https://www.canva.com/design/DAGp968ZEDE/Ysf2rYL_f00USe7ULTsD3w/edit?utm_content=DAGp968ZEDE&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton

LPR Analysis Tools: Otimização de Pré-processamento para OCR

Visão Geral

Este repositório contém ferramentas de análise e validação para sistemas de reconhecimento de placas veiculares (LPR), com foco específico na otimização de técnicas de pré-processamento de imagem para maximizar a precisão de OCR em hardware embarcado com recursos limitados.

O projeto investiga sistematicamente o impacto de diferentes algoritmos de pré-processamento na precisão do reconhecimento óptico de caracteres (OCR) para placas brasileiras, estabelecendo um trade-off crítico entre precisão e eficiência computacional.

Problema de Pesquisa

Como alcançar a máxima precisão de OCR para placas brasileiras usando algoritmos de pré-processamento leves e rápidos o suficiente para hardware embarcado com recursos restritos?

Arquitetura do Sistema

Imagem Capturada → YOLO Detection → Pré-processamento → OCR (Tesseract) → Pós-processamento → Resultado Final
                      ↓                    ↓                 ↓                    ↓
                 Bounding Box      Filtros Otimizados    Extração de Texto    Validação

Técnicas de Pré-processamento Investigadas

Este projeto avalia 8 técnicas selecionadas por sua simplicidade computacional e eficácia potencial:

Técnica	Descrição	Custo Computacional	Aplicação
Original	Imagem sem processamento	Mínimo	Baseline
Grayscale	Conversão para escala de cinza	Muito baixo	Redução de dimensionalidade
Otsu	Limiarização automática de Otsu	Baixo	Binarização adaptativa
Adaptive	Limiarização adaptativa	Baixo	Condições de iluminação variável
Bilateral	Filtragem bilateral	Médio	Redução de ruído preservando bordas
Sharpened	Aumento de nitidez	Baixo	Melhoria de definição
Resized2x	Redimensionamento 2x	Alto	Aumento de resolução
Inverted	Inversão de cores	Muito baixo	Melhoria de contraste

Ferramentas Incluídas

1. Video Analysis Tool (video_analysis.py)

• Processa vídeos aplicando todas as técnicas de pré-processamento
• Executa OCR em múltiplos limiares de confiança (0.0, 0.2, 0.4, 0.6, 0.8)
• Gera análise batch completa com 921 tentativas de OCR

2. Validation Tool (analysis-tool.py)

Interface gráfica para validação manual dos resultados:

• Visualização lado a lado: imagem original vs. melhor processada
• Input para ground truth (texto correto da placa)
• Avaliação de qualidade (Excellent/Good/Poor/Unreadable)
• Navegação por teclado (←/→/Enter/Space)
• Filtragem: All/Deduplicated/High Quality Only
• Exportação para análise estatística

Funcionalidades principais:

# Filtros de deduplicação
def deduplicate_plates(self):
    time_window = 5.0  # segundos
    similarity_threshold = 0.8

# Filtro de alta qualidade
def filter_high_quality_plates(self):
    confidence_threshold = 0.7
    min_bbox_area = 2000  # pixels

3. Dataset Curator (dataset-curator.py)

Curador automático para criação de datasets validados:

• Filtragem por critérios de qualidade
• Limitação de placas por vídeo
• Cópia automática de arquivos (original + 8 versões processadas)
• Geração de metadados e estatísticas
• Exportação para CSV para análise acadêmica

Resultados Principais

Performance Geral

• Dataset: 65 placas brasileiras, 921 tentativas de OCR
• Precisão placa completa: 3.1%
• Precisão por caractere: 26.8%

Melhores Métodos

Método	Precisão Média	Melhor Configuração	Trade-off
Resized2x	21.6%	66.7% (limiar 0.8)	Alta precisão, alto custo (4x memória)
Inverted	11.8%	11.8% (limiar 0.4)	Precisão competitiva, custo quase nulo

Estratégias Identificadas

1. Estratégia de Máxima Precisão:

   • Método: Resized2x (limiar 0.8)
   • Precisão: 66.7%
   • Limitação: Alto custo computacional

2. Estratégia Otimizada para Embarcados:

   • Método: Inverted (limiar 0.4)
   • Precisão: 11.8%
   • Vantagem: Sobrecarga computacional praticamente nula

Instalação

Pré-requisitos

• Python 3.10+
• Tesseract OCR
• YOLO v8 nano model

Setup

git clone [repository-url]
cd lpr-analysis-tools
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# ou
.\.venv\Scripts\activate  # Windows

pip install -r requirements.txt

Configuração do Tesseract (Windows)

# Baixar de: https://github.com/UB-Mannheim/tesseract/wiki
# Instalar em: C:\Program Files\Tesseract-OCR\
# Configurar no código:
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

Uso das Ferramentas

1. Análise de Vídeo

python video_analysis.py
# Processa vídeos da pasta 'videos/'
# Gera resultados em 'video_analysis_results/'

2. Validação Manual

python analysis-tool.py
# Interface gráfica para validação
# Carrega dados de 'video_analysis_results/'
# Salva validações em 'validation_results.json'

3. Curadoria de Dataset

python dataset-curator.py
# Cria dataset curado em 'curated_dataset/'
# Filtra por qualidade e remove duplicatas
# Gera CSVs para análise estatística

Estrutura de Dados

Formato de Resultados OCR

{
  "filename": "plate_001",
  "video_name": "video1.mp4",
  "confidence": 0.87,
  "ocr_results": {
    "grayscale": {
      "0.0": {"text": "ABC1234", "confidence": 0.92},
      "0.4": {"text": "ABC1234", "confidence": 0.89}
    },
    "resized2x": {
      "0.8": {"text": "ABC1234", "confidence": 0.95}
    }
  }
}

Formato de Validação

{
  "filename": "plate_001",
  "ground_truth": "ABC1234",
  "quality": "Good",
  "ocr_accuracies": {
    "resized2x": {
      "0.8": {
        "ocr_text": "ABC1234",
        "confidence": 0.95,
        "is_correct": true
      }
    }
  }
}

Análise Estatística

Métricas Calculadas

• Precisão por método e limiar
• Distribuição de qualidade
• Estatísticas de confiança YOLO
• Análise de erro por caractere vs. placa completa

Exports Disponíveis

• detailed_results.csv: Resultados completos por método/limiar
• accuracy_by_method.csv: Métricas de precisão sumarizadas
• validation_summary.csv: Resumo das validações manuais

Principais Descobertas

1. Trade-off Crítico

A escolha do pré-processamento é um compromisso fundamental entre precisão e eficiência computacional.

2. Análise de Erros

• Precisão por caractere (26.8%) é 8.5x maior que precisão da placa completa (3.1%)
• Erros em um único caractere causam falha total do reconhecimento
• Necessidade de algoritmos de correção probabilística

3. Requisito de Validação Adicional

• Alta taxa de falsos positivos (96.9%)
• Necessidade de mecanismos de validação (formato, banco de dados)

Próximos Passos

1. Análise Preditiva: Implementar correspondência probabilística usando confiança por caractere
2. Expansão do Sistema: Integração com bancos de dados nacionais
3. Testes em Campo: Validação com forças policiais em condições reais
4. Dataset Aprimorado: Cobertura de condições operacionais diversificadas

Contribuição Acadêmica

Este projeto fornece:

• Metodologia sistemática para avaliação de pré-processamento em LPR
• Dataset validado de placas brasileiras
• Análise quantitativa de trade-offs computacionais
• Ferramentas reproduzíveis para pesquisa em OCR embarcado

Licença

MIT License - veja LICENSE para detalhes.

Citação

@misc{lpr_preprocessing_2025,
  title={LPR em Tempo Real para Segurança Pública: Otimizando o Reconhecimento em Sistemas Embarcados},
  author={André Costa and Marceu Filho and Michel Lutegar},
  year={2025},
  note={Disciplina: Sistemas Embarcados e IOT}
}