University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Boudissa, roukia |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Reconnaissance de plaques d'immatriculation par SVM Type de document : texte imprimé Auteurs : Boudissa, roukia ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (63f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
LPLR
SVM
segmentation d'image
plaque d'immatriculationIndex. décimale : 004 Informatique Résumé : Résumé
Au cours de la derni`ere d´ecennie, le nombre de v´ehicules augmente jour apr`es jour. Cela augmente les
probl`emes pour la police de la circulation, comme les violations de la lumi`ere rouge, les probl`emes de stationnement, les violations des voies erron´ees et les violations des cabines de p´eage, les syst`emes de surveillance
du trafic qui incluent les parkings sans surveillance, la collecte automatique des p´eages et la poursuite p´enale
pour ces probl`emes, nous d´efinissons la reconnaissance de la plaque d’immatriculation (LPR ) Qui est un
probl`eme visant `a identifier les v´ehicules en d´etectant et en reconnaissant sa plaque d’immatriculation.
Dans ce travail, nous d´eveloppons une m´ethode de reconnaissance de plaque d’immatriculation `a l’aide
d’un classificateur SVM (Machine a Vecteur de Support), notre travail consiste en pr´etraitement, d´etection,
segmentation et reconnaissance de caract`eres pour trouver et reconnaˆıtre les plaques `a partir d’images fixes.
Le syst`eme est d’abord pris une image comme entr´ee et d´etect´e ou localiser la plaque d’immatriculation,
puis le num´ero de plaque est extrait de la plaque d’immatriculation en utilisant les techniques de segmentation
des caract`eres, passant `a la reconnaissance des caract`eres en utilisant le classificateur SVM.
La pr´ecision de cette m´ethode ´etait presque 90%. Cette nouvelle approche fournit une bonne direction
pour la reconnaissance automatique des plaques d’immatriculation.
Note de contenu : Contents
1 Introduction 7
1.1 Research Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Machine Learning and SVM 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Basic notions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Machine learning tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Supervised classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Supervised Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Unsupervised Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Support Vector Machine (SVM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.1 History . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.2 VC Dimension and the Risk Bound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.3 Principle of general operation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.4 SVMs methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.5 Kernel trick and Mercer condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.6 Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.7 General architecture of a support vector machine . . . . . . . . . . . . . . . . . . . . . 24
2.5.8 Support Vector Machines for Classification . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.9 Support Vector Machines for Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Comparison of different machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 License Plate Recognition 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Image definition and concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Image definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Image segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.5 Image histogram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Background and Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 License Plate Recognition System 35
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Automatic Number Plate Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3 License Plate Recognition (LPR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Overview of Our Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.1 System Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.2 Proposed Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2.1 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.2 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.3 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4.2.4 Character recognition using SVM . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Experiment Result and Analysis 43
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Environment Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.2 Opencv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.3 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.4 Scikit-Learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.5 Floyd CLI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.1 Chars74k Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.2 MNIST Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 License Plate Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5 Methodology and Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1 Proposed System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1.1 Importing Packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.2 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.3 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.5.1.4 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5.1.5 License Plate recognition using SVM . . . . . . . . . . . . . . . . . . . . . . 54
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 Conclusions and Future Work 59
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0206 En ligne : https://drive.google.com/file/d/1wvfMZgzR9tG4ajQyWYssxNHn0piyy-vk/view?usp=shari [...] Format de la ressource électronique : Reconnaissance de plaques d'immatriculation par SVM [texte imprimé] / Boudissa, roukia ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (63f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
LPLR
SVM
segmentation d'image
plaque d'immatriculationIndex. décimale : 004 Informatique Résumé : Résumé
Au cours de la derni`ere d´ecennie, le nombre de v´ehicules augmente jour apr`es jour. Cela augmente les
probl`emes pour la police de la circulation, comme les violations de la lumi`ere rouge, les probl`emes de stationnement, les violations des voies erron´ees et les violations des cabines de p´eage, les syst`emes de surveillance
du trafic qui incluent les parkings sans surveillance, la collecte automatique des p´eages et la poursuite p´enale
pour ces probl`emes, nous d´efinissons la reconnaissance de la plaque d’immatriculation (LPR ) Qui est un
probl`eme visant `a identifier les v´ehicules en d´etectant et en reconnaissant sa plaque d’immatriculation.
Dans ce travail, nous d´eveloppons une m´ethode de reconnaissance de plaque d’immatriculation `a l’aide
d’un classificateur SVM (Machine a Vecteur de Support), notre travail consiste en pr´etraitement, d´etection,
segmentation et reconnaissance de caract`eres pour trouver et reconnaˆıtre les plaques `a partir d’images fixes.
Le syst`eme est d’abord pris une image comme entr´ee et d´etect´e ou localiser la plaque d’immatriculation,
puis le num´ero de plaque est extrait de la plaque d’immatriculation en utilisant les techniques de segmentation
des caract`eres, passant `a la reconnaissance des caract`eres en utilisant le classificateur SVM.
La pr´ecision de cette m´ethode ´etait presque 90%. Cette nouvelle approche fournit une bonne direction
pour la reconnaissance automatique des plaques d’immatriculation.
Note de contenu : Contents
1 Introduction 7
1.1 Research Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Machine Learning and SVM 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Basic notions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Machine learning tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Supervised classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Supervised Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Unsupervised Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Support Vector Machine (SVM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.1 History . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.2 VC Dimension and the Risk Bound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.3 Principle of general operation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.4 SVMs methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.5 Kernel trick and Mercer condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.6 Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.7 General architecture of a support vector machine . . . . . . . . . . . . . . . . . . . . . 24
2.5.8 Support Vector Machines for Classification . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.9 Support Vector Machines for Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Comparison of different machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 License Plate Recognition 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Image definition and concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Image definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Image segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.5 Image histogram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Background and Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 License Plate Recognition System 35
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Automatic Number Plate Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3 License Plate Recognition (LPR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Overview of Our Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.1 System Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.2 Proposed Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2.1 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.2 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.3 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4.2.4 Character recognition using SVM . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Experiment Result and Analysis 43
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Environment Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.2 Opencv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.3 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.4 Scikit-Learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.5 Floyd CLI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.1 Chars74k Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.2 MNIST Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 License Plate Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5 Methodology and Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1 Proposed System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1.1 Importing Packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.2 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.3 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.5.1.4 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5.1.5 License Plate recognition using SVM . . . . . . . . . . . . . . . . . . . . . . 54
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 Conclusions and Future Work 59
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0206 En ligne : https://drive.google.com/file/d/1wvfMZgzR9tG4ajQyWYssxNHn0piyy-vk/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0206 MAI/0206 Mémoire Bibliothéque des sciences Français Disponible
Disponible