nghiên cứu phương pháp pca và ứng dụng trong nhận dạng biển báo giao thông

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO

DAI HOC DA NANG

TRUONG THI MINH HAU

NGHIEN CUU PHUONG PHAP PCA VA UNG DUNG TRONG NHAN DANG

BIEN BAO GIAO THONG

Chuyén nganh: Khoa hoc may tinh

Ma sé: 60.48.01

TOM TAT LUẬN VĂN THẠC SĨ KỸ THUẬT

Trang 2

Công trình được hoàn thành tại

DAI HOC DA NANG

Người hướng dẫn khoa học: TS Huỳnh Hữu Hưng

Phản biện 1: TS Nguyễn Trần Quốc Vinh

Phản biện 2: TS Nguyễn Mậu Hân

Luận văn đã bảo vệ tại Hội đông châm Luận văn tôt nghiệp thạc sĩ ngành khoa học máy tính họp tại Đại học Đà Nẵng

vao ngay 16 thang 11 nam 2013

Có thê tìm hiếu luận văn tai:

Trang 3

MO DAU

1 Ly do chon dé tai

Xu ly anh số là một lĩnh vực khoa học còn khá mới mẻ, và được quan tâm nhiều hiện nay Phạm vi ứng dụng của xử lý ảnh ngày càng được mở rộng Bài toán nhận dạng ảnh là bài toán lớn và có rất nhiều ý nghĩa trong thực tế đời sống Trong đó có bài toán nhận dạng biển báo giao thông

Biến báo giao thông là cách thức để thông báo cho người tham gia giao thông tình trạng đường, đưa ra những chỉ dẫn, hay cảnh báo giúp người tham gia giao thông xử lý và đưa ra những hành vi hợp lý, đảm bảo an toàn giao thông Mỗi người tham gia giao thông đòi

hỏi phải nắm bắt và hiểu hết toản bộ ý nghĩa của tất cả các biển báo giao thông Việc này trở nên khá khó khăn khi số lượng biển báo quá

lớn Hơn thế nữa việc phát hiện biển báo trở nên phức tạp khi mà các yếu tố ngoại cảnh tác động: Biển báo có thể bị hư hại khi tiếp xúc

một thời gian đài dưới ánh nắng mặt trời; màu sắc bị thay đối trong

các điều kiện sương mù, ánh sáng yếu ban đêm; biển báo bị che khuất bởi nhà cửa, cây cối Đặc biệt trong các trường hợp người lái xe đang trong tình trạng say, buồn ngủ, hôn mê hoặc mất tập trung

thì việc phát hiện biển báo sẽ gặp nhiều khó khăn Vì vậy một hệ

thống nhận dạng biên báo giao thông sẽ rất có ích cho con người khi tham gia giao thơng Ngồi ra, hệ thống này còn được ứng dụng trong ngành công nghệ xe tự lái

Trang 4

Phương pháp phân tích thành phần chính (PCA_ Principal Component Analysis) là một kỹ thuật phân tích biến đổi được nghiên cứu khá rộng rãi và được ứng dụng vào nhiều bài toán nhận dạng khác nhau như: nhận dạng mặt người, nhận dạng cảm xúc khuôn mặt, nhận dạng chữ viết tay Việc ứng dụng PCA trong nhận dạng biển báo giao thông sẽ giúp giảm số chiều của dữ liệu, giảm thông tin dư thừa trong ảnh mà kết quả nhận dạng mang lại khá cao Đó chính là lý do em chọn đề tài này

2 Mục tiêu và nhiệm vụ của đề tài * Mục tiêu của đề tài

Nghiên cứu về phương pháp nhận dạng PCA và ứng dụng thành công phương pháp PCA vào trong nhận dạng biển báo giao thông

s* Nhiệm vụ chính của đề tài bao gồm

- _ Nghiên cứu tổng quan về biển báo giao thông tại Việt Nam - Nghiên cứu phương pháp phát hiện biên Camny, đặc trưng

màu của biển báo và đặc trưng nhận dạng hình học để phát hiện biển

báo giao thông có trong ảnh

- _ Nghiên cứu cơ sở lý thuyết về phương pháp PCA

- Sử dụng phương pháp PCA vào việc nhận dạng biển báo giao thông

3 Đối tượng và phạm vỉ nghiên cứu

s* Đối tượng nghiên cứu

- _ Các vấn đề liên quan đến biến báo giao thông tại Việt Nam

- Các vấn đề liên quan đến phương pháp phát hiện biên

Trang 5

- _ Các vấn để liên quan đến các phương pháp nhận dạng biển báo giao thông

- Cac van dé liên quan đến phương pháp PCA s* Phạm vỉ nghiên cứu

- - Dữ liệu được xử lý là file ảnh tĩnh với ảnh được chụp với

góc nghiêng không đáng kể (không quá 10)

- Ảnh được chụp trong điều kiện ánh sáng bình thường

(không chụp ngược sáng, chụp bằng máy ảnh kỹ thuật số)

- Dữ liệu biển báo giao thông chỉ gồm các biển báo giao

thông đường bộ ở Việt Nam 4 Phương pháp nghiên cứu

s* Phương pháp tài liệu:

- _ Tìm hiểu cách lập trình với Matlab

- _ Cơ sở lý thuyết về biển báo giao thông ở Việt Nam

- Tim hiéu téng quan về bài toán nhận dạng biển báo giao thông

- _ Tìm hiểu phương pháp phát hiện biên Canny

- _ Tìm hiểu đặc trưng nhận đạng hình học

- _ Tìm hiểu các phương pháp nhận dạng biển báo giao thông - _ Tìm hiểu phương pháp nhận dạng bang PCA

s* Phương pháp thực nghiệm:

- - Xây dựng chương trình thực nghiệm

- _ Xây dựng kho dữ liệu hình dạng mẫu - _ Xây dựng kho đữ liệu huấn luyện PCA - _ So sánh và đánh giá kết quả đạt được

Trang 6

* Ý nghĩa khoa học:

- _ Nghiên cứu về hệ thống biển báo giao thông - - Nghiên cứu phương pháp phát hiện biên Canny

- _ Nghiên cứu về phương pháp nhận dạng biển báo giao thông bằng PCA

- _ Ứng dụng thành công công nghệ xử lý ảnh vào thực tế - _ Tạo tiền đề cho những nghiên cứu tiếp theo trong tương lai

‹» Ý nghĩa thực tiễn:

- Nhận dạng biển báo giao thông thực sự chưa phố biến tại Việt Nam nó sẽ mở ra một hướng đi mới, ứng dụng mới trong việc nhận dạng biển báo giao thong

- Cung cấp thuật toán hỗ trợ cho việc tạo ra các thiết bị có chức năng phát hiện và nhận dạng biến báo giao thông

- _ Tạo tiền đề cho việc xây dựng hệ thống nhận dạng biển báo giao thông và tích hợp chúng trên các phương tiện tham gia giao thông, giúp cho người tham gia giao thông có thể xử lý các tình huống xảy ra một cách hợp lý, đảm bảo an tồn giao thơng 6 Bố cục luận văn Nội dung của luận văn được trình bày gồm những phân sau: Mé dau Chương 1 Nghiên cứu tổng quan về xử lý ảnh số và nhận dang Chương 2 Các phương pháp phát hiện và nhận dạng biển báo ø1ao thông

Chương 3 Nhận dạng BBGT dùng phương pháp PCA

Chương 4 Kết quả thử nghiệm và nhận xét

Trang 7

CHƯƠNG 1

NGHIEN CUU TONG QUAN VE XU LY ANH SO VA

NHAN DANG

1.1 GIỚI THIỆU CHUNG VẺ XỬ LÝ ẢNH SỐ

1.2 CÁC GIAI ĐOẠN CƠ BẢN TRONG XỬ LÝ ẢNH SỐ

Phân đoạn ảnh Biểu điễn và mô tả

(Image Segmentation) "| (Representation and description)

Tiên xử lý ảnh \ ⁄ Nhận dạng và nội suy

(Image Preprocessing) (Recognition and interpretation) f | Thu nhận ảnh Kết luận (Image Acquisition) (Result) —> Cơ sở tri thức (Knowledge based) Hình 1.2 - Các bước cơ bản trong xử lý ảnh số 1.2.1 Thu nhận ảnh 1.2.2 Tiền xử lý ảnh a Khử nhiễu * Khử nhiễu hệ thống ‹* Khử nhiễu ngẫu nhiên

Trang 8

1.2.3 Phân đoạn ảnh

a Phan đoạn ảnh dựa trên ngưỡng b Phân đoạn ảnh dựa trên biên c Phân đoạn ảnh dựa trên vùng

1.2.4 Biểu diễn và mô tả ảnh

1.2.5 Nhận dạng và nội suy ảnh 1.2.6 Cơ sở tri thức

1.3 CÁC KHÔNG GIAN MÀU

1.3.1 Màu trong xử lý ảnh số 1.3.2 Không gian màu RGB 1.3.3 Không gian màu CMY 1.3.4 Không gian màu HŠV 1.3.5 Không gian màu CIE

1.4 XỬ LÝ HÌNH THAI HQC TREN ANH

Trang 9

CHƯƠNG 2

TONG QUAN VE CAC PHUONG PHAP PHAT HIEN VA NHAN DANG BIEN BAO GIAO THONG

2.1 CAC PHUONG PHAP PHAT HIEN BIEN BAO GIAO THONG

2.1.1 Phát hiện dựa theo đặc trưng màu của biển báo Cách tiếp cận phố biến trong vấn đề phát hiện biển báo giao

thông dựa trên màu sắc là sử đụng phương pháp phân ngưỡng để tìm một vùng ảnh có chứa màu sắc đặc trưng Kết quá của vùng ảnh sau đó được xem như là biển báo giao thông hoặc là vùng cần quan tâm

Khuyết điểm chính của phương pháp này là trong thực tế màu sắc có Xu hướng không đáng tin cậy, mà phụ thuộc vào các thời điểm trong ngày, điều kiện thời tiết, bóng râm Không gian màu RGB được đánh giá là rất nhạy cảm với ánh sáng, do đó nhiều nhà nghiên cứu đã chọn phân ngưỡng đựa trên màu sắc trong các không gian mau khac nhu HSI, HSV

2.1.2 Phát hiện dựa theo đặc trưng hình học của biến báo Phát hiện biển báo giao thông dựa trên hình dạng có nhiều cách tiếp cận đã được công bố trong nhiều tải liệu hiện nay Tuy nhiên, phương pháp dựa trên hình dạng phố biến nhất là sử dụng

phép biến đổi Hough

Trang 10

a) Ảnh đầu vào b) Kết quả phát hiện Hình 2.4 - Phát hiện BBGT dùng phép biến đối Hough Circle

Transform

2.1.3 Phát hién dwa trén may hoc (machine learning) Với hai phương pháp tiếp cận bên trên (tiếp cận dựa trên màu

sắc và hình dạng) thì để giải quyết bài toán phải tự giải quyết bằng

tay (manualiy) Tuy nhiên, với kiến thức này cũng có thể được phát hiện bằng cách dùng máy học

Nghiên cứu của Viola và Jones [16] là một cột mốc quan trong trong lĩnh vực thị giác máy tính (computer vision) Viola va Jones đã

phát triển một thuật toán có khả năng xác định một đối tượng trong

thời gian thực Bộ phát hiện được huấn luyện bằng cách sử dụng một tập các mẫu tích cực (positive) vả tiêu cực (negative) Nghiên cứu

gốc chỉ dành cho việc phát hiện khuôn mặt, tuy nhiên nhiều nhà

Trang 11

2.2.3 Phương pháp phân tích thành phần chính (Principal component analysis PCA)

Phương pháp phân tích thành phần chính PCA lần đầu tiên được giới thiệu bởi Karl Pearson (1901), và được phát triển một cách

độc lập bởi Hotelling (1933), và còn được gọi là phép biến đổi

Karhunen-Loeve [6]

Mục đích của phương pháp PCA là loại bỏ đi một số hướng

thành phần trong không gian đữ liệu, và chỉ giữ lại các thành phần

đặc trưng nhất

PCA giúp làm giảm số chiều của đữ liệu Hay nói theo cách

khác thay vì sử dụng các trục tọa độ của không gian cũ, PCA xây

dựng một không gian mới có số chiều ít hơn, nhưng lại có thể biểu

diễn dữ liệu tốt tương đương không gian cũ, nghĩa là đảm bảo độ

biến thiên (variability) của đữ liệu trên mỗi chiều mới

Hình 2.9 là một ví dụ kinh điển hình ảnh của một con lạc đà Cùng một con nhưng với hai góc nhìn khác nhau thì sẽ có được hai thông tin khác nhau [27]

Trang 12

10

Hoặc một ví dụ khác như hình 2.10 với một tập dữ liệu ban đầu (tập điểm màu xanh) được quan sát trong không gian 3 chiều (trục màu đen), ta dễ đàng nhận thấy 3 trục này không mô tả được dữ liệu một cách tốt nhất PCA sẽ tìm một hệ trục tọa độ mới (là trục màu đỏ), với không gian mới dữ liệu được mô tả rõ ràng hơn (hình bên phải màu đỏ) Rõ ràng hình bên phải chỉ cần 2 trục tọa độ nhưng

cách thể hiện đữ liệu tốt hơn so với hệ trục ban đầu [27] Data bases Language Reducing

| Several variables ——— Two factors

Hình 2.10 - (Minh họa PCA) Tìm các trục tọa độ mới sao cho dữ

liệu có độ biến thiên cao nhất

Một điểm rất hay nữa của PCA là các trục tọa độ trong không gian mới luôn đảm bảo trực giao đôi một với nhau, mặc dù trong không gian ban đầu, các trục có thể không trực giao

Trang 13

11

CHUONG 3

NHAN DANG BIEN BAO GIAO THONG DUNG PHUONG PHAP PCA

3.1 MO HINH HE THONG NHAN DANG BIEN BAO GIAO THONG Hệ thống được mô tả bằng sơ đồ ở hình 3.1 Cơ sở dữ Tập các biên báo Rút trích đặc ơ

giao thông đưa vào > trưng ảnh liệu sau

huấn luyện huân luyện

Ảnh đưa vào Phát hiện biển Rút trích đặc Nhân đ Kết quả

nhậndạng | PP báo giaothông [ | trunganh [7] “#7 C208 nhận dạng

Hình 3.1 - Mô hình hệ thống nhận đạng biển báo giao thông

3.2 PHAT HIEN VUNG CHUA BIEN BAO GIAO THONG TRONG ANH Mục đích của giai đoạn này là tìm ra có hay không khu vực

chứa biển báo giao thông trên khung ảnh đưa vào nhận dạng Sau đó sẽ trích xuất ra những khu vực chứa biến báo để chuyến sang giai đoạn rút trích đặc trưng

Phương pháp được sử dụng trong đề tài để phát hiện vùng chứa biển báo giao thông là sử dụng đặc trưng màu của biển báo kết hợp với phương pháp phát hién bién Canny

3.2.1 Đặc trưng của BBGT đường bộ tại Việt Nam 3.2.2 Phương pháp phát hiện biên Canny

Trang 14

12

3.3 XÂY DỰNG CƠ SỞ DỮ LIỆU

3.3.1 Thu thập hình ảnh biến báo giao thông 3.3.2 Tập cơ sở dữ liệu

Tập cơ sở dữ liệu gồm có 100 ảnh của 10 biển báo giao thông, mỗi biển báo có 10 ảnh khác nhau, kích thước của mỗi ảnh là 150x150 Hình ảnh của các biển báo giao thông được thu thập từ

Trang 15

13

3.4 RUT TRICH DAC TRUNG VA NHAN DANG BIEN BAO BANG PHUONG PHAP PCA

3.4.1 Chuyển đổi ảnh

Giả sử có tập S gồm M ảnh trong không gian hai chiều (2-D), mỗi ảnh đều có kích thước RxC Mỗi ảnh sẽ được chuyển thành một vector cột (còn gọi là ma trận cột) có độ dài N=R*C, khi đó: S={[Xh, X¿, ; Xw] Với: X¡=(A11 8n 8a1 mi)” X;E(AI; 8ạ; tạa 8x2)" X3=(a13 93 233 4n3) XM=(AIM 82M 84M- ano) Tổng quat: X; = (aj; a9; a3; 8M) i=1,M

Trong do: T la chuyén VỊ của ma trận X;

Trang 16

14 đ11 + đ12 + A43 +:-+aQiy m, _, 1 | G1 + 22 +23 + + Any m2 m= yl đại + 432 + G33 to + Agu | = | Ms (3.9) N1 + Ay2 + đn3 +++ Any mn Vi dụ: Từ tập đữ liệu huấn luyện trên ta tính được ảnh trung bình như hình 3.13

Hình 3.13 - Ảnh trung bình của tập cơ sở dữ liệu

3.4.3 Trừ mỗi ảnh cho ảnh trung bình

Trang 17

15

Xây dựng ma trận từ các ?t„ vừa tìm được

Dat: A= (Nm Nom N3m + Nym) sé duoc ma tran kích thước NxM Từ tập cơ dữ liệu trên ta tính được các ảnh như hình 3.14 < š ` = ` ` \ _, _— | Hình 3.14 - Tập các ảnh trừ đi ảnh trung bình

3.4.4 Xây dựng ma trận hiệp phương sai (Covariance) Nhăm mục đích thể hiện sự tương quan của từng vector đối với các vector còn lại trong không gian Ma trận hiệp phương saI:

cov = AX AT (3.11)

Trang 18

16

Trong thực 6, gia su tồn tại một ảnh có kích thước 200x230, thì khi đó kích thước của ma trận cov là 46000x46000 (N?) Vì kích thước này quá lớn nên rất khó để tính trực tiếp trị riêng và vector riêng theo cách này Vì vậy, áp dụng lý thuyết đại số tuyến tinh: A,, x¡ có thể tính bằng cách giải quyết trị riêng, vector riêng của ma trận

ATA (kích thước MXM nhỏ hơn nhiêu so với NXN)

Đặt # và đ, là các trị riêng và vector riêng của ma trận A‘A Khi đó ta có:

ATAd;, = yd;

Nhân mỗi về của công thức trên cho A sẽ được: AAT(Ad,) = p;(Ad;) voi X = Ad;

Điều này cho thấy: Ad; là vector riêng của ma trận A.AT ứng với trị riêng „; Tức là: các vector riêng (x;) và các trị riêng (Â;) đầu tiên của A.AT tương ứng chính là tích (A với vector riêng d; của

AT.A) và jụ

Thông thường, ta chỉ cần chọn ra tập V gồm Q vector riêng ứng với Q trỊ riêng lớn nhất của ma trận AT.A, khi đó: E=A.V chính là tập các vector riêng của ma trận A.AT

Sau khi có các vector riêng của ma trận A.AT, ta sẽ chuẩn hóa chúng để thu được một cơ sở trực chuẩn của không gian biển báo (bằng cách chia mỗi vector cho độ đài của vector đó)

Trang 19

17 Tập các vector ảnh đặc trưng được biểu diễn như hình 3.15 Fone Beene ' XI NXÀ EISISĐ© Hình 3.15 - Tap các vector đặc trưng của tập CSDL 3.4.5 Phép chiếu

Chiếu lần lượt các ảnh trong cơ sở đữ liệu đến không gian đặc trưng E, để sinh ra các biên báo đặc trưng trong không gian mới này

QD; = [x7 *2 X3 Xe] Nim (3.12)

— rr > — T ` y v 2

Voi [E]’ = [x7 X27 X3 Xq| 1a cdc vector dac trưng của

các biển báo đã rút trích ra được (gọi là các eigensignal)

Va Nim là vector ảnh thứ ¡ trừ đi ảnh trung bình, với i = 1,M

3.4.6 Ảnh cần nhận dạng

Chuyên đôi ảnh cần nhận dạng thành vector cột:

Trang 20

18

Tính sự sai sô của ảnh cân nhận dạng với ảnh trung bình của các ảnh trong cơ sở đữ liệu

Được vector sai sO sau: TỊ — Trị 5 Tạ —Tn; T= T3 — M3 (3.14) Tn — My Chiếu sai số này lên không gian đặc trưng của các biến báo — — — —1Ï — 0„ = [xi %3 #3 Xg] -Fm (3.15) Ví dụ minh họa: Độ lệch của ảnh với ảnh trung bình của tập CSDL Ảnh cần nhận dạng trưng Hình 3.16 - Minh họa các bước thực hiện đối với ảnh cần nhận dạng 3.4.7 Nhận dạng biến báo

Trang 22

20

CHUONG 4

KET QUA THU NGHIEM VA NHAN XET

Hệ thống nhận dạng biến báo giao thông là tập hợp của các quá trình xử lý như: Tiền xử lý ảnh, xác định biển báo giao thông có trong ảnh, trích chọn đặc trưng biển báo, nhận dạng biến báo Vì vậy việc kiểm thử cũng được tiến hành qua từng giai đoạn một để mang lại cái nhìn tổng quan nhất cho hệ thống nhận dạng BBGT Trong chương này tôi cài đặt, thử nghiệm chương trình với tập đữ liệu gồm

10 mẫu BBGT, mỗi biển báo gồm 10 mẫu con khác nhau Việc phát

hiện, khoanh vùng BBGT, tùy chỉnh kích thước của BBGT được áp dụng băng các phương pháp do tôi đề xuất, đã được trình bày ở chương 3

4.1 MÔI TRƯỜNG VÀ CÔNG CỤ CÀI ĐẶT THỨ NGHIỆM 4.2 MAU DU LIEU HUAN LUYEN VA KIEM TRA

Hinh anh BBGT duoc thu thap tir Internet va dugc chup tir thực tế băng máy ảnh Nikon

Tập cơ sở dữ liệu gồm có 100 ảnh của 10 biển báo giao thông,

mỗi biến báo có 10 ảnh khác nhau Với bộ ảnh này, trong 10 ảnh của

một biển báo sẽ có 5 mẫu khác nhau, tức là 2 trong 10 ảnh sẽ gần

giống nhau và có 5 cặp như vậy Căn cứ vào đặc điểm này, tập dữ liệu được chia thành các tập dùng để huấn luyện và kiểm tra như sau:

Trang 23

21

Tập 2: Ứng với 5 cặp ảnh ta lần lượt lẫy 1 ảnh đưa vào tập huấn luyện và 1 ảnh đưa vào tập kiểm tra, như vậy tập kiểm tra sẽ có những bức ảnh gần giống với tập huấn luyện

Tập 3: Từ 10 ảnh của một biển báo, lấy bất kỳ 7 ảnh đưa vào tập huấn luyện, 3 ảnh còn lại đưa vào tập kiểm tra

4.3 KET QUA THU NGHIEM

4.3.1 Kết qua thử nghiệm phát hiện biến báo dùng đặc trưng màu kết hợp phương pháp Canny

4.3.2 Kết quả thử nghiệm nhận dạng biễn báo

Đầu tiên ta thực hiện việc huấn luyện tập dữ liệu mẫu:

Training

Training training complete!

Hình 4.6 - Huấn luyện thành công tập đữ liệu mẫu Kết quả thử nghiệm một số trường hợp:

Load Image Detect Recognise

”423a Cam Re Trai”

Trang 25

23

4.4 NHẬN XET KET QUÁ NHẬN DẠNG

Bảng kết quả thử nghiệm phương pháp đề nghị trên các tập đữ liệu: Bảng 4.1 - Bảng kết quả thử nghiệm đối với các tập đữ liệu r S6 anh Tập kiêm | So anh huan Sô ảnh Tỉ lệ T nhận dạng tra luyện kiêm tra , đúng đúng Tap 1 30 70 53 75.7% Tap 2 50 50 45 90.0% Tap 3 70 30 28 93.3%

Qua quá trình thử nghiệm cho thấy phương pháp phân tích

thành phần chính (PCA) có những ưu điểm về: tính đơn giản; tốc độ xử lý; khả năng học; có thể thực hiện tốt với các ảnh có độ phân giải

cao; kết quả nhận dạng rất khả quan Khi dữ liệu huấn luyện càng nhiều và đồng bộ thì độ chính xác của việc nhận dạng càng cao Như vậy, phương pháp PCA thực sự rất tốt cho việc nhận dạng biển báo giao thông PCA có thể kết hợp với các phương pháp khác để kết quả nhận dạng cao hơn Tuy nhiên, nhược điểm của PCA là rất nhạy với

Trang 26

24

KET LUAN VA HUONG PHAT TRIEN

Qua quá trình nghiên cứu và thực hiện, luận van đã đạt được những kết quả như sau: (1) Nghiên cứu tổng quan những kiến thức cơ bản về xử lý ảnh số và nhận dạng: tổng quan về các phương pháp phát hiện và nhận dạng biển báo giao thông: tìm hiểu cơ sở lý thuyết về hệ thống biển báo giao thông đường bộ tại Việt Nam, phương pháp phát hiện biên Canny và phương pháp PCA (2) Xây dựng được

tập cơ sơ dữ liệu mẫu, và ứng dụng thành công phương pháp PCA

vào trong hệ thống nhận dạng biển báo giao thông Hệ thống này đã được thử nghiệm trên bộ dữ liệu gồm một số biển báo giao thông đường bộ tại Việt Nam, kết quả mang lại rất khả quan Tuy nhiên, kết quả nhận dạng thu được nằm trong những điều kiện cụ thể; tập dữ liệu huấn luyện còn ít, chưa day đủ; ảnh nhận dạng là ảnh tĩnh Nên việc ứng dụng hệ thống này vào thực tế sẽ gặp nhiều thách thức

về điều kiện môi trường, ánh sáng, chất lượng ảnh, thời gian Phương pháp phân tích thành phân chính (PCA) thực sự rất tốt

cho việc nhận dạng biển báo giao thông Phương pháp này đạt được những ưu điểm về tính đơn giản, tốc độ xử lý nhanh, khả năng học tốt, giúp làm giảm lượng thông tin xử lý, có thể thực hiện với các ảnh

có độ phân giải cao PCA có thể kết hợp với các phương pháp khác

như: mạng nơ-ron, kỹ thuật SVM để mang lại kết quả nhận dạng cao hơn Trong tương lai, tôi sẽ tiếp tục thu thập dữ liệu mẫu, khắc phục những hạn chế và phát triển hệ thống trong thời gian thực; kết hợp phương pháp PCA với các phương pháp khác nhằm nâng cao độ

chính xác trong quá trình nhận dạng: từng bước phát triển hệ thống