Publicação
License plate recognition based on temporal redundancy
| Resumo: | Reconhecimento de placas de veículos (ALPR) é uma tarefa importante que pode ser aplicada em vários cenários. A maioria das abordagens de ALPR primeiro detectam o veículo, localizam sua placa de identificação, delimita os seus caracteres e, finalmente, os reconhece utilizando alguma técnica de OCR. No entanto, essas abordagens utilizam apenas uma imagem de cada veículo para processar. Isso faz com que elas tenham suas taxas de reconhecimento reduzidas devido aos ruídos presentes nesta imagem em particular. Com isso, neste trabalho nós propomos uma abordagem para detectar o veículo na pista e identificar sua placa de forma automática utilizando redundância temporal ao invés de selecionar apenas uma imagem para realizar o reconhecimento. Além disso, nós também propomos duas técnicas de pós-processamento que podem ser utilizadas para melhorar ainda mais a acurácia do sistema realizando uma consulta à um banco de dados de placas (por exemplo, um banco de dados do governo contendo todas as placas utilizadas no Brasil). Os experimentos realizados demonstram que é possível melhorar os resultados do reconhecimento de veículos em 15.5 pontos percentuais (uma melhora de 23.88%) utilizando nossa abordagem de redundância temporal proposta. Além disso, uma nova melhora de 7.8 pontos percentuais é conseguida quando utilizando as abordagens propostas de pós-processamento, levando à uma acurácia final de 89.6% em uma base de dados com 5,200 frames de 300 veículos gravada no campus da UFMG. Por fim, este trabalho também propõe um novo benchmark composto de um dataset criado especificamente para se testar técnicas de segmentação de caracteres em placas de carro e um protocolo de avaliação. Este dataset é composto de 2,000 placas de carros brasileiras que contém 14,000 símbolos alfanuméricos e suas anotações correspondentes. Nosso benchmark também propõe um coeficiente chamado Jaccard-Centroid, que é uma nova medida mais indicada para avaliar métodos de segmentação do que o coeficiente Jaccard que é tradicionalmente utilizado. |
|---|---|
| Autores principais: | Gabriel Resende Gonçalves |
| Assunto: | reconhecimento de placas veiculares reconhecimento de padrões visão computacional benchmark segmentação de caracteres Computação |
| Ano: | 2019 |
| País: | Brasil |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | IBICT |
| Idioma: | português |
| Origem: | Oasisbr |
| Resumo: | Reconhecimento de placas de veículos (ALPR) é uma tarefa importante que pode ser aplicada em vários cenários. A maioria das abordagens de ALPR primeiro detectam o veículo, localizam sua placa de identificação, delimita os seus caracteres e, finalmente, os reconhece utilizando alguma técnica de OCR. No entanto, essas abordagens utilizam apenas uma imagem de cada veículo para processar. Isso faz com que elas tenham suas taxas de reconhecimento reduzidas devido aos ruídos presentes nesta imagem em particular. Com isso, neste trabalho nós propomos uma abordagem para detectar o veículo na pista e identificar sua placa de forma automática utilizando redundância temporal ao invés de selecionar apenas uma imagem para realizar o reconhecimento. Além disso, nós também propomos duas técnicas de pós-processamento que podem ser utilizadas para melhorar ainda mais a acurácia do sistema realizando uma consulta à um banco de dados de placas (por exemplo, um banco de dados do governo contendo todas as placas utilizadas no Brasil). Os experimentos realizados demonstram que é possível melhorar os resultados do reconhecimento de veículos em 15.5 pontos percentuais (uma melhora de 23.88%) utilizando nossa abordagem de redundância temporal proposta. Além disso, uma nova melhora de 7.8 pontos percentuais é conseguida quando utilizando as abordagens propostas de pós-processamento, levando à uma acurácia final de 89.6% em uma base de dados com 5,200 frames de 300 veículos gravada no campus da UFMG. Por fim, este trabalho também propõe um novo benchmark composto de um dataset criado especificamente para se testar técnicas de segmentação de caracteres em placas de carro e um protocolo de avaliação. Este dataset é composto de 2,000 placas de carros brasileiras que contém 14,000 símbolos alfanuméricos e suas anotações correspondentes. Nosso benchmark também propõe um coeficiente chamado Jaccard-Centroid, que é uma nova medida mais indicada para avaliar métodos de segmentação do que o coeficiente Jaccard que é tradicionalmente utilizado. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.