universidad central del ecuador facultad de … · 2017. 8. 22. · guisela maritza fernandez...

UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA

CARRERA DE INGENIERÍA INFORMÁTICA

RECONOCIMIENTO DE PLACAS VEHICULARES EN TIEMPO REAL POR

MEDIO DE VISIÓN ARTIFICIAL

CASO: UNIVERSIDAD CENTRAL DEL ECUADOR

TRABAJO DE GRADUACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO DE

INGENIERA INFORMÁTICA

AUTORAS:

GUISELA MARITZA FERNANDEZ PAUCAR

JESSICA MARISOL QUINATOA ALOMOTO

TUTOR:

ING. LUIS FELIPE BORJA BORJA MSc.

QUITO, 25 DE JULIO

2017

ii

DERECHOS DE AUTOR

iii

CERTIFICACIÓN DEL TUTOR

iv

CERTIFICADO DE ANTIPLAGIO URKUND

v

DESIGNACIÓN DE LECTORES

vi

NOTAS DE LECTORES

vii

DEDICATORIA

A mis padres Wilson y Rosa que son el

pilar de mis valores; a mis hermanos

Evelyn y Jefferson que son cómplices de

risas y tristezas, a ellos que son la

inspiración de todo lo que me propongo

hasta finalizarlo.

Jessica Quinatoa

A mi Padres Luis y Consuelo quienes

fueron mi soporte, a mis hermanos Estalin

y Santiago por sus consejos, y a mis

Amigos que estuvieron hasta fin de mi

carrera con mucho amor y cariño les

dedico todo mi esfuerzo y trabajo puesto

para la realización de esta tesis.

Guisela Fernández

viii

AGRADECIMIENTOS

Las autoras expresan sus agradecimientos a:

Luis Felipe Borja Borja, Director de Carrera de Ingeniería en Computación Gráfica de la

Universidad Central del Ecuador por sus valiosas orientaciones, y constante motivación hacia

este proyecto de investigación, tendrá nuestra sincera gratitud.

ix

CONTENIDO

pág

DERECHOS DE AUTOR ...................................................................................................... ii

CERTIFICACIÓN DEL TUTOR .......................................................................................... iii

DESIGNACIÓN DE LECTORES ......................................................................................... v

NOTAS DE LECTORES ...................................................................................................... vi

DEDICATORIA ................................................................................................................... vii

AGRADECIMIENTOS ....................................................................................................... viii

CONTENIDO ........................................................................................................................ ix

LISTA DE TABLAS ............................................................................................................ xii

LISTA DE FIGURAS ......................................................................................................... xiii

LISTA DE ANEXOS ........................................................................................................... xv

GLOSARIO ......................................................................................................................... xvi

RESUMEN ......................................................................................................................... xvii

ABSTRACT ...................................................................................................................... xviii

INTRODUCCIÓN .................................................................................................................. 1

1. MARCO TEÓRICO ........................................................................................................ 3

1.1 ¿Qué es Visión Artificial? ........................................................................................ 3

1.1.1 Componentes principales .................................................................................. 5

x

1.2 Procesamiento digital de Imágenes .......................................................................... 7

1.2.1 Formación de la imagen ................................................................................... 8

1.2.2 Reconocimiento de la imagen ........................................................................ 10

1.3 Placas Vehiculares del Ecuador ............................................................................. 15

1.3.1 Reglamento de las placas vehiculares ............................................................ 15

1.3.2 Reglamento para la elaboración, entrega y control de placas de identificación

vehicular ........................................................................................................................ 15

1.4 Algoritmos para el Reconocimiento de Placas Vehiculares .................................. 19

1.4.1 Algoritmos para la localización de la placa vehicular .................................... 22

1.4.2 Algoritmos para el reconocimiento de caracteres de la placa vehicular......... 22

1.4.3 Machine Leraning ........................................................................................... 23

2. METODOLOGÍA EXPERIMENTAL .......................................................................... 26

2.1 Recolección de Datos ............................................................................................. 26

2.2 Algoritmo para la detección de placas Vehiculares ............................................... 28

2.2.1 Análisis Óptico de Caracteres ........................................................................ 29

2.2.2 Fase de entrenamiento .................................................................................... 29

2.2.3 Fase de detección de la placa .......................................................................... 30

2.2.4 Fase de predicción de caracteres .................................................................... 34

4.1 Algoritmo Propuesto .............................................................................................. 36

4.2 Localización Placa Vehicular ................................................................................ 36

4.3 Reconocimiento de Caracteres ............................................................................... 37

4.4 Porcentaje para Dígitos .......................................................................................... 39

4.5 Reconocimiento de la Placa Vehicular .................................................................. 41

5. DISCUSIÓN.................................................................................................................. 45

xi

6. CONCLUSIONES ........................................................................................................ 47

7. RECOMENDACIONES ............................................................................................... 49

BIBLIOGRAFÍA .................................................................................................................. 50

ANEXOS .............................................................................................................................. 53

xii

LISTA DE TABLAS

pág

Tabla 1. Provincias Ecuador ................................................................................................ 17

Tabla 2. Placas especificación por Servicio ........................................................................ 18

Tabla 3. Placas especificación servicios especiales ............................................................ 19

Tabla 4. Características Canon EOS REBEL T2i ............................................................... 28

Tabla 5. Comparación de porcentaje por resolución ........................................................... 36

Tabla 6. Porcentaje de fiabilidad Caracteres ....................................................................... 38

Tabla 7. Porcentaje para Dígitos .......................................................................................... 40

Tabla 8. Porcentaje de la lista de placas de Croacia ............................................................ 41

Tabla 9. Porcentaje de la lista de placas de ANPR Master.................................................. 42

Tabla 10. Porcentaje de la lista de placas de Dataset Propuesto (UCE) .............................. 42

xiii

LISTA DE FIGURAS

pág

Figura 1. Componentes Visión Artificial .............................................................................. 5

Figura 2. Aumento de contraste:............................................................................................ 7

Figura 3. Percepción del color ............................................................................................... 8

Figura 4. Espectro visible por el ojo humano ........................................................................ 9

Figura 5. Imagen bidimensional a color .............................................................................. 10

Figura 6. Imagen bidimensional a escala de grises ............................................................. 11

Figura 7. Imagen binaria ...................................................................................................... 12

Figura 8. Sustracción de fondo ............................................................................................ 12

Figura 9. Imagen con la técnica de la mediana.................................................................... 13

Figura 10. Imágenes con técnica de erosión y dilatación .................................................... 14

Figura 11. Secuencias del procesamiento para la detección de objetos .............................. 14

Figura 12. Placa Vehicular Ecuador .................................................................................... 16

Figura 13. Proceso ANPR OpenCV .................................................................................... 20

Figura 14. Proceso ANPR Tiempo Real .............................................................................. 21

Figura 15. Localización de la Placa ..................................................................................... 22

Figura 16 Imagen binaria de una placa vehicular ................................................................. 23

Figura 17. Placa segmentada ............................................................................................... 23

Figura 18. Paso a Paso ANPR OpenCv ............................................................................... 25

Figura 19. Canon EOS REBEL T2 ...................................................................................... 27

Figura 20. Tipografía FE-Mittelschrift ................................................................................ 29

Figura 21. Estilos de Tipografía .......................................................................................... 30

Figura 22. Imagen Original ................................................................................................. 31

Figura 23. Procesamiento de imagen. .................................................................................. 31

xiv

Figura 24. Imagen de contornos .......................................................................................... 32

Figura 25. Identificación de caracteres ................................................................................ 32

Figura 26. Identificación de posibles placas ........................................................................ 33

Figura 27. Región de placa vehicular .................................................................................. 33

Figura 28. Procesamiento de Imagen en la placa vehicular ................................................ 34

Figura 29. Segmentación de caracteres ............................................................................... 34

Figura 30. Imagen original con la localización de la placa ................................................. 35

Figura 31. Comparación de la localización de la placa ....................................................... 37

Figura 32. Porcentajes por caracteres .................................................................................. 39

Figura 33. Porcentaje por dígito .......................................................................................... 40

Figura 34. Comparación de aciertos de placas de Croacia .................................................. 41

Figura 35. Comparación de aciertos de las placas ANPR MASTER .................................. 42

Figura 36. Comparación de aciertos de las placas de Dataset Propuesto (UCE) ................ 43

Figura 37. Porcentajes de aciertos de caracteres en las placas (3 Dataset) ......................... 44

xv

LISTA DE ANEXOS

pág

ANEXO A.………………………………………………………………………………... 53

ANEXO B.………………………………………………………………………………... 69

ANEXO C.………………………………………………………………………………... 71

xvi

GLOSARIO

ANPR: Reconocimiento automático de matrículas.

INTELIGENCIA ARTIFICIAL: Llamada inteligencia computacional, es la inteligencia

exhibida por máquinas, se aplica cuando una máquina simula las funciones de los humanos.

VISION ARTIFICIAL: Disciplina que deriva de la ciencia Inteligencia Artificial, emita el

proceso del sentido de la vista humana.

MACHINE LEARNING: Es una categoría de la Inteligencia Artificial que se ocupa del

diseño y aplicación de algoritmos de aprendizaje (Aluja Banet, 2001).

OCR: Reconocimiento óptico de caracteres

PLACAS: Planchas metálicas con siglas y números, otorgadas por la autoridad competente

para identificación de los vehículos (Constituyente, 2012).

PIXEL: Unidad básica de una imagen digitalizada en pantalla a base de puntos de color o en

escala de grises.

RFID: Identificación por radiofrecuencia. Su propósito es el almacenamiento remoto de

datos, el transporte y la identificación de los mismos utilizando etiquetas y lectores, una

etiqueta RFID es similar a un código de barras (Gómez Gómez, Ena-Rodrígue, & Paolo,

2007)

RUIDO: Son pequeños reflejos de luz en diferentes objetos y cuerpos de la escena que

entorpecen la capacidad de visión para reconocer patrones gráficos.

TIPOGRAFIA: Es el arte y la técnica en el manejo de tipos o moldes para crear trabajos de

impresión.

xvii

RESUMEN

RECONOCIMIENTO DE PLACAS VEHICULARES EN TIEMPO REAL POR

MEDIO DE VISIÓN ARTIFICIAL

CASO: UNIVERSIDAD CENTRAL DEL ECUADOR

Autoras: Fernández Paucar Guisela Maritza

Quinatoa Alomoto Jessica Marisol

Tutor: Ing. Luis Felipe Borja Borja, MSc.

Tomando en cuenta el sistema actual de la Universidad Central del Ecuador para el control

de acceso vehicular el presente trabajo; aborda la investigación de la disciplina de Visión

Artificial que se aplica con el objetivo de adquirir, procesar y analizar imágenes que surgen

constantemente en el mundo real, obteniendo un funcionamiento similar al sentido de la vista

del ser humano; y el diseño de un prototipo aplicado al reconocimiento de placas vehiculares

con formato XXX-### o XXX-####, haciendo uso del lenguaje de programación Python, la

librería OpenCV y también conjuntos de imágenes de distintas fuentes para evaluar el modelo

propuesto en el prototipo.

PALABRAS CLAVES: PLACA VEHICULAR/ VISIÓN ARTIFICIAL/ ANPR/

PROCESAMIENTO DE IMÁGENES/ LOCALIZACIÓN DE OBJETOS/ DETECCIÓN DE

BORDES/ TIPOLOGÍA/ RECONOCIMIENTO ÓPTICO DE CARACTERES/

xviii

ABSTRACT

RECOGNITION OF VEHICLE PLATES IN REAL TIME THROUGH

ARTIFICIAL VISION

CASE: UNIVERSIDAD CENTRAL DE ECUADOR

Authors: Fernandez Paucar Guisela Maritza

Quinatoa Alomoto Jessica Marisol

Tutor: Ing. Luis Felipe Borja Borja, MSc.

Taking into account the current system of the Universidad Central de Ecuador for the control

of vehicle access, this work focuses on the research of artificial vision, used in order to get,

process and analyze images that constantly come from the real world, which functions like

the human sight; it is designed a prototype applied to the recognition of vehicle plates with

the formats XXX-### or XXX-#### by means of the programming language Python, the

library OpenCV and a set of images from different sources to assess the model proposed in

the prototype.

KEY WORDS: VEHICLE PLATE/ ARTIFICIAL VISION/ ANPR/ IMAGE

PROCESSING/ OBJECT LOCALIZATION/ DETECTION OF BORDERS/ TYPOLOGY/

OPTICAL RECOGNITION OF CHARACTERS

1

INTRODUCCIÓN

El avance de la tecnología a lo largo del tiempo ha facilitado soluciones a grandes problemas

que se presentan día a día, las acciones humanas ahora pueden ser simuladas con ayuda de la

tecnología, los sentidos vista, olfato, gusto, tacto y audición (Zamora, 2017) han sido

entendidos por la era tecnológica para simular y en casos ser reemplazados satisfaciendo las

necesidades del ser humano.

La disciplinada científica llamada Visión Artificial o Visión por Computador se define como

el conjunto de procesos de obtención, caracterización e interpretación de información de

imágenes tomadas del mundo real. La disciplina puede sustituir el proceso del sentido de la

vista, pues esta se compone de cuatro fases: percepción, transformación, transmisión e

interpretación (Ministerio de Educación Instituto de Tecnologías Educativas, n.d.). Está

disciplina enfocada en el reconocimiento de placas vehiculares, es aprovechada para: el

control de acceso vehicular, peajes, carros robados, el control de velocidad promedio, etc., el

reconocimiento de placas vehiculares se divide en dos algoritmos principales: el algoritmo

para la localización automática de la placa del vehículo y el algoritmo para el reconocimiento

de caracteres ORC, (Cañadas Betancourt & Haro Figueroa, 2011).

De acuerdo al lugar donde se realiza la investigación se tiene presente que los formatos de

las placas en Ecuador son XXX - ### o XXX - ####, es decir, 3 letras mayúsculas seguidas

de tres o cuatro números, formato de identificación única que establecen las leyes actuales

de la ANT, ente encargado de la regulación, planificación y control del transporte terrestre,

tránsito y seguridad vial en el territorio nación (Agencia Nacional de Tránsito, 2012).

Formulación del problema

¿Qué procesamiento de imágenes se puede llevar acabo para el diseño de un prototipo

haciendo uso de la disciplina de Visión Artificial para el control de acceso vehicular en la

Universidad Central del Ecuador?

2

Justificación

El sistema de control de acceso vehicular de la Universidad Central Del Ecuador es vigilado

constantemente por un operario humano, las características de un puesto de control como:

seguro, confiable y disponible, se devalúan pues el sistema de tecnología RFID utiliza tags

que pueden ser reemplazados o reutilizados para el acceso, así, con esta investigación se

pretende impulsar el uso de tecnologías modernas (Visión Artificial) para el procesamiento

de imágenes en el entorno de control de acceso vehicular a los parqueaderos.

Objetivo

Plantear la investigación de reconocimiento automático de placas vehiculares con formato

XXX - ### o XXX - ####, haciendo uso de la disciplina Visión Artificial, para los accesos a

la Universidad Central del Ecuador

Objetivos Específicos

• Estudiar y analizar el sistema actual con el que cuenta la universidad para el ingreso

vehicular.

• Implementar algoritmos para el reconocimiento de placas vehiculares con el

procesamiento de imágenes

• Diseñar un prototipo que muestre la automatización del reconocimiento de placas

vehiculares en los accesos de la Universidad Central del Ecuador

Alcance

La presente investigación es aplacada exclusivamente a los puestos de ingreso de la

Universidad Central ubicada en la Av. América, sede Quito y cuyas placas vehiculares

cumplan con el formato de tres letras seguidas de tres o cuatro números.

Las limitaciones para este proceso de investigación: se cuenta que la Universidad Central del

Ecuador proporcione los videos de vigilancia de los accesos vehiculares para el respectivo

estudio; placas vehiculares que no se contemplan para la investigación son: placa en pésimo

estado, placas de otros países, placas que no cumplan con el formato antes mencionado.

3

1. MARCO TEÓRICO

1.1 ¿Qué es Visión Artificial?

La Visión Artificial o La Visión por Computador es una de las diferentes ramas o categorías

que derivan de la inteligencia artificial (Lapedriza, 2012), se define como el proceso de

obtención, caracterización e interpretación de imágenes capturadas de un mundo

tridimensional, estos procesos pueden dividirse en áreas principales como: captación, pre-

procesamiento, segmentación, descripción, reconocimiento e interpretación, la etapa de

captación es el proceso a través del cual se obtiene una imagen digital, en la etapa de

procesamiento se incluyen técnicas como reducción de ruidos y realce de detalles, la

segmentación es el proceso que divide una imagen en objetos que sean del interés que se ha

propuesto, además, se lo puede definir como un proceso de etiquetado (Sánches Calle, 2005),

en el proceso de descripción se obtiene características para diferenciar un objeto de otro,

mientras que el proceso de reconocimiento permite identificar objetos según se haya

planteado y por último la etapa de interpretación le asocia un significado a un conjunto de

objetos reconocidos (Cazorla Quevedo, M. Á.; Colomina Pardo, O.; Escolano Ruiz, 1999).

La Visión por Computador tiene como objetivo modelar matemáticamente los procesos de

percepción visual de los seres vivos y permita simular estas capacidades visuales por

computadora. La visión artificial permite la detección automática de la estructura y de las

propiedades de un posible mundo dinámico en 3 dimensiones a partir una o varias imágenes

bidimensionales del mundo (SABIA :. Sistemas Adaptativos y Bioinspirados en Inteligencia

Artificial, 2012).

La disciplina científica mencionada automatiza el proceso que es llevado a cabo para la

obtención e interpretación de información de cada una de las propiedades físicas de los

objetos a partir del análisis realizado a las imágenes capturadas por las cámaras, esta

4

disciplina simula la visión humana en la que los ojos son equiparados con sensores que

capturan la información presente de la realidad y es procesada por el cerebro para tomar

decisiones de acuerdo a las necesidades que se presenten (¿Cómo funciona la visión

artificial?, 2015), la cámara actúa como los ojos y el computador como el cerebro.

Tomando en cuenta que las principales herramientas para esta disciplina son la cámara y el

computador se procede a explicar el papel que realizan; las cámaras cumplen con la

característica de capturar la escena proyectada en el sensor, para así transmitir a un sistema

electrónico, estas cámaras deben contar con características que permitan el control de la

cámara para obtener piezas que se localizan por delante de ella en una posición requerida. La

computadora es la herramienta más importante dentro de este ámbito, en tiempos pasados,

no era factible hacer los respectivos procesos en tiempo real debido a que los ordenadores o

computadoras no eran lo suficientemente rápidos para realizar los cálculos que se requería

para procesar imágenes, la constante evolución de la tecnología permite que las imágenes

sean capturas en tiempo real, para que las aplicaciones de visión puedan entregar resultados

en tiempos adecuados; así también ha permitido la creación y desarrollo de librerías de visión

artificial que puedan ser utilizadas en entornos estándar de todo tipo de Sistemas Operativos.

El pixel es la unidad básica de una imagen, es el inicio fundamental para un sistema de visión

artificial. El resultado final puede ser, desde la medida de una partícula, a la determinación o

lectura de una serie de caracteres (OCR), pasando por cualquier otro proceso que podamos

imaginar sobre las imágenes (VISIÓN ARTIFICIAL, n.d.).

Algunas de las tareas que permite automatizar esta disciplina son: inspección de elementos

sin contacto físico, control de calidad de productos y reducir a gran escala el tiempo de ciclo

en procesos automatizados.

El reconocimiento de objetos, la detección de eventos, la reconstrucción de escenas

(mapping), la restauración de imágenes, hacen uso de visión por computador.

5

1.1.1 Componentes principales

A medida que el tiempo pasa la tecnología sigue evolucionando para mejorar herramientas

informáticas tanto en hardware como en software para así facilitar necesidades que surgen

con el cada día, de esta manera los dispositivos, herramientas que actúan y forman parten de

la disciplina de Visión Artificial han permitido la creación de sensores, computadoras,

algoritmos, librerías informáticas y más, para mejorar el procesamiento de imágenes y

superar limitaciones que se presentaban en el proceso como por ejemplo la velocidad de

captura de una imagen, tiempo que se tomaba para el procesamiento.

De forma básica un sistema de Visión por Computador está conformado por varios

subsistemas que cumple con dos funciones: Captar la información de la escena real mediante

la proyección de una imagen y analizar las imágenes para extraer la información que contiene

(Cañadas Betancourt & Haro Figueroa, 2011).

Los dispositivos importantes para cumplir con estas funciones son: fuentes de iluminación,

tarjetas digitalizadoras, cámaras, software y hardware adecuado para analizar y procesar las

imágenes.

Figura 1. Componentes Visión Artificial

(Autoría propia, 2017)

6

Fuente de Iluminación

Dependiendo del aplicativo se debe implementar la fuente de iluminación, una mala elección

de fuente de iluminación puede generar anormalidades difíciles de eliminar como el caso de

las sombras, el bajo o alto nivel de contraste, contornos no muy definidos.

Cámara

La cámara en un sistema de visión artificial que cumple la función de los ojos en el sistema,

ya que es el dispositivo que va a captar o recibir la información de la escena objeto de la

aplicación. Las cámaras que son utilizadas para cumplir con el objetivo de esta disciplina

científica cuentan con características mejoradas de una cámara simple, pues ofrecen un

controlador de tiempos, una resolución superior.

Digitalizador

El digitalizador es un Conversor Análogo Digital que se encarga de convertir la señal

eléctrica a un código binario que puede ser interpretado por el computador para conformar la

imagen que es objeto de estudio, entre las funciones principales que realizan las tarjetas

digitalizadora está la de recoger la señal analógica que viene de la cámara y convertirla en

señal digital y almacenar dicha información en la memoria, dependiendo del tipo de tarjeta

esta última función esta solo presenta en ciertas tarjetas e inclusive algunas muestran la

imagen en la pantalla (Cañadas Betancourt & Haro Figueroa, 2011).

Computador

La computadora con su software y hardware debidamente complementados con herramientas

para el procesamiento de imágenes se encarga de procesar, extraer e interpretar la

información que ingresa a esta, entre las principales tareas que debe realizar la computadora

7

dentro de un sistema de visión artificial se cita las siguientes: el pre procesado de la imagen,

segmentación, descripción y reconocimiento.

1.2 Procesamiento digital de Imágenes

El objetivo del procesamiento digital es mejorar la calidad de la imagen para hacer más

simple la utilización o interpretación en la detección de objetos de interés dentro de dicha

imagen (Ortiz Zamora & Medina, 2002), estas mejoras serían:

• Remover defectos,

• Remover problemas por movimiento o desenfoque,

• Mejorar ciertas propiedades como color, contraste, estructura, etc.

• Agregar “colores falsos” a imágenes monocromáticas

En la Figura 2 se muestra un ejemplo de procesamiento de imágenes. La tarea a realizar es

mejorar la imagen de entrada, la cual es obscura pero la imagen de salida es esencialmente

la misma, con mejor calidad o “más útil”.

Figura 2. Aumento de contraste:

(a) Imagen obscura debido a que su rango de grises es reducido,

(b) Ecualización del rango de grises.

8

1.2.1 Formación de la imagen

Se puede obtener una imagen atreves de una cámara o video que es representada por una

matriz de pixeles por tres canales (R,G,B) que representan los colores rojo, verde y azul, cada

pixel viene dado por valores numéricos que van del rango 0 a 255 según la intensidad del

color que se relaciona con la intensidad de luz emitida en la escena.

Componentes del color

El color no es una propiedad intrínseca de los objetos. Para que un objeto sea percibido con

un determinado color, se determina, por una parte, a las propiedades de la luz incidente en el

objeto, es decir, a las características de la radiación visible necesaria para iniciar todo proceso

de visión humana (ya sea cromática o no). En segundo lugar, a las propiedades químicas de

la materia de la que están formados los cuerpos y, por último, al sistema visual humano que

será el que determine la sensación cromática final percibida por el cerebro, pero esta función

también la puede ser sensible una cámara de video (Ortiz Zamora & Medina, 2002).

Figura 3. Percepción del color

La luz

La luz es una forma de energía que se propaga una onda con determinada longitud o

frecuencia para obtener el color que es parte de la radiación electromagnética que puede ser

percibida por el ojo humano. El tipo de energía que puede ser visible se encuentra entre 400

9

y 700 nanómetros en su longitud de onda pero existen otros tipos que van más allá de la

visión humana como los son infrarrojo y ultravioleta (García, 2007).

Figura 4. Espectro visible por el ojo humano

Interacción de la luz con la materia

Según las tesis del ‘Modelo Corpuscular’, la luz está formada por cantidades cuantificables

de energía, los fotones. La interacción de la luz (fotones) con los materiales cumple las leyes

de conservación de la energía, por lo que la energía radiante que incide sobre un objeto se

transforma, por una parte, en energía reflejada, en energía transmitida y en energía absorbida

(Ortiz Zamora & Medina, 2002)

El tipo de material donde se proyecta la imagen permite determinar que longitudes de onda

que refleja y cuales son absorbidas, esto depende del tipo de pigmentos que contiene la

superficie.

Sensibilidad de la cámara

La cámara tiene 3 tipos de sensores que integran sobre diferentes longitudes de onda con el

objetivo de cubrir todo el espectro visible simular la función que realiza el ojo humano para

la interpretación de imágenes (Ortiz Zamora & Medina, 2002).

10

1.2.2 Reconocimiento de la imagen

La detección de objetos se basa en técnicas de la visión por computador, donde se pretende

obtener una imagen de estudio ya sea directo de una cámara o de una secuencia de imágenes

que forma un video, dicha imagen deberá contar con los objetos que se busca. El

reconocimiento de imágenes se divide en tres pasos: adquisición de la imagen digital,

procesamiento, la extracción de las diferentes características de la imagen(Ramírez et al.,

2009).

Adquisición de la imagen

Una imagen digital se basa en la Matrices de pixeles, bit y colores, esta imagen se representa

en una matriz bidimensional de pixeles, donde cada pixel se expresa con 3 parámetros (R, G,

B), estos parámetros son números que se expresan en un rango de 8 bits.

A partir de un video se obtiene una imagen bidimensional (2d), es decir un conjunto de

pixeles de N x M, donde se comenzará este estudio para la obtención de la información

requerida (Garcia, 2007).

Figura 5. Imagen bidimensional a color

Procesamiento de la imagen

Se inicia con el procesamiento previo de una imagen para conseguir otra que permita la

extracción de datos más sencilla y eficiente.

11

• Escala de grises

Una imagen a color no aporta mayor información relevante, por lo que es aconsejable una

imagen en niveles de grises para que esta ocupe menos memoria pero aporte una información

igual de confiable (Garcia, 2007).

Figura 6. Imagen bidimensional a escala de grises

• Binarización por umbral (threshold binarization)

Con una imagen en tonos de grises y con un óptimo valor definible en la intensidad del

umbral de luz se obtiene la imagen binaria, este permite la clasificación de acuerdo a la

intensidad; si esta es baja se determinar que el pixel es negro, si la intensidad es más elevada

que la del lumbral el pixel es blanco. La transformación hacia una imagen binaria ocupa

menos números de bits, por lo que servirá para facilitar su procesamiento (Garcia, 2007).

12

Figura 7. Imagen binaria

• Sustracción de fondo o background substraction

Esta técnica permite restar una imagen del fondo de la escena permitiendo aislar los objetos

que han variado respecto de la imagen del fondo de una escena y determinar si existe

movimiento (Garcia, 2007).

Figura 8. Sustracción de fondo

13

• Otras operaciones morfológicas

Al realizar varios procesos sobre la imagen se puede apreciar ruido que son pequeños reflejos

de luz en diferentes objetos y cuerpos en una imagen que entorpecen la capacidad de visión

para reconocer patrones gráficos.

Mediana

Al aplicar este algoritmo sobre imágenes a escala de grises provoca una cierta suavización

de la imagen útil, donde se identifica el color por zonas (Garcia, 2007).

Figura 9. Imagen con la técnica de la mediana

(a) Imagen original, (b) Aplicación de la mediana

Erosionar / Dilatar

El algoritmo de erosión contrae los entornos de todas las áreas blancas, un número

determinado de pixeles y se eliminan los pixeles blancos más pequeñas e irrelevantes.

Seguidamente se realiza el algoritmo de dilatación que ayuda a recuperar la media original

de las áreas importantes y expande los contornos de las áreas blancas como sea necesario

(Garcia, 2007).

14

Figura 10. Imágenes con técnica de erosión y dilatación

(1) Imagen ruidosa, (2) Imagen erosionada, (3) Imagen dilatada

Para realizar un correcto reconocimiento digital de imágenes se deberá considerar los

siguientes puntos

• Obtener un modelo con una correcta discriminación, donde se puede distinguir cada clase

de objetos como los son personas, bicicletas, automóviles, etc.

• Los modelos de objetos pueden presentar invariancia a la variabilidad propia de la misma

clase de objetos porque se pueden encontrar en diferentes posiciones, posturas o tamaños.

• Los modelos también deben presentar invariancias de la variabilidad del entorno donde

se busca los objetos ya que se trabaja con entornos no controlados, en esto puede influir

el clima de un día soleado o lluvioso.

Figura 11. Secuencias del procesamiento para la detección de objetos

(Autoría Propia, 2017)

15

1.3 Placas Vehiculares del Ecuador

1.3.1 Reglamento de las placas vehiculares

Cada vehículo y sus similares, para hacer uso de las vías del país, debe de contar con títulos

habilitantes como la licencia y la matrícula correspondiente, además de portar placas de

identificación vehicular, que son regulados y autorizadas única y exclusivamente por la

Agencia Nacional de Regulación y Control del Transporte Terrestre, Tránsito y Seguridad

Vial, de acuerdo a lo establecido en la LEY DE TRANSPORTE TERRESTRE TRANSITO

Y SEGURIDAD VIAL.

Las placas de identificación vehicular son otorgadas por las entidades oficiales: Agencia

Nacional de Regulación y Control del Transporte Terrestre, Tránsito y Seguridad Vial, por

las Unidades Administrativas Regionales o Provinciales, o por los gobiernos autónomos

descentralizados, las cuales son ubicadas en la parte anterior y posterior del vehículo, en los

lugares destinados especialmente por el fabricante del automotor (Constituyente, 2012) .

1.3.2 Reglamento para la elaboración, entrega y control de placas de identificación

vehicular

Todos los vehículos deberán portar dos placas de identificación vehicular (art3).

La identificación de la placa para vehículos se realizará mediante una serie alfa numérica que

estará compuesta por 3 letras mayúsculas y una secuencia numérica de cuatros dígitos, tendrá

un guion de separación entre los números y letras de un ancho de 20 mm.

Sus dimensiones serán de 404 mm de largo por 154 mm de alto; en la esquina superior

izquierda llevarán impreso a color el logotipo de la Agencia Nacional de Tránsito; las letras

y números impresos medirán 38 mm de ancho por 75 mm de alto; en la parte superior, en un

16

campo de 146 mm de ancho por 27 mm de alto, estará impresa la palabra ECUADOR en

letras mayúsculas.

Figura 12. Placa Vehicular Ecuador

La primera letra identificará la provincia donde se registra la placa vehicular.

N° Provincia Letra

1 Azuay A

2 Bolívar B

3 Cañar U

4 Carchi C

5 Cotopaxi X

6 Chimborazo H

7 El Oro O

8 Esmeraldas E

9 Galápagos W

10 Guayas G

11 Imbabura I

12 Loja L

13 Los Ríos R

14 Manabí M

15 Morona Santiago V

16 Napo N

17 Pastaza S

17

18 Pichincha P

19 Orellana Q

20 Sucumbíos K

21 Tungurahua T

22 Zamora Chinchipe Z

23 Santa Elena Y

24 Sto. Domingo de los Tsáchilas J

Tabla 1. Provincias Ecuador

La segunda letra de la placa y franja de color en la parte superior de las matrículas se

establecen de acuerdo al servicio que presta el vehículo.

Tipo Segunda

letra

Color Ejemplo Imagen

Vehículos comerciales

(como taxis o autobuses)

A, U, Z Naranja AAB-

0123

Vehículos

gubernamentales

E Oro PEB-

0001

Vehículos de uso oficial X Oro GXA-

0100

https://es.wikipedia.org/wiki/Taxi

https://es.wikipedia.org/wiki/Autobus

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_Comercial.svg

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_Estado.svg

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_Oficial.svg

18

Vehículos de los

Gobiernos Autónomos

Descentralizados

(Regiones, Provincias,

Cantones, Parroquias)

M Verde

limón

LMA-

0010

Vehículo particular

(privado)

Cualquiera

menos

las anteriores

Blanco-

plateado

EBA-

0234

Tabla 2. Placas especificación por Servicio

Las placas vehiculares especiales son destinadas para vehículos de organismos

internacionales o vehículos que estén por un tiempo temporal en el país, y se distinguen por

usar solo dos letras, ordenándose como se muestra en la Tabla 3.

Tipo Letras Color Ejemplo Imagen

Vehículos de servicio

diplomático

CC (Cuerpo

Consular)

CD (Cuerpo

Diplomático)

OI (Organismo

Internacional)

Azul CC-

0012

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_Municipal.svg

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_Particular.svg

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_Diplom%C3%A1tico.svg

19

AT (Asistencia

Técnica)

Vehículos

de internación temporal

IT Rojo IT-0654

Tabla 3. Placas especificación servicios especiales

La tercera letra será otorgada de forma secuencial según las Agencia Nacional de Tránsito lo

disponga.

La parte de la serie numérica estará compuesta por cuatro dígitos consecutivos desde 0001

hasta 9999

1.4 Algoritmos para el Reconocimiento de Placas Vehiculares

Para que un sistema de reconocimiento de placas vehiculares pueda obtener mejores

resultados es óptimo contar con una cámara infrarroja (IR), los pasos de segmentación para

la detección y la segmentación OCR son fáciles, limpios y minimizan los errores con la ayuda

de esta cámara. La luz se caracteriza por contar con tres propiedades básicas, se propaga en

línea recta, se refleja cuando se pone en contacto con cualquier superficie que sea reflectante

y cambia de dirección en el momento que pasa de un medio a otro (Pérez & Merino, 2008);

con referencia al proceso de reflexión el ángulo de incidencia es igual al ángulo de reflexión;

se puede ver reflexión básica cuando en una superficie lisa como un espejo plano. La

reflexión de superficies rugosas como el papel conduce a un tipo de reflexión conocido como

reflexión difusa o de dispersión. La mayoría de las matrículas tienen una característica

https://es.wikipedia.org/w/index.php?title=Internaci%C3%B3n_temporal&action=edit&redlink=1

https://commons.wikimedia.org/wiki/File:Matr%C3%ADcula_Ecuador_IT.svg

20

especial llamada retro-reflexión: la superficie de la placa está hecha con un material que está

cubierto con miles de diminutos hemisferios que hacen que la luz se refleje de nuevo en la

fuente. Así se consideran dos pasos importantes para construir un sistema de reconocimiento

de placas vehiculares; localización de placa y reconocimiento de la placa vehicular. (D. Lélis

Baggio, S. Emami, D. Millán Escrivá, K. Ievgen, N. Mahmood, J. Saragih, 2014)

Figura 13. Proceso ANPR OpenCV

21

(D. Lélis Baggio, S. Emami, D. Millán Escrivá, K. Ievgen, N. Mahmood, J. Saragih, 2014)

Para un sistema basado en video, en tiempo real se presenta el siguiente proceso

representado en la Figura 14.

Figura 14. Proceso ANPR Tiempo Real


El reconocimiento automático de placas vehiculares es conocido por diferentes nombres:

• Identificación automática de vehículos (Automatic vehicle identification, AVI)

22

• Reconocimiento de matrículas de vehículos (Car plate recognition, CPR)

• Reconocimiento de matrículas (Licence plate recognition, LPR)

1.4.1 Algoritmos para la localización de la placa vehicular

Ya obtenida una imagen de estudio donde se puede visualizar el vehículo, se procede a

localizar el área de la placa, resaltando varias regiones por medio del proceso de umbralizado,

la imagen es etiquetada por regiones que servirá para eliminar zonas indeseadas y localiza de

acuerdo a las características de una placa el corte del segmento de imagen que contienes la

matricula.

Figura 15. Localización de la Placa

1.4.2 Algoritmos para el reconocimiento de caracteres de la placa vehicular

Obtenida solo la imagen de la placa vehicular se procede a etiquetar cada una de las regiones

para resaltar la intensidad de grises y se puedan distinguir los caracteres.

23

Figura 16 Imagen binaria de una placa vehicular


Debido a la variedad de modelos y marcas existentes en la actualidad, la longitud y altura de

la placa varia debido a que la cámara no se encuentra a la misma distancia y ángulo, dando

como resultado caracteres de la placa en distintos tamaños, para solucionar este

inconveniente se normaliza las imágenes segmentadas.

Figura 17. Placa segmentada


Para la extracción de los caracteres de forma asertiva se procede a realizar el estudio con

varios algoritmos.

1.4.3 Machine Leraning

• K-Nearest Neighbour

Vecino más cercano es un algoritmo de clasificación para el aprendizaje supervisado, el cual

consiste en buscar la coincidencia más cercana de los datos de prueba en el espacio de

características (Abid, 2013).

24

Los ejemplos que sirven como entrenamiento son utilizados y almacenados, así cuando se

requiere clasificar nuevos elementos, se extraen los elementos que cuentan con características

más parecidas y así clasificar al nuevo elemento. El algoritmo vecino más cercano utiliza la

distancia Euclidiana sobre los n posibles atributos. (Valero Orea, Salvador Vargas, & García

Alonso, n.d.) .

• K-Means

El algoritmo K-means, creado por MacQueen en 1967 es el algoritmo de clustering más

conocido sigue un procedimiento simple de clasificación de un conjunto de objetos en un

determinado número K de clusteres, K determinado a priori. El nombre de K-means viene

porque representa cada uno de los clusters por la media (o media ponderada) de sus puntos,

es decir, por su centroide (Cambronero García, Cristina & Moreno Gómez, n.d.).

1.4.4 SVM y Redes Neuronales

En el libro Mastering OpenCV with Practical Computer Vision Projects (D. Lélis Baggio, S.

Emami, D. Millán Escrivá, K. Ievgen, N. Mahmood, J. Saragih, 2014) estable que el ANPR

se basa en dos pasos importantes; localización de la placa y reconocimiento de la placa, a

continuación se observa diagrama de flujo de estos dos algoritmos.

25

Figura 18. Paso a Paso ANPR OpenCv


26

2. METODOLOGÍA EXPERIMENTAL

2.1 Recolección de Datos

Para llevar a cabo el proceso de recolección de datos para la investigación presente se reúne

un conjunto de entrenamiento para este tema, los datos son imágenes donde la escena está

compuesta principalmente por una representación de un vehículo donde se visualice la placa

vehicular; es decir una placa metálica donde se observa tres caracteres alfabéticos y tres o

cuatro caracteres numéricos, característica principal de una placa que identifica única y

exclusivamente a un vehículo.

El estudio de este tema se ha realizado con base en tres conjuntos de datos que se procede a

explicar a continuación con las respectivas fuentes:

➢ UNIVERSIDAD CROACIA: Se ha acudido al repositorio expuesto de la Universidad

de Croacia, este conjunto de datos está conformado por 266 imágenes que han sido

utilizadas como datos para un estudio científico, la escena de cada una estas imágenes se

componen de un vehículo de cuatro ruedas donde se muestra la placa vehicular, la gran

mayoría son capturadas de la parte posterior del vehículo. Las imágenes tienen un ancho

y alto de 640x480 pixeles respectivamente.

➢ ANPR-MASTER: Se ha utilizado el conjunto de imágenes del software de

reconocimiento automáticos de placas vehiculares denominado JavaANPR, este software

además de proporcionar su conjunto de imágenes permite acceder de forma gratuita a su

código fuente, las imágenes son de una dimensión de ancho y alto de 450 x 390 pixeles,

suma un total de 80 imágenes, las escenas de cada una de las imágenes pertenecen a la

parte posterior del vehículo de cuatro ruedas.

➢ PROPUESTO (UCE): Para conformar un conjunto de imágenes de acuerdo a los

requerimientos que se han propuesto para cumplir con el objetivo de este tema de

investigación con respecto al caso de estudio planteado, se establece que el lugar idóneo

es el control de ingreso vehicular que se ubica entre la Facultad Ingeniería en Geología

27

Minas, Petróleo y Ambiental, y la Facultad Medicina Veterinaria y Zootecnia, debido a

que el acceso vehicular es mayor que en otros acceso de la Universidad por motivos que

en el mismo lugar se encuentra el Hospital del Día, además solo por ese ingreso pueden

acceder vehículos no registrados en el sistema de base de datos de la universidad, debido

a esto el flujo de acceso se incrementa en horas puntuales.

Se ha hecho uso de la cámara Canon EOS REBEL T2i como se muestra en la Figura 19,

los detalles y descripción de herramienta digital se encuentra en la Tabla 4, se formó un

conjunto de 199 imágenes donde la escena presenta un vehículo de parte frontal con la

placa metálica con formato de placa XXX-### o XXX-####, un ejemplo se lo puede

observar en la Figura 22.

Figura 19. Canon EOS REBEL T2

(Canon Mexicana S. de R.L. de C.V., 2002)

Canon EOS REBEL T2i

Descripción Especificaciones

Sensor CMOS (APS-C) de 18.0 MP y

procesador de imagen DIGIC 4 para

una alta calidad de imagen y velocidad

Tipo: Cámara digital, réflex, AF/AE

28

Lentes compatibles: Lentes EF Canon, incluye

lentes EF-S(la distancia focal equivalente a

35mm es aprox. 1.6x la distancia focal del lente)

Disparo continuo de 3.7 fotos por

segundo en ráfagas de 34 fotos en

JPEG y 6 fotos en RAW.

Tipo de imagen: JPEG, RAW (14-bit, original

de Canon), RAW+JPEG

Tamaños de imagen:

(1)Grande/Fino:6.4MB(5184x3456pixeles)

(2)Grande/Normal:3.2MB(5184x345pixeles)

(3)Mediano/Fino:3.4MB(3456x2304pixeles)

(4)Mediano/Normal:1.7MB(3456x23042304

pixeles)

(5)Pequeño/Fine:2.2MB(2592x1728 pixeles)

(6)Pequeño/Normal:1.1MB(2592x1728pixeles)

(7) RAW: 24.5MB (5184 x 3456 pixeles)

Sistema iFCL de medición mejorado

con 63 zonas y doble capa; y sistema

de 9 puntos de auto enfoque de alta

precisión, con punto central f/2.8 tipo

cruz

Modos de disparo: Foto a foto, fotos en serie,

Auto disparador (10 seg. o 2 seg. de

retraso)/control remoto

Máxima velocidad de disparos continuos

(Aprox.): Max. 3.7 disparos/seg. (con modo

One Shot o AI Servo)

Tabla 4. Características Canon EOS REBEL T2i

2.2 Algoritmo para la detección de placas Vehiculares

A continuación, se presenta las etapas para la detección de las placas vehiculares iniciando

por el análisis de caracteres para el entrenamiento, después la etapa de procesamiento de

imágenes para obtener la placa vehicular y finalmente identificación de caracteres.

29

2.2.1 Análisis Óptico de Caracteres

Para comenzar con el reconocimiento óptico de caracteres de se debe tomar en cuenta la

tipografía que se utiliza para las placas vehiculares, en estas los caracteres deben ser de fácil

identificación, así como lo son los estilos: Arial Narrow, Gothic y la más actual FE-

Mittelschrift, la cual es una tipografía donde cada letra tiene características únicas(PALOU,

2007), facilitando la identificación y es la que actual se está utilizando en varios países.

Figura 20. Tipografía FE-Mittelschrift

2.2.2 Fase de entrenamiento

Para la fase de entrenamiento se necesita contar con la base de caracteres de las diferentes

tipografías que se utiliza en las placas vehiculares de los respectivos Dataset, en la Figura 21

se pueden distinguir una variedad de estilos que se utilizan en las placas vehiculares.

30

Figura 21. Estilos de Tipografía


El entrenamiento de estos caracteres en el prototipo realizado para esta investigación, se lo

hace manualmente identificando cada uno de ellos. Para que el reconocimiento de placas

vehiculares sea satisfactorio se hace necesaria una gran base de datos con caracteres de los

diferentes estilos de tipografía que se utilizan en las placas vehiculares, esta base de

entrenamiento es almacena en archivos donde cada imagen de carácter es transformada en

texto plano de caracteres de 0 y 1 para su fácil almacenamiento y su posterior implementación

en el prototipo de reconocimiento de caracteres.

2.2.3 Fase de detección de la placa

Para esta segunda fase se ha considerado la obtención de una imagen de interés, es decir la

escena capturada muestra la infraestructura de ingreso vehicular de la Universidad Central

de Ecuador, además en la imagen se aprecia la parte delantera de los vehículos que ingresan

a los predios y se puede observar la placa en la parte inferior de los mismos.

31

Figura 22. Imagen Original


Al contar con una imagen original se realiza un procesamiento de imagen que facilita el

procesamiento del algoritmo propuesto y muestra la región de interés más clara, en las

siguientes imágenes se observa el procesamiento de imagen convirtiendo la primera imagen

a escala de grises y después a una imagen binarizada.

(a) (b)

Figura 23. Procesamiento de imagen.

(a) Escala de grises. (b) Imagen Binarizada


32

A continuación, se dibuja los contornos de todos los objetos que se presenten en la imagen,

esto incluye los caracteres que serán detectados posteriormente.

Figura 24. Imagen de contornos


Se procede a realizar la clasificación de caracteres, es decir, eliminar todos los objetos que

no clasifican como caracteres según los criterios establecidos:

• Un carácter no supera 0.8 de pixeles de la imagen

• Tiene un ancho de 0.3 de pixeles de la imagen

• La separación entre caracteres es de 0.2 de pixeles de la imagen

Figura 25. Identificación de caracteres


33

Ya obtenidos los caracteres en la imagen se procede a identificar las posibles placas, la cual

debe contener un mínimo de 6 caracteres seguidos con una separación mínima, en la siguiente

imagen se puede apreciar los posibles candidatos sobre la imagen trabajada.

Figura 26. Identificación de posibles placas


Comparando todos los candidatos se obtiene la captura de la imagen que más características

se asemeja a la de una placa. En la siguiente imagen se presenta la placa de la imagen inicial.

Figura 27. Región de placa vehicular


34

2.2.4 Fase de predicción de caracteres

En esta fase también se realiza el procesamiento de imagen sobre la captura de la imagen de

la placa obtenida anteriormente, hasta obtener una imagen binarizada y redimensionada

para facilitar la visualización de caracteres.

Figura 28. Procesamiento de Imagen en la placa vehicular


Con la imagen anterior se procede a segmentar cado uno de los caracteres de la placa para

identificarlos, para esta segmentación se dibuja un rectángulo de color verde sobre cada

carácter.

Figura 29. Segmentación de caracteres


Para este algoritmo de identificación propuesto se ha utilizado el entrenamiento

anteriormente realizado con las diferentes tipografías que pueda tener una placa vehicular, se

35

aplica el algoritmo de identificación de KNN- k Nearest Neighbor – Vecino más Cercano y

ya predichos los caracteres el siguiente paso es escribir y mostrar los caracteres de la placa.

Figura 30. Imagen original con la localización de la placa


36

4. CÁLCULOS Y RESULTADOS

4.1 Algoritmo Propuesto

El algoritmo utilizado para el reconocimiento automático de la placa vehicular para esta

investigación se basa en la búsqueda de patrones, es decir, se usa los métodos clasificadores

que son técnicas de reconocimiento de patrones que buscan particionar un espacio

característico derivado de la imagen usando datos con etiquetas conocidas, que es el KNN-

k Nearest Neighbor – Vecino más Cercano

4.2 Localización Placa Vehicular

Las pruebas realizadas para probar el algoritmo propuesto se basan en conocer la resolución,

distancia entre el vehículo y la cámara para obtener una escena, además, se utiliza varias

fuentes como pruebas; un Dataset de 266 imágenes propuesto en el repositorio de la

Universidad de Croacia (OLYMPUS CAMEDIA, 2003), otro conjunto de datos de 80

imágenes obtenidas de ANPR-MASTER (Martinsky, 2007) finalmente con un Dataset de

199 que fue propuesto para este presente trabajo de investigación.

A continuación, se muestra en la Tabla 5 nombre del conjunto de datos, la dimensión en

pixeles ancho por alto con su respectivo porcentaje.

NOMBRE

DATASET PROCENTAJE

DIMENSION

(píxeles)

UNIVERSIDAD

CROACIA 92,48 640x480

ANPR-MASTER 91,25 450x390

PROPUESTO

(UCE) 96,48 2592x1728

Tabla 5. Comparación de porcentaje por resolución


37

De la Figura 31 se observa que para la localización de la placa para todos los Dataset cuenta

con una buena aproximación, se observa que para el Dataset propuesto (UCE) tiene un

porcentaje mayor.

Figura 31. Comparación de la localización de la placa


4.3 Reconocimiento de Caracteres

Para cada uno de los Dataset que se han explicado, se realizó cálculos para encontrar el

porcentaje de coincidencia para cada carácter del alfabeto.

CARACTERES PROCENTAJE

NOMBRE DATASET

UNIVERSIDAD

CROACIA

ANPR-

MASTER

PROPUESTO

(UCE)

DIMENSIÓN

640x480 450x390 2592x1728

A 47,62 75,34 96,97

B 44,68 73,68 96,81

C 48,08 75,00 100,00

D 59,57 50,00 100,00

33%

33%

34%

PORCENTAJES DE ACIERTOS

EN LOCALIZACIÓN DE LA

PLACA

UNIVERSIDAD

CROACIA

ANPR-MASTER

PROPUESTO (UCE)

38

E 40,00 75,00 100,00

F 57,14 83,33 92,31

G 67,36 33,33 90,00

H 43,75 33,33 100,00

I 4,08 0,00 66,67

J 50,00 100,00 100,00

K 69,49 79,03 80,00

L 27,78 90,00 100,00

M 42,86 63,64 75,00

N 41,18 100,00 100,00

O 36,84 54,55 100,00

P 80,00 80,00 99,47

Q 0,00 0,00 71,43

R 83,33 81,36 88,46

S 75,47 87,50 100,00

T 56,76 100,00 100,00

U 62,75 50,00 83,33

V 45,24 100,00 100,00

W 100,00 0,00 100,00

X 50,00 0,00 99,5

Y 0,00 0,00 100

Z 76,28 100,00 99,9

Tabla 6. Porcentaje de fiabilidad Caracteres


Se observa que entre mayor es la resolución mejor es el porcentaje de proximidad en todos

los caracteres, un aporte adicional fue la clasificación por separado para la predicción de

números y letras que se llevó a cabo en el entrenamiento para eliminar los errores de

predicción de letras con números como son los casos; la letra B con el número 8, letra I con

el número 1, letra Z con el número 2, letra A con el número 4, letra s con el número 5, letra

G con el número 6 y letra O con el número 0. Pero aun así existe una predicción desfavorable

39

para la letra I que en ocasiones es imperceptible en la imagen de la placa para ser tomado

como carácter o en otras ocasiones es tomado en cuanta como parte del borde de la placa.

Figura 32. Porcentajes por caracteres


4.4 Porcentaje para Dígitos

DÍGITO PROCENTAJE

NOMBRE DATASET

UNIVERSIDAD

CROACIA ANPR-MASTER PROPUESTO

DIMENSIÓN

640x480 450x390 2592x1728

0 2,27 69,23 90,48

1 63,08 80,00 97,33

2 71,43 86,36 100,00

3 70,00 64,29 96,15

4 68,75 78,57 97,85

5 35,56 70,00 97,65

0,00

50,00

100,00

150,00

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

PORCENTAJE DE RECOMOCIMIENTO

DE CARACTERES

UNIVERSIDAD CROACIA ANPR-MASTER PROPUESTO (UCE)

40

6 75,34 86,96 100,00

7 67,42 70,37 96,08

8 33,33 72,73 100,00

9 56,72 85,71 98,55

Tabla 7. Porcentaje para Dígitos


En la parte numérica existe una muy buena predicción con todos los dígitos, ya que todos

sobrepasan el 90% de aceptación de acuerdo a la evaluación total de imágenes del Dataset

propuesto de placas del Ecuador.

Figura 33. Porcentaje por dígito


0,00

20,00

40,00

60,00

80,00

100,00

120,00

0 1 2 3 4 5 6 7 8 9

PORCENTAJE DE

RECOMOCIMIENTO DE DÍGITOS

UNIVERSIDAD CROACIA ANPR-MASTER PROPUESTO

41

4.5 Reconocimiento de la Placa Vehicular

El algoritmo propuesto para el reconocimiento automático de placas vehicularas con prueba

del Dataset propuesto (UCE), se obtuvo un 84,37% de aciertos de placas reconocidas por este

algoritmo, a continuación, se presentan los resultados de los tres Dataset.

LISTA DE PLACAS DE UNIVERSIDAD DE

CROACIA N° Porcentaje

Positivo 55 22,36%

Negativo 191 77,64%

TOTAL 246 100%

Tabla 8. Porcentaje de la lista de placas de Croacia


Figura 34. Comparación de aciertos de placas de Croacia


22%

78%

RECONOCIMENTO DE

NÚMERO DE PLACA

Positivo Negativo

42

LISTA DE PLACAS ANPR

MASTER N° Porcentaje

Positivo 44 60,27%

Negativo 29 39,73%

TOTAL 73 100%

Tabla 9. Porcentaje de la lista de placas de ANPR Master

Figura 35. Comparación de aciertos de las placas ANPR MASTER


LISTA DE PLACAS DE UNIVERSIDAD

CENTRAL DEL ECUADOR N° Porcentaje

Positivo 162 84,37%

Negativo 30 15,62%

TOTAL 192 100%

Tabla 10. Porcentaje de la lista de placas de Dataset Propuesto (UCE)


60%

40%

RECONOCIMENTO DE

NÚMERO DE PLACA

Positivo Negativo

43

Figura 36. Comparación de aciertos de las placas de Dataset Propuesto (UCE)


La comparación que se realizó con todos los Dataset, obteniendo resultados poco favorables

en el primer Dataset de la Universidad de Croacia en la cual se puede apreciar que el

porcentaje de acierto del número de placas es inferior al 50%, esto se debe a que las placas

tienen formato diferente del que se estableció.

En las placas del tercer Dataset que son placas pertenecientes a Ecuador se obtiene un

porcentaje del 84.37% de aciertos que representa una buena percepción del número de placas

vehiculares.

En la siguiente grafico se presenta de forma general los porcentajes de aciertos de los tres

Dataset utilizados.

84%

16%

RECONOCIMENTO DE NÚMERO DE PLACA

Positivo Negativo

44

Figura 37. Porcentajes de aciertos de caracteres en las placas (3 Dataset)


13%

36%

51%

PORCENTAJES DE ACIERTOS DE LOS CARACTERES DE LA PLACA

UNIVERSIDADCROACIA

ANPR-MASTER

PROPUESTO (UCE)

45

5. DISCUSIÓN

El reconocimiento automático de placas vehiculares beneficia de gran manera las necesidades

que surgen en temas de seguridad, es así como se aplica para el caso de controlar el acceso

vehicular a una entidad, pues las diferentes características proporcionadas por este proceso

hacen que los recursos para implementar un sistema de este tipo sean adecuados para cumplir

con el objetivo de reemplazar el sentido de la vista del ser humano.

Los sistemas convencionales aplicados para el ingreso vehicular no satisfacen necesidades

que con el pasar del tiempo se hacen cada vez más exigentes, pues, estos cuentan con barreras

vehiculares y/o una tarjeta que utiliza tecnología RFID para el ingreso, además las cámaras

ubicadas solo sirven con un medio de vigilancia, los sistemas de reconocimiento de placas

vehiculares utilizan la cámara de video no solo como medio de vigilancia sino como medio

que colabora con la digitalización de información que junto con otras herramientas

informáticas combinadas adecuadamente cumplen con el objetivo de automatizar el proceso

de control de ingreso vehicular, las imágenes capturas con el respectivo proceso se convierte

en información que sirve para generar conocimiento y reducir recursos como tiempo y costo.

En la Universidad Central del Ecuador las cámaras de video son utilizadas como un medio

de vigilancia, el sistema de ingreso a esta entidad es controlada por personas asignadas a este

puesto, con respecto a infraestructura, este sistema cuenta con un barra metálica que controla

el acceso vehicular, también cada usuario debe contar con una tarjeta o tag con tecnología

RFID para autorizar su ingreso, pero este sistema no solventa las necesidades de seguridad

para la universidad, por medio de este trabajo de investigación se intenta proporcionar una

idea de mejorar el proceso de ingreso vehicular, gestionar un nuevo sistema adecuándolo y

haciendo uso de los avances tecnológicos, así, harán que la universidad pueda responder de

forma eficiente y adecuada a las necesidades institucionales que crecen día a día.

Las cámaras para un sistema de Reconocimiento Automático de Placas Vehiculares

proporcionan mejoras tecnológicas que una simple cámara de solo vigilancia, pues cuentan

46

con un sistema de captura de imágenes enfocando los objetos y así elimina ruidos sobre la

imagen.

Los resultados de la sección anterior muestran el análisis realizado para optar por un

algoritmo tanto para la localización de la placa vehicular, como para el reconocimiento de

placa vehicular, es decir, el reconocimiento de caracteres que conforman la placa vehicular,

la primera comparación que se realiza es con respecto a un algoritmo de aprendizaje

automático (machine learning), se realiza la comparación entre el algoritmo de K-Medias y

K-Vecino más cercano aplicados al reconocimiento de caracteres escritos a mano, el

algoritmos K-Vecino más Cercano supera a K-Medias con un porcentaje de fiabilidad del

73.56%. A partir de este resultado se empieza a construir un modelo basado en este algoritmo,

tanto para la localización de la placa vehicular como para el reconocimiento de esta.

Las pruebas planteadas en este caso de estudio se basan haciendo comparaciones con la

resolución de las imágenes obtenidas por diferentes cámaras. Las resoluciones son separadas

en tres grupos, el primer grupo con una resolución de 640x480 donde el modelo para la

localización de la placa un porcentaje de fiabilidad de 92,48%, el otro grupo de resolución

de 450x390 con un porcentaje de 91,25% y finalmente el tercer grupo de un 96,49% para

imágenes con resolución de 2592 x 1728 pixeles, para el reconocimiento de caracteres y

dígitos se puede observar que el porcentaje de fiabilidad aumenta pues la resolución de la

imagen influye para obtener un mejor resultado.

El modelo propuesto para un primer paso, para que la Universidad Central cuenta con un

sistema de control de acceso vehicular baso en el reconocimiento automático de placas

vehiculares muestra un porcentaje de fiabilidad de un 84,37% en el reconocimiento del

número de la placa vehicular.

47

6. CONCLUSIONES

• Involucrándose con la ciencia de Inteligencia Artificial de la cual se desprende la

disciplina de Visión Artificial aplicada a varios campos donde el sentido de la vista

del ser humano puede ser simulada facilitando el Reconocimiento Automático de

Placas Vehiculares el cual consiste en reconocer la placa del vehículo, uno de los usos

de este proceso se realiza para el control de acceso vehicular, haciendo uso de

herramientas tecnológicas como una cámara y un ordenador, pues la cámara es

comparada con los ojos y el ordenador simula el proceso que se contempla en el

cerebro humano, de esta manera la cámara captura una escena que es procesada y

analizada por el computador para luego dar una interpretación de acuerdo a la

necesidad que se haya requerido. La investigación realizada proporciona un

conocimiento más extenso para dar los primeros pasos a implementar esta disciplina

en la Universidad, una base adecuada para la construcción de este sistema es contar

con una cámara que sirva para ANPR, un computador con procesador iCore3, una

memoria de 6 Gb, para que el proceso se realice en el menor tiempo posible.

• Con base al ANEXO B, al analizar los 3 puestos de control de acceso vehicular que

se han preestablecido y con los que se ha trabajado en la UCE cuenta con personal de

seguridad que esta vigilante las horas de labor de la universidad, además de una

infraestructura con una barra metálica que permiten o evitan el paso de los

automóviles, que está conectada al sistema que funciona con la tecnología RFID, es

decir, cada propietario utiliza un tag o tarjeta que al poner en contacto con el lector

de esta tecnología verificara que los códigos tanto de la tarjeta como el registro en

base de datos coincidan, pues la Dirección Administración de la universidad otorga

estas tarjetas como identificador único de los vehículos, y así controlar el acceso

vehicular, otro elemento importante de este sistema implementado es una cámara de

vigilancia ubicada a una altura aproximada de 1 metro con 20 centímetros, la escena

48

capturada es proyectada por un computador que se encuentra en la parte interna del

puesto de estación, en uno de los ingresos se debe otorgar tickets para automóviles

que no están registrados en la base de registro estos ingresan con frecuencia a la

entidad “Hospital del Día” la cual proporciona servicios médicos, además de otros

servicios que proporciona la universidad, provocando que el ingreso de vehículos sea

concurrente. También se presenta el problema de las tarjetas RFID que son usadas

por más de un usuario o suplantadas, provocando inseguridad en los parqueaderos

proporcionados y sobrepasando la capacidad de puestos de parqueo establecidos por

la universidad.

Tomando en cuenta los videos de seguridad proporcionados por la universidad y

siendo analizados por la resolución que presenta se concluye que las escenas no son

las adecuadas para ser consideradas como una base o Dataset que sirva de análisis,

por lo que se plateo un Dataset propio.

• El proceso es llevado a cabo en dos subprocesos: el primero es la localización de la

placa utilizando métodos de procesamiento de imágenes (Escala de grises,

Umbralización, Detección de contornos) y el segundo es el reconocimiento de la placa

vehicular a partir de la segmentación de caracteres.

• Para el diseño del prototipo ANEXO C, se trabajó con el lenguaje de programación

de Python que permite una programación de diferentes multiparadigmas, se utilizó el

IDE JetBrains PyCharm Community en la cual se implementaron varias librerías,

siendo la más significativa OpenCV que ayudo al procesamiento de imágenes y la

utilización de los algoritmos Machine Learning específicamente se utilizó el método

KNearest_create().

49

7. RECOMENDACIONES

Para que el proyecto planteado funcione satisfactoriamente en la Universidad Central del

Ecuador se deberá reformar la estructura de los ingresos vehiculares; como lo sería la correcta

ubicación de la cámara que deberá situarse a 4 ó hasta 5 metros desde el lector de las tarjetas

RFID que funcionan actualmente y a una altura de 50 hasta 60 cm desde el suelo, con esta

ubicación de la cámara capturará imágenes más precisas de la región de interés que sería la

placa vehicular.

La infraestructura con respecto al hardware se debe considerar en primera instancia la cámara

de video, la cual además de servir como cámara de vigilancia debe tener la capacidad de

capturar imágenes claras a pesar de que el vehículo se encuentre en movimiento, además para

el procesamiento de imágenes es importante contar con una computadora para el

procesamiento y recepción de la señal de video, contar con la base de datos en la cual se

encuentre registrado cada uno de los vehículos que cuentan con el permiso para acceder a los

predios de la universidad.

Para la implementación del prototipo se debe tener una base de datos consistente de los

vehículos que están registrados en el sistema de la Dirección Administrativa de la

Universidad Central, para que así el control en los accesos sea correcto y permita el ingreso

de estos vehículos.

Los accesos vehiculares que cuentan con una infraestructura física adecuada, es decir, una

barra metálica, puesto de control, personal vigilante son: el acceso de la calle Bolivia, el

acceso de la calle Carvajal y el acceso por la calle Leiton, la ubicación correcta de estos

accesos lo podemos encontrar a manera de mapa en el ANEXO B.

50

BIBLIOGRAFÍA

¿Cómo funciona la visión artificial? (2015). El mundo. Retrieved from

http://www.elmundo.es/economia/2015/04/29/5540a8de22601dc9648b4574.html

Agencia Nacional de Tránsito. ESTATUTO ORGÁNICO DE GESTIÓN

ORGANIZACIONAL POR PROCESOS DE LA ANT (2012). Retrieved from

http://www.ant.gob.ec/index.php/descargable/file/234-estatuto-organico-por-procesos

Aluja Banet, T. (2001). La minería de datos, entre la estadística y la inteligencia artificial.

https://doi.org/0210-8054

Cambronero García, Cristina & Moreno Gómez, I. (n.d.). ALGORITMOS DE

APRENDIZAJE: KNN & KMEANS.

Canon Mexicana S. de R.L. de C.V. (2002). Canon EOS REBEL T2i. Retrieved from

http://www.canon.com.mx/profesional/productos.asp?c=fpd022&t=e&m=

Cañadas Betancourt, P. A., & Haro Figueroa, G. M. (2011). Prototipo de un sistema de

adquisición de imágenes de vehículos, detección y reconocimiento automático de los

caracteres de la placa en tiempo real por medio de visión artificial, aplicado al

control vehicular. Escuela Politécnica Nacional, República del Ecuador.

https://doi.org/10.1007/s13398-014-0173-7.2

Cazorla Quevedo, M. Á.; Colomina Pardo, O.; Escolano Ruiz, F. (1999). Técnicas de

inteligencia artificial. Publicaciones de la Universidad de Alicante.

Constituyente, A. N. REGLAMENTO A LEY DE TRANSPORTE TERRESTRE

TRANSITO Y SEGURIDAD VIAL, Pub. L. No. 1196 (2012). Ecuador.

D. Lélis Baggio, S. Emami, D. Millán Escrivá, K. Ievgen, N. Mahmood, J. Saragih, R. S.

(2014). Mastering OpenCV with Practical Computer Vision Projects. Sexual health

(Vol. 11). https://doi.org/10.1071/SHv11n1toc

51

Garcia, E. M. I. (2007). Visión Artificial. Universitat Oberta de Catalumya.

Gómez Gómez, A., Ena-Rodrígue, B., & Paolo, P. (2007). RFID en la gestión y

mantenimiento de bibliotecas. https://doi.org/10.3145/epi.2007.jul.05

Google. (2014a). Acceso calle Bolivia. Retrieved from https://www.google.es/maps/@-

0.2021399,-78.50694,3a,75y,20.34h,80.7t/data=!3m6!1e1!3m4!1sncPvdI_Vg-

QEW5h1CfGNJw!2e0!7i13312!8i6656

Google. (2014b). Acceso calle Carvajal. Retrieved from

https://www.google.com.ec/maps/@-0.197675,-

78.5022357,3a,75y,206.83h,83.1t/data=!3m6!1e1!3m4!1s7SvREOXdNcyZTwAtg6Jsc

g!2e0!7i13312!8i6656

Google. (2014c). Acceso calle Jerónimo Leiton. Retrieved from

https://www.google.com.ec/maps/@-0.1973497,-

78.5061913,3a,75y,174.9h,94.77t/data=!3m6!1e1!3m4!1sLyIgls6ZnN5CUu6V1No6g

w!2e0!7i13312!8i6656

Google. (2017). Mapa Universidad Central del Ecuador. Retrieved from

https://www.google.es/maps/search/uce/@-0.199511,-

78.5059844,894m/data=!3m1!1e3

Lapedriza, A. (2012). La visión por computador: Una disciplina en auge.

Martinsky, O. (2007). Brno University of Technology Principles of Automatic Number

Plate. Brno University of Technology, 1–83.

Ministerio de Educación Instituto de Tecnologías Educativas. (n.d.). Mecanismo de la

Visión.

OLYMPUS CAMEDIA. License Plate Detection, Recognition and Automated Storage

(2003). Retrieved from

http://www.zemris.fer.hr/projects/LicensePlates/english/results.shtml

52

Ortiz Zamora, F. G., & Medina, D. F. T. (2002). Procesamiento morfológicó de imágenes

en color. Aplicación a la reconstrucción geodésica. Departamento de Física,

Ingeniería de Sistemas Y Teoría de La Señal, Doctor. Retrieved from

http://descargas.cervantesvirtual.com/servlet/SirveObras/57915842105571617400080/

008591_1.pdf

PALOU, N. (2007). Tipografía de las matrículas-alemanas y reconocimiento-automático.

Pérez, J., & Merino, M. (2008). REFLEXIÓN DE LA LUZ. Retrieved from

http://definicion.de/reflexion-de-la-luz/

Ramírez, D. C., Pulido, G., Gerardino, B., Cruz, J. M., Estupiñan, E., & Cancino, S. (2009).

Adquisición y reconocimiento de imágenes por medio de técnicas de visión e

inteligencia artificial. https://doi.org/http://dx.doi.org/10.15332/iteckne.v6i1.290

SABIA :. Sistemas Adaptativos y Bioinspirados en Inteligencia Artificial. (2012). Visión

Artificial e interacción sin mandos. Retrieved from

http://sabia.tic.udc.es/gc/Contenidos adicionales/trabajos/3D/VisionArtificial/

Sánches Calle, A. (2005). Aplicaciones de la visión artificial y la biometría informática

(Dykinson).

Valero Orea, S., Salvador Vargas, A., & García Alonso, M. (n.d.). Minería de datos:

predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el

algoritmo de los k vecinos más cercanos. Puebla. https://doi.org/74420

VISIÓN ARTIFICIAL. (n.d.).

Zamora, A. (2017). Anatomía y estructura de los cinco sentidos del cuerpo humano.

Retrieved from http://www.scientificpsychic.com/workbook/sentidos-humanos.html

53

ANEXOS

ANEXO A

LISTA DE PLACAS DE UNIVERSIDAD CENTRAL DEL ECUADOR

N° ARCHIVO PLACA REAL PLACA

CALCULADA CARACTERES ACERTADOS

LOCALIZACIÓN DE LA PLACA

ACIERTO DEL # PLACA

1 img (1).JPG P U G 0 6 7 7 P U G 0 6 7 7 P U G 0 6 7 7 SI SI

2 img (2).JPG P B H 5 1 7 1 P B H 5 1 7 P B H 5 1 7 SI NO

3 img (3).JPG P B X 9 7 6 1 P B X 9 7 6 P B X 9 7 6 SI NO

4 img (4).JPG P C P 7 7 6 4 P C P 7 7 6 4 P C P 7 7 6 4 SI SI


6 img (6).JPG J B A 0 2 6 5 J B A 0 2 6 5 J B A 0 2 6 5 SI SI

7 img (7).JPG J B A 0 2 6 5 J B A 0 2 6 5 J B A 0 2 6 5 SI SI

8 img (8).JPG P B F 9 7 6 6 P B F 9 7 6 6 P B F 9 7 6 6 SI SI

9 img (9).JPG P C N 3 9 2 6 P C N 3 9 2 6 P C N 3 9 2 6 SI SI

10 img (10).JPG P C G 1 8 4 0 P C G 1 8 4 0 P C G 1 8 4 0 SI SI

11 img (11).JPG P C G 1 8 4 0 P C G 1 8 4 0 P C G 1 8 4 0 SI SI

12 img (12).JPG P U H 6 8 5 P U H 5 8 5 P U H 8 5 SI NO

13 img (13).JPG T B C 7 5 0 1 T B C 7 5 0 1 T B C 7 5 0 1 SI SI

14 img (14).JPG # # # # # # # # # # # # # # NO NO

15 img (15).JPG P C F 6 2 4 6 J P C 7 6 2 4 P C 6 2 4 SI NO



18 img (18).JPG P A C 2 6 8 3 P A C 2 6 8 3 P A C 2 6 8 3 SI SI


20 img (20).JPG P B E 4 0 6 2 P B E 4 0 6 2 P B E 4 0 6 2 SI SI


22 img (22).JPG I C O 5 4 8 C O S 4 8 C O 4 8 SI NO

23 img (23).JPG G O R 2 4 2 G O R 2 4 2 G O R 2 4 2 SI SI

24 img (24).JPG G O R 2 4 2 G O R 2 4 2 G O R 2 4 2 SI SI

25 img (25).JPG P A B 1 3 4 4 P B J 3 4 4 P 3 4 4 SI NO

26 img (26).JPG P C Q 3 7 5 9 P C Q 3 7 5 9 P C Q 3 7 5 9 SI SI


28 img (28).JPG P U C 9 1 2 P U C 9 1 2 P U C 9 1 2 SI SI

54

29 img (29).JPG P C F 5 6 0 5 P C F 5 6 0 5 P C F 5 6 0 5 SI SI



32 img (32).JPG P B W 3 4 5 9 P B W 3 4 5 9 P B W 3 4 5 9 SI SI

33 img (33).JPG P B N 2 6 0 3 P B N 2 6 0 3 P B N 2 6 0 3 SI SI

34 img (34).JPG P A A 7 0 6 2 P A A 7 0 6 2 P A A 7 0 6 2 SI SI

35 img (35).JPG P C O 9 3 4 1 P C O 9 3 4 1 P C O 9 3 4 1 SI SI

36 img (36).JPG # # # # # # # # # # # # # # NO NO

37 img (37).JPG P B O 5 7 1 8 P B O 5 7 1 8 P B O 5 7 1 8 SI SI

38 img (38).JPG P Y W 0 8 3 3 P Y W 0 8 3 3 P Y W 0 8 3 3 SI SI


40 img (40).JPG P B Z 8 3 2 2 P B Z 8 3 2 2 P B Z 8 3 2 2 SI SI

41 img (41).JPG P B T 2 7 7 5 P B T 2 7 7 5 P B T 2 7 7 5 SI SI

42 img (42).JPG P C M 4 0 9 9 P C M 4 0 9 9 P C M 4 0 9 9 SI SI

43 img (43).JPG P C E 3 4 0 5 P C E 3 4 0 5 P C E 3 4 0 5 SI SI



46 img (46).JPG P B U 1 5 7 3 P B U 1 5 7 3 P B U 1 5 7 3 SI SI

47 img (47).JPG P U C 0 8 3 9 P U C 0 8 3 9 P U C 0 8 3 9 SI SI



50 img (50).JPG P B R 3 0 2 6 P B P 3 0 2 6 P B 3 0 2 6 SI NO

51 img (51).JPG X B Y 7 4 0 X B Y 7 4 0 X B Y 7 4 0 SI SI




55 img (55).JPG H B B 7 3 0 1 H B B 7 3 0 1 H B B 7 3 0 1 SI SI



58 img (58).JPG P B C 4 6 5 3 P B C 4 6 5 3 P B C 4 6 5 3 SI SI

59 img (59).JPG P B D 3 0 5 9 P B D 3 0 5 9 P B D 3 0 5 9 SI SI

60 img (60).JPG P B D 3 0 5 9 P B D 3 0 5 9 P B D 3 0 5 9 SI SI

61 img (61).JPG P C A 8 6 1 6 P C A 8 6 1 6 P C A 8 6 1 6 SI SI

62 img (62).JPG P C A 8 6 1 6 P C A 8 6 7 6 P C A 8 6 6 SI NO



65 img (65).JPG P C B 8 2 2 5 P C B 8 2 2 5 P C B 8 2 2 5 SI SI


55


68 img (68).JPG P C S 3 8 5 6 P C S 3 8 5 6 P C S 3 8 5 6 SI SI


70 img (70).JPG P C J 2 5 9 6 P C J 2 5 9 6 P C J 2 5 9 6 SI SI

71 img (71).JPG P C J 2 5 9 6 P C J 2 5 9 6 P C J 2 5 9 6 SI SI

72 img (72).JPG # # # # # # # # # # # # # # NO NO





77 img (77).JPG P C K 7 2 2 9 P C K 7 2 2 9 P C K 7 2 2 9 SI SI

78 img (78).JPG P B B 5 4 6 5 P B B 5 4 6 5 P B B 5 4 6 5 SI SI

79 img (79).JPG # # # # # # # # # # # # # # NO NO

80 img (80).JPG P B Z 4 3 2 1 P B Z 4 3 2 1 P B Z 4 3 2 1 SI SI

81 img (81).JPG P Y P 0 2 8 3 P Y P 0 2 8 3 P Y P 0 2 8 3 SI SI

82 img (82).JPG P Y P 0 2 8 3 P Y P 0 2 8 3 P Y P 0 2 8 3 SI SI




86 img (86).JPG P B O 4 9 3 6 P B O 4 9 3 6 P B O 4 9 3 6 SI SI

87 img (87).JPG P K Q 0 8 3 1 P K Q 0 8 3 1 P K Q 0 8 3 1 SI SI

88 img (88).JPG P B L 2 2 6 2 P B L 2 2 6 2 P B L 2 2 6 2 SI SI

89 img (89).JPG P Y U 4 8 4 Y U X 8 4 SI NO




93 img (93).JPG P B V 7 6 9 2 P B V 7 6 9 2 P B V 7 6 9 2 SI SI


95 img (95).JPG P D A 8 5 2 3 P D A 8 5 2 3 P D A 8 5 2 3 SI SI


97 img (97).JPG P B M 2 7 4 3 P B M 2 7 4 3 P B M 2 7 4 3 SI SI

98 img (98).JPG P B M 2 7 4 3 P B M 2 7 4 3 P B M 2 7 4 3 SI SI

99 img (99).JPG P O V 7 0 5 P O V 7 0 5 P O V 7 0 5 SI SI

100 img (100).JPG P O V 7 0 5 P O V 7 0 5 P O V 7 0 5 SI SI




104 img (104).JPG P C D 9 4 6 3 P C D 9 4 6 3 P C D 9 4 6 3 SI SI


56




109 img (109).JPG P Y Q 9 7 9 P Y O 9 7 9 P Y 9 7 9 SI NO





114 img (114).JPG P C R 6 0 0 1 P C R 6 0 0 1 P C R 6 0 0 1 SI SI

115 img (115).JPG P B K 3 8 0 6 P B K 3 8 0 6 P B K 3 8 0 6 SI SI

116 img (116).JPG P B K 3 8 0 6 P B K 3 8 0 6 P B K 3 8 0 6 SI SI

117 img (117).JPG P Q Q 2 2 2 P O O 2 2 2 P 2 2 2 SI NO

118 img (118).JPG G R X 5 7 8 0 G R X 5 7 8 0 G R X 5 7 8 0 SI SI

119 img (119).JPG P B J 6 3 1 5 P B J 6 3 1 5 P B J 6 3 1 5 SI SI



122 img (122).JPG P B J 6 3 1 5 P P J 6 3 5 P J 6 3 SI NO


124 img (124).JPG P L J 0 6 5 P L J 0 6 5 P L J 0 6 5 SI SI

125 img (125).JPG P B U 1 1 7 2 P B U 1 1 7 7 P B U 1 1 7 SI NO

126 img (126).JPG P B U 1 1 7 2 P B U 1 1 7 7 P B U 1 1 7 SI NO

127 img (127).JPG P B X 2 7 4 9 P B X 2 7 4 9 P B X 2 7 4 9 SI SI

128 img (128).JPG P C H 9 3 9 5 P C H 9 3 9 5 P C H 9 3 9 5 SI SI




132 img (132).JPG P G E 0 2 6 3 P G E 0 2 6 3 P G E 0 2 6 3 SI SI

133 img (133).JPG P G E 0 2 6 3 P G E 0 2 6 3 P G E 0 2 6 3 SI SI


135 img (135).JPG P B F 3 6 8 3 P B F 3 6 0 3 P B F 3 6 3 SI NO


137 img (137).JPG # # # # # # # # # # # # # # NO NO

138 img (138).JPG P A C 1 3 8 1 P A C 1 3 8 P A C 1 3 8 SI NO

139 img (139).JPG P Y I 0 9 9 0 P Y I 0 9 9 0 P Y I 0 9 9 0 SI SI

140 img (140).JPG P Y I 0 9 9 0 P Y I 0 9 9 0 P Y I 0 9 9 0 SI SI



143 img (143).JPG P A B 1 7 8 3 P A B 1 7 8 3 P A B 1 7 8 3 SI SI


57




148 img (148).JPG P O R 0 5 4 6 P O R 8 5 4 6 P O R 5 4 6 SI NO

149 img (149).JPG T B A 7 7 8 3 T B A 7 7 8 3 T B A 7 7 8 3 SI SI

150 img (150).JPG P L X 0 7 1 9 P L X 0 7 1 9 P L X 0 7 1 9 SI SI

151 img (151).JPG P B V 6 7 2 5 P G V 6 7 2 5 P V 6 7 2 5 SI NO






157 img (157).JPG P B S 4 2 7 9 P B S 4 2 7 9 P B S 4 2 7 9 SI SI

158 img (158).JPG P B Q 3 5 6 6 P B O 3 5 6 6 P B 3 5 6 6 SI NO

159 img (159).JPG P C L 2 6 3 2 P C L 2 6 3 2 P C L 2 6 3 2 SI SI



162 img (162).JPG # # # # # # # # # # # # # # NO NO











173 img (173).JPG H B A 7 4 5 3 H B A 7 4 5 3 H B A 7 4 5 3 SI SI

174 img (174).JPG P C M 6 2 6 5 P C N 6 2 6 5 P C 6 2 6 5 SI NO

175 img (175).JPG P U G 0 6 7 7 P L G 0 6 7 7 P G 0 6 7 7 SI NO

176 img (176).JPG P S O 4 5 5 P S O 4 5 5 P S O 4 5 5 SI SI



179 img (179).JPG P B S 1 6 1 3 P B S 1 6 1 3 P B S 1 6 1 3 SI SI

180 img (180).JPG J B E 1 3 3 9 J B E 1 3 3 9 J B E 1 3 3 9 SI SI

181 img (181).JPG J B E 1 3 3 9 J B E 1 3 3 9 J B E 1 3 3 9 SI SI



58




187 img (187).JPG P B A 2 5 9 0 P B A 2 5 9 0 P B A 2 5 9 0 SI SI

188 img (188).JPG P B A 2 5 9 0 P B A 2 5 9 0 P B A 2 5 9 0 SI SI



191 img (191).JPG P D A 9 5 2 2 P D A 9 5 2 2 P D A 9 5 2 2 SI SI




195 img (195).JPG P B G 1 8 9 2 P B O 1 8 9 2 P B 1 8 9 2 SI NO

196 img (196).JPG P U K 0 5 5 0 P U C 0 5 5 0 P U 0 5 5 0 SI NO



199 img (199).JPG # # # # # # # # # # # # # # NO NO

192 162

TOTAL LOCALIZACIÓN

DE PLACA

TOTAL DE ACIERTOS

LISTA DE PLACAS DE UNIVERSIDAD DE CROACIA

INDICE PLACA REAL PLACA CALCULADA CARACTERES ACERTADOS


ACIERTO DEL # PLACA

1 Z G 1 5 5 M C Z G 5 5 0 C Z G 5 SI NO

2 S I 1 6 0 B B S B 0 8 8 S SI NO

3 Z G 6 3 6 R G Z G 6 3 8 R G Z G 6 3 R G SI NO

4 Z G 3 0 1 Z H Z G 3 0 7 H Z G 3 0 SI NO

5 Z D 4 5 4 B O Z D 4 5 4 B D Z D 4 5 4 B SI NO

6 O S 0 0 1 G S O S 0 0 0 S O S 0 0 SI NO

7 Z G 7 2 7 L I Z G 7 2 7 Z G 7 2 7 SI NO

8 V Z 7 8 5 E R Y Z 7 8 5 E R Z 7 8 5 E R SI NO

9 S K 4 0 2 C K S K 4 0 2 C K S K 4 0 2 C K SI SI

10 D E 4 5 1 K D E 4 5 4 D E 4 5 SI NO

59

11 Z G 5 4 8 T L I B 5 4 8 T L 5 4 8 T L SI NO

12 Z G 8 4 8 I K D B 4 8 4 SI NO

13 O G 5 0 1 0 O G 5 0 0 O G 5 0 0 SI NO

14 D U 9 9 3 V D U 8 8 3 V D U 3 V SI NO

15 Z G 9 3 0 B K Z G 9 3 0 B K Z G 9 3 0 B K SI SI

16 Z G 7 8 1 L R Z G 7 8 5 R Z G 7 8 SI NO

17 Z G 1 9 2 O T Z G 9 2 0 T Z G SI NO

18 Z G 0 9 4 M M Z G 0 8 4 M M Z G 0 4 M M SI NO

19 Z G 4 2 4 R I Z G 4 2 4 R Z G 4 2 4 R SI NO

20 Z G 3 1 4 U Z G 3 4 0 Z G 3 SI NO

21 S I 5 8 2 A M S S 8 2 4 M S SI NO

22 S I 5 8 2 A M S S 8 2 4 M S SI NO

23 Z G 8 6 2 N S Z G 8 8 2 N S Z G 8 2 N S SI NO

24 Z G 8 6 2 N S Z G 8 8 2 N S Z G 8 2 N S SI NO

25 Z G 3 7 5 U J Z G 3 7 5 U J Z G 3 7 5 U J SI SI

26 S T 3 6 4 F I S T 3 9 4 F S T 3 4 F SI NO

27 V T 7 6 9 E V I 7 6 8 E V 7 6 E SI NO

28 Z G 3 8 5 S Z Z G 3 8 5 S Z Z G 3 8 5 S Z SI SI

29 V U 2 7 9 A E NO NO

30 P U 6 5 8 E I P U 6 5 8 E P U 6 5 8 E SI NO

31 K R 9 5 6 C A X R 8 5 8 C A R 5 C A SI NO

32 Z G 3 1 1 M R NO NO

33 Z G 1 2 8 V J Z G 2 8 7 J Z G SI NO

34 Z G 6 6 2 P V Z G 6 6 2 P V Z G 6 6 2 P V SI SI

35 V U 3 0 6 J V U 3 0 8 J V U 3 0 J SI NO

36 J 7 6 5 B M B J 7 8 8 M M SI NO

37 B J 5 7 8 A V B J 5 7 8 A V B J 5 7 8 A V SI SI

38 Z G 8 4 1 Z L E L 0 6 5 Z S Z Z NO NO

39 S I 1 2 4 B P S Z 4 8 8 S SI NO

40 Z G 7 0 7 V K Z G 7 0 7 V K Z G 7 0 7 V K SI SI

41 Z G 7 7 3 V E Z S 7 6 8 R Z 7 SI NO

42 Z G 1 0 6 L U Z G 0 8 0 U Z G SI NO

43 Z G 4 0 1 C C Z G 4 0 0 C Z G 4 0 C SI NO

44 V U 1 3 5 F V U 3 5 6 V U SI NO

45 Z G 7 5 9 R R Z G 7 5 8 R R Z G 7 5 R R SI NO

46 Z G 1 6 0 D U Z G 8 0 0 U Z G 0 SI NO

47 Z G 7 9 0 D O NO NO

60

48 Z G 1 2 0 J L G Z 0 3 5 SI NO

49 Z G 4 4 1 A J Z G 4 4 4 Z G 4 4 SI NO

50 O G 7 8 8 P D G 7 8 8 P G 7 8 8 P SI NO

51 Z G 0 9 3 P Z Z G 0 9 3 P Z Z G 0 9 3 P Z SI SI

52 B J 2 8 6 M B J 2 8 8 D M B J 2 8 SI NO

53 Z G 6 3 6 T T Z G 8 3 6 T T Z G 3 6 T T SI NO

54 K A 5 9 6 C J K A 5 8 6 C J K A 5 6 C J SI NO

55 S I 3 3 4 B M S S 3 4 8 M S 3 SI NO

56 Z G 9 9 5 N N G S 9 5 0 N 9 N SI NO

57 Z G 4 4 3 T P Z G 4 4 3 T P Z G 4 4 3 T P SI SI

58 Z G 6 7 9 V F Z G 8 7 8 V F Z G 7 V F SI NO

59 Z G 7 1 0 K S Z G 7 0 4 S Z G 7 SI NO

60 Z G 2 4 8 E B Z G 2 4 8 E B Z G 2 4 8 E B SI SI

61 Z G 3 6 7 S O Z G 3 8 7 S D Z G 3 7 S SI NO

62 Z G 6 5 5 S C Z G 6 5 5 S C Z G 6 5 5 S C SI SI

63 Z G 2 1 0 E H Z G 2 0 8 H Z G 2 SI NO

64 Z G 7 8 4 F U Z G 7 8 4 F U Z G 7 8 4 F U SI SI

65 Z G 9 6 6 Z T S S 2 7 8 R SI NO

66 S I 6 1 0 A K S B 0 4 4 S SI NO

67 Z G 1 1 9 F H Z G 9 7 8 Z G SI NO

68 Z G 1 2 0 E L G Z 0 8 5 SI NO

69 Z G 5 6 8 T M Z G 5 8 8 T M Z G 5 8 T M SI NO

70 V U 2 7 1 K Y U 2 7 4 U 2 7 SI NO

71 Z G 8 8 5 P K Z G 8 8 5 P K Z G 8 8 5 P K SI SI

72 Z G 4 7 4 D U Z G 4 7 4 D U Z G 4 7 4 D U SI SI

73 Z G 8 2 1 E V Z G 8 2 8 V Z G 8 2 SI NO

74 Z G 9 1 1 C K Z G 9 0 4 Z G 9 SI NO

75 Z G 5 2 1 I I NO NO

76 Z G 4 9 5 Z R Z G 4 9 5 Z R Z G 4 9 5 Z R SI SI

77 Z G 9 1 2 C K Z G 9 2 0 Z G 9 SI NO

78 R I 9 4 9 G E R S 4 9 0 E R SI NO

79 Z G 5 6 7 E F Z G 5 8 7 E F Z G 5 7 E F SI NO

80 K R 5 3 1 C D K R 5 3 0 D K R 5 3 SI NO

81 Z G 4 0 0 H Z Z G 4 0 0 H Z Z G 4 0 0 H Z SI SI

82 S K 6 4 6 C A S K 6 4 6 C A S K 6 4 6 C A SI SI

83 Z G 2 9 3 P Z G 2 9 3 P Z G 2 9 3 P SI SI

84 N G 1 7 9 A C N G 7 8 4 C N G SI NO

85 R I 5 8 0 K C R S 8 0 4 C J R SI NO

86 S T 3 1 7 K J S T 3 7 4 J S T 3 SI NO

61

87 Z G 2 5 6 F Z Z G 2 5 8 F Z Z G 2 5 F Z SI NO

88 N A 5 5 2 C N A 5 5 2 C N A 5 5 2 C SI SI

89 O S 7 2 8 I Q S 7 2 8 S 7 2 8 SI NO

90 K A 3 6 5 C P K A 3 8 5 C P K A 3 5 C P SI NO

91 V U 2 5 3 H Z S 3 1 1 C SI NO

92 Z G 7 8 9 P I Z G 7 8 9 P Z G 7 8 9 P SI NO

93 Z G 9 0 0 D O NO NO

94 D U 8 7 1 C B D U 8 7 0 B D U 8 7 SI NO

95 Z G 4 1 5 M A Z G 4 5 0 A Z G 4 SI NO

96 D U 9 0 0 C F D U 8 0 0 C F D U 0 0 C F SI NO

97 Z G 6 2 7 E K Z G 8 2 7 E K Z G 2 7 E K SI NO

98 Z G 5 5 6 K J Z G 5 5 6 K J Z G 5 5 6 K J SI SI

99 Z G 1 6 3 D B NO NO

100 Z G 1 6 3 D B Z G 8 3 0 B Z G SI NO

101 Z G 9 8 8 T U Z G 9 8 8 T U R Z G 9 8 8 T U NO NO

102 Z G 6 9 2 M Z Z G 6 9 2 M Z Z G 6 9 2 M Z SI SI

103 Z G 3 9 4 J U Z G 3 8 4 J U Z G 3 4 J U SI NO

104 Z D 6 0 1 J Z D 6 0 3 Z D 6 0 SI NO

105 L N 6 0 8 A C G O 8 4 0 SI NO

106 P U 7 8 1 D P U 7 8 0 P U 7 8 SI NO

107 K R 4 0 1 A K R 4 0 4 K R 4 0 SI NO

108 Z G 5 9 4 T S Z G 5 8 4 T S Z G 5 4 T S SI NO

109 B H 6 3 3 Z E Y H 6 3 3 H 6 3 3 SI NO

110 R I 7 4 1 C R R Z 4 0 0 R SI NO

111 K A 5 5 5 Z G K A 5 5 5 Z G K A 5 5 5 Z G SI SI

112 S T 1 7 4 I C T C 7 7 4 I 7 4 I SI NO

113 Z G 2 6 4 T J Z G 2 6 4 T J Z G 2 6 4 T J SI SI

114 K C 6 2 0 A L C S 2 0 4 L SI NO

115 V U 1 3 3 C V U 3 3 0 V U 3 SI NO

116 D U 6 4 1 C C D U 8 4 0 C D U 4 C SI NO

117 S T 2 4 5 C N T Z 4 5 0 N SI NO

118 S I 5 8 2 A M S S 8 2 4 M S SI NO

119 P U 6 4 6 D I P U 6 4 8 D P U 6 4 D SI NO

120 R I 4 8 6 J D R J 8 6 3 D R SI NO

121 G S 9 7 1 A I G S 8 7 4 G S 7 SI NO

122 D U 8 7 9 B Z T D 0 8 7 S B Z SI NO

123 I L 1 1 1 A T L J 1 1 4 T 1 1 SI NO

124 S T 7 4 7 E A S Z 4 7 6 A S SI NO

125 P Z 8 0 7 A O P Z 8 0 7 A O P Z 8 0 7 A O SI SI

62

126 D U 7 1 1 C H D U 7 0 8 D U 7 SI NO

127 C A 8 9 0 B C C A 8 9 0 B C C A 8 9 0 B C SI SI

128 O S 2 6 9 D T O S 2 8 9 D T O S 2 9 D T SI NO

129 D A 5 4 5 A I B A 5 4 5 A A 5 4 5 A SI NO

130 S I 4 5 0 A B J S 0 4 8 NO NO

131 S I 5 6 9 A D S B 8 4 0 S SI NO

132 Z D 4 4 8 A K Z D 4 4 8 A K Z D 4 4 8 A K SI SI

133 D U 7 3 2 C H D U 7 3 2 C H D U 7 3 2 C H SI SI

134 R I 3 6 5 F N R S 6 5 5 N R 5 SI NO

135 R I 5 4 5 I C R S 4 5 0 R SI NO

136 R I 9 8 2 J F R I 9 8 2 J F R I 9 8 2 J F SI SI

137 D U 1 9 0 C E U S 0 0 8 SI NO

138 V K 6 0 5 A N V K 8 0 5 J W V K 0 5 SI NO

139 O G 3 9 2 A O G 3 9 2 X O G 3 9 2 SI NO

140 B J 8 1 8 C N B J 8 7 8 C T B J 8 8 C SI NO

141 M A 3 5 6 M J A 3 5 8 M A 3 5 M SI NO

142 S T 1 0 2 E U S T 0 2 8 U S T SI NO

143 C K 3 1 1 B R C K 3 8 0 C K 3 SI NO

144 C K 2 3 7 V C K 2 3 7 V C K 2 3 7 V SI SI

145 V K 7 5 0 A I Y K 7 5 0 A K 7 5 0 A SI NO

146 D U 4 8 6 A D D U 4 8 8 A D D U 4 8 A D SI NO

147 K Z 4 2 2 S K Z 4 2 2 S K Z 4 2 2 S SI SI

148 K Z 4 2 5 V K Z 4 2 5 V K Z 4 2 5 V SI SI

149 S B 2 6 8 B Z S B 2 8 8 B Z S B 2 8 B Z SI NO

150 N G 9 8 0 U N G 9 8 0 U N G 9 8 0 U SI SI

151 K R 6 9 1 C I K R 6 9 0 Z K R 6 9 SI NO

152 P U 6 5 9 G B P U 6 5 9 G B P U 6 5 9 G B SI SI

153 R I 8 8 3 F V R S 8 3 5 V R 8 SI NO

154 V U 3 6 9 A N V U 3 8 9 A N V U 3 9 A N SI NO

155 D E 3 5 9 M D E 3 5 9 M D E 3 5 9 M SI SI

156 K R 9 8 8 A P K R 8 8 8 A P K R 8 8 A P SI NO

157 V U 3 1 8 A K E V 0 3 8 A K 8 A K SI NO

158 V K 5 5 1 A G V K 5 5 4 G V K 5 5 SI NO

159 Z G 3 1 6 G B Z G 3 8 6 B Z G 3 6 SI NO

160 Z G 1 5 5 U B Z G 5 5 0 B Z G 5 SI NO

161 B J 7 4 9 G B J 7 4 8 G B J 7 4 G SI NO

162 Z D 1 2 5 A M Z D 2 5 4 M Z D SI NO

163 K T 5 4 1 A N K T 4 5 4 N K T SI NO

164 Z G 9 7 7 S I Z G 0 7 7 S Z G 7 7 S SI NO

63

165 Z G 5 9 3 Z H G S 8 3 7 H SI NO

166 S T 3 7 7 I E S T 3 7 7 E S T 3 7 7 SI NO

167 S K 3 1 4 C K S K 3 4 0 K S K 3 SI NO

168 Z G 3 4 8 C R Z O 3 4 8 C R Z 3 4 8 C R SI NO

169 D U 9 8 6 B M D U 9 8 8 S M D U 9 8 M SI NO

170 R I 2 3 8 J L R Z 3 8 3 L R SI NO

171 Z G 4 1 6 P Z Z G 4 6 8 Z Z G 4 SI NO

172 S K 5 5 3 A L S K 5 5 3 A L S K 5 5 3 A L SI SI

173 K A 5 7 0 C D V K 5 7 0 L D 5 7 0 D SI NO

174 Z G 2 1 6 T K Z G 2 8 1 K Z G 2 SI NO

175 Z G 5 4 2 V B Z G 5 4 2 V B Z G 5 4 2 V B SI SI

176 Z G 4 2 4 G H Z C 4 2 4 E H Z 4 2 4 H SI NO

177 C K 4 2 5 A B C K 4 2 5 A B C K 4 2 5 A B SI SI

178 Z G 4 1 4 B V Z G 4 4 8 V Z G 4 SI NO

179 Z G 7 5 4 V V Z G 7 5 4 V V Z G 7 5 4 V V SI SI

180 Z G 8 8 7 K Z G 8 8 7 K Z G 8 8 7 K SI SI

181 V Z 5 3 9 A P Y Z 5 3 9 A P Z 5 3 9 A P SI NO

182 Z G 6 2 4 K Z G 6 2 4 K Z G 6 2 4 K SI SI

183 Z D 9 8 6 C U Z D 8 8 8 C U Z D 8 C U SI NO

184 D U 7 4 8 B H D U 7 4 8 B H D U 7 4 8 B H SI SI

185 S K 2 5 3 C L S K 2 5 3 C L S K 2 5 3 C L SI SI

186 Z G 6 5 5 U R Z G 6 5 5 U R Z G 6 5 5 U R SI SI

187 Z G 8 8 4 A M Z G 8 8 4 A M Z G 8 8 4 A M SI SI

188 Z G 6 6 7 B U NO NO

189 R I 3 7 3 K I R S 7 3 4 R SI NO

190 Z G 8 7 7 T F Z G 8 7 7 T F Z G 8 7 7 T F SI SI

191 M A 3 9 8 A G M A 3 9 8 A G M A 3 9 8 A G SI SI

192 B J 1 0 0 E E B J 0 0 5 E B J 0 E SI NO

193 K C 5 3 8 A G K C 5 3 8 A G K C 5 3 8 A G SI SI

194 Z D 5 3 9 C H D S 3 8 0 H SI NO

195 Z G 7 6 3 V E Z G 7 6 3 Y E Z G 7 6 3 E SI NO

196 S K 1 8 0 B M S K 8 0 8 M S K SI NO

197 B W 6 7 8 X B W 6 7 8 R X B W 6 7 8 SI NO

199 Z G 9 9 0 N L O S 8 0 0 0 SI NO

200 P U 7 2 4 H V P U 7 4 2 H V X P U 7 H V SI NO

201 S W 7 7 1 A E S W 1 7 7 J A E S W 7 SI NO

202 S T 3 2 9 J H T S 2 8 3 H SI NO

203 B V 5 9 3 K X B Y 5 9 5 K X B 5 9 K X SI NO

204 K A 4 5 1 C C K A 4 5 0 C K A 4 5 C SI NO

64

205 I M 9 5 4 S M S 5 4 3 SI NO

206 K A 1 2 7 C O K A 2 7 0 O K A SI NO

207 V T 8 0 9 T F S 0 9 1 SI NO

208 K Z 3 8 6 L K Z 3 8 6 L K Z 3 8 6 L SI SI

209 N G 6 1 9 A A G S 8 4 4 SI NO

210 P U 8 6 5 H Z P U 8 8 5 H Z P U 8 5 H Z SI NO

211 P U 2 5 3 I B P U 2 5 3 P U 2 5 3 SI NO

212 V Z 8 2 0 D D Y Z 8 2 0 D Z 8 2 0 D SI NO

213 Z D 4 0 3 C K Z D 4 0 3 C K Z D 4 0 3 C K SI SI

214 S I 6 6 1 B M S S 6 0 0 S 6 SI NO

215 S T 7 5 0 I O T Z 5 0 0 0 SI NO

216 Z G 9 5 9 J J Z G 5 5 5 J J Z G 5 J J SI NO

217 Z G 8 5 5 V T Z O 8 5 5 V T Z 8 5 5 V T SI NO

218 Z G 4 8 4 L D Z G 4 8 4 L O Z G 4 8 4 L SI NO

219 Z G 9 0 2 Z G Z G 8 0 2 Z G Z G 0 2 Z G SI NO

220 Z G 8 4 8 K T Z G 8 4 8 K T Z G 8 4 8 K T SI SI

221 Z G 0 0 6 A G NO NO

222 Z G 3 5 4 C U G S 5 4 0 U SI NO

223 Z G 9 0 6 I S G S 0 8 5 SI NO

224 Z G 9 0 3 M D Z G 9 0 3 M D Z G 9 0 3 M D SI SI

225 Z G 9 7 7 T T Z G 8 7 7 T T Z G 7 7 T T SI NO

226 P Z 8 9 8 A O P Z 8 8 8 A O P Z 8 8 A O SI NO

227 I M 6 6 0 P M G 6 0 8 6 SI NO

228 Z G 5 1 8 J S Z O 5 8 1 S Z 5 SI NO

229 Z G 3 2 4 B B Z G 3 2 4 B B Z G 3 2 4 B B SI SI

230 D U 1 4 9 A R D U 4 9 4 R D U SI NO

231 Z U 1 7 8 U W O 0 9 1 A W J SI NO

232 Z G 9 6 1 E G Z G 8 6 6 G Z G 6 SI NO

233 Z G 8 8 0 T V Z D 8 0 1 Y Z 8 SI NO

234 Z G 8 8 0 T V NO NO

235 Z G 8 8 0 T V NO NO

236 G S 5 9 2 A C L G 8 5 2 2 SI NO

237 B A 0 5 6 C D C S 5 0 0 SI NO

238 B A 0 5 6 C D B A 0 5 8 C D B A 0 5 C D SI NO

239 P U 6 6 0 B J U G 6 0 0 J 6 0 SI NO

240 Z G 8 0 6 K F NO NO

241 S P 4 9 5 A P S Y 4 8 5 K P S 4 5 P SI NO

242 Z G 6 8 7 N L I Z 6 6 8 Z N 6 SI NO

243 V T 4 1 8 B NO NO

65

244 R I 2 7 8 I V R Z 7 8 9 R SI NO

245 Z G 9 5 6 R Z Z G 9 5 6 R Z Z G 9 5 6 R Z SI SI

246 Z G 3 1 2 V Z Z O 3 2 7 Z Z 3 SI NO

247 Z G 9 2 7 U Z T D 8 7 7 V Z 7 Z SI NO

251 Z G 0 5 0 D D Z G 0 5 0 D D Z G 0 5 0 D D SI SI

252 Z G 6 6 0 U U NO NO

253 S B 7 9 8 A M S B 7 8 8 A M S B 7 8 A M SI NO

254 S T 9 3 7 I S S T 9 3 7 S S T 9 3 7 SI NO

255 Z G 4 2 7 T U Z G 4 2 7 T U Z G 4 2 7 T U SI SI

256 O G 6 9 2 O C G 6 8 2 D G 6 2 SI NO

258 Z G 3 7 1 A K Z G 3 7 4 K Z G 3 7 SI NO

259 Z G 4 0 8 O O Z S 4 0 8 O J Z 4 0 8 O SI NO

261 Z G 8 9 5 J Z I 1 2 6 Z SI NO

263 D J 9 4 4 A E NO NO

266 H B 6 9 8 A I NO NO

267 S K 1 9 5 B K S K 9 5 2 S K SI NO

268 Z G 4 8 3 Z M V S 8 3 1 A SI NO

270 Z G 6 3 3 G S Z O 6 3 3 G S Z 6 3 3 G S SI NO

271 Z G 4 6 1 D J NO NO

274 Z G 0 5 1 D M Z G 0 5 0 M Z G 0 5 SI NO

275 Z G 9 3 2 U G Z G 9 3 2 U S Z G 9 3 2 U SI NO

277 Z G 5 1 1 S F NO NO

278 V U 7 6 7 C N D 7 8 7 C 7 7 C SI NO

279 S K 1 5 2 B L S K 5 2 8 L S K SI NO

246 55

TOTAL LOCALIZACIÓN DE

PLACA

TOTAL DE ACIERTOS

LISTA DE PLACAS ANPR MASTER

INDICE PLACA REAL PLACA CALCULADA CARACTERES ACERTADOS


ACIERTO DEL # PLACA

img 1 P P 5 8 7 A O P P 5 8 7 A O P P 5 8 7 A O SI SI

img 2 R K 7 5 5 A J R K 7 5 5 A J R K 7 5 5 A J SI SI

66

img 3 S I 8 1 9 A K S S 1 9 4 K S SI NO

img 4 R K 1 1 5 A N R K 1 1 5 A N R K 1 1 5 A N SI SI

img 5 T S 2 6 0 A K T S 2 6 0 A K T S 2 6 0 A K SI SI

img 6 R K 0 9 9 A N R K 0 9 9 A N R K 0 9 9 A N SI SI

img 7 R K 8 2 8 A G R K 8 2 8 A G R K 8 2 8 A G SI SI

img 8 L M 2 9 8 A I L M 2 9 8 A L M 2 9 8 A SI NO

img 9 R K 2 4 8 A H R K 2 4 8 A H R K 2 4 8 A H SI SI

img 10 R K 3 4 6 A L R K 3 4 6 A L R K 3 4 6 A L SI SI

img 11 R K 2 9 1 A T R K 2 9 1 A T R K 2 9 1 A T SI SI

img 12 R K 8 5 7 A I R K 8 5 7 A R K 8 5 7 A SI NO

img 13 R K 5 7 6 A H P X 7 8 4 H SI NO

img 14 R K 0 1 9 A F R K 0 1 9 A F R K 0 1 9 A F SI SI

img 15 B B 7 5 1 B H B B 7 5 1 B H B B 7 5 1 B H SI SI

img 16 R K 8 6 7 A D R K 8 6 7 A D R K 8 6 7 A D SI SI

img 17 R K 8 8 4 A L NO NO

img 18 R K 8 6 5 A C R K 8 6 5 A C R K 8 6 5 A C SI SI


img 20 R K 8 5 5 A P R K 8 5 5 A P R K 8 5 5 A P SI SI

img 21 R K 8 7 5 A E R K 8 7 5 A E R K 8 7 5 A E SI SI



img 24 R K 8 9 6 A O R K 8 9 6 A D R K 8 9 6 A SI NO

img 25 R K 4 9 2 A U R K 4 9 2 A U R K 4 9 2 A U SI SI

img 26 R K 7 7 6 A I R K 7 7 6 A R K 7 7 6 A SI NO

img 27 L M 6 3 3 B D L M 8 3 3 B D L M 3 3 B D SI NO

img 28 L M 0 1 0 B E L K 0 1 0 B E L 0 1 0 B E SI NO

img 29 R K 8 1 9 A M R K 8 1 9 A M R K 8 1 9 A M SI SI

img 30 R K 6 1 9 A S R K 8 1 9 A S R K 1 9 A S SI NO

img 31 R K 7 6 3 A S R K 7 6 3 A S R K 7 6 3 A S SI SI


img 33 B A 7 3 8 D E B A 7 3 8 D E B A 7 3 8 D E SI SI

img 34 R K 7 0 8 A I NO NO

img 35 R K 2 6 0 A R R K 2 6 0 A P R K 2 6 0 A SI NO

img 36 R K 3 4 0 A O R K 3 4 0 A O R K 3 4 0 A O SI SI

img 37 R K 8 9 2 A E NO NO

img 38 R K 1 0 1 A O R O 1 1 0 R 1 SI NO

img 39 L M 0 2 5 B D L O 2 5 8 O L SI NO

67

img 40 B A 2 6 8 I M S A 2 6 8 M A 2 6 8 SI NO

img 41 D K 6 4 1 A H NO NO

img 42 R K 8 7 8 A C I R 4 8 7 B I SI NO

img 43 R K 8 7 8 A C P K 8 7 8 A C K 8 7 8 A C SI NO

img 44 R K 1 4 3 A T R K 1 4 3 A T R K 1 4 3 A T SI SI

img 45 R K 1 6 1 A G R K 6 1 4 G R K SI NO

img 46 R K 1 6 1 A G R K 1 6 1 A G R K 1 6 1 A G SI SI

img 47 B B 1 3 5 B O B B 1 3 5 B C B B 1 3 5 B SI NO

img 48 R K 6 0 5 A B K S 0 1 4 SI NO

img 49 B Y 6 4 9 A G NO NO

img 50 R K 7 1 5 A A R X 7 3 5 A A R 7 5 A A SI NO

img 51 R K 2 6 2 A H NO NO

img 52 N O 4 5 0 A M N O 0 4 6 N O SI NO

img 53 R K 3 0 0 A G NO NO



img 56 B A 3 0 2 O Z B A 3 0 2 O Z B A 3 0 2 O Z SI SI

img 57 B A 3 0 2 O Z B A 3 0 2 O Z B A 3 0 2 O Z SI SI

img 58 M T 4 5 6 B J M T 4 5 5 B J M T 4 5 B J SI NO

img 59 Z A 8 3 4 C O Z O 3 4 6 C I Z C SI NO



img 62 R K 9 5 9 A F R S 5 9 3 F R SI NO

img 63 R K 0 0 3 A B R K 0 0 3 A B R K 0 0 3 A B SI SI


img 65 R K 8 9 1 A U R K 8 9 4 U R K 8 9 SI NO

img 66 P D 9 3 5 B G O S 3 5 8 G SI NO

img 67 P D 7 2 2 B F P O 7 2 2 B F P 7 2 2 B F SI NO

img 68 R K 9 5 9 A D R K 9 5 9 A D R K 9 5 9 A D SI SI


img 70 R K 0 1 1 A M R K 0 1 1 A M R K 0 1 1 A M SI SI

img 71 L M 1 6 9 A M L M 1 6 9 A M L M 1 6 9 A M SI SI

img 72 R K 5 6 5 A V R K 5 6 5 A V R K 5 6 5 A V SI SI

img 73 R K 5 5 0 A O R K 5 5 0 A D R K 5 5 0 A SI NO


img 75 R K 3 7 3 A K R K 3 7 3 A K R K 3 7 3 A K SI SI

img 76 R K 3 0 1 A H R K 3 0 4 H R K 3 0 SI NO


68

img 78 N O 6 2 6 A T N O 6 2 6 A T N O 6 2 6 A T SI SI

img 79 R K 7 3 5 A S P K 7 3 5 A K 7 3 5 A SI NO


73 44

TOTAL LOCALIZACIÓN

DE PLACA

TOTAL DE ACIERTOS

69

ANEXO B

(Google, 2017)

70

(Google, 2014c) (Google, 2014b)

(Google, 2014a)

1

ANEXO C

Diseño del Prototipo Reconocimiento de Placas Vehiculares Ecuador UCE

La pantalla principal del prototipo se encuentra dividida en tres secciones verticales: parte

lateral izquierda, centro y la parte lateral derecha.

En la parte lateral izquierda, se muestra el botón Cargar Directorio, cuenta con la

funcionalidad de cargar la carpeta o directorio de las imágenes para ser procesadas y muestra

el listado de estas.

La parte central muestra la escena captura mediante la cámara ESCENA DE INGRESO,

marcando mediante un rectángulo la placa del vehículo.

Finalmente, la parte lateral derecha muestra PLACA LOCALIZADA, PLACA

PROCESADA, PLACA RECONOCIDA y el REGISTRO

Figura C 1. Pantalla Principal


2

Al dar clic en el botón Cargar Directorio ubicado en la parte superior izquierda seleccionar

la carpeta con nombre LicPlateImages, dar clic en Seleccionar Carpeta.

Figura C 2. Cargar Directorio de Imágenes


Cargado el directorio se puede observar el listado de imágenes, al dar clic sobre una de ellas,

mostrará en la parte central la escena capturada con el área de interes (placa vehicular), en la

sección de la parte derecha se observa la imagen de la placa localizada, la placa procesada y

la placa reconocida, finalmente el prototipo hará una comparación a la base de datos para

mostrar una visto si se encuentra registrado caso contrario una equis.

3

Figura C 3. Placa registrada en base


Figura C 4. Placa no registrada en base


4

El prototipo toma en cuenta que las placas vehiculares por diferente motivo no están ubicadas

en el lugar acostumbrado, por tanto, mostrará la ESCENA DE INGRESO, pero no mostrará

el proceso por lo que el operador debe ingresar manualmente la placa y dar clic en el botón

Guardar, si la placa se encuentra registrada mostrará un visto sino una equis.

Figura C 5. Placa no localizada


5

Figura C 6. Ingreso manual de la placa


Figura C 7. Placa no registrada


6

El prototipo cuenta con una base de datos “anpr”, modelada como se muestra en la Figura

C8.

Figura C 8. Modelo físico de base de datos anpr1


universidad central del ecuador facultad de … · 2017. 8. 22. · guisela maritza fernandez...

Documents