République Algérienne Démocratique et Populaire

Ministère de l’enseignement supérieur et de la recherche scientifique

Université 8Mai 1945 – Guelma
Faculté des sciences et de la Technologie
Département d’Electronique et Télécommunications

Mémoire de fin d'étude

pour l’obtention du diplôme de Master Académique

Domaine : Sciences et Technologies

Filière : Electronique
Spécialité : Instrumentation

Reconnaissance automatique des plaques d’immatriculation

Présenté par :
------------------------------------------
TOUAMRIA KHALID
----------------------------------------------

Sous la direction de :

-----------------MENASRIA AZZEDDINE--------------------

Juillet 2019
 Dédicaces
Je dédie ce modeste travail a mes chers parents

que je les remercie pour leur aides et leur

patience.

A ma sœur et mon frère à qui je souhaite un

avenir prospère.

A ma famille sans exception.

Aussi je dédie ce mémoire :

A tous mes enseignants.

A tous mes amis proches

A toutes les personnes qui m'ont aidé.

 Remerciements
Avant tout on remercie le Dieu tout puissant pour sa
générosité de nous donner la santé, la volonté et
La patience tout au long de la vie

Ensuite, nous adressons nos sincères remerciements a nos

enseignants ; sans oublier aussi leurs conseils permanents,
leur orientations efficaces et leur grande patience.
On tient à exprimer notre profonde gratitude aux membres de
jury.

Nous remercions avec sincérité toutes les personnes qui ont

contribué de prés ou de loi à la réalisation ce travail.
Résumé
La reconnaissance des plaques d’immatriculation (RPI) est devenue très important dans notre
vie quotidienne en raison de la croissance illimité des voitures et des systèmes de transports,
ce qui rend impossible la gestion et la surveillance de nombreux domaines, tel que la sécurité
routière, la gestion des parkings, la poursuite des criminels. Dans ce mémoire nous
présenterons un système de RPI Algériennes. Comme tout système de RPI nous allons passer
par un ensemble d’étapes, nous commençons d’abord par capturer l’image de véhicule, et en
la convertissant en une image au niveau de gris, puis en effectuant une méthode de détection
de contours, Les numéros de la plaque d’immatriculation sont ensuite extraits à l'aide du
processus de segmentation afin d’être analyser par un système de reconnaissance de caractères
en basant essentiellement sur une méthode de corrélation qui permet la comparaison entre les
données obtenues et les données stockées dans leur base de données afin d’arriver à un
meilleur résultat le plus rapidement possible.

Abstract

License Plate Recognition (LPR) has become very important in our daily lives due to the
unlimited growth of cars and transportation systems, making it impossible to manage and
monitor many areas by humans, such as road safety, car park management, prosecution of
criminals. In this thesis we will present an Algerian LPR system. Like any LPR system we
will go through a set of steps, we start firstly by capturing the vehicle image, and converting it
to a grayscale image, then performing an edge detection method, The license plate numbers
are then extracted using the segmentation process to be parsed by a character recognition
system, based primarily on a correlation method that allows for comparison between the data
obtained and the data stored in their database in order to arrive at a better result as quickly as
possible.

‫ملخص‬

‫أصبح التعرف على لوحات ترخيص السيارات أمرا مهما للغاية في حياتنا اليومية و ذلك راجع‬
‫ مما يجعل من المستحيل إدارة و مراقبة العديد‬،‫للنمو الغير محدود للسيارات و أنظمة النقل‬

،‫ إدارة مواقف السيارات و ملاحقة المجرمين‬، ‫ مثل السلامة على الطرق‬،‫من المجالات‬

‫ حيث نمر‬،‫ومن هنا نقدم في مذكرتنا نظام للتعرف على لوحة ترخيص السيارات الجزائرية‬
 ‫بمجموعة من الخطوات‪ ،‬نبدأ أولا بالتقاط صورة المركبة و تحويلها إلى صورة ذات مستوى‬

‫رمادي‪ ،‬ثم نقوم بتنفيذ طريقة اكتشاف الحواف‪ ،‬حيث يتم استخراج أرقام لوحة الترخيص‬

‫باستخدام عملية التجزئة ليتم تحليلها بواسطة نظام التعرف على الأحرف‪ ،‬مستندة أساسا‬
‫على طريقة الارتباط التي تتيح المقارنة بين البيانات التي تم الحصول عليها و البيانات‬

‫المخزنة في قاعدة البيانات الخاصة بيهم و ذلك من اجل التوصل إلى نتيجة أفضل في أسرع‬

‫وقت ممكن‪.‬‬
 LISTE DES FIGURES

Figure Nom de figure Page

Figure I.1 Quelques exemples de formes 2
Figure I.2 Système de reconnaissance des formes 4
Figure I.3 Etapes de classification 7
Figure I.4 Etape d’apprentissage du Méthode de correspondance de modèle 9
et de corrélation
Figure I.5 Phase de la classification du Méthode de correspondance de 9
modèle et de corrélation
Figure I.6 Le processus de numérisation des images effectué à l'aide de la 11
convolution
Figure I.7 Numérisation de l’image a l’aide de convolution 12
Figure I.8 Séparation des bonnes propriétés et de mauvaises propriétés 12
Figure I.9 Classification supervisé 13
Figure I.10 Les méthodes utilisées pour distinguer les modèles statistiques 14
Figure I.11 Composants de réseau de neurone artificiel 16
Figure II.1 Voiture dépassant la limite de vitesse 21
Figure II.2 Voiture dans un parking 22
Figure II.3 Voiture au péage 22
Figure II.4 Voiture au poste frontière 23
Figure II.5 Schéma de plaque d'immatriculation: AAA 111 23
Figure II.6 Schéma de plaque d'immatriculation: AA 111 AA 23
Figure II.7 Schéma de plaque d'immatriculation: AA 11111 23
Figure II.8 Schéma de plaque d'immatriculation: AAA 1111 and 1111 AAA 23
Figure II.9 Schéma de plaque d'immatriculation: AA/11-AA-11 24
Figure II.10 Schéma de plaque d'immatriculation: AA 1111 24
Figure II.11 Schéma de plaque d'immatriculation: AA 11 AAA 24
Figure II.12 Schéma de plaque d'immatriculation: AA AA 111 24
Figure II.13 Schéma de plaque d'immatriculation: 11-A-111111 24
Figure II.14 Schéma de plaque d'immatriculation: AA 1111 AA 24
Figure II.15 Schéma de plaque d'immatriculation: 111 AAA 24
Figure II.16 Schéma de plaque d'immatriculation: 1 AA 1111 24

I
Figure II.17 Schéma de plaque d'immatriculation: 11111 111 11. 25
Figure II.18 Les étapes d'un système RPI 25
Figure II.19 Types de réflexions 26
Figure II.20 Image obtenue avec une caméra infrarouge 26
Figure II.21 Image prise avec appareil photo HR 27
Figure II.22 Image numérique 2 dimension 27
Figure II.23 Image RVB, M * N * 3 28
Figure II.24 Image avant et après la conversion 28
Figure II.25 Les techniques de filtrages 29
Figure II.26 Les types des filtres 30
Figure II.27 Filtrage par filtre Median 31
Figure II.28 Filtrage par filtre Moyenneur 32
Figure II.29 Filtrage par filtre Gaussien 33
Figure II.30 Filtrage par filtre de Wiener 34
Figure II.31 Conversion en image binaire 35
Figure II.32 Les méthodes de détection de contours 37
Figure II.33 Exemples de connectivité de pixels 41
Figure II.34 Utilisation des méthodes de profils de projection 42
Figure III.1 Plaque d’immatriculation algérienne 46
Figure III.2 Organigramme du système de RPI 47
Figure III.3 Image originale 47
Figure III.4 Conversion l’image en niveaux de gris 48
Figure III.5 Filtrage d’image 48
Figure III.6 Binarisation d’image 49
Figure III.7 Détection des contours 49
Figure III.8 Algorithme de localisation de la plaque 50
Figure III.9 Localisation de la plaque 51
Figure III.10 Extraction de plaque d'immatriculation 51
Figure III.11 Suppression les objets indesirables 52
Figure III.12 Remplissage les objets trouvés 52
Figure III.13 Segmentation de la plaque 52
Figure III.14 Redimensionnement 52

II
Figure III.15 Algorithme de reconnaissance de caractères 53
Figure III.16 Modèles utilisés pour la correspondance de modèles 54
Figure III.17 Résultat final 54

LISTE DES TABLEAUX

Tableau Nom de tableau Page

Tableau II.1 Explication Filtrage médian 30
Tableau II.2 Avantages et inconvénients de méthodes d'extraction de la PI 40
Tableau II.3 Avantages et inconvénients méthodes de segmentation de la PI 43
Tableau III.1 Exemple de reconnaissance des plaques d’immatriculation 55
Tableau III.2 Comparaison d’autres résultats expérimentaux 57

III
 TABLE DE MATIERE

LISTE DE FIGURES ………………………………………………………………………....I

LISTE DES TABLEAUX…………...……………………………………………………….III
Sommaire……………..…………………………………………………….……………..…IV

INTRODUCTION GENERALE

1. INTRODUCTION ……………...…………………………………………………….1

CHAPITRE I
LA RECONNAISSANCE DES FORMES

I.1 INTRODUCTION .......................................................................................................2

I.2 QU’EST CE QU’UNE FORME ...................................................................................2

I.3 DEFINITION DE LA RECONNAISSANCE DES FORMES ......................................2

I.4 D’AUTRES DEFINITIONS ........................................................................................3

I.5 SYSTEME DE RECONNAISSANCE DES FORMES : ..............................................4

I.5.1 Monde physique .....................................................................................................4

I.5.2 Acquisition .............................................................................................................5

I.5.3 Prétraitement ..........................................................................................................5

I.5.4 Segmentation .........................................................................................................5

I.5.5 Extractions de primitives ........................................................................................6

I.5.6 Classification : .......................................................................................................6

I.6 METHODES DE RECONNAISSANCE DES FORMES .............................................8

I.6.1 Méthode de correspondance de modèle .....................................................................9

I.6.2 Méthode statistique .................................................................................................. 12

I.6.3 Approche syntaxique et structurelle..........................................................................14

IV
 I.6.4 Approche de réseaux de neurones ............................................................................ 15

I.7 APPLICATION DE RECONNAISSANCE DE FORMES ......................................... 16

I.8 CONCLUSION ......................................................................................................... 19

CHAPITRE II
RECONNAISSANCE DES PLAQUES D’IMMATRICULATION

II.1 INTRODUCTION ..................................................................................................... 20

II.2 HISTORIQUE DU DÉVELOPPEMENT D’UN SYSTEME DE RECONNAISSANCE

DE LA PLAQUE D’IMMATRICULATION ....................................................................... 20

II.3 ELEMENTS D’UN SYSTEME TYPIQUE DE RPI .................................................. 20

II.4 DOMMAINE D’APPLICATION DU SYSTEME DE RPI ........................................ 21

II.4.1. Application de la loi …………………………………………………….………….21

II.4.2. Accès au Parking .................................................................................................... 22

II.4.3. Barrières de péage automatiques .............................................................................22

II.4.4. Passage aux frontières ............................................................................................. 22

II.5 LES DIFFERENTES FORMES D’IMMATRICULATION DANS LE MONDE ....... 23

II.6 LES ETAPES D’UN SYSTEME DE RPI .................................................................. 25

II.6.1. Acquisition d'image ................................................................................................ 25

II.6.1.1.Utiliser une caméra infrarouge .............................................................................. 26

II.6.1.2.Utilisation d'un appareil photo numérique haute résolution (HR)........................... 26

II.6.2. Prétraitement ..........................................................................................................27

II.6.2.1. Conversion d'image Rouge, Verte, Bleu (RVB) en niveaux de Gris ..................... 27

II.6.2.2. Filtrages d’images ................................................................................................ 29

II.6.2.3. Binarisation d’image ............................................................................................ 34

II.6.2.4. Détection de contours .......................................................................................... 36

V
 II.6.3. Extraction des plaques d’immatriculation (PI) ......................................................... 37

II.6.3.1. Extraction selon l’information de contour ............................................................ 38

II.6.3.2. Extraction selon l’information globale de l’image ............................................... 38

II.6.3.3. Extraction selon les caractéristiques de texture .................................................... 38

II.6.3.4. Extraction selon les caractéristiques de couleur .................................................... 39

II.6.3.5. Extraction selon les caractéristiques de caractère.................................................. 39

II.6.3.6. Extraction selon la combinaison de caractéristiques .............................................40

II.6.3.7. Avantages et inconvénients de chaque classe de méthodes d'extraction de la PI ... 40

II.6.4. Segmentation des plaque d'immatriculation ............................................................ 41

II.6.4.1.Utilisation de la connectivité en pixels .................................................................. 41

II.6.4.2. Utilisation de profils de projection ....................................................................... 41

II.6.4.3. Segmentation selon la connaissance préalable des caractères................................ 42

II.6.4.4. Segmentation à l'aide de contours de caractères.................................................... 42

II.6.4.5. Segmentation à l'aide de combinaison de caractéristiques..................................... 43

II.6.4.6. Avantages et inconvénients de chaque classe de méthodes de segmentation de la

PI ......................................................................................................................................43

II.6.5. Reconnaissance de caractères.................................................................................. 44

II.6.5.1. Utiliser des données brutes ................................................................................... 44

II.6.5.2. Reconnaissance de caractères à l'aide d’extraction de caractéristiques ................. 44

II.7 CONCLUSION ......................................................................................................... 44

Chapitre III
APPLICATION A LA RECONNAISSANCE DES PLAQUES
D’IMMATRICULATION ALGERIENNES

III.1 INTRODUCTION ..................................................................................................... 46

VI
III.2 PLAQUE D’IMMATRICULATION ALGERIENNE ................................................ 46

III.3 LE SYSTEME DE RPI PROPOSE ............................................................................ 46

III.4 RESULTATS EXPERIMENTAL .............................................................................. 55

III.5 CONCLUSION ......................................................................................................... 56

CONCLUSION GENERALE

CONCLUSION ET PERCPECTIVES : ................................................................................58

BIBLIOGRAPHIE …………………………………...…………………...………………….59

VII
Introduction
générale
INTRODUCTION GENERALE
À la fin du XXe siècle, le monde a connu une croissance démographique accompagnée d'un
niveau économique élevé et d'un pouvoir d'achat accru des particuliers, ce qui a conduit à une
augmentation du nombre de voitures achetées par des personnes en plus des véhicules de
transport en commun, ce qui a entraîné l'apparition de nombreuses difficultés Avec ce grand
nombre de voitures , ce qui nécessite une base de données spéciale pour faciliter le processus
d’accès aux informations permettant de connaître les voitures et leurs propriétaires, avec
précision et rapidité . Ces facteurs et d’autres ont conduit à un besoin urgent d’un système
automatisé capable de détecter les plaques d’immatriculation des voitures. Ceci est dû à la
difficulté de gérer manuellement le grand nombre de voitures, car cela demande beaucoup de
temps et d’efforts, un travail ardu ainsi qu’une faible efficacité. En plus de l'inexactitude des
informations obtenues, ce système de détection aide les personnes à détecter
automatiquement la plaque d'immatriculation sans intervention ni supervision humaine
directe. Ainsi que pour surveiller le trafic et le suivi des voitures volées, et est utilisée dans
les portails électroniques pour s'ouvrir automatiquement aux membres autorisés aux zones
aménagées et au contrôle des frontières Par conséquent, il existe une grande tendance
mondiale au cours des deux dernières décennies à proposer et développer des techniques
automatisées dans le but de détecter et d’identifier les plaques d’immatriculation de voiture
utilisant des systèmes automatisés et des systèmes robotiques.

Le plan de notre travail est le suivant :

Le premier chapitre, on présente une description sur le domaine de reconnaissance des

formes ainsi qu’on rappelle de la composition du système de reconnaissance de formes (RF),
les méthodes de RF, les champs associés de la RF et ses applications.

Le deuxième chapitre, sera consacré au système de reconnaissance de la plaque

d’immatriculation (RPI), y compris les éléments nécessaires utilisés pour la reconnaissance,
ainsi que les domaines d’utilisation du système de RPI de plus les principales étapes de la
RPI.

Le troisième chapitre, On expliquera le fonctionnement de notre système de RPI,

après le chargement du codé simulé dans MATLAB et de réaliser un programme capable de
reconnaitre la plaque d’immatriculation algérienne.

Page 1
 CHAPITRE I :
Reconnaissance
des Forme
Chapitre I Reconnaissance Des Formes

I.1 INTRODUCTION

La reconnaissance des formes (RF) s’intéresse a la conception et la réalisation des systèmes

matériels ou logiciel capable de comprendre, ou s’interpréter des signaux captés dans le
monde physique, ou les chercheurs et les ingénieurs tentent depuis de longues années, et avant
même la naissance de l’informatique de concevoir des machines dotées de ces capacités.

La reconnaissance des formes se rapproche de l’intelligence artificielle, ou les deux

disciplines partagent souvent les mêmes modèles.

I.2 QU’EST CE QU’UNE FORME

Une forme est un objet abstrait ou un ensemble de mesures décrivant un objet physique.

Exemple : image d'empreinte digitale, mot manuscrit, visage humain, signal de parole, et
séquence d’acide désoxyribonucléique (ADN). Voir figure I.1.

Figure I.1: Quelques exemples de formes

I.3 DEFINITION DE LA RECONNAISSANCE DES FORMES

Est l’une des branches de l’apprentissage automatique qui met l’accent sur la
reconnaissance des motifs et des régularités dans les données. Il est également considéré
comme le processus de classification des données d'entrée dans certains modèles en fonction
de caractéristiques de base. Dans certains cas, la reconnaissance de forme est synonyme
d’apprentissage automatique. Les techniques de reconnaissance des formes formalisent,
expliquent et visualisent généralement les formes; alors que l'apprentissage automatique se
concentre sur la maximisation des taux de reconnaissance.

Les algorithmes de reconnaissance de formes fournissent normalement de meilleurs résultats

pour les données fournies en entrée. Ils effectuent une correspondance des entrées en tenant
compte de la variation statistique; ils ont donc pu obtenir de meilleurs résultats. Le concept de
reconnaissance de modèle est totalement différent des algorithmes de correspondance de

Page 2
Chapitre I Reconnaissance Des Formes

modèle, dans lesquels ils essaient de trouver des correspondances exactes des modèles
d'entrée avec les modèles formés existants. La classification exacte du motif est possible ici à
l'aide de la procédure d'apprentissage qui génère la valeur de sortie.

I.4 D’AUTRES DEFINITIONS

1973 (Duda et Hart) ont défini la reconnaissance de formes comme un domaine
concerné par la reconnaissance machine des régularités de signification dans des
environnements complexes et bruyants [1].

1977 (Pavlidis) définit dans son livre la reconnaissance des formes: «Le mot forme
provient de la même racine que le mot patron et, dans son utilisation originale, signifie
quelque chose qui est conçu comme un exemple parfait à imiter. Ainsi, la reconnaissance de
formes signifie l'identification de l'idéal pour lequel un objet donné a été créé après
1978 (Gonzalez, Thomas) définit la reconnaissance de modèle comme une
classification de données d'entrée via l’extraction de caractéristiques importantes a partir de
nombreuse données bruitées [1].
1985 (Watanabe) dit que la reconnaissance des formes peut être considérée comme un
problème de catégorisation, comme un processus inductif, comme une analyse de structure,
comme une méthode de discrimination, etc. [1].
1990 (Fukunaga) définit la reconnaissance des formes comme "un problème
d'estimation des fonctions de densité dans un espace de grande dimension et une division de
l'espace en régions de catégories de classes"[1].

1992 (Schalkoff) définit RF comme «la science qui concerne la description ou la

classification (reconnaissance) des mesures» [1].

En 1993 (Srihari, Govindaraju) definit la reconnaissance des modèles était définie

comme une discipline qui apprenait des théories et des méthodes permettant de concevoir des
machines capables de reconnaître des modèles dans des données bruitées ou dans un
environnement complexe [1].

1996 (Ripley) décrit dans son livre la reconnaissance des formes: «À partir de
quelques exemples de signaux complexes et des décisions correctes pour les prendre, prenez
les décisions automatiquement pour un flux d’exemples futurs».

Page 3
Chapitre I Reconnaissance Des Formes

2002 (Robert P.W. Duin) a décrit la nature de la reconnaissance des formes est une
technique ; l’objectif final de reconnaissance de formes est de concevoir des machines pour
résoudre l’ecart entre application et théorie [1].

2003 (Sergios Theodoridis) La reconnaissance de formes est une discipline

scientifique ayant pour objectif la classification des objets en plusieurs catégories ou classes.

La reconnaissance des formes fait également partie intégrante de la plupart des systèmes
d’intelligence artificielle conçus pour la prise de décision [1].

I.5 SYSTEME DE RECONNAISSANCE DES FORMES

La figure I.2 présente le système de reconnaissance des formes

Monde physique

Acquisition

Pretraitement

Segmentation

Extractions de primitives

Classification

Figure I.2 : Système de reconnaissance des formes

Rappelons, en premier lieu, le rôle de chaque étape dans l’élaboration du processus complet
de reconnaissance des formes :

I.5.1 Monde physique

Représente l’étape analogique, on opérant sur des dimensions infinis, il est appelé
aussi espace des formes.

Page 4
Chapitre I Reconnaissance Des Formes

I.5.2 Acquisition
C’est la première étape du processus de reconnaissance du modèle, elle permet de
transformer l’objet à reconnaître d’une forme réelle ou dite physique en une forme numérique
compris par les ordinateurs. Cela peut être réalisé par un appareil photo ou un scanner placé
dans un endroit ou un microphone pour la parole ou le son. Les données doivent être
collectées et obtenues avec le plus grand soin et tout bruit ou biais dans les mesures effectuées
à ce niveau est préjudiciable au système final. Il est également important de contrôler le
processus d’acquisition et sa fiabilité pour que toutes les données soient collectées de la même
manière et sans écart.

L'hypothèse importante est que les systèmes RF sont développés et distribués

indépendamment. Les données doivent être indépendantes et produites par le même processus
de base [2].

I.5.3 Prétraitement
Les données d'entrée du monde réel contiennent toujours une certaine quantité de bruit et
un prétraitement est nécessaire pour réduire son effet. Le terme "bruit" doit être compris au
sens large: tout ce qui empêche un système de reconnaissance de formes de s'acquitter de ses
tâches peut être considéré comme du bruit, quelle que soit la nature intrinsèque de ce "bruit"
dans la nature des données. Certaines propriétés souhaitables des données peuvent également
être améliorées avec un prétraitement avant que les données ne soient entrées dans le système
de reconnaissance.

Le prétraitement est normalement effectué par une méthode de filtrage simple sur les données.
Dans le cas de la reconnaissance vocale, cela peut signifier un filtrage passe-haut linéaire
visant à éliminé la fréquence de base et à améliorer les fréquences plus élevées. En
reconnaissance d'image, l'image peut être filtrée a laide d’un filtre médian pour éliminer le
bruit de point parasite qui pourrait gêner le processus de segmentation. Cette étape de
prétraitement avantageuse pour les images couleur est la décorrélation des composants
couleur. Un tel processus transfère une image initialement dans les coordonnées (Rouge,
Verte, Bleu) de manière linéaire au YIQ (luminosity- inphase-quadrature) [3].

I.5.4 Segmentation
Les données d'entrée enregistrées et prétraitées doivent être divisées en sous-parties, ce
qui donne des entités significatives pour la classification. Cette étape du traitement s'appelle la
segmentation. Il peut s'agir d'un processus clairement séparé ou étroitement imbriqué avec les

Page 5
Chapitre I Reconnaissance Des Formes

processus précédents ou suivants. Dans les deux cas, une fois que le système de
reconnaissance de formes a terminé le traitement d'une totalité de données, la segmentation
résultante des données en ses sous-parties peut être révélée. Selon la manière dont
l'application a été réalisée, le bloc de segmentation peut soit ajouter les informations
concernant les limites des segments au flux de données, soit alternativement copier tous les
segments dans des mémoires tampons séparés et les transférer un par un à l'étape suivante.
Dans la reconnaissance de la parole, une entité significative est très probablement un
phonème unique ou une syllabe contenant un nombre petit mais variable de phonèmes [3].

I.5.5 Extractions de primitives

L'extraction de primitives, également appelées caractéristiques, est une étape clé du
processus de reconnaissance des formes. Il consiste à représenter les données d'entrées (mots,
caractères, phonème, graphème, etc.) sous une forme de vecteur de primitives de dimension
fixe, pour pouvoir reconnaître les formes où chaque vecteur se comporte comme une
signature d'un forme. C’est une étape cruciale dans tout système de reconnaissance des
formes. Le but de cette étape est la sélection des informations pertinentes, discriminantes et
moins volumineuses afin de limiter les ressources de la machine nécessaires à la
classification, tout en évitant de perdre des informations importantes et significatives. La
plupart des techniques d'extraction primitives dans le domaine de la reconnaissance de formes
sont généralement accompagnées d'une perte irrécupérable d'informations. Il est donc
nécessaire de faire un compromis entre quantité et qualité d’informations [2].

I.5.6 Classification :
L'étape de classification joue un rôle primordial dans le processus complet d’un
processus de reconnaissance de formes, en désignant l’appartenance d’une forme à une classe.
En effet, la classification consiste à élaborer une règle de décision qui va transformer les
attributs caractérisant les formes en fonction d'appartenance, c'est à dire un passage de
l’espace de codage, vers l’espace de décision. Avant qu’un modèle de décision ne soit intégré
dans un système de reconnaissance de formes, il faut avoir procédé auparavant à deux étapes:

 l’étape d’apprentissage.
 l’étape de test.

Page 6
Chapitre I Reconnaissance Des Formes

Données Construire le système

d’entrainement
Données
Données de test Vérifier l’exactitude du
système

Figure I.3 : Etapes de classification

1. L’apprentissage est une étape clé dans le système de reconnaissance. Il

consiste à fournir au système un ensemble de formes connues à priori (on connaît la classe de
chacune d’elles). C’est cet ensemble d’apprentissage qui va permettre de régler le système de
reconnaissance de façon à ce qu’il soit capable de reconnaître ultérieurement des formes de
classes inconnues. On distingue généralement deux types d’apprentissage: apprentissage
supervisé et apprentissage non supervisé.
 L’apprentissage supervisé, consiste à fournir au module d'apprentissage un
échantillon représentatif de l’ensemble des formes à reconnaître. Où l'opérateur de
supervision ou professeur, indique l'étiquette correcte de chaque exemple, qui sera utilisée par
le module d'apprentissage pour identifier la classe dans laquelle l'opérateur de supervision,
souhaite que l'exemple soit arrangé. Donc la phase d'apprentissage, a pour objectif d'analyser
les ressemblances entre les formes d’une même famille et les dissemblances entre les formes
de Familles différentes pour en déduire les meilleures séparations de l’espace de
représentations. Alors l'objectif général des méthodes d’apprentissage supervisé, est de
construire ou approximer partir de la base d’apprentissage, une règle ou une fonction de
classification qui permet à partir de la description d’une forme, d'affecter la bonne étiquette
ou classe à cette forme inconnue par le module d'apprentissage.
 l’apprentissage non supervisé, on ne dispose d’aucune information de
supervision, donc, on fournit au système de reconnaissance un grand nombre de formes non
étiquetées. Et, c'est l’étape de la classification qui va se charger de regrouper
automatiquement les formes jugées similaires (homogènes) dans la même partition de l'espace
de représentation et placer les formes jugées dissimilaires (hétérogènes) dans des partitions
distinctes. Ce type d’apprentissage, évite l’assistance d’un opérateur de supervision, mais il
n’assure pas toujours, une classification correcte.

Page 7
Chapitre I Reconnaissance Des Formes

2. L’étape de test permet l'évaluation de la performance du classifieur pour un

apprentissage donné. C’est une étape très importante, car elle peut conditionner le choix des
méthodes d'extraction de primitives ou le choix de la procédure d’apprentissage. En effet, la
détermination a priori de l'ensemble des caractéristiques les plus discriminatives et la méthode
d’apprentissage la plus adaptée pour un problème de classification donné, est une tache très
ardue, d’où l’utilité d'une procédure de test ou de validation qui procède par itérations
successives. Ces itérations consistent à extraire des caractéristiques les plus discriminatives au
problème de reconnaissance à résoudre et à tester la fiabilité du système avec cet ensemble de
caractéristiques. Ces tests sont itérés tant qu’on n'a pas atteint les performances désirées. Ces
itérations ont pour objectif, de régler quelques paramètres ou de tester une nouvelle famille de
primitives, ou de combiner les primitives extraites avec d’autres types de primitives afin de
perfectionner le module de classification.

Comme nous avons déjà mentionné ci-dessus, ces deux modules d’apprentissage et de
test sont réalisés avant l’intégration du module de décision dans le système de reconnaissance
de formes [2]

I.6 METHODES DE RECONNAISSANCE DES FORMES

 Méthode de correspondance de modèle.

 Approche statistique.
 Approche syntaxique et structurelle
 Approche des réseaux de neurone
Les formes recherchées peuvent être des formes géométriques, descriptibles par une formule
mathématique, telles que :
 Cercle ou ellipse
 Courbes de Bézier, droite
Elles peuvent aussi être de nature plus complexe:
 Lettre
 Chiffre
 Empreinte digitale
Nous allons expliquer chaque chemin à travers les deux phases: phase d’apprentissage
et phase de test [4].

Page 8
Chapitre I Reconnaissance Des Formes

I.6.1 Méthode de correspondance de modèle

L'un des plus simples et les premières approches de la reconnaissance des formes est basé sur
la correspondance de modèle. La correspondance est une opération générique dans la
reconnaissance de modèle qui est utilisée pour déterminer la similarité entre deux entités
(points, courbes ou formes) du même type.

L'étape d'apprentissage de cette méthode consiste à stocker dans l'ordinateur un ensemble de

modèles ou de prototypes de chaque classe, comme indiqué dans La figure I.4 :

Classe Z Z

Classe Y Y

Modèle Modèle
d’entrée X
du
classe X

Classes Les modèles

Figure I.4 : Etape d’apprentissage de la méthode de correspondance de modèle et

de corrélation

Lors de la phase de classification, une comparaison de l'image avec les modèles est effectuée:
si la comparaison avec la catégorie X est supérieure au résultat de la comparaison avec la
catégorie Y, elle est classée dans la catégorie X, etc. Comme le montre la figure I.5:

Motif Comparaison de l’image

d’entrée d'entrée avec des modèles Classification
stockés dans l'ordinateur

Figure I.5 : Phase de la classification du Méthode de correspondance de modèle

et de corrélation

Page 9
Chapitre I Reconnaissance Des Formes

La comparaison est effectuée après que l'image soit stockée sous forme de matrice et
comparée aux modèles du pixel par pixel et donne une valeur de comparaison. La seule
difficulté de cette méthode réside dans le bon choix des modèles de chaque classe ainsi que
dans la détermination des critères de comparaison, en particulier si l’image impliquée porte
des distorsions.

Par exemple, si nous utilisons cette méthode pour identifier les criminels, nous devons
prendre plusieurs photos pour chaque criminel a stocker sur l’ordinateur, deux photos des
deux cotés, une pour chaque coté, une de prise de vue avant et deux photos a un angle de 45°
par rapport a la camera. Vous pouvez imaginer l'espace de stockage nécessaire pour tous ces
modèles [5]

I.6.1.1. Corrélation
Pour savoir ou déterminer si l’image contient une zone similaire à une région, la corrélation
est l’une des méthodes utilisées. Par exemple, nous avons une image numérique 𝒇(𝒙, 𝒚) avec
une échelle de 𝑴 ∗ 𝑵 et nous voulons déterminer si cette image contient une zone similaire
à une région de 𝒘(𝒙, 𝒚) avec une échelle de 𝑱 ∗ 𝑲 ou 𝑱 < 𝑴 𝒆𝒕 𝑲 < 𝑵 , Nous allons
utiliser la corrélation entre ces deux régions comme dans l'équation suivante :

𝑅(𝑚, 𝑛) = ∑x ∑y 𝑓 (𝑥, 𝑦). 𝑤(𝑥 − 𝑚, 𝑦 − 𝑛) …(I.1)

Ou : n=0,1,2…..N-1 , m=0,1,2,……M-1

Pour toute valeur de (𝒎, 𝒏) a l’intérieur de 𝑭(𝒙, 𝒚) Nous appliquons l'équation (I.1) pour
obtenir une valeur pour R , Et avec le changement de n,m , w(x,y) se déplace autour de la
zone d’image en utilisant de la convolution , On obtient alors la fonction R(m,n), La valeur
maximale de R(m,n) indique alors la position où les deux images w(x,y) et f(x,y) ont été
appariées, Le processus de numérisation est identique à celui de les deux figures (I.6.I.7)
(montrant la numérisation d'image à l'aide de la convolution) , Bien que la fonction de
corrélation dans l'équation (I.1) soit simple par nature, il existe une fonction (I.2) qui est plus
efficace en utilisation elle est comme suit:

∑x ∑y[f(x,y)−f̅(x,y)].[w(x−m,y−n)−w
̅]
𝑅(𝑚, 𝑛) = 2 …(I.2)
∑x ∑y[f(x,y)−f̅(x,y)] .∑x ∑y[w(x−m,y−n)−w
̅ ]2

Où : n = 0,1,2 ... N-1, m = 0,1,2 ...... M-1

Page 10
Chapitre I Reconnaissance Des Formes

w est la valeur moyenne du modèle (cette valeur est calculée une fois)
f(x,y) est la valeur moyenne de f(x,y) Dans la zone correspondante avec w(x,y)

la valeur de R(x,y) est comprise dans la plage (-1, 1) où les valeurs positives élevées
indiquent que la corrélation est positive et élevée entre les deux images) et les valeurs
négatives élevées indiquent que la corrélation est négative et élevée entre les deux images,
Tandis que les valeurs proches de zéro indiquent un manque de corrélation entre les deux
images [6].

I.6.1.2 Convolution
Où un cadre est défini pour l'image a partir de la première et de la dernière ligne, ainsi que la
première et la dernière colonne et que le modèle est placé sur l'image à partir du premier
élément comme indiqué dans les deux figures suivantes (I.6, I.7) c'est-à-dire que c’est une
méthode de correspondance binaire entre les grands éléments d'image et les petits éléments
d'image. Ensuite, nous déplaçons le modèle vers la droite d’un seul élément et renvoyons le
processus de comparaison des éléments du modèle avec les éléments de la grands d'image
jusqu'à la fin de la ligne, Passez ensuite à la ligne suivante pour répéter le processus, et ainsi
de suite jusqu'à la fin de la grande image [6].

Modèle
Image de recherche

Balayage de modèle

1. 2. 5.

6. 20.
…….
………………

Figure I.6 : Le processus de numérisation des images effectué à l'aide de la convolution

Page 11
Chapitre I Reconnaissance Des Formes

Image de recherche
Modèle

Figure I.7 : Numérisation de l’image a l’aide de convolution

I.6.2 Méthode statistique

Cette méthode crée un modèle statistique de l'objet à distinguer au lieu de créer un modèle en
collectant un ensemble de motifs afin de former un ensemble de données statistiques, qui
permet de créer un mécanisme de prise de décision. De cette manière, Le motif est représenté
par un faisceau de propriétés extraites de l'élément à distinguer, de sorte qu'il apparaisse
comme un point dans un espace multidimensionnel et que le nombre de dimensions
correspond au nombre de propriétés du motif.

Un ensemble de modèles forment un seul élément pour donner des informations sur cet
élément , il est important de sélectionner ou de créer des propriétés permettant aux motifs
d'appartenir au différents groupes et d'occuper des régions comprimées et non imbriquées
dans l'espace. La figure (I.8) montre un exemple de séparation des bonnes propriétés et de
mauvaises propriétés. Après le processus de filtrage, les limites de la résolution sont définies
dans l'espace des propriétés, de sorte que les motifs appartenant à différentes classes soient
séparés.

(a) (b)

Figure (I.8) : Séparation des bonnes propriétés et de mauvaises propriétés,

(a) : Bonnes propriétés, (b) : Mauvaises propriétés

Page 12
Chapitre I Reconnaissance Des Formes

Dans la méthode de décision statistique, les limites de la décision sont déterminées par la
distribution de probabilité des modèles appartenant à la même classe. Toutefois, si la
distribution de probabilité des éléments est inconnue, les limites de décision sont construites à
l'aide d'algorithmes d'apprentissage, qui sont divisés en:

L'apprentissage supervisé : le processus de discrimination s'appelle une classification

supervisé.

L’apprentissage non supervisé : Le processus de discrimination est appelé classification non

supervisé.

Dans la phase de la classification supervisée, les limites de la décision sont déterminées à

partir d'un ensemble de modèles d'apprentissage, de sorte que ces données d'apprentissage
sont supposées fournir suffisamment d'informations sur la distribution des classes de modèles
dans l’espace.

Mesure de Classificatio Décision

Modèles de Prétraitement
test caractéristiqu n
Classification e
Apprentissage
Prétraitement Mesure de Apprentissage
Modèles
caractéristiqu
d’entrainement
e

Figure I.9 : Classification supervisé

La figure (I.9) montre le processus de classification supervisé en deux étapes:

La première étape est la phase de formation (apprentissage) et la seconde étape est la phase
de test (classification). Chaque phase contient les processus de traitement initiaux, dans
lesquels le motif d’intérêt est séparé de l’arrière-plan, élimine le bruit, puis la normaliser le
modèle dans un champ approprié, et exécuter tout processus permettant une meilleure
représentation du modèle, la ligne d'arrière-plan du concepteur permet de compléter les
processus de traitement initiaux ainsi que les stratégies d’extraction et de sélection Dans la

Page 13
Chapitre I Reconnaissance Des Formes

Phase de classification (après le processus d’apprentissage), le classifeur formé attribue les

modèles de revenus inconnus à l'un des types de modèles en fonction de considérations basées
sur les caractéristiques mesurées.

Dans la phase de classification non supervisé, le classifieur traite les données directement
sans information préalable sur les exemples d'apprentissage (données d'apprentissage) et il
classe les données en fonction de leur symétrie.

Dans le processus de distinction des modèles statistiques, de nombreuses stratégies sont

utilisées pour concevoir le classifieur, en fonction de la quantité d'informations disponibles
sur la distribution conditionnelle des éléments. La figure (I.10) illustre les méthodes utilisées
pour distinguer les modèles statistiques [7].

Densités conditionnelles
de classe

Connu Non Connu

Théorème de Apprentissage Apprentissage

bayes supervisé non supervisé

Paramétrique Non Paramétrique Non

Paramétrique Paramétrique

Construction
Règle Estimation de la limite Résolution
Règles Regroupement
de de densité de décision par mixture
optimal
es plug-in

Approches basées sur la densité Approche géométrique

Figure I.10 : Les méthodes utilisées pour distinguer les modèles statistiques [7]

I.6.3 Approche syntaxique et structurelle

Dans cette méthode, nous ne limitons pas seulement les valeurs numériques de chaque classe,
mais ajoutons les relations entre les propriétés de chaque catégorie, qui nous fournissent les
informations structurelles nécessaires pour identifier des modèles.

Page 14
Chapitre I Reconnaissance Des Formes

Dans la phase d'apprentissage de cette méthode, le modèle est généralement représenté sous
la forme d’un arbre, d’un graphe ou une chaine littérale des éléments primaires et des
relations.
Le processus de classification dans cette méthode se fait à travers l'analyse des structures,
l'analyse syntaxique ou, en d'autres termes, le programme d'analyse d'arabisation. Le rapport
de comparaison le plus élevé de chaque image d’entrée avec chaque graphique ou une chaine
littérale ou un arbre spécifiant la catégorie a laquelle l’image d’entrée appartient.
Prenons l'exemple d'une image d'entrée avec deux cercles (propriétés) si la distance les
séparant est de 1 à 2 cm. il est possible de classer l’image comme une image des lunettes
prenant en compte les autres caractéristiques et de leurs relations. Si la distance entre eux est
d’environ un mètre il peut être classé comme feux de la voiture en tenant compte des autres
caractéristiques.
Cette méthode est utilisée pour identifier des cibles, ou missiles, ainsi que pour la
reconnaissance des caractères [5].

I.6.4 Approche de réseaux de neurones

Les réseaux de neurones sont un type d’algorithme assez complexe utilisé pour résoudre des
problèmes non soumis à des lois fixes. Ils simulent la façon dont le cerveau humain reconnaît
les sons, la parole et les images via un processus énorme et distribué, constitué de simples
unités de traitement appelées neurones. Qui a une caractéristique neurologique car il stocke
les connaissances scientifiques et les informations expérimentales et les met à la disposition
de l'utilisateur en ajustant les poids.

Le réseau de neurones crée des neurones interconnectés avec des poids différents et chaque
neurone est responsable d'une entrée. Lors du processus de formation, le réseau ajuste en
permanence les poids associés à chaque neurone pour que la sortie soit aussi proche que
possible.

Le processus de formation continue sur toutes les entrées disponibles et les poids associés à
chaque neurone sont ajustés, à condition que la valeur résultante soit proche de la valeur de
sortie réelle.la figure I.11 montre les composants de réseau de neurone artificiel.

Page 15
Chapitre I Reconnaissance Des Formes

Figure I.11 : Composants de réseau de neurone artificiel

I.6.4.2. Méthodes d’apprentissage des réseaux de neurones

Le réseau de neurones apprend en lui fournissant un ensemble de données qui doivent être
sélectionnées avec précision pour faciliter le processus d’éducation du réseau. Ce groupe
s’appelle la classe de formation (apprentissage).

Les méthodes d’apprentissage des réseaux de neurones sont divisées en deux parties Selon la
catégorie de formation présentée sur le réseau :

Apprentissage supervisé : Ils sont généralement destinés à reproduire un processus

quelconque dont on connaît uniquement quelques variables et les résultats correspondants à
obtenir. Dans ce cas, les données servant à l'apprentissage peuvent être représentées par le
couple (forme entrée ; forme cible). Ce type de formation est utilise pour enseigner les
réseaux linéaires monocouches, utilisés pour résoudre la correspondance linéaire entre entrée
et sortie, ou le réseau calcule le signal d’erreur par la différence entre la sortie du neurone et la
sortie souhaité.

Les réseaux à apprentissage non supervisé : de cette façon ,la classe d’apprentissage est un
vecteur d’entrées uniquement ,sans présenter la cible sur le réseau, cette méthode est parfois
appelé auto-apprentissage, ou le réseau adopte des méthodes d’éducation sur la base de leur
capacité a découvrir les caractéristiques des formes présentées et a développer une
représentation interne de ces formes sans connaissance préalable de ce qui doit être produit
[8].

I.7 APPLICATION DE RECONNAISSANCE DE FORMES

La reconnaissance de formes est utilisée dans tous les domaines de la science et de

l'ingénierie qui étudient la structure des observations. Il est maintenant fréquemment utilisé
dans de nombreuses applications dans l'industrie manufacturière, les soins de santé et l'armée.
Les exemples incluent ce qui suit.

Page 16
Chapitre I Reconnaissance Des Formes

La reconnaissance optique de caractères(ROC), fait désormais partie intégrante des scanners

de documents et est fréquemment utilisée dans les applications bancaires et postales. Les
caractères imprimés peuvent maintenant être reconnus avec précision, et l'amélioration des
performances de la reconnaissance automatique des caractères cursifs manuscrits a
considérablement réduit le besoin d'interaction humaine pour les tâches de ROC.

La reconnaissance vocale automatique est très importante pour l'interaction de l'utilisateur

avec des machines. Des systèmes commerciaux sont disponibles pour la réponse automatique
aux demandes de vols, l'assistance annuaire téléphonique et la banque en ligne. Les systèmes
sont souvent réglés sur un haut-parleur spécifique pour une meilleure précision de
reconnaissance.

La vision par ordinateur traite de la reconnaissance d'objets ainsi que de l'identification et de

la localisation de leurs environnements tridimensionnels. Cette capacité est requise, par
exemple, par les robots pour fonctionner dans des environnements dynamiques ou inconnus.
Cela peut être utile pour des applications allant de la fabrication au nettoyage domestique,
voire même pour des missions de secours.

Les systèmes d'identification personnelle utilisant la biométrie sont très importants pour les
applications de sécurité dans les aéroports, les guichets automatiques, les magasins, les hôtels
et pour un accès informatique sécurisé. La reconnaissance peut être basée sur le visage, les
empreintes digitales, ou la voix et peut être combinée à la vérification automatique des
signatures et des codes PIN.

La reconnaissance d'objets sur la Terre à partir du ciel (par satellite) ou de l'air (par avion ou
par missiles de croisière) est appelée télédétection. Il est important pour la cartographie,
l'inspection agricole, la détection des minéraux et de la pollution et la reconnaissance des
objectifs.

De nombreux tests de diagnostic médical utilisent des systèmes de reconnaissance de formes

allant du comptage des cellules sanguines et de la reconnaissance des tissus à travers des
microscopes, en passant par la détection de tumeurs dans les scanners à résonance magnétique
et l'inspection des os et des articulations dans les radiographies.

De nombreuses bases de données volumineuses sont stockées dans des référentiels accessibles
via Internet ou autrement sur des ordinateurs locaux. Ils peuvent avoir une structure claire
telle que les comptes bancaires, une structure faible telle que le comportement du

Page 17
Chapitre I Reconnaissance Des Formes

consommateur ou aucune structure évidente telle qu'une collection d'images. Les procédures
pour rechercher les éléments souhaités (récupération de base de données) ainsi que pour
apprendre ou découvrir des structures dans des bases de données (extraction de données)
deviennent de plus en plus importantes. Les moteurs de recherche sur le Web et les systèmes
de recommandation sont deux exemples d'application [1].

• Vision par ordinateur : Le premier système de vision présenté était de supposer que les
objets avaient des formes géométriques et des bords améliorés extraits d'images.

• Diagnostic assisté par ordinateur : Imagerie médicale, électroencéphalogramme(EEG),

Analyse du signal EEG Conçu pour aider les médecins, tels que: Mammographie aux rayons
X Mise en évidence des tambours potentiels sur une mammographie.

• Reconnaissance des caractères : Tri automatisé du courrier, traitement des chèques de

banque.

• Reconnaissance vocale : Interaction homme-machine, Accès universel, Le microphone

enregistre le signal acoustique, Le signal de la parole est classé en phonèmes et en mots

• Sécurité : Reconnaissance faciale, Identification d'empreintes digitales.

• Astronomie : Classification des galaxies par forme, Analyse d'images par télescope
astronomique, Spectroscopie automatique.

• bioinformatique : Analyse de séquences d'ADN, Analyse de données de micro réseau

d’ADN, Recherche d'hérédité.

• Agriculture : Évaluation du sol, Extraction de la caractéristique minérale dans café et le

sucre .

• Géographie : Analyse des tremblements de terre, Classification des roches.

• Ingénierie : Diagnostic de pannes pour le système de véhicule, Reconnaissance du type

d'automobile, Améliorer les performances de sécurité de l'automobile.

• Affaires militaires : Analyse de photographie d'aviation, Automatisme, Reconnaissance des

objectifs [1].

Page 18
Chapitre I Reconnaissance Des Formes

I.8 CONCLUSION

Dans ce chapitre, nous exposons la reconnaissance des formes en termes générales, incluant
ses nombreuses définitions, et les principales étapes de son processus, ainsi que les différentes
méthodes utilisables et sa fiabilité pour acquérir une bonne reconnaissance d'un objet, de plus
nous avons abordé ses domaines d'utilisation. Donc la reconnaissance des formes est un
domaine fameux de l’informatique, a pour but de reconnaitre une forme précise , et de
l’affecter a une des classes connues en suivant une méthode précise selon un processus
unique.

Page 19
 CHAPITRE II :
Reconnaissance
des Plaques
D’immatriculation
Chapitre II Reconnaissance des plaques d’immatriculation

II.1 INTRODUCTION
Les systèmes de reconnaissance des plaques d'immatriculation (RPI) ont suscité beaucoup
d'attention de la part des chercheurs. Avec la croissance rapide du nombre de véhicules, il est
nécessaire d’améliorer les systèmes existants d’identification des véhicules. Un système
entièrement automatisé est en demande afin de réduire la dépendance à la main-d'œuvre.

II.2 HISTORIQUE DU DÉVELOPPEMENT D’UN SYSTEME DE RPI

RPI a été inventé en 1976 par la division du développement scientifique de la police
britannique.
Les systèmes prototypes fonctionnaient en 1979 et des contrats ont été passés pour la
production de systèmes industriels, d'abord chez EMI Electronics, puis chez Computer
Recognition Systems (CRS) à Wokingham, au Royaume-Uni.
La première arrestation faisant suite à la détection d'une voiture volée remonte à 1981 et le
premier cas documenté du système de RPI ayant contribué à la résolution d'un meurtre a eu
lieu en novembre 2005 [9].

II.3 ELEMENTS D’UN SYSTEME TYPIQUE DE RPI

Les systèmes de reconnaissance des plaques d’immatriculation comprennent normalement les
unités suivantes:

 Caméra - Prend l'image d'un véhicule de l'avant ou de l'arrière.

 Éclairage - Une lumière contrôlée pouvant éclairer la plaque et permettre un
fonctionnement de jour comme de nuit. Dans la plupart des cas, l’éclairage est
infrarouge (IR), invisible pour le conducteur.
 Frame Grabber: une carte d'interface entre l'appareil photo et le PC qui permet au
logiciel de lire les informations sur l'image.
 Ordinateur : un PC sous Windows ou Linux. Il exécute le système d'application RPI,
lit les images, analyse et identifie la plaque et contrôle les interfaces avec d'autres
applications et systèmes.
 Logiciel : L'application et le package de reconnaissance.
 Matériel : Différentes cartes d’entrée / sortie utilisées pour l’interface avec le monde
externe (telles que les cartes de contrôle et les cartes réseau).
 Base de données - Les événements sont enregistrés sur une base de données locale ou
transmis sur le réseau. Les données incluent les résultats de la reconnaissance et
(éventuellement) le fichier image du véhicule ou du conducteur [10].

Page 20
Chapitre II Reconnaissance des plaques d’immatriculation

II.4 DOMMAINE D’APPLICATION DU SYSTEME DE RPI

La reconnaissance des plaques d'immatriculation des véhicules est une forme de système
d'identification automatique des véhicules. Les systèmes RPI présentent un intérêt
considérable en raison de leurs applications potentielles dans des domaines tels que la
perception électronique des péages sur les autoroutes, les garages de stationnement
automatiques, les stations-service. Surveillance des zones, application des limites de vitesse,
sécurité, identification des clients permettant des services personnalisés, etc. la reconnaissance
des plaque d’immatriculation en temps réel joue un rôle majeur dans la surveillance
automatique, des règles de la circulation et le maintien de l’application de la loi sur les voies
publiques. Ce domaine est difficile car il nécessite l'intégration de nombreux résolveurs de
problèmes de vision par ordinateur, parmi lesquels la détection d'objet et la reconnaissance de
caractères. L'identification automatique des véhicules par le contenu de leurs plaques
d'immatriculation est importante dans les applications de transport privé [11].

Il existe de nombreuses applications de tels systèmes de reconnaissance, dont certaines sont

décrites ci-dessous:

II.4.1. Application de la loi : Le numéro d'immatriculation est utilisé pour imposer une
amende aux véhicules qui roulent à grande vitesse, à l'utilisation illégale des voies de bus et à
la détection de véhicules volés ou recherchés. La figure II.1 montre un exemple de voiture
capturée par la caméra de circulation. La partie arrière du véhicule est extraite de l'image
filmée et est transmise au système pour traitement. Le résultat traité est introduit dans la base
de données en tant qu'entrée. Les contrevenants peuvent payer l’amende en ligne et se voir
présenter l’image de la voiture comme preuve avec les informations relatives à la vitesse [11].

Figure II.1 : Voiture dépassant la limite de vitesse

Page 21
Chapitre II Reconnaissance des plaques d’immatriculation

II.4.2. Accès au Parking : Le système RPI est utilisé pour d’entrer automatiquement des
membres prépayés et de calculer les frais de stationnement pour les non-membres (en
comparant les heures de sortie et d’entrée). Figure II.2. Montre une voiture entrant dans une
aire de stationnement. La plaque d'immatriculation est reconnue et marquée. À sa sortie, la
plaque d'immatriculation est relue et le conducteur est facturé pour la durée du stationnement
[11].

Figure II.2 : Voiture dans un parking

II.4.3. Barrières de péage automatiques : Les barrières de péage manuelles exigent l'arrêt
du véhicule et le conducteur doit payer un tarif approprié, dans un système automatique que
le véhicule n'aurait plus besoin de s'arrêter. Au passage du péage, il serait automatiquement
classé afin de calculer le bon tarif [11]. Ceci est illustré à la figure II.3.

Figure II.3 : Voiture au péage

II.4.4. Passage aux frontières : Cette application aide le registre des entrées ou des sorties
dans un pays et peut être utilisée pour surveiller les postes frontières. Cette installation est
illustrée à la figure II.4. Chaque information de véhicule est enregistrée dans une base de
données centrale et peut être liée à des informations supplémentaires [11].

Page 22
Chapitre II Reconnaissance des plaques d’immatriculation

Figure II.4 : Voiture au poste frontière

II.5 LES DIFFERENTES FORMES D’IMMATRICULATION DANS LE MONDE

Selon les systèmes, la plaque peut comporter des chiffres, des lettres, des chiffres et
des lettres dans un ordre spécifique ou dans un ordre quelconque, voici quelques modèles :

 Allemagne, Chypre, Finlande, Suède, Hongrie, Lituanie, Malte, Moldavie et

Belgique

Figure II.5: Schéma de plaque d'immatriculation: AAA 111 [12].

 Slovaquie, Autriche, France, Italie, Serbie et Géorgie

Figure II.6: Schéma de plaque d'immatriculation: AA 111 AA [12].

 Danemark, Norvège et Pologne

Figure II.7: Schéma de plaque d'immatriculation: AA 11111 [12].

 La Grèce et l'Espagne

Figure II.8: Schéma de plaque d'immatriculation: AAA 1111 and 1111 AAA [12].

Page 23
Chapitre II Reconnaissance des plaques d’immatriculation

 Pays bas et le Portugal

Figure II.9: Schéma de plaque d'immatriculation: AA/11-AA-11 [12].

 Luxembourg et la lettonie

Figure II.10: Schéma de plaque d'immatriculation: AA 1111 [12].

 Romanie et royaume uni

Figure II.11: Schéma de plaque d'immatriculation: AA 11 AAA [12].

 Montenegro and Slovenie

Figure II.12: Schéma de plaque d'immatriculation: AA AA 111 [12].

 Irlande

Figure II.13: Schéma de plaque d'immatriculation: 11-A-111111 [12].

 Bulgarie

Figure II.14: Schéma de plaque d'immatriculation: AA 1111 AA [12].

 Estonie

Figure II.15: Schéma de plaque d'immatriculation: 111 AAA [12].

 Republic tchèque

 Figure II.16: Schéma de plaque d'immatriculation: 1 AA 1111 [12].

Page 24
Chapitre II Reconnaissance des plaques d’immatriculation

 République Algérie

Figure II.17 : Schéma de plaque d'immatriculation: 11111 111 11.

II.6 LES ETAPES D’UN SYSTEME DE RPI

Chaque système de reconnaissance automatique de plaques d'immatriculation est

constitué des étapes suivantes, la figure II.18 montre les étapes d’un système RPI.

Acquisition d'images

Pretraitement d'images

Extraction de la plaque
d'immatriculation

Segmentation de la plaques
d'immatriculation

Reconnaissance des Caractères

Figure II.18 : Les étapes d'un système RPI

II.6.1. Acquisition d'image

L'étape initiale s'appelle Acquisition d'image. Elle consiste simplement à capturer des images
ou des vidéos de différents véhicules lors de leur passage.
Cela peut se faire de deux façons différentes:

Page 25
Chapitre II Reconnaissance des plaques d’immatriculation

II.6.1.1 Utiliser une caméra infrarouge

Cette première approche tire parti de la nature rétro réfléchissante de la surface des plaques
d'immatriculation. Contrairement à la réflexion par diffusion ou à la réflexion angulaire, la
rétro-réflexion renvoie la lumière à la source, comme indiqué à la Figure II.19.

Figure II.19: Types de réflexions [12]

Ainsi, si une caméra avec filtre couplé à un projecteur de lumière infrarouge structurée est
utilisée, seule la lumière infrarouge peut être récupérée, obtenant ainsi une image où la plaque
d'immatriculation peut être parfaitement distinguée, comme celle illustrée à la figure II.20.

Figure II.20 : Image obtenue avec une caméra infrarouge

Le fait d’obtenir une image de ce type facilite grandement le développement du système

reconnaissance de plaque d’immatriculation, car la localisation et l’extraction consécutive de
la plaque minéralogique à partir de l’image deviennent un processus pratiquement direct. De
cette façon, le reste du problème est réduit aux étapes de la segmentation de la plaque
d’immatriculation et de la reconnaissance des caractères [12]

II.6.1.2 Utilisation d'un appareil photo numérique haute résolution (HR)

Comme les caméras infrarouges ne sont pas accessibles à tout le monde, l'utilisation de
caméras numériques haute résolution à des fins de reconnaissance automatique de plaques
d'immatriculation est également répandue. Les images obtenues par cette méthode sont les

Page 26
Chapitre II Reconnaissance des plaques d’immatriculation

images courantes régulièrement vues dans la vie quotidienne, qui appliquées à une voiture
donnent une image comme celle montrée à la figure II.21.

Figure II.21 : Image prise avec appareil photo HR

A cet effet, un appareil photo numérique avec une résolution remarquablement bien est
nécessaire. En dehors de cela, il convient de noter que les différentes configurations des
paramètres de la caméra ainsi que les conditions d'éclairage et les conditions météorologiques
affectent grandement l'image acquise. De plus, contrairement à la première, cette seconde
approche présente l’inconvénient d’impliquer d’autres étapes de traitement d’image afin de
pouvoir localiser et extraire correctement la plaque d'immatriculation de l'image [12]

II.6.2. Prétraitement

Cette étape consiste à traiter et à préparer une image nécessaire a la détection ultérieure de la
plaque d’immatriculation et a la reconnaissance des caractères.

II.6.2.1. Conversion d'image Rouge, Verte, Bleu (RVB) en niveaux de Gris

a) image numérique :
Est un tableau à deux dimensions de nombres réels, est divisée en N lignes et M
colonnes. L’intersection de ces lignes et colonnes est appelée pixels.
Colonnes M

Lignes N

Figure II.22 : image numérique 2 dimension

Page 27
Chapitre II Reconnaissance des plaques d’immatriculation

b) Image (RVB)
Une image RVB en vraie couleur est représentée par une matrice double tridimensionnelle

M × N × 3. Chaque pixel a des composantes rouge, verte et bleue

Figure II.23 : Image RVB, M * N * 3 [13].

c) Image niveaux de gris

Une image en niveaux de gris de M pixel de hauteur et de N pixel de largeur est représentée
par une matrice de type de données double de taille M * N dont les valeurs ont été mises à
l'échelle pour représenter les intensités. Chaque valeur de pixel des images en niveaux de gris,
comprise entre 0 (noir) et 255 (blanc), Voici deux méthodes pour le convertir :

• méthode moyenne :

Grayscale = (R + G + B / 3) (II.1)

• méthode de la luminosité [14].

Grayscale image = ( (0.3 * R) + (0.59 * G) + (0.11 * B) ) (II.2)

(a) (b)
(a) (b)

Figure II.24 : Image avant et après la conversion, (a) : Image originale, (b) : Image
en niveau de gris

Page 28
Chapitre II Reconnaissance des plaques d’immatriculation

II.6.2.2. Filtrages d’images

Le filtrage des données d'image est un processus standard utilisé dans presque tous les
systèmes de traitement d'image.

Les filtres sont utilisés pour supprimer le bruit d'une image numérique tout en préservant les
détails de l'image [15].

Le choix du filtre est déterminé par :

 La nature de la tâche effectuée par le filtre

 Comportement du filtre
 Type de données

a) Techniques de filtrages :

Technique
de filtrages

Filtrage Filtrage
lineaire non lineaire

Figure II.25 : Les techniques de filtrages [15].

b) Filtrage linéaires
Sont utilisés pour éliminer certains types de bruit.il est facile a concevoir, les filtres linéaires
fonctionnent mieux avec le bruit du sel et du poivre et le bruit gaussien. .soit I l’image

numérique, soit h une fonction de [x1, x2] x [y1, y2] a valeurs réelles, la convolution de I par

h est définie par :

𝒚𝟏
(𝑰 ∗ 𝒉)[𝒙, 𝒚] = ∑𝒙𝟐
𝒊=𝒙𝟏 ∑𝒋=𝒚𝟐 𝒉(𝒊, 𝒋)[𝒙 − 𝒊, 𝒚 − 𝒋] (II.3)

Tels que h est un noyau de convolution

Le filtrage linéaire contient 2 types de masque sont :

 Filtre moyenneur
 Filtre Gaussien
Ces filtres :

Page 29
Chapitre II Reconnaissance des plaques d’immatriculation

- ont tendance à flouter le bord

- détruire les lignes et autres détails fins de l'image

c) Filtrage non linéaires

Ils sont plus puissants que les filtres linéaires car ils permettent de réduire les niveaux de
bruit sans brouiller les contours, peut être difficile à concevoir.

d) Types des filtres

Il existe 4 types ils sont :

Types des
filtres

Filtre
Filtre médian Filtre de Wiener moyenneur Filtre gaussien

Figure II.26: Les types de filtres

1) Filtre médian
Est un filtre non linéaire simple et puissant, Il est utilisé pour réduire la variation d'intensité
entre un pixel et l'autre pixel. Dans ce filtre, nous remplaçons la valeur de pixel par la valeur
médiane. Cette dernière est calculée en triant d'abord toutes les valeurs de pixels dans l'ordre
croissant, puis en remplaçant le pixel calculé par la valeur de pixel médiane [15]. Le filtrage
de l’image est donné par la formule suivante:

𝒇(𝒙, 𝒚) = 𝒎𝒆𝒅𝒊𝒂𝒏{𝒈(𝒔, 𝒕)} (II.4)

(s, t) ∈ Sxy

Ou Sxy représente l'ensemble des coordonnées dans un masque rectangulaire de taille m * n

centré au point (x, y), l'image donnée est g(x, y) [16].

Filtrage médian avec une fenêtre de taille 3x3

Image de
91 55 90
On liste les valeurs de l’image de référence :
référence 77 68 95
(taille 3x3) 55,68,77,90,91,95,115,151,210

115 151 210

Valeur mediane =91

Tableau II.1 : Explication du Filtrage médian

Page 30
Chapitre II Reconnaissance des plaques d’immatriculation

Image o*

magbruité (a) (b)

Figure II.27 : debruitage par filtre

median

(c)

Figure II.27 : Filtrage par filtre médian, (a) : Image original, (b) : Image bruité, (c) : Filtrage

2) II.27
Figure Filtre: moyenneur
Filtrage par filtre médian, (a) : Image original, (b) : Image bruité, (c) : Filtrage
Est un filtre linéaire simple.son principe est basé sur le remplacement de chaque valeur
de pixel dans une image par la valeur moyenne de ses voisins, y compris elle-même. Mais
ne conserve pas les détails de l'image. Certains détails seront supprimés de d'image avec
l'utilisation de ce filtre, le filtrage de l’image est donné par :

𝟏
𝒇(𝒙, 𝒚) = ∑(𝐬,𝐭)∈𝐒𝐱𝐲 𝐠(𝐬, 𝐭) (II.5)
𝐦𝐧

Soit Sxy représentent l'ensemble de coordonnées dans une fenêtre de sous-image rectangulaire
de taille m * n, centrée au point (x, y). Le processus de filtrage de la moyenne arithmétique
calcule la valeur moyenne de l’image corrompue g (x, y) dans la zone définie par Sxy. La
valeur de l’image restaurée en un point quelconque (x, y) est simplement la moyenne
arithmétique calculée à l’aide des pixels de la région définie par S. En d'autres termes [16].

Page 31
Chapitre II Reconnaissance des plaques d’immatriculation

(a) (b)

(c)

Figure II.28 : Filtrage par filtre moyenneur, (a) : Image original, (b) : Image
corrompue par 12 % bruits gaussien, (c) : Filtrage

3) Filtre Gaussian
Le filtre gaussien lisse une image en calculant la moyenne pondérée dans une boite a filtre. Il
est utilisé pour supprimer le bruit et le flou de l’image. Probablement le filtre le plus utile
(mais pas le plus rapide).

Le filtrage gaussien est effectué par convolution chaque point du tableau en entrée avec un
noyau gaussien, puis en les additionnant pour produire le tableau en sortie

La distribution gaussienne en une-Dimension à la forme :

𝟐
𝟏 −𝒙 ⁄ 𝟐
𝑮(𝒙) = 𝒆 𝟐𝝈 (II.6)
√𝟐𝛑𝛔

En deux dimensions, il est le produit de deux telles fonctions gaussiennes, une dans chaque
dimension :
𝒙𝟐 +𝒚𝟐
𝟏 −
𝑮(𝒙, 𝒚) = 𝒆 𝟐𝝈𝟐 (II.7)
𝟐𝛑𝛔𝟐

Page 32
Chapitre II Reconnaissance des plaques d’immatriculation

Ou x est la distance de l’origine sur l’axe horizontal, y est la distance de l’origine sur l’axe

vertical et 𝝈 est l’écart type de la distribution de gaussienne [17].

(a) (b)
(b) (b)

(c)
(b)
4)
Figure II.29: Filtrage par filtre gaussien(a) : Image Originale, (b) : Image corrompue par
20% du bruit de sel et de poivre, (c) : Filtrage
5) Filtre de Wiener
Le but du filtre de Wiener est de filtrer le bruit qui a corrompu un signal. Ce filtre est basé
sur une approche statistique.

• L’objectif du filtre de Wiener est de réduire autant que possible l’erreur quadratique
moyenne (EQM) selon l’équation suivante :

𝑴𝑺𝑬(𝒙^ ) = ∑𝐍 𝐢,𝐣
𝐢,𝐣=𝟏(𝐱 ) − 𝐱(𝐢, 𝐣))
𝟐
(II.8)

Ou (𝐱 𝐢,𝐣 ) : la mesure de bruit, 𝐱(𝐢, 𝐣) : est l'image sans bruit, et N le nombre d'éléments

dans 𝐱(𝐢, 𝐣) [18].

Page 33
Chapitre II Reconnaissance des plaques d’immatriculation

(a) (b)

(c)

Figure II.30: Filtrage par filtre de Wiener, (a): Image original, (b) : Image bruité (bruit de
poisson), (c) : Filtrage

II.6.2.3. Binarisation d’image

Pour les images acquises en niveaux de gris, la binarisation devient nécessaire avant
d’attaquer la phase du traitement. La binarisation permet de mieux distinguer les caractères
du fond, elle consiste à attribuer à chaque pixel de l’image une valeur de 0 ou 1 [19].
Le résultat de la reconnaissance de caractères dépend fortement de la binarisation. L'image
binarisée de haute qualité peut donner plus de précision dans la reconnaissance des caractères
par rapport à l'image d'origine, car de la présence du bruit dans l'image d'origine. En fait, le
problème est de savoir quel algorithme de binarisation est approprié pour toutes les images.
La sélection de l'algorithme de binarisation le plus optimal est difficile car différents
algorithmes donnent des performances différentes sur des ensembles de données différents.
Cela est particulièrement vrai dans le cas de documents historiques, les images présentant des
variations de contraste et d’éclairage. La figure II.31 montre la conversion de l’image en
binaire.

Les algorithmes se divisent en deux catégories:

Page 34
Chapitre II Reconnaissance des plaques d’immatriculation

 Binarisation globale
 Binarisation locale.
Les méthodes de binarisation globales utilisaient une valeur de seuil unique pour l’image
entière et la méthode de binarisation locale, où la valeur de seuil était calculée localement
pixel par pixel ou région par région [20].

a) Méthodes de binarisation
Cette section classe les méthodes de binarisation locales et globales importantes actuellement
utilisées pour la binarisation.

Pour la binarisation globale, nous choisissons:

1) Méthode de seuillage fixe

2) Méthode Otsu

3) Méthode de Kittler

Pour la binarisation locale, nous choisissons:

1) Méthode Niblack

2) Méthode adaptative

3) Méthode Sauvola

(a) (b)

Figure II.31 : Conversion en image binaire, (a) : Image en niveau de gris, (b) : Image
binarisée

Page 35
Chapitre II Reconnaissance des plaques d’immatriculation

II.6.2.4. Détection de contours

L’objectif de la détection de contours est de repérer les points d’une image numérique qui
correspondent à un changement brutal de l’intensité lumineuse. La détection des contours
d’une image réduit de manière significative la quantité de données et élimine les informations
qu’on peut juger moins pertinentes, tous en préservant les propriétés structurelles importantes
de l’image [21]. Il existe plusieurs méthodes de détection de l’image telle que :

1) Méthode de Sobel

Le principe de ce filtre est que l'opérateur calcule le gradient de l'intensité de chaque pixel.
Ceci indique la direction de la plus forte variation du clair au sombre, ainsi que le taux de
changement dans cette direction. On connaît alors les points de changement soudain de
luminosité, correspondant probablement à des bords, ainsi que l'orientation de ces bords.
L'opérateur utilise des matrices de convolution. La matrice (généralement de taille 3×3) subit
une convolution avec l'image pour calculer des approximations des dérivées horizontale et
verticale. Soit A l'image source, GX et Gy deux images qui en chaque point contiennent des
approximations respectivement de la dérivée horizontale et verticale de chaque point. Ces
images sont calculées comme suit:

+1 0 −1 +1 +2 +1
𝑮𝒙 = (+2 0 −2) ∗ 𝐴 𝑒𝑡 𝑮𝒚 = ( 0 0 0 )∗𝐴
+1 0 −1 −1 −2 −1

En chaque point, les approximations des gradients horizontaux et verticaux peuvent être
combinées comme suit pour obtenir une approximation de la norme du gradient:

𝐺 = √Gx2 + Gy2 (II.9)

2) Méthode de prewitt

La matrice qui correspond au filtrage horizontal, faisant ressortir essentiellement les contours
verticaux, selon l'opérateur de Prewitt, s'écrit hx = [-1 0 1] tandis que la matrice verticale hy
est sa transposée. Les deux convolutions avec le tableau de valeurs initiales créent deux
tableaux Gx et Gy à l'origine du tableau G sur lequel on peut localiser les maximums [21].

Page 36
Chapitre II Reconnaissance des plaques d’immatriculation

3) Méthode de Canny
Le filtre de canny (ou détecteur de canny) est utilisé en traitement d’images pour la détection
des contours. L’algorithme est conçu par John canny en 1986 pour être optimal suivant trois
critères clairement explicités :

 Bonne détection : faible taux d’erreur dans la signalisation des contours

 Bonne localisation : minimisation des distances entre les contours détectés et les
contours réels
 Clarté de la réponse : une seule réponse par contour et pas de faux positifs [22].

(a) (b)

(c)

Figure (II.32) : les méthodes de détection de contours, (a) méthode de prewitt, (b) méthode
de sobel, (c) méthode de canny

II.6.3. Extraction des plaques d’immatriculation (PI)

Une fois que l'image du véhicule est obtenue, l'étape suivante consiste à extraire la plaque
d'immatriculation. À cette fin, cette deuxième étape est basée sur l’identification des
caractéristiques de la plaque minéralogique au sein de l’image, telles que sa couleur, sa forme
ou ses caractères, afin de détecter sa position et ainsi pouvoir l’extraire [23].

Page 37
Chapitre II Reconnaissance des plaques d’immatriculation

Il existe une grande variété de méthodes d'extraction des plaques d’immatriculation. Ces
méthodes peuvent être classées comme suit :

II.6.3.1. Extraction selon l’information de contour

L'une des caractéristiques les plus importantes des plaques d'immatriculation étant leur forme
rectangulaire, le fait d'identifier les arêtes de ce rectangle est un moyen très courant et efficace
de localiser et d'extraire des plaques d'immatriculation.

En fait, ce sont les plus simples de toutes les méthodes d’extraction de plaques
d’immatriculation, étant très rapides et simples. Cependant, pour que ces méthodes donnent
des résultats fiables, les bords des plaques d'immatriculation doivent être continus et les
images peu complexes, c'est-à-dire qu'elles ne doivent pas contenir trop d'arêtes indésirables
pouvant être confondues avec les plaques d'immatriculation [23]

Quelques exemples de cette méthode sont les suivants: filtre Sobel, algorithme de détection de
contour vertical.

II.6.3.2. Extraction selon l’information globale de l’image

Une autre approche courante pour l'extraction de plaques d'immatriculation consiste à utiliser
des caractéristiques globales de l'image. Ce type de méthodes vise à trouver un objet connecté
dans l’image dont la dimension est similaire à celle d’une plaque d'immatriculation.

Elles constituent également des méthodes très simples, totalement indépendantes de

l'emplacement de la plaque d'immatriculation dans l'image. Néanmoins, elles prennent très
longtemps et peuvent présenter des problèmes avec des images de mauvaise qualité, dans la
mesure où elles risquent de générer des objets brisés qui peuvent rendre difficile
l'emplacement de la plaque d'immatriculation [23]

Certaines de cette méthode sont les suivantes: analyse en composantes connectées (ACC),
algorithme de détection de contour ou corrélation croisée 2D avec un modèle de plaque
d'immatriculation prédéfini

II.6.3.3. Extraction selon les caractéristiques de texture

Une autre caractéristique typique des plaques d'immatriculation est leur transition de couleur
fréquente de la couleur d'arrière-plan, blanche ou jaune, à la couleur des caractères,
généralement le noir.

Par conséquent, plusieurs méthodes ont été développées afin de tirer parti de ces
caractéristiques de texture.

Page 38
Chapitre II Reconnaissance des plaques d’immatriculation

En effet, elles constituent des techniques très robustes, capables de détecter des plaques
d'immatriculation même si leurs limites sont déformées. Cependant, ils sont complexes en
termes de calcul, en particulier lorsque l’image présente plusieurs contours [12]

Voici quelques exemples de ces méthodes : Filtrage par Transformée de Fourier Discrète, ou
filtres de Gabor

II.6.3.4. Extraction selon les caractéristiques de couleur

Cet autre type de méthodes repose sur le fait que la plupart des plaques d'immatriculation
partagent les mêmes couleurs, qui sont généralement le noir et le blanc ou le noir et le jaune.
Ainsi, ils se concentrent sur cette fonctionnalité, c'est-à-dire qu'ils analysent les couleurs des
images, afin de détecter les plaques d'immatriculation.

Grâce à cela, il est possible de détecter même des plaques d'immatriculation inclinées ou
déformées. Néanmoins, ces techniques reposent largement sur les limites du jeu de couleurs
utilisé. Par exemple, les conditions d’éclairage affectent fortement le RVB et le TSL (teinte,
saturation, luminosité) est très sensible au bruit. En outre, une détection erronée peut se
produire si les couleurs de la plaque d'immatriculation sont également présentes dans d'autres
parties de l'image [23]

Certains exemples de cette méthode sont : détection de contour de couleur, utilisation des
algorithmes génétique.

II.6.3.5. Extraction selon les caractéristiques de caractère

Comme chacun le sait, le noyau de toutes les plaques d'immatriculation est le numéro
d'enregistrement indiqué, composé d'une combinaison de caractères alphanumériques. Par
conséquent, les méthodes qui utilisent des caractéristiques de caractère profitent de ce fait
pour localiser et extraire la plaque d'immatriculation de l'image.

En réalité, ce sont des techniques assez robustes qui ne sont pas affectées par la rotation de la
plaque d’immatriculation. Cependant, ils prennent généralement beaucoup de temps et une
détection incorrecte peut parfois se produire si des caractères supplémentaires sont présents
dans l'image [12].

Quelques exemples de cette méthode sont les suivants : appliquer la transformation de hough,
utilisation la largeur des caractères, utilisation la projection horizontale

Page 39
Chapitre II Reconnaissance des plaques d’immatriculation

II.6.3.6. Extraction selon la combinaison de caractéristiques

Si toutes les méthodes précédentes produisent déjà remarquablement de bons résultats, une
fois que ces méthodes sont correctement combinées, les performances du système peuvent
être améliorées. En d’autres termes, l’utilisation combinée de deux ou plusieurs
fonctionnalités offre des résultats plus fiables, mais au détriment d’une augmentation des
coûts de calcul et de la complexité du système [12].

Voici quelques exemples de ce type de méthodes: combinaison de caractéristiques de couleur

et de texture, combinaison de caractéristiques de couleur et de contour, voire la combinaison
des trois. En plus de cela, les combinaisons les plus récentes et probablement les plus réussies
sont celles qui combinent certaines des techniques précédemment expliquées avec les
classificateurs d’apprentissage machine

II.6.3.7. Avantages et inconvénients de chaque classe de méthodes d'extraction de la

PI

Méthodes Avantages Inconvénients

d’extraction
Selon Le plus simple et rapide Peu être appliqué à des images complexes
l’information de car ils sont trop sensibles aux bords
contour indésirables

Selon Simple, indépendant de la Peut générer des objets cassés.

l’information position de la plaque
globale de l’image d'immatriculation
Selon les Être capable de détecter Calcul compliqué quand il y a beaucoup de
caractéristiques de contour
même si le bord est déformé
texture
Selon les Être capable de détecter les RVB est limité aux conditions d’éclairage,
caractéristiques de plaques d'immatriculation TSL est sensible au bruit.
couleur inclinées et déformées.

Selon les Robuste à la rotation. Prendre du temps (traiter tous les objets
caractéristiques de binaires), produire des erreurs de détection
caractère lorsque d’autres textes dans l’image

Selon la Plus fiable Complexe de calcul

combinaison de
caractéristiques
Tableau II.2 : Avantages et inconvénients de méthodes d'extraction de la PI [23].

Page 40
Chapitre II Reconnaissance des plaques d’immatriculation

II.6.4. Segmentation des plaque d'immatriculation

Une fois que la plaque d'immatriculation extraite de l'image, la troisième étape d'un système
RPI est la segmentation de la plaque d'immatriculation. Elle consiste à extraire de l'image de
la plaque d'immatriculation chacun des caractères qui y figurent.

À cette fin, tout d'abord, une étape de prétraitement est généralement effectuée sur l'image
afin d'améliorer sa qualité et de faciliter ainsi l'extraction des caractères. Par exemple, un
problème couramment traité dans cette étape de prétraitement est la correction d'inclinaison.
En général, l'amélioration de la qualité de l'image de plaque d'immatriculation extraite est un
aspect essentiel pour réussir la segmentation de la plaque d'immatriculation. Ensuite, une fois
l’étape de prétraitement terminée, la segmentation appropriée de la plaque d'immatriculation
est effectuée.

Comme pour la phase précédente, de nombreuses méthodes ont été mises au point en fonction
des caractéristiques de l’image de plaque d'immatriculation utilisées. Ci-dessous, une brève
description des différentes approches existantes est fournie.

II.6.4.1.Utilisation de la connectivité en pixels

Comme on peut le voir à la figure II.33, la connectivité entre les pixels correspond au rapport
entre les pixels de l’image et les pixels qui les entourent, c’est-à-dire leurs pixels voisins.
Cette fonctionnalité peut être utilisée pour la segmentation de plaques d'immatriculation

4 connectivité 8 connectivité
Figure II.33: Exemples de connectivité de pixels [24]

Ce type de technique est à la fois simple et direct. En fait, il s’avère très résistant à la rotation
des plaques numérotées. Néanmoins, ils ne parviennent généralement pas à extraire les
caractères joints ou cassés, ce qui peut parfois poser problème [25].
II.6.4.2. Utilisation de profils de projection

D'autres méthodes de segmentation de plaques d'immatriculation reposent sur l'extraction et

l'analyse des profils de projection de l'image de la plaque. Celles-ci représentent la somme

Page 41
Chapitre II Reconnaissance des plaques d’immatriculation

courante des valeurs des pixels d'une image dans une certaine direction, généralement
horizontale ou verticale. Comme toutes les plaques numérotées partagent la structure
commune de plusieurs caractères alphanumériques noirs dans une rangée sur un fond blanc ou
jaune, leur profil de projection a une forme caractéristique qui peut être utilisée pour détecter
la position des caractères, comme on peut le voir dans la figure II.34

Figure II.34 : Méthodes de profils de projection verticale [12]

Ce type de méthodes présente deux avantages principaux. D'une part, ils sont totalement
indépendants de la position des caractères et, d'autre part, ils sont capables de gérer un certain
degré de rotation des plaques d'immatriculation. Cependant, ils présentent également certains
inconvénients, comme être fortement affecté par le bruit et nécessiter une connaissance
préalable du nombre exact de caractères figurant sur la plaque d'immatriculation, qui varie
généralement d'un pays à l'autre [25].
Un exemple de cette méthode serait: projection verticale de l'histogramme d’une image
binaire de la plaque d’immatriculation

II.6.4.3. Segmentation selon la connaissance préalable des caractères

Les méthodes qui utilisent la connaissance préalable des caractères sont basées sur l’idée que
si les positions et le nombre de caractères figurant sur la plaque d’immatriculation sont
connus, il n’est pas difficile d’extraire ces caractères à l’aide d’un modèle. En effet, ils
constituent des méthodes très simples. Néanmoins, ils sont totalement limités par La
connaissance préalable du format de la plaque minéralogique et toute modification de celle-ci
peut affecter le résultat de la segmentation de la plaque minéralogique [23].

Quelques exemples de cette méthode sont: numérisation de plaque d'immatriculation ou

redimensionnement de plaque d'immatriculation dans une taille de modèle connue

II.6.4.4. Segmentation à l'aide de contours de caractères

Les caractères figurant sur une plaque d'immatriculation ayant généralement une taille fixe, la
modélisation par contour de ces caractères est une autre technique habituellement utilisée

Page 42
Chapitre II Reconnaissance des plaques d’immatriculation

pour la segmentation d'une plaque d'immatriculation. Ce type de technique consiste

généralement à rapprocher la forme des caractères en un rectangle de dimensions fixes, puis à
rechercher les caractéristiques de l'image de la plaque d'immatriculation qui correspondent à
ce rectangle, d'où la recherche des caractères.

Ce sont des techniques très simples, rapides et simples, qui peuvent même détecter des
caractères apparaissant dans des plaques d'immatriculation inclinées. Néanmoins, ils peuvent
présenter des problèmes avec des images de mauvaise qualité, dans lesquelles certains
caractères risquent de ne pas être très bien distingués, conduisant à une détection erronée des
contours [12].

Voici quelques exemples de ce type de techniques: algorithmes de recherche de contours ou

modèle de contour actif basé sur la forme

II.6.4.5. Segmentation à l'aide de combinaison de caractéristiques

Comme dans la phase précédente, la combinaison de plusieurs de caractéristiques décrites ci-
dessus offre des résultats de segmentation plus fiables. Mais, encore une fois, le prix à payer
est sa complexité de calcul.
II.6.4.6. Avantages et inconvénients de chaque classe de méthodes de segmentation
de la PI
Méthodes de Avantages Inconvénients
segmentation
Utilisation de la Simple et direct, robuste à Ne réussit pas à extraire tous les
connectivité en pixels la rotation de la plaque caractères lorsqu'il y a des caractères
d'immatriculation. joints ou cassés.
Indépendamment des
Utilisation de profils de Le bruit affecte la valeur de projection
positions du caractère,
projection et nécessite une connaissance préalable
être capable de gérer une
du nombre de caractères de la plaque
certaine rotation.
d'immatriculation
selon la connaissance Simple. Limité par la connaissance antérieure,
préalable des caractères tout changement peut entraîner des
erreurs
Segmentation à l'aide de Peut obtenir les limites Lent et peut générer un contour
contours de caractères exactes du caractère incomplet ou déformé
à l'aide de combinaison Plus fiable. Complexe de calcul
de caractéristiques
Tableau II.3 : Avantages et inconvénients méthodes de segmentation de la PI [23].

Page 43
Chapitre II Reconnaissance des plaques d’immatriculation

II.6.5. Reconnaissance de caractères

La dernière étape de chaque système RPI reconnaît avec succès chacun des caractères de
plaque d'immatriculation précédemment extraits. À ce stade, de nouveaux problèmes
apparaissent, tels que la taille et l'épaisseur des caractères dues aux facteurs de zoom,
différentes polices de caractères pour différents pays, des caractères bruités ou brisés, Afin de
répondre à toutes ces questions, il y a deux principaux types de méthodes, qui sont basées sur
l'utilisation de deux fonctions d'image de caractères différents.

II.6.5.1. Utiliser des données brutes

Comme leur nom l’indique, ces méthodes utilisent toutes les informations de l’image de
caractère extraite, c’est-à-dire toutes les valeurs de pixels, et le principe de fonctionnement
qu’elles utilisent est la correspondance des modèles.

Ce sont des méthodes très simples et directes, mais elles ne peuvent reconnaître correctement
que les caractères à une seule police, non pivotés, non rompus et de taille fixe. De plus, le fait
de traiter tous les pixels de l’image, y compris les pixels non importants, rend ces méthodes
plus longues que les autres [12].

Voici quelques exemples de ces méthodes: Correspondance de modèle, corrélation croisée

normalisée

II.6.5.2. Reconnaissance de caractères à l'aide d’extraction de caractéristiques

Contrairement à la précédente, cet autre type de technique repose sur l’idée que tous les pixels
de l’image de caractères ne sont pas également pertinents pour la reconnaissance des
caractères. Ainsi, en utilisant cette approche, le temps de traitement est considérablement
réduit et la distorsion de l'image affecte moins sur le résultat final. Néanmoins, le processus
d’extraction des fonctionnalités nécessite un peu plus de temps et si les caractéristiques ne
sont pas robustes, la reconnaissance risque de se dégrader [12].

Après l'extraction des caractéristiques, de nombreux classificateurs peuvent être utilisés pour
reconnaître des caractères, tels que : Réseau de neurones artificiels [26], Machines à Vecteurs
de Support [27], Modèle de Markov Caché (MMC) [28].

II.7 CONCLUSION

Dans Ce chapitre nous présentons une étude complète sur le système de RPI, incluant les
éléments principaux utilisés pour la reconnaissance ainsi que ces domaines d’utilisation du

Page 44
Chapitre II Reconnaissance des plaques d’immatriculation

système de RPI, de plus nous avons abordé les méthodes existantes dans chaque étapes en
donnants des exemples des techniques utilisé a chaque méthode.

Page 45
 CHAPITRE III :
Application a la
Reconnaissance des
Plaques
D’immatriculation
Algérienne
Chapitre III Application à la reconnaissance des PI Algérienne

III.1 INTRODUCTION
L'un des principaux objectifs de la détection et de la reconnaissance automatiques des plaques
d'immatriculation de voitures est de réduire la main d’œuvre, le coût, le temps et de rendre le
processus rapide et hautement disponible. Il est nécessaire d'identifier et de lire le numéro de
la plaque d'immatriculation du véhicule à partir de photo prise par des dispositifs de
surveillance. Il est nécessaire de convertir l’image en format texte avant de pouvoir l’utiliser
par d’autres parties du système, sans intervention humaine.

III.2 PLAQUE D’IMMATRICULATION ALGERIENNE

La plaque d’immatriculation en Algérie est composée de dix chiffres, voir figure III.1

Figure III.1 : Plaque d’immatriculation algérienne

Nous commençons par la droite :

« 19 » Correspond du code de la wilaya d’immatriculation.
« 15 » Correspond a l’année de mise en marche de véhicule.
« 1 » Correspond au type de véhicule, ici c’est 1 car c’est une véhicule léger, « 3 » pour le
poids lourd.
« 01813 » Correspond au numéro de dossier du véhicule.
III.3 LE SYSTEME DE RPI PROPOSE
Le système conçu dans le cadre de ce projet est composé de les étapes suivante : étape
d’acquisition d’image, étape de prétraitement de l’image comprenant la conversion d’un
format d’image en un autre , le filtrage et la binarisation d’image, la troisième étape est la
localisation et l’extraction de la plaque d’immatriculation , ainsi l’étape suivante est la
segmentation et étiquetage des caractères de la PI . L’étape dernière consiste à identifier les
caractères.

L’organigramme du système de RPI est illustré à la figure III.2

Page 46
Chapitre III Application à la reconnaissance des PI Algérienne

Acquisition (base de
données)

Conversion de RVB en
niveau de gris

Filtrage d'image

Binarisation d'image

Détection du contour

Localisation du plaque
d'immatriculation

Segmentation et
étiquetage des caractères
09125 113 23
Reconnaissance des
caracteres

Figure III.2 : Organigramme du système de RPI

1- Acquisition :La première étape consiste a capturer une image a l’aide d’une appareil
photo HR, ces images seront prises et stockées au format PNG ou JPEG , l’image
d’entrée est de taille 960 x 720 .

Figure III.3 : Image originale

Page 47
Chapitre III Application à la reconnaissance des PI Algérienne

2- Conversion en niveau de gris : Afin de réduire la luminance de l'image couleur, la

conversion en niveaux de gris est appliquée (on utilisant l’équation II.2. Cela permet
de réduire le bruit de l'image dans une certaine mesure et facilite également le
traitement ultérieur de l'image. La figure III.4 montre l'image d'un véhicule qui avait
été appliqué avec le filtre en niveaux de gris.

(a) (b)

Figure III.4 : Conversion l’image en niveaux de gris, (a) : Image original,

(b) : Image en niveaux de gris

3- Filtrage d'image : Une fois l'image convertie, elle est soumise à un processus de
lissage afin d'éliminer le bruit. Dans ce cas, le filtrage médian a été utilisé. La taille du
voisinage utilisé est de 5 × 5. Le résultat de ce processus est une image avec moins de
bruit et un meilleur lissage. Le résultat est illustré a la figure III.5.

(a) (b)

Figure III.5 : Filtrage d’image, (a) : Image en niveau de gris, (b) : Image filtrée

4- Binarisation d’image : cette étape consiste à convertir l’image en réduisant les

informations contenues dans l’image de 256 nuances de gris à 2 : noir et blanc, cela
permet de faciliter la reconnaissance des caractères.

Page 48
Chapitre III Application à la reconnaissance des PI Algérienne

(a) (b)

Figure III.6 : Binarisation d’image, (a) : Image originale, (b) : Image binaire

5- Détection du contour : Une fois l’image convertie en niveaux de gris et lissée à l’aide
d’un filtre numérique médian, un algorithme de détection des contours a été utilisé
pour rechercher les contours d’une image en appliquant la méthode de prewitt. Elle
produit les bords aux points où le gradient d'une image est le maximum. Cet
algorithme donne le détecteur de contour optimal avec un taux d'erreur très faible. La
figure (9) montre l'image après effet la détection de contour prewitt.

Figure III.7 : Détection des contours

6- Localisation de la plaque d'immatriculation :

C’est l’une des sections importantes. Comme mentionné précédemment, l’image est
soumise a plusieurs processus. La figure III.8 montre l’algorithme de localisation la
région de la plaque d’immatriculation

Page 49
Chapitre III Application à la reconnaissance des PI Algérienne

Détection de contour

Extraction des composants

connectés (CC)

For i=1 : nombre du CC

Max CC

Si L/H>5 | L/H <3.5 Oui

CC(i)=0
& (maxa >400) |
(maxa<180)

Non

Afficher la plaque d’immatriculation

Figure III.8 : Algorithme de localisation de la plaque

Ou L : Largeur de la PI, H : Hauteur de la PI, maxa : Surface de la PI

Après la détection des contours de l’image, l’étape suivante consiste à étiqueter les régions
connectées. Dans notre cas, nous indiquons également que les régions connectées doivent
avoir au moins 8 objets connectés. Et classées les avec ses coordonnées.

Page 50
Chapitre III Application à la reconnaissance des PI Algérienne

(a) (b)

Figure III.9 : Localisation de la plaque, (a) : Détection de contour, (b) : Localisation

la région de la plaque

Comme nous l'avons vu dans l'image précédente, la région de la plaque d'immatriculation est
celle qui a la plus grande surface.

Figure III.10: Extraction de plaque d'immatriculation

7- Segmentation et étiquetage des caractères: Apres avoir localisé la région de la plaque

d’immatriculation, vient l’étape de la segmentation qui est le processus par lequel
nous séparons chaque caractères de la plaque d’immatriculation afin de les traiter un
par un.
 Différentes méthodes peuvent être utilisées pour réaliser le processus de
segmentation, notre approche consiste a créer des cadres de sélection autour de
chaque caractère.
 Une fois les composantes connectés sont trouvés, la commande de remplissage est
utiliser pour remplir ces objets avec des couleurs différents voir figure III.12,
Après cela la commande de cadre de sélection est utilisée pour dessiner des
rectangles autour de tous les objets remplis
 Pour éviter les objets connectés petits ou trop grands, une condition concernant la
taille minimale et la taille maximale d’un cadre de sélection est définie,

Page 51
Chapitre III Application à la reconnaissance des PI Algérienne

 Une fois ces boites englobantes crées, les sous images sont crées a partir de
l’image en noir et blanc correspondant a chaque caractère, le résultat est illustré a
la figure III.13.

(a)

(b)

Figure III.11 : Suppression les objets indésirables, (a) : Avant la suppression, (b) : Apres
la suppression

Figure III.12 : Remplissage les objets trouvés

Figure III.13 : Segmentation de la plaque

Après cela, les caractères segmentés seront redimensionnés à la taille du modèle, soit 42 x 24
pixels. Le but du redimensionnement est de rendre la taille des caractères comparable à celle
des modèles :

Figure III.14 : Redimensionnement des chiffres

Page 52
Chapitre III Application à la reconnaissance des PI Algérienne

8- Reconnaissance des caractères :

La figure III.15 montre les étapes de reconnaissance des caractères .

Début

Sélectionner l’image du caractère

Redimensionner l’image

Calculer la correspondance

Si la Non
correspondance
la plus élevée est
trouvé

Oui

Stocker la correspondance la
plus élevée

Oui Si le
caractère
est lie

Non

Stocker l’indice de meilleure

correspondance comme
caractère reconnu

Figure III.15 : Algorithme de reconnaissance de caractères

Page 53
Chapitre III Application à la reconnaissance des PI Algérienne

La reconnaissance des caractères est effectuée à l'aide d'une correspondance de modèle.

Les modèles sont normalisés à 42 x 24 pixels et stockés dans la base de données. Les
modèles doivent tenir dans une fenêtre sans espaces blancs des quatre côtés. Une fois les
caractères segmentés, nous commençons la reconnaissance des caractères par corrélation à
2 dimensions. Nous corrélons chaque caractère segmenté avec les modèles de chiffres de
la base de données, puis nous choisissons la valeur de chaque caractère en fonction du
résultat de la corrélation.

Le résultat de la reconnaissance des caractères est sélectionné en fonction des valeurs

maximales de corrélation pour chaque caractère. Seuls les composants connectés
affichant les valeurs de corrélation maximales seront sélectionnés, les cases restantes
seront ignorées. Le résultat final du système de RPI est présenté à la figure III.17 ci-
dessous.

Figure III.16 : Modèles utilisés pour la correspondance de modèles

Figure III.17 : Résultat final

Page 54
Chapitre III Application à la reconnaissance des PI Algérienne

III.4 RESULTATS EXPERIMENTAL

Les résultats de la correspondance de modèle pour la reconnaissance des caractères sur
certaines des plaques d'immatriculation algériennes à partir d'images statiques
Sont illustrés au tableau III.1. La comparaison des autres résultats expérimentaux est
illustrée au tableau III.2

Image Plaque réelle Plaque Caractère Taux de

prédite s non réussite
identiques

15416 112 24 15416 112 24 0 100%

00087 119 24 0087 119 24 0 100%

695195 00 16 695795 00 76 2 80%

01943 118 24 01943 118 24 0 100%

Page 55
Chapitre III Application à la reconnaissance des PI Algérienne

00895 3 4 6
008951 314 16 3 70%

01813 115 19 01813 11519 0 100%

Tableau III.1 : Exemple de reconnaissance des plaques d’immatriculation.

 Le système proposé pour cette recherche a été testé sur quelques images car il n’y a
pas de base de données de plaques d’immatriculation (PI) algérienne, Le temps
moyen pour la détection PI est de 2 secondes alors que le temps moyen pour la
segmentation et la reconnaissance est de 10 secondes. Ainsi, le temps moyen total de
capture de l'image pour reconnaître la plaque d'immatriculation est de 12 secondes.

III.5 CONCLUSION
Ce chapitre explique la méthodologie qui a été suivie tout au long du développement
de ce projet. La section III.3 explique en détail comment le système de reconnaissance
automatique des plaques d'immatriculation a été développé, en décrivant en détail la
mise en œuvre de chacune des différentes étapes du système.

Page 56
Chapitre III Application à la reconnaissance des PI Algérienne

Méthodes utilisées Type de la PI Taux de

Nombre
reconnaissa
d’image
nce
Mohammed Approche syntaxique
Jameel Ahmed
[11] 310 95,24%

Mohammed Réseau de neurone

Jameel Ahmed
310 85,16%

Jia Wang [29] Corresponde de

modèle 80 72,5%

Iia Wang [29] Réseau de neurone

80 75%

Leticia Reconnaissance
Fernandez optique des caractères
Sanchez [12] 300 99.2%

Opérateurs
Dr. Eyad I. morphologiques,
Abbas [30] détection de bord,
transformation de
Hough et 60
98.245%
correspondance de
modèle.

Zuber. H [31] Analyse composants

connectés,
reconnaissance
optique des caractères 23 8 82.1%
et correspondance de
modèle

Tableau III.2 : Comparaison d’autres résultats expérimentaux

Page 57
Conclusion
générale
CONCLUSION ET PERSPECTIVES
Dans ce travail, nous avons présenté un système de détection et de reconnaissance des plaques
d’immatriculation algérienne. Le développement du système proposé est basé au début sur
l'extraction de la plaque d'immatriculation à l'aide de l'utilisation d'une méthode de détection
de contour. Puis séparé les caractères de la plaque d'immatriculation par segmentation. Enfin
la correspondance des modèles est appliquée avec l'utilisation de la corrélation pour la
reconnaissance des caractères de la plaque.

Nous avons présenté un certains nombre de notions et de définitions concernant le domaine de

traitement d’image que nous avons utilisé pour réaliser notre travail.tel que la conversion d'un
format d'image en un autre, ainsi que l'utilisation des filtres pour améliorer la qualité visuelle
de l'image par l'élimination les effets de bruits existantes dans l'image, De plus, la binarisation
de l'image .

Les résultats fournis par le système de plaque d'immatriculation de voiture ont été testés avec
succès.

Comme perspectives, nous souhaiterons

- Améliorer les résultats obtenus en analysant les cas de défaillances.

- Augmenter le nombre de plaque que reconnaît le système.
- Améliorer la détection des plaques, notamment dans le cas des voitures inclinées
- Tester d’autres méthodes de classification utilisant les machines à vecteurs de support
(SVM) ou des réseaux de neurones artificiels (ANN).

Page 58
Bibliographie

[1] Dutt, Vinita, Vikas Chaudhry, and Imran Khan. "Pattern recognition: an
overview." American Journal of Intelligent Systems 2.1 (2012): 23-27.
[2] Zaghdoudi Rachid, « les techniques de reconnaissance de forme, application : a la
reconnaissance de l’écriture arabe », thèse, université 08 mai 1945, 2018
[3] Cornelius, T. "Leondes: Image Processing and Pattern Recognition." (1998).
[4] DJABEUR, DJEZZAR Mohammed Rafik, and Feth-allah BENKADA. Mise au Point
d’une Application de Reconnaissance de Formes. Diss. 08-01-2018.
[5] Luo, Daisheng. Pattern recognition and image processing. Elsevier, 1998.
[6] ‫" مجلة التربية‬.‫ "تمييز الصور باستخدام المطابقة القالبية المعتمدة على معامل االرتباط‬.‫هدية صالح عبد هللا‬
.182-193 :)2010( 23.43 ‫والعلم‬
[7] Muallim, Mohammad Tarek Al. "Pattern Recognition using Artificial Immune
System." arXiv preprint arXiv:1709.04317(2017).
[8] ‫ امين‬et al .‫ التعرف اآلنى على الحروف العربية المنعزلة باستخدام الشبكات العصبية‬.Diss ‫ جامعة السودان‬.
.2014 ,‫للعلوم والتكنولوجيا‬.
[9] Moharil, Bhupendra, et al. "An efficient approach for automatic number plate
recognition system using quick response codes." IJCSIT 3.0975-9646 (2012): 5108-
5115.
[10] Atanassov, A. "Advanced Software Architecture Of An Automatic Vehicle Number
Plate Recognition System." Journal of the University of Chemical Technology &
Metallurgy 47.1 (2012).
[11] Ahmed, Mohammed Jameel, et al. "License plate recognition system." 10th IEEE
International Conference on Electronics, Circuits and Systems, 2003. ICECS 2003.
Proceedings of the 2003. Vol. 2. IEEE, 2003.
[12] Fernández Sánchez, Leticia. "Automatic Number Plate Recognition (ANPR) System
using Machine Learning Techniques." (2018).
[13] « MATLAB | RGB image représentation »,
[14] Cook, John. "Three algorithms for converting color to grayscale." The
Endeavour (2009).
[15] KUMAR, Mentor-Mr MANJEET, Karan Choudhary, and Kovil Singh. "Image De-
noising by Various Filters for Different Noise using MATLAB."
[16] Abhishek yadav , « Digital image processing » , livre , ,new delhi boston usa ,

Page 59
[17] Collins, Robert. "Lecture 4: Smoothing." CSE/EE486 Computer Vision I Introduction
to Computer Vision CSE Department, Penn State University, Fall (2007).
[18] Sumathi, S., E. Kirubakaran, and N. S. Bhuvaneswari. "Wiener filter and gang
scheduling algorithm for improving safety using gps signal." (2014).
[19] A. Menasria, “ Reconnaissance d’écriture manuscrite par technique à base de réseaux
de neurones ”, Thèse de Magister de l’université de Constantine, 2005.
[20] Naresh Kumar Garg, « Binarization Techniques used for Grey Scale Images », article,
grdiet,bathinda india , juin 2013.
[21] Bourahla et Rabhi, Houda et Chaima,’’ Matlab pour traitement de l’image fondement
et applications’’,these, université mohammed boudiaf ,m’sila ,2017
[22] Bourennane, E., et al. "Generalisation du filtre de canny-deriche pour la detection des
contours de formes quelconques." 14° Colloque sur le traitement du signal et des
images, FRA, 1993. GRETSI, Groupe d’Etudes du Traitement du Signal et des
Images, 1993.
[23] Du, Shan, et al. "Automatic license plate recognition (ALPR): A state-of-the-art
review." IEEE Transactions on circuits and systems for video technology 23.2 (2012):
311-325.
[24] de Souza, E. M., et al. "Cutting process parameters measurements by means of
computer vision." Blucher Mechanical Engineering Proceedings 1.1 (2012): 314-321.
[25] Mohammed jameel ahmed , « Licence Plate Recognition System » ,thèse ,
« DHAHRAN SAUDI ARABIA », JUNE 2003
[26] Kocer, H. Erdinc, and K. Kursat Cevik. "Artificial neural networks based vehicle
license plate recognition." Procedia Computer Science 3 (2011): 1033-1037.
[27] Huang, Rentian, Hissam Tawfik, and Atulya K. Nagar. "Licence plate character
recognition based on support vector machines with clonal selection and fish swarm
algorithms." 2009 11th International Conference on Computer Modelling and
Simulation. IEEE, 2009.
[28] Van Heerden, Renier Pelser. Hidden Markov models for robust recognition of vehicle
licence plates. Diss. University of Pretoria, 2002.
[29] Wang, Jia. Event-driven traffic ticketing system. Diss. Auckland University of
Technology, 2016.
[30] Abbas, Eyad I., and Thaaer A. Hashim. "Iraqi Cars License Plate Detection and
Recognition System using Edge Detection and Template Matching

Page 60
 Correlation." Engineering and Technology Journal 34.2 Part (A) Engineering (2016):
257-271.
[31] Ahmed, Huda Zuber. "Design and implementation of car plate recognition system for
ethiopian car plates." Addis Ababa Ethiopia (2011).

Page 61