Académique Documents
Professionnel Documents
Culture Documents
Thème :
Projet : Traitement D’image
« Reconnaissance de plaques d'immatriculation »
Année universitaire :
2022 – 2023
0
SOMMAIRE
Introduction…………………………………………………………………………….2
1. Fondements théoriques…………………………………………………………….3
1) Explication du traitement d'images et de ses techniques utilisées dans le
projet (réduction de taille, conversion en niveaux de gris, filtre bilatéral,
détection de contours)……………………………………………………...3
2) Présentation de la reconnaissance optique de caractères (OCR) et son
utilisation pour extraire le texte des plaques d'immatriculation………..3
2. Méthodologie ……………………………………………………………………….3
1) Réduction de la taille de l'image…………………………………………...3
2) Conversion en niveaux de gris……………………………………………..4
3) Application du filtre bilatéral pour réduire le bruit……………………..4
3. Implémentation et résultats……………………………………………………….10
1) Description de l'implémentation du projet………………………….…..10
2) Présentation des images de test utilisées…………………………………11
3) Affichage de résultats obtenus (images avec plaques d’immatriculation
détectées et texte extrait)…………………………………………………..11
Conclusion…………………………………………………………………………..13
1
INTRODUCTION
L'identification automatique des plaques d'immatriculation joue un rôle essentiel
dans de nombreux domaines tels que la sécurité routière, la gestion du
stationnement et la surveillance du trafic. La capacité de détecter et de lire
efficacement les plaques d'immatriculation peut fournir des informations précieuses
pour le suivi des véhicules, la détection des infractions et la gestion des données de .
2
1.Fondements théoriques
1) Explication du traitement d'images et de ses techniques utilisées dans le
projet (réduction de taille, conversion en niveaux de gris, filtre bilatéral,
détection de contours)
Dans ce projet, nous utilisons le traitement d'images pour préparer les images des
plaques d'immatriculation avant de les soumettre à l'algorithme de reconnaissance
de caractères.
2.Méthodologie
1) Réduction de la taille de l’image
3
rapport à la caméra ou de l'angle de prise de vue. En réduisant la taille de
l'image de manière cohérente, on peut normaliser la taille des plaques, ce qui
facilite leur détection et leur traitement ultérieur.
L'application du filtre bilatéral est une technique couramment utilisée pour réduire le
bruit d'une image tout en préservant les contours et les détails importants. Voici
comment cette étape fonctionne :
4
et de sel, etc. Le filtre bilatéral est particulièrement efficace pour réduire le
bruit gaussien et les petites variations aléatoires dans l'image.
2. Principe du filtre bilatéral : Le filtre bilatéral considère à la fois la similarité
des valeurs de pixels et de leurs positions spatiales lors de la réduction du
bruit. Il effectue une moyenne pondérée des pixels voisins en fonction de leur
similarité, tout en préservant les contours et les détails importants de l'image.
Les pixels similaires ont un poids plus élevé dans le calcul de la moyenne,
tandis que les pixels différents ont un poids plus faible.
3. Réduction du bruit : En appliquant le filtre bilatéral, le bruit est atténué tout
en maintenant la netteté des contours. Cela permet d'obtenir une image plus
lisse et plus propre, ce qui facilite les étapes ultérieures de traitement et
d'analyse de l'image.
L'utilisation de l'algorithme de Canny est une étape clé dans la détection des
contours significatifs d'une image. Voici comment cette étape fonctionne :
5
o Seuillage par hystérésis : Un seuillage est appliqué pour sélectionner
les pixels qui sont susceptibles d'appartenir à des contours. Un seuil
supérieur et un seuil inférieur sont utilisés pour déterminer les pixels qui
sont certainement des contours et ceux qui pourraient être des
contours selon leur connexion aux pixels déjà sélectionnés.
Après avoir appliqué l'algorithme de Canny pour détecter les contours dans une
image, la prochaine étape consiste à rechercher les contours présents et à
sélectionner les plus grands contours. Voici comment cette étape fonctionne :
3. Sélection des plus grands contours : Une fois les contours triés, vous
pouvez itérer à travers la liste des contours pour les analyser individuellement.
Dans votre code, vous utilisez une boucle for pour parcourir les contours dans
cnts.
6
Dans votre code, vous utilisez la condition if len(approx) == 4 pour vérifier si le
contour a 4 approximations polygonales, ce qui indique une forme
quadrilatérale. Si la condition est satisfaite, le contour est sélectionné en tant
que screenCnt.
La recherche des contours dans l'image et la sélection des plus grands contours
permettent de localiser les régions d'intérêt qui pourraient correspondre à des
plaques d'immatriculation. En triant les contours par aire, vous pouvez identifier les
contours les plus grands qui ont plus de chances d'être les plaques d'immatriculation
recherchées. La sélection des contours peut être basée sur des critères
supplémentaires, tels que la forme et les caractéristiques spécifiques aux plaques
d'immatriculation.
Après avoir obtenu les contours détectés dans une image, une étape cruciale
consiste à identifier les contours qui correspondent à des plaques d'immatriculation.
Pour cela, on utilise l'approximation des polygones pour trouver des contours
rectangulaires ou quadrilatéraux.
7
2) Extraction de la région d'intérêt (ROI) contenant la plaque
d'immatriculation
Dans votre code, vous utilisez les coordonnées de la zone délimitée par le contour
rectangulaire pour extraire la ROI à partir de l'image d'origine. Voici les étapes
générales pour extraire la ROI :
Une fois que vous avez extrait la ROI, vous pouvez appliquer des opérations
supplémentaires, telles que la binarisation ou le prétraitement, si nécessaire, pour
améliorer la lisibilité du texte de la plaque.
Dans notre code, nous utilisons la bibliothèque Tesseract OCR, qui est l'une des
bibliothèques OCR les plus populaires et largement utilisées. Nous configurons
d'abord le chemin d'accès à l'exécutable Tesseract OCR à l'aide de la ligne
suivante :
8
Ensuite, nous utilisons la fonction image_to_string de Tesseract OCR pour extraire le
texte de la ROI. Dans notre exemple, nous avons utilisé la configuration suivante
pour l'OCR :
Il est important de noter que la configuration de l'OCR peut varier en fonction du pays
ou de la région concernée, car les formats et les caractères des plaques
d'immatriculation peuvent différer. Vous devrez adapter la liste blanche des
caractères autorisés en fonction des caractéristiques spécifiques des plaques
d'immatriculation de votre pays ou région.
9
3.Implémentation et résultats
1) Description de l'implémentation du projet
10
2) Présentation des images de test utilisées
11
4. Affichage du texte extrait : Le texte extrait à partir de la plaque
d'immatriculation peut être affiché pour visualiser le résultat de l'OCR. Il peut
être affiché sous forme de texte brut ou superposé à l'image de la plaque
d'immatriculation pour une meilleure compréhension.
5. Affichage des résultats sur plusieurs images : Si vous disposez d'un ensemble
d'images de test, les résultats obtenus peuvent être affichés sur chaque image
individuellement. Cela permet de visualiser les performances du système de
détection de plaques d'immatriculation sur différentes scènes et conditions
d'éclairage.
12
CONCLUSION
Une fois la plaque d'immatriculation détectée, une région d'intérêt (ROI) a été
extraite, et l'OCR a été appliqué sur cette ROI pour extraire le texte de la plaque
d'immatriculation. Des configurations spécifiques de l'OCR ont été utilisées pour
restreindre la reconnaissance aux caractères attendus, améliorant ainsi la précision
de l'extraction du texte.
Les résultats obtenus ont été analysés en évaluant la précision de la détection des
plaques d'immatriculation, l'exactitude de l'extraction du texte, la robustesse aux
variations de conditions et le temps de traitement. Les performances du système ont
été satisfaisantes, avec des taux de détection et de reconnaissance acceptables
dans la plupart des scénarios.
13