Guia de Processamento Digital de Imagens em

Linguagem de Programação Python

Estudo de caso em Reconhecimento Automático de Placas Veiculares

Organização do repositório

Esse repositório está organizado da seguinte forma:

Arquivos de controle, instalação e configuração:

• install_pdi_guide.sh: Script de instalação
• Dockerfile: Dockerfile da imagem do Guia
• LICENSE: Licença MIT de uso e distribuição
• README.md: Guia para informações, instalação e uso
• get-docker.sh: Script de instalação do Docker
• header.png: Imagem do cabeçalho

Diretórios:

• Data: Contém os arquivos de imagens
• Guia: Contém os notebooks

Descrição

Esse guia é constituído de uma série de notebooks que aplicam as técnicas de Processamento Digital de Imagens em linguagem de programação Python e uso da biblioteca de Visão Computacional OpenCV em um cenário de reconhecimento automático de placas veiculares.

O banco de imagens utilizados foi fornecido pela UFMG, segundo a referência. Trata-se de um cenário de iluminação variada, isto é, ambiente externo, e sem controle do objeto de interesse. A imagem presenta muitos elementos que podem ser considerados ruídos para a tarefa proposta.

Mediante o exposto, os notebooks focam na didática de ensino e não na obtenção dos melhores resultados, além de ter um maior foco na detecção e localização das placas, ao invés de realizar o reconhecimento de seus caracteres por meio de um algoritmo de OCR (Optical Character Recognition).

Objetivo

Servir como guia para disciplinas de Processamento Digital de Imagens através da exploração de aplicações em linguagem de programação Python com uso da biblioteca OpenCV baseando-se em um estudo de caso com reconhecimento automático de placas veiculares.

Instalação

Para facilitar a distribuição e instalação das dependencias e do ambiente desse guia. Foi elaborado uma imagem docker com o guia e suas dependencias. A instalação em sistema Linux pode ser feita conforme os passos:

1. Faça o download ou clone este repositorio em sua máquina

   git clone https://github.com/LuizPitaAlmeida/GUIA_PDI_PYTHON_ALPR.git

2. Acesse o repositório

   cd ./GUIA_PDI_PYTHON_ALPR

3. Execute o script de instalação

   bash -xe ./install_pdi_guide.sh

Esse script irá instalar o Docker e compilar a imagem do guia. Caso você já possua o Docker instalado em sua máquina ele irá pausar e possibilitar o cancelamento da operação (CONTROL+C). Nesse caso, após cancelar apenas execute o seguinte comando para compilar a imagem Docker do guia:

sudo docker build --tag pdiguide --file Dockerfile .

Uso

Para utilizar basta acessar essa pasta e digitar o seguinte comando:

sudo docker run -it --rm -p 8888:8888 -v $PWD:/shared pdiguide

Copie e cole o token gerado pelo Jupyter Notebook em seu navegador. O endereço será similar ao exemplo:

http://localhost:8888/?token=a9a031d049d096207383f5cb804178dc78f2ade02e4bcb05

Acesse a pasta Guia e divirta-se com os notebooks.

Extra

O guia consta com alguns notebooks introdutórios ao uso de redes neurais com Tensorflow Keras e o uso de CNNs, como MobileNET SSD e Yolo.

Referências

Database

• Gabriel Resende Gonçalves, Sirlene Pio Gomes da Silva, David Menotti, William Robson Schwartz (2016): Benchmark for License Plate Character Segmentation. In: Journal of Electronic Imaging, 25 (5), pp. 1-5, 2016, ISBN: 1017-9909.
• Link: http://www.ssig.dcc.ufmg.br/wp-content/uploads/2016/11/JEI-2016-Benchmark.pdf