LOCALIZAÇÃO AUTOMÁTICA DE PLACAS DE VEÍCULOS UTILIZANDO VARIÂNCIA TONAL

Transcrição

1 LOCALIZAÇÃO AUTOMÁTICA DE PLACAS DE VEÍCULOS UTILIZANDO VARIÂNCIA TONAL Guilherme B. da Cunha 1, Adriano A. Pereira 1, Keiji Yamanaka 1, Edna L. Flores 1, Fábio J. Parreira 1 1 Universidade Federal de Uberlândia - Laboratório de Engenharia Biomédica e Automática - BIOLAB CEP Uberlândia, MG - Brasil guilherme_cunha@eel.ufu.br, adriano@eletrica.ufu.br, keiji@ufu.br Resumo - Neste artigo descreve -se o processo de localização automática de placas de veículos. Este processo consiste de duas etapas: conversão cromática e localização e extração das características da placa. Apresenta-se a utilização de técnicas baseadas na variância e histogramas para a localização da região da placa. II. METODOLOGIA UTILIZADA Para a localização e extração da placa na imagem, foi proposto um método que basicamente possui cinco etapas, conforme a Figura 1. Palavras-Chave - Conversão cromática, localização de placas, histogramas de imagens, variância, binarização. Imagem Original Localização e extração da placa APPLIED TONAL VARIANCE TO THE AUTOMATIC LOCATION OF PLATES OF VEHICLES Abstract - In this article, an automatic number plate extraction process is presente. It consists of two stages: chromatic conversion and the localization and extraction of the characteristics of the plate. The techniques applied are based on the tonal variance and histograms of the input image. 1 Keywords - Chromatic conversion, localization of plates, histograms of images, variance, binarization. I. INTRODUÇÃO Sistemas de visão artificial são cada vez mais utilizados para auxiliar seres humanos em tarefas distintas. Estes sistemas são capazes de reconhecer padrões previamente ensinados em uma imagem complexa. Os sistemas de identificação automática de veículos possuem diversas aplicações como: controle e monitoramento do tráfego, reconhecimento de veículos em situação irregular junto aos órgãos responsáveis, controle de pedágios e estacionamentos, identificação de veículos infratores, identificação de veículos roubados, etc... A localização e extração de placas de veículos utilizando imagens de radares, têm sido bastante difundido e utilizado nas diversas áreas que abrangem o reconhecimento automático das placas de veículos. Os pesquisadores, técnicos e autoridades ligadas ao estudo do tráfego de veículos, buscam melhorar a etapa de localização e extração de placas, de forma, a aumentar o índice de acerto no reconhecimento automático de veículos. Conversão da imagem colorida em monocromática Determinação da faixa ótima Análise dos picos encontrados Localização da área candidata da placa Fig Etapas do método proposto neste artigo III. CONVERSÃO DAS IMAGENS COLORIDAS EM IMAGENS MONOCROMÁTICAS A primeira etapa para se trabalhar a localização de placas de veículos é a conversão cromática das imagens obtidas para monocromáticas (256 níveis de cinza). Esta conversão se faz necessária já que o algoritmo utilizado não faz uso das informações de cores e pelo fato que todas as componentes de cor estão correlacionadas, não produzindo um resultado satisfatório em nossa pesquisa [1]. Para efetuar a conversão, utiliza -se o modelo de cores YIQ, muito empregado na transmissão de TV colorida. O modelo YIQ foi projetado para tirar vantagem da maior sensibilidade da visão humana a mudanças na iluminância do que nas mudanças de matiz ou saturação. A grande vantagem da utilização do modelo em processamento de imagens é que a luminância (Y) e a informação de cores (I e Q) são desacopladas. Assim, podemos trabalhar com a componente Y sem afetar nas outras componentes.a conversão do formato RGB para YIQ é feita utilizando o seguinte diagrama: Artigo publicado na IV Conferência de Estudos em Engenharia Elétrica (IV CEEL) realizada no período de 22 a 25 de Novembro na Universidade Federal de Uberlândia, Uberlândia MG.

2 Converte o modelo de cor RGB para YIQ Componente Y (iluminância) Após encontrar a linha de maior variância, os limites da faixa ótima são obtidos adicionando e subtraindo? à posição da mesma. O valor de? que se mostrou adequado para o conjunto de imagens utilizadas neste trabalho foi de 50. A Figura 4 mostra os intervalos e a faixa ótima encontrada. Y = 0.299R G B Fig. 1. Conversão do modelo de cores da imagem IV. DETERMINAÇÃO DA FAIXA ÓTIMA Nesta etapa, utiliza-se um algoritmo em toda a imagem para determinação uma região ótima onde todas as placas estão inseridas. É feito uma varredura na imagem na posição das linhas em intervalos que variam de 5 em 5 até abranger toda a imagem ou seja, são efetuados 48 varreduras de linhas nas imagens com esta dimensão. A varredura é efetuada de baixo para cima já que se observa que as placas estão localizadas na parte inferior da imagem. A Figura 2 mostra como a varredura é efetuada na imagem. Fig.2 Varredura na imagem em intervalos regulares Observa-se que entre as posições 200 e 300, apresentase uma forte variação tonal devido a presença da placa. A esta variação, damos o nome de assinatura da placa [2]. Na Figura 3, é feita uma comparação entre as duas técnicas de varredura. A curva 1) da Figura 3 apresenta o resultado da aplicação da média do operador diferença; a curva 2) apresenta a curva da variância, proposta neste trabalho. Observa-se que o valor de pico da curva da variância indica exatamente a posição da placa na imagem. No caso da curva média do operador diferença, curva 1), o valor de pico indica erroneamente a localização da placa. Fig. 4 Determinação da Faixa Ótima V. LOCALIZAÇÃO DA ÁREA CANDIDATA DA PLACA Nesta etapa, o processamento da imagem concentra-se na faixa ótima encontrada anteriormente. A dimensão da nova faixa é de 320 x 100. Pode se notar que a placa ficou mais evidente, Figura 5, do que na imagem original de dimensão 320 x 240. Foi realizada uma nova varredura na faixa ótima para a localização da linha de maior variância e, a média do operador diferença nesta linha encontrada. É necessário notar que a técnica do operador diferença não será empregada para a determinação das novas posições horizontais e sim, para analisar a linha encontrada pela maior variância. Neste mesmo algoritmo, calcula se o valor máximo da linha analisada e a média da linha. O algoritmo abaixo mostra a implementação feita : 1 Para todas as linhas e colunas da faixa ótima Diff(linha,coluna) = Imagem(linha,coluna+1) - Imagem(linha,coluna) 2 Fim 1.2 Se Diff(linha,coluna) menor que zero Igualar o operador Diff(linha,coluna) = Calcula o máximo max(linha) = maior do operador Diff na linha 1.4 Calcula a média media(linha) = média do operador Diff na linha Os pixels da imagem está representada por Imagem(linha,coluna), o operador diferença está representado pelo Diff, o máximo pelo max e, a média por media [3]. A Figura 5 mostra a imagem da faixa ótima e a imagem gerada pelo operador diferença. Fig.3. - Comparativo entre os métodos de varredura tonal

3 escalonamento e do processo da média conforme a Figura 6 (B). O valor do limiar será dado por: Limiar = (maior_pico + menor_pico) / 2 A Figura 7 mostra os picos antes e após o corte efetuado pelo limiar obtido anteriormente. Os valores dos picos representam o nível de cinza em toda a extensão da linha. Fig. 5. Comparativo das imagens O resultado obtido do operador diferença sofre um escalonamento para adequar seus valores aos 8 bits de saída como a imagem. Os valores do Diff(linha,coluna) serão multiplicados por 255 e divididos pelo o maior valor da coluna obtida através do max. Diff(linha,coluna) = Diff(linha,coluna)*(255/max(linha)) Após o escalonamento, aplica se a média dos valores encontrados no operador Diff(linha,coluna) desprezando todas as grandes variações conforme abaixo: Se Diff(linha,coluna) < 2*media(linha) então Diff(linha,coluna) = 0 Fim A Figura 6 faz uma amostragem da linha de maior variância na imagem antes da aplicação do escalonamento e o processo da média, com a linha após as operações, para efeito de análise. Fig Picos amostrados após o corte VI. ANÁLISE DOS PICOS EN CONTRADOS Cada pico encontrado na etapa anterior será analisado para delimitarmos a área da placa na imagem. O primeiro passo será a marcação de todos os picos encontrados independentemente do valor do nível de cinza e posição conforme mostrado na Figura 8 abaixo. Fig. 8 Análise dos picos encontrados Fig. 6. Comparação entre as linhas amostradas Pode se observar que após o processo de escalonamento, as características da assinatura da placa tornaram se mais evidentes. O próximo passo é efetuar um corte nos picos que não representam a área de busca na imagem ou seja, a área da placa. Para isto, utiliza se o valor do limiar calculada a partir dos valores do maior e menor picos encontrados na linha amostrada após a aplicação do Um algoritmo foi elaborado para analisar os picos a partir da amostragem da linha. A análise é feita observando pico a pico e obtendo se à distância entre eles. O primeiro passo é varrer os picos da esquerda para a direita encontrando a posição vertical inicial e, da direita para a esquerda localizando a posição vertical final conforme mostra a Figura 8. Verifica se a distância entre a posição final menos a posição inicial. Se a distância for maior que 110, então o algoritmo verifica todos os picos maiores que zero. O algoritmo localiza o primeiro pico da esquerda para a direita. A partir desta posição, soma se todos os picos das 50 posições subsequentes a esta posição. Se a quantidade de picos for maior que um determinado valor (d), então os picos analisados são mantidos, caso contrário, todos os picos da posição do valor (d) até a primeira posição serão igualados a zero. A seguir, o algoritmo varre os picos da direita para a esquerda e localiza o primeiro pico. A partir desta posição, soma se todos os picos subsequentes a esta posição. Se a quantidade for menor que um determinado valor (d), todos os picos desta análise

4 são zerados conforme análise dos picos efetuada anteriormente. Novamente, o algoritmo verifica o primeiro pico da esquerda para a direita, atribuindo se a posição vertical inicial e, da direita para a esquerda, a posição vertical final. Se a distância entre eles for menor que 110, a região delimitada será ampliada em 10% para a direita e para a esquerda. A Figura 9 mostra a análise dos picos pelo algoritmo. Fig. 11. A linha de corte na horizontal da imagem binarizada Fig. 9. Análise dos picos através do algoritmo Se mesmo após a aplicação do algoritmo a distância entre as posições verticais forem maiores ou menores que a área estipulada para a placa, em torno de 110, então, utiliza se o método de poda descrito a seguir. VII. LOCALIZAÇÃO E EXTRAÇÃO DA PLACA O primeiro pico encontrado da esquerda para a direita menor que 0.8 será a posição horizontal inicial e, o primeiro pico encontrado da direita para a esquerda será a posição horizontal final. Com estes cortes efetuados na imagem binarizada, a extração da placa será feita através destas posições encontradas anteriormente no algoritmo. A Figura 12 abaixo mostra alguns exemplos da implementação deste método na localização e extração das placas de veículos. O método de poda faz uso da técnica de binarização da imagem. Esta técnica é muito utilizada para separarmos as regiões que interessam das outras regiões da imagem. A binarização utilizada é obtida pelo método de Otsu [3]. A imagem é primeiramente binarizada para posterior análise. A Figura 10 mostra uma imagem binarizada e a linha de corte da mesma. Fig. 12. Placas extraídas utilizando o método. VIII. RESULTADOS Fig. 10. A linha de corte na vertical da imagem binarizada O algoritmo efetua uma busca a partir da esquerda para a direita e da direita para a esquerda nos picos do histograma vertical da imagem após a binarização e, procura pelos valores menores que 0.8. O primeiro pico localizado da esquerda para a direita abaixo de 0.8 será a posição vertical inicial e, o primeiro pico abaixo de 0.8 da direita para a esquerda será a posição vertical final. Após este corte na vertical teremos as posições verticais da placa. Novamente, é efetuado uma busca nos picos no histograma horizontal da imagem conforme mostra a Figura 11. O sistema de extração automática de placas desenvolvido foi testado com um conjunto de 80 imagens adquiridas através de banco de imagens próprio e dos sistemas SIAV 1.0 e SIAV 2.0. As imagens no banco de dados próprio estavam coloridas o que necessitou uma etapa de conversão cromática. As imagens obtidas através do SIAV, são monocromáticas. Todas as imagens originais estão no formato BMP para que as informações relevantes não sejam perdidas. Os resultados encontrados no método proposto foi comparado com os sistemas do SIAV nas suas duas versões conforme mostra a tabela I abaixo: TABELA I RESULTADOS COMPARATIVOS 80 Imagens Localizadas Não Acertos localizadas (%) Método proposto SIAV ,25 86,25 SIAV ,00

5 IX. CONCLUSÕES O método proposto mostrou se mais efic iente na localização e extração de placas de veículos quando comparado com os resultados de outros sistemas. A técnica desenvolvida se baseia na localização da linha de maior variância tonal, fazendo uso da característica da placa que apresenta um contraste entre o fundo e os caracteres. Um aspecto muito importante abordado neste trabalho é a simplicidade da sua implementação uma vez que, aborda técnicas bastante simples e utilizadas para a manipulação de imagens. O algoritmo de análise dos picos encontrados mostrou se eficiente e com detalhes que facilitam a implementação para qualquer linguagem comercial. VI. REFERÊNCIAS BIBLIOGRÁFICAS [1] NOMURA, Shigueo. Dissertação de Mestrado. Novos métodos de binarização e segmentação de caracteres aplicados a um sistema de reconhecimento automático de veículos. Uberlândia, FEELT - UFU, 2002, 117p. [2] SOUZA, Fernando P.C.;SUSIN A. A. SIAV Um sistema de Identificação Automática de Veículos.XIII Congresso Brasileiro de Automática CBA, p , [3] OTSU, N. A Threshold selection method from gray-level histograms. IEEE Trans. Syst.,Man, Cybern.,vol SMC- 9,p 62-66, 1979.