CHAPITRE II : Détection et classification d’objets

1
CHAPITRE III : Implémentation et résultats

CHAPITRE III : Implémentation et résultats

Ce chapitre présente tout d’abord la partie logicielle et matérielle utilisée pour le développement de ce
projet, ensuite la partie test et résultats expérimentaux.

III.1 Environnement de développement

III.1.1 Environnement matériel

Afin de mener à bien ce projet, il a été mis à notre disposition un ensemble de matériels dont les
caractéristiques sont les suivantes :
Un ordinateur Dell avec les caractéristiques suivantes :
- Processeur: Intel(R) Core(TM) i5-4210U @ 1.70GHz
- RAM: 8, 00 Go
- Carte graphique : NVIDIA GeForce 820M - Système: Windows 7.
La Camera : Nous avons utilisé la camera Logitech C910.

III.1.2 Environnement logiciel

• Logiciel de développement : Matlab • Bibliothèque graphique : Matlab

Figure III.1 : Interface Matlab

III.2 Interfaces de l’application

2
CHAPITRE III : Implémentation et résultats
Cette interface graphique représente le menu principal de l’application que nous avons développé dans
ce projet.

1- Choisir une image

2- transférer l’image en niveaux de gris
3- Filtrer l’image
4- Binariser l’image
5- Extraire les chiffres des matricules
6- Détection en temps réel
7- Réinitialiser
8- Détection simple et directe
9- Zone d’affichage

III.3 Reconnaissance des plaques d’immatriculation

3
CHAPITRE III : Implémentation et résultats
Le travail que nous avons développé dans la cadre de ce projet, consiste à faire une
reconnaissance des plaques d’immatriculation en se basant sur les différentes étapes déjà
présentées à la figure II.2 dans le chapitre II. Les résultats de ces étapes sont comme suit :

Figure III.3 : Ouverture de l’application

4
CHAPITRE III : Implémentation et résultats

Figure III.4: Image originale

III.3.1 Conversion RVB en niveaux de gris

Dans cette étape l’image de la plaque d’immatriculation couleur est convertie en une image à
niveau de gris, dans le but de réduire les calculs et garder que la partie monochrome de
l’image couleur de la plaque. Le résultat de la conversion est représenté par la figure III.5

Figure III.5 : Image en niveaux de gris.

III.3.2 Filtrage d’images

5
CHAPITRE III : Implémentation et résultats
Dans cette phase l'image à niveau de gris est filtrée avec un filtre gaussien, dans le but de réduire le
bruit. Le résultat de filtrage est représenté par la figure III.6

Figure III.6 : Image Filtrée.

III.3.3 Binarisation d’images

Dans cette phase l'image à niveau de gris est binarisée avec la méthode d’étiquetage, dans le
but d’avoir de niveau (blanc et noir). Le résultat de la binarisation est représenté par la figure
III.7

6
CHAPITRE III : Implémentation et résultats

Figure III.7 : Image binarisée.

III.3.4 Etiquetage détection caractère

Dans cette partie, on a appliqué la méthode d’étiquetage afin d’extraire les des objets a une hauteur 34
≤ H ≤ 50 et la largeur 8 ≤ L ≤29.
Le résultat de la détection est indiqué par la figure III.8.

Figure III.8 : Détection de contours.

III.3.5 Base d’apprentissage

La reconnaissance des plaques d’immatriculation fonctionne avec une base de données des différents
chiffres d'images sauvegardées précédemment à partir d’une webcam. (Voir Figure
III.9)

7
CHAPITRE III : Implémentation et résultats

Figure III.9 : Echantillons de la base de données.

III.3.6 Classification

8
CHAPITRE III : Implémentation et résultats
Notre système de reconnaissance de plaque d’immatriculation est appliqué à l’image origine de
la figure III.4

Le résultat de cette application est présenté par la Figure III.10

Figure III.10 : Affichage du matricule. Affichage du résultat

de reconnaissance

III.4 Résultats expérimentaux

L'application a été testée en temps différé sur les images de test. Il était important de maintenir
les mêmes conditions d’éclairage et de distance de la webcam par rapport à la plaque
d’immatriculation afin de mieux conclure les résultats obtenus.
Et pour avoir de bons résultats, on a créé un sous-programme qui élimine les petits détails qui
peuvent influencer s la bonne détection des chiffres composant les plaques d’immatriculation
(taches, écrous, vis… etc.).

9
CHAPITRE III : Implémentation et résultats

pourcentage d'images %
Résultats de reconnaissance
80
reconnu
70
60
50
40
Non reconnu
30
20
10
0

Figure III.11 : Résultats de reconnaissance

III.5 Difficultés
Le logiciel doit être capable de gérer un grand nombre de difficultés possibles. Parmi ces difficultés :

• Faible résolution de l’image.

• Des images floues
• Un mauvais éclairage et un faible contraste à cause d'une surexposition, d'un reflet, ou
d'ombres.
• Un objet obscurcissant (une partie de la plaque), souvent une barre de remorquage, ou de la
poussière sur la plaque.
• Une police de caractère trop originale, chose fréquente sur les plaques fantaisie (certains pays
interdisent de telles plaques, ce qui élimine le problème).
• Autocollant sur les plaques qui savent traduit par des taches.
• Déférent plaques et des caractères (plaque en plastique, caractères en plastique, déférent type
police des chiffres)
• Existence des vis, rivet, symbole …….. etc.
• Plaques contient des chiffres effacer.
• Plaques mal nettoyées.

10
CHAPITRE III : Implémentation et résultats

Figure III.12: Plaques reconnues

11
CHAPITRE III : Implémentation et résultats

Figure III.13: Plaques non reconnues

12
CHAPITRE III : Implémentation et résultats

Figure III.14: Plaques non reconnues (binariséées)

Si certains de ces problèmes peuvent être résolus par un développement logiciel, la partie
matérielle du système doit apporter la plupart des solutions à ces difficultés. Augmenter la
hauteur de la caméra peut permettre d'éviter certains problèmes avec des objets (comme

13
CHAPITRE III : Implémentation et résultats
d'autres véhicules) obscurcissant la plaque, mais cela amène et augmente d'autres problèmes
tels que l'ajustement rendu nécessaire par la lecture de biais de la plaque.

De nombreux pays ont adopté des plaques réfléchissantes. Elles renvoient la lumière vers sa
source et augmente ainsi le contraste de l'image. Dans certains pays, les caractères sur la
plaque ne sont pas réfléchissants, ce qui apporte un haut niveau de contraste avec le fond
réfléchissant dans n'importe quelle condition d'éclairage. Une caméra qui fait usage de
l'imagerie infrarouge (avec un filtre couleur normal sur l'objectif et une source de lumière
infrarouge à proximité) bénéficie grandement de ce phénomène car les ondes infrarouges sont
réfléchies par la plaque. Cela n'est possible qu'avec des caméras spécifiques à la lecture
automatique de plaques minéralogiques. C'est pourquoi la plupart des caméras standards
doivent être reliées à un logiciel plus puissant. De plus, quand une image en vraies couleurs
est nécessaire en plus de la reconnaissance de la plaque, il est nécessaire de coupler une
caméra infrarouge avec une caméra normale (couleur).

Pour éviter le flou, il vaut mieux régler la vitesse d'obturation d'une caméra spécifique au
1/1000 de seconde. Parce que la voiture se déplace, des vitesses trop lentes peuvent donner
une image trop floue pour pouvoir être traitée par le logiciel d'OCR, particulièrement si la
caméra est beaucoup plus haute que le véhicule. Dans un trafic à faible vitesse, ou quand la
caméra est à un niveau inférieur, la vitesse d'obturation n'a pas besoin d'être aussi rapide. Des
vitesses de 1/500 peuvent permettre de traiter un trafic se déplaçant à 64 km/h et 1/250 jusqu'à
8 km/h.

Certains systèmes à petite échelle s'autorisent des erreurs dans la lecture de la plaque. Quand
on les utilise pour donner accès à une zone fermée par des barrières réservée à des véhicules
spécifiques, la décision peut être prise de tolérer un niveau d'erreur acceptable dans la lecture
des caractères. Cette position s'explique par la faiblesse de la probabilité de voir une voiture
non autorisée se présenter avec une plaque qui pourrait être confondue. Pourtant, ce niveau
d'imprécision ne serait pas acceptable dans la plupart des applications.

III.6 Application
• Les passages de frontière.

14
CHAPITRE III : Implémentation et résultats
• Les stations-service (enregistrement quand un client part sans payer).
• Le contrôle d'accès des parkings ou routes privées: ouverture automatique, ou enregistrement de
l'entrée .
• Un outil de marketing pour enregistrer les modes de consommation.
• Les systèmes de gestion de la circulation, qui calculent la vitesse de circulation en mesurant le
temps entre les passages devant deux points de lecture.
• Comparer les plaques d'immatriculations au Fichier des véhicules volés (FVV).

• Comparer les plaques d'immatriculations au Système d'information Schengen.

15
Conclusion Générale

Conclusion Générale

Nous avons présenté dans ce mémoire une méthode de reconnaissance des plaques
d’immatriculations basée sur la vision par ordinateur. Nous avons présenté en premier lieu
des généralités sur le traitement d'images et détailler quelques outils de traitement que nous
avons utilisé dans nos programmes. En deuxième lieu, nous avons présenté la méthode de
reconnaissance avec toutes les étapes proposées en détaillant les algorithmes utilisés. En
troisième lieu nous avons présenté l'application créée avec l'implémentation et les résultats
des tests.

Pour réaliser un tel travail la première étape était la création d’une base d'images de
matricules afin de faire les tests. L'environnement étant très complexe, nous avons fait face au
problème de luminosité et éclairage, notamment l’ombre et la réflexion de la lumière sur les
matricules, aussi la distance par apport à la caméra, la focalisation, les tailles des chiffres et
leurs poses autocollant qui permettent de différents couleurs sur les plaques
d’immatriculation.

Nous avons aussi réussi à ajuster les paramètres du classifieur afin d'obtenir un taux de
reconnaissance maximal sur la base d'images utilisé. Les résultats étaient assez satisfaisants
ainsi que le temps de reconnaissance.

Au cours de ce projet et à travers le travail fait, nous avons pu acquérir beaucoup de

connaissances. Premièrement, nous avons utilisé les outils appris au cours de notre formation,
et enrichi nos connaissances dans le domaine du traitement d’image.

Nous proposons comme continuité à ce travail et ce dans le cadre d’un projet de fin d’études
d'étudier les problèmes cites ci-dessous concernant la détection pour rendre l'application
fonctionnelle, Nous estimons que notre module pourra être exploité dans des applications
industrielles.

Remerciements
16
Nous tenons à remercier en premier lieu Dieu le tout puissant qui nous a dotés de

toute la force nécessaire à l’aboutissement de ce mémoire.

Nous tenons à remercier nos promoteurs, Mr [Link] et Mr [Link] qui

nous ont fait bénéficier de leurs nombreuses et riches connaissances durant toute

la durée de ce travail.

Nous remercions les membres du jury; qui nous honorent par la lecture de notre

mémoire et de leur présence, le jour de notre soutenance.

Nous remercions toutes les personnes qui nous ont soutenus et aidés de près ou

de loin à l’élaboration du présent mémoire.

Nous tenons à exprimer notre reconnaissance également à l’ensemble des

enseignants de l’Université SAAD DAHLEB sans lesquels nous ne serions pas

arrivés là.

Dédicaces
Je dédie le fruit de mon travail à :

Mes chers parents ma mère et mon père pour leur patience, leur amour, leur

soutien et leurs encouragements.

Mes frères et mes sœurs.

Mes très chers amis.

A mon binôme Youcef.

Tous les membres de notre groupe ‘’ Système de Vision et Robotique’’ Ainsi qu’a

tous mes amis d’étude

Sans oublier tous les professeurs que ce soit du primaire, du moyen, du

secondaire ou de l’enseignement supérieur.

SAMIR

Dédicaces
J’ai le grand plaisir de dédier le fruit de mes années d’études aux êtres qui me

sont les plus chers, mes parents.

A ma mère qui s’est donnée tant de mal pour moi et qui ma offerte amour et

soutien depuis mon premier souffle.

A mon cher père pour avoir mis tous les moyens à ma disposition pour compléter

mes études.

A mes chers frères et mes chères sœurs ainsi que toute ma famille.

A mon binôme SAMIR.

A mes très chers amis du groupe SVR et ELCTRONIQUE .

A tous ceux qui ont su m’apporte aide et soutient aux moments propices.

YOUCEF

‫يقخزح العول الوعزوض في هذه الوذكزة حال لعدة هشاكل حسخعول فيها لىحاث‬:‫ملخص‬

‫ حيث اسخعولج حقنياث و طبقج بزاهج هن خاللها حن الخعزف و اسخخزاج‬.‫الوفاحيح الزقويت‬

. .‫األرقام الوكىنت للىحاث الوفاحيح و في ظزوف هعزقلت هخخلفت‬

Résumé : Le travail présenté dans ce mémoire consiste à la conception et réalisation d’un
système de reconnaissance de plaques d’immatriculation de véhicules. Il repose principalement
sur les techniques du traitement d’image pour la reconnaissance à partir des images fixes puis
en temps réel à partir d’une séquence vidéo. Afin de réaliser ce travail, on a essayé de trouver
des techniques et créer des programmes qui nous aident à extraire les chiffres composant les
plaques d’immatriculation.

Abstract: The work presented in this paper offers a solution to problems using the license
plates of vehicles. From this work , we tried to find techniques and create programs that help to
extract the digits of the license plate

Listes des Acronymes et Abréviations

LAPI : Lecture Automatique de Plaques Immatriculation

PAO : Publication Assistée par Ordinateur

RVB : Rouge, Vert, Bleu

CMJN : Cyan, Magenta, Jaune, Noir

TSL : Teinte, Saturation, Luminance

BMP : Bit MaP

JPEG : Joint Photographic Expert Group

GIF : Graphics Interchange Format

TIFF : Tagged Image File Format

PNG : Portable Network Graphic

SVG : Scalable Vector Graphics

PPP : Points Par Pouce

MM : Morphologie Mathématique

OCR : Optical Character Recognition

CMOS : Complementary Metal Oxide Semi-conductor

CCD : Charge Coupled Device

ECC : Etiquetage en Composantes Connexes

FVV : Fichier des Véhicules Volés

CSM : COMPLEMENTARY SIMILARITY MEASURE

Table des matières

Introduction Générale…………………………………….……………………………….…..15

CHAPITRE I : Généralités sur le traitement d’image………..…..17

I.1 Introduction………………………………………………………….….....17

I.2 Image numérique……...…..……………………………………………....17

I.2.1 Types d’images…………………………………………………………...……………..17

I.2.1.a Images matricielles……………………………………………………..………………18

I.2.3 Format d'image …………………………………………………………….……….….29

I.2.4 Caractéristiques d'une image numérique …………………………….……………....…30

I.3 Système de traitement d'image ………………………..………….…...…35

I.3.1 Acquisition et numérisation ………………………………..……………….…………..35

I.3.2 Filtrage…………………………………………..………………………………………35

I.3.3 Seuillage……………………………………………………...…………………………..42

I.3.4 Segmentation ………………………………………………………………...…………..44

I.4 Quelques applications concrètes de traitement d'images ………..……..45

I.5 Conclusion ……………………………………………………...………….46

CHAPITRE II : Détection et classification d’objets………………47

II.1 Introduction………………………………………………………….…...47

II.2 Méthode proposée ………………………………………………………..48

II.2.1 Acquisition d’image…………………………………………………….……………….49

II.2.2 Conversion RGB vers niveaux de gris…………………………….……………………..49

II.2.3 Filtrage……………………………………………………………….…………………..49

II.2.4 Binarisation locale………..………………….…………………………………………..49

II.2.5 Etiquetage…………..…………………………………………………………………...50

II.2.6 Classification………………………………………….…………………………………50

II.2.7 Décision ……..………………………………..…………………………………………55

II.3 Prétraitement…..……………………..……………………………………55
II.3.1 Conversion RVB vers niveau de gris……………………………………………………56
II.3.2 Filtrage ..……………………………………………………………………...……..…56

II.3.3 Binarisation locale (NIBLACK) .……………………………………………...………...57

II.4 Etiquetage……………………………………….………………………58
II.4.1 Présentation….…………………………………………………………..………………58

II.4.2 Principe et origines……...………………………………………………………………58

II.5 Base de données…..………………………………………………………61

II.6 Conclusion…..……….…………………………………………………..61

CHAPITRE III : implémentation et résultats…….…………….…62

III.1 Environnement de développement………………………………….…62
III.1.1 Environnement matériel…….……………………………………………………….…62

III.1.2 Environnement logiciel ….………………………………………………………….…62

III.2 Interfaces de l’application………………………………………………63

III.3 Reconnaissance des plaques d’immatriculation……………………….64

III.3.1 Conversion RVB en niveau de gris …….………………………………………………65

III.3.2 Filtrage d’images………….…………………………………………………………….66

III.3.3 Binarisation d’images……….…………………………………………………………..66

III.3.4 Détection des contours (étiquetage)……………………………………………………67

III.3.5 Base d’apprentissage……….…………………………………………………………..67

III.3.6 Classification ………………………………………………………………………...…69

III.4 Résultats expérimentaux…………………………………………………69

III.5 Difficultés …………………………………………………………………70

III.6 Application…...………………………………………………….………..75

Conclusion Générale ……………...…………………………………….…..…76

Bibliographie…………………………………………………………….……...77
Liste des figures

Figure I.1 : Image en noir et blan................................................................................ ................

19

Figure I.2 : Valeurs des niveaux de gris et teintes correspondantes. ..........................................

19

Figure I.3 : Le modèle à niveaux de gris ....................................................................................

20

Figure I.4 : Image à 256 niveaux de gris (taille : 336 ko) ...........................................................
21

Figure I.5 : Image à 16 niveaux de gris (taille : 170 ko) .............................................................

21

Figure I.6 : la synthèse additive ..................................................................................................

22

Figure I.7 : Triangle chromatique ...............................................................................................

23
Figure I.8 : Axe achromatique .....................................................................................................
23

Figure I.9 : Le modèle de couleur RVB .....................................................................................

23

Figure I.10 : la synthèse soustractive ..........................................................................................

24

Figure I.11 : Image originale .......................................................................................................

25

Figure I.12 : Le cercle chromatique. ...........................................................................................

26

Figure I.13 : Teinte ......................................................................................................................

26
Figure I.14 : Couleurs avec différentes saturations. ....................................................................
27

Figure I.15 : Saturation ...............................................................................................................

27

Figure I.16 : L'axe de la luminance. ............................................................................................

28

Figure I.17 : Luminance ..............................................................................................................

28

Figure I.18 : Image "fleur" ..........................................................................................................

30

Figure I.19 : Zoom de l'image 'fleur' ...........................................................................................

30

Figure I.20 : Image bruitée ...…………………………………………………………………31

Figure I.21 : exemple d’histogrammes pour une même image plus ou moins bien exposée .....
32

Figure I.22: Histogrammes des trois plans couleur ....................................................................

33

Figure I.23: Résultat du Contraste……...………………………………………………………34

Figure I.24: Système de traitement d'image ................................................................................

35 Figure I.25: Application du filtre moyenneur
(lissage) ............................................................... 36

Figure I.26: Principe du filtre médian .........................................................................................

38

Figure I.27 : Principe du filtre maximum ....................................................................................

39

Figure I.28 : Principe du filtre minimum ...................................................................................

39

Figure I.29: (A) Image originale ; (B) Résultat d’une ouverture ...............................................
41

Figure I.30: (A) Image originale ; (B) Résultat d’une fermeture ................................................
41

Figure I.31 : Exemple d'un seuillage. ..........................................................................................

42
Figure I.32 : Seuillage d'une image couleur ................................................................................
42

Figure I.33 : Problème de seuillage global ..................................................................................

43

Figure II.1: organigramme d'un système de reconnaissance de forme ...........................................

47

Figure II. 2: Organigramme de la méthode proposée. ...................................................................... 48

Figure II.3 : x et y en niveaux de gris.....……………………………………………………….52

Figure II.4 : x et y binarisées….………………………………………………………………..52

Figure II.5 : comparaison et indices de similarité.……..…………………………………………………………..52

Figure II.6: exemple de calcul de similarité…..………………………………………………..54

Figure II.7: Image d'une plaque d’immatriculation……………………………………………55

Figure II.8: Application de Conversion RVB vers niveau de gris……………………………..56

Figure II.9: Application du filtre de GAUSS..………………………………………………..57

Figure II.10: Résultat de la binarisation locale………………………………………………...57

Figure II.11 principe d’étiquetage ……………………………………………………………..60

Figure II.12 exemple de base de données………………………………………………………61

Figure III.1 : Interface Matlab ..............................................................................................................

62

Figure III.2 : Interface application .......................................................................................................

63

Figure III.3 : Ouverture de l’application .............................................................................................

64

Figure III.4 : Image originale ............................................................................................................... 65

Figure III.5 : Image à niveau de gris. ..................................................................................................

65

Figure III.6 : Image Filtrée. .................................................................................................................. 66

Figure III.7 : Image binarisée. ..............................................................................................................

67
Figure III.8 : Détection de contours. ................................................................................................... 67

Figure III.9 : Echantillons de la base de données. .............................................................................

68

Figure III.10 : Affichage du matricule. ...............................................................................................

69

Figure III.11 : Résultats de reconnaissance… …………………………………………...…...70

Figure III.12 Plaques reconnues.... ………………………………………………………......71

Figure III.13 Plaques non reconnues …………..………..………………………………...…72

Figure III.14 Plaques non reconnues (binarisées)………..………………………………...…73

Liste des tableaux

Tableaux I.1 : Principe codage de la couleur..............................................................................24

Tableaux I.2 : Principaux formats d’image................................................................................29

Tableaux I.3 : Tableau des applications concrètes de traitement d'images.................................46

Tableau II.1 : Résultat de calcul de CSM.................................................................................54

Bibliographie

Bibliographie
[1] [Link]
[2] [Link]
understandingfirefly.
[3] Appendix A: The 'Centre de Morphologie Mathématique', an overview" by Jean Serra,
in (Serra et al. (Eds.) 1994), pgs. 369-374. [4] Jean Serra, Ecole des Mines de Paris, 2000.
[5] B. Gugger, des photos : première approche de Photo filtre lexique_images.odt - TICE
CRDP Bourgogne, Avril 2006.
[6] M. Khouadjia, H. Khanfouf, and S. Meshoul. Une approche adaptative pour la
segmentation d’images : Implémentation sur la plate-forme multi-agents netlogo. [7] [Link]
and R. Manmatha. Document image clean-up and binarisation. Proceedings of IS&T/SPIE
Symposium on Electronic Imaging, 3305:263–273, 1998.
[8] J. Bernsen. Dynamic thresholding of grey-level images. In Proc. Eighth Int ’l Conf. on
Pattern Recognition, pages 1251–1255, 1986.
[9] W. Niblack. An introduction to digital image processing. Prentice Hall, July 1986.
[10] Hadjila Feth Allah et Bouabdallah Réda, Reconnaissance des visages en utilisant les
réseaux de neurones. Mémoire d’ingénieur. Université de Tlemcen. 2003.
[11] I. Bloch, Y. Gousseau et H. Maitre, Le traitement des images. Département TSI –
Télécom-Paris.2004
[12] Yoann Sculo, Introduction au traitement d’images Détection de contours et
segmentation. Université de technologie de Troyes.2009
[13] Sébastien THON. Imagerie Numérique Représentation et codage des images. Institut
universitaire de technologie. Licence Pro. Marseille université. 2014.
[14] John Canny. A computational approach to edge detection. Pattern Analysis and
Machine Intelligence, IEEE Transactions on, PAMI-8(6):679–698, Nov. 1986.
[15] Suzuki, S. and Abe, K., Topological Structural Analysis of Digitized Binary Images by
Border Following. CVGIP 30 1, pp 32-46 (1985)

[16] P. BONNET Cours de Traitement d'Image USTL. [Link]

[Link]/~bonnet/image/[Link].
 78

Bibliographie

[17] [Link]

[18] Navneet Dalal and Bill Triggs, Histograms of Oriented Gradients for Human Detection
Conference on Computer Vision and Pattern Recognition, 2005.

[19] Pattern Recognition Lab 5. //[Link]/~raluca/prs/prs_lab_05e.pdf.

[20] Histogram of oriented gradients.

[Link]

[21] Alpaydin, Ethem, Introduction to Machine Learning. MIT Press. p. 9. 2010

[22] https/[Link]./en/[Link]

[23] [Link], “the nature of statistical learning“, [Link]-Verlag, New York, USA,
1995.

[24] [Link]
78