ATENCIÓN: este contenido tiene más de 2 años de antigüedad y, debido a su temática, podría contener información desactualizada o inexacta en la actualidad.
En el estado de Victoria en Australia se roban unos 16.000 vehículos cada año, en una población de algo más de 6 millones de habitantes. Ante la magnitud del problema la policía del lugar experimenta con diversas formas de atacar el problema. Recientemente invirtieron 86 millones de dólares australianos en crear un sistema de reconocimiento automático de placas de matrícula en tiempo real que contrasta cada matrícula con una base de datos (pública, por cierto) y permite saber si un coche es robado en cuanto lo ven. Para ello montan unas cámaras sobre un trípode y un software que reconoce las matrículas y las verifica en la base de datos. Han montado el sistema en 220 coches-patrulla, con un coste medio por lo tanto de ¡casi 400 mil dólares por coche-patrulla! (o casi 6.000 por coche robado, buff!).
Mosqueado por ese gasto tan enorme, el programador australiano Tait Brown se preguntó si sería posible replicar la funcionalidad del sistema de manera sencilla, y estimar los costes de otra manera. Las restricciones que se auto-impuso fueron:
- El sistema debería procesar las imágenes para reconocer las matrículas en local, sin enviar datos a Internet evitando el coste que ello supone.
- Debería trabajar con imágenes de baja calidad, como las que ofrecen las cámaras de salpicadero, que se pueden comprar por unos pocos euros en cualquier tienda online.
- Debería utilizar tan solo tecnología Open Source, para poder tocar el código si fuera necesario y disminuir los costes.
Construyó una aplicación en Node.js que usaba la biblioteca Open ALPR, específica para reconocimiento de matrículas. Dado que no existe una API pública para consultar las matrículas pero sí un sitio web, tuvo que hacer "scrapping" de los resultados de esa página, para lo cual utilizó la biblioteca libre llamada "Horseman" para Node.js. El prototipo no funciona con una cámara real (necesitaría enlazarla, pero no es complicado), sino que funciona partiendo de vídeo previamente grabado, aunque lo procesa en tiempo real.
Los resultados son excelentes:
Permitió reconocer la mayor parte de las matrículas en tiempo real y con un campo de visión muy amplio (a una persona le cuesta reconocer las matrículas tan rápido y desde tan lejos con esas imágenes que no son precisamente Full-HD).
Y todo ello en tan solo 57 líneas de código.
Es muy interesante leer sus dos artículos al respecto, en los que da muchos detalles sobre el funcionamiento, los problemas que se encontró, etc...:
Más allá de la capacidad del sistema que quizá no sea tan preciso como el que compró el gobierno, la diferencia de precio entre construir algo así y los 86 millones parece abismal e injustificada. Evidentemente hay muchos otros gastos que el propio desarrollo y el equipamiento, pero ¿cómo se puede justificar semejante gasto en tecnología en la era del desarrollo rápido, el Open Source y la inteligencia artificial?
Según el propio Tait, el gasto desmesurado e injustificado en tecnología por parte de las Administraciones Públicas es el punto principal del proyecto, más allá del meramente tecnológico. Y ocurre lo mismo en muchos otros países del mundo. En España hemos tenido algunos casos recientemente (¿alguien ha dicho Lexnet v2.0?).
Que cada uno saque sus conclusiones. Pero antes, lee los artículos 😜
Fecha de publicación: