Análise Comparativa de Métodos de Segmentação e Técnicas de Aprendizado de Máquina Com Aplicação no Reconhecimento Automático de Placas de Identificação de Veículos

Andre Luiz Costantino Botta; Leyza Elmeri Baldo Dorini; Rodrigo Minetto

doi:10.20906/CPS/SICITE2015-0312

Resumo

INTRODUÇÃO. O Reconhecimento Automático de Placas de Veículos (do inglês, Automatic Number Plate Recognition - ANPR) envolve o uso de métodos de segmentação e de Reconhecimento Óptico de Caracteres (do inglês, Optical Character Recognition - OCR) para reconhecer os caracteres contidos na placa de identificação de um veículo. É um problema de difícil solução, devido a fatores tais como oclusão e variação nas condições de iluminação, e de extremo interesse para diversas aplicações. OBJETIVO. Neste contexto, os módulos de segmentação e OCR de um sistema ANPR foram desenvolvidos e tiveram seu desempenho analisado. Além disso, os resultados da abordagem proposta foram comparados com aqueles obtidos com a biblioteca Tesseract, referência na área de OCR. METODOLOGIA. Inicialmente, realizou-se o estudo e a codificação dos métodos de segmentação de Niblack, Sauvola, Wolf, Otsu e SnooperText, assim como do descritor de imagem Momentos de Hu. Posteriormente, analisou-se comparativamente os módulos de segmentação e OCR (integração dos Momentos de Hu com as técnicas de aprendizado de máquina: Perceptron Multi-Camadas, Máquina de Vetores Suporte, Classificador Naïve Bayes, K-Vizinhos Mais Próximos e Gradient Boosted Trees) visando determinar qual das 25 combinações possíveis apresentava melhores resultados em relação à precisão. Por fim, substituiu-se o módulo de segmentação do Tesseract pelo desenvolvido neste projeto com o propósito de avaliar quantitativamente a melhora de desempenho deste. RESULTADOS E CONSIDERAÇÕES FINAIS. Avaliando-se os módulos de segmentação e OCR desenvolvidos, observou-se que o melhor método de segmentação e técnica de aprendizado de máquina são o de Wolf e Gradient Boosted Trees, respectivamente. Ao substituir-se o módulo de segmentação do Tesseract pelo proposto neste trabalho, verificou-se que o método de Otsu desenvolvido otimizou as taxas de acerto de precisão do Tesseract.

Palavras-chave: Reconhecimento Automático de Placa de Veículos