Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

SETIT 2009 5th International Conference: Sciences of Electronic, Technologies o

SETIT 2009 5th International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 22-26, 2009 – TUNISIA - 1 - Système de Reconnaissance Automatique des Plaques Minéralogiques Ameur CHHAYDER et Imene BELHADJ MOHAMED IPEIS BP 3018 Sfax Tunisie Ameur.chhayder@ipeis.rnu.tn Imena55@yahoo.fr Résumé: Un système de reconnaissance automatique des plaques minéralogiques robuste et efficace devient de plus en plus une nécessité dans la gestion de plusieurs domaines comme la circulation et la sécurité routière, la gestion des parkings, la poursuite de criminels. Dans cet article nous présenterons un système pour la reconnaissance des plaques minéralogiques Tunisiennes. Comme tout système RAPM nous allons passer par un ensemble de quatre étapes. La première consiste à extraire à partir d’une image acquise au niveau de gris par une caméra digitale la plaque de la voiture en se basant essentiellement sur une méthode de détection de contours. Cette plaque subit par la suite une segmentation en caractères afin d’être analyser par un système de reconnaissance optique de caractère (OCR). Le système passe par un ensemble de traitement et de prétraitements comme les morphologies mathématiques afin d’arriver à un meilleur résultat le plus rapidement possible. Mots clés : détection de contour, Canny, OCR, Segmentation, Morphologie mathématique. INTRODUCTION Un système de reconnaissance automatique des plaques minéralogiques est une technologie qui trouve son essence dans ces 20 dernières années dans le développement des techniques de traitement d’image ainsi que dans les OCR (reconnaissance optique des caractères). Généralement un système RAPM typique est devisé en quatre phases : Figure 1. Etapes d’un RAPM. - L’acquisition de l’image à partir d’une séquence vidéo et son envoi vers le système. - La détection et l’isolement de la plaque : c’est la phase la plus importante et la plus difficile ; elle détermine la rapidité et la robustesse du système. Plusieurs études et recherches sont consacrées à cette phase depuis plusieurs années ainsi différentes méthodes ont été proposées. On peut citer dans ce cas les méthodes de détection de contours, les méthodes basées sur les opérations morphologiques et d’autres sur les caractéristiques de l’image comme la couleur. - La segmentation de la plaque en caractères : la plaque une fois extraite subira un ensemble de traitements pour être segmenté en séparant les caractères. On propose ici une méthode facile et rapide pour l’exécuter - La reconnaissance optique des caractères : Ces systèmes ont été développés il y’a de ça une vingtaine d’années et leurs performance dépend des conditions environnantes et doivent être capables de gérer un grand nombre de difficultés possibles. Parmi lesquelles : - Une mauvaise résolution de l’image à cause d’une plaque trop éloignée ou d’une caméra de mauvaise qualité. - Des images floues souvent à cause du mouvement. - Un mauvais éclairage et un faible contraste, un reflet ou une ombre, un objet obscurcissant une partie de la plaque (barre de remorquage ou de la poussière). - Une police de caractère trop originale comme dans certains pays asiatiques. Dans cet article nous présenterons tout à bord les approches ultérieures puis nous discuterons de leurs performances et de leurs limites. On passera ensuite à Acquisition de l’image Détection de la plaque Segmentation de la plaque en caractères Reconnaissance de caractères SETIT2009 - 2 - une présentation de notre système qui se base sur une méthode de détection de contours. 1. Les techniques de reconnaissance des plaques minéralogiques: La littérature nous dévoile un ensemble de méthodes qui ont été proposées pour la détection et la reconnaissance des plaques; généralement on peut classer ces méthodes en quatre catégories: 1.1 les propriétés de la plaque : Pour [ANA 06] il utilise la couleur de la plaque comme une propriété déterminante, l’image passe par un filtre de couleur et la sortie est comparée à la forme de la plaque. Wang et al [BAI 04] utilisent un filtre spécial en plus du filtre de couleur. Ces filtres sont appliqués à une image au niveau de gris et la sortie contiendra les formes des caractères. Toutes les régions sont testées pour en extraire celles susceptibles d’être la plaque. Pour [BEA 04] et [BRO 05] ils appliquent une méthode qui travaille avec des seuils afin de segmenter l’image en noir et blanc pour ensuite en extraire la plaque. Comeli et al [CHO 03] utilisaient un test se basant sur la taille des caractères et la distance qui existe entre eux. Ils ont eu jusqu’à 91.07% de réussite. Les algorithmes basés sur les couleurs sont moins efficaces face à un changement d’éclairage car les couleurs apparaissent différemment sous différents éclairages et en plus les plaques ont plusieurs couleurs et plusieurs formes. Avec ce type de méthodes on n’est pas sure que les régions détectées vont correspondre à la plaque. 1.2 les contours de la plaque : Pour détecter la plaque, certains algorithmes utilisent les contours des caractères et de la plaque comme des points de référence pour l’extraction. L’intensité des pixels dans les caractères et dans les contours des plaques est complètement différente que celle des voisins. En effet dans la majorité des cas ils sont d’une couleur différente que celle du reste de l’image. Une arête peut être détectée dans une image en utilisant le gradient comme par exemple avec le seuil OTSU [COM 95]. La seconde partie de la détection localise les contours de la plaque à partir d’une image en noir et blanc. Pour [DAI 01] et [DVA 05] ils ont utilisé des opérations morphologiques sur l’image transformée en contours. Pour [DLA 02] et [ELL 90], on applique une transformée de Houg sur l’image et les lignes qui traversent la plaque seront déterminées ainsi que les objets de formes rectangulaires. Anagnostopoules [JFC 86] a développé une méthode qui décrit les irrégularités dans la plaque. Cette méthode ressemble à la méthode précédente parce qu’elle dépend de l’intensité des pixels. Les algorithmes présentés sont défaillants lorsque les bords de la plaque ne présentent pas une grande variation par rapport au reste de l’image en plus ces algorithmes utilisent un seuil qui doit être déterminé automatiquement ce qui est difficile sous différentes conditions d’éclairage. 1.3 Intelligence artificielle Nijhuis et al [JSE 82] ont utilisé les caractéristiques de la plaque allemande qui se compose d’un arrière plan jaune pour créer une fonction pour chaque pixel à travers un histogramme. Les autres propriétés floues sont dégagées à partir du niveau de gris de chaque pixel et de ses voisins. Zimic et al [JXI 05] ont appliqué le même concept de la logique floue. Ils ont divisé l’image en un ensemble de rectangles de la taille de la plaque. Les auteurs de [MAT 05] ont réussit à localiser la plaque en utilisant la logique floue avec un pourcentage de réussite de 97.9%. Néanmoins cette méthode dépend de l’éclairage parce qu’elle est tributaire de la couleur de la plaque. Park et al [NIJ 95] ont utilisé un réseau de neurones à deux entrées comme un filtre horizontal et vertical pour détecter les plaques coréennes. L’intersection entre les deux filtres localise la région de la plaque. Chacon et Zimmermann [OTS 79] ont utilisé un réseau de neurones pour déterminer les régions susceptibles d’être la plaque qu’on va analyser par la suite par une transformé de Fourrier pour détecter la bonne région, l’algorithme sera répété jusqu'à la détermination de la plaque. Ils ont réussit à extraire 85% des plaques ainsi la réussite de ce type d’algorithme dépend de leur capacité à s’adapter aux différents éclairages car l’entrée des réseaux est la valeur de niveau de gris pixel. 1.4 La signature de la plaque : Dlagnekov [PAM 02] a implémenté l’algorithme d’Adaboost comme on l’a utilisé pour la détection des visage (Viola and Jones [PAR 04]). Matlas et Zemmerman [PAR 96] proposent un algorithme qui choisit une région du texte à partir d’un ensemble puis il exploite le fait qu’une plaque contient des caractères et des symboles qui sont clairement visibles même lorsque plusieurs propriétés de la plaque sont cachées. Cependant le problème est que certaines autres régions outres que plaque peuvent contenir du texte. Elliman et Lancoster [SHY 04] ont fait évoluer l’utilisation du spectre de fourrier pour distinguer SETIT2009 - 3 - entre les différentes régions de l’image qui présentent des informations. Broumandnia et al [TRA 05] ont parcouru l’image verticalement et ont distingué le nombre d’arêtes pour chaque parcourt pour localiser la ligne horizontale à laquelle est lié la plaque. 2. La détection des contours : La détection de contours en traitement d’image est une étape essentielle et incontournable car elle permet une réduction importante de la quantité d’information relative à une image, tout en préservant des informations structurelles comme les contours et les frontières des images. Le but de la détection de contours est de repérer les points d'une image numérique qui correspondent à un changement brutal de l'intensité lumineuse ; en effet Un contour se matérialise par une rupture d'intensité dans l'image suivant une direction donnée. Plusieurs méthodes existent pour détecter cette rupture, les unes plus ou moins complexes, les autres plus ou moins gourmandes en calcul. Elles s’appliquent en uploads/s3/ systeme-de-reconnaissance-automatique-des-plaques-mineralogiques.pdf