University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
1 résultat(s) recherche sur le mot-clé 'Ingénierie de Données Technologies Web LPLR SVM segmentation d'image plaque d'immatriculation'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette 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