Reconnaissance intelligente des plaques d’immatriculation (ANPR) pour feux de circulation

Date : 2025

Vision par ordinateur
Terminé

Système ANPR hors ligne pour plaques tunisiennes et libyennes : détection YOLOv8 avec repli OpenCV, OCR arabe/latin, validation des formats et traitement vidéo en temps réel.

Aperçu

Stage d’été chez SOTECA Electric × Istithmar Equipement, à Sfax, de juillet à août 2025.

J’ai conçu et réalisé un système hors ligne de reconnaissance automatique des plaques d’immatriculation (ANPR) adapté aux plaques tunisiennes et libyennes. Il détecte les plaques dans des images, des fichiers vidéo et des flux de caméra en direct, lit un texte mêlant arabe et latin, le valide selon les formats nationaux et enregistre chaque détection pour la surveillance du trafic et le contrôle d’accès.

Chiffres clés

de rappel de détection des plaques sur le jeu de test: 90%+; de rappel de détection des plaques sur le jeu de test
formats de plaques nationaux pris en charge (Tunisie, Libye): 2; formats de plaques nationaux pris en charge (Tunisie, Libye)
sources d’entrée : image, fichier vidéo, caméra en direct: 3; sources d’entrée : image, fichier vidéo, caméra en direct

Technologies

Problème

Les solutions commerciales (Hikvision, Dahua, OpenALPR) gèrent mal les plaques tunisiennes et libyennes, à cause de l’écriture arabe et des formats de plaques propres à la région.

Solution

Un pipeline hybride : YOLOv8 localise la plaque, avec un repli par détection de contours OpenCV ; EasyOCR (arabe + anglais) la lit en plusieurs passes après prétraitement ; le texte est normalisé, corrigé puis validé selon les formats nationaux ; les détections sont enregistrées dans SQLite, le tout dans une application de bureau Tkinter multithread.

Ma contribution

Conception et réalisation de l’ensemble du système : pipeline de détection, OCR et correction du texte, validation des formats, application de bureau, couche de persistance, et modélisation UML (diagrammes de classes et de cas d’utilisation) d’une architecture modulaire en trois classes.

Résultats

Le pipeline de détection dépasse 90 % de rappel sur le jeu de test et fonctionne entièrement hors ligne sur images, vidéos et caméras en direct. Prochaines étapes : déploiement embarqué sur Raspberry Pi 4 avec quantification du modèle, tests sur de vrais carrefours et intégration par API dans l’infrastructure de gestion du trafic de l’entreprise.

Fonctionnalités

Détection des plaques avec YOLOv8 et repli par contours OpenCV
OCR en plusieurs passes avec EasyOCR (arabe + anglais), prétraitement d’image, normalisation du texte arabe et correction des erreurs d’OCR
Validation par regex des formats tunisiens (standard, RS, séries spéciales) et libyens
Association zone-texte selon le recouvrement, la distance et les scores de confiance
Application de bureau Tkinter multithread pour images, fichiers vidéo et caméra en direct
Journalisation SQLite avec export CSV, archives d’images de plaques et de véhicules classées par jour, dédoublonnage automatique