Lecture automatique de plaque d’immatriculation

La technique de la reconnaissance optique de caractères

La lecture automatique de plaque d’immatriculation utilise la reconnaissance optique de caractères(OCR) sur des images prisent par des caméras. La Reconnaissance Optique de Caractères ou en anglais Optical Character Recognition est une technique qui, à partir d’un procédé optique, permet à un système informatique de lire et de stocker de façon automatique du texte dactylographié, imprimé ou manuscrit sans qu’on ait à retaper ce dernier. Un logiciel OCR permet par exemple à partir d’un texte scanné, d’extraire la partie textuelle des images, et de l’éditer dans un logiciel de traitement de texte. [3] Pour cela, le système OCR compare les couleurs noires et blanches d’un document pour déterminer chaque code alphanumérique. Le système reconnaît ensuite chaque caractère, et le convertit en texte ASCII (Code américain normalisé pour l’échange d’information). Certaines plaques d’immatriculation varient dans la taille des caractères et leur position. Les systèmes de lecture automatique de plaques minéralogiques doivent savoir traiter ces différences pour être vraiment efficaces. Les systèmes les plus évolués savent gérer les variations entre pays, bien que beaucoup de programmes soient spécifiques à un pays.

Image matricielle

Encore appelée image Bitmap, l’image matricielle est certainement celle la plus répandue et la plus couramment utilisée. Elle est tout simplement constituée d’une grille de milliers de Pixels représentant les points de couleur successifs de l’image. Nous parlons de points lorsque ces images sont imprimées ou destinées à l’impression (photographies, publicités, cartes etc.) et nous parlons de pixels pour les images stockées sous forme « binaire » ou numérique. Chaque Pixel est alors un tout petit carré ayant une place bien définie avec sa propre couleur et l’image devient alors un quadrillage de Pixels qui, placés les uns à côté des autres, restituent le rendu visuel.

Image vectorielle L’image Vectorielle utilise également la technique du Pixel, mais cette fois, leur position et leur couleur ne sont pas figées puisqu’elles sont calculées dynamiquement par le logiciel. Une image vectorielle est une image numérique composée d’objets géométriques individuels (segments de droite, polygones, arcs de cercle, etc.) définis chacun par divers attributs de forme, de position, de couleur, etc. Par exemple pour afficher une ligne, le logiciel détermine le point de départ, le point d’arrivée puis la trajectoire à suivre. Ensuite, il calcule et positionne l’ensemble des pixels nécessaires pour afficher cette ligne. Il en va de même pour des formes et des couleurs plus complexes.

Analyse d’images Le but de l’analyse d’images est d’extraire et de mesurer certaines caractéristiques de l’image traitée en vue de son interprétation. Ces caractéristiques peuvent être des données statistiques sur des comptes numériques (moyenne, histogramme, etc.), ou sur des données dérivées (ex. dimensions, ou orientation d’objets présents dans l’image). En général, le type d’information recherché dépend du niveau de connaissance requis pour interpréter l’image. Les applications dans le domaine du guidage et de la télédétection nécessitent souvent des connaissances différentes et de plus haut niveau (ex., cartes 3-D) que dans les domaines du médical, de la géologie, du contrôle de qualité, etc. Ainsi, un robot en déplacement ne nécessite pas le même type d’information qu’un système utilisé pour détecter la présence de matériaux défectueux. Pour ce dernier, il faut prendre uniquement la décision « non défectueux ou défectueux ». Cette décision peut être prise à partir d’un « raisonnement » plus ou moins complexe (exemple : détection de la présence de raies d’absorption caractéristiques d’une impureté). Pour le robot, il faut simuler le processus décisionnel d’un individu en déplacement, ce qui nécessite au préalable de reconstituer une carte du lieu de déplacement en temps réel, avec les obstacles à éviter.

Type de données manipulées : Le traiteur d’image dispose principalement d’images numériques, donc échantillonnées. Il dispose également de données intermédiaires de diverses natures : cartes de régions, listes de points connexes, tableaux de valeurs mesurées, etc. En ce qui concerne les images proprement dites, la représentation la plus utilisée est celle d’un tableau à 2 dimensions composé d’un ensemble de lignes et de colonnes. Chaque cellule du tableau, appelée pixel, contient une valeur quantifiée. Cette valeur est une sémantique dépendant du type de signal qu’elle code (intensité lumineuse du point, distance à un point de référence, ou numéro de la région d’appartenance par exemple). Dans le cas des images 3D d’IRM, la représentation n’est plus un tableau à 2 dimensions mais un tableau à 3 dimensions.

Phase de lecture OCR

Cette phase rassemble des techniques qui visent à récupérer les caractères de la plaque d’immatriculation avec la reconnaissance optique des caractères. Maintenant nous avons un contour valide qui représente une plaque d’immatriculation, nous pouvons mettre en oeuvre le processus OCR pour reconnaître les numéros. A ce stade on ne fait que transformer l’image en gris en une image binaire qui satisfait notre besoin d’une écriture noire sur un arrière-plan blanc car notre OCR Tess4J est dédié à la lecture de documents administratifs à arrière-plan blanc ce qui est la situation idéale pour un meilleur résultat de lecture afin de maximiser nos chances d’avoir le bon matricule. En effet la bibliothèque OCR que nous avons utilisé c’est à dire TEST4j utilise un algorithme d’apprentissage automatique du réseau neuronal artificiel pour reconnaitre les caractères. [22] Enfin pour mettre le processus de lecture OCR sur l’image de la plaque, il suffit de cliquer sur l’icône « process », cette fenêtre sera affichée qui contient à droite les numéros de la plaque ainsi que le pourcentage de confidentialité.

Conclusion générale

L’objectif de notre travail est de développer un système de détection et de reconnaissance de plaques d’immatriculation ayant la capacité d’extraire les numéros d’immatriculation algérienne. Dans ce projet de fin d’études, nous avons présenté un état de l’art sur les systèmes LAPI existants, les techniques de traitements d’images ainsi que les outils technologiques qui nous ont permis de réaliser un système de détection de plaques d’immatriculation algériennes nommé APR (Algerian Plate Recognition). Grâce à la réalisation de ce système, nous avons atteint l’objectif de notre travail qui consiste à réaliser un système de détection et de reconnaissance de plaques minéralogiques ayant la capacité d’extraire les numéros d’immatriculation algérienne. En plus, d’avoir atteint l’objectif final demandé, ce projet nous a été très bénéfique car il nous a permis de maîtriser plusieurs techniques et de manipuler des outils très complexes dans le domaine de traitement d’image. Enfin, ce projet était une bonne occasion pour réaliser un travail très concret, avec des objectifs clairs et bien définis et de se familiariser avec un environnement de développement professionnel. Comme perspectives, nous proposons une amélioration des résultats obtenus en utilisant des OCR open source.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Résume
Sommaire
Listes des figures et tableaux
Introduction générale
Chapitre1 : Etat de l’art
1.1 Introduction
1.2 Lecture automatique de plaque d’immatriculation
1.3 La technique de la reconnaissance optique de caractères
1.4 Les algorithmes des systèmes LAPI
1.5 Difficultés des systèmes LAPI
1.6 Domaines d’applications des systèmes LAPI
1.7 Quelques systèmes LAPI existants
1.7.1 Autovu
1.7.1.1 Avantages d’Autovu
1.7.2 LAPI-ENGINE
1.7.2.1 Avantages de LAPI-ENGINE
1.7.3 SeeTec
1.7.3.1 Avantages de SeeTec
1.7.4 Asia Vision Technology Limited (AVT)
1.7.4.1 Avantages d’Asia Vision Technology Limited
1.7.5 Technologie AGL (Application de Gestion Locale)
1.7.5.1 Avantages d’AGL
1.7.6 Systèmes LAPI-Pryncar
1.7.6.1 Avantages de LAPI-Pryncar
1.7.7 Système LAPIA
1.7.7.1 Avantages du système LAPIA
1.8 Conclusion
Chapitre2 : Traitement d’images
2.1 Introduction
2.2 Caractéristiques des plaques d’immatriculation Algérienne
2.3 Définitions du traitement d’images
2.4 Image
2.5 Représentions d’image
2.5.1 Image matricielle
2.5.2 Image vectorielle
2.5.3 Comparaison entre image matricielle et image vectorielle
2.6 Principe d’acquisition d’image
2.7 Caractéristiques d’une image
2.7.1 Taille
2.7.2 Résolution
2.7.3 Bruit
2.7.4 Contraste
2.7.5 Histogramme
2.7.6 Luminance
2.7.7 Image en niveaux de gris
2.7.8 Image en couleur
2.8 Les principales étapes de traitement d’image
2.8.1 Prétraitement des images
2.8.2 Amélioration d’images
2.8.3 Analyse d’images
2.9 Type de données manipulées
2.10 Les operateurs de traitement d’images
2.10.1 Les operateurs locaux
2.10.2 Filtres linéaires
2.10.3 Lissage
2.10.4 Détections de contours
2.10.5 Operateurs morphologiques
2.10.6 Construction d’une application traitement d’images
2.11 Quelques exemples concrets traitements d’images
2.12 Conclusion
Chapitre3 : Outils de développement du système APR :
3.1 Introduction
3.2 Les outils de développement
3.2.1 Le langage java
3.2.2 Javafx
3.2.2.1 Fonctionnement de Javafx
3.2.2.2 Avantages de Javafx
3.2.3 OpenCV
3.2.4 Scene builder
3.3 Les techniques et outils de reconnaissance optique des caractères
3.3.1 Test4j
3.3.1.1 Caractéristiques de Test4j
3.4 Conclusion
Chapitre4 : Implémentation du système APR :
4.1 Introduction
4.2 Architecture du système APR
4.2.1 Architecture MVC
4.2.2 Diagramme de packages du système APR
4.3 Les interfaces de notre application
4.3.1 L’interface principale de l’application
4.4 Fonctionnement du système APR
4.4.1 La phase d’acquisition et de prétraitement de l’image
4.4.1.1 Interface pour chargement d’image
4.4.1.2 Interface pour localisation de la plaque manuellement
4.4.1.3 Conversion de l’image en niveaux de gris
4.4.1.4 Suppression ou diminution du bruit de l’image
4.4.2 Phase pour la détection des contours
4.4.2.1 La segmentation
4.4.2.1.1 Détection des bords verticaux
4.4.2.1.2 Détection des bords horizontaux
4.4.2.1.3 Jointure les bords verticaux et horizontaux
4.4.2.1.4 Opération du seuil (Threshold operation)
4.4.2.1.5 Opération morphologique
4.4.3 Phase de lecture OCR
4.5 Conclusion
Conclusion générale
Références bibliographiques