Hector Omar Ceballos Lepe

UNIVERSIDAD DE COLIMA
DESARROLLO DE TECNOLOGA
COMPUTACIONAL PARA LA IDENTIFICACIN
DE VEHCULOS AUTOMOTORES MEDIANTE
LA VISIN ARTIFICIAL
TESIS QUE PARA OBTENER EL GRADO DE
MAESTRO EN CIENCIAS AREA: COMPUTACIN
PRESENTA
ING. HCTOR OMAR CEBALLOS LEPE
ASESOR:
M.C. RICARDO FUENTES COVARRUBIAS
COQUIMATLN, COL. A 25 DE JULIO DE 2003
IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

HCTOR OMAR CEBALLOS LEPE
__________________________________________________________________________________________________________________
NDICE
1. INTRODUCCIN
1.1. VARIABLES DEL SISTEMA
1.2. ALGORITMOS DE PROCESAMIENTO DE IMGENES
1.2.1. FILTRADO
1.2.2. RESTAURACIN
1.2.3. REALSE
1.2.4. DETECCIN DE BORDES
1.2.4.1. FORMULACIN BSICA
1.2.4.2. OPERADORES GRADIENTE
1.2.4.3 LAPLACIANO
1.2.4.4 OPERADOR DE BORDE SOBEL
1.2.4.5 OPERADOR DE BORDE PREWITT
1.2.5. EXTRACCIN DE CONTORNOS
1.2.6. EXTRACCIN DE CARACTERSTICAS
1.2.7. RECONOCIMIENTO DE OBJETOS
1.3. NOMENCLATURAS
2. DESCRIPCIN DEL PROYECTO
2.1. ESQUEMA DEL SISTEMA
3. ESTADO DEL ARTE
3.1. ELEMENTOS DE UN SISTEMA LMA TPICO
3.2. APLICACIONES TPICAS
3.3. TRABAJOS DESARROLLADOS EN EL MERCADO
4. HERRAMIENTAS UTILIZADAS
4.1. LabVIEW, HERRAMIENTA DE DESARROLLO
4.2. IMAQ VISION BUILDER
4.3. LENGUAJE G
5. DISEO DE LOS PRINCIPALES ALGORITMOS
5.1. EL FUNDAMENTO DEL ALGORITMO
5.2. MTODO DE BSQUEDA
5.3. MORFOLOGA DEL OBJETO
5.4. CALIBRACIN ESPACIAL
5.5. PRINCIPALES MDULOS DEL ALGORITMO
5.5.1. EXTRACCIN DE CARACTERSTICAS
5.5.2. CLASIFICACIN
5.5.3. SEGMENTACIN Y LECTURA
5.5.4. CONTROL
5.5.5. MDULO DE INTERFAZ CON EL EXTERIOR
6. PRODUCTO FINAL
6.1. DESCRIPCIN DE CONTROLES E INDICADORES
7. CONCLUSIONES
8. BIBLIOGRAFIA
5
6
7
7
9
10
11
11
12
13
14
15
15
16
16
17
19
20
23
24
25
26
29
29
29
31
33
33
33
36
39
42
42
45
51
59
60
62
62
66
68
2
________________________________________________________________________________

__________________________________________________________________________________________________________________
ABSTRACT.
In this paper, it presents the development and integration of a system which porpouse
is licence plate identification and recognition. The principal tasks of the system will be
analized: the licence plate area location, the character segmentation and their identification.
These tasks are dheeply related: if the character sintax is the correct, so the licence plate area
located is the correct too.
The principal challenge in pattern recognition is the quantity of variations in the
escene. The algorithm developed for the licence plate location, instead of searching shapes or
characters, its centered in the signature represented by the region of the number plate area in
a horizontal cross-section of the image. This technique is derived from Barrosos propose
(http://www.utad.pt/~jbarroso/html/isie97.html). The character segmentation method is based
in the characters proyections initially propoused by Lu [7] and Humbaugh [12] and developed
here. The systems algorithms are made whit a graphical languaje, G languaje, and used in
LabView.
3
________________________________________________________________________________

__________________________________________________________________________________________________________________
RESUMEN.
En este documento se presenta el desarrollo e integracin de un sistema para la
identificacin y reconocimiento de la nomenclatura de placas de automviles. Las tareas
principales del sistema se analizarn aqu: la localizacin del rea de la placa en la imagen, la
segmentacin de los caracteres y su identificacin.
Estas tareas estn fuertemente relacionadas ya que la forma de determinar si la
nomenclatura de la placa ha sido correctamente localizado se basa en el resultado del proceso
de la identificacin de los caracteres (debe corresponder a una sintaxis predefinida).
El reto principal en la deteccin de objetos es la cantidad de variaciones en el entorno de
la escena. El algoritmo desarrollado para la deteccin de la placa, en lugar de buscar formas de
objetos o caracteres, est centrado en la firma que presenta el rea de la placa al analizar una
regin horizontal a lo largo de la imagen. Esta tcnica se deriva de la propuesta por Barroso
(http://www.utad.pt/~jbarroso/html/isie97.html). La segmentacin de los caracteres se basa en
la tcnica de proyecciones inicialmente propuesta por Lu [7] y Humbaugh [12] y desarrollada
aqu. Los algoritmos del sistema estn hechos en lenguaje grfico G, usado en LabView.
4
________________________________________________________________________________

__________________________________________________________________________________________________________________
1.- INTRODUCCIN
Qu es un sistema de reconocimiento de caracteres de placas de automvil?
Conocido por sus siglas LPR (License Plate Recognition) es una tecnologa de procesamiento
de imgenes usado para identificar vehculos mediante la lectura de la nomenclatura de sus
placas. Este sistema entra en la gama de los ATR (de sus siglas en ingls Automatic Target
Recognition, Reconocimiento Automtico de Objetivos) cuya finalidad es la de detectar,
clasificar, reconocer y/o identificar un objeto sin la ayuda del ser humano [10].
Sobre los LPR existen trabajos desarrollados en todo el mundo, como la empresa
canadiense AutoVu que disea aplicaciones para el control de trfico.
El creciente flujo de trfico ha animado a empresas, gobiernos e investigadores a
desarrollar tecnologas avanzadas en electrnica y visin de mquina para monitorear y
controlar el trfico.
El sistema emplea iluminacin (infrarroja) y una cmara CCD para tomar la imagen
delantera o trasera del vehculo. En una situacin tpica, un sistema lector de nomenclaturas de
placa analiza las imgenes capturadas por la cmara situada a la orilla de la carretera o en la
entrada de un estacionamiento. El sistema de video se activara o se disparara por un sensor
de lazo inductivo al manifestar la presencia de un vehculo. Entonces el sistema deber
detectar y reconocer la placa en la imagen, para decodificar su nomenclatura
(http://www.utad.pt/~jbarroso/html/isie97.html). La informacin obtenida (la nomenclatura de la
placa en una cadena de caracteres), puede ser til en una estadstica de trfico vehicular o, en
el caso especfico de un estacionamiento, para controlar la compuerta de entrada y salida del
estacionamiento, o mantener un registro del tiempo de estancia para calcular la tarifa de cobro.
Una ventaja de estos sistemas (LPRs) es que la aplicacin puede almacenar una
imagen del vehculo, lo cual es til en el combate al crimen y al fraude, una imagen dice ms
que mil palabras. A dems, una cmara adicional puede centralizarse en la cara del conductor
y salvar la imagen para cuestiones de seguridad (http://www.licenseplaterecognition.com/).
5
________________________________________________________________________________

__________________________________________________________________________________________________________________
1.1Variables del sistema.

Variables consideradas por el sistema y que deben ser controladas en lo posible:
Iluminacin. Un entorno con caractersticas de iluminacin pobre provoca lecturas

errneas.
Orientacin. El mtodo de bsqueda del sistema aqu desarrollado exige la horizontal

como orientacin idnea.
Velocidad de monitoreo. Se establece en la aplicacin si el muestreo de las imgenes

ser en entornos de alta o de baja velocidad.
Tabla de nomenclaturas. Se debe contar con la informacin referente al arreglo

alfanumrico utilizado para las diferentes denominaciones de la nomenclatura
vehicular.
Base de datos del sistema. Para una aplicacin de cruce de informacin ser necesaria
una base de datos de matrculas, obviamente, el estatus de estas determinar la accin a
ejercer. Esta base de datos puede ser pblica o privada, dependiendo del alcance de su
aplicacin.
Los LPRs son conocidos con otros nombres:
Automatic Vehicle Identification (AVI). Cuya funcin principal es la de identificar

automviles sobre escenas diferentes, es decir, localiza la imagen del auto en una
escena. Los trabajos ms recientes identifican autos en diferentes orientaciones y
modelos.[11]
Car Plate Recognition (CPR). Cuya funcin es la de reconocer el rea que ocupa la
placa en la escena.
Automatic Number Plate Recognition (ANPR). La utilidad de estos sistemas radica en

que adems de localizar la placa, reconocen el valor de la nomenclatura.
Car Plate Reader (CPR). Sistema lector de placas de auto.
En lo sucesivo, nos referiremos a este sistema como Lector de Matrculas de Auto (LMA)
6
________________________________________________________________________________

__________________________________________________________________________________________________________________
1.2 Algoritmos del procesamiento de imgenes.

Entre los algoritmos que estos sistemas aplican sobre la imagen para alcanzar su
objetivo se encuentran:
1.2.1 Filtrado
El empleo de mascaras espaciales para el procesamiento de las imgenes se denomina
frecuentemente filtrado espacial (frente al filtrado en el dominio de la frecuencia empleando la
transformada de Fourier), y las propias mascaras se denominan filtros espaciales. Es posible
considerar filtros espaciales lineales y no lineales para la mejora de la imagen.
Los filtros lineales se basan en los conceptos introducidos, que afirman que la funcin
de transferencia y el impulso o funcin de distribucin puntual de un sistema lineal son
transformadas de Fourier inversas una de otra. Los filtros denominados de paso bajo atenan o
eliminan las componentes de alta frecuencia en el dominio de Fourier a la vez que dejan
inalteradas las bajas frecuencias (es decir, el filtro <<deja pasar>> las frecuencias bajas). Las
componentes de alta frecuencia caracterizan los bordes y los restantes detalles muy marcados
de la imagen , y por ello el efecto de introducir un filtrado de paso bajo es el de hacer ms
borrosa la imagen. De forma similar, los filtros de paso alto atenan o eliminan las
componentes de baja frecuencia. Como estas componentes son responsables de las
caractersticas lentamente variables de la imagen, como el contraste global y la intensidad
media, el resultado neto de un filtrado de paso alto es la reduccin de estas caractersticas y, en
correspondencia, una aparente agudizacin de los bordes y de los restantes detalles finos. Un
tercer tipo de filtrado, denominado filtrado de paso banda, elimina unas regiones elegidas de
frecuencias intermedias. Estos filtros se emplean para la restauracin de imgenes.
La Figura 1.1 muestra las secciones transversales de filtros paso bajo, paso alto y paso
banda con simetra circular, en el dominio de frecuencias y Sus correspondientes filtros
espaciales. Los ejes horizontales de las figuras de la fila superior son frecuencias, y sus
correspondientes en la fila inferior son coordenadas espaciales. Los perfiles de la fila inferior
pueden ser empleados como indicacin para especificar los filtros espaciales lineales. Sin
7
________________________________________________________________________________

__________________________________________________________________________________________________________________
embargo, con independencia del tipo de filtro lineal empleado, La aproximacin bsica
consiste en sumar productos entre los coeficientes de la mascara y las intensidades de los
pxeles bajo la mascara en un punto determinado de la imagen [1].
Figura 1.1 Arriba: secciones transversales de perfiles bsicos para filtros en el dominio de
frecuencias
con
simetra
circular.
Abajo:
secciones
transversales
de
los
filtros
correspondientes en el dominio espacial.
La Figura 1.2 muestra una mascara 3 x 3 general. Denominando a los niveles de gris
de los pxeles bajo la mascara en un punto determinado por Z1,Z2...., Z9, la respuesta de una
mascara lineal es: R = W1Z1 + W2Z2 + ... +W9Z9
(1.1-1)
8
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 1.2 Una mascara 3 x 3 con coeficientes (pesos) arbitrarios.

El valor de R se calcula empleando entornos parciales para los pxeles que estn
colocados en los bordes de la imagen. Tambin es habitual crear una nueva imagen para
almacenar los valores de R, en lugar de ir cambiando cada vez los valores de cada pxel, ya
que as se evita el empleo de niveles de gris en la ecuacin (1.1-1) que hayan sido alterados
como resultado de una aplicacin anterior de esta ecuacin.
Los filtros espaciales no lineales operan tambin en entornos. Sin embargo, en general
su operacin se basa directamente en los valores de los pxeles en el entorno en consideracin
y no emplean explcitamente los coeficientes de la forma descrita en la ecuacin (1.1-1).
Como se muestra en La siguiente seccin, la reduccin del ruido se puede realizar eficazmente
con un filtro no lineal cuya funcin bsica sea la de calcular el valor medio del nivel de gris
en el entorno en el que se coloca el filtro [1].
1.2.2 Restauracin
Por restauracin de imagen se entiende como la exclusin o reduccin de
degradaciones obtenidas durante la adquisicin de la imagen digital. Estas degradaciones
incluyen el efecto borroso que puede ser introducido por los sistemas pticos o movimiento de
imagen, tambin como ruido introducido por la electrnica o las fuentes fotomtricas. La
restauracin de imagen aspira a entregar una imagen como si hubiera sido grabada sin
9
________________________________________________________________________________

__________________________________________________________________________________________________________________
degradaciones. Cada elemento que interviene en la toma de imgenes (cmara, lentes,

digitalizador, etc.) contribuye a la degradacin.
La tarea de restaurar imgenes degradadas puede ser lograda con uno de dos modos. Si
poco es conocido a cerca de la imagen, se puede tratar de modelar y caracterizar las fuentes de
degradacin (borrosidad y ruido) e implementar un proceso diseado para remover o reducir
sus efectos. Eso es una estimacin, ya que intenta estimar lo que la imagen debi ser antes de
que fuera degradada por el proceso.
Por el otro lado, si con antelacin se dispone de informacin a cerca de la imagen,
podra ser ms fructfero desarrollar un modelo matemtico de la imagen original y ajustar el
modelo a la imagen observada. [2]
1.2.3 Realce
El objetivo principal del realce es el destacar los detalles finos de una imagen o
intensificar detalles que han sido difuminados, bien sea por error o bien por efecto natural del
mtodo de adquisicin de la imagen. Las utilidades del realce de las imgenes son variadas e
incluyen aplicaciones que van desde la impresin electrnica y las imgenes mdicas hasta las
inspecciones industriales e incluso la deteccin autnoma de objetivos en las armas
inteligentes.
El perfil de la respuesta a un impulso necesaria para implementar un filtro espacial de
paso alto (realce) indica que el filtro debe tener coeficientes positivos cerca de su centro y
coeficientes negativos en la periferia.
La Figura 1.3 muestra la implementacin ms clsica de un filtro de realce 3 x 3.
Obsrvese que La suma de los coeficientes es 0. As, cuando La mscara est sobre un rea de
nivel de gris constante o lentamente variable, la salida proporcionada por la mscara es cero 0
o un valor muy pequeo. Este resultado es coherente con lo que se espera del correspondiente
filtro en el dominio de frecuencias. Adems, observemos que este filtro tambin elimina el
trmino de frecuencia cero.
La reduccin del valor medio de una imagen a cero implica que la imagen debe tener
valores de gris negativos. Como slo estamos considerando niveles positivos de gris, los
10
________________________________________________________________________________

__________________________________________________________________________________________________________________
resultados del filtrado de paso alto necesariamente implican alguna forma de desplazamiento o
cambio de escala para que al final los niveles de gris queden en el intervalo [0, L - 1].
Normalmente no es una buena idea tomar el valor absoluto de los niveles de la imagen filtrada
para que as todos los valores sean positivos, debido a que los valores negativos grandes
apareceran como brillantes en la imagen.
Figura 1.3 Un filtro espacial de paso alto bsico.
1.2.4 Deteccin de bordes

Aunque la deteccin de punto y lnea son evidentemente elementos de cualquier
presentacin de la segmentacin, la deteccin de bordes es con mucho el mtodo ms comn
para detectar discontinuidades significativas en el nivel de gris. La razn es que los puntos
aislados y las lneas delgadas no son de frecuente operacin en la mayor parte de las
aplicaciones prcticas
1.2.4.1 Formulacin bsica

Un borde es la frontera entre dos regiones con propiedades de nivel de gris
relativamente distintas. En la siguiente presentacin se supone que las regiones en cuestin
son lo suficientemente homogneas para que la transicin entre dos de ellas se pueda
determinar sobre la base de las discontinuidades de nivel de gris solamente.
Bsicamente la idea que subyace en la mayor parte de las tcnicas de deteccin de
bordes es el calculo de un operador local de derivacin. Simplemente se define un perfil
11
________________________________________________________________________________

__________________________________________________________________________________________________________________
perpendicular a la direccin del borde en cualquier punto que se desee y se interpretan los
resultados. La derivada primera en un punto de una imagen se obtiene utilizando el mdulo del
gradiente en ese punto. La derivada segunda se obtiene de forma similar utilizando el
laplaciano [1].
1.2.4.2 Operadores gradiente

El gradiente de una imagen f(x, y) en la posicin (x, y) es el vector
(1.2-2)
se sabe del anlisis vectorial que el gradiente de un vector indica la direccin de la mxima
variacin de f en (x, y). Una importante cantidad en la deteccin de bordes es el mdulo de
este vector, al que generalmente se hace referencia, para simplificar, como gradiente, con la
notacin f donde:
(1.2-3)
Esta cantidad es igual a la mxima variacin de f(x, y) por unidad de distancia en la

direccin de f . Es practica comn aproximar el gradiente por sus valores absolutos:
(1.2-4)
que son bastante ms fciles de implementar, particularmente con hardware dedicado.
12
________________________________________________________________________________

__________________________________________________________________________________________________________________
La direccin del vector gradiente es tambin una cantidad importante sea (x, y) la
representacin del ngulo de direccin del vector f en (x, y).Entonces, del anlisis vectorial:
(1.2-5)
donde el ngulo se mide con respecto al eje x [1].
1.2.4.3 Laplaciano
El Laplaciano de una funcin bidimensional f(x,y) es una derivada de segundo orden
definida por:
(1.2-6)
Como en el caso del gradiente, la ecuacin (1.2-6) puede implementarse de forma

digital de varias maneras. Para una regin 3 x 3, la forma que se encuentra mas
frecuentemente en la practica es:
(1.2-7)
donde las z son las ya definidas. El requisito bsico para la definicin de laplaciano digital es
que el coeficiente asociado con el pxel central sea positivo y los coeficientes asociados con
los pxeles exteriores sean negativos [Figura 1.4 ]. Como el laplaciano es una derivada, la
13
________________________________________________________________________________

__________________________________________________________________________________________________________________
suma de los coeficientes debe ser cero. En consecuencia la respuesta es cero siempre que el
punto en cuestin y sus vecinos tengan el mismo valor [1].
Figura 1.4 Seccin transversal de 2 h.
Comnmente se aplica de manera digital en forma de dos kernels de convolucin como se

muestra en la Figura 1.5
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Figura 1.5 Kernels de convolucin Laplaciano.
1.2.4.4 Operador de borde Sobel

Los dos kernels de convolucin mostrados en la Figura 1.6 pertenecen al operador de
Sobel. Cada punto en la imagen es convolucionado con ambos kernels. Un kernel da una
respuesta mxima a bordes verticales generalmente y el otro a un borde horizontal. El valor
mximo de las dos convoluciones es tomado como el valor de salida para se pxel. El
resultado es una imagen de magnitud de borde [2].
14
________________________________________________________________________________

__________________________________________________________________________________________________________________
-1
-2
-1
-1
-2
-1
Figura 1.6 El operador de bordes Sobel.
1.2.4.5 El operador de borde Prewitt.

Los dos kernels de convolucin que se muestran en la Figura 1.7 pertenecen al
operador de bordes Prewitt. Como en el operador de Sobel, cada punto en la imagen es
convolucionado con ambos kernels, y el mximo determina la salida. El operador Prewitt, a
diferencia, produce una imagen de magnitud de borde.[2]
-1
-1
-1
-1
-1
-1
Figura 1.7 Operador de bordes Prewitt.
1.2.5 Extraccin de contornos

Otra generalidad para establecer los lmites de los objetos en una imagen es primero
examinar cada pxel y su vecino inmediato para determinar si ese pxel est, en efecto, en el
lmite de un objeto. Los pxeles que exponen las caractersticas requeridas son etiquetados
como puntos de borde. Una imagen en la cual el nivel de gris refleja que tan fuerte cada pxel
correspondiente logra los requerimientos de un pxel de borde es llamada imagen de bordes o
mapa de bordes. Esta puede ser desplegada como una imagen binaria de bordes mostrando
nicamente la posicin (no la magnitud) de los puntos de borde.
Una imagen de borde normalmente muestra cada objeto delineado por puntos de borde,
pero estos raramente se unen. Entonces, otro paso es requerido para que la extraccin del
15
________________________________________________________________________________

__________________________________________________________________________________________________________________
objeto sea completada. La extraccin de contornos o la unin de puntos de borde es el proceso

de asociacin de puntos de borde cercanos para as crear contornos cerrados y conectados.
Este proceso llena los espacios dejados por el ruido y efectos de sombras.[2]
1.2.6 Extraccin de caractersticas

Si se desea que un sistema distinga objetos de diferentes tipos, se debe primero decidir
cuales caractersticas de los objetos deben ser medidos para producir parmetros
descriptivos.[2] Las caractersticas particulares que son medidas son llamadas caractersticas
del objeto, dando como resultado un parmetro de valores
integrado por el vector de
caractersticas de cada objeto. Una seleccin apropiada de las caractersticas es importante, ya

que slo esas sern utilizadas para identificar al objeto.
Existen algunos mtodos analticos para orientar la seleccin de caractersticas,
frecuentemente, la intuicin gua el potencial de una lista de caractersticas tiles. Tcnicas de
ordenamiento de caractersticas determinan el potencial de varias de ellas.
Las buenas caractersticas contienen cuatro cualidades:
1. Discriminacin. Las caractersticas deben diferir en valores significativos para objetos
que pertenecen a diferentes clases.
2. Fiabilidad. Las caractersticas deben tomar valores similares para todos los objetos de
la misma clase.
3. Independencia. Las varias caractersticas usadas deben ser no correlacionadas unas de
otras.
4. Nmero reducido. La complejidad de un sistema de reconocimiento de formas se
incrementa rpidamente con la dimensionalidad (nmero de caractersticas usadas) del
sistema. Ms importante, el nmero de objetos requerido para entrenar el clasificador y
medir su desempeo incrementa exponencialmente con el numero de caractersticas.[2]
1.2.7 Reconocimiento de objetos

Dos tipos de procedimientos de clasificacin se pueden distinguir: clasificacin basada
en pxel y clasificacin basada en objeto. En casos complejos, la segmentacin de objetos no
16
________________________________________________________________________________

__________________________________________________________________________________________________________________
es posible utilizando una sola caracterstica. Entonces es requerido utilizar mltiples

caractersticas y un proceso de clasificacin para decidir qu pxel pertenece a qu tipo de
objeto.
Una clasificacin basada en objetos muy simple puedes ser utilizada si los diferentes
objetos pueden ser efectivamente separados del fondo y no se tocan o sobreponen unos con
otros. La clasificacin basada en objetos debera ser utilizada en lo posible, ya que la cantidad
de datos tratados es menor. Todas las caractersticas basadas en pxel como la media de nivel
de gris, orientacin local, varianza de niveles de gris pueden ser promediados sobre un rea
entera de objeto y usados como caractersticas, describiendo las propiedades de este.[5]
1.3 Nomenclaturas
Cada pas maneja una norma especfica para la elaboracin de sus placas, de igual
forma, en Mxico, cada estado maneja un modelo para elaborar y definir las caractersticas de
su placa. En consecuencia, los sistemas LMA son especficos para cada pas y deben ser
adaptados a la regin donde se instalen y usen. El LMA en cuestin est adaptado a las placas
del Estado de Colima. La morfologa de este modelo ha sido cuidadosamente estudiado pues
sus propiedades definen la correcta localizacin de la placa en la imagen. Las secuencias
legales de la nomenclatura de la placa son tambin utilizadas para la reduccin de errores en la
interpretacin de los caracteres. Ver figura 1.8
17
________________________________________________________________________________

__________________________________________________________________________________________________________________
SERVICIO PARTICULAR
MEDIO
SECUENCIA LEGAL
CARACTERES
AUTOMVIL
LLLNNNN* FRA1000
CAMIN
LLNNNNN
FC00001
OMNIBUS PARTICULAR
NLLLNN
1DTA01
REMOLQUE
NLLNNNN
1EW0001
MOTOCICLETA
LNNNL
D001Y
DEMOSTRACIN
NLLNNN
1JA001
SERVICIO PBLICO
MEDIO
SECUENCIA LEGAL
CARACTERES
TAXI
NNNNLLL
1000DVA
CARGA Y PASAJE (MIXTO)
NLLLNNN
1FYA001
URBANO
NNNNNNL 360001D
CARACTERES PROHIBIDOS
Q,O,I,
*L = letra, N = nmero
1.8 Norma oficial vigente para el estado de Colima. Fuente: Cortesa de la Direccin de
Transporte del Estado de Colima.
18
________________________________________________________________________________

__________________________________________________________________________________________________________________
2.- DESCRIPCIN DEL PROYECTO

El objetivo de este LMA es analizar una imagen, localizar y leer la nomenclatura de la
placa, entregando como resultado del proceso, una cadena de caracteres. Para lograr este
objetivo se ha integrado el sistema de la siguiente forma:
Software:
La seleccin de una plataforma de desarrollo, LabView como principal herramienta.
El diseo e implementacin del algoritmo en lenguaje G capaz de controlar y realizar

las tareas del sistema.
NIMAQ Vision Builder como herramienta de prototipos.
NI-IMAQ Software de manipulacin y procesamiento de imgenes.
Hardware:
Iluminacin infrarroja y luz difusa (fluorescente).

Un arreglo de Diodos emisores de luz en la banda de los infrarrojos.
Un arreglo de 3 lmparas de 79w
Cmara CCD sensible a infrarrojos

Modelo AVC 667 Color IR Camera. El sistema integra una video
cmara CCD de con resolucin en pxeles de 512(H)X492(V) en el formato
de transmisin de video <NTSC> y 512(H)X582(V) para el formato <PAL>.
Con doce unidades de LED infrarrojo encendidos automticamente en
condiciones de baja iluminacin.
Tarjeta digitalizadora de video (Frame Grabber).

Se utiliza una tarjeta PCI-1408 de alta precisin, monocromtica de la
serie IMAQ para ranuras PCI. Soporta estndares de video RS-170, CCIR,
NTSC y PAL. Las caractersticas de la tarjeta contiene un convertidor anlogo a
digital (ADC) de 8 bits flash para convertir las seales de video a formato
19
________________________________________________________________________________

__________________________________________________________________________________________________________________
digital. La 1408 adquiere campos en tiempo real y los transfiere directamente a

la memoria del sistema. Como tarjeta independiente la 1408 soporta cuatro
fuentes de video y cuatro lneas externas de E/S que pueden ser usadas como
triggers o como lneas digitales de E/S.
Sensor de cruce.
Modelo SM312LV MINI-BEAM
10 - 30 VCD
Retro reflectivo
PC.
Procesador Pentium III
126 RAM
500 Mhz
6 G Disco duro
Windows 98
2.1 Esquema del sistema.

Para fines de esquematizacin se ha elegido una aplicacin para el LMA. Este sistema
ser aplicado al control de acceso vehicular. En ese tipo de aplicaciones los elementos
hardware que se ven involucrados son una PC, una cmara CCD conectada a una tarjeta
digitalizadora como interfaz a la PC, un elemento de iluminacin (por lo general infrarroja),
un detector de cruce (puede ser un sensor de lazo electromagntico) y por supuesto, un
automvil. Se contara con una base de datos cuya informacin servira para puntualizar la
accin a ejercer frente a el auto que entra: permitir el acceso o negrselo. La escena de la
siguiente imagen se desarrolla en el estacionamiento universitario.
20
________________________________________________________________________________

__________________________________________________________________________________________________________________
2.1 Acceso controlado
2.2- Esquema de un acceso controlado.
En el esquema la dinmica que se seguira es la siguiente: un auto, al aproximarse a la

zona controlada, es detectado por el sensor de cruce y este a su vez indica al control del
programa su presencia. Los elementos de iluminacin se activan y la cmara CCD toma una
imagen para ser analizada por el programa. Una vez examinada esta imagen y determinada la
nomenclatura de la placa, se compara el resultado o se cruza con la base de datos que contiene
una lista de nomenclaturas que el usuario da de alta. Una vez determinado el estatus del auto
se niega o se permite el acceso a la unidad accionando la apertura de la compuerta.
21
________________________________________________________________________________

__________________________________________________________________________________________________________________
2.3- El sistema permite el acceso de la unidad.
22
________________________________________________________________________________

__________________________________________________________________________________________________________________
3.- ESTADO DEL ARTE

Esta tecnologa est ganando popularidad en instalaciones de seguridad y trfico. El
concepto tecnolgico asume que todos los vehculos tienen una identidad a la vista (la placa)
as que ningn transmisor adicional es requerido para ser instalado en el carro.
El sistema utiliza iluminacin (como la infrarroja) y una cmara digital para tomar la
imagen delantera o trasera del vehculo, entonces un software de procesamiento de imagen
analiza las imgenes y extrae la informacin de la placa. Esta informacin es utilizada para
reforzar, coleccin de informacin, y puede ser usada para abrir una compuerta (en el caso de
control de acceso) si el carro est autorizado o mantener un registro del tiempo en la entrada o
salida para clculos automticos de pago.
Los sistemas LMA tienen ventajas significativas como la de registrar una imagen del
vehculo la cual podra ser til en el combate al crimen y a el fraude (una imagen dice ms
que mil palabras). Una cmara adicional puede centrarse en la cara del conductor y guardar la
imagen para propsitos de seguridad. Adems, esta tecnologa no necesita ninguna instalacin
por auto (como en otras tecnologas que requieren un transmisor sobre cada carro o llevado
por el conductor).
Los primeros sistemas LMA sufran de un bajo nivel de reconocimiento, menor del
requerido para ser aplicado en sistemas prcticos. Los efectos externos como brillos de sol,
placas daadas, la gran diversidad de tipos de placas- y el nivel limitado de software de
reconocimiento y el hardware de visin, daban como resultado sistemas de baja calidad.
Sin embargo, recientes mejoras en el software y hardware han hecho de los sistemas
LMA ms confiables y ampliamente propagados. Hoy en da se pueden encontrar estos
sistemas
en
numerosas
instalaciones
el
nmero
de
sistemas
est
creciendo
exponencialmente, automatizando ms y ms tareas en diferentes segmentos del mercado. En
23
________________________________________________________________________________

__________________________________________________________________________________________________________________
muchos casos la unidad LMA es agregado como respaldo a las soluciones ya existentes, como
los lectores de tarjetas magnticas o a los dispensarios lectores de ticket, de tal forma que se
agregue mayor funcionalidad a las instalaciones existentes.
Aun, si el reconocimiento no es absoluto, la aplicacin que depende de los resultados

del reconocimiento puede compensar los errores y producir un sistema virtualmente sin
defectos. Por ejemplo, la comparacin del reconocimiento del tiempo de entrada de un carro al
tiempo de salida estableciendo, de esta forma, el tiempo de estacionamiento; la comparacin
(de la entrada contra la salida) puede permitir un pequeo grado de error sin cometer una mala
interpretacin. Esta integracin inteligente puede sobrellevar algunos defectos de los LMA y
producir sistemas confiables y totalmente automticos.
3.1.- Elementos de un sistema LMA tpico:
Cmara Para tomar la imagen del automvil (delantera o trasera).
Iluminacin Luz controlada para iluminar la escena y permitir operacin diurna y

nocturna.
Tarjeta digitalizadora (Frame grabber) Una tarjeta de interfase entre la cmara y la

PC, permite al software leer la informacin de la imagen.
Software La aplicacin y el paquete de reconocimiento. Usualmente, el paquete de

reconocimiento es distribuido como DLL (Dynamic Link Library).
Hardware Varias tarjetas de entrada / salida usadas para conectarse (hacer interfase)
con el mundo externo (como tarjetas de control y tarjetas de red).
Base de datos Los eventos son grabados en una base de datos local o transmitidos a
travs de una red. La informacin incluye los resultados del reconocimiento y
(opcional) el archivo de imagen del vehculo o de la cara del conductor.
24
________________________________________________________________________________

__________________________________________________________________________________________________________________
3.2.- Aplicaciones tpicas:

Los sistemas LMA tienen un amplio rango de aplicaciones, las cuales utilizan la
nomenclatura de la placa extrada e imgenes opcionales para crear soluciones automatizadas
para varios problemas:
Estacionamientos. La lectura de la placa es usada para permitir la entrada automtica

a miembros prepagados y calcular la tarifa de estacionamiento para los no miembros
(comparando los tiempos de entrada y salida).
Control de acceso. Una compuerta se abre automticamente para permitir el acceso a

miembros autorizados a reas aseguradas, reemplazando o asistiendo al guardia de
seguridad. Los eventos son registrados en una base de datos y pueden ser usados para
crear un historial de eventos.
Peaje. La nomenclatura de la placa es usada para calcular la tarifa de viaje en una ruta
de peaje, o usada para registrar la tarjeta de pase.
Control fronterizo. La nomenclatura de la placa es registrada a la entrada o salida del

pas y utilizada para monitorear los cruces de la frontera.
Carros robados. Una lista de carros robados o que adeudan el pago de multas es usada
para alertar al paso de carros calientes. La lista negra puede ser actualizada en tiempo
real y proveer una alarma inmediata a la fuerza policaca.
Prueba de infraccin.
Control de trfico. Los vehculos pueden ser dirigidos a diferentes lneas de acuerdo a
sus permisos de entrada.
Herramienta de mercadeo. Las placas de los autos pueden ser usadas para formar una
lista de visitantes frecuentes para propsitos de mercadeo, o para construir un perfil del
comportamiento del trfico (como la frecuencia de entrada vs. la hora del da).
Monitoreo de trfico. Unidades LMA son instaladas en diferentes rutas de la ciudad y

la nomenclatura de las placas de los vehculos circulantes son cotejadas entre los
puntos. La velocidad promedio y tiempo de viaje entre esos puntos puede ser calculada
25
________________________________________________________________________________

__________________________________________________________________________________________________________________
y presentada para monitorear las cargas de trfico local. Adems, la velocidad

promedio
puede
ser
utilizada
para
generar
una
multa
de
velocidad
(http://www.licenseplaterecognition.com/).
3.3.- Trabajos desarrollados en el mercado
Sistema para el reconocimiento de caracteres en placas de automviles. En este

trabajo se presenta un sistema para el reconocimiento de caracteres en placas de
automviles que integra varias tcnicas para procesamiento y anlisis de imgenes. El
sistema consta de cuatro mdulos:
pretratamiento, localizacin de la placa,
segmentacin e identificacin de los caracteres. El procesamiento de bajo nivel, que

incluye la deteccin de orillas y el adelgazamiento, se trabaj con el algoritmo
SUSAN. La deteccin de la placa con la transformada de Houg.[3]
Car License Plate Detection and Recognition System. Este proyecto desarrolla una
aplicacin de visin de computadora para la deteccin y reconocimiento de la
nomenclatura de las placas de auto. Indica los procesos utilizados para lograr su
objetivo haciendo especial mencin al mtodo de rbol HDR utilizado para el
reconocimiento
de
caracteres
(http://web.cps.msu.edu/~hwangwey/License_plates.html).
Moving Car License Plate Recognition. Muestra el desarrollo del proyecto y las
tcnicas utilizadas. El software fue desarrollado con MatLab y consolidado con C++
(http://www.cs.technion.ac.il/Labs/lsl/Project/Projects_done/.../finalreport.htm) .
A connectionist approach to vehicle license plate recognition. Desarrolla tcnicas de

segmentacin tradicionales. Utiliza una red neuronal de perceptrn multi capa para
estimar la probabilidad de los smbolos utilizando caractersticas escalables. Utiliza el
modelo Markov sobre secuencias de nomenclaturas oficiales de placas conteniendo
todos los ordenamientos posibles. En el reconocimiento usa algoritmos Viterbi para
computar la secuencia ms apropiada de smbolos, dadas las sus probabilidades
computadas por la red neuronal
26
________________________________________________________________________________

__________________________________________________________________________________________________________________
(http://www.ee.up.ac.za./~renier/projects/connectionist/paper.html).
Number plate reading using computer vision. Describe un nuevo mtodo basado en
una lnea transversal que corta horizontalmente la imagen en busca de la firma
caracterstica de la placa. Describe la formacin del motor de reconocimiento de
caracteres. No da informacin del lenguaje aplicado para la elaboracin y desarrollo de
los algoritmos (http://www.utad.pt/~jbarroso/html/isie97.html).
A Histogram-Based Method for Detection of Faces and Cars. Describe un mtodo

estadstico para la deteccin de objetos 3D. Se basa en utilizar tantos histogramas
como sea posible para representar una amplia variedad de atributos visuales. Utiliza
Wavelets. El objetivo es detectar caras y autos desde varios puntos de vista en la
imagen.[11]
27
________________________________________________________________________________

__________________________________________________________________________________________________________________
28
________________________________________________________________________________

__________________________________________________________________________________________________________________
4.- HERRAMIENTAS UTILIZADAS

La construccin del proyecto ase bas en el uso de LabVIEW como herramienta y
entorno para desarrollar la programacin grfica. En segunda instancia se utiliz una
aplicacin de propsito general para la manipulacin de imgenes llamada IMAQ Vision
Builder cuya aportacin consisti en dar facilidad para la medicin y muestreo de imgenes.
4.1.- LabView, la herramienta de desarrollo.

LabVIEW (Laboratory Virtual Instrument Engineering Workbench) es un entorno de
desarrollo basado en la programacin grfica. LabVIEW utiliza terminologa, iconos e ideas
familiares a los tcnicos, cientficos e ingenieros, y maneja smbolos grficos, a diferencia de
los lenguajes textuales, para definir acciones de programa.
Se estudiaron cuidadosamente las opciones brindadas por esta herramienta para definir
las utilidades que se aplicaran al proyecto. LabVIEW presenta grandes ventajas para el
manejo de imgenes, matrices y ventanas. El control de la tarjeta digitalizadora y de la cmara
se logra fcilmente. En general, por su naturaleza grfica, LabVIEW permite un manejo
natural y eficiente de las imgenes y de los dispositivos utilizados. (Se puede encontrar ms
informacin a cerca de LabVIEW en la pgina http://www.ni.com )
4.2.- IMAQ Vision Builder

IMAQ Vision Builder es un paquete de software interactivo para crear prototipos que
manejen el procesamiento de imgenes. Se puede utilizar para crear aplicaciones prototipo o
probar y aprender como trabajan los diferentes procesos o funciones de la visin de mquina.
Se utiliza esta aplicacin para tomar datos estadsticos de las placas, es decir, obtener
medidas en pxeles y determinar valores de niveles de gris. La siguiente Figura 4.1 muestra la
interfaz de usuario de la aplicacin. En esta se pretende realizar mediciones sobre una placa.
29
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 4.1 Interfaz IMAQ Vision Builder.
IMAQ Vision Builder permite ejecutar funciones morfolgicas sobre imgenes

digitales tomadas de archivo o desde una cmara. Estas funciones se aplican sobre imgenes
binarias.
Algunas funciones morfolgicas:
borde
llenado de hoyos
etiquetado
filtros pasa baja
filtros pasa alta
separacin
30
________________________________________________________________________________

__________________________________________________________________________________________________________________
esqueletizacin
segmentacin
distancias
Danielson
crculo
erosin
dilatacin
adelgazamiento
La combinacin de estas y otras funciones le dan a IMAQ Vision Builder el carcter de una
aplicacin sumamente til para el tratamiento de imgenes y como una herramienta en al
elaboracin de prototipos de visin de mquina [8].
4.3.- Lenguaje G
G es el lenguaje de programacin en el corazn de LabVIEW. G, como C o Basic, es
un lenguaje de propsito general con extensas libreras o funciones para muchas tareas
computacionales. G incluye libreras para la adquisicin de datos, GPIB y control de
instrumentos seriales, anlisis de datos, presentacin de informacin y almacenaje de datos. G
difiere de los otros lenguajes en un aspecto importante: otros lenguajes de programacin son
basados en texto mientras que G es grfico.[9]
G es un sistema de programacin de propsito general, pero este adems incluye
libreras de funciones y herramientas de desarrollo especialmente diseados para la
adquisicin de datos y control de instrumentos. Los programas en G son llamados
instrumentos virtuales VIs (por sus siglas en ingles Virtual Instrument) porque su apariencia y
operacin puede imitar a instrumentos reales. No obstante, los VIs son similares a funciones
de lenguajes de programacin convencionales.
Un VI consta de una interfaz de usuario interactivo, un diagrama de flujo de datos que
sirve como cdigo fuente y conexiones de icono que dan forma al VI de tal manera que puede
31
________________________________________________________________________________

__________________________________________________________________________________________________________________
ser llamado por otros VIs de nivel ms alto. Ms especficamente, los VIs se estructuran como
sigue:
1. El interfaz de usuario interactivo de un VI es llamado el panel frontal, porque este
simula el panel de un instrumento fsico. El panel frontal puede contener switches,
botones de presin, grficas y otros controles e indicadores.
2. El VI recibe instrucciones del diagrama de bloques, el cual se puede crear en G. El
diagrama de bloques es una solucin pictrica a un problema de programacin. El
diagrama a bloques es adems el cdigo fuente para el VI.
3. Los VIs son jerrquicos y modulares. Se les pueden usar como programas de alto nivel,
o como subprogramas dentro de otros programas o subprogramas. Un VI, cuando se
usa dentro de otro VI, es llamado subVI. El icono y conectores de un VI trabajan como
una lista de parmetros grficos de tal forma que otros VIs pueden pasar datos a un
subVI.[9]
Con estas caractersticas, G hace el mejor uso del concepto de programacin modular.
32
________________________________________________________________________________

__________________________________________________________________________________________________________________
5.- DISEO DE LOS PRINCIPALES ALGORITMOS.

En este apartado discutiremos el proceso de formacin del algoritmo para el
reconocimiento y ubicacin de la placa. Se explicarn tambin, los mtodos estadsticos
utilizados para determinar los valores manejados como predefinidos.
5.1 El fundamento del algoritmo.

Dentro del rea de la visin de mquina en el campo de la inteligencia artificial est
comprendido el desarrollo de algoritmos para el anlisis del contenido de una imagen [2]. El
reconocimiento estadstico de formas es el enfoque utilizado en este sistema.
Dado que los objetos que se presentan en una escena (en este caso una imagen
digitalizada) tienen caractersticas propias que los definen como tales, es posible determinar su
presencia si se conocen sus caractersticas, su morfologa en general. El reconocimiento
estadstico de formas asume que la imagen contendr uno o ms objetos que pertenecen a uno
o ms tipos predeterminados, categoras o clases de formas [2, pp. 448].
Las placas poseen ciertas caractersticas que las hacen diferir de los dems objetos:
forma rectangular, caracteres obscuros sobre un fondo claro, cada nomenclatura es nica y
cumple con un formato preestablecido. Estas propiedades nos ayudaran a definir el algoritmo
y a aumentar la exactitud con la que se reconocern las placas. El primer paso es definir estas
propiedades a partir de un modelo.
5.2 Mtodo de bsqueda.

Para la localizacin de la placa se utiliza una nueva tcnica propuesta por J. Barroso la
cual se basa en el hecho de que las lneas donde la placa se localiza en la imagen tiene una
firma clara, lo cual hace usualmente posible distinguirlas de otras lneas en la imagen, o por
lo menos para preseleccionar algunas posiciones donde buscar ms exhaustivamente
(http://www.utad.pt/~jbarroso/html/isie97.html).
Una lnea corresponde a una seccin
transversal, es decir, la extraccin de un rengln de la imagen capturada para luego ser
33
________________________________________________________________________________

__________________________________________________________________________________________________________________
analizado en cada uno de los puntos que la conforman. Estos puntos corresponden a los
valores de los pxeles en la imagen. La Figura 5-1(a) muestra una de estas lneas cruzando el
rea de la placa. Al trazar una grfica, posicin vs. nivel de gris, se genera un pliegue
caracterstico, o una firma, en la regin que corresponde a la placa, ver Fig. 5-1(b). De
manera similar, la Figura 5-2(a) muestra una lnea fuera del rea de la placa, tambin podemos
observar su comportamiento en la grfica, ver Figura 5-2(b).
(a)
(b)
Figura 5-1. (a) Lnea transversal sobre la placa, (b) grfica del comportamiento de la lnea (Line Profile),
posicin del pxel vs. nivel de gris.
34
________________________________________________________________________________

__________________________________________________________________________________________________________________
(a)
(b)
Figura 5-2. (a) Lnea transversal fuera del rea de la placa, (b) grfica del comportamiento de la lnea (Line Profile),
posicin del pxel vs. nivel de gris.
En la Figura 5-3, si se analiza la firma ms a fondo se deducen las siguientes

caractersticas:
Existe un patrn o frecuencia caracterstico en el nmero de picos.
Las amplitudes de los picos y valles, correspondientes a el fondo de la placa y a los

caracteres respectivamente, estn comprendidos dentro de cierto intervalo.
Existe un lmite en el nmero de bordes.
Las distancias relativas entre bordes guardan una relacin.
35
________________________________________________________________________________

__________________________________________________________________________________________________________________
Estas caractersticas son el punto de partida para definir el algoritmo de bsqueda. El

siguiente paso es tomar una muestra de la poblacin de placas y realizar un anlisis
cuantitativo de sus caractersticas fsicas.
Figura 5-3. Caractersticas de la firma: Picos, y bordes (detalle de la Figura 5-1(a)).
5.3 Morfologa del objeto.

Se tom como muestra 10 placas del Estado de colima, como la que se ilustra en la
Figura 5-4, y a partir de ellas se tomaron medidas fsicas de acuerdo a los siguientes
parmetros:
36
________________________________________________________________________________

__________________________________________________________________________________________________________________
Caracterstica
Descripcin
x1
Longitud del objeto a lo largo
x2
Longitud mxima de segmento claro
x3
Longitud mnima de segmento claro
x4
Longitud mnima de segmento oscuro
x5
Longitud mxima de segmento oscuro
x6
Longitud del objeto a lo alto
Estos parmetros constituyen el conjunto de caractersticas seleccionadas de la placa. Ver Fig.

5-5
Fig.5-4 Placa del Estado de Colima
Fig. 5-5 Caractersticas consideradas.
La tabla 5-6 muestra los resultados obtenidos. La media de cada caracterstica se

exhibe en centmetros. La medicin se hace sobre la placa.
37
________________________________________________________________________________

__________________________________________________________________________________________________________________
Muestra
1.2.3.4.5.6.7.8.9.10.m:
v:
s:
x1
x2
x3
x4
x5
x6
30.00
30.00
30.00
30.00
30.00
30.00
30.00
30.00
30.00
30.00
30.00
0
0
5.40
5.00
4.3
5.00
4.00
5.50
3.70
6.00
6.20
5.60
5.07
0.70
0.84
0.70
0.90
0.90
0.90
0.90
1.00
0.90
0.90
0.90
1.00
0.900
0.006
0.080
0.47
0.60
0.70
0.70
0.70
0.70
0.70
0.80
0.70
0.80
0.687
0.009
0.094
2.73
3.00
3.00
3.00
3.00
3.10
3.00
3.10
3.00
3.10
3.003
0.011
0.106
15.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
15.00
0
0
Tabla 5-6. Muestreo de caractersticas. Donde: m = media, v = varianza y s = desviacin

estndar.
Sobre la imagen de la placa, en diferentes niveles de iluminacin, se tomaron muestras
de pxeles de las reas claras y oscuras para determinar la media de niveles de gris mximos y
mnimos del fondo; y de los caracteres. Los resultados se muestran en la tabla 5-7.
Parmetro:
Nivel:
Fondo
Caracteres
Mnimo
Mximo
Mnimo
Mximo
120
188
36
76
Escala de gris:
Media:
Desv. estndar:
153
52
22.69
12
Tabla 5-7. Media para los niveles de gris de los pxeles del fondo de la placa y de los
caracteres [intervalo de 0-255].
38
________________________________________________________________________________

__________________________________________________________________________________________________________________
5.4 Calibracin espacial.

Una vez determinados los parmetros que definen al objeto, se procede a la calibracin
espacial de la imagen. Este proceso consiste en correlacionar las dimensiones de un pxel con
las dimensiones fsicas [8].
Se utilizar el mtodo de calibracin de distancia [8], que consiste en medir las

dimensiones de un objeto conocido dentro de la imagen. Los parmetros considerados para la
calibracin:
Paso en X, longitud horizontal de un pxel.
Paso en Y, longitud vertical de un pxel.
Unidad, seleccin de la unidad de distancia.

La imagen tiene una resolucin de 544 X 238 pxeles y una profundidad de 8 bits.
A una distancia inicial d0 =30 cm. de la cmara, se tom una imagen de la placa, luego,
en incrementos constantes de 10 cm se repite el procedimiento hasta llegar a una distancia

final de 2 m, como se observa en la figura 5-8. Sobre cada imagen se tom la medida en
pxeles de lo largo y alto de la placa ver Figura 5-9. Se utiliz la aplicacin Imaq Vision
Builder para el este anlisis cuantitativo de las imgenes.
Figura 5-8. Muestreo de la placa a diferentes distancias. Perspectiva: lnea verde: trayectoria
ideal de la proporcin, lnea roja: proporcin obtenida de acuerdo a las mediciones. No hay
una proporcin lineal objeto-distancia.
39
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 5-9. Detalle del muestreo de medidas. Medicin de la caracterstica x1 .

Los resultados se tabulan en la figura 5-10, la medida en pxeles de las caractersticas
x1 y x6 se determinaron para cada distancia dx, las dems caractersticas x2 , x3 , x4 y x5 (de la
muestra 1) son determinadas a partir de la constante de proporcionalidad definida para cada
distancia dx, de la cual se habla en seguida.
Como se puede observar en la Figura 5-11, la proporcin de x1 con respecto a dx no es
lineal. Para obtener un factor de proporcin para cada distancia dx, se asignar una constante
de proporcionalidad para cada uno de estos intervalos dada por Kx = factor x1(cm) /factor x1
(pxeles) , para cada distancia dx. Este factor (Kx) determinar cualquier medida fsica en
centmetros a partir de su medida en pxeles a una distancia dx; o viceversa: obtener medidas
en pxeles a partir de su medida en centmetros.
40
________________________________________________________________________________

__________________________________________________________________________________________________________________
dx
Distancia
x1
(cm)
(pxel)
Kx
x6
(pxel)
Ky
x2
(pxel)
d0
30
526.19 0.0570136 140.51 0.1067539 94.714
d1
40
420.00 0.0714285 110.34 0.1359434 75.600
d2
50
348.16 0.0861672 90.93 0.1649205 62.668
d3
60
298.12 0.1006306 77.91 0.1925298 53.660
d4
70
260.15 0.1153180 67.38 0.2226179 46.827
d5
80
228.61 0.1312278 59.04 0.2540650 41.150
d6
90
204.60 0.1466275 52.03 0.2882950 36.828
d7
100
187.54 0.1599658 50.17 0.2989830 33.757
d8
110
171.22 0.1752131 45.14 0.3322990 30.819
d9
120
157.20 0.1908396 39.05 0.3841229 28.296
d10
130
146.79 0.2043735 37.02 0.4051863 26.422
d11
140
137.45 0.2182611 34.89 0.4299226 24.741
d12
150
129.01 0.2325400 33.23 0.4513993 23.222
d13
160
121.87 0.2461639 30.78 0.4873294 21.936
d14
170
115.53 0.2596728 29.33 0.5114217 20.795
d15
180
108.56 0.2763448 29.40 0.5102040 19.540
d16
190
102.99 0.2912904 28.12 0.5334281 18.538
d17
200
97.27 0.3084198 27.66 0.5422993 17.508
Figura 5-10.Tabla de mediciones. La columna x1 corresponde a la
x3
(pxel)
x4
(pxel)
12.277 8.333
9.800 5.500
8.123 4.000
6.956 3.833
4.569 3.666
5.334 3.619
4.774 3.500
4.375 2.969
3.995 2.719
3.668 2.489
3.425 2.324
3.207 2.176
3.010 2.042
2.843 1.929
2.695 1.829
2.533 1.718
2.403 1.630
2.696 1.540
medida en pxeles
x5
(pxel)
48.000
37.800
31.334
26.830
23.413
20.575
18.414
16.878
15.410
14.148
13.211
12.370
11.611
10.970
10.400
9.8000
9.2700
8.8000
del
parmetro x1 expresado en centmetros.
Figura 5-11. Comportamiento de la proporcin a diferentes intervalos. La abscisa dx

representa el intervalo al que se captur la imagen. La ordenada representa la medida de la
caracterstica x1.
41
________________________________________________________________________________

__________________________________________________________________________________________________________________
5.5 Principales mdulos del algoritmo.

El algoritmo se ha dividido en mdulos de acuerdo a su funcin:
Extraccin de caractersticas.
Clasificacin
Segmentacin y lectura
Estos mdulos estn interrelacionados ya que la informacin que generan y comparten
determina el curso del programa: continuar la bsqueda o dejar de buscar.
Control CCD &

Tregger.
Control Lgica del

programa.
Extraccin de
caractersticas
Clasificacin.
Segmentacin
& Lectura
5-12 Diagrama a bloques del sistema.
5.5.1 Extraccin de caractersticas.
Fija Lnea Horizontal.vi

Esta seccin se encarga de mantener un registro del nmero de la lnea de imagen que
se est analizando. Si la lnea actual no atraviesa la placa, entonces define la siguiente. Este
42
________________________________________________________________________________

__________________________________________________________________________________________________________________
proceso se repite mientras no se cruce la placa o no se acabe la imagen. Resalta la lnea de

imagen que se analiza sobre la escena capturada.
Entrada:
Resolucin en X
Resolucin en Y
Horizonte actual
Salida:
Coordenadas inicio-fin de la lnea de imagen.
Figura 5-13 Cdigo Fija Lnea Horizontal.vi
43
________________________________________________________________________________

__________________________________________________________________________________________________________________
Detecta Bordes en Lnea 1.2.vi

Tiene como objetivo detectar los bordes existentes en la lnea de imagen. Extrae
diferentes caractersticas de ellos como:
Nmero de bordes encontrados
Contrastes
Polaridad
Posiciones (x,y) absolutas
Entradas:
Imagen
Coordenadas de lnea de imagen
Parmetros de bsqueda:
o Contraste
o Filtro
o Paso
o Mtodo de bsqueda
o Exactitud de sub-pxel
44
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 5-14 Cdigo Detecta Bordes en Lnea 1.2.vi
5.5.2 Clasificacin
Localiza Candidatos.vi
Este es el algoritmo de bsqueda de segmentos de lnea candidatos a contener la
nomenclatura de la placa. Su bsqueda se concentra en tres reas:
1. Detectar y definir pares de bordes cuya distancia relativa se encuentre dentro del
parmetro x1 para cada distancia dx.
2. Buscar y discriminar, dentro de cada segmento x1 encontrado, pliegues con
caractersticas dadas por x3, x4, x5 y x6.
3. Filtrar segmentos de acuerdo al intervalo de niveles de gris preestablecidos.
Entradas:
Coordenadas de los bordes
Niveles de gris de cada uno de los puntos de la lnea de imagen
Nmero de bordes encontrados
Polaridad de los bordes
45
________________________________________________________________________________

__________________________________________________________________________________________________________________
Factor de error en pliegue
Factor de error en nivel de gris
Salidas:
Vector de pares de bordes (borde inicio, borde fin) etiquetados como posibles
segmentos de la lnea de imagen que cruzan o cortan la nomenclatura de la placa.
Matriz de posiciones absolutas de los bordes.
Figura 5-15 Recibe el vector de las posiciones (x,y), de los bordes encontrados y da como
salida otro vector de distancias relativas (en pxeles) entre los bordes.
46
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 5-16 Genera dos vectores: 1. Un vector de polaridad de borde donde el valor 1 indica
que el borde cae hacia un nivel de gris ms bajo, y un valor 1 indica que el borde va hacia un
nivel de gris ms alto. 2.Un vector de posiciones de borde
5-17 Este bloque se encarga de seleccionar pares de bordes cuya distancia relativa se
encuentre dentro del intervalo X1 definido por el vector A, para las diferentes distancias dx.
Entrega un vector de dos dimensiones que muestra el borde de inicio y el borde de fin para
cada distancia dx.
47
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 5-18 A partir del vector de pares de bordes se seleccionan los que cumplan con los
valores definidos por x2, x3, x4 y x5 representados por los vectores C, D, E y F. Entrega
un vector de dos dimensiones con los pares de bordes seleccionados.
Figura 5-19 De los bordes seleccionados, filtra los que estn en el rango de nivel de gris
preestablecido por la media mxima y mnima. Entrega el vector de bordes candidatos

definitivo.
48
________________________________________________________________________________

__________________________________________________________________________________________________________________
Dibuja Caja Lmites .vi
Este algoritmo se encarga de delimitar y extraer la porcin de imagen seleccionada

como candidata a contener la nomenclatura de la placa. Los lmites son determinados de
acuerdo a cada segmento de lnea candidato.
Entradas:
Opcin: Ver el contorno de la extraccin?
Vector de los bordes candidatos.
Vector de coordenadas de los bordes.
Posicin horizontal actual
Nmero de ventana
Salidas:
Vector de posiciones del rectngulo del rea de inters (Boundle Box):

o Esquina superior izquierda y
o Esquina inferior derecha
49
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 5-20 En esta seccin, el programa recibe el vector que contiene el par de bordes de
inicio y fin de la placa. El programa determina la posicin de los lmites de la placa
representados por la posicin de los bordes. Determina la distancia dx de acuerdo a su
posicin en el vector. El array Y representa el valor x2 definido para cada distancia dx. Las
coordenadas de la caja de lmites servirn para definir la porcin de imagen a extraer.
50
________________________________________________________________________________

__________________________________________________________________________________________________________________
Figura 5-21 En esta parte, el programa dibuja sobre la imagen el contorno de la caja de lmites
donde se presume localizarse la placa.
5.5.3 Segmentacin y lectura.
Segmenta Caracteres .vi
Su funcin es la de definir, con mayor exactitud, el rea de los caracteres de la placa y

realizar la debida segmentacin. Esta extraccin se hace de acuerdo al anlisis morfolgico de
la placa del Estado de Colima. Se definen las reas a discriminar, se selecciona la menor
cantidad de informacin de imagen, centrndose en el rea de los caracteres.
51
________________________________________________________________________________

__________________________________________________________________________________________________________________
Entradas:
Corte mnimo por debajo de los caracteres.
Corte mximo por debajo de los caracteres
Corte mnimo por encima de los caracteres
Vector de posiciones del rectngulo del rea de inters.
Imagen fuente.
Imagen destino.
Ajuste de corte.
Nivel de disparo
Salidas:
Imagen extrada (IMG Extracted).
52
________________________________________________________________________________

__________________________________________________________________________________________________________________
5-22 Recibe las coordenadas del rectngulo que circunscribe a la placa y extrae esa porcin de
imagen en una imagen nueva. Tambin checa si el rectngulo est vaco, de ser as, lo ignora.
5-23 Recibe la nueva imagen extrada y realiza un anlisis de la lnea de imagen [Line Profile]
para determinar los valores mximos y mnimos de niveles de gris.
53
________________________________________________________________________________

__________________________________________________________________________________________________________________
5-24 Al valor de gris mnimo obtenido se incrementa en cuarenta unidades (la distancia media
entre el nivel de fondo y el nivel de caracteres). El valor resultante de esta adicin se toma
como valor de intervalo mximo para realizar una segmentacin de imagen (Trheshold). A la
imagen segmentada se le aplica una erosin para eliminar las partculas sin inters. En este
punto la imagen resultante es una imagen binaria donde el fondo est dado por ceros y los
caracteres por unos.
La proyeccin de un objeto binario, la cual provee informacin de forma, es
determinada sumando todos sus pxeles a lo largo de columnas o renglones. Si se suman los
renglones se obtiene la proyeccin horizontal, si se suman las columnas se obtiene la
proyeccin vertical.[12] Se puede definir la proyeccin horizontal hi(r) como
1
hi(r) = i(r,c)
c=0
y la proyeccin vertical vi(c)
54
________________________________________________________________________________

__________________________________________________________________________________________________________________
N-1
vi(c) = i(r,c)
r =0
5-25 El objetivo de este bloque es construir una proyeccin horizontal de la imagen definida
por un vector de 1 x n, donde n est dada por la resolucin y (nmero de renglones) de la
imagen.
5-26 Proyeccin horizontal de sub-imagen. Esta proyeccin es anterior al corte de reduccin.
55
________________________________________________________________________________

__________________________________________________________________________________________________________________
5-27 Una vez definido el vector de proyeccin, se toma este para definir los puntos de
corte y de esa manera reducir la imagen de los caracteres al mnimo. Se contemplan dos
cortes: uno sobre la parte superior de los caracteres y otro en la parte inferior de estos.
5-28 Proyeccin horizontal de sub-imagen despus de los cortes superior e inferior. Esta
forma corresponde a los caracteres.
56
________________________________________________________________________________

__________________________________________________________________________________________________________________
PASO PROYECCIN
SUB-IMGENES
COMENTARIO
Parte de la imagen
original. La lnea
1.-
localiza
un
rea
potencial
contener la placa.
Extrae
2.-
el
rea
correspondiente a
la distancia dx.
La
porcin
de
imagen extrada es
binarizada: Fondo
3.-
= 0, objeto = 1. Se
calcula
la
proyeccin
horizontal.
La
imagen
es
reducida al mnimo
4.-
recortando
por
encima y por debajo

de los caracteres. Su
proyeccin final.
La imagen anterior en
nivel de gris: Fondo =
5.-
255, objetos = 0 . Lista

para ser interpretada
por el OCR.
5.29 Secuencias de tratamiento y procesamiento de imagen.
57
________________________________________________________________________________

__________________________________________________________________________________________________________________
5.30 En este ltimo paso, se recibe la imagen ya recortada al mximo y se realiza una
segmentacin (Trehshold) definiendo el fondo con nivel 255 y los caracteres con nivel
cero. Esta imagen est lista para ser interpretada por el motor de reconocimiento de
caracteres.
OCR.VI
El motor de reconocimiento ptico de caracteres.

Entradas:
Imagen extrada
Auto correccin (opcin)
Modo invertido (Caracteres obscuros sobre fondo blanco)
Texto de enmascaramiento (Ejemplo de nomenclatura)
58
________________________________________________________________________________

__________________________________________________________________________________________________________________
Salidas:
Texto bsico interpretado
Texto interpretado sin mscara
Salida de texto enmascarado.
Estado de error.
5.31 Cdigo OCR.vi Este bloque recibe la porcin de imagen extrada para ser analizada por
el motor ptico de reconocimiento de caracteres. Aqu se definen los caracteres de
enmascaramiento de acuerdo a una secuencia legal de nomenclatura.
5.5.4 Control
La siguiente figura muestra el control principal del programa. Se puede advertir la
interaccin entre cada uno de los mdulos.
59
________________________________________________________________________________

__________________________________________________________________________________________________________________
5.32 Este mdulo se encarga de coordinar e interconectar los mdulos que comprenden el
sistema. Como se puede observar, intervienen lazos de repeticin y de bifurcacin, como parte
del control.
5.5.5 Mdulo de interfaz con el exterior

Este bloque se encarga de la interfaz con el mundo exterior. Detecta si existe la presencia
de un auto, esto mediante la seal de disparo enviada por la fotoclula retrorrefelctiva
conectada a TRIG0, y si es as, procede a tomar la imagen de la escena.
60
________________________________________________________________________________

__________________________________________________________________________________________________________________
5.33 Cdigo Shot Control LPR.vi Este mdulo contiene la interfaz con el usuario, con el
dispositivo de captura de imagen y la lnea de control (nivel TTL).
61
________________________________________________________________________________

__________________________________________________________________________________________________________________
6.- PRODUCTO FINAL
Las aplicaciones de visin artificial no contemplan, por lo general, una interfaz de

usuario muy elaborada. La libertad de la que estos sistemas disfrutan, los hacen cada vez ms
libres e independientes. El LMA, dentro de sus funciones, y para cubrir los objetivos de esta
tesis, contempla solamente la localizacin y lectura de la nomenclatura de la placa del auto,
necesitando as, solamente una imagen como entrada y, como resultado del anlisis, una
cadena de caracteres como salida. La mayora de los ajustes y clculos se hacen en tiempo de
programacin, dejando as, poca necesidad de interaccin con el usuario.
En la grfica se puede observar la sencilla interfaz de usuario que contiene los

principales controles.
6.1 Interfase de usuario.
6.1- Descripcin de controles e indicadores.
Progreso. Indica el recorrido de la bsqueda, mostrando el avance.
Lnea? Controla el despliegue de la lnea de bsqueda sobre la imagen.
Caja? Controla el despliegue de la caja de lmites sobre la imagen.
Stop. Terminar la aplicacin.
Sin Mscara. Indica la lectura sin correccin.
62
________________________________________________________________________________

__________________________________________________________________________________________________________________
Mscara. Entrada de secuencia alfanumrica de nomenclatura.
Lectura. Muestra la cadena de caracteres correspondiente a la nomenclatura

encontrada.
No Error. Indica una bsqueda exitosa.
Error. Indica un error de bsqueda.
Las ventanas resultantes de la aplicacin en curso, una con la leyenda original image
muestra la imagen muestreada y la otra Imagen Extrada muestra la porcin de imagen
correspondiente a los caracteres de la nomenclatura de la placa. El panel de control muestra el
estatus de la bsqueda.
6.2 Aplicacin en marcha.
63
________________________________________________________________________________

__________________________________________________________________________________________________________________
Ahora, el sistema LMA est listo para entregar una cadena de caracteres,
correspondiente a la nomenclatura de la placa, y ser utilizada para cualquier aplicacin que el
usuario determine.
A continuacin se muestra un esquema descriptivo del sistema donde interactan el

hardware y el software para lograr una comunicacin eficiente (ver fig. 6.3). Tambin se
incluye el patillaje de la tarjeta digitalizadora (ver fig. 6.4), se utiliza la entrada de video
VIDEO0+ y la seal de disparo proveniente del sensor, TRIG0 (ver fig. 6.5), la tarjeta tiene
disponibles tres lneas de control.
6.3 Esquema. PC: Computadora personal. Sensor: Foto clula retroreflectiva. Digitalizador:
Tarjeta digitalizadora con salidas y entradas digitales. Actuador: Cualquier dispositivo de
salida.
64
________________________________________________________________________________

__________________________________________________________________________________________________________________
PIN
DESCRIPCIN
PIN DESCRIPCIN
1
2
3
4
5
6
7
8
9
10
11
12
13
TRIG0
TRIG1
TRIG2
TRIG3/FIELD
PCLK-/Unused
HSYNCIN-/ Unused
VSYNCIN-/ Unused
CSYNCIN-/ Unused
GND
VIDEOVIDEO2VIDEO1
VIDEO0-/GND
14
15
16
17
18
19
20
21
22
23
24
25
CSYNCOUT
GND
GND
PCLKIN
HSYN+
VSYN+
CSYN+
+5V
VIDEO3+
VIDEO2+
VIDEO1+
VIDEO0+
Fig.6.4 Patillaje de la tarjeta de video PCI 1408 IMAQ PCI.
Fig. 6.5 Diagrama elctrico del sistema LMA
65
________________________________________________________________________________

__________________________________________________________________________________________________________________
7.- CONCLUSIONES
La implementacin del lenguaje G fue acertado. Permite manejar y manipular las

imgenes con gran naturalidad y exactitud. El sistema de adquisicin de imgenes es rpido y
se conecta perfectamente con el control de software.
El mtodo resulta ser efectivo en situaciones con variables controladas, como la

iluminacin y la velocidad de trnsito. Estas variables son completamente controlables ya que
no requieren de un consumo de recursos excesivo; con mantener un nivel de iluminacin
constante y un reductor de velocidad vehicular es suficiente.
La estrategia de bsqueda que se implement y desarroll aqu, present un gran reto

al principio, ya que se tuvieron que definir en base al error las caractersticas ms apropiadas
que, de la placa, pueden medirse. Las caractersticas que se tomaron en cuenta para definir al
objeto fueron las adecuadas, seis caractersticas que definen plenamente al objeto.
La tabla 7.1 muestra una serie de imgenes tomadas con el LMA. El sistema realiza
una bsqueda progresiva de abajo hacia arriba a lo largo de toda la imagen. Se muestran
tambin las salidas obtenidas. La columna SALIDA muestra la seccin de imagen
seleccionada y reconocida. La columna derecha exhibe el tiempo total de localizacin e
interpretacin. Estas pruebas permiten recomendar a el sistema LMA para una aplicacin
definida en control y monitoreo de trfico automovilstico. Los tiempos de bsqueda van de
.795 y 2.563 segundos en el mejor y el peor de los casos, respectivamente. Otra ventaja del
LMA es que no necesita un hardware sofisticado, con una PC convencional es suficiente.
66
________________________________________________________________________________

__________________________________________________________________________________________________________________
MUESTRA DE ENTRADA
SALIDA
TIEMPO
(ms)
1.1035
2.1278
3.1210
4.846
5.-
795
6.2563
Tabla 7.1. Secuencias de bsqueda y reconocimiento de placas del LMA.
67
________________________________________________________________________________

__________________________________________________________________________________________________________________
8.- BIBLIOGRAFIA
[1] C. Gonzlez, Rafael y E. Woods Richard. Tratamiento digital de imgenes,

Addison-Wesley / Daz de Santos, 1996
[2] Digital Image Processing
Castleman, Kenneth R.
Ed. Prentice-Hall Inc.
1996
[3] Giovani Gmez, Enrique Sucar. ITESM
[4] Computer Vision, Principles
Kasturi, Rangachar
3rd, 1993
[5] Digital Image Processing
Jahne, Bern
ed. Springer, 4th edition
1997
[6] Image Segmentation as an Optimization Problem
Levachkine, Surguei
Humberto Sossa
IPN, No. 63 Serie Azul, Junio 2000
[7] Lu, Y, Machine printed character segmentation,
Pattern Recognition, vol. 8,

n.1, pp 67-80, Elsevier Science Ltd, UK, 1995.
[8]IMAQ Vision User Manual, National Instruments Corporation
May 1999 Edition
Part Number 322320B-01
[9]G programming Reference Manual, National Instruments Corporation
68
________________________________________________________________________________

__________________________________________________________________________________________________________________
[10] Ratches Jmes A, Walters, C.P., Buser, Rodolf, G. y Guenther. B.D. Aided & Automatic
Target Recognition Base Upon Sensory Inputs From Image Forming Systems , IEE Trans.
Pattern Analisys and Machine Intellegence, vol. 19,
no. 9, pp 1004- 1019, 1997.
[11] Henri Schiderman and Takeo Kanade, Robotics Institute, Carnegie Mellon University
Pittsburgh, PA 15213
[12] Computer Vision and Image Processing
Umbaugh, Scott E.
Ed. PH PTR
1998
69
________________________________________________________________________________

Hector Omar Ceballos Lepe

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Hector Omar Ceballos Lepe

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD DE COLIMA

MAESTRO EN CIENCIAS AREA: COMPUTACIN

ING. HCTOR OMAR CEBALLOS LEPE

COQUIMATLN, COL. A 25 DE JULIO DE 2003

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

1.1Variables del sistema.

Iluminacin. Un entorno con caractersticas de iluminacin pobre provoca lecturas

Orientacin. El mtodo de bsqueda del sistema aqu desarrollado exige la horizontal

Velocidad de monitoreo. Se establece en la aplicacin si el muestreo de las imgenes

Tabla de nomenclaturas. Se debe contar con la informacin referente al arreglo

Los LPRs son conocidos con otros nombres:

Automatic Vehicle Identification (AVI). Cuya funcin principal es la de identificar

Automatic Number Plate Recognition (ANPR). La utilidad de estos sistemas radica en

Car Plate Reader (CPR). Sistema lector de placas de auto.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

1.2 Algoritmos del procesamiento de imgenes.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

correspondientes en el dominio espacial.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

Figura 1.2 Una mascara 3 x 3 con coeficientes (pesos) arbitrarios.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

degradaciones. Cada elemento que interviene en la toma de imgenes (cmara, lentes,

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

Figura 1.3 Un filtro espacial de paso alto bsico.

1.2.4 Deteccin de bordes

1.2.4.1 Formulacin bsica

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

1.2.4.2 Operadores gradiente

Esta cantidad es igual a la mxima variacin de f(x, y) por unidad de distancia en la

que son bastante ms fciles de implementar, particularmente con hardware dedicado.

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

donde el ngulo se mide con respecto al eje x [1].

Como en el caso del gradiente, la ecuacin (1.2-6) puede implementarse de forma

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

Figura 1.4 Seccin transversal de 2 h.

Comnmente se aplica de manera digital en forma de dos kernels de convolucin como se

Figura 1.5 Kernels de convolucin Laplaciano.

1.2.4.4 Operador de borde Sobel

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

Figura 1.6 El operador de bordes Sobel.

1.2.4.5 El operador de borde Prewitt.

Figura 1.7 Operador de bordes Prewitt.

1.2.5 Extraccin de contornos

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

objeto sea completada. La extraccin de contornos o la unin de puntos de borde es el proceso

1.2.6 Extraccin de caractersticas

integrado por el vector de

caractersticas de cada objeto. Una seleccin apropiada de las caractersticas es importante, ya

1.2.7 Reconocimiento de objetos

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

es posible utilizando una sola caracterstica. Entonces es requerido utilizar mltiples

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

CARGA Y PASAJE (MIXTO)

IDENTIFICACIN DE MATRCULAS EN VEHCULOS AUTOMOTORES MEDIANTE VISIN ARTIFICIAL.

2.- DESCRIPCIN DEL PROYECTO

La seleccin de una plataforma de desarrollo, LabView como principal herramienta.

El diseo e implementacin del algoritmo en lenguaje G capaz de controlar y realizar

NIMAQ Vision Builder como herramienta de prototipos.

NI-IMAQ Software de manipulacin y procesamiento de imgenes.

Iluminacin infrarroja y luz difusa (fluorescente).