La vision par ordinateur avec Python
Une introduction à la vision par ordinateur et à la reconnaissance des plaques d’immatriculation avec Python, OpenCV et EasyOCR.
Introduction
Aujourd’hui, nous allons explorer la vision par ordinateur avec Python et certaines de ses applications, comme l’ANPR, la reconnaissance automatique des plaques d’immatriculation. Ce sera une introduction assez simple : le sujet est vaste et je n’ai pas beaucoup travaillé dans ce domaine. J’espère donc que cet article nous permettra à tous d’apprendre quelque chose.
Dans un prochain article, j’aimerais appliquer ces techniques à la résolution automatique de CAPTCHAs assez simples. Je l’ai déjà fait il y a quelque temps sans m’attarder sur chaque étape, et je pense que cela pourrait être intéressant.
Commençons.
Qu’est-ce que la vision par ordinateur ?
Dans les grandes lignes, la vision par ordinateur regroupe les techniques et les méthodes permettant à un ordinateur de simuler notre vue. Des algorithmes extraient des informations des images, les traitent et agissent en fonction des résultats.
Pour cette petite démonstration, nous utiliserons Python et plusieurs bibliothèques, notamment OpenCV, qui fournit de nombreuses fonctions de vision par ordinateur.
OCR
La reconnaissance optique de caractères, ou OCR, permet d’extraire du texte d’une image. Le processus peut se décomposer en plusieurs étapes :
- Binarisation : convertir l’image en noir et blanc. De nombreux algorithmes travaillent avec des images binaires ne contenant que deux couleurs ; OpenCV ne fait pas exception.
- Segmentation des lignes et des mots : isoler chaque mot.
- Reconnaissance des caractères et comparaison de motifs : comparer les caractères extraits à une base de données. Plus les données de référence sont bonnes, meilleurs sont les résultats.
Heureusement, des bibliothèques comme Tesseract et EasyOCR proposent déjà des modèles de reconnaissance de texte.
Nous utiliserons EasyOCR, qui donnait de meilleurs résultats que Tesseract sur les chiffres dans cet exemple.
On peut aussi ajouter du prétraitement et du post-traitement : supprimer le bruit, normaliser certains paramètres ou imposer des contraintes au résultat. Par exemple, nous savons que 152L PLQ ne serait pas une plaque valide dans le format espagnol que nous étudions.
Cherchons une image de véhicule dont la plaque est visible : une Seat Ibiza rouge avec une plaque espagnole. Nous avons volontairement choisi une photo nette, bien cadrée, avec une plaque très lisible. Une image issue d’une caméra routière ne sera pas toujours aussi favorable, mais celle-ci nous permettra de montrer le fonctionnement.

Comme indiqué dans les étapes de l’OCR, nous devons d’abord convertir l’image en noir et blanc.


Ensuite, nous réduisons le bruit de l’image pour rendre la plaque plus nette et faciliter son traitement.


Nous utilisons maintenant l’algorithme de Canny pour extraire les contours de l’image et les isoler des autres pixels, ce qui facilite la recherche de formes.


Une fois les contours obtenus, nous les trions du plus grand au plus petit et cherchons le premier qui possède quatre côtés : un rectangle ou un carré qui sera, avec un peu de chance, notre plaque.


Nous créons ensuite une nouvelle image contenant uniquement ce rectangle découpé et la transmettons au moteur OCR. Ici, nous utilisons EasyOCR, mais Tesseract pourrait également donner le même résultat.
Après avoir lu la plaque, nous encadrons son rectangle en vert et écrivons le numéro reconnu à côté.


Problèmes
Cela fonctionne : la plaque apparaît sur l’image et sous forme de chaîne de caractères dans la console. Mais d’autres images peuvent poser problème. La plaque ne sera pas toujours la plus grande forme à quatre côtés ; le programme risque alors de sélectionner une autre zone et de transmettre la mauvaise image à l’OCR. Les images contenant plusieurs plaques posent aussi problème, puisque cette méthode n’en sélectionne qu’une.
Conclusion
J’espère que cet exemple vous donne une idée de la diversité des applications de cette discipline. Dans de prochains articles, j’aimerais approfondir le sujet et essayer différentes approches et solutions à ce problème.