Análisis de estrategias de superresolución para la identificación de placas vehiculares en imágenes con resolución no apropiada

Abstract

RESUMEN : Este proyecto abordó la identificación de placas vehiculares en imágenes de baja resolución capturadas por cámaras de seguridad no especializadas. Para mejorar la calidad de las imágenes y facilitar su análisis, se implementaron técnicas de superresolución utilizando arquitecturas GAN (SRGAN, ESRGAN y Real-ESRGAN). Se creó una base de datos con 14,393 imágenes en resoluciones de 128x128 y 32x32 píxeles, etiquetadas usando YOLOv8. Las arquitecturas GAN fueron evaluadas en tres formatos de imagen (JPG, PNG y WEBP), cinco resoluciones y cuatro niveles de compresión para determinar su impacto en el rendimiento. Los resultados mostraron que ESRGAN superó a SRGAN en calidad y nitidez de imágenes, especialmente en resoluciones bajas y medias, y que el formato PNG mostró mayor resistencia a la compresión. Real-ESRGAN no obtuvo resultados satisfactorios tras 100 épocas de entrenamiento debido a su complejidad y limitaciones de hardware. Finalmente, se implementó un sistema completo en una SBC VIM3 de Khadas con una webcam Allink 550 1080p, incluyendo captura de video, detección de vehículos y placas con YOLOv8, superresolución, OCR y mejora de contraste. Los experimentos demostraron la viabilidad de aplicar estas técnicas en entornos reales, mejorando la identificación de las placas vehiculares.