Nghiên cứu ứng dụng mạng neural nhân tạo trong nhận dạng biển số xe mô tô hai bánh

Mạng Neural nhân tạoMô hình mạng Nẻual•Mô hình một Neural nhân tạo•Mạng Neural một lớp•Mạng Neural nhiều lớpCấu trúc mạng Neural nhân tạo•Mạng có cấu trúc tiến•Mạng hồi quyHuấn luyện mạng Neural •Huấn luyện có giám sát•Huấn luyện không giám sát•Huấn luyện tăng cường•Thuật toán lan truyền ngược•Các bước thiết lập mạngHiện tượng quá khớpNgưng huấn luyện đúng lúcứng dụng mạng Neural trong lĩnh vực nhận dạng2. cơ sở lý thuyếtHệ thống nhận dạng biển số xe mô tô hai bánh•Ưu nhược điểm của cách giữ xe truyền thống•Bài toán xây dựng hệ thống giữ xe thông minh•Bài toán nhận dạng biến số xeCác khái niệm cơ bản trong xử lý ảnh•Các loại ảnh•Phần từ ảnh (pixel )•Mức xám•Khái niệm ảnh số•ảnh nhị phân•ảnh xám•ảnh màu•chuyển ảnh màu qua ảnh xám•lược đồ mức xámCác kỹ thuật xử lý ảnh•Thuật toán Kmeans•Lọc trung vị•Lọc BobsFiltering•Phương pháp phân tích phổ tần số

MỤC LỤC Chương Một : Mạng Neural nhân tạo 1.1 Mở đầu chương 1.2 Sơ lược neural sinh học 1.3 Mạng Neural nhân tạo 1.3.1 Mô hình Neural nhân tạo 1.3.2 Mạng Neural lớp 1.3.3 Mạng Neural nhiều lớp 1.4 Phân loại cấu trúc mạng 1.4.1 Mạng có cấu trúc tiến 1.4.2 Mạng hồi quy 1.5 Huấn luyện mạng neural 1.5.1 Phương pháp học 1.5.2 Học có giám sát 1.5.3 Học không giám sát 1.5.4 Học tăng cường 1.5.5 Thuật toán lan truyền ngược 1.6 Các bước chuẩn bị thiết lập mạng 1.7 Vấn đề khớp khả tổng quát hóa mạng 1.7.1 Hiện tượng khớp 1.7.2 Cải thiện tính tổng quát hóa (ngưng huấn luyện mạng khớp) 1.8 Ứng dụng mạng Neural lĩnh vự nhận dạng 1.9 Kết luận chương Chương Hai: Cơ sở lý thuyết 2.1 Giới thiệu chương 2.2 Tìm hiểu hệ thống nhận dạng biển số xe mô tô hai bánh 2.3 Xử lý ảnh 2.3.1 Các loại ảnh xử lý ảnh 2.3.2 Các khái niệm xử lý ảnh 2.3.2.1 Phần tử ảnh (pixel) 2.3.2.2 Mức xám (gray level) 2.3.2.3 Ảnh số 2.3.2.4 Ảnh nhị phân (binary image) 2.3.2.5 Ảnh xám (gray image) 2.3.2.6 Ảnh màu (color image) 2.4 Kỹ thuật chuyển ảnh màu sang mức xám 2.5 Lược đồ mức xám 2.6 Các kỹ thuật xử lý ảnh 2.6.1 Xử lý ảnh thuật toán K-means……………………………………………28 2.6.2 Lọc trung vị (Median) 2.6.3 Lọc BlobsFiltering 2.7 Phương pháp phân tích phổ tần số (Fast Fourier Transform): 2.8 Kết luận chương Chương Ba: Xây dựng hệ thống 3.1 Giới thiệu chương 3.2 Mô hình hệ thống nhận dạng biển số xe mô tô hai bánh 3.3 Tách biển số, xử lý ảnh biển số tách ký tự chữ số 3.3.1 Tách biển số 3.3.1.1 Lọc bỏ ngoại cảnh 3.3.1.2 Tách biển số khỏi 3.3.2 Tiền xử lý ảnh 3.3.3 Tách ký tự biển số 3.4 Nhận dạng ký tự mạng Neural nhân tạo 3.5 Chương trình mô 3.6 Kết luận chương Chương Bốn: Thử nghiệm, đánh giá hướng giải đề tài 4.1 Giới thiệu chương 4.2 Thử nghiệm với ảnh chụp biển số 4.3 Nhận xét kết 4.4 Một số kết mô tả việc thử nghiệm 4.4.1 Tách biển số 4.4.2 Tách ký tự biển số 4.4.3 Nhận dạng ký tự sau tách 4.5 Hướng giải đề tài Tài liệu tham khảo…………………………………………………………… ………51 Phụ lục…………………………………………………………………………………52 MỞ ĐẦU Mạng neural nhân tạo (Artificial neural networks ) mô xử lý thông tin, nghiên cứu từ hệ thống thần kinh sinh vật, giống não để xử lý thông tin Trải qua nhiều năm phát triển, mạng Neural thực ý nhanh chóng trở thành hướng đầy triển vọng việc xây dựng máy tính thông minh gần với trí tuệ người Nhờ đặc tính mềm dẻo, dễ thích nghi với môi trường nên mạng Neural áp dụng thành công lĩnh vực nhận dạng, phân loại, giảm nhiễu, dự đoán,… Nhận dạng ký tự ứng dụng điển hình mạng Neural, nhận dạng biển số xe áp dụng rộng rãi thực tiễn, ứng dụng camera an ninh, hay bãi giữ xe thông minh Vì vậy, em chọn đề tài “Nghiên cứu ứng dụng mạng Neural nhận dạng biển số xe mô tô hai bánh” để làm đề tài đồ án tốt nghiệp cách nghiên cứu thực mô Visual Studio Để thực nội dung đồ án em cấu thành chương sau: Chương 1: Mạng Neural nhân tạo Chương 2: Cơ sở lý thuyết Chương 3: Xây dựng hệ thống Chương 4: Mô đánh giá Chương 5: Kết luận hướng phát triển đề tài Chương Một MẠNG NEURAL NHÂN TẠO 1.1 Mở đầu chương Ở chương ta tìm hiểu lịch sử đời, thành phần cấu trúc cách huấn luyện cho mạng Neural nhân tạo ứng dụng thực tiễn 1.2 Sơ lược neural sinh học Qua trình nghiên cứu não, người ta thấy rằng: não người bao gồm khoảng 1011 Neural tham gia vào khoảng 10 15 kết nối đường truyền Mỗi đường truyền dài khoảng mét Các Neural có nhiều đặc điểm chung với tế bào khác thể, chúng có khả mà tế bào khác được, khả nhận, xử lý truyền tín hiệu điện hóa đường mòn Neural, đường tạo nên hệ thống giao tiếp não Sau thành phần cấu trúc Neural não người Hình 1.1 : Mô hình neuron sinh học Trong : • Các Soma thân Neural • Các dendrites dây mảnh, dài, gắn liền với soma, chúng truyền liệu (dưới dạng xung điện thế) đến cho soma xử lý Bên soma liệu tổng hợp lại Có thể xem gần tổng hợp phép lấy tổng tất liệu mà Neural nhận • Một loại dây dẫn tín hiệu khác gắn với soma axon Khác với dendrites, axons có khả phát xung điện thế, chúng dây dẫn tín hiệu từ Neural nơi khác Chỉ điện soma vượt giá trị ngưỡng axon phát xung điện thế, không trạng thái nghỉ • Axon nối với dendrites Neural khác thông qua mối nối đặc biệt gọi synapse Khi điện synapse tăng lên xung phát từ axon synapse nhả số chất hoá học, chất mở "cửa" dendrites ions truyền qua Chính dòng ions làm thay đổi điện dendrites, tạo xung liệu lan truyền tới Neural khác Có thể tóm tắt hoạt động Neural sau: Neural lấy tổng tất điện vào mà nhận được, phát xung điện tổng lớn ngưỡng Các Neural nối với synapses Synapse gọi mạnh cho phép truyền dẫn dễ dàng tín hiệu qua Neural khác Ngược lại, synapse yếu truyền dẫn tín hiệu khó khăn Các synapses đóng vai trò quan trọng học tập Khi học tập hoạt động synapses tăng cường, tạo nên nhiều liên kết mạnh Neural Có thể nói người học giỏi có nhiều synapses synapses mạnh mẽ, hay nói cách khác, liên kết Neural nhiều não nhạy bén 1.3 Mạng Neural nhân tạo Mạng Neural nhân tạo (Artificial Neural Network) mô xử lý thông tin, nghiên cứu từ hệ thống thần kinh sinh vật, giống não bao gồm số lượng lớn Neural gắn kết với để xử lý thông tin Mạng Neural nhân tạo giống người, học kinh nghiệm (thông qua huấn luyện), lưu kinh nghiệm hiểu biết sử dụng việc dự đoán liệu chưa biết Sự kiện đánh dấu đời mạng Neural nhân tạo diễn vào năm 1943 nhà thần kinh học Warren McCulloch nhà toán học Walter Pitts viết báo mô tả cách thức Neural hoạt động Họ tiến hành xây dựng mạng Neural đơn giản mạch điện Các Neural họ xem thiết bị nhị phân với ngưỡng cố định Kết mô hình hàm logic đơn giản chẳng hạn “ a OR b” hay “a AND b” Sau đó, nhóm nhà nghiên cứu kết hợp kiến thức sinh học tâm thần học để tạo mạng neural nhân tạo hoàn chỉnh Ban đầu chế tạo dạng mạch điện tử, sau mạng neural chuyển thành chương trình mô máy tính có độ linh hoạt cao Trong thời gian gần mạng Neural phát triển mạnh mẽ với nghiên cứu mạng Neural nhiều lớp phức tạp Mặt khác khả phần cứng máy tính tăng lên nhiều góp phần vào phát triển lĩnh vực nghiên cứu Mô hình tổng quát mạng Neural hiểu đơn giản hình sau: Ngõ mong muốn Ngõ Ngõ vào Mạng Neural gồm trọng số Neural Điều chỉnh trọng số Hình 1.2: mô hình toán học tổng quát mạng Neural Tín hiệu ngõ vào sau qua mạng neural tính toán ngõ mạng so sánh với tín hiệu đích mong muốn Mạng tiếp tục cập nhật điều chỉnh trọng số ngưỡng đến thỏa mãn ngõ yêu cầu Điều kiện quan trọng việc sử dụng mạng neural phải biết mối liên hệ ngõ vào ngõ biết trước Mối quan hệ kéo theo nhiều thứ định phải tồn Tổng quát, ta sử dụng mạng neural ta xác trạng thái tự nhiên mối liên hệ ngõ vào ngõ (nếu ta biết mối liên hệ ta làm mô hình trực tiếp mà không cần mạng Neural ) Một tính khác mạng neural học mối liên hệ ngõ vào ngõ thông qua việc huấn luyện Có ba loại huấn luyện sử dụng mạng neural huấn luyện có giám sát, huấn luyện không giám sát kiểu huấn luyện tăng cường Với loại mạng khác sử dụng loại huấn luyện khác Huấn luyện có giám sát sử dụng thông dụng Trong việc học có giám sát, người sử dụng mạng phải có tập hợp liệu cần huấn luyện Tập hợp chứa ngõ vào mẫu với ngõ tương ứng mạng huấn luyện để đưa mối liên hệ ngõ ngõ vào Ngày nay, mạng Neural ngày ứng dụng nhiều thực tế Đặc biệt toán nhận dạng mẫu, xử lý, lọc liệu, điều khiển Ứng dụng mạng Neural chia thành loại sau: - Xử lý ngôn ngữ - Nhận dạng mẫu - Xử lý tín hiệu - Lọc phân loại liệu Mạng Neural nhân tạo tạo thành từ cách mô lại hệ thống thần kinh người, tức mô lại neural thần kinh gắn kết nhiều neural lại với tạo thành mạng Neural nhân tạo 1.3.1 Mô hình Neural nhân tạo Một Neural đơn vị xử lý thông tin thành phần mạng Neural Cấu trúc Neural mô tả hình w ∑ p wp + b f b Hình 1.3 : Neural ngõ vào 10 a = f(wp + b) Hình 3.9: Giải thuật thực tách cột Hình 3.8: ảnh biển số tách cột Phương pháp tách left right so sánh trung bình biên độ phổ cột pixel, phân tích từ trái qua phải, cột ngưỡng left, sau đó, cột ngưỡng right Hình 3.10: Một số biển số sau cắt 3.3.2 Tiền xử lý ảnh Sau tách biển số, công việc xử lý ảnh biển số không phần quan trọng, tất biển số rõ ràng mà tùy thuộc vào thời gian tồn biển số, ảnh hưởng điều kiện chụp ảnh (sáng, tối,…), ảnh hưởng đinh ốc, nhiễu,… Hình 3.11: ảnh biển số sau tách 45 Chuyển sang ảnh gray Hình 3.12: ảnh biển số chuyển qua gray lever Xử lý thuật toán phân ngưỡng: Hình 3.13: ảnh biển số sau xử lý thuật toán phân ngưỡng Đảo ngược màu Hình 3.14: ảnh biển số sau đảo ngược màu 46 Lọc Median loại bỏ nhiễu hạt tiêu làm mịn ảnh Hình 3.15: ảnh biển số sau lọc Median Lọc BlobsFiltering bỏ viền biển số, dấu chấm, gạch ngang, đinh ốc,… Hình 3.16: ảnh biển số sau lọc BlobsFiltering 3.3.3 Tách ký tự biển số Sau bước tiền xử lý ảnh, ta tiến hành tách ký tự đơn biển số Phân tích Histogram theo chiều ngang : ta đánh dấu vị trí tách hàng bảng số Do hàng biển số có độ cao định độ cao ký tự bảng số, nên ta chọn ngưỡng để tách hàng độ cao tối thiểu ký tự biển số Thuật toán tách hàng tương tự với tách hai biên ngang biển số Ta có lưu đồ thực sau: 47 Bắt đầu Tách hai hàng ký tự biển số Tách ký tự hàng Chuẩn hóa kích thước 10x20 Kết thúc Hình 3.17: Lưu đồ thực việc tách ký tự biển số Phân tích histogram theo chiều ngang ta tách hai hàng ký tự biển số Kết hai hàng biển số dước tách Hình 3.18: ảnh biển số sau tách hàng Phân tích Histogram theo chiều dọc ta đánh dấu vị trí tách ký tự bảng số Hình 3.19: Tách ký tự hàng 48 Sau tách ký tự riêng biệt, ta tiến hành chuẩn hóa kích thước ký tự với Ở em chọn kích thước chuẩn 20 x 10 pixel Ảnh ký tự ảnh nhị phân với pixel trắng có giá trị tương ứng 1, pixel đen có giá trị tương ứng Đây liệu đưa vào mạng Neural để huấn luyện nhận dạng Hình 3.20: Chuẩn hóa kích thước 20x10 3.4 Nhận dạng ký tự mạng Neural nhân tạo Mạng Neural mạng đa mức tiến với ba lớp, lớp vào, lớp ẩn lớp Ký tự tách từ biển 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 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 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 chất lượng mạng Và tránh tượng khớp 3.5 Chương trình mô Chương trình mô hệ thống nhận dạng biển số xe mô tô hai bánh xây dựng với giao diện sau 49 Hình 3.21: Giao diện chương trình nhận diện 3.6 Kết luận chương Chương xây dựng mô hình nhận dạng biển số xe Ban đầu ảnh chụp lại có chứa biển số xe, sau biển số xe tách khỏi ảnh nhờ phương pháp phân tích phổ tần số, tách ký tự riêng biệt, dùng mạng neural để nhận dạng ký tự 50 Chương Bốn THỬ NGHIỆM, ĐÁNH GIÁ VÀ HƯỚNG GIẢI QUYẾT ĐỀ TÀI 4.1 Giới thiệu chương Với phần mềm mô hệ thống xây dựng chương Ba, chương Bốn vào thử nghiệm thực tế với ảnh chụp biển số nhận xét kết có được, đồng thời đề hướng giải đề tài để ứng dụng vào thực tế 4.2 Thử nghiệm với ảnh chụp biển số Để thử nghiệm chương trình, ta lấy máy ảnh chụp hình lại biển số xe cho chương trình nhận dạng, với thông số ảnh hệ thống sau: Thông số ảnh thử nghiệm Loại ảnh JPEG, kênh màu RGB Vị trí chụp ảnh Phía sau xe, biển số nằm Loại biển số trung tâm ảnh Biển số dân dụng trắng phản quang chữ đen Số lượng ảnh chụp 107 ảnh Thông số hệ thống Intel Core i3-2350M - 2,30 GHz Bộ nhớ RAM 4,00 GB Hệ điều hành Windows Home Premium Ngôn ngữ lập trình Csharp 2013 Phần mềm mô Visual studio 2013 Bảng 4.1: Thông số ảnh hệ thống thử nghiệm Thử nghiệm với ảnh chụp, ta kết thống kê bảng 4.2: Số lượng ảnh thử nghiệm 107 ảnh 51 Số lượng tách biển số 79/107 ảnh Số lượng tách biển số sai 28/107 ảnh Tỉ lệ trích biển số 73,83% Số lượng tách ký tự 60/79 ảnh Số lượng tách ký tự sai 19/79 ảnh Tỉ lệ tách ký tự 75,95% Số lượng nhận dạng 33/60 ảnh Số lượng nhận dạng sai 27/60 ảnh Tỉ lệ nhận dạng 55% Tốc độ xử lý ≈ 1s Bảng 4.2: Thống kê kết thử nghiệm 4.3 Nhận xét kết Để nhận xét chương trình, ta xét toán tách biển số, tách ký tự nhận diện ký tự chương trình • Tách biển số: kết trích biển số đạt tỉ lệ tương đối (73,83%) Việc chọn ảnh để tách phần đuôi xe chương trình em cọn ảnh cho nhiều phông khác nên khiến cho việc tách biển số sai nhiều Khoảng cách chụp ảnh ảnh hưởng đến kết toán nhiều, tập ảnh chụp, có số ảnh chụp xa hay gần không trích vị trí biển số ánh sáng môi trường nguyên nhân khiến việc tách biển số sai lệch nhiều, số ảnh có vùng ảnh không chứa biển số mà mức sáng lớn kết nhận diện sai lệch Biển số bị nghiêng làm cho việc tách biển số gặp khó khăn 52 • Tách ký tự: đạt tỷ lệ tương đối (75,95%) chương trình chưa xử lý hết nhiễu ảnh Một số biển số nhiễu đinh ốc, bùn đất, tính phản xạ mặt kính bảo vệ, trầy xước biển số,…làm tăng sai số tách ký tự Nhiễu nhiều nên lọc nhiễu làm hay tăng thêm số ký tự biển số gây khó khăn cho việc nhận dạng, ví dụ số thành số 8, số với số 2, số nét thành 9,6,… • 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 Khi biển số bị nghiêng hai hàng ký tự nhiều ký tự có bề ngang lớn “dính” vào phân tích histogram 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 Các kết nhận dạng cuối chưa thực tốt, xử lý nhiễu chưa tốt biển số Thuật toán tách biển số phụ thuộc nhiều vào độ sáng ảnh khoảng cách từ biển số đến camera Thuật toán tách ký tự chưa loại bỏ hết nhiễu biển số (đinh ốc, bùn đất số ảnh có mặt gương làm phản xạ ánh sáng) Mạng Neural nhận dạng lỗi nhiều chưa huấn luyện kỹ 4.4 Một số kết mô tả việc thử nghiệm 4.4.1 Tách biển số Tỷ lệ tách biển số đạt tỷ lệ cao, số ảnh có phông sáng (chụp ngược sáng) hay khoảng cách từ biển số tới camera không phù hợp tách biển số 53 Hình 4.1: ảnh tách biển số Hình 4.2: Ảnh tách biển số sai 4.4.2 Tách ký tự biển số Do ảnh hưởng nhiễu (bùn đất đinh ốc, chói sáng,…) với phương pháp tách ký tự chưa tối ưu nên tỷ lệ tách ký tự biển số đạt tỷ lệ không cao, nhiều ký tự bị thiếu nét, thêm nét gây sai số lớn nhận dạng Hình 4.3: Ảnh tách ký tự 54 Hình 4.4: Ảnh tách ký tự sai 4.4.3 Nhận dạng ký tự sau tách Việc nhận dạng ký tự phụ thuộc nhiều vào việc tách biển số tách ký tự Nói chung ký tự tách được, không bị nét, thêm nét,… chương trình nhận dạng tốt ký tự mà trình tách bị nét (ví dụ số 0, số mà cắt nửa, số bị nét thành giống số 7) them nét (số thêm nét thành số 6, số 6, số thêm nét thành số 8)… hệ thống nhận dạng sai Hình 4.5: Nhận dạng ký tự Hình 4.6: Tách ký tự sai dẫn đến nhận dạng sai 55 4.5 Hướng giải đề tài Từ hạn chế trên, để xây dựng hệ thống vào ứng dụng thực tế, em xin đề hướng giải đề tài sau: • Xây dựng thêm hệ thống tự động chụp ảnh biển số xe xe vào cổng cách cảm biến phát tia hồng ngoại để phát xe vào vị trí • Xây dựng ứng dụng tổng quát xử lý với số trường hợp biển số đặc biệt biển số xe xanh chữ trắng, hay đỏ chữ trắng, biển số se bánh, loại xe khác • Tăng cường khả tách biển số, tách ký tự nhận dạng ký tự với khoảng cách linh động hơn, xử lý ảnh nhận dạng tốt biển số xấu Cũng điều kiện ánh sáng khác • Phát triển khả tự điều chỉnh biển số nghiêng • Tăng tốc độ xử lý hệ thống 56 TÀI LIỆU THAM KHẢO [1] Doãn Đạt Phước, Nguyễn Đồng Hải Dương, Tự động nhận dạng biển số đăng ký xe ảnh chụp từ camera, Hội nghị sinh viên nghiên cứu khoa học lần 6, Đại học Đà Nẵng – 2008 [2] Lê Minh Trung, “Mạng Nơron nhân tạo”, Nhà xuất Thống kê, 1999 [3] Nguyễn Đình Thúc, “Mạng Nơron Phương pháp ứng dụng”, Nhà xuất Giáo dục, 2000 [4] Nguyễn Phạm Anh Tuấn, Nhận dạng biển số xe, Đại học Lạc Hồng, 2010 [5] Trương Văn Thắng, “Nhận dạng biển số xe áp dụng việc quản lý giao thông”, Luận văn Thạc sĩ chuyên ngành Vật lý Điện tử, Đại học Khoa học Tự nhiên TP Hồ Chí Minh, 2003 [6] Carlos Gershenson, Artificial Neural Networks for Beginners, Website: http://arxiv.org/pdf/cs/0308031 [7] R Rojas: Neural Networks, Springer-Verlag, Berlin, 1996 [8] Website: http://www.aforgenet.com/ [9] Website: http://www.codeproject.com [10] Website: http://www.sch.vn/jqueryswfupload/uploads/5c8dadf4f3e38c75579ef677c740febe.pdf Cùng nhiều nguồn tài liệu internet 57 PHỤ LỤC Một số hàm sử dụng chương trình Lọc bỏ ảnh (Subtract class): // create filter Subtract filter = new Subtract( overlayImage ); // apply the filter Bitmap resultImage = filter.Apply( sourceImage ); Chuyển ảnh sang ảnh mức xám (Grayscale): // create grayscale filter (BT709) Grayscale filter = new Grayscale( 0.2125, 0.7154, 0.0721 ); // apply the filter Bitmap grayImage = filter.Apply( image ); Phân ngưỡng ảnh (Threshold): // create filter Threshold filter = new Threshold( 200 ); // apply the filter filter.ApplyInPlace( image ); Đảo màu ảnh (invent): // create filter Invert filter = new Invert( ); // apply the filter filter.ApplyInPlace( image ); 58 Bộ lọc Median: // create filter Median filter = new Median( ); // apply the filter filter.ApplyInPlace( image ); Bộ lọc BlobsFiltering: // create filter BlobsFiltering filter = new BlobsFiltering( ); // configure filter filter.CoupledSizeFiltering = true; filter.MinWidth = 25; filter.MinHeight = 10; filter.MaxHeight = 100; // apply the filter filter.ApplyInPlace( image ); 59 [...]... thống nhận dạng biển số xe mô tô hai bánh Đa số các bãi giữ xe mô tô hai bánh ở nước ta đều quản lí bằng cách thức thủ công đơn giản nhất đó là trong bãi giữ xe sẽ có ít nhất là hai người:  Đầu vào: Một người đọc biển số, ghi biển số xe vào vé giữ xe, bấm vào xe một phần vé xe, phần còn lại sẽ đưa cho chủ xe giữ hoặc chủ xe giữ tấm vé xe có ghi biển số của mình  Đầu ra: Một người kiểm tra số ghi... và trong bộ nhớ của máy tính biển số, ngày giờ gửi xe Nhận dạng biển số đầu vào Lưu thông tin vào máy và thẻ Giữ xe Nhận dạng biển số đầu vào Kiểm tra thông tin ở máy và thẻ Kết thúc Hình 2.1: Sơ đồ bãi giữ xe tự động Trong đó, khâu nhận dạng biển số đầu vào và đầu ra được thực hiện bởi các bước sau: Chụp hình biển số xe Tách biển số xe Tách ký tự trên biển số Hình 2.2: Phương pháp nhận dạng biển số. .. biển số 24 Nhận dạng ký tự trên biển số Với đề tài nhận dạng biển số xe đã nêu, em xin đi vào nghiên cứu ở khâu nhận dạng biển số đầu vào và đầu ra Bài toán nhận dạng lúc này được chia ra thành ba bài toán nhỏ là tách biển số xe, tách các ký tự trên xe và cuối cùng là nhận dạng ký tự Như vậy hệ thống nhận dạng sẽ bao gồm: chương trình trích biển số, chương trình tách ký tự trong ảnh chứa biển số, chương... huấn luyện đúng lúc 1.8 Ứng dụng mạng Neural trong lĩnh vự nhận dạng 21 Ứng dụng mạng Neural trong lĩnh vực nhận dạng là xây dựng một hệ thống tin học có khả năng: cảm nhận- nhận thức -nhận biết các đối tượng vật lý gần giống khả năng của con người Nhận dạng có gắn chặt với 3 khả năng trên là một lĩnh vực hết sức rộng có liên quan đến việc xử lý tín hiệu trong không gian nhiều chiều, mô hình, đồ thị, ngôn... ký tự trong ảnh chứa biển số, chương trình nhận dạng từng ký tự trong biển số Ta có các phương pháp nhận dạng như sau:  Các phương pháp trích biển số xe trong ảnh: Đây là bước không thể thiếu trong bài toán nhận dạng biển số xe, do đó có rất nhiều hướng giải quyết bài toán này Có một số Phương pháp chính như: dựa vào đặc trưng cạnh biên trích được ta áp dụng các thuật toán xác định đường thẳng như... phương pháp tách ký tự trong ảnh biển số: Sau khi trích được vùng chứa biển số, ta thực hiện tách các ký tự từ biển số thành từng ký tự đơn Dạng chung của biển số xe mô tô hai bánh hiện nay là các ký tự sẽ có cùng kích cỡ, cùng hướng và xuất hiện trên hai dòng Đây là đặc trưng rất quan trọng giúp ta đơn giản hóa bài toán này Hiện nay có một số thuật toán tách ký tự trên biển số khá hiệu quả như:dung... định Hệ thống nhận dạng phải có khả năng thể hiện được quá trình nhận thức của con người qua các mức: o Mức một : mức cảm nhận: cảm nhận được sự tồn tại các đối tượng quan sát, hay đối tượng mà hệ thống cần nhận dạng Mức này cũng đưa ra quá trình thu nhận số liệu qua các bộ cảm biến trong hệ thống nhận dạng, ví dụ trong hệ thống nhận dạng tiếng nói: đối tượng ở đây là hình biển số xe máy được chụp... hàm truyền là một trong bốn hàm sau 12 f Hình 1.5: Các hàm truyền cơ bản 1.3.2 Mạng Neural một lớp Hình 1.6 mô tả mạng Neural một lớp với : • R là số phần tử của vector đầu vào • S là số Neural có trong lớp • a = (W.P + b) là ngõ ra của mạng Hình 1.6: Mô hình mạng Neural một lớp 13 Trong đó, ma trận trọng số w được biểu diễn như sau: W= Các Neural được làm gọn thành một với trọng số w là một ma trận... Fourier, bởi vì tần số liên hệ trực tiếp đến tỉ lệ thay đổi Do đặc điểm biển số xe mô tô ở Việt Nam hầu hết là nền màu trắng, chữ màu đen, nên quá trình trích biển số trong ảnh có nền phức tạp trở nên dễ dàng hơn Muốn trích được biển số xe trong ảnh, 35 chúng ta phải làm thế nào đó lấy được tọa độ (trên, dưới, trái, phải ) tương ứng (top, bottom, left, right) của biển số 2.8 Kết luận chương Trong chương này... và mạng hồi quy 1.4.1 Mạng có cấu trúc tiến Trong mạng có cấu trúc tiến, tín hiệu đi vào các Neural ngõ vào, qua các Neural ẩn và cuối cùng đến các Neural ngõ ra Mô hình mạng giống như hình vẽ Hình 1.9: Mạng Neural cấu trúc tiến 1.4.2 Mạng hồi quy Giống mạng có cấu trúc tiến nhưng nó còn chứa các kết nối ngược trở về các Neural trước đó Mạng có thể chạy không ổn định và dao động rất phức tạp có hai