UNISEB COC - CENTRO UNIVERSITÁRIO
TRABALHO DE CONCLUSÃO DE CURSO
BACHARELADO ENGENHARIA DE COMPUTAÇÃO
SISTEMA DE RECONHECIMENTO DE PLACAS DE VEÍCULOS
Rômulo Estevan Fernandes
Orientador: Prof. Me. Paulo César de Carvalho Dias
RIBEIRÃO PRETO – SP
2011
RÔMULO ESTEVAN FERNANDES
SISTEMA DE RECONHECIMENTO DE PLACAS DE VEÍCULOS
Trabalho
de
conclusão
de
curso
apresentado ao UNISEB COC – Centro
Universitário de Ribeirão Preto, como
parte dos requisitos para obtenção do grau
de
Bacharel
em
Engenharia
de
Computação.
Prof. Me. Paulo César de Carvalho Dias
Orientador
Prof. Dr. Lúcio André de Castro Jorge
Membro da banca examinadora
Prof. Dr. Roberto Rodrigues Pereira Júnior
Membro da banca examinadora
RIBEIRÃO PRETO – SP
2011
xvii
xvii
TRABALHO DE CONCLUSÃO DE CURSO
Aluno: Rômulo Estevan Fernandes
Código: 6055514
Curso: Engenharia de Computação
Semestre/Ano: 10º/2011
Tema: Sistema de Reconhecimento de Placas de Veículos
Objetivo Pretendido: Desenvolver um sistema capaz de localizar em uma foto a
placa de um automóvel, identificar e depois reconhecer os caracteres dessa placa,
mostrando na tela o resultado final para o usuário.
_____/_____/________
__________________________________
Prof. Me. Paulo César de Carvalho
Dias
Professor Orientador
_____/_____/________
__________________________________
Rômulo Estevan Fernandes
Aluno
_____/_____/________
__________________________________
Prof. Me. Paulo César de Carvalho
Dias
Coordenador do Curso
_____/_____/________
__________________________________
Prof. Me. Reginaldo Arthus
Vice-Reitor
xvii
FORMULÁRIO DE AVALIAÇÃO DO TCC
Tema do Trabalho: Sistema de Reconhecimento de Placas de Veículos
Data da apresentação: _____/_____/________
Horário: ____________
Local: _________________________________
Banca Examinadora
1) Professor Orientador: _________________________________________________
2) Professor Examinador 1: ______________________________________________
3) Professor Examinador 2: ______________________________________________
xvii
Folha de Pontuação
Fatores de Avaliação
Pontuação (0.0 a 2.0)
1. Atualidade e relevância do tema proposto.
2. Linguagem técnica utilizada em relação ao tema e aos
objetivos, e competência linguística.
3. Aspectos metodológicos e formais da editoração do trabalho
escrito - sequencia lógica e coerência interna.
4. Aspectos metodológicos e formais da editoração do
trabalho escrito - sequencia lógica e coerência interna.
5. Revisão Bibliográfica realizada em relação ao tema
pesquisado.
6. Apresentação oral – segurança e coerência em relação
ao trabalho escrito.
Média:____________ (___________________________________________________)
Assinaturas dos membros da Comissão Julgadora:
1) _____/_____/________
_______________________________________________
2) _____/_____/________
_______________________________________________
3) _____/_____/________
_______________________________________________
xvii
Dedicatória
Dedico este trabalho ao meu orientador, aos professores que lecionam no curso
de Engenharia de Computação, aos meus pais, minha avó materna e paterna,
aos meus primos, ao meu tio e minha tia, a todos meus amigos de infância e
também aos amigos que tenho hoje.
xvii
AGRADECIMENTOS
Em primeiro lugar agradeço a Deus por me ajudar a superar todos os desafios que
encontrei durante a execução desse trabalho.
A todos os colegas que estavam comigo durante esses longos anos de estudo, onde
aprendemos juntos, independentemente do defeito de cada um.
Aos meus pais que ajudaram, tiveram paciência, e me compreenderam nos momentos
difíceis que passei durante esses cinco anos de graduação.
Ao UNISEB COC – Centro Universitário, a todos os funcionários e professores que seja
de forma indireta ou direta contribuíram para meu desenvolvimento na vida acadêmica.
Agradeço principalmente aos professores que lecionam no curso de Engenharia de
Computação que ensinaram as disciplinas mais complicadas da minha vida, com
tranquilidade e paciência.
Ao meu orientador Prof. Me. Paulo César de Carvalho Dias pela disposição em
contribuir com esse trabalho.
xvii
RESUMO
Este trabalho envolve basicamente três áreas da computação: visão computacional,
inteligência artificial e processamento digital de imagens. A visão computacional
envolve a aquisição de imagens e técnicas processamento digital de imagens. A
inteligência artificial se propõe basicamente em resolver problemas “imitando” a
capacidade humana. O processamento digital de imagens é toda e qualquer forma de
processamento dos dados onde são envolvidas imagens e também partes de um vídeo. A
rede neural é utilizada através de um modelo matemático, baseado nos neurônios
humanos. Há vários modelos de redes neurais, como por exemplo, Perceptron e Multilayer Perceptron. O objetivo deste trabalho é automatizar o processo de reconhecimento
de placas que a partir de uma imagem frontal ou traseira seja capaz de localizar,
segmentar e reconhecer caracteres. As imagens originais passam por vários estágios:
aquisição, pré-processamento, segmentação e reconhecimento dos caracteres. O
protótipo para reconhecer caracteres foi desenvolvido na ferramenta MATLAB. Antes
de realizar a localização da placa, as imagens podem passar por um pré-processamento
para ficar em condições ideais. Na etapa de localização da placa foi utilizada detecção
de bordas, projeção vertical e horizontal. Depois de localizar a placa a mesma é
segmentada. Os caracteres podem ser reconhecidos em vários tipos de imagens e
também em textos. Para reconhecer os caracteres é utilizada correlação que compara a
imagem de cada caractere encontrado pelo protótipo com cada caractere do conjunto de
letras e números, o caractere com maior correlação será o eleito. O algoritmo de
localização apresentou 66% de eficiência. O algoritmo de reconhecimento acertou 36%
dos caracteres da placa. Os resultados obtidos com o trabalho podem ser considerados
satisfatórios para uma primeira abordagem ao problema, mas ainda não pode ser
utilizado como produto final.
Palavras-chave: Visão Computacional, Inteligência Artificial, Rede Neural,
Processamento Digital de Imagens, Detecção de Bordas, Algoritmo de Localização,
Algoritmo de Reconhecimento dos caracteres.
xvii
ABSTRACT
This work basically involves three areas of the computation: computational vision,
artificial intelligence and digital processing of images. The computational vision
involves the acquisition of images and techniques digital processing of images.
Artificial intelligence if considers basically in deciding problems “imitating” the
capacity human being. The digital processing of images is all and any form of
processing of the data where they are involved images and also parts of a video.
The neural net is used through a mathematical model, based in the human neurons.
It has some models of neural nets, as for example, Perceptron and Multi-layer
Perceptron. The objective of this work is to automatize the process of recognition of
plates that from an image frontal or back is capable to locate, to segment and to
recognize characters. The original images pass for some periods of training:
acquisition, daily pay-processing, segmentation and recognition of the characters.
The archetype to recognize characters was developed in tool MATLAB. Before
carrying through the localization of the plate, the images can pass for a daily payprocessing to be in ideal conditions. In the stage of localization of the plate
detention of edges was used, vertical and horizontal projection. After locating the
plate the same one is segmented. The characters also can be recognized in some
types of images and in texts. To recognize the characters correlation is used that
compares the image of each character found for the archetype with each character
of the set of letters and numbers, the character with bigger correlation will be the
elect one. The localization algorithm presented 66% of efficiency. The recognition
algorithm made right 36% of the characters of the plate. The results gotten with the
work can be considered satisfactory for a first boarding to the problem, but not yet
it can be used as end item.
Keywords: Computer Vision, Artificial Intelligence, Neural Network, Digital Image
Processing, Edge Detection, Algorithm of Localization, Algorithm of Recognition of the
characters.
xvii
SUMÁRIO
Introdução ......................................................................................................................... 1
1. Visão Computacional .................................................................................................... 5
1.2. Aquisição e tipos de Imagens ............................................................................. 7
1.2.1. Aquisição de imagens ................................................................................. 7
1.2.2. Imagens em tons de cinza ........................................................................... 8
1.2.3. Imagens Binárias ......................................................................................... 9
1.2.4. Imagens RGB ............................................................................................ 10
1.3. Técnicas de segmentação ................................................................................. 11
1.3.1. Filtros detectores de borda ........................................................................ 15
1.3.2. Técnicas de segmentação aplicadas à detecção de placas......................... 22
1.3.3. Transformada de Hough............................................................................ 23
2. Inteligência Artificial .................................................................................................. 25
2.1. Neurônios ......................................................................................................... 26
2.2. Redes Neurais Artificiais e tipos de redes ........................................................ 28
2.1.1. Redes Neurais Artificiais .......................................................................... 28
2.1.2. Tipos de Redes .......................................................................................... 29
2.3. Aprendizado ..................................................................................................... 32
2.3.1. Aprendizado Supervisionado e Não Supervisionado ................................ 32
3. Materiais e Métodos.................................................................................................... 35
3.1. Localização .......................................................................................................... 35
3.2. Segmentação ........................................................................................................ 37
3.3. Caracteres ............................................................................................................. 39
3.3.1. Reconhecimento ........................................................................................ 39
3.4. Protótipo ............................................................................................................... 41
3.4.1. Apresentação ............................................................................................. 41
3.4.2. Funcionamento .......................................................................................... 42
4. Resultados e Discussões ............................................................................................. 45
5. Conclusão.................................................................................................................... 48
5.1. Considerações Finais ............................................................................................ 48
5.2. Trabalhos Futuros................................................................................................. 49
Referências Bibliográficas .............................................................................................. 50
xvii
APÊNDICE A – COMPARAÇÃO ENTRE PLACAS ORIGINAIS E PLACAS
RECONHECIDAS PELO PROTÓTIPO........................................................................ 53
xvii
LISTA DE ABREVIATURAS E SIGLAS
IPVA: Imposto sobre a Propriedade de Veículos Automotores
CNH: Carteira Nacional de Habilitação
PDI: Processamento Digital de Imagem
MATLAB: Matrix Laboratory
RGB: Sistema de cores formado por Vermelho (Red), Verde (Green) e Azul (Blue)
CCD: Charge Coupled Device
CMOS: Complementary Metal Oxide Semiconductor
IA: Inteligência Artificial
RNAs: Redes Neurais Artificiais
MLP: Multi-Layer Perceptron
OCR: Optical Character Recognition
xvii
LISTA DE SÍMBOLOS
mm: milímetros
nm: nanômetro
Gx: borda horizontal
Gy: borda vertical
GR: operador de Roberts
GP: operador de Prewitt
GS: operador de Sobel
xvii
LISTA DE QUADROS
Quadro 1: Máscara para detectar pontos na imagem ...................................................... 11
Quadro 2: Máscara para detectar linhas horizontais na imagem .................................... 12
Quadro 3: Máscara para detectar linhas oblíquas 45º positivo na imagem .................... 13
Quadro 4: Máscara para detectar linhas oblíquas 45º negativo na imagem ................... 14
Quadro 5: Máscara para detectar linhas verticais na imagem ........................................ 14
Quadro 6: Máscara horizontal do filtro de Roberts (esquerda). Máscara vertical do filtro
de Roberts (direita) ......................................................................................................... 16
Quadro 7: Máscara horizontal do filtro de Prewitt (esquerda). Máscara vertical do filtro
de Prewitt (direta) ........................................................................................................... 17
Quadro 8: Máscara horizontal do filtro de Sobel (esquerda). Máscara vertical do filtro
Sobel (direita) .................................................................................................................. 18
Quadro 9: Máscaras do filtro Passa-Baixa ...................................................................... 20
Quadro 10: Máscaras do filtro Passa-Alta ...................................................................... 21
Quadro 11: Matriz de confusão. ..................................................................................... 45
xvii
LISTA DE FIGURAS
Figura 1: Placa de Veículo (CONTRAN, 2007). .............................................................. 2
Figura 1.1: Etapas necessárias para o processamento de imagens digitais (BASTOS,
2010) ................................................................................................................................. 6
Figura 1.2: Imagem em tons de cinza. .............................................................................. 8
Figura 1.3: Histograma da imagem em tons de cinza. ...................................................... 9
Figura 1.4: Imagem binária com limiar 0,525. ................................................................. 9
Figura 1.5: Imagem com a componente R (a). Imagem com a componente G (b).
Imagem com a componente B (c). Imagem em RGB (d) ............................................... 10
Figura 1.6: Detecção de pontos na imagem. ................................................................... 12
Figura 1.7: Detecção das linhas horizontais. .................................................................. 13
Figura 1.8: Detecção de linhas oblíquas 45º positivo. .................................................... 13
Figura 1.9: Detecção de linhas oblíquas 45º negativo. ................................................... 14
Figura 1.10: Detecção de linhas verticais. ...................................................................... 15
Figura 1.11: Filtro de Canny. .......................................................................................... 16
Figura 1.12: Filtro de Roberts: Detecção de bordas horizontais (a). Detecção de bordas
verticais (b) ..................................................................................................................... 16
Figura 1.13: Filtro de Roberts. ........................................................................................ 17
Figura 1.14: Filtro de Prewitt: Detecção de bordas horizontais (a). Detecção de verticais
(b) .................................................................................................................................... 17
Figura 1.15: Filtro de Prewitt. ........................................................................................ 18
Figura 1.16: Filtro de Sobel: Detecção de bordas horizontais (a). Detecção de bordas
verticais (b) ..................................................................................................................... 19
Figura 1.17: Filtro de Sobel. ........................................................................................... 19
Figura 1.18: Filtro Passa-Baixa com máscara 3x3 (a). Passa-Baixa com máscara 5x5 (b)
........................................................................................................................................ 20
Figura 1.19: Filtro Passa-Alta com máscara 3x3 (a). Filtro Passa-Alta com máscara 5x5
(b) .................................................................................................................................... 22
Figura 2.1: Etapas para criação de um sistema de inteligência artificial. ....................... 25
xvii
Figura 2.2: Neurônio Biológico (BRAGA; LUDERMIR; CARVALHO, 2000) ........... 26
Figura 2.3: Neurônio Artificial (SABBATINI, 1995) .................................................... 28
Figura 2.4: Arquitetura de uma Rede Neural (KUNZLE, 2010) .................................... 29
Figura 2.5: Problema Linearmente Separável (a). Problema Não Linearmente Separável
(b) .................................................................................................................................... 30
Figura 2.6: Rede Neural Perceptron. .............................................................................. 31
Figura 2.7: Rede Neural Multi-Layer Perceptron (BRAGA; LUDERMIR;
CARVALHO, 2000) ....................................................................................................... 31
Figura 2.8: Aprendizado supervisionado (BRAGA; LUDERMIR; CARVALHO, 2000)
........................................................................................................................................ 33
Figura 2.9: Aprendizado não supervisionado (BRAGA; LUDERMIR; CARVALHO,
2000) ............................................................................................................................... 34
Figura 3.1: Imagem Original do Veículo. ....................................................................... 35
Figura 3.2: Gráfico da projeção vertical. ........................................................................ 36
Figura 3.3: Projeção vertical. .......................................................................................... 36
Figura 3.4: Gráfico da projeção horizontal. .................................................................... 36
Figura 3.5: Projeção horizontal. ...................................................................................... 37
Figura 3.6: Placa isolada. ................................................................................................ 37
Figura 3.7: Placa Binária. ............................................................................................... 37
Figura 3.8: Placa eliminada de ruídos. ............................................................................ 38
Figura 3.9: Caracteres selecionados................................................................................ 38
Figura 3.10: Caracteres separados. ................................................................................. 38
Figura 3.11: Conjunto de caracteres utilizado no reconhecimento. ................................ 39
Figura 3.12: Tela Principal. ............................................................................................ 41
Figura 3.13: Placa localizada. ......................................................................................... 42
Figura 3.14: Caracteres isolados da placa do veículo. .................................................... 43
Figura 3.15: Caracteres reconhecidos pelo Protótipo. .................................................... 43
Figura 3.16: Tela de resultados. ...................................................................................... 44
Figura 4.1: Porcentagem de acertos e erros (letras). ....................................................... 46
xvii
Figura 4.2: Porcentagem de acertos e erros (números). .................................................. 47
xvii
Introdução
No Brasil, 370 mil veículos são roubados ao ano, deste número estima-se que 37
mil veículos sejam clonados. Os veículos clonados usam placa, chassi e documentos
copiados de outro carro. Assim, pode circular sem chamar a atenção da polícia e até ser
negociado (RIBEIRO, 2009).
Vários veículos estão irregulares no Brasil por vários motivos, seja por falta de
manutenção, por falta de pagamento de multas, licenciamento, IPVA, documentos ou
ainda por irregularidade na CNH.
A fiscalização de veículos é realizada pelos órgãos públicos através de
servidores públicos treinados para tanto. A placa é o principal meio de identificação
utilizado pelos agentes de fiscalização. Através desta, agentes de trânsito, policiais dos
estados e da federação podem verificar as irregularidades dos veículos e também dos
motoristas, aplicando multas e também, se for necessário, realizando a apreensão do
veículo.
A identificação de veículos através das placas também é utilizada por empresas
privadas e por pessoas para os mais diversos fins. Um exemplo são os pedágios de
rodovias sob concessão onde há uma cabine automatizada que identifica o veículo
através de um sensor instalado no para-brisa do veículo. As cabines automatizadas são
chamadas de SEM PARAR/VIA FÁCIL1. Quando é detectada a passagem do veículo
em um dessas cabines o valor do pedágio é debitado automaticamente na conta do
usuário cadastrado pela empresa concessionária. Quando o sensor de identificação do
veículo falha a cancela da cabine não abre, o que exige que um fiscal do pedágio peça
ao usuário algumas informações sobre veículo. Para estas empresas a verificação da
placa também é importante. Para todas as aplicações acima, a adoção de um sistema
automático de reconhecimento de placas pode ser benéfico.
_____________________________________________________________
1
Disponível em http://velocidademaxima.wordpress.com/2010/02/06/como-funciona-o-sistema-de-pedagiosem-parar/. Acesso em: 01 de maio de 2010.
1
Tais sistemas de reconhecimento podem ser utilizados não só para fiscalização pelas
autoridades de trânsito, mas também em outras aplicações, como estacionamentos de
grande porte, condomínios residenciais, shoppings, supermercados, concessionárias de
rodovias e qualquer outro setor que possa utilizar esse sistema.
Há diversos fatores que dificultam o processo automático de identificação: a
placa pode estar em posições distintas (considere, por exemplo, o caso de um automóvel
e de um caminhão), os caracteres podem ser de difícil visualização e os ângulos no qual
a placa está posicionada podem prejudicar a identificação. Também pode haver a
influência de diversos fatores ambientais que dificultam a identificação, tais como:
neblina, chuva, sol, entre outros tantos possíveis.
De acordo com o CONTRAN (2007) veículos (particulares, aluguel, oficial,
experiência, aprendizagem e fabricante) são identificados em todo o Brasil através das
placas dianteiras e traseiras. As placas e caracteres possuem as seguintes dimensões
respectivamente:
•
altura de 130 mm e comprimento de 400 mm;
•
altura de 63 mm e espessura do traço de 10 mm.
A figura 1 ilustra o modelo de placas de veículo aceito pelo CONTRAN em todo
território brasileiro.
Figura 1: Placa de Veículo (CONTRAN, 2007).
Neste trabalho serão estudadas as técnicas necessárias para a construção de um
sistema de reconhecimento de placas. Posteriormente será construído um sistema
protótipo que realizará o reconhecimento de placas de veículos através de imagens que
serão inseridas no software. No decorrer do desenvolvimento, ele poderá realizar outras
2
funções como, por exemplo, consultar em uma base de dados se o IPVA e
licenciamento do veículo estão atrasados.
O reconhecimento de placas de veículos é uma aplicação de reconhecimento de
padrões, área que trata de diferentes problemas de ciência e engenharia. Padrão pode
ser definido como sendo uma entidade, uma imagem de impressão digital é um exemplo
de padrão. O reconhecimento pode ser realizado de duas formas: supervisionado
(aprende com intervenção humana), não supervisionado (aprende com base em alguns
padrões já conhecido). As aplicações na área de reconhecimento de padrões incluem:
mineração de dados, biometria entre outras. Em um sistema de reconhecimento de
padrões há três etapas fundamentais: aquisição de dados e pré-processamento,
representação dos dados e tomada de decisões. (ANIL; ROBERT; JIANCHANG, 1999).
Segundo De Sá (2000) reconhecimento de padrões é a ciência que estuda a
classificação e descrição de objetos. Assim um projeto de reconhecimento de padrões
envolve:
•
Extração de características;
•
Seleção das características;
•
Construção de um classificador.
O reconhecimento de placas de veículos pode ser realizado de várias formas,
mas neste trabalho serão explicadas duas formas: na primeira o usuário insere a imagem
do veículo no software, através de uma ferramenta de seleção, ele seleciona a placa do
veículo e ao clicar duplo do mouse na placa, o software mostra ao usuário quais são as
letras e números da placa do veículo. Já na segunda o usuário insere a imagem do
veículo no software, automaticamente localiza e seleciona a placa,
extrai as
características e reconhece cada caractere, e finalmente mostra ao usuário somente as
letras e números.
Este trabalho tem como objetivo automatizar o processo de reconhecimento de
placas a partir de uma imagem inserida no protótipo do software. O processo envolve
basicamente localizar a placa de um veículo na cena de uma imagem isolando a região
que contém os caracteres da placa.
3
A ferramenta MATLAB permite simular e testar o pré-processamento,
localização, identificação e reconhecimento dos caracteres da placa do veículo.
O sistema de localização e identificação de placas de veículos funciona da
seguinte forma: o usuário insere uma imagem do veículo no software, essa imagem
passará por vários tratamentos, se necessário, utilizando técnicas de PDI. Essa imagem é
convertida em tons de cinza, depois binarizada para facilitar a identificação. Depois de
inserir a imagem o usuário clica em um botão e automaticamente o software selecionará
na imagem a placa do veículo. Internamente o sistema utiliza a técnica de segmentação,
aonde ocorre à separação dos caracteres da placa criando sete recortes, um para cada
caractere. Depois da segmentação o sistema separa caractere por caractere. A parte final
é o reconhecimento de caracteres que visa classificar cada um dos caracteres da placa.
O Capítulo 1 aborda o conceito de Visão Computacional, a forma de adquirir
imagens bem como seus tipos (tons de cinza, binária e RGB) e as várias técnicas de
segmentação, como por exemplo, detector de bordas.
O Capítulo 2 aborda os conceitos de Inteligência Artificial e Redes Neurais.
Apresenta e explica os tipos de redes e algoritmos de aprendizagem (supervisionado e
não supervisionado).
No Capítulo 3 são apresentadas as etapas de localização e segmentação da placa
do veículo, também será mostrado de que forma foi feito o reconhecimento dos
caracteres, bem como o funcionamento completo do protótipo.
No Capítulo 4 são apresentados os resultados e discussões obtidos neste
trabalho.
No Capítulo 5 são apresentas as conclusões finais do trabalho e sugestões para a
realização de trabalhos futuros.
4
1. Visão Computacional
Segundo Facon (2002), a visão computacional é um subcampo da inteligência
artificial e se preocupa em desenvolver uma compreensão dos princípios que dão
sustentação a aptidão visual em sistemas biológicos e artificiais, e em proporcionar uma
máquina com algumas capacidades do sistema visual humano. Tais capacidades
incluem habilidades para descrever uma cena baseada em dados fornecidos por sensores
de imagens, e produzir entendimento da função, objetivo, e intenção dos objetos
reconhecidos. Há dois desafios em visão computacional:
•
Os dispositivos da área de computação deveriam ser capazes de simular
experiências físicas, como a distorção dos objetos contidos na imagem
para resolver problemas e comparar as imagens armazenadas na memória
com a imagem;
•
Os computadores deveriam interagir fisicamente e sentir o mundo ao seu
redor. Não há modo de capturar e armazenar na memória um modelo que
refletem todos os detalhes do mundo real.
A visão computacional envolve várias áreas da computação entre elas estão:
processamento de imagens, reconhecimento de padrões, computação gráfica e
inteligência artificial. O objetivo principal da visão computacional é determinar as
características de um objeto que está inserido na imagem.
De acordo com Vieira (2010) processamento de imagens significa modificar as
informações contidas nessa imagem sob vários aspectos, de modo que o resultado seja
uma imagem ou uma informação extraída dela.
A imagem é considerada digital quando as coordenadas x, y e o valor da
amplitude são finitos e possui quantidades discretas. Essa imagem é constituída de uma
quantidade finita de elementos, cada um possui seu valor apropriado. Há várias etapas
fundamentais para o processamento de imagens digitais. A figura 1.1 mostra as etapas
que devem ser aplicadas em uma imagem (domínio do problema) para produzir um
resultado satisfatório.
5
Figura 1.1: Etapas necessárias para o processamento de imagens digitais (BASTOS, 2010)
Primeiramente, deve-se
deve se pensar em um domínio de problema para situação a ser
resolvida e também o que se deseja obter como resultado final.
A aquisição de imagens é uma etapa do processamento digital de imagens que
consiste em adquirir uma imagem digital, seja através de câmerass digitais ou de
qualquer outro dispositivo que tenha saída digital e consiga fazer a captura da cena que
está em exibição. A próxima etapa é o pré-processamento
pré processamento da imagem digital que
consiste em melhorar
ar a imagem o máximo possível, através do aumento do contraste e
redução de ruídos. O próximo é a segmentação que divide a imagem em partes ou
objetos. Ao terminar a segmentação da imagem é obtido como saída dados em forma de
pixels. A etapa de representação
representação e descrição extrai as características de acordo com a
região de interesse. No reconhecimento de caracteres qualquer concavidade é muito
importante para se diferenciar entre as partes do alfabeto. A etapa final é o
reconhecimento e interpretação. O reconhecimento
reconhecimento é o processo no qual o software
consegue reconhecer uma letra ou número baseado em informações inseridas pelo
usuário. Já a interpretação ocorre quando se consegue atribuir significados, por
exemplo, aos caracteres que já foram reconhecidos pelo software.
Em reconhecimento de padrões é gerada descrições de imagens, relacionando
essas descrições a modelos que caracterizam classes de imagens. O reconhecimento de
padrões tem como objetivo fazer a classificação de padrões (objetos).
Há dois métodos de aprendizagem utilizados no reconhecimento de padrões:
aprendizado
supervisionado
(tem
intervenção
humana)
e
aprendizado
não
supervisionado (não tem intervenção humana, o computador
computador já sabe o que fazer). O
6
reconhecimento supervisionado é baseado em conjunto de padrões que já passou por
uma classificação, sendo dividido em dois tipos:
•
Estatística: pode ser chamado também de decisão teórica, é baseado na
caracterização dos padrões estatísticos;
•
Sintática: pode ser chamado também de estrutural, é baseado nas
características estruturais dos padrões;
A imagem é pré-processada, por exemplo, para eliminar ruídos e borrados. Em
seguida a imagem passa por uma segmentação, aonde ocorre à separação da região de
interesse da imagem, essas regiões devem ser homogêneas.
Toda imagem a ser analisada deve possuir um padrão, por exemplo, no
reconhecimento de placas de veículos, as letras e números têm um padrão brasileiro de
altura, largura, comprimento e quantidade de caracteres. Isso deve ser considerado antes
de aplicar os algoritmos de inteligência artificial. Entre esses algoritmos estão: k-means,
k-nearest neighbor, redes Bayseanas e redes neurais artificiais.
No reconhecimento de padrões geralmente a entrada é uma imagem e a saída é
uma descrição dos conteúdos da imagem. Há muitas áreas de aplicação em
reconhecimento de padrões:
1.2
•
Reconhecimento de caracteres;
•
Reconhecimento facial;
•
Reconhecimento de biométrico, entre outros.
Aquisição e tipos de Imagens
1.2.1 Aquisição de imagens
A câmera CCD foi desenvolvida em 1970 nos laboratórios Bell por W. Boyle e
G. Smith (RÉ, 2005).
Segundo Filho (1998) a câmera forma a imagem através da lente que direciona
os raios no sensor da câmera, chamada de lente convergente. O sinal de saída do CCD é
7
linear sobre uma faixa de intensidade muito maior comparado a câmera de tubo. O CCD
tem menor distorção geométrica, e sua eficiência quântica pode chegar a 80%.
Os detectores CCD caracterizam-se por possuírem alta sensibilidade e baixo
ruído. A alta sensibilidade do CCD não ocorre somente em luz visível, mas também em
raios ultravioletas e infravermelhos.
1.2.2 Imagens em tons de cinza
As imagens em tons de cinza possuem uma escala de 0 a 255, onde 0 representa
a cor preta, possui baixa intensidade, e 255 representa a cor branca, possui alta
intensidade, os valores entre essas intensidades são considerados tons de cinza.
Intensidades de tons de cinza também podem ser representadas em escala de 0 a 1. A
figura 1.2 mostra uma imagem em tons de cinza.
Figura 1.2: Imagem em tons de cinza.
Através da imagem em tons de cinza é gerado um histograma. O histograma
dessa imagem é uma função H(k) que representa o número de vezes que cada nível de
cinza aparece na imagem, sendo considerada uma função de probabilidades.
Depois de obtido o histograma da imagem de tons de cinza pode ser que seja
necessário realizar a equalização, mas não é uma regra. A equalização de histograma
pode ser utilizada para aumentar todo o contraste da imagem, distribuindo de uma
maneira coerente os níveis de tons cinza. A figura 1.3 mostra o histograma de uma
imagem em tons de cinza.
8
Figura 1.3: Histograma da imagem em tons de cinza.
1.2.3 Imagens Binárias
As imagens binárias são geralmente representadas pelo valor 0 como preto e 1
como branco, mas esses valores podem ser invertidos.
Na área de PDI imagens binárias podem ser utilizadas como máscaras,
operações de segmentação e limiar.
O limiar pode ser aplicado nas imagens binárias para definir a intensidade de 0 e
1.
A figura 1.4 mostra uma imagem binária com limiar de 0,525.
Figura 1.4: Imagem binária com limiar 0,525.
9
1.2.4 Imagens RGB
As imagens RGB são formadas por três componentes: R (vermelho, do inglês
Red), G (verde, do inglês Green), B (azul, do inglês Blue). Os componentes da imagem
RGB podem possuir 5 ou 8 bits cada um, então uma imagem RGB armazena imagens
de 16 ou 24 bits respectivamente. Além disso, há também imagens RGB formadas por
32 bits. Toda imagem é formado por uma matriz de dados. As imagens RGB possuem
três matrizes que podem ser divididas em três imagens separadas da imagem original,
ou seja, uma imagem formada por R, outra por G, e por B. Essas três componentes são
utilizadas de base para a formação de novas cores.
Imagens RGB são usadas em dispositivos de entrada, por exemplo: câmeras de
vídeo e câmeras digitais, scanners, entre outros. E também são usadas como dispositivos
de saída, por exemplo, televisores a cores, celulares, impressoras, computadores, entre
outros. A figura 1.5 mostra as componentes R, G, B e RGB.
(a)
(b)
(c)
(d)
Figura 1.5: Imagem com a componente R (a). Imagem com a componente G (b). Imagem com a
componente B (c). Imagem em RGB (d)
10
1.3 Técnicas de segmentação
Segundo Da Fonseca (2010) a segmentação de imagens consiste em dividir a
imagem em regiões. Existem objetos de interesse em uma imagem que podem isolar
pixels que não fazem parte dos objetos. A segmentação de imagens é considerada como
um estágio prévio de processamento para o reconhecimento. A segmentação possui
relação com a análise de imagens e não com o processamento de imagens.
Há várias técnicas de segmentação para a separação de objetos de interesse na
imagem, como segmentação baseada em bordas e orientada a regiões. A segmentação
orientada a regiões divide a imagem em regiões, analisando a descontinuidade dos
níveis de cinza que formam contornos no objeto de interesse, sendo muito utilizados na
segmentação e no reconhecimento do objeto. Para se aplicar todas as técnicas de
segmentação, a imagem de entrada deve estar em tons de cinza. Há várias técnicas de
segmentação de imagens baseadas em bordas e também em linhas. Os tipos de
detecções são mostrados abaixo.
•
Detecção de pontos: a segmentação dos pontos do objeto ocorre de forma
particular, tendo em vista que esses pontos possuem informações e não
podem ser “destruídos”. Essa técnica é utilizada para eliminar os ruídos,
evitando falsas detecções na imagem. O quadro 1 mostra a máscara 3x3
utilizada para detectar pontos na imagem.
Quadro 1: Máscara para detectar pontos na imagem
-1
-1
-1
-1
8
-1
-1
-1
-1
A figura 1.6 ilustra como deve ficar a imagem depois da aplicação da máscara
representada no quadro 1.
11
Figura 1.6: Detecção de pontos na imagem.
A Convolução aplicada a imagens realiza operações locais de filtragem.
Segundo Dos Santos (1998) uma máscara multiplica cada pixel e seus vizinhos, a região
de pixels da imagem deve ser do tamanho da máscara, os resultados são somados e o
valor obtido é armazenado na posição equivalente a imagem resultante. Este processo
percorre toda a imagem original.
Há uma técnica denominada operador de detecção de linhas, baseado em
convolução. O conjunto de convolução detecta as linhas com uma determinada largura
presente na imagem. A detecção de linhas é divida em quatro tipos:
•
Detecção de linhas horizontais: detecta a presença de linhas horizontais
na imagem. A matriz é composta de valores presentes no eixo x. O
quadro 2 mostra a máscara 3x3 utilizada para detectar linhas horizontais
na imagem.
Quadro 2: Máscara para detectar linhas horizontais na imagem
-1
-1
-1
2
2
2
-1
-1
-1
A figura 1.7 ilustra como deve ficar a imagem depois da aplicação da máscara
representada no quadro 2.
12
Figura 1.7: Detecção das linhas horizontais.
•
Detecção de linhas oblíquas (+45º): detecta a presença de linhas que
formam um ângulo de 45º positivo na imagem. O quadro 3 mostra a
máscara 3x3 utilizada para detectar linhas oblíquas em 45º positivo.
Quadro 3: Máscara para detectar linhas oblíquas 45º positivo na imagem
-1
-1
2
-1
2
-1
2
-1
-1
A figura 1.8 ilustra como deve ficar a imagem depois da aplicação da máscara
representada no quadro 3.
Figura 1.8: Detecção de linhas oblíquas 45º positivo.
•
Detecção de linhas oblíquas (-45º): detecta a presença de linhas que
formam um ângulo de 45º negativo na imagem. O quadro 4 mostra a
máscara 3x3 utilizada para detectar linhas oblíquas em 45º negativo.
13
Quadro 4: Máscara para detectar linhas oblíquas 45º negativo na imagem
2
-1
-1
-1
2
-1
-1
-1
2
A figura 1.9 ilustra como deve ficar a imagem depois da aplicação da máscara
representada no quadro 4.
Figura 1.9: Detecção de linhas oblíquas 45º negativo.
•
Detecção de linhas verticais: detecta a presença de linhas verticais na
imagem. A matriz é composta de valores presentes no eixo y. O quadro 5
mostra a máscara 3x3 utilizada para detectar linhas verticais.
Quadro 5: Máscara para detectar linhas verticais na imagem
-1
2
-1
-1
2
-1
-1
2
-1
A figura 1.10 ilustra como deve ficar a imagem depois da aplicação da máscara
representada no quadro 5.
14
Figura 1.10: Detecção de linhas verticais.
1.3.1. Filtros detectores de borda
O filtro de detecção de bordas de Canny foi desenvolvido por John F. Canny em
1986. Esse filtro é utilizado principalmente em detecção de contornos de objetos da
imagem. Para o algoritmo de detecção de bordas de Canny foi definido um conjunto de
metas:
•
Taxa de erro: detecta o maior número possível de bordas da imagem;
•
Localização: as bordas marcadas devem ser tão próximas possíveis da
borda da imagem original;
•
Número de resposta: os ruídos da imagem não marcam bordas falsas.
Segundo Seara (1998) o algoritmo de Canny é desenvolvido em seis etapas da
seguinte forma:
•
Fazer a leitura da imagem que será processada;
•
Criar máscara de Gauss 1-D para ser convolucionada com a imagem
original;
•
Criar máscara de Gauss (primeira derivada) 1-D na direções x e y que
serão denominadas Gx e Gy respectivamente;
•
A imagem original é convolucionada com G percorrendo linhas (x) e
colunas (y) da imagem original;
•
A direção x e y da imagem original são convolucionadas com Gx e Gy
respectivamente;
•
Os resultados das componentes x e y são combinados.
15
A figura 1.11 mostra o filtro de Canny aplicado na imagem.
Figura 1.11: Filtro de Canny.
O filtro de Roberts é um operador gradiente que realiza a detecção de bordas
contidas na imagem. Esse operador é formado por uma matriz 2x2, nos eixos x e y. O
quadro 6 mostra as máscaras horizontais e verticais do filtro de Roberts.
Quadro 6: Máscara horizontal do filtro de Roberts (esquerda). Máscara vertical do filtro de Roberts
(direita)
1
0
0
1
0
-1
-1
0
A figura 1.12 mostra a máscara horizontal e vertical do filtro de Roberts
aplicado na imagem.
(a)
(b)
Figura 1.12: Filtro de Roberts: Detecção de bordas horizontais (a). Detecção de bordas verticais
(b)
A Equação abaixo faz a junção das bordas horizontais e verticais, obtendo o
operador de Roberts.
16
GR = Gx 2 + Gy 2
(1)
Ao aplicar a Equação (1), é obtida imagem mostrada na figura 1.13.
Figura 1.13: Filtro de Roberts.
O filtro de Prewitt é um operador gradiente que faz a detecção de bordas. A
matriz de montagem possui algumas alterações em seus valores em relação ao operador
de Sobel. O quadro 7 mostra as máscaras horizontais e verticais do filtro de Prewitt.
Quadro 7: Máscara horizontal do filtro de Prewitt (esquerda). Máscara vertical do filtro de Prewitt
(direta)
-1
-1
-1
-1
0
1
0
0
0
-1
0
1
1
1
1
-1
0
1
A figura 1.14 mostra a máscara horizontal e vertical do filtro de Prewitt aplicado
na imagem.
(a)
(b)
Figura 1.14: Filtro de Prewitt: Detecção de bordas horizontais (a). Detecção de verticais (b)
17
A Equação abaixo faz a junção das bordas horizontais e verticais, obtendo o
operador de Prewitt.
GP = Gx 2 + Gy 2
(2)
Ao aplicar a Equação (2), é obtida a imagem mostrada na figura 1.15.
Figura 1.15: Filtro de Prewitt.
O filtro de Sobel é um operador gradiente que utiliza máscaras horizontais e
verticais, é muito utilizado em técnicas de PDI. Esse filtro tem a função de detectar
bordas nas imagens, sendo muito sensível a ruídos em comparação ao filtro de Roberts.
O quadro 8 mostra as máscaras horizontais e verticais do filtro de Sobel.
Quadro 8: Máscara horizontal do filtro de Sobel (esquerda). Máscara vertical do filtro Sobel (direita)
-1
-2
-1
-1
0
1
0
0
0
-2
0
2
1
2
1
-1
0
1
A figura 1.16 mostra a máscara horizontal e vertical do filtro de Sobel aplicado
na imagem.
18
(a)
(b)
Figura 1.16: Filtro de Sobel: Detecção de bordas horizontais (a). Detecção de bordas verticais
(b)
A Equação abaixo faz a junção das bordas horizontais e verticais, obtendo o
operador de Sobel.
GS = Gx 2 + Gy 2
(3)
Ao aplicar a Equação (3), é obtida a imagem mostrada na figura 1.17.
Figura 1.17: Filtro de Sobel.
A filtragem espacial é uma operação local, na qual os pixels da imagem original
são alterados em função dos níveis de cinza. Esta filtragem permite destacar na imagem
detalhes, chamado de passa-alta, ou ainda destacar padrões, chamado passa-baixa.
O filtro passa-baixa é obtido através de um determinado pixel, calculando a
média de seus vizinhos. Em baixas freqüências, o filtro passa-baixa ameniza os detalhes
da imagem e diminui os tons de cinza. O quadro 9 mostra as duas máscaras do filtro
Passa-Baixa.
19
Quadro 9: Máscaras do filtro Passa-Baixa
1/9*
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
.
*1/25
A figura 1.18 (a) mostra o Filtro Passa-Baixa aplicada na imagem utilizando a
máscara 3x3. Já a figura 1.18 (b) mostra o Filtro Passa-Baixa aplicada na imagem
utilizando a máscara 5x5.
(a)
(b)
Figura 1.18: Filtro Passa-Baixa com máscara 3x3 (a). Passa-Baixa com máscara 5x5 (b)
O filtro passa-alta é utilizado subtraindo a imagem com o filtro passa-baixa
juntamente com a imagem original que não foi processada ou passou por técnica de
convolução. Em altas frequências, o filtro passa-alta passa por uma rápida mudança na
quantidade de pixels. No filtro passa-alta o histograma da imagem ficará estreito e os
níveis de cinza estarão em zero. O quadro 10 mostra as duas máscaras do filtro PassaAlta.
20
Quadro 10: Máscaras do filtro Passa-Alta
1/9 *
-1
-1
-1
-1
-1
-1
-1
-1
-1
8
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
24
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
*1/25
A figura 1.19 (a) mostra o Filtro Passa-Alta aplicada na imagem utilizando a
máscara 3x3. Já a figura 1.19 (b) mostra o Filtro Passa-Alta aplicada na imagem
utilizando a máscara 5x5.
21
(a)
(b)
Figura 1.19: Filtro Passa-Alta com máscara 3x3 (a). Filtro Passa-Alta com máscara 5x5 (b)
1.3.2. Técnicas de segmentação aplicadas à detecção de placas
Quando um documento ou imagem é digitalizado, por exemplo, através de um
scanner antigo é fácil perceber o problema de inclinação na imagem, mas atualmente
scanners mais sofisticados e modernos corrigem a inclinação logo na aquisição dos
documentos ou imagens.
A projeção vertical e horizontal é aplicada para corrigir a inclinação de objetos
contidos na imagem. A construção de histogramas de projeção vertical e horizontal é
utilizada para detectar as linhas e removê-las.
A projeção vertical da imagem é composta de um gráfico que possui um valor
global mapeada no eixo y, o vetor característico é formado pela somatória das colunas
22
da matriz. Quando se aplica o filtro para a detecção de bordas verticais, são destacadas
na imagem somente as bordas verticais, ao aplicar uma transformada na imagem é
localizada a região de interesse. A projeção horizontal da imagem é composta de um
gráfico que possui o valor global mapeada no eixo x, o vetor característico é formado
pela somatória das linhas da matriz.
1.3.3. Transformada de Hough
Em análise de imagens frequentemente surgem os problemas de detecção de
bordas, aonde podem ocorrer pontos com ausência de pixels por isso não é viável extrair
as características do objeto, deste conceito surge à transformada de Hough.
A transformada de Hough é um método proposto por Paul Hough em 1962 que
consiste em detectar formas nas imagens (círculos, linhas e elipse). O principio principal
é definir como será o mapeamento entre o espaço da imagem que contém as formas a
serem detectadas e o espaço de parâmetros de acordo com as características do objeto
que estão sendo procurados na imagem.
O procedimento mais simples e conhecido da transformada de Hough é a
detecção de linhas retas que é descrita pela equação da reta. A Equação (3) mostra como
calcular a equação da reta:
y = ax + b (3)
Onde:
y = variável
x = variável
a = coeficiente angular
b = coeficiente linear
Segundo Martinsky (2007) a placa retangular pode ser girada e inclinada devido
ao posicionamento do veículo em relação à câmera. Se a inclinação da placa dificultar o
reconhecimento, é importante implementar mecanismos capazes de detectar e corrigir.
23
Neste trabalho a transformada de Hough pode ser usada para calcular o ângulo de
inclinação da placa do veículo.
24
2. Inteligência Artificial
O surgimento da inteligência artificial ocorreu após a Segunda Guerra Mundial,
com base no artigo Computing Machinery and Intelligence, de Alan Turing2. Os
pioneiros Allen
Newell e Herbert Simon fundaram o primeiro laboratório de
inteligência artificial na Universidade Carnegie Mellon na década de 50. Marvin
Minsky, Herbert Simon, John McCarthy, Warren McCulloch, Walter Pitts e Allen
Newell foram os principais responsáveis no desenvolvimento da inteligência artificial.
A inteligência artificial estuda a criação de sistemas computacionais que sejam
capazes de imitar a capacidade do ser humano em realizar tarefas, seja simples ou
complexa. Um bom exemplo de IA são os robôs industriais e domésticos.
Há várias áreas relacionadas à inteligência artificial, entre elas estão: Filosofia;
Engenharias; Ciência da Computação; Lógica; Biologia; Psicologia; Processamento de
Linguagem Natural; Aprendizado de Máquina e Redes Neurais; Robótica.
A figura 2.1 mostra as etapas necessárias para o desenvolvimento de um sistema
de inteligência artificial.
Figura 2.1: Etapas para criação de um sistema de inteligência artificial.
_____________________
2
Disponível em http://archive.computerhistory.org/projects/chess/related_materials/text/2-0%20and%2021.Computing_machinery_and_intelligence.turing/2-0%20and%2021.Computing_machinery_and_intelligence.turing-alan.mind-59.1950.062303001.pdf/. Acesso em 10 de abril
de 2011.
25
2.1. Neurônios
Os neurônios possuem uma fina membrana celular, que são responsáveis pelo
funcionamento do sistema nervoso. Eles têm a função de receber e transmitir os
estímulos que chegam e partem do cérebro. O ser humano possui em seu cérebro 1011
neurônios (BRAGA, LUDERMIR; CARVALHO, 2000). De modo geral, os neurônios
transmitem as informações através de impulsos elétricos. Os sinais são propagados
como ondas através do axônio, e a sinapse converte esses sinais em sinais químicos.
Os neurônios biológicos são formados basicamente por um corpo celular,
dendritos e axônio. De acordo com Braga, Ludermir e Carvalho (2000) o corpo do
neurônio mede milésimos de milímetro e os dendritos possuem milímetros de
comprimento. Os dendritos são responsáveis por receber os sinais. O axônio realiza a
transmissão das informações. A figura 2.2 mostra mais detalhes de sua formação.
Figura 2.2: Neurônio Biológico (BRAGA; LUDERMIR; CARVALHO, 2000)
Segundo Sabbatini (1995) nos modelos de redes neurais artificiais mais simples,
os neurodos (elementos de processamento) recebem influência das entradas vindas do
exterior ou dos elementos da rede, já as conexões equivalem à sinapse biológica. Os
neurônios artificiais tentam “imitar” ou simular todas as funcionalidades dos neurônios
biológicos, mas é difícil comparar o funcionamento desses neurônios, pois cada um tem
o seu modo de responder aos estímulos do ambiente.
Os neurônios artificiais possuem entradas (dendritos), pesos, neurodo (corpo
celular), saída (axônio) e ligação entre neurônios (sinapse). As entradas (e1, e2, e3,
e4,...,en) possuem pesos (ω1, ω2, ω3, ω4,...,ωn), os valores de entrada podem ser discretos
26
{-1, 0, 1} ou contínuos [-1, 1]. Os neurônios processam os sinais de entrada e
transforma em sinal de saída. O sinal de saída depende da interconexão dos neurônios
para se propagar.
A equação (4) mostra como calcular o resultado da saída da rede neural
artificial:
n
v=
∑
ei * ωi - σ (4)
i=0
Onde:
v: net
e: entrada da rede
ω: peso
σ: limiar do neurônio
A equação (5) mostra como atualizar os pesos da rede neural artificial.
ωnovo = ωvelho + η * e * (d - y)
(5)
Onde:
η: taxa de aprendizado
d: saída desejada
y: saída da RNA
A figura 2.3 mostra um exemplo de neurônio artificial.
27
Figura 2.3: Neurônio Artificial (SABBATINI, 1995)
2.2.
Redes Neurais Artificiais e tipos de redes
2.1.1. Redes Neurais Artificiais
De acordo com Braga, Ludermir e Carvalho (2000) há alguns pesquisadores
fundamentais na área de redes neurais artificiais: McCulloch-Pitts (publicaram artigos
sobre o assunto em 1943); Donald Hebb (publicou artigos sobre o assunto em 1949);
Rosemblatt (publicou artigo sobre o assunto em 1958).
Esses pesquisadores aplicaram o modelo de rede de auto-organização e o modelo
Perceptron com aprendizado supervisionado. As redes neurais artificiais são
apresentadas através de um modelo matemático com base nos neurônios dos seres
humanos, e utilizando técnicas através do computador conseguem adquirir
conhecimento e experiência somente com o treinamento. A RNA possui unidades de
processamento, que são geralmente conectadas através de canais de comunicação,
denominada de sinapse, que são associados a pesos. As unidades de processamento
utilizam operações sobre os valores locais. A cada interação das unidades de
processamento a rede neural se torna mais inteligente. Antigamente as redes neurais
eram simuladas através de circuitos analógicos. Hoje em dia as redes neurais são
simuladas através de softwares e também são utilizadas nos hardwares para aumentar a
velocidade de processamento dos equipamentos.
28
A RNA possui vários algoritmos para realizar o treinamento de sistemas que
serão capazes de cumprir várias tarefas. A figura 2.4 mostra as camadas de uma rede
neural artificial, de forma genérica.
Figura 2.4: Arquitetura de uma Rede Neural (KUNZLE, 2010)
•
Camada de Entrada (Input Layer): camada onde as informações ou dados
são inseridos na rede;
•
Camada Intermediária (Middle Layer): camada onde são realizados os
cálculos necessários para o treinamento da rede;
•
Camada de Saída (Output Layer): camada onde são mostrados os
resultados.
2.1.2. Tipos de Redes
Há vários modelos de Redes Neurais Artificiais, o funcionamento dessas redes é
muito semelhante, o que altera é o número de camadas que cada uma apresenta. As
Redes podem solucionar dois tipos de problemas:
•
Linearmente separáveis: De acordo com Braga, Ludermir e Carvalho
(2000) problemas linearmente separáveis são problemas em que a
solução pode ser obtida dividindo o espaço de entrada em duas regiões,
separado por uma reta, como mostra a figura 2.5 (a).
29
•
Não linearmente separáveis: são problemas aonde não é possível dividir
duas regiões utilizando uma reta, como mostra a figura 2.5 (b).
(a)
(b)
Figura 2.5: Problema Linearmente Separável (a). Problema Não Linearmente Separável (b)
Há vários modelos de Redes Neurais Artificiais, a seguir serão apresentados
detalhes de dois modelos muito importantes.
•
Perceptron: a rede Perceptron é o modelo mais antigo de rede neural.
Desenvolvido pelo pesquisador Frank Rosenblat no ano de 1958, segue o
modelo
de
neurônio
biológico
de
McCulloch-Pitts
(BRAGA;
LUDERMIR; CARVALHO, 2000). Este tipo de rede neural é formado
por uma camada. A arquitetura do modelo Perceptron é composta de
uma camada de entrada e uma camada de saída. As camadas de entrada
são ligadas diretamente a um único nó de saída, passando pelos pesos da
rede, como mostra a figura 2.6.
30
Figura 2.6: Rede Neural Perceptron.
O Perceptron só pode ser treinado para resolver problemas que são
linearmente separáveis.
•
Multi-Layer Perceptron: é uma evolução do Perceptron de uma camada.
É uma rede neural formada por duas ou mais camadas, cada camada é
ligada a outra. A arquitetura do modelo Multi-Layer Perceptron é
formada por camada de entrada, camada intermediária e camada de
saída, como mostra a figura 2.7.
Figura 2.7: Rede Neural Multi-Layer Perceptron (BRAGA; LUDERMIR; CARVALHO, 2000)
O Multi-Layer Perceptron com camada intermediária consegue resolver
problemas que não são linearmente separáveis. Segundo Braga, Ludermir
31
e Carvalho (2000) na teoria, as redes que possuem duas ou mais camadas
podem resolver problemas linearmente separáveis ou não. Essa rede
neural utiliza o aprendizado supervisionado e também o algoritmo
chamado de backpropagation para o treinamento da rede.
O algoritmo backpropagation utiliza correção de erros para ajustar os
pesos e aprendizado supervisionado. O treinamento da rede é dividido
em duas fases: forward (através de uma entrada define qual será o valor
de saída); backward (através da saída desejada e o valor de saída
conseguida pela rede é feita a atualização dos pesos).
De acordo com Braga, Ludermir e Carvalho (2000) o algoritmo
backpropagation possui vários problemas que impede a sua expansão. O
problema mais grave apresenta lentidão para superfícies complexas.
O Perceptron e o Multi-Layer Perceptron possuem várias aplicações, entre elas
estão: inteligência artificial, reconhecimento facial, reconhecimento de caracteres, entre
outros.
2.3 Aprendizado
As redes neurais são capazes de aprender e diminuir o erro na saída, e assim
melhorar o desempenho. Para a rede conseguir realizar tarefas e solucionar problemas é
preciso treiná-las, para isso existem vários algoritmos de aprendizado, a única diferença
entre esses algoritmos é forma com que os pesos da rede neural são alterados. De acordo
com Braga, Ludermir e Carvalho (2000) algoritmos de aprendizagem é um conjunto de
regras para solucionar problemas de aprendizagem.
2.3.1 Aprendizado Supervisionado e Não Supervisionado
O aprendizado supervisionado é considerado um paradigma de aprendizado.
Este aprendizado ocorre quando o ser humano mostra a resposta desejada a rede de
acordo com os valores que foram inseridos como entrada.
32
De acordo com Braga, Ludermir e Carvalho (2000) o objetivo do aprendizado
supervisionado é ajustar os parâmetros da rede neural artificial para encontrar ligações
entre entradas e saídas.
Há duas formas de implementação do aprendizado supervisionado:
•
Off-line: as respostas obtidas com o treinamento da rede não mudam até
que um novo treinamento seja realizado;
•
On-line: os dados são alterados em tempo real obrigando a rede a passar
a todo o momento por uma adaptação.
A figura 2.8 mostra o funcionamento do aprendizado supervisionado,
basicamente à rede compara a resposta desejada (saída desejada) com a resposta
calculada (saída calculada), a cada iteração os pesos são ajustados com o objetivo de
minimizar o erro. O professor (supervisor) tem a função de informar a rede entradas e
saídas desejadas.
Figura 2.8: Aprendizado supervisionado (BRAGA; LUDERMIR; CARVALHO, 2000)
A aprendizagem por Correção de Erros3 é um método para implementação do
aprendizado supervisionado.
A rede Perceptron é um modelo de RNA que utiliza o aprendizado
supervisionado.
O aprendizado não supervisionado é considerado um paradigma de aprendizado.
Este aprendizado não tem interferência dos seres humanos nos resultados da rede.
33
Segundo Braga, Ludermir e Carvalho (2000) o aprendizado não supervisionado
é semelhante ao supervisionado e ao aprendizado dos seres humanos, um exemplo são
os estágios iniciais da visão e audição que utilizam o aprendizado não supervisionado.
A figura 2.9 mostra o funcionamento do aprendizado não supervisionado. No
aprendizado não supervisionado a rede tem a disposição os padrões de entrada.
Figura 2.9: Aprendizado não supervisionado (BRAGA; LUDERMIR; CARVALHO, 2000)
A rede tenta encontrar esses padrões nos dados de entrada e assim criar classes
de forma automática.
Há vários métodos de aprendizagem para implementação do aprendizado não
supervisionado: Competitivo4, Hebbiano5, entre outros.
A rede feedforward é um modelo de RNA que utiliza o aprendizado não
supervisionado.
____________________
3
Disponível
em
http://www.lncc.br/~labinfo/tutorialRN/frm1_aprendizado.htm#aprendizadoCompetitivo/.
Acesso em 20 de abril de 2011.
4
Disponível em http://www.lncc.br/~labinfo/tutorialRN/frm1_aprendizado.htm#aprendizadoHebbiano/. Acesso
em 20 de abril de 2011.
5
Disponível
em
http://www.lncc.br/~labinfo/tutorialRN/frm1_aprendizado.htm#aprendizadoCorrecaoErro/.
Acesso em 20 de abril de 2011.
34
3. Materiais e Métodos
3.1. Localização
A localização é a principal etapa para o reconhecimento da placa do veículo,
pois se for mal realizada todo trabalho depois disso será prejudicado. A etapa de
localização é realizada depois do pré-processamento da imagem. O pré-processamento
consiste em um tratamento para melhorar a qualidade da imagem, é utilizado detecção
de bordas mais especificamente filtro de Sobel para facilitar a localização.
Para conseguir bons resultados na localização da placa é essencial que a imagem
do veículo tenha o tamanho 640x240 pixels. No trabalho é utilizada uma base de dados
formada por 100 imagens do CBPF (Centro Brasileiro de Pesquisas Físicas)6. A figura
3.1 mostra um exemplo da imagem original do veículo contida nesta base.
Figura 3.1: Imagem Original do Veículo.
Durante a etapa de localização foi utilizado duas técnicas para conseguir obter a
placa do veiculo:
•
A projeção vertical realiza a somatória das colunas da matriz e através
de um gráfico pode-se visualizar o pico mais alto que representa a banda
onde provavelmente encontra-se a placa do veículo. A figura 3.2 mostra
graficamente a possível região candidata a presença da placa.
________________
6
Disponível em http://www.cbpf.br/cat/pdsi/lpr/lpr.html. Acesso em 1 de agosto de 2011.
35
Figura 3.2: Gráfico da projeção vertical.
Já a figura 3.3 mostra o resultado depois da aplicação da projeção
vertical na imagem do veículo.
Figura 3.3: Projeção vertical.
•
A projeção horizontal realiza a somatória das linhas da matriz e através
de um gráfico pode-se visualizar os picos mais altos que representa a
banda onde provavelmente encontra-se a placa do veículo. A figura 3.4
mostra graficamente a possível localização da placa.
Figura 3.4: Gráfico da projeção horizontal.
36
Já figura 3.5 mostra o resultado da aplicação da projeção horizontal na
imagem do veículo.
Figura 3.5: Projeção horizontal.
A partir da projeção horizontal, percorre-se a imagem a procura de um retângulo
do tamanho da placa, depois é reajustado o tamanho da placa para 500x100 pixels e
isolada da imagem, como mostra a figura 3.6.
Figura 3.6: Placa isolada.
É importante isolar a placa da imagem original, pois a próxima etapa de
segmentação será mais simples de implementar e conseguir resultados mais satisfatórios
após a segmentação.
3.2. Segmentação
A etapa de segmentação é necessária para eliminar o máximo possível de ruídos
contidos na placa e assim facilitar o reconhecimento dos caracteres.
Primeiramente a placa é convertida para imagem binária (imagem formada por 0
e 1), como mostra a figura 3.7.
Figura 3.7: Placa Binária.
Depois através de morfologia, utilizando o comando bwareaopen do MATLAB
é possível remover em uma imagem binária objetos que possuem um determinado valor
de pixels (p) gerando uma nova imagem binária, como é mostrado abaixo.
imagem_binaria = bwareaopen (img_bin, p)
37
A figura 3.8 mostra a placa depois de aplicar o comando bwareaopen.
Figura 3.8: Placa eliminada de ruídos.
Os caracteres da placa do veículo são selecionados para posteriormente serem
reconhecidos. A placa do veículo contém sete caracteres, sendo três letras e quatro
números, se for não respeitada esta regra não é considerada placa. Para buscar regiões
de interesse foi utilizada a função chamada regionprops. Abaixo é mostrado parte do
código desenvolvido no MATLAB para selecionar os caracteres da placa do veículo.
[L Ne] = bwlabel (imgn);
propied = regionprops (L,'BoundingBox');
hold off
for n = 1:size (propied,1)
rectangle ('Position',propied(n).BoundingBox, 'EdgeColor','b','LineWidth',2)
end
hold off
A figura 3.9 mostra os caracteres selecionados pelo protótipo.
Figura 3.9: Caracteres selecionados.
Ao selecionar os caracteres, os mesmos são separados da placa do veiculo da
seguinte forma: cada posição do caractere é colocada em um componente do MATLAB
chamado de axes. A figura 3.10 mostra os caracteres separados da placa.
Figura 3.10: Caracteres separados.
38
3.3. Caracteres
3.3.1. Reconhecimento
A etapa de reconhecimento é muito importante, pois é a partir disso que será
possível fazer várias consultas com relação ao veículo e proprietário.
O reconhecimento é realizado utilizando um conjunto de caracteres, como
mostra a figura 3.11.
Figura 3.11: Conjunto de caracteres utilizado no reconhecimento.
Neste trabalho é utilizada correlação para reconhecer os caracteres da placa do
veículo, da seguinte forma:
- Correlação: compara a imagem de cada caractere (letras e números binários)
encontrado pelo protótipo com cada caractere do conjunto mostrado na figura 3.11, o
caractere selecionado será o de maior correlação. No MATLAB o coeficiente de
correlação é calculado utilizando a equação (6).
r = corr2 (A,B)
(6)
Onde:
A e B = matrizes ou vetores do mesmo tamanho.
O corr2 é calculado através da equação (7):
(7)
Onde:
39
= média dos elementos da matriz A
= média dos elementos da matriz B
As equações (6) e (7) foram obtidas no help do MATLAB.
Para a forma citada acima é necessário utilizar um OCR. O OCR é essencial em
toda aplicação de reconhecimento de caracteres e tem a função de realizar a conversão
da imagem do caractere em texto mostrando o resultado final ao usuário.
Nesta etapa foi constatado que alguns números podem ser trocados por letras,
por isso mesmo com a utilização do OCR foi necessário realizar um pequeno
tratamento, da seguinte forma:
•
Q, D e O confundem-se com o número 0;
•
B e D confundem-se com o número 8;
•
S confunde-se com o número 5;
•
Z confunde-se com o número 2;
•
C e G confundem-se com o número 6;
•
T e I confundem-se com o número 1;
Depois de realizar o tratamento mostrado acima, o protótipo conseguiu
reconhecer mais caracteres.
40
3.4. Protótipo
3.4.1. Apresentação
O protótipo realiza o reconhecimento dos caracteres de placa dos veículos, foi
desenvolvido na ferramenta MATLAB e pode ser utilizado através de uma interface
muito intuitiva e de fácil aprendizagem. Todo processo realizado para o reconhecimento
dos caracteres foram feitos em um notebook Pentium Dual-Core com 1 GB de memória
RAM. Esse protótipo é compatível com vários formatos de imagens (JPEG, BMP, entre
outras) e para obter melhores resultados foi necessário definir um padrão de imagem, no
caso deste trabalho foi escolhido o tamanho 640x240 pixels. Além de realizar o
reconhecimento dos caracteres, o protótipo aplica vários tipos de filtros nas imagens e
faz conversões para tons de cinza, binário e negativo. E também conta o total de
imagens abertas, número de placas, número de não placas e a porcentagem de caracteres
certos e errados. A figura 3.12 mostra a tela principal do protótipo.
Figura 3.12: Tela Principal.
41
3.4.2. Funcionamento
O funcionamento é muito simples, basta escolher a pasta onde se encontra as
imagens e abri-las, a partir disso o protótipo realiza todas as etapas para o
reconhecimento e mostra os caracteres encontrados ao usuário de forma totalmente
automática. A seguir será mostrado passo a passo o funcionamento do protótipo.
•
Primeiramente, o protótipo localiza a região candidata a presença da
placa na imagem da projeção horizontal, como mostra a figura 3.13.
Figura 3.13: Placa localizada.
•
A partir da figura 3.13 é gerada a imagem dos caracteres isolados da
placa, como mostra a figura 3.14.
42
Figura 3.14: Caracteres isolados da placa do veículo.
•
Depois de isolar os caracteres da placa, é realizada a comparação de
cada caractere com a base de dados através de correlação. Os caracteres
reconhecidos são mostrados em forma de texto, como mostra a figura
3.15.
Figura 3.15: Caracteres reconhecidos pelo Protótipo.
•
Ao terminar o reconhecimento de todas
as imagens, abrirá
automaticamente uma tela, ao clicar no botão “Gerar” será exibido ao
usuário o total de imagens, à quantidade de placas localizadas e não
43
localizadas, todos os caracteres reconhecidos, bem como a porcentagem
de placas, não placas, acertos e erros de caracteres. A figura 3.16 mostra
a tela de resultados.
Figura 3.16: Tela de resultados.
44
4. Resultados e Discussões
A proposta de localizar a placa do veículo e reconhecer os caracteres da mesma
foi cumprida, mas ainda ocorrem alguns erros de localização e reconhecimento. Para
mostrar os resultados obtidos neste trabalho será utilizada matriz de confusão, quadros e
gráficos.
A matriz de confusão faz parte da área de inteligência artificial sendo utilizada
através de aprendizado supervisionado. Neste tipo de matriz as linhas representam a
classe Real, já as colunas representam a classe Previsto.
O quadro 11 mostra o formato da matriz de confusão, aonde placa é classificada
como p e não placa é classificada como np.
Quadro 11: Matriz de confusão.
Real
Previsto
P
np
P
42
33
Np
1
24
Para gerar o quadro acima foi utilizada uma planilha com placas originais e uma
planilha com as placas reconhecidas pelo protótipo, é feita a comparação entre as duas
planilhas e se tiver sete caracteres é considerado placa, senão não é placa. O quadro 11
pode ser interpretado da seguinte forma:
•
Na primeira linha, das 75 placas reais o protótipo localizou 42 como
sendo placa e 33 como sendo não placa;
•
Na segunda linha, das 25 não placas reais o protótipo localizou 1 como
sendo placa e 24 como sendo não placa.
A porcentagem de acertos de placas localizadas foi de 66% e de erros foi de
34%.
45
Depois de mostrar a porcentagem de placas localizadas pelo protótipo, é
fundamental mostrar quais placas foram reconhecidas (ver Apêndice A).
A porcentagem de acertos no reconhecimento das placas foi de 36%, já de erros
foi de 64%. Com esses dados é possível dizer que a quantidade de acertos foi menor que
a de erros, isso mostra que em algumas placas ocorreu erro ao reconhecer caracteres. O
índice de acertos pode ser melhorado utilizando redes neurais.
A condição de erro ou acerto definido pelo protótipo é feita comparando a
planilha de caracteres originais com a planilha de caracteres reconhecidos pelo protótipo
se forem exatamente iguais, ou seja, letras e números iguais nas sete posições são
considerados acertos, senão são erros.
Depois de analisar as 100 imagens com relação à localização e reconhecimento
das placas, serão mostradas nas figuras 4.1 e 4.2 a porcentagem de acertos e erros de
cada letra e número respectivamente.
Figura 4.1: Porcentagem de acertos e erros (letras).
Na figura 4.1 é possível observar que as letras M, Q e V obtiveram 100% de
erro, já J, W, Y e Z obtiveram 100% de acerto e as demais letras apresentaram variações
de acerto e erro, pois o OCR implementado apresentou dificuldades ao reconhecer
algumas letras.
46
Figura 4.2: Porcentagem de acertos e erros (números).
Na figura 4.2 é possível perceber que o número 6 obteve 100% de erro, isso
aconteceu porque em algumas placas ele foi trocado por 4 e em outras por 5. Já os
demais números apresentaram variações de acertos e erros.
47
5. Conclusão
5.1. Considerações Finais
Neste trabalho, o objetivo proposto foi localizar placas dos veículos e reconhecer
caracteres de forma totalmente automática.
Antes da localização da placa foi necessário realizar um pré-processamento na
imagem, como a imagem procurada foi um retângulo foi necessário aplicar um detector
de bordas, neste caso Sobel para destacar as bordas da imagem e assim facilitar a
localização da placa.
A localização da placa é o ponto principal deste trabalho, pois se essa etapa não
for cumprida corretamente pode prejudicar as etapas seguintes. Os métodos de projeção
vertical e horizontal apresentaram resultados aceitáveis ao localizar a placa do veículo.
Ao selecionar a placa na imagem original foi possível isolá-la e binarizá-la
(imagem passou a ser preto e branco). Aplicou-se morfologia para eliminar objetos que
não tinha interesse em realizar o reconhecimento.
Para reconhecer os caracteres está sendo utilizada correlação, mas somente com
rede neural talvez seja possível obter um maior número de caracteres reconhecidos
corretamente. Algumas letras são bem semelhantes aos números (como foi citado no
item 3.3.1) por isso foi necessário um tratamento para evitar o reconhecimento de
caracteres errados, mas mesmo assim alguns caracteres não são reconhecidos
corretamente pelo protótipo.
O algoritmo de localização (projeção vertical e horizontal) mostrou-se muito
eficiente, pois teve um índice de acerto de 66%. Já o algoritmo de reconhecimento não
possui muita eficiência, pois acertou menos da metade dos caracteres da placa.
Os resultados obtidos com o trabalho podem ser considerados bons, mas ainda
não pode ser utilizado como um produto final é necessário alguns ajustes. As letras e
números possuem variações de acertos e erros, ou seja, o protótipo está instável. Se for
comparado acertos de letras e números é possível observar que as letras apresentam alto
índice de acerto no reconhecimento.
48
De modo geral, todas as etapas que envolvem o reconhecimento dos caracteres
são difíceis, pois uma etapa depende totalmente da outra.
O objetivo citado no início deste trabalho foi cumprido de forma satisfatória,
apesar dos resultados esperados não foi de alta qualidade.
5.2. Trabalhos Futuros
Para trabalhos futuros o sistema de reconhecimento de placas de veículos pode
ser implementado em uma linguagem de programação para deixar o sistema mais
estável, aprimorar o reconhecimento dos caracteres e também fazer a comunicação com
um banco de dados para realizar várias consultas, como: multas, IPVA vencido e se o
veículo é roubado.
Esse protótipo também pode ser adaptado e implementado em dispositivos
móveis (celulares, tablets e etc). E através da câmera pode ser feito o reconhecimento da
placa do veículo e assim realizar consultas via internet.
49
Referências Bibliográficas
ANIL, K. J.; ROBERT, P.W. D.; JIANCHANG M. Statistical Pattern Recognition: A
1999.
Review,
Disponível
em:
<http://www.cse.msu.edu/~cse802/Papers/JainDuinMao_StatisticalPatternRecognition.p
df>. Acesso 15 de maio de 2010.
BASTOS, V. P.; DUARTE, Prof. G. D.; CARUSO, Prof. P. D. M. Processamento de
Imagens, 2010. Disponível em <http://paginas.ucpel.tche.br/~vbastos/pi.htm>. Acesso
em: 23 de junho de 2010.
BRAGA, A. de P.; LUDERMIR, T. B.; CARVALHO, A. C. P. de L. F. Redes Neurais
Artificiais: Teoria e Aplicações. 1. ed. Rio de Janeiro: LTC, 2000.
CONTRAN.
Resolução
231,
2007.
Disponível
em
http://www.denatran.gov.br/download/Resolucoes/RESOLUCAO_231.pdf>.
<
Acesso
em: 25 de agosto de 2011.
DA FONSECA, M. S. Segmentação de Imagem: Segmentação Limiar em Tons de
Cinza, 2010. Disponível em <http://www.ic.uff.br/~aconci/limiarizacao.htm>. Acesso
em: 05 de agosto de 2010.
DE
SÁ,
J.
P.
M.
Reconhecimento
de
Padrões,
2000.
Disponível
em
<http://paginas.fe.up.pt/~jmsa/recpad/index.htm>. Acesso em: 20 de abril de 2010.
DOS
SANTOS,
Cleiton
Almeida.
Convolução,
1998.
Disponível
em
<http://www.inf.ufsc.br/~visao/1998/cleiton/convolucao.html>. Acesso em: 20 de
agosto de 2011.
50
FACON, J. Princípios básicos da visão por computador e do processamento de
imagens. Pontificia Universidade Católica do Paraná. Curso e Mestrado em Informática
Aplicada, 2002.
FILHO, K. de S. O. Como funciona uma câmera CCD?, 1998. Disponível em
<http://astro.if.ufrgs.br/med/imagens/node14.htm> Acesso em: 21 de maio de 2010.
KUNZLE, P. Vehicle Control with Neural Networks, 2010. Disponível em
<http://www.gamedev.net/reference/articles/article1988.asp>. Acesso em: 25 de outubro
de 2010.
MARTINSKY, O. Algorithmic and Mathematical Principles of Automatic Number
Plate Recognition Systems - Brno University of Technology. BRNO University of
Technology. Faculty of Information Technology. Department of Intelligent Systems,
2007.
RÉ,
P.
O
ABC
das
câmeras
CCD,
2005.
Disponível
em
<http://www.astrosurf.com/re/abc_camaras_ccd_pre.pdf>. Acesso em: 21 de maio de
2010.
RIBEIRO, F. Golpe contra o cidadão: Clonagem de carros assusta. Diário do Nordeste,
Fortaleza,
16
de
novembro
de
2009.
Disponível
em
<http://diariodonordeste.globo.com/materia.asp?codigo=692266>. Acesso em: 22 de
abril de 2010.
SABBATINI, Prof. Dr. R. M. E. Consultoria: Revista Informédica, 1995. Disponível
em <http://www.informaticamedica.org.br/informed/cons006.htm>. Acesso em: 26 de
outubro de 2010.
51
SEARA, Daniela Marta. Algoritmo para detecção de bordas, 1998. Disponível em <
http://www.inf.ufsc.br/~visao/1998/seara/index.html>. Acesso em: 20 de agosto de
2011.
VIEIRA, Prof. Dr. M. A. da C. SEL-0339 Introdução à Visão Computacional – Aula
3:
Processamento
Espacial,
2010.
Disponível
em
<http://iris.sel.eesc.usp.br/sel339/Aula_3.pdf>. Acesso em: 26 de maio de 2010.
52
APÊNDICE A – COMPARAÇÃO ENTRE PLACAS ORIGINAIS E
PLACAS RECONHECIDAS PELO PROTÓTIPO.
Placa Original
Placa Reconhecida
LOH8516
LOH8514
LID5816
LAO5914
LNZ7675
LNZ7475
LOF2025
LAY2576
LAY2575
LOA2563
LOA2553
GOL0197
LNU2885
LNU2885
LKI6549
LKI4542
KRJ3113
KRJ3113
KRD7080
KRD7366
KRD2355
LNJ8753
LNJ9753
KUF2376
LNP1417
LNP1417
DUR7778
DUR7778
LNF5873
LNF5873
LNR3839
53
LIN2148
KMV8068
LNO3968
LKO3249
LNP7221
KOE0313
KRA1369
KMN0857
KHN0957
LND3416
LND3435
LNZ3777
LNZ3777
LNG6631
LNG5531
KNI0508
KMU0087
LCK1312
KSL0273
LOE2022
LOF2029
LCS8217
LQS9217
LBD2319
LQD2312
CSE9780
CSE7801
LAG5887
LBU5699
LBU5422
LBL9606
LLL240K
54
LAK8614
AAK0124
LNI2993
LNA2991
LOE0836
LOE0834
KPC7603
KQH7731
KDH7731
AAY5127
AAY5177
LOA7993
LOA7273
KND8865
LNR0491
KNP9837
KNP9837
KMG0982
LAV5233
KQQ0310
LOA1784
LBD9538
KMG6921
KHG4221
LBO1230
LBO4230
KOD7347
KTS1316
LCN7724
ABY9198
ABY9198
GZA2477
GZA2477
55
LAR7207
LAR7207
KMO7265
CTB1569
CTB1859
LOF3405
LOF3405
LIK3988
LSK3988
KOC1299
LMN0916
III0111
LCD7645
LCD7445
LNP5569
LBL9709
LCA7450
LNZ4292
LNZ4222
JLW9464
JLW2444
56