Đang tải... (xem toàn văn)
MỤC LỤC LỜI MỞ ĐẦU 7 CHƯƠNG 1: MẠNG NƠRON VÀ MẠNG NƠRON TÍCH CHẬP 9 1.1.Mạng nơron và mạng nơron lan truyền ngược 9 1.1.1. Giới thiệu về mạng Nơron 9 1.1.2. Kiến trúc mạng truyền thẳng 11 1.1.3. Mạng Nơron lan truyền ngược MLP 12 1.2.Mạng nơron tích chập 19 1.2.1.Định nghĩa mạng nơron tích chập 19 1.2.2.Tích chập (convolution) 19 1.2.3. Mạng nơron tích chập 21 CHƯƠNG 2: TỔNG QUAN VỀ NHẬN DẠNG BIỂN SỐ XE 32 2.1 Khái niệm về hệ thống nhận dạng biển số xe. 32 2.1.1 Khái niệm 32 2.1.2 Lịch sử và phát triển. 32 2.1.3. Cách thức hoạt động của hệ thống nhận dạng biển số xe. 33 2.1.4. Phân loại các ứng dụng nhận dạng biển số xe. 33 2.1.5. Ứng dụng thực tiễn tại Việt Nam 34 2.1.6. Phân loại biển số xe. 35 2.2. Phương pháp nhận dạng biển số xe từ ảnh chụp của camera. 37 2.2.1. Phương pháp chuyển đổi Hough. 37 2.2.2. Phương pháp hình thái học. 38 2.3. Phương pháp nhận dạng ký tự trong biển số xe. 39 2.4. Phạm vi nghiên cứu và hướng giải quyết. 40 CHƯƠNG 3: ÁP DỤNG MẠNG NƠRON TÍCH CHẬP TRONG NHẬN DẠNG KÝ TỰ 42 3.1. Xây dựng mô hình mạng 42 3.2. Kết quả nhận dạng ký tự 44 3.3. Kết quả thực nghiệm nhận dạng biển số xe với mạng Nơron tích chập 44 3.4. Kết luận 45 3.5. Hướng phát triển của bài toán: 46 DANH MỤC TÀI LIỆU THAM KHẢO 47
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ THỊ THU HẰNG NGHIÊN CỨU VỀ MẠNG NƠRON TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI, 2016 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ THỊ THU HẰNG NGHIÊN CỨU VỀ MẠNG NƠRON TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE Ngành Chuyên ngành Mã số : Công nghệ thông tin : Kĩ thuật phần mềm : 60480103 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học: TS.Nguyễn Văn Vinh HÀ NỘI, 2016 LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng hướng dẫn Tiến sĩ Nguyễn Văn Vinh Các kết đạt luận văn sản phẩm riêng cá nhân, không chép người khác Nội dung luận văn có tham khảo sử dụng số thông tin, tài liệu từ nguồn sách, tạp chí liệt kê danh mục tài liệu tham khảo Tác giả luận văn Lê Thị Thu Hằng LỜI CẢM ƠN Em xin chân thành cảm ơn thầy, cô khoa Công nghệ Thông tinTrường Đại học Công nghệ - Đại học quốc gia Hà Nội tận tình dạy dỗ, truyền đạt cho em nhiều kiến thức quý báu Em xin tỏ lòng biết ơn sâu sắc đến thầy Ts Nguyễn Văn Vinh, người tận tình giúp đỡ truyền đạt nhiều kinh nghiệm để đề tài thực hoàn thành Xin chân thành cảm ơn bạn khoa Công Nghệ Thông Tin, Trường ĐH Công nghệ giúp đỡ, động viên nhiều trình thực đề tài Em xin chân thành cảm ơn ! Hà nội, tháng năm 2016 Học viên Lê Thị Thu Hằng MỤC LỤC DANH MỤC BẢNG DANH MỤC HÌNH DANH MỤC TỪ VIẾT TẮT Từ viết tắt CNNs ANN MLP CONV ALPR MNIST OCR GPU Tiếng anh Convolution Neural Networks Artificial Neural Network Multi Layer Perceptron convolution Automatic License Plate Number Mixed National Institute of Standards and Technology database Optical Character Recognition Graphics Processing Unit Tiếng việt Mạng neural tích chập Mạng neural nhân tạo Mạng perceptron đa tầng Tích chập Nhận dạng biển số xe tự động Viện liên hợp quốc gia Tiêu chuẩn Công nghệ sở liệu Nhận dạng ký tự quang học Khối xử lý đồ họa LỜI MỞ ĐẦU Mạng Nơron Nhân Tạo -Artificial Neural Network (ANN) mạng có khả mô học hỏi mạnh mẽ ANN mô gần hàm mục tiêu với số biến nhập xuất tuỳ ý, điểm có lẽ chưa có phương pháp trước đạt ANN có ưu điểm tuyệt vời khác, khả học Một ANN gần giống đối tượng tư Mỗi có kiến thức (Data mới) ta lại đưa cho ANN học Khả mạng nơron nhân tạo cần thiết cho vấn đề có liệu thay đổi, cập nhật toán nhận dạng mà nghiên cứu Học sâu (Deep learning) thuật toán dựa số ý tưởng từ não tới việc tiếp thu nhiều tầng biểu đạt, cụ thể lẫn trừu tượng, qua làm rõ nghĩa loại liệu Học sâu ứng dụng nhận diện hình ảnh, nhận diện giọng nói, xử lý ngôn ngữ tự nhiên… Hiện nhiều toán nhận dạng sử dụng học sâu để giải học sâu giải toán với số lượng lớn, kích thước đầu vào lớn với hiệu độ xác vượt trội so với phương pháp phân lớp truyền thống Những năm gần đây, ta chứng kiến nhiều thành tựu vượt bậc ngành Thị giác máy tính (Computer Vision) Các hệ thống xử lý ảnh lớn Facebook, Google hay Amazon đưa vào sản phẩm chức thông minh nhận diện khuôn mặt người dùng, phát triển xe tự lái hay drone giao hàng tự động Mạng nơron tích chập (Convolutional Neural Networks- CNNs) mô hình học sâu tiên tiến giúp cho xây dựng hệ thống thông minh với độ xác cao Trong luận văn cao học này, em vào nghiên cứu mạng nơron tích chập ý tưởng mô hình mạng nơron tích chập phân lớp ảnh (Image Classification), áp dụng việc xây dựng hệ thống nhận dạng biển số xe tự động Nội dung báo cáo bao gồm chương • • • Chương 1: Mạng nơron mạng nơron tích chập Chương 2: Tổng quan nhận dạng biển số xe Chương 3: Áp dụng mạng nơron tích chập nhận dạng ký tự CHƯƠNG 1: MẠNG NƠRON VÀ MẠNG NƠRON TÍCH CHẬP Mạng nơron mạng nơron lan truyền ngược 1.1 1.1.1 Giới thiệu mạng Nơron Định nghĩa: Mạng nơron nhân tạo, Artificial Nơron Network (ANN) mô hình xử lý thông tin theo cách thức xử lý thông tin hệ nơron sinh học Nó tạo nên từ số lượng lớn phần tử (nơron) kết nối với thông qua liên kết (trọng số liên kết) làm việc thể thống để giải vấn đề cụ thể Một mạng nơron nhân tạo cấu hình cho ứng dụng cụ thể (nhận dạng mẫu, phân loại liệu, ) thông qua trình học từ tập mẫu huấn luyện Về chất học trình hiệu chỉnh trọng số liên kết nơron Cấu trúc nơron nhân tạo: Hình 1.1 Cấu tạo Nơron Wk1 x1 x2 Hàm truyền Wk2 xN Đầu vào f (.) yk Đầu Hàm tổng bk Ngưỡng WkN Trọng số liên kết Các thành phần nơron nhân tạo bao gồm: • Tập đầu vào: Là tín hiệu vào (input signals) nơron, tín hiệu thường đưa vào dạng vector N chiều • Tập liên kết: Mỗi liên kết thể trọng số liên kết – Synaptic weight Trọng số liên kết tín hiệu vào thứ j với nơron k thường kí hiệu wkj Thông thường, trọng số khởi tạo cách 10 • • phương tiện giao thông (xe) vượt biên giới bất hợp pháp Việc lắp hệ thống “Nhận dạng biển số xe” trạm kiểm soát góp phần hỗ trợ công tác kiểm tra an ninh quốc gia Các trạm gác cổng: Việc lắp đặt hệ thống “Nhận dạng biển số xe” hỗ trợ tự động hóa công tác mở cổng cho xe vào Ngoài ra, hệ thống ứng dụng vào công tác chống trộm xe, bãi giữ xe tự động, điều tiết giao thông (chẳng hạn Thành phố Dublin ứng dụng công nghệ “Nhận dạng biển số xe tự động” việc điều tiết giao thông theo dạng biển số chẵn/lẻ) Hiện áp dụng hệ thống phạt xe tự động đường cách sử dụng camera (phạt nguội) dùng để giám sát xe vi phạm giao thông, sử dụng hệ thống nhận dạng biển số xe tự động, cần sử dụng phương pháp nhận dạng giảm nhiễu tốt, có độ xác cao tốc độ xử lý cao 2.1.6 Phân loại biển số xe 2.1.6.1 Quy định màu sắc ký tự biển số • • • • Biển trắng chữ đen dành cho dân Màu trắng chữ, số biển dành cho người nước NG xe ngoại giao NN xe tổ chức, cá nhân nước ngoài: Trong số mã quốc gia, số số thứ tự ( Ghi chú: Xe số 80 NG xxx-yy biển cấp cho đại sứ quán, thêm gạch đỏ số cuối 01 biển xe tổng lãnh sự.) • Biển đỏ chữ trắng dành cho quân đội Bảng 2.1 Quy định biển số cho quân đội AT Binh đoàn 12 AD QĐ 4, Binh đoàn Cửu Long BB Bộ Binh BC Binh chủng công binh BH Binh chủng hóa học BS Binh đoàn Trường Sơn BT Binh chủng thông tin liên lạc BP Bộ Tư lệnh biên phòng HB Học viện lục quân HH Học viện quân y KA Quân khu KB Quân khu KC Quân khu KD Quân khu KV Quân khu KP Quân khu KK Quân khu PP Các quân y viện 36 QH Quân chủng hải quân QK,Q P QC phòng không không quân TC Tổng cục trị TH Tổng cục hậu cần TK Tổng cục CN Quốc phong TT Tổng cục kĩ thuật TM Bộ tổng tham mưu VT Viettel 2.1.6.2 Quy định biển số cho tỉnh thành Bảng 2.2 Quy định biển số cho tỉnh thành 11 12 14 15,16 17 18 19 21 22 23 24 25 26 27 28 29-32 33 34 35 36 37 38 Cao Bằng Lạng Sơn Quảng Ninh Hải Phòng Thái Bình Nam định Phú thọ Yên bái Tuyên quang Hà giang Lào cai Lai châu Sơn la Điện biên Hòa bình Hà nội Hà tây Hải dương Ninh bình Thanh hóa Nghệ an Hà tĩnh 43 47 48 49 50-59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Đà Nẵng Đắc Lắc Đắc Nông Lâm Đồng TP.HCM Đồng nai Bình dương Long an Tiền giang Vĩnh long Cần thơ Đồng tháp An giang Kiên giang Cà mau Tây Ninh Bến tre BR-VT Quảng bình Quảng trị Huế Quảng ngãi 77 78 79 80 81 82 83 84 85 86 88 89 90 92 93 94 95 97 98 99 Bình Định Phú Yên Khánh Hòa Các đơn vị TW Gia Lai Kon tum Sóc trăng Trà vinh Ninh thuận Bình thuận Vĩnh phúc Hưng yên Hà nam Quảng nam Bình phước Bạc Liêu Hậu giang Bắc cạn Bắc giang Bắc ninh Các xe mang biển A: Xe Công An - Cảnh Sát tương ứng với tỉnh 2.2 Phương pháp nhận dạng biển số xe từ ảnh chụp camera Có nhiều phương pháp để giải vấn đề quy phương pháp sau đây: • Phương pháp dùng chuyển đổi Hough: dựa vào đặc trưng cạnh biên trích được, áp dụng phương pháp xác định đường thẳng phép biến đổi Hough để phát cặp đường thẳng gần song song ghép thành ảnh 37 • • biển số Giao điểm đoạn thẳng vùng bao chứa biển số xe Phương pháp hình thái học: dựa vào đặc trưng hình thái biển số xe màu sắc, độ sáng, đối xứng… để xác định trích ảnh biển số Phương pháp khớp mẫu: xem biển số đối tượng có khung riêng sử dụng cửa sổ dò để trích đối tượng đưa qua mạng noron (nơron network), trí tuệ nhân tạo (artificial intelligence) chẳng hạn để phân loại có phải vùng biển số hay không 2.2.1 Phương pháp chuyển đổi Hough Dò đặc trưng biên ngang, dọc: làm bật viền bao tất đối tượng ảnh có viền bao biển số Phương pháp sử dụng lọc gradient để trích đặc trưng cạnh biên Nghiên cứu sử dụng lọc Sobel để tiến hành dò Dùng chuyển đổi Hough tìm đoạn thẳng ngang dọc cở sở ảnh nhị phân biên cạnh thu từ bước Tách đoạn thẳng ngang, dọc cạnh biển số Trích ứng viên biển số: thành lập hình chữ nhật ứng viên cho biển số với tiêu chí cụ thể đoạn thẳng thu qua đánh giá kích thước, tỉ lệ chiều rộng chiều cao so với ngưỡng Ưu điểm: độ xác cao, không phụ thuộc vào màu sắc biển số xe Nhược điểm: Độ phức tạp tính toán cao Khi ảnh có thêm nhiêu đối tượng khác khối lượng tính toán tăng lên nhiều mục đích phải xác định vùng chứa biển số xe phụ thuộc lớn vào bước trích đặc trưng biên cạnh dẫn đến đoạn thẳng ứng viên thu thường ngắn nhiều so với chiều dọc chiều ngang biển số 2.2.2 Phương pháp hình thái học Nhóm tác giả Chirag N Paunwala, 2012 đại diện cho phương pháp này, với kết nhận dạng tốt 99.5% [7] Nội dung phương pháp: Dựa vào đặc trưng quan trọng biển số xe máy có độ sáng (tức mức xám chuyển ảnh dạng xám) tương đối khác so với vùng khác ảnh, phân bố mức xám đồng biển số nhị phân hoá, vùng biển số đối tượng có đặc thù hình thái, phân biệt với vùng khác Như bước thực là: 38 • • Xác định ngưỡng xám Thực chất phương pháp chọn cho ngưỡng xám để thực Thay vào đó, ngưỡng xám quét khoảng Thông qua lược đồ xám ta nhận thấy vùng biển số thường có độ sáng tương đối lớn (từ 130-200) ta xác định ngưỡng xám cần chọn thuộc vùng nhờ ta giảm thời gian lặp tìm ngưỡng xám • Nhị phân hoá ảnh xám đầu vào với ngưỡng xám xác định • Lọc nhiễu gây ảnh hưởng xấu tới đối tượng biển số • Gắn nhãn cho đối tượng ảnh nhị phân thu Trích đối tượng ứng viên biển số theo tiêu chí cụ thể biển số xe chiều cao, chiều rộng, tỉ lệ cạnh, diện tích, trọng tâm, số điểm cắt… Hình 2.1 Ảnh xám lược đồ xám ảnh 2.3 Phương pháp nhận dạng ký tự biển số xe Phương pháp phổ biến để nhận dạng ký tự sử dụng kỹ thuật học máy (như SVM, K-NN, ANN…), tức huấn luyện cho máy tính để nhận dạng ký tự Tuy nhiên số lượng ký tự biển số không nhiều nên để đảm bảo tốc độ xử lý, sử dụng phương pháp Hình thái 39 học để giải khâu ký tự có đặc điểm hình thái đặc biệt phân biệt với chẳng hạn “0” có lỗ trống giữa, “8” có lỗ trống hay “X” đối xứng trục dọc ngang…Khâu thực sở xây dựng nhị phân tối ưu đặc điểm hình thái nên đảm bảo tính khoa học tính xác cao Thuật toán bước sau: • • • • Quan sát chọn đặc tính phân biệt ký tự để xây dựng ma trận đặc tính Xây dựng nhị phân tối ưu từ ma trận đặc tính tập ký tự thu Quan sát nhị phân, kiểm tra số đặc tính đủ để nhận dạng chưa, thiếu (dư) phải bổ sung (bỏ đi) quay lại bước Tiến hành nhận dạng ký tự sở nhị phân tối ưu tìm 2.4 Phạm vi nghiên cứu hướng giải Trong luận văn này, công việc cần phải giải vấn đề phát vùng chứa biển số xe nhận dạng ký tự biển số Với toán phát vùng chứa biển số cách tiếp cận theo phương pháp hình thái học để phát vùng biển số cho biển đăng ký xe Việt Nam Bài toán nhận dạng ký tự sử dụng mô hình mạng Nơron tích chập để tiến hành nhận dạng Một số đặc điểm để nhận dạng biển số xe Việt Nam a) Tiêu chuẩn kích thước (theo quy định Bộ Giao Thông Vận Tải) Ở nước thường có tiêu chuẩn kích thước định Đối với nước ta, biển số xe qui định đồng cho loại xe, tỷ lệ chiều dài, rộng cho loại xe Quy định kích thước sau: • Biển ô tô - Chiều cao: 110 mm Chiều rộng: 470 mm (biển dài) - Chiều cao: 200 mm Chiều rộng: 280 mm (biển vuông) • Biển xe máy: - Chiều cao: 140 mm Chiều rộng: 190 mm Như vậy, tỉ lệ Chiều cao / Chiều rộng là: • • 0.18 < Chiều cao/Chiều rộng < 0.3 (biển số có hàng) 0.6 < Chiều cao/Chiều rộng < 0.85 (biển số xe có hàng) Từ đặc điểm này, ta xác định vùng có khả biển số theo ràng buộc kích thước b) Tiêu chuẩn ký tự Theo đo đạc biển số thực tế, ký tự thường có tỷ lệ kích thước chiều rộng, chiều cao tương ứng với chiều dài rộng biển số xe Ví 40 dụ, chiều cao ký tự nhỏ 85% chiều cao biển số xe lớn 60% chiều cao biến xe biển số xe có hàng, với biển số xe có hai hàng chiều cao kí tự không 50% chiều cao biển số xe Chiều rộng ký tự thường không lớn 20% chiều cao ký tự Mỗi ký tự biển số xe xem vùng liên thông hay contour (bao đóng) Do đó, đếm số contours thỏa mãn tính chất ký tự Ở nước ta có số ký tự biển số xe nằm khoảng đến ký tự Từ phân tích trên, tóm tắt phương pháp thực chương trình nhận dạng sau: Bước 1: Ảnh đầu vào ảnh màu BGR, tiền xử lý thuật toán xử lý ảnh Bước 2: Tìm contour ảnh xe (Mỗi contour vùng bao kín, vùng biển số vùng bao kín nên tương ứng với contour) Bước 3: Lọc contour theo tiêu chí kích thước, góc, tỉ lệ, số kí tự,… Bước 4: Xử lý kết đầu để lấy vùng biển số Bước 5: Tách ký tự vùng biển số tìm Bước 6: Đưa tập ký tự tách vào mạng Nơron để nhận dạng Bước 7: Đánh giá kết nhận dạng biển số xe 41 42 CHƯƠNG 3: ÁP DỤNG MẠNG NƠRON TÍCH CHẬP TRONG NHẬN DẠNG KÝ TỰ 3.1 Xây dựng mô hình mạng Sau tách ký tự dạng ảnh từ biển số xe, bước cần nhận dạng ký tự từ ảnh chuyển text Để nhận dạng ký tự có nhiều phương pháp nhận dạng, KNN, SVM, mạng nơron truyền thống, Ở sử dụng mạng nơron tích chập nhận dạng ký tự số mạng nơron tích chập có độ xác cao, hiệu tốc độ xử lý tính toán nhanh mạng trước Mô hình mạng nơron tích chập xây dựng để nhận dạng ký tự sau: Hình 3.1 Mô hình mạng nơron tích chập nhận dạng ký tự số Ảnh đầu vào ảnh thô kích thước 32x32 pixel Chúng ta sử dụng ma trận chập kích thước 5x5 cho ma trận ảnh đặc trưng sau chập lần ma trận ánh xạ đặc trưng tầng chập C1, ma trận ánh xạ đặc trưng có kích thước 28x28 Tức ảnh gốc ban đầu phân tích theo chiều đặc trưng khác với ma trận chập 5x5 Do kích thước ảnh đặc trưng tầng chập C1 có kích thước 28x28 lớn, bước thực phép giảm số chiều ma trận đặc trưng (down Sampling – hay Pooling – hay subsampling) với hệ số tỷ lệ sử dụng hàm max: Ví dụ ô cạnh ma trận đặc trưng có giá trị 3,5 tạo thành ô ma trận đặc trưng subsamling : max(3,5)=5 43 Như với ma trận đặc trưng kích thước 28x28 tầng chập C1 ta tạo ma trận kích thước 14x14 tầng subsampling (S2) Tiếp tục sử dụng 16 ma trận chập kích thước 5x5 chập với ma trận tầng S2 ta 16 ma trận ánh xạ đặc trưng kích thước 10x10 tầng chập C3 Do kích thước ảnh đặc trưng tầng chập C3 có kích thước 14x14 lớn, bước thực phép giảm số chiều ma trận đặc trưng (down Sampling – hay Pooling – hay subsampling) với hệ số tỷ lệ sử dụng hàm max Kết với 16 ma trận đặc trưng kích thước 10x10 tầng chập C3 ta tạo 16 ma trận kích thước 5x5 tầng subsampling (S4) Tiếp tục sử dụng 120 ma trận chập kích thước 5x5 chập với ma trận tầng S4 ta 120 ma trận ánh xạ đặc trưng kích thước 1x1 tầng chập C5 Do đặc trưng tầng chập C5 điểm đặc trưng 1x1, ta không thực phép toán subsampling Tiếp theo ta sử dụng phép toán max để giảm kích thước tầng chập C5 tầng C5 có tới 120 node đặc trưng, ta dùng hàm max giảm xuống 84 node tầng F6 Lưu ý khối tầng từ đầu tới F6 ta sử dụng hàm kích hoạt Sigmoid dạng : f (x)= y=1/(1+e-x) để tính toán giá trị node mạng, tức y’ = f(A*I) A ảnh chập, I ma trận chập, y’ giá trị node ma trận ánh xạ đặc trưng Với 84 node tầng F6, sử dụng mô hình mạng nơron truyền thẳng với kết nối Fully Connection, với 10 outputs thiết kế sau: 44 Hình 3.2 Minh họa mạng liên kết đầy đủ (Fully Connection) Với giá trị tính công thức Ta hình dung mô hình nhận dạng kí tự số thực sau: Hình 3.3 Minh họa bước tích chập Cấu hình thử nghiệm • Máy tính: - Chip: Intel Core i3 3220 - 3.3GHz, 3MB L3 cache, Socket 1155 - RAM: 4GB - HDD: 500GB - OS: MS Windows Dữ liệu: 376 liệu: Dữ liệu từ nguồn Internet biển số xe - Huấn luyện: 300 3.2 • 45 - Test: 76 • Công cụ: - openCV [12]: Dùng hàm thư viện xử lý ảnh để bóc biển số xe - Theano[13]: Thư viện CNNs Thiết kế mạng cho toán: 3.3 - Ảnh vào: ảnh nhị phân kích thước 32x32 Sử dụng 20 ma trận chập 5x5 tạo kết 20 ma trận chập đặc trưng - kích thước 28x28 Giảm chiều ảnh sử dụng hàm softmax kết tầng pooling có 20 ma - trận kích thước 14x14 Sử dụng hàm sigmoid(softmax) cho 100 neural – ảnh tầng pooling 14x14 chọn nơron có đặc trưng cao (softmax) sau - cho qua hàm sigmoid 100 nơron sigmoid Full connection 100 nơron với 10 đầu Lan truyền ngược mạng ANN ta thu trọng số học W ij cho đầu 3.4 Kết thực nghiệm nhận dạng biển số xe với mạng nơron tích chập Ta xây dựng phần mềm nhận dạng biển số xe dựa mạng nơron tích chập, với phần nhận dạng ký tự trình bày trên, ta có kết thực nghiệm nhận dạng chữ viết tay với phần mềm mạng nơron tích chập: Cấu hình ANN CNNs Ảnh nhiễu 97% 98% Ảnh nhiễu nhiều 75% 93% Bảng 3.1 Kết thực nghiệm nhận dạng biển số xe 46 Như ảnh nhiễu ta dùng mạng ANN CNNs, kết thực nghiệm nhận dạng biển số xe cho độ xác gần Còn ảnh nhiễu nhiều, ảnh chụp phương tiện chuyển động, lúc ảnh bị nhòe, nhiễu lớn kết thực nghiệm thấy độ xác nhận dạng phương pháp CNNs cao hẳn ANN Vì CNNs thích hợp ANN việc nhận dạng đối tượng bị nhiễu lớn hay ta sử dụng ưu điểm ANN việc nhận dạng phương tiện di chuyển phạt nguội phương tiện đường giao thông 47 KẾT LUẬN Qua luận văn tốt nghiệp cao học đề tài “NGHIÊN CỨU VỀ MẠNG NƠRON TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE”, thực hiện: - Nghiên cứu tổng quan nhận dạng biển số xe tìm hiểu - số giải thuật rút trích biển số, tách ký tự, Tìm hiểu mạng nơron mạng nơron tích chập (CNNs), ưu - nhược điểm mạng Áp dụng CNNs cho toán nhận dạng biển số xe, cho kết khả quan Hướng phát triển toán: - Nâng cao hiệu chương trình, tách ly kí tự biển số trường hợp biển số bị nhiều nhiễu, mát thông tin nhiễu từ điều kiện môi trường, tìm vùng biển số ảnh có độ tương phản biển số thấp Đặc biệt biển xe có màu đỏ chữ trắng - Nghiên cứu theo hướng ứng dụng cụ thể : giám sát phương tiện giao thông, xử lý vi phạm giao thông, quản lý xe bãi giữ xe, kho vật tư… - Nghiên cứu phát triển phần mềm theo hướng tự động nhận dạng biển số xe chuyển động (Live) áp dụng phạt nguội phương tiện giao thông di chuyển, nghiên cứu kết hợp CNNs với GPU để tăng tốc độ xử lý tăng độ xác nhận dạng 48 TÀI LIỆU THAM KHẢO Tiếng Việt [1] https://ongxuanhong.wordpress.com/2015/12/29/convolutional-neuralnetworks-la-gi/ Tiếng Anh [2] http://neuralnetworksanddeeplearning.com/chap6.html [3] http://neuralnetworksanddeeplearning.com/chap2.html [4] Y LeCun and Y Bengio.“Convolutional networks for images, speech, and time-series.” In M A Arbib, editor, The Handbook of Brain Theory and Nơron Networks MIT Press, 1995 [5] Fabien Lauer, ChingY Suen, Gérard Bloch,”A trainable feature extractor for handwritten digit recognition“,Elsevier, october 2006 [6] Patrice Y Simard, Dave Steinkraus, John Platt, "Best Practices for Convolutional Nơron Networks Applied to Visual Document Analysis," International Conference on Document Analysis and Recognition (ICDAR), IEEE [7] Chirag N Paunwala & Suprava Patnaik “A Novel Multiple License Plate Extraction Techniquefor Complex Background in Indian Traffic Conditions”, Sarvajanik College of Engineering and Technology, 2010 [8] Choo Kar Soon, Kueh Chiung Lin, Chung Ying Jeng and Shahrel A Suandi , “Malaysian Car Number Plate Detection and Recognition System”, 2012 [9] Tran Duc Duan, Duong Anh Duc, Tran Le Hong Du, “Combining Hough Transform and Contour Algorithm for detecting Vehicles LicensePlates”, University of Natural Sciences, 2004 [10] Nobuyuki Otsu, "A threshold selection method from gray-level histograms”, 1979 49 [11] Suman K Mitra “Recognition of Car License Plate using Morphology”, hirubhai Ambani Institute of Information and Communication Technology, Gandhinagar, Gujarat, India [12] Các tài liệu EmguCV www.emgucv.com OPenCV www.opencv.com [13] www.Deeplearning.net/software/theano/ [14] Quoc V Le, A Tutorial on Deep Learning - Part 2: Autoencoders, Convolutional Neural Networks and Recurrent Neural Networks, qvl@google.com, Google Brain, Google Inc,1600 Amphitheatre Pkwy, Mountain View, CA 94043, October 20, 2015 50