Introduction
Contexte
Ces dernières années, le nombre de véhicules a augmenté d’une manière très rapide, vue le
développement de l'industrie et de la population. Cette évolution a engendré de nombreux
problèmes : les embouteillages, la violation des règles de feux de signalisation, et les
accidents. Les systèmes de contrôle des feux de circulation sont largement utilisés pour
surveiller et contrôler le flux des automobiles à la jonction de nombreuses routes et visent à
permettre un mouvement fluide des véhicules. Malheureusement, les systèmes de contrôle des
feux de circulation sont allègrement violés par certains usagers de la voie publique, soit par
ignorance soit par incivisme. Cette violation est source de plusieurs accidents de circulation
dont certains sont mortel.
Selon l’Organisation mondiale de la Santé (OMS), le nombre des morts sur les routes
continue d’augmenter et atteint 1,35 million par an. [] Le Rapport de situation de l’OMS sur
la sécurité routière dans le monde en 2018 souligne que les accidents de la route sont
désormais la principale cause de mortalité chez les enfants et les jeunes de 5 à 29 ans.
L'OMS souligne également que la situation s’est améliorée dans les pays riches, pas un seul
pays à faible revenu n’a enregistré une réduction du nombre total de décès, en grande partie à
cause de manque de mesures pour améliorer la sécurité, selon le rapport. Le risque de
mortalité routière reste ainsi trois fois plus élevé dans les pays à faible revenu que dans les
pays à revenu élevé ; avec les taux les plus élevés en Afrique (26,6 pour 100.000 d’habitants)
et les plus bas en Europe (9,3 pour 100.000 d’habitants). Depuis la dernière édition du rapport
il y a trois ans, trois régions dans le monde ont enregistré une baisse des taux de mortalité sur
les routes : les Amériques, l'Europe et le Pacifique occidental, la plus forte réduction ayant été
observée dans le Pacifique occidental. [23]
C’est dans ce contexte que ce projet se place dans le cadre de la sécurité routière, et plus
précisément dans la détection et la reconnaissance de plaques d’immatriculations des voitures
qui grillent le feu de signalisation.
L’IA (Intelligence artificielle) est aujourd'hui largement utilisée dans plusieurs domaines, en
particulier dans le domaine de la vision par ordinateur et du traitement d’image pour la
détection d'objets dans une image ou une vidéo capturée numériquement en temps réel. Les
méthodes d’apprentissage en profondeur les plus efficaces font appel à des réseaux de
neurones convolutifs (CNN), d’après plusieurs travaux réalisés par [1] [2] [8] [12] [5] [9]. Les
CNN qui prennent en charge l’algorithme de détection, ont une précision plus élevée et une
vitesse plus rapide comparé à d’autres algorithmes de détection de cible traditionnels. [9]
C’est dans ce contexte que, les systèmes de détection automatique offrent des avantages plus
efficaces et des techniques que les systèmes traditionnels de surveillance du trafic. Ainsi, la
détection de la plaque d’immatriculation fait partie d’un plus grand domaine qui est la
détection d’objets au sein des images et des vidéos [1]. L’une des approches les plus connues
dans ce domaine est l’apprentissage en profondeur (le deep learning). En effet, le deep
learning bénéficie des modèles des réseaux de neurones artificielles qui sont connus pour
leurs capacités d’apprentissage, de mémorisation, mais surtout de traitement des données
incomplètes.
Problématique
Dans l’optique de réduire les accidents routiers, les réseaux de neurones sont devenus les
modèles déterminant de l’apprentissage en profondeur grâce à leur puissance et leur
évolutivité. D’où l’utilisation de l’apprentissage profond pour la détection de la plaque
d’immatriculation des véhicules qui grillent les feux de signalisation.
La détection et la reconnaissance automatique des plaques d'immatriculation est un sujet de
recherche fréquent en raison de nombreuses applications pratiques, telles que l'application du
code de la route, le contrôle d'accès aux espaces privés, la surveillance du trafic routier et bien
d’autres. Pourtant, elles sont confrontées à des problèmes d'images floues, d'images capturées
la nuit, d'images de mauvaise qualité.
En intelligence artificielle, le passage de perceptron multicouche (MLP) au deep learning est
dû à la capacité des réseaux de neurones profonds à traiter des données de manière plus
complexe et profondeur. Dans [6], les auteurs ont utilisé un modèle de réseaux de neurones dit
: perceptron multicouche (MLP) dans lequel le taux d'erreur est différent pour chaque
ensemble d'entraînement d'images dont ils suggèrent que d’autres outils neuronaux puissent
être exploités tel que le « deep learning ».
Le passage du traitement d’image au deep learning pour la détection et la reconnaissance des
plaques d’immatriculation a été une avancée significative, les techniques de l’apprentissage
en profondeur ont montré une performance impressionnante. Dans [4] [5], les auteurs ont
mené une étude comparative entre l’algorithme pour le traitement d’image et l’algorithme
d’apprentissage approfondie dont les résultats montrent que l’apprentissage approfondi était
plus précis, rapide, performant et fonctionnant en temps réel.
Plusieurs modèles d’algorithme d’apprentissage en profondeurs, tels que Faster R-CNN [2],
SSD MobileNet [2] [13], MobileNet SSDv2 [10], YOLO v2 [22], YOLOv3 [9], YOLOv4
[12] [16], dont les travaux traitent les problèmes de la détection et la reconnaissance de
caractères de la plaque d’immatriculation dans différents types d'environnements. Chacune de
ces méthodes présentent des performances plus ou moins différentes.
Cela nous amène à s’interroger lequel de ces modèles est le plus adéquat à être utilisé pour la
détection et la reconnaissance en temps réel des plaques d’immatriculation des voitures qui
grillent le feu de signalisation ?
Le numéro d’immatriculation des véhicules représente un moyen efficace pour identifier les
propriétaires, la détection et la reconnaissance automatique de caractères sur une image
enregistrée dans des mauvaises conditions est le véritable problème pour identifier la plaque
d’immatriculation ?
Quelle méthode utilisée pour obtenir une haute précision de détection et la reconnaissance des
caractères de la plaque d’immatriculation des voitures qui grillent le feu de signalisation ?
Revoir les interrogations pour juste avoir une seule question principale
Objectif
Pour donner une réponse à la problématique, plusieurs études et recherches doivent être faites
dans le cadre de l’utilisation du deep learning plus précisément des modèles de réseaux de
neurones convolutif pour la détection et la reconnaissance des plaques d’immatriculation.
L'objectif de ce projet est de pouvoir détecter et reconnaitre les plaques d'immatriculation
tchadiens extrait en temps réel à partir d’une image de véhicule, qui grille le feu de
signalisation avec une grande précision, en utilisant les apprentissages profonds et
particulièrement les réseaux neurone a convolution (CNN)
Ainsi, le système aide à identifier le numéro de la plaque d’immatriculation de la voiture qui
grille le feu de signalisation à partir d’une image, ce qui permettraient la communication du
matricule à la base de données pour l’extraction des renseignements relatif au véhicule et à
son propriétaire.
Formuler directement l’objectif principal et les objectifs spécifiques
Méthodologie
Décrire la méthodologie qui n’est rien d’autre que l’étape à suivre :
Tout d’abord
Ensuite
Et enfin
Organisation du mémoire
Ce mémoire est organisé en quatre chapitres :
Le premier chapitre présente une généralité sur la détection d’objets, les concepts relatifs au
deep learning et aux réseaux de neurones, ainsi qu’une introduction aux systèmes de détection
des plaques d’immatriculation.
Le deuxième chapitre présente les différentes approches deep learning dans le domaine de la
détection des plaques d’immatriculation et un état de l’art sur les travaux de recherche
connexes, une étude comparative entre les différents types d’approches, afin d'expliquer le
choix de la méthodologie adoptée.
Le troisième chapitre présente la méthode que nous avons proposée pour la détection et la
reconnaissance de la plaque d’immatriculation tchadienne.
Le quatrième chapitre est consacré à l’implémentation de notre travail et la présentation des
résultats obtenus.
Et pour terminer, une conclusion générale et d’éventuelles perspectives.
20 /02/2023 12h16 Détection d'objet — Wikipédia ([Link]) [20 ]
La route tue toujours plus : voici le bilan mondial annuel - La DH/Les Sports+ ([Link]) [23]
