Desenvolvimento de um Sistema de Detecção de Placas Licenciadas

• Rafael A. A. Tomé UFG
• Arnold C. V. Lima UFG
• Gustavo T. Laureano UFG

Resumo

A detecção automática de placas de veículos por imagens tem sido objeto de estudo há muitos anos, mas até hoje não existem métodos robustos o suficiente para lidar com diferentes poses ou que lidam com cenas complexas de modo satisfatório. Uma das principais dificuldades na construção de um sistema de detecção de placas é a modelagem do padrão visual que se deseja detectar, sendo este padrão ambíguo e variável com o ponto de vista, além de variar de acordo com a legislação. Este trabalho apresenta um método de detecção de placas de veículos usando características de Haar e Adaboost, sendo desnecessária a modelagem direta ou a definição de características para o processo de classificação. A metodologia proposta foi avaliada usando a base de dados oriunda da UFPR (Universidade Federal do Paraná) e resultados mostram a viabilidade da proposta.

Palavras-chave: Detecção automática, placas, veículos, modelagem de dados

Referências

Ahn, C., Lee, B., Yang, S., and Park, S. (2017). Design of car license plate area detection algorithm for enhanced recognition plate. In 2017 4th International Conference on Computer Applications and Information Processing Technology (CAIPT), pages 1–4.

AlyanNezhadi, M. M., Hashemi, S. M. R., and Abolghasemi, V. (2017). License plate detection in complex scenes based on fusion of gaussian filtering and bayesian network.

In 2017 IEEE 4th International Conference on Knowledge-Based Engineering and Innovation (KBEI), pages 0022–0026.

Chandra, H., Michael, Hadisaputra, K. R., Santoso, H., and Anggadjaja, E. (2017). Smart parking management system: An integration of rfid, alpr, and wsn. In 2017 IEEE 3rd International Conference on Engineering Technologies and Social Sciences (ICETSS), pages 1–6.

Chaves, B. B. (2011). Estudo do algoritmo adaboost de aprendizagem de maquina aplicado a sensores e sistemas embarcados. Master’s thesis, Sao Paulo: Universidade de São Paulo, Escola Politécnica.

Dataset, A. (2019). Repository containing image database used in the training phase. https://web.inf.ufpr.br/vri/databases/ufpr-alpr/. accessed 2019-09-23.

Du, S., Ibrahim, M., Shehata, M., and Badawy, W. (2013). Automatic license plate recognition (alpr): A state-of-the-art review. In IEEE Transactions on Circuits and Systems for Video Technology, volume 23, pages 311–325.

Freund, Y. and Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. In Journal of Computer and System Sciences, volume 55, pages 119–139.

Gibson, W. (2005). Pattern recognition. Berkley Books, 1st edition. Knowrafa (2019). Repository containing source code and image database. https:
//github.com/knowrafa/ic-plate-recognition. Accessed 2019-09-23.

Laroca, R., Severo, E., Zanlorensi, L. A., Oliveira, L. S., Gonc ̧alves, G. R., Schwartz, W. R., and Menotti, D. (2018). A robust real-time automatic license plate recognition based on the yolo detector. pages 1–10. IEEE.

Quiros, A. R. F., Bedruz, R. A., Uy, A. C., Abad, A., Bandala, A., Dadios, E. P., Maningo, J. M., and Vicerra, R. R. (2017). Localization of license plates using optimized edge and contour detection technique. In TENCON 2017 - 2017 IEEE Region 10 Conference, pages 1075–1080.

Szeliski, R. (2011). Computer Vision: Algorithms and Applications. Springer, 1st edition.

Viola, P. and Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001, volume 1, pages I–I.

Wang, A., Liu, X., Han, Y., and Qi, C. (2012). License plate location algorithm based on edge detection and morphology. In 2012 7th International Forum on Strategic Technology (IFOST), pages 1–4.