Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning
El reconocimiento automático de matrículas (ALPR) es una tarea importante con muchas aplicaciones en los sistemas inteligentes de transporte y vigilancia. Muchos de los sistemas de reconocimiento de matrículas automatizados existentes, solo funcionan en un entorno controlado donde las imágenes se ca...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2022
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510521735217152 |
|---|---|
| author | Ccoto Huallpa, Elias |
| author2 | Sanchez Garces, Jorge Alejandro |
| author_browse | Ccoto Huallpa, Elias Sanchez Garces, Jorge Alejandro |
| author_facet | Sanchez Garces, Jorge Alejandro Ccoto Huallpa, Elias |
| author_sort | Ccoto Huallpa, Elias |
| collection | Repositorio institucional |
| description | El reconocimiento automático de matrículas (ALPR) es una tarea importante con muchas aplicaciones en los sistemas inteligentes de transporte y vigilancia. Muchos de los sistemas de reconocimiento de matrículas automatizados existentes, solo funcionan en un entorno controlado donde las imágenes se capturan desde un ángulo recto con buena iluminación y claridad. Esta investigación presenta un modelo de procesamiento de imágenes para la detección y el reconocimiento de matrículas en Perú, que se puede manejar matrículas de fuentes ruidosas, con poca iluminación, en ángulo cruzado y no estándar. Este trabajo emplea varias técnicas de procesamiento de imágenes como, transformación morfológica, suavizado gaussiano y umbral gaussiano en la etapa de procesamiento. Una vez realizado el procesamiento de imagen se usa 3 algoritmos diferentes K-NN, SVM y Tesseract para el reconocimiento de caracteres, cada algoritmo con sus respectivos hiperparámetros para su optimización. Las imágenes fueron separadas en dos grupos, la primera en 80 imágenes tomadas de diferentes ángulos y distancia donde se obtuvo SVM con el mejor mode oiiiiiiiiiiiiiiiiiiiiioiolo con un accuracy de 86% y en el segundo grupo con imágenes tomadas de un Angulo recto y distancia similar, en este grupo obtuvo un accuracy de 95.5% |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/6252 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Tecnología de información e innovación tecnológica |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2022 |
| publishDateRange | 2022 |
| publishDateSort | 2022 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Juliaca |
| spelling | Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning Ccoto Huallpa, Elias Sanchez Garces, Jorge Alejandro KNN SVM Tesseract OpenCV Machine Learning Hiperpárametros El reconocimiento automático de matrículas (ALPR) es una tarea importante con muchas aplicaciones en los sistemas inteligentes de transporte y vigilancia. Muchos de los sistemas de reconocimiento de matrículas automatizados existentes, solo funcionan en un entorno controlado donde las imágenes se capturan desde un ángulo recto con buena iluminación y claridad. Esta investigación presenta un modelo de procesamiento de imágenes para la detección y el reconocimiento de matrículas en Perú, que se puede manejar matrículas de fuentes ruidosas, con poca iluminación, en ángulo cruzado y no estándar. Este trabajo emplea varias técnicas de procesamiento de imágenes como, transformación morfológica, suavizado gaussiano y umbral gaussiano en la etapa de procesamiento. Una vez realizado el procesamiento de imagen se usa 3 algoritmos diferentes K-NN, SVM y Tesseract para el reconocimiento de caracteres, cada algoritmo con sus respectivos hiperparámetros para su optimización. Las imágenes fueron separadas en dos grupos, la primera en 80 imágenes tomadas de diferentes ángulos y distancia donde se obtuvo SVM con el mejor mode oiiiiiiiiiiiiiiiiiiiiioiolo con un accuracy de 86% y en el segundo grupo con imágenes tomadas de un Angulo recto y distancia similar, en este grupo obtuvo un accuracy de 95.5% 2022-07-04 2023-02-01T22:39:46Z 2023-02-01T22:39:46Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/6252 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/3.0/es/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/6252 2026-11-10T17:45:09Z |
| spellingShingle | KNN SVM Tesseract OpenCV Machine Learning Hiperpárametros Ccoto Huallpa, Elias Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning |
| title | Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning |
| title_full | Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning |
| title_fullStr | Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning |
| title_full_unstemmed | Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning |
| title_short | Modelo de reconocimiento automático y detección de matrículas basado en OpenCV y Machine Learning |
| title_sort | modelo de reconocimiento automatico y deteccion de matriculas basado en opencv y machine learning |
| topic | KNN SVM Tesseract OpenCV Machine Learning Hiperpárametros |
| topic_facet | KNN SVM Tesseract OpenCV Machine Learning Hiperpárametros |
| url | https://hdl.handle.net/20.500.12840/6252 |
| work_keys_str_mv | AT ccotohuallpaelias modelodereconocimientoautomaticoydetecciondematriculasbasadoenopencvymachinelearning |