Escolar Documentos
Profissional Documentos
Cultura Documentos
Felipe Young da Silva Kleber Roberto Cancian Samuel Faria Rosa de Souza Miranda
Orientador:
Agradecimentos
Agradeemos ao corpo docente da UNIFEI - Universidade Federal de Itajub, c a pelo curso que nos foi oferecido e pelo Governo Federal por gerenciar uma Universidade gratuita de excelente qualidade. Agradeemos em especial ao Professor c Carlos Henrique Valrio Moraes por ter nos orientado neste trabalho. e
Resumo
Atualmente, existem inmeros problemas relacionados a engenharia de trfego u ` a e segurana pblica no que se refere ` demora no processo de obtenao de dac u a c dos corretos sobre automveis. A grande demanda por sistemas computacionais o complexos cresce em ritmo acelerado, possibilitando empresas automatizarem suas fbricas e diminu a rem mo-de-obra. Nesse contexto, o reconhecimento automatia zado de placas de automveis surge para aumentar a ecincia e o controle do o e trfego, proporcionando agilidade aos processos hoje existentes. a Fatores como a qualidade da imagem, distncia da imagem em relao ao ponto a ca de onde a foto capturada e diferenas de luminosidade so caracter e c a sticas que interferem no reconhecimento da imagem e devem ser considerados no processo computacional. Baseando-se nisto, utilizar-se- a tcnica de PCA (Principal Components a e Analysis) para a identicao de caracteres a m de mostrar sua ecincia no ca e reconhecimento de padres de letras e nmeros. A tcnica PCA muito utilizada o u e e no reconhecimento de padres, mas no se tem nenhum relato de sua utilizaao o a c para reconhecimento de caracteres. Alm disto, para simular um ambiente real, sero desenvolvidos mdulos de e a o um sistema de controle de acesso a locais restritos para simular o funcionamento do PCA como parte de uma aplicao. Dividiu-se o sistema inicial em mdulos a ca o m de extrair de cada mdulo um melhor rendimento, isolando os problemas em o cada etapa do processo. Neste ambito criar-se- um mdulo para simular o sistema a o de captura da imagem e identicao da placa, um mdulo para a segmentaao ca o c dos caracteres e um mdulo nal responsvel pelo reconhecimento dos caracteres o a atravs da tcnica PCA. e e Palavras chave: Processamento de Imagens; Reconhecimento de Padres; PCA - Principal Component Analysis o
Justicativa
Atualmente o desenvolvimento tecnolgico aliado ao relativo baixo custo das o cmeras de vigilncia tornam viveis utilizaes de reconhecimento por imagens a a a co aplicadas ` problemas do cotidiano como o reconhecimento de placas de ve a culos. H os sistemas de controle eletrnico de estacionamento, sendo que o comprovante a o e emitido automaticamente, mas sem nenhuma identicao da placa do carro. Esse ca um outro exemplo de aplicaao imediata do trabalho que aqui apresentado. e c e Os projetos existentes de restrio de ve ca culos a certos locais ou controlados exigem um grande recurso nanceiro proveniente de equipamentos eletrnicos como o sensores e crachs. Existem, ainda, outros sistemas de identicaao que utilizam a c RFID - Radio Frequency Identication (Identicao por Freqncia de Rdio). ca ue a Porm, os RFID exigem gastos muito superiores aos despendidos para este projeto. e A maioria dos sistemas de reconhecimento de placas de ve culos automotivos utilizam Redes Neurais Articiais para reconhecer os caracteres, conseguindo uma preciso de aproximadamente 90% na maioria dos casos. a Este trabalho mostrar a utilizaao de uma tcnica estat a c e stica muito utilizada em reconhecimento de padres, destacando-se reconhecimento facial. Esta tcnica o e o PCA (Principal Components Analysis), e atravs dela tentar-se- reconhecer e e a os caracteres com uma preciso e rapidez superiores aos sistemas atuais. a Partindo desta idia ser elaborado um sistema que no necessita de tantos e a a equipamentos eletrnicos e ainda no exige nenhum tipo de identicaao extra por o a c parte do motorista, que ser identicado apenas pela placa do seu ve a culo automotor. Este sistema poder ser utilizado em empresas ou grupos que desejam o a controle de um uxo dos ve culos qualquer, como os que circulam por estacionamentos, ruas ou pedgios. a
Sumrio
Lista de Figuras Lista de Tabelas 1 Introduo
1.1 1.2 1.3 1.4 p. 14
Processamento Digital de Imagens . . . . . . . . . . . . . . . . . . p. 14 Trabalhos Correlatos . . . . . . . . . . . . . . . . . . . . . . . . . p. 15 PCA - Principal Component Analysis . . . . . . . . . . . . . . . . p. 16 Redes Neurais Articiais . . . . . . . . . . . . . . . . . . . . . . . p. 17 p. 18 p. 21
3.2
Processamento de Imagens aplicado ao Reconhecimento Automtico a de Placas de Automveis . . . . . . . . . . . . . . . . . . . . . . . p. 24 o 3.2.1 3.2.2 Aquisiao da Imagem . . . . . . . . . . . . . . . . . . . . . p. 24 c Realce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 24
Requisitos Tericos . . . . . . . . . . . . . . . . . . . . . . . . . . p. 30 o 4.1.1 4.1.2 4.1.3 4.1.4 4.1.5 4.1.6 Mdia Aritmtica . . . . . . . . . . . . . . . . . . . . . . . p. 30 e e Desvio Padro . . . . . . . . . . . . . . . . . . . . . . . . . p. 31 a Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 31 a Covarincia . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32 a A Matriz Covarincia . . . . . . . . . . . . . . . . . . . . . p. 32 a Autovalores e Autovetores . . . . . . . . . . . . . . . . . . p. 33
4.2
Anlise em Componentes Principais . . . . . . . . . . . . . . . . . p. 34 a 4.2.1 4.2.2 4.2.3 4.2.4 Conjunto de Dados . . . . . . . . . . . . . . . . . . . . . . p. 35 Subtraindo da mdia . . . . . . . . . . . . . . . . . . . . . p. 35 e Calculando a Matriz Covarincia . . . . . . . . . . . . . . p. 36 a Calculando os Autovetores e o Autovalores da Matriz Covarincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 37 a 4.2.5 Escolhendo as componentes e formando um vetor de caracter sticas . . . . . . . . . . . . . . . . . . . . . . . . . . p. 38 4.2.6 Formando o Novo Conjunto de Dados . . . . . . . . . . . . p. 39
Exemplo do uso de PCA para Reconhecer Faces . . . . . . . . . . p. 40 A funao da Anlise de Componentes Principais neste trabalho . . p. 42 c a p. 43
Introduao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 43 c Processamento Digital da Imagem - Seleo da Placa . . . . . . . p. 45 ca 5.2.1 5.2.2 O RoboRealm . . . . . . . . . . . . . . . . . . . . . . . . . p. 45 A Interface com o RoboRealm . . . . . . . . . . . . . . . . p. 47 5.2.2.1 5.2.2.2 Algoritmo de extrao da placa na imagem . . . p. 47 ca Algoritmo de redimensionamento da imagem do caractere . . . . . . . . . . . . . . . . . . . . . . p. 50 5.2.3 5.2.4 Diculdades na identicaao da placa . . . . . . . . . . . . p. 51 c Resultados obtidos para a extrao das placas . . . . . . . p. 52 ca
5.3
Segmentaao dos Caracteres . . . . . . . . . . . . . . . . . . . . . p. 52 c 5.3.1 5.3.2 5.3.3 O Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . p. 52 Diculdades . . . . . . . . . . . . . . . . . . . . . . . . . . p. 54 Resultados obtidos . . . . . . . . . . . . . . . . . . . . . . p. 54
5.4
6.1.2 6.2
Problemas Ocorridos . . . . . . . . . . . . . . . . . . . . . . . . . p. 70 p. 74 p. 76 p. 78 p. 82
Lista de Figuras
1 2 Placa em Detalhes. Fonte: (BRASILIENSE, 24 de outubro de 2004) p. 19 Categorias das Placas Brasileiras. Fonte: (BRASILIENSE, 24 de outubro de 2004) . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20 3 4 Processo de aquisiao de uma imagem. Fonte: (MELLO, ANO) . . p. 23 c Matriz M xN como representao de uma imagem. Fonte: (MELLO, ca ANO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 23 5 Qualidade da Imagem. Fonte: (SITE5, Retirado em 05 de junho de 2008; SITE6, Retirado em 10 de junho de 2008) . . . . . . . . . p. 24 6 7 Realce da Imagem. Fonte: (PASTORE F. M.; OLIVEIRA, ANO) . . . p. 25 Binarizaao da Imagem. Fonte: (SITE7, Retirado em 15 de junho c de 2008) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25 8 9 Projeoes Horizontal e Vertical. Fonte: (BELVISI R.; FREITAS, ANO) p. 26 c Segmentao dos Caracteres. Fonte: (SITE8, Retirado em 15 de ca junho de 2008) . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27 10 Problemas com as placas. Fonte: (SITE1, Retirado em 10 de junho de 2008; SITE2, Retirado em 10 de junho de 2008; SITE3, Retirado em 10 de junho de 2008; SITE4, Retirado em 10 de junho de 2008) p. 28 11 12 Distribuio do Conjunto de Dados (D). Fonte: (SMITH, 2002) . . p. 36 ca Autovetores plotados sobre o Conjunto de Dados D. Fonte: (SMITH, 2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 38
13
Matriz de Pixels para Vetor de Pixels. Fonte: (MELO G.; SOUTO, 2004) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 40
14 15 16
Matriz de Faces. Fonte: (KITANI E. C.; THOMAZ, 2005) . . . . . . p. 41 Mdia Aritmtica das Faces. Fonte: (KITANI E. C.; THOMAZ, 2005) p. 41 e e Arquitetura do Sistema de detecao de placas atravs da tcnica c e e PCA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
17 18
A interface do software Roborealm. . . . . . . . . . . . . . . . . . p. 46 Fluxograma do Algoritmo de Seleo da Placa na Imagem Capca turada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 47
19 20
RoboRealm aplicando alguns ltros a Imagem Original do Ve culo. p. 48 Visual Basic .Net interagindo com o RoboRealm - Passo 1 do Algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49
21
22
23
24 25
Processo de Segmentao dos Caracteres que compem a Placa. . p. 53 ca o Fluxograma do Algoritmo de Segmentao dos Caracteres que ca compem a Placa. . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 53 o
26 27 28
Exemplo 1 - Segmentaao dos Caracteres. . . . . . . . . . . . . . p. 55 c Exemplo 2 - Segmentaao dos Caracteres. . . . . . . . . . . . . . p. 55 c Exemplo 3 - Segmentaao dos Caracteres. . . . . . . . . . . . . . p. 55 c
29
30 31 32 33 34 35 36 37 38 39 40
Algoritmo dos pesos . . . . . . . . . . . . . . . . . . . . . . . . . p. 60 Nmero 5 da Referncia Padro Antigo. . . . . . . . . . . . . . . p. 62 u e a Nmero 5 da Placa 1 dos testes. . . . . . . . . . . . . . . . . . . . p. 63 u Nmero 3 na fonte Mandatory (Padro atual da placa) e sua rotao. p. 63 u a ca Caractere J e L e suas respectivas projees Vertical e Horizontal. p. 70 co Caractere O e Q e suas respectivas projeoes Vertical e Horizontal. p. 70 c Caractere V e Y e suas respectivas projees Vertical e Horizontal. p. 70 co Imagem Y e suas projees de uma placa coletada para testes. . p. 71 co Nmeros 6 e 9 no padro antigo. u a . . . . . . . . . . . . . . . . . . p. 72
Nmeros 6, 8 e 9 no padro novo. . . . . . . . . . . . . . . . . . . p. 72 u a Nmeros 6 e 9 normais, projees Verticais e Projees Horizonu co co tais respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . p. 73
41 42 43 44 45 46 47 48 49
Diferena entre os 2 padres existentes. . . . . . . . . . . . . . . . p. 78 c o Exemplo 1 - Aplicaao do algoritmo de seleao da placa na imagem. p. 79 c c Exemplo 1 - Placa Selecionada. . . . . . . . . . . . . . . . . . . . p. 79 Exemplo 2 - Aplicaao do algoritmo de seleao da placa na imagem. p. 79 c c Exemplo 2 - Placa Selecionada. . . . . . . . . . . . . . . . . . . . p. 79 Exemplo 3 - Aplicaao do algoritmo de seleao da placa na imagem. p. 80 c c Exemplo 3 - Placa Selecionada. . . . . . . . . . . . . . . . . . . . p. 80 Exemplo 4 - Aplicaao do algoritmo de seleao da placa na imagem. p. 80 c c Exemplo 4 - Placa Selecionada. . . . . . . . . . . . . . . . . . . . p. 80
50 51 52 53
Exemplo 5 - Aplicaao do algoritmo de seleao da placa na imagem. p. 81 c c Exemplo 5 - Placa Selecionada. . . . . . . . . . . . . . . . . . . . p. 81 Exemplo 6 - Aplicaao do algoritmo de seleao da placa na imagem. p. 81 c c Exemplo 6 - Placa Selecionada. . . . . . . . . . . . . . . . . . . . p. 81
Lista de Tabelas
1 2 3 Conjunto de Dados Original (D) . . . . . . . . . . . . . . . . . . . p. 35 Novo Conjunto de Dados (D) . . . . . . . . . . . . . . . . . . . . p. 36 Resultado da Aplicao do algoritmo de Reconhecimento sobre os ca Nmeros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 67 u 4 5 Resultado Geral para os Nmeros . . . . . . . . . . . . . . . . . . p. 67 u Resultado da Aplicao do algoritmo de Reconhecimento sobre as ca Letras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 69 6 Resultado Geral para as Letras . . . . . . . . . . . . . . . . . . . p. 69
14
Introduo
15
componentes inteligentes. Dentro deste segundo assunto pode-se classicar a localizaao da placa do automvel em uma imagem real, e, o posterior reconhecimento c o dos caracteres que compem a mesma. o A localizaao da placa do automvel talvez a principal limitadora no reconhec o e cimento de placas, j que a no deteco da placa ou de seus caracteres inviabiliza a a ca todo o processamento posterior.
2007), utilizando Redes Neurais Articiais (SONG W.; SHAOWEI, 1997; SILVA L. S.
P.; GRACIOSO,
2006; BOTELHO, 2004) e tcnica PCA (KITANI E. C.; THOMAZ, 2005; e 2003; CHENGJUN, 2004) na tentativa de melhorar o desempenho
computacional deste tipo de processamento. O reconhecimento de imagens uma area que vem sendo amplamente estudada. e Existem mtodos que so considerados ecazes para identicar padres, como a e a o tcnica PCA (LEITE L.; SILVA, 2004; CUENCA W. M.; SEIXAS, 2000; HEINEN M. e
R.; OSORIO,
Redes Neurais Articiais (SILVA L. S. P.; GRACIOSO, 2006). Os caracteres, como os conhecemos, possuem caracter sticas prprias, podendo assim serem diferenciados o dos demais por um determinado padro. Inmeros trabalhos foram feitos acerca a u
deste assunto, ` destacar (THOME A. C. G.; GUINGO, 2002), que utilizou redes a
neurais articiais para o tratamento de imagens visando identicar a placa de ve culos automotores, com uma margem de preciso de 76%. Alm disto, houve a e um tratamento da placa separando os caracteres um a um. Com a tcnica de PCA e buscar-se-, primeiramente, identicar os caracteres da placa um a um, realizando a o reconhecimento da placa junto ao banco de dados.
16
(POLIDORIO A. M.; BORGES, 1996) utilizaram um tratamento inicial da imagem
para, posteriormente, identicar os caracteres das placas de ve culos automotores. Este tratamento consiste em transformar a imagem em tons de cinza e aumentar o contraste da imagem, para assim aumentar os traos dos caracteres e permitir c sua identicaao. c (NAKASHIMA, 2004) realizou um estudo utilizando diversos mtodos para a e identicaao dos caracteres das placas de ve c culos automotores, dentre eles a rede neural articial atravs do treinamento supervisionado. Os resultados tiveram uma e preciso pouco abaixo de 90%. a Em (TALEB-AHMED A.; HAMAD, 2003) apresentado um sistema de anlise da e a imagem de um carro utilizando uma cmera. A soluo permite o rastreamento da a ca placa do carro na imagem e sua posterior identicao em um banco de registos. ca So apresentadas tambm aplicaoes prticas do sistema. a e c a Em (DRAGHICI, 1997) utiliza-se da transformada de Hough e o mtodo de e Voted Block Matching para a extraao e rastreamento da placa na imagem, resc pectivamente. A principal vantagem dos mtodos utilizados a possibilidade de e e reconhecimento da placa mesmo em algumas situaoes de ocluso. c a Em (LEE M.; WONG, 1999), um sistema com uma Rede Neural Articial (RNA) supervisionada utilizado para a detecao de placas de automveis. O sistema e c o reconhece tanto placas de ve culos parados quanto em movimento. O sistema e testado nas ruas e apresenta um percentual de acerto de mais de 90% das placas.
utilizada para o reconhecimento de padres, compactaao de dados e extrao de o c ca caracter sticas (SMITH, 2002; HAYKIN, 2001).
17
A aplicaao da tcnica PCA obtm um dos mais valiosos resultados obtidos c e e pela aplicaao dos conceitos da algebra linear (SHLENS, 2005), a reduao da dic c menso dos dados, transformando uma matriz de dados de dimenso m para uma a a nova matriz de dados de dimenso n, sendo n < m. E esta reduo de dimensioa ca nalidade no retira as caracter a sticas importantes contidas no conjunto de dados (MARQUES, 2006). Aps a aplicao do algoritmo, o que ocorre a projeao dos o ca e c dados em uma nova forma de orientao, em outro eixo, a m de encontrar as n ca direoes de maior varincia, ou seja, as componentes principais (MARQUES, 2006). c a Para a aplicao em imagens, esta tcnica traz muitos benef ca e cios, tais como reduao da quantidade de informao a ser armazenada, ou seja, compactaao da c ca c imagem sem perda signicativa de informaao; extrao de padres nas imagens, c ca o tais como reconhecimento facial, reconhecimento de terrenos e reconhecimento de doenas cancer c genas (LEITE L.; SILVA, 2004; CUENCA W. M.; SEIXAS, 2000; HEINEN
M. R.; OSORIO,
O reconhecimento de padres realizado com mais um recurso estat o e stico em complemento a tcnica PCA, o clculo da mtrica, ou a distncia calculada entre e a e a dois vetores.
ralizao e aprendizagem e por isso so to usadas nos dias atuais, por inmeros ca a a u autores.
18
Legislao Brasileira
Uma placa de identicaao de ve c culos no Brasil uma chapa de metal ou e plstico, axada a um ve a culo, com a nalidade de sua identicaao ocial. As c placas de ve culos automotores so padronizadas e seguem normas espec a cas sobre puniao por lei para quem no utiliz-las ou no seguir o regulamento. c a a a Em sua maioria, as placas so compostas por uma cor de fundo, que determina a a sua categoria e, so sinalizadas por trs letras seguidas de quatro nmeros. Alm a e u e disso, existe uma identicaao superior com o nome do estado e a cidade ao qual c o ve culo pertence. Apenas dois tipos de placas no seguem este padro no Brasil: a a a placa de representaao do Governo e a placa utilizada em motocicletas. c As dimenses da placa tambm obedecem ` padres, com limite de tamanho o e a o e altura. Somente a placa de motocicletas no segue o padro geral de tamanho, a a porm, tambm possui sua regulamentao em lei. Cada ve e e ca culo tem um cdigo o unico que o identica e, mesmo que um carro mude de estado, o nmero continuar u a sendo o mesmo. Sendo modicados apenas o estado e a cidade ao qual o ve culo est vinculado (Artigo 115 da Lei 9.503/97 - Cdigo de Trnsito Brasileiro). A a o a Figura 1 mostra esta placa em detalhes. Existe uma margem de erro com relaao as dimenses da placa, que podem c o ser de no mximo 10% do tamanho. A legislao ainda determina que os caraca ca teres sejam gravados em auto relevo e a fonte dos caracteres seja a Mandatory (CONTRAN, Retirado em 05 de junho de 2008).
19
No Brasil, as cores de fundo determinam a categoria do ve culo, as vezes asso` ciada ainda a algum detalhe extra na placa. A Figura 2 mostra as categorias com suas caracter sticas. Considerando que a grande maioria dos carros obedece ` regra geral, ou seja, a sete caracteres, cor de fundo cinza e tamanho denido, o trabalho em questo a ser focado nestas placas mais comuns, buscando-se o padro, e considerando-se a a a legislaao vigente atual. c
20
21
grco, realizada principalmente por cmeras de varredura de linha, produzindo a a uma linha por vez. A movimentaao da cmera ao longo do objeto produz imagens c a bidimensionais.
3.1.2 Armazenamento
O armazenamento poss e vel atravs da converso de sinais analgicos em e a o digitais. Aps o sensoriamento, so obtidos sinais cont o a nuos, no sendo poss a vel armazen-los em computadores, pois esses possuem a base de informaes estrutua co rada em bits (STALINGS, 2002). A converso realizada envolvendo principalmente a e trs processos: e
22
amostragem: trata da digitalizaao dos valores das coordenadas (x, y) tornando c discreto o dom nio da funo cont ca nua; quantizao das informaes: digitaliza os valores da amplitude, tornando disca co creto o contradom nio da funao cont c nua; codicao: responsvel pela obtenao de uma representao nita a partir da ca a c ca representaao discreta, ou seja, requer uma discretizaao tanto no dom c c nio como no contradom da funo cont nio ca nua. O resultado da codicaao pode c ser descrito por um conjunto nito de s mbolos organizados de acordo com uma estrutura de dados. A Figura 3 ilustra o processo de aquisio de uma imagem, sendo: ca (a) a partir de uma imagem cont nua; (b) seu sensoriamento realizado entre as delimitaes dos pontos A e B, obtendo e co a funao das amostras; c (c) a partir das amostras obtidas da imagem so realizadas os processos de quana tizaao; c (d) e assim, se obtm uma representao discreta quantizada e ca Na prtica, uma imagem com representaao cont a c nua utilizada como cone ceito no desenvolvimento de mtodos matemticos utilizados no processamento de e a imagens, tais como sries e transformadas de Fourier, que aproximam os sinais. e A representaao discreta quanticada utilizada nos dispositivos grcos comc e a putadorizados, enquanto que a representaao discreta cont c nua o formato mais e conveniente para grande parte das operaes com imagens, j que a funo imagem co a ca assume valores de pontos utuantes (GOMES J.; VELHO, 2002).
23
Aps a realizao das etapas de amostragem e da quantizao, o resultado o ca ca uma imagem digital (sinal digital), isto , discretizaao das coordenadas (x, y) e e c codicadas em uma matriz de nmeros inteiros (M xN ). A Figura 4 ilustra a matriz u de codicao de uma imagem sendo que M representa a resoluo vertical e N , ca ca a resoluao horizontal. Cada elemento da matriz corresponde a um elemento da c imagem, pixels ou pel (picture element). Os elementos da imagem correspondem exatamente nas coordenadas dos pixels e das informaes contidas em cada posio co ca (GOMES J.; VELHO, 2002). Essas duas funes esto relacionadas com resoluo co a ca espacial e resoluao da cor, respectivamente. c
24
SITE6,
Figura 5: Qualidade da Imagem. Fonte: (SITE5, Retirado em 05 de junho de 2008; Retirado em 10 de junho de 2008)
3.2.2 Realce
E utilizado com o objetivo de salientar caracter sticas relevantes para o processo de classicaao. Aumentando o contraste da imagem de uma placa, por c exemplo, poss tornar mais evidente a separaao entre os caracteres pertene vel c centes a mesma imagem. Na Figura 6(a) apresentado um exemplo da placa com e
25
baixa luminosidade e, na Figura 6(b), a mesma imagem aps aplicaao do aumento o c de contraste.
3.2.4 Binarizao
Consiste na modicao da imagem para apresentar apenas tons de preto e ca branco, utilizando a Equaao 3.1. c
ImgBin(i, j) =
se Img(i, j) =< LM
(3.1)
sendo 0 e 255 os valores dos pixels da imagem binarizada (ImgBin), i e j so a as coordenadas do pixel na imagem original Img, e LM o limite que determina e a partir de qual regio a cor do pixel ter o valor de limiar 255 ou 0. O resultado a a da binarizaao ilustrado na Figura 7. c e
26
3.2.6 Segmentao
Depois de realizadas as projeoes, os caracteres so segmentados para serem c a identicados. No processo de segmentaao feito uma varredura vertical de forma c e a localizar o in e o m dos caracteres a serem reconhecidos e depois um rascio treamento dos espaos em branco entre os caracteres. Com isso poss separar c e vel os caracteres. A Figura 9 mostra o resultado de uma segmentao. ca
27
problema de localizaao. c Grande parte das abordagens em localizao de placas de ve ca culos procura por padres como: a forma da placa (LOTUFO R. A.; MORGAN, 1990; COWELL, 1995; o
SARFRAZ M.; AHMED,
(NIJHUIS J. A. G.; BRUGGE, 1995; RAHMAN C. A.; BADAWYE, 2003), sequncias e de caracteres de comprimento xo (PARKER J. R.; FEDERL, 1996) ou ainda, assi-
28
Figura 10: Problemas com as placas. Fonte: (SITE1, Retirado em 10 de junho de 2008; SITE2, Retirado em 10 de junho de 2008; SITE3, Retirado em 10 de junho de 2008; SITE4, Retirado em 10 de junho de 2008)
entanto, observa-se aqui que, de todos os padres presentes na placa do ve o culo, o texto aquele que melhor se preserva nas condies mais variadas, por ser mais e co presente e redundante. Dessa forma, a localizaao da placa pode se dar em duas c etapas: a primeira deve produzir uma representao da imagem que destaque poca tenciais fragmentos de texto (sequncias de caracteres como palavras ou frases), e e a segunda deve procurar qual (ou quais) dos fragmentos realmente corresponderiam ` placa, realizando uma anlise posterior sobre os fragmentos encontrados. a a O trabalho de (CLAUDINO, 2005) apresenta um mtodo de segmentaao de imae c gens para lidar com a primeira etapa, cujo objetivo reduzir uma cena real a um e conjunto de regies que devem ser consideradas texto a partir do momento que o satisfaam trs principais condioes: c e c
29
serem principalmente formadas por bordas verticais; serem alongadas; apresentarem transioes (ou bordas) distribu c das regularmente por toda sua extenso. a Como pode ser observado em outros trabalhos, o texto modelado como um e padro de textura (WU V.; MANMATHA, 1999) e caracterizado atravs da dea e e composiao QMF wavelet (ETEMAD K.; DOERMANN, 1997; JAIN A. K.; YU, 1998; c
MENOTI,
apenas as imagens das sub-bandas verticais, que so borradas e posteriormente a binarizadas. Aps isso, regies oito-conectadas so selecionadas de acordo com seu o o a comportamento espacial. As regies resultantes so mapeadas de volta ao dom o a nio espacial, quando se tornam fragmentos de texto candidatos. Os verdadeiros fragmentos de texto so escolhidos de acordo com a regularidade e distribuio de a ca suas transies. Essas duas caracter co sticas so extra a das da prpria imagem do o fragmento, em um passo nal.
30
X=
Xi
(4.1)
Sendo n o nmero de elementos do conjunto de dados, e X o valor de cada u valor do conjunto de dados. Realizar este clculo fundamental para a tcnica PCA, pois um resultado a e e e importante e empregado em diversas equaoes posteriores. e c
31
s=
X)2 (n 1)
(4.2)
Este clculo no ser empregado diretamente ao algoritmo de PCA, porm a a a e faz-se necessria a sua explicao para que se entenda o conceito empregado em a ca outros clculos do algoritmo. a
4.1.3 Varincia
A varincia, assim como o desvio padro, uma medida capaz de traduzir a a a e disperso dos dados em relao a mdia do conjunto de dados. Da Equaao 4.3, a ca e c e evidente que a varincia exatamente igual ao quadrado do desvio padro, como a e a o modelo matemtico abaixo exemplica: a
n i=1 (Xi
s =
X)2 (n 1)
(4.3)
Para a tcnica PCA, esse clculo ser realizado de uma maneira particular nos e a a casos em que o conjunto de dados possu rem apenas uma dimenso. Para a tcnica a e PCA ser empregada a conjuntos de dados com mais de uma dimenso, esse clculo a a no ser efetuado, sendo substitu pelo clculo da covarincia. a a do a a
32
4.1.4 Covarincia
A covarincia, assim como a varincia e o desvio padro, uma medida de a a a e disperso dos dados com relaao a sua mdia. Porm as duas ultimas so medidas a c e e a utilizadas com relao a apenas uma dimenso, sendo necessrio calcular uma ca a a medida diferente para cada dimenso. A covarincia uma medida que relaciona a a e sempre duas dimenses entre si, relacionando o quo disperso o conjunto de dados o a e com relaao as duas dimenses. Se a covarincia for calculada para uma dimenso c o a a ela ser na realidade a varincia do conjunto de dados. Da Equaao 4.4, dar-se- a a c a o devido tratamento matemtico: a
n i=1 (Xi
cov(X, Y ) =
X)(Yi Y ) (n 1)
(4.4)
Na PCA, este resultado ser de fundamental importncia, pois deste rea a e sultado que se constri a matriz de covarincia, que o conjunto de dados de o a e maior signicncia na PCA. Esse conjunto representa de maneira matemtica o a a comportamento dos dados ou o padro que estes dados seguem, extraindo a sua a caracter stica.
33
A t tulo de exemplo, demonstrar-se- como ser montada a matriz covarincia a a a para um conjunto de dados compostos por trs dimenses. e o
(4.5)
A t tulo de algoritmo, importante deixar claro que, para melhorar o deseme penho do software a ser elaborado, far-se- necessria a utilizaao das propriedades a a c matemticas da covarincia, sendo neste caso espec a a co daquela que diz que no a importa a ordem em que as dimenses entram na frmula matemtica; o resultado o o a da covarincia para duas dimenses ser sempre o mesmo. Em outras palavras, a a o a covarincia de X e Y ser a mesma de Y e X. a a
34
T (v) = Av = v
(4.6)
T (v) a operao que transforma o vetor v; A chamado de autovetor e o e ca e e autovalor. Fazendo-se uso das propriedades da algebra linear, extrai-se a seguinte Equaao 4.7 mais simplicada: c
(4.7)
Mais uma vez fazendo-se uso da aplicao das denies da algebra linear, ca co extrai-se a Equaao 4.8 que gerar um polinmio onde as ra dele sero os autoc a o zes a valores. Abaixo, apresenta-se a Equao 4.8, para o devido tratamento matemtico: ca a
det(A I) = 0
(4.8)
Como resultado da soluao do polinmio caracter c o stico dessa equao se exca traem os autovalores, e a partir destes, por substituiao, obtm-se os autovetores. c e Para a tcnica PCA far-se-o necessrios todos estes clculos e a utilizaao de e a a a c mtodos matemticos para a soluo de polinmios, para, assim, se obter os aue a ca o tovalores e autovetores. Estes clculos que necessitam de uma maior capacidade a e de processamento, para que o algoritmo de PCA tenha um alto desempenho.
35
conjunto de dados inicial, sem perda signicativa de informaao ou caracter c stica. Deste ponto em diante analisar-se- o funcionamento desta transformao, exema ca plicando como o algoritmo opera e quais resultados sero obtidos em cada etapa. a
36
A partir desta operaao, obter-se- um novo conjunto de dados (D) que possui c a a mesma dimenso e quantidade de dados que o conjunto de dados original (D). a X 0,69 -1,31 0,39 0,09 1,29 0,49 0,19 -0,81 -0,31 -0,71 Y 0,49 -1,21 0,99 0,29 1,09 0,79 -0,31 -0,81 -0,31 -1,01
37
A matriz covarincia uma matriz quadrada. O nmero de elementos desta a e u matriz determinado pelo quadrado das dimenses do conjunto de dados. Do e o conjunto de dados original (D), extrai-se a seguinte matriz covarincia: a
cov =
(4.9)
cov =
0, 0490833989 1, 28402771
(4.10)
cov =
(4.11)
Os autovetores so utilizados para encontrarmos as caracter a sticas de relacionamento do conjunto de dados. Observe a Figura 12. Dela observa-se o conjunto de dados D plotado, e sobre este, de forma tracejada, observamos os dois autovetores. Pode-se observar que um dos autovetores forma um caminho mdio pelo conjunto e de dados D, tal como a melhor aproximaao. J o segundo autovetor separa os c a dados em dois lados, nos mostrando a quantidade de pontos prximos ao primeiro o autovetor. Porm esta anlise secundria e menos importante que a primeira. e a e a O processo de clculo dos autovetores da matriz covarincia utilizado, ento, a a e a para a extraao das linhas de caracter c sticas do conjunto de dados.
38
Figura 12: Autovetores plotados sobre o Conjunto de Dados D. Fonte: (SMITH, 2002)
39
reduao de dimensionalidade. Para o exemplo utilizado, obtemos o seguinte vetor c caracter stica:
(4.12)
Este vetor a prpria matriz de autovetores. No entanto, para a reduao da e o c dimenso dos dados, desconsiderar-se- o autovetor de menor autovalor. Desta a a forma obtm-se o seguinte vetor caracter e stica:
0, 677873399 0, 735178656
(4.13)
Sendo que o Vetor Caracter stica a matriz contendo os autovetores selecionae dos, porm, este vetor foi transposto. O mesmo ocorreu com o Cojnuto D, que e tambm deve ser transposto, com a nalidade de agilizar os clculos e diminuir o e a esforo computacional. O Conjunto Final ser uma matriz composta da seguinte c a forma: cada linha uma dimenso e cada coluna um conjunto de dados. e a
40
Figura 13: Matriz de Pixels para Vetor de Pixels. Fonte: (MELO G.; SOUTO, 2004)
Cada face que ser armazenada na base de dados sofrer este processo, a m a a de obter uma matriz que ser chamada de Matriz de Faces, Figura 14. a
41
Dessa Matriz de Faces, calculada a chamada Face Mdia, que nada mais e e e que a mdia aritmtica de todas as faces. A Figura 15 mostra um exemplo de face e e mdia: e
Figura 15: Mdia Aritmtica das Faces. Fonte: (KITANI E. C.; THOMAZ, 2005) e e
Uma vez obtida a face mdia, realiza-se a operaao de subtraao de cada uma e c c das faces contidas na Matriz de Faces da Face Mdia, gerando, desta forma, uma e nova Matriz de Faces. Dessa nova matriz que ocorre a reduao da dimensioe c nalidade, ocorrendo a extrao de uma matriz covarincia, e dessa, o clculo dos ca a a autovalores e autovetores. Dos classicadores, os autovetores e autovalores de cada face constituem-se uma Matriz de Faces com reduao de dimensionalidade. Nessa nova matriz consc taro apenas os componentes necessrios para a identicao da face, ou seja, os a a ca de maiores relevncia. a Para o processo de identicaao de faces, uma nova imagem dever ser adquirida c a pelo sistema, e esta imagem deve passar por todo o processo j descrito, at que a e sejam extra dos os seus autovetores e autovalores, que so os classicadores para a esta imagem. E para a comparao desta imagem com as outras se utiliza a tcca e
42
nica da comparaao dos classicadores um a um, por mtodos matemticos, como c e a a distncia euclidiana entre dois pontos. Atravs da menor diferena entre os clasa e c sicadores que se realiza a identicao do individuo. A mesma idia a que se e ca e e pretende empregar neste trabalho, pois tanto a face quanto os caracteres tem um padro denido. a
43
5.1 Introduo
Como referncia de comparaao para as imagens das placas, adotou-se os e c padres de fontes utilizadas nos caracteres de placas de ve o culos: Din 1451 Mittelschrift (utilizada nas placas mais antigas) e Mandatory (novo padro desde a 1o de agosto de 2007). Como descrito no Cap tulo 2, este novo padro foi adotado a pelo CONTRAN para facilitar a identicaao dos caracteres e sua nalidade a c e padronizaao nacional das placas, visto que existem inmeras fora dos padres, c u o como ser mostrado nos prximos cap a o tulos. Os nmeros e letras so mais bem u a denidos e com contornos mais fortes. O Figura 41, apresentada como anexo a este trabalho, mostra a diferena entre estes 2 padres. c o Para tentar resolver o problema apresentado por este trabalho, foi elaborado uma metologia (arquitetura) para os algoritmos do sistema. A Figura 16 apresenta o diagrama de uxo dos dados para o melhor entendimento da metodologia aplicada neste trabalho. Por algumas razes, os resultados no foram exatamente iguais aos o a esperados pelos desenvolvedores do tema. Por isso algumas etapas apresentadas por esta metodologia no foram aplicadas, mas mesmo assim segue abaixo uma a explicaao mais detalhada dos itens presentes na arquitetura. c Fase 1 - Captura da Imagem do Ve culo: Foi proposto pelo trabalho utilizar uma cmera de vigilncia comum para capturar a imagem do ve a a culo,
44
mas no permitido tirar foto das placas de ve a e culos sem ordem judicial e implementar um sistema deste, para esta nalidade, seria nanceiramente invivel e no haveria tempo hbil para sua implementao, visto que ele a a a ca no era o foco do trabalho. E para substituir este recurso, foi utilizado uma a cmera digital comum para capturar as imagens das placas de testes, de a alguns ve culos, com autorizaao prvia dos donos; c e
Fase 2 - Processamento Digital da Imagem: Como mencionado nos cap tulos anteriores, a seleao da placa na imagem capturada , sem dvida, a parte c e u mais dif de ser implementada. Mas para tentar resolver este problema, cil foi utilizado um software de Processamento Digital de Imagens em conjunto com linguagem de programa Visual Basic .Net: o RoboRealm foi capaz de selecionar as placas de algumas imagens capturadas. Este algoritmo de seleao c de placas ser desrito na prxima seo, ainda neste cap a o ca tulo; Fase 3 - Segmentaao dos Caracteres: De posse da imagem da placa, c e necessrio segmentar os caracteres, e para isso foi desenvolvido um algoa ritmo em MatLab R , que faz esta segmentao com uma grande performance ca e preciso. Este algoritmo tambm ser descrito com maiores detalhes, ainda a e a neste cap tulo;
45
Fase 4 - Aplicaao da Tcnica PCA: J com os caracteres segmentados, o c e a algortimo em MatLab R do PCA faz todo o trabalho matemtico e tenta a investigar os padres existentes entre os caracteres e as referncias, e assim, o e encontrar os resultados; Fase 5 - Interface com o Usurio: O propsito desta interface mostrar ao a o e usurio os resultados das aplicaces de cada etapa da metologia, e assim o a o usurio verica o trabalho que est sendo executado. Mas como a nalidade a a principal validar o PCA para encontrar padres em caracteres, esta etapa e o foi deixada para ser implementada como uma futura melhoria para o sistema.
5.2.1 O RoboRealm
O Roborealm uma poderosa ferramenta para aplicaes em viso computae co a cional, processamento de imagens e tarefas para controle robtico. Esta ferramenta o foi desenvolvida para se tornar fcil a aplicaoes de ltros para processamento de a c imagens e controle robtico. A verso utilizada deste software (v1.8.23.10), uma o a e verso livre. Maiores informaoes podem ser obtidas pelo site www.roborealm.com. a c
46
O Roborealm uma poderosa ferramenta para softwares com aplicaoes em e c viso computacional, processamento de imagens e tarefas para viso de robos. a a Esta ferramenta foi desenvolvida para se tornar fcil a aplicaoes de ltros para a c processamento de imagens e controle de robos. Este software um processador de imagens que contm todas as ferramentas e e necessrias para o processamento de imagens para viso computacional. Este a a software simples o suciente para iniciantes o utilizarem e poderoso o suciente e para que aplicaes mais avanadas possam ser desenvolvidas. co c O corao do processamento de imagens do Roborealm a estrutura de utica e lizaao dos mdulos de ltros utilizados para o processamento de imagens. Esta c o estrutura permite que vrios ltros possam ser aplicados sequencialmente a imagem a e a facilidade em se alterar a ordem de execuo destes ltros torna esta ferramenta ca extremamente exivel para se criar os mais diferentes resultados. (ROBOREALM, 2008)
Todo este poder de processamento de imagens, ainda pode ser utilizado junto a uma linguagem de programaao como, Visual Basic, C++, Java, entre outras. c Esta integraao realizada atravs de uma biblioteca. Com esta ferramenta podec e e se ter todo o poder de processamento do Roborealm em um software dedicado.
47
48
Para a obtenao desse algoritmo, inicialmente, realizou-se um estudo das cores c na imagem, criando, assim, um ltro capaz de isolar a placa do ve culo do restante da imagem. Com base nessa anlise foi poss classicar as imagens dos ve a vel culos em dois tipos: imagens de ve culos claros e imagens de ve culos escuros. Para essa separao, utilizou-se o ltro estat ca stico de cores contido no RoboRealm e atravs e da anlise da varivel de varincia das cores, realizou-se a classicaao: 1 - imagens a a a c com ve culos claros; 2 - imagens com ve culos escuros. Os ltros responsveis por extrair da imagem as placas dos ve a culos so constia tu dos de uma sequncia de ltros processados pelo RoboRealm. Ambos os ltros e tm como objetivo criar um retngulo branco exatamente sobre a placa do ve e a culo na imagem, a m de identic-la. Realizado esse processo, obtm-se as coordea e nadas da regio onde a placa se encontra na imagem e, aps a obtenao dessas a o c coordenadas, extrai-se a regio da imagem original. a A Figura 19 mostra o RoboRealm aplicando os ltros, e as Figuras 20, 21 e 22 mostram o Visual Basic .Net interagindo com o RoboRealm para aplicar o algoritmo descrito. Em anexo, a Figura 42 at 53 so exemplos da aplicaao do e a c algoritmo de seleao da placa na imagem. c
49
Figura 20: Visual Basic .Net interagindo com o RoboRealm - Passo 1 do Algoritmo.
Figura 21: Visual Basic .Net interagindo com o RoboRealm - Passo 2 do Algoritmo.
50
Figura 22: Visual Basic .Net interagindo com o RoboRealm - Passo 3 do Algoritmo.
51
Figura 23: Fluxograma do Algoritmo de Redimensionamento dos Caracteres que compem a Placa. o
52
5.3.1 O Algoritmo
A Segmentao poderia ter sido aplicada tambm utilizando o RoboRealm e ca e o Visual Basic .Net. Mas, decidiu-se utilizar o MatLab R , pois a tcnica escolhida e para se fazer a Segmentaao dos Caracteres foi a das Projeoes Vetical e Horizonc c tal. E, utilizando o MatLab R , caria extremamente simples de implementar esta tcnica. e
53
O princ pio deste algoritmo bem fcil de ser entendido. Ele est baseado na e a a utilizaao das Projees Horizontal e Vertical. Basicamente o que acontece : a c co e Projeao Horizontal obtm como resposta as coordenadas Y1 e Y2 que informam c e a altura exata dos caracteres; a Projeao Vertical obtm como resposta as coorc e denadas X1 e X2 de cada caractere. De posse dessas 4 coordenadas para cada caractere, poss segmentar com perfeiao os caracteres. A Figura 24 mostra e vel c com mais detalhes este processo.
Figura 25: Fluxograma do Algoritmo de Segmentao dos Caracteres que compem ca o a Placa.
54
5.3.2 Diculdades
Existem inmeras diculdades na Segmentaao dos Caracteres. Algumas so u c a descritas abaixo e devem ser levadas em considerao para a construao de um ca c algoritmo eciente: Seleo da Placa mal executada: como descrito anteriormente, na teoria ca a seleao da placa na imagem complicada de ser aplicada. Neste trabalho c e utilizado o RoboRealm e o Visual Basic .Net para fazer essa seleao, mas e c aps a seleao e aplicaao dos ltros, inmeros ru o c c u dos foram introduzidos na placa, o que dicultou a segmentaao dos caracteres; c Inclinao da Placa: deve ser levada em consideraao pelo algoritmo, ca c mas neste trabalho, as fotos utilizadas foram retiradas frontalmente, ou seja, evitando a inclinaao e consequentemente a necessidade do tratamento deste c problema. Baixa Resoluo: a baixa resoluo pode fazer com que os caracteres ca ca sejam completamente distorcidos aps a segmentao, e isto pode prejudicar o ca o processo de reconhecimento.
55
As Figuras 26 e 27 mostram 2 exemplos de segmentaoes bem sucedidas. Rec pare que nessas 2 guras existem muitas sujeiras nas placas, mas, mesmo assim, o algoritmo consegue segmentar os caracteres perfeitamente.
A Figura 28 mostra um exemplo mal sucedido da segmentaao dos caracteres, c mas repare que a placa est em pssima condiao visual. a e c
56
Isto foi feito para aumentar o nmero de resultados para a comparaao, visto u c que o PCA, como est sendo utilizado neste trabalho (apenas utilizando a cor a preta como base de informaoes), no oferece um grande nmero de componentes c a u principais para a anlise estat a stica dos resultados. O clculo de comparao do a ca autovalor da referncia com o autovalor do caractere descrito com mais detalhes e e ainda nesta seo. ca
57
A 0 0 B
(5.1)
Sendo: A - autovalor de menor relevncia da imagem; a B - autovalor de maior relevncia da imagem. a Primeiramente calculou-se a diferena em mdulo entre a Matriz de autovalor c o de referncia e a Matriz de autovalor de comparao (Caractere que se quer descoe ca brir).
Ar 0 0 Br
Ac 0 0 Bc
(5.2)
Sendo: Ar - autovalor de menor relevncia da referncia; a e Ac - autovalor de menor relevncia da imagem comparada; a Br - autovalor de maior relevncia da referncia; a e Bc - autovalor de maior relevncia da imagem comparada. a O clculo que foi efetuado para a anlise dos resultados dos autovalores a a e mostrado pela Equaao 5.3 c abs(Ar Ac ) + abs(Br Bc ) 2
R=
(5.3)
58
Este clculo realizado para a imagem do caractere, projeoes Vertical e Horia e c zontal de todas as letras ou nmeros. O valor referncia utilizado em cada uma u e e das 26 letras do alfabeto ou em cada um dos 10 nmeros existentes, ou seja, como u referncia, criada uma matriz M (linha, coluna) de dimenses M (3, 10) para os e e o nmeros, e uma matriz M (3, 26) para as letras. Sendo que a primeira linha traz o u resultado do autovalor de cada um dos nmeros ou letras do alfabeto, a segunda u linha traz a projeao vertical e a terceira linha, a projeao horizontal de cada um c c dos caracteres. Posteriormente existe um algoritmo que faz a anlise de todos os resultados do a vetor e os multiplica por um peso, ou seja, os menores valores recebem os menores pesos e os maiores valores tendem a car ainda maiores. Foi dado um nome para estes trs algoritmos sendo: e Normal: resultado de comparao dos resultados do PCA sobre a imagem ca do caractere; PV: resultado de comparaao dos resultados do PCA sobre a imagem da c Projeao Vertical do caractere; c PH: resultado de comparaao dos resultados do PCA sobre a imagem da c Projeao Horizontal do caractere. c Este algoritmo foi criado para tentar eleger aquele que mais coincide com a imagem de comparaao, de forma a evitar que algum caractere, que no seja o c a correto, venha a ser eleito como o mais provvel em uma das trs anlises. Um a e a exemplo prtico deste algoritmo do peso apresentado no exemplo abaixo: a e Supondo-se que o vetor resposta para o clculo sobre a imagem do caractere a seja dado pela Equaao 5.4: c
R = [4.43, 5.01, 3.12, 1.98, 8.76, 14.77, 1.51, 9.87, 11.76, 6.45]
(5.4)
59
R = [1.51, 1.98, 3.12, 4.43, 5.01, 6.45, 8.76, 9.87, 11.76, 14.77]
(5.5)
Enquanto o menor valor 1.51 recebe peso 1, o segundo valor receber peso a 2 e assim sucessivamente at o maior valor 14.77 receber peso 10, ou seja, ser e a multiplicado por 10. Assim garante-se uma melhor variedade entre os melhores classicados. Assim a chance de um resultado interferir em outro eliminada, pois e a diferena dos caracteres errados ser muito maior que aquela que o algortimo c a julga ser o correto. Aps este passo do algortimo, um novo vetor de resposta obtido, sendo este o e mostrado na Equaao 5.6: c
R = [1.51, 3.96, 9.36, 17.72, 25.05, 38.7, 61.32, 78.96, 105.84, 147.7]
(5.6)
Este procedimento foi feito para as trs imagens de cada caractere (caractere, e projeoes vertical e horizontal). Dessa forma, nas outras duas anlises, o resultado c a pode estar distante do correto, recebendo ento um peso maior e distanciando-o a da eleiao da resposta (que busca o menor valor dentre aqueles do vetor), e aquele c que deve ser o correto recebe sempre pesos pequenos. Em seguida somam-se os trs resultados de forma a obter um valor resultado e para cada caractere, como mostra a Equaao 5.7 c
k
= N ormal(i ) + P V (i ) + P H(i )
i=1
(5.7)
Sendo: letras.
60
Este foi o procedimento nal adotado, e o motivo da escolha deste algoritmo ser mostrado no cap a tulo de resultados e discusses. A Figura 30 mostra um o pouco do algoritmo desenvolvido. O cdigo foi feito em MatLab R devido a facilidade deste software resolver o equaoes como covarincia, autovalores e autovetores atravs de funes internas do c a e co software. Neste trabalho de concluso de curso, foi utilizado apenas uma referncia a e para a comparaao das imagens, os padres antingo e novo, e os caracteres foram c o divididos nestes 2 grupos como tentativa de melhorar os resultados, ou seja, de acordo com a imagem que estava sendo analisada era utilizada a referncia do e padro antigo e para outras imagens o padro novo. a a
61
62
Os primeiros testes realizados levavam em consideraao os autovalores e auc tovetores, mas percebeu-se que os autovetores nem sempre seguiam um padro, a diferentemente dos autovalores que sempre tendiam o resultado correto. Dependendo da distorao da imagem o autovetor mudava signicativamente seu ngulo c a =
posicaoY posicaoX
tere de referncia para aquela imagem. Qualquer perturbaao de ru e c do, salincia e e diferenas de resoluao na imagem interferia, e o resultado era completamente c c diferente do esperado.
autovalores =
747.4 0 0 1004.7
(6.1)
autovetores =
(6.2)
(6.3)
Utilizando a imagem no padro antigo do nmero 5 como referncia, Figura a u e 31, os resultados de autovalor, autovetor e so mostrados respectivamente nas a Equaoes 6.1, 6.2, 6.3. Agora, analisando os resultados de autovalor, autovetor e c respectivamente as Equaes 6.4, 6.5 e 6.6 da imagem do caractere que deseja-se co comparar, Figura 32, percebe-se que o autovalor semelhante ao da referncia, mas e e a tangente no, mesmo a diferena entre a referncia e o caractere estando nas a c e casas decimais, ela no de grande utilidade para utilizaao, visto que existiro a e c a
63
outros caracteres totalmente diferentes do 5, que tero valores de mais prximos a o e precisos. Sendo assim o autovetor foi descartado do algoritmo nal. Para tomar esta deciso, inmeros testes foram realizados. a u
autovalores =
648.47 0 0 935.82
(6.4)
autovetores =
(6.5)
(6.6)
Mas no caso do caractere acima apresentado, os resultados foram satisfatrios, o e o nmero 5 foi encontrado com sucesso pelo algoritmo. u Um outro fato interessante da tcnica PCA que foi visto nos resultados do aue tovalor, que, independentemente da rotaao do caractere na imagem, o resultado e c do autovalor no muda. A tcnica PCA consegue identicar o caractere da mesma a e maneira devido a caracter stica matemtica do algoritmo. A Figura 33 mostra esse a exemplo.
Figura 33: Nmero 3 na fonte Mandatory (Padro atual da placa) e sua rotaao. u a c
64
autovalores(3normal) =
521.7 0 0 1851.7
(6.7)
autovalores(3invertido) =
525.02 0 0 1863.8
(6.8)
Estes testes foram realizados para saber como o PCA se comportaria com pequenas rotaes ou caracteres que, se invertidos, so parecidos, mas este tipo co a de inverso no ir ocorrer neste trabalho, apenas algumas variaes nas imagens a a a co sero levadas em considerao. a ca Utilizando a Equaao 6.9, que foi apresentada no cap c tulo anterior, e que e mostrada novamente abaixo, o resultado R = 7.6353, do nmero 3 invertido comu parado ao nmero 3 normal, um valor muito pequeno. Mas comparando-se com u e qualquer outro caractere, o resultado muito maior. Um exemplo disto seria o e nmero 4, que apresenta como resultado R = 463.67, ou seja, o nmero 4 no u u a ser escolhido pelo algoritmo, pois 60 vezes maior que o resultado R do nmero a e u 3. Pode-se concluir deste exemplo, que mesmo com o caractere 3 invertido, o algoritmo consegue determinar o padro correto. a abs(Ar Ac ) + abs(Br Bc ) 2
R=
(6.9)
A cada teste que era feito, percebia-se uma tendncia ainda maior de utilizar e o autovalor para a anlise do resultado. a Da teoria do PCA, obteve-se o conhecimento necessrio para identicar o caa ractere, porm, a teoria mostrava que os valores a serem utilizados, aps a aplie o caao do algoritmo PCA, deveriam ser os valores de autovetores. Entretanto, aps c o anlise desses resultados, viu-se que eles eram muito prximos, de um caractere a o para outro, o que estava inviabilizando a identicaao inicial do caractere. Atravs c e de inmeros testes e da anlise visual dos resultados numricos, percebeu-se que os u a e Autovalores apresentavam padres e que poderiam ser utilizados na identicao o ca dos caracteres. Ento esses passaram a ser o foco das equaoes utilizadas. a c
65
Inmeros testes de equaoes foram feitos seguindo a teoria do PCA, principalu c mente aquele que diz O autovalor mais signicativo indica qual o autovetor que e carrega os dados mais importantes para aquele conjunto de dados, A Tutorial on Principal Component Analysis, (SMITH, 2002). Na tentativa de validar o sistema, criou-se algumas equaoes, todas com a mesma idia inicial (subtrao do resulc e ca tado da imagem de referncia pelo resultado da imagem que queria-se encontrar a e resposta). As principais equaoes e suas explicaoes so mostradas abaixo: c c a OBS: Nas equaoes que sero apresentadas, sero utilizados os auc a a tovalores e autovetores descritos abaixo.
Autovalor do Caractere
Ac 0 0 Bc
Autovalor da Referncia e
Ar 0 0 Br
Autovetor do Caractere
Cc Dc Ec Fc Cr Dr Er Fr
Autovetor da Referncia e
A Equaao 6.10 utiliza a diferena entre as tangentes das componentes princ c cipais da referncia e do caractere. e 2 - Equao da Primeira Componente Principal ca R = abs(Ar Er Ec Ac ) Cr Cc (6.11)
A Equaao 6.11 utiliza-se da teoria do PCA, ou seja, dado um autovalor que c possui um autovetor associado, utilizou-se o autovalor multiplicado pelo seu correspondente autovetor e fez-se a subtraao de acordo com a referncia. c e
66
O mesmo ocorre na Equaao 6.12, s que utiliza-se, neste caso, o segundo c o autovalor com seu correspondente autovetor. Lembrando que estes clculos so realizados para a imagem do caractere, proa a jees Vertical e Horizontal de todas as letras ou nmeros. E o mesmo algoritmo co u de Peso tambm foi utilizado nas equaes descritas acima. e co Analisando os resultados dos 4 algoritmos, o resultado nal era dado pelo caractere que fosse eleito o maior nmero de vezes pelos algoritmos. Esse foi um u teste no muito efetivo e que foi descartado logo aps algumas anlises. Utilizoua o a se, ainda, de um algoritmo auxiliar que dividia o resultado de cada uma das trs e equaoes (imagem normal, projeao horizontal e projeao vertical) pelo menor c c c ou maior resultado encontrado dentro do vetor. Isso foi feito numa tentativa de deixar todos os resultados na mesma grandeza. Entretanto, observou-se que os resultados no foram muito diferentes dos que j haviam sido encontrados. Ento, a a a descartou-se essa forma de anlise. Logo, decidiu-se utilizar apenas as Equaoes a c de Autovalores, visto que elas eram as que resolviam a maior parte dos problemas. Alguns caracteres espec cos foram encontrados perfeitamente pelo sistema, com uma taxa de acerto de 100% em relao a amostragem utilizada para valica ` daao, nesses casos os caracteres eram completamente diferentes de qualquer outro c caractere, como exemplo pode-se citar o nmero 4: no h nenhum nmero semeu a a u lhante a ele. Entretanto, alguns caracteres no chegavam a um resultado correto a em algumas amostras, devido ` semelhana com outros caracteres, como o caso a c e da letra Ocom a letra Q. Apesar disso, havia uma convergncia do resultado, e ou seja, mesmo o resultado no sendo o correto, o caractere que deveria ser a a soluao cava, pelo algoritmo, entre os provveis resultados. c a
67
Apesar de ser um bom identicador de padres o PCA no foi suciente na o a identicaao dos caracteres numricos. Isso ocorreu devido a baixa dimensionac e ` lidade dos dados utilizados neste trabalho. Para cada caractere so analisadas a apenas as dimenses das coordenadas dos pixels pretos no plano cartesiano, o que o limita a anlise do PCA a apenas duas dimenses, X e Y. Para aumentar a dimena o sionalidade dos dados, tentou-se incluir tambm a anlise das projees horizontal e a co e vertical. O resultado dessa nova anlise foi signicativo, mas no suciente para a a o resultado nal ser considerado satisfatrio. o
Padro Resultados a Antigo 64% Novo 57% Tabela 4: Resultado Geral para os Nmeros u
Observou-se atravs dos experimentos que o PCA um algoritmo muito bom e e para encontrar padres. Isso foi avaliado atravs de testes realizados durante a o e fase de implementao do algoritmo de identicaao de caracteres. Esperava-se, ca c
68
j desde essa fase, diculdades em identicar o caractere numrico 6 e o 9, pois, a e conforme j explicado anteriormente , eles so praticamente idnticos, diferindo a a e apenas de 180o entre si. E isso foi conrmado com o resultado nal, como e poss observar atravs das Tabelas 3 e 4. vel e
69
Letra Padro Antigo a A 100% B 50% C 42,86% D 13,33% E 100% F 50% G 60% H 0% I 0% J 100% K 66,67% L 28,57% M 16,67% N 0% O 37,50% P 100% Q 37,50% R 50% S 100% T 100% U 33,33% V Nenhum Caractere W 33,33% X 0% Y 0% Z 85,71%
Padro Novo a 0% Nenhum Caractere Nenhum Caractere 10% 100% Nenhum Caractere Nenhum Caractere Nenhum Caractere Nenhum Caractere Nenhum Caractere Nenhum Caractere 100% 0% 100% 100% 100% 0% 100% 25% 100% 100% Nenhum Caractere Nenhum Caractere Nenhum Caractere 66,67% 100%
Padro Resultados a Antigo 48,22% Novo 66,78% Tabela 6: Resultado Geral para as Letras
70
Para efeito da imagem e do algoritmo, as letras J e L so idnticas (cona e siderando indiferente a rotao), dicultando a identicaao. ca c
Ocorre uma grande diculdade tambm entre as letras O e Q, que se diferem e por um pequeno detalhe na parte inferior do caractere Q e suas projees so co a semelhantes.
71
As letras V e Y no so muito parecidas, porm, o algoritmo quando exea a e cutado no conseguiu em todos os casos validar as letras de forma correta, cona fundindo seu resultado com a sua letra semelhante em alguns casos. Isto se deve a distores que ocorrem na imagem coletada. Um exemplo desta confuso ` co a e mostrado pela Figura 37, que no foi autenticada pelo algoritmo como um Y, e a sim como um V.
Figura 37: Imagem Y e suas projees de uma placa coletada para testes. co
Para a anlise humana, a Figura 37 evidentemente um Y, mas o sistema a e no a identica como tal. Todavia, ao analisar o resultado, percebe-se que a letra a Y o segundo melhor resultado do sistema, ou seja, ela se assemelha ` imagem, e a porm o V o mais prximo do resultado de referncia. e e o e Outro problema ocorrido foi em relao a quantidade de caracteres de refernca e cias, utilizou-se apenas uma referncia para os caracteres no padro novo (fonte e a Mandatory) e uma referncia para os caracteres no padro antigo (fonte Din 1451 e a Mittelschrift). Isso dicultou o resultado, pois quando o caractere aparecia um pouco mais reforado do que o normal ou muito falho, esse no conseguia ser c a autenticado como o caractere correto. Havia ainda o problema de algumas placas coletadas no estarem em nenhum a dos dois padres adotados, provavelmente devido a falta de scalizaao e pelo o c fato de que em um passado prximo, a Fonte utilizada pelos caracteres no era o a padronizada como ocorre hoje.
72
Outros problemas esto relacionados a caracteres, que dependendo da inverso, a a so parecidos, como o 6 e o 9 no padro antigo, como mostra a Figura 38. a a
Como j citado anteriormente, a rotao de um dos nmeros da Figura 38 a ca u resulta na identidade do outro, ou seja, o algoritmo pode se confundir e enviar o resultado errado. Alguns problemas podem ocorrer tambm em relaao aos nmeros 6, 8 e 9 no e c u padro novo como mostra a Figura 39, que so caracteres muito parecidos. a a
Repare que na Figura 39 a diferena entre o 6 e o 9 apenas a orientao c e ca do caractere, se um dos dois nmeros forem rotacionados e invertidos, eles so u a idnticos, como j foi descrito anteriormente. Outro fato que o nmero 8 tem e a e u pouca diferena em relao ao nmero 6 ou 9, considerando a comparaao de c ca u c imagens, ou seja, um m nimo de distorao na imagem ou tamanho do contorno c pode resultar na identicaao do caractere semelhante (identicao incorreta). c ca Outra anlise mais precisa exibida na Figura 40. a e Percebe-se atravs das projeoes (que so utilizadas nos clculos) a grande e c a a semelhana entre esses nmeros. c u
73
Vericou-se que a baixa resoluao das imagens, foi a principal causa para o c baixo desempenho do sistema como um todo. Seja no processo de extrao da ca placa, no processo de extraao dos caracteres e no processo de identicao dos c ca mesmos. A baixa resoluao da imagem faz com que o formato geomtrico do caracc e tere seja muito distorcido, quando o mesmo redimensionado ou no processo da e captura, o prprio caractere ca, muitas vezes, irreconhec at a olho nu. o vel e Esses e os demais problemas, descritos nesta seao, ocasionaram inmeras c u decincias ao sistema criado neste trabalho. e
74
O algoritmo, apesar de no ser totalmente convel, sempre coloca o caractere a a correto entre os resultados provveis. Com certeza, se for feita uma anlise mais a a detalhada dos resultados do PCA, ser poss encontrar uma maneira para coloa vel car o caractere correto como resultado do algoritmo. Muitas correes e melhorias co podem ser aplicadas sobre este trabalho, pode-se destacar: Fazer um algoritmo renado, que considere as restrioes apresentadas antec riormente, como o 6 e 9 , o Q e O, e analisar de outras maneiras quando cair nesses casos; Utilizar Redes Neurais para analisar os resultados do PCA. As RNAs so a muito ecazes quando se trata de anlise de resultados. E, assim, pode-se a obter uma anlise mais renada dos autovalores e autovetores; a Utilizar outras informaes das imagens como fonte de dados para o PCA, co como, por exemplo, rea da imagem, contorno, resoluo, padro de cores, a ca a etc; Desenvolver todos os algoritmos em alguma linguagem de programaao (VB c por exemplo). Assim a performance e conabilidade do sistema aumentam signicativamente;
75
Utilizar um Banco de Dados, por exemplo, um feito em SQL Server, para guardar os resultados das Referncias e aumentar a amplitude estat e stica das comparaoes. Ou seja, em trabalhos futuros poder-se-ia criar um banco de c dados com vrias referncias de todos os caracteres, de forma a conseguir a e uma melhoria signicativa nos resultados de comparaao; c Utilizar uma quantidade maior de placas nos testes para que a amplitude de comparaoes aumente e, assim, a conabilidade do sistema tambm. c e Essas so algumas melhorias futuras e correoes, que se aplicadas, podem trazer a c para o sistema uma alta conabilidade e preciso no reconhecimento de caracteres. a
76
Concluso
Pode-se dizer em um primeiro momento que o resultado obtido no foi saa tisfatrio para ser utilizado como um sistema real. No entanto deve-se levar em o consideraao que este um trabalho inicial e inovador no que se diz respeito a c e identicaao de caracteres utilizando a tcnica PCA. c e Este trabalho pode ser utilizado futuramente por outros pesquisadores para ajudar como base e dar suporte para empregar a tcnica PCA em identicao e ca de padres, no s para caracteres como para qualquer outro tipo de identicao o a o ca atravs de anlise de dados estat e a sticos. O PCA ainda deve ser muito explorado devido a facilidade de implementao do seu algoritmo, alm disto, o PCA tem ca e pouca exigncia computacional, favorecendo sistemas que utilizam identicaao e c em tempo real. Da anlise de imagens, conclui-se que para realizar trabalhos em que se nea cessita de imagens para a identicaao de padres, deve-se sempre trabalhar com c o a maior resoluo poss de captura da imagem, pois com uma melhor resoluca vel ao se obtm uma melhor deniao de cor e formas contidas na imagem. Alm c e c e disto, o PCA como foi empregado neste trabalho, no permite a anlise de muitos a a parmetros, somente a cor preta utilizada como conjunto de dados, dicultado a e muito o resultado. A razo para o resultado negativo da aplicao da tcnica PCA foi explicada a ca e anteriormente com detalhes, mas poss citar as principais causas desta falha e vel como: baixa resoluo das imagens de testes, baixa quantidade de imagens de ca
77
testes, base de dados de referncia com pequena quantidade de caracteres. Esses e e muitos outros so os motivos para a falha do PCA, mas em um trabalho que a contorne todos esses problemas, pode ser poss obter um resultado muito melhor vel do que o aqui apresentado. E importante salientar tambm que, apesar de no satisfatrio em primeiro e a o momento, percebeu-se que os caracteres que deveriam ser dados como resultado sempre se aproximavam da resposta, cando no algoritmo da eleiao sempre entre c os trs primeiros colocados, comprovando a ecincia do PCA na identicao das e e ca letras e nmeros. Alm disto, notou-se por anlise visual que quando se utiliza u e a a tcnica com caracteres em boa resoluao e sem muitas distores, o resultado e c co apresentado superior a 90% de acerto. Neste trabalho muitos dos caracteres e estavam ileg veis e mesmo assim foram considerados para a estat stica Finalmente, no que tange como objetivo de um trabalho de graduao, acreditaca se, que o objetivo foi alcanado. Tanto no quesito de pesquisa quanto no quesito c de desenvolvimento, pois, durante a fase de pesquisa colheu-se todo o material necessrio para o desenvolvimento de todos os algoritmos e analisou-se os resultaa dos em particular, para depois ser denido o algoritmo nal de resultado do sistema, que foi sendo modicado e aperfeioado na medida que o trabalho avanava. c c
78
Anexos
79
80
81
82
Referncias
BARROSO J.; BULAS-CRUZ, J. Number plate reading using computer vision. In: IEEE-International Symposium on Industrial Electronics ISIE. [S.l.: s.n.], 1997. p. 761 766. BARROSO J.; BULAS-CRUZ, J. Real time number plate reading. In: 4th IFACWorkshop on Algorithms and Architetures for Real-time Control. Portugal: [s.n.], 1997. BELVISI R.; FREITAS, R. Um Sistema de Reconhecimento Automtico de Placas a de Automveis. Dissertaao (So Paulo, Brasil) Faculdade de Engenharia o c a Industrial - FEI, ANO. BOTELHO, M. F. Aplicaao de redes neurais articiais na classicao de c ca imagens de alta resoluo espacial e dados do laser scanner, usando uma ca abordagem orientada a regies. In: . Paran, Brasil: [s.n.], 2004. o a BRAGA A. P.; CARVALHO, A. C. P. L. F. Redes Neurais Articiais: teoria e aplicaes. 1a . ed. Rio de Janeiro, Brasil: [s.n.], 2000. co BRASILIENSE correio. correio brasiliense - carros na clandestinidade. 24 de outubro de 2004. CASTELLO P.; COELHO, C. Trac monitoring in motorways by real-time number plate recognition. In: Proceedings of the International Conference on Image Analysis and Processing. Veneza, Itlia: [s.n.], 1999. p. 1128 1131. a CHENGJUN, L. Gabor-based kernel pca with fractional power polynomial models for face recognition. IEEE, VOL. 26, n. No 25, May 2004. CLAUDINO, L. M. B. Segmentao de Fragmentos de Texto para a Localizao de ca ca Placas de Automveis. Dissertaao (Mestrado) Departamento de Engenharia o c Eltrica da Universidade Federal de Minas Gerais - UFMG, Minas Gerais, Brasil, e Abril 2005. CONTRAN. Resoluo 241 de 22 de junho de 2007 contran - conselho nacional de ca trnsito; resoluo 231 de 15 de maro 2007 contran - conselho nacional de trnsito. a ca c a
83
http://www.denatran.gov.br/download/Resolucoes/resolucao contran 241.pdf; http://www.denatran.gov.br/download/Resolucoes/resolucao 231.pdf, Retirado em 05 de junho de 2008. COWELL, J. R. Syntactic pattern recognizer for vehicle identication numbers. In: Elsevier Science, Image and Vision Computing. [S.l.: s.n.], 1995. CUENCA W. M.; SEIXAS, J. M. Anlise de componentes principais para a identicar descargas parciais em transformadores de potncia. 2000. e DRAGHICI, S. A neural network based articial vision system for licence plate recognition. International Journal of Neural Systems, volume 8, 1997. ETEMAD K.; DOERMANN, D. Multiscale segmentation of unstructured document pages using soft decision integration. IEEE Transactions on Pattern Analysis and Machine Intelligence, p. 92 96, 1997. FUJISAWA H.; NAKANO, Y. Segmentation to document structure analysis. Proceedings of the IEEE, v. 80, n. 7, p. 1079 1092, Julho 1992. GOMES J.; VELHO, L. Computao grca: Imagem - srie de computaao e ca a e c matemtica. In: IMPA. Rio de Janeiro, Brasil: [s.n.], 2002. p. 421. a GONZALEZ R.C.; WOODS, R. Processamento de Imagens Digitais. So Paulo, a Brasil: [s.n.], 2003. GUIDINI M. P.; RIBEIRO, C. H. C. Utilizaao da biblioteca terralib para c algoritmos de agrupamento em sistemas de informaoes geogrcas. 2006. c a HAYKIN, S. Redes Neurais, Princpios e Prtica. 2a edio. ed. [S.l.: s.n.], 2001. a ca HEINEN M. R.; OSORIO, F. S. Autenticaao de assinaturas utilizando anlise c a de componentes principais e redes neurais articiais. 2006. HUGO V.N. E FILHO, O. Processamento Digital de Imagens. Brasil: [s.n.], 1999. JAIN A. K.; YU, E. B. Automatic text location in images and video frames. 2055 - 2076. 1998. JR S. S.; SANTOS, A. L. B. C. Comparaao das tcnicas de anlise dimensional, c e a otimizao de ensaios e redes neurais para determinao da equao de taylor ca ca ca expandida no processo de fresamento de topo. In: 1o COBEF. Paran, Brasil: a [s.n.], 2001.
84
KITANI E. C.; THOMAZ, C. E. Abordagem PCA+LDA para Reconhecimento de Faces com Variao de Pose. Dissertaao (Relatrio do Seminrio de Viso ca c o a a Computacional do Mestrado da FEI) Faculdade de Engenharia Industrial FEI, So Paulo, Brasil, 2005. a LEE M.; WONG, W. Vehicle license plate recognition in marketing application. In: Proceedings of International Joint Conference on Neural Networks. [S.l.: s.n.], 1999. LEITE L.; SILVA, E. A. B. Anlise de componentes independentes aplicada a a ` identicaao de regies lesionadas em mamogramas. 2004. c o LOTUFO R. A.; MORGAN, A. D. Automatic number-plate recognition. Proceedings of IEEE Coloquium on Image Analisys for Transport Applications, 1990. MARQUES, G. Anlise em componentes principais. 2006. a MELLO, C. Processamento Digital de Imagens. Dissertaao (Mestrado) Escola c Politcnica de Pernambuco, Pernambuco, Brasil, ANO. e MELO G.; SOUTO, R. Estudo da ecincia do reconhecimento facial utilizando e pca incremental. In: Simpsio Brasileiro de Computao Grca e Processamento o ca a de Imagens - SIBGRAPI. Paran, Brasil: [s.n.], 2004. a MENOTI, D. Segmentao de envelopes postais para localizao do bloco ca ca endereo: Uma abordagem baseada em seleo de caractersticas no espao c ca c wavelet. Dissertao (Mestrado em Informtica Aplicada) Universidade ca a Catlica do Paran (PUC/PR), Paran, Brasil, 2003. o a a NAKASHIMA, E. K. Reconhecimento Automtico de Placas de Veculos. a Dissertaao (Instituto de Matemtica e Estat c a stica - IME) Universidade de So Paulo - USP, So Paulo, Brasil, 2004. a a NIJHUIS J. A. G.; BRUGGE, M. H. T. Car license plate recognition with neural networks and fuzzy logic. In: Proceedings of IEEE International Conference on Neural Networks. [S.l.: s.n.], 1995. volume 5, p. 2232 2236. PARKER J. R.; FEDERL, E. P. An approach to licence plate recognition. Dissertaao (Mestrado) University of Calgary, Alberta, Canad, Outubro 1996. c a PASTORE F. M.; OLIVEIRA, L. R. Reconhecimento de Placas de Automveis o Utilizando Viso Computacional. Dissertao (Mestrado) Universidade a ca Salvador - UNIFACS, ANO.
85
PEREIRA D. S. A.; REZENDE, J. A. R. Mtodos de Processamento e e Tratamento de Imagens para Reconhecimento Facial. Dissertaao (XI Encontro c Latino Americano de Iniciao Cient ca ca e VII Encontro Latino Americano de Ps-Graduao) Universidade do Vale do Para - UNIVAP, So Paulo, o ca ba a Brasil, 2007. POLIDORIO, A. M. Segmentao e reconhecimento de caracteres para ca identicao de placas de veculos. Dissertaao (Ps-Graduaao em Engenharia ca c o c Eltrica e Informtica Industrial) Centro Federal de Educaao Tecnolgica do e a c o Paran (CEFET/PR), Curitiba, Brasil, 1997. a POLIDORIO A. M.; BORGES, L. D. Reconhecimento de Caracteres Alfanumricos para Identicao de Placas de Veculos. Dissertaao (Anais e ca c do IX SIBGRAPI) Centro Federal de Educaao Tecnolgica do Paran c o a CEFET/PR, Paran, Brasil, 1996. a QIU B.; PRINET, V. Multi-Block PCA Method for Image Change Detection. Dissertaao (Mestrado) Institut de Recherche Pour le Developpement, Bondy, c France, 2003. RAHMAN C. A.; BADAWYE, W. M. A real time vehicles license plate recognition system. In: Proceedings of the 2003 IEEE Conference on Advanced Video and Signal Based Surveillance (AVSS 2003). Miami, Florida, EUA: [s.n.], 2003. ROBOREALM. Site do roborealm. http://www.roborealm.com/, 2008. SARFRAZ M.; AHMED, M. J. Saudi arabian license plate recognition system. In: International Conference on Geometric Modeling and Graphics (GMAG03). [S.l.: s.n.], 2003. p. 36 41. SETCHELL, C. J. Applications of Computer Vision to Roadtrac Monitoring. Tese (Doutorado) Faculty of Engineering Department of Electrical and Electronic Engineering of the University of Bristol, Setembro 1997. SHLENS, J. A Tutorial on Principal Component Analysis. [S.l.], 2005. SILVA L. S. P.; GRACIOSO, A. C. N. Reconhecimento de Padres de Imagens o ruidosas Utilizando Redes Neurais Articiais. Dissertaao (Mestrado) c Universidade de So Paulo - USP, So Paulo, Brasil, 2006. a a SITE1. http://bp1.blogger.com/ 53dxi7mln94/sbp3wpuhuri/aaaaaaaaab0/pigfvw51obg/s400/vts13.jpg. Retirado em 10 de junho de 2008.
86
SITE11. Base de dados de imagens do centro brasileiro de pesquisas f sicas. http://www.cbpf.br/cat/pdsi/downloads/LPR ImageDataBase Sample.zip, Retirado em 15 de junho de 2008. SITE2. http://www2.uol.com.br/bestcars/carros/outros2/placa-t.jpg. Retirado em 10 de junho de 2008. SITE3. http://bp0.blogger.com/ irvspilj14c/rnaikawam9i/aaaaaaaaawc/4xiz4fbauq/s1600-h/at+147+do+guilherme+3.jpg. Retirado em 10 de junho de 2008. SITE4. http://decio.globolog.com.br/carro20ze.jpg. Retirado em 10 de junho de 2008. SITE5. http://bp2.blogger.com/ q-2-wrehnmc/roqc4zfsii/aaaaaaaag6c/p4gnufulpmu/s400/placa2.jpg. Retirado em 05 de junho de 2008. SITE6. http://decio.globolog.com.br/carro20ze.jpg. Retirado em 10 de junho de 2008. SITE7. http://www.carroantigo.com/imagens/informacoes/colecao.jpg. Retirado em 15 de junho de 2008. SITE8. http://www.carroantigo.com/imagens/informacoes/colecao.jpg. Retirado em 15 de junho de 2008. SMITH, L. I. A Tutorial on Principal Component Analysis. [S.l.], 2002. SONG W.; SHAOWEI, X. Robust pca based on neural network. In: Proceedings of 36th Conference On Decision e Control. San Diego, California, United States of America: [s.n.], 1997. SOUZA, F. P. Localizao e leitura automtica de caracteres alfanumricos. ca a e Dissertaao (Mestrado) Universidade Federal do Rio Grande so Sul - UFRGS, c Porto Alegre, Brasil, 2000. SOUZA F. P. C.; SUSIN, A. Siav - um sistema de identicaao automtica de c a ve culos. In: Anais do XIII Congresso Brasileiro de Automtica-CBA. [S.l.: s.n.], a 2000. STALINGS, W. Arquitetura e Organizao de Computadores. 5a edio. ed. So ca ca a Paulo, Brasil: [s.n.], 2002.
87
TALEB-AHMED A.; HAMAD, D. Vehicle license plate recognition in marketing application. In: Proceedings of IEEE Intelligent Vehicles Symposium. [S.l.: s.n.], 2003. p. 106 109. THOME A. C. G.; GUINGO, B. C. Reconhecimento Automtico de Placas de a Ve culos Automotores Atravs de Redes Neurais Articiais. Dissertaao (Area de e c Ensino e Pesquisa, NCE/IM) Universidade Federal do Rio de Janeiro, Rio de Janeiro, Brasil, 2002. WU V.; MANMATHA, R. Textnder: An automatic system to detect and recognize text in images. IEEE Transactions on Pattern Analysis and Machine Intelligence, p. 1224 1229, 1999.