Mostrar registro simples

Desenvolvimento de um sistema de reconhecimento de placas veiculares para controle de acesso em ambientes residenciais.

dc.creatorFarias, Luiz Gabriel Veléz de
dc.date.accessioned2026-08-07T14:30:40Z
dc.date.available2026-08-07T14:30:40Z
dc.date.issued2026-07-07
dc.identifier.citationFARIAS, Luiz Gabriel Veléz de; LINS, Matheus Duarte de Souza. Desenvolvimento de um sistema de reconhecimento de placas veiculares para controle de acesso em ambientes residenciais. 2026. 32 f. Trabalho de Conclusão de Curso (Artigo) – Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas, Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Paulista, 2026.pt_BR
dc.identifier.urihttps://repositorio.ifpe.edu.br/xmlui/handle/123456789/2263
dc.description.abstractAccess control in residential and commercial buildings has become a fundamental pillar in modern security management. This paper presents the development of an Automatic License Plate Recognition (ALPR) system designed to automate vehicle entry and exit flows. The proposed solution integrates the Python language with the OpenCV library for digital image preprocessing and the Tesseract OCR engine, based on Long Short-Term Memory (LSTM) neural networks, for character extraction. The system utilizes bilateral filtering for noise reduction while preserving edges and adaptive thresholding for segmentation, ensuring high accuracy even under variable lighting conditions. Data is managed by an SQLite database, offering a low-cost, high-efficiency serverless architecture. The results demonstrate the technical viability of replacing manual controls with computer vision systems on general-purpose hardware.pt_BR
dc.format.extent32 p.pt_BR
dc.languagept_BRpt_BR
dc.relationAHAMED, Istiak; ISMAIL, Gazi Mohammad. YOLOv8-Based License Plate Recognition for Bangladesh Vehicles. ResearchGate, 2025. Disponível em: https://www.researchgate.net/publication/388230973_YOLOv8-Based_License_Plate_Recognition_for_Bangladeshi_Vehicles. Acesso em: 22 fev. 2026. ALVES, Fabricio Henrique Cardoso. Estudo e desenvolvimento de sistema de reconhecimento de placas veiculares. 2017. Trabalho de Conclusão de Curso. Disponível em: https://ric.cps.sp.gov.br/bitstream/123456789/24237/1/Fabricio%20Henrique%20Cardoso%20Alves.pdf. Acesso em: 28 mar. 2026. ANAGNOSTOPOULOS, C. N. et al. License plate recognition from still images and video sequences: A survey. ResearchGate, 2008. Disponível em: https://www.researchgate.net/publication/3428145_License_Plate_Recognition_From_Still_Images_and_Video_Sequences_A_Survey. Acesso em: 18 fev. 2026. BOVIK, A. C. Handbook of image and video processing. 2. ed. New York: Academic Press, 2020. BRADSKI, G.; KAEHLER, A. Learning OpenCV: Computer Vision with the OpenCV Library. Sebastopol: O'Reilly Media, 2008. CASEY, R. G.; LECOLINET, E. A. A survey of methods and strategies in character segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 18, n. 7, p. 690-706, 2015. Disponível em: https://perso.telecom-paristech.fr/elc/papers/pami96.pdf. Acesso em: 05 mar. 2026. GONZALEZ, R. C.; WOODS, R. E. Processamento digital de imagens. 4. ed. São Paulo: Pearson, 2018. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016. Disponível em: https://www.deeplearningbook.org/. Acesso em: 20 maio 2026. GRAVES, Alex. Long Short-Term Memory. In: Supervised Sequence Labelling with Recurrent Neural Networks. Springer, Berlin, Heidelberg, 2012. Disponível em: https://www.cs.toronto.edu/~graves/preprint.pdf. Acesso em: 15 maio 2026. HORA, B. A. Detecção e reconhecimento de placas de identificação veicular com uso de técnicas de visão computacional aplicadas à fiscalização de trânsito. Trabalho de Conclusão de Curso (Engenharia de Computação) – Universidade Federal do Pará (UFPA), Belém, 2024. Disponível em: https://www.even3.com.br/anais/simtec2024/918911-aplicacao-de-tecnicas-de-visao-computacional-na-deteccao-e-reconhecimento-de-placas-de-identificacao-veicular-u/. Acesso em: 20 jan. 2026. LAROCA, R. et al. A robust real-time system for license plate recognition in unconstrained scenarios. In: 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). IEEE, 2018. Disponível em: https://homepages.dcc.ufmg.br/~william/papers/paper_2018_IJCNN_Laroca.pdf. Acesso em: 20 fev. 2026. LUTZ, M. Learning Python. 5. ed. Sebastopol: O'Reilly Media, 2013. MCKINSEY & COMPANY. Global survey: The state of AI in 2021. New York: McKinsey & Company, 2021. Disponível em: https://www.mckinsey.com/capabilities/quantumblack/our-insights/global-survey-the-state-of-ai-in-2021. Acesso em: 17 jun. 2026. ONU-HABITAT. World Cities Report 2022: Envisaging the Future of Cities. Nairobi: United Nations Human Settlements Programme, 2022. Disponível em: https://unhabitat.org/world-cities-report-2022-envisaging-the-future-of-cities. Acesso em: 10 abr. 2026. OPENCV. OpenCV Documentation: Image Filtering. Disponível em: https://docs.opencv.org/. Acesso em: 19 fev. 2026. OPENCV. OpenCV documentation: OCR and computer vision. 2025. Disponível em: https://opencv.org. Acesso em: 18 abr. 2026. PRATT, W. K. Digital image processing: PIKS scientific inside. 4. ed. New York: Wiley-Interscience, 2007. Disponível em: https://nana.lecturer.pens.ac.id/index_files/referensi/image_processing/Digital%20Image%20Processing.pdf. Acesso em: 26 jun. 2026. REDMON, J. et al. You Only Look Once: Unified, real-time object detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, 2016. p. 779-788. Disponível em: https://ieeexplore.ieee.org/document/7780460. Acesso em: 02 jun. 2026. SATYANARAYANAN, Mahadev. The emergence of edge computing. Computer, v. 50, n. 1, p. 30-39, 2017. Disponível em: https://elijah.cs.cmu.edu/DOCS/satya-edge2016.pdf. Acesso em: 22 jun. 2026. SMITH, R. An overview of the Tesseract OCR engine. In: Proceedings of the Ninth International Conference on Document Analysis and Recognition. Curitiba, 2007. p. 629-633. Disponível em: https://ieeexplore.ieee.org/document/4378659. Acesso em: 18 abr. 2026. SONKA, M.; HLAVAC, V.; BOYLE, R. Image processing, analysis, and machine vision. 4. ed. Boston: Cengage Learning, 2014. Disponível em: https://archive.org/details/imageprocessingina0000sonk_u5x5/mode/2up. Acesso em: 10 abr. 2026. SQLite. SQLite Documentation. Disponível em: https://www.sqlite.org/docs.html. Acesso em: 17 abr. 2026. STALLINGS, William. Criptografia e segurança de redes. 7. ed. São Paulo: Pearson, 2018. Disponível em: https://www.kufunda.net/publicdocs/Criptografia%20e%20Seguran%C3%A7a%20de%20Redes%20-%206%C2%AA%20Ed.%202014.pdf. Acesso em: 09 dez. 2025. TESSERACT-OCR. Tesseract Open Source OCR Engine. GitHub Repository. Disponível em: https://github.com/tesseract-ocr/tesseract. Acesso em: 03 dez. 2025. THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition. 4th ed. Academic Press, 2008.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectControle de acessopt_BR
dc.subjectVisão computacionalpt_BR
dc.subjectOCRpt_BR
dc.subjectTesseractpt_BR
dc.subjectLSTMpt_BR
dc.subjectPythonpt_BR
dc.titleDesenvolvimento de um sistema de reconhecimento de placas veiculares para controle de acesso em ambientes residenciais.pt_BR
dc.title.alternativeDevelopment of a vehicle license plate recognition system for access control in residential environments.pt_BR
dc.typeArticlept_BR
dc.creator.Latteshttp://lattes.cnpq.br/6829931241041967pt_BR
dc.contributor.advisor1Andrade, Mércio Antônio Oliveira de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0747543116672173pt_BR
dc.contributor.referee1Silva, Rodrigo Cesar Lira da
dc.contributor.referee2Bezerra, Thiago Valentim
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2442224050349612pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2833361671270005pt_BR
dc.publisher.departmentPaulistapt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpt_BR
dc.description.resumoO controle de acesso em ambientes residenciais e comerciais tornou-se um pilar fundamental na gestão de segurança patrimonial moderna. Este trabalho apresenta o desenvolvimento de um sistema de Reconhecimento Automático de Placas (ALPR, do inglês Automatic License Plate Recognition), projetado para automatizar o fluxo de entrada e saída de veículos. A solução proposta integra a linguagem Python com a biblioteca OpenCV para o pré-processamento digital de imagens e o motor Tesseract OCR, baseado em redes neurais LSTM (Long Short-Term Memory), para a extração de caracteres. O sistema utiliza filtragem bilateral para redução de ruído preservando bordas e binarização adaptativa para segmentação, garantindo alta assertividade mesmo em condições de iluminação variáveis. Os dados são gerenciados por um banco de dados SQLite, oferecendo uma arquitetura serverless de baixo custo e alta eficiência. Os resultados obtidos demonstram a viabilidade técnica da substituição de controles manuais por sistemas de visão computacional em hardware de uso geral.pt_BR
dc.creator.name2Lins, Matheus Duarte de Souza
dc.creator.Lattes2http://lattes.cnpq.br/9450427772969184pt_BR


Arquivos deste item

Thumbnail
Nome:
Reconhecimento de Placas VF.pdf
Tamanho:
592.4Kb
Formato:
PDF
Descrição:
Artigo principal
Visualizar/Abrir

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples