universidad central del ecuador facultad de … · 2017. 8. 22. · guisela maritza fernandez...
TRANSCRIPT
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
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
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
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
(D. Lélis Baggio, S. Emami, D. Millán Escrivá, K. Ievgen, N. Mahmood, J. Saragih, 2014)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(D. Lélis Baggio, S. Emami, D. Millán Escrivá, K. Ievgen, N. Mahmood, J. Saragih, 2014)
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
(Autoría Propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
Figura 34. Comparación de aciertos de placas de Croacia
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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)
(Autoría Propia, 2017)
60%
40%
RECONOCIMENTO DE
NÚMERO DE PLACA
Positivo Negativo
43
Figura 36. Comparación de aciertos de las placas de Dataset Propuesto (UCE)
(Autoría Propia, 2017)
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)
(Autoría Propia, 2017)
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
5 img (5).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
16 img (16).JPG P C N 1 7 6 3 P C N 1 7 6 3 P C N 1 7 6 3 SI SI
17 img (17).JPG P C N 1 7 6 3 P C N 1 7 6 3 P C N 1 7 6 3 SI SI
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
19 img (19).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
21 img (21).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
27 img (27).JPG P A C 1 7 3 3 P A C 1 7 3 3 P A C 1 7 3 3 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
30 img (30).JPG P C P 9 8 9 4 P C P 9 8 9 4 P C P 9 8 9 4 SI SI
31 img (31).JPG P A C 1 9 5 7 P A C 1 9 5 7 P A C 1 9 5 7 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
39 img (39).JPG P C P 7 5 7 3 P C P 7 5 7 3 P C P 7 5 7 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
44 img (44).JPG P B F 5 4 4 4 P B F 5 4 4 4 P B F 5 4 4 4 SI SI
45 img (45).JPG P A A 3 0 0 3 P A A 3 0 0 3 P A A 3 0 0 3 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
48 img (48).JPG P B E 3 5 3 3 P B E 3 5 3 3 P B E 3 5 3 3 SI SI
49 img (49).JPG P B E 3 5 3 3 P B E 3 5 3 3 P B E 3 5 3 3 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
52 img (52).JPG P C F 1 2 3 2 P C F 1 2 3 2 P C F 1 2 3 2 SI SI
53 img (53).JPG P B F 9 1 9 9 P B F 9 1 9 9 P B F 9 1 9 9 SI SI
54 img (54).JPG P B F 9 1 9 9 P B F 9 1 9 9 P B F 9 1 9 9 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
56 img (56).JPG H B B 7 3 0 1 H B B 7 3 0 1 H B B 7 3 0 1 SI SI
57 img (57).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
63 img (63).JPG H B B 2 9 3 0 H B B 2 9 3 0 H B B 2 9 3 0 SI SI
64 img (64).JPG H B B 2 9 3 0 H B B 2 9 3 0 H B B 2 9 3 0 SI SI
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
66 img (66).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
67 img (67).JPG P C B 8 2 2 5 P C B 8 2 2 5 P C B 8 2 2 5 SI SI
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
69 img (69).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
73 img (73).JPG P C P 4 1 3 1 P C P 4 1 3 1 P C P 4 1 3 1 SI SI
74 img (74).JPG P C P 4 1 3 1 P C P 4 1 3 1 P C P 4 1 3 1 SI SI
75 img (75).JPG P C Q 5 5 1 4 P C Q 5 5 1 4 P C Q 5 5 1 4 SI SI
76 img (76).JPG P A A 5 9 7 3 P A A 5 9 7 3 P A A 5 9 7 3 SI SI
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
83 img (83).JPG P B C 9 5 8 6 P B C 9 5 8 6 P B C 9 5 8 6 SI SI
84 img (84).JPG P B C 9 5 8 6 P B C 9 5 8 6 P B C 9 5 8 6 SI SI
85 img (85).JPG P B C 9 5 8 6 P B C 9 5 8 6 P B C 9 5 8 6 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
90 img (90).JPG P C F 6 2 2 3 P C F 6 2 2 3 P C F 6 2 2 3 SI SI
91 img (91).JPG P C Q 5 9 0 3 P C Q 5 9 0 3 P C Q 5 9 0 3 SI SI
92 img (92).JPG P C Q 5 9 0 3 P C Q 5 9 0 3 P C Q 5 9 0 3 SI SI
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
94 img (94).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
96 img (96).JPG P B B 8 5 8 3 P B B 8 5 8 3 P B B 8 5 8 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
101 img (101).JPG P B V 5 5 3 7 P B V 5 5 3 7 P B V 5 5 3 7 SI SI
102 img (102).JPG P B V 5 5 3 7 P B V 5 5 3 7 P B V 5 5 3 7 SI SI
103 img (103).JPG P B V 5 5 3 7 P B V 5 5 3 7 P B V 5 5 3 7 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
105 img (105).JPG P C P 5 8 9 1 P C P 5 8 9 1 P C P 5 8 9 1 SI SI
56
106 img (106).JPG P C P 5 8 9 1 P C P 5 8 9 1 P C P 5 8 9 1 SI SI
107 img (107).JPG P A C 3 4 7 0 P A C 3 4 7 0 P A C 3 4 7 0 SI SI
108 img (108).JPG P A C 3 4 7 0 P A C 3 4 7 0 P A C 3 4 7 0 SI SI
109 img (109).JPG P Y Q 9 7 9 P Y O 9 7 9 P Y 9 7 9 SI NO
110 img (110).JPG P C F 5 9 6 4 P C F 5 9 6 4 P C F 5 9 6 4 SI SI
111 img (111).JPG P C F 5 9 6 4 P C F 5 9 6 4 P C F 5 9 6 4 SI SI
112 img (112).JPG P C P 3 1 5 9 P C P 3 1 5 9 P C P 3 1 5 9 SI SI
113 img (113).JPG P C P 3 1 5 9 P C P 3 1 5 9 P C P 3 1 5 9 SI SI
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
120 img (120).JPG P B J 6 3 1 5 P B J 6 3 1 5 P B J 6 3 1 5 SI SI
121 img (121).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
123 img (123).JPG P C D 9 3 5 3 P C D 9 3 5 3 P C D 9 3 5 3 SI SI
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
129 img (129).JPG P C Q 5 1 0 4 P C Q 5 1 0 4 P C Q 5 1 0 4 SI SI
130 img (130).JPG P C Q 5 1 0 4 P C Q 5 1 0 4 P C Q 5 1 0 4 SI SI
131 img (131).JPG P C N 4 0 1 8 P C N 4 0 1 8 P C N 4 0 1 8 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
134 img (134).JPG P B B 0 7 0 4 P B B 0 7 0 4 P B B 0 7 0 4 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
136 img (136).JPG P C D 7 4 3 8 P C D 7 4 3 8 P C D 7 4 3 8 SI SI
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
141 img (141).JPG P C O 7 4 1 0 P C O 7 4 1 0 P C O 7 4 1 0 SI SI
142 img (142).JPG P C O 7 4 1 0 P C O 7 4 1 0 P C O 7 4 1 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
144 img (144).JPG P B R 3 3 9 6 P B P 3 3 9 6 P B 3 3 9 6 SI NO
57
145 img (145).JPG P B R 3 3 9 6 P B P 3 3 9 6 P B 3 3 9 6 SI NO
146 img (146).JPG P B R 3 3 9 6 P B P 3 3 9 6 P B 3 3 9 6 SI NO
147 img (147).JPG P B R 3 3 9 6 P B P 3 3 9 6 P B 3 3 9 6 SI NO
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
152 img (152).JPG P C S 7 3 7 2 P C S 7 3 7 2 P C S 7 3 7 2 SI SI
153 img (153).JPG P C S 7 3 7 2 P C S 7 3 7 2 P C S 7 3 7 2 SI SI
154 img (154).JPG P C S 7 3 7 2 P C S 7 3 7 2 P C S 7 3 7 2 SI SI
155 img (155).JPG P C Q 1 5 3 2 P C Q 1 5 3 2 P C Q 1 5 3 2 SI SI
156 img (156).JPG P B R 5 0 6 3 P B P 5 0 6 3 P B 5 0 6 3 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
160 img (160).JPG P C L 2 6 3 2 P C L 2 6 3 2 P C L 2 6 3 2 SI SI
161 img (161).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
163 img (163).JPG P A A 5 8 3 6 P A A 5 8 3 6 P A A 5 8 3 6 SI SI
164 img (164).JPG P A A 5 8 3 6 P A A 5 8 3 6 P A A 5 8 3 6 SI SI
165 img (165).JPG P C P 7 6 9 1 P C P 7 6 9 1 P C P 7 6 9 1 SI SI
166 img (166).JPG P B C 9 8 5 0 P B C 9 8 5 0 P B C 9 8 5 0 SI SI
167 img (167).JPG P B C 9 8 5 0 P B C 9 8 5 0 P B C 9 8 5 0 SI SI
168 img (168).JPG P A C 8 3 9 3 P A C 8 3 9 3 P A C 8 3 9 3 SI SI
169 img (169).JPG P A C 8 3 9 3 P A C 8 3 9 3 P A C 8 3 9 3 SI SI
170 img (170).JPG P C O 8 7 0 1 P C O 8 7 0 1 P C O 8 7 0 1 SI SI
171 img (171).JPG P C Q 4 3 8 5 P C Q 4 3 8 5 P C Q 4 3 8 5 SI SI
172 img (172).JPG P B V 4 4 6 2 P B V 4 4 6 2 P B V 4 4 6 2 SI SI
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
177 img (177).JPG P C F 3 9 3 5 P C F 3 9 3 5 P C F 3 9 3 5 SI SI
178 img (178).JPG P C F 3 9 3 5 P C F 3 9 3 5 P C F 3 9 3 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
182 img (182).JPG P B C 7 6 1 2 P B C 7 6 1 2 P B C 7 6 1 2 SI SI
183 img (183).JPG P B C 7 6 1 2 P B C 7 6 1 2 P B C 7 6 1 2 SI SI
58
184 img (184).JPG P C E 7 5 5 0 P C E 7 5 5 0 P C E 7 5 5 0 SI SI
185 img (185).JPG P C E 7 5 5 0 P C E 7 5 5 0 P C E 7 5 5 0 SI SI
186 img (186).JPG P C Q 8 1 3 6 P C Q 8 1 3 6 P C Q 8 1 3 6 SI SI
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
189 img (189).JPG P B R 5 6 8 0 P B P 5 6 8 0 P B 5 6 8 0 SI NO
190 img (190).JPG P B R 5 6 8 0 P B P 5 6 8 0 P B 5 6 8 0 SI NO
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
192 img (192).JPG P A C 7 7 9 7 P A C 7 7 9 7 P A C 7 7 9 7 SI SI
193 img (193).JPG P A C 7 7 9 7 P A C 7 7 9 7 P A C 7 7 9 7 SI SI
194 img (194).JPG P B V 6 5 7 6 P B V 6 5 7 6 P B V 6 5 7 6 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
197 img (197).JPG P B U 6 6 7 9 P B U 6 6 7 9 P B U 6 6 7 9 SI SI
198 img (198).JPG P B U 6 6 7 9 P B U 6 6 7 9 P B U 6 6 7 9 SI SI
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
LOCALIZACIÓN DE LA PLACA
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
LOCALIZACIÓN DE LA PLACA
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 19 R K 9 0 6 A J R K 9 0 6 A J R K 9 0 6 A J 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 22 R K 6 1 2 A L R K 6 1 2 A L R K 6 1 2 A L SI SI
img 23 R K 0 2 6 A J R K 0 2 6 A J R K 0 2 6 A J 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 32 R K 0 8 2 A L R K 0 8 2 A L R K 0 8 2 A L 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 54 R K 3 0 0 A S R K 3 0 0 A S R K 3 0 0 A S SI SI
img 55 R K 4 8 5 A F R K 4 8 5 A F R K 4 8 5 A F SI SI
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 60 R K 7 3 5 A S R K 7 3 5 A S R K 7 3 5 A S SI SI
img 61 R K 4 5 7 A S R K 4 5 7 A S R K 4 5 7 A S SI SI
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 64 R K 6 4 1 A L R K 6 4 1 A L R K 6 4 1 A L 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 69 R K 3 7 6 A F R K 3 7 6 A F R K 3 7 6 A F 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 74 R K 9 7 7 A F R K 9 7 7 A F R K 9 7 7 A F SI SI
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
img 77 R K 0 6 9 A V R K 0 6 9 A V R K 0 6 9 A V SI SI
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
img 80 R K 6 0 3 A V R K 6 0 3 A V R K 6 0 3 A V SI SI
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
Figura C 4. Placa no registrada en base
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)
5
Figura C 6. Ingreso manual de la placa
(Autoría Propia, 2017)
Figura C 7. Placa no registrada
(Autoría Propia, 2017)
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
(Autoría Propia, 2017)