (Não utiliza o 180◦ pois é o mesmo resultado em 0◦). Isso resulta em

uma matriz que indica o grau em que é provável que há uma linha na imagem original para

cada ângulo θ e linha de sensores, FIG2.6.

O método pode ser utilizado em uma imagem em tons de cinza, mas para melhores resul-

tados, é aplicado apenas em imagens de placas de veículos antes do tratamento de imagem.

Optamos por selecionar apenas as arestas horizontais. Por exemplo, uma placa borda supe-


rior e inferior está marcada, enquanto as margens esquerda e direita não serão selecionadas.

Quando a inclinação da placa da imagem é encontrada, a imagem pode ser girada.

Figura 2.6: Imagem da Placa HAI0232 ápos ter passada pelo método de correção de angulo.

Há um outro método de rotação, o Hough Transform, visto em (Xu). Pela semelhança

entre eles, foi utilizado apenas o método RT.

2.2.1.3 Tratamento da placa

Após este procedimento, realiza-se uma binarização local adaptativa sobre a imagem, FIG2.7.

Em seguida, limpa-se os ruídos e realça a área da placa na imagem original, através de um

algoritmo de erode e dilate, FIG2.8. Esta etapa, permite uma melhora na relação do contraste

entre os caracteres e o fundo da placa, propiciando uma melhor segmentação.Esses fatores

contribuem para melhorar a taxa de sucesso do reconhecimento ótico dos caracteres (OCR).

Depois de realce de contraste criado uma imagem binária com componentes coesa, parece

provável que os sinais não são os únicos componentes coerente na imagem. Por exemplo,

a placa pode estar suja, ou pode estar haver elementos escuros fora da chapa, deverá ser

coerente.

Além disso, pode acontecer dos caracteres ser confundido com a borda da placa, e/ou se

há impurezas ou parafusos na placa 1. Ao remover o estreito, elementos horizontais que são

muito branco ou muito preto e removendo ruidos entre a borda da placa e caractere.

Após faz um enquadramento da placa, para que a área exterior a placa que esteja presente

na imagem, não seja identi�cada pelo OCR, veja em 2.9.

2.2.1.4 Segmentação das placas

Armazenar as coordenadas das áreas detectadas que podem ser reconhecidos como caractere.

Por meio das coordenadas das áreas detectadas, são segmentadas as sete partes reconhecidas

1A placa é acoplada em um carro com parafusos, no qual às vezes são visíveis na placa


Figura 2.7: Imagem da Placa HAI0232 apos ter passada pelo método de binarização daimagem.

Figura 2.8: Imagem da Placa HAI0232 apos ter passada pelo método de limpeza de ruidos.

pela indexação. Esses métodos são repetidos até que seja encontrado o número de caracteres

esperado.

Este método de componentes consecutivos realiza a separação de caractere em uma obra em

placa utilizando componentes consistentes. A idéia é baseada em cada um dos sete caracteres

que são representadas na imagem da placa é um componente único e contínuo. Os componentes

coerentes a ser trabalhado consistem de pixels escuros na imagem original (os caracteres são

escuros), o método utilizado é de (8) e (Nijhuis). Para os caracteres ser distinguidos claramente

é necessário aumentar o contraste da imagem, em caso de forte luz na placa. Para realce de

contraste ideal será pixels que fazem parte de um caractere em tons de cinza da placa, têm

valores de intensidade que são muito escuras, enquanto os pixels na luz branca da placa terão

valores de intensidade que são muito brilhantes.

Cada caracter preenche um máximo de 17 da área de imagem. Cada caracter tem uma

largura máxima de 17 de largura da imagem. A altura mínima dos caracteres deverá ser de


Figura 2.9: Imagem da Placa HAI0232 apos ter passada pelo método de enquadramento daplaca e limpeza de ruidos novamente.

pelo menos uma certa constante, o tamanho mínimo de caracteres deve ser de pelo menos uma

certa constante,

Para cada caracter, há seis outros caracteres que são quase tão alto quanto o caracter:

Todos os sete caracteres da placa é igualmente elevado.

Para cada caracter, há seis outros caracteres que estão na mesma altura que o sinal: se a

placa é horizontal na imagem, todos os sete caracteres a mesma altura.

Os sete caracteres são divididos em dois grupos: as três letras e os quatro números, onde

forma um determinado grupo em relação à distância entre os caracteres.

Uma vez que o componente é coerente, não havendo sinais que estão ordenados, serão

obtidos a partir de uma imagem binária onde apenas os caracteres da placa de licença é

veri�cada, veja na �gura 2.10

Figura 2.10: Imagem da Placa HAI0232 apos ter sido identi�cado os caracteres.


2.2.1.5 Trabalhos Relacionados

À metodologia de Mountain Valley que é baseada em uma projeção das colunas na imagem

de uma placa de licença. Ou seja, os valores de intensidade em cada coluna é somado com

base nesses montantes . Esta projeção nos dará uma indicação de onde há indícios e onde

existem áreas dos sinais de que pode cortar os caracteres. Este método é utilizado em (8) e

(13). Pode-se mencionar que em (8) e (12) utiliza componentes semelhante para a localização

da placa.

2.2.2 Reconhecimento de caractere

O processo de extração é a etapa mais importante do OCR. A qualidade dessa etapa in�uencia

no resultado de todo o sistema.

A escolha de quais características serão utilizadas no processo de reconhecimento é muito

importante. A construção do vetor de características é realizada, utilizando-se a segmentação

dos caracteres contidos na área da placa. Através da utilização de um algoritmo de agrupa-

mento por similaridade e um conjunto de heurísticas os caracteres são extraídos da imagem

binarizada, no módulo de extração de características.

Finalmente é realizada a fase de reconhecimento do vetor de características, onde os três

primeiros caracteres são apresentados para o reconhecimento de letras, utilizando as imagens

representadas na FIG2.11 , e os caracteres restantes são apresentados para o reconhecimento

de números, utilizando as imagens representadas na FIG3.3, que, en�m, deverá apontar o

caractere correto. Uma abordagem usual para a construção da etapa de reconhecimento

consiste na utilização de similaridade.

Figura 2.11: Imagens das letras utilizadas no OCR de Reconhecimento de Padrão

Figura 2.12: Imagens dos numeros utilizadas no OCR de Reconhecimento de Padrão

Capítulo 3

Experimentos

Para a o experimento do programa desenvolvido ao decorrer da monogra�a, foram retirados

trezentos e quarenta e três (343) fotos de placas de licença de veículos, que estão no capitulo

5. As placas retiradas apresentam diversas características, desde de ângulos diferentes a

qualidade da imagem. Encontramos em nosso conjunto de amostra contem placas sujas,

com engate tampando parte do numero, placas amassadas e desgastadas. Abrangendo todas

as possibilidades do estado da placa de veículo. No processo das imagens da placas temos

reconhecidos 75% das placas do conjunto de amostras, sendo encontrado no capitulo 5, o

resultado de todas as placas, com os caracteres encontrados de cada placas. Nesse capitulo

vamos mostrar os resultado das placas e dos caracteres encontrados das placas, TABELA ??;

Numero de Placas Caracteres Reconhecidos Porcentagem

0 0 0%0 1 0%0 3 0%0 4 0%10 5 2.8%75 6 21.99%258 7 75.21%

Tabela 3.1: Resultados da placas da amostra

Abaixo temos alguns exemplos de erros que foram encontradas no processo da imagens. E

serão explicados a seguir;

3.1 Placa GOR5902

Esta placa esta amassada, apos o angulo dela corrigdo, obeservamos que ja se torna mais

legivel aos olhos. No metodo de reconhecimento devido ao amassado a letra 'O' e a letra 'R'

18

3. Experimentos 19

�caram descon�gurada, sendo assim reconhecendo como 'Q' e 'P', sucessivamente. Obtendo

como resposta GQP5902.


3.2 Placa GZF8464

A placa GZF8464 se encontra fora dos padrões de�no pelo contran, (? ), sendo assim o numeral

'6', na etapa de reconhecimento é reconhecido como o numeral '4', saindo com resultado

GZF8444.


3. Experimentos 20

3.3 Placa HCH8169

Nesta placa, mesmo a correção do angulo, os seus caracteres continuam alguns inclinados, o

que na etapa de reconhecimento de padrões são identi�cado por outros caracteres, resultado

da placa HEH8769.


Capítulo 4

Implementação

Para a implementação da monogra�a foi utilizado o programa Matlab versão 2009b e o

Notepad++, o código foi implementado na linguagem Matlab (extenção .m).

4.1 Criar o Template das Letras

Neste arquivo é lido todas as imagens binaria do tamanho 24x42 pixels das letras, referente

ao reconhecimento padrão das placas. Após a leitura de todas as placas é gerado um arquivo

".mat", com o nome de "templatesL", no qual apresenta uma tabela com os valores das

imagens binarias, onde cada imagem é referente a um posição na tabela de eapaço 24x42.

Listing 4.1: criar_letras_template.m

1 %−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−− Criar Template do Reconhecimento de Padrões dos l e t r a s −−−−−−−%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

%− Letra

6 A=imread ( ' letras_numeros \A.bmp ' ) ;B=imread ( ' letras_numeros \B.bmp ' ) ;

C=imread ( ' letras_numeros \C.bmp ' ) ;D=imread ( ' letras_numeros \D.bmp ' ) ;

E=imread ( ' letras_numeros \E.bmp ' ) ;F=imread ( ' letras_numeros \F .bmp ' ) ;

G=imread ( ' letras_numeros \G.bmp ' ) ;H=imread ( ' letras_numeros \H.bmp ' ) ;

I=imread ( ' letras_numeros \ I .bmp ' ) ; J=imread ( ' letras_numeros \J .bmp ' ) ;

11 K=imread ( ' letras_numeros \K.bmp ' ) ; L=imread ( ' letras_numeros \L .bmp ' ) ;

M=imread ( ' letras_numeros \M.bmp ' ) ;N=imread ( ' letras_numeros \N.bmp ' ) ;

O=imread ( ' letras_numeros \O.bmp ' ) ;P=imread ( ' letras_numeros \P.bmp ' ) ;

Q=imread ( ' letras_numeros \Q.bmp ' ) ;R=imread ( ' letras_numeros \R.bmp ' ) ;

S=imread ( ' letras_numeros \S .bmp ' ) ;T=imread ( ' letras_numeros \T.bmp ' ) ;

16 U=imread ( ' letras_numeros \U.bmp ' ) ;V=imread ( ' letras_numeros \V.bmp ' ) ;

W=imread ( ' letras_numeros \W.bmp ' ) ;X=imread ( ' letras_numeros \X.bmp ' ) ;

Y=imread ( ' letras_numeros \Y.bmp ' ) ; Z=imread ( ' letras_numeros \Z .bmp ' ) ;

l e t t e r =[A B C D E F G H I J K L M N O P Q R S T U V W X Y Z ] ;

21

cha rac t e r=l e t t e r ;

21

4. Implementação 22

templates=mat2ce l l ( character , 4 2 , [ 2 4 24 24 24 24 24 24 . . .

24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 ] ) ;

26

save ( ' templatesL ' , ' templates ' )

clear a l l

4.2 Criar o Template dos números

Neste arquivo é lido todas as imagens binaria do tamanho 24x42 pixels dos números, referente

ao reconhecimento padrão das placas. Após a leitura de todas as placas é gerado um arquivo

".mat",com o nome de "templatesN"no qual apresenta uma tabela com os valores das imagens

binarias, onde cada imagem é referente a um posição na tabela de eapaço 24x42.

Listing 4.2: criar_numeros_template.m

1 %−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−− Criar Template do Reconhecimento de Padrões dos Numeros −−−−−−−%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

%− Numero

6 um=imread ( ' letras_numeros \1 .bmp ' ) ; do i s=imread ( ' letras_numeros \2 .bmp ' ) ;

t r e s=imread ( ' letras_numeros \3 .bmp ' ) ; quatr=imread ( ' letras_numeros \4 .bmp ' ) ;

c inco=imread ( ' letras_numeros \5 .bmp ' ) ; s e i s=imread ( ' letras_numeros \6 .bmp ' ) ;

s e t e=imread ( ' letras_numeros \7 .bmp ' ) ; o i t o=imread ( ' letras_numeros \8 .bmp ' ) ;

nove=imread ( ' letras_numeros \9 .bmp ' ) ; ze ro=imread ( ' letras_numeros \0 .bmp ' ) ;

11

number=[um do i s t r e s quatr c inco s e i s s e t e o i t o nove zero ] ;

cha rac t e r = number ;

16 templates = mat2ce l l ( character , 4 2 , [ 2 4 24 24 24 24 24 24 24 24 24 ] ) ;

save ( ' templatesN ' , ' templates ' )

clear a l l

4.3 Identi�car as imagens das Letras

Esta função tem o objetivo de identi�car as imagens retiradas da placas do veiculos, e com-

parar com os dados existente no template 'templatesL', onde devolve a posição do dado mais

semelhante da imagen retirada da placa, e devolve como resultado a letra correspondente.

Listing 4.3: ler_letras.m

function l e t r a=l e r_ l e t r a s ( imagn , num_letras )

% Calcu la a corre lação entre modelo e imagem de entrada


5 % E sua sa ída é uma seqüência de carac t e r e s contendo a l e t r a .

% Tamanho da ' imagem ' deve ser 42 x 24 p i x e l s

global templates

comp=[ ] ;

10 for n=1:num_letras

sem=cor r2 ( templates {1 ,n} , imagn ) ;

comp=[comp sem ] ; %#ok<AGROW>

end

i nd i c e_tabe la=find (comp==max(comp) ) ;

15

i f i nd i c e_tabe la==1

l e t r a='A ' ;

e l s e i f i nd i c e_tabe la==2

l e t r a='B ' ;

20 e l s e i f i nd i c e_tabe la==3

l e t r a='C ' ;


l e t r a='D ' ;


25 l e t r a='E ' ;


l e t r a='F ' ;


l e t r a='G' ;


l e t r a='H ' ;


l e t r a=' I ' ;


35 l e t r a=' J ' ;


l e t r a='K' ;


l e t r a='L ' ;


l e t r a='M' ;


l e t r a='N ' ;


45 l e t r a='O' ;


l e t r a='P ' ;


l e t r a='Q' ;


l e t r a='R ' ;


l e t r a='S ' ;


55 l e t r a='T ' ;


l e t r a='U ' ;


l e t r a='V ' ;



l e t r a='W' ;


l e t r a='X ' ;


65 l e t r a='Y ' ;

else

l e t r a='Z ' ;

end

4.4 Identi�car as imagens dos números

Esta função tem o objetivo de identi�car as imagens retiradas da placas do veiculos, e com-

parar com os dados existente no template 'templatesN', onde devolve a posição do dado mais

semelhante da imagen retirada da placa, e devolve como resultado o número correspondente.

Listing 4.4: ler_numeros.m

1 function numero=ler_numeros ( imagn , num_number)

% Calcu la a corre lação entre modelo e imagem de entrada

% E sua sa ída é uma seqüência de carac t e r e s contendo a l e t r a .

6 % Tamanho da ' imagem ' deve ser 42 x 24 p i x e l s

global templates

comp=[ ] ;

for n=1:num_number

11 sem=cor r2 ( templates {1 ,n} , imagn ) ;

comp=[comp sem ] ; %#ok<AGROW>

end

i nd i c e_tabe la=find (comp==max(comp) ) ;

16 i f i nd i c e_tabe la==1

numero=' 1 ' ;


numero=' 2 ' ;


21 numero=' 3 ' ;


numero=' 4 ' ;


numero=' 5 ' ;


numero=' 6 ' ;


numero=' 7 ' ;


31 numero=' 8 ' ;


numero=' 9 ' ;

else


numero=' 0 ' ;

36 end

4.5 Correção ao ângulo da Placa

A função identi�ca a localidade das bordas da placa, e obtém o ângulo de inclinação da

imagem, onde depois a imagem é rotacionada, mais próximo de sua origem, ou seja, uma

placa de veículo não inclinada.

Listing 4.5: correcao_do_angulo_da_placa.m

%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−−−−− Correção do angulo da Placa −−−−−−−−−−−−−−−−−−−−−−−−−−−−

3 %−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

function [ correcao_placa angulo_theta ] = correcao_do_angulo_da_placa ( imagem_placa )

%Correção das matr i zes da Placa

% imagem_placa − Placa da Imagem

8

%− Fi l tragem

denoised_imagem_placa = wiener2 ( imagem_placa , [ 1 1 0 ] ) ;

%− detecção de bordas ho r i z on t a l

13 edges_image = edge ( denoised_imagem_placa , ' s obe l ' , ' h o r i z on t a l ' ) ;

%− Calcu lo de transformação randomico

theta = 60 : 1 20 ;

[R xp ] = radon ( edges_image , theta ) ; %#ok<NASGU>

18

%− Transformar a busca da máxima

[ r c ] = find (R == max(R( : ) ) ) ; %#ok<ASGLU>

angulo_theta = theta ( c (1 ) ) ;

23 %− Girar a imagem

xform = [

1 , tan ( ( angulo_theta−90)∗pi /180) , 0 ; 0 , 1 , 0 ; 0 , 0 , 1 ] ;

tform = maketform ( ' a f f i n e ' , xform ) ;

correcao_placa = imtransform ( imagem_placa , tform , ' b i l i n e a r ' ) ;

4.6 Correção ao ângulo dos Caracteres

A função identi�ca as partes extremas dos caracteres, e obtém o ângulo de inclinação da

imagem, onde depois a imagem é rotacionada, mais próximo de sua origem, ou seja, um

caractere sem inclinação.

Listing 4.6: correcao_do_angulo_do_caracter.m

%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−−−−− Correção do angulo do Caracter −−−−−−−−−−−−−−−−−−−−−−−−−


3 %−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−function [ correcao_placa angulo_theta ] = correcao_do_angulo_do_caracter ( imagem_placa )

%Correção das matr i zes do carac t e r

% imagem_placa − Placa da Imagem

8 %− Fi l tragem

denoised_imagem_placa = wiener2 ( imagem_placa , [ 1 3 0 ] ) ;

%− detecção de bordas ho r i z on t a l

edges_image = edge ( denoised_imagem_placa , ' s obe l ' , ' h o r i z on t a l ' ) ;

13

%− Calcu lo de transformação randomico

theta = 60 : 1 20 ;

[R xp ] = radon ( edges_image , theta ) ; %#ok<NASGU>

18 %− Transformar a busca da máxima

[ r c ] = find (R == max(R( : ) ) ) ; %#ok<ASGLU>

angulo_theta = theta ( c (1 ) ) ;

%− Girar a imagem

23 xform = [ 1 , tan ( ( angulo_theta−90)∗pi /180) , 0 ; 0 , 1 , 0 ; 0 , 0 , 1 ] ;

tform = maketform ( ' a f f i n e ' , xform ) ;

correcao_placa = imtransform ( imagem_placa , tform , ' b i l i n e a r ' ) ;

4.7 Reconhecimento dos Caracteres - OCR

Nesta primeira parte do OCR, ocorre a leitura e o redimensionamento da imagem para 216 x

104 pixels, que com esse tamanho os caracteres retirados se assemelham mais com os originais

do OCR.

Listing 4.7: ocr.m

%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−− Programa de Reconhecimento de Caracteres − OCR −−−−−−−−−−−−%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

5 %− Função

function placaEncontrada = OCR( img )

%−−−−−−−−−−− Lei tura e Redisionamento da imagem −−−−−−−−−−−−−−−−−−−−−−−−−−%− Ler a Imagem

10 auxImagemPlaca = [ 'D: \ PlacasDeCarro\ ' img ] ;

placa_do_carro=imread ( auxImagemPlaca ) ;

%− Redimensionar o tamanho da p laca para o tamanho compat ive l do OCR

15 %− 216 x 104 P i x e l s

placa_do_carro = imre s i z e ( placa_do_carro , [ 1 0 4 216 ] , ' l anczo s3 ' ) ;

O proximo passo é transformar a imagem para escala de cinza.


Listing 4.8: ocr.m

%−−−−−−−−−−−−−−− Converte para e s ca l a de c inza −−−−−−−−−−−−−−−−−−−−−−−−−−−3

i f s ize ( placa_do_carro , 3 )==3 %RGB image

placa_do_carro=rgb2gray ( placa_do_carro ) ;

end

Neste ponto do algoritmo, a placa primeira é alinhada, depois transformada em uma

imagem binaria, e feito o tratamento de limpeza de ruídos na imagem.

Listing 4.9: ocr.m

%−−−−−−−−−−−−−−−−−−−−− Alinhar a p laca do carro −−−−−−−−−−−−−−−−−−−−−−−−−−

%− Chama a funcao de correção do angulo da p laca do carro

4 placa_do_carro_SC = correcao_do_angulo_da_placa ( placa_do_carro ) ;

[ p late_he ight plate_width ] = s ize ( placa_do_carro_SC ) ;

plate_image_histeq = adapth i s t eq ( placa_do_carro_SC ) ;

9

%− Transforma a imagem para uma imagem b inar i a .

th r e sho ld = graythresh ( placa_do_carro_SC ) ;

placa_do_carro_BW =~im2bw(placa_do_carro_SC , th r e sho ld ) ;

14

%− Limpar os ru idos de ixados na imagem

placa_do_carro_BW = bwareaopen (placa_do_carro_BW , 30) ;

%− Define o tamanho que ocupa a p laca do carro

19 SE = s t r e l ( ' r e c t ang l e ' , [ 1 5 0 ] ) ;

img_open = imopen (placa_do_carro_BW , SE) ;

placa_do_carro_BW = placa_do_carro_BW − img_open ;

24 placa_do_carro_BW = bwareaopen (placa_do_carro_BW , 30) ;

O algoritmo primeiro reconhece na placa as posições onde se encontra os possíveis carac-

teres e salva, e um vetor de posições, onde depois são retiradas os 7 elementos das imagens

mais prováveis em serem os caracteres.

Listing 4.10: ocr.m

1 %−−−−−−−−−−−−−−−−−−−−−− Indexação −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

[ L n ] = bwlabel (placa_do_carro_BW) ;

%− Altura mínima do Caracter da Placa

6 min_character_height = ce i l ( 0 . 20 ∗ plate_height ) ;

%− c a l c u l a r as áreas das e s t a t í s t i c a s

s = reg ionprops (L) ;


11 %− Array para manter as áreas de a l t i t u d e .

h = [ ] ;

boxes = {} ;

%− i t e ração , após todas as áreas de t ec tadas .

16 img_bw2 = zeros ( plate_height , plate_width ) ;

indexes = [ ] ;

for i = 1 : n

21 %− menor re tângu lo que contém área

box = s ( i ) . BoundingBox ;

%− se a área atende aos c r i t é r i o s e x i g i d o s

i f box (3) /box (4 ) <= 1.5 && box (4) >= min_character_height

26

%− ad ic ionar um re tângu lo e a a l t u ra de t a b e l a s

boxes {end+1} = box ; %#ok<AGROW>

h(end+1) = box (4 ) ; %#ok<AGROW>

i ndexes (end+1) = i ; %#ok<AGROW>

31 img_bw2 = img_bw2 + (L == i ) ;

end

end

36 imgn = placa_do_carro_BW ;

%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

41 % armazenar todo o conjunto de carac t e r e s

chars = {} ;

% armazenar todo o conjunto de coordenadas de carac t e r e s

boxx = {} ;

46

% Se encontrar mais de s e t e i t e n s

i f numel (h) >= 7

51 % ANÁLISE ESTATÍSTICA

% Valor ab so l u t o da d i f e r ença entre o montante do comércio e da a l t u ra média das

áreas de t ec tadas .

hh = abs (h − median(h) ) ;

56 % di f e r ença s de c l a s s i f i c a ç ã o

[ v ind1 ] = sort (hh ) ;

% se lec ionando os í nd i c e s com se t e e lementos

ind = ind1 ( 1 : 7 ) ;

61

% índ i c e s ascendentes

ind = sort ( ind ) ;


img_bw3 = zeros ( plate_height , plate_width ) ;

66

% i t e ração dos í nd i c e s s e l e c i onados

for i = 1 : numel ( ind )

71 % Escolha o índ i c e

indx = ind ( i ) ;

% Se lec iona o menor

box = boxes { indx } ;

76 boxx{ i } = box ; %#ok<AGROW>

% Area do carac t e r

cha rac t e r = imcrop ( plate_image_histeq , box ) ;

81 % Escreve os r e su l t ado para matriz

chars { i } = charac t e r ; %#ok<AGROW>

img_bw3 = img_bw3 + (L == indexes ( indx ) ) ;

end

86

imgn = img_bw3 ;

end

Realiza-se o reconhecimento das imagens do caracteres, onde primeiramenteo carrega o

template dos dados das letras, e realiza a veri�cação das três primeiras imagens, e posteri-

omente é carregado o template dos números, assim realizando o resto do reconhecimento. O

resultado do reconhecimento da placa é salvo em uma variável.

Listing 4.11: ocr.m

1 %−−−−−−−−−−−−−−−−−− Reconhecimento de Caractere −−−−−−−−−−−−−−−−−−−−−−−−−−

%− Armazenamento pa lavra matriz da imagem

placaEncontrada = [ ] ;

6

%− Carrega temp la te s

load templatesL

global templates

11 %− Calcu le o número de l e t r a s no arquivo de modelo

n l e t r a=s ize ( templates , 2 ) ;

[ L Ne ] = bwlabeln ( imgn ) ;

16 for n=1:3

[ r , c ] = find (L==n) ;

%− Extra i a l e t r a

nL=imgn (min( r ) :max( r ) ,min( c ) :max( c ) ) ;

21


nL = correcao_do_angulo_do_caracter (nL) ;

%− Redimensiona o tamanho para o do tamanho do template

img_L=imre s i z e (nL , [ 4 2 24 ] , ' l anczo s3 ' ) ;

26

%− Chama a funcao para conver ter a image para t e x t o

l e t t e r=l e r_ l e t r a s ( img_L , n l e t r a ) ;

% Concatena a l e t r a

31 placaEncontrada=[placaEncontrada l e t t e r ] ; %#ok<AGROW>

end

clear global templates

36

%− Carrega temp la te s

load templatesN

global templates %#ok<REDEF>

nnumeros=s ize ( templates , 2 ) ;

41

for n=4:Ne

[ r , c ] = find (L==n) ;

%− Extra i a l e t r a

46 nN=imgn (min( r ) :max( r ) ,min( c ) :max( c ) ) ;

nN = correcao_do_angulo_do_caracter (nN) ;

%− Redimensiona o tamanho para o do tamanho do template

51 img_N=imre s i z e (nN, [ 4 2 24 ] , ' l anczo s3 ' ) ;

% Chama a funcao para conver ter a image para t e x t o

l e t t e r=ler_numeros (img_N, nnumeros ) ;

56 % Concatena a l e t r a

placaEncontrada=[placaEncontrada l e t t e r ] ; %#ok<AGROW>

end

61 i f ( s ize ( placaEncontrada , 2 ) ~= 7)

placaEncontrada = ' 000ERRO' ;

end

clear global templates

No �nal do processo de cada placa é possível visualizar os resultados dos passos das imagens

processadas no algoritmo.

Listing 4.12: ocr.m

%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−− Vizua l i z a r −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

%− e x i b i r a área o r i g i n a l da p laca

%f2 = f i g u r e (2) ;

5 axis t i g h t equal o f f ;


subplot ( 4 , 7 , 1 : 7 ) , imshow( placa_do_carro ) ,

axis on ,

t i t l e ( ' Placa do Carro ' ) ;

10 %− e x i b i r a área da placa , após a correcção da inc l i nação

subplot ( 4 , 7 , 8 : 1 4 ) , imshow( placa_do_carro_SC ) ,

axis on ,

t i t l e ( ' Placa c o r r i g i n a apos i n c l i n a ç ã o ' ) ;

15 subplot ( 4 , 7 , 1 5 : 2 1 ) , imshow(placa_do_carro_BW) ,

axis on ,

t i t l e ( ' Placa após b ina r i z a ção ' ) ;

for i = 1 : length ( boxes )

20 r e c t ang l e ( ' p o s i t i o n ' , boxes { i } , ' edgeco l o r ' , ' r ' , ' LineWidth ' , 2) ;

end

4.8 Metodo Principal

Primeiramente são lidas todas as imagens encontradas na pasta onde estão as imagens dos

veículos, abre um arquivo texto para escrita, para escrever os resultados do OCR, e em um

loop a função de reconhecimento é chamado para realizar o processo. Após todas as placas

terem sido processadas, o programa gera um Log de Resposta, comparando com o arquivo que

contém as placas corretamente processadas, e as encontradas no algoritmo proposto.

Listing 4.13: main.m

% −−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−−−−−−−−−−−−Programa Princ ipa l−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

4

warning o f f %#ok<WNOFF>

% Limpar Tudo

clc , close al l , clear a l l

9

%−− Ler as imagens no Dire to r io do Computador

%−− Dire to r io

p l a t eF i l e s = dir ( 'D: \ PlacasDeCarro \∗ . jpg ' ) ;

14

%−− Abrir arquivo t e x t o para e sc reve r as p lacas

arquivoTexto = fopen ( ' t ex t . txt ' , 'wt ' ) ;

%−− Um loop para l e i t u r a de todos as p lacas l i d a s

19

for k = 1 : length ( p l a t eF i l e s )

nomeDaImagem = p l a t eF i l e s ( k ) . name ;

24 placaEncontrada = OCR(nomeDaImagem) ;


% Escreva a ' placa ' no arquivo t e x t o

fpr intf ( arquivoTexto , '%s \n ' , placaEncontrada ) ;

29 % Limpar a v a r i a v e l placaEncontrada '

placaEncontrada=[ ] ;

end

34 %−− Fechar o ArquivoTexto

fc lose ( arquivoTexto ) ;

%Abri o arquivo t e x t o

winopen ( ' t ex t . txt ' )

39

%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−−−−−−−−−−− Gerar Log dos Resu l tados −−−−−−−−−−−−−−−−−−−−−−−−−%−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−

44 %−− Numero de p lacas a serem v e r i f i c a d a s

numIni = 1 ;

numCap = 343 ;

%−− Arquivo que se encontra as p lacas com sua l i c ença corre ta .

49 resp = text read ( ' PlacasDoCarroTotal . txt ' , '%7c ' ,numCap) ;

%−− Arquivo gerado pe lo OCR, após a l e i t u r a das p lacas .

ocr = text read ( ' t ex t . txt ' , '%7c ' ,numCap) ;

54 %−− Abrir o arquivo t e x t o que i rá gerar o LOG do Resul tado .

arquivoTexto = fopen ( ' LOG_PlacasDoCarroTotal . txt ' , 'wt ' ) ;

%−− Escrever no arquivo o cabeça lho da t a b e l a .

M = blanks (50) ;

59 M( 1 : 6 ) = 'HUMANO' ;

M(10 : 1 5 ) = 'METODO' ;

M(20 : 2 5 ) = 'CARACT' ;

M(35 : 4 0 ) = 'PLACAS ' ;

M( 2 , : ) = blanks (50) ;

64 M( 3 , : ) = blanks (50) ;

l e t r a s = 0 ;

captchas = 0 ;

h = 1 ;

69 for i =1:7

nL{ i }=0;

end

for i = numIni : numCap

74 M( i +6 , : ) = blanks (50) ;

M( i +6 ,1:7) = resp ( i , : ) ;

sprintf ( '%d ' , i )

M( i +6 ,10:(9+7) ) = ocr ( i , : ) ;

79 letAux = 0 ;


for k = 1 :7

i f ( re sp ( i , k ) == ocr ( i , k ) )

84 letAux = letAux + 1 ;

end

h = h + 1 ;

end

89 l e t r a s = l e t r a s + letAux ;

msg = sprintf ( '%d (%d%%) ' , letAux , letAux ∗15) ;M( i +6 ,20:( length (msg) + 19) ) = msg ;

i f letAux == 1

94 nL{1} = nL{1} + 1 ; %#ok<∗SAGROW>e l s e i f letAux == 2

nL{2} = nL{2} + 1 ;

e l s e i f letAux == 3

nL{3} = nL{3} + 1 ;

99 e l s e i f letAux == 4

nL{4} = nL{4} + 1 ;


nL{5} = nL{5} + 1 ;


104 nL{6} = nL{6} + 1 ;


captchas = captchas + 1 ;

M( i +6 ,36:37) = 'OK' ;

nL{7} = nL{7} + 1 ;

109 end

end

C = ( captchas ∗100) / ( (numCap−numIni+1) ) ;

L = ( l e t r a s ∗100) /(7∗ (numCap−numIni+1) ) ;

114

msg = sprintf ( '%d/%d (%.0 f%%) ' , l e t r a s , 7∗ (numCap−numIni+1) , L) ;

M(2 , 2 0 : ( length (msg) + 19) ) = msg ;

msg = sprintf ( '%d/%d (%.0 f%%) ' , captchas , ( numCap−numIni+1) , C) ;

119 M(2 , 3 5 : ( length (msg) + 34) ) = msg ;

for i =1: s ize (M, 1 )

fpr intf ( arquivoTexto , '%s \n ' ,M( i , : ) ) ;

end

124

fpr intf ( arquivoTexto , ' \ nPlacas Reconhecidas \n %d 0 CAR\n %d 1 CAR\n %d 2 CAR\n %d

3 CAR\n %d 4 CAR\n %d 5 CAR\n %d 6 CAR\n %d 7 CAR\n ' , (numCap−numIni+1)−(nL

{1}+nL{2}+nL{3}+nL{4}+nL{5}+nL{6}+nL{7}) , nL{1} ,nL{2} , nL{3} ,nL{4} ,nL{5} ,nL

{6} ,nL{7}) ;

fc lose ( arquivoTexto ) ;

winopen ( ' LOG_PlacasDoCarroTotal . txt ' )

129

%−− Limpa todas as v a r i a v e i s

clear a l l


Capítulo 5

Conclusões

Observa-se que não existe uma receita única, estabelecida para o sucesso de todo o processo,

mas alguns passos são mais normais do que outros. Vários métodos são identi�cados para

a localização de placas, mas são semelhantes entre si, porém as características das áreas de

placa que são interessantes de analisar. Os mais citados são: a relação entre largura e altura, o

forte contraste entre os caracteres e a cor do fundo da placa. Para a separação dos caracteres

percebe que o método é bem elaborado. Reconhecimento dos caracteres está familiarizado,

usando redes neurais ou reconhecimento de padrão.

Com base nos resultados dos testes de desempenho de teste de nosso sistema, acredita-se

ter alcançado resultados satisfatórios para uma tarefa desta dimensão.

35

Apêndice

Imagens das Placas de Carro Utilizadas.

Figura 5.1: Imagens de Placas de Automoveis Utilizados.

36

5. Conclusões 37



5. Conclusões 38



5. Conclusões 39



5. Conclusões 40



5. Conclusões 41

HUMANO METODO CARACT PLACAS

ADG3444 ADG3444 7 (105%) OKAHU2573 AHU2573 7 (105%) OKBMU6346 BMU6346 7 (105%) OKBOV7337 BOV7337 7 (105%) OKBRH4632 BRH4632 7 (105%) OKBUI7570 BUI7570 7 (105%) OKCLK9444 CLK9444 7 (105%) OKCMK6694 CMK6694 7 (105%) OKCVV7846 CVV7846 7 (105%) OKCXT4243 CXT4243 7 (105%) OKDNI8357 DNI8357 7 (105%) OKGAB8777 GAB8777 7 (105%) OKGLJ0356 GLJ0356 7 (105%) OKGLN2355 GLN2355 7 (105%) OKGLO8402 GLO8402 7 (105%) OKGLT0069 GLT0069 7 (105%) OKGMF3341 GMF3341 7 (105%) OKGMF5701 GMF5701 7 (105%) OKGMX4850 GMX4850 7 (105%) OKGNW8399 GNW8399 7 (105%) OKGOH8343 GOH8343 7 (105%) OKGOR5902 GQP5902 5 (75%)GOV1389 GOV1389 7 (105%) OKGQG3734 GQG3734 7 (105%) OKGQH3187 GQH3187 7 (105%) OKGQV4323 GQV4323 7 (105%) OKGQV4759 GQV4759 7 (105%) OKGQX0268 GQX0268 7 (105%) OKGQX3367 GQX3367 7 (105%) OKGQX7050 GQX7050 7 (105%) OKGRW0293 GRW0293 7 (105%) OKGRX9925 GRX9925 7 (105%) OKGRZ0555 GRZ0555 7 (105%) OKGRZ6530 GRZ6530 7 (105%) OKGRZ7943 GRZ7943 7 (105%) OKGRZ9397 GRZ9397 7 (105%) OKGSB0678 GSB0678 7 (105%) OKGSB2077 GSB2077 7 (105%) OKGSB2157 GSB2157 7 (105%) OKGSB2330 GSB2330 7 (105%) OKGSB2783 GSB2783 7 (105%) OKGSC2047 GSC8047 6 (90%)

Tabela 5.1: Log dos Resultados das Placas

5. Conclusões 42


GSE3765 GSE3765 7 (105%) OKGSP3097 GSP3097 7 (105%) OKGTD5740 GTD5740 7 (105%) OKGTF2243 GTF8243 6 (90%)GTP3257 GTP3257 7 (105%) OKGTQ9462 GTQ9462 7 (105%) OKGTS4634 GTS4634 7 (105%) OKGTX2744 GTX2744 7 (105%) OKGUA3528 GUA3528 7 (105%) OKGUF0738 GUF0738 7 (105%) OKGUH0971 GUH0971 7 (105%) OKGUK1344 GUK1344 7 (105%) OKGUK5180 GUK5180 7 (105%) OKGUK8523 GUK8523 7 (105%) OKGUU0540 GUU0540 7 (105%) OKGUU4332 GUU4332 7 (105%) OKGUU5853 GUU5853 7 (105%) OKGUU7262 GUU7262 7 (105%) OKGUU8324 GUU8324 7 (105%) OKGUU8445 GUU8445 7 (105%) OKGUU8588 GUU8588 7 (105%) OKGUX9740 GUX9740 7 (105%) OKGUZ2467 GUZ2467 7 (105%) OKGUZ9313 GUZ9313 7 (105%) OKGVH9587 GVH9587 7 (105%) OKGVW0999 GVW0999 7 (105%) OKGWD6459 GWD6459 7 (105%) OKGWD6958 GWD6958 7 (105%) OKGXI7210 GXI7210 7 (105%) OKGXQ1100 GXQ1100 7 (105%) OKGXQ2445 GXQ2445 7 (105%) OKGXQ2754 GYQ2754 6 (90%)GXQ3460 GXQ3460 7 (105%) OKGXQ5743 GXQ5743 7 (105%) OKGXQ5882 GXQ5882 7 (105%) OKGXQ6772 GXQ6772 7 (105%) OKGXQ6980 GXQ6980 7 (105%) OKGXQ8216 GXQ8216 7 (105%) OKGXQ8347 GXQ8347 7 (105%) OK


5. Conclusões 43


GXQ9464 GXQ9464 7 (105%) OKGXQ9905 GXQ9905 7 (105%) OKGXS0003 GXS0003 7 (105%) OKGXS3454 GXS3454 7 (105%) OKGXS8752 GXS8762 6 (90%)GXT1200 GXT1200 7 (105%) OKGXT1307 GXT1307 7 (105%) OKGXW7435 GXV7435 6 (90%)GYC5029 GYC5029 7 (105%) OKGYC5051 GYC5051 7 (105%) OKGYC5887 GYC5887 7 (105%) OKGYJ7721 GYJ7721 7 (105%) OKGYL5121 GYL5121 7 (105%) OKGYQ0179 LYQ0179 6 (90%)GYQ6064 GYQ6064 7 (105%) OKGYX1167 GYX1167 7 (105%) OKGYX1233 GYX1233 7 (105%) OKGYX1329 GYX1329 7 (105%) OKGZF8464 GZF8444 6 (90%)GZN6490 GZN6490 7 (105%) OKGZQ6523 GZQ6523 7 (105%) OKGZQ6663 GZQ6663 7 (105%) OKGZQ7146 GZQ7146 7 (105%) OKGZT5542 GZT5542 7 (105%) OKGZW1074 GZW1074 7 (105%) OKGZW9457 GZW9457 7 (105%) OKGZX8374 GZX8374 7 (105%) OKGZX8547 GZX8547 7 (105%) OKGZX8965 GZX8965 7 (105%) OKGZX9802 GZX9802 7 (105%) OKHAA2632 HAA2632 7 (105%) OKHAB1626 HAB1626 7 (105%) OKHAB8995 HAB8995 7 (105%) OKHAD0978 HAD0978 7 (105%) OKHAI0232 HAQ0232 6 (90%)HAI2917 HAI2917 7 (105%) OKHAX5097 HAX5097 7 (105%) OKHAX5997 HAX5997 7 (105%) OKHAX7092 HAX7092 7 (105%) OKHBD4717 HBD4717 7 (105%) OKHBH4278 HBH4278 7 (105%) OK


5. Conclusões 44


HBJ2602 HBJ2602 7 (105%) OKHBJ6905 BSJ6905 5 (75%)HBL8709 HBL8709 7 (105%) OKHBM6448 HBM6448 7 (105%) OKHBQ4061 HBQ4061 7 (105%) OKHBQ4084 BSQ4084 5 (75%)HBR9257 HBR9257 7 (105%) OKHBR9435 HBR9435 7 (105%) OKHCH0186 HCH0686 6 (90%)HCH0338 HCH0338 7 (105%) OKHCH0687 HCH0687 7 (105%) OKHCH1342 HCL1342 6 (90%)HCH1423 HCH1423 7 (105%) OKHCH1991 HCH4991 6 (90%)HCH2026 HCH2026 7 (105%) OKHCH2549 HCH2549 7 (105%) OKHCH2726 HLH2726 6 (90%)HCH2784 HCH2784 7 (105%) OKHCH3011 HCH3014 6 (90%)HCH3382 HEH3382 6 (90%)HCH3609 HCH3609 7 (105%) OKHCH3611 HCH3611 7 (105%) OKHCH3838 HCH3838 7 (105%) OKHCH3946 HCH3946 7 (105%) OKHCH4155 HCH4155 7 (105%) OKHCH4174 HCH4974 6 (90%)HCH4175 HCH4176 6 (90%)HCH4183 HCH4183 7 (105%) OKHCH4184 HCH4484 6 (90%)HCH4188 TCH4188 6 (90%)HCH4202 JCH4202 6 (90%)HCH4216 TCH4216 6 (90%)HCH4228 HCH4228 7 (105%) OKHCH4239 HCH4733 5 (75%)HCH4677 HLH4677 6 (90%)HCH4970 HCH4970 7 (105%) OKHCH5859 HCH5859 7 (105%) OK


5. Conclusões 45


HCH6109 HCH6109 7 (105%) OKHCH6696 HCH6696 7 (105%) OKHCH6706 HCH6706 7 (105%) OKHCH6709 HCH6709 7 (105%) OKHCH6799 HCH6799 7 (105%) OKHCH6855 HCH6855 7 (105%) OKHCH6921 JCH6921 6 (90%)HCH6970 HLH6970 6 (90%)HCH7034 BCH7034 6 (90%)HCH7108 HCH7108 7 (105%) OKHCH7353 HCH7353 7 (105%) OKHCH7538 HCH7538 7 (105%) OKHCH7594 HCH7594 7 (105%) OKHCH7650 HCH7650 7 (105%) OKHCH7731 HCN7731 6 (90%)HCH8151 HCH8151 7 (105%) OKHCH8165 HCH8165 7 (105%) OKHCH8169 HEH8769 5 (75%)HCH8748 HCH8748 7 (105%) OKHCH9092 HCH9092 7 (105%) OKHCH9098 HCH9098 7 (105%) OKHCH9179 HCH9679 6 (90%)HCH9306 BCH9306 6 (90%)HCH9444 HCH9444 7 (105%) OKHCH9622 HCH9622 7 (105%) OKHCH9633 HCH9633 7 (105%) OKHCH9877 NCH9877 6 (90%)HCL8290 HCL8890 6 (90%)HCO8028 HCO6028 6 (90%)HDB9806 HUB9806 6 (90%)HDE2233 HDE2233 7 (105%) OKHDH0856 HDH0856 7 (105%) OKHDH1017 HUH1017 6 (90%)HDH1860 HDH1860 7 (105%) OKHDH3868 HDH3868 7 (105%) OK


5. Conclusões 46


HDJ6122 HDJ6122 7 (105%) OKHDQ0438 HUP0438 5 (75%)HDR4317 HQR4317 6 (90%)HDT2092 HUT2092 6 (90%)HDT2574 HST2574 6 (90%)HDV4861 HDV4861 7 (105%) OKHEA2417 HEA8447 5 (75%)HEA7792 HEA7792 7 (105%) OKHEE0281 HEE0289 6 (90%)HEE0764 HEE0764 7 (105%) OKHEE0841 HEE0841 7 (105%) OKHEF3132 HEF3138 6 (90%)HEF5925 HEF5926 6 (90%)HEL3194 HEL3194 7 (105%) OKHEL3940 HEL3940 7 (105%) OKHEL4185 HEL4185 7 (105%) OKHEL4297 HEL4297 7 (105%) OKHEL4312 HEL4312 7 (105%) OKHEL4423 HEL4423 7 (105%) OKHEL4540 HEL4540 7 (105%) OKHEL4752 HEL4752 7 (105%) OKHEL4880 HEL4880 7 (105%) OKHEO1098 HEO6098 6 (90%)HEQ8032 HEO8032 6 (90%)HEQ8035 HEO8035 6 (90%)HEQ8036 HEQ8036 7 (105%) OKHEQ8464 HEO8464 6 (90%)HEQ8725 HEQ8726 6 (90%)HEQ8847 HEQ8847 7 (105%) OKHEQ8902 HEO8902 6 (90%)HEQ8914 HEO8914 6 (90%)HEQ9103 HEO9103 6 (90%)HEQ9209 HEO9209 6 (90%)HEQ9858 HEO9858 6 (90%)HER4666 HER4666 7 (105%) OKHEU7177 HEU7177 7 (105%) OKHFG3959 HFG3959 7 (105%) OK


5. Conclusões 47


HFH2360 HFH2360 7 (105%) OKHFH2929 BFH2929 6 (90%)HFH6430 HFH6430 7 (105%) OKHFH7176 HFH7176 7 (105%) OKHFH7237 HFH7837 6 (90%)HFH7345 HFH7345 7 (105%) OKHFH7368 HFH7368 7 (105%) OKHFH7456 HFH7456 7 (105%) OKHFH7461 HFH7466 6 (90%)HFH7472 HFH7472 7 (105%) OKHFH7845 HFH7845 7 (105%) OKHFN1324 HFN1324 7 (105%) OKHFN1379 HFN1379 7 (105%) OKHFN1688 HFN1688 7 (105%) OKHFN1763 HFN1763 7 (105%) OKHFN1826 HFN1826 7 (105%) OKHFN1993 HFN1993 7 (105%) OKHFN4862 HFN4858 5 (75%)HFS6291 HFS6291 7 (105%) OKHFW1387 HFW1387 7 (105%) OKHFW4766 HFW4766 7 (105%) OKHFX0763 HFX0763 7 (105%) OKHFX2426 HFX2426 7 (105%) OKHFX9493 HFX9423 6 (90%)HGH0348 HBH0348 6 (90%)HGH0605 HGH0605 7 (105%) OKHGH0606 HGH0606 7 (105%) OKHGH1029 HGH1079 6 (90%)HGH1708 HGH3708 6 (90%)HGH1952 HGH1952 7 (105%) OKHGH2435 HGH2435 7 (105%) OKHGH3043 BGH3043 6 (90%)HGH3189 HGH3189 7 (105%) OKHGH3415 HGH3415 7 (105%) OKHGH3728 HGH3728 7 (105%) OKHGH3860 HGH3860 7 (105%) OKHGH3981 HGH3981 7 (105%) OK


5. Conclusões 48


HGH4030 HQH4030 6 (90%)HGH4206 HGH4206 7 (105%) OKHGH5765 HGH5765 7 (105%) OKHGH6605 HGH6605 7 (105%) OKHGH6845 HGH6845 7 (105%) OKHGH7005 HGH7005 7 (105%) OKHGH7100 HGH7100 7 (105%) OKHGH9506 HGH9506 7 (105%) OKHGH9528 HGM9578 5 (75%)HGH9712 HGH9712 7 (105%) OKHGH9779 HGH9779 7 (105%) OKHGH9869 HGH9869 7 (105%) OKHGI2601 HGI2601 7 (105%) OKHGS2400 HGS2400 7 (105%) OKHGX6939 HGX6939 7 (105%) OKHHW2571 HHW2576 6 (90%)HII4700 HII4700 7 (105%) OKHIP0880 HQP0880 6 (90%)HJB1336 HJB1336 7 (105%) OKHJE4997 HJE4997 7 (105%) OKHJF1660 HJF7660 6 (90%)HJQ2004 HJQ2004 7 (105%) OKHJR2045 HJR2045 7 (105%) OKHJU8739 HJU8739 7 (105%) OKHJX2220 NJX2220 6 (90%)HKJ9877 HKJ9877 7 (105%) OKHKR6459 HKR6459 7 (105%) OKHKS9900 HKS9900 7 (105%) OKHKT0282 HKT0282 7 (105%) OKHLG8043 HLG8043 7 (105%) OKHLG8240 HLG8240 7 (105%) OKHLJ8586 HLJ8586 7 (105%) OKHLP3057 TLP3057 6 (90%)HMH5408 HMH5408 7 (105%) OKHML9784 HML9784 7 (105%) OKHMM2731 HMM2737 6 (90%)HMM6851 HMM6851 7 (105%) OKHMN4491 HKN4491 6 (90%)HMN5438 HMN5438 7 (105%) OKHMT8067 HMT8067 7 (105%) OKHMT8098 HMT8098 7 (105%) OKHMT8175 HMT8175 7 (105%) OKHMT8367 HMT8367 7 (105%) OKHMT8564 BMT8564 6 (90%)HOI2934 HDI2934 6 (90%)HUB0711 HUB0731 6 (90%)HWX7762 HWX7762 7 (105%) OK


5. Conclusões 49


HZP7150 HZP7150 7 (105%) OKHZZ2477 HZZ2477 7 (105%) OKJMS5629 JMS5629 7 (105%) OKJNH5433 JNH5433 7 (105%) OKJOA1248 JDA1248 6 (90%)JOR6248 JOR6248 7 (105%) OKJPM6990 JPM4990 6 (90%)JQE9512 JQE9512 7 (105%) OKJSE2256 JSE2256 7 (105%) OKKHY2229 KHY2229 7 (105%) OKKLJ5846 KLJ5846 7 (105%) OKLBZ0358 LBZ0358 7 (105%) OKLCO7319 LCO7311 6 (90%)LJG2474 LIC2474 5 (75%)LPH0622 LPH0422 6 (90%)LPV0329 LPV0329 7 (105%) OKLRS0944 LRS0944 7 (105%) OKMDM5547 MDH5547 6 (90%)MQA0282 MQA0282 7 (105%) OKMQI0544 MQI0544 7 (105%) OKMQJ4844 MQJ4844 7 (105%) OKMQS8420 MQS8420 7 (105%) OKMRC0930 MRE0930 6 (90%)MRQ9638 HRQ9638 6 (90%)MSA4457 MSA4457 7 (105%) OKMSR8632 MSR8632 7 (105%) OKMUH3560 MUH3540 6 (90%)NJY5796 NJY5796 7 (105%) OK

2306/2401 (96%) 258/343 (75%)


Referências Bibliográ�cas

[1] Bragatto, T. (2010). Sistema automático de monitoramento de tráfego - SAMTRA.

<Disponível em: http://www.ceftru.unb.br/projetos/andamento/samtra. Acessado: de 28

de outubro 2010>.

[2] CONTRAN (2007). Estabelece o sistema de pla-

cas de identi�cação de veículos. <Disponivel em:

http://www.denatran.gov.br/download/Resolucoes/RESOLUCAO_231.pdf. Acessado:

28 de outubro 2010>.

[das Estradas] das Estradas, G. Informações do trânsito em tempo real. Giro das

Estradas <Disponível em: http://www.girodasestradas.com.br/PO_37_03.php. Acessado:

9 de novembro 2010>.

[4] Duda, R. e Hart, P. (2000). Pattern Classi�cation and Scene Analysis. Wiley-Interscience,

New York, 2 edição.

[5] E.L.V. (1984). A.N.P.R. - automatic number plate recognition. Nuisance Vehicle Specialist

- Redcorn Ltd. <Disponível em: http://www.redcorn.co.uk. Acessado: de 28 de junho 2010>.

[6] Eriovaldo (2010). Como funciona o sistema de pedágio sem parar. Velocidade Máx-

ima <Disponível em: http://velocidademaxima.wordpress.com/2010/02/06/como-funciona-

o-sistema-de-pedagio-sem-parar/. Acessado: 9 de novembro 2010>.

[7] Gonzalez, R. e Woods, R. (1993). Digital Image Processing. Addison-Wesley Publishing

Company.

[8] Kwasnick, H. (2002). License plate localization and recognition in camera pictures. Wro-

claw University of Technology <Disponível em: http://www.ci.pwr.wroc.pl/ kwasnick/down-

load/kwasnickawawrzyniak.pdf. Acessado: 28 de outubro 2010>.

[Matthews] Matthews, C. Dartford tunnel, proxímo ao dartford crossing, thur-

rock, great britain. Geograph - Photograph every grid square! <Disponível em:

http://www.geograph.org.uk/photo/1038154. Acessado: 9 de novembro 2010>.

50

Referências Bibliográficas 51

[10] Murphy-Chutorian, E. (2006). N-tree disjoint-set forests for maxi-

mally stable extremal regions. University of California <Disponível em:

http://www.macs.hw.ac.uk/bmvc2006/papers/276.pdf. Acessado: 1 de novembro 2010>.

[Nijhuis] Nijhuis, J. A. Car license plate recognition with neural net-

works and fuzzy logic. University of Groningen <Disponível em:

http://www.it.lth.se/users/lambert/leftovers/LicenseplateSydney.pdf. Acessado: 1 de

novembro 2010>.

[12] Parker, J. R. (1996). An approach to licence

plate recognition. University of Calgary <Disponível em:

http://pages.cpsc.ucalgary.ca/ federl/Publications/LicencePlate1996/licence-plate-1996.pdf.

Acessado: 30 de outubro 2010>.

[13] Ron, B. (2002). A real time vehicle license plate recognition (lpr) system. Vision and

Image Science Lab - Israel <Disponível em: http://visl.technion.ac.il/projects/2003w24/.

Acessado: 1 de novembro 2010>.

[14] Sem Parar, Via Facil. (2010). Via fácil. <Disponível em: http://www.viafacil.com.br.

Acessado: de 27 de outubro 2010>.

[15] Shapiro, V. (2003). Randomized hough transform. Encyclopedia of Arti�cial Intelli-

gence. <Disponível em: http://ecet.ecs.ru.acad.bg/cst04/Docs/sIIIA/32.pdf. Acessado: 28

de Julho 2010>.

[Xu] Xu, L. Adaptive license plate image extraction. Bulgarian Academy of Sciences.

<Disponível em: http://www.cse.cuhk.edu.hk/ lxu/papers/RHT08a.pdf. Acessado: 29 de

Julho 2010>.

Documents

EM RUMO A UM SISTEMA AUTOMÁTICO DE CONTROLE DE ACESSO DE ... · Palavras-chave: Reconhecimento ótico de caracteres OCR. Imagem. Binarização. Fil-tragem. i. Abstract In a recognition