Você está na página 1de 106

Jonh Edson Ribeiro de Carvalho

Uma Abordagem de Segmentao de Placas de


Automveis Baseada em Morfologia Matemtica

Dissertao de Mestrado

Dissertao de Mestrado submetida ao Programa de


Ps-Graduao em Computao da Universidade
Federal Fluminense como requisito parcial para
obteno do ttulo de Mestre. rea de Concentrao:
Computao Visual e Interfaces.

Orientadora: D.Sc. Aura Conci

Niteri, Junho de 2006


Jonh Edson Ribeiro de Carvalho

Uma Abordagem de Segmentao de Placas de


Automveis Baseada em Morfologia Matemtica

Dissertao de Mestrado submetida ao Programa de Ps-


Graduao em Computao da Universidade Federal
Fluminense como requisito parcial para obteno do ttulo
de Mestre. rea de Concentrao: Computao Visual e
Interfaces. Aprovada pela Comisso Examinadora abaixo
assinada.

D.Sc. Aura Conci


Orientadora
IC/UFF - Universidade Federal Fluminense

PhD Edilberto Strauss


Poli/UFRJ - Universidade Federal do Rio de Janeiro

D.Sc. Regina Clia Paula Leal Toledo


IC/UFF - Universidade Federal Fluminense

Niteri, 02 de Junho de 2006


Ficha Catalogrfica elaborada pela Biblioteca da Escola de Engenharia e Instituto de Computao da UFF

C331 Carvalho, Jonh Edson Ribeiro de.


Uma abordagem de segmentao de placas de automveis baseada
em morfologia matemtica / Jonh Edson Ribeiro de Carvalho.
Niteri,. RJ : [s.n.], 2006.
101 f.

Orientador: Aura Conci.


Dissertao (Mestrado em Computao) - Universidade Federal
Fluminense, 2006.

1. Reconhecimento de padres. 2. Anlise de imagens.


3.Computao visual. I. Ttulo.
CDD 006.4
Dedicatria
Aos meus pais, Edson e Luzia.
Aos parentes e amigos que me incentivaram direta ou indiretamente para a
concluso deste trabalho.
Agradecimentos
minha Orientadora, Aura Conci, pelo incentivo, compreenso, confiana e pela
pacincia nos momentos difceis.

Ao Professor Jacques Facon pela sua ateno, incentivo, colaborao com


sugestes de literatura, e pela cesso de um conjunto de imagens de automveis,
que foram usados para testes.

Ao Luis Valente pelo incentivo, apoio e longas conversas, sempre instrutivas.


Resumo
Carvalho, Jonh Edson Ribeiro de. Uma Abordagem de Segmentao de
Placas de Automveis Baseada em Morfologia Matemtica. Niteri,
2006. 101p. Dissertao de Mestrado Instituto de Computao,
Universidade Federal Fluminense.

A localizao da placa de licena de automvel uma instncia do problema


de deteco de regies de interesse. Sendo essa etapa a principal limitadora no
reconhecimento de placas, j que a no deteco da placa ou de seus caracteres,
inviabiliza todo o processamento posterior, em que se parte do pressuposto de que
eles esto detectados.
Nesta dissertao apresenta-se um mtodo baseado em morfologia
matemtica para a segmentao de placas de automveis a partir de cenas
complexas, ou seja, cenas em que no haja restries na aquisio da imagem. O
mtodo consiste de uma etapa de obteno de melhorias das imagens, e de uma
segunda etapa especfica de segmentao da placa, baseando-se na caracterstica
da regio da placa em que possui necessariamente um alto contraste entre o fundo
da placa e os caracteres. A espessura dos caracteres e a distncia entre estes, so o
ponto de partida do mtodo para a localizao da placa.
O mtodo baseado em morfologia apresenta a vantagem de depender pouco
das condies de iluminao, dessa forma se adequando as mais variadas
aplicaes. Tendo como caracterstica principal, reduzir significativamente o
nmero de candidatos extrados aumentando assim a velocidade subseqente do
reconhecimento da placa.

Palavras-chave
Morfologia Matemtica, Anlise de Imagens, Reconhecimento de Padres,
Computao Visual, Reconhecimento de Placas.
Abstract
Carvalho, Jonh Edson Ribeiro de. An Approach of Segmentation of Plates
of Automobiles Based in Mathematical Morphology. Niteri, 2006. 101p.
Dissertao de Mestrado Instituto de Computao, Universidade Federal
Fluminense.

The localization of the plate of automobile license is an instance of the


problem of detection of interest regions. Being this stage the main limiter in the
recognition of plates, since not the detention of the plate or its characters, it makes
impracticable the posterior processing all, if part of the estimated one of that they
are detected.
In this dissertation a method based on mathematical morphology for the
segmentation of plates of automobiles from complex scenes is presented, or either,
scenes where it does not have restrictions in the acquisition of the image. The
method consists one-step of attainment of improvements of the images, e of one
second specific stage of segmentation of the plate, being based on the
characteristic of the region of the plate where it possess one necessarily high
contrast enters background of the plate and the characters. The thickness of the
characters and in the distance between these, they are the starting point of the
method for the localization of the plate.
The method based on morphology presents the advantage to depend little on
the illumination conditions, of this form if adjusting the most varied applications.
Having as characteristic main, to reduce significantly the number of extracted
candidates thus increasing the subsequent speed of the recognition of the plate.

Keywords
Mathematical Morphology, Image Analysis, Patterns Recognition,
Computer Vision, License Plate Recognition.
Lista de figuras

Figura 1. Etapas e Nveis de Abstrao no Processamento de Imagens 2H19


Figura 2. Imagem para obteno do Histograma 3H23
Figura 3. Histograma da figura 2. 4H24
Figura 4. a) Translao no Espao Euclideano, b) Translao de um Conjunto
Digital (WAYNE, 2000) 5H31
Figura 5. Reflexo de B Espao Euclideano 6H32
Figura 6. Origem do Elemento Estruturante Losango 7x7 (diamante) (MATLAB,
2006) 7H33
Figura 7. Elemento Estruturante transladando a imagem (MATLAB, 2006) 8H34
Figura 8. a) Dilatao Euclideana, b) Dilatao do Conjunto Digital (WAYNE,
2000) 9H34
Figura 9. a) Eroso no espao Euclideano, b) Eroso do Conjunto Digital
(WAYNE, 2000) 36
10H

Figura 10. Imagens Erodidas consecutivamente: a) 1 vez, b) trs vezes, c) cinco


vezes 36
11H

Figura 11. Abertura (WAYNE, 2000) 37


12H

Figura 12. Fechamento (WAYNE, 2000) 38


13H

Figura 13. Representao de um sinal, sua Transformada Umbra e a sua


Superfcie superior (WAYNE, 2000). 43
14H

Figura 14. Dilatao de um sinal (WAYNE, 2000) 45


15H

Figura 15. Dilatao em Tons de Cinza (PRATT, 2001) 45


16H

Figura 16. Eroso de um sinal (WAYNE, 2000). 46


17H

Figura 17. Eroso em Tons de Cinza (PRATT, 2001). 47


18H

Figura 18. Abertura em Tons de Cinza eliminando picos do sinal (WAYNE,


2000). 48
19H

Figura 19. Abertura em Tons de Cinza (PRATT, 2001) 49


20H

Figura 20. Fechamento conservando picos afastados (WAYNE, 2000). 49


21H

Figura 21. Fechamento em Tons de Cinza (PRATT, 2001). 50


22H

Figura 22. Etapas da Operao Tophat por abertura. 50


23H
Figura 23. Etapas da Operao Tophat por Fechamento 51
24H

Figura 24. Aplicao de Reconhecimento Automtico de Caracteres 53


25H

Figura 25. Exemplos de dispositivos de controle de trnsito (PERKONS, 2006) 54


26H

Figura 26. Tipos de Placas Brasileiras (CONTRAN, 2006) 57


27H

Figura 27. Forma e dimenses da placa em mm (CONTRAN, 2006). 59


28H

Figura 29. Placa binarizada (SOUZA & SUSIN, 2000). 61


29H

Figura 31. Deteco e Extrao de Linha (YANAMURA, 2003) 64


30H

Figura 32. Processamento Paralelo (OPAS CHUTATAPE & XIAODONG QIAN,


1999) 65
31H

Figura 33. Imagens de placas com variao de ngulos (NAITO et al., 1999) 66
32H

Figura 34. Pr-processamento, Limiariazao e Eroso, Placa destacada (DA-


SHAN GAO & JIE ZHOU, 2000) 67
33H

Figura 35. Deteco de Placas em motos (HSI-JIAN et al., 2004) 68


34H

Figura 36. Realce dos caracteres por Morfologia Matemtica 69


35H

Figura 37. Etapas do sistema da imagem 73


36H

Figura 38. Exemplo de Imagem Inicial 74


37H

Figura 39. Imagem Original 75


38H

Figura 40. Imagem aps Bottom Hat 76


39H

Figura 41. Imagem aps Binarizao 77


40H

Figura 42. Imagem aps Fechamento 77


41H

Figura 43. Imagem aps Abertura Mnima 78


42H

Figura 44. Imagem aps Abertura Mxima 78


43H

Figura 45. Imagem aps Eliminao largura Mnima Abertura 79


44H

Figura 46. Imagem de Placa segmentada aps dilatao 79


45H

Figura 47. Imagem de placa destacada 80


46H

Figura 49. Localizao parcial da placa 82


47H

Figura 50. Veculo com pintura clara 82


48H

Figura 51. Veculo com a placa inclinada 83


49H

Figura 52. Placa sombreada 84


50H

Figura 53. Imagem contendo trs placas 84


51H

Figura 54. Veculo com adesivos 85


52H

Figura 55. Foto com ngulo normal 85


53H
Lista de tabelas

Tabela 1. Padronizao das Placas (CONTRAN, 2006) 58


54H

Tabela 2. Dimenses das Placas no Brasil em mm (CONTRAN, 2006). 58


55H

Tabela 3. Dimenses dos caracteres alfanumricos em mm (CONTRAN, 2006).


59
56H

Tabela 4. Resultados para o Reconhecimento de Caracteres (GUINGO, 2003) 63


57H

Tabela 5. Caractersticas das imagens obtidas 72


58H

Tabela 6. Resultado da Localizao das Placas 81


59H
Sumrio

1 Introduo 13
60H

1.1. Motivaes 13
61H

1.2. Metodologia Proposta 15


62H

1.3. Organizao da Dissertao 16


63H

2 Processamento e Anlise de Imagens 18


64H

2.1.1. Definies bsicas 18


65H

2.1.2. Definio de imagem 19


66H

2.1.3. Sistema de processamento e anlise de imagens 20


67H

2.2. Tcnicas de Segmentao 22


68H

2.2.1. Segmentao com uso do Histograma 23


69H

2.2.2. Limiarizao Automtica 25


70H

3 Morfologia Matemtica 29
71H

3.1. Caractersticas Principais 29


72H

3.2. Bases da Morfologia Matemtica Binria 31


73H

3.2.1. Elemento Estruturante 32


74H

3.2.2. Dilatao 33
75H

3.2.3. Eroso 35
76H

3.2.4. Abertura 36
77H

3.2.5. Fechamento 37
78H

3.2.6. Granulometria 38
79H

3.3. Morfologia Matemtica em Tons de Cinza 40


80H

3.3.1. Bases para Morfologia Matemtica em Tons de Cinza 40


81H

3.3.2. Umbra 42
82H

3.3.3. Dilatao 43
83H

3.3.4. Eroso 46
84H

3.3.5. Abertura 47
85H

3.3.6. Fechamento 49
86H
3.3.7. Tophat por abertura 87H50
3.3.8. Tophat por fechamento 88H51
3.3.9. Morfologia Matemtica em Cores 89H52

4 Reconhecimento de Placas 90H53


4.1. Alguns Sistemas Atuais em Uso 91H54
4.2. Sistema Brasileiro de Placas de Veculos 92H56
4.3. . Evoluo do Reconhecimento de Placas 93H59
4.3.1. Siav 94H60
4.3.2. Bussador & Facon 95H62
4.3.3. Guingo e Rodrigues 96H62
4.4. Abordagens Diferenciadas no Mundo 97H63

5 Metodologia Proposta 98H71


5.1. Base de dados 99H71
5.1.1. Caractersticas da base de dados 72
100H

5.2. Desenvolvimento 72
101H

5.3. Aquisio da imagem 74


102H

5.4. Pr-Processamento 74
103H

5.4.1. Converso das imagens coloridas para nveis de cinza 74


104H

5.4.2. Tophat 75
105H

5.5. Processamento 76
106H

5.5.1. Reduo da complexidade da imagem 76


107H

5.6. Segmentao por Operaes Morfolgicas Binria 77


108H

5.6.1. Fechamento 77
109H

5.6.2. Abertura Horizontal e Vertical 78


110H

5.7. Anlise de Resultados 80


111H

5.7.1. Anlise da localizao da placa 80


112H

5.7.2. Casos particulares 82


113H

5.7.2.1. Localizao em veculos com pintura clara 82


114H

5.7.2.2. Placas posicionadas incorretamente 83


115H

5.7.2.3. Fator de luminosidade 83


116H

5.7.2.4. Foto com mais de um veculo 84


117H

5.7.2.5. Localizao da placa em veculos com adesivos 85


118H
5.7.2.6. Fotos no paralelas ao plano de captura 85
119H

5.7.3. Comparao com o sistema SIAV 86


120H

6 Concluso 88
121H

6.1. Contribuio do trabalho 89


122H

6.2. Perspectivas futuras 89


123H

Referncia Bibliogrfica 90
124H

Apndice A 96
125H

Apndice B 101
126H
Introduo 13

1 Introduo

O reconhecimento de placas de veculos automotores uma aplicao que


est inserida no contexto do reconhecimento de padres, um ramo da cincia que
se interessa pela descrio, interpretao e tambm reconhecimento de objetos ou
partes de uma imagem digital. O reconhecimento de padres lida com tcnicas
para associar os padres s suas respectivas classes, de forma automtica e com a
menor interveno humana possvel (GONZALEZ & THOMASON, 1992).
O trabalho de reconhecimento de placas pode parecer uma aplicao de fcil
soluo, pois o objeto do reconhecimento, a placa, constitudo de caracteres
impressos com formas bem definidas. Este fato pode induzir o pensamento de que
um sistema de reconhecimento tico de caracteres (OCR) convencional pode
facilmente resolver o problema, porm a realidade mostra o contrrio. O
reconhecimento de placas de veculos apresenta caractersticas prprias, advindas
de efeitos diversos introduzidos por fatores como: a neblina, a chuva, a obstruo
parcial da placa, a distncias, a velocidade de deslocamento do veculo, o ngulo
de tomada da imagem, a qualidade tcnica do equipamento de captura que muitas
das vezes ficam expostos intemprie, a luminosidade natural ou falta da mesma,
sombra, reflexo, diferenas de padro, estado de conservao da placa e outros.
Estes fatores tornam o problema muito mais complexo e difcil de ser tratado.

1.1. Motivaes

O estudo de reconhecimento de placas apresenta um grande potencial de


aplicao prtica (HSI-JIAN et al., 2004). Atravs de um sistema automtico de
reconhecimento da licena de um veculo pode-se auxiliar e aumentar o
desempenho de diversos setores que necessitam atualmente desta informao para
desenvolverem seu trabalho.
Com o grande crescimento da frota de veculos em todo mundo, surgem
problemas em que a engenharia de trfego tem que lidar de forma a conseguir
Introduo 14

informaes rpidas e precisas destes veculos, no apenas para controle e


monitorao, mas tambm para solucionar questes de segurana e planejamento.
A utilizao do Reconhecimento Automtico de Placas no se restringe
apenas ao auxlio da fiscalizao no trfego, pode ser aplicada na identificao de
carros roubados, na aplicao de multas, no controle de acesso a estacionamentos,
para gerar estatsticas de fluxo de entrada e sada de veculos a determinados
locais ou mesmo gerao de subsdios para a rea de turismo.
Mesmo nas grandes metrpoles brasileiras, a identificao do veculo, a
partir das fotografias tiradas pelos inmeros equipamentos espalhados pelas vias
pblicas, ainda feita manualmente e no automaticamente em tempo real. Com
um sistema automatizado o ganho no se restringe somente ao tempo de resposta,
mas principalmente na imediata disponibilidade da informao para uso em
inmeras outras aplicaes e lugares. Observando a concentrao de veculos nos
grandes centros e, tambm que a maioria das grandes cidades brasileiras j tem
em funcionamento cmeras para o controle do trfego, ou mesmo para a aplicao
de multas. Conclui-se que um sistema de reconhecimento automtico de placas
seria um excelente aliado aos rgos de fiscalizao, aos estacionamentos de
grande rotatividade, s concessionrias das rodovias privatizadas e a outros
setores que possam fazer uso da informao colocada rapidamente disposio.
As pesquisas acadmicas em reconhecimento de caracteres alfanumricos de
placas de veculos, atravs do processamento de imagens, tiveram incio na
dcada de setenta, quando os primeiros trabalhos foram publicados (DUDA &
HART , 1973). Entretanto, foi somente nos anos de mil novecentos e oitenta que
os primeiros sistemas comerciais de reconhecimento de placas (RP) de
automveis se tornaram disponveis, ainda com muitas limitaes e desempenho
restrito (CHOI, 1987).
No Brasil, o processamento das multas de trnsito e o reconhecimento da
licena dos veculos ainda so feitos manualmente, o que demanda tempo e
recursos humanos cada vez maiores.
O foco principal deste trabalho desenvolver uma metodologia para a
localizao da placa de licena dos veculos, que representa a etapa mais
importante do processo de reconhecimento de placas (RP) incluindo a concepo
e avaliao de desempenho de um modelo computacional, utilizando
Introduo 15

exclusivamente operadores morfolgicos, na busca de uma soluo para o


problema.

1.2. Metodologia Proposta

Um sistema de reconhecimento de placas (RP) composto principalmente


de trs mdulos de processamento: localizao da placa, segmentao dos
caracteres, e reconhecimento dos caracteres. No primeiro mdulo temos a busca
da regio que representa a placa, delimitada pelos caracteres. No segundo mdulo,
da regio entregue pelo mdulo anterior so segmentados os caracteres. No
terceiro mdulo com cada um dos caracteres obtidos, se faz o reconhecimento.
Este que j foi explorado nas aplicaes de reconhecimento tico de caracteres
(SZMURLO, 1995), mas agora tratando as caractersticas das placas de
automveis.
Entre eles, a tarefa da "localizao da placa" considerada como o estgio
mais crucial no sistema de RP. Uma vez que a placa foi encontrada, o resultado
pode ser alimentado no segundo e terceiro mdulo (MONTEIRO, 2002), trabalho
realizado no Visual Lab da Linha de Computao Visual e Interfaces do Instituto
de Computao da Universidade Federal Fluminense. Assim com essa dissertao
pretende-se completar os trs mdulos necessrios ao Reconhecimento
Automtico de Placas.
Pode-se enumerar um grande nmero de metodologias que foram propostas
para a localizao da placa desejada com processamento de imagens. Nessas
metodologias, as principais caractersticas usadas para a localizao da placa,
incluem: cores (KIM et al., 2000), vrtices (HEGT et al., 1999), bordas verticais
(YU & KIM, 2000), simetria dos cantos da placa (KIM & CHIEN, 2001),
projees de contornos (DAI et al., 2001) vertical e horizontal (BARROSO,
1997), busca das formas dos caracteres (HSIEH et al., 2005) e outros (COETZE et
al., 1998) (GUANGZHI CAO, 2003).
Em (KIM et al., 2000) foi usada a informao da cor e redes neurais para
extrair as placas, entretanto a cor no estvel quando as condies de iluminao
mudam. (DAI et al., 2001) e (BARROSO et al., 1997) usaram as projees das
bordas com ambas as orientaes determinando picos dos histogramas como
sendo possveis posies das placas, no entanto a cena complexa, muitas bordas
Introduo 16

no relacionadas, perturbaram a determinao das posies corretas da placa. YU


& KIM, 2000 propuseram um algoritmo de deteco de bordas vertical para
agrupar todas as posies possveis das placas. Nessa abordagem, supe-se que as
bordas verticais entre a placa e o fundo da imagem so contrastantes. Entretanto,
quando as cores das placas forem similares aos fundos, a suposio no mais
existir. Outros mtodos como os citados usando as caractersticas de vrtices
(HEGT et al., 1999) e a simetria dos cantos da placa (KIM & CHIEN, 2001)
tambm fizeram a mesma suposio. O principal problema nessas abordagens
que as caractersticas usadas dependem das diferenas de intensidade entre a placa
e as cores do carro, que no so estveis, devido condio de iluminao,
orientao da cmera, ou mudanas na cor do carro.
Esta dissertao apresenta uma abordagem para localizar placas de
automveis baseadas em operaes morfolgicas. Podemos ver que a abordagem
baseada em morfologia matemtica foi aplicada com sucesso em aplicaes
diferentes como a deteco facial (PERLIBAKAS, 2003), deteco de impresso
digital (MOSOROV, 2001), sensoriamento remoto (SOILLE & PESARESI,
2002), afinamento (FRANA, 2005), controle de qualidade de padres grficos
(FERNANDES & CONCI, 2004), etc.
A abordagem apresentada nesta dissertao utiliza diretamente as operaes
de morfologia matemtica na tarefa de extrao de caractersticas para localizao
da placa desejada, mdulo da localizao da placa. A caracterstica de contraste
invariante a diversas transformaes geomtricas como a cor do carro, translao
da cmera, rotaes, e escala. Mesmo atravs das mudanas de iluminao, pode
ainda ser mantida a alta diferena de intensidade entre os caracteres e o fundo.
Assim a metodologia adotada considera como parmetro importante os caracteres
que sero referncias para se buscar a localizao da placa, considerando as
dimenses e o afastamento entre eles, de maneira a encontrar o conjunto de
caracteres que compe a placa. Conseqentemente, o mtodo proposto trabalha a
regio sob diversas condies de em que a imagem possa ser obtida.

1.3. Organizao da Dissertao

O captulo 2 apresenta os princpios do processamento e anlise de imagens


para o problema de Reconhecimento de Placas de Automveis, definindo as
Introduo 17

caractersticas das trs etapas: localizao da placa, segmentao e


reconhecimento dos caracteres.
O captulo 3 trata dos fundamentos da Morfologia Matemtica em imagens
binrias e em tons de cinza, fornecendo as bases para a metodologia desenvolvida
no trabalho de localizao de placas.
O captulo 4 apresenta vrias abordagens e outros autores destacando a
evoluo das metodologias.
O captulo 5 descreve a metodologia proposta, apresentando todos os passos
necessrios na construo da soluo.
O captulo 6 define os limites impostos ao sistema e apresenta concluses e
propostas de futuros trabalhos.
Processamento e Anlise de Imagens 18

2 Processamento e Anlise de Imagens

O interesse em mtodos de processamento digital de imagens (PDI) tem


duas reas principais de aplicao: melhoria da informao visual para a
interpretao humana e processamento de dados de cenas para percepo
automtica atravs de mquinas.
A rea de processamento digital de imagens tem atrado grande interesse nas
ltimas duas dcadas. A evoluo da tecnologia de computao digital, bem como
o desenvolvimento de novos algoritmos para lidar com sinais bidimensionais est
permitindo uma gama de aplicaes cada vez maior.
Como resultado dessa evoluo, a tecnologia de processamento digital de
imagens vem ampliando seus domnios, que incluem as mais diversas reas, como
por exemplo: anlise de recursos naturais e meteorologia por meio de imagens de
satlites; transmisso digital de sinais de televiso ou fac-smile; anlise de ima-
gens biomdicas, incluindo a contagem automtica de clulas e exame de cromos-
somos; anlise de imagens metalogrficas e de fibras vegetais; obteno de
imagens mdicas por ultra-som, radiao nuclear ou tcnicas de tomografia
computadorizada; aplicaes em automao industrial envolvendo o uso de
sensores visuais em robs, etc.
As tcnicas de processamento digital de imagens, alm de permitirem anali-
sar uma cena nas vrias regies do espectro eletromagntico, tambm possibilitam
a integrao de vrios tipos de dados, os quais devem estar devidamente registra-
dos. As principais reas de aplicaes do PDI geralmente requerem mtodos ca-
pazes de realar as informaes contidas nas imagens para a posterior interpreta-
o e anlise humana.

2.1.1. Definies bsicas

O processamento digital de imagens classificado segundo (FACON, 1996)


quanto ao grau de abstrao em trs nveis distintos: baixo, mdio e alto, em que
ocorre uma reduo progressiva da quantidade de informaes manipuladas
Processamento e Anlise de Imagens 19

medida que se passa por nveis crescentes de abstrao e quanto s etapas


(GONZALES & WOODS, 92). No processamento de baixo nvel, os dados de
entrada so pixels da imagem original e os dados de sada representam
propriedades da imagem, na forma de valores numricos associados a cada pixel,
sendo definidas as etapas de aquisio e pr-processamento. No processamento de
nvel mdio este conjunto de valores produz como resultado uma lista de
caractersticas obtidas pela segmentao e representao. O processamento de alto
nvel produz, a partir destas caractersticas, um reconhecimento e uma
interpretao do contedo da imagem. Estas especificaes supem uma
diversificao dos processamentos (Figura 1).

Base de Conhecimento

Interpretao

Reconhecimento

Representao

Segmentao

Pr-Processamento
Aquisio

Figura 1. Etapas e Nveis de Abstrao no Processamento de Imagens

2.1.2. Definio de imagem

Em geral, uma imagem pode ser descrita por uma funo bidimensional z =
F(x,y), onde (x,y) a coordenada espacial e F(x,y) um valor em (x,y).
Dependendo do tipo da imagem, o valor pode ser intensidade de luz
monocromtica, profundidade (Radar), intensidade de onda de rdio (Sonar) ou
temperatura (Trmica, Infravermelho, Satlite). A imagem digital, por outro lado,
uma funo discreta bidimensional i = f(x,y) digitalizada pela discretizao da
coordenada espacial para valores inteiros e pelo mdulo do valor. Uma imagem
Processamento e Anlise de Imagens 20

digital pode ser vista como uma matriz bidimensional, cujos ndices linha e coluna
identificam a posio de um pixel na imagem, e o valor do elemento da matriz
correspondente, identifica o nvel de intensidade que a caracterstica.

2.1.3. Sistema de processamento e anlise de imagens

Um sistema de processamento e anlise de imagens constitui-se dos


seguintes elementos: aquisio, pr-processamento, segmentao, representao,
reconhecimento, interpretao.
A primeira etapa no processo a aquisio da imagem isto , adquirir uma
imagem digital. Para fazer isso, necessitamos de um sensor para imagem e a
capacidade de digitalizar o sinal produzido pelo sensor. O sensor poderia ser uma
cmera de TV monocromtica ou colorida, o sensor de imagem poderia tambm
ser uma cmera de varredura por linha que produza uma nica linha de imagem
por vez. Nesse caso, o movimento do objeto ao longo do varredor de linhas
produz uma imagem bidimensional. Se a sada da cmera ou outro sensor de
imagem no se encontrar na forma digital, um conversor realiza a digitalizao. A
natureza do sensor e da imagem que ele produz determinada pela aplicao. No
caso das aplicaes para leitura de correspondncias baseiam-se grandemente em
cmeras por varredura de linhas.
Aps a obteno de uma imagem digital, a prxima etapa trata de pr-pro-
cessar a imagem. Objetivo do pr-processamento melhorar a imagem de forma a
aumentar as chances para o sucesso dos processos seguintes. Assim permitem
corrigir certo nmero de imperfeies e defeitos que aparecem na imagem
decorrentes de problemas na aquisio ou transmisso ou armazenamento, cujas
causas podem ser as caractersticas fsicas do sistema, as condies de iluminao,
imperfeies no sistema de lentes da cmara, entre outras. O pr-processamento
no indispensvel, mas na maioria dos casos necessrio e muito importante.
No nosso problema, o pr-processamento tipicamente envolve tcnicas para o
realce de contrastes, remoo de rudo e isolamento das regies onde h a proba-
bilidade de informao alfanumrica. Este isolamento das possveis regies de
interesse denominado segmentao de imagens.
O objetivo principal da etapa de segmentao subdividir uma imagem em
suas partes constitutivas. Em uma imagem analisada pelos olhos humanos a
Processamento e Anlise de Imagens 21

segmentao realizada pela deteco de descontinuidades e/ou regies na


imagem. A maioria dos processos artificiais baseada na pesquisa destas
entidades, que so armazenadas sobre uma forma adequada denominada de
segmentos ou primitivas. Em geral, a segmentao automtica uma das tarefas
mais difceis no processamento de imagens digitais. Por um lado, um
procedimento de segmentao robusto favorece substancialmente a obteno de
uma soluo adequada de um problema de anlise de imagens. Por outro lado,
algoritmos de segmentao fracos ou errticos quase sempre levam a falhas no
processamento. No caso de reconhecimento de caracteres, o papel bsico da seg-
mentao extrair cada um dos caracteres individuais e palavras do fundo da
imagem. A sada da etapa de segmentao constituda por dados em forma de
pixels, correspondendo tanto fronteira de uma regio como a todos os pontos
dentro da mesma. Em ambos os casos so necessrios converso dos dados para
uma forma adequada ao processamento computacional.
Na etapa seguinte o objetivo da representao elaborar uma estrutura
adequada, agrupando os resultados das etapas anteriores e o armazenamento dos
diversos padres que contm o conhecimento a priori a respeito do documento. A
representao efetuada aps a obteno das primitivas, e s vezes, ao mesmo
tempo. Algumas vezes a representao permite medir as propriedades das formas
resultantes da segmentao. A primeira deciso que precisa ser feita se os dados
devem ser representados como fronteiras ou como regies completas. A
representao por fronteira adequada quando o interesse se concentra nas
caractersticas da forma externa, tais como cantos ou pontos de inflexo. A re-
presentao por regio adequada quando o interesse se concentra em proprieda-
des internas, tais como textura ou a forma do esqueleto. Em algumas aplicaes,
entretanto, essas representaes coexistem. Essa situao acontece em aplicaes
de reconhecimento de caracteres, que freqentemente requer algoritmos baseados
na forma da borda, bem como tambm esqueletos e outras propriedades internas.
A escolha de uma representao apenas parte da soluo para transformar
os dados iniciais numa forma adequada para o subseqente processamento
computacional. Um mtodo para descrever os dados tambm deve ser
especificado, de forma que as caractersticas de interesse sejam enfatizadas.
A etapa da descrio tambm chamada seleo de caractersticas, primeiro
procura extrair caractersticas que resultem em alguma informao quantitativa de
Processamento e Anlise de Imagens 22

interesse ou que sejam bsicas para discriminao entre classes de objetos. Em se


tratando de reconhecimento de caracteres, descritores tais como buracos e
concavidades so caractersticas poderosas que auxiliam na diferenciao entre
uma parte do alfabeto e outra (MONTEIRO, 2002).
O ltimo nvel envolve o reconhecimento e a interpretao. Reconhecimento
a etapa que atribui um rtulo a um objeto, baseado na informao fornecida pelo
seu descritor. A interpretao envolve a atribuio de significado a um conjunto
de objetos reconhecidos. Por exemplo, a identificao de um caractere, digamos c,
requer a convergncia dos descritores para as caractersticas de definio do
caractere com o rtulo c.
A interpretao procura atribuir significado a um conjunto de entidades
rotuladas. Por exemplo, uma cadeia de trs caracteres alfabticos e de um hfen
podem seguidos de quatro nmeros so interpretados como uma placa de
automvel. Este o processo mais inteligente em um sistema de viso por
computador, pois representa o nvel mais alto na abstrao e permite obter a
descrio do fenmeno representado na imagem, fazendo uso do conhecimento a
prior dos casos estudados, e tambm utilizando os conhecimentos adquiridos nas
fases anteriores do processo.

2.2. Tcnicas de Segmentao

A segmentao de imagens um processo que tipicamente divide em


parties o domnio espacial de uma imagem em subconjuntos mutuamente
exclusivos, chamados segmentos ou regies. Cada regio homognea e uniforme
considerando-se algumas propriedades como tom ou textura e cujos valores
diferem em alguns aspectos e significados, das propriedades de cada regio
vizinha.
As regies de uma imagem segmentada devem ser uniformes e homogneas
com respeito a alguma caracterstica (HARALICK, 1987). Por exemplo, nvel de
cinza ou textura, regies adjacentes devem ter valores significativamente
diferentes com respeito caracterstica segmentada, interior das regies deve ser
simples e conectados.
Processamento e Anlise de Imagens 23

Na literatura, encontram-se vrias tcnicas de segmentao, mas no existe


um mtodo simples que seja bom para todos os tipos de imagens, e nem todos os
mtodos so igualmente bons para um tipo particular de imagem.

2.2.1. Segmentao com uso do Histograma

O histograma de uma imagem fornece informao til para fazer realce e a


anlise da imagem. O histograma de uma imagem revela a distribuio dos nveis
de cinza da imagem ou a distribuio de cada componente de cor para imagens
colorida como no sistema RGB.
Seja uma imagem digital g de M linhas e N colunas e onde nk o nmero de
vezes que o nvel de cinza K aparece na imagem.. O histograma da imagem g, Hg,
pode, analiticamente, ser definido por :

nk
H g (k ) = (2.1)
M .N

Sendo representado por um grfico que d o nmero de pixels na imagem para


cada nvel de cinza. Pode-se ver o Histograma da Figura 2 na Figura 3 .

Figura 2. Imagem para obteno do Histograma


Processamento e Anlise de Imagens 24

900

800

700

600

500

400

300

200

100

0 50 100 150 200 250

Figura 3. Histograma da figura 2.

Na prtica, a obteno de um histograma perfeitamente uniforme no


possvel devido natureza das imagens, cujos pixels podem assumir somente
valores discretos. Existem tcnicas para melhorar este problema, mas pode
acontecer de reas homogneas na imagem original aparecerem "pipocadas", por
que tons de cinza iguais so mapeados para nveis de cinza diferentes.
A limiarizao de uma imagem digital um mtodo que se baseia no
histograma da imagem, buscando encontrar regies bem definidas, a fim de poder
efetuar a diviso da imagem em objetos ou regies. A continuidade dos nveis de
cinza a primitiva de maior valor na segmentao por limiarizao. Assim, a
limiarizao efetua a subdiviso da imagem em funo das regies realmente
significativas contidas no seu histograma (CONCI, 2005).
Seja uma imagem digital qualquer, onde f(x,y) representa o nvel de cinza de
um ponto qualquer, supondo a existncia de duas regies bem definidas em
funo dos seus nveis de cinza: um fundo escuro sob um objeto claro.
Observando-se o histograma, poder haver a existncia de um limiar L entre as
suas regies, representando as duas reas tonais da imagem.
A limiarizao desta imagem pode ser representada por:

1 se f ( x, y ) > L
g ( x, y ) = (2.2)
0 se f ( x, y ) L
onde L representa o ponto limiarizado.
Processamento e Anlise de Imagens 25

2.2.2. Limiarizao Automtica

O mtodo de segmentao apresentado por (OTSU, 1979) baseia-se na


anlise discriminante. A operao de binarizao obtida pelo particionamento
dos pixels de uma imagem em duas classes C0 = {0, 1, 2, ..., t} e C1 = {t+1, t+2,
..., l-1}, isto , objeto e fundo.
Otsu define que o valor timo do limiar t* como o determinado pela

maximizao do critrio de separabilidade da funo =


B2 , onde a
T2

varincia entre classes dividida pela varincia total: t* = ArgMax, B2 , B e T


so definidos por:

( i )2 ( i )2
1 2
1 212 1 2 22
p (i ) = *e
+ *e
(2.3)
1 2 2 2
l 1 l 1
T2 = (i T )2 Pi T = ipi , (2.4)
i =0 i =0

t
B2 = 01 (1 0 )2 1 = 1 0 0 = Pi , (2.5)
i =0

T t T t
1 = 0 = t = ipi , (2.6)
1 0 0 i =0

sendo que 0 e 1 correspondem s varincias nas classes C0 e C1 ; 0 e 1

correspondem s mdias das classes, respectivamente. B2 , T2 as varincias inter-


classes e total, respectivamente, Pi a funo densidade de probabilidade, a
varivel i e pi representa o percentual de cada tom de cinza total da imagem.

Em (SAHOO et al., 1988) e diversos outros trabalhos o histograma da


imagem considerado como uma estimativa da funo densidade de
probabilidade p(g) da populao, que compreende os nveis de cinza dos objetos e
do fundo da seguinte maneira:

( g 1 )2 ( )2
g 2
1 2 12 1 2 22
p(g) = *e + *e
(2.7)
1 2 2 2
Processamento e Anlise de Imagens 26

Os parmetros i , i2 as mdias e os desvios padres respectivamente e as


probabilidades a priori pi com i = 1, 2, da densidade de probabilidade p(g),
associados a uma imagem a ser binarizada, no so usualmente conhecidos. Uma
funo critrio J(t) introduzida e definida com:

J(t) = 1 + 2 ( p1 (t ) log( 1 (t )) + p2 (t ) log( 2 (t ))) -

2 ( p1 (t ) log( p1 (t )) + p2 (t ) log( p2 (t ))) (2.8)

onde os parmetros i (t), i2 (t) e as probabilidades a priori pi(t) com i = 1,2,.. so


definidos como:

t 255
p1 (t ) = h (g ) e p2 (t ) = h (g ) (2.9)
g =0 g =t +1

gh (g ) gh (g )
t 255

(t ) = g =0
e 2 (t ) = g =t +1
(2.10)
p1 (t ) p 2 (t )
1

h (g )(g 1 (t )) h (g )(g 2 (t ))
t 2 255 2
g =0 g =t +1
2
= e 2
= (2.11)
p1 (t ) p2 (t )
1 2

onde g o nvel de cinza da imagem e h(g) o valor do histograma para cada nvel
de cinza. Assim, o limiar T obtido a partir da minimizao da funo J(t).

Pun, em (PUN, 1981) sugeriu um algoritmo que tenta achar o limiar t que
t
maximiza a funo H = Hb + Hw onde: H b (t ) = pi log( pi ) a entropia
i =0

associada (black), para uma imagem com 256 nveis de cinza, com os pixels
pretos binarizados com um limiar t. De forma anloga, a entropia dos pixels
255
brancos (white) H w (t ) = pi log( pi ) . Pun demonstrou que basta maximizar a
i =t +1

funo f(t):
Processamento e Anlise de Imagens 27

Ht log ( Pt )
f (t ) = +
H T log ( Max { p0 , p1 ,....., pt } )

Ht log (1 Pt )
1 (2.12)
HT log ( Max { pt +1 , pt + 2 ,....., p255 } )

com
t 255 t
H t = pi log ( pi ) , H T = pi log ( pi ) e Pt = pi , (2.13)
i =0 i =0 i =0

onde Ht, HT e Pt representam, respectivamente, a entropia dos pixels pretos, a


entropia total e a probabilidade acumulada at o nvel de cinza t.

O mtodo de (KAPUR et al., 1985) baseado no mtodo de Pun. Kapur


procura definir a probabilidade de distribuio A de um objeto contra a
probabilidade de distribuio B do fundo, da seguinte forma:

p0 p1 pt
A: , , ... , (2.14)
Pt Pt Pt

p t +1 pt +2 p 255
B: , , ... , (2.15)
(1 pt ) (1 pt ) (1 pt )

O valor de limiar timo o valor de t que maximiza a expresso da entropia


total H = Hb (T) + Hw (T), onde a entropia dos tons pretos e brancos so dados
por:

t
p
pixels pretos H b (t ) =
pi
log i (2.16)
i =0 Pt Pt

255
p
pixels brancos H w (t ) =
pi
log i (2.17)
i =t +11 Pt 1 Pt
Processamento e Anlise de Imagens 28

Todos esses mtodos possuem uma desvantagem em comum: eles utilizam


no clculo somente a informao do histograma (ignorando os detalhes da
organizao espacial da imagem).
Morfologia Matemtica 29

3 Morfologia Matemtica

Este captulo comea com a morfologia binria que baseada na teoria dos
conjuntos, em seguida apresenta-se a morfologia em tons de cinza que pode ser
considerada como a extenso da morfologia binria no espao tridimensional
desde que uma imagem em tons de cinza possa ser considerada como um conjunto
de pontos no espao 3D.
A morfologia matemtica fornece uma abordagem sistemtica para analisar
as caractersticas geomtricas dos sinais e de imagens, e vem sendo usada
amplamente em vrias aplicaes tais como a deteco de bordas, segmentao de
objetos, supresso de rudo e assim por diante. Nesta dissertao busca-se a
resoluo do problema de identificao da regio da placa em imagens de veculos
com uma abordagem que utiliza morfologia matemtica (CALIXTO, 2005) e de
alguns filtros morfolgicos para segmentao da placas.

3.1. Caractersticas Principais

De uma perspectiva cientfica, a palavra morfologia refere-se ao estudo das


formas e das estruturas. Em processamento de imagem, morfologia o nome de
uma metodologia especfica para analisar a estrutura geomtrica inerente a uma
imagem. Os filtros morfolgicos, que podem ser construdos com base nos
fundamentos das operaes morfolgicas, so mais apropriados para a anlise da
forma do que os filtros lineares padro, que distorcem s vezes a forma
geomtrica fundamental da imagem. Alguns das caractersticas da metodologia
morfolgica so (FACON, 1996):

As operaes morfolgicas fornecem uma alterao geomtrica sistemtica do


contedo da imagem mantendo a estabilidade das caractersticas geomtricas
importantes.
Existe uma lgebra relacionada morfologia matemtica bem desenvolvida
que pode ser empregada para a representao e a otimizao dos processos.
Morfologia Matemtica 30

possvel expressar muitos algoritmos digitais nos termos de uma classe


muito pequena de operaes morfolgicas primitivas.
Existe uma representao rigorosa de teoremas por meio do qual se pode obter
a expresso dos filtros morfolgicos nos termos das operaes morfolgicas
primitivas.

Geralmente, os operadores morfolgicos transformam a imagem original em


uma outra imagem atravs da interao com uma outra imagem menor de
determinadas formas e tamanho, que conhecido como o elemento estruturante.
As caractersticas geomtricas da imagem que so similares na forma e no
tamanho ao elemento estruturante so preservados, enquanto outras caractersticas
so suprimidas. As operaes morfolgicas podem simplificar os dados da
imagem, preservando suas formas caractersticas e eliminando irrelevncias. As
operaes morfolgicas podem ser empregadas para muitos propsitos, incluindo
a deteco da borda, segmentao, realce das imagens, reconstruo e outros.
Enquanto a morfologia binria e a morfologia em tons de cinza so bem
desenvolvidas e usadas extensamente, a morfologia matemtica em cores ainda
objeto de estudos (CALIXTO, 2005). As caractersticas geomtricas bsicas
monocromticas e em tons de cinza dos operadores primitivos da morfologia so
introduzidas neste captulo enquanto os detalhes da lgebra morfolgica e da
morfologia colorida esto alm do escopo dessa dissertao.
Uma introduo sistemtica dos fundamentos tericos da morfologia
matemtica, suas operaes principais da imagem, e suas aplicaes podem ser
encontradas em (CALIXTO, 2005) e (FACON, 1996).
A morfologia matemtica definida no conjunto Euclideano chamada
morfologia Euclideana. Aquela definida no conjunto digital chamada morfologia
digital. Em geral, esse relacionamento similar quele entre processamento de
sinal contnuo e processamento de sinal digital.
Embora a implementao real de operadores morfolgicos esteja no
conjunto digital, o modelo Euclideano essencial ao desenvolvimento de uma
compreenso intuitiva de como os operadores funcionam na teoria e na aplicao
(FACON, 1996).
Morfologia Matemtica 31

3.2. Bases da Morfologia Matemtica Binria

A fundamentao terica da morfologia matemtica binria a teoria dos


conjuntos. Em imagens binrias, os pontos no conjunto so chamados de primeiro
plano (FOREGROUND) e aqueles do conjunto do complemento so chamados de
fundo (BACKGROUND).
Se A e B so conjuntos em um espao euclidiano n dimensional, isto
E= n
com elementos a = (a1, a2, ..., an) e b = (b1, b2, ..., bn) respectivamente.
Apresentam-se alguns conceitos bsicos da teoria dos conjuntos. Alm de tratar
das operaes de conjunto usuais de unio e de interseo, a morfologia depende
amplamente das operaes de unio, interseo, complemento, diferena,
translao, reflexo de conjuntos (GONZALES &WOODS, 2001).

1. A unio dos conjuntos A e B, denotado por C = A B , sendo C o conjunto


de todos os elementos pertecentes a A , B e a ambos.
2. A interseo dos conjuntos A e B, denotado por D = A B , sendo D o
conjunto de todos elemento pertecentes a ambos.
3. O complemento do conjunto A o conjunto dos elementos no contidos em A
definido como Ac = { x | x A} .

4. A diferena de dois conjuntos A e B denotado por A B , definido como


A B = { x | X A, x B} = A B c .

5. A translao de uma dada imagem A, para uma posio x, onde x E ,


definida pela translao de todos os elementos de A, denotado por Ax. Assim a
translao definida por Ax = {c | c = a + x, a A} .

Na figura 4 pode-se ver a translao de um conjunto A no espao


Euclideano por um vetor x e um conjunto digital A por um ponto x.

Figura 4. a) Translao no Espao Euclideano, b) Translao de um Conjunto Digital


(WAYNE, 2000)
Morfologia Matemtica 32

Considerando a figura 4a, A uma elipse centrada em (2,2) e x o vetor


(2,1). A translao de A por x ser A deslocada de (2,1). Assim A centrada agora
em (4,3). Na parte da direita da figura 4b, A uma imagem em Z2, com elementos
correspondidos no conjunto de pontos: {(1; 1); (2; 1); (3; 1); (1; 2); (3; 4)} e x o
vetor (1,1). A translao de A pelo vetor x resulta no conjunto de pontos:{(2; 2);
(3; 2); (4; 2); (2; 3); (4; 5)}.

6. A reflexo de B (Figura 5) denotado por B , definida como


B = { x | x = b, b B} .

Figura 5. Reflexo de B Espao Euclideano

Alm das operaes entre vetores e conjuntos em E pode-se tambm definir


operaes entre conjuntos (CALIXTO, 2005). As principais operaes, sob a
perspectiva da Morfologia Matemtica, so a Soma e a Subtrao de Minkowski.
Sendo os conjuntos A e B pertencente a E, a Soma de Minkowski
representada por A B , e definida como A B = {a + b : a A, b B} . A

Subtrao de Minkowski definida de maneira similar Soma de Minkowski. Ou


seja sendo os conjuntos A e B pertencente a E, a Subtrao de Minkowski
representada por A B , e definida como A B = { x : b B, a A : x = a b} .

3.2.1. Elemento Estruturante

O elemento estruturante (EE) um conjunto utilizado para percorrer uma


imagem a ser estudada operando uma transformao morfolgica. Geralmente sua
forma escolhida de acordo com um conhecimento prvio da geometria
procurada na imagem, muitas das vezes uma parte da prpria imagem.
Morfologia Matemtica 33

necessrio definir a origem do elemento estruturante, dessa origem que


o EE ir ser considerado ao ser operado na imagem. A forma do EE adaptada s
medies que se deseja obter, comum definir o ponto central do EE, como visto
na Figura 6.

Figura 6. Origem do Elemento Estruturante Losango 7x7 (diamante) (MATLAB, 2006)

No EE presente na Figura 6 no possui peso associado aos seus pixels


denominando-o como EE plano. Na morfologia binria todo EE plano. No
entanto na morfologia em tons de cinza podem ter pesos ou tons associados a seus
elementos, usualmente chamados de EE volumtricos. Na adoo de um EE
volumtrico, representado como sinal ou imagem, os pesos dados aos seus
elementos devem estar de acordo com a intensidade da imagem, devido a
dificuldade de satisfazer este requisito e a computao extra que este tipo de EE,
eles so menos utilizados. Apesar dos EE possurem qualquer forma, apenas um
pequeno grupo de formas so teis.
Apresenta-se a seguir alguns operadores binrios: dilatao e binrio. Estes
operadores so usados na definio de outros operadores apresentados neste
captulo.

3.2.2. Dilatao

Dada uma imagem binria A, a operao de dilatao de A pelo elemento


estruturante B, ambos os conjuntos em Z2, denotado por B ( A ) , definida como:

B ( A ) = { x : A Bx = } = A B (3.1)
Morfologia Matemtica 34

Podemos considerar na definio (3.1) que a dilatao de A por B equivale a


Soma de Minkowski com B , se o conjunto B for invariante em relao a simetria.
Assim tambm podemos definir dilatao sendo equivalente a uma unio de todas
as translaes da imagem original pelo elemento estruturante:

A B = Ab (3.2)
bB

A Figura 7 ilustra a operao de dilatao de uma imagem binria. Nota-se


como o elemento estruturante define a vizinhana do pixel de interesse, que est
circulado. A dilatao aplica uma regra apropriada para os pixels na vizinhana e
determina um valor para o pixel correspondente na imagem de sada. Na Figura, a
dilatao morfolgica ajusta os valores de sada do pixels para 1 porque uma dos
elementos na vizinhana definido pelo elemento estruturante ligado.

Figura 7. Elemento Estruturante transladando a imagem (MATLAB, 2006)

A figura 8 exemplifica a operao de dilatao Euclideana e a dilatao de


um conjunto digital.

Figura 8. a) Dilatao Euclideana, b) Dilatao do Conjunto Digital (WAYNE, 2000)


Morfologia Matemtica 35

Intuitivamente, observa-se que o elemento estruturante desempenha o papel


de um molde. A dilatao encontrada colocando o centro do molde sobre cada
um dos pixels do primeiro plano da imagem original e ento tomamos a unio de
todas as cpias resultantes do elemento estruturante, produzido pela operao de
translao. Da figura 8 podem-se ver as modificaes da dilatao da imagem
original com respeito forma do elemento estruturante. A dilatao o processo
onde todos os pontos que tocam o objeto pelo lado de fora so incorporados ao
objeto, resultando em um aumento da rea do objeto. A dilatao muito usada
no preenchimento de buracos e objetos segmentados. Assim em geral, a dilatao
tem o efeito de "expandir" uma imagem. Assim um furo pequeno no seu interior
pode ser eliminado.

3.2.3. Eroso

Dada uma imagem binria A, sua eroso pelo elemento estruturante B,


ambos os conjuntos em Z2, denotado por B ( A ) = A B = { x : Bx A}

denotado por A B, e definido como:

B ( A ) = A B = { x : Bx A} (3.3)

Como visto anteriormente a dilatao pode ser representada como uma


unio de todas as translaes, a eroso pode ser representada como a interseo da
translao de A por todos os elementos de B invertidos e tambm podemos aplicar
a Subtrao de Minkowski:

AB= A
bB
b (3.4)

onde -b a multiplicao escalar do vetor b por -1, o que equivale a refletir B em


relao a origem dos eixos.
Como a dilatao, a eroso da imagem original pelo elemento estruturante
pode ser descrita intuitivamente pela translao do elemento estruturante. O
elemento estruturante movido atravs da imagem original. Para um dado pixel
Morfologia Matemtica 36

do primeiro plano, ponha o centro do elemento estruturante nele, translade o


elemento estruturante por esse pixel. Se a translao do elemento estruturante for
uma sub-imagem da imagem original, esse pixel ativado na eroso; se no, no
ativado. A Figura 9 mostra que a eroso "encolhe" a imagem original eliminando
regies onde o elemento estruturante no se encaixa.

Figura 9. a) Eroso no espao Euclideano, b) Eroso do Conjunto Digital (WAYNE, 2000)

A eroso de um objeto reduz sua rea geomtrica. A eroso o processo


onde todos os pontos que esto no contorno do objeto so eliminados, resultando
em uma diminuio da rea do objeto. A eroso muito utilizada para remover
regies que no so de interesse na imagem. Tanto a eroso quanto a dilatao
podem ser realizadas diversas vezes (Figura 10).

Figura 10. Imagens Erodidas consecutivamente: a) 1 vez, b) trs vezes, c) cinco vezes

3.2.4. Abertura

Abertura de uma imagem binria A por um elemento estruturante B,


denotado por AB , definido como:

AB = B ( ( A ) ) = (A B ) B (3.5)

A imagem original sofre a eroso primeiramente e em seguida dilatada.


Conseqentemente, pode-se intuitivamente pensar como o "deslocamento do
Morfologia Matemtica 37

elemento estruturante sobre o limite interno da imagem". A abertura tambm pode


ser representada por A B e da interpretao geomtrica (CALIXTO, 2005)
obtm-se.

A B = AB = { Bx | y E , Bx A} (3.6)

A operao de abertura afeta a imagem de maneira a eliminar objetos


pequenos e finos quebrando objetos nos pontos estreitos, geralmente deixando os
contornos dos grandes objetos lisos e uniformes, sem mudanas bruscas em sua
extenso. Esta operao idempotente.
A Figura 11 mostra como esta imagem original suavizada e o rudo
pontual removido porque o disco no pode ajust-los. Vale a pena observar que
o efeito de suavizao do contorno do objeto depende da forma do elemento
estruturante.

Figura 11. Abertura (WAYNE, 2000)

3.2.5. Fechamento

O Fechamento de uma imagem binria A pelo elemento estruturante B,


denotado por AB , definido como:

( )
AB = B ( B ( A ) ) = A B B (3.7)

A operao de fechamento afeta a imagem de maneira a preencher buracos


pequenos e finos presentes no objeto. Ela conecta objetos (Figura 12) vizinhos a
partir de seu ponto mais prximo e geralmente os contornos dos objetos ficam
lisos e uniformes sem mudanas bruscas em sua extenso.
Morfologia Matemtica 38

Figura 12. Fechamento (WAYNE, 2000)

O fechamento tambm pode ser representada por A B e da interpretao


geomtrica (CALIXTO, 2005) obtm-se.

A B = AB = { x | x Bx | Bx A } (3.8)

Tanto a abertura quanto o fechamento possuem trs propriedades principais:


ambas as operaes so crescentes e idempotentes; o fechamento extensivo e a
abertura anti-extensiva.

3.2.6. Granulometria

A granulometria pode ser comparada com um processo de peneiramento.


Peneirar consiste em separar substncias reduzidas ao estado de fragmento, que
apresentem vrios tamanhos. Efetuar um bom peneiramento (CONCI et al., 2004)
depende do tamanho da malha da peneira usada. Aps peneirar, so obtidos dois
contedos: o primeiro com os objetos menores que a malha da peneira, o segundo
com o que sobrou do peneiramento, de tamanho maior que a malha (CALIXTO,
2005).
(MATHERON, 1975) prope um conjunto de regras que, se forem
verificadas, possibilitam a obteno de uma boa granulometria. Existem trs
axiomas que devem ser verificados para que uma transformao seja considerada
uma granulometria:
Seja X a imagem a ser analisada e T ( ) ( X ) a transformao que permite

realizar uma anlise granulomtrica. T ( ) ( X ) a representao do refugo da


peneira de tamanho .
Morfologia Matemtica 39

1. A transformao deve ser anti-extensiva; isso significa que o conjunto


transformado deve ser menor que o de origem, ou seja:

> 0, T ( ) ( X ) X X (3.9)

2. A transformao deve ser crescente, ou seja:

> 0, Y X T ( ) (Y ) T ( ) ( X ) X (3.10)

3. Consideremos a transformao de uma imagem X a partir de duas


transformaes morfolgicas sucessivas de parmetros respectivos 1 e 2. O
resultado final deve ser idntico, qualquer que seja a seqncia de
transformaes empregadas. Alm disso, o resultado deve ser idntico ao
obtido pela transformao de maior parmetro :

1 , 2 > 0, T ( 1 ) (T ( 2 ) ( X )) = T ( 2 ) (T ( 1 ) ( X )) = T sup( 1 ,2 ) ( X )X (3.11)

Suponha agora que as transformaes consideradas so representadas por


imagens binrias ou conjuntos discretos. Neste contexto, a granulometria pode ser
representada por uma seqncia de aberturas n, indexadas sobre um inteiro n 0.
Cada abertura (correspondente a um tamanho de malha) remove mais do que a
anterior, at alcanar o conjunto vazio:

X , n m 0, nB ( X ) mB ( X ) (3.12)

A granulometria por abertura pode gerar deformaes nos conjuntos, o que


resulta em funo e densidade de distribuies incorretas, portanto, dificultando a
interpretao. Isto ocorre porque os conjuntos podem ter diversas formas, ou seja,
a imagem contm vrios padres e/ou rudos, dificultando o processo de
peneiramento.
Morfologia Matemtica 40

3.3. Morfologia Matemtica em Tons de Cinza

Na morfologia matemtica em tons de cinza os limites superior e inferior


que um pixel pode assumir deve ser descoberto para o processamento do resultado
final, este resultado tambm depende dos limites dos pixels na vizinhana,
definido pelo elemento estruturante (FACON, 1996).
A morfologia matemtica em tons de cinza trata de funes no espao n-
dimensional. Estas funes atribuem um nvel de cinza para cada valor de suas
coordenadas, sendo que para n = 1, tratam-se sinais e para imagens, n = 2.
Na busca da simplicidade da notao da morfologia matemtica so
desenvolvidas as funes unidimensionais, ou seja, sinais. Sendo que a extenso
bastante direta, portanto bastando apenas o tratamento de pontos na reta como
pontos no plano, mostrando-se assim independente da dimenso do domnio.

3.3.1. Bases para Morfologia Matemtica em Tons de Cinza

Intuitivamente, uma imagem 2D em tons de cinza pode ser pensada como


um conjunto de pontos no espao 3D, p = (x; y; f(x; y)); onde (f(x,y) a funo
para representa o tom de cinza da imagem em (x,y)). Pela aplicao da
transformao de limiarizao L, uma imagem 3D em tons de cinza pode ser
transformada em uma imagem binria 2D. Ento, operadores morfolgicos em
tons de cinza podem ser vistos como extenses dos operadores morfolgicos
binrios para o espao tridimensional.
As imagens e sinais sero tratados como funes euclideanas de valores
reais, ao invs de funes discretas, como a inteno de criar uma maior intuio
geomtrica dos operadores da morfologia em tons e cinza.
Uma analogia importante antes de apresentar as operaes em morfologia
de cinza, o conceito de subconjunto que por analogia entende-se como a noo
de embaixo. Definida de maneira que dois sinais f e g com domnios D f e Dg ,

diz-se que g est embaixo de f, representado por g f com as seguintes


condies:

i. Dg D f

ii. x Dg tem se que g ( x ) f ( x )


Morfologia Matemtica 41

Define-se a seguir os equivalentes das operaes binrias de unio,


interseo, complemento, translao e reflexo (CALIXTO, 2005).

1. Na morfologia matemtica binria a unio um elemento bsico e utilizado


em diversos operadores morfolgicos, o anlogo na morfologia em tons de
cinza o mximo, o mximo pontual entre dois sinais f e g define-se de
acordo com o domnio ao qual este pertence, isto , dado um ponto
x D f Dg tem-se que o mximo de f e g dado por:

( f g )( x ) = max { f ( x ) , g ( x )} (3.13)

2. De maneira similar a unio, a interseo define-se o mnimo pontual de f e g


com x que pertence interseo dos domnios das funes, isto
, x D f Dg , ento:

(f g )( x ) = min { f ( x ) , g ( x )} (3.14)

3. O complemento definido para cada valor de x como sendo o valor mximo


de intensidade que um pixel pode assumir menos o valor da imagem da funo
no ponto x, podendo ser interpretado como a negao da iamgem:

f c ( x ) = tmax f ( x ) (3.15)

4. Uma translao para sinais e imagens pode ocorrer em duas direes, um


deslocamento horizontal direita, denominado shift, de um sinal f por um
vetor definido por:

f ( x ) = f ( x ) (3.16)

E uma deslocamento vertical, denominado offset, de um sinal f por um


vetor definido por:
Morfologia Matemtica 42

( f + ) = f ( x) + (3.17)

Aplicando-se simultaneamente o shift de e o offset de em um sinal


obtem-se a translao em tons de cinza:

( f + )( x ) = f ( x ) + (3.18)

5. A reflexo ou simetria de um sinal f em torno do eixo vertical definida por

f ( x ) = f ( x ) (3.19)

3.3.2. Umbra

Uma funo sinal uma analogia mais prxima de uma imagem em tons de
cinza e usado para esclarecer alguns passos no desenvolvimento. Dado um sinal
f , Figura 13a, a transformada umbra de f, denotado por U [ f ] , no domnio D f ,

definido como:

U [ f ] = {( x, y ) : x D f e 0 y f ( x )} (3.20)

Dada uma umbra A, outro conceito importante a superfcie superior de A,


denotada como S [ A] , para ser o conjunto de todos os pontos (x,y) tais que x est

no domnio de A e y = mx ( f ( x ) ) .

S [ A] = {( x, y ) A : y z ( x, z ) A} (3.21)

Como pode ser visto na Figura 13, a umbra de um sinal f como um conjunto,
tem-se que a superfcie do sinal f na verdade o grfico desse sinal:
Morfologia Matemtica 43

S U [ f ] = G [ f ] (3.22)

Assim, as operaes morfolgicas em tons de cinza podem ser efetuadas


considerando a umbra do sinal e do EE.

Figura 13. Representao de um sinal, sua Transformada Umbra e a sua Superfcie


superior (WAYNE, 2000).

Dessa forma, dado dois sinais f e g, a dilatao pode ser computada como:

g ( f ) = S U [ g ] (U [ f ]) (3.23)

e a eroso como:

g ( f ) = S U [ g ] (U [ f ]) (3.24)

3.3.3. Dilatao

Para sinais f e g, com os respectivos domnios Df e Dg, define-se a dilatao


de f por g como:

g ( f ) ( x ) = max{ f ( s) + ( g x ) ( s) : s Dg }
x
(3.25)
Morfologia Matemtica 44

Geometricamente, a dilatao obtida pela tomada do mximo de todas


as cpias de g que tem sido transladada sobre x unidades e acima f(x) unidades.
Como a dilatao binria, g desempenha um papel de elemento estruturante. Na
dilatao em tons de cinza, para cada ponto de f, desloca-se g tal que o centro
coincide com (x,f(x)) e o mximo aplicado s cpias resultantes de g.
Na figura 13 (f o sinal original e g o elemento estruturante), f tem dois pontos
de descontinuidade, e o resultado mostra duas caractersticas da dilatao.
Primeiro, a descontinuidade na dilatao devido a pico do sinal original demonstra
a sensibilidade da dilatao para mudanas no ponto do salto. Segundo, o
buraco do sinal original pode ser eliminado na dilatao pela natureza da
operao de "mximo". Alm disso, o domnio da dilatao ( D f ) tambm

dilatado de acordo com o domnio de g ( Dg ).

Pode-se ainda representar a dilatao em tons de cinza em termos das Soma


de Minkowski:

g ( f ) = { f x + g ( x) : x Dg } (3.26)

Como o interesse est em alcanar a morfologia em tons cinza a equao


3.30 pode ser ento extendida para imagens da seguinte forma:

( g ( f ) ) ( s, t ) = max{ f ( s x, t y ) + g ( x, y ) : ( s x ) , ( t y ) D f e ( x, y ) Dg }

(3.27)

onde a dilatao de f por g consiste em verificar se o elemento estruturante


centrado em x est acima da funo f. O max equivale a mximo, x o ponto a ser
processado na imagem original, y so os pontos envolvidos pelo elemento
estruturante e Dg o domnio do elemento estruturante.
Morfologia Matemtica 45

Figura 14. Dilatao de um sinal (WAYNE, 2000)

A figura 14 ilustra o processamento de um pixels em particular no sinal f de


entrada. Note-se como se aplica a operao para a vizinhana do pixel de entrada
e usa o maior valor de todos os pixel na vizinhana como valor do pixel
correspondente da imagem de sada.
Considerando a analogia da imagem em nveis de cinza com o relevo
topogrfico onde os padres claros so picos e os escuros so vales, possvel
determinar padres de comportamento para a dilatao, como vemos na Figura
15.

Figura 15. Dilatao em Tons de Cinza (PRATT, 2001)

Os efeitos obtidos por dilatao em nveis de cinza so: clareamento da


imagem, alargamento e engorda dos picos (padres claros), conexo dos picos
prximos, reduo e s vezes eliminao de vales (padres escuros), entre outros.
Morfologia Matemtica 46

3.3.4. Eroso

Para sinais f e g, com o respectivo domnio D f e Dg , define-se a eroso de f

por g da mesma forma que na dilatao em tons de cinza, apenas substituindo


"mnimum", anterior pode ser reescrita como segue::

g ( f )( x ) = min{ f ( s ) ( g x ) ( s ) : s Dg }
x
(3.28)

Tal como no caso binrio, a eroso uma operao dual da dilatao. E


tambm pode se representada em Termos da Subtrao de Minkowski:

g ( f )( x ) = min{ f ( x + s ) g ( s ) : ( x + s ) D f e s Dg } (3.29)

A extenso para a aplicao em imagens da seguinte forma:

g ( f )( x, y ) = min{ f ( x + s, y + t ) g ( s, t ) : ( x + s ) , ( y + t ) Dg e ( s, t ) Dg }
(3.30)

A eroso de f por g consiste em verificar se o elemento centrado em x est


abaixo da funo f. O min equivale a mnimo, x o ponto a ser processado na
imagem original, y so os pontos envolvidos pelo elemento estruturante e Dg o

domnio do elemento estruturante. A figura 16 ilustra o efeito da eroso.

Figura 16. Eroso de um sinal (WAYNE, 2000).


Morfologia Matemtica 47

Uma imagem, de forma geral, apresenta um fundo que pode ser ou no


uniforme e sobrepor padres mais claros ou mais escuros. Uma imagem pode ser
comparada a um relevo topogrfico onde padres claros so picos e escuros so
vales. Atravs desta analogia, padres de comportamento podem ser estabelecidos
para a eroso, como exemplificado na Figura 17.

Figura 17. Eroso em Tons de Cinza (PRATT, 2001).

Os efeitos da eroso em nveis de cinza so: escurecimento da imagem,


alargamento e engorda dos vales (padres escuros), conexo dos vales prximos,
reduo e s vezes eliminao dos picos (padres claros), separao dos picos
prximos.

3.3.5. Abertura

Com a definio da dilatao e da eroso em tons de cinza tem-se


ferramentas para a composio de diversos outros operadores morfolgicos em
tons de cinza.
A abertura consiste em erodir um conjunto f por g e depois dilatar esse
conjunto erodido pelo mesmo elemento estruturante. Como em morfologia
binria, a operao morfolgica de abertura em nveis de cinza definida,
inicialmente como:

f g = g ( g ( f ) ) (3.31)
Morfologia Matemtica 48

A Figura 18 mostra a abertura pela composio de uma eroso seguida de


uma dilatao. Em c) temos a eroso com o elemento estruturante em b), e em d) a
aplicao da dilatao em c com o mesmo elemento estruturante.

Figura 18. Abertura em Tons de Cinza eliminando picos do sinal (WAYNE, 2000).

Tal como os seus equivalentes binrios, estes operadores so duais e


tambm podem ser anlogos a equao 3.6:

{
f g = g x + y : ( g x+ y ) f } (3.32)

ou seja, deve-se considerar o mximo de todas as translaes em tons de cinza do


elemento estruturante g que se encaixa embaixo do sinal f.
Com a analogia da imagem (Figura 19) em nveis de cinza com o relevo, o
comportamento da abertura implica: em separao dos picos prximos,
eliminao dos picos inferiores em tamanho ao elemento estruturante, em
conserva vales afastados, em emendar vales prximos, as entidades que restam
aps abertura ficam quase idnticas, a imagem aberta mais regular que a
imagem original, a imagem aberta tem menos detalhes que a imagem original.
Morfologia Matemtica 49

Figura 19. Abertura em Tons de Cinza (PRATT, 2001)

3.3.6. Fechamento

A equao do fechamento de um sinal f por um elemento estruturante g


definida por:

f g = g ( g ( f )) (3.33)

Explorando a propriedade de dualidade entre o fechamento e a abertura em


nveis de cinza, podemos escrever:

f g = f g ( f ) (3.34)

A Figura 20 mostra o fechamento pela composio de uma dilatao


seguida de uma eroso. Em c) temos a dilatao com o elemento estruturante em
b), e em d) a aplicao da eroso em c com o mesmo elemento estruturante.

Figura 20. Fechamento conservando picos afastados (WAYNE, 2000).


Morfologia Matemtica 50

Seguindo a analogia da imagem (Figura 21) em nveis de cinza como o


relevo topogrfico, o comportamento do fechamento em nveis de cinza: separa
vales prximos, elimina vales inferiores em tamanho ao elemento estruturante,
conserva picos afastados, emenda picos prximos, as entidades restantes aps o
fechamento ficam quase idnticas, a imagem fechada mais regular que a imagem
original, a imagem fechada menos rica em detalhes que a imagem original.

Figura 21. Fechamento em Tons de Cinza (PRATT, 2001).

3.3.7. Tophat por abertura

A operao de Tophat por abertura utilizada para a deteco de picos em


uma imagem. O Tophat por abertura de um sinal f pelo elemento estruturante g :

hg ( f ) = f f g ( f ) (3.35)

Como a abertura um processo anti-extensivo, o seu resultado fica abaixo


do sinal original, exemplificado na Figura 22, na qual em a) tem-se o sinal, em b)
a abertura e em c) o Tophat.

Figura 22. Etapas da Operao Tophat por abertura.


Morfologia Matemtica 51

Com o uso de um elemento estruturante adequado, o processo de abertura


permite a eliminao dos picos. Aplicando a diferena, entre o sinal original e o
resultado da abertura, permite tirar o rudo e eliminar a falta de homogeneidade,
ou seja, ressaltar a informao dos picos da imagem.

3.3.8. Tophat por fechamento

De maneira anloga, a tcnica de tophat por fechamento utilizada para a


deteco de vales em uma imagem. O tophat por fechamento de um sinal f pelo
elemento estruturante g definido por:

hg ( f ) = f g ( f ) f (3.36)

Como o fechamento um processo extensivo, o seu resultado da


transformao sempre positivo, como se v na Figura 23, na qual em a) tem-se o
sinal, em b) o fechamento e em c) o Tophat:

Figura 23. Etapas da Operao Tophat por Fechamento

Com o uso de um elemento estruturante apropriado, o processo de


fechamento permite a eliminao dos vales. Com a subtrao, entre o sinal
original e o resultado do fechamento, elimina-se o rudo e suprime-se a falta de
homogeneidade, ou seja, ressalta-se a informao dos vales da imagem.
Neste captulo foram abordadas as tcnicas sobre morfologia matemtica
binria e em nveis de cinza, onde mostramos as operaes que nos daro
sustentao para as implementaes necessrias no trabalho. A seguir ser
apresentada a metodologia aplicada no desenvolvimento proposto.
Morfologia Matemtica 52

3.3.9. Morfologia Matemtica em Cores

Aps introduzir a morfologia binria e a em tons de cinza, o passo seguinte


seria a do tratamento da morfologia colorida (CALIXTO, 2005). Entretanto, a
extenso da morfologia matemtica para imagens coloridas no direta.
A morfologia colorida no to simples quanto trabalhar com imagens em
tons de cinza, talvez pelo fato de existirem diversos espaos de cores, ou talvez
pelo fato da cor existir em um espao de dimenso superior a 3 (espao das
imagens em tons de cinza) dificultando assim a extenso da interpretao
geomtrica dos operadores morfolgicos. No entanto pode trabalhar no espao
RGB, HSL, YIQ e outros espao de cores cada uma com a sua definio de ordem
no seu espao de cor.
Reconhecimento de Placas 53

4 Reconhecimento de Placas

A estrutura (Figura 24) de uma Aplicao de Reconhecimento Automtico


de Licenas de automveis organizada em trs estgios com caractersticas e
desafios tecnolgicos bem especficos. O primeiro vai da captura a digitalizao
da imagem do veculo, com vrios requisitos sendo necessrios para serem
avaliados. Como nos casos para veculos em movimento que necessrio a o
estudo da melhor forma de obteno, para que no haja o efeito da imagem
borrada.
O segundo abrange todo o processamento e anlise de imagem e o
reconhecimento dos caracteres compostos pelos mdulos anteriormente definidos,
localizao da placa, segmentao dos caracteres e reconhecimento de caracteres.
E o terceiro estgio da aplicao, consiste de um algoritmo, que com o nmero da
licena do veculo, realiza as consultas e as operaes especficas desejadas pela
especificidade do contexto aplicado.

Aplicao de Reconhecimento
Automtico de Placas

Captura

Reconhecimento

Gerenciador

Figura 24. Aplicao de Reconhecimento Automtico de Caracteres


Reconhecimento de Placas 54

Um sistema tpico de captura em via pblica (Figura 25), constitudo


basicamente de sensores de velocidade, cmeras fotogrficas ou de vdeo e
equipamentos acessrios.

Figura 25. Exemplos de dispositivos de controle de trnsito (PERKONS, 2006)

4.1. Alguns Sistemas Atuais em Uso

Atualmente, alm de grupos de pesquisa nos grandes centros universitrios,


inmeras empresas buscam converter em produto o conhecimento e a tecnologia
j constituda de reconhecimento de padro para o reconhecimento da licena de
veculos automaticamente.
O estudo sobre o reconhecimento de placas de veculos ocorre em dois
setores: o primeiro dedicado principalmente pesquisa acadmica, nas
universidades, e o segundo voltado para o desenvolvimento e comercializao de
solues nos problemas do dia-a-dia, feito pelas empresas comerciais.
Em alguns casos, universidades e empresas criam um convnio de
cooperao entre si e passam a trabalharem juntas na pesquisa e projeto de
solues para o reconhecimento automtico das placas dos veculos.
Reconhecimento de Placas 55

Um caso exemplo de trabalho cooperativo foi o desenvolvido pela Empresa


Automatisa Ltda. (AUTOMATISA, 2006) e a Universidade Federal do Rio
Grande do Sul, que criaram um Sistema de Identificao Automtica de Veculos
- SIAV2.0 (SOUZA & SUSIN, 2000). Este sistema pode ser aplicado em controle
de estacionamentos, na verificao de veculos roubados, e na segurana pblica.
Segundo a empresa a forma de deciso utilizada para o reconhecimento da licena
do veculo emprega redes neurais. A estatstica da taxa de acerto da placa do
veculo no foi divulgada pela empresa.
A Empresa Ponfac S/A Sistemas de Viso (PONFAC, 2006) projetou um
sistema denominado, Leitor de Placas de Veculos, que tem aplicao somente no
controle de acesso em estacionamentos, garagens, condomnios e reas de acesso
restrito. Este produto j se encontra em comercializao. As pesquisas e
tecnologias desenvolvidas no produto so provenientes da prpria empresa. A
metodologia utilizada para o reconhecimento da licena do veculo a de redes
neurais. A taxa de acerto da placa do veculo, segundo a empresa, varia de 85% a
97%.
A Empresa Compuletra (COMPULETRA, 2002) desenvolveu um sistema e
o patenteou com o nome de Sistema de Identificao de Veculos em Movimento -
SIVEM, cuja finalidade principal o reconhecimento automtico, e em tempo
real, dos veculos que trafegam nas vias pblicas. Este sistema foi desenvolvido
atravs de pesquisa da prpria empresa. A metodologia utilizada para o
reconhecimento da licena do veculo no divulgada. A taxa de acerto da placa
do veculo, segundo a empresa, superior a 90%.
No mundo, existem diversos sistemas j desenvolvidos e cada um tem uma
aplicao especfica, que pode variar desde o controle e monitorao do trfego
at a aplicao de multas.
Em virtude de cada pas ter as suas normas padro para a confeco das
placas dos veculos, ou seja, no existe uma uniformidade mundial, tm-se placas
de diversos tamanhos, formatos, nmero de caracteres e cores. A composio da
licena pode ter qualquer combinao de letras e nmeros, pois tambm no existe
um nmero fixo de letras e dgitos a serem utilizados. Sendo assim, cada pas
necessita de um sistema de reconhecimento projetado com base na legislao
formulada para o sistema de placa em vigor no pas. Em funo deste motivo,
Reconhecimento de Placas 56

tornando invivel a realizao de uma anlise comparativa entre sistemas de


pases diferentes, sendo mais adequado a comparao de metodologias.
Nos Estados Unidos, utiliza-se para monitorao do trfego e a aplicao de
multas. Os sistemas tm a finalidade de aplicao de multa, operando da seguinte
forma: detectam a infrao de trnsito, reconhecem a placa, acessam um banco de
dados com os registros de veculos, e por fim, enviam a multa ao infrator
(ATSTRAFFIC, 2006 e TRANSFO, 2005).
No Canad, a empresa QNX System desenvolveu um sistema de
reconhecimento que tem como aplicao final a identificao e a cobrana de
veculos em pedgios (QNX, 2006).
Na Inglaterra, os sistemas so utilizados com a finalidade principal de
detectar veculos que cometeram infraes s leis de trnsito e veculos roubados
que trafegam pelas vias (RACAL, 2002).
A Empresa Htsol, que desenvolveu um sistema de identificao de placas de
veculos para Israel e para vrios outros pases do mundo, dentre eles, o prprio
Brasil. Este sistema pode ser usado em pedgios, aplicao de multas e em
controle de estacionamentos (HTSOL, 2006).
Singapura oferece um sistema de identificao de placas de veculos para
vrios pases asiticos. O sistema foi criado pela empresa sia Vision Technology
Ltd. Ele pode ser usado em pedgios, controle de acesso e em rodovias para o
controle de velocidade dos veculos. Outra aplicao interessante que o sistema
possibilita a leitura dos containers em aeroportos (ASIAVISION, 2006).

4.2. Sistema Brasileiro de Placas de Veculos

Os veculos, seguindo o artigo 96, seo I, captulo IX, do Cdigo de


Trnsito Brasileiro - Lei n 9.503, de 23 de setembro de 1997 (CONTRAN, 2006),
so classificados segundo os critrios abaixo relacionados (Figura 26):

a) Quanto trao:
Automotor - eltrico; propulso humana; trao animal; e reboque ou
semi-reboque.
Reconhecimento de Placas 57

Figura 26. Tipos de Placas Brasileiras (CONTRAN, 2006)

b) Quanto espcie:
de passageiros - bicicleta; ciclomotor; motoneta; motocicleta; triciclo;
quadriciclo; automvel; micronibus; nibus; bonde; reboque ou semi-
reboque; ou charrete;
de carga - motoneta; motocicleta; triciclo; quadriciclo; caminhonete;
caminho; reboque ou semi-reboque; carroa; ou carro-de-mo;
misto - camioneta; utilitrio; outros;
de competio;
de trao - caminho-trator; trator de rodas; trator de esteiras; trator misto;
especial; e
de coleo.
c) Quanto categoria:
oficial;
de representao diplomtica, de reparties consulares de carreira ou
organismos internacionais acreditados junto ao Governo brasileiro;
particular;
de aluguel; e
de aprendizagem.
Reconhecimento de Placas 58

Para cada veculo existe uma cor especfica para o fundo, caracteres e tarjeta
da placa, conforme a Tabela 1 abaixo.

Categoria do Veculo Cor da Placa e Tarjeta Cor dos Caracteres


Oficial Branca Preta
Particular Cinza Preta
Aluguel Vermelha Branca

Experincia Verde Branca


Aprendizagem Branca Vermelha
Fabricante Azul Branca

Tabela 1. Padronizao das Placas (CONTRAN, 2006)

Determinadas composies de cores, como verde e branco, diminuem o


contraste e dificultam o trabalho dos algoritmos de processamento e segmentao
da imagem.
Segundo a legislao em vigor, as placas traseira e dianteira, devem
observar as dimenses limites em milmetros mostrados na tabela 2:

Tamanho Altura Largura


Mximo 143 440
Ideal 130 400
Mnimo 117 360

Tabela 2. Dimenses das Placas no Brasil em mm (CONTRAN, 2006).

A figura 27 mostra a disposio dos demais elementos de uma placa com


tamanho ideal. Sendo s = largura do caractere, d = espessura do caractere, h =
altura do caractere.
Reconhecimento de Placas 59

Figura 27. Forma e dimenses da placa em mm (CONTRAN, 2006).

A dimenso ideal dos caracteres da placa de 63 mm de altura para todos os


caracteres. A largura (milmetro), no entanto varia bastante e definida para cada
letra e algarismo conforme mostrado na tabela 3.

Letras
A B C D E F G H I J K L M
54 44 44 43 40 40 45 45 10 36 49 40 54
N O P Q R S T U V W X Y Z
47 45 44 51 46 46 44 45 49 49 49 47 40
Algarismos
1 2 3 4 5 6 7 8 9 0
18 36 37 40 36 36 36 38 36 36

Tabela 3. Dimenses dos caracteres alfanumricos em mm (CONTRAN, 2006).

4.3.. Evoluo do Reconhecimento de Placas

Um nmero vasto de publicaes em segmentao e reconhecimento


encontrado na literatura, desta maneira temos vrios artigos na extrao e no
reconhecimento de placas, com diversas abordagens ao problema.
Entre as metodologias examinadas para este estudo, as seguintes
desenvolvidas no Brasil podem ser mencionadas: Sistema Siav (SOUZA &
SUSIN, 2000), baseado na variao tonal, utilizando uma abordagem
granulomtrica (BUSSADOR & FACON, 2001).
Reconhecimento de Placas 60

4.3.1.Siav

O sistema Siav (SOUZA & SUSIN, 2000) baseado no padro de variao


tonal atravs da anlise do gradiente na rea da placa. O algoritmo de localizao
da placa pode ser dividido em dois procedimentos:

No primeiro procedimento obtm-se a localizao da placa com o algoritmo


abaixo:

Procura pelo padro de variao tonal atravs da anlise do gradiente


na rea da placa;
Binarizao local na regio encontrada ou, se necessrio, na imagem
inteira.

Obtm-se como o resultado as coordenadas da posio provvel da placa.

No segundo procedimento h a confirmao do local com a anlise do nmero


de dgitos encontrados:
Busca por dgitos de tamanhos predefinidos;
Anlise dos dgitos selecionados verificando a formao de algum
grupo vlido.

Aps essas etapas se obtm a confirmao do local correto. Encontrada a


placa, necessrio segmentar os caracteres a fim separ-los do resto da imagem e
os deixarem do tamanho correto para a entrada na rede neural. Usou-se uma
tcnica de crescimento controlada, dentro de cada entidade encontrada na rea da
placa, e tambm foi usado um conjunto de heursticas para rejeitar rudos
indesejveis e para selecionar corretamente os caracteres.
Como resultado final, tem-se a confirmao do local correto de cada
caractere (Figura 28).
Reconhecimento de Placas 61

Figura 28. Seleo dos dgitos da placa (SOUZA & SUSIN, 2000).

Uma vez encontrada a placa necessrio segmentar os caracteres (Figura


29) a fim de separ-los do resto da imagem e redimension-los para uso pela rede
neural. Foi utilizada uma tcnica de crescimento controlado, dentro de cada
entidade encontrada na rea da placa, e um conjunto de heursticas para descartar
rudos indesejveis e selecionar corretamente os caracteres (Figura 30).

Figura 29. Placa binarizada (SOUZA & SUSIN, 2000).

Figura 30. Placa segmentada - 7 entidades encontradas (SOUZA & SUSIN, 2000).

Em seguida feito o reconhecimento dos caracteres atravs de uma rede


neural com topologia feedforward utilizando o algoritmo backpropagation para
treinamento. Foram desenvolvidas duas redes distintas, uma para as letras e outra
para os algarismos, com 255x26x26 e 255x10x10 neurnios nas camadas de
entrada x escondida x sada respectivamente.
As taxas de acerto do sistema so descritos com:

98,7 % de sucesso na localizao das placas;


87,1 % de sucesso na segmentao correta dos caracteres;
Reconhecimento de Placas 62

82,4 % de sucesso na localizao das placas com a rotina preliminar


(variao tonal);
87 % de sucesso no reconhecimento dos caracteres segmentados;
28 % de sucesso no reconhecimento correto das placas (7 dgitos).

4.3.2. Bussador & Facon

Neste trabalho, consideram-se especificamente as etapas de pr-


processamento e segmentao de caracteres visando capacidade de localizar a
placa de um veculo qualquer atravs da utilizao de tcnicas de morfologia
matemtica e reconstruo. O mtodo combina um algoritmo de granulometria
rpida e uma abordagem morfolgica de resduos.
O mtodo tenta primeiro localizar os caracteres e em seguida, a partir destes,
localizar a regio da placa, apresentando um tempo de processamento de 28
segundos por imagem (640x480 pixels) em um processador Pentium II 350 MHz
com 128 MB de RAM.
As taxas de acerto do sistema so descritos com:

75% de sucesso na localizao das placas;


81% de sucesso na segmentao correta dos caracteres (filtragem de
componentes).

4.3.3. Guingo e Rodrigues

Os trabalhos desenvolvidos por (GUINGO, 2003) e (RODRIGUES, 2003)


fazem abordagem apenas da segmentao, extrao e reconhecimento de
caracteres, ou seja, o mtodo apresentado nesta dissertao pode ser um
complemento, cobrindo assim as trs etapas de Reconhecimento de Placas.
No primeiro trabalho proposta uma tcnica para seleo e extrao de
caracteres que utiliza redes neurais para o caso da etapa de localizao de placas
haver entregado mais de uma regio candidata. A tcnica de extrao de
caractersticas baseada na projeo do contorno da imagem sobre os lados de um
polgono regular posicionado em torno de cada caractere. O polgono circundante
pode ser de qualquer nmero de lados, a partir de quatro (quadrado) at muitos
lados (crculo). O vetor de caractersticas formado pelas distncias
Reconhecimento de Placas 63

perpendiculares tomadas de cada lado do polgono at o contorno da imagem. E


utiliza redes neurais para reconhecimento de caracteres.
No segundo trabalho, so propostas abordagens para dois problemas
envolvidos no processo de reconhecimento: a segmentao dos caracteres e a
extrao de caractersticas. Ao problema da segmentao foi proposta uma
estratgia para a utilizao combinada de algoritmos simples que juntos possam
aumentar o desempenho, e ao problema da extrao de caractersticas foi proposta
uma nova tcnica, chamada de projeo poligonal. Com os resultados que pode
ser visto na tabela 4.

Atributos Dgitos (%) Letras


Classificao Correta 79,75 72,26
Classificao Incorreta 20,25 27,74
Rejeies 0,00 0,00

Tabela 4. Resultados para o Reconhecimento de Caracteres (GUINGO, 2003)

4.4. Abordagens Diferenciadas no Mundo

Alm destes trabalhos desenvolvidos em nosso pas, nessa seo busca-se


mostrar um cenrio global das vrias abordagens ao problema do Reconhecimento
de Placas, envolvendo as trs etapas: localizao da placa, segmentao e
reconhecimento dos caracteres.
A organizao seguir uma categorizao por caractersticas analisadas em
cada abordagem buscando-se seguir uma ordem cronolgica para que se tenha um
cenrio da evoluo das tcnicas.
Desde o incio da dcada de 1980 busca-se o desenvolvimento do sistema de
controle de transporte. Vrios trabalhos so produzidos, envolvendo
caractersticas tcnicas dos equipamentos de vdeo disponveis na poca.
Comeamos com um trabalho Japons, em (MIYAMOTO et. al., 1991), a
abordagem inicia-se com a determinao de um threshold local estatstico, em
seguida busca-se um pulso alternado horizontalmente para fazer a correlao com
uma placa, ento por Template Matching procurada a regio onde encontra os
Reconhecimento de Placas 64

nmeros, encontradas rotula-se todos os caracteres. Uma terceira etapa de


normalizao prepara-se os nmeros de forma a torn-los regulares no tamanho.
Em outro trabalho desenvolvido no Japo (KANAYAMA et al., 1991),
especificam um sistema de reconhecimento de placas para processamento em
tempo real, descrevendo todo um conjunto de tcnicas para cmeras, lentes,
iluminao e sensores para que possa haver a correo de todos os fatores
possveis que influenciam negativamente no momento da obteno da imagem. O
enfoque do processo de obteno da placa est na deteco das bordas verticais e
horizontais. Com percentuais de acerto em 90% durante o dia e 65% para noite.
Os Coreanos (EUN RYUNG LEE et. al., 1994), usam a extrao de cores
que so lanadas em uma rede neural para a obteno de tons mais estveis j que
se considera que a imagem de entrada com 256 cores no consistente, ainda se
converte para o modelo de cor HLS, considerando que o modelo RGB bom para
a representao de cor em um monitor.
Uma implementao usando Transformada de Hough tambm proposta
em (KAMAT & GANESAN, 1995) com a aplicao de um operador modificado
Sobel detectando as linhas e processa o resultado em tons de cinza usando os
pixels vizinhos dos cantos. Em seguida um threshold adaptativo em funo da
mdia do brilho usado. A partir desta imagem binria aplica-se a Transformada
de Hough (Figura 31) para um conjunto limitado de ngulos para as regies
verticais e horizontais, interpretando assim qualquer cadeia formada acima de 4
linhas conectadas como um candidato placa. Com (YANAMURA, 2003)
desenvolve-se alm do mtodo anterior com a utilizao de Voted Block
Matching para isso utiliza-se de imagens seqenciais de uma cmera de vdeo
com 100 quadros em cada caso de estudo e com taxa de quadros 1/30 segundos.

Figura 31. Deteco e Extrao de Linha (YANAMURA, 2003)


Reconhecimento de Placas 65

A tcnica aplicada em (SIRITHINAPHONG & CHAMNONGTHAI, 1998,


1999) focada na procura da forma retangular da placa e na cor de fundo desta,
que supem ser mais claro do que os caracteres. Para certificar a placa, os
caracteres e os nmeros so reconhecidos por uma rede neural backpropagation de
quatro camadas, o resultado no so utilizados apenas para a localizao da placa,
mas tambm para o reconhecimento dos caracteres. O experimento revela uma
taxa de reconhecimento de 80,81% e de 84,29% a taxa de extrao da placa.
Implementaes em Computao Paralela em um Cluster de Computadores
(OPAS CHUTATAPE & XIAODONG QIAN, 1999) tambm so usadas como
mecanismos auxiliares no algoritmo de lgica nebuloza com limiarizao.
Primeiramente usam a segmentao de imagem do carro (Figura 32), e depois usa
a morfologia matemtica para suavizar e reduzir os rudos. Basicamente, o mtodo
proposto particionado em diferentes partes de interesse, distribudo para
diferentes mquinas para o processamento paralelo. O artigo descreve uma rede
de computadores padro 10 Mpbs Ethernet com o uso de quatro computadores,
sendo um servidor responsvel pelo balano de carga, o tempo gasto pelo em
processamento seqencial por uma mquina foi de 2.457 segundos enquanto que
no processamento paralelo o tempo foi de 0,833 segundos.

Figura 32. Processamento Paralelo (OPAS CHUTATAPE & XIAODONG QIAN, 1999)

Em (BRUGGE et al., 1999) apresentado o sistema CLPR para


identificao de veculos em vias pblicas (VIPUR) baseado no regulamento de
placas da Holanda. Este regulamento envolve uma pequena srie de regras para a
Reconhecimento de Placas 66

posio da placa no carro, o estilo, tamanho, cor da placa e dos caracteres, e fonte
dos caracteres, etc. O sistema CLPR consiste de quatro unidades principais: uma
unidade de segmentao, uma de reconhecimento e uma unidade de anlise
sinttica. A unidade de segmentao completamente implementada pelo DT-
CNNs e determina o local da placa baseado em caractersticas estruturais e
algumas medidas de tamanho. A placa extrada passada para o isolador de
caracteres que isolar cada caractere da placa. Os caracteres isolados so
processados pelo reconhecedor de caracteres (OCR). Esta parte do sistema utiliza
informaes padro. O analisador sinttico checa cada possvel caractere
retornado pelo reconhecedor um nmero satisfatrio de regras sintticas existentes
nas placas holandesas. Se estas regras no forem satisfatrias, ou um dos
caracteres for irreconhecvel, a imagem rejeitada. As taxas de erro do sistema
so de 5% com erro na aplicao das caractersticas das placas, e de 6% de
rejeio de todas as imagens durante o estgio segmentao.
Como j descrito anteriormente o problema de reconhecimentos de placas
encontra grande dificuldade devido s diversas maneiras da obteno de imagem,
ou seja, a grande complexidade de situaes em que podem ser obtidas as
imagens. Em (NAITO et al., 1999) dedica-se especificamente ao problema de
placas inclinadas e por um sistema vdeo sensvel acoplado com um alcance
dinmico amplo criado para eliminao de imagens borradas de veculos em alta
velocidade, bem como definidos vrios valores de brilho medidos em estradas
para a cmera (Figura 33).

Figura 33. Imagens de placas com variao de ngulos (NAITO et al., 1999)
Reconhecimento de Placas 67

Uma abordagem baseada em aprendizagem proposta por (KIM et al.,


2000). Nessa abordagem o carro detectado atravs da entrada de uma seqncia
de imagem coloridas por diferenciao e em seguida busca-se a localizao da
placa atravs de filtros verticais e horizontais em duas redes neurais. No
reconhecimento dos caracteres utiliza-se o que o autor chama de SVM (support
vector machine). Apontando um taxa de 100% de acerto na deteco do carro,
97,5 por cento na segmentao e 97,2% no reconhecimento dos caracteres.
Em (JIANLONG ZHU & YANNAN ZHAO, 2001) apenas a tcnica de
localizao da placa tratada. Neste caso utilizando a transformada de wavelet
local em mltiplas escalas, combinada s informao das bordas, aplicando-se o
mtodo de template matching para segmentar a placa baseado na anlise da
densidade de bordas e nas caractersticas espaciais dos caracteres.
(DA-SHAN GAO & JIE ZHOU, 2000) considera que a placa tem um alto
contraste relativo, podendo ser visualizado com uma imagem gradiente (Figura
34) devido a grande variao na regio dos nmeros. Assim o tamanho da rea
onde a mdia local do gradiente calculada, pode ser apontado como
correspondente placa. Aps a segmentao dividindo-se a mdia do gradiente
pelo o valor do gradiente local da regio dos nmeros, realiza-se a binarizao.
Ento aplicam filtros morfolgicos para reduo do rudo, como faixas horizontais
e verticais, bem como obter as regies que podem ser separadas. Em seguida
especificam-se alguns critrios geomtricos como rea, a razo entre o
comprimento e a altura da placa, a densidade entre outros.

Figura 34. Pr-processamento, Limiariazao e Eroso, Placa destacada (DA-SHAN


GAO & JIE ZHOU, 2000)
Reconhecimento de Placas 68

Em (SHEN-ZHENG, 2003) usa a mesma abordagem do Mtodo do


Gradiente, no entanto apresenta a normalizao da orientao das placas num
estudo de situao em que esto em vrias posies e com vrios graus de
rotacionamento.
Encontra-se em (YOSHIMORI et al., 2003), um cuidado especfico na
deteco de placas em dias chuvoso trabalhando com cores, no qual se prope um
mtodo de threshold baseado em um algoritmo gentico real, utilizando o sistema
de cores YCrCb que reflete a maioria das propriedades de percepo das cores dos
seres humanos.
Outro trabalho (JONGMIN LEE et al., 2001) que se preocupa
especificamente com o problema das direes arbitrrias em que se pode adquirir
a imagem utilizado a Transformada de Simetria Generalizada que produz
caractersticas contnuas de simetria entre dois pontos pela combinao de
vnculos de localidade e simetria reflexional. Dessa maneira os cantos da placa
so detectados usando o fato de que so formados por duas linhas retas vizinhas,
aps isso com a variao de rotaes apresentadas pelos caracteres aplica-se uma
normalizao da imagem por warping (distoro), tornando muito mais fcil a
identificao.
Um tratamento no descrito at o momento foi o relacionado ao
Reconhecimento de Placas especificamente para motocicletas (HSI-JIAN et al.,
2004). Estas so compostas de duas linhas de caracteres. No primeiro estgio o
mtodo proposto o da diferena de blocos em que a varincia ou similaridade de
um bloco definido MxN em duas linhas diagonais, os blocos so categorizados em
trs tipos: baixo contraste, estacionrio e blocos em movimento. No segundo
estgio temos um mtodo baseado na projeo das bordas usado para encontrar os
dois picos do histograma para limitar a regio da placa (Figura 35).

Figura 35. Deteco de Placas em motos (HSI-JIAN et al., 2004)


Reconhecimento de Placas 69

Um mtodo denominado de hbrido (HONGLIANG et al., 2004) apresenta


um algoritmo baseado em estatsticas de bordas e morfologia matemtica,
dividido em quatro sesses, que so deteco vertical de bordas, anlise estatstica
de bordas, localizao da placa baseado em hierarquia e extrao atravs de
morfologia matemtica, descrito que de um universo de 9825 imagens, houve
uma taxa de 99,6% de acerto na extrao da placa.
O mtodo baseado em Morfologia Matemtica (HSIEH et al., 2002) bem
como os trabalhos de (HERMIDA et al.,1997) e (RODRIGUEZ & HERMIDA,
2000), serviram como base para os estudos desenvolvidos nesta dissertao,
Ambos apresentam a extrao de placas a partir de imagens complexas como visto
na Figura 36.

Figura 36. Realce dos caracteres por Morfologia Matemtica

O sistema proposto em ambos consiste de trs componentes principais. No


primeiro, o mtodo baseado em morfologia matemtica proposto para extrair as
caractersticas de contraste que sero guias para a busca das placas desejadas. A
caracterstica de contraste robusta para as mudanas de iluminao e invariante
para diferentes transformaes, como escala translao e inclinao (rotao). A
partir da, um algoritmo de recuperao aplicado para a reconstruo da placa se
ela estiver fragmentada em vrias partes. O terceiro componente a verificao. O
critrio de verificao da placa baseado no nmero de caracteres que pode ser
extrado de um algoritmo de agrupamento. Este mtodo aponta para possibilidade
de reduo significativa do nmero de candidatos extrados de uma imagem
complexa e assim aumentam a velocidade de reconhecimento da placa.
Reconhecimento de Placas 70

Outros trabalhos (DIAS & LOTUFO, 2005), (NOMURA et al., 2005),


(ZHENG et al., 2005), tem como foco principal o uso da morfologia matemtica,
mas com a utilizao de vrias outras reas.
Metodologia Proposta 71

5 Metodologia Proposta

Neste captulo ser apresentada a metodologia usada no desenvolvimento do


trabalho e tambm a descrio de cada uma das etapas que o constitui. Aqui se
buscou a confeco de uma base de dados, implementao e a experimentao do
mtodo proposto.
A plataforma de desenvolvimento empregada na implementao deste
trabalho foi o MATLAB (MATLAB, 2005). Desenvolveu-se em paralelo na
linguagem Python (PYTHON, 2006) com a toolbox pymorph (PYMORPH,
2006), com a finalidade de disponibilizar no ambiente Gnu-Linux e tambm
portado no Microsoft Windows sem alteraes no cdigo. O cdigo desenvolvido
se encontra no Apndice A.

5.1. Base de dados

Para o desenvolvimento de um trabalho de anlise de imagens necessria a


utilizao de uma base de dados, pois a disponibilidade de um nmero
significativo de imagens um fator importante para qualquer projeto de pesquisa
experimental nesta rea.
Os testes e verificaes foram realizados em uma base de dados contendo
quatro conjuntos especficos de imagens: carros estacionados prximos, carros
estacionados mais afastados, carros parados em frente a cancelas de cobrana e
caminhes. O primeiro conjunto de imagens que denominaremos de Base I possui
180 imagens em tons de cinzas de veculos estacionados mais afastados,
adquiridas utilizando-se uma mquina fotogrfica digital, em escala e ajustes de
brilho e contraste padres da cmera utilizada, marca Olympus, modelo D-360L.
Este conjunto de imagens foi cedido para testes pelos autores (BUSSADOR &
FACON, 2001). Um outro conjunto denominado Base II, formado de 100
imagens tiradas em situao em que o carro est parado em frente a um obstculo
como um a cancela para identificao, Tambm obtido de um trabalho
desenvolvido por (ALBUQUERQUE, 2006). A base III, com imagens que se
Metodologia Proposta 72

considera padro no estudo desenvolvido com iluminao diversificada conforme


caractersticas definidas na tabela 5.

5.1.1. Caractersticas da base de dados

As imagens utilizadas para a criao das bases de dados possuem as


seguintes caractersticas descritas na tabela 5.
As fotos foram tiradas em vrias situaes de iluminao (chuva, sol e
tempo nublado). Desta forma, temos na base diferentes situaes de distribuio
da iluminao incidente na placa do veculo; estas situaes so: placa totalmente
iluminada, parcialmente sombreada e totalmente sombreada sendo classificadas
como heterognea e homognea, sendo a distribuio homognea sub-classificada
em imagens claras e imagens escuras. Todo o processo de classificao das
imagens foi feito visualmente.

Base I Base II Base III Base IV

Espao de Cor cinza Cinza cinza cinza


Resoluo 320x240 320x240 320x240 320x240
Frontal 58 imagens 100 18 12
Traseira 122 imagens 0 14 0

Angulao
10 0 0 4
superior a 30

Iluminao
37 4 7 0
Heterognea

Iluminao 72 claras 93 claras 22 claras


12
Homognea 71 escuras 3 escuras 3 escuras
Distncia da
2,0m a 3,5m 1,0m a 2,0m 1,5m a 2,5m 2,0m a 3,5m
Cmera

Tabela 5. Caractersticas das imagens obtidas

5.2. Desenvolvimento

Os passos de processamento de imagens para se obter a posio da placa do


veculo a partir de uma imagem digital em nveis de cinza sero mostrados a
Metodologia Proposta 73

seguir. Na Figura 37 descreve-se as etapas desde a aquisio da imagem do


veculo passando pelo pr-processamento, processamento e segmentao, obtendo
como resultado as coordenadas da placa na imagem.

Base Imagem digital


de dados
do veculo

Pr-processamento Processamento Segmentao

Posio da
placa do veculo

Figura 37. Etapas do sistema da imagem

Cada uma das etapas do processo composta de:

Pr-processamento:
Converso das imagens coloridas para nveis de cinza;
Operao de Tophat por fechamento;

Processamento:
Reduo da complexidade da imagem. Mtodo de Otsu

Segmentao:
Localizao da Placa;
Filtragem de componentes.
Metodologia Proposta 74

5.3. Aquisio da imagem

O processo de aquisio das imagens foi descrito no item 4.1. A aquisio


da base foi feita em RGB, isto para permitir que outros trabalhos sejam
desenvolvidos utilizando as mesmas bases e abordando outros problemas. No
entanto o trabalho foi realizado com imagens em 256 tons de cinza.
As imagens so adquiridas pela cmera digital em formato RGB, com
compresso JPEG. Na Figura 38 apresentamos um exemplo de imagem que faz
parte da base de dados.

Figura 38. Exemplo de Imagem Inicial

5.4. Pr-Processamento

5.4.1. Converso das imagens coloridas para nveis de cinza

Na anlise automtica de imagens, o processamento da cor de grande


importncia na identificao e extrao de caractersticas e objetos. Este fato
deve-se principalmente ao aumento da capacidade de discernimento dos objetos
em imagens coloridas. Vrios so os sistemas para a representao da cor
encontrados na literatura; as duas principais abordagens so (AZEVEDO &
CONCI, 2003):

RGB: consiste na utilizao de um espao tridimensional onde cada cor


obtida a partir das cores primrias, vermelho, verde e azul,
respectivamente, baixa, mdia e alta freqncias do espectro visvel pelo
olho humano.
Metodologia Proposta 75

HSI: H a matiz que descreve o matiz de cor: vermelha, azul e amarela


etc. S pureza ou a saturao da cor e I a componente que representa a
intensidade de luz da cor.

No processo de converso das imagens RGB para nveis de cinza usou-se o


nvel de cinza de um determinado pixel correspondendo a mdia das trs
componentes de cor do pixel, calculado da seguinte maneira: onde R, G e B so as
componentes de cor (Figura 39).

R+G + B
C=
3

Figura 39. Imagem Original

5.4.2. Tophat

No desenvolvimento deste trabalho usa-se uma hiptese distinta:


consideram-se os caracteres como objetos contrastantes com o fundo e de pequena
espessura.
Para essa abordagem, a transformao morfolgica conhecida como
"Tophat" ser de grande utilidade, tendo como funo ressaltar os vales (regies
escuras) da imagem, facilitando assim a identificao das letras da placa do
veculo.
O Tophat por Fechamento composto de um fechamento com um elemento
estruturante (E.E.) circular de dimetro da espessura do caractere, assim
consegue-se borrar as letras. Em seguida subtraem-se as imagens, ento os
Metodologia Proposta 76

caracteres sero destacados. Como se pode observar, alguns veculos como


definidos anteriormente tm os caracteres mais claro que o fundo da placa, neste
caso aplica-se Tophat por abertura ou Bottonhat como tambm conhecido Figura
40.

Figura 40. Imagem aps Bottom Hat

Como podemos observar na fig. 34 apareceu mais regies destacadas do que


apenas os caracteres das placas. Agora, tem-se que eliminar as reas falsas.

5.5. Processamento

5.5.1. Reduo da complexidade da imagem

A reduo da complexidade da imagem se faz necessria para a eliminao


dos pequenos rudos, ainda existentes na imagem, isto porque quanto maior o
nmero de elementos dispostos, um maior nmero de regies candidatas existir.
O processo de reduo da complexidade realizado dividindo-se o nvel de
cinza de cada um dos pixels da imagem por um fator de reduo. Ento faz-se
binarizao da imagem. Usamos o Mtodo de Otsu (que foi descrito no captulo 2)
na Figura 41.
Metodologia Proposta 77

Figura 41. Imagem aps Binarizao

Para a localizao da placa usa-se apenas morfologia matemtica.

5.6. Segmentao por Operaes Morfolgicas Binria

5.6.1. Fechamento

Realiza-se o fechamento com um elemento estrutural horizontal linear, com


a largura igual maior separao entre os caracteres possveis. Isto converte o
conjunto dos caracteres em um retngulo branco (Figura 42).

Figura 42. Imagem aps Fechamento


Metodologia Proposta 78

5.6.2. Abertura Horizontal e Vertical

Nos prximos passos buscaremos eliminar os rudos existentes que no


satisfazem as caractersticas da placa. Definem-se parmetros que representam a
altura mnima e mxima e largura mnima e mxima dos caracteres.
Fazendo uma abertura com um elemento estrutural vertical linear
eliminamos os objetos de altura inferior altura mnima dos caracteres (Figura
43).

Figura 43. Imagem aps Abertura Mnima

Depois se faz outra abertura para eliminar os objetos de altura inferior a


altura mxima dos caracteres. Desta forma elimina-se tambm a placa (Figura 44).

Figura 44. Imagem aps Abertura Mxima

Ento subtramos imagem do passo anterior Fig. 43 do passo atual Fig. 44


obtendo uma imagem que conter apenas a placa e um pouco de rudo residual. O
Metodologia Proposta 79

rudo residual pode ser eliminado facilmente fazendo uma abertura com um
elemento estrutural horizontal linear de largura menor do que a largura mnima da
placa (Figura 45).

Figura 45. Imagem aps Eliminao largura Mnima Abertura

Aplica-se uma dilatao para assegurar de que se obtm a placa inteira (note
na figura 45 como a placa obtida perde algo de largura se a letra final apresenta o
1 (um) ou vrios traos horizontais, como a letra L).

Figura 46. Imagem de Placa segmentada aps dilatao

O resultado deste passo posio da placa na imagem (Figura 46):


Metodologia Proposta 80

Figura 47. Imagem de placa destacada

A implementao das rotinas que compem o mtodo proposto apesar de


apresentarem tempo satisfatrio no est otimizada, considerando a utilizao de
memria e performance dos algoritmos, assim fica a sugesto para a realizao de
um estudo algortmico para otimizar estas rotinas e desta forma melhorar o
desempenho do processo de localizao de placas.

5.7. Anlise de Resultados

Resultados obtidos pelo mtodo proposto sero sumarizados na Tabela 3.


Sero feitos alguns comentrios a respeito dos resultados encontrados e uma
comparao com outros sistemas para processamento de imagens de placas.
O tempo de processamento para cada imagem foi menor que 1 segundo,
considerando da leitura da imagem at a entrega da imagem com a regio da placa
recortada, utilizando um computador equipado com processador Atlhon XP 2000+
e 512 MB de memria RAM.
A seguir, so apresentados alguns casos particulares nos quais so
analisados os pontos fortes e tambm os pontos fracos do mtodo proposto.

5.7.1. Anlise da localizao da placa

O resultado da localizao da placa considera todas as imagens das 4 bases


de dados condensando na Tabela 5. O Apndice B mostra detalhado os dados
obtidos da localizao das placas.
Metodologia Proposta 81

Correta Parcial Incorreta


Base I 63,88 % ( 115 ) 15,0 % ( 27 ) 21,11 % ( 38 )
Base II 78,0 % ( 78 ) 5,0 % ( 5 ) 17,0 % ( 17 )
Base III 84,38 % ( 27 ) 6,25 % ( 2 ) 9,38 % ( 3 )
Base IV 66,67 % ( 8 ) 25,0 % ( 3 ) 8,3 % ( 1 )

Tabela 6. Resultado da Localizao das Placas

Uma localizao considerada correta (Fig. 48) quando a regio da placa


foi identificada corretamente. Uma localizao parcial ocorre quando a regio
marcada corresponde rea da placa e uma pequena regio do veculo a mais. A
localizao incorreta caracteriza o caso no qual nenhuma regio da placa foi
marcado. Na avaliao das placas parciais com outras caractersticas como a
segmentao e avaliao da existncia dos sete caracteres seriam possveis o
aumento das placas localizadas corretamente.
O nmero de localizao incorretas na Base I se d devido a uma grande
variedade de situaes em que as imagens foram obtidas, em algumas situaes
at mesmo no consistentes com as condies comuns de obteno de imagens de
veculos.

Figura 48. Localizao correta da placa


A Figura 49 mostra a localizao parcial da placa. A localizao da placa
baseia-se na busca dos caracteres, no entanto rudos podem causar falhas no
processo de conexo. Este fato acarreta um efeito de expanso da regio marcada.
Metodologia Proposta 82

Figura 49. Localizao parcial da placa

5.7.2. Casos particulares

Nesta seo sero apresentadas imagens cujas caractersticas especiais


apresentam situaes que evidenciam a versatilidade do mtodo proposto.
Tambm sero apresentados casos nos quais o mtodo falha.

5.7.2.1. Localizao em veculos com pintura clara

mostrado na Figura 50 o caso de carros que possuem uma pintura clara


(ou branca). Nestes casos, no processo de localizao da placa, que se baseia
numa busca pelos caracteres, reala o contraste para diferenciar a placa da pintura
do veculo.

Figura 50. Veculo com pintura clara


Metodologia Proposta 83

5.7.2.2. Placas posicionadas incorretamente

Nos casos em que a placa do veculo no est corretamente fixada (com


inclinao) ou posicionada (no centralizada), os resultados da localizao da
placa sofreram algumas interferncias, aumentando a dificuldade de acordo com o
ngulo de inclinao, como monstrado na Figura 51.

Figura 51. Veculo com a placa inclinada

5.7.2.3. Fator de luminosidade

Em situaes que a placa do veculo se encontra na sombra projetada pelo


prprio veculo, em dias ensolarados, a incidncia de luminosidade na regio
muito pequena, fazendo com que a placa no fique destacada em relao ao
veculo. Como demonstrado na Figura 52, o mtodo localiza a placa mesmos
sendo pequena a diferena de tonalidade da placa em relao ao veculo, por que a
diferena de contraste maior entre o fundo da placa e os caracteres.
Metodologia Proposta 84

Figura 52. Placa sombreada

5.7.2.4. Foto com mais de um veculo

Em alguns casos em que aparecem dois ou mais veculos na imagem, o


mtodo no apresenta um bom desempenho, pois depende da distncia da cmera
at os veculos. Quando os veculos se encontram em uma distncia apropriada, as
placas destes so localizadas corretamente desde que estejam no mesmo plano.
Este fato demonstrado na Figura 53.

Figura 53. Imagem contendo trs placas


Metodologia Proposta 85

5.7.2.5. Localizao da placa em veculos com adesivos

Em casos que os veculos possuem adesivos colados na pintura, o processo


no influenciado se o padro destes adesivos no corresponder ao padro das
letras da placa do veculo, como pode ser visto na Figura 54.

Figura 54. Veculo com adesivos

5.7.2.6. Fotos no paralelas ao plano de captura

Para demonstrar que o mtodo funciona com uma grande variabilidade de


posicionamento da cmera em relao ao veculo, foram tiradas fotos do mesmo
veculo em posies diferentes, lembrando que a distncia da cmera at o veculo
foi mantida, variando somente o ngulo de viso. Na figura 55 mostrado um
exemplo desta situao.

Figura 55. Foto com ngulo normal


Metodologia Proposta 86

5.7.3. Comparao com o sistema SIAV

Comparamos o mtodo de segmentao proposto neste trabalho com os


resultados apresentados pelo sistema SIAV descrito em (SOUZA & SUSIN,
2000). A seguir so colocadas as caractersticas apresentadas pelo sistema SIAV.
O sistema SIAV foi testado com um conjunto de 300 imagens. As imagens
utilizadas para o teste possuem as seguintes caractersticas:

256 tons de cinza e 320x240 pixels;


Dimenses da placa entre 70x20 e 120x40 pixels;
Imagens da frente e costas dos veculos com distribuio de luz sobre a
superfcie da placa homognea e heterognea.

Comparao entre os resultados (SIAV x Mtodo proposto):

SIAV - 82,4% de sucesso na localizao das placas com a rotina


preliminar (variao tonal).
Mtodo proposto 73,75% de sucesso na localizao das placas;

O sistema SIAV apresenta um desempenho superior no processo de


localizao das placas de veculos, porm, importante ressaltar que as
caractersticas de posicionamento do veculo nas imagens processadas pelo
sistema SIAV so muito mais restritas que as impostas neste trabalho.
O sistema SIAV realiza uma busca pela regio provvel da placa para em
seguida realizar a segmentao dos caracteres da placa, inclusive utilizando
tcnicas de limiarizao para conseguir um melhor ndice de segmentao e
tambm impondo restries quanto ao tamanho dos dgitos da placa; o que no
ocorre no mtodo aqui proposto, que tenta primeiro a partir das caractersticas dos
caracteres localizar a regio da placa.
O SIAV possui um bom desempenho em ambientes com diferentes tipos de
iluminao. O tempo de processamento de cada imagem (320X240 pixels)
dependente da complexidade da imagem analisada e pode variar entre 1.4 e 130s
(processador K6-2 400 MHz com 64 MB de RAM). O mtodo aqui proposto
Metodologia Proposta 87

apresentou tempo de processamento de 1 segundo por imagem (320x240 pixels)


em um processador Athlon XP 2000+ MHz com 512 MB de RAM.

Neste captulo foi apresentada a metodologia aplicada para desenvolver o


trabalho proposto e a base de dados adquirida para os testes, e tambm o
processamento necessrio para se obter a segmentao da placa de um veculo a
partir de uma imagem em tons de cinza. Dentro deste processamento, destacamos
o pr-processamento, para melhorar a qualidade da imagem obtida pela cmera
fotogrfica digital, o processamento da imagem e a segmentao que tem o
objetivo de encontrar a localizao a placa de um veculo a partir dos caracteres.
Tambm foram apresentados os resultados obtidos na aplicao do mtodo aqui
proposto sobre a base de dados usada para a execuo do trabalho. Foram
apresentadas as anlises estatsticas a respeito do desempenho do mtodo para a
discusso dos resultados alcanados.
Destaca-se que no se preocupou com heursticas que poderiam verificar o
nmero de caracteres, que seria possvel num sistema que fornecesse a
segmentao de caracteres permitindo dessa forma o aumento da taxa de
localizao de correto.
Concluso 88

6 Concluso

A abordagem apresentada neste estudo empregou a morfologia matemtica


para localizar e segmentar automaticamente placas de veculos de imagens em
nveis de cinza. O objetivo principal do trabalho foi a segmentao de placas
utilizando morfologia matemtica, visando obter como resultado uma
segmentao exata ou a mais exata possvel para todas as situaes e fugindo das
abordagens como redes neurais, anlise de textura e gradientes.
Os resultados obtidos com a aplicao do mtodo proposto neste trabalho
em uma base de 324 imagens, que buscavam a apresentar as mais diferentes
condies de obteno das imagens, tm como mdia 73,23% de acerto na
localizao das placas e de 12,81%, avaliado como parcial, que considera a
entrega de mais de uma regio candidata. Os resultados podem ser considerados
como satisfatrios quando so levadas em considerao as diferentes situaes das
imagens analisadas, conforme foi discutido no captulo anterior e tambm se
levando em considerao a complexidade da imagem e a no utilizao de
algoritmos clssicos para a resoluo de problemas que envolvem este nvel de
complexidade.
A versatilidade do mtodo em relao s diversas condies de iluminao
a melhor caracterstica deste mtodo. Alm desta, ressalta-se a caracterstica do
mtodo iniciar o processo de segmentao buscando os caracteres da placa na
imagem da cena completa, e no em um recorte selecionado a partir de uma
primeira segmentao da imagem para a localizao da placa, mtodo utilizado
por outros sistemas similares. Tem como caracterstica ainda a ser mais bem
desenvolvida, est no problema do ngulo de inclinao e a distncia da cmera,
j que toda a heurstica est voltada em funo do tamanho do caractere e tambm
da placa.
Alm destas caractersticas, devemos salientar tambm o bom desempenho
apresentado em relao ao tempo de processamento deste mtodo (menos de 1
segundo por imagem).
Concluso 89

6.1. Contribuio do trabalho

As principais contribuies do trabalho so:

Uma metodologia de segmentao utilizando apenas morfologia


matemtica;
Robustez em relao iluminao dos veculos dias ensolarados,
nublados e chuvosos;
Bom desempenho em relao ao tempo de processamento.

6.2. Perspectivas futuras

Como a implementao foi realizada na ferramenta (MATLAB, 2006), o


mtodo proposto no est otimizado, sugere-se a realizao de um estudo para
otimizar as rotinas e a implementao em uma linguagem de mais baixo nvel. O
cdigo tambm gerado na linguagem Python (PYTHON, 2006) tambm necessita
de estudos de otimizao j que o toolbox (PYMORPH, 2006) utilizado deixa
claro que as rotinas no contm esse objetivo, assim pode-se melhorar o
desempenho do processo de localizao de placas o que o traria mais perto ainda
para solues em tempo real.
Uma segunda implementao que pode melhorar significativamente os
resultados o aumento da qualidade e contraste dos caracteres da placa, isto antes
de ser realizada a localizao e filtragem dos elementos da imagem.
A integrao com o trabalho de Reconhecimento de Caracteres de
Automveis (MONTEIRO, 2002), obtendo assim a soluo completa para o
Reconhecimento de Placas utilizando apenas Processamento e Anlise de Imagens
sem a utilizao de Inteligncia Artificial.
Os estudos necessrios para a determinao dos melhores mtodos para o
pr-processamento da imagem so apontados como continuao deste trabalho,
bem como o ajuste das rotaes sofridas pelas mesmas.
Referncia Bibliogrfica 90

Referncia Bibliogrfica

ALBUQUERQUE, M. P. de; Projeto de Reconhecimento de Placas de Veculos


Brasileiros, Disponvel em: <http://www.cbpf.br/cat/pdsi/lpr/lpr.html/>. Acesso
em: 20 de janeiro 2006.
ASIAVISION; Automatic License Plate Recognition. Disponvel em: <
0H

http://www.asiavision.com.hk/>. Acesso em: 20 de janeiro 2006.


ATSTRAFFIC; Violation Processing Application and Business Systems.
Disponvel em: <http://www.atstraffic.com>. Acesso em: 20 de janeiro 2006.
AUTOMATISA; Empresa Automatisa Ltda. Disponvel em:
<http://www.automatisa.com.br/>. Acesso em: 20 de fevereiro 2006.
AZEVEDO, E., CONCI, A., Computao Grfica: Teoria e prtica, Editora
Campus (Elsevier), Rio de Janeiro, Brazil, 384 pginas. ISBN 85-352-1252-3,
2003.
BAI HONGLIANG; LIU CHANGPING; A hybrid license plate extraction
method based on edge statistics and morphology, Pattern Recognition, 2004.
ICPR 2004. Proceedings of the 17th International Conference on Volume 2,
Pg.(s):831-834 Vol.2, 2004.
BARROSO, J.; DAGLESS, E.L.; RAFAEL, A.; BULAS-CRUZ, J.; Number
Plate Reading Using Computer Vision, Industrial Electronics, 1997. ISIE '97.,
Proceedings of the IEEE International Symposium on 7-11 July 1997 Pg.(s):761
- 766 vol.3.
BUSSADOR, A., FACON, J., Localizao Automtica de Placas de Veculos
em Fotos Digitais Utilizando Abordagem Granulomtrica, PUC-PR,
Dissertao de Mestrado, 2001.
BRUGGE, M. H. T., NIJHUIS J. A. G., SPAANENBURG L., SDEVENS J. H.,
License Plate Recognition, Kowledge-Based Intelligent Techniques in
Character Recognition, Edited by Lakhmi C. Jain and Beatrice Lazzerini, pp
263-295, 1999.
CALIXTO, E. P.; Granulometria morfolgica em espaos de cores: Estudos da
ordenao espacial, Universidade Federal Fluminense, Dissertao de Mestrado,
2005.
CHOI, J.; A study on the extraction and recognition of a car number plate by
image, In: Journal of Korea Institute of Telematics and Electronics, Vol. 24, N. 2,
Pg.(s):309-315, 1987.
COETZEE, C.; BOTHA, C.; WEBER, D.; PC Based Number Plate Recognition
System, Industrial Electronics, 1998. Proceedings. ISIE '98. IEEE International
Symposium on Volume 2, Pg.(s):605 - 610 vol.2, 1998.
COMPULETRA, Empresa Compuletra Ltda. Disponvel em:
<http://www.compuletra.com.br>. Acesso em: 20 de janeiro 2006.
Referncia Bibliogrfica 91

CONCI, A., FERRAZ, I. N., GARCIA, A. C. B., BRKLE, P. Y., MELO, R. H.


C. de, Particle Analyzer: an Hybrid Approach for Microscopic
Granulometry" proceedings of 11th International Workshop on Systems, Signals
and Image Processing - IWSSIP'04, Pg.(s): 39-42, 2004.
CONCI, A.; MELO, R. H. C. de, Tcnicas de Melhorias e Reconhecimento de
Formas por Imagens, Mini curso apresentado no IV Congresso Temtico de
Dinmica Controle e Aplicaes : Srie Arquimedes Vol. 4. ISBN 85-86883-24-7,
SBMAC. Eds. J. M. Balthazar et al. pp. 2149-2180, 2005.
CONTRAN, Cdigo de Trnsito Brasileiro. Disponvel em: <
http://www.mj.gov.br/contran >. Acesso em: 20 de janeiro 2006.
DAI, Y.; MA, H. Q.; LIU, L.; LI, L.; A high performance license plate
recognition sytem based on the web technique, In: Proceedings of IEEE
Symposium on Transportation Systems, Pg. 325-329, 2001.
DA-SHAN GAO; JIE ZHOU; Car license plates detection from complex scene,
Signal Processing Proceedings, 2000. WCCC-ICSP 2000. 5th International
Conference on Volume 2, 21-25 Aug. 2000 Pg.(s):1409 - 1414 vol.2.
DIAS, F. G.; LOTUFO, R. A.; Melhorias para Sistemas de Reconhecimento da
Placa de Licenciamento Veicular, IV Workshop de Teses e Dissertaes em
Computao Grfica e Processamento de Imagens - WTDCGPI, Natal-RN, Brasil,
9-12 Outubro, 2005.
DUDA, R. O.; Hart, P. E.; Pattern classification and scene analysis, A Wiley-
Interscience Publication, New York: Wiley, 1973.
EUN RYUNG LEE, PYEOUNG KEE KIM, AND HANG JOON KIM;
Automatic Recognition of a Car License Plate Using Color lmage, Processing,
ICII94. Proceedings of the International Conference on Image Processing, Vol.2,
Pg.(s) 301-305, 1994.
FACON, J., Morfologia Matemtica: Teoria e Exemplos., Pontifcia
Universidade Catlica do Paran, Curitiba, Brasil, 1996.
FERNANDES, J. L.; CONCI, A., Controle de qualidade de padres grficos
atravs da utilizao do Gradiente Morfolgico, III CONGRESSO
NACIONAL DE ENGENHARIA MECNICA, ISBN 85-85769-16-5, 2004.
FRANA, J. A., Thining: A Linha Essencial, Disponvel em: <http://www.
uel.br/pessoal/josealexandre/>. Acesso em: 30 de julho. 2005.
GONZLEZ, R. C., WOODS, R. E., Digital Image Processing (Reading:
Addison-Wesley, Segunda Edio, 2001).
GONZALEZ, R. C.; THOMASON, M. G. Syntatic Pattern Recognition: An
Introduction, Addison-Wesley Publishing Company, Inc., 1978.
GUANGZHI CAO; An adaptive approach to vehicle license plate localization,
Industrial Electronics Society, 2003. IECON '03. The 29th Annual Conference of
the IEEE Volume 2, 2-6 Nov. 2003 Pg(s):1786 - 1791 Vol.2.
HARALICK, R. M., STERNBERG, S.R., ZHUANG, X. Image analysis using
mathematical morphology. IEEE Trans.on Pattern Analysis and Machine
Intelligence, Vol.9(4), Pg.(s) 532-550, 1987.
Referncia Bibliogrfica 92

HEGT, H.A.; DE LA HAYE, R.J.; KHAN, N.A.; A high performance license


plate recognition system, In: Proceedings of IEEE International Conference on
Systems, Man, and Cybernetics, vol.5, Pg.(s):4357 4362, 1998.
HERMIDA, X. F.; RODRGUEZ, F. M.; LIJ, J. L. F.; Automatic and Real
Time Recognition of V.L.P.'s (Vehicle License Plates), Lecture Notes on
Computer Science (Springer), 1311(2), 1997, 552-559.
HI-TECH; Seecar License Plate Recognition Systems. Disponvel em:
<http://www.htsol.com/>. Acesso em: 20 de janeiro de 2006.
HONGLIANG BAI; JUNMIN ZHU; CHANGPING LIU; A fast license plate
extraction method on complex background, In: Proceedings of IEEE of
Intelligent Transportation Systems, Vol. 2, Pg.(s):985 987, 2003.
HSIEH, J.W.; YU, S. H.; CHEN, Y. S., Morfology-based license plate detection
in images of differently iluminated and oriented cars, Journal of Electronic
Imaging, Vol 11, N 4, 507-516,2002, 2002.
HSIEH, J. W.; YU, S. H.; CHEN, Y. S.; Morphology-based license plate
detection from complex scenes, In: Proceedings of International Conferencen on
Pattern Recognition, Vol. 3, Pg(s):176 179, 2002.
HSIEH, C.; JUAN, Y.; HUNG, K.; Multiple license plate detection for complex
background, In: Proceedings of Advanced Information Networking and
Applications, Vol. 2, Pg(s):389 392, 2005.
HSI-JIAN LEE; SI-YUAN CHEN; SHEN-ZHENG WANG; Extraction and
recognition of license plates of motorcycles and vehicles on highways, In:
Proceedings of the Pattern Recognition, Vol. 4, Pg.(s):356 359,2004.
JIANLONG ZHU; YANNAN ZHAO; Vehicle license image segmentation
using wavelet transform, In: Proceedings of IEEE of Intelligent Multimedia,
Video and Speech Processing, Pg.(s):267 270, 2001.
JONGMIN LEE; DONGMUN HA; YONG DEAK KIM; A study on the
hardware implementation for car license plate area extraction, In:
Proceedings of IEEE of
Systems, Man, and Cybernetics, Vol. 4, Pg.(s):2281 2284, 2001.
KAPUR N. J., SAHOO P.K. e WONG A. K. C., A New Method for Gray-Level
Picture Thresholding, Computer Vision, Graphics and Image Processing,
vol.29, pp. 273-285, 1985.
KIM, D. S.; CHIEN, S. I.; Automatic car license plate extraction using
modified generalized symmetry transform and image warping, In:
Proceedings of IEEE International Symposium on Industrial Electronics, vol.3,
Pg.(s):2022 2027, , 2001.
KIM, K.K.; KIM, K.I.; KIM, J.B.; KIM, H.J.; Learning-based approach for
license plate recognition, In: Proceedings of IEEE Signal Processing Society
Workshop, vol.2, Pg.(s):614 623, 2000.
RODRGUEZ, F. M.; HERMIDA, X. F.; LIJ, J. L. F.; et al, Mtodos
Avanzados de Reconocimiento de Patrones, Aplicacin al Reconocimiento de
Matrculas de Automviles. URSI-98,1998.
Referncia Bibliogrfica 93

RODRGUEZ, F. M.; HERMIDA, X. F.; LIJ, J. L. F.; New Advances in


Automatic Reading of VLP's, Proc. SPC-2000 (IASTED), Marbella, Spain,
2000, 126-131.
RODRGUEZ, F. M.; HERMIDA, X. F.; Un Nuevo Mtodo, Basado en
Morfologa, para Localizacion de Matriculas, Proc URSI-00, Zaragoza, Spain,
Pg.(s) 139-140, 2000.
MATHERON, G., Dymanic Measurement of Computer Generated Image
Segmentation, IEEE Trans. Pattern Analysis Mach. Intell. 7, pp 155-164, 1975.
MATLAB; Matlab 7.0.1 SP1 Release 14 Documentation, Mathworks Inc.,
2005.
YU, M.; KIM, Y. D.; An approach to Korean license plate recognition based
on vertical edge matching, In: Proceedings of IEEE International Conference on
Systems, Man, and Cybernetics, vol.4, Pg.(s):2975 2980, 2000.
MONTEIRO, L.H., Utilizao de Tcnicas de processamento de imagem para
o reconhecimento de placas de veculos, Universidade Federal Fluminense,
Dissertao de Mestrado, 2002.
MOSOROV, V.; Using tophat transformation for image fingerprint
segmentation, In: International Conference on Signals and Electronic Systems,
2001.
NAITO, T.; TSUKADA, T.; YAMADA, K.; KOZUKA, K.; YAMAMOTO, S.;
License plate recognition method for inclined plates outdoors, In: Proceedings
of International Conference on Information Intelligence and Systems, Pg.(s):304
312, 1999.
NOMURA, S.; YAMANAKA, K.; KATAI, O.; KAWAKAMI, H.; SHIOSE, T.;
A novel adaptive morphological approach for degraded character image
segmentation, Pattern Recognition, Vol. 38, Issue 11, Pg(s) 1961-1975,
November 2005..
OPAS CHUTATAPE; XIAODONG QIAN; Parallel implementation of
automatic license-number extraction on a cluster of computers, TENCON 99.
Proceedings of the IEEE Region 10 Conference Volume 1, 15-17 Sept. 1999
Pg.(s):706 - 709 vol.1.
OTSU, N.,A Threshold Selection Method from Gray-level Histograms,
IEEE Transactions on Systems, Man and Cybernetics, v. SMC 9, no 1, pp.62-66,
1979.
PERLIBAKAS, V.; Automatical detection of face features and exact face
contour, Pattern Recognition Letters, Vol. 24, Issue 16, Pages 2977-2985, 2003.
PERKONS, Empresa Perkons S/A. Disponvel em: <
http://www.perkons.com.br>. Acesso em: 15 de janeiro 2006.
PONFAC, Empresa Ponfac S/A. Disponvel em: <http://www.ponfac.com.br>.
Acesso em: 15 de janeiro 2006.
PRATT, W. K.; Digital Image Processing, Third Edition, John Wiley & Sons,
2001
PUN, T., Entropic Thresholding: The New Approach, Computer Graphics and
Image Processing, vol.16, pp.210-239, 1981.
Referncia Bibliogrfica 94

PYMORPH; Pymorph Morphology Toolbox; Disponvel em:


<http://www.qnx.com>. Acesso em: 15 de janeiro 2006
PYTHON; Python Programming Language, Disponvel em:
<http://www.qnx.com>. Acesso em: 15 de janeiro 2006.
QNX, QNX Software Systems Disponvel em: <http://www.qnx.com>. Acesso
em: 15 de janeiro 2006.
RACAL, Racals License Plate Recognition System. Disponvel em:
<http://home.racal.com/>. Acesso em: 15 de junho 2005.
SAHOO P. K., SOLTANI S. e WONG A. K. C., A Survey of Thresholding
Techniques, Computer Vision, Graphics and Image Processing, vol.41, pp 233-
260, 1988.
SERRA, J., Courses on Mathematical Morphology. Ecole de Mines de Paris,
Disponvel em: <http://cmm.ensmp.fr/~serra/cours/>. Acesso em: 30 de julho.
2005.
SERRA, J., Image Analysis and Mathematical Morphology. AcademicPress,
London, 1982.
SHEN-ZHENG WANG; HSI-JIAN LEE; Detection and recognition of license
plate characters with different appearances, In: Proceedings of IEEE of
Intelligent Transportation Systems, Vol. 2, Pg(s):979 984, 2003.
SIRITHINAPHONG, T.; CHAMNONGTHAI, K.; Extraction of car license
plate using motor vehicle regulation and character pattern recognition, In:
Proceedings of Conference of IEEE of Circuits and Systems, Pg.(s):559 562,
1998.
SIRITHINAPHONG, T.; CHAMNONGTHAI, K.; The recognition of car
license plate for automatic parking system, Proceedings of the Fifth
International Symposium on Signal Processing and Its Applications, Vol. 1,
Pg.(s):455 - 457, 1999.
SOILLE, P.; PESARESI, M., Advances in Mathematical Morphology Applied
to Geoscience and Remote Sensing, In: Ieee Transactions on Geoscience and
Remote Sensing, Vol. 40, 2002.
SOUZA, F. P. C.; SUSIN, A. A.; Sistema de identificao automtica de
veculos, 2000. Disponvel em: <http://www.lapsi.eletro.ufrgs.br/projetos/siav/>.
Acesso em: 30 de julho. 2005.
SZMURLO, M.; A comparative study of statistically classifiable features
used within the area of Optical Character Recognition, Master thesis,
University of Oslo, Faculty of Mathematics and Natural Sciences, Department of
1H

Informatics, 1995.
TRANSFO, Transport, Disponvel em <http://www.transfo.com/detect.htm>
Acesso em: 30 de julho. 2005.
WAYNE, L. W. C.; Mathematical Morphology and Its Applications on Image
Segmentation, Master Thesis, Dept. of Computer Science and Information
Engineering, National Taiwan University, 2000.
YANAMURA, Y.; GOTO, M.; NISHIYAMA, D.; SOGA, M.; NAKATANI, H.;
SAJI, H.; Extraction and tracking of the license plate using Hough transform
Referncia Bibliogrfica 95

and voted block matching, In: Proceedings of IEEE of Intelligent Vehicles


Symposium, Pg.(s):243 246, 2003.
YOSHIMORI, S.; MITSUKURA, Y.; FUKUMI, M.; AKAMATSU, N.;
KHOSAL, R.; License plate detection system in rainy days, In: Proceedings of
IEEE of Computational Intelligence in Robotics and Automation, Vol.
2, Pg.(s):972 - 976, 2003.
ZHENG, D.; ZHAO, Y.; WANG, J.; An efficient method of license plate
location, Pattern Recognition Letters, Vol. 26, Issue 15, Pg(s): 2431-2438,
November, 2005.
Apndice A 96

Apndice A

Apresenta-se neste captulo os procedimentos utilizados no


desenvolvimento deste trabalho. Destacando-se os passos necessrios para a
segmentao da placa baseado em morfologia matemtica sem haver nfase na
otimizao do cdigo. Sabe-se que as ferramentas utilizadas no foram as
melhores em termos de velocidade, mas muito boas em termos de interatividade e
portabilidade. Foi utilizado o Matlab verso 7.0.1 R14. A seguir mostrado o
cdigo utilizado para o processamento das imagens.

function placa
% Segmentao de Placas de Veculo Baseado em Morfologia
Matemtica
% ARQUIVO: padrao.m
% OBJETIVO: LOCALIZACAO EM UMA IMAGEM, DAS PLACAS DE UM AUTOMOVEL
% Foi utilizado morfologia matematica para tratamento e
detectar
% a regiao.
% Autor: Jonh Edson Ribeiro de Carvalho
% Data: 01/02/2006

%--- Leitura do arquivo de imagem ---


%
filename = input ('Arquivo ?: ', 's');
image = imread (filename);

saveImg (image, '00-ImgOri');

% ---- Passo 1)Top Hat [Subtrao do Fechamento pelo Original] ---


---------
%
disk = strel ('disk', 2);

img = imbothat (image, disk);

saveImg (img, '01-ImgBotHat');

% ---- Passo 2)Binarizao pelo Metodo de Otsu ------------------


---------
Apndice A 97

%
binImg = im2bw (img, graythresh(img));

saveImg (binImg, '02-ImgBinAposBotHat');

% ---- Passo 3)Fechamento linear horizontal ----------------------


---------
%
hline = strel ('line', 13, 0);

binImgClosed = imclose (binImg, hline);

saveImg (binImgClosed, '03-ImgAposFecLinHor' );

% ---- Passo 4) Abertura Linear Vertical - Eliminao Altura Min.


---------
%
vlineMin = strel ('line', 5, 90);

binImgOpenedMin = imopen (binImgClosed, vlineMin);

saveImg (binImgOpenedMin, '04-ImgAposAbeLinVerMin' );

% ---- Passo 5) Abertura Linear Vertical - Eliminao Altura Max.


---------
%
vlineMax = strel ('line', 25, 90);

binImgOpenedMax = imopen (binImgOpenedMin, vlineMax);

saveImg (binImgOpenedMax, '05-ImgAposAbeLinVerMax.' );

imgSubOpened = imsubtract (binImgOpenedMin, binImgOpenedMax);

saveImg (imgSubOpened, '06-ImgASubMinMaxVer' );

% ---- Passo 6) Abertura Linear Horizontal - Eliminao largura


Min. ------
%
hlineMin = strel ('line', 55, 0);

binImgOpenedHorMin = imopen (imgSubOpened, hlineMin);

saveImg (binImgOpenedHorMin, '07-AbeLinHorEliAltMax' );


Apndice A 98

% ---- Passo 7) Alargamento da Placa -----------------------------


---------
%
dilata = strel('square',20);

plateImg = imdilate(binImgOpenedHorMin,dilata);

saveImg (plateImg, '08-Isolada');

% ---- Definio de Imagens --------------------------------------


---------
%
image = im2uint8 (image);
img = im2uint8 (img);
binImg = im2uint8 (binImg);
binImgClosed = im2uint8 (binImgClosed);
binImgOpenedMax = im2uint8 (binImgOpenedMax);
binImgOpenedMin = im2uint8 (binImgOpenedMin);
imgSubOpened = im2uint8 (imgSubOpened);
plateImg = im2uint8 (plateImg);
imgFinal = imadd (image, plateImg);
imgFinalSo = imsubtract (plateImg, image);

saveImg (imgFinal, 'Imagem final');


saveImg (imgFinalSo, 'Imagem final');

% ---- Plot das Principais Etapas --------------------------------


---------
%
%whitebg('k')

scrsz = get(0,'ScreenSize');
figure('Position',[1 scrsz(4)/2 scrsz(3)/2
scrsz(4)],'ToolBar','none', ...
'Name','Etapas da Segmentao de Placas', 'NumberTitle',
'off', ...
'Renderer','OpenGL')

subplot(3,3,1), subimage (img), axis off, title ('Top


Hat')

subplot(3,3,2), subimage (binImg), axis off, title


('Binarizada')

subplot(3,3,3), subimage (binImgClosed), axis off, title


('Fechada Linear')

subplot(3,3,4), subimage (binImgOpenedMin), axis off,title


('Aberta Min.')

subplot(3,3,5), subimage (binImgOpenedMax), axis off,title


('Abertura Max.')

subplot(3,3,6), subimage (binImgOpenedHorMin), axis off,title


('Elim. de Largura Min.')
Apndice A 99

subplot(3,3,7), subimage (plateImg), axis off, title ('Placa


Isolada')

subplot(3,3,8), subimage (imgFinal), axis off, title


('Imagem Final')

subplot(3,3,9), subimage (imgFinalSo), axis off, title


('Placa')

% ---- Marcao das bordas ---------------------------------------


---------
%
[EliLabel num] = bwlabel(plateImg);
EliArea = regionprops(EliLabel,'Area');
Elimina = ismember(EliLabel, find([EliArea.Area]));

[Ilabel num] = bwlabel(Elimina);


Iprops = regionprops(Ilabel);
Areabox = [Iprops.Area];
fprintf('rea Automtica %6.2f.\n',Areabox);
Ibox = [Iprops.BoundingBox];
Ibox4 = reshape(Ibox,[4 num]);
fprintf('Coord. Automtica Ponto Inic. (%6.0f,%6.0f), Largura
%6.2f e Altura %6.2f.\n',Ibox);

iptsetpref('ImshowBorder','tight')
SCRSZ = get(0,'ScreenSize');
figure('Position',[SCRSZ(3) SCRSZ(4) SCRSZ(3)
SCRSZ(4)],'ToolBar','none', ...
'Name','Seleo Manual da Placa', 'NumberTitle', 'off', ...
'Renderer','OpenGL'),imshow(image);
%figure,imshow(image);

hold on;
for cnt = 1:num
r =
rectangle('position',Ibox4(:,cnt),'edgecolor','r','LineWidth',2);
end

% ---- Seleo Manual da Regio da Placa -------------------------


---------
%
areaman = getrect;
intersecao = rectint(Ibox,areaman);
areamanvet = (areaman(3)*areaman(4));
razaoarea = (intersecao/areamanvet);

fprintf('rea Manual %6.2f.\n',areamanvet);


fprintf('Coord. Manual do Ponto Inic. (%6.0f,%6.0f), Largura %6.2f
e Altura %6.2f.\n',areaman);
fprintf('rea de Interseo da Placa Automtica e da Manual
%6.0f.\n',intersecao);
fprintf('A Razo da rea Coincidente %6.2f por
cento.\n',razaoarea);
Apndice A 100

% ---- Escrita do arquivo de saida da Area da placa --------------


---------
%
fid = fopen('areaplaca.txt','a');
fprintf(fid,'%6.0f %6.0f %6.2f %6.2f %6.0f %6.0f %6.2f %6.2f %6.0f
%6.2f\n'...

,Ibox(1),Ibox(2),Ibox(3),Ibox(4),areaman,intersecao,razaoarea*100)
;
fclose(fid);

% ARQUIVO: padrao.m
%
% OBJETIVO: LOCALIZACAO EM UMA IMAGEM, DAS PLACAS DE UM AUTOMOVEL
% Foi utilizado morfologia matematica para tratamento e
detectar
% a regiao.
%
% Autor: Jonh Edson Ribeiro de Carvalho
%
% Data: 01/07/2005

% ---- Funcao Salvar imagens -------------------------------------


---------
function saveImg (image, tit)
cd out
imwrite (image, strcat (tit, '.jpg'), 'jpg');
cd ..
%
% ---- Fim da Funcao Salvar --------------------------------------
---------
Apndice B 101

Apndice B

Neste captulo apresentam-se os resultados obtidos do trabalho


desenvolvido e utilizados para a tomada de deciso sobre a segmentao correta
das placas. A seguir so apresentados os dados obtidos de todas as imagens com
as respectivas regies das placas segmentadas.
Para uma anlise de confirmao da correta localizao da placa do veculo
obteve-se o desvio padro dos pontos iniciais das placas encontradas
manualmente e automaticamente.
Sendo o desvio padro uma medida do grau de disperso dos valores em
relao ao valor mdio (a mdia).

( x x )
2

=
2

n 1

onde x a mdia da amostra e n o tamanho da amostra, temos portanto, o


desvio padro do ponto inicial da placa, considerado como o ponto superior
esquerdo. x2 = 3,5645 e y2 = 2,7940.

O desvio padro da distncia Euclideana E2 = 3,6333, mostrando que as


posies iniciais encontradas foram determinadas de forma satisfatria, por
possurem valores de desvios padres bastante pequenos em relao a tamanho da
placa de 320 x 240 pixels. Um segundo dado importante oriundo da interseo
da regio da placa automtica e da placa obtida manualmente com mdia de
78,87% com desvio padro 27,0276.
Como definido anteriormente, a ltima coluna da tabela identifica a
avaliao da localizao da placa, sendo (C) correto, (P) Parcial, (I) Incorreto,
sendo definido o conceito parcial, quando for entregue mais de uma regio
candidata mas contendo em uma delas a regio da placa.
Posio da Placa Posio da Placa
Avaliao
Imagem de Automtica (Pixel) Manual (Pixel)
Imagem de Sada Porcentagem
Entrada
Xo Yo Larg. Alt. Xo Yo Larg. Alt. DX DY da rea
Encontrada

164 102 87 31 164 99 82 26 0 3 90.38 C

96 173 106 28 98 166 92 32 2 7 79.69 C

16 116 82 28 26 114 66 26 10 2 94.23 C

19 120 86 27 24 115 70 28 5 5 83.93 C

136 168 95 27 140 163 85 25 4 5 82.00 C

100 188 91 27 99 178 87 31 1 10 68.96 C

104 142 95 28 107 141 89 26 3 1 98.08 C

123 161 90 31 126 158 86 27 3 3 90.74 C

113 152 83 30 115 149 77 27 2 3 90.74 P


100 147 88 27 101 142 82 26 1 5 82.69 C

107 127 104 34 109 124 97 30 2 3 91.67 C

0 0 0 0 0 0 0 0 0 0 0 I

120 163 90 33 119 160 92 29 1 3 89.39 C

9 136 76 28 12 134 69 24 3 2 93.75 C

3 161 80 28 4 156 71 29 1 5 84.48 C

118 146 95 31 129 143 80 27 11 3 90.74 P

136 166 101 31 138 161 87 32 2 5 85.94 C

22 113 75 28 26 112 66 23 4 1 97.83 C

107 179 82 31 111 178 75 25 4 1 98.00 C


72 144 79 27 72 139 75 30 0 5 85.00 C

0 0 0 0 0 0 0 0 0 0 0 I

117 169 86 29 118 167 80 26 1 2 94.23 C

181 158 101 32 192 154 87 28 11 4 87.50 C

114 148 105 32 124 147 82 27 10 1 98.15 C

96 117 107 28 98 105 102 33 2 12 65.15 C

103 140 97 32 107 137 88 28 4 3 91.07 C

44 99 90 33 43 97 89 26 1 2 93.70 C

2 168 95 30 4 163 79 31 2 5 85.48 C

198 115 94 25 210 110 79 32 12 5 78.13 C


0 0 0 0 0 0 0 0 0 0 0 I

73 168 75 23 79 160 61 32 6 8 71.88 C

110 173 96 28 112 167 90 28 2 6 80.36 C