Resumen de Reidentificación de vehículos mediante técnicas de deep learning

Álvaro Ramajo Ballester, Jacobo González Cepeda, José María Armingol Moreno, Arturo de la Escalera Hueso

• español

  El nivel de precisión de las redes neuronales profundas en tareas de percepción visual permite captar información crucial del entorno para futuros proyectos, como los vehículos autónomos y las ciudades inteligentes. Una de las posibilidades que permitiría este tipo de sistemas es el control y seguimiento de determinados vehículos sospechosos. Teniendo en cuenta el uso de esta tecnología por parte de la policía, se facilitaría el seguimiento de determinados coches bajo investigación. Con esta visión, el objetivo de este trabajo es el estudio del estado del arte actual de los métodos y el desarrollo de un sistema que resuelva dos tareas de forma eficiente: la caracterización visual y reidentificación de vehículos y la segmentación de matrículas y reconocimiento de caracteres. Esta doble identificación puede adaptarse a las condiciones ambientales, a la distancia del objetivo y a las capacidades y resolución de las cámaras. Para probar y validar este sistema, se ha creado un conjunto de datos personalizado para minimizar la diferencia entre el laboratorio y el entorno real.

• English

  The level of precision of deep neural networks in visual perception tasks allows to capture crucial information from the environment for future projects, such as autonomous vehicles and smart cities. One possibility that this type of system would allow is the control and tracking of certain suspicious vehicles. Considering the use of this technology by police, it would facilitate the tracking of certain cars under investigation. With this vision, the objective of this work is the study of the current state-of-the-art of the methods and the development of a system that solves two tasks efficiently: the visual characterization and re-identification of vehicles and the license plates segmentation and character recognition. This dual identification can adapt to the environmental conditions, target distance and cameras capabilities and resolution. To test and validate this system, a custom dataset has been created to minimize the difference between lab and real environment.