Université Mohamed Khider de Biskra

Faculté des Sciences et de la Technologie

Département de Génie Electrique

MÉMOIRE DE MASTER
Sciences et Technologies
Electronique
Système Embarqués

Réf. :

Présenté et soutenu par :

Krim Smail
Le : Lundi 09 juillet 2019

Reconnaissance Automatique des plaques

d’immatriculation
(R.A.P.I)
(Implémentation sur Raspberry Pi)

Jury :

Mr. OUAFI ABDELKRIM PR Université de Biskra Président

Mm. TOUMI ABIDA MCA Université de Biskra Examinateur

Mm. MDOUAKH SAADIA MAA Université de Biskra Encadreur

Année universitaire : 2018 - 2019

 ‫اﻟﺟﻣﮭورﯾﺔ اﻟﺟزاﺋرﯾﺔ اﻟدﯾﻣﻘراطﯾﺔ اﻟﺷﻌﺑﯾﺔ‬
République Algérienne Démocratique et Populaire
‫وزارة اﻟﺗﻌﻠﯾم اﻟﻌﺎﻟﻲ و اﻟﺑﺣث اﻟﻌﻠﻣﻲ‬
Ministère de l’enseignement Supérieur et de la recherche scientifique

Université Mohamed Khider Biskra

Faculté des Sciences et de la Technologie
Département de Génie Electrique
Filière : électronique
Option : Systèmes Embarqués
Mémoire de Fin d'Etudes
En vue de l’obtention du diplôme:

MASTER 2

Reconnaissance Automatique des plaques

d’immatriculation
(R.A.P.I)
(Implémentation sur Raspberry Pi)

Présenté par : Avis favorable de l’encadreur :

KRIM SMAIL MEDOUAKH SAADIA

Avis favorable du Président du Jury

OUAFI ABDELKRIM
Cachet et signature
 ‫اﻟﺟﻣﮭورﯾﺔ اﻟﺟزاﺋرﯾﺔ اﻟدﯾﻣﻘراطﯾﺔ اﻟﺷﻌﺑﯾﺔ‬
République Algérienne Démocratique et Populaire
‫وزارة اﻟﺗﻌﻠﯾم اﻟﻌﺎﻟﻲ و اﻟﺑﺣث اﻟﻌﻠﻣﻲ‬
Ministère de l’enseignement Supérieur et de la Recherche scientifique

Université Mohamed Khider Biskra

Faculté des Sciences et de la Technologie
Département de Génie Electrique
Filière : électronique
Option : Systèmes Embarqués

Reconnaissance Automatique des plaques

d’immatriculation
(R.A.P.I)
(Implémentation sur Raspberry Pi)
Proposé par : MEDOUAKH Saadia
Dirigé par : MEDOUAKH Saadia
RESUMES (Français et Arabe)
Résumé :
De nos jours il existe de nombreux systèmes de reconnaissance des plaques d’immatriculation en monde, ces
systèmes ont deux axes majeurs, qui sont la détection de la plaque d’immatriculation et la reconnaissance de ses
caractères. Cependant ces systèmes sont contrôlés par diverses conditions liées à la couleur des plaques connue
d’avance, aux arrières plans fixes … , et varient en terme d’extraction des caractéristiques. Par conséquent ce
présent travail propose de concevoir et implémenter un système de reconnaissance des plaques d’immatriculation
algérienne basé sur la détection de contours et les moteurs de reconnaissance de caractères. Le système
implémenté, sur une « Raspberry Pi 3 », passe par trois étapes majeures ; prétraitements et amélioration,
localisation de la plaque, et enfin la reconnaissance des caractères. Les résultats des expérimentations obtenus
montrent que la méthode proposée achève des taux de reconnaissance acceptable malgré le non-respect des normes
de construction des plaques d’immatriculation ce qui rend difficile de les identifier automatiquement.
Mots clés : Reconnaissance, Localisation, Segmentation, kNN, Plaques d’immatriculation, Contours, Raspberry Pi,
OpenCV.
: ‫ﻣﻠﺨﺺ‬
‫ ھﻤﺎ اﻛﺘﺸﺎف‬،‫ وھﺬه اﻷﻧﻈﻤﺔ ﺗﺮﺗﻜﺰ ﻋﻠﻰ ﻣﺤﻮرﯾﻦ أﺳﺎﺳﯿﯿﻦ‬، ‫ﯾﻮﺟﺪ ﺣﺎﻟﯿﺎ اﻟﻌﺪﯾﺪ ﻣﻦ أﻧﻈﻤﺔ اﻟﺘﻌﺮف ﻋﻠﻰ ﻟﻮﺣﺎت اﻟﺘﺮﻗﯿﻢ ﻓﻲ اﻟﻌﺎﻟﻢ‬
‫ ﻟﻠﻘﯿﺎم ﺑﮭﺬه اﻟﻌﻤﻠﯿﺔ ﯾﺘﻢ ﻋﻤﻮﻣﺎ اﺳﺘﻌﻤﺎل ﻋﺪة ﺧﺼﺎﺋﺺ ﻣﻦ طﺮف ھﺬه اﻷﻧﻈﻤﺔ‬.‫ﻣﻮﺿﻊ ﻟﻮﺣﺔ اﻟﺘﺮﻗﯿﻢ واﻟﺘﻌﺮف ﺑﻌﺪ ذﻟﻚ ﻋﻠﻰ أرﻗﺎﻣﮭﺎ‬
‫ وﺗﺨﺘﻠﻒ ﻣﻦ ﺣﯿﺚ اﻟﻄﺮق اﻟﻤﻌﺘﻤﺪة‬، ‫ إﻟﺦ‬... ‫ اﻟﺨﻠﻔﯿﺎت اﻟﺜﺎﺑﺘﺔ اﻟﺘﻲ ﺗﺜﺒﺖ ﻋﻠﯿﮭﺎ اﻟﻠﻮﺣﺎت‬،‫ﻛﺎﻻﻋﺘﻤﺎد ﻋﻠﻰ ﻟﻮن اﻟﻠﻮﺣﺎت اﻟﻤﻌﺮوف ﻣﺴﺒﻘًﺎ‬
‫ ﻧﻘﺘﺮح ﻣﻦ ﺧﻼل ھﺬا اﻟﻌﻤﻞ ﺗﺼﻤﯿﻢ وﺗﻨﻔﯿﺬ ﻧﻈﺎم ﻟﻠﺘﻌﺮف ﻋﻠﻰ ﻟﻮﺣﺎت اﻟﺘﺮﻗﯿﻢ اﻟﺠﺰاﺋﺮﯾﺔ ﻣﻌﺘﻤﺪﯾﻦ‬،‫ ﻟﺬﻟﻚ‬.‫ﻻﺳﺘﺨﺮاج اﻷرﻗﺎم واﻟﺘﻌﺮف ﻋﻠﯿﮭﺎ‬
‫ واﻟﺬي ﯾﺸﺘﻐﻞ ﻋﻠﻰ ﺟﮭﺎز‬،‫ اﻟﻨﻈﺎم اﻟﻤﻨﺠﺰ‬.‫ﻓﯿﮫ ﻋﻠﻰ ﻣﺒﺪأ اﺳﺘﻜﺸﺎف ودراﺳﺔ ﺣﻮاف اﻷﺷﯿﺎء وﻛﺬا ﻣﺤﺮﻛﺎت اﻟﺘﻌﺮف ﻋﻠﻰ اﻷﺣﺮف‬
‫ ﺗﻈﮭﺮ‬.‫ وأﺧﯿﺮا اﻟﺘﻌﺮف ﻋﻠﻰ اﻷرﻗﺎم اﻟﺘﻲ ﺗﺤﻮﯾﮭﺎ‬،‫ ﺗﻮطﯿﻦ اﻟﻠﻮﺣﺔ‬،‫ ﯾﻤﺮ ﺑﺜﻼث ﺧﻄﻮات رﺋﯿﺴﯿﺔ ؛ اﻟﻤﻌﺎﻟﺠﺔ واﻟﺘﺤﺴﯿﻦ‬،"Raspberry Pi 3"
‫ﻧﺘﺎﺋﺞ اﻟﺘﺠﺎرب اﻟﺘﻲ ﺗﻢ اﻟﺤﺼﻮل ﻋﻠﯿﮭﺎ أن اﻟﻄﺮﯾﻘﺔ اﻟﻤﻘﺘﺮﺣﺔ ﺗﺤﻘﻖ ﻣﻌﺪﻻت ﺗﻌﺮف ﻣﻘﺒﻮﻟﺔ ﻋﻠﻰ اﻟﺮﻏﻢ ﻣﻦ ﻋﺪم اﻻﻣﺘﺜﺎل ﻟﻤﻌﺎﯾﯿﺮ إﻧﺸﺎء ﻟﻮﺣﺎت‬
.‫اﻟﺘﺮﻗﯿﻢ ﻣﺎ ﯾﺼﻌﺐ ﻋﻤﻠﯿﺔ اﻟﺘﻌﺮف ﻋﻠﯿﮭﺎ أوﺗﻮﻣﺎﺗﯿﻜﯿﺎ‬
‫ أوﺑﻦ ﺳﻲ ﻓﻲ‬،‫ راﺳﺒﯿﺮي ﺑﺎي‬،‫ اﻟﺤﻮاف‬،‫ ﻟﻮﺣﺎت اﻟﺘﺮﻗﯿﻢ‬،kNN ، ‫ اﻟﺘﺠﺰﺋﺔ‬،‫ ﺗﺤﺪﯾﺪ اﻟﻤﻮﻗﻊ‬،‫ اﻟﺘﻌﺮف‬: ‫اﻟﻜﻠﻤﺎت اﻟﻤﻔﺘﺎﺣﯿﺔ‬
 Remerciement

Tous d’abord je tiens à remercier Dieu tout puissant pour

m’accorder la force et la patience de terminé ce modeste travaille.

Ainsi que MDOUAKH SAADIA pour son aide et ses conseils

tous au long de ce travail.

Je tien à remercier aussi les membres de jury pour accepter

d’évaluer ce modeste travail, ainsi que tous les enseignants du
département de génie électrique pour leur soutien durant toute
l’année.

Sans oublier toute ma famille et mes collègues pour leur

soutien inconditionnel.
 Dédicaces

A mes chers parents, pour tous leurs sacrifices, leur amour, leur
tendresse, leur soutien et leurs prières tout au long de mes études,

A mes chers frères et sœurs pour leurs encouragements permanents,

et leur soutien moral,

A toute ma famille pour leur soutien tout au long de mon parcours,

A tous mes amis et mes collègues de travail pour leur préoccupation,

et ceux qui ont partagé avec moi tous les moments d’émotion lors de
la réalisation de ce travail.

Que ce travail soit l’accomplissement de vos vœux tant allégués, et le

fruit de votre soutien infaillible,

Merci d’être toujours là pour moi.

Table des matières
Introduction générale ……………………………………………………………………. 1
Chapitre 01 : Généralités sur le traitement d’images et les techniques RAPI
1. Introduction ……………………………………………………………..…. 4
2. Traitement d’images ………………………………………………………... 4
3. Image ……………………………………………………………………….. 5
4. Représentation d’image …………………………………………...…..……. 5
4.1. Image matricielle ………………………………………………………… 5
4.2. Image vectorielle ………………………………………………………… 5
5. Echantillonnage et quantification …………………………………………... 6
6. Acquisition d'une image ……………………………………………………. 7
7. Caractéristiques d’une image numérique ……………………………..…… 7
7.1. Dimension ……………………………………………………………….. 7
7.2. Résolution ………………………………………………………………... 7
7.3. Bruit ……………………………………………………………………… 7
7.4. Histogramme …………………………………………………………….. 8
7.5. Luminance ……………………………………………………………….. 9
7.6. Contraste …………………………………………………………………. 9
7.7. Images à niveaux de gris ………………………………………………… 9
7.8. Image en couleurs ………………………………………………………... 9
8. Principales étapes de traitement d’images ……………………………..….. 10
8.1. Prétraitements ……………………………………………………………. 10
8.2. Amélioration d'image ……………………………………………………. 10
8.3. Analyse d'image …………………………………………………………. 11
9. Types de données manipulées ……………………………………………… 11
10. Opérateurs de traitement d’image ………………………………………….. 12
10.1. Opérateurs locaux ……………………………………………………….. 13
10.2. Filtres linéaires ……………………………………………………..…... 14
10.2.1. Lissage ………………………………………………………….…… 15
10.2.2. Détection de contours …………………………………………….…. 15
10.3. Opérateurs morphologiques ………………………………………..…… 16
10.4 Construction d’une application de traitement d’images ……………..…. 17
11. Quelques exemples concrets de traitement d’image …………………..….. 18
12. Les techniques de reconnaissance des plaques d'immatriculation …………. 19
12.1. Techniques basant sur les propriétés de la plaque ……………………….. 20
12.2. Techniques basant sur les contours de la plaque ………………………… 21
12.3. Techniques basant sur l’intelligence artificielle …………………………. 21
12.4. Techniques basant sur la signature de la plaque …………..……………. 22
13. Domaines et exemples d'utilisation des systèmes RAPI …………………… 22
13.1. Le péage urbain ………………………………………………………….. 23
13.1.1. Le péage urbain (ex Londres) ………………………………………… 23
13.1.2. Le péage cordon de Stockholm ……………………………...……….. 23
13.2. Surveillance du réseau ……………………………………….…..……… 24
13.3. Gestion des véhicules prioritaires ……………………………………….. 24
13.4. Télépéage ………………………………………………………...……… 25
14. Conclusion ………………………………………………………………….. 26
Chapitre 02 : Raspberry Pi
1. Introduction …………………………………………………………...……. 28
2. Ordinateurs à carte unique (SBCs) …………………………………………. 28
3. Généralités et historiques …………………………………………...…….... 28
4. Composants de base………………………………………………………… 32
5. Exemples de projets réalisés avec Raspberry Pi ………………………….… 35
6. Conclusion ………………………………………………………………….. 41
Chapitre 03 : Conception du système RAPI
1. Introduction ……………………………………………………………………. 43
2. Caractéristiques des plaques algériennes ……………………………………… 43
3. Le système RAPI à implémenter ……………………………………….……… 44
4. Présentation de la démarche d'un RAPI ……………………………….………. 44
4.1. Prétraitement et amélioration ……………………………………………. 45
4.2. Localisation de la plaque ……………………………………...………… 47
4.3. Reconnaissance de la plaque …………………………………………….. 49
4.3.1. Segmentation des caractères ………………………………...……… 49
4.3.2. Reconnaissance de caractères …………………………………...…… 49
5. Conclusion …………………………………………………….……………….. 51
Chapitre 04 : Implémentation du système RAPI
1. Introduction ……………………………………………………………………. 53
2. Aspect matériel ………………………………………………………………. 53
3. Aspect logiciel ……………………………………………….……………….. 53
3.1. Python ………………………………………………………………………. 54
3.2. OpenCV …………………………………………………………………….. 55
3.3. Algorithmes implémentés …………………………………………………... 56
3.4. Description des fonctions Python et OpenCV utilisés pour l'implémentation 59
4. Résultats et discutions …………………………………...……..……………… 61
4.1. Démarche de la technique RAPI ……………………..……..……………… 61
4.2. Présentation Analyse des résultats ………………………….…..………….. 62
4.2.1 Résultats de localisation………………………………….......……………... 62
4.2.2 Résultats de reconnaissance……………………………...……..…………... 66
4.3 Analyse des résultats et Discutions………………………………………… 74
4.3.1 Résultats de localisation…………………………………...………………... 74
4.3.2 Résultats de reconnaissance…………………………….…………………... 74
5. Conclusion ……………………………………………………….…………….. 76
Conclusion générale …………………………………………………….………………….. 77
Annexe ………………………………………………………………….………………….. 79
Bibliographie …………………………………………………………….…………………. 84
Liste des figures
Chapitre 01 : Généralités sur le traitement d’images et les techniques RAPI
Figure 1.1 : Echantillonnage et Quantification d'un signal 2D continu selon déférentes résolutions
spatiales et colorimétriques. [DIA04] ……………………………………………………………. 6
Figure 1.2 : Exemples de bruits. [BER15] ………………………………………………………. 8
Figure 1.3 : Exemple de la segmentation de régions (méthode de croissance de région). [BER15] ….. 14
Figure 1.4 : Exemple de la segmentation de contours (avec un filtre de Sobel). [BER15] …………… 14
Figure 1.5 : Exemple des opérateurs morphologiques. [BER15] ………………………………… 17
Figure 1.6. : Pips Technology : système de reconnaissance de plaque d'immatriculation. [LUD13] … 23
Figure 1.7. : Portails du péage de Stockholm. [LUD13] …………………………………………. 24
Figure 1.8. : Caméras 3G embarquées (WCCTV). [LUD13] …………………………………….. 24
Figure 1.9. : Péage de la SR91, Californie. [LUD13] ……………………………………………. 25
Figure 1.10. : Portail de télépéage (Singapour). [LUD13] ……………………………………….. 25
Chapitre 02 : Raspberry Pi
Figure 2.1 : Les modèles de Raspberry Pi. ……………………………………………………… 30
Figure 2.2 : Projet DoorJam. [PAU17] ………………………………………………………….. 36
Figure 2.3 : Projet du scanner 3D. [PAU17] …………………………………………………….. 36
Figure 2.4 : Projet du miroir magique. [PAU17] ………………………………………………… 37
Figure 2.5 : Projet MintyPi. [PAU17] …………………………………………………………... 38
Figure 2.6 : Projet de verrou intelligent. [PAU17] ……………………………………………….. 39
Figure 2.7 : Projet Picrowave. [PAU17] ………………………………………………………… 39
Figure 2.8 : Projet Pi-hole. [PAU17] ……………………………………………………………. 40
Figure 2.9 : Projet du drone semi-autonome. [PAU17] …………………………………………... 40
Chapitre 03 : Conception du système RAPI
Figure 3.1. : Exemple de plaque d’immatriculation Algérienne …………………………………... 43
Figure 3.2 : Architecture du système RAPI à implémenter. ………………………………… 44
Figure 3.3. : Effet d’un filtre bilatéral, lissage sans perdre les contours. [HEB17] ………………… 46
Figure 3.4. : Le seuillage permet de convertir une image de niveaux de gris vers noir et blanc.
[MAZ18] ………………………………………………………………………………………. 47
Figure 3.5. : Détecteur de contours de Canny. [BER15] …………………………………………. 48
Chapitre 04 : Implémentation du système RAPI
Figure 4.1. : Détection de la plaque d'immatriculation ………………………………………….. 62
Figure 4.2. : Ségmentation des chiffres de la plaque…………………………………………….. 62
Annexe :
Figure A.1. : Différence entre N-NN classifier et 5-NN classifier[BEZ18]…………….……. 79
Figure A.2. : Classification d’une nouvelle observation : les 03 plus proches voisins
appartiennent à la classe 2[GUIW19]…………………………………………….………………. 80
Figure A.3. : Classification d’une nouvelle observation : 02 des 03 plus proches voisins
appartiennent à la classe 2[GUIW19]…………………………………………….………………. 80
Liste des tableaux
Chapitre 02 : Raspberry Pi
Tableau 2.1 : Une comparaison entre un système à carte unique et un ordinateur……………………. 28
Tableau 2.2 : Les modèles de Raspberry Pi et leurs principales caractéristiques…………………….. 34
Tableau 4.1 : Les statistiques de l’évaluation de la technique de localisation de la plaque ………….. 63
Tableau 4.2. : Présentation des cas de problemes de localisation de la plaque…….…..............……… 63
Tableau 4.3 : Résultats obtenus depuis le module de reconnaissance...................…………………….. 68
 Introduction générale
Dans les dernières années, le nombre de voitures a augmenté, par le fait du besoin
croissant de se déplacer. Chaque voiture est caractérisée par son numéro de plaque
d'immatriculation. Il est nécessaire d'identifier les plaques d'immatriculation des véhicules
pour plusieurs raison tel que la sécurité.

L’identification des véhicules doit se faire de manière très efficace en utilisant des
ressources limitées. L'un des meilleurs moyens est la Reconnaissance Automatique de la
Plaque d'Immatriculation (RAPI).

Le numéro de plaque d'immatriculation est un code numérique utilisé pour identifier de

manière unique les véhicules. La reconnaissance des plaques d'immatriculation utilise la
technologie de traitement des images et de reconnaissance des caractères pour identifier les
véhicules en lisant automatiquement les numéros de plaque d'immatriculation.

Le processus de reconnaissance automatique des plaques d'immatriculation (RAPI) peut

avoir de nombreuses applications. Il est peut-être utilisé dans les parcs de stationnement, les
postes de frontières et de péage, la surveillance des autoroutes, … etc. L'objectif du modèle
(RAPI) est l’identification automatique des voitures à partir de captures d'images prises sur le
devant ou à l'arrière des véhicules. Un système de reconnaissance automatique des plaques
d'immatriculation robuste et efficace devient de plus en plus une nécessité pour notre vie
quotidienne.

Tout système RAPI va passer par quatre étapes [CHH09] : La première consiste à
extraire à partir d’une image du véhicule, obtenu d'une caméra haute résolution, la plaque de
la voiture, en se basant essentiellement sur une méthode de détection de contours. Cette
plaque subit par la suite une segmentation en caractères afin d’être analyser par un système de
reconnaissance optique de caractère (OCR) (optical character recognition). Afin d’arriver à
un meilleur résultat le plus rapidement possible, il faut utiliser un ensemble de prétraitements
comme les techniques de la morphologie mathématique.

Un système de reconnaissance automatique des plaques d'immatriculation est une

technologie qui trouve son essence dans ces 20 dernières années dans le développement des
techniques de traitement d’image ainsi que dans les OCR [CHH09].

De ce fait, une problématique peut être posée de la façon suivante :

- Quels sont les systèmes RAPI existants, et quel sont les avantages et les inconvénients
de chaque système ? et quel est le système le plus approprié à notre cas d'étude ?

1
 - Après avoir choisir un système à implanter, quelles sont les étapes à suivre pour qu'on
puisse concevoir un système RAPI efficace et performant ?

- Quels sont les outils matériels et logiciels à exploiter pour faire implémenter un tel
système ?

Pour arriver à répondre aux questions composant notre problématique on va organiser

notre travail, en quatre chapitres de la façon suivante :

Un premier chapitre va nous mettre sur les rails du domaine d'analyse des images et plus
précisément, par la suite, des techniques de reconnaissance des plaques d'immatriculation.

Le deuxième chapitre sera sacré à une présentation générale sur la plateforme Raspberry
Pi, ainsi que les modèles publiés et les composants de base de chaque modèle. Par la suite,
nous allons présenter quelques projets réalisés en utilisant des Raspberry Pi.

Dans le troisième chapitre, nous allons faire une conception pour le système de
reconnaissance automatique des plaques d'immatriculation dont le but est de décomposer le
système voulu en un ensemble de modules à détailler par la suite.

Le dernier chapitre va présenter une mise en œuvre du système de reconnaissance en

utilisant la bibliothèque Open CV et le langage de programmation python. En fin du chapitre
on va présenter les résultats obtenus avec une analyse et discussion des différentes résultats.

2
 Chapitre 01
Généralités sur le traitement
d’images et les techniques
RAPI
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

1. Introduction
Le traitement d’images est un domaine très vaste qui a connu, et qui connaît encore, un
développement important depuis quelques dizaines d’années.

On désigne par traitement d'images numériques l'ensemble des techniques permettant de

modifier une image numérique afin d'améliorer ou d'en extraire des informations.

Dans ce chapitre, nous allons aborder les notions de base nécessaires à la

compréhension des techniques de traitement d’images. Ensuite, nous allons donner un aperçu
sur les différentes techniques de traitement et d'analyse connues dans ce domaine. Enfin, on
va citer quelques techniques de reconnaissance automatique des plaques d'immatriculation en
tant que l'un des axes de recherche les plus connues en traitement d'image.

2. Traitement d’images
Le traitement d'images (image processing) est une discipline de l'informatique et des
mathématiques appliquées qui étudie les images numériques et leurs transformations, dans le
but d'améliorer leur qualité ou d'en extraire de l'information (Ex.: la création d’effets spéciaux
au cinéma, l’amélioration de la qualité des photos en corrigeant les conditions de prise de vue,
la détection de lettres ou de visages, l’identification de zones cancéreuses en imagerie
médicale, la compression JPEG, … etc). [MAZ18]

La compréhension du traitement d'images commence par la compréhension de ce qu'est

une image. Le mode et les conditions d'acquisition et de numérisation des images traitées
conditionnent largement les opérations qu'il faudra réaliser pour extraire de l'information. En
effet, de nombreux paramètres entrent en compte, les principaux étant :

La résolution d'acquisition et le mode de codage utilisé lors de la numérisation,

qui déterminent le degré de précision des éventuelles mesures de dimensions.

Les réglages optiques utilisés, (dont la mise au point) qui déterminent par exemple la
netteté de l'image.

Les conditions d'éclairage, qui déterminent une partie de la variabilité des images
traitées.

Quelques exemples de types d'informations qu'il est possible d'obtenir d'une image
numérique :

 La luminance moyenne.

 Le contraste moyen.
4
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

 La couleur prédominante.

 Le taux d'acuité moyen (précis ou flou).

 Le taux d'uniformité des couleurs.

 La présence ou l'absence de certains objets.

3. Image
Une image est obtenue par transformation d'une scène réelle par un capteur, donc c'est
un signal 2D (x, y), qui représente souvent une réalité 3D (x, y, z). D'un point de vue
mathématique, une image est une matrice de nombres représentant un signal, plusieurs outils
permettent de manipuler ce signal. Pour un ordinateur, une image est un ensemble de pixels.
Un pixel, c'est un élément d'image (picture element). [DIA04]

4. Représentation d’image
Les images numériques, destinées à être visualisées sur les écrans d'ordinateur, se
divisent en 2 grandes classes : Les images matricielles et les images vectorielles. [BER15]

4.1. Image matricielle

Une image matricielle (image bitmap), est formée d’un assemblage de points ou de
pixels. On parle sur des points lorsque ces images sont imprimées ou destinées à l’impression
(photographies, publicités, cartes ... etc.) et on parle sur des pixels pour les images stockées
sous forme « binaire » ou « numérique ».

L'image est composée d’une matrice (tableau) de points à plusieurs dimensions, chaque
dimension représentant une dimension spatiale (hauteur, largeur, profondeur), temporelle
(durée) ou autre (par exemple, un niveau de résolution). [MAZ18]

4.2. Image vectorielle

Une image vectorielle en informatique (ou image en mode trait), est une image
numérique composée d’objets géométriques individuels (segments de droite, polygones, arcs
de cercle, ... etc) définis chacun par divers attributs de forme, de position, de couleur, etc....
(définis de manière mathématique). Par exemple, une image vectorielle d’un cercle est définie
par des attributs de types : position du centre, rayon, etc.…

Par nature, un dessin vectoriel est dessiné à nouveau à chaque visualisation, ce qui
engendre des calculs sur la machine. L’intérêt est de pouvoir redimensionner l’image à
volonté sans aucun effet d’escalier. L’inconvénient est que pour atteindre une qualité

5
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

photoréaliste, il faut pouvoir disposer d’une puissance de calcul importante et de beaucoup de

mémoire. L’avantage de ce type d’image est la possibilité de l’agrandir indéfiniment sans
perdre la qualité initiale, ainsi qu’un faible encombrement. [MAZ18]

5. Echantillonnage et quantification
Le codage ou la représentation informatique d’une image implique sa numérisation.
L'échantillonnage et la quantification ne sont pas limités à la numérisation d'une image. Ce
sont des techniques que l'on utilise également sur des images déjà numérisées, afin de
modifier la résolution (on rééchantillonne l'image) ou le nombre de couleurs utilisées
(quantification). Donc, cette opération se fait dans deux espaces (Figure 1.1) [DIA04] :

– l’espace spatial où l’image (2D) est numérisée suivant l’axe des abscisses et des
ordonnées : on parle d’échantillonnage. Les échantillons dans cet espace sont nommés pixels
et leur nombre va constituer la définition de l’image.

– l’espace des couleurs où les différentes valeurs de luminosité que peut prendre un
pixel sont numérisés pour représenter sa couleur et son intensité ; on parle de quantification.
La précision dans cet espace dépend du nombre de bits sur lesquels on code la luminosité et
est appelée profondeur de l’image.

Figure 1.1 : Echantillonnage et Quantification d'un signal 2D continu selon déférentes résolutions spatiales et
colorimétriques. [DIA04]

6
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

6. Acquisition d'une image

L’acquisition d’images constitue un des maillons essentiels de toute chaîne de
conception et de production d’images. Pour pouvoir manipuler une image sur un système
informatique, il est avant tout nécessaire de lui faire subir une transformation qui la rendra
lisible et manipulable par ce système. Le passage de cet objet externe (l’image d’origine) à sa
représentation interne (dans l’unité de traitement) se fait grâce à une procédure de
numérisation. Ces systèmes de saisie, dénommés optiques, peuvent être classés en deux
catégories principales : Les caméras numériques et les scanners.

7. Caractéristiques d’une image numérique

L’image est un ensemble structuré d’informations caractérisé par les paramètres
suivants :

7.1. Dimension

La Dimension est la taille de l’image. Cette dernière se présente sous forme de matrice
dont les éléments sont des valeurs numériques représentatives des intensités lumineuses
(pixels). Le nombre de lignes, de cette matrice, multiplié par le nombre de colonnes nous
donne le nombre total de pixels dans une image.

7.2. Résolution

La résolution est la clarté ou la finesse de détails atteinte par un moniteur ou une

imprimante dans la production d’images. Sur les moniteurs d’ordinateurs, la résolution est
exprimée en nombre de pixels par unité de mesure (pouce ou centimètre). On utilise aussi le
mot résolution pour désigner le nombre total de pixels affichables horizontalement ou
verticalement sur un moniteur ; plus grand est ce nombre, meilleure est la résolution.

7.3. Bruit

Un bruit (parasite) dans une image est considéré comme un phénomène de brusque
variation de l’intensité d’un pixel par rapport à ses voisins, il provient de l’éclairage des
dispositifs optiques et électroniques du capteur.

Visuellement, on distingue en général deux types de bruit d’image qui s’accumulent

[BER15] :

– le bruit de chrominance, qui est la composante colorée des pixels bruités : il est visible sous
la forme de tâches de couleurs aléatoires,

7
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

– le bruit de luminance, qui est la composante lumineuse des pixels bruités : il est visible sous
la forme de tâches plus foncées ou plus claires donnant un aspect granuleux à l’image.

Figure 1.2 : Exemples de bruits. [BER15]

7.4. Histogramme

L’histogramme des niveaux de gris ou des couleurs d’une image est une fonction qui
donne la fréquence d’apparition de chaque niveau de gris (couleur) dans l’image. Il permet de
donner un grand nombre d’information sur la distribution des niveaux de gris (couleur) et de
voir entre quelles bornes est repartie la majorité des niveaux de gris (couleur) dans le cas
d’une image trop claire ou d’une image trop foncée. Donc, c’est la fonction discrète "h" telle
que " h(i) = n", où n est le nombre de pixels de l’image ayant l’intensité i, que l’on appelle «
effectif ». [MAZ18]

Il peut être utilisé pour améliorer la qualité d’une image (Rehaussement d’image) en
introduisant quelques modifications, pour pouvoir extraire les informations utiles de celle-ci.
Pour diminuer l’erreur de quantification, pour comparer deux images obtenues sous des
éclairages différents, ou encore pour mesurer certaines propriétés sur une image, on modifie
souvent l’histogramme correspondant.
8
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

7.5. Luminance

La luminance est le degré de luminosité des points de l’image. Elle est définie aussi
comme étant le quotient de l’intensité lumineuse d’une surface par l’aire apparente de cette
surface, pour un observateur lointain, le mot luminance est substitué au mot brillance, qui
correspond à l’éclat d’un objet. Une bonne luminance se caractérise par :

Des images lumineuses (brillantes).

Un bon contraste : il faut éviter les images où la gamme de contraste tend vers le blanc
ou le noir, ces images entraînent des pertes de détails dans les zones sombres ou
lumineuses.

L’absence de parasites.

7.6. Contraste

Le contraste est l’opposition marquée entre deux régions d’une image, plus précisément
entre les régions sombres et les régions claires de cette image. Le contraste est défini en
fonction des luminances de deux zones d’images.

7.7. Images à niveaux de gris

Le niveau de gris est la valeur de l’intensité lumineuse en un point. La couleur du pixel

peut prendre des valeurs allant du noir au blanc en passant par un nombre fini de niveaux
intermédiaires. Donc pour représenter les images à niveaux de gris, on peut attribuer à chaque
pixel de l’image une valeur correspondant à la quantité de lumière renvoyée. Cette valeur peut
être comprise par exemple entre 0 et 255. Chaque pixel n’est donc plus représenté par un bit,
mais par un octet. Pour cela, il faut que le matériel utilisé pour afficher l’image soit capable de
produire les différents niveaux de gris correspondant.

Le nombre de niveaux de gris dépend du nombre de bits utilisés pour décrire la

"couleur" de chaque pixel de l’image. Plus ce nombre est important, plus les niveaux
possibles sont nombreux.

7.8. Image en couleurs

Même s’il est parfois utile de pouvoir représenter des images en noir et blanc, les
applications multimédias utilisent le plus souvent des images en couleurs. La représentation
des couleurs s’effectue de la même manière que les images monochromes avec cependant
quelques particularités. En effet, il faut tout d’abord choisir un modèle de représentation.

9
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

On peut représenter les couleurs à l’aide de leurs composantes primaires. Les systèmes
émettant de la lumière (écrans d’ordinateurs, ...) sont basés sur le principe de la synthèse
additive : les couleurs sont composées d’un mélange de rouge, vert et bleu (modèle R.V.B).

8. Principales étapes de traitement d’images

Il n'existe pas de méthode de traitement d'images générale à tous les domaines
d'application possibles. Il faut en général employer des algorithmes spécifiques. Ces derniers
sont souvent des combinaisons de techniques classiques (segmentation, classification,
reconnaissance de frontières, etc....). De manière schématique, toute méthode de traitement
d'images comprend trois étapes majeures : [NOR17]

• Prétraitement des images.

• Amélioration des images.

• Analyse des images.

8.1. Prétraitements

Les prétraitements préparent l'image pour son analyse ultérieure. Il s'agit souvent
d'obtenir l'image théorique que l'on aurait dû acquérir en l'absence de toute dégradation. Ainsi,
ils peuvent par exemple corriger :

Les défauts radiométriques du capteur : non linéarité des détecteurs, diffraction de

l'optique, etc.

Les défauts géométriques de l'image dus au mode d'échantillonnage spatial, à l'oblicité

de la direction de visée, au déplacement de la cible, etc.

Le filtrage ou réduction de fréquences parasites, par exemple dus à des vibrations du

capteur.

Les dégradations de l'image dues à la présence de matière entre le capteur et le milieu

observé.

8.2. Amélioration d'image

L’amélioration d'image a pour but d'améliorer la visualisation des images. Pour cela,
elle élimine / réduit le bruit de l’image et/ou met en évidence certains éléments (frontières,
etc....) de l'image. Elle est souvent appliquée sans connaissance à priori des éléments de
l'image. Les principales techniques sont :

L'amélioration de contraste.

10
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

Le filtrage linéaire (lissage, mise en évidence des frontières avec l'opérateur "Image -
Image lissée" ... etc.) et transformée de Fourier pour faire apparaître / disparaître
certaines fréquences dans l'image.

Filtrage non linéaire (filtres médians, ... etc.) pour éliminer le bruit sans trop affecter
les frontières, etc.

8.3. Analyse d'image

Le but de l’analyse d’images est d'extraire et de mesurer certaines caractéristiques de

l'image traitée en vue de son interprétation. Ces caractéristiques peuvent être des données
statistiques sur des comptes numériques (moyenne, histogramme, etc....), ou sur des données
dérivées (ex: dimensions, ou orientation d’objets présents dans l’image). En général, le type
d'information recherché dépend du niveau de connaissance requis pour interpréter l'image.
Les applications dans le domaine du guidage et de la télédétection nécessitent souvent des
connaissances différentes et de plus haut niveau (ex: cartes 3-D) que dans les domaines du
médical, de la géologie, du contrôle de qualité, etc.... Ainsi, un robot en déplacement ne
nécessite pas le même type d'information qu'un système utilisé pour détecter la présence de
matériaux défectueux. Pour ce dernier, il faut prendre uniquement la décision "non défectueux
ou défectueux". Cette décision peut être prise à partir d'un "raisonnement" plus ou moins
complexe (e.g. détection de la présence de raies d'absorption caractéristiques d'une impureté).
Pour le robot, il faut simuler le processus décisionnel d’un individu en déplacement, ce qui
nécessite au préalable de reconstituer une carte du lieu de déplacement en temps réel, avec les
obstacles à éviter.

9. Types de données manipulées

Le traiteur d'image dispose principalement d'images numériques, donc échantillonnées.
Il dispose également de données intermédiaires de diverses natures : cartes de régions, listes
de points connexes, tableaux de valeurs mesurées, ... etc.

En ce qui concerne les images proprement dites, la représentation la plus utilisée est
celle d'un tableau à 2 dimensions composé d'un ensemble de lignes et de colonnes. Chaque
cellule du tableau, appelée pixel, contient une valeur quantifiée. Cette valeur est une
sémantique dépendant du type de signal qu'elle code (intensité lumineuse du point, distance à
un point de référence, ou numéro de la région d'appartenance par exemple).

Dans le cas des images 3D d'IRM, la représentation n'est plus un tableau à 2 dimensions
mais un tableau à 3 dimensions.

11
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

10. Opérateurs de traitement d’image

Par analogie avec les opérateurs mathématiques, on appelle opérateurs de traitement
d'images des traitements plus ou moins complexes prenant en entrée une image ou un
ensemble d'informations relatif à une image, et produisant une image ou un ensemble
d'informations relatif aux données initiales.

On a classé généralement les opérateurs en différentes familles, en fonction des

informations qu'ils acceptent en entrée et qu'ils fournissent en sortie, et en fonction des
transformations qu'ils font subir aux données. Ainsi, par exemple, on distingue (cette liste est
loin d'être exhaustive) : [WITR18]

 Opérateurs image →image

 Opérateurs de modifications pixel à pixel (aussi appelés opérateurs point à point) :

changement de la dynamique de l'image, opérateurs binaires pixel à pixel (et, ou, or ...
etc.).

 Opérateurs locaux (traitent les pixels en fonction de leur voisinage) : opérateurs de

flou, opérateurs morphologiques (érosion, dilatation, squelette), opérateurs de
détection de contours.

 Opérateurs dans l'espace fréquentiel : opérateurs de réduction du bruit, filtres passe-

bande (souvent utilisés en première approche pour améliorer l'image, on les appelles
alors des opérateurs de prétraitement).

 Opérateurs globaux : calcul des distances.

 Opérateurs de croissance de régions : Ligne de partage des eaux.

 Opérateurs image → ensemble d'informations

 Opérateurs de segmentation en frontières, en régions.

 Opérateurs de classification de pixels.

 Opérateurs de calcul de paramètres.

 Opérateurs ensemble d'informations →image

 Constructeurs d'image à partir d'une carte de régions ou d'une liste de frontières.

Les parties suivantes s'attachent à détailler les différents opérateurs et leurs applications
habituelles, puis à présenter la manière dont ils sont combinés pour construire une application
de traitement d'images.
12
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

10.1. Opérateurs locaux

Il faut alors utiliser des opérateurs de traitement plus complexes scindés bien souvent en
deux sous-catégories :

Les filtres linéaires.

Les filtres non linéaires.

La première sous-catégorie comprend tous les opérateurs pouvant exprimer leur résultat
comme une combinaison linéaire des niveaux de gris d'un voisinage de l'image. Ces filtres
possèdent des caractéristiques spectrales, on parle ainsi de filtre passe-bas (l'image devient
floue) ou de filtre passe-haut (les contours ressortent).

La deuxième sous-catégorie comprend le domaine de la morphologie mathématique,

ainsi que d'autres traitements comme les détecteurs de points caractéristiques, l'opérateur de
Di-Zenzo (détecteur de contour généralisé au cas couleur), le filtre Retinex, ainsi que les
opérateurs homomorphiques (ceux qui travaillent sur le logarithme de l'image).

On a l'habitude de voir un détecteur de contours s'appliquer après un filtre linéaire

passe-bas qui rend l'image floue. La plupart du temps il faut combiner astucieusement filtre
non linéaire et filtre linéaire afin de détecter ce que l'on souhaite tout en faisant abstraction du
bruit.

Une fois le bruit éliminé et l'image restaurée afin de compenser les déformations
introduites par le milieu de transmission et l'optique d'acquisition, on peut passer à l'étape de
segmentation qui doit permettre de réaliser une partition de l'image en ensembles connexes
homogènes.

Il existe deux grandes catégories de segmentations :

 La segmentation de région (figure 1.3).

 La segmentation de contour (figure 1.4.) : On se trouve alors confronté à un problème

de représentation du résultat par des primitives simples. La segmentation orientée
contour connaît de nombreux progrès autour de l'utilisation de contours actifs ou des
ensembles de niveaux. L'introduction d'aspects probabilistes (chaîne de Markov et
champs de Markov) a permis de travailler en réduisant la connaissance a priori
nécessaire pour obtenir un traitement satisfaisant.

13
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

Figure 1.3 : Exemple de la segmentation de régions (méthode de croissance de région). [BER15]

Figure 1.4 : Exemple de la segmentation de contours (avec un filtre de Sobel). [BER15]

10.2. Filtres linéaires

Un filtre linéaire transforme un ensemble de données d'entrée en un ensemble de
données de sortie selon une opération mathématique appelée convolution. Lorsqu'il s'agit de
données numérisées comme dans le cas du traitement d'image, la relation entre les valeurs des
pixels de sortie et celle des pixels d'entrée est décrite par un tableau de nombres, généralement
carré, appelé matrice de convolution. Le temps de calcul est souvent réduit lorsqu'on veut
séparer un filtre en deux filtres dont la convolution mutuelle permet de le reconstituer. Cette
remarque est utilisée en particulier pour créer un filtre à deux dimensions à partir de deux
filtres à une seule dimension (vecteurs) dans le sens horizontal et le sens vertical. [ETC08]

14
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

10.2.1. Lissage

Ceux-ci sont des filtres passe-bas qui coupent plus ou moins les plus hautes fréquences.
Ils sont utilisés pour atténuer les bruits d'origines les plus diverses qui polluent l'information,
en particulier dans la détection de contours considérée ci-après.

Techniquement, il s'agit de traductions discrètes de filtres continus qui, comme ceux-ci,

ne modifient pas le niveau global du signal. Les termes de la matrice de convolution sont donc
généralement des entiers à diviser par leur somme.

 Filtre uniforme : il est obtenu par convolution de deux filtres unidimensionnels

rectangulaires. Toutes les composantes de la matrice ont la même valeur.
L'imperfection de ce filtre réside dans le fait qu'il introduit des déphasages.

 Filtre pyramidal : la convolution d'un filtre rectangulaire avec lui-même conduit à un

filtre triangulaire grâce auquel les phases ne sont plus modifiées. Le filtre pyramidal
est obtenu à partir de filtres triangulaires dans les deux directions.

 Filtre gaussien : ce filtre très populaire utilise la loi de probabilité de Gauss (voir Loi
normale multidimensionnelle). Des approximations de plus en plus précises peuvent
être obtenues, selon le théorème central limite par itération de l'un des filtres
précédents.

10.2.2. Détection de contours

Ces filtres transforment l'image d'entrée en une image noire sauf aux points où un
contour est détecté qui est marqué en blanc. Les valeurs absolues importent peu, il est sans
intérêt de changer d'échelle comme pour un lissage.

La détection est basée sur la dérivation selon les deux coordonnées. Si on considère
classiquement les signaux comme des sommes de sinusoïdes, la dérivation apparaît comme un
filtre passe-haut qui introduit donc du bruit à l'origine de faux contours. Pour l'amateur il est
recommandé, avant d'utiliser un filtre simple, d'atténuer ce bruit par passage dans un filtre
flou. Des méthodes plus élaborées ont été systématisées pour les professionnels. [WITR18]

 Filtre dérivées premières : Le filtre le plus simple consiste à calculer les différences
entre pixels voisins sur les horizontales puis sur les verticales. Chaque extremum
correspond à un point d'un contour.

 Filtre de Prewitt : le filtre de Prewitt introduit un flou, chacune des deux matrices
étant le produit du filtre dérivation dans la direction considérée par un filtre de flou
rectangulaire selon l'autre direction.
15
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

 Filtre de Sobel : la technique précédente est améliorée en remplaçant le filtre

rectangulaire par un filtre triangulaire.

 Filtre de Canny : c'est un filtre de Sobel précédé par un lissage gaussien et suivi par
un seuillage. Ce filtre est conçu pour être optimal, au sens de trois critères.

 Filtre de Deriche : variante du filtre de Canny tout aussi efficace.

 Filtre dérivées secondes : celles-ci se calculent simplement en différences finies et

c'est maintenant un changement de signe qui correspond à un point d'un contour. On
les utilise généralement à travers leur somme qui est le laplacien.

 Filtre de Marr-Hildreth : le calcul du laplacien est précédé par un lissage gaussien

avec deux variances ajustables pour filtrer les hautes fréquences.

10.3. Opérateurs morphologiques

La morphologie mathématique offre des opérateurs non linéaires particulièrement utiles

pour filtrer, segmenter et quantifier des images. Initialement destinée au traitement des images
binaires, elle a très vite été généralisée aux images à niveaux de gris, puis aux images en
couleurs et multispectrales. Parmi les opérateurs morphologiques on peut citer : Gradient
morphologique, dilatation, érosion, ouverture et fermeture (voir la figure 1.5.).

La nature des opérateurs morphologiques fait qu'ils se prêtent bien au développement de

circuits électroniques spécialisés (ou bien à l'utilisation de FPGA) dans les opérateurs
morphologiques. [ETC08]

16
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

Image originale Gradient symétrisé

Dilatation R=5 Erosion R=5

Ouverture R=5 Fermeture R=5

Figure 1.5 : Exemple des opérateurs morphologiques. [BER15]

10.4. Construction d’une application de traitement d’images

Les objectifs des applications peuvent être de différentes natures :

 Détecter la présence d'un objet ou son absence.

 Calculer les caractéristiques d'un ou de plusieurs éléments de l'image.

17
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

Donc, l'idée est, en partant d'une image initiale, d'en extraire des informations. Pour
cela, on va utiliser les opérateurs à la manière de « briques logicielles », en les combinant et
en les enchaînant. Ces techniques sont la base des systèmes de vision industrielle. De
nombreuses briques sont disponibles permettant de créer des applications complexes et
évoluées.

11. Quelques exemples concrets de traitement d’image

On peut citer ici quelques exemples des cas utilisant le traitement d'images :

 Contrôle de présence/absence : Sur des chaînes de production, on a vérifié en bout

de chaîne avec une caméra vidéo la présence d'une pièce dans un ensemble plus
complexe. Pour cela bien souvent il suffit de faire un simple seuillage dans une région
spécifique.

 Contrôle du niveau de maturation des fruits sur une chaîne de conditionnement :

Il s'agit de reconnaître à la couleur et à la texture du fruit son degré de maturité et donc
la catégorie sous laquelle il sera emballé puis vendu.

 Construction et correction de cartes géographiques d'après des images satellites

ou des images aériennes : On recale d'après des informations topographiques les
images reçues, puis on les met sur la carte en correspondance avec les informations
trouvées dans l'image : voies de communication, voies et plans d'eau, par celles
agricoles...

 Surveillance et évaluation de la production agricole : Il est possible de déterminer

le degré de maturation des cultures, la quantité d'eau nécessaire pour l'irrigation, le
rendement moyen... On peut ainsi établir des prévisions à large échelle de la récolte à
venir.

 Reconnaissance de l'écriture : La reconnaissance de l'écriture manuscrite progresse

de jour en jour. Elle est suffisamment opérationnelle pour que la majorité des adresses,
même manuscrites, soient reconnues automatiquement sur le courrier postal.

 Recherche d'image par le contenu : L'objectif de cette technique est de rechercher,

parmi une base de données d'images, les images similaires à une image exemple, ou
ayant certaines caractéristiques, par exemple rechercher toutes les images comportant
un vélo.

 Analyse de la vidéo : L'objectif de cette technique devenue une discipline depuis les
années 2000 (lorsque la puissance des processeurs peu onéreux et en particulier des
18
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

PC a permis des traitements puissants en temps réel) est d'interpréter les faits observés
à l'image afin de signaler ou d'enregistrer des faits marquants. Le plus souvent, la
caméra est fixe et observe les mouvements d'une scène. Les applications sont
nombreuses : protection des biens (détection d'intrusion, détection d'objet abandonné
ou déposé...), identification (biométrie faciale), Sécurité des personnes(détection de
chutes de personnes, franchissement de rambardes...), animations (planchers animés
selon les mouvements des danseurs en boîte de nuit), détection de feux (industriel,
forêts, tunnels...), surveillance de tunnels (comptage, mesure de vitesse, détection de
fuites/anomalies dans les plafonds), surveillance de tuyaux et autres process
industriels...

 Segmentation et suivi de cellules vivantes en microscopie : Cela a pour but l'analyse

de comportement d'une population de cellules et ainsi de détecter certaines anomalies.

 Analyse et authentification de tableaux : L'étude des niveaux des couleurs des

pigments et des vernis permet une analyse approfondie des œuvres. Il est ainsi
possible de voir les restaurations successives et d'identifier les faux. [WITR18]

Dans la partie qui suit on va essayer de détailler l'une des techniques utilisant le
traitement d'images comme un outil d'analyse et d'aide à la décision ; La reconnaissance
automatique des plaques d'immatriculation (RAPI).

12. Les techniques de reconnaissance des plaques

d'immatriculation
Dans leur version la plus simple, les systèmes de RAPI utilisent, en cascade, deux
techniques de traitements d'images [LUD13] : la détection d'objet pour repérer les plaques
d'immatriculation potentielles suivie de la reconnaissance optique des caractères afin
d'identifier les caractères alphanumériques de la plaque.

Pour obtenir des résultats satisfaisants, ce sont des séries de techniques de traitement
d'image qui sont appliquées afin de détecter, normaliser et agrandir l'image de la plaque
d'immatriculation, et enfin de pouvoir réaliser la reconnaissance optique de caractères (OCR)
pour extraire les caractères alphanumériques de la plaque.

La fiabilité et la précision d'un système RAPI dépendent de la complexité de chacune

de ces étapes. Dans quelques cas, la RAPI est couplée à une phase de
détection/reconnaissance de véhicule afin de renforcer les performances de la détection de
plaque. Afin d’accélérer et d'améliorer les performances de la phase de détection des plaques,

19
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

une technique courante est d'utiliser un a priori sur les zones potentielles de détection et de
réduire la recherche à celles-ci. Ces zones sont déterminées par l'analyse des localisations des
détections précédentes. Cette technique est appliquée dans le cadre des caméras ayant une
prise de vue large (plusieurs voies). L'application de cette technique permet d’accélérer les
traitements et donc d'augmenter le nombre de plaque lisible à la seconde. Cela est utile dans
le cas où les dispositifs doivent travailler dans un environnement proche du temps réel tout en
ayant une puissance de calcul modérée. Toutefois, elles s'exposent également au risque de ne
pas détecter les véhicules qui ne passent pas dans les zones de pré-détection. C'est pourquoi
elles ne sont pas appliquées dans le cas des dispositifs qui nécessitent d'identifier toutes les
plaques à des fins de sécurité. Dans ces cas-là, soit le traitement est fait hors ligne, en temps
différé, ou bien en temps réel mais avec un système plus couteux car nécessitant une
puissance de calcul élevée.

La littérature nous dévoile un ensemble de méthodes qui ont été proposées pour la
détection et la reconnaissance des plaques ; généralement on peut classer ces méthodes en
quatre catégories [CHH09] :

12.1. Techniques basant sur les propriétés de la plaque

Pour Anagnostopoulos [JFC04], il utilise la couleur de la plaque comme une propriété

déterminante, l’image passe par un filtre de couleur et la sortie est comparée à la forme de la
plaque.

Wang et al [BAI04], utilisent un filtre spécial en plus du filtre de couleur. Ces filtres
sont appliqués à une image au niveau de gris et la sortie contiendra les formes des caractères.
Toutes les régions sont testées pour en extraire celles susceptibles d’être la plaque.

Pour Beatriz et Broumandnia [BEA04] et [BRO05],, ils appliquent une méthode qui
travaille avec des seuils afin de segmenter l’image en noir et blanc pour ensuite en extraire la
plaque.

Comeli et al [CHO03], utilisaient un test se basant sur la taille des caractères et la

distance qui existe entre eux. Ils ont eu jusqu’à 91.07% de réussite.

Les algorithmes basés sur les couleurs sont moins efficaces face à un changement
d’éclairage car les couleurs apparaissent différemment sous différents éclairages et en plus les
plaques ont plusieurs couleurs et plusieurs formes.

Avec ce type de méthodes on n’est pas sûre que les régions détectées vont correspondre
à la plaque.

20
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

12.2. Techniques basant sur les contours de la plaque

Pour détecter la plaque, certains algorithmes utilisent les contours des caractères et de la
plaque comme des points de référence pour l’extraction.

L’intensité des pixels dans les caractères et dans les contours des plaques est
complètement différente que celle des voisins. En effet dans la majorité des cas ils sont d’une
couleur différente que celle du reste de l’image. Une arête peut être détectée dans une image
en utilisant le gradient comme par exemple avec le seuil OTSU.

La seconde partie de la détection localise les contours de la plaque à partir d’une image
en noir et blanc.

Pour Dai et al. et David et al [DAI01] et [DVA05]. ils ont utilisé des opérations
morphologiques sur l’image transformée en contours.

Pour Dlagnekovet Elliman [DLA02] et [ELL90] , on applique une transformée de Houg

sur l’image et les lignes qui traversent la plaque seront déterminées ainsi que les objets de
formes rectangulaires.

Anagnostopoules [JFC86] a développé une méthode qui décrit les irrégularités dans la
plaque. Cette méthode ressemble à la méthode précédente parce qu’elle dépend de l’intensité
des pixels.

Les algorithmes présentés sont défaillants lorsque les bords de la plaque ne présentent
pas une grande variation par rapport au reste de l’image en plus ces algorithmes utilisent un
seuil qui doit être déterminé automatiquement ce qui est difficile sous différentes conditions
d’éclairage.

12.3. Techniques basant sur l’intelligence artificielle

Nijhuis et al [JSE82]. ont utilisé les caractéristiques de la plaque allemande qui se

compose d’un arrière-plan jaune pour créer une fonction pour chaque pixel à travers un
histogramme. Les autres propriétés floues sont dégagées à partir du niveau de gris de chaque
pixel et de ses voisins.

Zimic et al [JXI05]. ont appliqué le même concept de la logique floue. Ils ont divisé
l’image en un ensemble de rectangles de la taille de la plaque.

Les auteurs de Matas [MAT05] ont réussi à localiser la plaque en utilisant la logique
floue avec un pourcentage de réussite de 97.9%.

21
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

Néanmoins cette méthode dépend de l’éclairage parce qu’elle est tributaire de la

couleur de la plaque.

Park et al [NIJ95]. ont utilisé un réseau de neurones à deux entrées comme un filtre
horizontal et vertical pour détecter les plaques coréennes. L’intersection entre les deux filtres
localise la région de la plaque.

Chacon et Zimmermann [OTS79] ont utilisé un réseau de neurones pour déterminer les
régions susceptibles d’être la plaque qu’on va analyser par la suite par une transformé de
Fourrier pour détecter la bonne région, l’algorithme sera répété jusqu'à la détermination de la
plaque. Ils ont réussi à extraire 85% des plaques ainsi la réussite de ce type d’algorithme
dépend de leur capacité à s’adapter aux différents éclairages car l’entrée des réseaux est la
valeur de niveau de gris pixel.

12.4. Techniques basant sur la signature de la plaque

Dlagnekova [PAM02] implémenté l’algorithme d’Adaboost comme on l’a utilisé pour

la détection des visage (Viola and Jones).

Matlas et Zemmerman [PAR96] proposent un algorithme qui choisit une région du

texte à partir d’un ensemble puis il exploite le fait qu’une plaque contient des caractères et
des symboles qui sont clairement visibles même lorsque plusieurs propriétés de la plaque sont
cachées. Cependant le problème est que certaines autres régions outre que plaque peuvent
contenir du texte.

Elliman et Lancoster [SHY04] ont fait évoluer l’utilisation du spectre de fourrier pour
distinguer entre les différentes régions de l’image qui présentent des informations.
Broumandnia et al ont parcouru l’image verticalement et ont distingué le nombre d’arêtes
pour chaque parcourt pour localiser la ligne horizontale à laquelle est lié la plaque.

13. Domaines et exemples d'utilisation des systèmes RAPI

Certains systèmes utilisés pour la LAPI, notamment le capteur vidéo, peuvent être
utilisés pour d'autres applications comme [LUD13] : la surveillance et la DAI, le recueil de
données (débit, vitesse, taux d'occupation), et gestion dynamique du trafic (régulation d'accès,
régulation de carrefours à feux …), la surveillance de sites et de zones, les passages de
frontière, les stations-service (enregistrement quand un client part sans payer), le contrôle des
entrées et sorties de parkings, de péages, ouverture automatique, la lutte anticriminalité en
comparant les plaques d'immatriculations au Fichier des Véhicules Volés (FVV) ou à la liste
des propriétaires de véhicules suspects, la traçabilité des parcours individuels afin d'alimenter

22
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

les modèles de trafic (microscopique, mésoscopique, et macroscopique)...

Pour certaines applications, le système peut être associé à d'autres algorithmes de

reconnaissance de type facial ou de véhicule.

Plusieurs solutions de gestion de trafic ont déjà été éprouvées à l'étranger. Cette liste,
non exhaustive, permet d'illustrer la variété des applications en lien avec les caméras vidéo.

13.1. Le péage urbain

13.1.1. Le péage urbain (ex Londres)

Le système du péage urbain de Londres fonctionne grâce à l'analyse des plaques
d'immatriculation enregistrées par un réseau d'environ 800 caméras de surveillance disposées
en entrée et sortie de la zone de péage de la ville. Il compare ensuite les données recueillies à
une base de données centralisée pour identifier le propriétaire du véhicule et vérifier dans les
délais son paiement effectif. Ce péage a permis notamment une réduction de circulation
d'environ 20% dans le centre de Londres.

Figure 1.6. : Pips Technology : système de reconnaissance de plaque d'immatriculation. [LUD13]

13.1.2. Le péage cordon de Stockholm

La direction des routes de Suède a mis en place un système de péage autour de
Stockholm.

L'identification des véhicules se fait de deux manières :

– par photographie des plaques d'immatriculation ;

– par lecture d'un badge électronique pour les véhicules équipés.

Les équipements étaient installés sur trois portiques :

– le premier portique indiquait par panneau l'entrée du point de contrôle et le prix à

payer ainsi que des caméras pour l'enregistrement des plaques arrières du véhicules;

23
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

– le deuxième portique était équipé de récepteurs permettant la lecture des badges à

bord du véhicule ;

– le troisième portique équipé de caméras enregistrait les plaques avant du véhicule.

Figure 1.7. : Portails du péage de Stockholm. [LUD13]

13.2. Surveillance du réseau

Les caméras peuvent être employées pour une vidéo-surveillance du réseau routier ; ces
systèmes peuvent être installés en poste fixe ou bien mobile (embarqué sur véhicule de
patrouille). Ils comportent également des moyens de communication permettant de fournir
des images en direct à distance permettant une prise de décision optimisée.

Figure 1.8. : Caméras 3G embarquées (WCCTV). [LUD13]

13.3. Gestion des véhicules prioritaires

Les Etats Unis ont aménagé sur leurs infrastructures routières des voies pour bus et co-
voiturage appelée « High Occupancy Vehicle » (HOV) ainsi que des voies appelées « High
Occupancy Toll » (HOT) autorisant l'accès sur la voie de véhicules avec un seul passager à
bord mais s'acquittant d'un péage modulé en fonction de la fréquentation de cette voie.

En Californie sur la SR 91 (figure 1.5), le dispositif permettant de contrôler l'accès à

24
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

cette voie spécialisée est composé d'un portique équipé d'une antenne de lecture RFID et de 3
caméras dont une utilisée en lecture automatique des plaques d'immatriculation. De plus, sur
le trajet de 17 km de long, plusieurs dizaines de caméras sont également utilisées pour la
détection d'incidents.

Figure 1.9. : Péage de la SR91, Californie. [LUD13]

13.4. Télépéage

Le télépéage permet aux véhicules de franchir les péages à la vitesse normale du trafic,
réduisant ainsi la congestion aux zones de péage (ex : Singapour). Techniquement, le
télépéage appelé « Electronic Road Pricing » (ERP) fonctionne à l'aide d'un boitier de lecture
dans le véhicule, d'une « cash card » sorte de carte de péage rechargeable, des portails d'accès
(cf. photo ci-dessus) et d'une centrale informatique. Sila « cash card » est vide ou absente du
véhicule, un système LAPI enregistre le numéro d'immatriculation.

Figure 1.10. : Portail de télépéage (Singapour). [LUD13]

25
Chapitre 01 Généralités sur le traitement d'images et les techniques RAPI

14. Conclusion
Nous avons introduit dans ce chapitre les notions de base qui représentent l’image et
ses caractéristiques puis la compréhension de différentes techniques de traitement d’images et
leurs opérateurs. Par la suite nous avons fait un tour sur les techniques de reconnaissance
automatiques des plaques d'immatriculation avec une présentation de quelques exemples
d'utilisation des systèmes RAPI.

Dans le chapitre suivant, nous allons présenter certains outils matériels que nous allons
utiliser pour réaliser un système RAPI.

26
Chapitre 02
Raspberry Pi
Chapitre 02 Raspberry Pi

1. Introduction
Nous allons penser à intégrer un système RAPI dans un système embarqué, pour cela
nous avons choisi le Raspberry Pi (un ordinateur à carte unique) pour l'implémentation. De ce
fait, ce chapitre fournit des informations générales sur le RaspberryPi. Nous commençons par
des informations générales telles que les modèles publiés et leurs composants de base. Il
fournit également des informations sur l'historique de cet ordinateur à carte unique, ainsi
qu'un détail de son système sur puce (SoC), notamment CPU, GPU et de la RAM.

2. Ordinateurs à carte unique (SBCs)

Un ordinateur à carte unique (Single Board Computers) est un système de calcul
fonctionnel complet construis autour d'une carte à circuit imprimée. Un tel système possède
un (des) micro-processeur(s), mémoire, entrées/sorties et d'autres composants nécessaires au
fonctionnement minimal d'un ordinateur. Tous les composants dans un tel système sont
intégrés sur la carte, donc ils ne peuvent pas être mis-à-jours. Les différences entre un SBCs
et un ordinateur normal sont cités dans le tableau suivant [PAJ17] :

Tableau 2.1 : Une comparaison entre un système à carte unique et un ordinateur.

Un ordinateur à carte unique Un ordinateur normal

Non modulaire Modulaire
Les composants ne peuvent pas être mis-à- Les composants ne peuvent pas être mis-à-
jours ou remplacés jours ou remplacés
Le système est chargé sur puce Le système n'est pas chargé sur puce
Taille petite Taille grande
Portable Non portable ou semi-portable
Consomme peu d'énergie Consomme beaucoup d'énergie
Moins cher Plus cher

Parmi les systèmes SBCs existants on peut trouver le Raspberry Pi, qu'on va détailler
leurs caractéristiques dans ce qui suit.

3. Généralités et historiques
A la taille d'une carte de crédit, Raspberry Pi, est un nano-ordinateur mono carte à
processeur ARM d'une petite taille que fonctionne sous Linux et qui peut être interfacé avec
des composants électronique externes. De ce fait, elle intègre des puissances de calcul
considérable. Elle est développée au Royaume Unie par la fondation Raspberry Pi créé en
2009. [PAJ17, UPT17, BEN18]
28
Chapitre 02 Raspberry Pi

L'idée de la production de Raspberry Pi a commencé en 2006 avec une prise de

conscience du fait que la jeune génération manque de connaissances sur le fonctionnement de
l’ordinateur. Un groupe d’universitaires et d’ingénieurs de l’Université de Cambridge a donc
décidé de développer un très petit ordinateur que tout le monde pourrait se permettre
d’acheter pour créer un environnement d’apprentissage dans la programmation : EbenUpton
a alors décidé de créer un ordinateur à faible prix, car il supposait que les parents craignaient
de laisser leurs enfants jouer avec des PC modernes relativement couteux. C’est décente idée
qu’est parte le développement du Raspberry Pi très bon marché. Cet ordinateur devait donner
aux jeunes l’opportunité d’apprendre et de pratiquer la programmation, sans que leurs parents
ne s'inquiètent des dégâts éventuels sur la machine. [BEN18]

Le projet Raspberry Pi est devenu prometteur avec l’apparition de processeurs mobiles

économiques et puissants dotés de nombreuses fonctionnalités avancées permettant un
développement possible de Raspberry Pi, qui s’est poursuivi avec la fondation spécialement
créée Raspberry Pi avec le premier produit lancé en 2012.

Il est fourni nu, c'est-à-dire la carte mère seule, sans boitier, alimentation, clavier, souris
ni écran, dans l'objectif de diminuer les couts et de permettre l'utilisation de matériel de
récupération.

Le développement de l'ordinateur Raspberry Pi est un processus continu. Jusqu'au

Novembre 2018, la fondation Raspberry Pi a publié onze modèles sur trois générations
d'ordinateur [WIRA19].

Les modèles sont des versions mises à niveau de leurs versions précédentes pour rendre
l'ordinateur plus efficace et pratique pour les utilisateurs, notamment en raison de sa faible
consommation énergétique et de ses ports USB (Universal Serial Bus).

Les différences entre ces modèles sont la taille du GPIO, le nombre de ports USB et la
présence ou non d’Ethernet, le support de carte microSD et la taille de la RAM.

La première génération est composée de quatre modèles. Le premier modèle publié c'est
le 1B, suivi par le modèle 1A, suivi des modèles 1B + et 1A +, respectivement. Les deux
derniers modèles sont des versions mises à niveau de leurs versions précédentes pour rendre
l'ordinateur plus efficace et plus pratique pour les utilisateurs.

La deuxième génération comprend un seul modèle appelé Raspberry Pi 2 modèle B,

dont les spécifications sont basées sur le modèle Raspberry Pi B + mais avec un processeur
plus rapide et plus de mémoire.

29
Chapitre 02 Raspberry Pi

La troisième génération comprend trois modèles appelés Pi 3 modèle B, et Pi 3 modèle

B+, et Pi 3 modèle A+ dont les spécifications sont basées sur le modèle Raspberry Pi 2B mais
avec un processeur plus rapide.

Raspberry Pi modèle A Raspberry Pi modèle A+

Raspberry Pi modèle B Rev. 2 Raspberry Pi modèle B+

Raspberry Pi 2 modèle B Raspberry Pi 3 modèle B

Figure 2.1 : Les modèles de Raspberry Pi.

Raspberry Pi Model 1B, est sorti en début 2012 avec la spécification de 256 Mo de
RAM, deux ports USB et un port Ethernet. Plus tard dans la même année, dans une nouvelle
version, la quantité de RAM augmentée à 512 Mo, suivie de la sortie de la carte de
spécifications inférieures, le modèle 1A a été libéré avec la même quantité de RAM que
l'ancien modèle B à 256 Mo, mais avec un port USB et pas de port Ethernet. Ces ordinateurs
de première génération utilisent le SoC Broadcom, BCM2835, qui intègre un processeur
ARM1176JZF-S mono cœur de 700 MHz, un processeur graphique Vidéo-Core IV et divers
périphériques. Bien que le modèle 1B puisse être utilisé dans toutes les applications, le
modèle A moins cher est utile dans des applications spécifiques nécessitant une
consommation légère et faible, telles que la robotique ou tout service multimédia portable.

30
Chapitre 02 Raspberry Pi

En 2014, une version mise à niveau des deux modèles précédents a été lancée, sous les
noms 1B + et 1A +. Bien que les deux nouveaux modèles disposent des mêmes CPU, GPU et
RAM que leurs versions précédentes, plusieurs mises à niveau et nouvelles fonctionnalités ont
été ajoutées, telles qu'un support de mémoire micro SD remplaçant un emplacement pour
carte SD, une version mise à niveau de GPIO de 26 à 40 broches, un son à faible bruit et une
consommation d'énergie réduite de 0,5 à 1 W grâce à un régulateur de commutation au lieu
d'un régulateur linéaire. En outre, le modèle 1A + est environ 2 cm plus court que son
prédécesseur, tandis que le modèle 1B + fournit quatre ports USB au lieu de deux dans le
modèle 1B.

Au début de 2015, la nouvelle génération d'ordinateur Raspberry Pi, appelée Raspberry

Pi 2 modèle B, est sortie. Le modèle représente une mise à niveau importante des capacités de
Raspberry Pi et a été accueilli avec enthousiasme par la communauté. Raspberry Pi 2 modèle
B utilise un BCM2836 beaucoup plus puissant qui offre un processeur ARM Cortex-A7
quadri-core à 900 MHz, 1 Go de RAM et les mêmes spécifications de processeur graphique
que précédemment, ce qui le rend environ six fois plus rapide que ses prédécesseurs sans
changement prix. De plus, les supports de la version Internet des objets (IdO) de Windows 10
sont disponibles gratuitement pour le Raspberry Pi 2 modèle B, offrant ainsi un grand
potentiel pour une utilisation future.

En février 2016, le Raspberry Pi 3B est le début de la troisième génération de Raspberry

Pi. Il remplaçait le Raspberry Pi 2 Model B et comportait quatre modifications fondamentales:
le 900MHz de processeur augmenté à 1,2 GHz et avec quelques nouvelles fonctionnalités de
connexion sans fil 802.11n LAN sans fil Bluetooth 4.1 Bluetooth Low Energy (BLE).

En mars 2018 le Raspberry Pi 3 modèle B+, est sortie avec un changement du précédent
de 1.4GMHz de processeur au lieu de 1.2GHZ, suivi en novembre 2018 de la création du
Raspberry Pi 3 modèle A+, avec quelques modifications du model précédent de moins de
mémoire 512Mo, et un seul port USB, et moins chère que 3B+.

Il existe un dernier modèle qui en fait n’appartient pas vraiment à une des générations à
proprement parlé.

Le 26 novembre 2015, la fondation Raspberry Pi annonce la sortie du Raspberry Pi

Zero. Il reprend les spécifications du modèle A/B avec un processeur cadencé à 1 GHz au lieu
de 700 MHz, il est cependant plus petit, disposant d'une connectique minimale. Son prix de
5 $ US est largement revu à la baisse par rapport aux autres Raspberry Pi.

31
Chapitre 02 Raspberry Pi

On peut dire que c’est une sorte d’ovni dans l’horizon Raspberry, C’est le plus petit et le
moins cher de la famille. Il n’appartient à aucune génération parce qu’il est en fait une version
light du Rpi1. Ce modèle est une bonne occasion de tester le Raspberry et ses fonctionnalités
à prix réduit. Il saura ravir les plus curieux malgré son cruel manque de puissance, ce n'est pas
comme un vrai Rpi car il n’a pas d’Ethernet, mais il est parfaitement adapté pour remplir le
but original de la Raspberry Fondation : lutter contre la fracture numérique et apporter le
savoir numérique à moindre coût.

Le 28 février 2017, pour le cinquième anniversaire du Raspberry Pi, le Raspberry Pi

Zero W est maintenant doté de Wi-Fi et de Bluetooth. Ces nouveautés lui permettent de se
connecter à Internet et à d'autres appareils et donc d'en multiplier les usages. Le Raspberry Pi
Zero, lui, n'avait pas de connexion Internet et cela pouvait poser des problèmes pour certains
projets.

Ce nouveau modèle est commercialisé 10$ à sa sortie soit deux fois plus cher que le
modèle précédent.

Le 15 janvier 2018, Raspberry Pi sort un nouveau modèle Zero, le Raspberry pi Zero

WH. La seule différence avec le précédent modèle est la présence de ports GPIO soudés sur la
Raspberry Pi.

Bien qu'un nouveau modèle Raspberry Pi offre davantage de fonctionnalités, il est

préférable de connaître les applications ou les projets pour lesquels la carte doit être utilisée,
afin de sélectionner la solution la plus efficace en termes de consommation et de coût.

Fin 2012, le code de pilote GPU de Raspberry Pi fonctionnant sur ARM a été publié en
tant que source ouverte et disponible au téléchargement. Puis, en 2014, la documentation
complète au niveau du registre, comprenant une pile de pilotes graphiques du chi p, a été
publiée publiquement.

4. Composants de base
Les détails des composants de base d’une Raspberry Pi sont expliqués ci-dessous. Bien
que la liste soit basée sur la seconde génération de la carte, les détails des composants de la
première génération sont également expliqués s’ils sont différents.

Spécifications matérielles et architectures

Le Raspberry Pi possède un processeur ARM11 à 700 MHz. Il inclut 1, 2 ou 4 ports

USB, un port RJ45 et 256 Mo de mémoire vive pour le modèle d'origine (1 Go sur les
32
Chapitre 02 Raspberry Pi

dernières versions). Son circuit graphique BMC Vidéo Core 4 permet de décoder des flux
Blu-Ray full HD (1080p 30 images par seconde), d'émuler d’anciennes consoles et d'exécuter
des jeux vidéo relativement récents.

Le tableau 2.2 résume les principales caractéristiques des modèles Raspberry Pi:

33
 Tableau 2.2 : Les modèles de Raspberry Pi et leurs principales caractéristiques.

Modèle Modèle Modèle Modèle Modèle 2B Modèle Zero Modèle 3B Modèle Modèle Modèle 3B+ Modèle 3A+
1B 1A 1B+ 1A+ Zero W Zero WH

Date de Avril Fevrier Juillet Novembre Fevrier 2015 Novembre 2015 Fevrier 2016 Fevrier 2017 Janvier 2018 Mars 2018 Novembre 2018
lancement 2012 2013 2014 2014
SoC BroadcomBCM2835(CPU.GPU.DSP.SDRAM. Broadcom BCM2836 Broadcom BCM2835 Broadcom Broadcom BCM2835 Broadcom BCM2837B0
port USB) BCM2837
CPU 700 MHZ ARM 1176JZF-S core(ARM11) 900 MHZ quadricoeur 01 GHZ ARM 1176JZF-S 1.2 GHZ 700 MHZ ARM 1176JZF-S 1.4 GHZ quadricoeur ARM Cortex-
ARM Cortex-A7(jeu core(ARM11) quadricoeur ARM core(ARM11) A53
d'instructions ARM v7 Cortex-A53
GPU BroadcomVideocoreIV, Open GL ES 2.0, MPEG-2 et VC-1 avec licence, 1080p30 h.264/MPEG-4 high-profile décodeur et compresseur
Memoir SDRAM 512 Mo 256 Mo 512 Mo 256 Mo 01 Go 512 Mo 01 Go 512 Mo 01 Go 512 Mo

Nbr de ports 02 01 04 01 04 01 04 01 (micro USB) 04 01

USB 2.0

Sortie Vidéos HDMI et composite HDMI et composite Mini HDMI et composite HDMI et composite Mini HDMI et composite (via HDMI et composite
(via prise RCA) (via connecteur JACK) (via soudure) (via connecteur soudure) (via connecteur JACK)
JACK)

Sortie Audio Stereo jack 3.5 mm (sortie son 5.1 sur la prise HDMI) et composite Mini HDMI Stereo jack 3.5 mm Mini HDMI Stereo jack 3.5 mm (sortie son 5.1
(sortie son 5.1 sur la sur la prise HDMI) et composite
prise HDMI) et
composite
Unité de lecture/ SD/MMC/fente pour Micro SD
écriture carte SDIO(3.3v)

Carte 10/100 NON 10/100 NON 10/100 ethernet NON 10/100 ethernet,wifi Wifi 802.11n Bluetooth 4.1 10/100 Wifi 802.11ac
connectionreseau ethernet ethernet 802.11n, Bluetooth ethernet(max Bluetooth 4.2
4,1 300Mbps),wifi
802.11ac,
Bluetooth 4,2
Systeme Debian GNU/Linux,Raspbian OS, Fedora,Arch Idem modéle Debian Idem modéle Debian GNU/Linux,Raspbian Idem modéle 1+Snappy
d'exploitation Linux ARM,RiscOS,FreeBSD,Plan 9,Kali 1+Snappy GNU/Linux,Raspbian OS, 1+Snappy OS, Fedora,Arch Linux Ubuntocore,SolydX RPI , Windows
Linux Ubuntocore,SolydX Fedora,Arch Linux Ubuntocore,SolydX ARM,RiscOS,FreeBSD,Plan 10 loT
RPI , Windows 10 loT ARM,RiscOS,FreeBSD,Plan RPI , Windows 10 9,Kali Linux
9,Kali Linux loT

34
Chapitre 02 Raspberry Pi

Bien qu'un nouveau modèle Raspberry Pi offre davantage de fonctionnalités, il est

préférable de connaître les applications ou les projets pour lesquels la carte doit être utilisée,
afin de sélectionner la solution la plus efficace en termes de consommation et de coût.

5. Exemples de projets réalisés avec Raspberry Pi

La carte Raspberry Pi, dont le prix tourne autour de 40 euros, inspire un grand nombre
de projets, dont certains très innovants. Voici une sélection de 8 d'entre eux parmi les plus
inattendus. [PAU17]

Très certainement, l’un des attraits du Raspberry Pi est imputable à ses fortes capacités
d’innovation et de créativité. En ce sens, l’ambition d’Ebon Upton et de la Fondation
Raspberry Pi d’inciter des élèves à apprendre l'informatique et de permettre à des bidouilleurs
de réaliser leurs projets les plus fous sans avoir à casser leur tirelire semble avoir atteint ses
objectifs. Voici 8 projets parmi les plus inventifs, les plus surprenants et les plus incroyables
réalisés ces dernières années avec le Raspberry Pi. Mieux encore : la plupart des inventeurs
livrent tous les détails pour reproduire leurs projets à la maison ou dans un laboratoire.

a- Doorjam, un portier musical personnalisé

L’idée pourrait venir d’un ado discutant avec ses copains dans la cour du lycée,
imaginant que chacun puisse entendre sa musique préférée quand il entre dans une pièce. Et
voilà que le Raspberry Pi offre justement la technologie pour mettre au point un tel
système. C’est ainsi qu’est né le projet Doorjam mis en œuvre par l'agence Redpepper.
Doorjam associe une chaîne stéréo portable, un récepteur Raspberry Pi, un récepteur
Bluetooth iBeacon et une application personnalisée pour smartphone. Quand le tout a été
assemblé, chacun choisit la musique qu’il veut entendre quand il entre dans une pièce via
l'API Spotify de l'application. Dès que le système détecte la personne qui a franchi la porte, il
lance sa musique favorite. Ça ressemble à l’entrée sur le ring des boxeurs, mais pour les
comptables et les analystes de données.

35
Chapitre 02 Raspberry Pi

Figure 2.2 : Projet DoorJam. [PAU17]

b- Un scanner 3D à taille humaine

Bien sûr, il est toujours possible d’utiliser l’application Paint 3D de Windows 10

Creators Update pour créer un beau poisson en 3D, et peut-être qu’un jour, nous pourrons
utiliser nos smartphones pour numériser un modèle 3D. Mais Richard Garsthagen, des Pays-
Bas, avait une autre idée en tête. Surtout, il voulait quelque chose de grand capable de
scanner… une personne tout entière ! Ce directeur EMEA du développement de l’activité
cloud d’Oracle a donc construit son propre scanner 3D. Son énorme machine utilise 98 cartes
Raspberry Pi réparties sur une vingtaine de trépieds et une centaine de caméras. On se croirait
dans Terminator, mais la machine ne permet pas de voyager dans le temps. Elle peut
cependant capturer toutes les données brutes pour créer un modèle 3D d'un être humain.

Figure 2.3 : Projet du scanner 3D. [PAU17]

36
Chapitre 02 Raspberry Pi

c- Magic mirror, dernières infos avant le départ

L’idée du développeur Michael Teeuw est originale : Créer un miroir high-tech pour la
maison qui permet de voir la météo, l'heure et les principales informations du jour pendant
que l’on se prépare. Pour ce projet, le développeur a relié un miroir unidirectionnel à un écran
et fixé une carte Raspberry Pi à l'arrière. Il a réuni le tout dans une boîte. C'est un vrai « killer
concept », et son « miroir magique » a inspiré d’autres à créer leurs propres versions. Tous les
détails sur le projet Magic Mirror ainsi que des photos de toutes les variantes réalisées par
d’autres développeurs partout dans le monde sont disponibles sur le blog de Michael Teeuw.

Figure 2.4 : Projet du miroir magique. [PAU17]

d- MintyPi 2.0, une console neorétro avec écran

Le Raspberry Pi a été très utilisé pour reproduire une console de jeu rétro. Mais certains
bidouilleurs ont poussé l’idée beaucoup plus loin : fabriquer une console de jeux portable.
C’est le cas de cette petite console appelée mintyPi 2.0 que l’on peut voir sur le site
Sudomod.com. Pour ce projet, le créateur Warner Skoch, connu en ligne sous le
pseudonyme Wermy, a fait rentrer un Raspberry Pi Zero, un contrôleur Nintendo DS Lite et
d’autres composants dans une boite de pastilles mentholées de la marque Altoids. Il a
complété le tout avec des pièces imprimées en 3D pour protéger les câbles. Au final, sa
console portable miniature est très léchée et facile à loger dans une poche. Wermy a présenté
son mintyPi 2.0 en avril, mais il n'a pas encore fourni de guide détaillé de tous les éléments
qu’il a utilisés pour construire sa console. Mais, il est possible d’acheter certaines des pièces
imprimées en 3D dans la boutique en ligne de Sudomod.

37
Chapitre 02 Raspberry Pi

Figure 2.5 : Projet MintyPi. [PAU17]

e- Un verrou intelligent sous Windows IoT

Le Raspberry Pi n'est plus réservé à Linux. En effet, depuis un peu plus de deux ans,
Microsoft a livré une version de Windows 10 appelée Windows IoT Core compatible avec le
mini-PC. En janvier 2016, Microsoft a démarré un projet basé sur Windows IoT et sur sa
technologie de reconnaissance faciale Project Oxford pour créer un verrou intelligent : l’idée
est de permettre à une personne d’ouvrir une porte verrouillée en appuyant simplement sur la
sonnette. Le système déverrouille la porte quand il reconnaît la personne. En fait, pour réaliser
son prototype, Microsoft a utilisé une MinnowBoard Max d’Intel. Mais, il est tout à fait
possible de faire la même chose avec une carte Raspberry Pi, comme le montre Microsoft sur
Hackster.io. Le système présenté par Microsoft était juste une preuve de concept, donc assez
rudimentaire, mais il est facile de l’améliorer sans trop d’efforts. Cela dit, il est difficile de
garantir la sécurité du système, car Project Oxford étant basée sur la détection des visages
dans les images, il suffirait de montrer une photo de la personne pour tromper le système.
Reste que c’est un projet amusant à réaliser avec le Raspberry Pi.

38
Chapitre 02 Raspberry Pi

Figure 2.6 : Projet de verrou intelligent. [PAU17]

f- Picrowave : Piloter un micro-ondes à la voix

Personnaliser son banal four à micro-ondes avec une carte Pi ? C’est ce qu’a voulu faire
le développeur Nathan Broadbent. Notamment, il a doté son four de commandes vocales, d’un
scanner de code barres qui lui permet d’accéder à une base de données en ligne pour connaître
les temps de cuisson des aliments, d’une interface Web pour l'accès à distance et l’envoi de
tweets automatiques quand le temps est écoulé.

Figure 2.7 : Projet Picrowave. [PAU17]

g- Pi-hole, le trou noir des annonces publicitaires

Il est devenu relativement facile de bloquer les annonces publicitaires sur son navigateur
avec un simple plug-in, mais si vous ne supportez vraiment pas les publicités, le projet Pi-hole
mérite le détour (https://pi-hole.net//). L'idée de Pi-hole est de créer un trou noir dans le

39
Chapitre 02 Raspberry Pi

réseau destinée pour piéger les annonces. Pi-hole se substitue au serveur DNS et il avale les
publicités acheminées vers toutes les machines du réseau. Il est nécessaire de procéder à
quelques ajustements sur le routeur. Les instructions sont disponibles sur le site Web de Pi-
Hole. Pi-Hole fonctionne avec le système d'exploitation Raspbian de Raspberry Pi et avec
plusieurs distributions Linux standard, dont Ubuntu, Fedora, Debian et CentOS.

Figure 2.8 : Projet Pi-hole. [PAU17]

h- Un drone semi-autonome fait maison

C’est un projet plus coûteux, qui demande pas mal de compétences mécaniques, mais
créer son propre drone avec un Raspberry Pi est assurément très gratifiant. Le Britannique
Andy Baker explique comment il a construit un quad-copter semi-autonome préprogrammé
avec son plan de vol. C’est un très bon point de départ pour ce genre de projet. Au mois de
février, Andy Baker s’est lancé dans un nouveau projet de quad-copter.

Figure 2.9 : Projet du drone semi-autonome. [PAU17]

40
Chapitre 02 Raspberry Pi

6. Conclusion
Nous avons donné dans ce chapitre quelques détails techniques sur le système choisi
pour faire intégrer un système de reconnaissance des plaques d'immatriculation : Un
Raspberry Pi. Pour mieux maitriser l'implémentation d'un tel système on doit passer dans le
chapitre suivant à la préparation d'une conception (globale et détaillée) permettant de
décomposer le système à implémenter en un ensemble de modules. Les modules seront
détaillés par la suite selon la démarche à suivre.

41
 Chapitre 03
Conception du système RAPI
Chapitre 03 Conception de système RAPI

1. Introduction
Avec l'augmentation du nombre de voitures, Le contrôle de ces voitures est trop difficile
et coûte très cher. Pour surmonter ces difficultés, nous devons utiliser un système automatisé
qui repose sur la reconnaissance des plaques d'immatriculation (RAPI).

2. Caractéristiques des plaques algériennes

La plaque est composée de dix chiffres (Figure 3.1.) :

Figure 3.1. : Exemple de plaque d’immatriculation Algérienne.

La description des trois parties du système d'immatriculation algérien, de la droite vers

la gauche, est la suivante :

- 07 : correspond au code de la wilaya (07 = biskra).

- 118 : "18" correspond à l’année de mise en circulation du véhicule, et "1" correspond au

type de l’automobile. Ici c’est "1" car c’est une voiture touristique, ( ex: "2" pour les camions
lourd, "5" pour les semi-remorques, "8" pour les remorques, etc.....)

- 00535 : signifie que ce véhicule est le "535"ème qui est entré dans la wilaya "07" (biskra) en
"2018".

La plaque a une forme de rectangulaire. Le style des caractères varie d’une plaque à une
autre et la distance entre les caractères n’est pas standardisé, elle dépend au constructeur de la
plaque. Les plaques sont blanches (à l’avant), jaunes (à l’arrière) et la couleur des caractères
est noire. Récemment les gens aiment ajouter quelques illustrations sur la plaque
d’immatriculation de leur voiture, comme par exemple le drapeau Algérien, un numéro de
téléphone, le nom de la ville ou du pays, le nom d’une entreprise, etc.....

Donc en prenant en compte ces caractéristiques, nous proposons, dans la section

suivante, la technique utilisée dans ce système pour la reconnaissance optique de caractères.

43
Chapitre 03 Conception de système RAPI

3. Le système RAPI à implémenter

Nous avons choisi d'implémenter une méthode légère et robuste pour la reconnaissance
des plaques standards d'immatriculation algérienne. L'idée de base du système RAPI est
qu'une voiture s'approche à l'endroit où la caméra est installée, l'image est capturée par la
caméra et transmise au système RAPI. Le numéro reconnu par le système est transmis à la
base de données et une décision est prise en conséquence. Considérant que la technique RAPI
proposée consiste en trois modules principaux :

 Module de prétraitement qui va permettre de bien préparer l'image à analyser aux étapes
suivantes.

 Module de localisation de plaques d'immatriculation en utilisant le détecteur Canny et

quelques propriétés de la plaque tel que le rapport Largeur/Hauteur de la plaque.

 Module de reconnaissance du numéro de licence utilisant OCR (dans notre cas, on va

utiliser un algorithme de reconnaissance de k plus proches voisins) pour reconnaître des
caractères [CHE07].

4. Présentation de la démarche d'un RAPI

L'algorithme à utiliser va nous permettre de détecter et reconnaître automatiquement la
plaque d'immatriculation d'un véhicule. L'entrée du système est une image prise par la caméra
à une distance limites. La technique RAPI à implémenter passe par les étapes suivantes
(Figure 3.2) :

Image acquise

Prétraitement et
amélioration

Localisation

Reconnaissance de la
plaque

Matricule sous
format texte

Figure 3.2 : Architecture du système RAPI à implémenter.

44
Chapitre 03 Conception de système RAPI

4.1. Prétraitement et amélioration

Durant la capture des images ou des trames vidéo à travers un appareil photo numérique
(Webcam PiCamera / HR) les images peuvent contenir des bruits. La mauvaise qualité de
l'image est la principale cause d'échec de la détection de la plaque d'immatriculation du
véhicule. L'algorithme de prétraitement aide à améliorer la qualité de l'image capturée ou de
l'image extraite de la plaque. Cela implique :

a- Redimensionner l'image
Cela implique de redimensionner l'image prise à des fins d'optimisation. Le
redimensionnement est utile car la qualité de l’image diffère et afin de localiser la plaque
d'immatriculation ou de pouvoir reconnaître la plaque d'immatriculation sur l'image, le
redimensionnement sera très utile. Nous redimensionnerons alors l'image capturée à 500 px
de largeur.

b- Lissage de l'image (Filtre flou)

Pour éliminer les bruits dans les images à analyser par la suite, nous allons utiliser un
filtre bilatéral (filtre non linéaire). L’idée à la base du filtre bilatéral [HEB17] est d’ajouter
des poids à la convolution qui tiennent compte de la distance entre les pixels dans l’espace des
illuminances. Ainsi, deux pixels voisins dans l’espace image mais d’illuminance très
différentes (comme sur une discontinuité) ne seront pas moyennés car le poids associé à leur
distance dans l’espace des illuminances sera faible. En général, on choisit les poids selon une
distribution gaussienne.

La figure 3.3. présente un exemple sur l’effet d’un filtre bilatérale où les contours
restent clairs :

45
Chapitre 03 Conception de système RAPI

Image original Image lissée

Figure 3.3. : Effet d’un filtre bilatéral, lissage sans perdre les contours. [HEB17]

c- Conversion en niveaux de gris

L’image couleur contient des couleurs 24 bits, il est donc difficile de manipuler l’image
capturée. Pour résoudre le problème, nous appliquons la conversion en niveaux de gris à
l’image ; nous réduisons les couleurs à 8 bits, ce qui est plus facile à gérer et nous réduisons
également la valeur de pixel de 0 à 255, 0 représentant le noir et 255 à une couleur plus claire
ou blanche. En appliquant cette méthode, les valeurs rouge, vert et bleu seront représentées
par la valeur grise.

Cela nous aide à identifier les contours importants et d’autres caractéristiques de

l’image qui peuvent être très utiles ces derniers temps pour retrouver la plaque
d'immatriculation sur l'image, extraire et reconnaître de caractères de l'image, tout ce qui est
mentionné est très difficile à réaliser avec l'image couleur.

d- Seuillage
Le seuillage est le moyen rapide de convertir l'image en niveaux de gris en une image
binaire. Ici, les pixels de l’image en niveaux de gris vont être séparés ou arrangés. L’image en
niveaux de gris contient des pixels de 0 à 255. Ainsi, 0-127 correspondra à 0 et 128-255 à 1,

46
Chapitre 03 Conception de système RAPI

ce qui explique pourquoi nous disons que c’est le moyen le plus rapide de convertir l’image
en niveaux de gris en image binaire (voir figure 3.4.).

Figure 3.4. : Le seuillage permet de convertir une image de niveaux de gris vers noir et blanc. [MAZ18]

4.2. Localisation de la plaque

Cette technique est utilisée pour identifier la région de la plaque d'immatriculation à

partir de l'image donnée. L'objectif principal de ce type de systèmes est de localiser la région
de la plaque d'immatriculation à partir de l'image des véhicules capturés.

La détection et l’isolement de la plaque : c’est la phase la plus importante et la plus

difficile, elle détermine la rapidité et la robustesse du système. Plusieurs études et recherches
sont consacrées à cette phase depuis plusieurs années ainsi différentes méthodes ont été
proposées. On peut citer dans ce cas les méthodes basés sur la détection de contours, les
méthodes basées sur les opérations morphologiques et d’autres sur les caractéristiques de
l’image comme la couleur [DIA04].

La détection de contours est le processus d'identification de l'occurrence de changement

entre les couleurs. Un contour est détecté en vérifiant le pixel avec son voisin et s’il est
déterminé qu’ils diffèrent, nous avons un contour, mais si la comparaison est identique, nous
n’avons pas de contour. La méthode de détection des contours serait appliquée aux images
binaires de cet algorithme. La détection des contours est simplement un ensemble de
méthodes mathématiques visant uniquement à déterminer les occurrences de changement des
intensités survenant dans l'image. Encore une fois peut dire est un ensemble de pixels
connectés qui se trouvent à la frontière entre deux régions. La détection de modifications
nettes sur les images lumineuses permet de capturer les événements importants survenus. La
détection des contours est très utile car elle peut aider à filtrer les informations qui peuvent
être considérées comme moins pertinentes. La première dérivée peut être utilisée pour
47
Chapitre 03 Conception de système RAPI

détecter la présence d'un bord en un point d'une image, tandis que la deuxième dérivée peut
être utilisée pour déterminer si le pixel est sur l'obscurité ou sur une image [WITR18].

Le filtre de Canny fonctionne dans un processus en plusieurs étapes. Tout d'abord,

l'image est lissée en appliquant la convolution gaussienne. Le premier opérateur de dérivée
(un peu comme Robert Cross) est appliqué à l'image lissée afin de mettre en évidence des
régions de l'image avec des premières dérivées spatiales élevées. L'algorithme suit ensuite le
haut de ces crêtes et met à zéro tous les pixels qui ne sont pas réellement au sommet de la
crête afin de donner une ligne fine dans la sortie. Ce processus est appelé suppression non
maximale [ETC08].

Le filtre de Canny a plusieurs avantages [BER15] :

– détection : bonne détection des points de contours (notamment pour

les contours faibles),

– localisation : localisation fiable des points de contours,

– unicité de la détection : pour un contour, on a un seul point de

contour.

Figure 3.5. : Détecteur de contours de Canny. [BER15]

Afin de détecter les régions de l'image candidate à la plaque, nous appliquons tout
d'abord l'algorithme de Canny pour détecter les objets à frontière fermée. Un certain nombre
d'algorithmes d'évaluation candidats sont appliqués sur des images de contour obtenues à
partir de l'algorithme de détection de contour afin de séparer les objets de plaque. Cependant,
cet algorithme rencontre des difficultés pour traiter des images de mauvaise qualité en raison

48
Chapitre 03 Conception de système RAPI

de rayures, d’hélices de plug-in. Dans ces cas, l'algorithme de contour produit des lignes de
limites fermées incomplètes qui ne détecte pas correctement les images de la plaque.

Une étape d'évaluation des contours fermés candidats repose sur une vérification du
rapport entre la hauteur et la largeur du candidat. Nous vérifions et sélectionnons uniquement
les candidats dont le rapport hauteur / largeur est satisfait par la contrainte suivante :

Seuil min <= Largeur/ Hauteur <= Seuil max

Nous avons choisi Seuil min =3,5 et Seuil max = 6. Les candidats qui satisfont aux contraintes
sont sélectionnés et passés à l'étape suivante, à savoir le module de reconnaissance des
numéros de la plaque.

4.3. Reconnaissance de la plaque

Les systèmes de reconnaissance optique des caractères ont été développés il y’a de ça
une vingtaine d’années et leurs performances dépend des conditions environnantes et doivent
être capables de gérer un grand nombre de difficultés possibles. Parmi lesquelles :

 Une mauvaise résolution de l’image à cause d’une plaque trop éloignée ou d’une
caméra de mauvaise qualité,

 Des images floues souvent à cause du mouvement, un mauvais éclairage et un faible

contraste, un reflet ou une ombre, un objet obscurcissant une partie de la plaque (barre
de remorquage ou de la poussière).

Le module de reconnaissance sera divisé en deux parties, la première partie implique la

segmentation des caractères et la seconde partie comprend la reconnaissance des caractères.

4.3.1. Segmentation des charactères

Les composants connectés numérisent une image et regroupent ses pixels en
composants basés sur la connectivité des pixels. Tous les pixels d'une composante connectée
partagent des valeurs d'intensité de pixel similaires et sont en quelque sorte connectés les uns
aux autres. Cette méthode nécessite que l'image d'entrée soit convertie en binaire pour
traitement. La limite de chaque objet est vérifiée pour voir s'il occupe la surface attendue.
Cette méthode utilise la propriété que toutes les plaques d'immatriculation sont rectangulaires
et que leurs caractères partagent le même arrière-plan.

4.3.2. Reconnaissance de caractères

Après la segmentation des caractères, nous devons reconnaître tous les caractères en
utilisant un moteur OCR pour obtenir le code ASCII. Nous décrivons d’abord le fond des
moteurs OCR et leur fonctionnement.
49
Chapitre 03 Conception de système RAPI

OCR est l'acronyme de Reconnaissance Optique de Caractères. Cette technologie

permet de reconnaître automatiquement les caractères grâce à un mécanisme optique. Dans le
cas des êtres humains, nos yeux sont un mécanisme optique. L'image vue par les yeux est une
entrée pour le cerveau. La capacité à comprendre ces entrées varie chez chaque personne en
fonction de plusieurs facteurs. L'OCR est une technologie qui fonctionne comme une capacité
de lecture humaine, bien que l’OCR ne puisse pas rivaliser avec les capacités de lecture l’être
humain. Parmi les techniques existantes nous pouvons citer : Tesseract Engine et l’algorithme
de k-plus proches voisins (KNN en anglais k nearest neibourgh).

a- Moteur Tesseract

Tesseract est un moteur de reconnaissance optique de caractères pour différents

systèmes d'exploitation. C'est un logiciel libre, publié sous la licence Apache, version 2.0, et
le développement est sponsorisé par Google depuis 2006. Tesseract est considéré comme l'un
des moteurs de OCR open source les plus précis actuellement disponibles.

b- Algorithme KNN

L’algorithme KNN figure parmi les plus simples algorithmes d’apprentissage artificiel.
Dans un contexte de classification d’une nouvelle observation x, l’idée fondatrice simple est
de faire voter les plus proches voisins de cette observation. La classe de x est déterminée en
fonction de la classe majoritaire parmi les k plus proches voisins de l’observation x. La
méthode KNN est donc une méthode à base de voisinage, non-paramétrique ; Ceci signifiant
que l’algorithme permet de faire une classification sans faire d’hypothèse sur la fonction
y=f(x1,x2,…xp) qui relie la variable dépendante aux variables indépendantes. La méthode du
plus proche voisin est une méthode non paramétrique où une nouvelle observation est classée
dans la classe d’appartenance de l’observation de l’échantillon d’apprentissage qui lui est la
plus proche, au regard des covariables utilisées. La détermination de leur similarité est basée
sur des mesures de distance. [DUP10]

On va essayer d’utiliser une des deux techniques pour faire la reconnaissance des
caractères. Donc, les caractères segmentés vont être envoyés à un algorithme de
reconnaissance, qui renvoie l'ASCII de chaque numéro de la plaque.

50
Chapitre 03 Conception de système RAPI

5. Conclusion
Nous avons présenté dans ce chapitre une conception détaillée d’un système de
reconnaissance automatique des plaques d’immatriculation. Cette conception va nous permet
de faciliter la démarche d’implémentation logiciel du système. L’implémentation sera le sujet
du chapitre suivant.

51
 Chapitre 04
Implémentation du système
RAPI

52
Chapitre 04 Implémentation du système RAPI

1. Introduction
Après avoir définir et décrire les différents modules constituant un système de
reconnaissance automatique des plaques d'immatriculation, on va passer à décrire les
différents composants du système à réaliser. Nous allons, donc, décrire brièvement les
différentes étapes de la réalisation du projet. On va acheminer notre travail par
l’environnement matériel et logiciel qui assure la réalisation de notre plateforme électronique
et de ses applications.

2. Aspect matériel
Pour faire implémenter la technique RAPI selon la conception faite dans le chapitre
précédent, nous avons choisi d’utiliser un Raspberry Pi 3 modèle B+. Par rapport à celles de
son prédécesseur, la vitesse et la puissance de Raspberry Pi 3 B+ ont gagné globalement
15 %. Elle est caractérisée par :

− Accélération du processeur quadricœur : environ 15 % de capacité de traitement

supplémentaire,

− Prise en charge du décodage H.264 MPEG-4 (1080p30), du codage H.264 (1080p30) et de

la gestion graphique Open GL ES 1.1 et 2.0,

− 1 Go de mémoire LPDDR2 SDRAM,

− Communication sans fil double bande 802.11ac (2,4 GHz / 5,0 GHz),

− Gestion de l'alimentation améliorée,

− Gestion thermique améliorée.

Pour la capture des vidéos et des images nous allons utiliser une caméra Longruner
Camera pour Raspberry avec vision de nuit. Cette caméra dotée d’un capteur Omnivision
5647 possède une résolution de 5 Megapixels 2592 x 1944 pixels et une résolution vidéo
maximale de 1080p @30fps, 720p @60fps et 640*480 @90fps.

3. Aspect logiciel
Pour notre Raspberry, nous avons installé sur une carte mémoire SD le système
d’exploitation Raspbian (C’est un système d'exploitation libre et gratuit basé sur Debian
optimisé) pour faire fonctionner le Raspberry Pi. Étant donné les ressources limitées de cet
ordinateur, Raspbian utilise des logiciels réputés pour être légers : l'environnement de
bureau par défaut est PIXEL, acronyme de « Pi Improved Xwindows Environment Lightweight »,
« Environnement Xwindows amélioré et léger pour PI », le navigateur web par défaut est Chromium.

53
Chapitre 04 Implémentation du système RAPI

Pour la réalisation de ce projet, nous avons utilisé un ensemble d'outils de

développements tel que : Le langage de programmation Python 3.5, la bibliothèque de vision
par ordinateur OpenCV 4.

3.1. Python

Le langage de programmation Python [FUC19] a été créé en 1989 par Guido van
Rossum, aux Pays-Bas. Le nom Python vient d’un hommage à la série télévisée Monty
Python’s Flying Circus dont G. van Rossum est fan. La première version publique de ce
langage a été publiée en 1991.

La dernière version de Python est la version 3. Plus précisément, la version 3.7 a été
publiée en juin 2018. La version 2 de Python est désormais obsolète et cessera d’être
maintenue après le 1er janvier 2020. Dans la mesure du possible évitez de l’utiliser.

La Python Software Foundation est l’association qui organise le développement de

Python et anime la communauté de développeurs et d’utilisateurs.

Ce langage de programmation présente de nombreuses caractéristiques intéressantes

[FUC19, SWI10]:

— Il est multiplateforme (portable). C’est-à-dire qu’il fonctionne sur de nombreux

systèmes d’exploitation : Windows, Mac OS X, Linux, Android, iOS, depuis les mini-
ordinateurs Raspberry Pi jusqu’aux supercalculateurs.

— Il est gratuit. Vous pouvez l’installer sur autant d’ordinateurs que vous voulez
(même sur votre téléphone !).

— C’est un langage de haut niveau. Il demande relativement peu de connaissance sur le

fonctionnement d’un ordinateur pour être utilisé.

— C’est un langage interprété. Un script Python n’a pas besoin d’être compilé pour être
exécuté, contrairement à des langages comme le C ou le C++. Il convient bien à des scripts
d’une dizaine de lignes qu’à des projets complexes de plusieurs dizaines de milliers de lignes.

— Il est relativement simple à prendre en main.

—il est très utilisé en bioinformatique et plus généralement en analyse de données.

— Python est orienté-objet. Il supporte l’héritage multiple et la surcharge des

opérateurs. Dans son modèle objets, et en reprenant la terminologie de C++, toutes les
méthodes sont virtuelles. Il est possible de concevoir en Python des entités qui miment celles

54
Chapitre 04 Implémentation du système RAPI

du monde réel (une cellule, une protéine, un atome, etc.) avec un certain nombre de règles de
fonctionnement et d’interactions.

— Python intègre, comme Java ou les versions récentes de C++, un système

d’exceptions, qui permettent de simplifier considérablement la gestion des erreurs.

— Python est dynamique (l’interpréteur peut évaluer des chaînes de caractères

représentant des expressions ou des instructions Python), orthogonal (un petit nombre de
concepts suffit à engendrer des constructions très riches), réflectif (il supporte la
métaprogrammation, par exemple la capacité pour un objet de se rajouter ou de s’enlever des
attributs ou des méthodes, ou même de changer de classe en cours d’exécution) et introspectif
(un grand nombre d’outils de développement, comme le debugger ou le profiler, sont
implantés en Python lui-même).

— Enfin, Comme Scheme ou SmallTalk, Python est dynamiquement typé. Tout objet
manipulable par le programmeur possède un type bien défini à l’exécution, qui n’a pas besoin
d’être déclaré à l’avance.

Toutes ces caractéristiques font que Python est désormais enseigné dans de nombreuses
formations, depuis l’enseignement secondaire jusqu’à l’enseignement supérieur.

3.2. OpenCV

OpenCV (Open Source Computer Vision Library) [EBO] est une bibliothèque de
logiciels et de logiciels d'apprentissage automatique. Il a été conçu pour divers objectifs tels
que l'apprentissage automatique, la vision par ordinateur, l'algorithme, les opérations
mathématiques, la capture vidéo, le traitement d'images, … etc. , android, ios). En outre, il a
enveloppé dans divers langages de programmation renommés. Dans le cadre du contrat de
licence, les entreprises peuvent accéder au code et le modifier.

La bibliothèque contient plus de 2500 algorithmes optimisés, qui ont une excellente
précision en termes de performances et de vitesse. Ces algorithmes peuvent être utilisés pour
détecter et reconnaître des visages, identifier des objets, classer des actions humaines dans des
vidéos, suivre des mouvements de caméra, suivre des objets en mouvement, extraire des
modèles 3D d'objets, produire des nuages de points 3D à partir de caméras stéréo image d'une
scène entière, trouver des images similaires à partir d'une base de données d'images,
supprimer les yeux rouges des images prises, suivre les mouvements oculaires, reconnaître les
décors et établir des marqueurs pour la superposer à la réalité augmentée. , les développeurs et
les chercheurs, le nombre est plus de 47 000 et le nombre estimé de téléchargements dépasse

55
Chapitre 04 Implémentation du système RAPI

7 millions. La bibliothèque est largement constituée de sociétés professionnelles, de groupes

de recherche et d’autres groupes.

De nombreuses entreprises bien établies telles que Google, Yahoo, Microsoft, Intel,
IBM, Sony, Honda et Toyota qui emploient la bibliothèque, ainsi que de nombreuses startups
telles que Applied Minds, VideoSurf et Zeitera, utilisent largement OpenCV. Les utilisations
déployées d'OpenCV s'étendent de l'assemblage d'images StreetView, à la détection
d'intrusions dans la vidéo de surveillance en Israël, à la surveillance des équipements miniers
en Chine, à la détection des accidents de noyade en Europe et à l'art interactif. L'Espagne et
New York vérifient les pistes en Turquie et inspectent les étiquettes des produits dans les
usines du monde entier pour détecter rapidement les visages au Japon. Il possède des
interfaces C ++, C, Python, Java et MATLAB et supporte Windows, Linux, Android et Mac
OS. OpenCV s'appuie principalement sur les applications de vision en temps réel et tire parti
des instructions MMX et SSE lorsqu'elles sont disponibles. Des interfaces complètes CUDA
et OpenCL sont en cours de développement. Il existe plus de 500 algorithmes et environ 10
fois plus de fonctions qui composent ou supportent ces algorithmes. OpenCV est écrit
nativement en C ++ et possède une interface basée sur des modèles qui fonctionne de manière
transparente avec les conteneurs STL.

3.3. Algorithmes implémentés

Nous allons présenter ci-dessous, sous format algorithmique, les modules du système
RAPI que nous avons fait leur conception.

Le premier algorithme (Algorithme 1) permet de préparer chaque trame reçue depuis la

caméra à l'étape de localisation de la plaque d'immatriculation. Le prétraitement de l'image
passe par les étapes de redimensionnement, conversion en niveau de gris et l'élimination des
bruits en utilisant un filtre bilatéral.

Algorithme 1 : Prétraitement et amélioration de la trame lue

Algorithme Prétraitement(trame_lue)

Entrées :

trame_lue : image représentant une trame vidéo

Résultats :

Image_filtrée : image qui a subis un ensemble de pré-traitements.

Début

Redimentionner(trame_lue , largeur=500)

Convertir l'image redimmentionnée en niveaux de gris

56
Chapitre 04 Implémentation du système RAPI

Appliquer un filtre bilateral sur l'image en niveau de gris (pour elliminer

les bruits)

Renvoyer Image_filtrée

Fin

L'algorithme 2 sert à localiser une plaque d'immatriculation s'il existe dans l'image
prétraitée. Cela sera effectuer en suivant les étapes suivantes : Conversion de l'image en noir
et blanc, l'extraction de la liste des contours fermés, le trie des contours par ordre de surface et
on va choisir enfin celui qui a quatre coins et qui va vérifier un facteur largeur/hauteur entre
3.5 et 6.

Algorithme 2 : Localisation de la plaque d'immatriculation

Algorithme Localizer(image_entrée)

Entrées :

image_entrée : image pré-traitée

Résultats :

Détectée : Booléen indiquant si une plque est détectée,

PlaqueImg : Image extraite de l'image d'entrée représentant la plaque,

PlLargeur, PlHauteur : Les dimensions de la plaque.

Début

Appliquer un seuillage adaptatif sur l'image d'entrée pour avoir une image
noire et blanc

Appliquer un filtre de Canny sur l'image noir et blanc

Extraire, de la liste des contours, seulement les contours fermés.

Trier la liste des contours extraites selon leurs surfaces du plus grand
vers le plus petit

Détectée  faux

Pour chaque contour de la liste faire

Si le contour possède quatre (04) coins Alors

Extraire les coordonnées du rectangle englobant le contour

Calculer la largeur et la hauteur du contour : PlLargeur, PlHauteur

Rapport  PlLargeur / PlHauteur

Si Rapport >=3.5 et Rapport<=6 Alors

Détecté = vrai

Sortir de la boucle

FinSi

FinSi

FinPour

57
Chapitre 04 Implémentation du système RAPI

Si Détectée Alors

Extraire l'image de la plaque détectée soit : PlaqueImg

FinSi

Renvoyer (Détectée, PlaqueImg, PlLargeur, PlHauteur)

Fin

L'algorithme suivant (Algorithme 3) permet de segmenter l'image de la plaque détectée

en se basant sur les contours et d'identifier les chiffres du matricule. Pour la liste des contours
détectés on va choisir celui qui ont un rapport Largeur/Hauteur entre 0.25 et 1 et un rapport
Hauteur/Hauteur plaque entre 0.5 et 0.8. La zone candidate sera envoyée à un algorithme de
reconnaissance de k plus proches voisins (kNN) qui va nous renvoyer un chiffre
correspondant. Les chiffres correspondant aux zones segmentées vont construire le matricule
de la voiture.

Algorithme 3 : Segmentation de la plaque d'immatriculation et reconnaissance des

chiffres

Algorithme SegNumEtConvert(PlaqueImg, PlLargeur, PlHauteur)

Entrées :

PlaqueImg : image de la plaque détectée

PlLargeur, PlHauteur : Largeur et hauteur de la plque

Résultats :

Matricule : Chaine de caractère représentant les chiffres définissant le matricule

reconnu.

Début

Matricule  ""

Conversion de l'image de la plaque en niveaux de gris

Appliquer sur l'image en niveau de gris un filtre bilatéral

Appliquer sur l'image filtrée un seuillage adaptatif pour avoir une image
noire et blanc

Agrandir la taille de l'image de la plaque

Appliquer une autre fois un seuillage normal pour confirmer l'élimination

de tout bruit

Appliquer un filtre de Canny pour extraire les contours

Trouver la liste des contours fermés

Trier la liste des contours trouvés du gauche vers la droite

Pour tous les contours triés faire

Calculer pour le rectangle englobant le contour : Hauteur et

Largeur

Rapport  Largeur / Hauteur

58
Chapitre 04 Implémentation du système RAPI

RapportChiffrePlaque  Hauteur / PlHauteur

Si Rapport < 1 et Rapport>0.25 et RapportChiffrePlaque>0.5 et

RapportChiffrePlaque<0.8 Alors

Extraire depuis l'image binaire imgROI englobée par le

rectangle calculé

Redimensionner imgROI à une taille de 20x30

Construire depuis imgROI un vecteur uni-dimensionnel

Trouver le chiffre approprié en utilisant l'algorithme de "k

plus proches voisins"

Ajouter le chiffre reconnu à (Matricule) la liste des

chiffres de la plaque

FinSi

FinPour

Renvoyer Matricule

Fin

Le dernier algorithme représente la suite des étapes à suivre pour accomplir le processus
de la reconnaissance automatique des plaques d'immatriculation.

Algorithme 4 : Programme principale de RAPI

Algorithme RAPI()

Début

Lancer l'apprentissage pour l'algorithme de kNN (k plus proches voisins)

Pour toutes les images capturées faire

Image_Filtrée=Pré_traitement (Trame courrente)

(Détectée,Image_Plaque,PLargeur,PHauteur) = Localizer(Image_Filtrée)

Si Détectée Alors

Matricule=SegNumEtConvert(Image_Plaque, PLargeur, PHauteur)

Afficher(Matricule)

FinSi

FinPour

Fin

3.4. Description des fonctions Python et OpenCV utilisés pour

l'implémentation

Nous avons utilisé plusieurs bibliothèques python pour arriver à réaliser notre système
RAPI. Parmi les plus importantes on peut citer les suivantes [COP19] :

a. NumPy

59
Chapitre 04 Implémentation du système RAPI

NumPy est une bibliothèque numérique apportant le support efficace de larges tableaux
multidimensionnels, et de routines mathématiques de haut niveau (fonctions spéciales, algèbre
linéaire, statistiques, etc.).

b. MatPlotLib

Matplotlib est une bibliothèque graphique de visualisation 2D (avec un support pour

la 3D, l’animation et l’interactivité), permettant des sorties de haute qualité « prêtes à
publier ». C’est à la fois une bibliothèque de haut niveau, fournissant des fonctions de
visualisation « clés en main » (échelle logarithmique, histogramme, courbes de niveau, ….
etc.), et de bas niveau, permettant de modifier tous les éléments graphiques de la figure (titre,
axes, couleurs et styles des lignes, … etc.).

c. ImUtils

ImUtils est une série de fonctions pratiques permettant de simplifier les fonctions de
traitement d’images de base telles que la translation, la rotation, le redimensionnement, la
squelettisation et l’affichage facile des images Matplotlib avec OpenCV sous Python 2.7 et
Python 3.

D’un autre côté, nous avons utilisé aussi la bibliothèque de la vision par ordinateur
OpenCV. Parmi les fonctions les plus importantes on peut citer les suivantes [EBO] :

a. bilateralFilter

Il existe un compromis entre la perte de structure et la suppression du bruit, car la

méthode la plus populaire pour éliminer le bruit est le flou gaussien qui ne connaît pas la
structure de l'image, par conséquent, il supprime également les bords. La plupart du temps, les
bords contiennent des informations précieuses sur la scène et nous ne voulons pas les perdre.
Le filtre bilatéral connaît la structure de la scène et a tendance à agir comme un filtre de flou
classique lorsqu'il se trouve sur une zone sans arêtes. Cependant, quand il voit un bord, il
change de comportement de sorte que le flou ne fonctionne pas sur tous les bords, mais
fonctionne le long des bords, ce qui signifie qu'ils sont des filtres préservant les bords.

b. arcLength

Le périmètre de chaque objet peut être trouvé en utilisant la fonction « arcLength »,

selon la syntaxe : Perimetre = arcLength(contours[i], true).

c. findContours

60
Chapitre 04 Implémentation du système RAPI

La fonction findContours permet d’obtenir, comme son nom l’indique, tous les contours
présents dans une image binaire. Pour chaque contour obtenu, nous calculons la périphérie de
la forme pour faire ensuite une approximation des formes rectangulaires.

d. approxPolyDP

La fonction findContours trouve beaucoup trop de points pour déterminer les segments
de droite minimaux qui composent la figure. Nous devons donc utiliser une fonction
approxPolyDP qui nous permettra de réduire le nombre de point utilisé pour définir le contour
de la courbe. L’idée de cette méthode est d’approcher une courbe (un contour) par une série
de courtes droites. La fonction prend en paramètre : le vecteur 2D des points trouvés par
findContours, une valeur qui représente une précision pour effectuer l'approximation, epsilon
qui représente une valeur de 1% à 3% du périmètre donne de bons résultats, et elle va nous
renvoyer un vecteur de point qui recevra les points approximés.

e. KNearest_create, train

D'abord KNearest_create va nous créer un classifieur kNN. Par la suite la fonction

train va recevoir un jeu de données, que nous allons utiliser, constitué d'un ensemble de
d’images 30x20 pixels en noir et blanc annotées du chiffre correspondant (entre 0 et 9) et les
lettres (de A à Z). L'objectif de ce jeu de données était de permettre à un ordinateur
d'apprendre à reconnaître des nombres et chiffres automatiquement.

f. findNearest

Cette fonction sert à trouver le chiffre le plus proche de celui que nous avons donné en
appliquant l’algorithme kNN.

4. Résultats et discutions
Nous allons commencer cette partie par une présentation générale de la démarche suivie pour
localiser les plaques et identifier par la suite les chiffres dans chacune des plaques. Nous
allons passer par la suite à une analyse des résultats obtenues en utilisant un ensemble
d’images de voitures dans différents cas pour pouvoir évaluer les performances de la méthode
implémentée. Enfin, on va passer à une discussion des résultats obtenus.

4.1. Démarche de la technique RAPI

Nous allons présenter ici les résultats intermédiaires de l'exécution de notre programme
en suivant les étapes de chaque module :

61
Chapitre 04 Implémentation du système RAPI

Image d'entrée Image convertis en niveaux de gris Image filtrée (Filtre bilatéral)

Image en noir et blanc Les contours détecté par un filtre de Matricule détecté
Canny
Figure 4.1. : Détection de la plaque d'immatriculation.

Image extraite de la matricule Conversion en niveaux de gris Conversion en noir et blanc

Les chiffres de la matricule encadrés Image du chiffre à identifier en

Contours détectés par filtre de Canny
après détection utilisant l'algorithme de kNN
Figure 4.2. : Ségmentation des chiffres de la plaque.

4.2. Présentation des résultats obtenus

Nous avons séparé les résultats obtenus en deux parties ; Les résultats de module de
localisation de la plaque d’immatriculation, et les résultats du module de reconnaissance des
chiffres.

4.2.1. Résultats de localisation

Pour évaluer le module de localisation implémenté en se basant sur la détection et

l’analyse des contours, nous avant utiliser une base d’images collectée depuis le web. Nous
avant utilisé 80 images de voitures de couleurs et de positions différentes. Le tableau 4.1.
représente des statistiques sur les résultats obtenus à travers le système implémenté :

62
Chapitre 04 Implémentation du système RAPI

Tableau 4.1. : Les statistiques de l’évaluation de la technique de localisation de la plaque.

Nombre de cas Taux

Détections signalées 52 65.00% (de 80 images)
Détections correctes 33 63.46% (de 52 images)
(1-2-8-11-13-16-17-18-19- 41.25% (de 80 images)
20-21-25-26-28-29-30-31-
33-36-40-41-49-54-55-56-
57-62-66-67-69-71-77-79)
Fausses détections 19 36.53% (de 52 images)
(4-14-22-34-37-38-39-42-43-
44-46-47-53-58-60-64-68-
73-76)
Nous allons présenter, dans le tableau 4.2., une liste des images représentant les cas des
fausses détections et les cas des plaques non détectées. Pour chaque image nous allons donner
sa conversion en niveaux de gris et la liste des contours traités correspondants :

Tableau 4.2. : Présentation des cas des problèmes de localisation de la plque.

Image Image en niveaux de gris Contours traités
A

63
Chapitre 04 Implémentation du système RAPI

64
Chapitre 04 Implémentation du système RAPI

65
Chapitre 04 Implémentation du système RAPI

4.2.2. Résultats de reconnaissance

Nous avons essayé d’utiliser le moteur OCR Teserract mais il n’a pas donné des
résultats pour la reconnaissance. Nous avons, donc, décider de passer à l’utilisation du moteur
à base de l’algorithme des k-plus proches voisins. Cet algorithme nécessite de passer
premièrement par une phase d’apprentissage. Pour ce faire, nous avons utilisé un ensemble de
données (data set) téléchargé à partir de la page web : https://github.com/muchlisinadi/ALPR-
Indonesian-plate. La base originale permet de faire un apprentissage sur les lettres de A à Z et
des chiffres de 0 à 9. Nous avons extrait depuis cette base la partie permettant de reconnaitre
les chiffres seulement où chacune des dix classes (représentant un chiffre par son code ASCII)
comporte cinq observations différentes pour le même chiffre.

Pour qu’on puisse évaluer le module de la reconnaissance nous avons essayer d’extraire

66
Chapitre 04 Implémentation du système RAPI

manuellement les zones d’image contenant les plaques. Les images extraites sont passés
directement au module de la reconnaissance des chiffres. Le module va segmenter l’image de
la plaque pour extraire les zones contenant des chiffres, et va passer par la suite chaque
segment au moteur de reconnaissance à base de l’algorithme de k-plus proches voisins. Les
résultats obtenus sont présents dans le tableau 4.3.

67
Chapitre 04 Implémentation du système RAPI

Tableau 4.3. : Résultats obtenus depuis le module de reconnaissance.

Segmentation des Chaine détecté
Image du matricule
chiffres K=1 C.C. K=3 C.C. K=5 C.C.
1
0045819987 08 9845849987 05 0045049907 09
2
45018807 06 45048807 05 45043307 05
3
5553822110077 09 3553822130077 08 3553822330077 07
4
8128211287 08 8128241207 08 0428244207 07
5
0943111387 09 0943111387 09 0943111307 10
6
8715818887 06 8715810887 07 8735830887 05
7
8715618887 07 8715838807 06 8715838807 06
8
042607 05 042407 05 042407 05
9
0789711407 09 0769731407 09 0789713407 08
10
0789711487 08 0789731487 07 0769711407 10
11
0148919907 10 0148015007 07 0148919907 10
12
Non détecté 00 Non détecté 00 Non détecté 00
13
Non détecté 00 Non détecté 00 Non détecté 00

68
Chapitre 04 Implémentation du système RAPI

14
0769311407 10 0769371407 09 0769372407 08
15
Non détecté 00 Non détecté 00 Non détecté 00
16
8348910487 07 8348930487 06 8340930407 08
17
8841318987 06 8841318987 06 0641310907 10
18
Non détecté 00 Non détecté 00 Non détecté 00
19
8614574947 05 0644574447 04 8644544947 04
20
0811518887 05 0841548987 04 0834548807 03
21
Non détecté 00 Non détecté 00 Non détecté 00
22
8843010807 07 8643040807 07 0843040307 07
23
0653310807 10 0653310807 10 0653310807 10
24
0653310807 10 0653310807 10 0653310807 10
25
Non détecté 00 Non détecté 00 Non détecté 00
26
Non détecté 00 Non détecté 00 Non détecté 00
27
847071898 06 847074898 05 047074090 08
28
Non détecté 00 Non détecté 00 Non détecté 00

69
Chapitre 04 Implémentation du système RAPI

29
Non détecté 00 Non détecté 00 Non détecté 00
30
Non détecté 00 Non détecté 00 Non détecté 00
31
6345810107 08 6346810107 08 6346810107 08
32
8340810107 09 0340810107 10 0340810107 10
33
0523210207 10 0523210207 10 0523210207 10
34
68415412070 07 68415412670 06 63415412678 06
35
0496810071067 09 0496810011007 10 0496800073067 08
36
10187 04 10107 05 10107 05
37
0494448907 07 0404443307 05 0404443307 05
38
8491419987 08 0491419987 09 0493439907 08
39
Non détecté 00 Non détecté 00 Non détecté 00
40
0128313307 08 0128343307 07 0423343307 06
41
022431607 09 022431607 09 022431607 09
42
0224311687 09 0224311607 10 0224311607 10
43
8888811487 05 8888814487 04 8806034407 07

70
Chapitre 04 Implémentation du système RAPI

44
8808811407 07 8808034407 06 0806034407 08
45
83382184871 07 83382184871 07 03382104071 10
46
833821848750 07 033821848760 08 033822048760 08
47
0843010807 08 8843040807 06 0843040807 07
48
1046511287 09 3048531207 07 1048531207 08
49
Non détecté 00 Non détecté 00 Non détecté 00
50
Non détecté 00 Non détecté 00 Non détecté 00
51
Non détecté 00 Non détecté 00 Non détecté 00
52
8871831807 06 8874634807 05 0074634807 07
53
8248838886 03 8248830885 05 0240830805 08
54
0882711107 09 0682711107 10 0882711107 09
55
0032711107 07 0682711107 10 0632111107 08
56
4328189877 06 4320139877 07 4320188077 07
57
8432018807 07 2422043907 06 0432048807 07
58
00088838007 07 00038333007 07 70038333007 06

71
Chapitre 04 Implémentation du système RAPI

59
880027210807 10 800027210887 09 880027210807 10
60
0027210807 10 8027218807 08 0027210807 10
61
0547110107 10 8547330307 06 0547330307 07
62
8444818887 06 0444810007 10 0444818087 08
63
Non détecté 00 Non détecté 00 Non détecté 00
64
8395710707 09 8895710707 08 0896710707 09
65
0785440607 08 0785440607 08 0785440807 07
66
8611611187 06 8613531187 05 0633531107 05
67
8511511187 08 8511577787 05 0511517107 09
68
4475614747 07 4476640707 07 4475640707 08
69
0475610707 10 0475640707 09 0475640707 09
70
8558111807 06 8558411007 07 0558434007 06
71
8558111987 06 0558333087 05 0558333007 06
72
015648807 07 045648807 06 045648807 06
73
050607 06 050807 05 050607 06

72
Chapitre 04 Implémentation du système RAPI

74
0437818887 06 0437030807 08 0437010807 09
75
0110518107 09 8110518407 07 0440548407 05
76
Non détecté 00 Non détecté 00 Non détecté 00
77
0841511187 08 0844543487 04 0844543407 05
78
Non détecté 00 Non détecté 00 Non détecté 00
79
4374240407 07 0374340407 09 8374340407 08
80
0484918147 09 8484978787 06 0484918787 08

73
Chapitre 04 Implémentation du système RAPI

4.3. Analyse des résultats et discutions

Nous allons discuter les résultats de localisation et de reconnaissance séparément :

4.3.1. Résultats de localisation

Pour les cas des plaques non détectées, nous avons constaté que cela est due à plusieurs
facteurs tel que :

a- Un des chiffres de la plaque est collé juste à la frontière de la plaque : Dans ce cas, et
si le niveau de gris de la couleur juste à côté du chiffre est proche de celui de la voiture
le contour de la plaque ne sera pas fermé, et par la suite ne sera pas détectée (Les cas
A et B).

b- Le niveau de gris de la plaque est proche de celui de la voiture : Dans ce cas, le

contour de la plaque ne sera pas détecté ou le contour est détecté mais il ne sera pas
fermé. La technique implémentée prend en compte, seulement, les contours fermés
pour l’évaluation de la zone selon leurs dimensions. (Les cas C, D et E)

c- La distance de la voiture par rapport à la caméra : Si la voiture est un peu loin de la

caméra, le contour de la plaque (malgré s’il est détecté dans quelques cas) sera négligé
par rapport aux autres contours les plus grands. La technique, et pour des raisons de
performance de calcul, ne prend pas en compte tous les contours fermés : on garde
dans notre cas seulement les 30 premiers plus grands contours fermés. (les cas F, G et
H).

d- Les dessin ou motifs ajoutés sur la plaque affectent la bonne détection parce qu’ils
changent la forme rectangulaire de la plaque. La technique ne prend en compte que les
contours à quatre côtés (espérant d’être des contours rectangulaires) pour l’évaluation.
(les cas I et J).

e- L’éclairage faible de la scène où la voiture est capturée peut entrainer des fausses
détections de contours, surtout dans les cas des voitures à couleurs sombres. (les cas K
et L).

f- Parmi les cas de fausse détection, est le cas où le premier grand contour fermé répond
aux critères (quatre côtés et facteur largeur/hauteur) sera considéré comme étant une
zone de plaque. (le cas M)

4.3.2. Résultats de reconnaissance

Nous avons rencontré plusieurs problèmes concernant la partie reconnaissance. Ces

problèmes sont classés en deux catégories :

74
Chapitre 04 Implémentation du système RAPI

a- Problèmes de détection des segments représentant les chiffres : Pour ce cas nous
avons constaté qu’il existe plusieurs causes de ce problème tel que :

 La forme inclinée de la plaque qui peut conduire à détecter une fausse mesure
de la hauteur de la plaque (les cas 6, 8, 13 et 15 par exemple). Le même cas se
reproduise s’il y’a des zones supplémentaires détectées avec la plaque (les cas
34, 45, 46 et 59 par exemple). La solution consiste à détecter au premier lieu
s’il y-a une capture inclinée de la plaque (en utilisant le transformé de Hough
par exemple) et de faire corriger cette inclinaison pour avoir une partie plaque
rectangulaire.

 Les seuils utilisés concernant les rapports « hauteur chiffre/largeur chiffre » et

« hauteur plaque / hauteur chiffre » peuvent entrainer soit des fausses
détections soit des chiffres non détectés (par exemple la modification du 2ème
seuil pour les cas 25, 26, 29 et 51 résulte d’une détection de tous les segments
des chiffres). La solution est de faire dérouler le programme plusieurs fois en
modifiant à chaque fois les seuils et les valeurs des paramètres utilisés pour
avoir les meilleurs résultats.

b- Problèmes de reconnaissance du chiffre correcte : Cela est due à plusieurs raisons

tel que :

 La forme inclinée du chiffre qui peut conduire à une fausse classification du

chiffres (le cas 80 par exemple où le 1 à gauche est reconnu comme étant 7 et
le zéro du gauche est reconnu comme étant 8). La solution consiste à essayer
de corriger l’inclinaison des chiffres pour avoir un format correct de chaque
chiffre (La correction de l’inclinaison de la plaque peut corriger ce problème).

 La taille petite des segments ou la qualité faible des images capturés (flou) peut
entrainer des fausses identifications. Une des solutions est de capturer des
images (vidéos) à haute résolution ce qui va entrainer des coûts
supplémentaires de calcul, ou de faire des captures très proches à la voiture
pour avoir des images de plaques plus grandes.

75
Chapitre 04 Implémentation du système RAPI

5. Conclusion

Nous avons présenté dans ce chapitre la démarche suivie pour implémenter un système
de reconnaissance automatique des plaques d’immatriculation dans leurs côtés ; matériel et
logicielle. Nous avons présenté séparément, par la suite, les résultats obtenus pour les deux
modules ; localisation et reconnaissance. Enfin, nous avons fait une analyse des résultats
obtenues en présentant les problèmes rencontrés et les solutions proposés pour améliorer le
travail.

76
Conclusion générale

Conclusion générale
Le présent travail représente une étude sur les systèmes de reconnaissance automatique
des plaques d’immatriculation suivi d’une conception et une implémentation de tel système
sur un ordinateur à puce « Raspberry Pi » en tant qu’un système embarqué, dans lequel nous
nous sommes intéressés à extraire la zone de la plaque en utilisant les contours et à identifier
par la suite le matricule correspondant en utilisant l’algorithme des k-plus proche voisins.
Premièrement nous avons exposé des généralités sur le domaine de traitement des images
dont on a utilisé plusieurs techniques et concepts de bases dans ce domaine : Conversion en
niveaux de gris, seuillage, détection de contours, … etc. Ensuite nous avons introduit une
étude technique sur « Raspberry Pi », dont on a présenté des généralités suivies d’un
historique sur cet ordinateur à puce. Nous avons donné aussi une idée sur les composants
électroniques du « Raspberry Pi » et aussi quelques projets réalisés qui sont réalisés avec.
Pour tester et évaluer notre système de reconnaissance, nous avons utilisé une base de
données des plaques d’immatriculation algérienne téléchargés depuis internet.

Parmi les systèmes RAPI existants nous avons choisi celui utilisant l’approximation des
contours et les caractéristiques des plaques pour classifier et extraire le contour le plus
approprié à une plaque, du fait que ces techniques nous offrent des temps de calculs un peu
rapide par rapport à d’autres. Pour les systèmes de reconnaissances nous avons utilisé un
algorithme de k-plus proches voisins du fait qu’il est facile à implémenter et à utiliser.

Du côté implémentation matériel nous avons utilisé un « Raspberry Pi 3 – B+ » la

dernière version disponible sur le marché, du fait que cet ordinateur nous offre la possibilité
de choisir les outils informatiques voulus pour la programmation, dont on a implémenté le
système en utilisant le langage de programmation Python avec la bibliothèque de vision par
ordinateur OpenCV ce qui a facilité le procédé d’implémentation.

Les résultats de reconnaissance obtenus montrent l’impact de plusieurs facteurs pour

avoir une bonne localisation de la plaque et une bonne reconnaissance des chiffres de la
plaque lui-même, dont on peut citer les suivants : Le bon éclairage au moment de la capture,
les normes qui doivent être respectés pour la construction de la plaque, le choix des bons
facteurs et des bons seuils pour les algorithmes implémentés, faire des captures de proche
pour les véhicules.

Les résultats obtenus peuvent être jugé comme étant acceptables, pour un système
complexe traitant une multitude de données pour localiser des zones composées sur des
images (La plaque est une zone rectangulaire qui contient plusieurs segments à savoir qu’ils

77
Conclusion générale

soient des chiffres ou non). Malgré les efforts déployés pour améliorer les résultats obtenus on
arrive qu’à détecter que 41 % des plaques des voitures utilisés comme base de teste, et
quelques problèmes pour la reconnaissance des chiffres extraits de chaque plaque.

Comme perspective, et pour arriver à améliorer ce travail nous pouvons citer qu’il est
possible de faire plusieurs autres expériences pour arriver à fixer les bons facteurs et les bons
seuils. De même nous pouvons utiliser une base d’apprentissage plus large pour le moteur des
k-plus proches voisins parce que la base utilisée comporte cinq observations pour chacune des
dix classes des chiffres pour améliorer le taux de reconnaissance. De plus, nous pouvons
tester d’autres techniques de localisation tel que celles qui basent sur les propriétés
chromatiques des plaques et nous pouvons aussi tester d’autres techniques de reconnaissance
des chiffres tel que les réseaux de neurones.

78
Annexe L’algorithme des k-plus proches voisins

Annexe
L’algorithme des k-plus proches voisins (K Nearst Neighbors - kNN)

1. Découverte de l’algorithme K Nearest Neighbors

L’algorithme K-NN (K-nearest neighbors) est une méthode d’apprentissage
supervisé[BEZ18]. Il peut être utilisé aussi bien pour la régression que pour la classification.
Son fonctionnement peut être assimilé à l’analogie suivante “dis moi qui sont tes voisins, je te
dirais qui tu es…”.

Pour effectuer une prédiction, l’algorithme K-NN ne va pas calculer un modèle prédictif à
partir d’un Training Set comme c’est le cas pour la régression logistique ou la régression
linéaire. En effet, K-NN n’a pas besoin de construire un modèle prédictif. Ainsi, pour K-
NN il n’existe pas de phase d’apprentissage proprement dite. C’est pour cela qu’on le
catégorise parfois dans le Lazy Learning. Pour pouvoir effectuer une prédiction, K-NN se
base sur le jeu de données pour produire un résultat.

2. Méthode de prédiction de K-NN

Pour effectuer une prédiction [BEZ18], l’algorithme K-NN va se baser sur le jeu de
données en entier. En effet, pour une observation, qui ne fait pas parti du jeu de données,
qu’on souhaite prédire, l’algorithme va chercher les K instances du jeu de données les plus
proches de notre observation. Ensuite pour ces K voisins, l’algorithme se basera sur leurs
variables de sortie (output variable) y pour calculer la valeur de la variable y de l’observation
qu’on souhaite prédire.

Par ailleurs :

 Si K-NN est utilisé pour la régression, c’est la moyenne (ou la médiane) des
variables y des K plus proches observations qui servira pour la prédiction.

 Si K-NN est utilisé pour la classification, c’est le mode des variables y des K plus
proches observations qui servira pour la prédiction.

3. Ecriture algorithmique
On peut schématiser le fonctionnement de K-NN en l’écrivant en pseudo-code suivant
[BEZ18]:

79
Annexe L’algorithme des k-plus proches voisins

Début Algorithme

Données en entrée :

 un ensemble de données D .

 une fonction de définition distance d.

 Un nombre entier K

Pour une nouvelle observation X dont on veut prédire sa variable de sortie y Faire :

1. Calculer toutes les distances de cette observation X avec les autres observations du jeu
de données D

2. Retenir les K observations du jeu de données D les proches de X en utilisation la

fonction de calcul de distance d

3. Prendre les valeurs de y des K observations retenues :

1. Si on effectue une régression, calculer la moyenne (ou la médiane)

de y retenues

2. Si on effectue une classification, calculer le mode de y retenues,

4. Retourner la valeur calculée dans l’étape 3 comme étant la valeur qui a été prédite par
K-NN pour l’observation X.

Fin Algorithme

4. Calcul de similarité dans l’algorithme K-NN

Comme on vient de le voir dans l’écriture algorithmique, K-NN a besoin d’une fonction
de calcul de distance entre deux observations. Plus deux points sont proches l’un de l’autre,
plus ils sont similaires et vice versa [BEZ18].

Il existe plusieurs fonctions de calcul de distance, notamment, la distance euclidienne, la

distance de Manhattan, la distance de Minkowski, celle de Jaccard, la distance de
Hamming…etc. On choisit la fonction de distance en fonction des types de données qu’on
manipule. Ainsi pour les données quantitatives (exemple : poids, salaires, taille, montant de
panier électronique etc…) et du même type, la distance euclidienne est un bon candidat.
Quant à la distance de Manhattan, elle est une bonne mesure à utiliser quand les données
(input variables) ne sont pas du même type (exemple : âge, sexe, longueur, poids etc…).

80
Annexe L’algorithme des k-plus proches voisins

Il est inutile de coder, soi-même ces distances, généralement, les librairies de Machine
Learning comme Scikit Learn, effectue ces calculs en interne. Il suffit juste d’indiquer la
mesure de distance qu’on souhaite utiliser.

Voici les définitions mathématiques des distances qu’on vient d’évoquer.

La distance euclidienne:

 Distance qui calcule la racine carrée de la somme des différences carrées entre les
coordonnées de deux points :

(x,y)= ……….Eq 01

Distance Manhattan :

 La distance de Manhattan: calcule la somme des valeurs absolues des différences entre
les coordonnées de deux points :

(x,y)= ……………Eq 02
Distance Hamming :

 la distance entre deux points données est la différence maximale entre leurs
coordonnées sur une dimension.

(x,y)= ……………...Eq 03
Avec

- x=y ==> D = 0

- x≠y ==> D = 1

Notez bien qu’il existe d’autres distances selon le cas d’utilisation de l’algorithme, mais
la distance euclidienne reste la plus utilisée.

5. Comment choisir la valeur K ?

Le choix de la valeur K à utiliser pour effectuer une prédiction avec K-NN, varie en fonction
du jeu de données. En règle générale, moins on utilisera de voisins (un nombre K petit) plus
on sera sujette au sous apprentissage (underfitting). Par ailleurs, plus on utilise de voisins (un
nombre K grand) plus, sera fiable dans notre prédiction. Toutefois, si on utilise K nombre de

81
Annexe L’algorithme des k-plus proches voisins

voisins avec K=N et N étant le nombre d’observations, on risque d’avoir du overfitting et par
conséquent un modèle qui se généralise mal sur des observations qu’il n’a pas encore vu
[BEZ18].

Figure A.1 : Différence entre N-NN classifier et 5-NN classifier. [BEZ18]

Sur la figure 1ci-dessus, l’image à gauche représente des points dans un plan 2D avec
trois types d’étiquetages possibles (rouge, vert, bleu). Pour le 5-NN classifieur, les limites
entre chaque région sont assez lisses et régulières. Quant au N-NN Classifier, on remarque
que les limites sont “chaotiques” et irrégulières. Cette dernière provient du fait que
l’algorithme tente de faire rentrer tous les points bleus dans les régions bleues, les rouges avec
les rouges etc… c’est un cas d’overfitting.

Pour cet exemple, on préférera le 5-NN classifier sur le NN-Classifier. Car le 5-NN
classifier se généralise mieux que son opposant.

6. Exemple d’application
Les figures 1 et 2 illustrent comment la méthode des k plus proches voisins résoud une tâche

de classification supervisée binaire dans , selon la distance euclidienne et

pour K=3. La figure 1 montre comment (en 3 étapes, de gauche à droite) une nouvelle
observation est attribuée à la classe 2, son voisinage étant composé de 3 observations
appartenant à la classe 2. La figure 2 montre comment une nouvelle observation est attribuée
à la classe 2, son voisinage étant composé de 2 observations appartenant à la classe 2 et d'une
observation appartenant à la classe 1. [GUIW19]

82
Annexe L’algorithme des k-plus proches voisins

Figure A.2 : Classification d'une nouvelle observation : les 3 plus proches voisins appartiennent à la classe 2.
[GUIW19]

FigureA.3 : Classification d'une nouvelle observation : 2 des 3 plus proches voisins appartiennent à la classe 2.
[GUIW19]

7. Limitations de K-NN
K-NN est un algorithme assez simple à appréhender [BEZ18]. Principalement, grâce au
fait qu’il n’a pas besoin de modèle pour pouvoir effectuer une prédiction. Le contre coût est
qu’il doit garder en mémoire l’ensemble des observations pour pouvoir effectuer sa
prédiction. Ainsi il faut faire attention à la taille du jeu d’entrainement.

Également, le choix de la méthode de calcul de la distance ainsi que le nombre de

voisins K peut ne pas être évident. Il faut essayer plusieurs combinaisons et faire du tuning de
l’algorithme pour avoir un résultat satisfaisant.

83
 Bibliographie

Bibliographie
[BAI04] BAI, H LIU C.”A hybrid license plate extraction method based on edge statistics
and morphology in :proceedings of the 17th international conference on pattern
recognition” vol 2, pp, 831 ,23-26Aug 2004

[BEA04] Beatriz, A”Experiments in image segmentation for automatic US license plate

recognition.” Dissertation, Virginia Polytechnic Institute and state university 2004

[BEN18] Ben khalfa Ismail, " Réalisation d’un système de contrôleautour de Raspberry Pi
pour ladomotique", Mémoire de Master en électronique (Electronique des systèmes
embarqués), Université Mohamed Khider Biskra, Juin 2018.

[BER15] Maïtine Bergounioux, " Introduction au traitement mathématique des images –

méthodes determinists", Edition Springer, 2015.

[BEZ18] Younes Benzaki, ”Introduction à l’algorithme K Nearst Neighbors (K-NN)”, Article

sur le blog Mr. Mint, Octobre 2018, consulté le : 15-06-2019.
U.R.L. : https://mrmint.fr/introduction-k-nearest-neighbors

[BRO05] Broumandnia A, Fathy M :”Application of pattern recognition for Farsi license

plate recognition ” In Vision and image processing (GVIP) December 2005.

[CHE07]. Mohamed cheriet, Nawwaf kharma, Cheng lin liu, Ching y suen, " Character
Rocognition System" 2007

[CHH09] Ameur CHHAYDER et Imene BELHADJ MOHAMED, "Système

deReconnaissance Automatique des PlaquesMinéralogiques", Communication, 5th
International Conference: Sciences of Electronic, Technologies of Informationand
Telecommunications, Tunisie, Mars 2009.

[CHO03] Chacon I , Zimmerman A”License plate location based on a dynamic PCNN

schema ” In : proceedings of the international join conference on neural networks,
Vol 2 pp 1195-1200, 20-24 July 2003.

[COP19] Yannick Copin, "Analyse scientifique avec Python", Cours en ligne, Février 2019.
URL : https://buildmedia.readthedocs.org/media/pdf/informatique-
python/m2/informatique-python.pdf

[DAI01] Dai, Y., Ma, H., Liu, J., Li, L.:, “A high performance license plate recognition system based
on the web technique”. In: Proceedings of IEEE Intelligent Transportation Systems, pp.
325–329 (2001)

[DIA04] Lingrand Diane, " COURS DE TRAITEMENT D’IMAGES", Rapport de

recherche, Laboratoire I3S, Univeristé de Nice, Janvier 2004.

[DLA02] Dlagnekov, L., “Video-based car surveillance: License plate makes, and model
recognition”. Dissertation, U.C. San Diego. AdaBoost and a detector cascade. In: NIPS,
vol. 14 (2002).

84
 Bibliographie

[DUP10] Eve Mathieu-Dupas, "Algorithme des k plus proches voisins pondérés et application
en diagnostic", Article au 42èmes Journées de Statistique, Laboratoire INRIA 2010,
Marseille, France.

[DVA05] David, L., Andres, M., Vicente, P., Juan,V.: “Car license plates extraction and recognition
based on connected components analysis and HMM decoding”. In: IbPRIA, vol. 1, pp.
571–578 (2005)

[EBO] Contributeurs de Stack Overflow, "Apprenez OpenCV", eBook gratuit.

URL : https://riptutorial.com/Download/opencv-fr.pdf

[ELL90] Elliman, G., Lanxaster, T.: “A review of segmentation and contextual analysis techniques
for text recognition”. In: Pattern Recognition, vol. 23, No. 3337–346 (1990).

[ETC08] J P Gastellu-Etchegorry,"Acqisition et traitement d'image numerique", Avril 2008

[FUC19] Patrick Fuchs et Pierre Poulain, "Cours de Python", Cours de Université Paris
Diderot-Paris 7 – Paris – France, Mai 2019.
URL : https://python.sdv.univ-paris-diderot.fr/cours-python.pdf

[GUIW19] Adrien Guille, ”Méthode des k plus proches voisins”, Cours en ligne, Université
Lyon 2, consulté le : 15-06-019.
U.R.L. : http://mediamining.univ-
lyon2.fr/people/guille/m4101/k_plus_proches_voisins.html

[HEB17] Patrick Hébert et Denis Laurendeau, "Traitement des images (Partie 1: pré-
traitement)", Cours de traitement d’images, Université Laval, Mai 2017.
URL :http://wcours.gel.ulaval.ca/2017/a/GIF4100/default/5notes/A2017TraitementI
magesPartie1PageWeb.pdf

[JFC86] J.F Canny ” A computational approach to edge detection ” ,IEEE transaction on

pattern analysis and machine intelligent, November 1986

[JSE82] J.Serra, “Image Analysis and Mathematical Morphology”, Academic Press, London, 1982.

[JXI05] JXifan, S., Weizhong, Z., Yonghang, S., “Automatic license plate recognition system based
on color image processing”. ICCSA4, 1159–1168 (2005).

[LUD13] Simon Ludovic, "Systèmes et équipementsde lecture automatique de plaques

d'immatriculation des véhiculesPrincipes et aperçu des applications", Rapport
d'études, SETRA, Ministère de l'Ecologie – du Développement durable et de
l'Energie – France, Mai 2013.

[MAT05] Matas, J., Zimmermann, K., “Unconstrained licence plate Detection”, In: Proceedings of
the 8th International IEEE Conference on Intelligent Transportation Systems.pp. 572–577,
isbn 07803-9216-7, Wien Austria (2005)

[MAZ18] Vincent Mazet, "Traitements et outils de base", Cours de la matière Outils

fondamentaux en traitements d’images,Université de Strasbourg, 2018-2019.

[NIJ95] Nijhuis, J., Brugge, M., Helmholt, K., Pluim, J., Spaanenburg, L., Venema,R., Westenberg
M., “Car license plate recognition with neural networks and fuzzy logic”, In: Proceedings
of IEEE Inter-national Conference on Neural Networks, vol. 5, pp. 2232–2236(1995)

85
 Bibliographie

[NOR17] NOR Imane et SIDHOUM Souad, "Développement d'une application dedétection et

de reconnaissance de plaquesd'immatriculation(LAPIA)", Mémoire Master en
Informatique (SIC), Université Abou BakrBelkaid– Tlemcen, Juillet 2017.

[OTS79] Otsu, N.: A threshold selection method from Gray level histograms. In: IEEE Transactions
on Systems, Man, and Cybernetics, vol.SMC-9, pp. 62–66 (1979)

[PAJ17] AshwinPajankar, " Raspberry Pi, Image Processing, Programming", Edition APress,
2017.

[PAM02] P. A. Mlsna and J. J. Rodriguez, ’’Gradient and Laplacian type edge detection’’, In
handbook of Image and Video Processing, Academic Press (2002)).

[PAR96] Parker, J., Federl, P., “An approach to license plate recognition”. In: Computer Science
Technical reports, University of Calgary, Alberta Canada, 591–11, October (1996).

[PAU1] Ian Paul, "8 projets Raspberry Pi vraiment innovants", Article sur web, TOUTE
L'ACTUALITÉ / HARDWARE, publié le 28 Juin 2017.
URL : https://www.lemondeinformatique.fr/actualites/lire-8-projets-raspberry-pi-
vraiment-innovants-68673.html

[SHY04] Shyang-Lih, C., Li-Shien, C., Yun-Chung, C., Sei-Wan, C.Automatic license plate
recognition. In: IEEE Transactions on Intelligent Transportation Systems, vol.5, No.1,
pp.42–53(2004)

[SUN17]. D Sundarajan, "Digital Image Processing", A signal processing and algorithmic

approach, 2017

[SWI10] Gérard Swinnen, "Apprendre à programmer avec Python 3", Edition Eyrolles
(Paris), 2010.
URL : http://inforef.be/swi/python.htm

[UPT17] EbenUpton, "Raspberry Pi, Le guide de l'utilisateur", Edition Dunod, 2017.

[WIRA19] Articl disponible sur: https://fr.wikipedia.org/wiki/Raspberry_Pi. La dernière

modification de cette page a été faite le 08 AVRIL 2019.

[WITR18] Articl disponible sur: https://fr.wikipedia.org/wiki/Traitement_d%27images, La

dernière modification de cette page a été faite le 12 décembre 2018.

86