Sistema de detección de caracteres aplicado al reconocimiento de número de bus y ruta en TransMilenio

Al momento de la presentación de este proyecto, debido a una concesión inoportuna entre la empresa TransMilenio S.A y el Sistema Integrado de Recaudo, Control de Flota e Información al Usuario (SIRCI), la nueva flota de buses, que fue modernizada, no podía ser aprovechada de forma óptima. Esta nueva flota de buses cuenta con un sistema de múltiples sensores y un sistema inteligente de transporte (ITS), el cual adquiere información sobre la velocidad, aceleración y peso del vehículo. Sin embargo, como resultado de las condiciones de la concesión, la información que posee el sistema SIRCI no es entregada oportunamente, en el formato y periodicidad que requiere el centro de gestión de TransMilenio. Los autores de este documento buscan desarrollar, partiendo de una base de datos cuyo objetivo es contener muestras de video de diferentes buses de TransMilenio, un algoritmo que permita realizar la detección y lectura de los caracteres que componen el número del bus y la ruta de este, para almacenarlos en un archivo CSV de salida que será posteriormente enviado mediante protocolo FTP a un servidor. En este documento se presentarán resultados que demuestran la facilidad que tienen los OCR, específicamente Tesseract para lograr una lectura exitosa de los caracteres segmentados, cuando se aplican previamente técnicas de procesamiento de imágenes a fotogramas que contienen caracteres impresos sobre la zona trasera del bus, como lo son el filtrado, la detección, y la segmentación. También se analizarán aquellos fallos que resultan en una mala lectura de la imagen, y como se superaron estas dificultades. Debido a las dificultades que presentó Tesseract al momento de realizar la lectura de los caracteres compuestos por arreglos de leds como los del rutero del bus, se implementó un método alternativo al uso de un OCR, el cual consiste en entrenar una red neuronal que permita realizar una detección correcta del número de ruta de cada bus del sistema, para este fin se utiliza la librería Detecto. Estas técnicas se expondrán y explicarán a lo largo del documento y se determinará su importancia en el procesamiento de imágenes.

• Autores: Corredor Angarita, Juan Sebastian; Gómez Abril, Mateo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/62072
• Acceso en línea: http://hdl.handle.net/10554/62072
• Palabra clave: Detección de bordes; Faster R-CNN; Imagen binaria; Mejoramiento de imagen; OCR; Procesamiento de imagenes; Procesamiento de video; Red neuronal artificial; Segmentación de imágenes; Suavizado de imágenes; Edge detection; Faster R-CNN; Binary Image; Image enhancement; OCR; Image processing; Video processing; Artificial neural network; Image segmentation; Image smoothing; Ingeniería electrónica - Tesis y disertaciones académicas; Transporte público; Transmilenio (Bogotá, Colombia); Sensores de proximidad; Visión por computador
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional