Reconocimiento Automático De Número De Patente

Transcript

Universidad Tecnológica Nacional Procesamiento Digital de Imágenes   Facultad Regional Buenos Aires, Departamento de Electrónica, Año 2011 RECONOCIMIENTO AUTOMÁTICO DE NÚMERO DE PATENTE Cuttitta J.C.1, De Giovanni G.1, Campos A.N.1,2 Universidad Tecnológica Nacional, Facultad Regional Buenos Aires, Dpto. de Electrónica. Instituto Nacional de Tecnología Agropecuaria, Instituto de Clima y Agua. RESUMEN Actualmente el incremento del parque automotor plantea la necesidad de sistemas que permitan identificar vehículos y el Reconocimiento Automático de Número de Patente (RANP) se plantea como una respuesta efectiva y de bajo costo. En el presente trabajo se plantea e implementa un sistema RANP basado en operaciones básicas del procesamiento digital. Como resultado, este sistema ha sido capaz de reconocer el 92% de las muestras. El algoritmo demanda un tiempo promedio de 2285.1 milisegundos, siendo la extracción de la región de patente responsable de un 85% de este tiempo. Se plantea como solución la implementación de este algoritmo en un sistema embebido.     I. INTRODUCCIÓN Actualmente existe un incremento en la producción de vehículos a nivel mundial (Kocer y Cevik, 2011). Particularmente en la Argentina, el parque automotor ha mostrado una ampliación del 327% en los últimos 20 años (ADEFA, 2010). Tal aumento conlleva de manera intrínseca la necesidad de desarrollar sistemas de control que permitan monitorear el tráfico (Jiao et al., 2009; Sirithinaphong y Chamnongthai, 2009), control de acceso en playas de estacionamiento (Gendy et al., 1997; Sirithinaphong y Chamnongthai, 2009), prevención de delitos (Gendy et al., 1997, Jiao et al., 2009), cobro de impuestos (Jiao et al., 2009), sistemas automáticos de multas y peajes (Smith y Benko, 2007) y otras aplicaciones. El alto número de vehículos en circulación exige descartar la opción de un control manual de vehículos basado en la percepción humana. Actualmente las técnicas más prominentes son la utilización de sensores inalámbricos (Sedighi y Vafadust, 2011) y el uso de imágenes digitales. El sistema de reconocimiento automático del número de patente (RANP) se basa en la utilización de imágenes digitales para la identificación de vehículos mediante la lectura de su patente, la cual es única por cada vehículo (Gendy et al., 1997; Sirithinaphong y Chamnongthai, 2009). Los sistemas de RANP se han visto particularmente favorecidos por la evolución de las cámaras digitales, las cuales incrementan su resolución espacial a un relativo bajo costo y con el ello la capacidad del reconocimiento de patrones. (Giannoukos et al., 2010; Sedighi y Vafadust, 2011). Todos los autores coinciden que un sistema RANP puede ser desglosado en tres etapas: i) extracción de la región de la patente, ii) segmentación de los caracteres y iii) reconocimiento de los caracteres (Gendy et al., 1997; Conci et al., 2009; Nomura et al., 2005; Giannoukos et al., 2010; Kocer y Cevik, 2011; Sedighi y Vafadust, 2011). Para la primer etapa los métodos más usados son la transformada de Hough la cual localiza el area de la patente por medio de la detección de líneas (Gendy et al., 1997). Para la segmentación de caracteres se han utilizado algoritmos morfológicos y análisis de componentes conectados (Kim et al., 2003). Finalmente en la etapa de reconocimiento de caracteres se han empleado redes neuronales entre otros métodos (Sirithinaphong y Chamnongthai, 2009). El objetivo de este trabajo fue desarrollar un algoritmo basado en técnicas básicas del procesamiento digital de señales que resulte eficiente en el RANP. Para tal tarea se propuso algoritmos de detección de bordes y filtrado morfológico para la extracción del área de la patente, filtrado según características espaciales para la segmentación de los caracteres, y finalmente una correlación espacial con elementos patrones para la identificación de cada uno de los caracteres. II. MATERIALES Y MÉTODOS II.1.- Datos utilizados Se obtuvieron 25 imágenes mediante una cámara fotográfica Sony Cyber-Shot Dsc W350. Las mismas se encuentran compuestas por tres bandas en la combinación RGB (Fig. 1). Al ser tomadas las fotografías, se minimizó la aparición de factores que puedan dificultar el procedimiento, como por ejemplo: humos, neblina, lluvia, variaciones de luminosidad, sombras y patentes en mal estado (Conci et al., 2009). También se evitó que la patente del vehículo se encuentre inclinada o parcialmente tapada. Cabe aclarar que en la Argentina las patentes se han unificado en el año 1995 Contacto: Universidad Tecnológica Nacional, Facultad Regional Buenos Aires, Departamento de Electrónica. Medrano 951, Ciudad Autónoma de Buenos Aires, Argentina. [email protected], gldg86@@yahoo.com.ar, [email protected]   Cuttitta J.C.,De Giovanni G.,Campos A.N. (2011) Página 2   siendo rectangulares, con caracteres blancos sobre fondo negro y utilizando tres letras y tres números para la denominación del vehículo. Luego, se halló los bordes de la imagen mediante un filtro de Sobel y se determinó el umbral óptimo de la imagen de bordes según su histograma y tomando la mediana. A continuación resaltamos la imagen haciendo una transformación morfológica Bottom-Hat (Ec. 1) y luego se binariza con el umbral hallado anteriormente. ABH = ( A • k ) − A Figura1. Ejemplos de imágenes utilizadas. donde A representa la imagen y k el elemento estructurante que en este caso se usó un rectángulo de diez pixeles de alto y cuatro de ancho. Con la imagen ya bi binarizada se procedió a identificar cual es el área en la que se encuentra ubicada la patente. Para tal tarea se realizó la siguiente secuencia de operaciones morfológicas: cierre (Ec. 2), apertura (Ec. 3) y dilatación (Ec. 4). II.2.- Metodología La metodología utilizada en este documento se encuentra esquematizada en un diagrama en bloques (Fig. 2). Imagen Original Escala Grises Redimensionamiento Binarización Filtrado Morfológico Segmentación de caracteres Reconocimiento de caracteres Figura 2. Diagrama en bloques de la metodología utilizada. Como primer paso se convirtió la imagen a escala de grises utilizando un promedio ponderado de las bandas RGB. Luego se redimensionó la imagen a 300x400 pixeles con el fin de utilizar el mismo tamaño en el análisis de todas las imágenes. Posteriormente, se recortó un 25% de cada imagen en su parte superior e inferior y un 12,5% en ambos laterales, logrando con esto eliminar zonas sin información. Procesamiento Digital de Imágenes   (1) B = ( A • k ) = ( A ⊕ k )Θk (2) C = ( B o k ) = ( BΘk ) ⊕ k (3) D = (C ⊕ k ) (4) donde A es la imagen, K es el elemento estructurante que se utilizó anteriormente, ⊕ es la operación de dilatación, Θ es la operación de erosión, B y C son productos intermedios del algoritmo y D es la imagen con el filtro morfológico. Una vez determinada la ubicación de la patente en la imagen, se seleccionaron las coordenadas y se recortó la patente de la imagen original. Se redimencionó y binarizó la imagen para poder hacer la segmentación de los caracteres. Inmediatamente, se procedió a la segmentación de cada carácter de la placa. Cada carácter se redimensionó al tamaño de las imágenes de los caracteres patrón para poder efectuar el reconocimiento. La identificación de cada carácter se efectuó mediante su comparación con los caracteres patrón utilizando la función de correlación (Ec. 5). ∑(A min corr = − Amed )( Bmin − Bmed ) m,n ∑(A min m,n − Amed ) 2 •∑ ( Bmin − Bmed ) 2 (5) m ,n donde A y B son las imágenes a correlacionar, y se toman sus valores mínimos y medios. En los casos en los cuales el máximo de la correlación no superó el 80%, se invalidó la detección del carácter y se le colocó un asterisco. Dpto. de Electrónica, FRBA - UTN Cuttitta J.C.,De Giovanni G.,Campos A.N. (2011) Página 3   III. RESULTADOS Y DISCUSIÓN El resultado de la aplicación de la metodología propuesta para la detección del área donde se encuentra la patenta se muestra con un ejemplo en la figura 2. También se muestra un ejemplo del reconocimiento de un carácter en la figura 3. Figura 3. Ejemplo de correlación espacial entre un carácter detectado en la placa y las letras A y P. La metodología propuesta se implementó mediante un script elaborado en MATLAB® y se ejecutó sobre un sistema operativo Ubuntu 10.04 montado en un microprocesador Intel CoreTM i5 de 2.53 GHz, con 3GBytes de RAM. En la Tabla I se detalla el tiempo de procesamiento divido según las operaciones efectuadas en las 25 imágenes. Tabla I. Tiempos medios y desvíos estándares de la ejecución del algoritmo RANP. Las etapas son extracción de la patente, segmentación de los caracteres y reconocimiento de los caracteres. Todos los tiempos se encuentran expresados en milisegundos. Etapa Extracción Segmentación Reconocimiento 1942.2 284.4 58.5 t ds(t ) Figura 2. Secuencia para detección de la placa patente. a) imagen original, b) imagen original recortada, c) gradiente de Sobel, d) Botton-Hat, e) umbral optimo, f) cierre, apertura y dilatación, y g) placa patente que se extrajo. 150 6.4 0.8 Del total de las imágenes sometidas en este trabajo se detectaron fallas en el 8%. En tales casos se atribuyó la falla al ángulo en el cual fue tomada la imagen, lo cual imposibilitó que la correlación entre los caracteres no llegara al 80% En estos mismos casos, se confundió la letra N con la W y la letra J con el I. IV. CONCLUSIONES Se ha presentado un método basado en técnicas simples para efectuar el RANP. El resultado fue satisfactorio puesto que el 8% de error se produjo por no contemplar el ajuste automático de contraste ni la corrección angular. Es importante tener en cuenta que la patente esté ubicada en el centro de la imagen y el frente del vehículo ocupe al menos el 70 % del total de la imagen. Procesamiento Digital de Imágenes   Dpto. de Electrónica, FRBA - UTN Cuttitta J.C.,De Giovanni G.,Campos A.N. (2011) Página 4   En trabajos futuros se planteará una corrección geométrica en el caso de patentes inclinadas y ajustes automáticos de luminosidad. Si se quisiera utilizar esta metodología en forma comercial, es necesario portar el código elaborado en MATLAB® a un dispositivo embebido (por ejemplo, un procesador digital de señales). Al realizar tal tarea, se reducirán notablemente los tiempos de ejecución. V. REFERENCIAS ADEFA. 2010. http://www.adefa.com.ar/. Última visita: Julio de 2011. Conci A., de Carvalho J.E.R., Rauber T.W. 2009. A Complete System for Vehicle Plate Localization,Segmentation and Recognition in Real Life Scene. IEEE Latin America Transactions 7(5), 497-506. Erdinc Kocer H., Kursat Cevik K. 2011. Artificial neural networks based vehicle license plate recognition. Procedia Computer Science 3, 1033–1037. Giannoukos I., Anagnostopoulos C.K., Loumos V., Kayafas E. 2010. Operator context scanning to support high segmentation rates for real time license plate recognition. Pattern Recognition 43(11), 3866–3878. Gendy S., Smith C.L., Lachowicz S. 1997. Automatic car registration plate recognition using fast Haugh Transform. Proceedings of the Institute of Electrical and Electronics Engineers, 209 -218. Jiao J., Ye Q., Huang Q. 2009. A configurable method for multi-style license plate recognition. Pattern Recognition 42(3),358-369. Kim K.B., Jang S.W., Kim C.K. 2003. Recognition of Car License Plate by Using Dynamical Thresholding Method and Enhanced Neural Networks. Lecture Notes in Computer Science 2765, 309-319. Sedighi A., Vafadust M. 2011. A new and robust method for character segmentation and recognition in license plate images. Expert Systems with Applications 38(11). 1349713504. Sirithinaphong T., Chamnongthai K. 2009. The recognition of car license plate for automatic parking system. Fifth International Symposium on Signal Processing and Its Applications, ISSPA (1), 455–457. Procesamiento Digital de Imágenes   Dpto. de Electrónica, FRBA - UTN