Temporal-redundancy for convolutional neural network-based license plate recognition at surveillance scenarios

Abstract

En la era contemporánea de los retos de la vigilancia, el reconocimiento de matrículas de automóviles tiene aplicaciones esenciales en sistemas de seguridad, gestión del tráfico, cobro de peajes y acceso a aparcamientos, entre otros campos. Esta tesis se sumerge en el uso de Redes Neuronales Convolucionales (CNNs) para las tareas de detección y reconocimiento involucradas en un sistema de reconocimiento de matrículas. Además, este trabajo propone una novedosa técnica de post-procesado para aprovechar la redundancia temporal presente en las secuencias de vídeo y corregir posibles errores en el reconocimiento de caracteres que puedan producirse en fotogramas individuales. Los sistemas tradicionales de reconocimiento de matrículas suelen tener problemas con imágenes de baja calidad debido al desenfoque por movimiento, las condiciones de baja iluminación, las oclusiones y la baja resolución. La incorporación de redundancia temporal permite al sistema mejorar el rendimiento cuando maneja matrículas incompletas o parcialmente obstruidas utilizando información de múltiples fotogramas. Los resultados demuestran que el sistema con pasos de posprocesamiento aumenta significativamente la precisión del reconocimiento, mostrando una mejora de casi el 15% en comparación con los sistemas sin esta mejora.