Αναγνώριση Πινακίδων Κυκλοφορίας Αυτοκινήτων από Φωτογραφίες με Μεθόδους Μηχανικής Μάθησης και Βαθειάς Μάθησης (Master thesis)

Σελαλμαζίδης, Αναστάσιος


This diploma thesis provides an overview of basic image processing methods, which will be used to create an algorithm for license plate identification and character segmentation. Furthermore, it analyzes popular machine learning and deep learning methods. The problems with publicly available datasets are also reported and for that reason, a new dataset of car photos is created where the license plates are clearly visible. The models are trained and evaluated on this new dataset. The results showed that the classical machine learning methods overcome deep learning methods. Specifically the SVM method with RBF kernel, yielded 99.4% accuracy. The results of the license plate identification algorithm where not as expected. Although the processing was very fast we gained an accuracy of only 57.52%.
Institution and School/Department of submitter: Σχολή Τεχνολογικών Εφαρμογών / Τμήμα Μηχανικών Πληροφορικής
Subject classification: Deep learning (Machine learning)
Βαθιά μάθηση (Μηχανική μάθηση)
Image processing -- Digital techniques
Επεξεργασία εικόνας -- Ψηφιακές τεχνικές
Computer vision
Υπολογιστική όραση
Automobile licence plates -- Identification
Πινακίδες κυκλοφορίας αυτοκινήτων -- Αναγνώριση
Keywords: Αυτόματη Αναγνώριση Πινακίδων Κυκλοφορίας;Επεξεργασία εικόνας;Υπολογιστική Όραση;Μηχανική Μάθηση;Δίκτυα Βαθειάς Μάθησης;Automatic License Plate Recognition;Machine Learning;Image Processing;Computer Vision;Deep Learning
Description: Μεταπτυχιακή εργασία - Σχολή Τεχνολογικών Εφαρμογών - Τμήμα Μηχανικών Πληροφορικής, 2017 α.α.8815
URI: http://195.251.240.227/jspui/handle/123456789/13751
Table of contents: 1 Εισαγωγή.............................................................................................................................1 1.1 Επεξεργασία εικόνας και αναγνώριση προτύπων........................................................1 1.2 Αντικείμενο διπλωματικής...........................................................................................2 1.2.1 Συνεισφορά ...........................................................................................................3 1.3 Οργάνωση κειμένου.....................................................................................................3 2 Θεωρητικό υπόβαθρο .........................................................................................................4 2.1 Βασικές Μέθοδοι Επεξεργασίας Εικόνας....................................................................4 2.1.1 Δυαδικές πράξεις...................................................................................................4 2.1.2 Μάσκες..................................................................................................................6 2.1.3 Πυρήνες.................................................................................................................7 2.1.4 Μορφολογικές Πράξεις .........................................................................................9 2.1.5 Εξομάλυνση και θόλωμα (Smoothing and Blurring)...........................................14 2.1.6 Χρωματικά Μοντέλα (Color Models) και Χώροι χρωμάτων (Color Spaces)......18 2.1.7 Κατώφλι (Thresholding) .....................................................................................22 2.1.8 Διαβαθμίσεις ή Κλίσεις (Gradients)....................................................................25 2.1.9 Περιγράμματα (Contours)...................................................................................28 2.1.10 Ανάλυση Συνδεδεμένων Συνιστωσών (Connected Component Analysis) ...........35 2.2 Περιγραφείς εικόνων .................................................................................................36 2.3 Μηχανική Μάθηση ....................................................................................................37 2.3.1 Μέθοδοι Μηχανικής Μάθησης ............................................................................37 2.3.2 Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) ......................................................................44 3 Συστήματα Αυτόματης Αναγνώρισης Πινακίδων Κυκλοφορίας (ΣΑΑΠΚ) ............... 47 3.1 Λήψη της φωτογραφίας.............................................................................................48 3.2 Εντοπισμός της πινακίδας..........................................................................................48 3.3 Κατακερματισμός των χαρακτήρων ..........................................................................49 3.4 Αποκοπή των χαρακτήρων ........................................................................................50 3.5 Αναγνώριση των χαρακτήρων ...................................................................................50 4 Το πρόβλημα με τα Σύνολα δεδομένων (datasets) ......................................................... 52 4.1 Σύνολα δεδομένων (datasets).....................................................................................53 4.1.1 CALTECH 2001 (Rear) ......................................................................................53 4.1.2 CALTECH 1999 (Rear) 2 ...................................................................................54 4.1.3 Oxford VGG Car Datasets..................................................................................54 4.1.4 UCSD..................................................................................................................55 4.1.5 Medialab.............................................................................................................55 4.2 Δημιουργία δικής μας συλλογής................................................................................56 5 Εντοπισμός της πινακίδας κυκλοφορίας.........................................................................57 5.1 Μελέτη του προβλήματος..........................................................................................58 5.2 Δομή του συστήματος ΑΑΠΚ ...................................................................................59 5.3 Εντοπισμός της πινακίδας..........................................................................................59 5.4 Κατακερματισμός των χαρακτήρων ..........................................................................65 5.4.1 Εντοπισμός των χαρακτήρων ..............................................................................66 5.5 Αποκοπή των χαρακτήρων ........................................................................................69 5.5.1 Αφαίρεση περιττών περιοχών από την πινακίδα..................................................70 5.6 Εξαγωγή χαρακτήρων................................................................................................73 6 Αναγνώριση χαρακτήρων ................................................................................................ 76 6.1 Επεξεργασία δεδομένων ............................................................................................76 6.1.1 Δημιουργία και Επισήμανση Δεδομένων .............................................................78 6.1.2 Εξαγωγή χαρακτηριστικών (FeatureExtraction )................................................80 6.2 Εκπαίδευση ................................................................................................................81 6.2.1 Διαχωρισμός Αριθμών και Χαρακτήρων .............................................................81 6.2.2 Διαχωρισμός δεδομένων .....................................................................................82 6.2.3 Αναζήτηση βέλτιστων Υπερ-παραμέτρων.............................................................83 7 Αξιολόγηση........................................................................................................................ 86 7.1 Σύστημα αξιολόγησης................................................................................................86 7.2 Επιλογή υπερ-παραμέτρων .......................................................................................86 7.3 Αποτελέσματα............................................................................................................87 7.3.1 Αποτελέσματα συνόλου δεδομένων αριθμών .......................................................88 7.3.2 Αποτελέσματα συνόλου δεδομένων χαρακτήρων .................................................98 7.4 Σύνοψη συμπερασμάτων αξιολόγησης....................................................................107 8 Τεχνικές λεπτομέρειες ....................................................................................................109 8.1 Πλατφόρμες και προγραμματιστικά εργαλεία .........................................................109 8.1.1 OpenCV 2.4.13.2...............................................................................................110 8.1.2 Python...............................................................................................................110 8.1.3 Scikit-learn........................................................................................................110 8.1.4 Keras.................................................................................................................110 8.1.5 Περιβάλλον Εργασίας Python 2 ........................................................................111 8.1.6 Περιβάλλον Εργασίας Python 3.5 .....................................................................111 9 Επίλογος .......................................................................................................................... 113 9.1 Σύνοψη και συμπεράσματα......................................................................................113 9.2 Μελλοντικές επεκτάσεις και σχετικές εργασίες ......................................................114 10 Βιβλιογραφία................................................................................................................... 116
Appears in Collections:Μεταπτυχιακές Διατριβές

Files in This Item:
File Description SizeFormat 
Μεταπτυχιακή Αναστάσιος Σελαλμαζίδης.pdfΣελαλμαζίδης, Μεταπτυχιακή 8.88 MBAdobe PDFView/Open



 Please use this identifier to cite or link to this item:
http://195.251.240.227/jspui/handle/123456789/13751
  This item is a favorite for 0 people.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.