Publication
Development of license plate detection and recognition system based on deep learning
| dc.contributor.author | Colaço, Bruno Tiago Campos | |
| dc.date.accessioned | 2025-02-25T10:48:44Z | |
| dc.date.available | 2025-02-25T10:48:44Z | |
| dc.date.issued | 2024-12 | |
| dc.description.abstract | Abstract Automatic License Plate Recognition (ALPR) systems play a vital role in various applications, including traffic management, law enforcement, and parking control. This thesis presents a comprehensive study on the development of a robust ALPR system based on deep learning techniques. The proposed system is structured in three main stages: (1) vehicle detection and classification, where vehicles are identified and categorized into cars, buses, trucks, and motorcycles using three convolutional neural network (CNN) models—Faster R-CNN, YOLOv8, and SSD; (2) license plate detection, achieved through a pretrained YOLOv8 model, which isolates license plates from detected vehicles; and (3) character recognition, utilizing Tesseract OCR to extract alphanumeric characters from the detected license plates. The project emphasizes the importance of integrating high-accuracy detection models to enhance the overall performance of the system. Performance metrics, including Character Error Rate (CER), mean Average Precision (mAP), and Intersection over Union (IoU), are employed to evaluate the effectiveness of each stage. This research ultimately aims to contribute to the existing body of knowledge in ALPR systems by proposing an efficient, accurate, and scalable solution for real-world applications. | por |
| dc.description.abstract | Os Sistemas de Reconhecimento Automático de Placas (ALPR) desempenham um papel vital em várias aplicações, incluindo gestão de tráfego, segurança pública e controle de estacionamento. Esta tese apresenta um estudo sobre o desenvolvimento de um sistema robusto de ALPR baseado em técnicas de aprendizagem profunda. O sistema proposto é estruturado em três etapas principais: (1) detecção e classificação de veículos, onde os veículos são identificados e categorizados em carros, autocarro, camiões e motos utilizando três modelos de rede neural convolucional (CNN)—Faster R-CNN, YOLOv8 e SSD; (2) deteção de placas, realizada através de um modelo YOLOv8 pré-treinado, que isola as placas detectadas dos veículos; e (3) reconhecimento de caracteres, utilizando Tesseract OCR para extrair caracteres alfanuméricos das placas detectadas. O projeto realça a importância de integrar modelos de detecção de alta precisão para melhorar o desempenho geral do sistema. As métricas de desempenho, incluindo Taxa de Erro de Caracteres (CER), mean Average Precision (mAP) e Interseção sobre União (IoU), são utilizadas para avaliar a eficácia de cada etapa. Esta pesquisa visa, em última análise, contribuir para o corpo de conhecimento existente em sistemas de ALPR, propondo uma solução eficiente, precisa e escalável para aplicações do mundo real. | por |
| dc.identifier.citation | COLAÇO, Bruno Tiago Campos – Development of license plate detection and recognition system based on deep learning. Lisboa: Instituto Superior de Engenharia de Lisboa. 2024. Dissertação de Mestrado. | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/21593 | |
| dc.language.iso | eng | |
| dc.peerreviewed | yes | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Deep learning | |
| dc.subject | Vehicle detection | |
| dc.subject | License plate detection | |
| dc.subject | OCR | |
| dc.subject | Automated License Plate Recognition (ALPR) | |
| dc.subject | Aprendizagem profunda | |
| dc.subject | Deteçãode de veículos | |
| dc.subject | Deteçãode de matrículas | |
| dc.subject | Reconhecimento ótico | |
| dc.title | Development of license plate detection and recognition system based on deep learning | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.endPage | 66 | |
| oaire.citation.startPage | 1 | |
| oaire.version | http://purl.org/coar/version/c_be7fb7dd8ff6fe43 |