Xây dựng chương trình nhận dạng biển báo giao thông

BỘ GIAO THÔNG VẬN TẢI BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC HÀNG HẢI VIỆT NAM VÕ PHƢỚC SƠN XÂY DỰNG CHƢƠNG TRÌNH NHẬN DẠNG BIỂN BÁO GIAO THÔNG LUẬN VĂN THẠC SĨ NGÀNH KỸ THUẬT HẢI PHÒNG, 2016 BỘ GIAO THÔNG VẬN TẢI BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC HÀNG HẢI VIỆT NAM VÕ PHƢỚC SƠN XÂY DỰNG CHƢƠNG TRÌNH NHẬN DẠNG BIỂN BÁO GIAO THÔNG LUẬN VĂN THẠC SĨ NGÀNH KỸ THUẬT NGÀNH: KỸ THUẬT MÃ SỐ: 60580202 CHUYÊN NGÀNH: CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học: TS Nguyễn Hữu Tuân HẢI PHÒNG, 2016 LỜI CAM ĐOAN Tôi: Võ Phước Sơn, học viên cao học lớp CNTT 2014_1, chuyên ngành Công nghệ Thông tin, khoá học 2014-2016, Trường Đại học Hàng Hải Việt Nam xin cam đoan: Các nội dung Luận văn Thạc sĩ tự thân làm sở tài liệu, số liệu khảo sát thực tế thân thu thập Các số liệu tham khảo khác sử dụng nghiên cứu thuộc quyền tác giả trích dẫn cách rõ ràng, minh bạch Ngƣời cam đoan Võ Phƣớc Sơn LỜI CẢM ƠN Hoàn thành Luận văn Thạc sĩ này, trước hết xin bày tỏ lòng biết ơn sâu sắc tới TS Nguyễn Hữu Tuân, người hướng dẫn khoa học tận tình hướng dẫn giúp đỡ suốt thời gian thực Luận văn Nhân dịp xin bày tỏ lòng biết ơn đến Thầy Cô Viện đào tạo Sau đại học trường Đại học Hàng Hải Việt Nam, giúp đỡ suốt thời gian học tập hoàn thành Luận văn Thạc sĩ Cuối xin cảm ơn gia đình, bạn bè, đồng nghiệp nguồn động viên, khích lệ vô giá suốt năm tháng phấn đấu, rèn luyện để có sản phẩm khoa học Hải Phòng, ngày 15 tháng năm 2016 Học viên Võ Phước Sơn MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH MỞ ĐẦU Chương TỔNG QUAN VỀ LÝ THUYẾT NHẬN DẠNG 1.1 Tổng quan lý thuyết nhận dạng 1.1.1 Quá trình nhận thức người trình nhận dạng 1.2 Tổng quan xử lý ảnh số 1.2.1 Xử lý ảnh vấn đề 1.3 Tổng kết 12 Chương 14 BÀI TOÁN NHẬN DẠNG BIỂN BÁO GIAO THÔNG 14 2.1 Các vấn đề học thuật 14 2.1.1 Xây dựng đặc trưng cho đối tượng biển báo 14 2.1.2 Lựa chọn mô hình phân lớp 23 2.2 Các vấn đề thực tế 25 2.2.1 Tách biệt đối tượng nhận dạng 26 2.2.2 Góc độ không gian ảnh 27 2.2.3 Điều kiện, chất lượng ảnh 28 2.3 Thư viê ̣n Accord 29 2.4 Tổng kết 30 Chương 32 SVM, SURF VÀ ỨNG DỤNG TRONG NHẬN DẠNG 32 BIỂN BÁO GIAO THÔNG 32 3.1 SVM 32 3.2 Các mô hình sửa dụng SVM phổ biến 34 3.3 SIFT SUFR phân lớp liệu 36 3.4 Nhâ ̣n da ̣ng biể n báo giao thông 44 3.5 Ứng dụng thực tế 45 3.5.1 Dữ liê ̣u huấ n luyê ̣n 45 3.5.2 Nhâ ̣n da ̣ng biể n báo giao thông 46 3.6 Đánh giá 47 Chương 49 ỨNG DỤNG THỰC TẾ 49 KẾT LUẬN 52 TÀI LIỆU THAM KHẢO 53 DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU Chữ viết tắt Giải thích SVM Support Vector Machine SIFT Scale Invariant Feature Transform SUFR Speeded- up Robust Features LDA Phân loại tuyến tính DoG Difference of Gaussians DANH MỤC CÁC BẢNG Số bảng 3.1 Tên bảng Bảng so sánh với mô hình neural network Trang 47 DANH MỤC CÁC HÌNH Số hình Tên hình Trang 1.1 Sơ đồ tồng quát hệ nhận dạng 1.2 Quá trình xử lý ảnh 1.3 Các bước trình xử lý ảnh 1.4 Ảnh thu nhận ảnh mong muốn 2.1 Đặc trưng Holland Style 19 2.2 Đăc trưng Haar like 21 2.3 Đặc trưng cạnh 21 2.4 Đặc trưng đường 21 2.5 Các đặc trưng Haar like mở rộng 21 2.6 Biển báo giao thông 26 2.7 Hình ảnh góc độ không tốt 27 2.8 Biển báo có chất lượng cao 29 3.1 Minh họa toán phân lớp bẳng phương pháp SVM 35 3.2 Mô tả giai đoạn Scale- space extrema detection 36 3.3 Giai đoạn Keypoint description 38 3.4 Tính đạo hàm cấp hàm Gaussian hộp lọc 40 3.5 Mô tả hướng vùng ảnh hưởng đặ trưng 41 3.6 Lọc haar wovelet 41 3.7 Mô tả đặc trưng chuẩn SURF 42 3.8 Kỹ thuật so khớp đặc trưng 43 3.9 Dữ liệu biển báo người qua đường 45 3.10 Các loại biển báo giao thông 46 4.1 Lựa chọn ảnh tiến hành nhận dạng 50 4.2 Kết xử lý thông số 51 𝐻 𝐱, 𝜎 = 𝐿𝑥𝑥 𝐿𝑥𝑦 𝐿𝑥𝑦 𝐿𝑦𝑦 Trong đó, 𝐿𝑥𝑥 (𝐱, 𝜎)là tích chập xoắn (convolution) đạo hàm cấp hai hàm Gaussian 𝜕𝑔 (𝜎 ) 𝜕2𝑥 với ảnh 𝐼 tại điểm 𝐱 tương tự với 𝐿𝑥𝑦 (𝐱, 𝜎) 𝐿𝑦𝑦 (𝐱, 𝜎) Nếu SIFT xấp xỉ việc tính Laplacian hàm Gaussian (LoG) việc tính Difference hàm Gaussian (DoG) SURF xấp xỉ việc tính đạo hàm cấp hàm Gaussian hộp lọc (box filters) Dưới ví dụ việc tính xấp xỉ đạo hàm cấp hai hàm Gaussian với hệ số tỉ lệ thấp hộp lọc: Hình 3.4 Tính đạo hàm cấp hàm gaussian hộp lọc Trong hin ̀ h trên, ảnh thứ đạo ma trận đạo hàm cấp Gaussian theo trục y, ảnh thứ hai theo trục x trục Ảnh thứ ba thứ tư hộp lọc xấp xỉ với hai trường hợp ảnh hai Phép tích chập xoắn ảnh 𝐼 với hộp lọc thực hiệc nhanh việc sử dụng kết hợp với ảnh tích lũy Ta xác định vị trí hệ số tỉ lệ tương ứng điểm đặc trưng dựa định thức ma trận Hessian Công thức tính xấp xỉ định thức ma trận Hessian: det 𝐻𝑥ấ𝑝𝑥 ỉ = 𝐷𝑥𝑥 𝐷𝑦𝑦 − (𝑤 𝐷𝑥𝑦 )2 Trong 𝑤 trọng số cần biểu thức định thức ma trận Hessian tùy thuộc vào hệ số tỉ lệ 𝐷𝑥𝑥 , 𝐷𝑦𝑦 , 𝐷𝑥𝑦 hộp lọc xấp xỉ Gaussian nói Đối với tỉ lệ 𝜎 = 1.2, kích thước hộp lọc 9x9 giá trọng số 𝑤 tính bằng: 𝑤= |𝐿𝑥𝑦 (1.2)|𝐹 |𝐷𝑦𝑦 (9)|𝐹 = 0.912 ≈ 0.9 |𝐿𝑦𝑦 (1.2)|𝐹 |𝐷𝑥𝑦 (9)|𝐹 40 Vị trí, tỉ lệ không gian ảnh mà điểm đặc trưng xác định cách áp dụng thuật toán non-maximum suppression 3x3x3 neigbourhood Mô tả đặc trƣng Đầu tiên xác định vùng hình xung quanh điểm đặc trưng vừa tìm được, gán giá trị hướng cho điểm đặc trưng Kích thước hình tròn phụ thuộc hệ số tỉ lệ tương ứng không gian ảnh mà điểm đặc trưng tìm Ở tác giả chọn bán kính hình tròn 6𝑠, 𝑠 tỉ lệ mà điểm đặc trưng tìm thấy Hướng đặc trưng tính Haar wavelet tác động theo hai hướng x y Kích thước wavelet phụ thuộc vào hệ số tỉ lệ 𝑠 , tác giả chọn 4𝑠 Haar wavelet tính cách nhanh chóng cách sử dụng ảnh tích lũy, kỹ thuật hiệu sử dụng phổ biến sau báo Viola Jones, tương tự hộp lọc xấp xỉ đạo hàm cấp hàm Gaussian Vector hướng trội ước lượng gắn vào thông tin điểm đặc trưng Hình 3.5 Mô tả hướng vùng ảnh hưởng đặc trưng 41 Hình 3.6 Lọc Haar wavelet Hình Lọc Haar wavelet để tính ảnh hưởng hai hướng x y Vùng tối có trọng số -1, vùng sáng +1 Bước tiếp theo, xây dựng vùng hình vuông xung quanh điểm đặc trưng men theo vector hướng vừa ước lượng bước trước Vùng hình vuông chia nhỏ thành 4x4 hình vuông để ghi nhận thông tin miền không gian ảnh lân cận Haar wavelet rút trích toàn không gian điểm ảnh Wavelet tác động hai hướng ngang dọc cộng dồn giá trị 𝑑𝑥 𝑑𝑦 hình vuông Hơn nữa, giá trị tuyệt đối |𝑑𝑥 | |𝑑𝑦 | cộng dồn để lấy thông tin độ lớn thay đổi cường độ sáng ảnh Như hình vuông mô tả vector chiều 𝑉 = [ 𝑑𝑥 , 𝑑𝑦 , |𝑑𝑥 | , |𝑑𝑦 |] Như vector mô tả cho tất 4x4 hình vuông vector 64 chiều (4x4x4) (Hình 3.7) Đây mô tả đặc trưng chuẩn SURF (hay gọi SURF-64) Ngoài có phiên khác dựa cách chia hình vuông SURF – 36, SURF – 128… Tuy nhiên thực nghiệm tác giả cho thấy SURF – 64 cho tốc độ tính toán tốt mà đảm bảo tính bền vững đặc trưng Haar wavelet bất biến với thay đổi ánh sáng tương phản ta chuẩn hóa vector mô tả đặc trưng chiều dài đơn vị 42 Hình 3.7 Mô tả đặc trưng chuẩn SURF So khớp đặc trƣng Đặc điểm quan trọng đặc trưng SURF trình rút trích đặc trưng nhanh sử dụng kỹ thuật ảnh tích lũy thuật toán non-maximum suppression Quá trình so khớp đặc trưng nhanh nhiều bước đánh mục đơn giản dựa dấu Laplacian (trace ma trận Hessian) Ta tốn chi phí tính toán bước trình phát đặc trưng tính sẵn Dấu Laplacian giúp phân biệt đốm (blob) sáng tối đốm tối sáng Điểm đặc trưng sáng khớp với điểm đặc trưng sáng khác, tương tự cho đặc trưng tối (Hình 3.8) Kỹ thuật giúp cho trình so khớp nhanh gấp đôi trong trường hợp tốt tốn chi phí tính toán dấu Laplacian 43 Hình 3.8 Kỹ thuật so khớp đặc trưng 3.4 Nhâ ̣n da ̣ng biể n báo giao thông Sau xác đinh ̣ chin ́ h xác vi ̣trí biể n báo giao thông , vấ n đề còn la ̣i là nhâ ̣n dạng biển báo tập hợp liê ̣u biể n báo giao thông đã có Về bản có thể dùng bô ̣ phân lớp SVM kế t hơ ̣p với hàm nhân Kernel để tiế n hành phân lớp từng loa ̣i biể n báo giao thông Tuy nhiên, đã phân tić h trước đó ,bản luận án lựa chọn sử dụng phương pháp SUFR để trić h rút đă ̣c trưng quá triǹ h nhâ ̣n biế t từng loa ̣i biể n báo nhằ m tăng đô ̣ chin ́ h xác đố i với không gian bài toán xem xét Giải thuật SUFR thực tế phương pháp trích rút đặc trưng cho mô hình ho ̣c máy, đó cũng yêu cầ u bô ̣ dữ liê ̣u huấ n luyê ̣n trước đó Trình tự cụ thể trình nhận dạng biển báo tiến hành sau: - Thu thâ ̣p dữ liê ̣u cầ n nhâ ̣n da ̣ng : chuẩ n bi ̣tâ ̣p hơ ̣p dữ liê ̣u các loa ̣i biể n bá o cầ n nhâ ̣n da ̣ng phu ̣c vu ̣ cho quá trin ̀ h phân tić h SUFR sau này - Thực hiê ̣n tin ́ h toán Keypoint , Descriptor của đố i tươ ̣ng ảnh phân tić h và tấ t cả các ảnh database đã có - Tiế n hành match đố i tươ ̣ng ảnh cầ n nhâ ̣n da ̣ng vớ i các ảnh có database - Xác định giá trị matching lớn nhất, từ đó xác đinh ̣ đươ ̣c loa ̣i biể n báo cu ̣ thể 44 Trên thực tế kiể m nghiê ̣m , thuâ ̣t toán SURF có thể nhâ ̣n da ̣ng đươ ̣c các ảnh với góc độ tỉ lệ khác (hay hơn, đố i tươ ̣ng ảnh không cầ n thiế t phải chiế u vuông góc với góc nhìn ảnh ) Tuy nhiên vấ n đề đă ̣t đố i với SURF là viê ̣c tiń h toán so khớp từng đố i tươ ̣ng ảnh yêu cầ u khoảng thời gian tương đố i lớn , đó cầ n c ân nhắ c và ứng du ̣ng hơ ̣p lý xây dựng ứng du ̣ng thực tiễn bô ̣ sở dữ liê ̣u nhâ ̣n dạng lớn Giải pháp đưa trường hợp , tính toán toàn giá trị keypoint và desctiptor bô ̣ dữ liê ̣u nhâ ̣n da ̣n g trước , lưu trữ và sử du ̣ng cho quá trình match sau Khi đó , thực tế viê ̣c tiń h toán sử du ̣ng SURF chỉ tiế n hành sở tính toán keypoint descriptor cho đối tượng ảnh cần phân tích phép matching Điề u nà y giảm thiể u tương đố i thời gian thực thi c ứng dụng thực tế 3.5 Ứng dụng thực tế Trên sở các vấ n đề đươ ̣c chỉ , luận văn tiến hành xây dựng ứng dụng nhằm xác định hiệu khả tiếp cận với hiê ̣u suấ t chấ p nhâ ̣n đươ ̣c ứng du ̣ng mô hin ̀ h sở thực tế Ứng dụng nhận dạng biển báo giao thông đươ ̣c triể n khai nề n tảng công nghê ̣ Net của Microsoft , với ngôn ngữ lâ ̣p triǹ h c# 3.5.1 Dƣ̃ liêụ huấ n luyêṇ Trên sở chứng minh tính đắn hệ thống lý luận đưa , xác định mức độ phù hợp toán xem xét , luận văn tiến hành xây dựng ứng du ̣ng nhâ ̣n da ̣ng loại biển báo giao thông đư ờng Viê ̣t Nam, với hình da ̣ng bản là hình tròn , viề n đỏ và biể n báo nề n xanh Như đã đề câ ̣p ở trên, trình nhận dạng biển báo trải qua giai đoa ̣n: - Giai đoa ̣n xác đinh ̣ vi ̣trí biể n báo giao thông : giai đoa ̣n yêu cầu tập hợp liê ̣u ảnh về các loa ̣i biể n báo với hình da ̣ng tròn , viề n đỏ và nề n xanh đã yêu cầ u trước đó Bản luận văn thu thập 200 mẫu dữ liê ̣u về các loa ̣i biể n báo kể dưới đinh ̣ da ̣ng ảnh jpg 45 Hình 3.9 Dữ liệu biển báo người qua đường - Giai đoa ̣n phân loa ̣i biể n báo : giai đoa ̣n này yêu cầ u dữ liê ̣u về loại biển báo xem xét Đối với phương pháp SURF , luận văn sử dụng ảnh chụp vuông góc không có nhiễu đố i với loại biển báo kể , nhằ m giảm số lươ ̣ng keypoint và descriptor cầ n tin ́ h toán, tăng tốc độ xử lý ứng dụng Hình 3.10 Các loại biển báo giao thông 3.5.2 Nhâ ̣n da ̣ng biể n báo giao thông Với bô ̣ dữ liê ̣u có, luận văn sử dụng phương pháp trích rút đặc trưng SURF, kế t hơ ̣p với giải thuâ ̣t phân lớp SVM , đươ ̣c cung cấ p bởi thư viê ̣n Accord ,mô ̣t thư viê ̣n hỗ trơ ̣ xử lý ảnh hỗ trơ ̣ cho Net, đươ ̣c đánh giá khá cao hiê ̣n Accord cung cấ p tương đố i đầ y đủ các phương thức thực thi đố i với giải thuâ ̣t SURF 46 Quá trình nhận dạng tiến hành cách so khớp cách đối tươ ̣ng cầ n nhâ ̣n da ̣ng đã đươ ̣c xác đinh ̣ trước đó ảnh với ảnh loại biển báo giao thông đã thu thâ ̣p Phương thức nhâ ̣n da ̣ng dựa viê ̣c trić h rút đă ̣c trưng sở SURF của Accord trả về giá tri ̣so khớp đố i với từng ảnh của từng loa ̣i hiǹ h biể n báo Giá trí so khớp lớn thu đươ ̣c đươ ̣c xác đinh ̣ là nhañ phù hơ ̣p cho quá triǹ h nhâ ̣n da ̣ng biể n báo Từ đó có thể xác đinh ̣ biể n báo ảnh thuô ̣c nhañ biể n báo giao thông nào 3.6 Đánh giá Với mô hin ̀ h đã đươ ̣c xây dựng ở , luận văn tiến hành x ây dựng ứng dụng thực tế , thực thống kê tỉ lệ xác ứng dụng hoàn thiện Quá trình thử nghiệm cho kết tương đối khả quan loại hình biển báo cụ thể Bản luận văn tiến hành so sánh hiệu suất đạt sử dụng mô hình học thuật đề xuất với mô hình nhận dạng neural network Tâ ̣p hơ ̣p dữ liê ̣u có kích thước 975x783 (pixcel) định dạng jpg, dung lươ ̣ng mỗi ảnh 150kb 200 mẫu đươ ̣c sử dụng cho trình training liệu, đó 50 ảnh lại sử dụng cho trình đối chiều sau Do thời gian có ̣n , nên dữ liê ̣u đầ u vào của ứng du ̣ng thực tế chỉ dùng la ̣i ở viê ̣c xử lý đố i với dữ liê ̣u ảnh số Trong tương lai, với sự đầ u tư hơ ̣p và khả đáp ứ ng yêu cầ u thực tế hơ ̣p lý , luận văn nâng cấp ứng dụng cho phép xử lý liệu đầu vào dạng video vài định dạng phổ biến khác Kế t quả thu nhâ ̣n đươ ̣c sau quá trình kiể m thử ̣ thố ng sau: Số lượng mẫu Neural Network (%) SVM + SURF (%) 200 62.15461 92.1646 150 51.16466 70.4795 100 35.16466 58.1464 Bảng 3.1 Bảng so sánh với mô hình neural network 47 Thố ng kê cho thấ y , mức đô ̣ chính xác sử du ̣ng mô hình nhâ ̣n da ̣ng đươ ̣c đề xuấ t là khá cao đố i với số lươ ̣ng mẫu huấ n luyê ̣n lớ n Trong đó với số lươ ̣ng mẫu huấ n luyê ̣n nhỏ , tỉ lệ thấp Viê ̣c này cũng không quá khó hiể u , bởi quá trin ̣ vi ̣trí của biể n báo sử du ̣ng mô hiǹ h SVM phu ̣ thuô ̣c khá nhiề u ̀ h xác đinh vào số lượng mẫu tham gia vào trình training Trong đó, tỉ lệ nhâ ̣n da ̣ng chiń h xác mạng neural thấp nhiều lớp mẫu Điề u này cho thấ y các vấ n đề về ho ̣c thuâ ̣t đươ ̣c đưa là có sở và phầ n nào đó tiê ̣m câ ̣ n tới mức đô ̣ chiń h xác chấ p nhâ ̣n đươ ̣c đố i với mô ̣t mô hiǹ h ứng du ̣ng thực tế nhâ ̣n da ̣ng biể n báo giao thông Kế t quả cũng cho thấ y rằ ng , viê ̣c sử du ̣ng nhấ t mô ̣t mô hiǹ h phầ n lớp SVM hay Neural chưa thực sự đem lại hiệu cao toán nhận dạng đươ ̣c nhắ c tới Trong đó , viê ̣c sử du ̣ng kế t hơ ̣p với phương pháp nhâ ̣n da ̣ng dựa sở trić h rút đă ̣c trưng từ SURF và mô hiǹ h phân lớp SVM phù hơ ̣p từng giai đoa ̣n nhâ ̣n da ̣ng thực sự đem la ̣i hiê ̣u quả cao thực tế 48 Chương ỨNG DỤNG THƢ̣C TẾ Ứng dụng nhận dạng biển báo giao thông Trên sở các vấ n đề ho ̣c thuâ ̣t đã đươ ̣c đưa đây, luận văn tiến hành xây dựng ứng du ̣ng thực tế nhâ ̣n da ̣ng biể n báo giao thông đố i với loại biển báo giao thông đường bô ̣ ta ̣i Viê ̣t Nam Kế t cấ u ứng dụng sử dụng tập hợp ảnh đầu vào để xác định đă ̣c trưng dựa phương pháp SURF , sau đó sử du ̣ng mô hiǹ h SVM kế t hơ ̣p hàm nhân Kernel nhằ m huấ n luyê ̣n bô ̣ dữ liê ̣u Sau quá trình này , tiế n hành phát hiê ̣n và nhâ ̣n d ạng đố i tươ ̣ng biể n báo giao thông ảnh thực tế Ứng dụng cho phép lựa cho ̣n ảnh để tiế n hành nhâ ̣n da ̣ng: 49 Hình 4.1 Lựa chọn ảnh tiến hành nhận dạng Sau đó tiế n hành so khớp dữ liê ̣u ảnh đầ u vào với tâ ̣p hơ ̣p ảnh database Kế t quả của quá trin ̀ h xử lý cho nhañ cu ̣ thể của ảnh đầ u vào Cùng với thông số hệ thống trình traning Về bản , ứng dụng sử dụng ảnh đầu vào dạng ảnh s ố, đầ u của trình xử lý đưa thông tin cụ thể đối tượng biển báo sau trình nhận dạng 50 Hình 4.2 Kết xử lý thông số 51 KẾT LUẬN Việc sử dụng SVM và SURF nhận dạng biể n báo giao thông qua thực nghiệm thực đem lại kết đáng khích lệ Điều chứng minh có sở để tin tưởng vào việc sử dụng các phương pháp vấn đề Tất nhiên việc sử dụng đặc trưng nào, với mô hình cụ thể để đạt hiệu tốt cần thời gian nghiên cứu phát triển Khó nói rằng, kết nhận kể chứng minh mô hình đưa tốt toàn không gian đối tượng toán nhận dạng biể n báo Tuy nhiên khía cạnh đó, chứng minh mô hình đưa phù hợp có sở để tin vào kết đáng khích lệ mở rộng nghiên cứu, phát triển triển khai thực tế Bản luận văn đưa vấn đề không gian toán nhận dạng biể n báo giao thông, vấn đề khó vài phương pháp thử nghiê ̣m viê ̣c tiế p câ ̣n đố i với bài toán này Đồng thời, luận văn xây dựng hệ thống lý luận học thuật cụ thể , nhằ m tiế p câ ̣n với bài toán, dựa lý thuyế t về mô hiǹ h phân lớp SVM cũng phương thức trić h cho ̣n đă ̣c trưng SURF , từ đó ứng dụng việc nhận dạng biển báo giao thông phầ n mề m cu ̣ thể Với các số liê ̣u thu đươ ̣c sau quá trình thử nghi ệm hệ thống , thấy vấn đề đưa củ a bản luâ ̣n văn là có sở Đồng thời đưa cách thức tiệm cận tới khả xây dựng ứng dụng thực tế với hiệu suất cao dựa mô hình này Tấ t nhiên, để triể n khai ứng du ̣ng thực tế , cầ n nhiề u thời gian nghiên cứu và đầ u tư ̣ thố ng Tuy nhiên xét về mă ̣t ho ̣c thuâ ̣t , khái niệm đề xuất đươ ̣c đưa hoàn toàn có thể tin tưởng phát triể n tương lai 52 TÀI LIỆU THAM KHẢO Tiếng Việt Các giảng thầy giáo TS Ngô Hữu Phúc Lương Mạnh Bá & Nguyễn Thanh Thủy (ĐH Bách Khoa Hà Nội) - Giáo trình xử lí ảnh Hoàng Kiếm - Giáo trình nhập môn trí tuệ nhân tạo TS Nguyễn Đình Thúc ,Hoàng Đức Hải- Giáo trình mạng trí tuệ nhân tạomạng nơron phương pháp ứng dụng - NXB Giáo dục(2000) PGS,T.S Nguyễn Thanh Thuỷ - Trí tuệ nhận tạo Tiếng Anh Adrian Low (1991), Introductory Computer Vision and Image Processing, Copyright (c) 1991 by McGrow Hill Book Company (UK) Limited Anil K.Jain (1989), Fundamental of Digital Image Processing Prentice Hall, Engwood cliffs Artificial Intelligence, A Modern Approach - Stuart J Russell Letter recognition using Holland-style adaptive classifiers, W.Frey, 1991 10 Learning OpenCV by Gary Bradki, Adrian Kaehler - 9/2008 1st Edition 11 LearningOpenCV, Gary Bradski and Adrian Kaehler, Gary Bradski and Adrian Kaehler All rights reserved 12 Paul Viola and Michael J Jones Rapid Object Detection usinga Boosted Cascade of Simple Features IEEE CVPR, 2001 13 Principles ò Artifical Neural Networks – Daniel Graupe, 2nd Edition 14 Papageorgiou, Oren and Poggio, "A general framework for object detection", International Conference on Computer Vision, 1998 15 Parttern Classification – Richard O.Duda, Peter E Hart, David G.Stork Second Edition 53 16 Randy Crane (1997), A simplified approach to image processing, PrenticeHall, Inc 17 Rapid Object Detection using a boosted Cascade of Simple Features 18 Seeing with OpenCV - Robin Hewitt 19.Think Biggest New Holland Style 20 T Pavlidis (1982), Algorithms for Graphics and Image Processing, Computer Science Press 21 Y.Freund and R Schapire A decition- theoretic genelization of on-line learning and application to boosting Journal of Computer and System Sciences, 55(1): 119-139, 1997 22 J.R.Paker (1997), Algorithms for Image processing and Computer Vision John Wiley & Sons, Inc 23 John C.Russ (1995), The Image Procesing Handbook CRC Press, Inc 24 J.Wang and J.S.N Jean, "Multiresolution Neural Networks for Omnifont Character Recognition," in Proc IEEE International Conference on Neural Networks, pp 1588-1593, March 1993 54 ... thuyết nhận dạng - Chương II: Bài toán nhận dạng biển báo giao thông - Chương III: SVM, SURF Ứng dụng nhận dạng biển báo giao thông - Chương IV: Xây dựng hệ thống Chƣơng TỔNG QUAN VỀ LÝ THUYẾT NHẬN... dụng nhận dạng mẫu nói chung nhận dạng biển báo giao thông nói riêng Ý nghĩa thực tiễn đề tài: Xây dựng hướng tiếp cận cho vấn đề nhận dạng mẫu nói chung, giải toán nhận dạng biển báo giao thông. .. đề khó nhận dạng mẫu nói chung, nhận dạng biển báo giao thông nói riêng - Phát triển giải thuật SVM, từ ứng dụng xây dựng mô hình nhận dạng biển báo giao thông Luận văn gồm chƣơng: - Chương I: