conception et réalisation d’un système de reconnaissance

République algérienne démocratique et populaire

Ministère de l’enseignement supérieur et la recherche scientifique

Université Larbi Ben M’hidi Oum El Bouaghi

Faculté des Sciences Exactes et Sciences de la Nature et de la Vie

Département de Mathématiques et Informatique

Mémoire de fin d’étude en vue de l’obtention du diplôme de master en Informatique

Option

Vision artificielle

Thème

Présenté par :

Guendouz Ahmed Dhiya Eddine.

Devant le jury Dr. Berkane Mohamed Encadreur Pr NINI Brahim Président Mme CHEBBOUT Samira Examinatrice

Année Universitaire : 2019-2020

Conception et réalisation d’un système de reconnaissance

automatique des plaques d’immatriculation algérien

Remerciements

Merci Allah (mon dieu) de m'avoir donné la

capacité d'écrire et de réfléchir la patience

et le courage durant ces longues années

d'étude.

Tout d’abord, ce travail ne serait pas

aussi riche et n’aurait pas pu voir le jour

sans l’aide et l’encadrement de Monsieur

Berkane Mohamed, Je le remercie de m’avoir

encadré, orienté, aidé et conseillé.

J’exprime aussi mes gratitudes à tous les

enseignants du département mathématiques et

d'informatique sans exception, qui nous ont

fournis les outils nécessaires à la réussite

dans nos études universitaires.

Je remercie mes très chers parents, Fateh

et Kaltoum, qui ont toujours été là pour moi.

Je remercie ma sœur Bouchra, et mes frères

Alla Eddine et Oussama pour leurs

encouragements.

Je remercie mob amis Bensiah Oussama Akram

pour leurs encouragements.

À tous ces intervenants, je présente mes

remerciements, mon respect et ma gratitude.

Dédicaces

Je dédie ce modeste travail :

A mes chers parents, pour tous leurs

sacrifices, leur amour, leur tendresse, leur

soutien et leurs prières tout au long de mes

études,

À mes adorables frères Bouchera ,Alla Eddine et

Oussama ,

A toute ma famille pour leur soutien tout au

long de mon parcours universitaire,

Que ce travail soit l’accomplissement de vos

vœux tant allégués, et le fuit de votre soutien

infaillible,

Merci d’être toujours là pour moi.

Résumé

L’IA est un vaste domaine qui vise à améliorer la vie des gens et à trouver des solutions aux divers problèmes auxquels ils font face, en particulier ceux liés à la sécurité, comme l’identification des visages, des voix et des formes. Dans cette recherche, nous avons utilisé les réseaux de neurones artificielles pour construire un système intelligent pour la reconnaissance des plaques d'immatriculation afin de l’exploiter dans les systèmes d'identification automatique au niveau des parkings ou des radars routiers et autres. Pour cela nous avons entrainé un réseau de neurones de type perceptron multicouches en utilisant une base de données contenant plus de 2000 images de numéros des plaques d'immatriculation. Avec la méthode proposée nous avons obtenues des résultats avec une grande précision.

Abstract

Artificial Intelligence is a vast field that aims to improve people's lives and find solutions to the various problems they face, especially those related to security, such as identifying faces, voices and shapes. In this research, we used artificial neural networks to build an intelligent system for license plate recognition for use in automatic identification systems at parking lots or road radars and others. For this we trained a multi-layered perceptron neural network using a database containing more than 2000 images of license plate numbers. With the proposed method we obtained results with great precision.

ملخص

خاصة ،ٌوجهونها التً المشكلات لمختلف حلول وإٌجاد الناس حٌاة تحسٌن إلى ٌهدف واسع مجال هو الاصطناعً الذكاء العصبٌة الشبكات استخدمنا البحث، هذا فً. والأشكال والأصوات الوجوه على التعرف مثل بالأمن، المتعلقة تلك

اأوتوماتٌكً السٌارات مواقف تسٌٌر أنظمة فً لاستخدامه ترقٌم المركبات لوحة على للتعرف ذكً نظام لبناء الاصطناعٌة بٌانات قاعدة باستخدام الطبقات متعددة عصبٌة شبكة بتدرٌب قمنا بذلك، للقٌام. ذلك شابه وما الطرق مراقبةكامٌرات أو

.كبٌرة بدقة نتائج على حصلنا المقترحة، بالطرٌقة. ترقٌم المركبات لوحات لأرقام صورة 2000 من أكثر على تحتوي

TABLE DES MATIERES

7 .................................................................................................................................................. .ة

Introduction général .................................................................................................................. 1

Chapitre 01 : Revue de littérature.............................................................................................. 1

1. Introduction ........................................................................................................................ 3

2. La reconnaissance de forme RDF ....................................................................................... 3

2.1. Le prétraitement .......................................................................................................... 4

2.1.1. Filtrage .................................................................................................................. 5

2.1.2. Binarisation d’image ............................................................................................. 8

2.1.3. Détection de contours .......................................................................................... 9

2.2. La classification .......................................................................................................... 10

2.2.1. méthode de classification .................................................................................. 11

2.3. Domaine d’application .............................................................................................. 14

2.3.1. La vision artificielle ............................................................................................. 14

2.3.2. La reconnaissance des caractères et des mots .................................................. 16

2.3.3. La reconnaissance vocale ................................................................................... 18

3. La reconnaissance des plaques d’immatriculation .......................................................... 20

3.1. Les différentes formes d’immatriculation dans le monde ........................................ 20

4. Travaux ............................................................................................................................. 21

4.1. Travaux au niveau mondiales : .................................................................................. 21

4.1.1. Système de vision par ordinateur basé sur FCN et LSTM pour la reconnaissance

du type de véhicule, du numéro de plaque d'immatriculation (Nauris , Jaundalders,

Kadikis, & Nesenbergsa, 2018): ........................................................................................ 22

4.1.2. Reconnaissance automatique de plaque d'immatriculation basée sur un réseau

neuronal à convolution (Raj, et al., 2019) : ...................................................................... 23

4.2. Travaux au niveau local : ........................................................................................... 25

4.2.1. Reconnaissance automatique des plaques d’immatriculation (KOHILI , 2015) . 25

4.2.2. Système de reconnaissance des plaques d'immatriculation Algérienne

(TOUAMRIA, 2019) ........................................................................................................... 25

4.2.3. Evaluation et critique ......................................................................................... 25

5. Conclusion ........................................................................................................................ 27

Chapitre 2 Méthode proposée ................................................................................................... 3

1. Introduction ...................................................................................................................... 23

2. Méthode proposée ........................................................................................................... 23

2.1. Création de la base de données : .............................................................................. 24

2.2. Prétraitement et extraction de caractéristiques........................................................... 26

2.2.1 Prétraitement .......................................................................................................... 26

2.2.2. Extraction de caractéristiques ................................................................................ 26

5.1. 2.3. Classification basée sur les réseaux de neurones .............................................. 27

3. Implémentation ................................................................................................................ 31

3.1. Environnement de travail .......................................................................................... 31

3.2. Description de l’application ....................................................................................... 34

3.2.1. Interface utilisateur ............................................................................................ 34

3.2.2. Importation d'image ........................................................................................... 37

3.2.3. Localisation de la plaque d'immatriculation ...................................................... 38

3.2.4. Segmentation des caractères ............................................................................. 38

3.2.5. Stockage des résultats ........................................................................................ 39

4. Test et résultats ................................................................................................................ 39

4.1. Importation de l’image .............................................................................................. 40

4.2. Localisation de plaque d’immatriculation ................................................................. 40

4.3. Cas de test de segmentation ..................................................................................... 41

4.4. Test de reconnaissance des caractères ..................................................................... 41

4.5. Fonctionnalités de l'interface ALPR ........................................................................... 42

5. Conclusion ........................................................................................................................ 43

conclusion générale ................................................................................................................. 43

References ......................................................................................................................... 44

Table des figures

FIGURE ‎2.1 Schéma générale d’un système de reconnaissance des formes.

FIGURE 1.2 les techniques de filtrages

FIGURE 1.3 apprentissage supervise d'une machine.

FIGURE 1.4 imagerie médicale.

FIGURE 1.5 contrôle de qualité.

FIGURE 1.6 imagerie satellitaire.

FIGURE 1.7 imagerie satellitaire.

FIGURE 1.8 traitement d’un document papier par numérisation et reconnaissance.

FIGURE 1.9 acquisition d’un signal au moyen d’un stylet et d’une tablette tactile.

FIGURE 1.10 documents imprimes et manuscrits.

FIGURE 1.11 reconnaissance vocale.

FIGURE 1.12 identification biométrique.

FIGURE 1.13 Schéma de plaque d’immatriculation de type AAA 111.

FIGURE 1.14 schéma de plaque d’immatriculation de type AA 111 AA.

FIGURE 1.15 schéma de plaque d’immatriculation de type AA/11-AA-11.

FIGURE 1.16 schéma de plaque d’immatriculation de type AAA 1111 et 1111 AAA .

FIGURE 1.17 Schéma de plaque d’immatriculation : 11111 111 11.

FIGURE 1.18 proposent un système de reconnaissance automatique des plaques

d'immatriculation (ANPR)

FIGURE 1.19 un système de reconnaissance automatique des plaques d'immatriculation

(RAPI).

FIGURE 2.1 schéma de notre proche

Figure 2.2 exemple 1 sue la base de donnée

FIGURE 2.3 EXEMPLE 2 sue la base de donnée

FIGURE 2.4 les différentes situations considérées par le détecteur de Moravec

FIGURE 2.5 schéma de perceptron multicouche


Figure 2.7 LOGO MATLAB

Figure 2.8 logo Photoshop

Figure 2.9 interface d’accueil

Figure 2.10 Menu d’application

Figure 2.11 le guide du l’interface

Figure 2.12 chemin de la photo

Figure 2.13 Implémentation de Harris

Figure 2.14 la Segmentation

Figure 2.15 le résultat

Figure 2.16 Erreur quadratique moyen RMS

Table des tableaux

Tableau 1.1 Montre les résultats obtenus par le système (ANPR).

Tableau 1.2 les résultats obtenus par le système (RAPI).

Tableau 2.1 importation de l’image

Tableau 2.2 localisation de plaque d’immatriculation

Tableau 2.3 test de segmentation

Tableau 2.4 fonctionnalité de l’application

1

INTRODUCTION GENERAL

Les progrès technologiques que l’informatique a apportés ont un impact direct sur la

vie des individus, facilitant ce qui semblait être complexe à savoir en bureautique et dans le

domaine de la communication, en outre, l'intérêt accru pour le domaine de l'intelligence

artificielle, comme dernières évolution de Informatique, a ouvert de nouveaux horizons et

différentes visions pour plusieurs domaines, tels que la médecine, les études et les sciences

spatiales, ce qui améliore et augmente la qualité de vie des individus.

La reconnaissance des formes, des visages et des sons représentent les défis les plus

importants de l’intelligence artificielle dans toutes ses branches de l’apprentissage

automatique à l’apprentissage profond, qui ont été une source de recherche pour de

nombreux chercheurs afin de trouver des solutions à ses différentes lacunes. L’une des

solutions la plus importante est l'utilisation des différents types des réseaux de neurones

artificiels et leurs introduction de la manière la plus adéquate pour atteindre les objectifs

nécessaires pour résoudre les problèmes posés et trouver des solutions à ces défis,

l’utilisation de réseaux de neurones artificiels est inspiré du fonctionnement du cerveau

humain ou animal en simulant les opérations de reconnaissance de formes ( RdF) à partir du

le fonctionnement biologique du cerveau.

La contribution principale de ce travail est de construire un système de reconnaissance

automatique basée sur les réseaux de neurones appliqué au plaques d’immatriculation

algérien extrait en temps réel à partir d’une image de véhicule.

Ce manuscrit est organisé en deux chapitres :

Chapitre 01 : Revue de littérature

Au début de ce chapitre nous allons présenter une vue générale sur la reconnaissance de

forme RDF ensuite nous allons illustrer quelques travaux sur la détection et reconnaissance

automatique des plaques d’immatriculation. A la fin, nous allons établir une évaluation des

différents travaux dans le domaine en présentant leurs avantages ainsi que leurs

inconvénients.

2

Chapitre 02 : Méthode proposée

Ce chapitre est composé de trois partie, la première présente l’approche que nous avons

développé pour l’identification et la reconnaissance des plaques d’immatricule algériennes,

dans la deuxième partie nous allons montrer l’implémentation de l’approche proposée sous

forme de système complet en illustrant les principales interfaces d’entrées sorties.

Concernant la troisième partie, elle contient une évaluation de cette approche en précisant

les principaux tests que nous avons effectués ainsi que les résultats obtenus.

CHAPITRE

01 : REVUE

DE

LITTERATUR

E

Chapitre 01

Revue de littérature


3

1. INTRODUCTION

La vision par ordinateur, appelée également vision artificielle ou vision numérique, est

une branche de l'intelligence artificielle dont la principe est de permettre à une machine

d'interpréter, de traiter et de comprendre une ou plusieurs images capturées par un

système d'acquisition (ex. des caméras) .

Cette approche consiste à essayer d'imiter la vision humaine ou animale par exemple, vision

à large champ de certains oiseaux, de certains insectes, avec des composants électroniques.

Cette approche peut être vue comme le traitement des données visuelles par la géométrie,

la physique, la biologie, les statistiques et des modèles basés sur la théorie de

l'apprentissage. La vision par ordinateur a également été développée dans le but

d'automatiser et d'incorporer une grande variété de processus et de modèles de perception

visuelle.

2. LA RECONNAISSANCE DE FORME RDF

On désigne par reconnaissance de formes RdF (ou parfois reconnaissance de motifs)

un ensemble de techniques et méthodes visant à identifier des motifs à partir de données

brutes afin de prendre une décision dépendant de la catégorie attribuée à ce motif. La RdF

est considérée comme une branche de l’intelligence artificielle qui fait largement appel aux

techniques d’apprentissage automatique et aux statistiques. Les formes ou motifs à

reconnaître peuvent être de nature très variée. Il peut s'agir de contenu visuel (code barre,

visage, empreinte digitale...) ou sonore (reconnaissance de parole), d'images médicales

(rayon X, EEG, IRM...) ou multi spectrales (images satellitaires) et bien d'autres. [3]

L'objectif de la RdF est de réaliser des systèmes informatisés qui simulent les activités

humaines de perception, de reconnaissance et de compréhension :

Reconnaissance de l'écrit, de la parole.

Interprétation de scènes, robotique.

Reconnaissance des signaux EEG (électroencéphalogramme), ECG

(électrocardiogramme).


4

L’ensemble des étapes majeures d’une approche de reconnaissance des formes se

décompose comme l’illustre la figure suivante (Voir Figure 1.1) :

FIGURE ‎2.1 Schéma générale d’un système de reconnaissance des formes.

2.1. LE PRETRAITEMENT

Les données brutes issues des capteurs sont les représentations initiales des données à

partir desquelles des traitements permettent de construire celles qui seront utilisées pour la

reconnaissance.

Les données brutes sont bruitées, elles contiennent des informations parasites, elles

sont non normalisées et redondantes et elles n'explicitent pas les informations utiles pour la

reconnaissance. Ainsi, une étape de prétraitement consiste à sélectionner dans l’espace de

représentation l’information nécessaire au domaine d’application.

Cette sélection passe souvent par l’élimination du bruit, la normalisation des données,

ainsi que par la suppression de la redondance. Le nouvel espace de représentation a une

dimension R’ très inférieur à R mais demeure un espace de grande dimension et contient des

informations encore assez primitives. [4]

Il existe plusieurs méthodes dans cette étape, parmi ces méthodes on distingue 03 types :


5

Filtrage.

Binarisation.

Détection de contour.

2.1.1. FILTRAGE

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 Lissage et élimination du bruit d'une image numérique tout

en préservant les détails de l'image [5]. Le choix du filtre est déterminé par :

La nature de la tâche effectuée par le filtre.

Comportement du filtre.

Type de données.

2.1.1.1. TECHNIQUES DE FILTRAGES

Le chemin suivant illustre les différents technique de filtrages (Voir Figure 1.2)

FIGURE 1.2 les techniques de filtrages


6

A- Filtrage linéaires :

Les filtres linéaires sont utilisés pour éliminer certains types de bruit.il est facile à

concevoir, ces filtres 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 :

(I ∗ h)[x, y] = ∗

𝑋2

𝐼=𝑋1

h(i, j)[x − i, y − j]

𝑌1

𝐽=𝑌2

Tels que h est un noyau de convolution

Le filtrage linéaire contient 2 types de masque sont :

Filtre moyen :

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 :

𝑓 𝑥, 𝑦 =1

𝑚𝑛 𝑔(𝑠, 𝑡)

∞

(𝑠,𝑡)∈𝑆𝑥𝑦

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

[6].

(01)

(02)


7

Filtre Gaussien :

Le filtre gaussien lisse une image en calculant la moyenne pondérée dans

une boite à filtrée. Il est utilisé pour supprimer le bruit et le flou de l’image.

Le filtrage gaussien. Il est effectué par convolution de chaque point du

tableau en entrée avec un noyau gaussien, puis additionner pour produire

la valeur en sortie. La distribution gaussienne en une-Dimension à la forme

:

𝑮 𝒙 =𝟏

𝟐𝝅𝝈𝒆−𝒙𝟐

𝟐𝝈𝟐

En deux dimensions, il est le produit de deux telles fonctions gaussiennes,

une dans chaque dimension :

𝑮 𝒙, 𝒚 =𝟏

𝟐𝝅𝝈𝒆

−𝒙𝟐+𝒚𝟐

𝟐𝝈𝟐

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 [5].

B- Filtrage non linéaires :

Ils sont plus puissants que les filtres linéaires car ils permettent de réduire les

niveaux

De bruit sans brouiller les contours, peuvent être difficiles à concevoir.

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.

Le filtrage de l’image est donné par la formule suivante :

(03)

(04)


8

𝒇 𝒙, 𝒚 = 𝒎𝒆𝒅𝒊𝒂𝒏 𝒈 𝒔, 𝒕 /(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) [6].

2.1.2. 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.

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.

Les algorithmes se divisent en deux catégories :

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 [8].

Pour la binarisation globale, nous choisissons :

Méthode de seuillage fixe

Méthode Otsu

(05)


9

Méthode de Kittler

Pour la binarisation locale, nous choisissons :

Méthode Niblack

Méthode adaptative

Méthode Sauvola

2.1.3. DETECTION 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 [9].

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 :

𝐺𝑋 =+1 0 −1 +2 0 −2 ∗ 𝐴 +1 0 −1

𝐺𝑌 =+1 +2 +1 0 0 0 ∗ 𝐴 −1 −2 −1

.

Et (06)


10

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 + 𝐺𝑦

2

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 [9].

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

[10].

2.2. LA CLASSIFICATION

La classification est l’élaboration d’une règle de décision qui transforme les attributs

caractérisant les formes en appartenance à une classe (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 l’écriture, il faut avoir procédé auparavant à deux étapes : l’étape

d’apprentissage et l’étape de test.

(07)


11

2.2.1. METHODE DE CLASSIFICATION

Généralement, un système de reconnaissance est construit à partir des connaissances

a priori sur le problème. Le fait de classer un objet correspond donc à prendre une décision

en basant sur une ou plusieurs règles. Dans les années 90, l'approche Machine Learning (ML)

ou apprentissage machine devient très populaire. Il s'agit d'apprendre automatiquement les

règles de décision en basant sur un ensemble d'exemples déjà classés.

L'apprentissage machine inclut entre autres les méthodes supervisées et non

supervisées. Dans les techniques non-supervisées, les objets sont présentés sans leur

catégorie. Un exemple type de méthodes non-supervisées est le clustering dont le but est de

créer des groupes (clusters) d'objets présentant des caractéristiques semblables. Dans le cas

des méthodes supervisées, on cherche à estimer une fonction f(x) à partir des exemples x,

comme l'indique la figure ci-dessous [11] (Voir Figure 1.3).

FIGURE 1.3 apprentissage supervise d'une machine.

Où x, f(x) une donnée et son étiquette et F’ est une estimation de f(x).

Les données préparées sont stockées dans des entrepôts de données qui sont

directement accessibles par la phase d’extraction des connaissances. Dans cette phase,

plusieurs techniques et outils sont utilisés selon les objectifs et les informations recherchées.

Cependant, deux grandes tendances partagent ces techniques : la prédiction et la

description.

La prédiction englobe une famille de méthodes qui visent à utiliser les données

disponibles pour prédire le comportement des données futures. La description englobe des

méthodes qui visent à découvrir les modèles (patterns) compréhensibles par les humains et

qui décrivent les données analysées. La prédiction est un processus à deux étapes : une

étape d’apprentissage (entrainement) et une étape de classification (utilisation). Dans


12

l’étape d’apprentissage, un classificateur (une fonction, un ensemble de règles, ...) est

construit en analysant (ou en apprenant de) une base de données d’exemples

d’entrainement avec leurs classes respectives [11].

2.2.1.1. APPRENTISSAGE STATISTIQUE

Les techniques d’apprentissage statistique se basent sur les lois statistiques, ce sont

des méthodes qui reposent sur la théorie de Bayes représentant une référence théorique

pour les approches statistiques de résolution des problèmes de classification. Les réseaux

Bayésiens (ou réseaux de croyance) représentent l’application la plus connue de la théorie

de bayes dans la classification. Ils sont beaucoup plus précis que d’autres techniques

d’apprentissage, puisqu’ils, d’un côté, prennent en considération les dépendances entre les

attributs, et d’un autre côté, peuvent intégrer des connaissances humaines au préalable.

Malheureusement, ces réseaux sont très coûteux en temps de calcul pour

l’apprentissage et l’espace nécessaire pour les stocker est aussi exhaustif [12].

2.2.1.2. RESEAUX DE NEURONES

Un réseau de neurones est un assemblage de neurones connectés entre eux. Un

réseau réalise une ou plusieurs fonctions algébriques de ses entrées, par composition des

fonctions réalisées par chacun des neurones. La capacité de traitement de ce réseau est

stockée sous forme de poids d'interconnexions obtenus par un processus d'apprentissage à

partir d'un ensemble d'exemples d'apprentissage Il arrive souvent que les exemples de la

base d'apprentissage comportent des valeurs approximatives ou bruitées.

Si on oblige le réseau à répondre de façon quasi parfaite relativement à ces exemples,

on peut obtenir un réseau qui est biaisé par des valeurs erronées [12].

2.2.1.3. LES ARBRES DE DECISION

Les arbres de décision représentent une méthode très efficace d’apprentissage

supervisé. Il s’agit de partitionner un ensemble de données en des groupes les plus

homogènes possible du point de vue de la variable à prédire. On prend en entrée un

ensemble de données classées, et on fournit en sortie un arbre qui ressemble beaucoup à un

diagramme d’orientation où chaque nœud final (feuille) représente une décision (une classe)

et chaque nœud non final (interne) représente un test. Chaque feuille représente la décision


13

d’appartenance à une classe des données vérifiant tous les tests du chemin menant de la

racine à cette feuille [13].

Les arbres de décisions sont très répandus, à cause de la simplicité de lecture de leurs

résultats et leur traitement naturels des cas multi-classe. Néanmoins, ils posent beaucoup de

problèmes tel que :

La difficulté de manipulation des attributs numériques,

L’espace nécessaire pour leur déduction,

Leur non scalabilité.

2.2.1.4. LA REGRESSION

La régression est la méthode utilisée pour la prédiction des valeurs continues. Son

objectif est de trouver le meilleur modèle qui décrit la relation entre une variable continue

de sortie et une ou plusieurs variables d’entrée. Dans l’analyse des bases de données, la

régression est utilisée pour prédire des informations continues telles que la valeur d’une

action d’une entreprise dans une bourse [14].

2.2.1.5. CLUSTERING

Le clustering regroupe un ensemble de techniques qui visent à regrouper les

enregistrements d’une base de données en des groupes selon leur rapprochement les uns

des autres en ne se basant sur aucune information antérieure, c’est un apprentissage non

supervisé. Un système d’analyse en clusters prend en entrée un ensemble de données et

une mesure de similarité entre ces données, et produit en sortie un ensemble de partitions

décrivant la structure générale de l’ensemble de données [14].

2.2.1.6. MACHINES A VECTEUR DE SUPPORT (SVM)

Le SVM est un modèle discriminant qui tente de minimiser les erreurs d’apprentissage

tout en maximisant la marge séparant les données des classes. La maximisation de la marge

est une méthode de régularisation qui réduit la complexité du classificateur. Elle sert à

pénaliser les paramètres du modèle de la même façon que la méthode du « weight decay1 »

qui altère les poids de grande amplitude dans un

PMC2. Le noyau d’un SVM est une fonction symétrique défini-positive qui permet de

projeter les données dans un espace transformé de grande dimension dans lequel s’opère

plus facilement la séparation des classes [15].


14

2.3. DOMAINE D’APPLICATION

La reconnaissance de formes est utilisée dans plusieurs domaines d’activités. Parmi ces

domaines on peut citer :

2.3.1. LA VISION ARTIFICIELLE

La vision par ordinateur est l'un des principaux champs d'application de la RdF.

Actuellement, elle a trouvé une place dominante dans un domaine tel que l'imagerie

biomédicale (Figure 1.4). Par exemple, dans la détection des cellules cancéreuses du

cerveau, les images sont acquises en Imagerie par Résonance Magnétique (IRM). Au cours de

l'étape de segmentation, on va rechercher dans les images différentes régions du cerveau :

matière blanche, matière grise, liquide cérébro-spinal, etc comme le montre la figure 1.

Ensuite, on cherche à détecter d'éventuelles tumeurs bénignes ou malignes à partir de

caractéristiques extraites de régions de l'image. Bien évidemment, il ne s'agit là que de

fournir une aide au diagnostic validée ultérieurement par le praticien [16].

FIGURE 1.4 imagerie médicale [16].

En industrie, les industriels cherchent à contrôler la qualité de fabrication de leurs

produits. La vision artificielle peut être utilisée dans un système de détection de défauts. On

peut imaginer diverses pièces industrielles passant sur un tapis roulant et filmées en continu

par une caméra. Avec un traitement en temps réel de cette image, on peut, par exemple,

vérifier si l'angle formé par deux pièces assemblées est conforme au cahier des charges (Voir

Figure 1.5) [16].


15

FIGURE 1.5 contrôle de qualité [16].

En imagerie aérienne, l’interprétation des images aériennes ou de satellites (Voir Figure 1.6,

1.7) conduit à la surveillance ou aux prévisions agricoles.

FIGURE 1.6 imagerie satellitaire [16].

FIGURE 1.7 imagerie satellitaire [16].


16

On peut citer aussi d'autres domaines récents et très actifs comme la reconnaissance

des gestes, de l'attitude et même des émotions à partir de séquences vidéos ou audio, la

reconnaissance des opinions à partir de tweets [16].

2.3.2. LA RECONNAISSANCE DES CARACTERES ET DES MOTS

La reconnaissance de l’écriture est une application classique de la RdF. Elle est connue

sous le nom d’OCR (Optical Character Recognition) s’il est de l’écriture imprimée. Alors que

s’il s’agit de l’écriture manuscrite, la dénomination est ICR (IntelligentCharacter

Recognition).

Elle vise à transformer un texte manuscrit, sur tout type de support, vers un texte

numérique (éditable par un traitement de texte). Le document, sous forme papier par

exemple, est préalablement numérisé par un scanner pour en obtenir une représentation

sous la forme d'une image. On essaie ensuite d'extraire chacune des lettres présentes sur

l'image et d'en déterminer un équivalent informatique (Voir Figure 1.8,1.9) [16].

FIGURE 1.8 traitement d’un document papier par numérisation et reconnaissance [16].


17

FIGURE 1.9 acquisition d’un signal au moyen d’un stylet et d’une tablette tactile [16].

L’OCR (Voir Figure 1.10) connaît plusieurs applications pratiques dans différents

domaines d’activité parmi lesquels on peut citer :

Les banques et les assurances pour l’authentification de chèques bancaires

(correspondance entre montants et libellé d’une part, et correspondance

entre l’identité du signataire et sa signature, d’autre part), et la vérification de

clauses de contrats pour les assurances.

La poste pour la lecture des adresses et le tri automatique du courrier.

Les télécommunications pour l’échange de fichiers informatiques à distance.

La police et la sécurité pour la reconnaissance des plaques minéralogiques

pour le contrôle routier, l’authentification (et l’identification de manuscrits et

l’identification du scripteur (l'identification permet donc de connaître

l'identité d'une entité alors que l'authentification permet de vérifier cette

identité).

Les affaires et l’industrie pour la gestion des stocks et la reconnaissance de

documents techniques.

La bureautique pour l’indexation et l’archivage automatique de documents, et

pour la publication électronique.

L’administration pour la reconnaissance de plans cartographiques et la lecture

automatique de documents administratifs [16].


18

FIGURE 1.10 documents imprimes et manuscrits [16].

2.3.3. LA RECONNAISSANCE VOCALE

Elle est d’une utilisation relativement récente des techniques de la RdF donnant lieu à

de nombreuses recherches. D'une manière générale, l'objectif est de faciliter la

communication humaine et Homme/Machine en reconnaissant l'information parlée. La

traduction automatique de la parole ou la dictée vocale en sont des applications potentielles

au même titre de la commande vocale. Dans ce dernier cas, l'instruction parlée est envoyée

deux fois plus rapidement que si elle était dactylographiée. La commande vocale peut

également permettre à des personnes handicapées de contrôler des machines en leur

parlant (Voir Figure 1.11) [16].

Les systèmes de sécurité utilisent la voix pour identifier ou authentifier des locuteurs.

D'autres paramètres biométriques comme les empreintes digitales, la signature, les images

(2D et 3D) de la main et du visage, sont également utilisés (Voir Figure 1.12) [16].

.


19

FIG

UR

E 1.11 reconnaissance vocale [16].

FIGURE 1.12 identification biométrique [16].


20

3. LA RECONNAISSANCE DES PLAQUES D’IMMATRICULATION

Une plaque d'immatriculation est une plaque portant une combinaison unique de

chiffres ou de lettres (pour une zone géographique donnée), destinée à identifier facilement

un véhicule terrestre (automobile, moto, véhicule agricole, etc.). Dans le cas des véhicules

circulant sur le réseau routier, objet de cet article, ceci permet de retrouver les auteurs

d'infractions au code de la route et les véhicules déclarés volés [17].

3.1. 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 :

Le modelé AAA 111 : Il existe dans les pays suivants : Allemagne, Chypre, Finlande,

Suède, Hongrie, Lituanie, Malte, Moldavie et Belgique

FIGURE 1.13 Schéma de plaque d’immatriculation de type AAA 111 [13].

Le modèle AA 111 AA : existe dans la Slovaquie, Autriche, France, Italie, Serbie et

Géorgie

FIGURE 1.14 schéma de plaque d’immatriculation de type AA 111 AA [13] .

Le modèle AA/11-AA-11 : existe dans le Pays bas et le Portugal

https://fr.wikipedia.org/wiki/V%C3%A9hicule

https://fr.wikipedia.org/wiki/Code_de_la_route

https://fr.wikipedia.org/wiki/Vol_(droit)


21

FIGURE 1.15 schéma de plaque d’immatriculation de type AA/11-AA-11 [13] .

LE MODELE AAA 1111 ET 1111 AAA : EXISTE DANS LA GRECE ET L'ESPAGNE

FIGURE 1.16 schéma de plaque d’immatriculation de type AAA 1111 et 1111 AAA [13] .

LE MODELE 11111 111 11 : EXISTE DANS LA REPUBLIQUE D’ALGERIE

FIGURE

1.17 Schéma de plaque d’immatriculation : 11111 111 11 [13] .

4. TRAVAUX :

Dans cette section, nous parlerons de quelques travaux qui traitaient l'idée de notre

travail. Cette dernière est divisée en deux parties, la première pour les travaux au niveau

mondiales et la seconde pour les travaux au niveau locales qui ont abordé l'idée en Algérie.

4.1. TRAVAUX AU NIVEAU MONDIALES :

Dans cette partie Nous avons choisi de parler de deux récents travaux, le travail de

(Nauris , Jaundalders, Kadikis, & Nesenbergsa, 2018) nommée « Système de vision par

ordinateur basé sur FCN et LSTM pour la reconnaissance du type de véhicule, du numéro de

plaque d'immatriculation » et (Raj, et al., 2019) nommée « reconnaissance automatique de

plaque d'immatriculation basée sur un réseau neuronal à convolution » .


22

4.1.1. SYSTEME DE VISION PAR ORDINATEUR BASE SUR FCN ET LSTM POUR LA

RECONNAISSANCE DU TYPE DE VEHICULE, DU NUMERO DE PLAQUE

D'IMMATRICULATION (NAURIS , JAUNDALDERS, KADIKIS, & NESENBERGSA, 2018):

Ce travail propose un système de reconnaissance automatique des plaques

d'immatriculation (ANPR) (Voir Figure 1.18), qui non seulement reconnaît le numéro et l'état

d'émission, mais également le type et l'emplacement du véhicule dans l'image d'entrée, ce

système est basé sur une combinaison des approches d'apprentissage profond le réseau

neuronal convolutif CNN « Convolutional neural network », réseau entièrement

convolutionnel FCN « Fully Convolutional Network » et LSTM « Long Short-Term Memory »,

ce système compose de trois parties principales:

La segmentation de l'image d'entrée par le réseau entièrement

convolutionnel FCN pour la localisation de plaque d'immatriculation et

détermination du type de véhicule.

LSTM pour reconnaissance des caractères de la plaque localisée avec

l’utilisation d’une couche maxout, cette dernière est simplement une couche

où la fonction d'activation est le maximum des entrées.

Un réseau neuronal convolutif CNN pour détermination de l'état qui a

délivré la plaque d'immatriculation.

FIGURE 1.18 un système de reconnaissance automatique des

plaques d'immatriculation (ANPR)


23

Les auteures ont fait l’opération d'apprentissage de ce système avec une base de données

personnalisé étiqueté manuellement.

Le système (ANPR) est capable de localiser et de classer plusieurs types de véhicules, y

compris les motocyclettes et les véhicules d'urgence ainsi que leurs plaques d'immatriculation.

Le tableau suivant montre les résultats obtenus par le système (ANPR) ( Voir Tableau

1.1) :

Tableau 1.1 Montre les résultats obtenus par le système (ANPR).

4.1.2. RECONNAISSANCE AUTOMATIQUE DE PLAQUE D'IMMATRICULATION BASEE SUR UN

RESEAU NEURONAL A CONVOLUTION (RAJ, ET AL., 2019) :

Ce travail propose un système de reconnaissance automatique des plaques

d'immatriculation (RAPI) pour la plaque d'immatriculation indienne (Voir figure1.19) . RAPI

utilisée d'abord une technique adaptative de fenêtre coulissante « sliding window » à l'aide

d'un réseau neuronal convolution CNN pour localise la plaque d'immatriculation, ensuite, les

caractères sont segmentés à partir de la plaque d'immatriculation en utilisant la théorie de la

morphologie mathématique, puis, les caractères Segmentées sont convertis en texte par

l'utilisation de technique d'apprentissage par transfert avec l’architecture Mobilenet qui est

composée de 28 couches dont 13 Convolution en profondeur et 13 Convolution en point.

La précision obtenue de la localisation 99,5%.

La précision de la reconnaissance des nombres entiers 96,7%

La précision de la reconnaissance du niveau des caractères 98,8%.

La détermination de l'état émetteur 92,8%


24

FIGURE 1.19 un système de reconnaissance automatique des plaques

d'immatriculation (RAPI).

La performance du RAPI a été satisfaisante en termes de variation condition

d'éclairage, style de texte, étrange et asymétrie de la plaque d'immatriculation, le tableau

suivant montre les résultats obtenus ( Voir Tableau1.2 ) :

La localisation 85%

La reconnaissance 93%.

Tableau 1.2 les résultats obtenus par le système (RAPI).


25

4.2. TRAVAUX AU NIVEAU LOCAL :

Dans cette section nous allons aborder deux travaux algériens : (TOUAMRIA, 2019) et

(KOHILI , 2015) qui traitent la reconnaissance des plaques d’immatriculation différemment.

4.2.1. RECONNAISSANCE AUTOMATIQUE DES PLAQUES D’IMMATRICULATION (KOHILI , 2015)

Ce travail présente un système de reconnaissance des plaques d’immatriculation (RPI)

Algériennes. Ce travail passe par un ensemble d’étapes, il commence d’abord par capturer

l’image de véhicule, et il la convertissant en une image au niveau du gris, puis il effectué 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 analysé par un système de

reconnaissance de caractères li base 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.

4.2.2. SYSTEME DE RECONNAISSANCE DES PLAQUES D'IMMATRICULATION ALGERIENNE

(TOUAMRIA, 2019)

Ce travail présente un système de reconnaissance des plaques d’immatriculation RPI

Algériennes. Ce travail passe par quatre étapes. La première consiste à extraire à partir

d’une image acquise au niveau de gris la plaque de la voiture il se base essentiellement sur

une méthode de détection de contours. Cette plaque subit par la suite une segmentation en

caractères afin d’être analyser par un système de Reconnaissance Optique de Caractère

(ROC) il utilise les Machines à Vecteurs de Support (SVM) comme une méthode de

classification. Le système passe par un ensemble de traitement et de prétraitements comme

les morphologies mathématiques afin d’arriver à un meilleur résultat.

4.2.3. EVALUATION ET CRITIQUE

Le premier travail mentionné et basé sur la méthode de corrélation, cette méthode

statistique a prouvé son efficacité dans l’opération de la détermination des indépendances

entre plusieurs variables aléatoires et précisément entre les variables quantitatives par

contre aux variables qualitatives, et malgré ça les résultats obtenus sont mitigés et variaient

entre 70% et 100%.

Pour le deuxième travail qui basé sur l’utilisation des Machines à Vecteurs de Support

(SVM), cette dernière capable d’effectuée la classification linéaire et non linéaire et même la

régression mais sont particulièrement bien adapté à la classification d’ensemble de données


26

complexe mais de petite ou moyenne taille, les résultats de ce travail et résumé comme se

suit :

Les classes "4","7","8","9" et "10" atteignent le taux de reconnaissance100%.

Les classes"3","5", "6", "2" et "1" sont assez satisfaisable avec les taux de

reconnaissance 97.50%, 95%, 85.19%,40.48% et 73.08% respectivement.


27

5. CONCLUSION

Dans ce chapitre nous nous sommes basés sur la reconnaissance des formes en précisant

l’intérêt de ce vaste domaine dans le développement de la vision artificielle. Un état de l’art

de différentes méthodes d’identification des plaques de matricules a été présenté suivi

d’une critique constructive afin de remédier aux insuffisances inscrites en proposant une

nouvelle approche que nous avons développée qui sera exposée en détail dans le chapitre

suivant.

Chapitre 01 Etat de l’art

²

CHAPITRE 2 METHODE PROPOSEE

Chapitre 02

Methode Proposée

Chapitre 2 Méthode proposée

23

1. INTRODUCTION

Dans ce chapitre nous allons présenter notre approche proposée qui consiste à faire

une reconnaissance automatique a des plaques de matricule algérien basé sur l’utilisation de

réseaux de neurone « MLP », nous allons présenter également l’implémentation de cette

approche a fin d’utiliser un système complet pour les raisons de sécurité, avec quelques

captures qui montre cette implémentation.

2. METHODE PROPOSEE

La méthode que nous proposons se base sur les réseaux de neurones, son schéma

général se définit par les opérations suivantes qui se succèdent depuis la saisie des données

à traiter, suivie d’un prétraitement qui engendre une mise à niveau afin que les données

soient identifiables et sans ambiguïtés tel que le filtrage, le seuillage et la détection des

contours. Après cela on enchaine avec l’opération d’extraction des caractéristiques, dans

notre cas nous avons utilisé le détecteur de Harris et on finalise par une opération de

segmentation afin d’obtenir des données claires, distinctes, représentatives et prêtes pour

classification. Cette dernière représente le noyau de la méthode que nous proposons, elle se

base sur un modèle des réseaux de neurones dite : perceptron multicouche « MLP » connu

par sa capacité de classification et la possibilité de l’exécuter sous forme parallèle. Nous

terminons notre projet par une étude de cas qui se résume dans l’identification des

véhicules appliquée dans la sécurité des villes pour éviter les vols des voitures (Voir Figure

2.1).


24

FIGURE 2.1 schéma de notre proche

2.1. CREATION DE LA BASE DE DONNEES :

Afin de tester l’approche que nous avons développée et vu que le matricule algérien

possède une organisation des caractères et une interprétation spécifique, nous avons créé

notre propre base de données afin qu’elle soit prête pour l’évaluation de ce projet ou bien

pour d’autre projets applicable sur ce type de données. Nous avons formé cette base par les

données réalisées pour des projets similaires (sur internet), nous effectuer des prises de

photos et vidéos réelles par nos propres moyens.

Chaque plaque est constituée de plusieurs chiffres regroupés en trois suites. Ces

chiffres issus des plaques d’immatriculations prises en images ont été réduits aux

dimensions de 24 /14 pixels. Cette base comporte en fait 200 images redimensionnées en

24/14 pixels pour chaque caractère numérique de la plaque d’immatriculation; elles sont


25

stockées au niveau cd plusieurs dossiers nommés de 1 à 200. Les images sont individualisées

en niveau de gris et en format bitmap (Figures 2.2 et 2.3).

FIGURE 2.2 Exemple 1 sur la base de donnée

FIGURE 2.3 EXEMPLE 2 sur la base de donnée


26

2.2. PRETRAITEMENT ET EXTRACTION DE CARACTERISTIQUES

2.2.1 PRETRAITEMENT

L’étape de prétraitement dépend étroitement de la qualité des images acquises, dans

notre cas nous avons appliqués les étapes suivantes :

Conversion des images en niveau de gris

Amélioration du contraste de l’image

Détection des contours des images par l’application de la méthode « SOBEL »

2.2.2. EXTRACTION DE CARACTERISTIQUES

Dans cette étape nous avons utilisé la méthode de détecteur de Harris. Les coins sont

représentés par une modification partielle du gradient d’une image et c’est ce que cet

algorithme recherche. Cela se fait en considérant une fenêtre locale dans une image de sorte

qu’un changement moyen de l’intensité de l’image détermine un résultat en déplaçant la

fenêtre d’une petite quantité dans différentes directions. Un coin se trouve lorsque tous les

postes ont un grand changement qui peut être détecté si le changement minimum produit

par l’un des postes est grand.

𝐸𝑥,𝑦 = 𝑊𝑢,𝑣 𝐼𝑥+𝑢,𝑦+𝑣 − 𝐼𝑢,𝑣 2

𝑢,𝑣

= 𝑊𝑢,𝑣 𝑥𝑋 + 𝑦𝑌 + 𝑂(𝑥2,𝑦2) 2

𝑢,𝑣

𝑎𝑝𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑡𝑖𝑜𝑛

𝑋 = 𝐼 ⊕ −1,0,1 =∂I

∂x 𝐺𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑑𝑒 𝑥

𝑌 = 𝐼 ⊕ (−1,0,1)𝑡 =∂I

∂y 𝐺𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑑𝑒 𝑦

𝐸(𝑥,𝑦) = 𝐴𝑥2 + 2𝐶𝑥𝑦 + 𝐵𝑦2 𝐸,𝑝𝑒𝑡𝑖𝑡 𝑑é𝑐𝑎𝑙𝑔𝑒

𝑂ù

𝐴 = 𝑋2 ⊕ 𝑤

𝐵 = 𝑌2 ⊕ 𝑤

𝐶 = (𝑋𝑌) ⊕ 𝑤

𝑤 𝑢, 𝑣 = exp −𝑢2 + 𝑣2

2𝜎2 𝑢𝑡𝑖𝑙𝑖𝑠é 𝑢𝑛𝑒 𝑓𝑒𝑛é𝑡𝑟𝑒 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑖𝑟𝑒 𝑙𝑖𝑠𝑠𝑒, 𝐸𝑋𝑃 𝐺𝑎𝑢𝑠𝑠𝑖𝑎𝑛

𝑅𝑒𝑓𝑜𝑟𝑚𝑢𝑙𝑎𝑡𝑖𝑜𝑛


27

𝐸 𝑥, 𝑦 = 𝑥, 𝑢 𝑀(𝑥, 𝑦)𝑇

𝑀 = 𝐴 𝐶𝐶 𝐵

𝑙𝑒𝑠 𝑣𝑎𝑙𝑒𝑢𝑟𝑠 𝑑𝑒 𝑀 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛𝑡 𝑑′𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟é𝑙𝑎𝑡𝑖𝑜𝑛 𝑙𝑜𝑐𝑎𝑙𝑒

𝑇𝑟 𝑀 = 𝛼 + 𝛽 = 𝐴 + 𝐵 𝑇𝑟𝑎𝑐𝑒

𝐷𝑒𝑡 𝑀 = 𝛼𝛽 = 𝐴𝐵 − 𝐶² 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡

𝑅 = 𝐷𝑒𝑡 𝑀 − 𝑘𝑇𝑟(𝑀²) 𝑟𝑒𝑠𝑝𝑜𝑛𝑠𝑒

𝑅 𝑒𝑠𝑡 𝑝𝑜𝑠𝑖𝑡𝑖𝑓 𝑝𝑜𝑢𝑟 𝑙𝑒𝑠 𝑐𝑜𝑖𝑛𝑠 𝑛é𝑔𝑎𝑡𝑖𝑓 𝑝𝑜𝑢𝑟 𝑙𝑒𝑠 𝑏𝑜𝑟𝑑𝑠 𝑒𝑡 𝑝𝑒𝑡𝑖𝑡 𝑝𝑜𝑢𝑟 𝑙𝑒𝑠 𝑟é𝑔𝑖𝑜𝑛 𝑝𝑙𝑎𝑡

5.1. 2.3. CLASSIFICATION BASEE SUR LES RESEAUX DE NEURONES

Les réseaux de neurones sont des modèles mathématiques et informatiques, débutés

des années 1940 par McCulloch et Pitts, ils décrivent les propriétés du système nerveux à

partir de neurones idéalisés. Ils se résument en un assemblage d’unités de calculs dites

neurones formels dont l’inspiration originelle était un modèle du neurone biologique

humain. Cet héritage de la neurobiologie forme une composante importante de la matière

dont l’intérêt d’améliorer le taux de mise en 3correspondance ce système formel et le

système nerveux humain a animé une part importante des recherches dans le domaine.

Historiquement les premiers modèles neuro-mimétiques ont été développés dans la

mouvance cybernéticienne. Ils devaient permettre de valider et d'utiliser en vision artificielle

les premiers modèles neurobiologiques de la conscience. On note que parmi les propriétés

intéressantes des réseaux de neurones est qu'ils savent prévoir avec précision des données

qui ne faisaient pas partie des données d'apprentissage, un processus connu sous le nom de

généralisation. Compte tenu de cette caractéristique, les réseaux de neurones sont

particulièrement bien adaptés à l'application de problématiques concrètes dans les

domaines de la recherche scientifique, commerciale et industrielle. Pour la vision artificielle,

largement utilisés, les réseaux de neurones ont repris leurs brillances principalement depuis

2010, avec l’apparition du « deep learning » qui représente une généralisation du

perceptron multicouches. Ce type de réseau que nous avons exploité pour durant la phase

de classification de l’approche que nous avons proposée.

MLP : Définition

Le perceptron multicouche (Multi Layer Perceptron : MLP) généralise le perceptron

afin d’apprendre des modèles plus complexes, non linéaires. C’est le plus simple et le plus

connu des réseaux de neurones.


28

MLP : Topologie

Un réseau MLP est caractérisé par (voir figure 2.5) :

Une couche d’entrée

Une ou plusieurs couches cachées (avec un nombre arbitraire de neurones)

Une couche de sortie (un neurone pour la discrimination, un neurone par classe dans

le multi classe)

Il est acyclique

Il est complètement connecté : chaque neurone est relié à tous les neurones de la

couche précédente.

Une fonction d’activation des neurones utilisée en dépond du système à concevoir.


Le MLP que nous avons utilisé est conçu selon la topologie suivante (voir figure 2.6) :

Trois couches distinctes : couche d’entrée, couche cachée, couche de sortie.

La couche d’entrée se compose de 336 neurones d’entrée en adéquation avec la

dimension des images de 24*14 pixels.

La couche de sortie est constituée de 10 neurones de sortie étant donné qu’il n’y a

que 10 chiffres à former de 0 à 9. Ce qui de son côté influe sur le nombre de

neurones dans la couche cachée. Ainsi donc pour 336 neurones dans la couche


29

d’entrée et 10 neurones dans la couche de sortie, le nombre de 50 neurones pour la

couche cachée est largement suffisant. La fonction utilisée est la fonction logistique

sigmoïde.

L’apprentissage

La généralisation de la règle delta aux réseaux à couches cachées s’appelle rétro-

propagation du gradient de l’erreur. Elle consiste à propager l’erreur à travers le réseau dans

le sens inverse de la propagation des activations. Cette technique permet de calculer la

modification des poids des connexions entre les couches cachées. Elle tente de réduire la

différence entre les sorties du réseau et les sorties désirées. L’erreur E du réseau à minimiser

est calculée par l’équation suivante :

𝐸𝑤 =1

2 (𝑑𝑖 − 𝑔𝑖 𝑖𝑛 )2

𝑠𝑖∈𝑠𝑜𝑟𝑡𝑖𝑒𝑠𝑒𝑖∈𝑋

Avec

di : sortie désirée

ai ou gi(in) : sortie obtenue

X : ensemble des exemples ei d’entrainement

S : ensemble des sorties si du réseau

Algorithme de rétro-propagation du gradient

Principe : calculer l’erreur en sortie pour corriger le poids de la couche précédente,

puis propager jusqu’à la couche d’entrée. La correction utilise la dérivée de l’erreur par

rapport à chacun des poids de la couche précédente.

Le MLP que nous avons utilisé est conçu selon la topologie suivante : trois couches

distinctes qui sont : couche d’entrée, couche cachée, couche de sortie.

La couche d’entrée se compose de 336 neurones d’entrée en adéquation avec la

dimension des images de 24*14 pixels.


30

La couche de sortie est constituée de 10 neurones de sortie étant donné qu’il n’y a que

10 nombres à former de (0………à ……9). Ce qui de son côté influe sur le nombre de neurones

dans la couche cachée. Ainsi donc pour 336 neurones dans la couche d’entrée et 10

neurones dans la couche de sortie, le nombre de 50 neurones pour la couche cachée est

largement suffisant. La fonction utilisée est la fonction logistique (sigmoïde) Le taux

d'apprentissage va être de 0,7 et la période de formation sera de 1000 cycles.

FIGURE 2.6 schéma de perceptron

multicouche

Initialiser les poids à de petites valeurs aléatoires entre -0.05 et 0.05 tant que la

condition d’arrête n’est pas atteinte pour chaque exemple d’entrainement calculer les

sorties du réseau aj

𝑎𝑖 = 𝑔 𝑖𝑛𝑖 = 𝑔( 𝑤𝑗𝑖𝑎𝑗)𝑛

𝑗=1

Pour toutes les unités de sortie aj, calculer l’erreur ∆𝑖

∆𝑗 ← 𝑔′ 𝑖𝑛𝑖 × (𝑑𝑖 − 𝑎𝑖)

Pour toutes les unités cachées j, calculer l’erreur ∆𝑖


31

∆𝑖 ← 𝑔′ 𝑖𝑛𝑖 𝑤𝑗𝑖∆𝑖

Mettre à jour tous les poids Wji

𝑤𝑗𝑖 ← 𝑤𝑗𝑖 + 𝑎 × 𝑎𝑗 × ∆𝑖

Fin pour

Fin pour

Fin tant que

La convergence de l’algorithme dépend de l’une des conditions d’arrêt suivantes :

Après un certain nombre fixe d’itérations.

Lorsque les poids se stabilisent

Lorsque l’erreur dans les sorties des exemples d’entraînement descend en

dessous d’une certaine borne.

Lorsque l’erreur avec les exemples de validation descend en dessous d’une

certaine borne.

3. IMPLEMENTATION

3.1. ENVIRONNEMENT DE TRAVAIL

a. Environnement matériel

Pour développer cette application nous avons utilisé une machine configurée

Comme suit :

Machine HP avec les configurations suivant :

Mémoire Vive : 4 Go.

Disque Dur : 500 Go.

Processeur : Intel (R) Core (TM) i3-3110M CPU 2.40 GHz.

Type de système : Windows

b. Environnement logiciel

Lors du développement de cette application nous avons utilisé les outils logiciels

suivants :

Matlab.

Photoshop.


32

Matlab : signifie laboratoire de matrice, est un langage commercial de haute

performance pour le calcul numérique et la visualisation. MATLAB intègre le calcul,

visualisation et programmation dans un environnement simple à utiliser où les problèmes et

les solutions sont communiquées en notation mathématique familière. « MATLAB est un

système interactif où les éléments de données de base sont un tableau qui ne nécessite pas

de dimensionnement, vous permettant de résoudre des problèmes informatiques

techniques, en particulier ceux avec une matrice ou des formulations vectorielles une

fraction du temps qu'il faudrait pour écrire un programme dans un langage scalaire non

interactif comme C ou Fortran » [18] (voir figure 2.7).

FIGURE 2.7 logo Matlab

Les utilisations typiques de MATLAB comprennent :

Développement d'algorithmes

Développement d'applications, création de GUI

Analyse et visualisation des données

Mathématiques et calcul

Simulation, modélisation et visualisation

Graphiques scientifiques et techniques

Photoshop : est un logiciel de retouche, de traitement et de dessin assisté par

ordinateur lancé en 1990 sur MacOS puis en 1992 sur Windows.


33

Édité par Adobe il est principalement utilisé pour le traitement des photographies

numériques, mais sert également à la création ex nihilo d’images.

Il travaille essentiellement sur images matricielles car les images sont constituées

d’une grille de points appelés pixels. L’intérêt de ces images est de reproduire des gradations

subtiles de couleurs.

Photoshop possède son propre format de fichier (extension psd). Celui-ci permet de

conserver distincts les différents calques formant l'image afin de les manipuler séparément.

Le programme accepte également d’importer et d’exporter des fichiers d’image dans les

formats les plus

courants

(extensions : gif, jpg, tif, png, etc.) (voir figure 2.8).


34

Figure 2.8 logo Photoshop

Il offre :

Un système de tri et d’organisation des fichiers permettant l’application d’une

opération sur plusieurs fichiers simultanément ;

Des outils de dessin en mode bitmap : pinceau, crayon, formes géométriques… ;

Un outil de dessin vectoriel de formes géométriques libres (courbes de Bézier) : l'outil

Plume ;

Des outils de sélection de zones de travail (ou zones d’intérêt) : lasso, rectangle de

sélection, sélection par plage de couleur… ;

Des outils de copie, collage et duplication de zones de travail ;

Des outils de manipulation de calques : par l’empilement de zones graphiques et

l’utilisation de transparence et autres effets, on peut fabriquer

des photomontages complexes ;

des outils de manipulation de la palette de couleurs : changement de palette,

réglages colorimétriques, de luminosité, de contraste, de saturation… ;

Des filtres pour appliquer divers effets à des zones d’intérêt : textures, ombres,

renforcement des contours, estampage, flou, etc.

3.2. DESCRIPTION DE L’APPLICATION

3.2.1. INTERFACE UTILISATEUR


35

Figure 2.9 interface d’accueil


36

Figure 2.10 Menu d’application

L'interface RAPI a été brièvement discutée dans le chapitre de conception sous le

sous-titre L'interface a été construite dans le générateur GUI MATLAB «GUIDE» en utilisant

la fonction glisser-déposer pour ajouter des zones d'édition, des images et des listes à

l'interface.


37

Figure 2.11 le guide du l’interface

3.2.2. IMPORTATION D'IMAGE

Le système RAPI actuel de ce projet peut fonctionner avec des images fixes et en

temps réel.

Il faut chargée la photo (voir figure 2.12).

Figure 2.12 chargée la photo

Ou lancer l’acquisition (voir figure 2.13).

Figure 2.13 lancer acquisition


38

3.2.3. LOCALISATION DE LA PLAQUE D'IMMATRICULATION

Apres l’importation d’image ou après l’acquisition il faut localiser la plaque avec le

détecteur Harris (voir figure 2.14).

Figure 2.14 Implémentation de Harris

3.2.4. SEGMENTATION DES CARACTERES

Après la localisation de la plaque d’immatriculation il faut segmente les chiffres de la

plaque (voir figure 2.15) pour l’envoyé au réseau de neurone pour le classé.


39

Figure 2.15 la Segmentation

3.2.5. STOCKAGE DES RESULTATS

Une fois que le résultat des chiffres de la plaque d'immatriculation a été extrait, ils

sont stocké dans un journal de fichier texte avec la date et l'heure de sa capture. Les chiffres

d'abord doivent être placés dans le bon ordre de NNNN-NNN-NN (voir figure 2.16).

Figure 2.16 le résultat

4. TEST ET RESULTATS

Cette section contiendra les cas de test qui ont été utilisés pour tester le système RAPI

dans ce projet. Il y aura cinq cas de test principaux qui permettront de tester l'importation


40

de l’image, l’acquisition direct, localiser la plaque d'immatriculation dans différentes

circonstances, la segmentation des caractères, la reconnaissance des caractères et les

fonctionnalités de stockage et accéder aux fichiers de plaque d'immatriculation extraits.

4.1. IMPORTATION DE L’IMAGE

Cas Instruction Résultat attendu Réussite /

échec

1

Insérez le nom de fichier correct d'un Image avec

extension.

L’image est importée et la localisation de la plaque d’immatriculation

commence.

Réussite

2

Insérer un nom de fichier incorrect d'un image et sans

extension.

Une boîte de message contextuelle indiquant l'utilisateur doit saisir le nom

de fichier correct

Réussite

3

Insérer un fichier image

Une boîte de message contextuelle indiquant l'utilisateur doit saisir le nom

de fichier correct

Réussite

Tableau 2.1 importation de l’image

4.2. LOCALISATION DE PLAQUE D’IMMATRICULATION

Le test suivant vérifie si RAPI est capable de localiser les plaques d'immatriculation à partir

de différents angles ou environnements d'éclairage


échec

1

Importer l'image avec un

véhicule et plaque d'immatriculation visible

Plaque d'immatriculation située

Réussite

2

Importer une image sans plaque

d’immatriculation

Arrêtez et imprimez une erreur

dans le fichier journal

Réussite

3

Importer une image sombre à faible visibilité

Localiser la plaque d'immatriculation

échec

4 Importer la plaque a 45 degré

Localiser la plaque d'immatriculation

échec

Importer une image avec deux


41

5 plaques Localisez la plaque d'immatriculation avec le nombre

de coins le plus élevé

Réussite

Tableau 2.2 localisation de plaque d’immatriculation

4.3. CAS DE TEST DE SEGMENTATION


échec

1

Segmente les caractères en clair image de la plaque d'immatriculation

Caractères segmentés

Réussite

2

Segmentez les caractères de l'obscurité image de la plaque d'immatriculation


échec

3

Segmente les caractères de bruyant

image de la plaque d'immatriculation


Réussite

4

Si aucun caractère n'est segmenté

Informer l'utilisateur avec

un message d'erreur

Réussite

Tableau 2.3 test de segmentation

4.4. TEST DE RECONNAISSANCE DES CARACTERES

Une fois les objets de la plaque d'immatriculation segmentés, ils sont vérifiés pour voir

s'ils sont caractères utilisant un réseau neuronal alimenté. Ce test a été effectué après

l'entraînement du réseau de neurone. Le diagramme de la figure décrit le taux d'erreur

quadratique moyen de chaque caractère à chaque époque, un cycle d'entraînement

complet. Ce réseau de neurones a eu 200 cycles d'entraînement et le taux d'erreur diminue

très rapidement à chaque cycle après le 80 cycle d'entraînement.


42

Figure 2.16 Erreur quadratique moyen RMS

Le réseau neuronal a ensuite été testé contre 200 images de chaque chiffre et le

résultat a été Taux de réussite de 95% pour la reconnaissance des chiffres. Ce taux d'erreur

est différent pour chaque ensemble d'entraînement d'images.

4.5. FONCTIONNALITES DE L'INTERFACE ALPR

Cas Instruction Résultat attendu Réussite / échec

1

Recherche dans le fichier journal de licence plaques à l'aide du numéro de plaque

d'immatriculation

Afficher les heures et les dates le numéro de plaque d'immatriculation a

été capturé s'il est dans le journal.

Réussite

Insertion du numéro de plaque d'immatriculation dans journal

Incrémentez le journal de la liste noire avec le nouveau véhicule sur liste


43

2 de liste noire

noire nombre

Réussite

3

Alerter l'utilisateur si une plaque d'immatriculation

numéro qui a été mis sur liste noire est capturé

Avertir l'utilisateur avec une alerte de liste noire un message et stocker la licence numéro de plaque, heure et

date l'utilisateur a été alerté

Réussite

Tableau 2.4 fonctionnalité de l’application

5. CONCLUSION

Dans ce chapitre nous avons présenté notre approche pour la reconnaissance des

plaques d’immatriculation algérien qui base sur le réseau de neurone après on a descripteur

les étapes de l’implémentation de notre application de l’environnement de développement

a les résultats obtenus avec une explication détaillée de chaque étape.


44

Conclusion générale

43

CONCLUSION GENERALE

L’intelligence artificielle est un vaste domaine qui vise à améliorer la vie des gens et à

trouver des solutions à divers problèmes auxquels ils font face, en particulier ceux liés à la

sécurité, comme la reconnaissance des visages, voix et formes

Dans ce travail, nous avons développé un système qui permet d’identifier les plaques

d'immatriculation des voitures afin de l’utiliser entre autre dans les systèmes d'identification

des voitures au niveau des parkings ou les radars routiers. Ce système est basé sur

l'utilisation de réseaux de neurones artificiels pour le processus d'identification des numéros

de plaques d'immatriculation.

Les résultats que nous avons obtenus étaient très satisfaisants, notre système a atteint

95 % dans le processus d’identification des plaques de numérotation.

Au cours de cette recherche, nous avons rencontré quelques difficultés, dont la plus

importante est l’absence de bases de données spécifique aux plaques de numérotation

algériennes. Ces plaques prennent une forme complètement différente relativement aux

modèles internationaux.

Nous suggérons que d’autres outils neuronaux puissent être exploiter dans ce type de

reconnaissances tel que le « deep learning » toutes en diversifiant le type d’images en

introduisant les images nocturnes avec des des bruits importants.

44

REFERENCES

[1] simonite , tom. ‘’facebook create software that matchees faces almost as well as tou do’’

mit technology review. Retrieved 2018-04-09

[2] principale of pattern classification : statistical neurol net and syntactique methodes of

getting robots to see and hear-lecteure notes by Dr michel D alder universite of westerm

australia 1994

[3] Wikipédia.

[4] chebout,soumia, Cours Reconnaissance des Formes, Master 1 Vision Artificielle.

,departement informatique universite oum el bouighi,2018

[5] KUMAR, Mentor-Mr MANJEET, Karan Choudhary, and Kovil Singh. "Image Denoising by

Various Filters for Diffèrent Noise using MATLAB."

[6] Abhishek yadav, « Digital image processing », livre, new Delhi boston usa

[7] Collins, Robert. "Lecture 4 : Smoothing." CSE/EE486 Computer Vision I Introduction to

Computer Vision CSE Département, Penn State University, Fall (2007)

[8] Naresh Kumar Garg, « Binarization Techniques used for Grey Scale Images », Article,

grdiet, bathinda india, juin 2013.

incrémental & Machines à Vecteurs Supports », Mémoire présenté en vue de l’obtention du diplôme de Magister en Informatique, Option : Informatique Industrielle, Département d'Informatique, Université HADJ LAKHDAR – BATNA, Soutenu le :18 /12 /2013. [9] Bourahla et Rabhi, Houda et Chaima,’’ Matlab pour traitement de l’image fondement Et

applications’ ’thèse, université Mohammed Boudiaf, m’silla ,2017

[10] Bourennane, E., et al. "Généralisation du filtre de canny-deriche pour la détection 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.

[11] ZAIZ Faouzi, Djeffal Abdelhamid, Babahenini Mohamed Chaouki, "An Approach Based on Structural Segmentation for the Recognition of Arabic Handwriting", doi:10.4156/aiss.vol2. issue4.2, 2012. [12] Nadia MARREF, « Apprentissage

45

[13] R. Rakotomalala. Arbres de décision. Revue Modulad, 33 :163–187, 2005.

[14] M.Abdelhamid DJEFFAL, " Utilisation des méthodes Support Vector Machine (SVM) dans l’analyse des bases de données ", Thèse de doctorat, Université Mohamed Khider -Biskra, 2012. [15] R. Collobert and S. Bengio. Svmtorch : Support vector machines for large-scale regression problems. The Journal of Machine Learning Research, 1 :143–160, 2001. [16] chebout,soumia, INTRODUCTION A LA RECONNAISSANCE DES FORMES,departement

informatique universite oum el bouighi,2019

[17] Chris Harris & Mike Stephens, "A COMBINED CORNER AND EDGE DETECTOR," Plessey

Research Roke Manor, United Kingdom, Research 1988.

[18] "What is MATLAB," Cooperative Institute for Meteorological Satellite Studies,.

conception et réalisation d’un système de reconnaissance

Documents