Procesamiento Digital de imágenes de uva de mesa para su

License Plate Detection using Neural Networks
Luis Carrera, Marco Mora
Les Fous du Pixel
Image Processing Research Group
Department of Computer Science
Catholic University of Maule
http://www.lfdp-iprg.net
Jose González, Francisco Aravena
TUTELKAN
http://www.tutelkan.com
4th International Workshop on Soft Computing Models in Industrial Applications
IWANN-SOCO 2009
Reconocimiento de matriculas
Descripción
El reconocimiento de matrículas (LPR) consiste en reconocer los caracteres de la
patente, usando una imagen de la zona frontal o trasera del vehículo
Etapas
•
•
•
•
Adquisición de la imagen
Localización de la patente
Segmentación de los caracteres
Reconocimiento de los caracteres
2
Localización de matriculas
Descripción
La localización consiste en localizar la región de la imagen donde se encuentra la
patente
Objetivo
Desarrollar un método robusto basado en redes neuronales para la localización
de patentes
3
Método para la localización de patentes
Método
• Adquisición y Preprocesamiento
– Imagen (RGB) de 320*240 pixeles
– Conversión a modo color HSV
– Selección del Canal V
• Clasificación mediante redes neuronales
– Clasificación de descriptores estadísticos de regiones
– Red neuronal MLP
– Clasificación múltiple
• Mejoramiento
– Operaciones Morfológicas
– Heurísticas de forma y tamaño
4
Algoritmo de Entrenamiento MLP
Desventajas MLP
• Baja velocidad de convergencia : Gradiente Descendiente
• Mala generalización:
Metodo Adoptado: Regularización Bayesiana
• Alta velocidad de convergencia : Levenberg-Marquart
• Buena generalización:
• Determinar número de neuronas capa oculta.
Efectos de la regularización
Sin Regularización
Con Regularización
Descriptores para caracterizar la patente
•
•
•
•
•
•
•
Media (m)
Desviación estándar (σ),
Medida de suavidad (R),
Tercer momento estadístico (µ3)
Medida de uniformidad (U)
Entropía (e).
Contraste z(min)/z(max).
7
Lo que piensa la mayoría !!!!
Se necesita tomar decisión compleja
1 experto – 1 opinión – poca información
varios expertos – varias opiniones – mas información
Como decidir mejor ?
Cual es lo correcto?
Clasificación múltiple
Ideas Claves
• Se basa en que zonas en la imagen sean analizadas más de una vez
• Se realizan varias clasificaciones, cada una de ellas con grillas que se encuentran
parcialmente desplazadas.
• Se determina la pertenencia de un pixel a la patente considerando el resultado mas
frecuente entre todas las imágenes binarias.
9
Etapas de mejoramiento de la clasificación
Etapas
• Erosión
• Heurísticas de forma y tamaño
• Dilatación
Resultado de la clasificación
múltiple
Resultado de la etapa de
mejoramiento
10
Etapa de erosión
Idea clave
• Desconectar regiones conexas
• Adelgazamiento de objetos
• Eliminación de objetos pequeños
Resultado de la clasificación
múltiple
Resultado de la etapa de
mejoramiento
11
Algoritmo para Heurísticas de forma y tamaño
Idea clave :
• A partir de las región de mayor tamaño
• Calcula el mínimo rectángulo que encierra la región
• Aplicación de heurística de forma
• Si no cumple heurística seguir con regiones de menor tamaño
Forma de rectángulos
de patente
Forma de rectángulos
de no patente
12
Etapa de dilatación
Idea clave
• Devolver el tamaño original de los objetos
13
Resultados acertados (95%)
14
Resultados erróneos (5%)
15
Conclusiones y trabajos futuros
Conclusiones
• Este paper ha presentado un nuevo método de detección de patentes basado
en un MLP.
• La clasificación múltiple ha contribuido a obtener un mejor resultado para la
segmentación de regiones de patentes
• Las operaciones morfológicas y heurísticas basadas en la forma y el tamaño de
la patente, mejoran los resultados de la segmentación
Trabajos futuros
• El estudio de nuevos descriptores para caracterizar la patente.
• Verificación de la región obtenida mediante otros criterios
– Análisis de la firma de la patente mediante proyección
• Proponer un esquema de reconocimiento basado en nuestro método de
localización
16
Agregando Nuevos Puntos de Vista
RN (1)
Fusion
RN (n)
Metodo
(1)
Metodo
(n)
Mejoramiento
Verificación
Resultados Recientes (sin publicar)
Localización de la Matrícula basado en Fusión
de Métodos
Transformación Morfológica 1: Top Hat
Resaltar Fondo de la Patente
(1) Imagen escala de grises
( 3) Imagen original - imagen resultante
(2) Erosión y Dilatación con mismo
SE línea horizontal (Apertura)
(4) Binarización
Transformación Morfológica 2 : Bottom- Hat
Resaltar Caracteres de la Patente
(1) Imagen Original
(3) Imagen Resultante - Imagen Original
(2) Dilatación y Erosión con mismo
SE- línea horizontal (Cierre)
(4) Binarización
Combinación Transformación 1 y 2
Entrega la información de región de patente
(1) Imagen Original
(3) Transformacion 2
(2) Transformacion 1
(4) Combinacion T1 y T2
Transformación Morfológica en Imagen Binaria
Entrega la información de región de patente
(1) imagen escala de grises
(2) Combinación T1 y T2
(3) Eliminación y relleno de regiones
Redes Neuronales y Métodos de morfología
Original
Redes Neuronales
Trans. Morfologicas
Fusion
Resultados