nghiên cứu kỹ thuật support vector machine và ứng dụng nhận dạng biển báo giao thông

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC ĐÀ NẴNG

NGUYÊN THANH TRUNG

NGHIÊN CỨU KỸ THUẬT SUPPORT VECTOR

MACHINE VÀ ỨNG DỤNG NHẬN DẠNG

BIEN BAO GIAO THONG

Chuyén nganh: Khoa hoc may tinh

Ma sé: 60.48.01

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT

Trang 2

Cơng trình được hồn thành tại ĐẠI HỌC ĐÀ NẴNG

Người hướng dẫn khoa học: TS Huỳnh Hữu Hưng

Phan bién 1: TS Hoang Thi Thanh Ha

Phản biện 2: TS Hoàng Thị Lan Giao

Luận văn đã bảo vệ tại Hội đồng chấm Luận văn tốt nghiệp

thạc sĩ ngành khoa học máy tính họp tại Đại học Đà Nẵng vào

ngày l6 tháng I1 năm 2013

Có thể tìm hiểu luận văn tại:

Trang 3

MO DAU

1 Ly do chon dé tai

Lĩnh vực công nghệ thông tin đang ngày càng phát triển mạnh mẽ Những tiến bộ mới trong lĩnh vực này đã giúp ích rất nhiều cho cuộc sống con người Hiệu suất công việc ngày càng được nâng cao nhờ sự trợ giúp của các công nghệ tiên tiễn Một trong những công nghệ được áp dụng rộng rãi hiện nay là công nghệ nhận dạng Trong công nghệ này, bài toán nhận dạng biển báo giao thông là một trong những bài toán lớn, có ý nghĩa thực tế và đang được quan tâm

Biển báo giao thông là một phần của công trình tín hiệu đường bộ, được đặt ven đường giao thông Nó là cách thức dé thông báo đến người tham gia giao thông về tình trạng đường, cảnh báo nguy hiểm, đưa ra những chỉ dẫn để người tham gia giao thông an toàn và thuận tiện hơn Tuy nhiên, việc phát hiện và nhận biết biển báo giao thông sẽ gặp rất nhiều khó khăn vì nhiều lý do như: biển báo có thé bi hu hại và thay đổi màu sắc khi tiếp xúc một thời gian dài dưới ánh nắng mặt trời; biển báo bị che khuất bởi tòa nhà, cây cối, xe cộ và người đi đường; thêm nữa, sự khác biệt về góc nhìn cũng làm cho việc nhận dạng biển báo giao thông trở nên khó khăn hơn Đặc biệt trong các trường hợp người lái xe đang trong tình trạng say, buồn ngủ hoặc mất tập trung Vì vậy rất cần một hệ thống nhận dạng biển báo giao thông hỗ trợ cho người tham gia giao thông

Trang 4

kết quả tốt trong lĩnh vực nhận dạng Trong các bài toán nhận dạng về chữ viết tay, nhận đạng khuôn mặt SVM đã đạt được độ chính xác khá cao Đó là lý do vì sao tôi chọn đề tài “Nghiên cứu kỹ thuật Support Vector Machine và ứng dụng nhận dạng Biển bảo giao thông ” đề nghiên cứu và phục vụ cho người tham gia giao thông

2 Mục tiêu và nhiệm vụ của đề tài Mục tiêu nghiÊn cứu

Nghiên cứu kỹ thuật nhận dạng Support Vector Machine (SVM) và ứng dụng thành công kỹ thuật SVM vào việc nhận dạng biển báo giao thông

Nhiệm vụ chính của đề tài

" Nghiên cứu tổng quan về xử lý ảnh và biển báo giao thông " Nghiên cứu đặc trưng màu sắc và đặc trưng hình học để phát hiện và tách biển báo giao thông

" Nghiên cứu cơ sở lý thuyếtv è kỹ thuật học có giám sát

SVM và áp dụng kỹ thuật này vào thực tẾ trong việc phát hiện, nhận dang bién báo giao thông

3 Đối tượng và phạm vỉ nghiên cứu Đối trợng nghiên cứu bao gồm

= Các vấn đề liên quan đến biển báo giao thông đường bộ " Các vấn đề liên quan đến kỹ thuật học có giám sát đối tượng hình học, màu sắc đặc trưng

Phạm vi nghiên cứu

Trang 5

4 Phương pháp nghiên cứu Phương pháp tài liệu

= Tim hiéu 14p trình Matlab và cơ sở lý thuyết về SVM “ Tìm hiểu các phương pháp nhận dạng biển báo giao thông “ Tìm hiểu phương pháp rút trích đặc trưng HOG

" Tìm hiểu cách trích lọc đối tượng hình học đặc trưng và đối tượng màu sắc đặc trưng

= Tìm hiểu và lựa chọn công cụ hỗ trợ

Phương pháp thực nghiệm

= Xây dựng chương trình thực nghiệm

= Xây dựng kho đữ liệu huấn luyện SVM

5 Ý nghĩa khoa học và thực tiễn Ý nghĩa khoa học

= Nghiên cứu việc nhận dạng biển báo giao thông

"Nghiên cứu về kỹ thuật học có giám sát SVM và việc huấn luyện nó vào việc nhận dạng biển báo giao thông

" Nghiên cứu phương pháp rút trích đặc trưng HOG Ý nghĩa thực tiễn

= SVM là phương pháp học máy tiên tiến đã có nhiều thử nghiệm mang lại kết quả khá tốt Vì vậy việc ứng dụng kỹ thuật SVM cho nhận dạng biến báo giao thông sẽ mang lại hiệu quá cao

" Nhận dạng biển báo giao thông chưa thực sự phổ biến tại Việt Nam, vì vậy nó sẽ mở ra một hướng ổi mới trong việc ứng dụng nhận dạng biển báo giao thông vào cuộc sống

Trang 6

6 Cấu trúc luận văn

Nội dung của luận văn được trình bày bao gồm:

Mé dau

Chương 1 Tống quan về xứ lý ảnh số

Chương này trình bày lý thuyết về xử lý ảnh số, về không gian màu và ảnh màu, một số phương pháp để xử lý ảnh, các vấn đề cơ bản trong xử lý ảnh

Chương 2 Tong quan các phương pháp phát hiện và nhận dạng biến báo giao thông

Chương này trình bày tông quan về biển báo giao thông đường bộ Việt Nam, các phương pháp phát hiện, nhận dạng biển báo Trình bày về kỹ thuật học có giám sát SVM và giới thiệu một số công trình nghiên cứu liên quan đến đề tài và kết quả đạt được

Chương 3 Nhận dạng biến báo giao thông sir dung SVM Chương nảy trình bày tổng quan về hệ thống nhận dạng biển báo giao thông Trong đó trình bày ba giai đoạn cơ bản của hệ thống nhận dạng gồm: thu thập cơ sở đữ liệu, phát hiện và nhận dạng biến báo Đối với giai đoạn thu thập cơ sở đữ liệu sẽ trình bày đối tượng của bải toán, cách thức lấy mẫu đữ liệu để phục vụ cho việc huấn luyện Đối với giai đoạn phát hiện biển báo sẽ trình bày hai cách tiếp cận đó là dùng đặc trưng màu và SVM, kết quả đạt được của từng phương pháp Đối với giai đoạn nhận đạng sẽ trình bày thuật toán, chọn đữ liệu huấn luyện đữ liệu và kết quả đạt được

Chương 4 Kết quả thử nghiệm và nhận xét

Chương này trình bày môi trường, công cụ cài đặt, dữ liệu đưa vào kiểm tra Các kết quả thử nghiệm cho từng giai đoạn cụ thể, đánh giá kết quả đạt được

Trang 7

CHƯƠNG 1

TONG QUAN VE XU LY ANH SO

1.1 XU LY ANH VA CAC VAN DE CO BAN TRONG XU LY ANH 1.1.1 Thế nào là ảnh số 1.1.2 Các giai đoạn xử lý ảnh

Tiên xử lý ảnh Phân đoạn ảnh Biểu diễn và mô tả (Image > (Image >| Representation and PreProcessing) Segmentation) description)

Thu nhan anh Nhận dạng và nội (Image suy (Recognition and Acquisition) œm— LZ Ï interpretation) Cơ sở trỉ thức - + - (Knowledge based) Ket luan (result) Hình 1 1 — Các bước chính trong xử lý ảnh số q Thụ nhận ảnh (Image cquisition)

b Tiền xử lý ảnh (Hmage Processing) c Phan doan anh (Image Segmentation)

d Biéu dién va mé ta dnh (Representation and description) eNhận dang va noi suy anh (Image Recognition and Interpretation)

f Co sé tri thie (Knowledge Base)

1.1.3 Các vẫn đề cơ bản trong xử lý ảnh

a Một số khái niệm cơ bản

b Nan chinh bién dang c Khử nhiễu

Trang 8

e Trích chọn đặc điễm ƒ Nhận dạng

g Nén anh

h Biéu dién anh

i Cac cách phân loại ảnh 1.2 MỘT SÓ PHƯƠNG PHÁP XU LY ANH SỐ 1.2.1 Cải thiện ảnh a Xử lý điểm ảnh b Histogram của ảnh 1.2.2 Lọc không gian a Lam min (Smoothing Spatial Filters) b Lọc không gian làm nét 1.2.3 Lọc miền tần số a Lọc thông thấp lý trởng b Làm nét trong miền tân số c Biến đỗi nhanh Fourier

Trang 9

CHƯƠNG 2

TỎNG QUAN CÁC PHƯƠNG PHÁP PHÁT HIỆN VÀ NHẬN

DANG BIEN BAO GIAO THONG

2.1 GIOI THIEU BIEN BAO GIAO THONG DUONG BO

VIET NAM

Biển báo giao thông đường bộ hay gọi là hệ thống báo hiệu đường bộ là hệ thống được đặt trên đường giao thông, nó là cách thức để thông báo đến người tham gia giao thông về tình trạng đường, đưa ra những chỉ dẫn hoặc cảnh báo để giúp cho người tham gia giao thông đưa ra những hành vi hợp lý và kip thoi

2.1.1 Biến báo cắm

2.1.2 Biến báo nguy hiểm

2.1.3 Biến báo hiệu lệnh 2.1.4 Biển chí dẫn 2.1.5 Biến phụ 2.1.6 Vạch kẻ đường 2.2 CAC PHUONG PHAP PHAT HIEN BIEN BAO GIAO THONG

Trang 10

8

2.2.1 Phương pháp phát hiện dựa trên màu sắc 2.2.2 Phương pháp phát hiện dựa trên hình dạng 2.2.3 Phương pháp phát hiện dựa trên máy học

2.3 CAC PHUONG PHAP NHAN DANG BIEN BAO GIAO

THONG

Có rất nhiều phương pháp nhận dạng, nhưng sau đây tôi xin trình bày một số phương pháp nhận dạng tiên tiến, đạt kết quả cao và ứng dụng vào nhận dạng trong nhiều lĩnh vực 2.3.1 Phương pháp nhận dạng bằng SVM 2.3.2 Phương pháp nhận dang PCA 2.3.3 Phương pháp nhận dạng bằng No-ron 2.4 KỸ THUẬT HỌC CÓ GIÁM SÁT SUPPORT VECTOR MACHINE 2.4.1 Giới thiệu

Trang 11

9

SVM thực hiện chuyển tập mẫu từ không gian biểu diễn R" của chúng sang một không gian R“ có số chiều lớn hơn Trong không gian R“ tìm một siêu phẳng tối ưu để phân hoạch tập mẫu này dựa trên phân lớp của chúng, cũng có nghĩa là tìm ra miền phân bổ của từng lớp trong không gian biểu diễn R”, để từ đó xác định được phân lớp của một mẫu nhận đạng SVM là phương pháp có tính tổng quát cao, có thể được áp dụng cho nhiều bài toán nhận đạng khác nhau

2.4.2 Y tưởng của phương pháp

2.4.3 Các bước chính của phương pháp 2.4.4 Cơ sở lý thuyết

a Bai toán phân lớp nhị phân với SVỰM b Bài toán nhiều phân lớp với SVM 2.4.5 Hàm hạt nhân

a Khai niệm hàm hạt nhân b Ham hat nhan trong SVM

2.5 MOT SO CONG TRINH NGHIEN CUU LIEN QUAN DEN

DE TAI VA KET QUA

2.5.1 Lich sử nghiên cứu

Trang 12

10 CHƯƠNG 3

NHAN DANG BIEN BAO GIAO THONG SU DUNG SVM

3.1 TONG QUAN VE HE THONG

Hệ thống nhận dạng biển báo giao thông với đầu vào là ảnh màu, hệ thống sẽ phát hiện vùng chứa biển báo và tách nó ra khỏi ảnh gốc Sau đó ảnh được được đem đi nhận dạng và trả về kết quả Mô hình nhận dạng được minh họa trong hình 3.1 2 - Phát hiện vùng - Ẳ Anh mau > chứa BBGT : Tach BBGT ác | Nhận dạng =~ | Kêt quã |

Thu thập dữ Huấn luyện Tham số SVM

ligumau |” “* sau khi huan luyén

Hình 3.1 — Mô hình tổng quan nhận dạng biến báo giao thông Theo mô hình 3.1 ta thấy có ba giai đoạn quan trọng trong quá trình nhận dạng:

Giai đoạn 1 — thu thập cơ sở đữ liệu: đối với giai đoạn này thu thập cơ sở đữ liệu sẽ quyết định rất lớn đến kết quả phát hiện cũng như nhận dạng Cơ sở dữ liệu được thu thập từ nhiều nguồn khác nhau như: trên web, sách văn bản, ảnh thực tế

Giai đoạn 2 — phát hiện vùng chứa biên báo

Giai đoạn 3 — Nhận dạng: xác định tên và ý nghĩa của biển báo 3.2 THU THAP CO SO DU LIEU

Trang 13

11

sự đồng nhất về tư thế chụp lấy mẫu và các kiểu đáng phải rõ ràng không phai màu hoặc biến dạng quá nhiều Các ảnh biển báo giao thông được chọn làm ảnh mẫu để huấn luyện phải có vị trí rõ ràng, không bị che khuất và có vị trí đối xứng, nghĩa là không quá nghiêng theo các hướng khác nhau

3.2.1 Ánh biến báo giao thông

Trong phạm vi đề tài này tôi chọn các biển báo cấm thuộc biển báo giao thông đường bộ Việt Nam làm ảnh mẫu Cụ thể tôi chọn 10 biển báo cắm, mỗi loại chọn 10 kiểu khác nhau, vậy có tất cả 100 mẫu cho việc huấn luyện Hầu hết các biển báo giao thông xuất hiện trong ảnh là biển báo trực điện với mặt phẳng ảnh, nghĩa là góc chụp

ảnh không quá nghiêng (<10°) Việc thu thập cơ sở dữ liệu này làm đầu vao cho việc huan luyện dé phát hiện v nhn dng biờn bao ââSĐ66G66G: ;/@đ @@đ ỳ1@@ 232â@6/( ỉinỉ0 6)@@đ )@@ —— BĐGI0 a at ) © 90509000 @

Hình 3.3 — Tập ảnh mẫu dùng trong phát hiện vả nhận dạng

3.2.2 Ảnh không chứa biến báo giao thông

Tập các mẫu ảnh không phải biển báo giao thông này được

Trang 14

12

biển báo giao thông như: cây xanh, xe cộ, con người, động vật Ta cần nhiều ảnh không chứa biển báo giao thông để huấn luyện cho bộ phát hiện biển báo, như vậy có thể thấy không gian ảnh không chứa biển báo giao thông lớn hơn không gian ảnh biển báo giao thông Trong phạm vi đề tài tôi chọn trên 2500 mẫu cho việc huấn luyện để

phát hiện biển báo lên eal | mg | 3 |

Hình 3.4 — Tập ảnh mẫu dùng trong phát hiện biển báo giao thông

3.3 PHAT HIEN VUNG CHU BIEN BAO GIAO THONG

Trong luận văn này tôi trình bày hai cách tiếp cận cho việc phát hiện và tách vùng chứa biển báo, đó là cách tiếp cận dựa trên đặc trưng màu và cách tiếp cận đựa trên SVM

3.3.1 Phát hiện vùng biến báo dựa vào đặc trưng màu a Đặc trưng màu của biển báo giao thông

Trang 15

13

b Thuật toán và kết quả

Anh đâu vào Ƒ —>

Ánh nhị phân của anh dé : Lọc bõ các đối tượng nhỏ ! Lam day ving lién théng 2 lan : Bước 1 Bước 2 Bước 3 Đóng khung biến báo Tách biến báo Bước 4 Hình 3 9— Thuật toán phát hiện biển báo dựa trên đặc trưng màu ‘eS \ | , » : fey ` Hình 3 13 — Phát hiện và tách biển báo giao thông đùng đặc trưng màu

3.3.2 Phát hiện vùng chứa biến bao ding SVM

Các tiếp cận thứ hai được giới thiệu trong luận văn là đùng SVM để phát hiện vùng ứng cử Đây là phương pháp phát hiện dựa trên máy học, đối với phương pháp này đề phát hiện vùng ứng cử thì có hai yếu tố quan trọng đó là: lựa chọn mô hình rút trích tính năng hiệu quả và lựa chọn phân loại thích hợp Như đã trình bày ở trên tôi chọn SVM cho việc phân loại và HOG cho việc rút trích đặc trưng đối tượng

Trang 16

14 | CSDL ảnh | | Ảnh kiêm tra Rút trích đặc Rut trích đặc trưng HOG trưng HOG Huấn luyện SVM

Tham số SVM 5 xổ Phát hiện apes Ly| Kếtquả

sau khi huân BBGT

luyện

Hình 3 14— Mô hình phát hiện biển báo giao dùng dùng SVM a Dac trung Histograms of Oriented Gradients (HOG) Trong chương trình này tôi đề xuất thực hiện việc rút trích đặc

trưng băng phép biến đổi HOG Việc rút trích đặc trưng như vậy

giúp chúng ta chuyển không gian ảnh sang không gian vector để có thể xử lý và tính toán đơn giản hơn trên máy tính

Tính toán đặc trưng HOG trên một số biển báo cho ta kết quả:

Đặc trưng ; Dac trung

Trang 17

15

b Phát hiện và tách biễn báo giao thông

Trong bài toán phát hiện biển báo đùng SVM đữ liệu đầu vào

cho việc huấn luyện được chia thành hai tập tương ứng là: biển báo (mẫu tích cực) và không phải biển báo (mẫu tiêu cực) Để huấn luyện

với SVM thì trước tiên ta tinh chỉnh kích thước dữ liệu đầu vào thành

35x35 pIxel, tiếp theo ta rút trích đặc trưng cho hai mẫu tích cực và tiêu cực bằng phép biến đổi HOG, sau đó gán {1} cho mẫu tích cực và {-1} cho mẫu tiêu cực Như vậy có thể thấy việc đò tìm biển báo trên ảnh đầu vào tương ứng với thuật toán duyệt trên từng khung hình (kích thước 35x35) và đem phân lớp, kết quả trả về là có hay không hình đem duyệt thuộc lớp biển báo {1} .SVM tuyến tính được chọn cho việc phân lớp bởi tính hiệu quả cũng như độ phức tạp thấp của nó Trong luận văn này tôi đùng bộ công cụ SVM”*" [23], [25] được cài đặt bởi Joachims để đánh giá kết quả trên phương pháp mà tôi đề nghị Kết quả phát hiện như sau:

Hình 3 22 — Phát hiện biển báo đùng SVM 3.4 NHAN DANG BIEN BAO GIAO THONG

Trang 18

16 Ảnh kiểm tra |»| Rút a “s6 hs trưng ¬ án Ea Tham số SVM

CSDL ảnh Rút trích đặc Ly Huan luyện | ot saukhikhuốn BBGT trung HOG SVM luyén

_ _—._—_

Hinh 3 23 — Mô hình nhận dạng biển báo giao thơng

Thuật tốn @ne-vs-Rest được áp dụng, ta cần nhận đạng 10 biển báo tương ứng với 10 lớp thì cần sử dụng 10 SVM SVM thứ ¡

sẽ phân biệt lớp thir i va các lớp còn lại Một ảnh đầu vào x sẽ được cho kiểm tra trên 10 SVM này Hàm nhận dạng của SVM thứ ¡ nào cho ra kết quả có giá trị tối ưu nhất thì ảnh x đó thuộc lớp thứ ¿ đó

Dữ liệu đầu vào cho việc huấn luyện là ảnh biển báo giao thông (100 mẫu), tất cả các ảnh trước khi rút trích đặc trưng bằng phép biến đổi HOG déu tinh chỉnh kích thước thành 50x50 pixel

Trang 19

17

CHƯƠNG 4

KET QUA THU NGHIEM VA NHAN XET

Hệ thống nhận dạng biển báo giao thông là một tập hợp của nhiều quá trình xử lý: phát hiện vùng ứng cử (vùng chứa biến báo), rút trích đặc trưng, huấn luyện và nhận dạng Việc kiểm thử sẽ được thực hiện qua hai giai đoạn: phát hiện vùng chứa biển báo và nhận dạng Trong đó việc phát hiện vùng chứa biển báo tôi sẽ kiểm thử trong hai trường hợp đó là: dùng đặc trưng màu và dùng SVM Việc kiểm thử sẽ giúp chúng ta đánh giá được tổng quan hệ thống từ đó có cái nhìn toàn diện về hệ thống nhận dạng biến báo

4.1 MÔI TRƯỜNG VÀ CÔNG CỤ CÀI DAT THU NGHIEM

4.2 DU LIEU KIEM TRA

Trang 20

18 4.3 KET QUA THU NGHIEM VA NHAN XET KET QUA ĐẠT DUQC 4.3.1 Kết quả thử nghiệm phát hiện biến báo dùng đặc trưng màu Trường hợp 1: với điều kiện ánh sáng, góc chụp bình thường

Hình 4 3 — Phát hiện biển báo dùng đặc trưng màu trường hợp 1 Trường hợp 2: ảnh đầu vào chất lượng thấp, ảnh mờ, màu sắc biển

báo không đúng tiêu chuẩn

Hình 4 5 — Phát hiện biển báo dùng đặc trưng màu trường hợp 2 Trường hợp 3: ảnh đầu vào có xuất hiện đối tượng giống biến báo

Trang 21

19

4.3.2 Kết quả thử nghiệm phát hiện biển báo ding SVM Tôi dùng SVM Light [23], [25] được cài đặt bởi Joachims để đánh giá kết quả

Bang 4 1 — Những tham sô trong quá trình học SVM trên mẫu Biên báo và không phải biên báo Biển báo 100 Không phải biển báo 2500 Ước tính tỉ lệ lỗi <=3,84% Độ chính xác >=73,26%

Thời gian chạy CPU 0,03s

Bảng 4 2 — Thời gian thực hiện phát hiện biển báo giao thông bằng SVM trén anh (320x240) Xấu nhất 5s Tốt nhất Trung bình be : - 7 ^^ 4 - Aw ~ : ¬ , ị 7 “ 42), ` LẢ L + oe ! ae £ 5

Trường hợp phát hiện tôt nhât Trường hợp phát hiện xâu nhât

Hình 4.7 — Trường hợp phát hiện bằng SVM xấu nhất và tốt nhất

Trang 22

20

ảnh trong điều kiện chuẩn, ảnh có xuất hiện băng rôn quảng cáo Kết quả thể hiện trong biểu đồ sau: (%) 100 ~ = 80 - ~ 60 - + 40 - 20 + a - = Bị 1 ul LÍ _ fi Loc mau NỔ MA Mi Mã Mã Bi BA BC csv s “r ‹ © oO ` ` aN ` aN & œ for & o 2 « vs 2 « ge & oe se 2 @œ đề o ` Ác rò > er * ss > = œ ie ® % tò © © BBGT Hình 4 11 — Kết quả so sánh hiệu suất phát hiện biển báo giữa hai phương pháp SVM và lọc màu

Từ hình trên ta thấy hiệu suất của phương pháp SVM tốt hơn rất nhiều so với phương pháp lọc màu trong cùng một tập cơ sở đữ liệu Hiệu suất trung bình của phương pháp lọc màu khoảng 75% trong khi đó phương pháp SVM là trên 97% Tuy nhiên thời gian phát hiện biển báo của phương pháp dùng đặc trưng màu lại tốt hơn rất nhiều so với phương pháp SVM

Đối với ảnh đầu vào có chứa biển báo giao thông có kích thước lớn hơn hoặc nhỏ hơn đáng kế so với cửa sô quét thì phương pháp phát hiện bằng SVM này bộc lộ khiếm khuyết: hiệu suất trung bình chỉ khoảng 60% (việc đánh giá hiệu suất này được thực hiện

trên bộ đữ liệu với kích thước ảnh được nhân 1,5 lần và 2 lần hoặc giảm 1,5 lần và 2 lần chiều đài và chiều rộng — so với kích thước

Trang 23

21

4.3.4 Kết quả thử nghiệm nhận dạng biển báo

Các biển báo giao thông được sử dụng để đánh giá kết quả nhận dạng gồm các biển sau đây: cắm đi ngược chiều, cắm ô tô, cắm ô tô rẽ trái, cắm ô tô rẽ phải, cấm mô tô, cấm ô tô tải, cắm rẽ trái, cấm rẽ phải, cắm dừng và đỗ xe, đường cấm Tôi ding SVM Light

[23] [25] được cài đặt bởi Joachims để đánh giá kết quả nhận dang

biển báo giao thông

Bảng 4 3 — Thời gian nhận dạng biển báo giao thông bằng SVM Xấu nhất 2s Tốt nhất 0,6s Trung bình 1,3s Recognize Recognize Cam di nguoc Cam di nguoc chieu chieu 1 L

Trang 24

22 — Recognize Do not recogize Hình 4 17— Ảnh nhận dạng không có trong CSDL Tỉ lệ nhận dạng thành công của 10 biển báo cắm: (%) 100 80 60 40 20

Hình 4 18 — Tỉ lệ nhận dạng thành công của 10 biển báo cấm Tỉ lệ nhận dạng trung bình khoảng 94%, trong đó một số biển báo nhận dạng đạt tỉ lệ cao là cắm mô tô 97%, cắm rẽ trái, cắm rẽ phải 98%: Tỉ lệ nhận dạng này được tính trên cơ sở dữ liệu thu thập được, việc đánh giá mang tính khách quan nhất, với các ảnh đầu vào được chụp và chỉnh sửa trong những điều kiện khác nhau như: ảnh đầu vào rõ ràng không phai màu, ảnh bị nghiêng, bị bong tróc, chụp

Trang 25

23

KET LUAN VA HUONG PHAT TRIEN

Trong luận văn này, tác giả đã trình bày những kiến thức tổng quan về xử lý ảnh số và nhận dạng, ứng dụng trong bài toán nhận dạng biển báo giao thông đường bộ Việt Nam, đây là một bài toán lớn đang được nghiên cứu và quan tâm

Qua quá trình nghiên cứu và thực hiện, luận văn đã đạt được những kết quả như sau:

= Nghién cứu tổng quan về xử lý ảnh số và nhận dạng: tổng quan về các phương pháp phát hiện nhận dạng biển báo giao thông: giới thiệu về hệ thống biển báo giao thông đường bộ, các đặc trưng

phát hiện biển báo; cơ sở lý thuyết về kỹ thuật SVM; đề xuất phương pháp rút trích đặc trưng bằng phép biến đối HOG

"Trình bày hai cách tiếp cận phát hiện biển báo đó là: tiếp

cận dựa trên đặc trưng màu và tiếp cận dựa trên SVM Từ đó có cái nhìn tông quan về hai phương pháp, tỉ lệ phát hiện thành công trên hai phương pháp

" Xây dựng được tập cơ sở dữ liệu mẫu, ứng dụng thành

công kỹ thuật SVM vào trong hệ thống nhận dang bién bdo giao thông Hệ thống được thử nghiệm trên bộ dữ liệu do tác giả tự chụp và sưu tầm từ nhiều nguồn khác nhau, việc đánh giá mang lại kết quả rất khả quan, tỉ lệ nhận dạng thành công khoảng 94%

SVM là một phương pháp có tính tổng quát cao, khả năng xử lý linh hoạt, hiệu quả và chính xác, nó có thể áp dụng cho nhiều bài toán khác nhau như: phát hiện khuôn mặt, người, đồ vật mà chỉ

cần thay đối dữ liệu đầu vào với đữ liệu đầu ra mong muốn Đây là

Trang 26

24

Bài toán nhận dạng biển báo dùng SVM còn nhiều hạn chế:

ảnh kiểm tra là ảnh tĩnh; nếu ảnh đầu vào chất lượng thấp thì thời

gian phát hiện chậm; chưa đáp ứng trong thời gian thực (đối với trường hợp phát hiện biển báo); tập đữ liệu huấn luyện còn ít, chưa đầy đủ Việc ứng dụng hệ thống này vào thực tế sẽ gặp nhiều thách

thức, khó khăn về điều kiện môi trường, ánh sánh, chất lượng ảnh,

thời gian

Hướng phát triển

Hướng phát triển đề tài là phát hiện và nhận dạng biển báo trực tiếp từ video Thu thập cơ sở đữ liệu phong phú thêm nữa, cải thiện thuật toán tốt nhất để giảm thời gian phát hiện biển báo dùng

SVM Kết hợp các phương pháp rút trích đặc trưng ảnh như PCA,