Use este identificador para citar ou linkar para este item: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/9239
Título: Análise Comparativa de métodos de segmentação e técnicas de aprendizado de máquina com aplicação no reconhecimento automático de placas de identificação de veículos
Autor(es): Botta, André Luiz Constantino
Orientador(es): Dorini, Leyza Elmeri Baldo
Palavras-chave: Sistemas de reconhecimento de padrões
Inteligência artificial
Processamento de imagens - Técnicas digitais
Conjunto de caracteres (Processamento de dados)
Pattern recognition systems
Artificial intelligence
Image processing - Digital techniques
Character sets (Data processing)
Data do documento: 8-Jun-2015
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Referência: BOTTA, André Luiz Costantino. Análise Comparativa de métodos de segmentação e técnicas de aprendizado de máquina com aplicação no reconhecimento automático de placas de identificação de veículos. 2015. 72 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2015.
Resumo: Este trabalho trata do problema de Reconhecimento Automático de Placas de Veículos (do inglês, Automatic Number Plate Recognition - ANPR), o qual envolve o uso de diferentes técnicas, incluindo Reconhecimento Óptico de Caracteres (do inglês, Optical Character Recognition - OCR) e aprendizado de máquina, para realizar o processo de reconhecimento dos caracteres em uma placa de identificação de veículo a partir de uma imagem. Como este processo está sob condições reais, existem dificuldades no tocante aos diversos tipos de ruídos que podem estar presentes na aquisição das imagens, tais como iluminação não uniforme, oclusão de caracteres devido à algum tipo de objeto fixado à placa de identificação do veículo e posicionamento dos caracteres, entre outros. Dado que o método de segmentação aplicado tem influência direta na atenuação do efeito negativo destes ruídos, um dos objetivos deste trabalho foi determinar qual destes métodos otimiza o desempenho tanto do OCR desenvolvido quanto do módulo de OCR do mecanismo Tesseract um software considerado estado da arte nesta área. Por fim, utilizando a precisão e a revocação como métodos de avaliação, analisou-se qual técnica de aprendizado de máquina obtém os melhores resultados no reconhecimento de caracteres e comparou-se estes resultados com o Tesseract, a fim de verificar-se o desempenho da abordagem proposta.
Abstract: The present study deals with the problem of Automatic Number Plate Recognition (ANPR), which involves the use of different techniques, including Optical Character Recognition (OCR) and machine learning, to perform the process of character recognition of a vehicle license plate in an image. As this process is done under real conditions, there are difficul ties with regard to various types of noise that may be present in the acquisition of images, such as irregular lighting, occlusion of characters due to some kind of object attached to the vehicle license plate and positioning of the characters, among others. Since the ap plied segmentation method has a direct influence in the attenuation of the negative effects of these noise, one of the objectives of this study is to evaluate which of these methods optimizes the performance of both the OCR developed and the Tesseract OCR engine module | a software considered to be the state of the art in this area. Lastly, using the precision and recall values as evaluation measures, we analyze which machine learning technique obtain the best results in character recognition and compare these results with Tesseract in order to verify the performance of the proposed approach
URI: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/9239
Aparece nas coleções:CT - Engenharia de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CT_ENGCOMP_2015_1_03.pdf13,8 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.