Localização de placa veicular com base em covariância e redes neurais artificiais

Abstract

Um sistema de reconhecimento automático de placa veicular em imagens digitais normalmente é dividido conforme os principais problemas a serem resolvidos: a localização da placa; a segmentação da placa; e o reconhecimento dos caracteres. A localização da placa visa obter a região de interesse dentre os vários objetos presentes na imagem. A segmentação da placa, subdivide a região de interesse e separa os caracteres encontrados. O reconhecimento dos caracteres é o objetivo final, e tem como resposta a cadeia de caracteres que constitui a identificação do veículo. Neste trabalho propomos um método que resolva o primeiro problema: localizar placa de carro.

A localização de placa veícular tem sido alvo de muitos estudos de reconhecimento de padrão em imagens digitais. A dificuldade em reconhecer placas em ambientes não controlados, onde ocorrem grandes variações de luminosidade e outros ruídos, têm motivado o surgimento de vários métodos como proposta para resolver o problema. Neste trabalho, descrevemos as principais abordagens de processamento de imagens utilizadas em sistemas de localização de placas de veículos encontradas na literatura, e propomos um método utilizando um descritor de característica baseado na covariância dos gradientes e dos canais do espaço de cor RGB (do inglês, Red, Green, Blue).

O método proposto neste trabalho utiliza informações estatísticas dos canais R, G e B, e dos gradientes horizontais e verticais, além de uma rede neural artificial de camadas múltiplas com retropropagação do erro, para classificar as subimagens. Uma janela deslizante percorre imagens obtidas de uma câmera; extrai os canais R, G e B, e os gradientes horizontais e verticais; calcula suas covariâncias; e as utiliza para treinar a rede neural artificial, na fase de treinamento. Na fase de teste, novamente são extraídos os canais de cor e gradientes de cada subimagem analisada pela janela deslizante. O descritor de covariâncias das características é utilizado para obter um resposta da rede neural: próximo a 1, se a região for uma placa; próximo a -1, caso contrário.

O método foi testado em ambiente real, em que uma câmera acessada via protocolo IP (do inglês, Internet Protocol) provê as imagens de veículos, e o localizador proposto analisa os frames subsequentes a uma detecção de movimento, destacando as placas encontradas. Para avaliar o classificador utilizamos as métricas taxa de acerto, taxa de alarme falso, exatidão e precisão. Foi obtida uma taxa de acerto de 84%. Com base nos resultados, consideramos que o objetivo deste trabalho foi alcançado.

A system of automatic recognition of licence plate in digital images is usually divided according to the main problems to be solved: the location of the licence plate; the segmentation of the licence plate; and recognition of the characters. The location of the licence plate aims to obtain the region of interest among the various objects in the image. The segmentation of the vehicle plate, subdivides the region of interest and separates the founds characters. The character recognition is the ultimate goal, and its response to the string which is the identification of the vehicle. In this paper we propose a method that solves the first problem: locate the car licence plate.

The location of the licence plate has been the target of many pattern recognition studies in digital images. The difficulty in recognizing license plates in uncontrolled environments, where there are large luminance variations and other noise, have motivated the emergence of several methods proposed to solve the problem. In this work we describe the main image processing approaches used in license plate localization systems found in literature, and we propose a method using a characteristic descriptor based on the covariance of the gradients and the color space of the RGB channels.

The method proposed here uses the statistical information of the R, G and B, and horizontal and vertical gradients, furthermore an artificial neural network of multiple layers with back propagation of error, to sort the subimages. A sliding window covers images taken from a camera; extracts R, G and B channels, and horizontal and vertical gradients; calculate its covariance; and used to train artificial neural network, the training phase. In the test phase, each subimage analyzed by sliding window, the color channels and gradients are extracted. The covariance descriptor of the features is used to obtain a response from the neural network: close to 1, if the region is one license plate; close to -1, otherwise.

The method was tested in a real environment, wherein a camera accessed by IP (Internet Protocol) provides the vehicle images, and the proposed locator analyzes the subsequent frames for a motion detection, highlighting the plaques found. To evaluate the classifier we use the hit rate metric, false alarm rate, accuracy and precision. for which values were obtained. It was obtained an hit rate of 84%. Based on these results, we consider that the objective was achieved.