Post on 24-Feb-2016
description
Segmentación de imágenes de placas vehículares usando técnica de crecimiento de regiones
Alexandra Buri H. José Rivera De La Cruz.
Facultad de Ingeniería en Electricidad y ComputaciónEscuela Superior Politécnica del Litoral – ESPOL
Guayaquil – Ecuador
BDPC
1
ESQUEMA GENERAL ANPR
2
Control de acceso a parqueaderos
Control de peaje
JUSTIFICACIÓN DEL PROYECTO
3
Control de velocidad
Tráfico vehicular
JUSTIFICACIÓN DEL PROYECTO
4
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
4. Conclusiones y Recomendaciones
CONTENIDO
5
Es un método de vigilancia en masa que utiliza reconocimiento óptico de caracteres en imágenes para leer matrículas de los vehículos.
1.1 INTRODUCCIÓN: SISTEMAS ANPR
6
Detección Normalización
Imagen Entrada
Imagen Salida
OCR
Segmentación
La segmentación es el proceso que divide una imagen en regiones cuyos píxeles poseen atributos similares, por ejemplo, intensidad, textura, movimiento.
1.2 Segmentación
7
Imagen Entrada Imagen Salida
1.2.1 Técnicas de Segmentación
8
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.
1.2.1 Segmentación: Técnicas
9
Detección de puntos: Es un método muy simple basado en la aplicación de una mascara centrada en el pixel a analizar.
1.2.1 Segmentación: Técnicas
10Segmentación por detección de puntos
Detección de líneas: Se usan diferentes máscaras según la dirección se desee identificar.
1.2.1 Segmentación: Técnicas
11Segmentación por detección de líneas a
45 °
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.
1.2.1 Segmentación: Técnicas
12Segmentación por detección de bordes
1.2.1 Segmentación: Técnicas
13
Técnica Método Ventajas Inconvenientes
Detección de discontinuidad
Detección de puntos. Es bastante simple. Solo valida para
puntos.
Detección de líneas.
Es bastante simple.
Solo valida para líneas.
Usa diferentes mascaras en función de la
dirección.
Detección de Bordes
Es bastante simple..
Existen varios operadores.
Es sensible al ruido.
Presenta ruido en determinadas
direcciones según el operador.
Procesado local: Analiza zona de pixeles con propiedades parecidas y une dicha regiones formando un borde continuo.
1.2.1 Segmentación: Técnicas
14Segmentación por procesado local
Transformada de Hough: Permite detectar curvas en una imagen.
1.2.1 Segmentación: Técnicas
15Segmentación por transformada de
Hough
Seguimiento de contorno: Se busca la unión de bordes a través del camino mas óptimo entre los elementos del grafo.
1.2.1 Segmentación: Técnicas
16
1.2.1 Segmentación: Técnicas
17
Técnica Método Ventajas Inconvenientes
Unión de bordes
Procesado local Es simple. Solo valida para puntos.
Transformada de Hough
Detecta curvas de forma
precisa.Limitado a rectas y
curvas.
Seguimiento de contorno
Funciona bien ante el ruido.
Requiere mucho calculo
computacional.
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.
1.2.1 Segmentación: Técnicas
18Segmentación usando técnica de umbralizacion
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.
1.2.1 Segmentación: Técnicas
19Segmentación usando técnica de división y fusión
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.
1.2.1 Segmentación: Técnicas
20Segmentación usando técnica de crecimiento de
regiones
1.2.1 Segmentación: Técnicas
21
Técnica Método Ventajas Inconvemnientes
Por similitud
Umbralizaccion
LocalMenos sensible a las
variaciones de luminosidad .
Costo computacional mayor.
Global Costo computacional menor.
Mas sensible a las variaciones de luminosidad .
Crecimiento de regiones
División y fusión
Buena detección.Autónomo.
.
Las imágenes deben ser potencias de 2..Contornos no reales
Crecimiento de regiones Ofrece un resultado
muy completoNecesidad de semilla.Necesidad de punto
de parada
1.2.1 Técnicas de Segmentación
22
Umbralizacion global: Se elige un valor de umbral para toda la imagen .
1.2.2 Analisis de técnicas
23
UMBRALIZACIÓN GLOBAL
1.2.2 Segmentación: Análisis de Técnicas
24
Se trabajo con la técnica en sus respectivos métodos obteniendo los siguientes resultados:
UMBRALIZACIÓN GLOBAL
25
1.2.2 Análisis de técnicas
Umbralizacion Local: Se divide la imagen en regiones y se establece un valor para cada región.
26
1.2.2 Analisis de técnicas
UMBRALIZACIÓN LOCALSe trabajo con la técnica en sus
respectivos métodos obteniendo los siguientes resultados:
27
1.2.2 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
1.2.2 Segmentación: Análisis de Técnicas
28
Se trabajo con la técnica en la elección de semillas posteriormente en el desarrollo y finalización del crecimiento y presentación de resultados.
Crecimiento de Regiones
29
1.2.2 Análisis de técnicas
30
Crecimiento de regiones
Depuración de regiones
Presentación de regiones
Fase 1
Fase 2
Fase 3
Fase 4
Obtención de
semillas
1.2.2 Análisis de técnicas
CRECIMIENTO DE REGIONES1.2.2 Segmentación: Análisis de Técnicas
Distancia de Enfoque
# 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%
31
1. Introducción2. Implementación de la
solución 2.1 Placas Vehiculares
3. Resultados Experimentales
4. Conclusiones y Recomendaciones
2.2.3 Fases 2.2.2 Esquema
2.2 Implementación 2.2.1 Diagrama de Flujo
32
CONTENIDO
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
34
Tipos de placas vehiculares
Placa de alquiler
Placa Particular
Placa Municipal Placa Gubernamental
2.2.1 Implementación: Diagrama de Flujo
35
Fase 1
Obtención de Semillas
2.2.1 Implementación: Diagrama de Flujo
36
Fase 2 Crecimiento de regiones
Fase 3
Fase 4
Depuración de regiones
Presentación de regiones
2.2.2 Implementación: Esquema
37
FASE 1: OBTENCION DE SEMILLA2.2.3 Implementación: Fases
38
FASE 1: OBTENCION DE SEMILLA2.2.3 Implementación: Fases
39
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.
FASE 1: OBTENCION DE SEMILLA2.2.3 Implementación: Fases
40
2.2.3 Implementación: FasesFASE 2: CRECIMIENTO DE REGIONES
41
2.2.3 Implementación: FasesFASE 2: CRECIMIENTO DE REGIONES
42
2.2.3 Implementación: FasesFASE 2: CRECIMIENTO DE REGIONES
43
N:g. REPRESENTA SOMBRA
T= n.g. seleccionado para sombra
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:
2.2.3 Implementación: FasesFASE 2: CRECIMIENTO DE REGIONES
44
FASE 3: DEPURACIÓN DE REGIONES
2.2.3 Implementación: Fases
45
FASE 3: DEPURACIÓN DE REGIONES
2.2.3 Implementación: Fases
46
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.
FASE 3: DEPURACIÓN DE REGIONES
2.2.3 Implementación: Fases
47
2.2.3 Implementación: FasesFASE 3: DEPURACIÓN DE REGIONES
48
2.2.3 Implementación: FasesFASE 3: DEPURACIÓN DE REGIONES
49
En la última fase se presenta las regiones validas y que por ende solo son caracteres segmentados correctamente.
FASE 4: PRESENTACIÓN DE REGIONES2.2.3 Implementación: Fases
50
1. Introducción2. Implementación de la
solución
3. Resultados Experimentales
4. Conclusiones y Recomendaciones
51
CONTENIDO
52
Color Escala %Excelente 45.83
%Buena 20.83
%Malo 33.33
%
Puntos 24
Tomas 240
Algoritmo Crecimiento de regiones
Resultados: Pruebas de Campo
53
P1: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
54
P2: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
55
P3: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
56
P4: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
57
P5: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
58
P6: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
59
P7: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
60
P12: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
61
P16: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
62
P18: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
63
P19: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
64
P20: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
65
P21: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
66
P22: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
67
P23: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
68
P24: Pruebas de CampoColor Escala %
Excelente 45.83 %
Buena 20.83 %
Malo 33.33 %
RESULTADOSDistancia
de Enfoque
# 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%
69
1. Introducción2. Implementación de la
solución3. Resultados
Experimentales4. Conclusiones y
Recomendaciones
70
CONTENIDO
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
CONCLUSIONES Y RECOMENDACIONES
71
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.
CONCLUSIONES Y RECOMENDACIONES
72
Preguntas?
73
Segmentación de imágenes de placas vehículares usando técnica de crecimiento de regiones
Alexandra Buri H. José Rivera De La Cruz.
Facultad de Ingeniería en Electricidad y ComputaciónEscuela Superior Politécnica del Litoral – ESPOL
Guayaquil – Ecuador
BDPC
74