-
MÉTODO GRANULOMÉTRICO PARA SEGMENTAÇÃO DE PLACAS DE VEÍCULOS
ALESSANDRA BUSSADOR, JACQUES FACON
Mestrado em Informática Aplicada, Pontifícia Universidade
Católica do ParanáRua Imaculada Conceição, 1155 - Prado Velho, Cx.
Postal 16.210, CEP 80215-901, Curitiba, Pr, Brasil
E-mails: [email protected], [email protected]
Resumo Neste artigo apresentamos uma nova abordagem para
segmentar placas de veículos de uma imagem estática. Este
métodoutiliza técnicas de morfologia matemática, combinando um
algoritmo rápido de granulometria e uma abordagem de resíduos
morfo-lógicos. O conjunto de atributos e a seqüência de
processamento são mostradas detalhadamente neste trabalho. Um teste
executadoem imagens de veículos estacionados apresentou 75% de
acerto. Este resultado sugere que o trabalho proposto é apto a ser
aplicadoem dados reais.
Abstract In this paper we present a new approach to segment
license plates from a static image. The method uses
mathematicalmorphology techniques, combining a fast granulometry
algorithm and a morphological residue approach. The sets of
attributes, andprocessing sequence are both detailed in this paper.
A test run on parked car images presented 75% segmentation success
rate. Thisresults suggests that the proposed work is suited to be
applied on real data.
Keywords morfologia matemática, granulometria, segmentação,
resíduos morfológicos, placas de veículos.
1 Introdução
A identificação automática de veículos pelo conteú-do de placas
é extremamente importante para apli-cações envolvendo segurança de
transporte privado,controle de áreas de estacionamento, controle
dolimite de velocidade e identificação de veículos rou-bados. Um
dos maiores desafios da identificação éque não se pode prever uma
localização fixa de placade veículo numa imagem de trânsito. Cada
pixelpode pertencer à placa e, sendo assim, deve ser pro-cessado.
Faz-se portanto necessário desenvolver umsistema que seja capaz de
reduzir a área de interesseo máximo e o mais rápido possível e
também queseja capaz de processar imagens de placas degradaspor
sujeira, chuva, envelhecimento, etc..
No Brasil, o desafio é ainda maior pelo fato daresolução n.º 46
do Conselho Nacional de Trânsito(Contran) prever oito tipos
diferentes de placas paraveículos particulares (de passeio ou
comerciais),para veículos de aluguel, de experiência
(concessio-nárias), de aprendizagem (auto-escolas), de fabri-cantes
(montadoras), de missões diplomáticas, decoleção e oficiais. Esta
diversidade de tipos, comdiferentes padrões de cores e também de
numeraçãointroduz um grande número de variáveis ao proces-sos de
localização e reconhecimento de placas deveículos. Esta diversidade
ocorre em poucos países, ena maioria das vezes com um número menor
depadrões.
Neste artigo será apresentado uma nova abor-dagem para localizar
e extrair os caracteres em pla-cas de veículos particulares
utilizando para istotécnicas de morfologia matemática envolvendo
re-construção, granulometria e mapeamento a partir deresíduos
morfológicos. Na seção 2 será introduzido oestado da arte de
segmentação de placas de veículos,a seção 3 será descrita a
abordagem por granulome-
tria e resíduos morfológicos, na seção 4 será apre-sentada uma
descrição da base de imagens utilizadaneste trabalho, na seção 5
será descrita a metodolo-gia de localização automática de placas de
carroproposta neste trabalho. Na seção 6 será ilustrada aeficiência
desta nova abordagem de segmentação deplacas e na seção 7 serão
apresentadas as conclusõese sugestões para trabalhos futuros.
2 Estado da Arte
Apesar de encontrar na literatura um número eleva-do de
publicações ligadas ao problema de segmenta-ção e de reconhecimento
de padrões, paradoxal-mente encontra-se poucos artigos ligados a
tarefa delocalização e reconhecimento de placas de veículos.
Dentro das técnicas levantadas para este estu-do, podem ser
citados: - o sistema Siav [SOU00]baseado na variação tonal - o
sistema HolandêsCLPR [BRU99] baseado num estudo de extração
deregiões aplicada ao problema especifico de localiza-ção de placas
de veículo - a abordagem de extraçãode caracteres em placas dos
veículos em movimentode [CUI97] baseada em campos randômicos de
Ma-rkov e algoritmos genéticos – o método de localiza-ção de placas
de veículo utilizando redes neurais[KIM99].
2.1 Sistema SIAV
O Sistema Siav [SOU00] é baseado, para o problemade localização
de placa, na variação tonal padroni-zada através da análise do
gradiente positivo na áreada placa. O algoritmo de localização de
placa empode ser dividido em dois procedimentos: - No pri-meiro
procedimento tem-se a localização da placaatravés da procura por
variação tonal padronizadaatravés da análise do gradiente positivo
na área da
-
placa e da binarização local adaptativa sobre a regi-ão
encontrada ou, se necessário, sobre a imageminteira. No final desta
etapa, tem-se como resultadoas coordenadas do provável local da
placa - No se-gundo procedimento há a confirmação do local atra-vés
da análise do número de dígitos encontrados porprocura por dígitos
de tamanhos pré-definidos e poranálise dos dígitos selecionados
verificando a forma-ção de algum grupo válido. Como resultado
finaltem-se a confirmação do local correto.
Uma vez encontrada a placa é necessário seg-mentar os caracteres
a fim de separá-los do resto daimagem e redimensioná-los para a
rede neural. Foiutilizada uma técnica de crescimento
controlado,dentro de cada entidade encontrada na área da placa,e um
conjunto de heurísticas para descartar ruídosindesejáveis e
selecionar corretamente os caracteres.Neste sistema, as taxas de
sucesso na localização deplaca e na segmentação dos caracteres são
respecti-vamente de 82.4% e de 87.1%.
2.2 Sistema CLPR
O sistema Holandês CLPR descrito em [BRU99] éum estudo de
extração de regiões de placa de veí-culo. Neste artigo é
apresentado um sistema deidentificação de veículos em vias publicas
Holande-sas. Na Holanda, existe somente um tipo de placa,com fundo
claro e caracteres escuros. O sistemaconsiste em quatro unidades
principais: uma unida-de de segmentação, uma unidade de isolação,
umaunidade de reconhecimento e uma unidade de anali-se sintática. A
unidade de segmentação determina olocal da placa baseado em
características estruturaise algumas medidas de tamanho. A placa
extraída épassada para o isolador de caracteres que isolarácada
caracter da placa. Os caracteres isolados sãoprocessados pelo
reconhecedor de caracteres. Apartir de informações padrão. O
analisador sintáticocheca cada possível caracter retornado pelo
reconhe-cedor utilizando um conjunto de regras sintáticaspresentes
nas placas Holandesas. Se estas regras nãoforem satisfeitas, ou um
dos caracteres for irreco-nhecível, a imagem é rejeitada. Neste
sistema, astaxas de acerto são de 95% no caso de aplicação
dascaracterísticas das placas e de 94% no caso das ima-gens
corretamente processadas durante o estágio
desegmentação/isolação.
2.3 Sistema baseado em campos randômicos deMarkov e algoritmos
genéticos
Em [CUI97] é apresentado um estudo de extração deregiões
aplicado ao problema especifico de localiza-ção de placa de
veículo. Neste artigo é apresentadouma abordagem para extrair,
seguir, e binarizar oscaracteres em placas dos veículos em
movimento. Ahipótese de base é que uma placa de veículo consisteem
caracteres escuros em um fundo claro. A região
do texto de uma placa é localizada a partir da infor-mação de
textura. Um processo de “warping” é em-pregado para corrigir a
distorção de perspectiva nomomento da aquisição da placa. O
problema delocalização da placa é tratado como a localização
detexto em imagens. Na solução apresentada foi utili-zado um método
da variação espacial para identifi-car a região do texto. Para cada
pixel na região mar-cada como texto, computam-se as derivadas
parciaisusando-se janelas de tamanho 5x5. A binarizaçãodos
caracteres da placa emprega de forma simultâ-nea a informação
temporal e regional sob a estruturade campos aleatórios de Markov
(MRF). O processoé otimizado utilizando-se Algoritmos Genéticos.
Osautores não forneceram nenhum dado numéricoreferente ao
desempenho do sistema e a qualidadedos resultados obtidos
2.4 Sistema de localização baseado em redes neu-rais
Em [KIM99] é apresentado um método de localiza-ção de placas
utilizando redes neurais. As redesneurais são utilizadas como
filtros que produzemuma classificação baseada em janelas locais
dospixels da placa e do fundo da imagem, analisando aspropriedades
de cor e textura de uma placa. O pósprocessamento destas imagens
filtradas encontra as“bounding boxes” da placa. As razões para
usarredes neurais como filtros são que elas não necessi-tam de
algoritmos de estimação do parâmetro explí-citos e também por serem
robustas na presença deruídos. Duas redes neurais (TDNNs) são
utilizadascomo filtros que independentemente analisam asseções
horizontais e verticais da imagem. Segundoos autores, este método é
robusto por não ser afetadopelo ruído e por degradações devido à
estabilidadedas redes neurais. Testes com duas bases, a
primeiracontendo 200 imagens de veículos na entrada de
umestacionamento, e a segunda composta de 200 ima-gens de veículos
na estrada mostraram taxas deextração de 99 e de 97,5%
respectivamente.
3. Ferramentas morfológicas empregadas nestetrabalho
3.1 Reconstrução dual
Sejam duas imagens S e Z em níveis de cinza defi-nidas no mesmo
domínio, tomando os valores dis-cretos k ∈ [0, n] e respeitando a
relação de ordem Z≥ S. Pode-se definir a reconstrução dual em
níveis decinza (ou reconstrução por erosão) usando B comoelemento
estruturante [FAC96]:
))((....min)]([min)( 11 ZZZn
BS
BSn
nBSns
s � ����� εεερ ≥≥ == (1)
-
3.2 Granulometria linear em níveis de cinza
Em [VIN94] foi elaborado um método rápido degranulometria em
níveis de cinza que consiste emanalisar as linhas da imagem
contabilizando ostamanhos dos segmentos de reta de acordo com
osníveis de cinza conforme descrito a seguir. O resul-tado do
algoritmo é um padrão de espectro que des-creve a quantidade de
segmentos de reta de cadatamanho para todos os níveis de cinza da
imagem.
Figura 1 – Relação do máximo de uma região
Considerando o caso da granulometria linearhorizontal, com
segmentos de linha Ln com n ≥ 0,onde Ln é uma linha da imagem com
n+1 pixels (aslinhas podem ser processadas independentemente)onde
as informações granulométricas estão contidasnas estruturas de
picos (de máximo) de cada linha.Sendo M = {p0, p1,...., pn-1} um
máximo da linha L,com altitude L(M) = h:• qualquer abertura
realizada em L por Lk com
k
-
As imagens utilizadas para a criação da base dedados possuem as
seguintes características:• colorida (RGB);• 640x480 pixels;•
imagens da frente e costas dos veículos (em
alguns casos com dois ou mais ângulos domesmo veículo);
• distribuição de luz sobre a superfície da placahomogênea e
heterogênea;
• variação de distância da câmera até o veículo:2,0m – 3,5m.
5. Proposta de um novo sistema de localização esegmentação de
placas
O método de segmentação proposto neste trabalho éconstituído de
seis etapas, descritas a seguir:
Etapa 1: Pré-processamento
Após a conversão das imagens para níveis de cinza,realiza-se a
aplicação do processo de tophat na ima-gem para ressaltar os seus
vales, facilitando assim amarcação das letras da placa do veículo
no processode granulometria que será aplicado na seqüência.
Notophat são utilizadas 3 iterações com o elementoestruturante
quadrado. Em seguida, uma redução dacomplexidade da imagem se faz
necessária, parareduzir o tempo de processamento da
granulometria.Portanto, optou-se por homogeneizar as regiões
daimagem diminuindo-se o número de pequenos ele-mentos e acelerando
em muito o processo de granu-lometria.
O processo de redução da complexidade é rea-lizado dividindo o
nível de cinza de cada um dospixels da imagem por um fator de
redução da com-plexidade. O valor do fator de redução da
complexi-dade, que é 64, foi determinado empiricamente.
Etapa 2: Peneiramento por granulometria
Na fase de processamento, a granulometria em ní-veis de cinza é
utilizada para a obtenção de marca-dores dos dígitos da placa do
veículo. O processo dagranulometria utilizado é uma combinação
dasabordagens apresentadas em [VIN94] e em[GUI99].
Etapa 3: Marcação do conteúdo da placa
O algoritmo de granulometria apresentado em[VIN94] é utilizado
para obter-se um perfil dostamanhos horizontais dos objetos
presentes na ima-gem. Este perfil de tamanhos é utilizado no
lugardos resíduos morfológicos no algoritmo de mapea-mento descrito
por [GUI99], o que resulta na ima-
gem com os marcadores das letras das placas dosveículos.
Utilizando esta imagem de marcadores, e comomáscara a imagem
resultante do processo de elimi-nação da complexidade da imagem, é
aplicado oprocesso de reconstrução dual [FAC96]. Desta for-ma, o
resultado desta reconstrução deve conter asletras que constituem as
placas dos veículos.
Etapa 4: Localização dos componentes
Para a localização dos componentes da imagem,resultado da
reconstrução, que indicarão o posicio-namento da placa do veículo
na imagem, é adotado oprocesso descrito a seguir:• cálculo do
histograma de distribuição de níveis
de cinza;• determinação do nível de cinza correspondente
à região de fundo da imagem, região com omaior número de
pixels;
• busca por grupos de pixels cujo nível de cinzaseja de maior
intensidade que a região de fundo;
• anotação da posição dos pixels mais a esquerda,a direita,
acima e abaixo, do grupo de pixels en-contrado.
Etapa 5: Redução do número de componentes
O resultado obtido na localização de componentesnormalmente
apresenta um elevado número de ele-mentos indesejáveis. Estes
componentes estão pre-sentes por possuírem características de
tamanho ecor semelhantes aos dígitos das placas. Portantoforam
determinadas algumas regras para a reduçãodo número de componentes
na imagem. Estas regrasestão listadas a seguir:• componentes que
estão localizados na borda da
imagem são desconsiderados;• componentes que possuem uma das sua
dimen-
sões, altura ou largura, muito maior que a outrasão
desconsiderados (85% de diferença);
• componentes cujas dimensões estão acima de85% das médias de
tamanho de todos os ele-mentos da imagem são desconsiderados;
• componentes cujas dimensões estão abaixo de35% das médias de
tamanho de todos os ele-mentos da imagem são desconsiderados;
• componentes que estão alinhados com menos detrês elementos na
horizontal são desconsidera-dos, pois considera-se que pelo menos 3
caracte-res da placa serão encontrados;
• componentes cujo número de pixels não perten-cente ao valor de
referência para o fundo daimagem (calculado no processo de
localizaçãodos componentes) que estão acima de 85% ouabaixo de 35%
são desconsiderados.
-
A aplicação destas regras no conjunto de com-ponentes
localizados na imagem resulta na manu-tenção dos componentes que se
encontram na regiãoda placa do veiculo.
Etapa 6: Localização da posição da placa do veí-culo
Após a filtragem dos componentes foi realizado oseguinte
processo em 4 passos para a determinaçãoda localização da posição
da placa do veículo:• determinação do limiar de cada um dos
compo-
nentes da imagem utilizando o algoritmo deOTSU [OTS79];
• determinação do nível de cinza de maior inci-dência no fundo
da imagem para cada um doscomponentes. A busca deste nível de cinza
é re-alizada nos pixels cujos níveis de cinza são demenor
intensidade que o limiar resultante daaplicação do algoritmo de
OTSU;
• cálculo da média dos valores dos níveis de cinzade maior
incidência em cada um dos compo-nentes encontrados no passo
(b);
• determinação da região definida por níveis decinza com
intensidade maior ou igual á médiaencontrada no passo (c).
A região determinada com este processo encer-ra a placa do
veículo. A figura 2 ilustra o resultadoda localização de uma placa
de veículo.
6. Experimentos e análise dos resultados
Os resultados obtidos permitiram destacar algumascaracterísticas
interessantes do sistema proposto.
O método baseado em granulometria e resíduosmorfológicos
demonstrou ser eficiente em casos de:1. Posicionamento incorreto
das placas: Em caso
da placa do veículo não estar corretamente fixa-da ou
posicionada, o resultado da localização daplaca não sofreram
interferências;
2. Fator de luminosidade: Em situações que aplaca se encontra na
sombra projetada pelo pró-prio veículo, em dias ensolarados,
fazendo comque a placa não fique destacada em relação
aoveículo;
3. Veículos com adesivos: Em casos nos quais osveículos possuem
adesivos colados na pintura, oprocesso não é influenciado se o
padrão destesadesivos não corresponder ao padrão das letrasda placa
(Figura 3);
4. Fotos com mais de um veículo : Quando osveículos encontram-se
em uma distância apro-priada, as placas destes são localizadas
correta-mente e independentemente uma da outra (Fi-gura 4);
5. Fotos tiradas com efeito de perspectiva: O m é-todo funciona
com uma grande variabilidade deposicionamento da câmera em relação
ao veí-culo (Figura 5).
Figura 2 - Localização da placa
Os resultados obtidos com a aplicação do métodoproposto neste
trabalho foram considerados comosatisfatórios levando em
consideração as diferentessituações das imagens analisadas, a
complexidade daimagem e a não utilização de algoritmos
clássicospara a resolução de problemas que envolvem estenível de
complexidade.Os resultados obtidos nos experimentos foram:• 75% de
acerto na localização das placa;• 81% de acerto na segmentação dos
caracteres
corretamente localizados.
O tempo de processamento foi de 28 segundosem um microcomputador
com processador PentiumII de 350 MHz e 128 MB de memória RAM.
7. Conclusões e trabalhos futuros
Foi apresentado um sistema de localização automáti-ca de placas
de veículos baseada numa abordagempor granulometria e resíduos
morfológicos. Testescom situações do mundo real mostrou que o
sistemapode localizar os números de placas dos carros,mesmo sob
circunstâncias que são distantes do ideal.
No futuro, pretende-se melhorar o desempenhocom relação ao tempo
de processamento e tambémdefinir melhores ajustes nos parâmetros
utilizadospara melhorar o desempenho do processo de
seg-mentação.
-
Figura 3 – Carro com adesivos
Figura 4 – Foto com duas placas
Figura 5 – Foto tirada com efeito de perspectiva
Referências Bibliográficas
[BRU99] Brugge, M. H. T., Nijhuis J. A. G.,Spaanenburg L.,
Sdevens J. H., License PlateRecognition, Kowledge-Based
IntelligentTechniques in Character Recognition, Edited byLakhmi C.
Jain and Beatrice Lazzerini, pp 263-295, 1999
[CUI97] Cui, Y., Huang, Q.; Automatic LicenseExtration from
Moving Vehicles. SiemensCorporate Research, Inc, ICIP´97
[FAC96] Facon, Jacques; Morfologia Matemática:Teoria e Exemplos.
Curitiba, Brasil, 1996
[GUI99] Guimarães, Silvio J. F.; Filtragem deimagens a partir da
sua decomposição emresíduos morfológicos. Dissertação de
Mestrado,Universidade Estadual de Campinas, 1999
[KIM99] Kim, K.I., Park, S.H., Jung, K., Park,M.H., and Kim,
H.J.: The neural network basedmethod for locating car license
plate. Proc. ITC-CSCC’’99, 1999.
[OTS79] Otsu N., A Threshold Selection Methodfrom Gray-Level
Histograms, IEEE Trans. Sys.Man and Cybernnetics, v. SMC9, nº1, pp.
62-66, 1979.
[SOU00] Souza, F. P. C.; Susin, A. A.; Sistema deidentificação
automática de veículos.www.iee.ufrgs.br/iee/siav.htm, 2000
[VAC95] Vachier Corinne; Extraction decaractéristiques,
segmentation d´image etmorphologie mathématique, Dissertação
deDoutorado, ècole Nationale Supérieure desMines de Paris, França,
1995
[VIN94] Vincent, L.; Fast grayscale granulometriealgorithms.
EURASIP Workshop ISMM’94. pp265 – 272, Fountainebleau, France,
1994
