Design of an automatic license plate reader

Matthew B Olajide; Najeem Olawale Adelakun; David S. Kuponiyi; Zaid O. Jagun; Charity S. Odeyemi

doi:10.5935/jetia.v8i37.833

Autores/as

Matthew B Olajide Departamento de Ingeniería Eléctrica/Electrónica, Universidad Olabisi Onabanjo, Nigeria http://orcid.org/0000-0001-8368-1427 (no autenticado)
Najeem Olawale Adelakun Ingeniero/Investigador, Colegio Federal de Educación Iwo, Estado de Ogun, Nigeria. http://orcid.org/0000-0003-1749-7116 (no autenticado)
David S. Kuponiyi Departamento de Ingeniería Electrónica Eléctrica, Gateway (ICT) Polytechnic Saapade, Nigeria http://orcid.org/0000-0002-3810-1267 (no autenticado)
Zaid O. Jagun Departamento de Ingeniería Informática, Universidad Olabisi Onabanjo, Nigeria http://orcid.org/0000-0002-1544-0266 (no autenticado)
Charity S. Odeyemi Departamento de Ingeniería Electrónica Eléctrica, Universidad Federal de Tecnología Akure, Nigeria http://orcid.org/0000-0002-1160-9394 (no autenticado)

DOI:

https://doi.org/10.5935/jetia.v8i37.833

Resumen

El aumento en la cantidad de vehículos y la tasa alarmante de robos y morosos diariamente genera la necesidad de una tecnología de combinación sofisticada para frenar el robo de automóviles, reducir los infractores de tránsito y cualquier otra anomalía/irregularidad que afecte el buen funcionamiento de los vehículos. Este estudio trata sobre el diseño de un lector automático de matrículas que captura automáticamente una imagen de la matrícula del vehículo, transforma esa imagen en caracteres alfanuméricos mediante reconocimiento óptico de caracteres o software de alta tecnología similar, y compara el número de matrícula adquirido con uno o más bases de datos de vehículos de interés para las fuerzas del orden y otras agencias contra las de vehículos robados o personas sospechosas de estar involucradas en actividades delictivas. La captura, el análisis y la comparación automatizados de las matrículas de los vehículos generalmente ocurren en segundos, lo que permite que el oficial a cargo tome las medidas apropiadas.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

A. Hasnat and A. Nakib, ‘Neurocomputing Robust license plate signatures matching based on multi-task learning approach’, Neurocomputing, vol. 440, pp. 58–71, 2021, http://doi.org/10.1016/j.neucom.2020.12.102.

R. Wang, N. Sang, R. Huang, and Y. Wang, ‘Optik License plate detection using gradient information and cascade detectors’, Opt. - Int. J. Light Electron Opt., vol. 125, no. 1, pp. 186–190, 2014, http://doi.org/10.1016/j.ijleo.2013.06.008.

A. Sasi, S. Sharma, and A. N. Cheeran, ‘Automatic Car Number Plate Recognition.’, in International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), 2017, pp. 1–6, http://doi.org/10.1109/ICIIECS.2017.8275893.

M. S. Silva and R. C. Jung, ‘Real-time license plate detection and recognition using deep convolutional neural networks’, J. Vis. Commun. Image Represent., vol. 71, p. 102773, 2020, http://doi.org/10.1016/j.jvcir.2020.102773.

C. I. . Patel, D. . Shah, and A. A. Patel, ‘Automatic Number Plate Recognition System (ANPR): A Survey’, Int. J. Comput. Appl., vol. 69, pp. 21–33, 2013.

Y. Shima, ‘Extraction of number plate images based on image category classification using deep learning’, IEEE Int. Symp. Robot. Intell. Sensors, pp. 19–26, 2016, http://doi.org/10.1109/IRIS.2016.8066060.

R. I. Dalarmelina, N.d.V. Teixeira, M.A. Meneguette, ‘A real-time automatic plate recognition system based on optical character recognition and wireless sensor networks for ITS’, Sensors, vol. 20, no. 1, p. 55, 2020, doi: http://dx.doi.org/10.3390/s20010055.

P. Greenberg, ‘Automated License Plate Readers’, National Conference of State Legislatures, 2015. https://www.ncsl.org/research/telecommunications-and-information-technology/automated-license-plate-readers.aspx (accessed Oct. 03, 2022).

S. Azam and M. Islam, ‘Automatic license plate detection in hazardous condition’, J. Vis. Commun. Image Represent., vol. 36, pp. 172–186, 2016, http://doi.org/10.1016/j.jvcir.2016.01.015.

Y. Kessentini, M. Dhia, S. Ammar, and A. Chabbouh, ‘A two-stage deep neural network for multi-norm license plate detection and recognition’, vol. 136, pp. 159–170, 2019, http://doi.org/10.1016/j.eswa.2019.06.036.

ANPR International, ‘What is ANPR?’, 2021. http://www.anpr-international.com/What -is-ANPR (accessed Jan. 10, 2022).

J. Tang, L. Wan, J. Schooling, P. Zhao, J. Chen, and S. Wei, ‘Automatic number plate recognition ( ANPR ) in smart cities : A systematic review on technological advancements and application cases’, Cities, vol. 129, no. May, p. 103833, 2022, http://doi.org/10.1016/j.cities.2022.103833.

E. Prem, C. Roy, A. Bhandari Thapa, K. Shrestha, P. Karmacharya, and R. Karna, ‘Vehicle Number Plate Recognition and Parking System’, Int. Res. J. Innov. Eng. Technol., vol. 2, no. 10, pp. 18–23, 2018.

M. A. Asif, A. M., Hannan, S. A., Perwej, Y., & Vithalrao, ‘An Overview and Applications of Optical Character Recognition’, Int. J. Adv. Res. Sci. Eng., vol. 3, no. 7, pp. 261–274, 2014.

X. Zhan, R. Li, and S. V Ukkusuri, ‘Link-based traffic state estimation and prediction for arterial networks using license-plate recognition data’, Transp. Res. Part C, vol. 117, no. April, p. 102660, 2020, http://doi.org/10.1016/j.trc.2020.102660.

G. Guarnieri, M. Fontani, F. Guzzi, S. Carrato, and M. Jerian, ‘Forensic Science International : Digital Investigation Perspective registration and multi-frame super-resolution of license plates in surveillance videos’, Forensic Sci. Int. Digit. Investig., vol. 36, p. 301087, 2021, http://doi.org/10.1016/j.fsidi.2020.301087.

Y. Jamtsho, P. Riyamongkol, and R. Waranusast, ‘Real-time license plate detection for non-helmeted motorcyclist using YOLO’, ICT Express, vol. 7, no. 1, pp. 104–109, 2021, http://doi.org/10.1016/j.icte.2020.07.008.

M. Satsangi, M. Yadav, and P. S. Sudhish, ‘License Plate Recognition: A Comparative Study on Thresholding, OCR and Machine Learning Approaches’, Int. Conf. Bioinforma. Syst. Biol., pp. 1–6, 2018, http://doi.org/10.1109/BSB.2018.8770662.

N. Omar, A. Sengur, S. Ganim, and S. Al-ali, ‘Cascaded deep learning-based efficient approach for license plate detection and recognition’, Expert Syst. Appl., vol. 149, p. 113280, 2020 http://doi.org/10.1016/j.eswa.2020.113280.

J. Gao, L. Sun, and M. Cai, ‘Quantifying privacy vulnerability of individual mobility traces : A case study of license plate recognition data’, Transp. Res. Part C, vol. 104, no. September 2018, pp. 78–94, 2019, http://doi.org/10.1016/j.trc.2019.04.022.

Z. Selmi, B. H. Halima, and A. M. Alimi, ‘Deep Learning System for Automatic License Plate Detection and Recognition’, 14th IAPR Int. Conf. Doc. Anal. Recognit., vol. 01, pp. 1132–1138, 2017, http://doi.org/10.1109/ICDAR.2017.187.

P. Shivakumara et al., ‘Fractional means based method for multi-oriented keyword spotting in video / scene / license plate images’, Expert Syst. Appl., vol. 118, pp. 1–19, 2019, http://doi.org/10.1016/j.eswa.2018.08.015.

R. Wang, N. Sang, R. Wang, and L. Jiang, ‘Optik Detection and tracking strategy for license plate detection in video’, Opt. - Int. J. Light Electron Opt., vol. 125, no. 10, pp. 2283–2288, 2014, http://doi.org/10.1016/j.ijleo.2013.10.126.