Nhận diện biển số xe

z  HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG KHOA KĨ THUẬT ĐIỆN TỬ I ************** BÁO CÁO BÀI TẬP NHĨM MƠN HỌC: Truyền thơng đa phương tiện Đề tài: Nhận diện biển số xe Giảng viên hướng dẫn : Vũ Hữu Tiến LỜI NÓI ĐẦU Xử lý nhận dạng lĩnh vực từ lâu nhiều người quan tâm Nó ứng dụng vào nhiều lĩnh vực như: Trong y học, cải thiện ảnh X-quang nhận dạng đường biên mạch máu từ ảnh chụp tia X , ứng dụng vào xét nghiệm lâm sàng phát nhận dạng u não, nội soi cắt lớp…Trong thiên văn học, hệ thống chụp hình gắn tàu vũ trụ hạn chế kích thước trọng lượng, chất lượng hình ảnh nhận bị giảm chất lượng bị mờ, méo hình học nhiễu Các hình ảnh xử lý máy tính Trong lĩnh vực cơng nghiệp, người máy ngày đóng vai trị quan trọng Chúng thực cơng việc nguy hiểm, địi hỏi có tốc độ độ xác cao vượt q khả người Người máy trở nên tinh vi thị giác máy tính đóng vai trị quan trọng Người ta khơng địi hỏi người máy phát nhận dạng phận cơng nghiệp mà cịn phải “ hiểu ” chúng “ thấy ” đưa hành động phù hợp Xử lý ảnh tác động đến thị giác máy tính Ngồi ra, xử lý nhận dạng cịn ứng dụng lĩnh vực khác nói đến Cơng an giao thơng thường hay chụp ảnh môi trường không thuận lợi, ảnh thường bị nhòe nên cần xử lý nhận dạng để nhìn thấy biển số xe Trong tiểu luận người thực xin trình bày ứng dụng xử lý nhận dạng số NHẬN DẠNG BIỂN SỐ XE Mục lục MỤC LỤC I TỔNG QUAN VÀ GIỚI THIỆU CHUNG 1 Tổng quan a Lý chọn đề tài: .1 b Mục đích .1 Giới thiệu chung II Mô tả đề tài PHÁT HIỆN VỊ TRÍ VÀ TÁCH BIỂN SỐ XE a Chuyển ảnh xám b Tăng độ tương phản c Giảm nhiễu lọc Gauss d Nhị phân hóa với ngưỡng động (Adaptive Threshold) e Phát cạnh Canny (Canny Edge Detection) .6 PHÂN ĐOẠN KÍ TỰ a Xoay biển số b Tìm vùng đối tượng .9 c Tìm tách kí tự 10 NHẬN DIỆN KÍ TỰ 10 a Tổng quan lý thuyết 10 III KẾT QUẢ VÀ ĐÁNH GIÁ 13 Kết 13 Đánh Giá 14 I TỔNG QUAN VÀ GIỚI THIỆU CHUNG Tổng quan a Lý chọn đề tài: Lĩnh vực xử lí ảnh số, bao gồm xử lí, phân tích nhận biết tự động máy tính, có phát triển mạnh mẽ lý thuyết ứng dụng thực tế Xử lí ảnh ứng dụng nhiều lĩnh vực quan trọng như: viễn thông, truyền thông, chụp ảnh y tế, sinh học, khoa học vật liệu, rô-bốt, sản xuất, hệ thống cảm biến thông minh, tự động điều khiển, đồ hoạ, in ấn Sự phát triển mạnh thấy rõ qua số lượng báo, báo cáo khoa học xử lí ảnh hàng năm qua số lượng đầu sách viết xử lí ảnh số Như biết, ngày xe máy phương tiện giao thơng số lượng ngày tăng Vì vấn đề quản lý giao thơng, bảo đảm an ninh, thu phí giao thơng địi hỏi cần thiết có hỗ trợ khoa học kỹ thuật Một hỗ trợ đầy hiệu giúp người quản lý nhận dạng biển số xe dễ dàng, nhanh chóng thuận lợi Nhận dạng biển số xe trở thành ứng dụng hữu ích, đưa vào lĩnh vực như: quản lí giao thơng, kiểm tra an ninh, thu phí giao thơng, trạm gác cổng, quản lý bãi giữ xe cách tự động Nó khơng giúp người quản lý có khả bao quát tất khách hàng, đối tượng theo dõi mà cịn giúp tiết kiệm thời gian làm việc đáng kể Ngoài với phương pháp giúp giảm nhiều người trông giữ xe để phân công họ vào việc khác b Mục đích Hệ thống nhận dạng biển số xe ứng dụng dựa kỹ thuật xử lí ảnh số Mục đích nhận dạng biển số xe thực bước xử lí để từ ảnh đầu vào, máy tính nhận xác biển số xe ảnh Nhận dạng biển số xe trở thành ứng dụng hữu ích, đưa vào lĩnh vực như: quản lí giao thơng, kiểm tra an ninh, thu phí giao thơng, trạm gác cổng, quản lý bãi giữ xe cách tự động Giới thiệu chung Xử lý ảnh Open CV Xử lý ảnh phân ngành xử lý số tín hiệu với tín hiệu xử lý ảnh Đây phân ngành khoa học phát triển năm gần Xử lý ảnh gồm lĩnh vực chính: xử lý nâng cao chất lượng ảnh, nhận dạng ảnh, nén ảnh truy vấn ảnh Sự phát triển xử lý ảnh đem lại nhiều lợi ích cho sống người Ngày xử lý ảnh áp dụng rộng rãi đời sống như: photoshop, nén ảnh, nén video, nhận dạng biển số xe, nhận dạng khuôn mặt, nhận dạng chữ viết, xử lý ảnh thiên văn, ảnh y tế, OpenCV (Open Computer Vision) thư viện mã nguồn mở hàng đầu cho xử lý thị giác máy tính, machine learning, xử lý ảnh OpenCV đươc viết C/C++, có tốc độ tính tốn nhanh, sử dụng với ứng dụng liên quan đến thời gian thực Opencv có interface cho C/C++, Python Java hỗ trợ cho Window, Linux, MacOs lẫn Android, iOS OpenCV có cộng đồng 47 nghìn người dùng số lượng download vượt triệu lần Opencv có nhiều ứng dụng như:  Nhận dạng ảnh  Xử lý hình ảnh  Phục hồi hình ảnh/video  Thực tế ảo II Mô tả đề tài Hướng giải Hiện giới có nhiều cách tiếp cận khác với việc nhận dạng biển số xe, nhiên phạm vi đồ án em giải vấn đề theo bước chính: Phát vị trí tách biển số xe từ hình ảnh có sẵn từ đầu vào camera Phân đoạn kí tự có biển số xe Nhận diện kí tự đưa mã ASCII Hình: Các bước nhận dạng biển số xe PHÁT HIỆN VỊ TRÍ VÀ TÁCH BIỂN SỐ XE Hướng giải quyết: Sơ đồ tóm gọn bước để xác định tách biển số xe từ clip: Hình: Xác định tách biển số xe Đầu tiên từ clip ta cắt frame ảnh từ clip đầu vào để xử lý, tách biển số Ở phạm vi đồ án này, ý tưởng chủ yếu nhận diện biển số từ thay đổi đột ngột cường độ ánh sáng biển số môi trường xung quanh nên ta loại bỏ liệu màu sắc RGB cách chuyển sang ảnh xám Tiếp theo ta tăng độ tương phản với hai phép tốn hình thái học Top Hat Black Hat để làm bật thêm biển số phông nền, hỗ trợ cho việc xử lý nhị phân sau Sau đó, ta giảm nhiễu lọc Gauss để loại bỏ chi tiết nhiễu gây ảnh hưởng đến trình nhận diện, đồng thời làm tăng tốc độ xử lý Việc lấy ngưỡng giúp ta tách thông tin biển số thông tin nền, em chọn lấy ngưỡng động (Adaptive Threshold) Tiếp ta sử dụng thuật tốn phát cạnh Canny để trích xuất chi tiết cạnh biển số Trong trình xử lý máy tính nhầm lẫn biển số với chi tiết nhiễu, việc lọc lần cuối tỉ lệ cao/rộng hay diện tích biển số giúp xác định biển số Cuối cùng, ta xác định vị trí biển số ảnh cách vẽ Contour bao quanh a Chuyển ảnh xám Ảnh xám (Gray Scale) đơn giản hình ảnh màu sắc thái màu xám với 256 cấp độ xám biến thiên từ màu đen đến màu trắng, nằm giải giá trị từ đến 255, nghĩa cần bits hay byte để biểu diễn điểm ảnh Lý cần phải phân biệt ảnh xám ảnh khác nằm việc ảnh xám cung cấp thông tin cho pixel Với ảnh thông thường pixel thường cung cấp trường thơng tin với ảnh xám có trường thông tin, việc giảm khối lượng thông tin giúp tăng tốc độ xử lý, đơn giản hóa giải thuật đảm bảo tác vụ cần thiết Ở em chuyển ảnh xám từ hệ màu HSV thay RGB với khơng gian màu HSV ta có ba giá trị là: Vùng màu (Hue), độ bão hịa (Saturation), cường độ sáng (Value) Vì lý khơng gian màu HSV thích nghi tốt thay đổi ánh sáng từ môi trường Khi chuyển đổi, ảnh xám ta cần ma trận giá trị cường độ sáng tách từ hệ màu HSV b Tăng độ tương phản  Phép tốn hình thái học Hình thái học tốn học lý thuyết kỹ thuật để phân tích xử lý cấu trúc hình học, hình ảnh đầu xác định chủ yếu dựa vào phần từ cấu trúc (structuring elements/kernel) Hình thái học tốn học phát triển cho hình ảnh nhị phân, sau mở rộng cho ảnh xám, Đây kỹ thuật áp dụng giai đoạn tiền xử lý Hai phép toán thường dùng phép giãn nở (Dilation) phép co (Erosion) Từ hai phép toán người ta phát triển thành số phép tốn phép đóng (Closing) phép mở (Opening) phép Top Hat, Black Hat  Tăng độ tương phản ảnh Để làm tăng độ tương phản biển số, em sử dụng chủ yếu hai phép Top Hat Black Hat Ý tưởng chung ảnh đầu ảnh gốc cộng thêm ảnh qua phép Top Hat trừ ảnh qua phép Black Hat Những chi tiết sáng sáng chi tiết tối lại tối hơn, từ làm tăng độ tương phản cho biển số c Giảm nhiễu lọc Gauss Noise hiểu dạng chấm hạt nhỏ phân bố hình ảnh Noise làm biến dạng chi tiết ảnh khiến cho chất lượng ảnh thấp Trên thực tế có nhiều loại nhiễu, người ta thường chia làm ba loại: nhiễu cộng, nhiễu nhân nhiễu xung Bản chất nhiễu thường tương ứng với tần số cao sở lý thuyết lọc cho tín hiệu có tần số định qua, nên người ta thường sử dụng lọc thơng thấp hay trung bình Bộ lọc Gauss (Gauss filter): Bộ lọc Gauss cho lọc hữu ích nhất, thực cách nhân chập ảnh đầu vào với ma trận lọc Gauss sau cộng chúng lại để tạo thành ảnh đầu Ý tưởng chung giá trị điểm ảnh phụ thuộc nhiều vào điểm ảnh gần điểm ảnh xa Trọng số phụ thuộc lấy theo hàm Gauss (cũng sử dụng quy luật phân phối chuẩn) Giả sử ảnh chiều Điểm ảnh trung tâm có trọng số lớn Các điểm ảnh xa trung tâm có trọng số giảm dần khoảng cách từ chúng tới điểm trung tâm tăng lên Như điểm gần trung tâm đóng góp nhiều vào giá trị điểm trung tâm d Nhị phân hóa với ngưỡng động (Adaptive Threshold) Ảnh nhị phân: Là ảnh mà giá trị điểm ảnh biểu diễn hai giá trị (Đen) 255 (Trắng) Nhị phân hóa: Là q trình biến đổi ảnh xám thành ảnh nhị phân - Gọi giá trị cường độ sáng điểm ảnh I(x,y) - INP(x,y) cường độ sáng điểm ảnh ảnh nhị phân - (Với < x < image.width) (0 < y < image.height) Để biến đổi ảnh xám thành ảnh nhị phân Ta so sánh giá trị cường độ sáng điểm ảnh với ngưỡng nhị phân T - Nếu I(x,y) > T INP(x, y) = - Nếu I(x,y) > T INP(x, y) = 255 Nhị phân hóa với ngưỡng động: Việc nhị phân hóa ảnh với ngưỡng tồn cục thơng thường khó khăn phải tự tính tốn chọn mức ngưỡng phù hợp cho ảnh khác Nhị phân hóa ảnh ngưỡng động giúp tính tốn ngưỡng cho phù hợp với ảnh, lợi thứ hai phù hợp ảnh có vùng bị chói tối dẫn đến ln hình ảnh vùng sử dụng ngưỡng tồn cục Về ý tưởng theo bước sau:  Chia ảnh thành nhiều khu vực, cửa sổ (Region) khác  Dùng thuật tốn để tìm giá trị T phù hợp với cửa sổ  Áp dụng phương pháp nhị phân hóa cho khu vực, cửa sổ với ngưỡng T phù hợp Có nhiều phương pháp để tìm T, em sử dụng kiểu thuật toán mà thư viện OpenCV hỗ trợ ADAPTIVE_THRESH_GAUSSIAN_C tức lấy trung bình giá trị xung quanh điểm ngưỡng động xét T(x,y) với phân phối Gauss trừ số C e Phát cạnh Canny (Canny Edge Detection) Trong hình ảnh, thường tồn thành phần như: vùng trơn, góc/cạnh nhiễu Cạnh ảnh mang đặc trưng quan trọng, thường thuộc đối tượng ảnh Do đó, để phát cạnh ảnh, có nhiều giải thuật khác toán tử Sobel, toán tử Prewitt, Zero crossing em chọn giải thuật Canny hương pháp hẳn phương pháp khác bị tác động nhiễu cho khả phát biên yếu Phương pháp theo bước chính:  Giảm nhiễu (Noise reduction)  Tính tốn Gradient (Gradient calculation)  Loại bỏ điểm cực đại (Non-maximum suppression)  Lọc ngưỡng (Double threshold)  Giảm nhiễu Làm mờ ảnh, giảm nhiễu dùng lọc Gauss kích thước 5x5 Kích thước 5x5 thường hoạt động tốt cho giải thuật Canny  Tính tốn Gradient Ta dùng lọc Sobel X Sobel Y (3x3) để tính đạo hàm Gx Gy −1 K x = −2 −1 ( ) K y= 0 −1 −2 −1 ( ) Tìm gradient hướng làm trịn hướng: hướng ngang (0 độ), hướng chéo bên phải (45 độ), hướng dọc (90 độ) hướng chéo trái (135 độ) G= √ G x2 +G y θ=tan −1 Gy Gx ( )  Loại bỏ điểm cực đại Ở bước này, dùng filter 3x3 chạy qua pixel ảnh gradient Trong trình lọc, xem xét xem độ lớn gradient pixel trung tâm có phải cực đại so với gradient pixel xung quanh Nếu cực đại, ta ghi nhận giữ pixel lại Cịn pixel khơng phải cực đại lân cận, ta set độ lớn gradient zero Ta so sánh pixel trung tâm với pixel lân cận theo hướng gradient Ví dụ: hướng gradient độ, ta so pixel trung tâm với pixel liền trái liền phải Trường hợp khác hướng gradient 45 độ, ta so sánh với pixel hàng xóm góc bên phải góc bên trái pixel trung tâm  Lọc ngưỡng Lọc ngưỡng: ta xét pixel dương mặt nạ nhị phân kết bước trước Nếu giá trị gradient vượt ngưỡng max_val pixel chắn cạnh Các pixel có độ lớn gradient nhỏ ngưỡng min_val bị loại bỏ Còn pixel nằm khoảng ngưỡng xem xét có nằm liền kề với pixel cho "chắc chắn cạnh" hay khơng Nếu liền kề ta giữ, cịn khơng liền kề pixel cạnh ta loại Sau bước ta áp dụng thêm bước hậu xử lý loại bỏ nhiễu (tức pixel cạnh rời rạc hay cạnh ngắn) muốn Hình: Lọc ngưỡng f Lọc biển số với contour Một số phương pháp tìm contour: Có thể hiểu Contour tập hợp điểm tạo thành đường cong kín bao quanh đối tượng Thường dùng để xác định vị trí, đặc điểm đối tượng Có thuật toán Contour Tracing chung Hai số có tên là: Square Tracing algorithm Moore – Neighbor Tracing dễ để thực thường xuyên dùng để dị tìm contour mẫu Với thư viện OpenCV người ta áp dụng thuật toán Suzuki’s Contour tracing Thuật toán Suzuki’s Tracing : Đây thuật toán thư viện OpenCV sử dụng, phương pháp Suzuki’s Tracing cịn có khả phân biệt đường biên (Outer) đường biên (Hole) vật thể Lọc biển số: Đầu tiên ta làm xấp xỉ contour thành hình đa giác lấy đa giác có cạnh Nghĩa lúc xấp xỉ contour nhớ ghi nhớ vị trí đỉnh đa giác thành mảng Số cạnh đa giác số đỉnh chiều dài mảng Tiếp theo ta tính tốn tỉ lệ cao/rộng diện tích biển số phù hợp, sau ta lưu tất biển số có hình dạng tọa độ đỉnh Từ đây, ta cắt hình ảnh biển số từ tọa độ vị trí biết để phục vụ cho mục đích “Tách kí tự biển số” Lưu ý ta cắt từ ảnh nhị phân ln để máy tính xử lý nhanh hơn, tốn thời gian PHÂN ĐOẠN KÍ TỰ Hướng giải quyết: Ở giai đoạn có bước sau: Xoay biển số để tăng khả nhận diện, Tìm tất vùng kín cho kí tự lọc kí tự Tách hình ảnh kí tự đưa vào nhận diện Hình : Các bước phân đoạn kí tự a Xoay biển số Khi chụp ảnh đầu vào, khơng phải lúc biển số diện, bị méo sang trái, sang phải, nghiêng góc dẫn đến sử dụng ảnh biển số cắt mà khơng điều chỉnh góc độ dẫn đến ảnh kí tự cắt đưa vào nhận diện dễ bị sai Ví dụ số số 7, số chữ Z, chữ B số 8, Hình: Ảnh biển số chưa xoay Phương pháp xoay ảnh sử dụng là: Lọc tọa độ đỉnh A,B nằm biển số Từ đỉnh có tọa độ A(x1, y1) B(x2,y2) ta tính cạnh đối cạnh kề tam giác ABC cạnh đối BC BAC=tan−1 =tan −1 Ta tính góc quay ^ ( cạnh kề ) ( AC ) Xoay ảnh theo góc quay tính Nếu ngược lại điểm A nằm cao điểm B ta cho góc quay âm Hình: Ảnh biển số xoay b Tìm vùng đối tượng Từ ảnh nhị phân, ta lại tìm contour cho kí tự (phần màu trắng) Sau vẽ hình chữ nhật bao quanh kí tự Tuy nhiên việc tìm contour bị nhiễu dẫn đến việc máy xử lý sai mà tìm hình ảnh khơng phải kí tự Ta áp dụng đặc điểm tỉ lệ chiều cao/rộng kí tự, diện tích kí tự so với biển số c Tìm tách kí tự Sau nhận dạng kí tự hình chữ nhật có tọa độ vị trí đỉnh hình đó, ta lúc cắt hình ảnh kí tự phục vụ cho giai đoạn sau “Nhận diện kí tự” Lưu ý ta cắt ảnh nhị phân không cắt từ ảnh gốc Hình : Ảnh kí tự sau cắt NHẬN DIỆN KÍ TỰ Thực chất q trình nhận diện kí tự q trình chuyển đổi từ hình ảnh ma trận giá trị điểm ảnh dạng thông tin khác đề tài mã ASCII để giao tiếp với người dùng Để hiểu nhận diện, cần ngược lại ngành khoa học trí tuệ nhân tạo (Artificial Intelligent) hay gọi AI a Tổng quan lý thuyết 10 Thuật toán KNN (K - Nearest Neighbor) : KNN thuật tốn học có giám sát đơn giản Machine Learning, sử dụng cho tốn phân loại hồi quy Về ý tưởng gán kết với liệu training gần giống với mẫu Ví dụ câu cá, ta khơng biết cá câu lên cá rô hay cá chép, so sánh đặc điểm mắt, mang, vây, từ cá rô, cá chép thấy cuối định xem cá câu thuộc nhóm cá KNN hoạt động theo quy trình gồm bước chính: Xác định tham số K (số láng giềng gần nhất) Tính khoảng cách từ điểm xét đến tất điểm tập liệu cho trước Sắp xếp khoảng cách theo thứ tự tăng dần Xét tập K điểm gần với điểm xét, số lượng điểm loại cao coi điểm xét thuộc loại Hình: Ví dụ KNN Việc điểm xét thuộc loại phụ thuộc vào hệ số K hay trọng số khoảng cách mà người dùng đặt cho phù hợp với toán xét Chẳng hạn hình ta xét K = điểm xét thuộc loại B, ngược lại K = thuộc loại A Ngồi người ta để trọng số cao cho điểm gần hay sử dụng K = để đảm bảo kết đầu tối ưu Thơng thường việc tính khoảng cách đến điểm theo công thức Euclid: d ( x , y )= √∑ ( x − y ) i i i 11 Khi thực so sánh bỏ qua dấu bậc Ngoài khoảng cách biến lớn biến x lớn xấp xỉ 1000000 lần ta cần chuẩn hóa lại liệu theo cơng thức: X ¿= X−min ⁡(X ) max ( X ) −min ⁡( X) Tuy nhiên phương pháp có số ưu nhược điểm sau: - Ưu điểm:  Dễ sử dụng cài đặt  Độ phức tạp tính tốn nhỏ  Việc dự đoán kết đơn giản - Nhược điểm:  Với K nhỏ, gặp nhiễu dễ đưa kết khơng xác  Cần nhiều thời gian lưu trainning set test tăng lên tốn nhiều thời gian Hướng giải quyết: Ở giai đoạn cuối thực theo bước sau: Tạo tập liệu để huấn luyện Huấn luyện mơ hình KNN Đưa hình ảnh từ bước “Phân đoạn kí tự” vào mơ hình KNN tạo để đưa kết In kết biển số Bước ta tạo mơ hình KNN riêng biệt với code Để cần nhận diện kí tự ta khơng cần phải làm lại bước từ đầu Đầu tiên em tạo tập liệu (tập hình ảnh chữ số kí tự) để train từ phần mềm paint Trong phần mềm Paint ta viết chữ số kí tự (trừ kí tự O, I, J) với phơng chữ “Biển số xe Việt Nam”, xoay kí tự với góc −5 ° ,5 ° ,−10 ° ,10 ° Kết có dạng sau: 12 Hình: Tập liệu huấn luyện Tiếp theo ta lấy ngưỡng, vẽ contour cắt kí tự Vì kí tự có kích thước khác xử lý phức tạp nên cần chuẩn hóa hình ảnh lại với kích thước cao:rộng 30:20 pixels Thay kí tự đưa vào mơ hình để máy nhận diện kí tự ta gắn nhãn phím bấm máy tính Sau gắn nhãn hết kí tự ta lưu hai file txt classifications.txt flattened_images.txt File classifications.txt có nhiệm vụ lưu mã ASCII kí tự file flattened_images.txt lưu giá trị điểm ảnh có hình ảnh kí tự (hình 20x30 pixel có tổng cộng 600 điểm ảnh có giá trị 255) Bước Ta thực đưa ảnh xét vào tính khoảng cách đến tất điểm mẫu, kết mã ASCII đại điện cho hình ảnh Cuối ta in biển số xe hình Tuy nhiên Việt Nam có hai loại biển số biển hàng biển hai hàng Về ý tưởng chung để phân biệt hai hàng ta dựa vào vị trí hình ảnh kí tự, vị trí nằm thấp 1/3 chiều cao biển số kí tự xếp vào hàng Ngược lại xếp vào hàng hai 13 Hình: Biển số trước nhận diện Hình: Biển số sau nhận diện III KẾT QUẢ VÀ ĐÁNH GIÁ Kết Đánh Giá Nhìn chung mơ hình nhận diện KNN tốt, có kí tự dù bị mờ, bị nghiêng nhận diện Điều phần nhờ vào chương trình xoay biển số lại cho để tăng khả nhận diện, cho dù nghiêng kí tự nghiêng từ 3° đến 7°.Tuy nhiên nhầm lẫn nhiều kí tự số với số Chữ G, chữ D, số với số Chữ B với số 8.Và nhận dạng hình ảnh bị mờ bị lóa 14 15 ... ASCII Hình: Các bước nhận dạng biển số xe PHÁT HIỆN VỊ TRÍ VÀ TÁCH BIỂN SỐ XE Hướng giải quyết: Sơ đồ tóm gọn bước để xác định tách biển số xe từ clip: Hình: Xác định tách biển số xe Đầu tiên từ clip... với việc nhận dạng biển số xe, nhiên phạm vi đồ án em giải vấn đề theo bước chính: Phát vị trí tách biển số xe từ hình ảnh có sẵn từ đầu vào camera Phân đoạn kí tự có biển số xe Nhận diện kí tự... hàng hai 13 Hình: Biển số trước nhận diện Hình: Biển số sau nhận diện III KẾT QUẢ VÀ ĐÁNH GIÁ Kết Đánh Giá Nhìn chung mơ hình nhận diện KNN tốt, có kí tự dù bị mờ, bị nghiêng nhận diện Điều phần