Académique Documents
Professionnel Documents
Culture Documents
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
Plaque d'immatriculation de véhicule automatique basée sur l'IoT
Système de reconnaissance
Prof.RMSahu1 , Namrata B.Gaikwad2 Chandrakant B.Sandage3 , Vikram S.Shinde4
,
1
Professeur, Génie électronique, PDEACOEM, Maharashtra, Inde
2
Étudiant, Génie électronique, PDEACOEM, Maharashtra, Inde
3
Étudiant, Génie électronique, PDEACOEM, Maharashtra, Inde
4
Étudiant, Génie électronique, PDEACOEM, Maharashtra, Inde
RÉSUMÉ Le
« système de reconnaissance de plaques d'immatriculation basé sur l'IdO » a fait l'objet d'études approfondies
dans de nombreux pays. En raison des différents types de plaques d'immatriculation utilisées, les exigences d'un système
de reconnaissance automatique des plaques d'immatriculation sont différentes pour chaque pays. Dans cet article, un
système de localisation et de reconnaissance de plaques d'immatriculation pour les véhicules indiens. Ce système est
développé sur la base d'images numériques et peut être facilement appliqué aux systèmes de parking pour l'utilisation
de la documentation de l'accès aux services de stationnement, l'utilisation sécurisée des parkings et également pour
prévenir les problèmes de vol de voiture. Le système de reconnaissance automatique de plaque d'immatriculation
consiste à extraire la plaque d'immatriculation du véhicule à partir d'une image numérique. L'article est basé sur une
combinaison de l'IoT et du traitement d'image remplissant la méthode d'approche des trous avec un test de critères de
zone pour la localisation de la plaque d'immatriculation. La segmentation des caractères de la plaque a été réalisée par
la méthode de balayage horizontal et vertical. La reconnaissance de caractères a été réalisée à l'aide de caractères
optiques par le processus de correspondance de modèles. Nous nous concentrons principalement sur trois étapes : la
première consiste à localiser la plaque d'immatriculation, la deuxième consiste à segmenter tous les numéros et à
identifier chaque numéro séparément, la troisième consiste à reconnaître chaque caractère.
Mot clé : Internet des Objets, Raspberry pi3.
1. INTRODUCTION
Le système de reconnaissance automatique des plaques d'immatriculation joue un rôle important dans les applications réelles
telles que les péages automatiques, l'application du code de la route, le contrôle d'accès aux parkings et la surveillance du trafic routier.
Le système VLPR reconnaît le numéro de plaque d'un véhicule à partir d'une image prise par un appareil photo numérique. Il est rempli par
la combinaison de nombreuses techniques telles que l'acquisition d'images, c'estàdire la capture de l'image réelle de la plaque, la
localisation de la segmentation des caractères de la plaque d'immatriculation, c'estàdire la localisation et l'identification des caractères
individuels sur la plaque, la reconnaissance optique des caractères. Le problème de reconnaissance est généralement subdivisé en quatre
parties : Acquisition d'image, c'estàdire capturer l'image de la plaque d'immatriculation, Prétraitement de l'image, c'estàdire localiser la
plaque d'immatriculation, Segmentation des caractères, c'estàdire localiser et identifier l'image du symbole individuel sur la plaque,
Caractère optique reconnaissance. Un paramètre directeur à cet égard est la structure et les normes de circulation propres à chaque pays.
Cela permet d'affiner le système, c'estàdire le nombre de caractères dans la plaque d'immatriculation, le niveau de luminance du texte
(index relatif, c'estàdire le texte sombre sur fond clair ou le texte clair sur fond sombre), etc.
Par exemple, en Inde, la norme est d'imprimer le numéro de plaque d'immatriculation en noir sur fond blanc pour les véhicules
privés et sur fond jaune pour les véhicules utilitaires. La plaque d'immatriculation est un motif avec de très fortes variations de contraste. Si
les plaques d'immatriculation sont très similaires à l'arrièreplan, il est difficile d'identifier l'emplacement, la luminosité et le contraste y sont
modifiés. L'opération morphologique réutilisée pour extraire le trait de contraste à l'intérieur de la plaque. Le travail est divisé en plusieurs
parties :
1. Image d'entrée
2. Echelle de gris d'entrée/binirazation 3.
Réduire le bruit à l'aide de la méthode de filtrage médian 4.
Localisation de la plaque
5. Segmentation des caractères 6.
Reconnaissance des caractères
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
1.1 Schéma fonctionnel et description :
Fig. 1. Schéma fonctionnel du système de reconnaissance automatique des plaques d'immatriculation des véhicules basé sur l'IdO
• Image d'entrée :
l'image d'entrée est capturée par un appareil photo numérique.
• Échelle de gris d'entrée/binirazation : l'image
d'entrée doit être convertie en valeur d'échelle de gris 8 bits est calculée. Et après cela, l'échelle de gris est convertie en image
binaire par la méthode de seuillage.
• Réduction du bruit :
Nous avons utilisé la technique de filtrage médian pour réduire le bruit. Nous avons utilisé des masques 3 x 3 pour obtenir huit
voisins d'un pixel et leur valeur de gris correspondante.
• Localisation des plaques :
L'étape de base de la reconnaissance de la plaque d'immatriculation du véhicule consiste à détecter la taille de la plaque. En
général, les plaques d'immatriculation sont de forme rectangulaire. Nous devons donc détecter les bords de la plaque
rectangulaire. La fonction de boîte à outils Open CV fournit une fonction appelée accessoires de région. Il mesure un ensemble
de propriétés pour chaque région étiquetée dans la matrice. Nous avons utilisé la boîte englobante pour mesurer les propriétés
de la région de l'image.
• Segmentation des personnages :
Nous obtenons une image individuelle de caractère et de numéro en utilisant la méthode de balayage vertical et horizontal.
• Reconnaissance de caractères : la
méthode de correspondance de modèle est utilisée pour la reconnaissance de caractères et les données résultantes sont
ensuite utilisées pour comparer avec les enregistrements d'une base de données, afin de trouver les informations spécifiques.
1.2 Internet des objets (IdO)
C'est la future technologie de connexion du monde entier en un seul endroit. Tous les objets, choses et capteurs peuvent être connectés
pour partager les données obtenues à divers endroits et traiter/analyser ces données pour coordonner les applications telles que la signalisation du
trafic, la surveillance mobile de la santé dans les applications médicales et les méthodes de sécurité industrielle, etc. Selon l'estimation d'experts
technologiques, 50 milliards d'objets seront connectés en IoT d'ici 2020. L'IoT offre une large gamme de connectivité d'appareils avec divers protocoles
et diverses propriétés d'applications pour obtenir l'interaction complète de machine à machine.
Les technologies traditionnelles telles que la domotique, les réseaux de capteurs sans fil et les systèmes de contrôle deviendront plus
efficaces et plus intelligents grâce à l'implication de l'IoT. L'IoT a un large éventail de domaines d'application.
Tels que les applications médicales pour surveiller la santé d'un patient et envoyer les informations sans fil. L'instrumentation portable en développement
actuel est également basée sur l'IoT. L'exemple d'instrumentation portable est les bracelets intelligents, les pilules de navigation, etc. Toutes ces
méthodes nécessitent une interface Internet pour mettre à jour les informations de santé ou
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
pour contrôler l'appareil avec un téléphone intelligent. L'IdO joue également un rôle essentiel dans les applications médiatiques pour la
publicité et l'échange d'informations dans le monde entier. Les processus de fabrication nécessitent également l'IoT pour la gestion de
la chaîne d'approvisionnement, des systèmes de contrôle numérique pour surveiller les processus de fabrication. Les exigences
d'espace de la technologie IoT, les spécifications géographiques sont toujours importantes en cas d'applications de suivi. Les
dimensions géographiques des objets sont également importantes lors de l'obtention des données des objets. L'IoT dans les applications
automobiles et la maintenance du trafic est devenu le domaine d'automatisation le plus utilisé. Les dispositifs automatisés d'un véhicule
doivent être connectés à un cloud pour mettre à jour l'état de la voiture dans un délai donné. En connectant les véhicules et les
systèmes de signalisation routière à Internet, les utilisateurs peuvent facilement trouver le chemin le plus court vers leur destination à
partir des systèmes de surveillance du trafic et peuvent naviguer automatiquement en vérifiant toutes les autres directions.
2. DÉTECTION DE PLAQUE D'IMMATRICULATION
L'objectif de cette section est d'élaborer sur les méthodes de recherche de l'emplacement des plaques d'immatriculation des
véhicules dans les images capturées. Généralement, une caméra monochrome avec un projecteur IR synchrone et une caméra couleur
sont utilisées dans un système ANPR industriel polyvalent. La caméra monochrome avec projecteur IR est responsable de la détection
des plaques pendant la nuit ou dans d'autres conditions de faible éclairage. Il convient de noter que pour que le projecteur IR soit
efficace, les plaques du véhicule doivent avoir été recouvertes de matériaux réfléchissants IR. Le rôle des projecteurs IR est également
important dans la détection des assiettes sales même en plein jour en prenant soin du temps d'exposition de la caméra.
La puissance du projecteur IR a une relation étroite avec le temps d'exposition de la caméra et le temps d'exposition joue un rôle
important dans la clarté finale des plaques des véhicules. Étant donné que les véhicules se déplacent rapidement, des valeurs élevées
de temps d'exposition conduisent à des images floues tandis que des valeurs de temps d'exposition faibles produisent des images
sombres. Par conséquent, il est important de régler la puissance de sortie du projecteur IR par rapport au temps d'exposition de la
caméra monochrome. Il est également nécessaire d'avoir une procédure adaptative pour affiner le temps d'exposition en fonction des
conditions d'éclairage. La modification du temps d'exposition est effectuée dans une procédure adaptative qui tire son retour de
l'épaisseur des caractères de la plaque. Avoir des caractères fins est un signe de lumière ambiante élevée. Dans ce cas, il faut diminuer
le temps d'exposition.
D'autre part, la réalisation de caractères épais montre que la luminosité ambiante est faible et qu'il faut augmenter le temps
de pose. Les étapes de modification dépendent de la configuration et de l'application et doivent être trouvées expérimentalement. Par
exemple, au lever du soleil, la lumière du soleil se reflète sur les véhicules qui se déplacent d'est en ouest. Dans de tels cas, le temps
d'exposition doit être réduit à une valeur qui élimine les reflets. une comparaison entre les algorithmes de temps d'exposition fixe et
variable est démontrée. Des caméras couleur sont nécessaires pour fournir des preuves visuelles des scènes d'infraction afin de
prendre en charge les contraventions correspondantes. Comme indiqué dans la section d'introduction, il existe de nombreux algorithmes
pour détecter l'emplacement exact des plaques dans une image. Nous avons essayé la plupart des algorithmes proposés jusqu'à
présent. Tous ces algorithmes échouent sur les plaques sales et les plaques avec un faible contraste entre les caractères de la plaque
et l'arrièreplan. Figues. 1 et 2 montrent les résultats de l'application de l'opérateur de bord de Sobel vertical et de la transformée de
Hough sur des plaques sales et propres.
2.1 Recherche des régions de plaques d'immatriculation
Le schéma fonctionnel de notre système ANPR proposé est illustré à la Fig. 4. Ce système a été largement testé sur une période
d'exploitation d'un an dans différentes rues et autoroutes de Téhéran, la capitale de l'Iran. Nos efforts et notre empressement à disposer
des ensembles de données d'autres chercheurs, mentionnés dans nos tests et références, ont été infructueux, pour l'instant. Ainsi, pour
effectuer des comparaisons valides et équitables, nous avons nousmêmes collecté d'énormes ensembles de données très inclusifs.
En fait, nous pouvons affirmer que notre banc d'essai (basé sur nos ensembles de données) est le plus difficile et le plus complet
présenté jusqu'à présent. Dans cet article, deux ensembles de données différents sont préparés et utilisés à des fins de formation, de
tests et d'évaluation.
Ils sont nommés "Crossroad Data set" et "Highway Data set". L'ensemble de données Crossroad a été collecté à plusieurs
carrefours pour identifier les véhicules qui traversent la ligne piétonne. Il se compose de plus de 10 000 images capturées par des
caméras de circulation. Pour 8000 images de cet ensemble de données, un à sept véhicules sont présents dans chaque image. Dans
2000 images, aucun véhicule n'est présent, c'estàdire que la scène montre une rue vide. Ces 2000 images ont été utilisées pour
mesurer le taux de fausses alarmes pour le processus de détection des plaques.
L'ensemble de données sur les autoroutes a été recueilli sur les autoroutes et les rues pour les applications de comptage de
véhicules. Les systèmes de comptage de voitures basés sur des plaques peuvent capturer des informations précieuses sur les
embouteillages, le type de véhicules dans différentes voies, etc. L'ensemble de données routières se compose de plus de cinq millions
de trames qui incluent plus de deux cent mille véhicules différents. Les images de l'ensemble de données routières ont été capturées à
différentes heures de la journée et à différents jours de l'année, de sorte que les changements d'ombres, d'éclairages, de réflexions et
de conditions météorologiques affectent considérablement les images. Il convient de mentionner que trois couleurs de fond différentes
existent dans les plaques iraniennes : rouge, jaune et blanc. La couleur des caractères, comme celle de nombreux autres pays, est soit
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
noir ou blanc. Dans la plupart des projets industriels, en raison de la résolution des caméras de circulation, les véhicules ne sont pas visibles dans
les régions où la distance entre les véhicules et la caméra est importante. En outre, il existe des régions, telles que la chaussée ou le trottoir, où
aucun véhicule n'existe. Par conséquent, un ROI (région d'intérêt) est choisi pour exclure les régions non pertinentes. Un retour sur investissement
dans notre système peut être un polygone, dans sa forme la plus générale. La sélection de polygone ROI est très utile pour les systèmes ANPR
industriels car elle aide à éliminer les régions où il n'y a pas de plaque et réduit ainsi le temps de traitement global. Désormais, pour l'évaluation des
algorithmes proposés, seul le ROI est affiché. Les ensembles de données Crossroad et Highway sont composés de plaques propres, moyennes et
sales. Pour des évaluations quantitatives et des comparaisons, nous avons établi une définition claire de ces conditions de plaque : dans les plaques
propres, tous les caractères sont lisibles, les plaques de qualité moyenne sont celles qui comportent un ou deux caractères illisibles, et les plaques
sales sont celles qui comportent moins de quatre caractères. caractères lisibles.
Le processus de détection est initié par une image en niveaux de gris, comme illustré . La raison principale est que la couleur ne peut
pas être utilisée dans le temps de traitement, mais rend également l'algorithme plus robuste aux changements de couleur causés par différentes
conditions d'éclairage tout au long de la journée. Par conséquent, notre algorithme de détection est directement applicable aux caméras couleur et
monochromes. Dans l'étape suivante, un algorithme pour détecter des objets en mouvement dans deux images vidéo consécutives est appliqué. Il
existe une variété de méthodes pour calculer les parties dynamiques des images en se basant sur la comparaison avec les images vidéo
précédentes. Les algorithmes basés sur le flux optique et la soustraction de fond ne sont que quelquesunes des méthodes de détection rapportées.
Les méthodes de soustraction d'arrièreplan nécessitent un modèle d'arrièreplan pour détecter les objets de premier plan. Ces méthodes sont
coûteuses en temps de calcul et consommatrices de mémoire pour des images de grandes tailles. De plus, ils ne donnent aucune idée de la vitesse
des objets en mouvement et souffrent des composants de bruit. D'autre part, les algorithmes basés sur le flux optique tels que les méthodes
variationnelles [44] sont parfaits pour calculer les vecteurs de vitesse et supprimer les composants de bruit. Dans cet article, la méthode de Lucas
et Kanade est utilisée pour extraire les vecteurs de vitesse : tout d'abord, les points clés sont extraits à l'aide de la méthode ShiTomasi, puis ces
points clés sont suivis dans chaque image pour
calculer les vecteurs de vitesse. Ces vecteurs sont connectés les uns aux autres à l'aide d'opérations morphologiques simples telles que
la dilatation et la fermeture. Cette étape aide à trouver les régions qui contiennent les véhicules et réduit les exigences de calcul totales.
2.2 Localisation des plaques d'immatriculation pendant la journée
Après avoir extrait les régions les plus susceptibles d'inclure des plaques, comme expliqué dans la section précédente, une localisation plus
précise des plaques de véhicules est effectuée sur la base du concept de Random Sampling Consensus (RANSAC). RANSAC est un algorithme
itératif utilisé pour ajuster un modèle mathématique robuste à un ensemble de données observées. Cette méthode ignore les valeurs aberrantes et
trouve le meilleur modèle pour le reste des données données. L'application principale de RANSAC dans le domaine de la vision artificielle est la
vision stéréo, et plus particulièrement la recherche de la matrice fondamentale.
Dans cet article, une version révisée de l'algorithme RANSAC est conçue et exploitée dans l'analyse des plaques d'immatriculation.
processus de localisation. Notre procédure pour localiser les plaques candidates se déroule en quatre étapes.
Pas:
1. Une fenêtre coulissante est déplacée sur toute l'image binarisée. La figure 6(e) est un exemple d'image d'entrée à cette étape.
La taille de la fenêtre coulissante dans n'importe quelle région est choisie pour être deux fois plus grande que la taille de la plaque du
véhicule dans cette région. Nous utilisons (2) et (3) pour calculer la taille de la fenêtre à cette étape.
2. L'algorithme de composant connecté est appliqué à la fenêtre de l'étape 1.
3. Les composants avec des hauteurs et des largeurs d'un caractère de plaque sont choisis et les autres sont
mis au rebut.
4. RANSAC est utilisé pour déterminer la meilleure ligne qui représente les données données. Cette ligne doit avoir deux propriétés
principales : premièrement, elle doit croiser plus de k caractères candidats avec un espace spécifique entre eux, et ensuite, elle doit
avoir une pente raisonnable. La pente limite doit être définie en fonction de la vue de la caméra. Dans cet article, les nombres limites
pour les caractères de croisement dans les plaques iraniennes et la pente sont trouvés expérimentalement comme 5 composants et 20
degrés respectivement.
Localisation des plaques d'immatriculation la nuit La nuit et dans d'autres conditions de faible luminosité, les plaques des véhicules ne
sont pas visibles par les caméras de circulation. Dans des pays comme l'Iran où les plaques des véhicules sont recouvertes de matériaux sensibles
à l'infrarouge, des projecteurs infrarouges sont utilisés pour rendre les plaques visibles sans distraire les conducteurs. Les plaques, lorsqu'elles sont
exposées aux rayons infrarouges, semblent brillantes, claires et éclairées sur les images capturées par des caméras infrarouges monochromes. La
détection des plaques est généralement beaucoup plus simple et rapide avec les caméras infrarouges. Dans une image IR, les plaques sont les
seules régions à contraste élevé par rapport au reste de l'image. Dans des conditions de faible luminosité, une grande partie de la zone de l'image
est recouverte de régions à faible niveau de gris. Ainsi, le nombre d'erreurs de faux positifs dans la détection des plaques est considérablement
réduit. Après avoir détecté
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
Figue2. Image en niveaux de gris
Figue3. Image binirisée
Figue4. Numéro reconnu
Figue5. Numéro reconnu final
les zones à contraste élevé, le processus de détection de plaque est poursuivi par l'algorithme RANSAC. Les procédures
restantes sont les mêmes que les homologues de la version de jour de l'algorithme, qui sont expliquées dans la soussection
précédente. Pour résumer, on peut dire que la principale différence entre les algorithmes de nuit et de jour se situe dans la
partie détection de plaque. Les prochaines étapes sont complètement les mêmes.
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
3. SCHÉMA ET DESCRIPTION
3.1 Emetteur
Figue6. Émetteur
3.2 Récepteur
Figue7. Destinataire
3.3 Description et fonctionnement
L'ordinateur de bord peut communiquer efficacement avec les modules de sortie et d'entrée qui sont utilisés. Le Raspberry Pi est
un ordinateur monocarte de la taille d'une carte de crédit développé au RoyaumeUni par la Raspberry Pi Foundation.
La reconnaissance des plaques d'immatriculation des véhicules est un système difficile mais indispensable. Ceci est très utile pour
automatiser les cabines de péage, l'identification automatisée des briseurs de signal et découvrir les briseurs de règles de circulation. Nous
proposons ici un système de reconnaissance de plaque d'immatriculation de véhicule basé sur Raspberry Pi qui reconnaît automatiquement
les plaques d'immatriculation des véhicules à l'aide du traitement d'image. Le système utilise une caméra avec un circuit d'affichage LCD
interfacé à un Raspberry pi. Le système traite en permanence les images de caméra entrantes pour détecter toute trace de plaques d'immatriculation.
Lors de la détection d'une plaque d'immatriculation devant la caméra, il traite l'entrée de la caméra, extrait la partie de la plaque d'immatriculation
de l'image. Traite l'image extraite à l'aide de l'OCR et en extrait le numéro de plaque d'immatriculation. Le système affiche ensuite le numéro
extrait sur un écran LCD. Ainsi, nous avons proposé un système de reconnaissance de plaque d'immatriculation de véhicule entièrement
fonctionnel utilisant Raspberry Pi.
• Processeur Raspberry Pi :
Dans le système RAPI proposé, nous avons utilisé le Raspberry Pi, un ordinateur monocarte de la taille d'une carte de crédit
développé au RoyaumeUni par la Fondation Raspberry Pi. Le Raspberry Pi dispose d'un système Broadcom BCM2835 sur puce (SoC), qui
comprend un processeur ARM1176JZFS 700 MHz, un GPU Video Core IV, et a été initialement livré avec 256 mégaoctets de RAM, mis à
niveau plus tard à 512 Mo.
• Caméra USB :
Une webcam ou caméra USB est une caméra vidéo qui transmet son image en temps réel à un ordinateur ou à un réseau
informatique. Contrairement à une caméra IP qui utilise une connexion directe via Ethernet ou WiFi, une caméra USB est généralement
connectée par un câble USB, un câble FireWire ou un câble similaire. L'utilisation courante comme caméra vidéo pour le World Wide Web a
donné son nom à la webcam. D'autres utilisations populaires incluent la surveillance de sécurité, la vision par ordinateur, la diffusion vidéo et
l'enregistrement de vidéos sociales. Les webcams sont connues pour leur faible coût de fabrication et leur flexibilité, ce qui en fait la forme de
visiophonie la moins chère. Elles sont également devenues une source de problèmes de sécurité et de confidentialité, car certaines webcams
intégrées peuvent être activées à distance via un logiciel espion.
Vol3 Numéro2 2017 IJARIIEISSN(O)23954396
4. CONCLUSION
Dans cet article, un système ANPR industriel, robuste et fiable pour les applications à grande vitesse est proposé.
Le principal avantage de notre système est sa grande précision de détection et de reconnaissance sur les plaques sales. Pour obtenir
des évaluations fiables, deux nouveaux ensembles de données ont été créés et utilisés dans cet article : l'un pour la détection des
infractions appelé "Crossroad Data set" et l'autre pour le comptage des véhicules sur les autoroutes appelé "Highway Data set". Les
précisions de notre système sur l'ensemble de données Crossroad sont respectivement de 98,7 %, 99,2 % et 97,6 % pour les pièces de
détection de plaque, de segmentation de caractères et de reconnaissance de plaque. Dans l'application de comptage de véhicules, le
taux de détection et le taux de fausses alarmes sur l'ensemble de données Highway sont respectivement de 99,1 % et 0,5 %. Nous avons
également testé ce système sur un ensemble de données de plaque anglaise accessible au public et avons atteint une précision globale
de 97 %. Le système proposé est comparé à de nombreux systèmes ANPR rapportés de différents points de vue.
En considérant les aspects pratiques, plusieurs copies de notre système ANPR ont été installées dans différentes intersections
et autoroutes de Téhéran, capitale de l'Iran. Ces systèmes ont été testés jour et nuit pendant un an et ont présenté des performances
robustes et fiables, dans différentes conditions météorologiques, telles que la pluie, la neige et la poussière. La partie reconnaissance de
caractères de notre système a été testée séparément sur l'ensemble de données et a atteint une précision de 98,5 %, avec des exigences
de calcul relativement faibles. Les techniques, algorithmes et procédures de paramétrage présentés, ainsi que nos ensembles de données
et les évaluations connexes, fournissent un ensemble complet de solutions aux problèmes et aux défis liés à l'intégration des systèmes
ANPR dans diverses applications STI.
5. RÉFÉRENCES
[1] Reconnaissance de plaques C.NE à partir d'images fixes et d'une séquence vidéo d'une enquête, IEEE trans. Intel. Transp. Syst.
Vol. 9, n°3, pp.377391,2008
[2] P.Anishiya, Prof SM, Mary Joan, "Reconnaissance de plaques d'immatriculation pour les voitures indiennes utilisant la dilatation
morphologique et l'érosion à l'aide d'OCR", IACSIT, Vol4, 2011, pp 115119.
[3] Satadal saha, Subhadip Basu, Mita Nasipuri, Dipak Kumar Basu, "Localisation de la plaque d'immatriculation du véhicule
Images : Une approche multiétapes basée sur les bords'', IJRTE, Vol 1, 2009
[4] Serkan Ozbay, Ergun Ercelebi, "Identification automatique des véhicules par reconnaissance de plaque", Tome 9, 2005
[5] Phalgun Pandy et Deep Singh, "Approche morphologique du nombre de reconnaissance en Inde", IJSCE,
Vol1, Numéro 3,2011,pp107112
[6] Tran Duc Duan, Tran Le Hong Du, Tran Vinh Phuoc, Nguyen Viet Hoan, "Système de reconnaissance automatique des plaques
d'immatriculation des véhicules" Int. Conf. en calcul. Sci. RIVF, p. 5963, 2005