RECONOCEDOR DE MATRICULAS

1. RECONOCEDOR DE MATRICULAS Jesús Flores Aceras – Exp: 20211208 José Manuel Sánchez Lapiedra – Exp: 20214111 Marcos Zamarreño Juanas – Exp: 20517195

2. Índice • Introducción • Descripción del problema • Fases del proyecto • Principales algoritmos utilizados • Limitaciones del proyecto • Pruebas

3. 1. Introducción • El objetivo del proyecto es, mediante el procesado de una imagen, detectar y reconocer la matrícula de vehículos. • La información de entrada será una imagen del coche sin hacerse ninguna suposición de partida sobre el tamaño. • Este sistema tiene muchas aplicaciones prácticas como por ejemplo sistemas de facturación de parkings, control de tráfico en carreteras, y sistemas de seguridad de muchos tipos

4. 2. Descripción del problema • Se trata de identificar un conjunto de caracteres de color negro y de unas proporciones determinadas dispuestos sobre un rectángulo blanco. • Primero utiliza una serie de técnicas de manipulación de la imagen para detectar, normalizar y realzar la imagen del número de la matrícula, y finalmente realiza un reconocimiento óptico de caracteres (ocr) para extraer los elementos alfanuméricos de la matrícula.

5. 3. Fases del proyecto • Segmentación de la imagen -Filtrado de paso bajo -Umbralización -Localización de la matricula • Segmentación de los caracteres • Reconocimiento de caracteres

6. Imagen para pruebas

7. 4. Algoritmos utilizados • Filtrado de paso bajo : reducimos el ruido a partir del entorno de vecindad de cada pixel Creamos una imagen auxiliar del mismo tamaño que la imagen origen Recorremos la imagen origen -Para cada pixel, recorremos sus vecinos contándolos y sumando sus niveles de gris (incluyendo el propio pixel) -Calculamos la media (sumatorio de niveles de gris/nº pixeles vecinos) -Insertamos el resultado en la imagen auxiliar Devolvemos la imagen auxiliar

8. Ejemplo Filtro Pasa bajo & Niveles de Gris

9. Umbralización: nos permite separar lo que es fondo de lo que es imagen. En nuestro caso umbralizamos a 127. Creamos una imagen auxiliar del mismo tamaño que la imagen origen Recorremos la imagen origen -Para cada pixel leemos su nivel de gris si su nivel de gris es menor que 127 en la imagen auxiliar pondremos un 0 sino pondremos un 255 Devolvemos la imagen auxiliar

10. Ejemplo Umbralización

11. Localización de la matricula: busca rectángulos blancos y horizontales en la imagen Recorre la imagen columna a columna leyendo el nivel de gris de cada pixel. - Recorremos toda la imagen en vertical buscando puntos blancos consecutivos, se guardan los posibles puntos en una lista y el número de blancos consecutivos. - Desde cada punto de los anteriores buscamos líneas blancas horizontales permitiendo puntos negros consecutivos que indicarían la presencia de carácter y los guardamos. - Una vez que contamos con las dos líneas de puntos blancos dividimos la horizontal entre la vertical. Se el cociente esta entre 4.9 y 5.1 la añadimos a matricula.

12. Ejemplo Localización Matricula

13. Ocr (reconocimiento óptico de caracteres): nos permite extraer los caracteres de la imagen para posteriormente poder compararlo uno a uno con los patrones Recibe una matricula Recorremos el ancho de una matricula -para cada columna cuento los pixeles negros que tiene -si hay mas de 10 pixeles negros en una columna, almaceno esa columna -si hay mas de 5 columnas consecutivas almacenadas (habrá un numero), creo una imagen a partir de esas columnas -llamamos al método comparar que compara esta imagen con cada uno de los patrones -nos quedaremos con la comparación que mayor porcentaje de acierto tenga Devuelve un String con la matricula resultante

14. Reconocimiento de caracteres: compara dos imágenes devolviendo el porcentaje de acierto Recibe dos imágenes Redimensiona una de ellas de forma que ambas tendrán el mismo tamaño Recorre ambas imágenes comparando pixeles El porcentaje de igualdad de las imágenes sera igual al nº de pixeles iguales/nº de pixeles que tiene la imagen multiplicado por 100 Devuelve el porcentaje de igualdad

15. Ejemplo patrones

16. 5. Limitaciones del proyecto • El sistema reconoce matriculas españolas, de tipo europeo y de forma alargada. • Un resultado pobre de nuestro proyecto puede venir dado: -por una imagen lejana o por una cámara de baja calidad. -por imágenes desenfocadas (a menudo imágenes movidas) -por una mala iluminación o por sombras • En nuestros ejemplos las fotos han sido realizadas en lugares oscuros, a una distancia de un metro aproximadamente.

17. FIN