Desarrollo de un método de reconocimiento de placas vehiculares de mototaxi en ambientes no controlados utilizando procesamiento digital de imágenes

• Autor: Oliva Villalobos, Carlos Humberto
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/14197
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14197
• Nivel de acceso: acceso abierto
• Materia: Procesamiento de imágenes; Filtro gaussiano; Operaciones morfológicas; Segmentación de caracteres; Algoritmo de clasificación; KNN; Placas de rodaje de mototaxi; https://purl.org/pe-repo/ocde/ford#2.02.04

Los vehículos menores, como las mototaxis, son un medio de transporte público utilizado como herramienta de trabajo por muchos peruanos. Sin embargo, debido a la informalidad y la imprudencia de los conductores, aumentaron las infracciones de tránsito y los robos de estas unidades, lo que generó un problema ligado al monitoreo vial y la seguridad ciudadana. Existen diversas soluciones de ingeniería, como sistemas electrónicos y software comerciales, que procesan información para el reconocimiento de placas, pero solo de automóviles. En el Perú, aunque hay placas de mototaxi, no se desarrolló un método estandarizado para el reconocimiento de sus dígitos en ambientes no controlados. Para abordar esta problemática, se propuso un método de reconocimiento de placas de mototaxi. Se capturaron 150 imágenes con un dispositivo móvil montado en un trípode. Durante el preprocesamiento, las imágenes fueron convertidas de RGB a escala de grises y HSV, extrayéndose el canal de intensidad. Se aplicaron operaciones morfológicas como TOPHAT y BLACKHAT para resaltar detalles, seguidas de un filtro gaussiano para mitigar variaciones de ángulos y ruidos, además de una umbralización adaptativa. En la fase de segmentación, se utilizaron las funciones findContours y boundingRect de OpenCV para detectar contornos, y el método OTSU para convertir las placas recortadas en imágenes binarias. Finalmente, se empleó el algoritmo K-Vecinos más cercanos (KNN) para clasificar los caracteres. El método alcanzó una precisión del 99.30% y una exactitud del 95.13%, demostrando su viabilidad en entornos no controlados.