“Riconoscimento Targhe
Automobilistiche”
Parte II:
Clustering e
Riconoscimento Caratteri
(implementazione MATLAB)
Studenti: Damaggio Elettra
Firmani Donatella
Genovino Enzo Maria
Docente: Fiora Pirri
Corso: Visione e Percezione
Anno Accademico 2006 / 2007
RISULTATI
• Il lavoro svolto, permette di riconoscere la maggior parte
dei caratteri di tutte le targhe su cui fin ora è stato
testato.
• Non si è riuscito ad eliminare i seguenti errori.
Si noti che solo queste occorrenze dei caratteri non sono
state riconosciute.
o carattere “X” in targa numero 1: riconosciuto “Y”
o carattere “5” in targa numero 4: riconosciuto “3”
o carattere “N” in targa numero 7: riconosciuto “V”
o carattere “9” in targa numero 8: riconosciuto “6”
RISULTATI
Questo errore è dovuto al
fatto che localmente il
carattere “3” e il carattere
“5” hanno caratteristiche
molto simili.
Le SIFT individuano
come features
rappresentative la
“pancia”, la spezzata
sopra, e l’angolo con la
“pancia”. Il fatto che la
spezzata subisca una
riflessione dal 5 al 3, è
una informazione non
locale, che le SIFT non
elaborano.
METODO
Il metodo di riconoscimento usato consiste in:
o Binarizzazione con Erosione e Dilatazione
o Clusterizzazione (con ulteriore filtraggio)
o SIFT
o Matching dei keypoints e selezione inliers
EROSIONE E DILATAZIONE
Si è scelto di utilizzare un filtro di tipo “disk” con
diametro 1: la scelta deriva dal fatto che già utilizzando
un filtro con diametro 2 alcuni caratteri perdono integrità
e vengono quindi riconosciuti come cluster differenti
CLUSTERIZZAZIONE
In fase di clusterizzazione deve essere eliminato il rumore
residuo dal filtraggio. Sono stati individuati, nel caso di
studio, tre tipi di aree da eliminare:
o Banda nera:
 deriva dall’ombreggiatura del perimetro della targa
 unita alle lettere da diversi pixel
 si estende da un lato dell’immagine all’altro
o Pallino:
 deriva da un eventuale mancato filtraggio del bollino della targa
(causa dimensioni)
 non è unito alle lettere
 localizzato
o Striscia nera:
 deriva da una eventuale non completa eliminazione di una banda nera
(causa discontinuità)
 non è unita alle lettere
 localizzata
CLUSTERIZZAZIONE
Sono state quindi elaborate tre strategie di eliminazione ad
hoc. Mentre il pallino e la striscia nera possono essere
eliminati con opportuna selezione dei cluster, non è così
per la banda nera, che impedisce la corretta identificazione
di questi:
o Banda nera:
processo di eliminazione
tramite analisi dei vertici.
o Pallino:
selezione dei cluster in output
con limite inferiore sull’area
o Striscia nera:
selezione dei cluster in output
con limite superiore sulla larghezza
SIFT
• Utilizzato il codice di Lowe.
• Si è scelto di applicare le SIFT alle immagini binarizzate e filtrate. I test
fatti rivelano una diminuzione degli errori nel caso di immagini
binarizzate, rispetto a quelle in scala di grigi. Queste, infatti, sono affette
da maggiore rumore, e producono un set più piccolo di match, con
falsi match difficilmente eliminabili.
• Le SIFT applicate all’immediata selezione dei cluster, ovvero con
l’esatto bounding box del carattere, non calcolano alcuni keypoints sulla
frontiera, con la conseguenza di un match era poco robusto, soprattutto
per i caratteri che hanno grossa parte della frontiera che tocca il
bounding box. Non vengono infatti trovati match, ad esempio, per:
 La J
 La B
 Lo 0
Questo comportamento è stato risolto aggiungendo una “cornice” di
pixel bianchi ai cluster, e facendoli processare così.
MATCHING
• Utilizzato il codice di Lowe.
• Il matching è fatto confrontando i cluster della targa con le lettere
presenti nel database.
• La maggior parte dei falsi match derivano dal fatto che le SIFT sono
locali, e invarianti a scala e rotazione, cosa che nel caso in studio,
può produrre riconoscimenti errati. Ad esempio:




La J per la C
Lo 0 per il 9 e il 6
La A per la V
La J per la B
Questo comportamento è stato risolto considerando outliers i
matches che hanno stessa posizione ma differenti parametri per
scala e orientamento rispetto ad un inlier, ovvero non considerando
significative, ai fini della selezione, le informazioni su scala e
rotazione.