Desarrollo de un sistema de reconocimiento de placas de vehículos mediante transformada de Wavelet
La presente investigación se centra en la aplicación de la técnica “transformada de Wavelet” para el reconocimiento automatizado de los códigos de placas de vehículos. El objetivo es mejorar la identificación de matrículas vehiculares mediante procesamiento de imágenes y transformada Wavelet. El sis...
Saved in:
| 主要作者: | |
|---|---|
| 格式: | bachelorThesis |
| 语言: | spa |
| 出版: |
2024
|
| 主题: | |
| 在线阅读: | http://dspace.ups.edu.ec/handle/123456789/26737 |
| 标签: |
添加标签
没有标签, 成为第一个标记此记录!
|
添加标签 | 总结: | La presente investigación se centra en la aplicación de la técnica “transformada de Wavelet” para el reconocimiento automatizado de los códigos de placas de vehículos. El objetivo es mejorar la identificación de matrículas vehiculares mediante procesamiento de imágenes y transformada Wavelet. El sistema consta de varios componentes: adquisición de imágenes a través de una cámara de seguridad, procesamiento de imágenes mediante bibliotecas de Python y el almacenamiento de los resultados en una base de datos. La Transformada de Wavelet se aplica para mejorar las características de la imagen, permitiendo así la detección de regiones de placas. El enfoque logró una precisión del 92.12%, y se destaca el poder de la transformada de Wavelet en el análisis de imágenes y procesamiento de señales, aunque las limitaciones en la calidad de la imagen debido a la cámara, condiciones de iluminación y las variaciones del estado de las placas pueden afectar la precisión. Posteriormente se podría implicar la integración de la transformada de Wavelet con técnicas adicionales de procesamiento de imágenes o aprendizaje automático para mejorar los resultados, especialmente en escenarios difíciles como los horarios nocturnos. Se eligió la transformada Wavelet por su capacidad para analizar tiempo y frecuencia en imágenes. Sin embargo, mostró limitaciones con calidad de imagen, iluminación y variedad de vehículos. El primer experimento tuvo 120 reconocimientos precisos y 21 incorrectos; el segundo, 126 precisos y 15 incorrectos. Se deben abordar desafíos específicos, como la detección nocturna y la variabilidad del color, para mejorar el sistema de reconocimiento de matrículas. |
|---|