Download Presentacion Final Rivera
Document related concepts
no text concepts found
Transcript
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