License plate recognition based on temporal redundancy
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/ESBF-AEFHKP |
Resumo: | Reconhecimento de placas de veículos (ALPR) é uma tarefa importante que pode ser aplicada em vários cenários. A maioria das abordagens de ALPR primeiro detectam o veículo, localizam sua placa de identificação, delimita os seus caracteres e, finalmente, os reconhece utilizando alguma técnica de OCR. No entanto, essas abordagens utilizam apenas uma imagem de cada veículo para processar. Isso faz com que elas tenham suas taxas de reconhecimento reduzidas devido aos ruídos presentes nesta imagem em particular. Com isso, neste trabalho nós propomos uma abordagem para detectar o veículo na pista e identificar sua placa de forma automática utilizando redundância temporal ao invés de selecionar apenas uma imagem para realizar o reconhecimento. Além disso, nós também propomos duas técnicas de pós-processamento que podem ser utilizadas para melhorar ainda mais a acurácia do sistema realizando uma consulta à um banco de dados de placas (por exemplo, um banco de dados do governo contendo todas as placas utilizadas no Brasil). Os experimentos realizados demonstram que é possível melhorar os resultados do reconhecimento de veículos em 15.5 pontos percentuais (uma melhora de 23.88%) utilizando nossa abordagem de redundância temporal proposta. Além disso, uma nova melhora de 7.8 pontos percentuais é conseguida quando utilizando as abordagens propostas de pós-processamento, levando à uma acurácia final de 89.6% em uma base de dados com 5,200 frames de 300 veículos gravada no campus da UFMG. Por fim, este trabalho também propõe um novo benchmark composto de um dataset criado especificamente para se testar técnicas de segmentação de caracteres em placas de carro e um protocolo de avaliação. Este dataset é composto de 2,000 placas de carros brasileiras que contém 14,000 símbolos alfanuméricos e suas anotações correspondentes. Nosso benchmark também propõe um coeficiente chamado Jaccard-Centroid, que é uma nova medida mais indicada para avaliar métodos de segmentação do que o coeficiente Jaccard que é tradicionalmente utilizado. |
id |
UFMG_1f10e9fd0e62e53c8edf184e79e2de6e |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-AEFHKP |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
William Robson SchwartzDavid Menotti GomesDavid Menotti GomesFlavio Luis Cardeal PaduaThiago Oliveira dos SantosGabriel Resende Gonçalves2019-08-10T10:04:01Z2019-08-10T10:04:01Z2016-08-26http://hdl.handle.net/1843/ESBF-AEFHKPReconhecimento de placas de veículos (ALPR) é uma tarefa importante que pode ser aplicada em vários cenários. A maioria das abordagens de ALPR primeiro detectam o veículo, localizam sua placa de identificação, delimita os seus caracteres e, finalmente, os reconhece utilizando alguma técnica de OCR. No entanto, essas abordagens utilizam apenas uma imagem de cada veículo para processar. Isso faz com que elas tenham suas taxas de reconhecimento reduzidas devido aos ruídos presentes nesta imagem em particular. Com isso, neste trabalho nós propomos uma abordagem para detectar o veículo na pista e identificar sua placa de forma automática utilizando redundância temporal ao invés de selecionar apenas uma imagem para realizar o reconhecimento. Além disso, nós também propomos duas técnicas de pós-processamento que podem ser utilizadas para melhorar ainda mais a acurácia do sistema realizando uma consulta à um banco de dados de placas (por exemplo, um banco de dados do governo contendo todas as placas utilizadas no Brasil). Os experimentos realizados demonstram que é possível melhorar os resultados do reconhecimento de veículos em 15.5 pontos percentuais (uma melhora de 23.88%) utilizando nossa abordagem de redundância temporal proposta. Além disso, uma nova melhora de 7.8 pontos percentuais é conseguida quando utilizando as abordagens propostas de pós-processamento, levando à uma acurácia final de 89.6% em uma base de dados com 5,200 frames de 300 veículos gravada no campus da UFMG. Por fim, este trabalho também propõe um novo benchmark composto de um dataset criado especificamente para se testar técnicas de segmentação de caracteres em placas de carro e um protocolo de avaliação. Este dataset é composto de 2,000 placas de carros brasileiras que contém 14,000 símbolos alfanuméricos e suas anotações correspondentes. Nosso benchmark também propõe um coeficiente chamado Jaccard-Centroid, que é uma nova medida mais indicada para avaliar métodos de segmentação do que o coeficiente Jaccard que é tradicionalmente utilizado.Recognition of vehicle license plates is an important task that can be applied for a myriad of real scenarios. Most approaches focus on performing the ALPR steps using only a single frame for each vehicle. Hence, they might have their recognition rates reduced due to noise present in that particular frame. Therefore, in this work, we propose an approach to recognize vehicle license plates using temporal redundant information instead of selecting a single frame. We also propose two post-processing steps that can be used to improve the system accuracy by reconizing the vehicle appearance and querying a license plate database. Experiments demonstrate that it is possible to improve significantly the vehicle recognition rate using our proposed approaches on a dataset recorded at UFMG campus. Furthermore, this work also proposes a new benchmark composed of a dataset designed to focus specifically on the ALPR character segmentation step, a new evaluation measure and its evaluation protocol.Universidade Federal de Minas GeraisUFMGComputaçãoreconhecimento de placas veicularesreconhecimento de padrõesvisão computacionalbenchmarksegmentação de caracteresLicense plate recognition based on temporal redundancyinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALgabrielresendegon_alves.pdfapplication/pdf9532417https://repositorio.ufmg.br/bitstream/1843/ESBF-AEFHKP/1/gabrielresendegon_alves.pdfefb55ed7175694de84924b550d0b49c0MD51TEXTgabrielresendegon_alves.pdf.txtgabrielresendegon_alves.pdf.txtExtracted texttext/plain110573https://repositorio.ufmg.br/bitstream/1843/ESBF-AEFHKP/2/gabrielresendegon_alves.pdf.txt06b446d1c5c54f8777f6b289ef0673eeMD521843/ESBF-AEFHKP2019-11-14 07:52:07.525oai:repositorio.ufmg.br:1843/ESBF-AEFHKPRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T10:52:07Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
License plate recognition based on temporal redundancy |
title |
License plate recognition based on temporal redundancy |
spellingShingle |
License plate recognition based on temporal redundancy Gabriel Resende Gonçalves reconhecimento de placas veiculares reconhecimento de padrões visão computacional benchmark segmentação de caracteres Computação |
title_short |
License plate recognition based on temporal redundancy |
title_full |
License plate recognition based on temporal redundancy |
title_fullStr |
License plate recognition based on temporal redundancy |
title_full_unstemmed |
License plate recognition based on temporal redundancy |
title_sort |
License plate recognition based on temporal redundancy |
author |
Gabriel Resende Gonçalves |
author_facet |
Gabriel Resende Gonçalves |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
William Robson Schwartz |
dc.contributor.advisor-co1.fl_str_mv |
David Menotti Gomes |
dc.contributor.referee1.fl_str_mv |
David Menotti Gomes |
dc.contributor.referee2.fl_str_mv |
Flavio Luis Cardeal Padua |
dc.contributor.referee3.fl_str_mv |
Thiago Oliveira dos Santos |
dc.contributor.author.fl_str_mv |
Gabriel Resende Gonçalves |
contributor_str_mv |
William Robson Schwartz David Menotti Gomes David Menotti Gomes Flavio Luis Cardeal Padua Thiago Oliveira dos Santos |
dc.subject.por.fl_str_mv |
reconhecimento de placas veiculares reconhecimento de padrões visão computacional benchmark segmentação de caracteres |
topic |
reconhecimento de placas veiculares reconhecimento de padrões visão computacional benchmark segmentação de caracteres Computação |
dc.subject.other.pt_BR.fl_str_mv |
Computação |
description |
Reconhecimento de placas de veículos (ALPR) é uma tarefa importante que pode ser aplicada em vários cenários. A maioria das abordagens de ALPR primeiro detectam o veículo, localizam sua placa de identificação, delimita os seus caracteres e, finalmente, os reconhece utilizando alguma técnica de OCR. No entanto, essas abordagens utilizam apenas uma imagem de cada veículo para processar. Isso faz com que elas tenham suas taxas de reconhecimento reduzidas devido aos ruídos presentes nesta imagem em particular. Com isso, neste trabalho nós propomos uma abordagem para detectar o veículo na pista e identificar sua placa de forma automática utilizando redundância temporal ao invés de selecionar apenas uma imagem para realizar o reconhecimento. Além disso, nós também propomos duas técnicas de pós-processamento que podem ser utilizadas para melhorar ainda mais a acurácia do sistema realizando uma consulta à um banco de dados de placas (por exemplo, um banco de dados do governo contendo todas as placas utilizadas no Brasil). Os experimentos realizados demonstram que é possível melhorar os resultados do reconhecimento de veículos em 15.5 pontos percentuais (uma melhora de 23.88%) utilizando nossa abordagem de redundância temporal proposta. Além disso, uma nova melhora de 7.8 pontos percentuais é conseguida quando utilizando as abordagens propostas de pós-processamento, levando à uma acurácia final de 89.6% em uma base de dados com 5,200 frames de 300 veículos gravada no campus da UFMG. Por fim, este trabalho também propõe um novo benchmark composto de um dataset criado especificamente para se testar técnicas de segmentação de caracteres em placas de carro e um protocolo de avaliação. Este dataset é composto de 2,000 placas de carros brasileiras que contém 14,000 símbolos alfanuméricos e suas anotações correspondentes. Nosso benchmark também propõe um coeficiente chamado Jaccard-Centroid, que é uma nova medida mais indicada para avaliar métodos de segmentação do que o coeficiente Jaccard que é tradicionalmente utilizado. |
publishDate |
2016 |
dc.date.issued.fl_str_mv |
2016-08-26 |
dc.date.accessioned.fl_str_mv |
2019-08-10T10:04:01Z |
dc.date.available.fl_str_mv |
2019-08-10T10:04:01Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/ESBF-AEFHKP |
url |
http://hdl.handle.net/1843/ESBF-AEFHKP |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-AEFHKP/1/gabrielresendegon_alves.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-AEFHKP/2/gabrielresendegon_alves.pdf.txt |
bitstream.checksum.fl_str_mv |
efb55ed7175694de84924b550d0b49c0 06b446d1c5c54f8777f6b289ef0673ee |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589291745476608 |