Deprecated: str_replace(): Passing null to parameter #3 ($subject) of type array|string is deprecated in /srv/vhost/tecsidel.com/home/html/wp-content/plugins/sitepress-multilingual-cms/sitepress.class.php on line 3429
lang=""> OCR – Tecsidel ITS

EPREIMUS, la solución fiable para el ANPR

El proceso de Automatic Number Plate Recognition (ANPR) presenta en la actualidad serias limitaciones de los softwares existentes cuyo grado de acierto nunca alcanza el 100%. Esta fiabilidad disminuye sustancialmente ante la falta de estandarización gráfica de las matrículas y de ciertas circunstancias que intervienen en la escena de captación de la imagen y que dependen de la latitud en la que tiene lugar este proceso.

Las latitudes extremas son el principal motivo de obstrucci√≥n, pues la √≥ptica de los sensores puede sufrir dilataciones con temperaturas muy altas y condensaciones con temperaturas muy bajas. Por ello, se intenta combatir con la incorporaci√≥n de sistemas termostatizados que var√≠an la temperatura seg√ļn convenga.

Tecsidel cuenta con muchas referencias en Noruega y Brasil y son dos buenos ejemplos para argumentar estas dificultades:

  • Noruega: Condiciones extremas de temperatura por debajo de los -30¬ļC; sumado a la distinta tipolog√≠a de matr√≠culas. El 10% de las matr√≠culas son verdes y el grado de acierto se sit√ļa en el 50 %. Por lo tanto, se trata de un 90-93% de fiabilidad. Adem√°s, en aquellas latitudes el sol tiene una posici√≥n realmente rasa respecto el horizonte, y eso dificulta la lectura por la refracci√≥n lum√≠nica.

  • Brasil: Las placas de matr√≠cula son m√°s peque√Īas, tienen diferentes formas y el color verde predomina; pero esta problem√°tica se agrava con la alta densidad de tr√°fico en los accesos de las ciudades. En cuanto a la meteorolog√≠a, las condiciones llegan tambi√©n a ser extremas en sentido contrario: la temperatura alcanza valores superiores a los 30¬ļC.


El reto para Tecsidel se centra en incrementar la fiabilidad de la lectura automática de las matrículas en 2 puntos, venciendo las dificultades intrínsecas durante la detección del vehículo en el campo de la cámara y captación de su imagen, así como en la diversidad de la morfología, estado y ubicación de la matrícula. Teniendo en cuenta que hoy en día hablar de la estandarización mundial de las matrículas es una utopía, el estudio de Tecsidel abarca 2 temas importantes:

Por un lado, a pesar de que las c√°maras evolucionan a la vez que la tecnolog√≠a de los sensores, todav√≠a existen limitaciones actuales en cuanto a sensibilidad (como a la hora de detectar sombras), fiabilidad, consumo de energ√≠a y tiempo de respuesta, por ello Tecsidel tiene en cuenta estas variables a la hora de escoger las c√°maras lectoras en sus proyectos. Los sensores de las c√°maras de √ļltima generaci√≥n usan una tecnolog√≠a CMOS, en ingl√©s Active P√≠xel Sensor (APS), que presentan una se√Īal y resoluci√≥n mejor que los Charged Coupled Devices (CCD), puesto que controla eficazmente la luminosidad y el contraste.

Por otro lado, existe otro elemento importante que influye directamente en la fiabilidad del ANPR y que debemos prestar más atención, es el software de Reconocimiento Automático de Caracteres, en inglés Optical Character Recognition (OCR), a menudo integrado en las propias cámaras.

El equipo de Tecsidel posee un conocimiento profundo de la tecnología de las cámaras y del rendimiento que de ellas pueda obtenerse, pero, sobre todo, de la forma de procesar las imágenes antes, durante y después del OCR. Estos algoritmos permitirán finalmente conseguir una fiabilidad muy superior a la obtenida actualmente.

Dentro de su nuevo proyecto de I+D EPREIMUS- Enhanced and automatic number Plate Recognition and Environmental Impact Measurements on Urban Spaces- Tecsidel propone una solución basada en un agregado compuesto por diferentes motores de OCR ejecutándose cerca de las distintas cámaras. A través de los nuevos algoritmos que trabajarán sobre dicho compuesto de OCRs y cámaras, se podrá comparar las imágenes obtenidas con mayor definición y aplicar los OCRs, obteniendo así el resultado más fidedigno.

Estos algoritmos mejorados por Tecsidel incluyen mecanismos de Inteligencia Artificial como el Machine Learning (algoritmos que revisan millones de datos, identifican patrones y predicen comportamientos futuros) y el Deep Learning (algoritmos capaces de modelar abstracciones de alto nivel sacando ellos mismos las conclusiones acerca de la sem√°ntica embebida en los datos).

Tecsidel planea ver los resultados de EPREIMUS sobre el asfalto el pr√≥ximo a√Īo.