ứng dụng xử lý ảnh nhận dạng đường đi cho ô tô chạy tự động

Giới thiệu Nhận dạng đường đi là một trong những vấn đề rất quan trọng trong nhiều ứng dụng về các hệ thống hỗ trợ giao thông tự động, đặc biệt trong các hệ thống đều khiển xe tự động..

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ

HỒ VĂN THU

ỨNG DỤNG XỬ LÝ ẢNH NHẬN DẠNG ĐƯỜNG ĐI CHO Ô TÔ CHẠY TỰ ĐỘNG

NGÀNH: KỸ THUẬT CƠ KHÍ ĐỘNG LỰC – 60520116

S K C0 0 4 4 5 6

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ

HỒ VĂN THU

ỨNG DUN ̣ G XỬ LÝ ẢNH NHÂN ̣ DAN ̣ G ĐƯỜNG ĐI

CHO Ô TÔ CHAY ̣ TƯ ̣ĐÔN ̣ G

NGÀNH: KỸ THUẬT CƠ KHÍ ĐỘNG LỰC – 60520116

BỘ GIÁO DỤC VÀ ĐÀO TẠO

LÝ LỊCH KHOA HỌC

I LÝ LÍCH SƠ LƯỢC:

Họ & tên: HỒ VĂN THU Giới tính: Nam

Ngày, tháng, năm sinh: 10/01/1985 Nơi sinh: Thừa Thiên Huế Quê quán: Thừa Thiên Huế Dân tộc: Kinh

Địa chỉ liên lạc: 88/33/44 Tổ 21B

, Khu phố 6, Phường Tân Chánh Hiệp, Quận 12, Thành phố Hồ Chí Minh

Điện thoại cơ quan: Điện thoại nhà riêng:

Điện thoại di động: 090 9298 269 E-mail: hothuoto@gmail.com

II QUÁ TRÌNH ĐÀO TẠO

Đại học:

Hệ đào tạo: Chính qui Thời gian từ 09/2005 đến 05/2010

Nơi học: Trường Đại học sư phạm kỹ thuật Thành phố Hồ Chí Minh

Ngành học: Cơ khí động lực

Tên đồ án tốt nghiệp: “Biên soạn tài liệu sửa chữa động cơ phun xăng điện

tử trên các loại xe gắn máy của hãng Honda”

Ngày & nơi bảo vệ đồ án tốt nghiệp: 31/01/2010 Đại học sư phạm kỹ thuật Thành phố Hồ Chí Minh

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác

Tp.Hồ Chí Minh, ngày 02 tháng 11 năm 2014

(Ký tên và ghi rõ họ tên)

Hồ Văn Thu

Các bạn kỹ sư đồng nghiệp đã động viên ủng hộ tinh thần

Tuy thời gian thực hiện đề tài là 6 tháng, nhưng do lượng kiến thức chủ chốt

để phục vụ cho công tác nghiên cứu và thực hiện đề tài thuộc chuyên ngành điện tử

và điều khiển tự động, công nghệ thông tin nên khả năng tiếp cận và lĩnh hội của học viên chuyên ngành cơ khí động lực gặp nhiều khó khăn và hạn chế Tuy nhiên, với sự hướng dẫn và tạo điều kiện thuận lợi của Thầy TS Lê Thanh Phúc và các bạn đồng nghiệp, tôi đã lĩnh hội được rất nhiều kiến thức mới, bổ ích để phục vụ cho ngành cơ khí động lực và công tác nghiên cứu sau khi ra trường Vì vậy, một lần nữa tôi xin chân thành cám ơn quý thầy cô và các bạn

Xin chúc quý thầy cô cùng toàn thể các bạn luôn dồi dào sức khoẻ và thành công !

Tp Hồ Chí Minh, ngày 02 tháng 11 năm 2014

Người cảm tạ

Hồ Văn Thu

TÓM TẮT

Xử lý ảnh có rất nhiều ứng dụng trong hệ thống giao thông thông minh Nhận dạng đường đi cho ô tô chạy tự động là một đề tài trong số đó Nghiên cứu này sử dụng phần mềm Matlab và các Toolbox của nó là: Image Processing Toolbox, Image Acquistion System Toolbox, Computer Vision System Toolbox làm công cụ chính để thu thập và xử lý Với mô hình đường là đường nhựa với các giả định sau:

- Vân của đường là đồng nhất

- Dấu phân cách làn đường tuân theo qui luật

- Khoảng cách giữa các dấu phân cách là không đổi

Đề tài sử dụng Webcam làm bộ phận thu thập hình ảnh chính Từ hình ảnh thu được sử dụng các bộ lọc FIR 2D để lọc ảnh xám hoá Và biến đổi ảnh thành ảnh nhị phân, từ đó sử dụng phương pháp Cany và biến đổi Hough sẵn có trong Matlab để xác định các dấu phân cách đường, làn đường Tính toán khoảng cách dựa trên các dấu phân cách thu được để đưa ra tín hiệu về đường đi cho phần điều khiển xe tự động thông qua chuẩn giao tiếp RS232

Đề tài đã xây dựng được một chương trình nhận dạng đường đi và đã thực thi

có hiệu quả trên các đoạn đường thử nghiệm

ABSTRACT

Image processing has many applications in intelligent transportation system Lane detection and tracking for autonomous vehicle is the one of that This study uses Matlab software and it‟s Toolbox: Image Processing Toolbox, Image Acquistion System Toolbox and Computer Vision System Toolbox as the main tool

to collect and process The road model is assumped that:

- Texture of road are identical

- Lane makers follow lane rules

- The distance between the lane makers is constant

This project uses Webcam to collect the images From the images obtained by using the 2D FIR filter, grayscale image is achieved The image are converted into a binary image, then use Cany method and Hough transform available in Matlab to determine the lane makers and lane deparment Calculate the distance based on separator obtained to provide signal for autonomous vehicle via the standard RS232 interface

An experimental result on local streets shows that the suggested program is very reliable

MỤC LỤC Trang tựa Trang

QUYẾT ĐỊNH GIAO ĐỀ TÀI

XÁC NHẬN CỦA CÁN BỘ HƯỚNG DẪN i

LÝ LỊCH KHOA HỌC ii

LỜI CAM ĐOAN ii

LỜI CẢM TẠ iii

TÓM TẮT iv

MỤC LỤC vi

DANH SÁCH CÁC CHỮ VIẾT TẮT x

DANH SÁCH CÁC HÌNH xi

Chương 1 TỔNG QUAN 1

1.1 Tổng quan chung về lĩnh vực nghiên cứu 1

1.1.1 Giới thiệu 1

1.1.2 Ứng dụng phát hiện làn đường trên các hãng xe 5

1.2 Các kết quả nghiên cứu trong và ngoài nước đã công bố 6

1.2.1 Các kế quả nghiên cứu trong nước 6

1.2.2 Các kết quả nghiên cứu ngoài nước 7

1.3 Mục đích của đề tài 7

1.4 Nhiệm vụ của đề tài và giới hạn đề tài 8

1.4.1 Nhiệm vụ 8

1.4.2 Giới hạn đề tài 8

1.5 Phương pháp nghiên cứu 8

Chương 2 CƠ SỞ LÝ THUYẾT 10

2.1 Lý thuyết tổng quan về xử lý ảnh 10

2.1.1 Xử lý ảnh số là gì ? 10

2.1.2 Biểu diễn một ảnh số 11

2.1.3 Các vấn đề cơ bản trong xử lý ảnh 19

2.1.4 Biên và các phương pháp phát hiện biên 26

2.1.5 Các mô hình màu 26

2.2 Biến đổi Hough (Hough Transform) 30

2.2.1 Biến đổi Hough cho đường thẳng 30

2.2.2 Biến đổi Hough cho đường thẳng trong tọa độ cực 32

Chương 3 PHẦN MỀM ỨNG DỤNG 33

3.1 Matlab 33

3.1.1 Giới thiệu Matlab 33

3.1.2 Các thành phần cơ bản của Matlab 34

3.1.3 Malab GUI 42

3.1.4 Phân đoạn và tách đường viền trong Malab 44

3.1.5 Biến đổi Hough trong MATLAB 45

3.2 Image Acquisition Toolbox 50

3.2.1 Chức năng 50

3.2.2 Các bước thu thập hình ảnh cơ bản 51

3.3 Computer Vision System Toolbox 54

3.3.1 Chức năng 54

3.3.2 Các hàm xử lí video 54

3.4 Image Processing Toolbox 61

3.4.1 Đọc ảnh 61

3.4.2 Hiển thị ảnh 61

3.4.3 Ghi ảnh 62

3.4.4 Chuyển đổi giữa các lớp ảnh và các loại ảnh 63

Chương 4 CHƯƠNG TRÌNH ĐIỀU KHIỂN 64

4.1 Mô hình tổng quát 64

4.2 Chọn và thiết lập camera 65

4.3 Mô hình đường và phạm vi quan sát 66

4.4 Tiến trình xử lí ảnh 66

4.4.1 Xác định dấu phân cách làn đường 66

4.4.2 Xác định dấu phân cách trái – phải và chèn đánh dấu làn đường 69

4.4.3 Xuất tín hiệu 69

4.5 Lập trình giao diện 71

4.5.1 Các nút điểu khiển 71

Chương 5 THỰC NGHIỆM VÀ ĐÁNH GIÁ 73

5.1 Dữ liệu thực nghiệm 73

5.1.1 Địa điểm thực nghiệm 73

5.1.2 Về tốc độ xử lí 73

5.2 Các hình ảnh chạy thử nghiệm chương trình 74

5.3 Phương pháp đánh giá và tiêu chí đánh giá 75

5.4 Tiêu chí về tốc độ 75

5.5 Đánh giá về độ chính xác 76

5.6 Đánh giá về sự sai lệch 76

Chương 6 KẾT LUẬN 78

6.1 Kết quả đạt được của đề tài 78

6.2 Những vấn đề còn tồn tại 78

6.3 Hướng phát triển đề tài 79

TÀI LIỆU THAM KHẢO 80

Các trang Web 82

PHỤ LỤC 83

A Chương trình chính 83

B Xác định dấu chỉ làn đường 90

C Xác định dấu phân cách trái / phải 91

D Nút Start Webcam 93

E Nút Detection & Tracking 94

F Nút Stop 101

G Nút Exit 102

H Nút Connect 102

I Nút Send 105

DANH SÁCH CÁC CHỮ VIẾT TẮT

MATLAB Maxtrix Laboratory

CMU Carnegie Mellon University

MIT Massachusetts Institute of Technology

DARPA Defense Advanced Research Projects Agency HDTV High-definition television

ROI Regions of Interest

RGB Red, Green, Blue

HSL Hue, Saturation, Luminance

2D Two Demension

TIFF Targed Image File Format

JPEG Joint Photographics Experts Group

GIF Graphics Interchange Format

BMP Window Bitmap

PNG Portable Network Graphics

XWD X Window Dump

PCX Personal Computer Exchange

CMY Cyan, Magnenta, Yellow

DANH SÁCH CÁC HÌNH

Hình 1.1: Minh họa các mục tiêu khác nhau trong bài toán phát hiện làn đường 2

Hình 1.2: Những ví dụ về các tình huống trong bài toán phát hiện làn đường 3

Hình 1.3: Mô hình tổng quát giải quyết bài toán phát hiện làn đường 5

Hình 1.4: Hệ thống hỗ trơ ̣ làn đường 5

Hình 2.1: Ảnh tương tự và ảnh số hóa 11

Hình 2.2: Điểm qui chiếu không gian củ a điểm ảnh (0,0) 12

Hình 2.3: Ảnh nhị phân 13

Hình 2.4: Ảnh xám hóa 14

Hình 2.5: Ảnh màu RGB trong Matlab 15

Hình 2.6: Điểm ảnh ở trong một miền lân cận 16

Hình 2.7: Lấy mẫu hình chữ nhật liên thông 16

Hình 2.8: Các bước cơ bản trong một hệ thống xử lý ảnh 19

Hình 2.9: Biểu diễn ảnh bằng ma trận điểm 20

Hình 2.10: Sơ đồ chung của hệ thống nhận dạng 23

Hình 2.11: Ảnh thu nhận và ảnh mong muốn 24

Hình 2.12: Các mô hình màu 27

Hình 2.13: Hệ to ̣a đô ̣ màu RGB 28

Hình 2.14: Mô hình màu HSV 29

Hình 2.15: Bảng chỉ số giá trị 0 31

Hình 2.16: Đường thẳng Hough trong hệ tọa độ Đề-các 32

Hình 3.1: Giao diện khi khởi động 33

Hình 3.2: Cửa sổ làm việc 35

Hình 3.3: Của sổ GUIDE Quick Start 42

Hình 3.4: Cửa sổ tương tác 43

Hình 3.5: Ảnh tách biên 45

Hình 3.6: Ảnh góc mạch điện 46

Hình 3.7: Dùng biến đổi Hough 47

Hình 3.8: Kết quả dùng houghpeaks 48

Hình 3.9: Kết quả sử dụng hàm houghlines 50

Hình 3.10: Mở file video dùng vision.VideoPlayer 55

Hình 3.11: Ảnh cường độ 57

Hình 4.1: Mô hình tổng quát 64

Hình 4.2: Mô hình cụ thể 65

Hình 4.3: Vùng quan tâm 67

Hình 4.4: Ảnh được trích xuất 67

Hình 4.5: Hình giới hạn quan sát 68

Hình 4.6: Ảnh cường độ 68

Hình 4.7: Ảnh nhị phân 68

Hình 4.8: Chương trình mô phỏng Proteus 70

Hình 4.9: Chương trình tạo Virtual Serial Port Driver 70

Hình 4.10: Giao diện người dùng 71

Hình 4.11: Giao diện 72

Hình 5.1: Vị trí khi đi đúng làn đường 74

Hình 5.2: Lệch trái 74

Hình 5.3: Lệch phải 75

Hình 5.4: Sai lệch do dấu chỉ đường ……… 77

Chương 1 TỔNG QUAN

1.1 Tổng quan chung về li ̃nh vực nghiên cứu

1.1.1 Giới thiệu

Nhận dạng đường đi là một trong những vấn đề rất quan trọng trong nhiều ứng dụng về các hệ thống hỗ trợ giao thông tự động, đặc biệt trong các hệ thống đều khiển xe tự động Cùng với sự phát triển vượt bậc vềt độ xử lý của máy tính, giá thành của các thiết bị hỗ trợ ngày càng giảm thì các nghiên cứu về hệ thống điều khiển xe tự động ngày càng được phát triển cùng với sự phát triển của hệ thống giao thông thông minh Đã có nhiều nghiên cứu tập trung vào bài toán phát hiện làn đường và một số kết quả bước đầu đạt được đã cho thấy những tín hiệu khả quan Trong bài toán phát hiện làn đường có 3 loại mục tiêu chính là: (i) cảnh báo khi chuyển làn đường, (ii) hỗ trợ người trong quá trình lái xe, và (iii) điều khiển xe tự động

i) Hệ thống thông báo khi chuyển làn đường 1 : Trong mục tiêu này, yêu cầu

đặt ra là hệ thống phải thông báo được khi xe thay đổi làn đường Vấn đề quan trọng nhất cần giải quyết ở đây là làm sao dự đoán được chính xác quỹ đạo của xe tương ứng với đường biên của làn đường

ii) Hệ thống hỗ trợ người điều khiển xe 2 : Trong mục tiêu này, vấn đề quan

trọng là giúp người điều khiển xe chú ý được làn đường dễ dàng hơn Hay nói cách khác, người điều khiển sẽ được hệ thống gợi ý các làn đường Hầu hết các nghiên cứu đều tập trung ở mục tiêu này

iii) Hệ thống hỗ trợ điều khiển xe tự động 3 : Với mục tiêu hỗ trợ điều khiển

xe tự động, yêu cầu đặt ra là hệ thống cần đưa ra được làn đường sắp tới mà xe sẽ di

chuyển Vấn đề quan trọng đối với mục tiêu này là hạn chế được sai số tính toán trong việc ước lượng vị trí của xe và làn đường

Hình 1.1: Minh họa các mục tiêu khác nhau trong bài toán phát hiện làn đường a) Mục tiêu khi thay đổi làn đường b) Mục tiêu hỗ trợ người điều khiển xe c)

Mục tiêu điều khiển xe tự động [1]

Trong các mu ̣c tiêu trên , mục tiêu phục vụ cho hệ thống điều khiển xe tự động được đánh giá là khó nhất Hiện tại hướng nghiên cứu này đang thu hút được nhiều sự quan tâm của các nhóm nghiên cứu, trong đó có cả những nhóm lớn như nhóm của CMU4, hay nhóm của MIT5 với những cuộc thi lớn như DARPA Nghiên cứu của đề tài nằm chủ yếu ở mục tiêu này

Tuy vậy vẫn còn nhiều khó khăn tồn tại trong việc giải quyết bài toán với mục tiêu này nói riêng cũng như toàn bộ bài toán phát hiện làn đường nói chung Các khó khăn có thể chỉ ra như sau:

- Phần lớn yêu cầu đòi hỏi ứng dụng phải xử lý ở thời gian thực Trong rất nhiều nghiên cứu, như ở [2] các kết quả đạt được khá tốt, tuy nhiên nghiên cứu này vẫn chưa thực thi được trong thời gian thực

4

Carnegie Mellon University

- Sự khó khăn do các dấu phân cách làn đường (lane-marking) không rõ nét hoặc bị che lấp… Các ví dụ này được thể hiện trong Hình 1.2 được lấy từ kết

quả khảo sát của McCall và cộng sự trong [1]

Hình 1.2: Những ví dụ về các tình huống trong bài toán phát hiện làn đường a) Làn đường thông thường b) Làn đường bị che bởi bóng nắng c) Làn đường không rõ nét d) Làn đường kết hợp nhiều loại e) Làn đường bị che bởi bóng

cây f) Làn đường hoàn toàn bị mất dấu [1]

- Sự phức tạp của địa hình Trong phần lớn các nghiên cứu như [3], [4], [5],

[6], [7], và [8] đều giả định mặt đường cần xử lý là phẳng Cho đến thời điểm thực hiện đề tài, có rất ít nghiên cứu như ở [9] là tiếp cận theo hướng toàn bộ đường theo dạng 3 chiều

- Độ cong của làn đường: Độ cong của làn đường là một phần rất quan trọng

cho việc giải quyết bài toán Một số nghiên cứu giả định làn đường chỉ là những đoạn thẳng như ở [8], hay là những đường cong B-spline như ở [2] Một số khác, chỉ xét làn đường như những đường cong có độ cong rất nhỏ như [9] và [10] Để đạt được giả định này, các nghiên cứu đã tiến hành chuyển ảnh sang chiều nhìn từ trên xuống (top-down view hay còn được gọi

là bird‟s eye view) như ở [10], [5], [7], và [8]

- Các tình huống phức tạp: khi gặp giao lộ, hoặc khi làn đường thay đổi độ

lớn, hay làn đường phân đôi hoặp ghép lại… cho tớ i thời điểm thực hiê ̣n đề tài, vẫn chưa th ấy có nghiên cứu nào tiếp cận đến việc giải quyết các tình huống này

Vì những lý do khó khăn kể trên cũng như tầm quan trọng của bài toán, vấn

đề đặt ra cho đề tài là tìm ra phương pháp hiệu quả để có thể một mặt thực thi được trong thời gian thực, mặt khác giải quyết được phần lớn các khó khăn kể trên, đặc biệt hỗ trợ được cho mục tiêu ứng dụng vào hệ thống điều khiển xe tự động

Mô hình tổng quát giải quyết vấn đề

Hình 1.3: Mô hình tổng quát giải quyết bài toán phát hiện làn đường [9]

1.1.2 Ứng dụng phát hiện làn đường trên các hãng xe

Hình 1.4: Hê ̣ thống hỗ trợ làn đường [28]

Hê ̣ thống hổ trợ làn đường có thể hổ trợ và cảnh báo khi người lái xe vô ý rời khỏi làn đường hoặc chuyển làn đường mà không có tín hiệu Trên các tuyến đường dài, người lái có thể vô tình để chiếc xe trôi ra lề đường hoă ̣c qua làn đường khác Điều này dễ gây nên tai na ̣n bởi khi người lái phát hiê ̣n ra , họ thường hoảng hốt

Mô ̣t số nhà sản xuất đã phát triển công nghê ̣ cảnh báo ngườ i lái xe khi xe di chuyển gần tới va ̣ch kẻ đường bằng âm thanh hoă ̣c rung tay lái , hoặc hổ trơ ̣ điều khiển tay lái để giữ cho xe đi đúng làn đường Các nhà sản xuất rất quan tâm tới người lái trong cảnh báo, nên mô ̣t vài hãng xe chỉ cảnh báo ở tốc đô ̣ cao

Hê ̣ thống được thực hiê ̣n bởi các camera gắn trước gương chiếu hâ ̣u để theo dỏi làn dường được đánh dấu bởi các vạch chỉ đường Hiê ̣u quả của hê ̣ thống này sẽ giảm nếu thời tiết xấu, ví dụ như trời mưa hoă ̣c có tuyết

Mô ̣t số hãng xe sử du ̣ng Lane Support Systems điển hình:

- Skoda: Skoda Lane Assistant (2013) trên xe Skoda Octavia 2013

- Audi: Audi Active Lane Assist (2012) trên xe Audi A3

- Ford: Ford Lane Keeping Aid (2011) trên xe Ford Focus 2012, Ford Lane

Keeping Alert (2012) trên xe Ford Transit Custom 2012

- Seat: Seat Lane Assist (2012) trên xe Seat Leon 2012

- Infiniti: Infiniti Lane Departure Prevention (LDP) (2011) trên xe Infiniti FX

2009

- Opel: Opel Eye (2010) trên xe Opel/Vauxhall Astra GTC 2011, insignia,

Zafiratourer

- Volkswagen: Volkwagen Lane Assist (2010) trên xe Golf, Passat 2005

Và gần đây nhất là hai hãng xe nỗi tiếng là Mercedes-Benz và Nissan đã thử nghiệm xe tự lái trên S500 Intelligent Drive và Nissan Leaf Dự kiến sẽ tung ra thị trường trong thời gian sớm nhất [30]

1.2 Các kết quả nghiên cứu trong và ngoài nước đã công bố

1.2.1 Các kế quả nghiên cứu trong nước

Ở nước ta, nền công nghiệp ô tô phát triển chưa mạnh so với sự phát triển ngành này như ở nước trong khu vực và trên thế giới Điều kiện đường sá cũng như các hệ thống giao thông thông minh phát triển chưa đúng mức, và đúng chuẩn Do

đó, cho tới thời điểm này chưa có một công trình nghiên cứu nào về nhận dạng làn đường cho ô tô chạy tự động ở Việt Nam được công bố

1.2.2 Các kết quả nghiên cứu ngoài nước

Trên thế giới đã có nhiều nghiên cứu về nhận dạng làn đường cho ô tô với nhiều mục đích cũng như sử dụng các phương pháp tiếp cận khác nhau Trong đó, điển hình là các nghiên cứu của Nicholas Apostoloff và Alexander Zelinsky với đề tài “Robust vision based lane tracking using multiple cues and particle filtering" năm 2003 Nichlas và Alexande đã sử dụng hai phương pháp đó là Particle filtering

và Multiple cues để phát hiện biên cũng như theo dỏi làn đường [3]

Nghiên cứu của M Bertozzi và A Broggi về đề tài "GOLD: A parallel time stereo vision system for generic obs a le and lane detection" năm 1998 Thu thập dữ liệu song song của camera để phát hiện làn đường cũng như chướng ngại vật dựa trên hàng loạt bộ lọc hình thái học để đưa ra cảnh báo cho người lái xe.[4]

Nghiên cứu của ZuWhan Kim về đề tài "Realtime Lane Tracking of Curved Local Road" công bố năm 2006 sử dụng kỹ thuật Particle Filtering và thuật toán RANSAC (RANdom SAmple Concensus) để phát hiện làn đường.[5]

Nghiên cứu của Stephan Sehestedt, Sarath Kodagoda, Alen Alempijevic và Gamini Dissanayake về đề tài "Robust Lane Detection in Urban Environments" năm 2007 cũng sử dụng kỹ thuật Particle Filtering bằng công cụ Ora2/C++ để phát hiện làn đường.[8]

Nghiên cứu của Jiang Ruyi, Klette Reinhard và Vaudrey Tobi, Wang Shigang đã sử dụng kỹ thuật Particle Filtering và Phép Biến đổi khoảng cách Euclidean để phát hiện và theo dỏi làn đường trong đề tài “Lane detection and tracking using a new lane model and distance transform ” năm 2011.[11]

“Real-time lane tracking using Rao-Blackwellized particle filter” là đề tài được công bố năm 2012 của Marcos Nieto, Andoni Corte‟s, Oihana Otaegui, Jon Arro‟spide và Luis Salgado Nghiên cứ đã sử dụng phương pháp Rao-Blackwellized particle filter (RBPF) để phát hiện làn đường và xử lý trong thời gian thực.[12]

1.3 Mục đích của đề tài

Công nghệ xe tự lái được cho là an toàn hơn, đơn giản vì máy móc hoạt động nhanh hơn con người Số khung hình mỗi giây mà mắt thường chúng ta nắm bắt ít

hơn một máy quay tốc độ cao, não chúng ta xử lý dữ liệu và phản ứng chậm hơn CPU máy tính Và chân tay con người thua xa về tốc độ làm việc so với những cơ cấu điện tử

Ở Việt Nam, cơ sở hạ tầng giao thông đang dần được cải thiện Việc xây dựng một hệ thống giao thông thông minh là vấn đề cấp thiết trong công cuộc công nghiệp hóa, hiện đại hóa đất nước Nghiên cứu, xây dựng các công cụ hổ trợ cho hệ thống giao thông thông minh trong đó có phương tiện giao thông thông minh là yêu cầu của thời đại Ứng dụng xử lý ảnh để nhận dạng đường đi cho ô tô chạy tự động nhằm mục đích đó

1.4 Nhiệm vụ của đề tài và giới hạn đề tài

1.4.1 Nhiệm vụ

Sử dụng các công cụ xử lý ảnh để xây dựng chương trình nhận dàng làn đường cho ô tô chạy tự động

1.4.2 Giới hạn đề tài

- Nghiên cứu trên mô hình đường nhựa có dấu phân cách làn đường

- Các dấu phân cách làn đường là các vạch sơn thẳng

- Vân đường đồng nhất

- Bề rộng của làn đường, tức là khoảng cách giữa các dấu phân cách làn đường

là hằng số

1.5 Phương pháp nghiên cứu

Để thực hiê ̣n viê ̣c ứng du ̣ng x ử lý ảnh để nhận d ạng đường đi cho ô tô cha ̣y tự đô ̣ng, hướng tiếp câ ̣n của đề tài được đề xuất các bước như sau:

1 Nghiên cứ u các cơ sở lý thuyết : Lý thuyết về xử lý ảnh , xe chạy tự đô ̣ng, tham khảo và ứng du ̣ng các phương pháp của các công trình nghiên cứu đã công bố để xây dựng một phương pháp mang tính đổi mới

2 Tìm hiểu các loại camera và xác định các tham số của camera : Đây là

mô ̣t bước rất quan tro ̣ng bởi đề tài xây dựng trên cơ sở ứng du ̣ng xử lý ảnh

3 Nghiên cứ u các công cu ̣ xử lý ảnh phù hợp để thu thập và xử lý : LabVIEW, Matlab, OpenCV…

4 Thu nhận hình ảnh và xử lý dựa trên các ảnh thu nhâ ̣n được : Viết chương trình thu thập dữ liệu là hình ảnh từ các camera để nhận biết các dấu hiệu phân cách đường trên cơ sở ứng du ̣ng các phần mềm xử lý ảnh

5 Theo vết làn đường : Dựa trên kết quả của bước 4 xây dựng chương trình bám theo vết làn đường thông qua bám biên của làn đường

6 Xây dựng thuâ ̣t toán điều khiển , chương trình nhận dạng đường đi để xuất tín hiệu điều khiển phần cứng

lý ảnh số có tác động quyết định đến việc cải thiện chất lượng hình ảnh của hệ

truyền hình có đô ̣ phân giải cao (HDTV)

Người máy càng ngày càng đ óng vai trò quan trọng trong công nghiệp và gia đình Chúng sẽ thực hành những công việc nhàm chán hoặc nguy hiểm , và những công viê ̣c mà tốc đô ̣ và đô ̣ chính xác vượt quá khả năng của con người Khi người máy trở nên tinh vi hơn, thị giác máy tính (Computer Vision) sẽ đóng vai trò ngày càng quan trọng Người ta sẽ đòi hỏi người máy không những phát hiê ̣n và nhâ ̣n dạng các bộ phận công nghiệp , mà còn “hiểu” được những gì chúng “thấy” và đưa

ra những hành đô ̣ng phù hợp Xử lý ảnh sẽ có tác đô ̣ng lớn đến thi ̣ giác máy tính

Nhìn chung, những ứng du ̣ng của xử lý ảnh số là vô ha ̣n

2.1.1 Xử lý ảnh số là gì ?

Xử lý ảnh số sử dụng các máy tính số, chúng được phát triển để đáp ứng ba vấn đề chính liên quan đến các bức ảnh là :

- Số hóa và mã hóa các bức ảnh để đơn giản hóa quá các quá trình truyền

thông, in ấn và lưu giữ ảnh

- Cải thiện chất lượng và khôi phục ảnh để hiểu biết nhiều hơn nội dung thông

tin chứa trong mỗi bức ảnh, chẳng hạn như các bức ảnh chụp bề mặt các hành tinh xa xôi do vệ tinh gửi về hoặc các ảnh nội soi, công hưởng từ trong khảo sát y học

- Phân đoạn và mô tả ảnh, nhằm tạo nên các ảnh như một tín hiệu lối vào cho

một hệ thống nhìn nhân tạo hoặc để tách các thông tin chứa trong một ảnh thu được [13] Phân đoạn và mô tả ảnh còn được gọi là lý giải ảnh

Những ứng dụng của lý giải ảnh bao gồm thị giác máy tính, rôbốt và nhận dạng mục tiêu Lý giải ảnh khác với các lĩnh vực khác của xử lý ảnh ở một khía cạnh chính Trong cải tiến, phục hồi và số hóa, mã hóa ảnh cả đầu vào và đầu ra đều

là ảnh, và khâu xử lý tín hiệu là phần then chốt trong các hệ thống đã thành công trên lĩnh vực đó Trong lý giải ảnh, đầu vào là ảnh nhưng đầu ra là một biểu diễn bằng một ký hiệu nội dung của ảnh đầu vào Sự phát triển thành công của hệ thống trong lĩnh vực này cần đến cả xử lý tín hiệu và những khái niệm trí tuệ nhân tạo Trong hệ lý giải ảnh điển hình, xử lý ảnh được dùng cho công việc ở mức thấp như làm giảm sự xuống cấp và trích ra những đường biên (extraction of edges) hoặc các đặc tính ảnh khác, còn trí tuệ nhân tạo được dùng cho những công việc xử lý ở mức cao như thao tác ký hiệu và quản lý tri thức [14]

Phân đoạn và mô tả ảnh là lý thuyết quan trọng trong việc thực hiện đề tài

„Ứng dụng xử lý ảnh để nhận dạng làn đường cho ô tô chạy tự động‟

2.1.2 Biểu diễn một ảnh số

2.1.2.1 Ảnh là gì ?

Một bức ảnh là hình ảnh tượng trưng (hình ảnh ảo) của một đối tượng, người hoặc phong cảnh được tạo bởi một thiết bị quang học như một tấm gương, một ống kính hoặc một máy ảnh Hình ảnh tượng trưng đó là hai chiều (2D) phản ánh thế giới thực ba chiều (3D) của đối tượng hay cảnh vật

Hình 2.1: Ảnh tương tự và ảnh số hóa [15]

2.1.2.2 Ảnh số là gì ?

Một ảnh kỹ thuật số (Ảnh số) là một biểu diễn hai chiều của một hình ảnh sử dụng một số hữu hạn các điểm điểm ảnh, hay còn gọi là phần tử ảnh, pels hoặc pixels

Thông thường, ảnh số được biểu diễn bởi ma trận hai chiều (2D) của các số thực Các phần tử của nó là biểu diễn cho các pixel số hóa Ta qui ước một ảnh số hóa là f(x,y) cho một ảnh đơn sắc có kích thước MxN, trong đó x là số hàng (từ 0 đến M-1) và y là số cột (từ 0 đến N-1)

𝑓(𝑥, 𝑦) =

𝑓(0,0) 𝑓(0,1) … 𝑓(0, 𝑁 − 1)𝑓(1,0)

(2.1)

Hình 2.2: Điểm qui chiếu không gian cu ̉ a điểm ảnh (0,0)

Giá trị của hàm f(x,y) tại tọa độ (xo,yo) là f(xo,yo) được gọi là cường độ hay mức xám của ảnh tại điểm ảnh đó Giá trị cực đại và cực tiểu của mỗi điểm ảnh phụ thuộc vào kiểu dữ liệu và qui ước được sử dụng Phạm vi thông thường từ 0.0 (đen) đến 1.0 (trắng) cho kiểu double và 0 (đen) đến 255 (trắng) cho kiểu dữ liệu uint8

Mô ̣t ảnh số có 3 thuô ̣c tính cơ bản: Độ phân giải của ảnh , đô ̣ nét và số lượng lớp Trong đó, số lớp trong ảnh tương ứng với số mảng điểm ảnh chứa trong ảnh

Mô ̣t ảnh đen trắng có một lớp

Trong Matlab, và các công cụ xử lý ảnh của nó định nghĩa các điểm ảnh bắt đầu từ chỉ số 1 Ta qui ước f(p,q) để chỉ ảnh f(x,y) trong Matlab, biểu diễn ảnh trên trở thành:

𝑓(𝑝, 𝑞) =

𝑓(1,1) 𝑓(1,2) … 𝑓(1, 𝑁)𝑓(2,1)

Hình 2.4: Ảnh xám hóa [16]

Trong Matlab, ảnh cường độ (ảnh xám) có thể được sử dụng dựa trên nhiều kiểu dữ liệu khác nhau Ví dụ, ảnh đơn sắc thuộc kiểu dữ liệu uint8 và uint16 thì giá trị mỗi điểm ảnh nằm trong đoạn [0,255] và [0, 65535], ảnh đơn sắc thuộc kiểu double thì giá trị mỗi pixel nằm trong đoạn [0.0,1.0]

rỏ bởi các giá trị màu sắc là Hue , sự bảo hòa là Saturation và cường đô ̣ sáng là Luminance

Trong Matlab, ảnh màu RGB tương ứng với một mảng 3 chiều (3D) MxNx3, trong đó M và N là số hàng và số cột, còn 3 thể hiện 2 lớp màu

Hình 2.5: Ảnh màu RGB trong Matlab [16]

Mỗi pixel bao gồm 3 giá trị màu R,G,B như Hình 2.5 Ảnh RGB thuộc lớp dữ liệu double, thang giá trị nằm trong khoảng [0.0,1.0] Trong khi đó, lớp dữ liệu unit8 và uint16 có thang giá trị là [0,255] và [0,65535] Mỗi pixel của ảnh RGB có giá trị là 24 bit (8 bit cho mỗi lớp)

2.1.2.6 Các thuật ngữ và mối quan hệ giữa các điểm ảnh

Ảnh Tô pô (Image Topology): Liên quan đến việc điều tra các thuộc tính cơ

bản của ảnh, thường thực hiện trên ảnh nhị phân với sự trợ giúp của các toán tử hình thái Chẳng hạn như số lần xuất hiện của một đối tượng cụ thể, số lổ hỏng của một đối tượng…

Hàng xóm (Neighborhood) : Gồm các điểm ảnh xung quanh một điểm ảnh

khảo sát tạo thành vùng lân cận, có thể xem như là một ma trận nhỏ hơn chứa điểm ảnh cần xem xét Hầu hết các miền lân cận được sử dụng trong thuật toán xử lý ảnh

là ma trận vuông nhỏ với một số lẽ điểm ảnh, ví dụ 3x3

Hình 2.6: Điểm ảnh ở trong một miền lân cận [16]

Cho điểm ảnh p (x,y) : 4 tọa độ hàng xóm với cột và hàng có tọa độ lần lượt

là (x+1, y), (x-1, y), (x, y+1), (x, y-1) ký hiệu là tập N4(p) (Hình 2.7a) 4 điểm ảnh hàng xóm theo đường chéo có tọa độ lần lượt là (x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1, y-1) ký hiệu là tập ND(p) (Hình 2.7b) Tập 8 điểm ảnh hàng xóm là hợp của 2 tập trên: N8(p) = N4(p) + ND(p) (Hình 2.7c)

Hình 2.7: Lấy mẫu hình chữ nhật liên thông [16]

Lân cận (Adjacency) : Khi các điểm ảnh hàng xóm có xét thêm một vài yếu

tố khác ví dụ như phù hợp với cường độ điểm Để có căn cứ kiểm tra quan hệ mới này người ta định ra một tập giá trị tham chiếu mà các điểm ảnh gọi là lân cận phải

có giá trị cùng thuộc về tập đó Ví dụ với một ảnh nhị phân ta có thể đặt V={1}, có nghĩa là ta xét các điểm lân cận với giá trị tham chiếu là 1 (cường độ điểm ảnh đã gọi là lân cận với nhau thì phải cùng có giá trị 1) Trong ảnh đa mức xám, ta có thể đặt V chứa nhiều giá trị hơn như V={ a >= 200 & a <= 255 } Cho p có tọa độ (x, y)

- Lân cận 4 (4 - adjacency): hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là lân cận 4 của nhau nếu q thuộc về tập N4(p) (đã trình bày ở trên)

- Lân cận 8 (8 - adjacency): hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là lân cận 8 của nhau nếu q thuộc về tập N8(p) (đã trình bày ở trên)

- Lân cận M (M - adjacency hay Mixed - Adjacency): hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là lân cận M của nhau nếu thõa 1 trong 2 điều kiện sau:

- n được gọi là độ dài của đường

- Nếu hai điểm đầu và cuối của đường trùng nhau, (x0, y0) = (xn, yn) thì ta gọi

Vùng (Region of Image): Gọi R là một tập điểm ảnh nào đó trong hình, R

được gọi là vùng ảnh nếu nó là một tập kết nối thỏa định nghĩa ở trên

- Hai vùng Ri và Rj được coi là lân cận (Adjacency) nếu hợp của chúng là một tập kết nối

- Các vùng không lân cận (not adjacent) thì gọi là disjoint

- Cũng tương tự như với điểm ảnh việc xét vùng lân cận cũng cần sự chỉ định kiểu 4, 8 hay M

Đường bao (boundary):

- Là tập các điểm có quan hệ liên kết với điểm nằm trong tập bù của vùng R

- Sự khác biệt giữa đường bao và cạnh (edge) nằm ở chổ, trong khi đường bao

là đường khép kín (closed path) bao quanh vùng (region) với một ý nghĩa toàn cục thì viền hay cạnh lại được xem xét là tập hợp những điểm ảnh mà tại đó xảy ra sự biến động về giá trị cường độ, mang tính cục bộ

2.1.2.7 Khoảng cách giữa các điểm ảnh

Có nhiều ứng dụng yêu cầu đo khoảng cách giữa các điểm ảnh Các phương pháp đo khoảng cách phổ biến nhất giữa pixel p và q có tọa độ (xo,yo) và (x1,y1) như sau:

2.1.2.8 Hệ thống xử lý ảnh số

Sơ đồ tổng quát của một hệ thống xử lý ảnh:

Hình 2.8: Các bước cơ bản trong một hệ thống xử lý ảnh [15]

Thu nhâ ̣n ảnh:

- Qua các camera (Tương tự, số)

- Từ vê ̣ tinh qua các bô ̣ cảm biến (Sensors)

- Qua máy quét ảnh (Scaners)

Số hóa ảnh: Biến đổi ảnh tương tự thành ảnh rời rác để xử lý bằng máy tính :

Thông qua quá trình lấy mẫu (rời ra ̣c về mă ̣t không gian) và lượng tử hóa (rời ra ̣c về

mă ̣t biên đô ̣)

Xử lý số : Là một tiến trình gồm nhiều công đoạn nhỏ : Cải thiện ảnh (Enhancement), khôi phục ảnh (Restoration), phát hiện biên (Egde Detection), phân vùng ảnh (Segmentation), trích chọn các đặc tính (Feature Extraction)…

Hê ̣ quyết đi ̣nh: Tùy mục đích của ứng dụng mà chuyển sang giai đ oạn khác

là hiển thị, nhâ ̣n da ̣ng, phân lớp, truyền thông…

2.1.3 Các vấn đề cơ bản trong xử lý ảnh

2.1.3.1 Biểu diễn ảnh và mô hình hóa ảnh

Biểu diễn ảnh : Ảnh có thể xem là một hàm 2 biến chứa các thông tin như

biểu diễn của mô ̣t ảnh Các mô hình biểu diễn ảnh cho ta mô ̣t mô tả logic hay đi ̣nh lươ ̣ng của hàm này Dựa vào phần tử đă ̣c trưng của ảnh đó là pixel Giá trị pixel có thể là mô ̣t giá tri ̣ vô hướng , hoă ̣c là 1 vector (3 thành phần trong trường hợp ảnh màu)

Ta có thể biểu diễn ảnh bằng hàm toán học , hoặc các ma trâ ̣n điểm Trong

mô hình toán ho ̣c ảnh hai chiều được biểu diễn nhờ các hàm hai biến S (m,n)

- (m,n): tọa độ pixel trong miền không gian 2D

- s(m,n): độ sáng (mức xám) của pixel (m,n)

- [0,Lmax]: thang mứ c xám – vùng các mức xám được phép sử dụng Lmaxthường là 255, nghĩa là sử dụng mức xám 8 bít 0 ≤ s(m,n) ≤ 255

Với 0 ≤ m ≤ M-1, 0 ≤ n ≤ N-1, ta go ̣i ảnh số MxN

Biểu diễn bằng ma trâ ̣n điểm:

Hình 2.9: Biểu diễn ảnh bằng ma trận điểm

a, ảnh thật; b, ảnh được Zoom; c, Mô ta ̉ ảnh bằng ma trận điểm [16]

Mô hình hóa ảnh:

- Mô hình cảm nhâ ̣n ảnh : Là mô hình biểu diễn thông qua các thuộc tính cảm nhâ ̣n ảnh (màu sắc , cường đô ̣ sáng ), các thuộc tính về thời gian , các cảm nhâ ̣n về phối cảnh, bố cu ̣c

- Mô hình bố cu ̣c : Là mô hình biểu diễn thể hiện mối tương quan cục bộ của các phần tử ảnh (ứng dụng cho các bài toán xử lý và nâng cao chất lượng ảnh)

- Mô hình tổng thể: Là mô hình biểu diễn ảnh xem ảnh như là một tập hợp các đối tượng, và các đối tượng này có mối quan hệ không gian với nhau (ứng dụng cho các bài toán phân nhóm và nhận dạng ảnh )

2.1.3.2 Cải tiến ảnh

Tăng cường các thuô ̣c tính cảm nhâ ̣n , làm cho ảnh tốt lên theo một ý nghĩa nào đó, tiê ̣n phu ̣c vụ cho các xử lý tiếp theo Với các thao tác : thay đổi đô ̣ tương phản, thay đổi màu sắc , cường đô ̣ sáng, lọc nhiễu, nô ̣i suy, làm trơn ảnh Thực hiê ̣n bằng các phương pháp : Thao tác trên điểm (Point Operation), thao tác không gia n (Spatial Operation)…

2.1.3.3 Khôi phục ảnh

Khôi phu ̣c la ̣i ảnh ban đầu, loại bỏ các biến dạng ra khỏi ảnh tùy theo nguyên nhân gây ra biến da ̣ng Với các thao tác : lọc nhiễu, giảm độ méo… Thực hiện bằng các phương pháp : Lọc ngược , lọc thích nghi (Wiener), khôi phu ̣c ảnh từ các hình chiếu

2.1.3.6 Nén ảnh

Với mu ̣c đích giảm không gian lưu trữ , thuâ ̣n tiê ̣n truyền thông trên ma ̣ng Thường được tiến hành theo cả hai cách khuynh hướng là nén có bảo toàn và không bảo toàn thông tin Nén không bảo toàn thì thường có khả năng nén cao hơn nhưng khả năng phục hồi thì kém hơn Trên cơ sở hai khuynh hướng, có 4 cách tiếp cận cơ bản trong nén ảnh:

- Nén ảnh thống kê: Kỹ thuật nén này dựa vào việc thống kê tần xuất xuất hiện của giá trị các điểm ảnh, trên cơ sở đó mà có chiến lược mã hóa thích hợp Một ví dụ điển hình cho kỹ thuật mã hóa này là *.TIF

- Nén ảnh không gian: Kỹ thuật này dựa vào vị trí không gian của các điểm ảnh để tiến hành mã hóa Kỹ thuật lợi dụng sự giống nhau của các điểm ảnh trong các vùng gần nhau Ví dụ cho kỹ thuật này là mã nén *.PCX

- Nén ảnh sử dụng phép biến đổi: Đây là kỹ thuật tiếp cận theo hướng nén không bảo toàn và do vậy, kỹ thuật thướng nến hiệu quả hơn *.JPG chính là tiếp cận theo kỹ thuật nén này

Nén ảnh Fractal: Sử dụng tính chất Fractal của các đối tượng ảnh, thể hiện sự lặp lại của các chi tiết Kỹ thuật nén sẽ tính toán để chỉ cần lưu trữ phần gốc ảnh và quy luật sinh ra ảnh theo nguyên lý Fractal

2.1.3.7 Nhận dạng

Nhận dạng tự động (automatic recognition), mô tả đối tượng, phân loại và phân nhóm các mẫu là những vấn đề quan trọng trong thị giác máy, được ứng dụng trong nhiều ngành khoa học khác nhau Tuy nhiên, một câu hỏi đặt ra là: mẫu (pattern) là gì? Watanabe, một trong những người đi đầu trong lĩnh vực này đã định nghĩa: “Ngược lại với hỗn loạn (chaos), mẫu là một thực thể (entity), được xác định một cách ang áng (vaguely defined) và có thể gán cho nó một tên gọi nào đó” Ví dụ mẫu có thể là ảnh của vân tay, ảnh của một vật nào đó được chụp, một chữ viết, khuôn mặt người hoặc một ký đồ tín hiệu tiếng nói Khi biết một mẫu nào đó, để nhận dạng hoặc phân loại mẫu đó có thể:

- Hoặc phân loại có mẫu (supervised classification), chẳng hạn phân tích

phân biệt (discriminant analyis), trong đó mẫu đầu vào được định danh như một thành phần của một lớp đã xác định

- Hoặc phân loại không có mẫu (unsupervised classification hay clustering)

trong đó các mẫu được gán vào các lớp khác nhau dựa trên một tiêu chuẩn đồng dạng nào đó Các lớp này cho đến thời điểm phân loại vẫn chưa biết hay chưa được định danh

Hệ thống nhận dạng tự động bao gồm ba khâu tương ứng với ba giai đoạn chủ yếu sau đây:

1) Thu nhận dữ liệu và tiền xử lý

2) Biểu diễn dữ liệu

3) Nhận dạng, ra quyết định

Bốn cách tiếp cận khác nhau trong lý thuyết nhận dạng là:

1) Đối sánh mẫu dựa trên các đặc trưng được trích chọn

2) Phân loại thống kê

3) Đối sánh cấu trúc

4) Phân loại dựa trên mạng nơ-ron nhân tạo

Trong các ứng dụng rõ ràng là không thể chỉ dùng có một cách tiếp cận đơn

lẻ để phân loại “tối ưu” do vậy cần sử dụng cùng một lúc nhiều phương pháp và cách tiếp cận khác nhau Do vậy, các phương thức phân loại tổ hợp hay được sử dụng khi nhận dạng và nay đã có những kết quả có triển vọng dựa trên thiết kế các

hệ thống lai (hybrid system) bao gồm nhiều mô hình kết hợp

Việc giải quyết bài toán nhận dạng trong những ứng dụng mới, nảy sinh trong cuộc sống không chỉ tạo ra những thách thức về thuật giải, mà còn đặt ra những yêu cầu về tốc độ tính toán Đặc điểm chung của tất cả những ứng dụng đó là những đặc điểm đặc trưng cần thiết thường là nhiều, không thể do chuyên gia đề xuất, mà phải được trích chọn dựa trên các thủ tục phân tích dữ liệu

Nhìn chung, dù là mô hình nào và kỹ thuật nhận dạng ra sao, một mô hình

nhận dạng có thể tóm tắt theo sơ đồ ở Hình 2.10

Hình 2.10: Sơ đồ chung của hệ thống nhận dạng [17]

2.1.3.8 Nắn chỉnh biến dạng

Ảnh thu nhận thường bị biến dạng do các thiết bị quang học và điện tử

Ảnh thu nhận Ảnh mong muốn

Hình 2.11: Ảnh thu nhận và ảnh mong muốn[15]

Để khắc phục người ta sử dụng các phép chiếu, các phép chiếu thường được xây dựng trên tập các điểm điều khiển

Giả sử (Pi, P‟i), i từ 1 n có n các tập điều khiển

Tìm hàm f: Pi  f (Pi) sao cho

f Pi − Pi′ 2 𝑛

𝑖=0

→ min Giả sử ảnh bị biến đổi chỉ bao gồm: Tịnh tiến, quay, tỷ lệ, biến dạng bậc nhất

Giải hệ phương trình tuyến tính tìm được a1, b1, c1; tương tự tìm được a2, b2,

c2  Xác định được hàm f

2.1.3.9 Khử nhiễu

Có 2 loại nhiễu cơ bản trong quá trình thu nhận ảnh:

- Nhiễu hệ thống: là nhiễu có quy luật có thể khử bằng các phép biến đổi

- Nhiễu ngẫu nhiên: vết bẩn không rõ nguyên nhân → khắc phục bằng các phép lọc

- Tăng số mức xám: Thực hiện nội suy ra các mức xám trung gian bằng kỹ thuật nội suy Kỹ thuật này nhằm tăng cường độ mịn cho ảnh

- Đặc điểm biến đổi: Các đặc điểm loại này được trích chọn bằng việc thực

hiện lọc vùng (zonal filtering) Các bộ vùng được gọi là “mặt nạ đặc điểm” (feature mask) thường là các khe hẹp với hình dạng khác nhau (chữ nhật, tam giác, cung tròn v.v )

- Đặc điểm biên và đường biên: Đặc trưng cho đường biên của đối tượng và

do vậy rất hữu ích trong việc trích trọn các thuộc tính bất biến được dùng khi nhận dạng đối tượng Các đặc điểm này có thể được trích chọn nhờ toán tử gradient, toán tử la bàn, toán tử Laplace, toán tử “chéo không” (zero crossing) v.v Việc trích chọn hiệu quả các đặc điểm giúp cho việc nhận