Nghiên cứu giải pháp nhận dạng biển số xe trên cơ sở công nghệ xử lý ảnh,luận văn thạc sỹ kỹ thuật điện tử

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI CAO HỮU VINH ĐỀ TÀI NGHIÊN CỨU GIẢI PHÁP NHẬN DẠNG BIỂN SỐ XE TRÊN CƠ SỞ CÔNG NGHỆ XỬ LÝ ẢNH LUẬN VĂN THẠC SĨ KỸ THUẬT TP HỒ CHÍ MINH, NĂM 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI CAO HỮU VINH ĐỀ TÀI NGHIÊN CỨU GIẢI PHÁP NHẬN DẠNG BIỂN SỐ XE TRÊN CƠ SỞ CÔNG NGHỆ XỬ LÝ ẢNH Chuyên ngành: Kỹ thuật điện tử Mã số: 60.52.70 LUẬN VĂN THẠC SĨ KỸ THUẬT CÁN BỘ HƯỚNG DẪN: TS NGUYỄN THANH HẢI TP HỒ CHÍ MINH, NĂM 2013 I TRÍCH YẾU LUẬN VĂN CAO HỌC Họ tên học viên: CAO HỮU VINH Năm sinh: 1987 Cơ quan công tác: ĐẠI HỌC GIAO THƠNG VẬN TẢI TP HỒ CHÍ MINH Khóa: K19 Chun ngành: Kỹ Thuật Điện Tử Mã Số : 60.52.70 Cán hướng dẫn: TS NGUYỄN THANH HẢI Bộ môn: Kỹ thuật viễn thông Tên đề tài luận văn: NGHIÊN CỨU GIẢI PHÁP NHẬN DẠNG BIỂN SỐ XE TRÊN CƠ SỞ CƠNG NGHỆ XỬ LÝ ẢNH Mục đích nghiên cứu đề tài Mục tiêu luận văn ứng dụng thuật tốn phân tích phổ tần số sở cơng nghệ xử lý ảnh để trích biển số xe mơ tơ phân tích biểu đồ mức xám việc tách ký tự Xây dựng chương trình nhận dạng trực tuyến xe mô tô hai bánh, xây dựng chương trình nhận dạng ký tự đơn biển số ứng dụng mạng neural dùng ngơn ngữ lập trình Csharp thư viện AForge xử lý ảnh Phương pháp nghiên cứu kết đạt được: Ứng dụng thuật toán xử lý ảnh để xử lý trích lọc biển số xe xây dựng kết nghiên cứu Visual Studio Dot Net (Cshap) Ứng dụng thư viện AForge xử lý ảnh thu nhận tín hiệu video Ứng dụng mạng neural để nhận dạng ký tự Điểm bình qn mơn học: Xác nhận cán hướng dẫn : Xác nhận môn : Điểm bảo vệ luận văn II LỜI NÓI ĐẦU Cùng với phát triển khoa học kỹ thuật nhu cầu lại ngày tăng số lượng phương tiện giao thông đường xuất ngày nhiều Với số lượng phương tiện giao thông lớn ngày tăng nhanh làm nảy sinh nhiều vấn đề việc quản lý kiểm sốt phương tiện giao thơng Để giải vấn đề yêu cầu đặt áp dụng giải pháp quản lý tự động Một giải pháp nhận dạng biển số xe sở công nghệ xử lý ảnh Nhận dạng xử lý ảnh giải pháp có tầm ứng dụng to lớn Có thể kể hàng loạt lĩnh vực áp dụng kỹ thuật nhận dạng ảnh như: xử lý ảnh chụp vệ tinh, dự báo thời tiết, điều khiển giao thông cơng cộng, nhận dạng chữ viết tay, phân tích chữ ký, nhận dạng vân tay, nhận dạng mặt người,…Với mục đích ứng dụng cơng nghệ xử lý ảnh quản lý phương tiện giao thông nên đề tài “ Nghiên cứu giải pháp nhận dạng biển số xe sở công nghệ xử lý ảnh” em lựa chọn với mong muốn ứng dụng cơng nghệ vào vấn để quản lý phương tiện giao thơng Ở đề tài tơi trình bày phương pháp nhận dạng biển số xe thông qua camera, sau qua q trình xử lý ảnh, tách ký tự, nhận dạng ký tự ta nhận kết biển số xe Giải pháp ứng dụng nhiều hệ thống nhận dạng quản lý phương tiện giao thơng trạm thu phí, trạm cân, bãi giữ xe tự động, kiểm soát lưu lượng giao thông hay ứng dụng an ninh tìm kiếm xe bị cắp III MỤC LỤC Trích yếu luận văn cao học I Lời nói đầu II Mục Lục III Danh mục ký hiệu, thuật ngữ viết tắt VII Danh mục bảng biểu hình vẽ VIII Chương I: Lý thuyết xử lý ảnh 1.1 Biểu diễn hệ thống ảnh 1.1.1 Hệ thống ảnh tuyến tính 1.1.2 Hệ thống ảnh phi tuyến 1.2 Khái niệm xử lý ảnh số 1.2.1 Khái niệm phần tử ảnh 1.2.2 Ảnh xám 1.2.3 Ảnh trắng đen hay ảnh nhị phân 1.2.4 Ảnh màu mơ hình màu RGB 1.2.5 Hệ tọa độ pixel 1.2.6 Các định dạng ảnh 1.3 Các vấn đề trình xử lý ảnh 15 1.3.1 Mục đích việc xử lý ảnh số 15 1.3.2 Kỹ thuật nâng cao chất lượng ảnh 15 1.3.3 Biến đổi lược đồ mức xám (Histogram) 16 1.3.3.1 Lọc tuyến tính 16 1.3.3.2 Lọc phi tuyến 16 1.3.4 Kỹ thuật tăng độ sắc nét ảnh 17 1.3.4.1 Khái niệm biên 17 1.3.4.2 Làm biên 18 1.3.4.3 Kỹ thuật tách biên 18 1.3.5 Phân vùng ảnh 29 IV 1.3.6 Nhận dạng ảnh 29 Chương II: Công nghệ xử lý ảnh giao thông 31 2.1 Ứng dụng hệ thống giao thông thông minh 31 2.2 Một số ứng dụng hệ thống giao thông thông minh Việt Nam 34 2.2.1 Xây dựng trạm thu phí tự động 35 2.2.2 Hệ thống thu phí dừng 35 2.2.3 Hệ thơng thu phí mở không dừng 35 2.2.4 Hệ thống thu phí kín 36 2.2.5 Hệ thống kiểm soát trọng tải 36 2.2.6 VOV giao thông 37 2.3 Các ứng dụng hệ thống giao thông thông minh Việt Nam tương lai.38 2.3.1 Hệ thống điều khiển giao thông thông minh 38 2.3.2 Hệ thống tự động báo kẹt xe 38 Chương III: Giải pháp nhận dạng biển số xe 39 3.1 Các phương pháp nhận dạng biển số xe 39 3.1.1 Trích biển số xe 39 3.1.2 Cách ly ký tự 42 3.1.3 Nhận dạng ký tự 44 3.2 Xử lý ảnh nhận dạng 44 3.2.1 Kỹ thuật chuyển ảnh sang ảnh mức xám (Gray Level) 45 3.2.2 Lược đồ mức xám (Histogram) 45 3.2.3 Xử lý ảnh thuật toán K-means 46 3.2.4 Lọc trung vi (Median) 48 3.2.5 Bộ lọc BlobsFiltering 49 3.3 Mạng Neural nhân tạo 50 3.3.1 Giới thiệu 50 3.3.2 Ứng dụng Neural Network 51 3.3.3 Mơ hình Neural nhân tạo 52 3.3.4 Thiết lập mạng Neural 53 V 3.3.5 Các bước chuẩn bị thiết lập mạng 54 3.3.5.1 Thu thập liệu để huấn luyện mạng 54 3.3.5.2 Dữ liệu số 55 3.3.5.3 Dữ liệu phi số 55 3.3.5.4 Huấn luyện 56 3.3.5.5 Các bước thiết kế 56 3.4 Phân loại cấu trúc mạng 56 3.4.1 Mạng có cấu trúc tiến 56 3.4.2 Mạng có cấu trúc lan truyền ngược 57 3.4.2.1 Các loại neural ( Tansig, Logsig, Purelin ) 57 3.4.2.2 Cấu trúc lớp mạng lan truyền ngược 58 3.4.2.3 Huấn luyện cho mạng lan truyền ngược 59 3.4.2.4 Nguyên lý chung 59 3.4.2.5 Vấn đề khớp lực mạng 60 3.5 Ứng dụng mạng Neural lĩnh vực nhận dạng 61 3.5.1 Nhiệm vụ 61 3.5.2 Cách tiếp cận 62 Chương IV: Xây dựng phần mềm nhận dạng biển số xe 64 4.1Mơ hình tổng qt hệ thống nhận dạng trực tuyến xe mô tô hai bánh 64 4.1.1 Thu nhận ảnh 64 4.1.2 Nhận ảnh tham số đầu vào 64 4.2 Trích biển số, xử lý ảnh biển số tách ký tự chữ số xe mô tô 65 4.2.1 Thuật tốn trích biển số dùng phương pháp phân tích phổ tần số (Fast Fourier Transform) 65 4.2.2 Tổng kết thuật tốn trích biển số 71 4.2.3 Tiền xử lý 71 4.2.4 Thuật toán tách ký tự 73 4.3 Nhận dạng ký tự đơn biển số mạng Neural nhân tạo 76 4.3.1 Mô hình mạng 76 VI 4.3.2 Tạo mạng 76 4.3.2.1 Mạng chữ 76 4.3.2.2 Mạng số 77 4.3.3 Khởi tạo trọng số 77 4.3.4 Huấn luyện mạng 78 4.4 Xây dựng hệ thống nhận dạng biển số 79 4.4.1 Xây dựng hệ thống 79 4.4.2 Giao diện chương trình 80 4.5 Thử nghiệm đánh giá kết 81 4.5.1 Dữ liệu thử nghiệm 81 4.5.2 Kết thử nghiệm 82 4.5.3 Đánh giá kết 82 4.6 Một số kết minh họa thử nghiệm thuật toán 83 4.6.1 Trường hợp ảnh chụp ban ngày 83 4.6.2 Trường hợp ảnh chụp ban đem 84 Chương V: Kết Luận 85 5.1 Các mặt đạt 85 5.2 Các mặt hạn chế 85 5.3 Đề xuất hướng phát triển 85 5.4 Sử dụng số chức thư viện Aforge 86 Lời cảm ơn 88 VI: Tài liệu tham khảo 89 VII DANH MỤC CÁC KÝ HIỆU, THUẬT NGỮ VIẾT TẮT HTXLA: Hệ thống xử lý ảnh HT: Hệ thống RGB: Mơ hình màu Red, Green, Blue R: Red G: Green B: Blue TIFF: Targed Image File Format IFD: Image File Directory DE: Directory Entry GIF: Graphics Interchanger Format TRIP: Traffic Research using Image Processing DSRC: Dedicated Short Range Communication – Giao tiếp tầm ngắn chuyên dụng GPS: Hệ thống định vị toàn cầu GSM: Hệ thống thống tin di động toàn cầu LZW: Lempel Ziv Weleh PST : Point Spread function VIII DANH MỤC CÁC BẢNG BIỂU VÀ HÌNH VẼ Hình 1.1 Biểu diễn hệ thống ảnh Hình 1.2 Hệ thống ảnh phi tuyến Hình 1.3 Ma trận số Hình 1.4 Mảng hai chiều file ảnh Hình 1.5 Mơ hình màu RGB Hình 1.6 Hệ tọa độ pixel Hình 1.7 Lượt đồ xám 16 Hình 1.8 Hương biên 19 Hình 1.9 Ý nghĩa đạo hàm dị biên 22 Hình 1.10 Mô tả biến đổi Radon 25 Hình 1.11 Biểu diễn hình chiếu theo góc biến đổi Radon 26 Hình 1.12 Biểu diễn phép biến đổi Radon dạng hình học 26 Hình 1.13 Biến đổi ảnh sang ảnh nhị phân 27 Hình 1.14 Hình thể miền Radon 27 Hình 1.15 Hình thể phát đường thẳng biển đổi Radon 28 Hình 1.16 Trường hợp đường thẳng lệch phía 28 Hình 1.17 Trường hợp đường thẳng lệch phía 29 Hình 2.1 Quan hệ HTXLA HT khác giao thông 31 Hình 2.2 Dịng giao thơng Hong Kong (Trái) Hà Nội (Phải) 31 Hình 2.3 Hệ thống giao thơng thơng minh 35 Hình 2.4 Hệ thống thu phí mở khơng dừng 35 Hình 2.5 Hệ thống thu phí kín 36 Hình 3.1 Lược đồ xám loại ảnh 46 Hình 3.2 Phân cụm ảnh 46 Hình 3.3 Các bước thuật toán K - means 47 Hình 3.4 Mang neural 50 Hình 3.5 Mơ hình tốn học tổng quát mạng neural 50 Hình 3.6 Neural ngõ vào 52 75 Tách ảnh mới: đỉnh top, đáy bottom= RowImage } Function define_pos( image, thres) { i=0; thiết lập giá trị ban đầu; c=0; flag=0; for (i=0; i=ngưỡng) If (flag=1) width=width+1; else { left[c]=i; flag=1; } else if (width>=w) { right[c]=i; c++; } } Tách ảnh ký tự ‘c’ với cạnh trái left[c], cạnh phải right[c] 76 Tách ký tự khỏi bảng số ta bắt đầu chuẩn hóa ký tự kích thước Trong luận văn ta chọn kích thước chuẩn 20 x 10 Ảnh ký tự ảnh nhị phân với pixel trắng có giá trị tương ứng 1, pixel đen có giá trị tương ứng Đây liệu để đưa vào mạng Neural huấn luyện (a) ký tự tách (b) ký tự chuẩn hóa Hình 4.10: Chuẩn hóa ký tự 20 x 10 4.3 Nhận dạng ký tự đơn biển số mạng Neural nhân tạo 4.3.1 Mơ hình mạng Mơ hình mạng Neural nhân tạo sử dụng để huấn luyện mạng tiến đa mức lan truyền ngược sai số ( Back – Propagation Neural Network) với lớp: lớp vào, lớp ẩn lớp Ký tự tách từ bảng số, chuẩn hóa kích thước thành 20 x 10, sau ta chuyển thành mảng chiều 200 x 1, tương ứng với 200 pixel với giá trị Vậy mạng Neural thiết kế với 200 nút lớp vào ( tương ứng 200 pixel) 100 nút lớp ẩn, 10 nút lớp mạng nhận dạng số 21 nút mạng nhận dạng chữ  Hàm kích hoạt: y 1  e x (Bipolar) Chọn  = 0.05  Qui tắc hiệu chỉnh trọng số: áp dụng phương pháp giảm Gradiant với qui tắc học thích nghi Chọn k=5, =0.5, =0.7 4.3.2 Tạo mạng 4.3.2.1 Mạng chữ 77 Hình 4.11: Sơ đồ mạng neuron nhận dạng ký tự chữ 4.3.2.2 Mạng số Hình 4.12: Sơ đồ mạng neuron nhận dạng ký tự số 4.3.3 Khởi tạo trọng số Để khởi tạo trọng số hàm ngẫu nhiên sử dụng để định số lượng ban đầu ngẫu nhiên weight bias = 30 Trọng số 1: Weight ( lớp, nút ẩn, nút nhập) 78 Trọng số mạng chữ :weight ( 1,0,0) weight (1,99,199) …weight(2,20,99) Trọng số mạng số: weight (1,0,0) …weight ( 1,99,199) … weight ( 2,0, 99)  Với việc nhận dạng mạng chữ ta dùng thông số Weight_character values Hidden Layer Size = 100 Number of Patterns = 21 Number of Epochs = 9999 Learning Rate = 100 Weight Bias = 30 Sigmoid Slope = 0.05 4.3.2.2 Mạng số  Với việc nhận dạng mạng số ta dùng thông số Weight_number values Hidden Layer Size = 100 Number of Patterns = 10 Number of Epochs = 9999 Learning Rate = 100 Weight Bias = 30 Sigmoid Slope = 0.05 4.3.4 Huấn luyện mạng Quá trình huấn luyện mạng trình xác định trọng số mạng để xấp xỉ hàm đích cho trước Đầu tiên mạng huấn luyện với ảnh mẫu chuẩn với sai số khoảng 10-7 Sau đó, mạng tiếp tục huấn luyện với ảnh mẫu có nhiễu với sai số lớn ( khoảng 10 -5) để trọng số không ảnh hưởng nhiều đến việc nhận dạng ảnh mẫu chuẩn Sau huấn luyện mạng với ảnh nhiễu này, ta cần phải huấn luyện lại mạng với ảnh chuẩn ban đầu để đảm bảo 79 chất lượng mạng Nếu thu thập nhiều mẫu ký tự để huấn luyện cho mạng khả nhận dạng tăng Tuy nhiên đưa mẫu có chất lượng q thấp mạng khơng nhận dạng Khi cần thơng báo cho hậu xử lý hay đánh dấu để người sử dụng khắc phục 4.4 Xây dựng hệ thống nhận dạng biển số 4.4.1 Xây dựng hệ thống Xây dựng Class clsImagePlate: Properties:  IMAGE: chứa hình ảnh chụp từ camera  PLATE: chứa hình ảnh biển số trích từ IMAGE thơng qua method Get_Plate() Methods:  Get_Plate(): trích biển số hình IMAGE lưu vào property PLATE Xây dựng Class clsLicensePlate: Properties:  PLATE: chứa hình biển số lấy từ property PLATE clsImagePlate  IMAGEARR: chứa mảng ký tự biển số PLATE thông qua method Split() Methods:  Split(): tách ký tự đơn biển số từ PLATE lưu vào IMAGEARR Xây dựng Class clsNetwork: Properties:  IMAGEARR: chứa mảng ký tự lấy từ property IMAGEARR class clsLicensePlate 80  LICENSETEXT: chứa ký tự ASCII tương ứng với ảnh ký tự có property IMAGEARR thơng qua method recognition Methods:  LoadNetworkNum(): mở file huấn luyện mạng ký tự số huấn luyện mạng Neural  LoadNetworkChar(): mở file huấn luyện mạng ký tự chữ huấn luyện mạng Neural  recognition(): dùng để nhận dạng ký tự mảng IMAGEARR thành giá trị ký tự chữ ASCII lưu vào property LICENSETEXT 4.4.2 Giao diện chương trình Dữ liệu Vùng chứa ảnh Hình ảnh chụp từ camera thu từ lưu xuống sở liệu Giờ chụp Ngày chụp Vùng chứa ký tự tách từ biển số Hình 4.13 Giao diện chương trình 81 Hình 4.14 : Chụp ảnh biển số xe Hình 4.15 : Nhận dạng lưu xuống sở liệu Khi chụp ảnh chương trình xử lý ảnh nhận dạng biển số xe mô tô lưu vào sở liệu thông tin như: chữ số biển số xe, ngày chụp, chụp biển số 4.5 Thử nghiệm đánh giá kết 4.5.1 Dữ liệu thử nghiệm: 82 Dữ liệu dùng để thử nghiệm thu thập từ liệu chụp ảnh xe mô tô hai bánh điều kiện khác Sau mơ tả tập ảnh máy tính dùng để thử nghiệm: Tập ảnh dùng để Test : Chụp vào ban ngày buổi tối Độ phân giải Ảnh 1152 x 864 pixel Vị trí chụp ảnh Thẳng đứng , Chính diện Điều kiện ánh sáng Phụ thuộc vào thời gian chụp ban ngày hay buổi tối Số lượng ảnh 100 Hệ điều hành thử nghiệm Windows Ultimate Ngơn ngữ lập trình CSharp (C#) Bảng 4.1 : Mô tả nguồn liệu dùng để test 4.5.2 Kết thử nghiệm Bảng thống kê kết thử nghiệm Số lượng mẫu thử nghiệm 100 Kích thước ảnh chụp 1152x864 Số lượng trích biển số 82 Số lượng trích biển số sai 18 Số lượng tách ký tự 75 Số lượng tách ký tự sai Số lượng nhận dạng 70 Số lượng nhận dạng sai Tốc độ xử lý < 2s Bảng 4.2 : Bảng thống kê kết thử nghiệm tập liệu test 4.5.3 Đánh giá kết Trích biển số: thứ thực ảnh chụp điều kiện sáng tối khác nhau, nhận thấy chụp ảnh với điều kiện buổi tối kết trích biển số có kết cao đặc điểm biển số xe mô tô nước ta có độ phản chiếu ánh sáng vào ban đêm Thứ hai khoảng cách chụp ảnh 83 ảnh hưởng đến kết toán nhiều Trong tập ảnh chụp, có số ảnh chụp xa hay q gần khơng trích vị trí biển số Thứ ba tính chất thuật tốn quét hết tất điểm hình nhận nên tốc độ xử lý không cao Và thuật tốn tơi giảm số dịng đầu cuối hay trái phải ảnh việc góp phần làm tăng tốc độ xử lý ảnh Tách ký tự: kết tách ký tự bảng 4.2 khơng đạt tỷ lệ cao chương trình chưa xử lý hết nhiễu ảnh Một số biển số nhiễu đinh ốc, dơ, bùn đất, …làm ảnh hưởng đến việc tách ký tự làm giảm hiệu nhận dạng Một số trường hợp nhiễu nhiều nên lọc nhiễu làm hay tăng thêm số ký tự biển số gây khó khăn cho việc nhận dạng Và vấn đề nan giải cho thuật toán Nhận dạng ký tự: giai đoạn nhận dạng ký tự phụ thuộc nhiều vào giai đoạn trích biển số tách ký tự Nếu trích biển số tách ký tự tốt kết nhận dạng tốt Tuy nhiên ảnh ký tự bị nhiễu nhiều dẫn đến việc nhận dạng ký tự bị lỗi Ngoài số ký tự chữ thu thập biển số (mỗi biển số có ký tự chữ) nên việc huấn luyện cho ký tự chữ chưa hoàn chỉnh việc nhận dạng chưa có kết tốt Đối với ký tự số thu thập nhiều, nhiên trình nhận dạng ký tự dễ bị nhầm lẫn ký tự 8, 7, hay Để giải trường hợp thuật toán nhận dạng đưa vào hàm dùng để phân biệt số 0-8, 2-7, 5-6 Với việc hỗ trợ phân biệt kết nhận dạng ký tự kết nhận dạng ký tự số khả quan hơn, nhiên khó mà phân biệt ký tự nhiễu Tóm lại kết nhận dạng cuối chưa thực tốt, xử lý nhiễu chưa tốt biển số Nếu có sở liệu thơng tin biển số chắn đạt hiệu tốt việc nhận dạng 4.6 Một số kết minh họa thử nghiệm thuật toán: 4.6.1 Trường hợp ảnh chụp ban ngày (Trường hợp 1) 84 (a) ảnh nguồn (b) ảnh biển số trích (c) kết tách ký tự 60 – V7 1498 (d) kết nhận dạng cuối Hình:4.16 Các bước trích biển số trường hợp 4.6.2 Trường hợp ảnh chụp buổi tối (Trường hợp 2) (a) ảnh nguồn (b) ảnh biển số trích (c) kết tách ký tự 52 – S4 9943 (d) kết nhận dạng cuối Hình 4.17: Các bước trích biển số trường hợp 85 CHƯƠNG : KẾT LUẬN 5.1 Các mặt đạt Mục tiêu luận văn xây dựng chương trình nhận dạng trực tuyến xe mơ tơ hai bánh, xây dựng chương trình nhận dạng ký tự đơn biển số dùng ngơn ngữ lập trình CSharp Như mục tiêu luận văn giải vấn đề sau: - Xử lý ảnh - Ứng dụng thuật tốn phân tích phổ tần số để trích biển số xe mơ tơ phân tích biểu đồ mức xám việc tách ký tự - Sử dụng mạng Neural để nhận dạng ký tự biển số - Xây dựng kết nghiên cứu Visual Studio Dot Net (CSharp) - Ứng dụng thư viện AForge xử lý ảnh thu nhận tín hiệu video 5.2 Các mặt hạn chế: Với mặt đạt nêu trên, nhiên luận văn nhiều mặt hạn chế như: - Chưa xử lý trường hợp ảnh tối sáng ảnh có chất lượng xấu - Chương trình chưa mang tính tổng quát cao nhận dạng biển số chưa đa dạng, ví dụ biển số xe có xanh chữ trắng (nhà nước) hay đỏ chữ trắng ( quân đội) - Khả nhận dạng tương đối, chưa xử lý trường hợp chụp ảnh xa hay gần so với khoảng cách qui định chụp ảnh 5.3 Đề xuất hướng phát triển: Với mặt hạn chế trên, xin đề hướng phát triển đề tài: - Xây dựng ứng dụng tổng quát xử lý với số trường hợp biển số đặc biệt như: xanh chữ trắng, hay đỏ chữ trắng,… - Khắc phục khả trích bảng số với khoảng cách linh động hơn, xử lý ảnh nhận dạng tốt bảng số xấu 86 - Tăng tốc độ xử lý - Xây dựng ứng dụng để quản lý quan phủ, trạm thu phí hay điểm giữ xe mơ tơ hai bánh 5.4 Sử dụng số chức thư viện AForge: Mở ảnh định dạng ảnh // load an image System.Drawing.Bitmap image = (Bitmap) Bitmap.FromFile(filename) ; // format image AForge.Imaging.Image.FormatImage ( ref image ) ; Cách sử dụng lọc thư viện aforge.net // load an image System.Drawing.Bitmap image = (Bitmap) Bitmap.FromFile(filename) ; // create filter AForge.Imaging.Filters.Median filter = new AForge.Imaging.Filters.Median ( ) ; // apply filter System.Drawing.Bitmap newImage = filter.Apply ( Image); Nếu cần tác động nhiều chức lọc ảnh, ta triển khai bao tạp hợp chức lọc FilterSequence, sau them vào filter chức lọc cần áp dụng cho hình Và sau ta cần áp dụng chức lọc lần: // Create filters sequence AForge.Imaging.Filters.FiltersSequence //add filters to the sequence Filter.Add ( new AForge.Imaging.Filters.Sepia ( ) ); Filter.Add ( new AForge.Imaging.Filters.RotateBilinear (45)); Filter.Add ( new AForge.Imaging.Filters.ResizeBilinear (320, 240)); Filter.Add ( new AForge.Imaging.Filters.Pixellate (8) ); Filter.Add ( new AForge.Imaging.Filters.Jitter (2) ); 87 Filter.Add ( new AForge.Imaging.Blur ( ) ); // apply the Sequence to an image System.Drawing.Bitmap newImage = filter.Apply ( image); Khởi tạo lại kích thước chuẩn cho ảnh: IFilter filt = new ResizeBilinear ( 512, 256 ); img = filt.Apply (img); - Chuyển ảnh sang mức xám: IFilter way_filt = new GrayscaleY ( ) ; img = way _filt.Apply (img); - Phân ngưỡng ảnh: Way_filt = new Threshold ( 200) ; img = way_filt.Apply (img); - Đảo màu ảnh: Way_filt = new Invert (); Img = way_filt.Apply (img); - Bộ lọc Median : Way_filt = new Median (); Img = way_filt.Apply (img); - Bộ lọc BlobsFiltering BlobsFiltering filter = new BlobsFiltering (); Filter.MinHeight = 30; Filter.MinWight = 15; Filter.Maxheight = 100; Filter.ApplyInPlace (process_image); - Bộ lọc BlobsCounter: BlobCounter blobs = new BlobCounter (imgArr[i]); Blob [ ] words = blobs.GetObjects ( imgArr [i]) ; Foreach ( Blob word in words ) imgArr [i] = word.Image; 88 LỜI CẢM ƠN Trước tiên em xin chân thành cảm ơn đến quý thầy, Khoa Điện , Phịng đào tạo sau đại học, Trường Đại Học Giao Thông Vận Tải tận tình giảng dạy, truyền đạt kiến thức cho em thời gian em học tập nghiên cứu trường Em xin gửi lời cảm ơn chân thành đến thầy TS Nguyễn Thanh Hải, Thầy nhiệt tình hướng dẫn em hồn thành luận văn Xin bày tỏ lịng biết ơn đến gia đình, chổ dựa vững cho Em trình học tập làm việc Và cuối Em xin gởi lời biết ơn đến bạn bè, đồng nghiệp Trường Đại Học Giao Thông Vận Tải TP.HCM giúp đỡ Em nhiều đề Em hoàn thành luận văn Tp Hồ Chí Minh năm 2013 CAO HỮU VINH 89 VI TÀI LIỆU THAM KHẢO Giáo trình hệ thống giao thơng thơng minh Lê Hùng Lân ( Chủ Biên), Nguyễn Thanh Hải, Nguyễn Quang Tuấn, Đặng Quang Thạch, Nguyễn Trung Dũng NXB Giao Thông Vận Tải 2012 Lương Mạnh Bá , Nhập môn xử lý ảnh số, Nhà xuất Khoa Học Kỹ Thuật 2003 Xử lý ảnh số: Lý Thuyết thực hành với Matlab TS Hồ Văn Sung, Nhà xuất khoa học kỹ thuật, Năm xuất 2009 Ngô Diên Tập, Xỷ lý ảnh máy tính , Nhà xuất Khoa Học Kỹ Thuật, 1997 Automatic License Plate Recognition, Shyang – Lih Chang, Li – Shien Chen, Yun – Chung Chung , and Sei – Wan Chen, Senior Member, IEEE Automatic License – Plate Location and Recognition Based on Feature Salience, Zhen – Xue Chen, Cheng – Yun Liu, Fa – Liang Chang, and Guo – You Wang License plate recognition technology (LPR) impact evaluation and community assessment Vehicle Plate Detection, Segmentation and Identification Recognition of Vehicle License Plates from a Video SequenceI – Chen Tsai, Jui – Chen Wu, Jun – Wei Hsieh, and Yung – Sheng Chen 10 Travel Time Measurement in Real-Time using Automatic Number Plate Recognition for Malaysian Environment 11 A neural network based character recognition system using double backpropagation 12 An Automatic System of Vehicle Number –Plate Recognition Based On Neural Networks, Wei Wu Depy Of Road and Traffic Engineering, Changsha Communications University,410076, P.R China, Huang Xinhan, Wang Min & Song Yexin