Xây dựng hệ thống phát hiện và nhận dạng biển số xe sử dụng học sâu

HÀ NỘI - NĂM 2023

TOM TAT DE ÁN

Bai toan phat hién va nhan dang biển số xe có

ý nghĩa quan trọng trong các lĩnh vực giao thông

thông minh, bãi đỗ xe thông minh, giám sát vi phạm

an toàn giao thong, Trong những năm gan đây,

các nghiên cứu tập trung giải quyết vấn đề theo

hướng sử dụng mạng nơron học sâu với mục tiêu đạtđược độ chính xác cao Tuy nhiên, các nghiên cứu

nảy thường tập trung vào các bộ dữ liệu chuẩn do

các tác giả tự thu thập Một số nghiên cứu khác thì

chỉ tập trung chủ yếu vào độ chính xác, trong khi

nhu cầu của các hệ thống hiện nay đòi hỏi cả về tốcđộ xử lý Những điều đó khiến cho chúng khó có thêáp dụng được vào điều kiện thực tế như giao thông ở

Việt Nam Vì vậy, dé án này được thực hiện nhằm

đưa ra một giải pháp cho các vân đê nêu trên.

Trong đề án này, tác giả mong muốn pháttriển một hệ thống có thé phát hiện vả nhận dạngbiển số xe trong các ngữ cảnh đa dạng, đặc biệt cóthé áp dụng trong điều kiện giao thông ở Việt Nam.

Cụ thể, đề án đề xuất các mô hình phát hiện và nhận

dạng biển số xe chỉ bao gồm các lớp tích chập và

truyền thăng, điều đó làm giảm đáng ké tốc độ suy

diễn so với các phương pháp có sử dụng mạng

nơron hồi quy Dé án đã làm thực nghiệm trên các

mô hình có kích thước khác nhau, sử dụng cả

phương pháp học chuyển đổi và phương pháp huanluyện mạng từ đầu bằng cách khởi tạo tham số ngẫu

nhiên cho mạng Từ đó, thực hiện so sánh cả về hiệu

suất và tốc độ giữa các mô hình, cùng với đó là đánh

giá khả năng triển khai thực tế.

Đề án sử dụng bộ dữ liệu UFPR-ALPR và

một tập dữ liệu biển số xe Việt Nam tự đánh

nhãn cho các thử nghiệm, bao gồm đa dạng các ngữcảnh và được ghi lại bởi nhiều loại thiết bị ghi hình.Sau quá trình huấn luyện, mô hình phát hiện biển sốxe đạt điểm mAP@95 là 0.82 và mAP(@50 là 0.993

với tốc độ suy diễn là 12.92 FPS đo trên card đồ

họa Nvidia GeForce RTX 3060 Trong khi đó, mô

hình nhận dạng biến số xe đạt độ chính xác là

97.12% Điều đó cho thấy tính khả thi của các môhình phát hiện và nhận dạng biển số xe cả về hiệusuất và tốc độ suy diễn trong các ngữ cảnh thực tếnhư điều kiện giao thông ở Việt Nam.

Nội dung đề án được chưa thành 4 chương,

cụ thê như sau:

Chương 1: Tổng quan bài toán phát hiện và nhậndạng biến số xe

Chương 1 của đề án trình bày tổng quan bài toán

phát hiện và nhận dạng biên số xe Tác giả phân

tích đầu vào và đầu ra của bài toán, cũng như lợi

ích và những thách thức của bài toán trong việc

áp dụng thực tế.

Tiếp theo, chương | cũng trình bày sơ lược một

số giải pháp đã được sử dụng cho bài toán phát

hiện và nhận dạng biển số xe, bao gom caphương pháp truyền thống và hiện đại Cácphương pháp truyền thông trước đây bao gồm

việc sử dụng các cửa số trượt, các bộ lọc tĩnh hoặc các thuật toán như SIFT, HOG để trích rút đặc trưng và các thuật toán như KNN, SVM dé

phan loại đối tượng hoặc ký tự Trong khi đó,

phương pháp hiện đại được sử dụng phổ biến

nhât hiện nay là sử dụng mạng noron hoc sâu.

Từ đó, tác giả so sánh hai phương pháp dé thay

rang phương pháp sử dụng mạng noron học sâuđang được ưa thích do khả năng vượt trội cả về

tốc độ và độ chính xác mà nó đem lại.

Cuối cùng, chương sơ lược một SỐ công trình

nghiên cứu nổi bat trong thời gian gan đây để

giải quyết bài toán phát hiện và nhận dạng biển số xe Từ đó, chỉ ra sự thành công và các mặt

hạn chế về độ chính xác cũng như tốc độ suy

diễn khi áp dụng các mô hình này trong điều

kiện thực tế như giao thông ở Việt Nam Từ

những hạn chế đó, tac giả lý giải tại sao dé án

này được thực hiện.

Chương 2: Tong quan về một số mang noron

Trong chương 2, tác giả làm rõ câu trúc, môhình toán học của các lớp mạng chính câu tạo lên

các mô hình mạng nơron học sâu được đê án sử

dụng làm giải pháp để giải quyết bài toán phát hiệnvà nhận dạng biển số xe.

Trước đây, trong các mô hình học sâu có độ

chính xác cao, hầu hết trong số chúng đều có đủcác loại mạng tích chập, hồi quy và truyềnthăng Đặc biệt, trong các bai toán có yêu tố

ngôn ngữ, người ta thường sử dụng các lớp

mạng hoặc một số mô hình mạng học sâu có

kiến trúc hồi quy làm bộ giải mã ký tự như RNN, GRU, LSTM Bài toán nhận dạng biến số xe ở đây cũng không ngoại lệ Tuy nhiên,

kiến trúc hồi quy lại bộc lộ một điểm yếu đó làtốn nhiều thời gian xử lý, do tại mỗi bước cần có

thông tin của bước trước đó, khiến cho chúng

không thể tận dụng được hết năng lực xử lý của

các phần cứng hiện nay Ké từ sau sự thành công

của mô hình Transformer trong lĩnh vực xử lý

ngôn ngữ tự nhiên vào năm 2018, nó đã trởthành nguôn cảm hứng cho các nghiên cứu trong

lĩnh vực thị giác máy tính Các mô hình mạng

mà đề án sử dụng được cầu tạo chủ yếu từ các

lớp mạng tích chập và lớp mạng truyén thang Vì

vậy, chương 2 sẽ tập trung làm rõ kiến trúc cũng

như mô hình toán học của từng loại mạng này.

Chương 3: Giải pháp đề xuất

Chương 3 của đề án làm rõ các kiến trúc mô hình

mạng noron học sâu được sử dụng trong bài toán

phát hiện biển số xe và nhận dạng biển số xe Cùng

với đó, tác giả cũng chỉ ra khó khăn của bài toán khi

phải đối mặt với các ngữ cảnh thực tế như biển số xe

bị nghiêng so với góc nhìn chính diện, làm giảm

hiệu suất của mô hình nhận dạng Từ đó, tác giả đềxuất một giải pháp biến đổi điểm nhìn (tiếng Anh:perspective transformation) để đưa biển số xe về góc

nhìn cân đôi, chính diện.

Trong chương này, tác gia đề xuất sử dụng YOLOv8làm giải pháp cho bài toán phát hiện biển số xe Xét

về sự cân bằng giữa độ chính xác và tốc độ suy diễn,mô hình YOLOv§ đang là mô hình tốt nhất hiện nay

áp dung cho các bai toán phát hiện đối tượng Mangbao gồm ba thành phần chính, đó là Backbone, Neck

và Head Phần Backbone có nhiệm vụ trích rút đặctrưng, nó là phiên bản sửa đổi của CSPDarknet53,

trong đó các khối CSPResBlock được thay thế bởi module C2f giúp cho toàn bộ kiến trúc trở nên nhỏ gọn hơn Phần Neck sử dụng kiến trúc

SPPF, là phiên bản cải tiễn của SPP Trong thựcnghiệm, SPPF có tốc độ nhanh gấp hai lần so với

SPP Cuối cùng là phần Head sử dụng cau trúc

tach rời (tiếng Anh: decoupled head) thay vi cau

trúc hợp nhất như trong các phiên ban YOLO

trước đó.

Đối với bài toán nhận dạng biển số xe, tác giả dé

xuất sử dụng một kiến trúc có tên là SVTR Kiến

trúc SVTR gọn nhẹ, được lay cam hứng từ sự

thành công của máy biến đổi thị giác (tiếng Anh:

visual transformer) Nó bao gôm các khôi trộn,

các toán tử hợp nhât và kêt hợp nhăm trích rút

các đặc trưng cục bộ như nét chữ và năm bắt sự

phụ thuộc giữa các thành phần ký tự.

Dé giải quyết van dé biển số xe bị nghiêng do góc chụp biển số bị lệch so với phương chính diện, tác giả đề xuất sử dụng hệ tọa độ đồng nhất và tim ma trận các phép biến đổi trong không

gian ba chiêu.

Cuôi cùng, chương trình bày các chỉ sô được sử

dụng đê đo hiệu suât của các mô hình phát hiện

biên sô xe (mAP metric) và nhận dạng biên sôxe (accuracy metric).

Chương 4: Thực nghiệm va đánh gia

Trong chương này, tác giả trình bày dữ liệu cùngvới phân cứng được sử dụng đê làm thực nghiệm

với các mô hình được trình bày trong chương 3.

Về dit liệu, tác giả sử dụng hai tap dit liệu đó là

UFPR-ALPR và một tập dữ liệu biên số xe Việt

Nam Các tập dữ liệu này đa dạng, được chụp

bởi nhiều thiết bị, trong các điều kiện khác nhau.

Sau khi tổng hợp và lọc dữ liệu, số mẫu dé huấn

luyện mô hình phát hiện biển số xe là 14338

mẫu, số mẫu để đánh giá mô hình phát hiện biển số xe là 4365 mẫu Trong khi đó, số mau dé huấn luyện mô hình nhận dạng biển số xe là

7920 mẫu, số mẫu để đánh giá mô hình nhận dạng biên số xe là 2570 mẫu.

Phần cứng được sử dụng để huấn luyện các mô

hình là card đỗ hoa NVIDIA GeForce RTX

Sau quá trình huấn luyện, mô hình phát hiện

biển số xe đạt giá trị mAP@95 là 0.82,

mAP@S0 là 0.993 Trong khi, mô hình nhận

dạng biển số xe đạt giá trị độ chính xác là

Cuối cùng, chương trình bay luồng hoàn chỉnh

của hệ thông phát hiện và nhận dạng biên sô xe.