3.1.3
Experimentos
Em ABO SAMRA e KHALEFAH (2014), os autores utilizaram a base de dados, Saudi LP, de domínio privado, que contém 800 imagens e parte da base de dados, de domínio público, Medialab LPR Database, que resultou em 335 imagens. A primeira base não está disponível, pois os autores não possuem autorização dos proprietários dos veículos para isso. Com respeito a segunda base, foi possível adquirir todas as imagens utilizadas para teste do modelo proposto. As imagens foram adquiridas de grupos: day color (large sample), day shadows in plate, day very close viewe difficult shadows. Os autores implementaram o algoritmo no MATLAB, mas não disponibilizaram o código. A Tabela 3.2 exibe os resultados citados no artigo para as duas bases mencionadas.
Base de Dados Número de Imagens Caracteres Detectados Falsos Nega- tivos Falsos Positi- vos Taxa de Acerto Saudi LP 800 770 8(1%) 2(0.25%) 98.75% Medialab LPR 335 327 6(1.79%) 2(0.59%) 97.61% Total 1135 1117 14(1.23%) 4(0.35%) 98.41%
Tabela 3.2: Resultados alcançados nas bases utilizadas.
3.2
Detecção Através de Operações Morfológicas
O trabalho de MENDES JÚNIOR et al. (2011) apresenta um conjunto de técnicas de processamento de imagem, aplicadas em cascata, que realça, na imagem, possíveis regiões de placas. Essas regiões serão avaliadas, segundo uma métrica puramente estatística, e a bounding boxcom a melhor avaliação dessa métrica é tida como pertencente a placa. Os autores utilizaram uma base obtida na UFOP (Universidade Federal de Ouro Preto) e parte da base Medialab LPR Databasepara validar o algoritmo proposto.
3.2.1
Objetivo
MENDES JÚNIOR et al. (2011) apresentaram uma técnica para extração da placa de licenciamento através de, entre outros métodos, realce de bordas, principalmente, verticais, suavização da imagem, análise de componentes conectados e, fundamentalmente, de operações morfológicas.
3.2.2
Metodologia
A abordagem é composta, por vários algoritmos, predominantemente dispostos em cascata, de processamento de imagem. Filtros 2D de realce de bordas e de suavização de imagem são utilizados, assim como, também, métodos de binarização e de operações baseadas na
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 42
matemática da teoria de conjuntos. Uma visão global do framework proposto MENDES JÚNIOR et al. (2011) pode ser vista na Figura 3.11.
Figura 3.11: Diagrama de blocos da abordagem proposta por MENDES JÚNIOR et al. (2011).
Na Figura 3.11, percebe-se que a extração do gradiente seguida de aplicação do filtro de mediana compõe o primeiro bloco da abordagem de MENDES JÚNIOR et al. (2011). Em seguida, um conjunto de operações morfológicas dispostas em cascata formam o segundo bloco, nomeado pelos autores, de filtragem. O terceiro e último bloco é o responsável por excluir,
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 43
ajustar e escolher regiões para a avaliação da métrica detectora de placas, resultando na extração da imagem da placa.
A. Realce de Bordas Verticais
Neste estágio, a imagem de entrada após, ser transformada em escala de cinza segundo a equação 3.1 , é convolvida com um filtro passa-alta para realçar as bordas verticais. A máscara utilizada foi a do Sobel Vertical. A Figura 3.12 ilustra essa etapa.
Figura 3.12: Imagem de entrada em escala de cinza e sua respectiva imagem gradiente horizontal.
B. Suavização da Imagem Gradiente
Neste etapa, a imagem gradiente do estágio anterior é suavizada através de um filtro passa-baixa, um filtro de média, de tamanho 3 × 3. A Figura 3.12 ilustra essa etapa.
Figura 3.13: Imagem gradiente suavizada.
C. Atenuação de Regiões Pequenas
Nesta etapa, a imagem em processamento é submetida a uma operação morfológica de abertura, utilizando um elemento estruturante no formato de coluna. Essa etapa visa remover
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 44
pequenas regiões que não são "placas". A Figura 3.14 ilustra a saída desta etapa.
Figura 3.14: Imagem de abertura.
D. União de Regiões Desconectadas
Neste estágio, a imagem em processamento é submetida a uma operação de fechamento, utilizando um elemento no formato linha, objetivando a união de saliências verticais. Essa operação de fechamento, ao contrário da de abertura, é uma dilatação seguida por uma erosão com o mesmo elemento estruturante. A Figura 3.15 exibe a saída do método.
Figura 3.15: Imagem de fechamento.
E. Atenuação de Regiões Grandes
A imagem em processamento é submetida a um operação de morfológica nomeada de TOPHAT, que é subtrair a imagem da sua respectiva imagem de abertura, fazendo uso de um elemento estruturante no formato coluna. Essa etapa atenua regiões grandes que não são "placas"(ver Figura 3.16).
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 45
Figura 3.16: Imagem de saída da operação TOPHAT.
F. Unir Elementos Presentes na Placa
Nesta etapa, sobre a imagem proveniente do E, é realizada uma operação morfológica de fechamento para realçar possíveis intensidades dos caracteres. O elemento estruturante utilizado foi de formato linha. A Figura 3.17 evidencia a saída deste bloco.
Figura 3.17: Imagem de fechamento.
G. Remoção de Bordas da Placa
Neste estágio, a imagem em processamento sofre uma operação de erosão seguida por uma de dilatação, mas por elementos estruturantes diferentes. Esta estágio tenta retirar as bordas laterais da placa que sugiram após a aplicação do Sobel Vertical. A Figura 3.18 exibe a saída dessas operações.
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 46
Figura 3.18: Imagem proveniente de uma erosão e depois de uma dilatação.
H. Remoção de Regiões Escuradas
Neste passo, inicia-se o ajustamento da placa. Então, a imagem, proveniente de G, passa por um limiarização global, utilizando o limiar ótimo de OTSU. Objetiva-se como essa etapa retirar, ainda, possíveis saliências de regiões que não são "placas". A Figura 3.19 evidencia o resultado encontrado por este passo.
Figura 3.19: Imagem binarizada com OTSU.
I. Remoção de Regiões Infratoras das Restrições
Nesta etapa, é realizada uma análise dos componentes conectados da imagem do passo anterior para eliminar regiões que não obedecem algumas restrições inerentes a placas, como proporção de altura e largura. As regiões que possuem a altura menor do que a de um caractere e as regiões que tocam as bordas também são eliminadas. A Figura 3.20 evidencia a saída deste método.
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 47
Figura 3.20: Imagem binarizada com região não-placas removidas.
J. Remoção de Regiões Conectadas
Nesta etapa, as regiões conectadas são retiradas da imagem oriunda do passo anterior. Entretanto, os autores não retratam bem o que eles utilizam para mensurar se as regiões estão ou não conectadas e, por isso, a área da região analisada tornou-se a métrica de decisão. Portanto, se a área da região analisada for maior que um determinado limiar, ele é dita com uma região composta. A Figura 3.21 ilustra a saída dessa etapa.
Figura 3.21: Imagem binarizada com regiões conectadas removidas.
K. Ajustes das Regiões Resultantes
Para cada região candidata presente na imagem de J, é criada uma bounding box e na mesma posição da imagem de F é recortada uma ROI(Region Of Interest), região de interesse, e colocada nessa bounding box. Posteriormente, operações de dilatação com elemento estruturante 5×5, de binarização utilizando OTSU, de erosão com elemento estruturante em forma de linha e de dilatação com elemento estruturante em forma de retângulo são realizadas, visando realizar uma melhor segmentação das regiões candidatas. A Figura 3.22 ilustra a saída dessa etapa.
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 48
Figura 3.22: Imagem binarizada com os ajustes da regiões.
L. Análise das Regiões Resultantes
Nesta etapa, é feita análise da imagem gerada em K para verificar se a largura da bounding boxé menor do que a largura mínima esperada para uma placa, se a altura da bounding box é menor do que a altura mínima esperada para uma placa e, ainda, se a altura é maior do que a largura. Se pelo menos umas dessas condições for atendida, essa região é retirada da imagem. A Figura 3.23 exibe o retorno dessa etapa.
Figura 3.23: Imagem binarizada com as regiões conectadas removidas.
M. Escolha da Região da Placa
Esta etapa é a última. Nesse estágio, é extraída a placa do carro. Ela recebe, como entrada, a imagem de L e de F. A imagem de L é utilizada como máscara para obter as bounding boxes das regiões candidatas e aplicá-las na imagem de F, e, posteriormente, calcular a métrica V . Esta é igual a média da região elevada ao quadrado divida pelo desvio padrão dessa região (ver equação
3.16 ). A região como maior valor de V será considerada como a placa de licenciamento. A Figura 3.24 exibe a máscara da região escolhida e a placa extraída.
3.2. DETECÇÃO ATRAVÉS DE OPERAÇÕES MORFOLÓGICAS 49 Vr= µr2/σr 3.16
Figura 3.24: Imagem que evidencia a região escolhida e a imagem da placa recortada da cena em escala de cinza na Figura 3.12.
3.2.3
Experimentos
MENDES JÚNIOR et al. (2011) utilizaram duas bases de dados: um grupo de imagens da Medialab LPR Database e uma base adquirida em alguns dos portões de acesso ao Campus da Universidade Federal de Ouro Preto (UFOP). O número de imagens da primeira base foi igual 377 e o número de imagens da segunda foi de 345. Todas essas 722 imagens possuem, cada, dois rótulos: uma bounding box de menor tamanho possível que inclui todos os caracteres e uma outra bounding box de tamanho mínimo que inclui toda a placa. Com esses rótulos os autores criaram duas métricas la e ea que, ao serem combinadas, resultam na performance atingida pelo algoritmo proposto. As equações, a seguir, mostram como encontrar as duas métricas:
la=area(rchar∩ rmet) are(rchar) 3.17 ea= area(rvl p∩ rmet) are(rvl p) 3.18
onde rchar é a mínima bounding box que contém os todos os caracteres da placa, rvl pé a mínima bounding boxque contém toda a região da placa, rmet é a região encontrada pelo abordagem proposta e area é o operador que encontra a área de uma determinada região.
A Tabela 3.3, a seguir, traz os resultados alcançados por MENDES JÚNIOR et al. (2011) para as as duas bases de imagens. É importantíssimo citar que os autores não levaram em consideração a etapa de decisão, a saída do estágio M, para encontrar essas métricas. A região da imagem de saída da etapa L que melhor se ajustar a região da placa, que possui o posicionamento conhecido, é escolhida. Com isso, o erro da etapa M é desprezado e, portanto, não interfere no valor das métricas de avaliação definidas. A coluna la > 0.85 & ea < 1 corresponde a localização