Machine Translated by Google

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

4633 www.ijariie.com 3552

Machine Translated by Google

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

4633 www.ijariie.com 3553

Machine Translated by Google

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

4633 www.ijariie.com 3554

Machine Translated by Google

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

4633 www.ijariie.com 3555

Machine Translated by Google

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.

4633 www.ijariie.com 3556

Machine Translated by Google

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.

4633 www.ijariie.com 3557

Machine Translated by Google

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

4633 www.ijariie.com 3558