Sistema inteligente para la mejora del reconocimiento de matr culas de autom oviles usando redes neuronales bp

Texto completo

(1)M. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Y. UNIVERSIDAD NACIONAL DE TRUJILLO. AS. Facultad de Ciencias Fı́sicas y Matemáticas. FI. SI C. Escuela Académico - Profesional de Informática. AS. Sistema Inteligente para la mejora del Reconocimiento de. NC I. Matrı́culas de. DE. CI E. Automóviles usando Redes Neuronales BP. CA. Tesis para la obtención del Tı́tulo de Ingeniero Informático. Alan C. Pérez Roncal. BI. BL. IO. TE. Edwin D. Chávez Loloy. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(2) S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. AT EM AT IC A. II. Presentación Señores Miembros del Jurado:. M. En cumplimiento a las normas vigentes del Reglamento de Grados y Tı́tulos de la Facultad de Ciencias Fı́sicas y Matemáticas, carrera de Informática de la Universidad Nacional de Trujillo tenemos. Y. a bien poner a vuestra consideración el presente trabajo de investigación titulado:. AS. “Sistema Inteligente para la mejora del Reconocimiento de Matrı́culas de. SI C. Automóviles usando Redes Neuronales BP” La Tesis, se ha desarrollado de acuerdo a las necesidades de información obtenidas y a la aplicación. FI. de los conocimientos, esfuerzo e investigación adquiridos durante nuestra vida Universitaria. Con la culminación de este trabajo de investigación se espera cumplir las exigencias formuladas. AS. en toda investigación, agradeciéndoles por anticipado las sugerencias y apreciaciones que se hiciera al. NC I. respecto.. Trujillo, Marzo del 2012. Edwin Darwin, Chávez Loloy Alan Claudio, Pérez Roncal. BI. BL. IO. TE. CA. DE. CI E. Muchas Gracias.. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(3) AT EM AT IC A. III. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Agradecimientos. Este trabajo lo dedico al Señor de Gloria, que es rico en misericordia, por su gran amor con que nos amó, aun estando muerto en el pecado, nos dio vida juntamente con Cristo. Ef.. M. 2:4-5. A mis padres, por su amor, paciencia y dedicación. Para todas las personas que me han apoyado de manera incondicional, a Edwin Chávez Loloy, por el desempeño en el desarrollo y. Y. culminación de este trabajo en equipo, a Leandro Ticlea de la Cruz por su apoyo a distancia. SI C. AS. y durante el transcurso de mi carrera, ası́ como a César Velásquez Haro.. Alan C. Pérez Roncal. Este trabajo de tesis lo dedico a Dios nuestro padre que por sobre todas las cosas somos. FI. enriquecido en él en toda palabra y en toda ciencia 1 Co. 1:4-5. A mis padres por haberme apoyado en todo momento con paciencia, amor y dedicación. Agradezco a mi compañero de. NC I. AS. tesis Alan Pérez Roncal por el apoyo en la realización de este trabajo.. Edwin D. Chávez Loloy. CI E. También queremos agradecer a nuestro asesor, Dr. Jorge Gutiérrez Gutiérrez, por brindarnos su apoyo en el desarrollo de este trabajo. Y hacer un agradecimiento a todos los docentes de la escuela de informática, el cual nos impartı́an el conocimiento y las motivaciones en el salón. BI. BL. IO. TE. CA. DE. de clase durante nuestra vida académica.. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(4) S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. AT EM AT IC A. IV. Abstract. The present investigation is about of the developing a system for recognizing license plates,. upon recognition of characters and numbers, assuming as input, low-quality images with a. M. certain level of noise. To do this, a previous pre-processing of the image will be made to improve its quality, after performing the previous location of the area of registration with their. Y. respective threads such as: edge detection, the image projection, statistical analysis, priority selection of candidates and straightening of enrollment, in order to have a separate enrollment. AS. size, rotation, and so you may have correctly determine the region of enrollment, to advance to the stage where segmentation is performed contrast enhancement, binarization, then we. SI C. see the recognition step, normalization, feature extraction and finally the stage of training and learning of the neural network, which will use the backpropagation learning network in. FI. the recognition of numbers and characters. To this end, the description of the initial training process of neural networks that will allow you to find the recommended settings for the system. AS. gauges and adjustments made to the system in order to get better results is included. The end result is the implementation of a software that is able to reliably recognize a large number. NC I. of plates. We should mention that our system is reliable since recognition is above 90 % on average for different scenarios.. BI. BL. IO. TE. CA. DE. traction, learning.. CI E. Keywords: License plate recognition, preprocessing, location of registration, feature ex-. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(5) AT EM AT IC A. V. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Resumen. En el presente trabajo consiste en el desarrollo de un sistema de reconocimiento de matrı́culas de automóviles, a partir del reconocimiento de caracteres y números, asumiendo. M. como entrada, imágenes de baja calidad con un cierto nivel de ruido. Para ello, se realizará. un pre-procesamiento previo de la imagen para mejorar su calidad, después de realizar la. Y. localización previa del área de la matrı́cula con sus respectivos subprocesos tales como: La detección del borde, la proyección de la imagen, análisis estadı́stica, selección prioritaria de. AS. los candidatos y el enderezamiento de la matrı́cula, con la finalidad de tener una matrı́cula independiente del tamaño, rotación que pueda tener y ası́ determinar de manera correcta la. SI C. región de la matrı́cula, para pasar a la etapa de la segmentación donde se realiza la mejora del contraste, binarización, luego vemos la etapa de reconocimiento, normalización, extracción. FI. de caracterı́sticas y por ultimo la etapa de entrenamiento y aprendizaje de la red neuronal, donde utilizaremos la red de aprendizaje backpropagation en el reconocimiento de los números. AS. y caracteres. Para ello, se incluye la descripción del proceso de entrenamiento inicial de las redes neuronales que van a permitir encontrar los parámetros calibradores recomendables para. NC I. el sistema y los reajustes realizados al sistema con el fin de obtener mejores resultados. El resultado final es la implementación de un software que es capaz de reconocer de manera confiable un gran número de matrı́culas. Debemos mencionar que nuestro sistema es fiable. CI E. ya que el reconocimiento está por encima del 90% en promedio para diferentes escenarios.. DE. Palabras Claves: Reconocimiento de matrı́culas, pre-procesamiento, localización de la. BI. BL. IO. TE. CA. matrı́cula, extracción de caracterı́sticas, aprendizaje.. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(6) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Índice general. II. AS. Y. Presentación Agradecimientos. IV. SI C. Abstract. III. V. FI. Resumen. AS. Índice general Lista de Figuras. NC I. Lista de Tablas. XI XVII XVIII. CI E. Introducción. VI. 1 Plan de Investigación. Realidad Problemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 1. 1.2. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3. 1.2.1. License Plate Character Recognition System using Neural Network . . .. 3. 1.2.2. Reconocimiento automático de matriculas . . . . . . . . . . . . . . . . .. 3. CA. DE. 1.1. Plate Number Recognition by Using Artificial Neural Network . . . . .. 1.2.4. Kohonen Neural Network Performance in License Plate Number Iden-. TE. 1.2.3. BL. IO. 1.2.5. BI. 1. 1.2.6. tification. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4 4. Automatic License plate detection and recognition Using Radial Basis Function Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . .. 5. The Research of Vehicle Plate Recognition Technical Based on BP Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5. VI. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(7) VII. AT EM AT IC A. ÍNDICE GENERAL. Formulación del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.4. Hipótesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.5. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.5.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.5.2. Objetivo Especifico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6. 1.6. Justificación de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7. 1.7. Viabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. 1.8. Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. 1.9. Organización del estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8. Y. M. 1.3. Conceptos Generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Sistema de transporte inteligente (ITS) . . . . . . . . . . . . . . . . . . 10. 2.1.2. Reconocimiento de matriculas (LPR) . . . . . . . . . . . . . . . . . . . . 11. 2.1.3. Matriculas de automóviles . . . . . . . . . . . . . . . . . . . . . . . . . . 11. 2.1.4. Visión computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12. FI. SI C. 2.1.1. Procesamiento digital de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.1.1. Procesamiento del Histograma . . . . . . . . . . . . . . . . . . 14. 2.2.1.2. Filtrado Espacial de la imagen . . . . . . . . . . . . . . . . . . 17. 2.2.1.3. Binarización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20. 2.2.1.4. Segmentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23. 2.2.1.5 2.3. . . . . . . . . . . . . . . . . . . . . . . . . . 14. AS. Técnicas de procesamiento. NC I. 2.2.1. CI E. 2.2. 10. AS. 2 Marco Teórico 2.1. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Normalización . . . . . . . . . . . . . . . . . . . . . . . . . . . 29. Reconocimiento de caracteres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Pre-procesamiento propio de caracteres . . . . . . . . . . . . . . . . . . 29. DE. 2.3.1 2.3.2. Extracción de caracterı́sticas . . . . . . . . . . . . . . . . . . . . . . . . 30. Técnicas de Reconocimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31. 2.5. Redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33. CA. 2.4. La neurona artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33. 2.5.2. Perceptrón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36. 2.5.3. Perceptrón multicapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.5.3.1. Arquitectura del perceptrón multicapa. . . . . . . . . . . . . . 37. 2.5.3.2. Propagación de los patrones de entrada . . . . . . . . . . . . . 38. 2.5.3.3. Diseño de la red neuronal para el reconocimiento . . . . . . . . 40. BI. BL. IO. TE. 2.5.1. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(8) ÍNDICE GENERAL. AT EM AT IC A. VIII 2.5.3.4. Algoritmo de Retropropagación . . . . . . . . . . . . . . . . . 42. 2.5.3.5. Aprendizaje del Perceptrón Multicapa . . . . . . . . . . . . . . 47. 3 Materiales y Métodos. 49. 3.1. Enfoque de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49. 3.2. Tipo de Investigación. 3.3. Diseño de la Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49. 3.4. Variables de Estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50. Y. Población y Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.5.1. Población . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50. 3.5.2. Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50. AS. 3.6. Indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50. Técnicas e Instrumentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51. SI C. 3.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49. M. 3.4.1. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. 3.6.1. Instrumentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51. 3.6.2. Técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51. Procesamiento de la Información . . . . . . . . . . . . . . . . . . . . . . . . . . 52. 3.8. Métodos y/o Procedimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52. 4 Desarrollo del Sistema. AS. FI. 3.7. 53. Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53. 4.2. Adquisición de la imagen. 4.3. Pre procesamiento de la imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . 56. NC I. 4.1. CI E. Localización del área de la matrı́cula . . . . . . . . . . . . . . . . . . . . 56 4.3.1.1. Detección del borde y el rango de filtrado . . . . . . . . . . . . 57. 4.3.1.2. Proyección de la imagen horizontal y vertical . . . . . . . . . . 59. DE. 4.3.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55. Análisis estadı́stico de la imagen de doble fase . . . . . . . . . 60. 4.3.1.4. Análisis y selección prioritaria de los candidatos de la matrı́cula 66. 4.3.1.5. Enderezamiento de la matrı́cula . . . . . . . . . . . . . . . . . 68. CA. 4.3.1.3. 4.3.3. Segmentación de la matrı́cula . . . . . . . . . . . . . . . . . . . . . . . . 71 4.3.2.1. Mejora del contraste de la imagen . . . . . . . . . . . . . . . . 72. 4.3.2.2. Binarización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75. 4.3.2.3. Segmentación de la matrı́cula usando proyección horizontal . . 76. 4.3.2.4. Extracción de los caracteres de segmentación horizontal . . . . 78. Normalización de caracteres . . . . . . . . . . . . . . . . . . . . . . . . . 81. BI. BL. IO. TE. 4.3.2. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(9) IX. AT EM AT IC A. ÍNDICE GENERAL 4.3.3.1. Filtros espaciales para mejoramiento de la imagen . . . . . . . 82. 4.3.3.2. Normalización del brillo y contraste . . . . . . . . . . . . . . . 86. 4.3.3.3. Normalización de las dimensiones de los caracteres . . . . . . . 87. 4.4. Extracción de caracterı́sticas de la imagen pre-procesada . . . . . . . . . . . . . 90. 4.5. Entrenamiento y aprendizaje de la Red Neuronal . . . . . . . . . . . . . . . . . 93. Pre procesamiento de entrenamiento de la red neuronal . . . . . . . . . 97. 4.5.2. Fase de adaptación en el aprendizaje . . . . . . . . . . . . . . . . . . . . 99. 4.5.3. Inclusión del momento en la ley de aprendizaje . . . . . . . . . . . . . . 99. 4.5.4. Verificación y corrección del reconocimiento . . . . . . . . . . . . . . . . 103. Y. M. 4.5.1. AS. 5 Análisis de Resultados 5.1. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. 104. Resultados Computacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105. SI C. 6 Conclusiones y Recomendaciones. 110. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110. 6.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111. FI. 6.1. 113. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. REFERENCIAS. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(10) BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. SI C. AS. Y. M. AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(11) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Lista de Figuras Representación de las infracciones de transito a nivel nacional. . . . . . . . . . . . . . . .. 2. 1.2. Representación de vehı́culos robados a nivel nacional (2003-2010).. . . . . . . . . . . . . .. 2. 1.3. Representación de vehı́culos recuperados a nivel nacional (2003-2010).. . . . . . . . . . . .. 2. 2.1. Sistema inteligente de transporte.. 2.2. Reconocimiento de la matricula del automóvil.. 2.3. Representación de la matrı́cula de automóvil.. 2.4. Representación gráfica de la distribución de tonalidad. (Fuente [R.06]). 2.5. Representación del histograma de una imagen. (Fuente [R.06]). 2.6. Histogramas monotónicamente creciente y creciente en el sentido estricto. (Fuente [R.06]). 2.7. Histograma Ideal. (Fuente [Cat11]). 2.8. Histograma que no es claramente bi-modal. (Fuente [Cat11]). 2.9. Representación del cálculo de la mediana. Un barrido cuadrado de 3 x 3 se utiliza aquı́ –. AS. Y. 1.1. SI C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 . . . . . . . . . . . . . . . . . . . . . . 12. AS. FI. . . . . . . . . . . . . . . . . . . . . . . . 12 . . . . . . . . . . . 14. . . . . . . . . . . . . . . . 15 . . 16. CI E. NC I. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16. grandes barridos producirá más suavizado. (Fuente [Agu02]). . . . . . . . . . . . . . . . . 17 . . . . . . . . . . . . . . . . 18. 2.10 Etapas del filtrado de imágenes en el dominio de la frecuencia.(Fuente [ND06]) . . . . . . . 19. DE. 2.11 Las áreas sombreadas en el histograma representan el porcentaje del área de la imagen. El umbral se selecciona de modo que P% del histograma se asigna al objeto. (Fuente [GW09]). . 21. 2.12 Gráficos mostrando la probabilidad de error del umbral T. . . . . . . . . . . . . . . . . . 21. CA. 2.13 Binarización con umbral global. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.14 Umbralización independiente en cada región para binarización Local. . . . . . . . . . . . . 22. TE. 2.15 Segmentación por crecimiento de regiones de una imagen general. Valor de umbral igual a 20. (Fuente [M.07]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25. IO. 2.16 Caracterı́stica de una imagen con borde ideal y borde no ideal. (Fuente [FP03]) . . . . . . . 26. BI. BL. 2.17 Mascaras Prewitt y Sobel para detectar bordes diagonales. . . . . . . . . . . . . . . . . . 27 2.18 Aplicando el operador de Sobel a la imagen original (izquierda). . . . . . . . . . . . . . . 27 XI. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(12) LISTA DE FIGURAS. AT EM AT IC A. XII. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. 2.19 Aproximaciones digitales para una región 3 × 3. . . . . . . . . . . . . . . . . . . . . . . 28. 2.20 Diagrama esquemático de un sistema de entrenamiento supervisado. . . . . . . . . . . . . 32 2.21 Diagrama esquemático de un sistema de entrenamiento no supervisado. . . . . . . . . . . . 32. 2.22 Esquema de una neurona artificial Tı́pica. (Fuente:[peu03]) . . . . . . . . . . . . . . . . 33 2.23 Arquitectura de un perceptrón con n entradas y 1 salida. (Fuente:[Bur05]) . . . . . . . . . 34. 2.24 Arquitectura del perceptrón multicapa. (Fuente:[Bur05]) . . . . . . . . . . . . . . . . . . 38 2.25 Funciones de activación del perceptron multicapa. . . . . . . . . . . . . . . . . . . . . . 40. M. 2.26 Vista de caja negra de una red neuronal. (Fuente:[Cal08b]) . . . . . . . . . . . . . . . . 41. Y. 2.27 Vista interna de una red neuronal sin capas ocultas. (Fuente:[Cal08b]) . . . . . . . . . . . 41. AS. 2.28 Esquema de entrenamiento de una red neuronal. (Fuente:[Cal08b]) . . . . . . . . . . . . . 41 3.1. Fases para el reconocimiento de matrı́culas.. . . . . . . . . . . . . . . . . . . . . . . . . 52. 4.1. Modulo de la arquitectura del proceso del sistema.. 4.2. Algunas Imágenes de muestra de nuestra base de datos.. 4.3. El pı́xel se ve afectado por sus vecinos de acuerdo con la matriz de convolución.. 4.4. Resultados de la aplicación de los rangos y los filtros de la detección de bordes horizontal y. SI C. . . . . . . . . . . . . . . . . . . . . . 54 . . . . . . . . . . . . . . . . . . 55. FI. . . . . . . . 58. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59. AS. vertical.. Proyección vertical de la imagen en el eje y.. 4.6. Recorte con respecto a las bandas según la primera y segunda fase.. 4.7. La proyección vertical de la toma instantánea de la imagen 4.5 después de la convolución del. . . . . . . . . . . . . . 61. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62. CI E. vector fila.. . . . . . . . . . . . . . . . . . . . . . . . . 60. NC I. 4.5. 4.8. La banda es detectada por el análisis de la proyección vertical.. . . . . . . . . . . . . . . . 63. 4.9. Gráfico superior proyección horizontal px (x) de la matrı́cula en la figura 4.10. La derivada. . . . . . . . . . . . . 66. DE. de px (x), donde las flechas indican las transiciones, Negro a Blanco.. 4.10 El área más amplia de la matrı́cula después del enderezamiento. . . . . . . . . . . . . . . 66 4.11 Segmentación de los caracteres individuales y determinación de la positividad de la matrı́cula. 68. CA. 4.12 Sistema de coordenadas XY y AB en el espacio de Hough. . . . . . . . . . . . . . . . . . 69 4.13 Ejemplo de la transformación de Hough. . . . . . . . . . . . . . . . . . . . . . . . . . 70. TE. 4.14 Ejemplo de una matrı́cula antes y después de enderezamiento. . . . . . . . . . . . . . . . 71. IO. 4.15 Histograma de una imagen que describe la distribución estadı́stica de los niveles de gris en Nro. De pı́xel. (Fuente [CGJ96]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72. 4.17 Imagen original e histograma (izquierda), Resultado del filtro (derecha). . . . . 75. BI. BL. 4.16 Valor máximo y mı́nimo del histograma. . . . . . . . . . . . . . . . . . . . . . . . . . 73. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(13) XIII. AT EM AT IC A. LISTA DE FIGURAS. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. 4.18 Binarización de la imagen en escala de grises. . . . . . . . . . . . . . . . . . . . . . . . 76. 4.19 Ejemplo de la matrı́cula después de aplicar el filtro de umbral adaptativo. . . . . . . . . . 77. 4.20 Ejemplo del segmento horizontal del número de matrı́cula. . . . . . . . . . . . . . . . . . 79 4.21 Ejemplo de la entrada y salida en la fase de segmentación. . . . . . . . . . . . . . . . . . 81 4.22 Esquema de cálculo de la mediana. (Fuente[BT88]) . . . . . . . . . . . . . . . . . . . . 83 4.23 En al parte izquierda Imagen original, en el centro en escala de grises, en el lado derecho. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84. resultado con filtro estadı́stico.. M. 4.24 Resultado aplicando filtro de paso alto, para localizar la frecuencia. . . . . . . . . . . . . . 86. 4.25 Número de matrı́cula parcial en sombras con umbral. . . . . . . . . . . . . . . . . . . . 87. Y. 4.26 Principio de remuestreo de un grupo de pı́xeles. . . . . . . . . . . . . . . . . . . . . . . 88. AS. 4.27 Comparación de ambos métodos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 4.28 División de la imagen en 12 regiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . 90. SI C. 4.29 transición de blanco al negro como una matriz de 2 × 2. . . . . . . . . . . . . . . . . . . 91 4.30 Vector caracterı́stico del conjunto de similitudes globales. . . . . . . . . . . . . . . . . . 94 4.31 Vector local de similitud. En el centro vector de similitud por regiones. . . . . . . . . . . . 95. FI. 4.32 Vector de similitudes globales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95. AS. 4.33 A la izquierda se muestra dos patrones por cada dı́gito y/o letra. Al centro las regiones de cada carácter. A la derecha las regiones (amarillo) y las similitudes globales (verde y rosado). 96. NC I. 4.34 Arquitectura de la red elegida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 4.35 Función de activación sigmoidal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 4.36 Superficie de error con mı́nimos locales y mı́nimos globales. . . . . . . . . . . . . . . . . 99. CI E. 4.37 El descenso del peso en el espacio. a) Para la pequeña tasa de aprendizaje. b) Para altas tasas de aprendizaje: Tenga en cuenta las oscilaciones. c) Con altas tasas de aprendizaje y adición del termino momentum.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101. DE. 4.38 Incorporación del momentum en el gradiente descendente estocástico. . . . . . . . . . . . . 102 4.39 Validación y corrección del carácter en el reconocimiento. . . . . . . . . . . . . . . . . . 103 Gráfica del entrenamiento y validación de la red neuronal.. . . . . . . . . . . . . . . . . . 107. BI. BL. IO. TE. CA. 5.1. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.


(15) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Lista de algoritmos. Algoritmo de detección iterativa de bandas . . . . . . . . . . . . . . . . . . . . 63. 2. Algoritmo de Contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73. 3. Algoritmo de Ajuste Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74. 4. Algoritmo de Binarización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76. 5. Algoritmo de relleno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80. 6. Algoritmo Filtro Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83. 7. Algoritmo Filtro Paso Alto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85. 8. Algoritmo de extracción de regiones. . . . . . . . . . . . . . . . . . . . . . . . . 92. 9. Algoritmo de extracción del conjunto de similitudes globales. . . . . . . . . . . 93. 10. Algoritmo Backpropagation estocástico con momento . . . . . . . . . . . . . . . 102. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. SI C. AS. Y. 1. XV. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.


(17) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Lista de Tablas. A la izquierda, imágenes originales de vehı́culos. Al centro, imágenes local-. Y. 5.1. AS. izadas del área de la matrı́cula. Al la derecha los resultados del reconocimiento. 106 Tasa de reconocimiento de los números y dı́gitos según el tipo de matrı́cula. . . 107. 5.3. Tasas de error mı́nimo correspondientes a los dos conjuntos de datos. . . . . . . 108. 5.4. Tasas de reconocimiento del sistema ANPR según el tipo de matrı́cula. . . . . . 108. 5.5. Tasas de reconocimiento del sistema LPR global. . . . . . . . . . . . . . . . . . 109. BI. BL. IO. TE. CA. DE. CI E. NC I. AS. FI. SI C. 5.2. XVII. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(18) INTRODUCCION. AT EM AT IC A. XVIII. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Introducción. Un sistema de transporte inteligente (ITS) es una herramienta importante para el análisis. y el control de los vehı́culos en movimiento en las ciudades y carreteras, y en los últimos. años, muchas investigaciones sobre ITS han llevado a cabo. Este tipo de sistemas de re-. M. conocimiento también se los conoce mundialmente como sistemas Automatic Number Plate Recognition (ANPR) o Lincese Plate Recognitión. El reconocimiento de matrı́culas (LPR) es. Y. un componente importante de los ITS, aplicada en el campo de la electrónica de facturación.. AS. Como un sistema de visión por computador especial en el caso real-time, el sistema LPR incluye principalmente el subsistema de detección de matrı́culas y reconocimiento de caracteres.. SI C. El sistema LPR implica numerosos dominios de disciplina, como el reconocimiento de patrones e Inteligencia Artificial, Visión por Computador, Procesamiento Digital de Imágenes, etc. Por consiguiente la gran cantidad de vehı́culos y logı́stica que se trasladan cada segundo por todas. FI. partes del mundo, esto hace necesaria su registro para su tratamiento y control. Por ello, es. AS. necesario implementar un sistema que pueda identificar correctamente estos recursos, para su posterior procesado, construyendo ası́ una herramienta útil, ágil y dinámica. En nuestro paı́s,. NC I. el uso de instrumentos automatizados para la extracción de caracterı́sticas de matrı́culas, ası́ como la identificación de personas y el uso de software orientado a la biométria, aún no esta muy difundido y uno de los puntos tecnológicos que nos separa de otros paı́ses más avanzados. CI E. que invierten mucho en investigación [LK09]. Se espera en un futuro no muy lejano, contar con profesionales en esta área con el fin de generar nuestro propio conocimiento. Hoy en dı́a el conocimiento de reconocimiento automático de placas vehı́culo (VLP) es un. DE. ingrediente clave para cualquier ITS como el control de la seguridad de las zonas restringidas, refuerzos en la ley de tránsito, pago automático de peajes en las carreteras y los sistemas de. CA. gestión de aparcamientos. En estos ejemplos, una cámara captura las imágenes del vehı́culo y un ordenador procesa las imágenes capturadas, detectando el área de la matrı́cula del vehı́culo de la imagen de entrada, a continuación se lee la información en la matrı́cula obtenida. TE. mediante la aplicación de procesamiento de imágenes y varias técnicas de reconocimiento ópticos de caracteres. Generalmente, los sistemas de reconocimiento automático, se compone. IO. de cuatro módulos: pre-procesamiento de la imagen, detección o localización de la matrı́cula,. BL. segmentación de caracteres y reconocimiento de caracteres. Entre estos cuatro módulos la. BI. detección de la matrı́cula es la más importante y la tarea más difı́cil en cualquier sistema de. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(19) XIX. AT EM AT IC A. INTRODUCCION. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. reconocimiento es por las imágenes con bajo contraste, desenfoque y con rasgos de suciedad y degradación en la matrı́cula capturada. Las soluciones más comunes que se pueden dar para la. detección incluyen el análisis de la textura [CNE06], extracción de borde, filtrado morfológico, combinación estadı́stica de borde y caracterı́sticas de color [AV08], combinación de bordes y operaciones morfológicas [BH04], transformada de Hough, redes neuronales [KSKD02], el. filtrado de Gabor y análisis Wavelet. Un enfoque con respecto a los bordes normalmente es simple y rápido ası́ como se hará uso de la transformada de Hough y otras técnicas necesarias. M. para el procesamiento de la imagen.. Basado en la tecnologı́a de procesamiento de imágenes, el objetivo final del sistema de LPR. Y. es identificar todos los números de matrı́cula, con el uso de las redes neuronales artificiales.. AS. Es difı́cil buscar caracteres de placas directamente de las imágenes recogidas. Con el fin de reducir las dificultades, este trabajo tiene como objetivo principal generar una implementación. SI C. en software que está dividido en los siguientes módulos: Localización del área de la matrı́cula, segmentación de la matrı́cula, reconocimiento de caracteres, extracción de caracterı́sticas por último el entrenamiento y aprendizaje de la Red Neuronal. La tarea de la localización de. FI. la matrı́cula consiste en determinar la posición de la matrı́cula de la imagen. La tarea de. AS. segmentación es cortar el área de la matricula y encontrar picos que corresponden a los espacios entre caracteres. La tarea del reconocimiento de caracteres. La tarea de reconocimiento de. NC I. caracteres es la normalización del brillo y contraste e identificar caracteres por segmentación. Extracción de caracterı́sticas el cual obtenemos el vector caracterı́stico para la red neuronal. Por último la red neuronal que nos arrojará los resultados de matrı́culas reconocidas y no. CI E. reconocidas. Por lo tanto, con lo anteriormente mencionado, y la manera que se pretende responder la pregunta para dar solución al problema que se plantea mediante el desarrollo de ésta tesis es: ¿Cómo mejorar el proceso de reconocimiento de matrı́culas de automóviles, de tal. DE. forma que se obtenga la información confiable para las imágenes con diversos niveles de ruido?. La hipótesis planteada afirma que es, posible solucionar el problema mediante el desarrollo de. CA. una sistema inteligente utilizando redes neuronales, permitirá mejorar el reconocimiento de la matrı́cula de automóviles. El método propuesto dependerá del pre-procesamiento que se le de a la imagen antes de. TE. ser analizada, dado que utiliza la imagen mejorada para contrastar la validez de la matrı́cula. IO. extraı́da. El método de validación consiste en utilizar las redes neuronales para analizar los caracteres extraı́dos de la imagen mejorada y a partir de allı́, determinar si su detección fue. BI. BL. correcta o incorrecta.. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(20) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Realidad Problemática. SI C. 1.1. AS. Y. Plan de Investigación. M. CAPITULO 1. En la actualidad se presentan diversos problemas que pueden ser resueltos usando visión. FI. computacional, tales problemas son:. • El cobro en peajes, en la actualidad se hace de una manera manual la cual es lenta ya. AS. que el automóvil tiene que parar y generar una largas colas lo cual requiere un cierto. NC I. tiempo para ser atendidos todos los conductores. • Vigilancia para la detección de infractores, entre las infracciones al reglamento nacional de transito (IRNT) cometidas con mayor frecuencia respecto a la Conducción destacan:. CI E. por no conservar la derecha al transitar con 76,980 casos (38.63%); seguido de no ubicar el vehı́culo en el carril para girar 47,835 (24.00%); voltear sin hacer la señal correspondiente 17,999 (9.03%), utilizar el carril de giro a la izquierda con 13,832 casos (6.94%),. DE. conducir vehı́culo con mayor número de personas que asientos 11,434 casos, (5.74%). Entre las infracciones contra la señalización se encuentran: no respetar señales de tránsito. CA. 30,136 (28.74%); incumplir las disposiciones de transporte 22,792 (21.73%), seguida de desobedecer las indicaciones del policı́a 17,860 (17.03%) [Arm12]. La imprudencia de los. TE. conductores que circulan por las principales ciudades se agudiza y ocasiona gran peligro para los demás automovilistas que ignoran las señales. En la figura 1.1 mostramos las. IO. cantidades porcentuales aproximadas de infracciones a nivel nacional.. BL. Sistema de notificación de emergencias abordo del vehı́culo y los robos de vehı́culos figura. BI. 1.2, ha venido siendo cada vez más frecuente durante el año 2008 fueron robados a nivel 1. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(21) CAPITULO 1. PLAN DE INVESTIGACIÓN. AT EM AT IC A. 2. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Figura 1.1: Representación de las infracciones de transito a nivel nacional. Y. nacional 12,840 vehı́culos reflejando un crecimiento de 14.38% con relación al año anterior.. AS. Se muestra que el mayor número de éstos hechos delictivos ocurrieron en el departamento de Lima, donde fueron denunciados el 63.82% del total de robos con 8,194 vehı́culos robados,. SI C. seguido de los departamentos de Lambayeque, Ucayali, Piura y La Libertad con 922, 732, 479 y 448 casos, respectivamente. Para localizar el vehı́culo robado es muy difı́cil ya que no se cuenta con un sistema que diga por donde transita tal vehı́culo ası́ como no existe un registro. FI. del vehı́culo y no se sabe por qué lugares transitó luego de haberse producido el robo de la. CI E. NC I. AS. unidad motorizada, que nos facilite la recuperación figura 1.3, [INE12].. Figura 1.3: Representación de vehı́culos recuperados a nivel nacional (2003-2010).. BI. BL. IO. TE. CA. DE. Figura 1.2: Representación de vehı́culos robados a nivel nacional (2003-2010).. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(22) 3. AT EM AT IC A. 1.2. ANTECEDENTES. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. Por tanto con respecto a la realidad problemática y los últimos estudios realizados hemos. encontrado diversas técnicas aplicadas al mejoramiento del reconocimiento de matriculas de automóviles, desarrollando nuevos métodos de investigación en este campo. El cual tendremos. como referencia el articulo desarrollado en [ZW12]. Los cuales en su investigación arrojan los siguientes resultados, para una muestra de 100 caracteres arroja 93.5% de reconocimiento,. letras y dı́gito en la red de una muestra de 100 arroja 94%, el cual proponemos mejorar estos. Antecedentes. Y. 1.2. M. valores.. AS. Para el desarrollo de esta investigación se ha revisado los siguientes trabajos los cuales con-. 1.2.1. SI C. stituyen un buen antecedente:. License Plate Character Recognition System using Neural Network. FI. En este paper realizado por: Anuja P. Nagare (2011) presenta, el método para el reconocimiento de caracteres de la imagen de la placa basado en dos técnicas de redes neuronales y dos enfo-. AS. ques de extracción de caracterı́sticas que se proponen. Realizada en la universidad de Mumbai - India. En estos estudios se realizó el uso de la red neuronal Back Propagation supervisada,. NC I. con tres capas: una de entrada, una capa oculta y una capa de salida la tasa de aprendizaje utilizada para el entrenamiento de esta red es de 0.09 y la función de transferencia es tansig.. CI E. Además este diseño tiene 540 nodos de entrada para las caracterı́sticas de cada carácter, 36 nodos ocultos y 36 nodos de salida. Las redes neuronales cuantificación vectorial de aprendizaje (LVQ), es una red hı́brida. En este trabajo se emplea LVQ de aprendizaje supervisado. DE. para formar la clasificación. En la red LVQ hay tres pasos básicos del algoritmo; inicialización, competencia y aprendizaje. LVQ combina aprendizaje competitivo con supervisión, como resultado se tiene: En la BPNN (velocidad numérica: 70%, velocidad alfabética: 62%. CA. y Precisión: 66.67%). En la LVQNN (velocidad numérica: 90%, velocidad alfabética: 96.15%. TE. y Precisión: 94.44%), [Nag11].. 1.2.2. Reconocimiento automático de matriculas. IO. El presente paper realizado por los autores: Carlos Parra Ramos y David Regajo Rodrı́guez. BL. (2006), trata de una implementación software de una máquina con el objetivo de reconocer. BI. de forma automática matriculas de vehı́culos presentes en una imagen. Realizada en la Uni-. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(23) CAPITULO 1. PLAN DE INVESTIGACIÓN. AT EM AT IC A. 4. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. versidad Carlos III de Madrid - España. Dicha máquina consistirá de tres bloques básicos,. localización de la matricula, umbralización y segmentado de caracteres, y reconocimiento de caracteres. A su vez, la localización se basará en un simple esquema de gradiente que permitirá la localización vertical y horizontal de la matrı́cula dentro de la imagen. En este trabajo se. han analizado un total de 278 imágenes con una resolución de 400x300 pı́xeles, el cual realizó una localización correcta en 249 imágenes y de esas fallaron 5 en la localización vertical, por lo cual llegaron de forma idónea a la etapa de umbralización y segmentación un total de 244. M. matriculas. Para el entrenamiento se usa perceptrones, el cual debe nombrar las matrı́culas de entrenamiento con una cadena de caracteres, para que el programa sepa la salida que debe. AS. 1.2.3. Y. obtener (aprendizaje supervisado) [Rod06].. Plate Number Recognition by Using Artificial Neural Network. SI C. En este paper realizado por los autores: Haris Al-Qodri Maarif y Sar Sardy (2008), en el reconocimiento de número de matrı́culas usando redes neuronales artificiales. Realizada en. FI. la Universidad de Al-Azhar - Indonesia. A tenido como propósito construir un sistema semiautomático de reconocimiento de placas mediante el uso de redes neuronales artificiales Back. AS. Propagation de aprendizaje supervisado. Muestra la imagen de la matrı́cula del vehı́culo se adquirida por una cámara digital, entonces, es convertida en BW y la placa se localiza. NC I. mediante el uso de morfologı́a matemática. La Metodologı́a de aprendizaje de la red neuronal está en base a la propagación y todo el proceso está a cargo de Matlab versión 7.1. Entre las 21 muestras disponibles que han sido probadas, el sistema realiza sobre 71% para el valor de. Kohonen Neural Network Performance in License Plate Number. DE. 1.2.4. CI E. reconocimiento exitoso [MS06].. Identification. CA. En este paper realizado por los autores: Marina Yusoff, Shuzlina Abdul Rahman, Sofianita Mutalib, Azlinah Mohamed (2007), se presenta el desarrollo de aplicaciones de reconocimiento de caracteres y su rendimiento para la identificación del vehı́culo. Realizada en la Universidad. TE. tecnológica de Mara - Malasia. El reconocimiento emplea mapas auto-organizados de Kohonen (SOM), algoritmo de redes neuronales de clasificación para reconocer el número de matricula.. IO. Varias etapas se han realizado en el proceso de desarrollo. Etapa de pre-procesamiento incluye. BL. la normalización de imagen, segmentación de imágenes, mejora de imagen, y la segmentación. BI. binaria se llevan a cabo con la herramienta MATLAB. La siguiente etapa es la determinación. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(24) 5. AT EM AT IC A. 1.2. ANTECEDENTES. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. no supervisada de red neuronal y, finalmente, el desarrollo de la interfaz, la formación y las. pruebas. Los caracteres del número de placa son capturados con 640 × 480 pı́xeles de ancho instantáneas de las muestras seleccionadas. Los mapas de Kohonen utilizan la distancia. euclidiana para determinar la mejor coincidencia de unidad. Los experimentos se realizan entonces para determinar el radio y la tasa de aprendizaje basado en el tamaño del mapa. El resultado ha demostrado que un tamaño del mapa de 16 x 16 da un mejor rendimiento con. 1.2.5. M. 78,57% de precisión en el reconocimiento de la matrı́cula vehicular [MYM07].. Automatic License plate detection and recognition Using Radial Ba-. Y. sis Function Neural Network. AS. En este paper realizado por los autores: Nureddin A. Abulgasem, Dzulkili Mohamad, Siti Zaiton Mohamad Hashim (2011), sobre la detección Automática de placa para la matrı́cula. SI C. de vehı́culo y reconocimiento es una técnica clave en la mayorı́a de las aplicaciones de tráfico asociados y es tema de investigación muy popular y activo en el dominio de procesamiento. FI. de imágenes. Realizada en la Universidad Tecnológica de Malasia - Malasia. Estos estudios muestran los diferentes métodos, técnicas y algoritmos se han desarrollado para la detección. AS. de placa y reconocimientos. Sin embargo, debido a las diferentes caracterı́sticas de la placa de matrı́cula de un paı́s a otro como sistema de numeración, los colores, el lenguaje de los. NC I. personajes, el estilo (de) y el tamaño de la matrı́cula, la investigación aún se necesita en esta área. El uso de la red neuronal artificial ha demostrado ser beneficioso para el reconocimiento. CI E. de la placa, pero no se ha aplicado para la detección de la placa. En este trabajo, la función de base radial (RBF) red neuronal se utiliza tanto para la detección y el reconocimiento de la matrı́cula. El método se aplicó en 200 imágenes frontales de placas nacionales de Libia. Un. DE. mayor porcentaje de resultados precisos mostraron la corrección del enfoque propuesto en un reconocimiento de 91%, con respecto las matriculas. [NAAH11].. The Research of Vehicle Plate Recognition Technical Based on BP. CA. 1.2.6. Neural Network. TE. En este paper realizado por los autores: Zhigang Zhang, Cong Wang (2012), trata del aspecto de los caracteres, después de los análisis en el reconocimiento de las placas de los vehı́culos, uti-. IO. lizan estadı́sticas ponderadas para hacer la posición de la imagen de la placa más prominente.. BL. Realizada en: School of Mathematics and Physics y School of Economics and Management,. BI. USTB, Beijing - China. En estos estudios muestran el uso de una combinación de una re-. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(25) CAPITULO 1. PLAN DE INVESTIGACIÓN. AT EM AT IC A. 6. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. gia gruesa de extracción de caracterı́sticas y el uso del algoritmo BP para la distinción de la licencia del vehı́culo. Este método mejora la precisión y la velocidad del reconocimiento de caracteres. Los resultados se tiene que la gradiente de descenso en el impulso restringe. rápidamente en comparación con la ley del descenso más agudo por el experimento. Por la. cantidad de tipos de placas, tomado la cantidad de 100 matriculas dando como resultados en. la tasa de reconocimiento de 93.5% caracteres, letras y dı́gitos una tasa de 94%. En el paper. solo se estudia el fondo común de la placa azul, por lo que la licencia para otro tipo de fondo,. Y. Formulación del problema. AS. 1.3. M. que da por estudiar para el futuro [ZW12].. 1.4. SI C. ¿Cómo mejorar el proceso de reconocimiento de matriculas de automóviles?. Hipótesis. FI. Mediante el desarrollo de un sistema inteligente utilizando redes neuronales, permitirá mejorar. Objetivos. 1.5.1. NC I. 1.5. AS. el reconocimiento de matrı́culas de automóviles.. Objetivo General. CI E. Mejorar el proceso de reconocimiento de matrı́culas de automóviles, con el desarrollo de un sistema inteligente, usando redes neuronales.. Objetivo Especifico. DE. 1.5.2. • Analizar los resultados obtenidos en la localización y el reconocimiento de las letras y. CA. dı́gitos, según los diferentes conjuntos de imágenes de matrı́culas.. TE. • Evaluar el sistema para el reconocimiento de matrı́culas de automóviles usando redes neuronales donde se comprueba el resultado con imágenes de distinto nivel de ruido.. IO. • Utilizar la metodologı́a que contiene los siguientes pasos: Adquisición de la imagen, prede la matricula.. BI. BL. procesar la imagen, detección de la matrı́cula, corrección de inclinación, reconocimiento. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(26) 7. AT EM AT IC A. 1.6. JUSTIFICACIÓN DE LA INVESTIGACIÓN. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. • Pre-procesar la imagen para luego obtener el vector de caracterı́sticas.. • Intentar mejorar o incluir partes o procedimientos que mejoren el sistema en el reconocimiento.. • Analizar el funcionamiento de la Transformada de Hough orientado a la localización de la matrı́cula en la imagen.. Justificación de la investigación. • Desde el punto de vista Tecnológico:. AS. 1.6. Y. M. • Conocer los principios de reconocimiento de patrones y los sistemas en los que se deriva.. SI C. – Servirá para mejorar el reconociendo de la imagen, y el uso de la estructura de la red que este diseñado de acuerdo con la aplicación especifica, aprovechando los. FI. recursos computacionales.. AS. • Desde el punto de vista Cientı́fico:. – Servirá como guı́a que permitirá promover futuras investigaciones en el campo. NC I. del procesamiento y reconocimiento de las imágenes, utilizando redes neuronales. CI E. aplicando métodos y técnicas de identificación adecuados. • Desde el punto de vista Académico: – Incentivar a los alumnos a la investigación en el campo de Procesamiento de. DE. imágenes en la escuela de informática y en las diferentes universidades con respecto a esta área.. CA. – Promover el desarrollo, la aplicación de algoritmos para la mejora de reconocimiento y uso de redes neuronales, para promover mejores soluciones para este tipo de prob-. TE. lema.. – Incentivar al desarrollo de aplicaciones, y aplicarlas en diversas situaciones con el fin de generar ingresos económicos para benéfico propio o general como empresas.. BI. BL. IO. • Desde el punto de vista Económico:. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(27) CAPITULO 1. PLAN DE INVESTIGACIÓN. AT EM AT IC A. 8. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. – Los resultados de esta investigación de ser aplicados por las empresas les permitirán ahorrar costo, mejorar la seguridad. • Desde el punto de vista Social:. – Contribuirá con las fuerzas del orden en diversas situaciones, como en la identificación, recuperación de vehı́culos e infractores en el transito vehicular.. M. – Permitirá contribuir a mejorar la seguridad ciudadana y el control del transito. Viabilidad. AS. 1.7. Y. vehicular.. La investigación es viable, pues se dispone de los recursos necesarios para llevarla a cabo. La. SI C. obtención de la muestra de imágenes no demandará gastos económicos adicionales y el tiempo. Limitaciones. AS. 1.8. FI. de duración de la investigación no será mayor al previsto.. NC I. La presente tesis, tiene las siguientes limitaciones propias de este tipo de investigación: • Imágenes se caracteriza por tener los tres canales RGB, tomadas de frente o en algunos. CI E. casos particulares con cierto ángulo de inclinación. • La base de datos contiene imágenes representadas con un dimensión de 600 × 400 pı́xeles de baja calidad, y cierto grado de ruido.. DE. • La calidad que será mejorada en esta investigación abarca un solo aspecto, que es la mejora en el reconocimiento, en la extracción de patrones para el uso de redes neuronales,. Organización del estudio. TE. 1.9. CA. ya que es nuestro principal propósito.. En el presente trabajo de tesis consta de un total de seis capı́tulos, divididos en secciones de. IO. acuerdo al nivel de detalle que se consideró necesario. El primer capitulo, plan de investi-. BL. gación, Incluye todo lo necesario con el planteamiento del problema a estudiar, partiendo desde. BI. la realidad problemática, los antecedentes, el problema en concreto, la hipótesis planteada,. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(28) 9. AT EM AT IC A. 1.9. ORGANIZACIÓN DEL ESTUDIO. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. los objetivos establecidos, la justificación del mismo y las limitaciones más relevantes que se presentan durante el desarrollo de la tesis.. En segundo capitulo, Marco Teórico, abarca los conceptos teóricos que sustentan el es-. tudio realizado relacionado con el reconocimiento y el pre-procesamiento de la imagen, con el uso de algoritmos como normalización eliminación de ruido segmentación; extracción de. caracterı́sticas, de la imagen pre-procesada y el reconociendo de caracteres mediante el uso. M. de redes neuronales.. Y. En el tercer capitulo, Materiales y Métodos, se describe el diseño de la investigación uti-. AS. lizado, se detalla la población con la que se trabajará y la muestra sobre la que se aplicarán el reconocimiento de la imagen mediante el uso de redes neuronales. Finalmente se describen. SI C. las variables dependiente e independiente, y el indicador utilizado durante el desarrollo de la presente investigación.. FI. En el cuarto capitulo, Desarrollo del Sistema, se presenta una serie de algoritmos para el. AS. pre-procesamiento de la imagen, ası́ como el uso de la red neuronal back propagation el cual sirve como aporte a la solución del problema de mejorar el reconocimiento de matrı́culas de. NC I. vehı́culos.. En el quinto capitulo, Análisis de resultado, Comprende todos los resultados obtenidos. CI E. luego de la implementación del sistema de reconocimiento para la detección de matriculas de automóviles usando redes neuronales.. DE. Finalmente en el sexto capitulo, se presentan las Conclusiones y Recomendaciones, las cuales se llegaron a través del presente trabajo de investigación, las recomendaciones que se. BI. BL. IO. TE. CA. consideran útiles ası́ como para los trabajos futuros que se pretenden realizar.. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(29) AT EM AT IC A. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. CAPITULO 2. AS. Y. Marco Teórico. Con el objetivo de mejorar el reconocimiento de matriculas es necesario conocer, todos los. SI C. factores que van a intervenir para la mejora. Esta investigación está centrada en la ubicación de la placa, reconocimiento de caracteres, pre-procesamiento entre ellos eliminación de ruido. FI. y para el reconocimiento; la red back-propagation.. 2.1.1. AS. Conceptos Generales. Sistema de transporte inteligente (ITS). NC I. 2.1. Los sistemas inteligentes pueden definirse como aquellos que, optimizando los procesos y re-. CI E. cursos para la obtención de un producto deseado, facilitan una permanente información, en el tiempo real, para su seguimiento, evaluación y control, permitiendo introducir variaciones. DE. durante el curso de su gestión.. Es una combinación de la informática y las telecomunicaciones, es decir la telemática, con ello se multiplica la capacidad humana en las operaciones y se evitan, en gran medida, los. CA. fallos de su intervención, se comprende ası́, el fundamental peso que en estos procesos tiene. TE. el desarrollo y aplicación de las innovaciones tecnológicas [Alb04]. La evolución de los sistemas inteligentes de transporte es permanente, y sus aplicaciones. IO. múltiple y variada, estamos aún en los albores de las posibilidades que pueden ofrecer, por. BL. ellos tratar de abordarlos no resulta fácil por la inmadurez, tanto si se pretende hacer una. BI. clasificación para su ordenada exposición o utilizar una determinada metodologı́a. 10. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(30) 11. Reconocimiento de matriculas (LPR). Y. 2.1.2. M. Figura 2.1: Sistema inteligente de transporte.. AT EM AT IC A. 2.1. CONCEPTOS GENERALES. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. AS. El reconocimiento de matriculas (LPR), es un componente importante de los sistemas de transporte inteligente (ITS), aplicada en el ámbito de la facturación electrónica, que es una. SI C. tecnologı́a que usa el reconocimiento óptico de caracteres (OCR) para leer automáticamente los caracteres de placas.. FI. El reconocimiento automático de matrı́culas tiene muchas aplicaciones, incluyendo:. AS. • La recuperación de vehı́culos robados.. NC I. • La identificación de los conductores con una orden de arresto abierto. • La captura de reductores de velocidad mediante la comparación del tiempo medio que. CI E. se tarda en llegar desde la cámara inmóvil de A a B. cámara fija • La determinación del ingreso de un vehı́culos autorizado a un aparcamiento.. DE. • Aceleración de aparcamiento mediante la eliminación de la necesidad de confirmación. CA. humano de pases de estacionamiento.. 2.1.3. Matriculas de automóviles. TE. Las matriculas o patentes de un vehı́culo es una combinación de caracteres alfanuméricos o numéricos que identifica e individualiza el vehı́culo respecto a los demás; se representan en. IO. una placa metálica (que se conoce como placa de automóvil) en la que se graban o adhieren. BI. BL. de forma inalterable los caracteres.. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(31) CAPITULO 2. MARCO TEÓRICO. AT EM AT IC A. 12. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Figura 2.2: Reconocimiento de la matricula del automóvil.. Y. En la mayorı́a de los paı́ses los automóviles, ası́ como los demás vehı́culos de una cilindrada. AS. de motor mı́nima, deben llevar sujeta una placa con una matrı́cula en la parte frontal y otra en la parte trasera, aunque en algunos lugares o en algunos tipos de vehı́culos solo se exige la. SI C. placa trasera. La combinación de letras y números es exclusiva de un vehı́culo, de forma que. CI E. NC I. AS. FI. podrá ser identificado en cualquier circunstancia por su matrı́cula.. 2.1.4. DE. Figura 2.3: Representación de la matrı́cula de automóvil.. Visión computacional. CA. La visión computacional es el estudio de ciertos procesos que es reconocer y localizar objetos en el ambiente mediante el procesamiento de imágenes; para entenderlos y construir maquinas. TE. con capacidades similares. La visión computacional tiene un área muy ligada que es la de procesamiento de imágenes. Aunque ambos campos tienen mucho en común, el objetivo final. IO. es diferente. El objetivo de procesamiento de imágenes es mejorar la calidad de imágenes para. • Remover defectos.. BI. BL. su posterior utilización o interpretación [Gom07]. Por ejemplo:. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(32) 13. AT EM AT IC A. 2.2. PROCESAMIENTO DIGITAL DE IMÁGENES. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. • Remover problemas de movimiento o desenfoque.. • Mejorar ciertas propiedades como color, contraste, estructura, etc. • Agregar “colores falsos” a imágenes monocromáticas.. El objetivo de la visión computacional es extraer caracterı́sticas de una imagen para su. Y. • Determinar la localización y tipo de objetos en la imagen.. M. descripción e interpretación por la computadora. Por ejemplo:. SI C. • Analizar un objeto para determinar su calidad.. AS. • Construir una representación tridimensional de un objeto.. • Descomponer una imagen u objeto en diferente partes.. Procesamiento digital de imágenes. AS. FI. 2.2. Por procesamiento digital de imágenes se entiende la manipulación de una imagen a través. NC I. de un computador, de modo que la entrada y la salida de proceso sean imágenes. Una vez preparada la escena para ser capturada por las cámaras de visión artificial, se deberá de tratar el aspecto tanto de la cuantificación como de la codificación que sufre la señal de video al ser. CI E. introducida en el computador. Depositada la información, como una matriz o conjunto de matrices de valores discretos se procederá, a un procesado de la imagen. Esta etapa, de bajo nivel, trata de obtener una nueva imagen que o bien mejore su calidad o bien destaque algún. DE. atributo primario de los objetos capturados. Desde este punto de vista, el procesamiento de imágenes involucra tareas como elimi-. CA. nación de ruido, mejoramiento del contraste, segmentación (y la binarización, la cual es una segmentación particular), detección de bordes, etc. Y el análisis de imágenes involucra tareas. TE. como conteo de elementos, extracción de descriptores de objetos, etc.. IO. El objetivo de utilizar el procesamiento digital de imágenes, es mejorar el aspecto visual. BL. de ciertos elementos estructurales para el análisis y obtener otros subsidios para su inter-. BI. pretación, inclusive generando productos que puedan ser posteriormente sometidos a otros. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(33) CAPITULO 2. MARCO TEÓRICO. AT EM AT IC A. 14. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. procesamientos.. En realidad, no existe un acuerdo común entre los autores sobre los lı́mites del procesamiento de imágenes y otras tareas relacionadas, tales como análisis de imágenes y visión computacional. Algunas veces se hace la distinción del procesamiento de imágenes como una. disciplina en la cual tanto la entrada como la salida de un proceso son imágenes. Existen otros campos tales como la visión computacional cuya meta es usar el computador para emular la. M. visión humana, incluyendo aprendizaje y la capacidad de hacer inferencias y tomar acciones. 2.2.1.1. Técnicas de procesamiento Procesamiento del Histograma. SI C. 2.2.1. AS. Artificial, el cual intenta emular la inteligencia humana.. Y. basadas en entradas visuales. Es notorio que este campo es un sub-campo de la Inteligencia. FI. El histograma de una imagen es la representación gráfica de la distribución que existe de las distintas tonalidades de grises con relación al número de pixeles o porcentaje de los mismos.. AS. La representación de un histograma ideal seria la de una recta horizontal, ya que eso nos. Figura 2.4: Representación gráfica de la distribución de tonalidad. (Fuente [R.06]). BI. BL. IO. TE. CA. DE. CI E. nuestra imagen [R.06].. NC I. indicarı́a que todos los posibles valores de grises están distribuidos de manera uniforme en. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(34) 15. AT EM AT IC A. 2.2. PROCESAMIENTO DIGITAL DE IMÁGENES. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. El histograma de una imagen digital con niveles de intensidad de gris en el rango [0, L − 1] es una función discreta P (r) = nr , donde r representa un nivel de gris y nr representa el. Y. M. número de pı́xeles que tienen ese valor de gris como se muestra en la siguiente figura 2.5.. AS. Figura 2.5: Representación del histograma de una imagen. (Fuente [R.06]). SI C. Supongamos por el momento valores de intensidad continuos y sea r la variable que corresponde a la intensidad de la imagen a ser procesada.. FI. r ∈ [0, L − 1], con r = 0 negro y r = L − 1 blanco. Enfocaremos la atención en transformaciones de la forma s = T (r), 0 ≤ r ≤ L − 1. Que. AS. produce una salida de intensidad s por cada pixel en la imagen de entrada con intensidad r.. NC I. Asumiremos que:. • T (r) es una función monotónicamente creciente en el intervalo 0 ≤ r ≤ L − 1. • 0 ≤ T (r) ≤ L−1 para 0 ≤ r ≤ L−1. En algunas formulaciones discutidas más adelante,. CI E. se utiliza el inverso r = T −1 (s) 0 ≤ s ≤ L − 1. • T (r) es una función monotónicamente creciente en forma estricta en el intervalo 0 ≤. DE. r ≤ L − 1.. Como se muestra en la figura 2.6. El requerimiento (a) garantiza que los valores de. CA. intensidad de salida nunca serán menores que los correspondientes de entrada, previniendo artefactos creados por inversión de intensidades. La condición (b) garantiza que el rango de. TE. intensidades de salida es el mismo que el de la entrada. La condición (c) garantiza que el mapeo de retorno (de s a r) será uno a uno, previniendo posibles ambigüedades.. IO. Es muy frecuente normalizar un histograma dividiendo cada uno de sus valores donde n. BL. es el número total de pı́xeles en la imagen, nk es el número de pı́xeles que tiene el nivel de. BI. gris (rk ), y L es el número total de posibles niveles de gris en la imagen. De tal modo que el. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(35) CAPITULO 2. MARCO TEÓRICO. AT EM AT IC A. 16. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. M. Figura 2.6: Histogramas monotónicamente creciente y creciente en el sentido estricto. (Fuente [R.06]). Y. histograma nos quedarı́a P (rk ) = nk /n, para k = 0, 1, ..., L − 1. De esta manera, P (rk ) da una estimación de la probabilidad de la ocurrencia del nivel de gris (rk ). Hay que notar que. AS. la suma de todos los componentes de un histograma normalizado es igual a 1.. SI C. Umbralización. FI. Las técnicas de umbralización buscan obtener un valor de umbral que permita binarizar a la imagen separando adecuadamente el fondo (background) y el objeto a separar (foreground).. AS. Muchas de las técnicas de umbralización están basadas en la información estadı́stica que brinda el histograma, sobre todo en aquellas imágenes donde los objetos tienen una superficie. NC I. o textura homogénea y el fondo es más o menos uniforme. El problema de la umbralización es encontrar el valor T (umbral) adecuado entre los valores de grises en imágenes que permita una óptima separación entre el objeto y el fondo. Si el histograma de una imagen posee dos. CI E. picos o lóbulos (Figura 2.7) podemos separar dos zonas o regiones y el umbral será aquel valor. Figura 2.7: Histograma Ideal. (Fuente [Cat11]). IO. TE. CA. DE. que se encuentra en el valle entre ambas.. BL. Este es un caso ideal, el histograma de intensidad de una imagen (niveles de gris) tendrı́a. BI. bien marcado los dos picos para objeto y fondo, y dirı́amos que el umbral óptimo es aquel. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.

(36) 17. AT EM AT IC A. 2.2. PROCESAMIENTO DIGITAL DE IMÁGENES. S. Biblioteca Digital. Dirección de Sistemas de Informática y Comunicación - UNT. valor T que separa ambas regiones [Cat11]. Sin embargo, las imágenes siempre presentan ruido y, como consecuencia de esto, sus histogramas son difı́ciles de analizar (Figura 2.8), es. decir presentan histogramas sin una marcada separación de regiones. El ruido se debe a que. Y. M. la imagen depende de otros factores como la luz, iluminación etc.. Filtrado Espacial de la imagen. SI C. 2.2.1.2. AS. Figura 2.8: Histograma que no es claramente bi-modal. (Fuente [Cat11]). Es el conjunto de técnicas englobadas dentro del pre-procesamiento de imágenes cuyo obje-. FI. tivo fundamental es obtener, a partir de una imagen origen, otra final cuyo resultado sea más adecuado para una aplicación especı́fica mejorando ciertas caracterı́sticas de la misma que. AS. posibilite efectuar operaciones del procesado sobre ella el cual usaremos filtros lineales, por ejemplo Filtro paso bajo que se usa para emborrar o reducir el ruido, llamados también filtros. NC I. promedios, consiste simplemente en promediar los pı́xeles que caen dentro de la mascara y filtros estadı́sticos, que usan las estadı́sticas contenidas dentro de los pı́xeles que caen dentro. CI E. de la mascara, por ejemplo cálculo de la mediana y moda. El proceso consiste en convolucionar la mascara con las imágenes: Se debe aplicar la mas-. DE. cara centrada en el pı́xel (i, j), y luego actualizar este valor según la operación de Convolución, luego mover la mascara al pı́xel vecino y repetir la operación.. TE. CA. El proceso de filtrado está dado por el operador Convolución.. g (i, j) =. a b X X. w (s, t) f (i + s, j + t). s=−a t=−b. ,. IO. a = (wm − 1) /2, b = (wn − 1) /2. realizar algún tipo de reducción de ruido en una imagen o señal. El filtro de mediana. BI. BL. • Filtro mediana En el procesamiento de señales, a menudo es deseable ser capaz de. Esta obra ha sido publicada bajo la licencia Creative Commons Atribucion-No Comecial-CompartirIgual bajo la misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/pe/.