Saltar al contenido principal

[Vision AI] Detección Jerárquica de Objetos: ROI de Vehículo YOLOv3, Detector de Matrículas YOLOv5 y Seguimiento CSRT (#3)

· Lectura de un minuto
Jihwan Park (jaybee)
Jihwan Park (jaybee)
AI & Robotics Engineer

Localización de Matrícula con YOLOv5

📌 Key Takeaways (Puntos Clave)

  • Problema: Detectar matrículas diminutas (30x15 píxeles) en todo el fotograma de 640x480 provoca falsos positivos con carteles viales y reduce el rendimiento a menos de 10 FPS.
  • Solución: Diseñamos una arquitectura en dos etapas (YOLOv3 para vehículos -> YOLOv5 solo en el ROI del vehículo) combinada con el rastreador CSRT cada 15 fotogramas.
  • Resultado: Eliminación del 98% de falsos positivos y reducción del 80% en carga de GPU, manteniendo más de 50 FPS.

1. Detección Jerárquica en Dos Etapas​

vehicle_boxes = detect_vehicles_yolov3(frame, net=vehicle_net, conf_thresh=0.5)

for box in vehicle_boxes:
    x1, y1, x2, y2 = box
    vehicle_roi = frame[y1:y2, x1:x2]
    plate_boxes = plate_model(vehicle_roi)
    for pbox in plate_boxes:
        px1, py1, px2, py2 = pbox
        global_plate_box = [x1 + px1, y1 + py1, x1 + px2, y1 + py2]

2. Seguimiento en Tiempo Real con CSRT​

Seguimiento Continuo con OpenCV CSRT

3. Próxima Entrega​

En la Entrega #4, abordaremos la superresolución profunda EDSR_x4 y el apilamiento multifotograma para recuperar contornos alfanuméricos nítidos.