Reconhecimento de placas de automóveis e de seus condutores para a abertura automática de portões.

• Autor(a) principal: MOURA, Vanessa Santos.
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27611
• topic: Engenharia Elétrica; Rede neural convolucional profunda; Deep convolutional neural network; Histograma de gradientes orientados; Oriented Gradient Histogram; Máquina de vetor de suporte; Support vector machine; Reconhecimento de placas de carros; License plate recognition; Mobile Net-SSD; Algoritmo de rede neural - Python; Neural Network Algorithm - Python; Python - algoritmo; Python - algorithm; Reconhecimento óptico de caracteres - OCR; Optical Character Recognition - OCR; Visão computacional; Computer vision

O presente trabalho tem como propósito contribuir para assistência na entrada e saída de automóveis em prédios e condomínios fechados. Visando atingir este objetivo, este trabalho foi dividido em duas etapas: desenvolvimento de um algoritmo de rede neural capaz de identificar e reconhecer a placa de um automóvel e desenvolvimento de um algoritmo capaz de identificar e reconhecer o condutor. Para a identificação de placas de automóveis, foi utilizado o modelo de rede pré-treinado do Tensorflow, chamado MobileNet- SSD, destinado para a detecção de objetos, sendo realizada o afinamento do modelo para que se detecte placas. Para o reconhecimento da placa do automóvel, empregou-se a tecnologia de reconhecimento óptico de caracteres OCR. A implementação do algoritmo foi realizada em Python. A rede neural convolucional profunda apresentou bons resultados de precisão, revocação e F1-score, métricas de desempenho de redes neurais, podendo ser melhorada em trabalhos futuros realizando um pré-processamento na base de dados escolhida. Para a identificação e reconhecimento facial do condutor, é empregado histograma de gradientes orientados alimentando uma máquina de vetor de suporte. As bibliotecas dlib e face_recognition foram utilizadas. Foram obtidos resultados satisfatórios de acurácia, precisão, revocação e F1-score, superiores à 98,6 %, o que demonstra a fidelidade de predição do algoritmo de reconhecimento facial implementado.