Projeto de Reconhecimento de Placas Acabado 22-11

Embed Size (px)

Citation preview

CENTRO UNIVERSITRIO UNISEB TRABALHO DE CONCLUSO DE CURSO BACHARELADO EM CINCIA DA COMPUTAO RECONHECIMENTO AUTOMTICO DE PLACAS DE VECULOS UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGNCIA ARTIFICIAL Guilherme Stfano Silva de Souza Paulo Henrique Passella Orientador: Prof. Dr. Jean-Jacques G. S. De Groote RIBEIRO PRETO 2 2011 Guilherme Stfano Silva de Souza Paulo Henrique Passella RECONHECIMENTO AUTOMTICO DE PLACAS DE VECULOS UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGNCIA ARTIFICIAL TrabalhodeConclusodeCurso apresentadoaoUniSEBCOCdeRibeiroPreto, soborientaodoProf.Dr.Jean-JacquesDe Groote,paraobtenodograudebacharelem Cincia da Computao. Ribeiro Preto 2011 3 Aos nossos pais, irmos e amigos por estarem sempre ao nosso lado 4 AGRADECIMENTOS Aonossoorientador,Prof.Dr.Jean-JacquesDeGroote,pelasuapacinciaepor compartilhardesuaexperincia,tempoedisposiocontribuindoparaaconclusodeste trabalho. AosprofessoreseaocoordenadordocursodeCinciadaComputaodoCentro UniversitrioUNISEBporpassartodooconhecimentonecessrioparaanossaformao acadmica e profissional. Guilherme:Aosnossospaiseirmosporsempreestaremaonossolado,aosnossos amigosChristianCanalli,LeonardoMelonieFelipeMiossopornuncanosdeixardesanimar durante todo o curso, ao grande amigo Rafael Ramos pelo companheirismo nos dias sofridos do desenvolvimentodestetrabalho,aosamigosdelongadataMarcosVincios,AtlioRenane RgriodosSantosGaspar,aoIronMaidenporsempreproporcionarinspiraoetranqilidade nasnoitesdetrabalho,eatodasaspessoasquenomencionamosaqui,massempresero lembradas por serem importantes em nossas vidas. Paulo: Aos nossos pais, pois sem eles eu no estaria aqui e a minha noiva, pela pacincia de me esperar terminar este trabalho, e principalmente a Deus, pois estou aqui nesse momento. 5 A felicidade s vezes uma bno, mas geralmente uma conquista. Paulo Coelho 6 Resumo A proposta deste trabalho o estudo de tcnicas de Processamento Digital de Imagens e o desenvolvimentodeumsoftware,queutilizandoessastcnicas,sejacapazdereconhecer automaticamente placas de veculos. Ametodologiaadotadaconsistenaaplicaodefiltrosparaopr-processamentodas imagens,alocalizaodaplacadoveculoutilizandosegmentao,eoreconhecimentodos caracteres da placa. Para reconhecer os caracteres so utilizadas Redes Neurais Artificiais. Para o desenvolvimento do trabalho foi tambm realizada uma pesquisa sobre as empresas que desenvolvem esse produto atualmente, e os modelos de placas. 7 Abstract Thepurposeofthisjobisthestudyofdigitalimageprocessingtechniques,andthe development of a software that using these techniques be able to automatically recognize license plates. Themethodologyadoptedconsistsofapplyingfilterstopre-processingofimages,the locationofthelicenseplateusingsegmentation,charactersrecognitionofthelicenseplates.To the characters recognizition artificial neural networks are used. Totheworkdevelopmentaresearchhadbeenmadeaboutthecompaniesthatdevelop these products nowadays, and the models of license plates. 8 SUMRIO LISTA DE ABREVIATURAS E SIGLAS .................................................................... 11 LISTA DE FIGURAS ...................................................................................................... 12 LISTA DE GRFICOS ................................................................................................... 14 LISTA DE TABELAS ..................................................................................................... 14 INTRODUO ................................................................................................................ 15 Captulo 1. Processamento Digital de Imagens ............................................................. 18 1.1.Origens do PDI e suas aplicaes ..................................................................... 18 1.1.1.Perspectiva histrica ................................................................................................................ 18 1.1.2.reas de aplicao ................................................................................................................... 20 1.2.O que processamento digital de imagens. ..................................................... 21 1.2.1.Definio de Processamento digital de imagens. ..................................................................... 22 1.3.Fundamentos da Imagem Digital ..................................................................... 24 1.3.1.Modelo de formao da imagem .............................................................................................. 24 1.3.2.Amostragem e quantizao ....................................................................................................... 26 1.3.3.Resoluo Espacial e de Intensidade ....................................................................................... 27 1.3.4.Conectividade ........................................................................................................................... 29 1.4.Realce de imagens .............................................................................................. 31 1.4.1.Histograma. .............................................................................................................................. 32 1.4.2.Equalizao de histograma. ..................................................................................................... 34 1.4.3.Convoluo com Mscaras. ..................................................................................................... 35 1.4.4.Limiarizao (Thresholding). ................................................................................................... 37 1.4.5.Suavizao de imagens no domnio espacial ............................................................................ 38 1.4.6.Filtro passa-alta ....................................................................................................................... 40 1.5.Morfologia matemtica ..................................................................................... 41 1.5.1.Eroso ...................................................................................................................................... 41 1.5.2.Dilatao .................................................................................................................................. 43 1.5.3.Abertura e Fechamento ............................................................................................................ 44 1.5.4.Esqueletizao .......................................................................................................................... 46 1.6.Segmentao de imagens ................................................................................... 47 1.6.1.Deteco de pontos isolados .................................................................................................... 48 1.6.2.Deteco de linhas ................................................................................................................... 48 1.6.3.Deteco de bordas .................................................................................................................. 49 Captulo 2. Sistemas de Reconhecimento de placas de Veculos ................................. 51 9 2.1.Sistema de Placas de Identificao de Veculos ............................................... 51 2.1.1.Modelos de Placas .................................................................................................................... 51 2.1.2.Especificaes tcnicas das placas .......................................................................................... 55 2.2.Conceitos de um Sistema de Reconhecimento de Placas de Veculos .......... 57 2.2.1.Componentes de um Sistema de Reconhecimento de Placas de Veculos ................................ 57 2.2.2. Quais so as aplicaes de um Sistema de Reconhecimento de Placas de Veculos ............... 58 2.2.3. Passos no processamento de um Sistema de Reconhecimento de Placas de Veculos ............. 59 2.2.4. Pesquisas realizadas para a identificao de placas ............................................................... 60 2.2.5. Empresas que desenvolvem o sistema ..................................................................................... 62 Captulo 3. Inteligncia Artificial ................................................................................... 63 3.1. Consideraes inicias ............................................................................................ 63 3.2. Introduo ............................................................................................................. 64 3.2.1. Conceito de Rede Neural ......................................................................................................... 64 3.3. Histrico ................................................................................................................. 64 3.4. Perceptron ............................................................................................................. 65 3.5. Treinamento .......................................................................................................... 67 3.5.1. Padres ....................................................................................................................................... 68 3.5.2.Energia de Treinamento ............................................................................................................ 68 3.5.3.Algoritmo ................................................................................................................................... 69 3.6.Consideraes Finais ........................................................................................... 70 Captulo 4. Desenvolvimento .......................................................................................... 71 4.1.Base de dados ....................................................................................................... 72 4.2.Tecnologias utilizadas .......................................................................................... 73 4.2.1.Java e sua biblioteca para imagens ........................................................................................... 73 4.2.2. API Image J ............................................................................................................................. 74 4.3.Realce .................................................................................................................... 74 4.3.1. Filtro passa-alta ......................................................................................................................... 74 4.3.2.Binarizao ................................................................................................................................ 76 4.3.3.Esqueletizao ........................................................................................................................... 78 4.3.4.Equalizao ............................................................................................................................... 79 4.4.Localizao da Placa ............................................................................................ 80 4.4.1. Encontrar Ponto Dentro da Regio da Placa ............................................................................. 80 4.4.2.Localizao da Regio da placa ................................................................................................ 85 4.5.Localizao dos Caracteres ................................................................................. 89 4.5.1. Delimitao da regio dos caracteres ..................................................................................... 90 10 4.5.2.Segmentao dos caracteres ...................................................................................................... 93 4.6.Reconhecimentos dos Caracteres ....................................................................... 96 4.6.1.Treinamento ............................................................................................................................... 96 4.6.1.1.Converter segmentao do caractere para cinza ................................................................. 97 4.6.1.2.Converso da imagem segmentada do caractere para uma imagem de escala uniforme .... 97 4.6.1.3.Esqueletizar caractere ......................................................................................................... 98 4.6.1.4.Converso da imagem para vetor ....................................................................................... 98 4.6.1.4.Processo de treinamento do perceptron .............................................................................. 99 4.6.2.Reconhecimento ....................................................................................................................... 100 Captulo 5. Resultados e Concluses ............................................................................ 103 5.1.Resultados da Localizao da Placa ................................................................. 103 5.1.1.Resultados da Localizao de um Ponto Dentro da Placa ...................................................... 103 5.1.2.Resultados da Localizao da Placa ....................................................................................... 104 5.2.Resultados da Segmentao dos Caracteres .................................................... 106 5.2.1.Resultados da Delimitao da Regio dos Caracteres ............................................................ 106 5.2.2.Resultados da Segmentao dos Caracteres ............................................................................ 107 5.3.Resultados da identificao dos Caracteres .................................................... 108 5.4.Concluso ............................................................................................................ 117 APNDICE A ................................................................................................................. 122 APNDICE B ................................................................................................................. 125 APNDICE C ................................................................................................................. 127 APNDICE D ................................................................................................................. 128 APNDICE E ................................................................................................................. 131 APNDICE F ................................................................................................................. 137 APNDICE G ................................................................................................................ 143 APNDICE H ................................................................................................................ 161

11 LISTA DE ABREVIATURAS E SIGLAS ALPR: Automatic License Plate Recognition API: Application Programming Interface BIN: Base de ndice Nacional CAT: Computerized Axial Tomography CBPF: Centro Brasileiro de Pesquisas Fsicas CONTRAN: Conselho Nacional de Trnsito DCA: Departamento de Engenharia de Computao e Automao Industrial DENATRAN: Departamento Nacional de Trnsito dpi : dots per inch FEEC: Faculdade de Engenharia Eltrica e de Computao. IA: Inteligncia Artificial INSS: International Neural Networks Society JPG: Joint Photographic Group NIH: National Institutes of Health NIMH: National Institute of Mental Health OCR: Optical character recognition PDI: Processamento Digital de Imagens RAL: Reichsausschu fr Lieferbedingungen RENAVAM: Registro Nacional de Veculos Automotores RSB: Research Services Branch SIAV: Sistema de Identificao Automtica de Veculos SRPLV: Sistemas de Reconhecimento da Placa de Licenciamento Veicular UFF: Universidade Federal Fluminense UFRJ: Universidade Federal do Rio de Janeiro UNICAMP - Universidade Estadual de Campinas WEKA: Waikato Environment for Knowledge Analysis 12 LISTA DE FIGURAS Figura 1 - Imagem produzida atravs do sistema Bartlane ................................................................................................................................................................................... 19 Figura 2 - Primeira foto tirada da Lua capturada pelo Ranger 7 .......................................................................................................................................................................... 19 Figura 3 - Exemplos de alguns produtos em que o processamento digital de imagens utilizado em sua fabricao.(a) Circuito de uma controladora de CD-ROM. (b) Cartela de Comprimidos. (c) Garrafas. (d) Bolhas de ar em um produto de plstico transparente. (e) Cereais. (f) Imagens de um implante intra-ocultar .......................... 21 Figura 4 - Passos fundamentais em processamento digital de imagens ............................................................................................................................................................... 23 Figura 5 - Representao de uma imagem digital com seus eixos x e y e a conveno do ponto inicial para (x, y) ......................................................................................... 25 Figura 6 - Os componentes iluminao (i) e refletncia(r) de uma imagem ........................................................................................................................................................ 25 Figura 7 - Produzindo uma imagem digital, (1) Imagem contnua. (2)Linha devarredura de A a B naimagem contnua utilizada para os conceitos de amostragem e quantizao. (3) Amostragem e Quantizao. (4) Linha de varredura digital ..................................................................................................................................................... 26 Figura 8 - Imagem contnua projetada para uma matriz e depois convertida para o formato digital atravs da amostragem e quantizao .................................................. 27 Figura 9 - Efeito do nmero de nveis de cinza na qualidade de uma imagem 442 x 299 com 256, 128, 64, 32, 16, 8, 4 e 2 nveis de cinza, respectivamente imagem.... 28 Figura 10 - Diminuio da resoluo espacial da imagem .................................................................................................................................................................................... 29 Figura 11 - Conceitos de 4-vizinhana, vizinhana diagonal e 8-vizinhana ...................................................................................................................................................... 30 Figura 12 - (a) Segmento de imagem binria, (b) 8-vzinhos do pixel central, (c) m-vizinhos do pixel central . .............................................................................................. 31 Figura 13 - Imagens e seus respectivos histogramas ............................................................................................................................................................................................. 33 Figura 14 - Exemplo de histograma para imagem com oito nveis de cinza. ...................................................................................................................................................... 34 Figura 15 - Primeiro pixel da imagem tendo seu valor alterado pela operao de convoluo .......................................................................................................................... 37 Figura 16 - Imagem original esquerda e aps operao de limiarizao direita ............................................................................................................................................ 37 Figura 17: Mscaras para clculo de mdia: (a)3x3; (b)5x5; (c)7x7 .................................................................................................................................................................... 38 Figura 18 - (a) Imagem original; (b)-(f) resultados da aplicao do filtro da mdia com mscara de dimenses n x n, n = 3, 5, 7, 17, 317x7 ............................................. 39 Figura 19 - Passa-alta bsico ................................................................................................................................................................................................................................... 40 Figura 20 - (a) Imagem original; (b) imagem aps filtragem passa-alta com a mscara da Figura 19 .............................................................................................................. 40 Figura 21 - Exemplo de Eroso ............................................................................................................................................................................................................................... 42 Figura 22 - Exemplo de eroso utilizando o elemento estruturante Bx em uma imagem com caracteres. ......................................................................................................... 42 Figura 23 - Exemplo de dilatao ........................................................................................................................................................................................................................... 43 Figura 24 - Exemplo de dilatao utilizando o elemento estruturante Bx em uma imagem com caracteres. ..................................................................................................... 44 Figura 25 - Exemplo de abertura utilizando um elemento estruturante circular .................................................................................................................................................. 45 Figura 26 - Exemplo de fechamento utilizando um elemento estruturante circular ............................................................................................................................................ 45 Figura 27 - Exemplo de esqueletizao da imagem............................................................................................................................................................................................... 46 Figura 28: Mscaras para o algoritmo de esqueletizao ...................................................................................................................................................................................... 47 Figura 29 - Mscaras para deteco de linhas sendo (a) Horizontal; (b) Vertical; (c)-45; (d)+45 .................................................................................................................. 48 Figura 30- Imagem original, realce de bordas utilizando os operadores de Prewitt horizontal e vertical e realce de bordas utilizando os operadores de Sobel horizontal e vertical respectivamente .......................................................................................................................................................................................................................................... 50 Figura 31 - Dimenses de uma placa de veculo.................................................................................................................................................................................................... 55 Figura 32 - Dimenses de uma placa de motocleta ............................................................................................................................................................................................... 56 Figura 33 - Padro dos caracteres na fonte Mandatory ......................................................................................................................................................................................... 57 Figura 34 - Neurnio Humano ................................................................................................................................................................................................................................ 65 Figura 35: Representao de um perceptron na rede neural. ................................................................................................................................................................................ 66 Figura 36- Representao grafica da letra A dividida em pixels .......................................................................................................................................................................... 68 Figura 37 - Diagrama dos mdulos ......................................................................................................................................................................................................................... 71 Figura 38 - Estrutura bsica da classe BufferedImage ........................................................................................................................................................................................... 73 Figura 39 - Deteco de bordas de uma imagem com uma placa veicular, sendo Prewitt (a), Roberts (b) e Sobel (c). ................................................................................... 75 Figura 40 - Filtro Sobel Vertical ............................................................................................................................................................................................................................. 76 Figura 41 Imagem original e a suas limiarizales utilizando a ferramenta ImageJ.......................................................................................................................77 Figura 42 - Binarizao da imagem aps a aplicao do filtro Sobel vertical ..................................................................................................................................................... 78 Figura 43 - Esqueletizao de uma imagem contendo uma placa veicular aps a binarizao. ......................................................................................................................... 79 Figura 44 - Imagem normal (a). Placa perdendo detalhes aps equalizao (b). ................................................................................................................................................ 80 13 Figura 45 - Imagem normal (a). Mdia da imagem utilizando o filtro Sobel (b). Imagem com filtro Sobel e ponto com maior intensidade encontrado o pra-choque (c) ................................................................................................................................................................................................................................................................................... 81 Figura46-Imagemnormal(a).MdiadaimagemutilizandoofiltroSobeleesqueletizao(b).ImagemcomfiltroSobeleesqueletizaoepontocommaior intensidade encontrado o pra-choque (c) .............................................................................................................................................................................................................. 82 Figura47-Imagemnormal(a).MdiadaimagemutilizandoofiltroSobelsomentecomamscaravertical(b).ImagemcomfiltroSobelsomentecomamscara vertical e ponto com maior intensidade encontrado as linhas verticais do par-choque (c) ............................................................................................................................... 83 Figura 48 - Imagem normal (a). Mdia da imagem utilizando filtro Sobel somente com a matriz vertical e esqueletizao (b). Imagem com filtro Sobel somente com a matriz vertical e esqueletizao e ponto com maior intensidade encontrado no centro da placa (c) ................................................................................................................. 84 Figura 49- Imagem normal (a). Placa parcialmente localizada utilizando uma mscara oca com borda de 4 pixels aps a utilizao do filtro Sobel ................................. 86 Figura 50 - Imagem normal (a). Placa parcialmente localizada utilizando uma mscara oca com borda de 4 pixels aps a utilizao do filtro Sobel e esqueletizao .... 87 Figura 51 - Placa localizada com os caracteres fora do centro da mscara utilizando uma mscara oca de 15 pixels aps a utilizao do filtro Sobel com matriz vertical e esqueletizao (a). Aps localizao, mscara desenhada na imagem original(b) ........................................................................................................................................... 88 Figura 52- Placalocalizada utilizando uma mscara com todos osvaloresiaguais a 1 aps a utilizao do filtroSobel com matrizvertical e esqueletizao(a).Aps localizao, mscara desenhada na imagem original(b) ........................................................................................................................................................................................ 89 Figura 53 - Imagem original (a). Imagem com uma reta traa no meio da placa (b). Variaes da regio onde a reta foi traada, sendo que quanto mais alto o pico mais escuro o seu valor .................................................................................................................................................................................................................................................. 90 Figura 54 - Seqncia de passos para delimitar a regio dos caracteres. Localizar a placa, analisar a assinatura, marcar pixels de transio, delimitar regio dos pixels encontrados ............................................................................................................................................................................................................................................................... 92 Figura 55 - Regio dos caracteres delimitada (a). Grfico da somatria da regio delimitada (b)..................................................................................................................... 93 Figura 56 - Tentativa de localizar os caracteres atravs do mtodo da anlise do grfico da somatria ........................................................................................................... 94 Figura 57- Seqncia de passos para localizao dos caracteres utilizando o mtodo que procura variaes na vertical ............................................................................... 95 Figura 58- Janela que mostra os resultados do reconhecimento tambm serve para treinar as redes neurais ................................................................................................... 96 Figura 59 - Imagem esqueletizada um caractere L ................................................................................................................................................................................................ 98 Figura 60 - Reconhecimento de caracteres sendo executado pela primeira vez ................................................................................................................................................101 Figura 61 - Mesma placa aberta logo aps as redes serem treinadas .................................................................................................................................................................102 Figura 62 - O caractere 4 foi identificado por duas redes neurais, a rede neural A (errada) e a rede neural 4 ................................................................................................102 14 LISTA DE GRFICOS Grfico 1 - Resultados da delimitao da regio dos caractere...................................................106 Grfico 2 - Resultados da segmentao dos caracteres................................................................107 Grfico 3 - Resultados da segmentao dos caracteres, sem considerar as placas vermelhas.....108 LISTA DE TABELAS Tabela 1- Exemplo de histograma ................................................................................................................................ 33 Tabela 2 - Exemplo de equalizao. ............................................................................................................................. 35 Tabela 3 - Mscaras para deteco de bordas ............................................................................................................... 49 Tabela 4 - Faixas de placas por estado ......................................................................................................................... 53 Tabela 5 - Cores das Placas .......................................................................................................................................... 54 Tabela 6 - Codificao das Cores ................................................................................................................................. 54 Tabela 7 - A altura dos caracteres em milmetros para veculos .................................................................................. 56 Tabela 8 - A altura dos caracteres em milmetros para motocicletas............................................................................ 56 Tabela 9 - Sistemas de Reconhecimento de Placas de Veculos .................................................................................. 62 Tabela 10 - Resultados para diferentes tipos de pr-processamentos na localizao um ponto dentro da placa ........ 104 Tabela 11- Resultados para diferentes tipos de pr-processamentos e mtodos para localizar a placa ...................... 105 Tabela 12 Tabela de 12% de treinamento................................................................................................................ 109 Tabela 13 - Tabela de 20% de treinamento ................................................................................................................ 111 Tabela 14 - Tabela de 12% de treinamento com amostras antigas ............................................................................. 114 Tabela 15 - Tabela de 20% de treinamento com amostras antigas ............................................................................. 116 15 INTRODUO Com a inveno do computador muitos processos trabalhosos foram simplificados, a vida dohomem se tornou mais prtica e tambm surgiram campos deestudo enecessidades que no existiam antes da inveno do mesmo. Porm a necessidade de manipulao de imagens existia mesmo antes do surgimento do computadormoderno,poisem1920oSistemaBartlane,feitoparaqueaindstriadejornais pudesse enviar fotos por um cabo submarino, foi como uma das primeiras aplicaes tcnicas de processamentodigitaldeimagens.Odesenvolvimentodoprocessamentodigitaldeimagens ocorreucomainvenodecomputadorespoderosososuficientepararealizartarefasde processamento de imagens no comeo da dcada de 1960 (GONZALEZ; WOODS, 2010).Com os avanos no processamento digital de imagens, o mesmo passou a ser aplicado em diversas reas como na medicina em ressonncias magnticas, na agricultura para localizao de doenasemplantaes,naindstriaparareconhecimentodeplacasdecircuitoscompeas faltantes,enaseguranapblica,parareconhecimentodeplacasdeveculosautomotores,tema que pode ser aplicado tambm em engenharia de trfego e que o tema desse trabalho.Com oconstante aumento de nmero de veculoscomo dito por GUINDO, THOMe RODRIGUES(2002),anecessidadedeumsistemacapazdereconhecerplacasdeveculos automotores cada vez maior, como por exemplo, na engenharia de trfego para conseguir dados rpidos e precisos, e com, isso podendo aumentar a eficincia e controle do trfego. Asoluodereconhecimentoautomticodeplacasdeveculospodeserusadatambm em vrias outras reas como identificar veculos permitindo ou negando o acesso a reas restritas emcondomniosfechados,porexemplo,procurarealertarapolciaemcasoderouboou seqestro, dentre outras aplicaes. Umaaplicaointeressanteparaesseprojeto,equenofoiencontradonenhumregistro da existncia desse sistema, seria a utilizao dessa tecnologia para achar um veculo perdido em um estacionamento, onde o usurio, por meio da numerao da placa de seu veculo, poderia ser informado em que setor do estacionamento se encontra seu carro. Poderiatambmsercriadaumaintegraodeumsistemadessescomsitesde relacionamentos como os atuais Twitter ou Facebook, por exemplo, onde se acessa um banco de 16 dados, alimentado por cmeras da cidade e nele pode-se encontrar onde est o carro de um amigo e com isso achar seu amigo. Atualmente,comodescritonoartigoescritoporCONCIeMONTEIRO(2004)e tambmnoartigoescritoporGUINDO,THOMeRODRIGUES(2002),muitosdispositivos eletrnicosutilizadosparaaplicarmultasnamaioriadosestadosnopossuemumsistemaque reconheaautomaticamenteoscaracteresdasplacasdosveculos.Outrodispositivoemqueo reconhecimento automtico de placas seria til no controle eletrnico de estacionamentos, onde emitidoumreciboautomaticamente,masnocomumocontrolederegistrodasplacasde veculos ou identificao das placas dos veculos.Tudo isso seria possvel sem muito custo, pois com o desenvolvimento tecnolgico e com opreocadavezmaisacessveldasfilmadoras,mquinasfotogrficasdigitaiseWebCams, tornam-se viveis utilizaes de reconhecimento por imagens aplicadas problemas do cotidiano como o reconhecimento de placas de veculos, segundo CONCI e MONTEIRO (2004). OssistemasdereconhecimentodeplacasdeveculosautomotoresouSRPLVcomo descritopeloDCAouDepartamentodeEngenhariadeComputaoeAutomaoIndustrialda Unicamp(2006),socompostospelosseguintesitens,Sensordepresena,Cmeradevdeo, Computador e o Software que o item mais importante, e ele que ser abordado nesse trabalho. AssimcomooSRPLVdivididoemvriositens,osoftwareparareconhecimento tambm ser dividido em vrios itens, ou mdulos. Essa forma de abordagem do problema pode servistanosartigospesquisadoscomoCONCIeMONTEIRO(2004),GUINDO,THOMe RODRIGUES (2002) e na Dissertao de Mestrado de CARVALHO (2006). Aps analisar trabalhos, artigos e dissertaes publicados sobre identificao de placas, o trabalhoqueserdesenvolvidotemcomoobjetivooestudodetcnicasutilizadasno processamento digital de imagens e o desenvolvimento de um prottipo de um software no qual essas tcnicas sero utilizadas para que esse sistemasejacapazde detectar deforma automtica placas de veculos automotivos em qualquer lugar de uma imagem. Essesistemaserdesenvolvidoprocurandolevaremconsideraoostemasqueforam propostos,ostemasquesugeridoscomofuturostrabalhos,osproblemasocorridosemalguns trabalhos, e tentar de alguma forma unir os mesmos. O Sistema de Reconhecimento de Placas que ser desenvolvido, tambm ser dividido em mdulos, essa diviso ser feita de forma semelhante ao utilizado no prottipo feito pelo DCA da 17 Unicamp(2006).AstcnicasemetodologiasutilizadasseroexplicadasnoCaptulode Desenvolvimento. Almde desenvolver esse prottipo, otrabalho temcomo objetivo apresentar umestudo sobreostiposdeplacasexistentes,suasespecificaeseasempresasquedesenvolvemesses sistemas atualmente. Nocaptulo1apresentamosumestudosobretcnicasdeprocessamentodeimagens,no captulo 2 so apresentadas as especificaes das placas de automvies, os trabalhos realizados e empresas que desenvolvem produtos relacionados ao tema, no captulo 2 apresentamos um estudo sobreredesneurais,nocaptulo3apresentamoscomofoifeitoodesenvolvimentodosistemae no captulo final so apresentadas as concluses e resultados. 18 Captulo 1. Processamento Digital de Imagens EstecaptuloabordaotemaProcessamentoDigitaldeImagenscitadonaintroduo, mostrando seulado histrico, sua definio,as principais tcnicasutilizadas, e em quais reas utilizado. 1.1.Origens do PDI e suas aplicaes Oprocessamentodigitaldeimagensatualmenteestpresentenasmaisdiversasreas, comomedicina,agricultura,segurana,geologia,cartografia,astronomiaentreoutros.Masnem semprefoipossvelaplicarastcnicasdePDIemtodasessasreas,issosetornoupossvel somente depois do desenvolvimento de computadores potentes que suportariam tais aplicaes. Essaseo dedicadaaexplicar como surgiuoProcessamentoDigital deImagens e em quais reas est sendo aplicado atualmente. 1.1.1. Perspectiva histrica Uma das primeiras aplicaes tcnicas de processamento de imagens foi com a utilizao dosistemaBartlaneem1920.Osistemafoifeitoparaqueaindstriadejornaispudesseenviar fotos por um cabo submarino (Cabo Bartlane) de Londres para Nova York, o que reduziu de uma semanaparamenosdetrshorasotemponecessrioparatransportarumafotopelooceano.O sistema codificavaas imagenspara transmisso,e depois reconstitua a imagem norecebimento (GONZALEZ; WOODS, 2010). Apsorecebimento,aimagemeraimpressaporumaimpressoratelegrfica,aFigura1 foitransmitidadessaforma.Masocorriamalgunsproblemascomousodessesistemaquanto melhoradaqualidadevisualdessasprimeirasfigurasdigitais.Essemtododeimpressofoi substitudo em 1921 por uma tcnica de reproduo fotogrfica atravs de fitas perfuras. Figura Essesprimeirossistemasconseguiam aumentando para 15 em 1929.Mesmoessesexemplosenvolvendoconsiderados processamento digital de imageprocessamento. O comeo do processamento digital1960comainvenodecomputadorespoderosososuficientepararealizarprocessamento de imagens. Ousodeprocessamentodigitaldeimagensincioem1964noJetPropulsionLaboratory tiradaspelasondaespacialdistores de imagem como mostrado na Figura Figura Figura 1 - Imagem produzida atravs do sistema BartlaneFONTE: GONZALEZ; WOODS, 2010, p. 2 Essesprimeirossistemasconseguiamdecodificarimagensemcinconveisdecinza, aumentando para 15 em 1929. sesexemplosenvolvendoimagensdigitais,osmesmosnopodemser considerados processamento digital de imagens, pois no foram utilizados computadoresO comeo do processamento digital de imagens ocorreu no comeo da dcada de 1960comainvenodecomputadorespoderosososuficientepararealizarprocessamento de imagens.Ousodeprocessamentodigitaldeimagensemfotostiradasdesondasespaciaisteve incioem1964noJetPropulsionLaboratory(Pasadena,Califrnia),quandofigurasdaLpelasondaespacialRanger7foramprocessadasparacorreodevriostiposde como mostrado na Figura 2. Figura 2 - Primeira foto tirada da Lua capturada pelo Ranger 7FONTE: GONZALEZ; WOODS, 2010, p. 3 19 atravs do sistema Bartlane decodificarimagensemcinconveisdecinza, ,osmesmosnopodemser no foram utilizados computadores em seu de imagens ocorreu no comeo da dcada de 1960comainvenodecomputadorespoderosososuficientepararealizartarefasde emfotostiradasdesondasespaciaisteve ),quandofigurasdaLua processadasparacorreodevriostiposde Ranger 7 20 1.1.2. reas de aplicao As utilidades do processamento digital de imagens so muitas, e isso que ser discutido resumidamente nessa seo. Hojeemdiano,existepraticamentemaisnenhumareadeempreendimento tcnico que no seja impactada de uma forma ou de outra pelo processamento digital de imagens (GONZALEZ; WOODS, 2010, p.5). Nesse trecho citado Gonzales e Woods esto enfatizando a importncia do Processamento digitaldeimagensque,comasuaevoluodoscomputadores,passouaserusadanasmais diversas reas utilizando vrios tipos de raios do espectro eletromagntico alm dos raios que so visveis ao ser humano. Por exemplo, na medicina a deteco de doenas sseas, como infeces ou tumores, feita uma injeo de istopos radioativos que emitem raios gama em um paciente, esses raios so coletados por detectores que, por fim, montam a imagem.AindanareademedicinaoutroimportanteexemploutilizandoraiosXoCATou tomografiaaxialcomputadorizadaondecadaCATumafatiadopacientee,medidaqueo pacientevaisemovendo,sogeradasvriasfatiasque,unidas,formamumaimagem3Ddo paciente. Os raios X podem ser usados tambm na indstria onde uma placa de circuito impresso pode ser analisada em busca de falta de componentes ou com trilhas defeituosas.Naagricultura,paradetecodefungosnomilhosoutilizadastcnicasde ProcessamentoDigitaldeImagensusandoimagensdabandaultravioleta,bandaquetambm til na astronomia. Na indstria farmacutica uma cartela de comprimidos pode ser inspecionada em busca de compridos faltantes utilizando raios da banda visvel, o que pode ser visto na Figura 3(b). Ainda nabandadeluzvisvel,nareadeseguranapblicapodesercitadaaleituraautomticade placasdeveculosautomotoresqueutilizadaparamonitoramentoecontroledetrfego (GONZALEZ; WOODS, 2010). 21 a c e Figura 3 - Exemplos de alguns produtos em que o processamento digital de imagens utilizado em sua fabricao.(a) Circuito de uma controladora de CD-ROM. (b) Cartela de Comprimidos. (c) Garrafas. (d) Bolhas de ar em um produto de plstico transparente. (e) Cereais. (f) Imagens de um implante intra-ocultar FONTE: GONZALEZ; WOODS, 2010, p. 11 1.2. O que processamento digital de imagens. O processamento digital de imagens utilizado de duas formas: melhora das informaes visuaisparaainterpretaohumanaeoprocessamentodedadosdeimagensparaapercepo automticapormquinas.Atqueaimagemsejatransformadaemalgumadessasformasela precisapassarporumasriedepassos,eparasaberquaissoessespassosfundamentais, necessrio saber o que considerado processamento digital de imagens.Sero esses assuntos que seroabordadosnessaseo,ouseja,oquepodeserconsideradoprocessamentodigitalde imagens e quais so os passos fundamentais para o processamento digital de imagens. b d f 22 1.2.1. Definio de Processamento digital de imagens. Noexisteumacordogeralentreosautoresemrelaoaopontoemqueo processamentodeimagensterminaeoutrasreasrelacionadas,comoaanlisede imagens e a viso computacional, comeam. (GONZALEZ; WOODS, 2010, p.1). GonzaleseWoodsaoescreveremessetrechomostramcomoadefiniodoque processamentodigitaldeimagenspodevariarsegundooautor,quepodedefinirprocessamento digital de imagens comosendouma disciplina na qual tanto a entrada quanto a sada devem ser imagens,oquetornaoclculodaintensidademdiadeumaimagemumaoperaono considerada processamento digital de imagens.Masexisteumparadigmaquepodeserutilizadodeformabastantetillevandoem consideraotrstiposdeprocessoscomputacionais:processosdenvelbaixo,mdioealto.O processo de nvel baixo envolve operaes de pr-processamento, como reduzir o rudo, o realce de contraste e aguamento de imagens, nesse processo a entrada e sada so imagens. O processo denvelmdioenvolvetarefascomosepararaimagememregiesouobjetos,classificare descrever esses objetos,nesse nvel a entrada umaimagem e a sada um objeto extrado dessa imagem. E por fim o processamento de nvel alto que dar sentido ao objeto reconhecido. 23 1.2.2. Passos fundamentais em processamento digital de imagens. Iroserabordadosnessaseoospassosnecessriosnoprocessamentodigitalde imagens, para que a compreenso seja mais fcil ser utilizada a aplicao de reconhecimento de placasdeveculos,quepropostanesseprojeto,ocomoexemplo.AFigura4ilustraquaisso esses passos fundamentais Figura 4 - Passos fundamentais em processamento digital de imagens FONTE: GONZALES; WOODS, 2000, p.4 Aaquisiodeimagensoprimeiropassoondeaimagemadquirida,ondeaenergia eletromagntica(luz)captadaporalgumdispositivo,quepodemsercmerasfotogrficas, filmadoras, aparelhos de raios x ou scanners. No caso desse trabalho ser utilizado um banco de dados de fotos geradas por cmeras digitais. Apsaaquisiodaimagemoprximopassoopr-processamento,quetemafuno demelhoraraimagemaumentandoaschancesdesucessoparaosprocessosseguintes,como tcnicasderealcedeimagenspararetirarrudo,porexemplo.Nessetrabalhodentreastcnicas de realce sero utilizados filtros para ter uma melhor visualizao da placa e dos caracteres, como umfiltroderealcedecontrastesouumfiltrodelimiarizao,eumparaisolamentoderegies que contenham as informaes procuradas como deteco de bordas, por exemplo. Oprximopassoasegmentaoquetematarefadedividiraimagensemobjetosde maiorinteresse.Nocasodoproblemadereconhecimentodeplacasdeveculosasegmentao podeserdivididaemduaspartes,umaquesepareaplacadoveculoeumaquesepareosseus caracteres. 24 Comaimagemsegmentada,osagrupamentosdepixelssegmentadosdevemser representadosedescritosdeumaformaapropriadaparaoprocessamentocomputacional.Na representaodeumaregiodeveseoptarpelasescolhas:(1)representarascaractersticas externasdaregio(fronteira),usadaquandoapreocupaoaformadoobjeto,(2)representar pelascaractersticasinternasdaregio(pixelsquecompearegio),usadaparacoroutextura. Emalgumasaplicaesessasrepresentaescoexistemqueocasodoreconhecimentode caracteres de uma placa de automvel onde so usados algoritmos baseados na forma da borda e tambm propriedades internas. Aps representar necessrio descrever a regio, onde se procura extraircaractersticasdeinteresseparadiscriminaoentreclassesdeobjetos.No reconhecimentodecaracteres,porexemplo,buracoseconcavidadessocaractersticasque auxiliam na diferenciao entre partes do alfabeto. O estgio de reconhecimento e interpretao envolve atribuir um rtulo ao objeto baseado nainformaododescritor(porexemplo,Placa)queoreconhecimento.Apso reconhecimento,ainterpretaoenvolveaatribuiodesignificadoaoconjuntodeobjetos reconhecidos.Nocasodoreconhecimentodeplacasdeveculos,aletracnaplacarecebeo rtulo c e o conjunto de trs letras e quatro nmeros interpretada como uma placa de veculo.A base de conhecimento utilizada para se ter um conhecimento prvio sobre a imagem, por exemplo, a possvel posio de um objeto na imagem, ou os possveis erros que podem estar na imagem. No reconhecimento de placas de veculos, por exemplo, a placa do carro sempre vai estar no canto inferior da imagem (GONZALES; WOODS, 2000 ). 1.3. Fundamentos da Imagem Digital Essaseoabordaosconceitosdeaquisiodeimagens,omodelodeformaodeuma imagem, os conceitos de amostragem e quantizao e resoluo espacial e de intensidade. 1.3.1.Modelo de formao da imagem Umaimagempodeserdefinidacomoumafunof(x,y),ondexeysoascoordenadas espaciais e cada par de coordenadas (x,y) chamada de intensidade ou nvel de cinza da imagem, oqueestsendomostradonaFigura5.Afunof(x,y)podesercaracterizadapordois 25 componentes:(1)aquantidadedeiluminaodafontequeincidenacenadaimagem,e(2)a quantidadedeiluminaorefletidapelosobjetosnacena.Essescomponentessoexpressospor i(x,y)er(x,y)esochamadosdeiluminaoerefletnciacomomostradonaFigura6.Essas duas funes combinadas resultam em f(x,y). Figura 5 - Representao de uma imagem digital com seus eixos x e y e a conveno do ponto inicial para (x, y)FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 19 Figura 6 - Os componentes iluminao (i) e refletncia(r) de uma imagem FONTE: MARQUES FILHO,VIEIRA NETO; 1999; p. 20 26 1.3.2.Amostragem e quantizao Paraseradequadaparaoprocessamentocomputacional,umafunof(x,y) precisaserdigitalizadatantoespacialmentequantoemamplitude.Adigitalizaodas coordenadas espaciais (x, y) denominada amostragem e a digitalizao da amplitude chamada quantizao em nveis de cinza (GONZALES; WOODS, 2000, p.21). Gonzales e Woods explicam nesse trecho que para que um dispositivo consiga gerar uma imagemdigitalnecessrioconverterosdadoscontnuosparadadosdigitaisoqueenvolveos processos de amostragem e quantizao. A idia de amostragemequantizaoilustrada pelaFigura 7, nela existe umaimagem contnuaondeosvaloresdascoordenadaxeyedaamplitudeseroconvertidosparaoformato digital. Figura 7 - Produzindo uma imagem digital, (1) Imagem contnua. (2) Linha de varredura de A a B na imagem contnua utilizada para os conceitos de amostragem e quantizao. (3) Amostragem e Quantizao. (4) Linha de varredura digitalFONTE: (GONZALES; WOODS, 2010, p.34). 27 Umfatorqueimportantesermostradonotemadeamostragemequantizaoquea qualidadedaimagemestrelacionadacomonmerodeamostrasedenveisdeintensidade, como mostra a Figura 8. Figura 8 - Imagem contnua projetada para uma matriz e depois convertida para o formato digital atravs da amostragem e quantizao FONTE: GONZALES; WOODS, 2010, p.35 1.3.3.Resoluo Espacial e de Intensidade Aresoluoespacialamedidadomenordetalhequepodeserpercebidoemuma imagem. Essa resoluo pode ser expressa de vrias formas, sendo que as mais comuns so pares delinhasporunidadededistnciaepontos(pixels)porunidadededistncia.Umexemplode quando uma imagem expressa por paresde linha porunidade de distnciaseria quando se diz que uma imagem tem 100 pares de linhas por cada mm da imagem. A medida pontos por unidade de distncia utilizada na impresso por editoras e indstrias grficas. Nos Estados Unidos essa medidaconhecidacomodotsperinch(pontosporpolegada)oudpi(GONZALES;WOODS, 2010, p.35). Pormotamanhosozinhonofazsentido,dizerqueumaimagempossui1.024x1.024 pixels no muito til se no se sabe qual a resoluo de intensidade dessa imagem. A resoluo de intensidade refere-se aos nveis de cinza ou nveis de cores da imagem. Para se definir o nvel de cinza definido o nmero de bits reservados para cada pixel como 8 bits, por exemplo. 28 Tendoexplicadoaresoluoespacialedeintensidade,podeseperceberquequando alterados esses valores a imagem sofre mudanas. A diminuio dos nveis de cinza pode causar problemas na imagem como sulcos em reas de intensidade constante ou parcialmente constante, o que chamado de falso contorno. A Figura 9 mostra a diminuio de intensidade. Figura 9 - Efeito do nmero de nveis de cinza na qualidade de uma imagem 442 x 299 com 256, 128, 64, 32, 16, 8, 4 e 2 nveis de cinza, respectivamente imagem FONTE: MARQUES FILHO,VIEIRA NETO; 1999; p. 24 29 Adiminuiodaresoluoespacial,quenaverdadediminuiramatrizdepixelsda imagem pode causar degradaes deixando a imagem com um efeito quadriculado. AFigura 10 mostra a diminuio da resoluo espacial. Figura 10 - Diminuio da resoluo espacial da imagem FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 23 . 1.3.4.Conectividade Aconectividadeentrepixelsumimportanteconceitousadoparaestabelecerlimitesde objetos e componentes de regies em uma imagem. Para saber se dois pixels esto conectados, preciso determinar se eles so adjacentes, ou seja, fazem divisa seguindo algum critrio. Para isso verificado se seus nveis de cinza satisfazem a um determinado critrio de similaridade. 30 Oconceitodeconectividadedependeoconceitodevizinhanaentreospixels.Existem trs tipos de vizinhana de 4, vizinhos diagonais e vizinhana de 8. Vizinhana de 4: Um pixel p, de coordenadas (x,y) , tem 4 vizinhos horizontais e verticais, cujas coordenadas so (x+1, y), (x-1, y), (x, y+1) e (x, y-1). Essa vizinhana designada N4(p). Vizinhos diagonais: os quatro vizinhos diagonais de p so os pixels de coordenadas (x-1, y-1), (x-1, y+1), (x+1, y-1) e (x+1, y+1). Essa vizinhana designada Nd(p). Vizinhana de 8: a unio das duas outras vizinhanas.Definida como N8(p) = N4(p) Nd(p) A Figura 11 ilustra os tipos de vizinhana: Figura 11 - Conceitos de 4-vizinhana, vizinhana diagonal e 8-vizinhana FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 26 Jsabendooconceitodevizinhana,umexemplodeconectividadeseriaumaimagem binria,ondeospixelspodemassumirosvalores0e1,doispixelspodemser4-vizinhos,mas somente sero considerados 4-conectados se possurem o mesmo valor.Os tipos de conectividade so: 4-conectividade:doispixelspeqcomvaloresdetomdecinzacontidosemVso4- conectados se q N4(p).8-conectividade:doispixelspeqcomvaloresdetomdecinzacontidosemVso8-conectados se q N8(p). m-conectados(conectividade mista): dois pixelsp eq com valores de tom de cinzacontidos em V, so m-conectados se:(i) q N4(p) ou 31 (ii) q Nd(p) e N4(p) N4(q) = .Aconectividademistaumamodificaoda8-conectividadeparaeliminarosmltiplos caminhosquesurgemcom8-conectividade.Umexemplodeconectividademistapodeservista naFigura12(c),sendoqueaFigura12(b)umaimagemutilizandoa8-conectividade,repare queaconectividademistaretirouasconexesredundantes.(MARQUESFILHO;VIEIRA NETO, 1999). Figura 12 - (a) Segmento de imagem binria, (b) 8-vzinhos do pixel central, (c) m-vizinhos do pixel central FONTE: (MARQUES FILHO; VIEIRA NETO, 1999, p. 26). 1.4. Realce de imagens Astcnicasderealcedeimagenssomuitoimportantesparaoprocessamentodigitalde imagens,essaseotemcomoobjetivomostrarquaissoasprincipaistcnicasquesero utilizadas nesse trabalho. Apesardeimportantes,essastcnicasdependemdoproblemaemqueseroutilizadas,e porissoprecisamserbemcompreendidaseestudadasantesdeseremefetivamenteaplicadas, poisumatcnicausadaporenganopodeacabaratrapalhandooprocessamentodigitalde imagens, como citado nesse trecho do livro de MARQUES FILHO e VIEIRA NETO (1999). Oprincipalobjetivodastcnicasderealcedeimagensprocessarumacerta imagemdemodoqueaimagemresultantesejamaisadequadaqueaimagemoriginal para uma aplicao especfica. Desta afirmativa decorrem duas importantes concluses:1.A interpretao de que o resultado mais adequado, ou no, normalmente subjetivaedependedeconhecimentoprviodoobservadorarespeitodasimagens analisadas. 2.Astcnicasderealcedeimagensaseremestudadasnestecaptulosopor naturezaorientadasaumproblemaquesedesejaresolver.Logo,noexistemtcnicas 32 capazesderesolver100%dosproblemasqueumaimagemdigitalpossaapresentar, comotambmnemsempreumatcnicaqueproduzbonsresultadosparaimagens biomdicasadquiridasatravsdeumtomgrafocomputadorizadoapresentar desempenho satisfatrio se aplicada a uma imagem contendo uma impresso digital, por exemplo ( MARQUES FILHO; VIEIRA NETO, 1999, p. 83). Orealcedeimagenspodeserclassificadoemduascategorias:tcnicasdefiltragem espacialeastcnicasdefiltragemnodomniodafreqncia.Astcnicasdefiltragemespacial trabalhamdiretamentesobreamatrizdepixelsqueaimagemdigitalizada,normalmente utilizandooperaesdeconvoluocommscaras.Astcnicasqueatuamnodomnioda freqnciasebaseiamnamodificaodatransformadadeFourierdaimagem.Existemtcnicas de filtragem que combinam ambas as abordagens. Essa seo ir abordar somente as tcnicas de filtragem espacial. O trecho citado abaixo mostra como definida a tcnica de filtragem espacial no livro de MARQUES FILHO e VIEIRA NETO (1999). Astcnicasdefiltragemnodomnioespacialsoaquelasqueatuam diretamentesobreamatrizdepixelsqueaimagemdigitalizada.Logo,asfunesde processamento de imagens no domnio espacial podem ser expressas como:g(x, y) = T [f(x, y)]onde: g(x,y) a imagem processada, f(x,y) a imagem original e T um operador em f, definido em uma certa vizinhana de(x,y) ( MARQUES FILHO; VIEIRA NETO, 1999, p. 83). 1.4.1.Histograma. O histograma de uma imagem pode ser considerado um conjunto de nmeros que indicam aquantidadedecadanveldecinzaqueexistenaimagem.Essesvaloressonormalmente colocados em um grfico de barras fornecendo para cada nvel de cinza sua respectiva quantidade na imagem. Atravs do histograma podemos verificar se uma imagem possui um nvel de brilho e contrasteadequado,assimpodendodizerseessaimagemmuitoclaraouescura.AFigura13 mostraoexemplodeumaimagemeseuhistograma.ATabela1mostraumexemplode histogramaeaFigura14umgrficomontadocombasenessatabela.(MARQUESFILHO; VIEIRA NETO, 1999). 33 Figura 13 - Imagens e seus respectivos histogramas FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 58 Tabela 1- Exemplo de histograma Nvel de cinzaNmero de Pixels 01120 1/73214 2/74850 3/73425 4/71995 5/7784 6/7541 1455 Total16384 FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 56 34 Figura 14 - Exemplo de histograma para imagem com oito nveis de cinza. FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 56 1.4.2. Equalizao de histograma. A equalizao de histograma procura redistribuir os valores de tons de cinza dos pixels de uma imagem, fazendo com que o nmero de pixels de qualquer nvel de cinza seja praticamente o mesmo, obtendo assim um histograma uniforme. A equalizao de uma imagem pode ser feita da seguinte forma:Dada uma imagem de n x m Pixels e g nveis de cinza. Sendo o ideal de pixels dado pela formula: I =(n x m)/g A equalizao pode ser realizada ento fazendo: q = mox _ u, ARRE_ n]k]=0I_ 1_ u k g Onde: g= nveis de cinza da imagem velha. q=nveis de cinza da imagem equalizada Paraumexemploserutilizadaumaimagemcom30pixelse10nveisdecinza,oseu histograma e a equalizao podem ser representados pela Tabela 2. 35 Tabela 2 - Exemplo de equalizao. gnnq 0110 19102 28185 36247 41257 51268 61278 71288 82309 90309 1.4.3.Convoluo com Mscaras. Aconvoluocommscarautilizadaeminmerasoperaesdeprocessamentodigital de imagens como no filtro passa alta, passa baixa, mdia, mediana e outros tipos de filtragens. Na convoluo, uma matriz de pequenas dimenses chamada mscara ou janela, espelhada tanto na horizontalquantonaverticaldeumaimagem,percorrendotodosospontosdamesma deslocando-se ao longo de cada linha e entre as vrias linhas, da direita para a esquerda, de cima parabaixo,atterprocessadooltimoelementodamatrizimagem.Cadavezqueamscara espelhada em uma regio da imagem, os valores dos pixels dessa regio so multiplicados pelos valoresdamscara,essesvaloressosomadoseoresultadoserovalordopixelcentralda mscara. A Figura 15 mostra a convoluo sendo aplicada no primeiro pixel de uma imagem. O resultadofinal de toda a operao ser armazenadoemuma matriz demesmasdimensesquea imagem original (MARQUES FILHO; VIEIRA NETO, 1999). Abaixo um exemplo de convoluo: 36 Seja a imagem dada por: 58346237 32119510 09530483 42721906 97980424 52184109 18549238 37123446 E seja a mscara a seguir: 21 0 11 -1 0-1-2 A operao de convoluo bidimensional produzir como resultado a matriz: 2010 226 23 6 9 418 1 -8 2 7 3 3 -1114 22 5 -1 9 -2 8 -129 219 -9 10 12 -9 -921 1 16 -1 -3 -4 2515 -9 -37 -6 1 17 921 9 1 6 -2 -1 23 29 -5 -25 -10 -12 -15 -1 -12 37 Figura 15 - Primeiro pixel da imagem tendo seu valor alterado pela operao de convoluo FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 36 1.4.4. Limiarizao (Thresholding). Alimiarizaoumatcnicausadaparasepararasregiesdeumaimagem,comessa tcnicapossvelsepararofundodeumaimagemdeumdeterminadoobjeto.Comoa limiarizaoproduzumaimagembinriacomosada,oprocessotambmpodeserdenominado como binarizao. A limiarizao pode ser aplicada convertendo os pixels cujos tons de cinza so maiores ou iguais a um valor de limiar (T). A Figura 16 ilustra o funcionamento da limiarizao. Por exemplo, se uma imagem tiver 255 tons de cinza e for aplicada a operao limiarizao com limiar128nessaimagem,todosospixelscomtonsmenoresque128receberoovalor0eos pixels com tons maiores recebero o valor 255 (MARQUES FILHO; VIEIRA NETO, 1999). Figura 16 - Imagem original esquerda e aps operao de limiarizao direita 38 1.4.5. Suavizao de imagens no domnio espacial Os filtros de suavizao so utilizados para borramento e reduo de rudo. O objetivo da suavizao tornar os valores dos pixels de uma imagem mais homogneos, assim se o nvel de cinzade um pixel formuito diferente dos pixelsde sua vizinhana seus valores seroalterados.Com a suavizao utilizada no pr-processamento, pequenos detalhes da imagem so removidos antesdaextraodeobjetos(grandes)etambmsoconectadaspequenasdescontinuidadesem linhas ou curvas. Na suavizao pode ser utilizada simplesmente a mdia dos pixels contidos na vizinhana deumamscaradefiltragem,essatcnicapodeserchamadadefiltrodemdiaoufiltropassa-baixa. Um modo simples de implementar um filtro de mdia construir uma mscara 3 x 3 com todosseuscoeficientesiguaisa1,dividindooresultadodaconvoluoporumfatorde normalizao,nestecasoiguala9.AFigura17(a)mostraumamscara3x3,enquantoas Figuras 17(b) e 17(c) ilustram o mesmo conceito, aplicado a mscaras 5 x 5 e 7 x 7. Ao escolher o tamanho damscara necessrio levar em considerao que quanto maior a mscara, maior o graudeborramentodaimagemresultantecomoilustradonaFigura18(MARQUESFILHO; VIEIRA NETO, 1999). Figura 17: Mscaras para clculo de mdia: (a)3x3; (b)5x5; (c)7x7 FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 85 39 Figura 18 - (a) Imagem original; (b)-(f) resultados da aplicao do filtro da mdia com mscara de dimenses n x n, n = 3, 5, 7, 17, 317x7 FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 87 40 1.4.6. Filtro passa-alta Oobjetivodafiltragempassa-altarealardetalhesfinosnaimagemremovendoas partes homogneas e deixando passar os pixels com tons de cinza diferentes de sua vizinhana. Esse tipo de filtragem tambm utilizado para deteco de bordas, o que ser comentado naprximaSeo1.5.AFigura19mostraofiltropassa-altabsicocomumamscara3x3 projetando uma mscara com pixel central positivo e todos seus oito vizinhos negativos. A soma algbricadoscoeficientesdestamscarazero,oquefazcomqueasregieshomogneasde uma imagem fiquem com valor zero ou um valor muito baixo. A Figura 19 ilustra a aplicao da mscara da Figura 20 em uma imagem. Figura 19 - Passa-alta bsico FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 96 Figura 20 - (a) Imagem original; (b) imagem aps filtragem passa-alta com a mscara da Figura 19 41 1.5. Morfologia matemtica O principio bsico da morfologia matemtica consiste em extrair as informaesrelativas geometria e topologia de um conjunto desconhecido (uma imagem), pelatransformao atravs de outro conjunto completamente definido, chamado elementoestruturante ( MARQUES FILHO; VIEIRA NETO, 1999, p. 139). Como dito no trecho acima atravs dacomparao da imagem original com outramenor denominadaelementoestruturanteamorfologiamatemticautilizadaparaextrairinformaes de uma imagem, e pode ser aplicada em vrias reas do processamento digital de imagens, como realce, filtragem, segmentao, deteco de bordas, esqueletizaoe afinamento. Aseguir sero mostradas algumas tcnicas que envolvem morfologia matemtica, sendo a dilatao e a eroso a base para a maioria das operaes de morfologia matemtica. 1.5.1.Eroso Sendo A e B conjuntos de Z2, a eroso de A por B, indicada por AB, definida como: A B = {z|(B)z A] Essa equao indica que a eroso de A por B o conjunto de todos os pontos z de forma que B, transladado por z, est contido em A. O conjunto B considerado o elemento estruturante (GONZALEZ;WOODS,2010).Emoutraspalavrasaerosoconsistebasicamenteno deslocamentolineardecadapixeldecoordenadas(X,Y)nahorizontale/ouverticaldoelemento estruturantesobreumaimagem,talqueaodeslocaroelementoestruturantesobremsomenteos pixels da imagem original que estejam totalmente encaixados no elemento estruturante. A Figura 21 mostra exemplos de eroso, e a Figura 22 mostra a eroso em uma imagem com caracteres. 42 Figura 21 - Exemplo de ErosoFONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 143 Figura 22 - Exemplo de eroso utilizando o elemento estruturante Bx em uma imagem com caracteres. 43 1.5.2.Dilatao Sendo A e B conjuntos de Z2, a dilatao de A por B, indicada por AB, definida como:A B = {z|(B)z A] A dilatao de A por B , ento o conjunto de todos os deslocamentos, z, de forma que B e Asesobreponhampelomenosporumelemento(GONZALEZ;WOODS,2010).SendoBo elemento estruturante e A uma imagem, outra forma de explicar a dilatao seria o deslocamento lineardecadapixeldecoordenadas(X,Y)nahorizontale/ouverticaldoelementoestruturante sobre uma imagem, onde os pixels que so interceptados pelo elementoestruturante so acesos. AFigura23mostraumexemplodedilatao,eaFigura24adilataoemumaimagemcom caracteres. Figura 23 - Exemplo de dilataoFONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 142 44 Figura 24 - Exemplo de dilatao utilizando o elemento estruturante Bx em uma imagem com caracteres. 1.5.3.Abertura e Fechamento Comovistonasseesanterioresadilataoexpandeosobjetosdaimagemenquantoa eroso encolhe. Outras duas operaes importantes da morfologia matemtica so a abertura e o fechamento.Aaberturaemgeralsuavizaocontornodeumaimagemeeliminasalinciasfinas, enquanto o fechamento funde descontinuidades estreitas e alongadas, elimina pequenos buracos e preenche as lacunas em um contorno. Aabertura deum conjunto Apor um elemento estruturante B, denotada A B definida como: A B = (AB)B Issosignificaqueaaberturanadamaisqueumaerososeguidadeumadilatao.A Figura 25 mostra um exemplo de abertura utilizando um elemento estruturante circular. 45 Figura 25 - Exemplo de abertura utilizando um elemento estruturante circular FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 145 J o fechamento, umadilatao seguida de uma eroso,como pode ser visto naFigura 26 um exemplo de fechamento utilizando um elemento estruturante circular. O fechamento de um conjunto A por um elemento estruturante B, denotado A B definido como: A B = (AB)B Figura 26 - Exemplo de fechamento utilizando um elemento estruturante circular FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 145 46 1.5.4.Esqueletizao Aesqueletizaoumpr-processamanto,preparandoaimagemparaoutros processamentos.Oesqueletomorfolgicotemcomoobjetivooafinamento,encontrandoa estruturainternadedeterminadoobjeto.Ousodetodosospixelsdeumobjetoencareceasua classificao no processo de identificao. Uma maneira de amenizar os custos de processamento procurar um conjuntode caractersticas nicas, ouformageomtrica, que pode ser usado para identificaroobjeto,representandosuaestruturabsicaouesqueleto(MIRANDA,2006).A Figura 27 mostra um exemplo de esqueletizao. Figura 27 - Exemplo de esqueletizao da imagem FONTE: MIRANDA, 2006, p. 226 O esqueleto por afinamento pode ser representado pela equao: Sn (A) = (A nE) que representa a n-sima eroso do objeto A pelo elemento estruturante E.O algoritmo apresentado para a esqueletizao o algoritmo de Stentiford. Ele utiliza uma sriedemscaras3x3mostradasnaFigura28.Quandohumcasamentoentreamscaraeos pixels da imagem, ento o pixel central atribudo um valor branco, conforme o algoritmo: 1.Encontrarumpixel(i,j)ondeospixelsdaimagemseencaixemnamscaraM1 (Figura 29). 2.Se o pixel central no for um ponto terminal, e tiver conectividade 1, marcar este pixel para ser retirado. 3.Repetir os passos 1 e 2 para todos os pixels que se encaixem na mscara M1. 4.Repetir os passos 1,2 e 3 para as mscaras M2, M3 e M4. 47 5.Retirar os pixels marcados, mudando seu valor para branco. 6.Se algum pixel foi retirado no passo 5, repetir todos os passos anteriores , seno parar. Figura 28: Mscaras para o algoritmo de esqueletizaoFONTE: MIRANDA, 2006, p 223 Ospixelsespecificadosnasmscarascomopretoebrancodevemcorresponderapixels de mesma cor na imagem. O valor X indica lugares onde a cor do pixel no importa. A imagem deveserpercorridabuscandoacoincidnciacomcadaformatodemscara.Essasmscaras devem ser percorridas na imagem da seguinte forma: M1 da esquerda para a direita e de cima para baixo;M2 de baixo para cima e da esquerda para a direita;M3 da direita para a esquerda e de baixo para cima;M4 de cima para baixo e da direita para a esquerda; 1.6. Segmentao de imagens A segmentao um passo importante para conseguir extrair atributos de uma imagem. Esse passo responsvel por subdividir uma imagem em regies que a compe, mas o nvel de detalhe depende do problema a ser resolvido. A segmentao de imagens no uma tarefa simples, sendo umas das tarefas mais difceis no processamento digital de imagens. A preciso da deteco determina o sucesso ou o fracasso final dos procedimentos de anlise computadorizada. 48 Osalgoritmosdesegmentaopodembaseadosemmudanasbruscasdeintensidade,como as bordas e diviso de imagens em regies que sejam semelhantes de acordo com um critrio pr-definido.Asegmentaotambmpodeseralcanadacomacombinaodemtodosde categorias diferentes (GONZALEZ; WOODS, 2010). 1.6.1. Deteco de pontos isolados O filtro passa-alta bsico comentado na seo anterior pode ser utilizado para deteco de pontos isolados, pois essa formulao simples mede as diferenas entre um pixel e sua vizinhana de 8. Assim a intensidade de um ponto isolado ser muito diferente da sua vizinhana e portanto, ser facilmente detectvel por essa mscara (GONZALEZ; WOODS, 2010). 1.6.2. Deteco de linhas Emumaimagempodemexistirvriaslinhas,orientadasa0,+45,-45,e90,essas linhaspodemserdetectadascomumamscaraespecfica.AFigura29ilustraessasmscaras. Nessasmscarasasomadeseuscoeficientestambmzero,comonadetecodepontos isolados,indicandoumarespostanulaemreasdeintensidadeconstante(GONZALEZ; WOODS, 2010). Figura 29 - Mscaras para deteco de linhas sendo (a) Horizontal; (b) Vertical; (c)-45; (d)+45FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 37 49 1.6.3. Deteco de bordas SegundoMARQUESFILHOeVIEIRANETO(1999)otemadetecodebordas(edge detection)umtemaemaberto,poisumdesafioparaospesquisadoresdareade Processamento de Imagens h muitos anos. Abordapodeserdefinidacomofronteiraentreduasregiescujosnveisdecinza predominantessodiferentes.PRATT(1991)defineumabordadeluminosidadecomouma descontinuidade na luminosidade de uma imagem. ExemplosdemscarasdedetecodebordassoosoperadoresdeRoberts,Sobel, PrewitteFreis-Chen,mostradosnaTabela3.AFigura30ilustraorealcedebordasutilizando essas mscaras. Tabela 3 - Mscaras para deteco de bordas OperadorVerticalHorizontal Roberts00-1-100 010010 000000 Sobel10-1-1-2-1 20-2000 10-1121 Prewitt10-1-1-1-1 10-1000 10-1111 Frei-Chen10-1-1-2-1 120-2 1000 2+210-12+2121 50 Figura 30- Imagem original, realce de bordas utilizando os operadores de Prewitt horizontal e vertical e realce de bordas utilizando os operadores de Sobel horizontal e vertical respectivamente FONTE: MARQUES FILHO; VIEIRA NETO, 1999, p. 38 51 Captulo 2. Sistemas de Reconhecimento de placas de Veculos Esse captulo tem o objetivo de mostrar o que um Sistema de Reconhecimento de Placa deVeculos,quaissoasmedidasutilizadasetiposdeplacasutilizadosatualmenteequais empresas prestam esse tipo de servio.

2.1.Sistema de Placas de Identificao de Veculos AsplacasdeidentificaodeveculosnoBrasilsoemitidaspelosdepartamentosde trnsito(DETRAN)edecadaunidadedaFederao.Em15demarode2007foicriadaa resoluo231peloCONTRAN,especificandovriosdetalhesdasplacasveiculares.Essaseo ir abordar os modelos de placas e suas especificaes. 2.1.1. Modelos de Placas

De acordo com a resoluo 231 de 15 de maro de 2007, cada veculo dever conter duas placas,umaplacadianteiraeumaplacatraseira,contendo7caracteres,sendoeles3letras, variando de A a Z e permitindo repetio , e 4 dgitos, esses sendo na base decimal, variando de 0 a 10, e tanto traseiras, quanto dianteiras devero conter uma tarja com o nome do municpio e a unidade de federao. Asplacasexcepcionalizadasdeveroconter,gravadosnastarjasouemespao correspondente na prpria placa, os seguintes caracteres: veculos oficiais da Unio: B R A S I L;veculos oficiais das Unidades da Federao: nome da Unidade da Federao;veculos oficiais dos Municpios: sigla da Unidade da Federao e nome doMunicpio. AsplacasdosveculosautomotorespertencentesaMissesDiplomticas,Reparties Consulares, Organismos Internacionais, FuncionriosEstrangeiros Administrativos de Carreira e aosPeritosEstrangeirosdeCooperaoInternacionaldeveroconterasseguintesgravaes 52 estampadasnapartecentralsuperiordaplaca(tarjeta),substituindo-seaidentificaodo Municpio:

a) CMD, para os veculos de uso dos Chefes de Misso Diplomtica;b) CD, para os veculos pertencentes ao Corpo Diplomtico;c) CC, para os veculos pertencentes ao Corpo Consular;d) OI, para os veculos pertencentes a Organismos Internacionais;e)ADM,paraosveculospertencentesafuncionriosadministrativosdecarreira estrangeirosdeMissesDiplomticas,RepartiesConsulareseRepresentaesdeOrganismos Internacionais; f) CI, para os veculos pertencentes a perito estrangeiros sem residncia permanente que venham ao Brasil no mbito de Acordo de Cooperao Internacional. De acordo com a revista Super Interessante (2004) em 1990 foi definido que os caracteres das placas, tanto as letras quanto os nmeros esto relacionados com o local de emplacamento do mesmo,faixasdeplacasporestado,comovisto naTabela4abaixo.Pormpodem-seencontrar placascomafaixaeoestadotrocados,issoacontecequandoseemplacaumveculoeo proprietrio troca de localidade, ento trocado apenas o nome do municpio e do estado. 53 Tabela 4 - Faixas de placas por estado EstadoSrie InicialSrie Final ParanAAA-0001BEZ-9999So PauloBFA-0001GKI-9999Minas GeraisGKJ-0001HOK-9999MaranhoHOL-0001HQE-9999Mato Grosso do SulHQF-0001HTW-9999CearHTX-0001HZA-9999SergipeHZB-0001IAP-9999Rio Grande do SulIAQ-0001JDO-9999Distrito FederalJDP-0001JKR-9999BahiaJKS-0001JSZ-9999ParJTA-0001JWE-9999AmazonasJWF-0001JXY-9999Mato GrossoJXZ-0001KAU-9999GoisKAV-0001KFC-9999PernambucoKFD-0001KME-9999Rio de JaneiroKMF-0001LVE-9999PiauLVF-0001LWQ-9999Santa CatarinaLWR-0001MMM-9999ParabaMMN-0001MOW-9999Esprito SantoMOX-0001MTZ-9999AlagoasMUA-0001MVK-9999TocantinsMVL-0001MXG-9999Rio Grande do NorteMXH-0001MZM-9999AcreMZN-0001NAG-9999RoraimaNAH-0001NBA-9999RondniaNBB-0001NEH-9999AmapNEI-0001NFB-9999GoisNFC-0001NGZ-9999 54 Na resoluo 231 de 15 de maro de 2007, existe uma tabela de cores identificando quais os modelos de placas de veculos existentes no pas e suas respectivas cores como mostrado na Tabela 5. A Tabela 6 mostra os cdigos de cores RAL usados nas placas. Tabela 5 - Cores das Placas CATEGORIA DO VECULO CORPLACA E TARJETAFUNDOCARACTERESParticularCinzaPretoAluguelVermelhoBrancoExperincia/FabricanteVerdeBrancoAprendizagemBrancoVermelhoColeoPretoCinzaOficialBrancoPretoMisso Diplomtica AzulBrancoCorpo ConsularAzulBrancoOrganismo InternacionalAzulBrancoCorpo DiplomticoAzulBrancoOrganismo Consular/InternacionalAzulBrancoAcordo Cooperao Internacional :AzulBrancoRepresentaoPretoDourado Tabela 6 - Codificao das Cores CORCDIGO RALCINZA 7001 VERMELHO 3000 VERDE 6016 BRANCA 9010 AZUL 5019 PRETA 9011 55 2.1.2. Especificaes tcnicas das placas Deacordocomaresoluo231de15demarode2007asdimensesdasplacasdos veculosdevemterumalargurade400milmetrosealturade130milmetroscomomostraa Figura 31. Figura 31 - Dimenses de uma placa de veculo FONTE: Contran; resoluo 231 de 15 de maro de 2007; p. 9 Paramotocicletasasplacasdeidentificaodevemterumalargurade187milmetrose altura de 136 milmetros conforme mostra a Figura 32. 56 Figura 32 - Dimenses de uma placa de motocleta FONTE: Contran; resoluo 231 de 15 de maro de 2007; p. 9 Os caracteres das placas tambm devem seguir um padro, sendo 63 milmetros de altura comespessurade10milmetrosparaveculos,e42milmetrosdealturae6milmetrospara motocicletas. A Tabela 7 mostra a altura dos caracteres em milmetros para veculos e a Tabela 8 para motocicletas. Tabela 7 - A altura dos caracteres em milmetros para veculos ABCDEFGHIJKLMNOPQRS 54444443404045451036494054474544514646 TUVWXYZ1234567890 4445494949474018363740363636383636 Tabela 8 - A altura dos caracteres em milmetros para motocicletas ABCDEFGHIJKLMNOPQRS 3630303027273030625332736323030353131 TUVWXYZ1234567890 3030333333322712242527242424262424 Os caracteres seguem o padro da Figura 33 de fonte usando a fonte Mandatory. 57 Figura 33 - Padro dos caracteres na fonte Mandatory FONTE: Contran; resoluo 231 de 15 de maro de 2007; p. 5 2.2.ConceitosdeumSistemadeReconhecimentodePlacasde Veculos EssaseobuscamostraroqueumSistemadeReconhecimentodePlacas,quaisso seuscomponentes,seuspassosfundamentais,suasutilidades,quaispesquisasrealizadasparaa identificao de placas e quais empresas desenvolvem o sistema. 2.2.1.Componentes de um Sistema de Reconhecimento de Placas de Veculos Como descrito pelo DCA da Unicamp (2006) um Sistema de Reconhecimento de Placas de Veculos, ou SRPLV como chamado, composto pelos seguintes itens: Sensor de presena (capacitivo, indutivo, etc); Cmeradevdeo(analgicaoudigital);caboparatransmissodesinaldevdeoda cmera ao computador; Computador(comportaUSBouIEEE1394paracmerasdigitais;oucomplaca digitalizadora de vdeo para cmeras analgicas); Software (programa de computador) de SRPLV. 58 Detodosessesitensoprincipalcomponentedestesistemaosoftware.Poiseleque identifica o veculo atravs da imagem obtida pela cmera de vdeo. OfuncionamentodessesitensemconjuntosegundooDCAdaUnicamp(2006)comea quando um veculo passa pelo sensor de presena, ento acmera de vdeo capturaa imagem e envia ao computador. Oprximo itemaentrarem ao o software, processando a imagem do veculoembuscadaplacadelicenciamentoveicular.Osoftwareprimeirocorrigeeventuais distores da imagem essa etapa pode ser chamada de pr-processamento, em seguida separa os caracteres da placa, etapa que pode ser chamada de segmentao, e identifica cada caractere.O software , aps o reconhecimento dos caracteres, para que possa buscar informaes do condutor,oualgumasituaoilegaldoveculopoderiaestarinterligadocomosistema RENAVAM,quesegundooDETRAN(1990)umsistemacompostoporumabasecentral (BIN)epeloscadastrosinformatizadosdetodososestados,interligadosatravsdeumarede nacionaldecomputadores,comoobjetivodeintegrarinformaessobreveculos,tornando-as disponveis em todo o territrio nacional, atravs da ligao da BIN s bases de dados estaduais. 2.2.2. QuaissoasaplicaesdeumSistemadeReconhecimentodePlacasde Veculos Essesistemapodetermuitasaplicaesesercitadooquealgumasinstituiesquej fizeram esse projetoe algumasempresas que vendemesseproduto descrevemcomo sendo uma rea em que esse produto pode ser aplicado. Segundo o DCA da Unicamp (2006) as principais reas de aplicao so: Fiscalizao: infrao de trnsito e sinistro em outro veculo.Controledeacesso:identificarcadaveculonaentradaesadaem estacionamentos, identificao do veculo em praas de pedgio para posterior cobrana da tarifa, autorizar a entrada de veculos em locais de restrito acesso.MonitoramentodoTrfego:calcularotempoevelocidadedoveculono percurso,detectarquandoumveculoparaemumtrechodarodoviaacionandooserviode socorro. IdentificaodeVeculoRoubado:comunicaraorgocompetenteoroubode um veculo. 59 AempresaSOFTVAIRESutilizaessesistematambmembalanaseletrnicas,ondea pesagem e o monitoramento de possveis irregularidades na frota de veculos podem ser teis s administradorasderodoviasnacionais.JaempresaTECNIMAincluiosistemanareade controle de frotas e de cargas, monitorando a circulao de containeres e nibus urbanos atravs daidentificaoautomticadeseqnciasdenmerose/ouletrasafixadosnosmesmos, independentemente de suas dimenses. 2.2.3. PassosnoprocessamentodeumSistemadeReconhecimentodePlacasde Veculos OprocessamentoemumSistemadeReconhecimentodePlacasdeVeculospodeser divididoemvriosmdulos.OsistemaLooKardoDCAdaUnicamp(2006)divididoem5 mdulos : Pr-processamento:converteasimagensemescalasdecinzautilizandoosistemade cores YIQ. LocalizaodaPlaca:Utilizaaspropriedadesdecorecontrastejuntocomparteda geometriadoscaracteres,paraencontrarasregiescandidatasateremaplacade licenciamento veicular EnquadramentodaPlaca:retirarpartesdoveculoquevieramjuntodaplacanaetapa de Localizao da Placa, ecorreto enquadramento da placa e a correo da distoro de perspectiva. Separao dos Caracteres: enquadrar cada caractere para que o mesmo seja reconhecido no mdulo de Reconhecimento dos Caracteres. ReconhecimentodosCaracteres:classificarecompararocaractereaserreconhecido com todas as amostras. 60 2.2.4. Pesquisas realizadas para a identificao de placas No artigo de CONCIeMONTEIRO (2004) o objetivo o reconhecimento de uma placa emsi,semanecessidadedeencontr-lanafoto.Aabordagemdesseproblemadivididada seguinteforma:primeiraparteonderealizadoopr-processamentoutilizandotcnicasde binarizaoeeroso,segundapartequeprocuradarrtulosaoscaracteresutilizando segmentaodoscaracteresdaplacaatravsdeumaverificaodavizinhanaealtimaparte quebuscadarsignificadoaoscaracteresutilizandoumbancodedadosparacomparaodas caractersticas extradas nas outras etapas, esse banco de dados deve ser inicializado previamente com essas caractersticas.J a Dissertao de Mestrado de CARVALHO (2006) define o reconhecimento de placas em trs principais mdulos: localizao da placa, segmentao dos caracteres, e reconhecimento doscaracteres.Noprimeiromdulofeitaumabuscadasregiesquerepresentamaplaca.No segundo mdulo so segmentados os caracteres. No terceiro mdulo com cada um dos caracteres obtidos se faz o reconhecimento dos mesmos. Porm o trabalho de CARVALHO (2006) enfatiza a localizao de placas que segundo ele considerada como o estgio mais crucial no sistema de RP euma que vez que a placa foiencontrada,o resultado pode seralimentadonosegundoe terceiro mdulo. Nesse trabalho utilizada a tcnica de Morfologia Matemtica que segundo ele sediferenciadeoutrastcnicasondeoprincipalproblemasoascaractersticasusadasque dependem das diferenas de intensidade entre a placa e as cores do carro e que, portanto no so estveis, sendo gravemente influenciadas por iluminao, orientao da cmera, ou mudanas na cor do carro.EmseusistemaCARVALHO(2006)utilizaaplataformaMATLABemparalelocoma linguagemPythoncomotoolboxpymorph,deixandocomopropostaarealizaodeumestudo para otimizar as rotinas e a implementao em uma linguagem de mais baixo nvel e tambm que necessrio a integrao com algum trabalho de Reconhecimento de Caracteres de Automveis . Autilizaoderedesneuraisparalocalizaroscaracteresenfatizadanotrabalhode MUNIZ(2007)quecriaumsistemaemDELPHI7ondealocalidadedaplacarecortada manualmente para que seus caracteres alfanumricos sejam identificados automaticamente. A sua aplicao tambm dividida em fases, a primeira delas o pr-processamento, onde as tcnicas derealceaplicadasso:passaraimagemcoloridaparatonsdecinza,reduodaimagemque 61 consiste em diminuir a quantidade de pixels de uma imagem sem que haja perda significativa da informao nela contida, binarizao e vetorizao que so aplicados de forma simultnea, onde a binarizaoutilizadaparadiminuiodasescalasdecinzadaimagemeavetorizaoonde matrizdaimagemresultantedabinarizaotransformadaemumvetorparaquepossaser utilizado pelas redes neurais.Aps o pr-processamento aplicado o conceito de redes neurais, para que seja localizado na regio selecionada da imagem algum padro, ou seja, algum caractere da imagem com base no treinamentoquefoirealizado.Otreinamentoconsisteemadaptarospesos,gerados aleatoriamente, at que sejam obtidas respostas corretas em todos os padres. ComopropostadeumfuturotrabalhoMUNIZ(2007)comentaquenecessrioum algoritmoquelocalizeaplacaemumaimagemeretiredesta,automaticamente,oscaracteres para servir de entrada na rede. O artigo publicado por GUINDO, THOM e RODRIGUES (2002) procura fazer todas as etapas do processamento de imagens dividindo elas em: localizao da regio da placa, seleo e extrao da regio da placa, segmentao dos caracteres da placa, extrao das caractersticas dos caracteressegmentadosereconhecimentodoscaracteres.NesseartigoGUINDO,THOMe RODRIGUES (2002) se deparam com vrios problemas comoa segmentao de caracteres nem sempre conseguir separar todos os caracteres em sete arquivos distintos devido a baixa qualidade dasimagensutilizadas,outroproblemafoiqueosresultadosobtidossemostrarambastante abaixo do desejado, devido h alguns problemas nas imagens utilizadas que so: baixa qualidade geraldasfotosdisposio,dificuldadescomoiluminao,rudogeradopeloambiente(chuva, neblina, etc.) , problemas com as cmeras (falta de foco, localizao inadequada, ngulo de viso imprprio,etc.).Outrofatorparaosbaixosresultadosforamasconfusesqueocorrerammais freqentes entre os caracteres B, D e Oe entre os dgitos0 e 8.Isso aconteceu porque o exterior desses caracteres, seguindo a fonte utilizada na fabricao das placas, tem um desenho muito semelhante. NoartigodeSOUZAetal(2006)desenvolvidoumtrabalhodeotimizaodoalgoritmodeanlisedevariaotonalparaalocalizaodeplacasautomotivasemtempo real.Avariaotonalprocuralocalizaraimpressodigitaldaplacafazendoumavarredura seqencial na imagem. 62 Comosepodeobservar,osproblemasqueforamencontradosnostrabalhosouas propostasqueforamsugeridasparaprximostrabalhospelosautoressocomplementadosuns pelosoutros, como por exemplo,CARVALHO(2006) sugere um trabalho para completar o seu queasegmentaoereconhecimentodoscaracteres,essaapropostadeMUNIZ(2007)e CONCI e MONTEIRO (2004). 2.2.5. Empresas que desenvolvem o sistema AtualmenteexistemalgumasempresasquedesenvolvemoSistemadeReconhecimento de Placas de Veculos. Mas tambm existem instituies, alm das empresas, que desenvolveram o sistema ou projetos sobre o assunto. A Tabela 9 mostra alguns Sistemas de Reconhecimento de Placas de Veculos com base na pesquisa feita pelo DCA da Unicamp (2006). Tabela 9 - Sistemas de Reconhecimento de Placas de Veculos Instituio/EmpresaSistema/ProjetoNacionalidade UNICAMPLooKarBrasil MotorolaALPREstados Unidos PIPS TechnologyALPR products and servicesEstados Unidos SoftvairesSRPV Brasil CompuletraVistoriaProBrasil PONFACSistemaLeitordePlacas PONFAC Brasil TecnimaEVABrasil UFRGSSIAV 2.0Brasil CBPFSIAVBrasil Verde TecnologiaFamliaVD-100(VD-110e VD-120) Brasil HTSSeeCarIsrael AdaptiveRecognition Hungary CarmenHungria 63 Captulo 3. Inteligncia Artificial 3.1. Consideraes inicias Halgumtempoohomemprocuroumaneirasdedesenvolverumamquinaquepossa aprender. Com isso chegou-se em um modelo, esse chamado de rede neural, esse inspirado em nosso prprio crebro, esse que seja capaz de imitar um crebro em fase de aprendizado. Podemosconsideraressafasequandonosdeparamoscomalgonovo,algoqueno tnhamos conhecimento anterior, algo que teremos que nos dar. Imagine uma criana em fase de aprendizado, onde voc apresenta formas bsicas para a mesma, como por exemplo, um quadrado, um triangulo e uma estrela. A criana de primeiro no vai saber reconhecer as formas a ela mostrada, ento em um processo repetitivo, seu crebro treinado. Estetreinamentoconsisteemmostrarumaformaparaacrianaerotularamesma, seguindo os seguintes passos: 1 Mostra o quadrado 2 Fala o nome da forma Este procedimento repetido e aps uma determinada quantidade de treinamentos, faz a pergunta,Queformaesta?.Comissoacrianalhedararesposta,deformacorretaoude formaincorreta.Combaseanaresposta,treineacriananovamente,esteprocedimento repetido at que a taxa de acerto seja satisfatria. Este mesmo procedimento aplicado a uma rede neural artificial, j que o intuito de uma rede neural artificial imitar uma rede neural natural.DeacordocomHAYKIN(1999),ocrebrohumanoumsistemanolinear,paraleloe altamentecomplexo.Omesmoexecutaoperaesaltamentecomplexaseumespaodetempo muito curto. DeacordocomHAYKIN(1999),umaredeneuralartificialumarepresentao tecnolgica de outras disciplinas, como matemtica, neurocincia, estatsticas, fsica. 64 3.2. Introduo O que inteligncia artificial? umacinciafeitademaquinasinteligente,especialmenteprogramasdecomputadores inteligentes,similarausarcomputadoresparaentenderaintelignciahumana(MCCARTHY, 2007). 3.2.1. Conceito de Rede Neural DeacordocomHAYKIN(1999),Umaredeneuralumprocessadormassivoparalelo distribudo feito de simples unidades de processamentos que tem uma propenso para armazenar conhecimentos experimentais e disponibiliz-los para futuro uso. 3.3. Histrico DeacordocomMuniz(2007),oconceitoderedesneuraisteveinicioem1943,com McCulloch e Pitts, que sugeriram a construo de uma mquina, esta baseada no funcionamento de um crebro humano. Em1949,DonaldHebb,autordolivroTheOrganizationofBehavior,propsumalei para a maquina de McCulloch e Pitts. Snark foi o primeiro computador a sim