Download Presentacion Final Rivera

Segmentación de imágenes de placas vehículares
usando técnica de crecimiento de regiones
PC
BD
Alexandra Buri H.
José Rivera De La Cruz.
Facultad de Ingeniería en Electricidad y Computación
Escuela Superior Politécnica del Litoral – ESPOL
Guayaquil – Ecuador
1
ESQUEMA GENERAL ANPR
2
JUSTIFICACIÓN DEL PROYECTO

Control de acceso a parqueaderos

Control de peaje
3
JUSTIFICACIÓN DEL PROYECTO

Control de velocidad

Tráfico vehicular
4
CONTENIDO
1. Introducción
1.1 ANPR
1.2 Segmentación
1.2.1 Técnicas
1.2.2 Análisis de técnicas
2. Implementación de la solución:
algoritmo de segmentación
3. Resultados Experimentales
5
4. Conclusiones y
Recomendaciones
1.1 INTRODUCCIÓN: SISTEMAS
ANPR
 Es
un método de vigilancia en masa que
utiliza
reconocimiento
óptico
de
caracteres en imágenes para leer
matrículas de los vehículos.
Imagen Entrada
Detección
Normalización
Segmentación
6
OCR
Imagen Salida
1.2 Segmentación
 La
segmentación es el proceso que
divide una imagen en regiones cuyos
píxeles poseen atributos similares, por
ejemplo,
intensidad,
textura,
movimiento.
Imagen Entrada
Imagen Salida
7
1.2.1 Técnicas de Segmentación
8
1.2.1 Segmentación: Técnicas
 Por
discontinuidad: Es la division
de la imagen según cambios
abruptos del nivel de gris.
 Por
similitud: Compara grupo de
píxeles considerando como región a
cada grupo de ellos que tienen
propiedades similares.
9
1.2.1 Segmentación: Técnicas
 Detección
de puntos: Es un
método muy simple basado en la
aplicación de una mascara centrada
en el pixel a analizar.
Segmentación por detección de puntos
10
1.2.1 Segmentación: Técnicas
 Detección
de líneas: Se usan
diferentes
máscaras
según
la
dirección se desee identificar.
Segmentación por detección de líneas a 45 °
11
1.2.1 Segmentación: Técnicas
 Detección
de Bordes: Un borde dentro
de una imagen es considerado un tipo de
discontinuidad por lo que este puede ser
detectado usando derivadas de primer y
segundo orden.
Segmentación por detección de bordes
12
1.2.1 Segmentación: Técnicas
Técnica
Método
Ventajas
Inconvenientes
Detección de
puntos.
Es bastante simple.
Solo valida para
puntos.
Detección de
líneas.
Es bastante simple.
Detección de
discontinuidad
Detección de
Bordes
Es bastante
simple..
Existen varios
operadores.
Solo valida para
líneas.
Usa diferentes
mascaras en
función de la
dirección.
Es sensible al
ruido.
Presenta ruido en
determinadas
direcciones según
el operador.
13
1.2.1 Segmentación: Técnicas
 Procesado
local: Analiza zona de
pixeles con propiedades parecidas y
une dicha regiones formando un
borde continuo.
Segmentación por procesado local
14
1.2.1 Segmentación: Técnicas
 Transformada
de Hough: Permite
detectar curvas en una imagen.
Segmentación por transformada de Hough
15
1.2.1 Segmentación: Técnicas
 Seguimiento
de contorno: Se busca la
unión de bordes a través del camino mas
óptimo entre los elementos del grafo.
16
1.2.1 Segmentación: Técnicas
Técnica
Unión de bordes
Método
Ventajas
Inconvenientes
Procesado local
Es simple.
Solo valida para
puntos.
Transformada de
Hough
Detecta curvas de
forma
precisa.
Seguimiento de
contorno
Funciona bien ante
el ruido.
Limitado a rectas y
curvas.
Requiere mucho
calculo
computacional.
17
1.2.1 Segmentación: Técnicas
 Umbralización:
Esta técnica toma
como punto de partida el histograma
de la imagen y se trata de convertir
una imagen de gris o color a imagen
binaria.
Segmentación usando técnica de
umbralizacion
18
1.2.1 Segmentación: Técnicas
 División
y fusión: Se trata de dividir la
imagen en regiones uniformes de manera
que una región con propiedades uniformes
se divide sucesivamente hasta que sus
partes sean uniformes.
Segmentación usando técnica de división y fusión
19
1.2.1 Segmentación: Técnicas
 Crecimiento
de regiones: Se parte con
un conjunto de puntos semillas a los que
se le van añadiendo sus píxeles vecinos
dependiendo de la regla que los asocie.
Segmentación usando técnica de crecimiento de regiones
20
1.2.1 Segmentación: Técnicas
Técnica
Método
Local
Ventajas
Inconvemnientes
Menos sensible a las
variaciones de
luminosidad .
Costo computacional
mayor.
Umbralizaccion
Global
Por
similitud
Crecimiento de
regiones
División y
fusión
Crecimiento de
regiones
Costo computacional
menor.
Mas sensible a las
variaciones de
luminosidad .
Buena detección.
Autónomo.
.
Las imágenes deben
ser potencias de 2..
Contornos no reales
Ofrece un resultado
muy completo
Necesidad de semilla.
Necesidad de punto de
parada
21
1.2.1 Técnicas de Segmentación
22
1.2.2 Analisis de técnicas
 Umbralizacion
global: Se elige un valor
de umbral para toda la imagen .
23
1.2.2 Segmentación: Análisis de
Técnicas
UMBRALIZACIÓN GLOBAL
24
1.2.2 Análisis de técnicas
UMBRALIZACIÓN GLOBAL
 Se
trabajo con la técnica en
respectivos métodos obteniendo
siguientes resultados:
sus
los
25
1.2.2 Analisis de técnicas
 Umbralizacion
Local: Se divide la imagen
en regiones y se establece un valor para
región.
cada
26
1.2.2 Análisis de técnicas
UMBRALIZACIÓN LOCAL
 Se
trabajo con la técnica en
respectivos métodos obteniendo
siguientes resultados:
sus
los
27
1.2.2 Segmentación: Análisis de
Técnicas
UMBRALIZACIÓN LOCAL
PORCENTAJE DE EFECTIVIDAD VS TÉCNICA USADA
TAMAÑO DE REGIONES(SUBIMAGENES)
TÉCNICAS DE
UMBRALIZACION
5X3
5X4
5X5
6X3
6X4
6X5
7X3
7X4
7X5
8X3
8X4
8X5
HUANG
17
67
87
30
20
27
53
73
77
30
40
50
OTSU
93
93
97
97
90
90
97
97
97
93
90
90
INTERMODES
27
33
37
33
23
13
20
23
6.7
6.7
10
6.7
LI
97
97
97
97
97
97
97
97
97
97
97
97
MAX ENTROPY
0
0
0
0
0
0
0
0
0
0
0
0
MEAN
53
73
63
63
83
57
77
80
60
47
67
50
MIN ERROR
0
0
3.3
0
0
3.3
0
3.3
3.3
3.3
3.3
3.3
28
1.2.2 Análisis de técnicas
Crecimiento de Regiones
 Se
trabajo con la técnica en la elección de
semillas posteriormente en el desarrollo y
finalización
del
crecimiento
y
presentación de resultados.
29
1.2.2 Análisis de técnicas
Obtención
de
semillas
Crecimiento
de regiones
Fase 2
Fase 3
Depuración de
regiones
Fase 1
Fase 4
Presentación
de regiones
30
1.2.2 Segmentación: Análisis de Técnicas
CRECIMIENTO DE REGIONES
Distancia de
# de Imágenes
Enfoque
tomadas
# de placas
detectadas
# de placas
segmentadas
% Efectividad de
segmentación
Punto 1
11
7
7
100%
Punto 2
10
9
9
100%
Punto 3
10
10
10
100%
Punto 4
10
10
10
100%
Punto 5
10
10
10
100%
Punto 6
10
10
10
100%
Punto 7
10
9
8
89%
Punto 12
10
10
10
100%
Punto 15
10
10
-
0%
Punto 16
10
10
9
90%
Punto 18
10
6
5
83%
Punto 19
10
10
10
100%
Punto 20
10
9
3
33%
Punto 21
10
6
6
100%
Punto 22
10
10
9
90%
Punto 23
10
3
3
100%
Punto 24
10
10
10
100%
31
CONTENIDO
1. Introducción
2. Implementación de la
solución
2.1 Placas Vehiculares
2.2 Implementación
2.2.1 Diagrama de Flujo
2.2.2 Esquema
32
2.2.3 Fases
3. Resultados
Experimentales
4. Conclusiones y
Recomendaciones
2.1 PLACAS VEHICULARES
Características de Placas:
o 30x15cm de dimensión y 6 caracteres
representativos para placas antiguas.
o 40x15cm de dimensión y 7 caracteres
representativos para placas nuevas. 33
2.1 PLACAS VEHICULARES
Tipos de placas vehiculares
Placa Particular
Placa Municipal
Placa de alquiler
Placa
Gubernamental
34
2.2.1 Implementación: Diagrama de Flujo
Fase 1
Obtención
de
Semillas
35
2.2.1 Implementación: Diagrama de
Flujo
Fase 2 Crecimiento
de regiones
Depuración
Fase 3
de regiones
Presentación
Fase 4 de regiones
36
2.2.2 Implementación: Esquema
37
2.2.3 Implementación: Fases
FASE 1: OBTENCION DE SEMILLA
38
2.2.3 Implementación: Fases
FASE 1: OBTENCION DE SEMILLA
39
2.2.3 Implementación: Fases
FASE 1: OBTENCION DE SEMILLA
 Determinar
el nivel de gris que mas
veces se repite basado en un
histograma de frecuencias.
 Todos
los puntos que poseen el nivel
de gris encontrado seran puntos
semillas.
40
2.2.3 Implementación: Fases
FASE 2: CRECIMIENTO DE REGIONES
41
2.2.3 Implementación: Fases
FASE 2: CRECIMIENTO DE REGIONES
42
2.2.3 Implementación: Fases
FASE 2: CRECIMIENTO DE REGIONES
N:g. REPRESENTA SOMBRA
T= n.g. seleccionado para sombra
43
2.2.3 Implementación: Fases
FASE 2: CRECIMIENTO DE REGIONES
 Determinar
la regla de crecimiento
de la región.
 Experimentalmente se determino un
nivel de gris representativo de la
sombra. Este nivel gris fue usado en
la definición de la regla:
44
2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES
45
2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES
46
2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES
 En
ésta fase que se logra es eliminar
las regiones que por propiedades de
ellas no pertenecen a una región
valida determinada por datos
experimentales como por ejemplo
altura de un carácter, tamaño del
área.
47
2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES
48
2.2.3 Implementación: Fases
FASE 3: DEPURACIÓN DE REGIONES
49
2.2.3 Implementación: Fases
FASE 4: PRESENTACIÓN DE REGIONES
 En
la última fase se presenta las
regiones validas y que por ende solo
son
caracteres
segmentados
correctamente.
50
CONTENIDO
1. Introducción
2. Implementación de la
solución
3. Resultados
Experimentales
4. Conclusiones y
Recomendaciones
51
Resultados: Pruebas de Campo
Puntos
24
Tomas
240
Algoritmo
Crecimiento de
regiones
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
52
P1: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
53
P2: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
54
P3: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
55
P4: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
56
P5: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
57
P6: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
58
P7: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
59
P12: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
60
P16: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
61
P18: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
62
P19: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
63
P20: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
64
P21: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
65
P22: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
66
P23: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
67
P24: Pruebas de Campo
Color Escala
%
Excelente
45.83 %
Buena
20.83 %
Malo
33.33 %
68
RESULTADOS
# de
Imágenes
tomadas
# de placas
detectadas
# de placas
segmentadas
% Efectividad de
segmentación
Punto 1
11
7
7
100%
Punto 2
10
9
9
100%
Punto 3
10
10
10
100%
Punto 4
10
10
10
100%
Punto 5
10
10
10
100%
Punto 6
10
10
10
100%
Punto 7
10
9
8
89%
Punto 12
10
10
10
100%
Punto 15
10
10
-
0%
Punto 16
10
10
9
90%
Punto 18
10
6
5
83%
Punto 19
10
10
10
100%
Punto 20
10
9
3
33%
Punto 21
10
6
6
100%
Punto 22
10
10
9
90%
Punto 23
10
3
3
100%
Punto 24
10
10
10
100%
Distancia de
Enfoque
69
CONTENIDO
1. Introducción
2. Implementación de la
solución
3. Resultados
Experimentales
4. Conclusiones y
Recomendaciones
70
CONCLUSIONES Y
RECOMENDACIONES
Se logro implementar un algoritmo
rápido
para
cuando
se
desee
segmentar una imagen a nivel de gris.
A pesar de que el siguiente proceso
que tendrá nuestra imagen resultante
será el de OCR y lo recomendable es
tener como dimensiones mínimas de
imagen 120x50 píxeles nuestra
propuesta
funciona
hasta
con
imágenes de 85x45 píxeles
71
CONCLUSIONES Y
RECOMENDACIONES
Sería
interesante
probar
otras
técnicas que ayuden a corregir lo que
es el contorno del objeto se trató de
corregir con operaciones morfológicas
pero el resultado no fue el esperado.
72
Preguntas?
73
Segmentación de imágenes de placas vehículares
usando técnica de crecimiento de regiones
PC
BD
Alexandra Buri H.
José Rivera De La Cruz.
Facultad de Ingeniería en Electricidad y Computación
Escuela Superior Politécnica del Litoral – ESPOL
Guayaquil – Ecuador
74