Ứng dụng mạng Nơron nhân tạo nhận dạng biển số xe ô tô

Bài báo này trình bày thuật toán nhận dạng biển số xe ô tô dùng mạng Nơron nhân tạo. Ngoài ra, thuật toán còn ứng dụng phương pháp hình chiếu để tìm ra vùng chứa biển số, thuật toán đánh nhãn để phân đoạn ký tự. Riêng trong phần nhận dạng ký tự, nhằm nâng cao hiệu suất đã đề xuất thêm bước phân loại ký tự thành ba loại, sau đó trích đặc tích và đưa vào ba mạng Nơron nhân tạo riêng biệt để nhận dạng.

Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) Ứng dụng mạng Nơron nhân tạo nhận dạng biển số xe ô tô Phan Ngọc Điệp, Trần Văn Đại, Trần Minh Tuấn Phạm Văn Tuấn Trung tâm Xuất Sắc, Phòng LAB 3DCS - Trƣờng Đại học Bách Khoa, Đại học Đà Nẵng Đà Nẵng, Việt Nam E-mail: pvtuan@dut.udn.vn Khoa Điện Tử Viễn Thông - Trƣờng Đại học Bách Khoa, Đại học Đà Nẵng Đà Nẵng, Việt Nam Email: ngocdiep10dt2@gmail.com, mrdai.dna@gmail.com, minhtuan99bk@gmail.com phƣơng pháp đƣợc đề xuất [19], [20], [26], [27], [29], hay nhị phân hóa, trích dẫn đƣợc tọa độ đầu cuối ký tự Hoặc phân đoạn ký tự phƣơng pháp trích đƣờng bao ký tự: mơ hình đƣờng bao nói lên đặc điểm ký tự [28] Riêng phần nhận dạng ký tự, đặc điểm biển xe có giới hạn số ký tự cấu trúc rõ ràng nên áp dụng phƣơng pháp cấu trúc kết hợp với đối sánh để nhận dạng, khớp mẫu đơn giản, so sánh độ tƣơng quan chéo phƣơng pháp học: K-nearest neighbor, SVM, dùng mạng Nơron nhân tạo [3], [7] để nhận dạng ký tự biển số Tóm tắt—Bài báo trình bày thuật tốn nhận dạng biển số xe tơ dùng mạng Nơron nhân tạo Ngồi ra, thuật tốn cịn ứng dụng phương pháp hình chiếu để tìm vùng chứa biển số, thuật tốn đánh nhãn để phân đoạn ký tự Riêng phần nhận dạng ký tự, nhằm nâng cao hiệu suất đề xuất thêm bước phân loại ký tự thành ba loại, sau trích đặc tích đưa vào ba mạng Nơron nhân tạo riêng biệt để nhận dạng Kết thuật toán đánh giá theo khối dựa nhiều tập sở liệu khác điều kiện ánh sáng, thời tiết, góc nghiêng Sau đánh giá sở liệu khác nhau, kết cho thấy khối nhận dạng ký tự cho hiệu suất cao nhất, lên đến 99.43% liệu đầu vào có chất lượng tốt, nhiên lại đạt kết thấp liệu đầu vào có có sai khác điều kiện ánh sáng, phơng chữ góc nghiêng, hiệu suất đạt 85% - 94% Bài báo đề xuất thuật toán sử dụng mạng Nơron nhân tạo cho phần nhận dạng ký tự, kết hợp với phƣơng pháp hình chiếu cho việc tìm vùng chứa biển số phƣơng pháp đánh nhãn để phân đoạn ký tự để nhận dạng biển số xe Lý lựa chọn mạng Nơron nhân tạo để nhận dạng cho đƣợc hiệu suất cao, cịn hai phƣơng pháp đánh nhãn hình chiếu thuật tốn để thực đơn giản, nhƣng đạt đƣợc hiệu suất tìm vùng biển số vùng chứa ký tự cao Ngoài ra, phƣơng pháp lựa chọn cịn có nhƣợc điểm định Một nhƣợc điểm dùng mạng Nơron nhân tạo chƣa có phƣơng pháp luận chung thiết kế cấu trúc mạng cho toán nhận dạng điều khiển mà phải cần tới kiến thức chuyên gia Mặt khác xấp xỉ mạng Nơron với hệ phi tuyến khó khăn luyện mạng khơng tìm đƣợc điểm tối ƣu tồn cục Từ khóa— Nhận dạng biển số xe; Phát vùng chứa biển số xe; Phân đoạn ký tự; Nhận dạng ký tự; Mạng Nơron nhân tạo; Phương pháp chiếu; Thuật toán đánh nhãn I GIỚI THIỆU Cùng với phát triển khoa học kỹ thuật nhu cầu lại ngày tăng số lƣợng phƣơng tiện giao thông làm nảy sinh nhiều vấn đề việc kiểm soát nhƣ quản lý phƣơng tiện Để giải vấn đề nhu cầu đặt áp dụng hệ thống tự động Xuất phát từ nhu cầu có nhiều giải pháp đƣợc đƣa để xây dựng hệ thống số giải pháp, thuật toán xử lý ảnh đƣợc nguyên cứu, phát triển cho việc nhận dạng biển số xe ô tô Ví dụ nhƣ sử dụng đặc tính đƣờng bao biển số [1], [2], [4], [5] hay sử dụng lọc Sobel để phát đƣờng viền biển số thân xe [14]-[19], sử dụng đặc trƣng màu sắc khác màu biển số ký tự [20] sử dụng phƣơng pháp hình chiếu hƣớng nghiên cứu để tìm vùng chứa biển số Phân đoạn ký tự có hƣớng nghiên cứu nhƣ sử dụng phƣơng pháp đánh nhãn liên kết đƣợc thực [16], [21]-[25] nhƣ phƣơng pháp trích thuộc tính từ hình chiếu: từ ký tự hình biển số có khác màu sắc, ISBN: 978-604-67-0349-5 Giữa biển số Việt Nam nƣớc ngồi có nhiều khác biệt nhƣ: Cách bố trí, kích thƣớc chữ số biển số, phông chữ ký tự biển số có khác biệt làm hƣởng tới kết hƣớng áp dụng thuật tốn Với đặc điểm cơng đoạn tìm vùng chứa biển số phân đoạn ký tự áp dụng đƣợc cho biển số Việt Nam nƣớc ngoài, riêng khác biệt phơng chữ, số có ảnh hƣởng lớn tới phân nhóm nhận dạng ký tự 482 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) A Chuyển đổi ảnh màu (RGB) sang ảnh xám (Gray) Trong việc nhận dạng biển số xe Ơ tơ, ảnh đầu vào ảnh màu, ảnh luôn độ sáng sắc thái Vì vậy, đồng tiêu chuẩn cho tất liệu đầu vào, thực chuyển đổi từ ảnh màu (RGB) ảnh định dạng ảnh xám (Gray) [6] mạng Nơron nhân tạo Bài tốn đƣợc trình bày báo giới hạn cụ thể liệu đầu vào biển số Việt Nam biển số nƣớc nhƣng có phơng chữ (ví dụ biển số nƣớc Thái Lan, Ả Rập v.v khơng áp dụng đƣợc toán này) Cấu trúc báo đƣợc trình bày nhƣ sau: Đề xuất thuật tốn đƣợc trình bày phần II, bƣớc tiền xử lý trình bày phần III, phát vùng chứa biển số trình bày phần IV, phân đoạn ký tự trình bày phần V, nhận dạng ký tự trình bày phần VI, phần VII phần đánh giá kết II B Lọc nhiễu phát thay đổi biên Ảnh đầu vào đƣợc chụp nhiều thời điểm khác nhau, chất lƣợng ảnh nhiều bị ảnh hƣởng loại nhiễu không mong muốn Việc cần làm phải lọc nhiễu Ngoài ra, dễ nhận thấy, vùng chứa biển số, thƣờng phần chữ số có giá trị xám chênh lệch lớn với phần Vì vậy, cần phải làm bật sai lệch lên, để phần chữ số biển số xe rõ hơn, nhờ bƣớc đƣợc thực để dàng Để thực công việc nói ta dùng phép chập rời rạc hàm f với ma trận mặt nạ m, phƣơng trình (1): ĐỀ XUẤT THUẬT TỐN Thuật tốn nhận dạng biển số xe đƣợc thực theo bốn bƣớc nhƣ mơ tả hình Đầu tiên, bƣớc tiền xử lý, gồm cơng việc nhƣ khử nhiễu, cân sáng, cân sắc thái, chuẩn hố kích thƣớc, nhằm cải thiện chất lƣợng ảnh đầu vào tốt nhất, để phục vụ cho ba bƣớc Bƣớc thứ hai, phát vùng chứa biển số, dùng phƣơng pháp hình chiếu, phƣơng pháp thể đặc tính thống kê ảnh, dựa vào đặc tính trích vùng chứa biển số [6] Phƣơng pháp hình chiếu phƣơng pháp đơn giản nhất, nhƣng kết ta thu đƣợc có nhầm lẫn vùng khơng chứa biển số, cách này, thu đƣợc nhiều vùng chứa biển số Bƣớc phân tách vùng chứa ký tự từ vùng chứa biển số bƣớc hai nhờ thuật tốn đánh nhãn để tìm đối tƣợng có chiều cao cạnh [7] Bƣớc cuối bƣớc nhận dạng ký tự mạng Nơron nhân tạo [3] Trƣớc vào thực việc nhận dạng ký tự, ta chia liệu đầu ảnh ký tự đƣợc phân nhỏ thành loại, nhằm mục đích giảm độ phức tạp cho mạng Nơron nhân tạo, sau loại vào mạng Nơron riêng biệt Và kết cuối toán ký tự biển số xe ảnh đầu vào Ảnh đầu vào Tiền xử lý ( ∑ ∑ Biển số Nhận dạng ký tự [ Chú ý: trận Tìm vùng chứa biển số ) [( [ ] )( )] (1) ] phần tử cột hàng ma y= (2) Phân đoạn ký tự x1 TIỀN XỬ LÝ Ma trận tích chập x2 x3 m1 m2 m3 x4 x x5 m4 x6 x7 x8 m6 m7 m8 m m5 Ma trận ảnh đầu y Hình Điểm ảnh x thực phép nhân chập với ma trận tích chập m Trong bƣớc này, thực bƣớc chuyển đổi ảnh đầu vào thành ảnh xám (Gray), sau lọc nhiễu phát thay đổi biên ISBN: 978-604-67-0349-5 ( )̃ Phép chập ảnh, đƣợc định nghĩa ma trận tích chập Và ma trận tích chập phải đƣợc định nghĩa cho biến đổi điểm ảnh phụ thuộc vào điểm ảnh lân cận trình chập Một điểm ảnh phụ thuộc vào điểm lân cận Đặt ma trận tích chập ma trận có kích thƣớc phép tích chập để tính giá trị điểm ảnh đƣợc tính theo phƣơng trình (2), minh hoạ hình 2: Hình Sơ đồ khối tốn nhận dạng biển số xe III ( Với w, h chiều rộng chiều dài ảnh đại diện i h Ma trận ảnh đầu vào Ký tự ) 483 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) IV V PHÁT HIỆN VÙNG CHỨA BIỂN SỐ Sau loạt biến đổi bƣớc tiền xử lý Giờ phát vùng biển số dựa đặt tính thống kê Có nhiều phƣơng pháp dùng để thống kê Nhƣng số ta dựa vào hình chiếu đứng chiếu ngang theo trục , Ƣu điểm phƣơng pháp thực đơn giản Ở thuật toán này, cần chiếu theo phƣơng ngang tìm vùng chứa biển số Sau chiếu ngang, phần chứa biển số có giá trị chiếu cao nhiều so với phần xung quanh Dựa vào đặc tính đồ thị nhƣ xác định đƣợc hai toạ độ y1 y2, dải chứa biển số  Trong đó: ( ) ∑ ( Nhị phân hoá ảnh Đánh nhãn Ảnh phân đoạn Phân đoạn ký tự Loại bỏ vùng dư thừa Bƣớc phân đoạn ký tự đƣợc thực qua bốn bƣớc Nhị phân hoá ảnh, Đánh nhãn, Loại bỏ vùng dƣ thừa Phân đoạn ký tự, nhƣ mơ tả hình Xem ảnh đầu vào bƣớc ảnh xám ) Với đƣợc định nghĩa nhƣ hàm rời rạc ( x, y phần tử hàng cột ma trận ảnh đầu vào Sau đó, ta chiếu hàm xuống trục đứng, đƣợc hàm Px , phƣơng trình (3) ( ) Ảnh biển số Hình Sơ đồ khối bƣớc phân đoạn ký tự Thực phép chiếu ngang ∑ PHÂN ĐOẠN KÝ TỰ A Chuyển thành ảnh nhị phân Ảnh xám (hình 6-a) đƣợc chuyển thành ảnh nhị phân (hình6-b), sử dụng phƣơng pháp phân ngƣỡng Giả sử, ngƣỡng , mức xám điểm ảnh ≥ mã hố thành „Bit 1‟ tƣơng đƣơng với màu trắng, ngƣợc lại „Bit 0‟ tƣơng đƣơng với màu đen Từ thực nghiệm, xác định đƣợc = (3) ) w, h chiều rộng cao ảnh đầu vào x, y phần tử hàng thứ x cột thứ y ảnh đầu vào Hình 6-a Ảnh đƣợc cắt gọn lại Hình 6-b Loại bỏ phần dƣ thừa đánh nhãn Hình Phép chiếu ngang Hình 6-c Thu gọn lại vùng chứa biển số xe B Đánh nhãn Những điểm cận kề có giá trị „Bit 1‟, đƣợc đánh chung nhãn (hình 6-b) Hình Vùng chứa biển số đƣợc phát C Loại bỏ iên, vùng dư thừa Từ nhãn xác định đƣợc so sánh chiều cao loại đƣợc vùng có toạ độ nằm riêng rẽ, loại đƣợc vùng có độ lớn nhỏ so với đối tƣợng cịn lại Từ thu hẹp đƣợc vùng chứa biển số (hình 6-c) Sau chiếu ngang, phần chứa biển số có giá trị chiếu cao nhiều so với phần xung quanh Dựa vào đặc tính đồ thị nhƣ xác định đƣợc hai toạ độ y1 y2, dải chứa biển số (hình 3) Kết quả bƣớc phát vùng chứa biển số đƣợc thể hình ISBN: 978-604-67-0349-5 484 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) D Phân đoạn ký tự Đánh nhãn đối có khả ký tự phân tích chiều cao đối tƣợng (hình 7) Sau so sánh chiều cáo đối tƣợng (hình 8) Ảnh phân Loại Phân Loại Trích thành đặc tính đoạn loại Loại Từ đối tƣợng có chiều cao nhau, xác định đƣợc toạ độ đối tƣợng đó, sau cắt chúng thành ảnh nhỏ có độ phân giải 64x32 (hình 9) Mạng Nơron Mạng Nơron Mạng Nơron ký tự Hình 10 Sơ đồ khối tầng bƣớc nhận dạng ký tự A Phân loại ký tự Phân tích cấu trúc xƣơng phân tích phức tạp so với việc phân tích điểm ảnh (Hình 11) Ở ta xem xét đến các điểm giao nhau, không giao nhau, vịng khép kín… cấu trúc xƣơng đối tƣợng (Hình 10) [9], [10] Bằng cách sử dụng phƣơng pháp ký tự đƣợc phân thành loại là: loại khơng vịng khép kín, loại - vịng khép kín, loại hai vịng khép kín (Hình 12) Hình Đánh nhãn đối có khả ký tự phân tích chiều cao đối tƣợng a Ký tự phân đoạn b Lấy xƣơng Hình 11 Lấy xƣơng ảnh phân đoạn Hình So sánh chiều cao a Có giao b Khơng giao c Có bụng Hình 12 Ba đặc trƣng Hình Ảnh biển số đƣợc phân đoạn VI B Mạng Nơron nhận dạng Sau phân thành ba nhóm bƣớc trên, nhóm vào ba mạng Nơron khác Ba mạng Nơron đƣợc sử dụng để huấn luyện nhằm phân loại cho nhóm ký tự (hình 13) NHẬN DẠNG KÝ TỰ Vấn đề nhận dạng, mạng nơron nhân tạo cách phổ biến đƣợc sử dụng [8] Mặc dù có nhiều ƣu thế, nhƣng mạng nơron nhân tạo số hạn chế Một hạn chế quan trọng khó khăn việc huấn luyện mạng lƣới nơron lớn Huấn luyện mạng nhƣ vậy, địi hỏi sở liệu lớn mà không dễ dàng đáp ứng đƣợc yêu cầu Nhƣ đề cập, để hạn chế độ phức tạp mạng Nơron nhân tạo, nên đề xuất sử dụng mơ hình mạng Nơron nhiều lớp, cụ thể với hai lớp ẩn, lớp thứ với nhiệm vụ phân loại ký tự thành ba nhóm riêng biệt (dựa vào đặc điểm hình thái học ký tự) lớp mạng thứ với nhóm nhỏ đƣợc huấn luyện để đƣa ký tự cuối Với việc thực nhƣ độ phức tạp mạng lƣới đƣợc giảm bớt đáng kể Và trình phân loại đƣợc đề xuất chia đối tƣợng thành ba loại Mỗi thể loại sau đƣợc nhận dạng tiếp, sử dụng mạng nơron nhân tạo nhỏ riêng biệt (hình 10) ISBN: 978-604-67-0349-5 Hình 13 Tất ký tự đƣợc chia thành loại dựa đặc tính có bụng (vùng khép kín) Trích thuộc tính Ký tự đầu vào có kích thƣớc lớn nên gây khó khăn sử dụng ký tự làm thuộc tính đầu vào cho mạng Nơron Tuy nhiên sử dụng kỹ thuật trích giảm thuộc tính để ánh xạ liệu thành kích thƣớc 485 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) bé nhƣng không làm thông tin liệu Có nhiều cách để trích giảm thuộc tính nhƣ: Phân tích thành phần - principal components analysis PCA) [11], phƣơng pháp chiếu - projection pursuit (PP), phân tích đƣờng cong - principal curves (PC), selforganizing maps (SM) [12] B Đánh giá kết phân đoạn ký tự  Cơ s liệu vùng chứa biển số Cơ sở liệu phần 341 ảnh biển số xe đƣợc lấy từ kết bƣớc trên, phần đƣợc tìm kiếm internet Và chia chúng thành loại, chi tiết loại đƣợc mô tả bảng Mạng Nơron nhân tạo  Để nhận biết ký tự phân đoạn có hai phƣơng pháp phổ biến dựa mẫu phù hợp dựa mạng thần kinh nhân tạo Phƣơng pháp phù hợp với mẩu nhanh chóng nhận ký tự cách tính tốn mối tƣơng quan mẫu hình ảnh [13], nhiên biển số có biến dạng đƣợc luân chuyên, tỉ lệ nhận dạng mẫu phù hợp giảm đáng kể [13 ] Vì lý này, muốn mạng lƣới Nơron để mẫu phù hợp đào tạo ba mạng nhận dạng mẩu sử dụng công cụ Matlab cung cấp, cho nhiệm vụ nhận dạng Mỗi mạng có 20 nút ẩn đƣợc huấn luyện, sử dụng thuật toán Levenberg – Marquardt [30] VII Kết bƣớc phân đoạn đƣợc cho bảng Đối với liệu có chất lƣợng kết thu đƣợc lên đến 96.17%, kết tốt Còn với loại liệu lại, kết thu đƣợc thấp, chƣa đến 77% Nhƣ vậy, hiệu suất bƣớc tất liệu đạt 83% BẢNG MÔ TẢ CƠ SƠ DỮ LIỆU Cơ sở liệu ĐÁNH GIÁ A Đánh giá kết tìm vùng chứa biển số  Cơ s liệu đầu vào Để đánh giá trình thực tìm vùng chứa biển số phƣơng pháp đề xuất, sử dụng sở liệu có 127 ảnh đƣợc xây dựng dựa việc sƣu tâm hình ảnh internet, đƣợc chụp lại nhóm nguyên cứu Cơ sở liệu đƣợc phân loại theo điều kiện ánh sáng, thời tiết, góc định hƣớng chất lƣợng hình ảnh (một ảnh bao gồm nhiều điều kiện phân loại trên) Chi tiết sở liệu, kết đƣợc mô tả bảng Phân đoạn 107 Đúng (%) 84.25 Sai (%) 15.75 27 79 77.14 85.87 22.86 14.13 31 78 23 96.88 83.87 92 3.13 16.13 55 32 91.67 82.05 8.33 17.95 86 20 90.53 64.52 9.47 35.48 34 20 85 71.43 15 28.57 Số lượng Loại 183 Loại 67 Loại 91 Mô tả Là tập hợp biển số có chất lƣợng tốt: điều kiện sáng bình thƣờng, thời thiết đẹp, ảnh không bị xoay, ký tự biển số màu đen trắng Là biển số xe bị lêch, nghiêng với góc có cƣờng độ sáng tốt Những biển số có góc lệnh lớn, cƣờng độ sáng xấu (Quá sáng tối) Chất lƣợng kém, mờ, bị nhiễu BẢNG CHI TIẾT KẾT QUẢ CỦA BƢỚC PHÂN ĐOẠN BẢNG CHI TIẾT KẾT QUẢ BƢỚC TÌM VÙNG BIỂN SỐ Cơ sở Số liệu lượng Tổng 127 Độ tương phản Thấp 35 Cao 92 Thời tiết Mƣa 32 Gió 93 Nắng 25 Góc xoay, nghiêng Chính diện 60 Bị lệnh 39 Vị trí chụp Trƣớc 95 Sau 31 Cảnh Đơn giản 40 Phức tạp 28 Đánh giá Loại Loại Loại Tổng Số lượng biển số 183 67 91 341 Phân đoạn Hiệu suất 176 51 56 283 96.17% 76.12% 61.54% 83% C Đánh giá ước phân loại ký tự ISBN: 978-604-67-0349-5 Cơ s liệu ký tự Do loại điều kiện chụp ảnh dẫn đến khác biệt kích thƣớc, độ sáng, độ tƣơng phản ký tự đƣợc phân đoạn; hai loại sở liệu huấn luyện đƣợc đề xuất liệu liệu không để cải thiện chất lƣợng việc phân loại Tập liệu không nhiễu đƣợc huấn liệu bao gồm điều kiện chiếu sáng tốt đối tƣợng không bị lệch Mỗi ký tự tập huấn luyện có 20 mẫu Tập liệu khơng đƣợc huấn luyện liệu có 20 mẫu tốt 30 mẫu khơng tốt cho ký tự 486 Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) Dữ liệu chia thành loại:    BẢNG KẾT QUẢ CỦA KIỂM THỬ DỮ LIỆU SẠCH Chất lượng tốt (WM): Các mẫu thử ký tự tƣơng tự, gần giống nhƣ mẫu mà ta huấn luyện cho mạng Dữ liệu Khơng có bụng (T1) 498 499 499 1496 Chất lượng trung bình (MM): Là tập hợp bao gồm mẫu mà có sai khác điều kiện sáng, phơng chữ, góc nghiêng 158 Có hai bụng (T3) 0 40 150 40 39 12 463 119 BẢNG KẾT QUẢ CỦA KIỂM THỬ DỮ LIỆU KHÔNG SẠCH WM MM HM TỔNG T1 T2 T3 T1 T2 T3 T1 T2 T3 T1 T2 T3 Khơng có bụng (T1) 250 0 249 249 748 Có bụng (T2) 78 79 78 235 Dữ liệu không Cơ sở liệu phần đánh giá đƣợc chia thành loại: Dữ liệu sạch: Bao gồm toàn mẫu tốt Dữ liệu không sạch: Bao gồm mẫu tốt xen lẫn mẫu chƣa tốt Mô tả chi tiết sở liệu cho hai loại liệu huấn luyện kiểm tra đƣợc trình bày Bảng Có hai bụng (T3) 0 20 0 20 0 20 0 60 D Đánh giá ước nhận dạng ký tự 1) Cách đánh giá Trong báo này, thực thuật toán nhận dạng đƣợc đề xuất đánh giá thông qua tỷ lệ ảnh nhận dạng (TPR), ảnh nhận dạng sai (FPR): BẢNG CHI TIẾT CƠ SỞ DỮ LIỆU CỦA PHẦN PHÂN LOẠI KÝ TỰ VÀ KẾT QUẢ , Huấn luyện Kiểm tra (Số mẫu/ký tự) (Mẫu/ký tự) Tốt Chưa tốt WM MM HM ALL (8) Trong TP, FP, FN TN đƣợc xác định nhƣ sau:  20 20 20 20 60  20 30 10 10 10 30   Đánh giá TP: Số lƣợng ký tự A đƣợc nhận dạng FP: Số lƣợng ký tự A đƣợc nhận dạng sai thành ký tứ A FN: Số lƣợng ký tự A đƣợc nhận dạng sai TN: Số lƣợng ký tự A đƣợc nhận dạng ký tự A 2) Đánh giá Tập liệu để đánh giá bao gồm WM, MM, HM TỔNG = (WM+MM+HM), đƣợc sử dụng để thực đánh giá hai mơ hình huấn luyện Đầu tiên, đặc tính vùng đóng kín đƣợc dùng để phân loại ký tự Kết phân loại đƣợc mô tả Bảng Bảng Sau phân ký tự thành ba loại, loại đƣợc nhận dạng ba mạng Nơron riêng Kết hai loại liệu đƣợc thể Bảng Bảng a) Dữ liệu BẢNG KẾT QUẢ NHẬN DẠNG KÝ TỰ TRONG DỮ LIỆU SẠCH a) Dữ liệu Tập liệu WM 700 mẫu ký tự, MM 700 mẫu ký tự, HM 700 mẫu ký tự TỔNG 2100 mẫu ký tự đƣợc sử dụng cho việc đánh giá liệu ISBN: 978-604-67-0349-5 155 Tập liệu WM 350 mẫu ký tự, MM 350 mẫu ký tự, HM 350 mẫu ký tự TỔNG 1050 mẫu ký tự đƣợc sử dụng cho việc đánh giá liệu không Cơ sở liệu phần này, mẫu đƣợc đem huấn luyện nhƣ kiểm tra, đánh giá liệu có chất lƣợng tốt (WM) đƣợc trích từ kết phần phân đoạn ký tự loại (bảng 2) Tƣơng tự nhƣ vây, liệu loại MM đƣợc trích từ loại HM từ loại Có bụng (T2) b) Dữ liệu không Chất lượng không tốt (HM): Là tập hợp khác hẳn phơng chữ, góc xoay đối tƣợng điều kiện chiếu sáng so với đối tƣợng mà ta huấn luyện trƣớc Dữ liệu Dữ liệu không WM MM HM TỔNG T1 T2 T3 T1 T2 T3 T1 T2 T3 T1 T2 T3 487 Dữ liệu TỔNG TPR FPR WM MM HM ALL 700 700 700 2100 99.43% 93.98% 85.12% 92.84% 0.018% 0.187% 0.458% 0.221% Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) [4] b) Dữ liệu không BẢNG KẾT QUẢ NHẬN DẠNG KÝ TỰ TRONG DỮ LIỆU KHÔNG SẠCH Dữ liệu không WM MM HM ALL TỔNG TPR FPR 350 350 350 1050 99.43% 98.29% 92.00% 96.57% 0.018% 0.054% 0.249% 0.107% [5] [6] [7] [8] Dựa vào kết trên, thấy rằng:  Khi huấn luyện cho liệu sạch, TPR WM, MM, HM đạt đƣợc cao cụ thể lần lƣợt 99.43%, 93.98%, 85.12%, trung bình cho ba 92.84% Còn FPR thấp cho ba loại, trung bình 0.221%  Khi huấn luyện cho liệu không sạch, hiệu suất kết phân loại đƣợc cải thiện đáng kể TPR MM, HM tăng xếp xỉ 4% VIII [9] [10] [11] KẾT LUẬN [12] Trong báo này, trình bày bốn bƣớc việc nhận dạng biển số xe tơ trình bày chi tiết đánh giá kết cho phần Với thuật toán đƣa cho thấy hiệu suất khối nhận dạng ký tự cho kết cao đƣợc cải tiến bổ sung thêm bƣớc phân loại ký tự Ngoài phần phân đoạn ký tự cho hiệu suất thu đƣợc lên đến 96.17% nhờ sử dụng thuật toán đánh nhãn [13] [14] [15] Kết tồn thuật tốn phụ thuộc nhiều vào bƣớc tiền xử lý Do bƣớc tiền xử lý đề xuất chƣa làm bật đƣợc phần chữ số nên khối tìm vùng chứa biển số đạt hiệu suất 84.25%, làm cho hiệu suất tồn thuật tốn bị giảm Trong tƣơng lai, tiếp tục nghiên cứu phƣơng pháp phát cạnh kết hợp với phát thay đổi biên để nâng cao hiệu suất bƣớc tiền xử lý Và phƣơng pháp Hough Transform xử lý trƣờng hợp góc chụp bị lệch [16] [17] LỜI CẢM ƠN [18] Để đạt đƣợc kết nhƣ trình bày, xin gửi lời cảm ơn đến tập thể nhóm nghiên cứu TRT 3DCS Kỹ Sƣ Nguyễn Hải Triều Anh, Khoa Điện Tử Viễn Thông, Đại học Bách Khoa, Đại học Đà Nẵng hỗ trợ, giúp đỡ nhiều trình thực đề tài [19] [20] TÀI LIỆU THAM KHẢO [1] [2] [3] [21] H Bai and C Liu "A hybrid license plate extraction method based on edge statistics andmorphology", Proc Int Conf Pattern Recognit., vol 2, pp.831 -834 2004 D Zheng, Y Zhao and J Wang "An efficientmethod of license plate location", Pattern Recognit Lett., vol 26, no 15, pp.2431 -2438 2005 A Akoum, B Daya , P Chauviet, “Two Neural Networks for License Number Plates Recognition”, Lebanese University, Institute of Technology, P.O.B 813 - Saida – LEBANON ISBN: 978-604-67-0349-5 [22] [23] 488 S Wang and H Lee "Detection and recognition of license platecharacters with different appearances", Proc Int Conf Intell Transp.Syst., vol 2, pp.979 -984 2003 F Faradji, A H Rezaie and M Ziaratban "A morphologicalbased license plate location", Proc IEEE Int Conf Image Process., vol 1, pp.57 -60 2007 Naikur Bharatkumar Gohil; “Car License Plate Detection”; B.E., Dharmsinh Desai University, India, 2006 Trƣơng Quốc Bảo, Võ Văn Phúc; “Giải thuật cho toán định vị nhận dạng biển số xe tơ”; Tạp chí khoa học Trƣờng đại học Cần Thơ; Phần A: Khoa học Tự nhiên, Công nghệ Môi trƣờng: 27(2013):44-45 Lƣơng Vũ Trúc, Lâm Tú Bình, Huỳnh Thị Phƣơng Oanh, Nguyễn Chí Thanh; “Ứng dụng mạng Neutral nhận dạng ký tự quang học”; Tiểu luận Lu Liu; Hongjiang Yu; Kehe Cai; Jia Wang; , "License plate recognition using topology structure features," Computing, Control and Industrial Engineering (CCIE), 2011 IEEE 2nd International Conference on, vol.2, no., pp.251-254, 20-21 Aug 2011 Peter Tarábek;, “Morphology Image Pre-Processing For Thinning Algorithms” Journal of Information, Control and Management Systems, vol 5, no 1, pp 131-138, 2007 Ondrej Martinsky; “Algorithmic And Mathematical Principles Of Automatic Number Plate Recognition Systems”, Faculty Of Information Technology Department Of Intelligent Systems, Brno University Of technology, 2007 Fodor I K.;, "A survey of dimension reduction techniques" LLNL technical report, june 2002 Guangmin Sun; Canhui Zhang; Weiwei Zou; Guangyu Yu; "A new recognition method of vehicle license plate based on Genetic Neural Network" Industrial Electronics and Applications (ICIEA), 2010 the 5th IEEE Conference on, vol., no., pp.1662-1666, 15-17 June 2010 M Sarfraz, M J Ahmed and S A Ghazi "Saudi Arabian license plate recognition system", Proc Int Conf Geom.Model Graph., pp.36 -41 2003 D Zheng, Y Zhao and J Wang "An efficientmethod of license plate location", Pattern Recognit Lett., vol 26, no 15, pp.2431 -2438 2005 K Kanayama, Y Fujikawa, K Fujimoto and M Horino "Development of vehicle-license numberrecognition system using real-time image processing and its application to travel-time measurement", Proc IEEE Veh Tech Conf., pp.798 -804 1991 V Kamat and S Ganesan "An efficient implementation of the Hough transform for detecting vehicle license plates usingDSPs", Proc Real-Time Tech Applicat Symp., pp.58 59 1995 C Busch, R Domer, C Freytag and H Ziegler "Feature based recognition of trafficvideo streams for online route tracing", Proc IEEE Veh Tech Conf., vol 3, pp.1790 -1794 1998 S Zhang, M Zhang and X Ye "Car plate character extraction under complicated environment", Proc IEEE Int Conf Syst Man Cybern., vol 5, pp.4722 -4726 2004 X Shi, W Zhao and Y Shen "Automatic license plate recognition system based on color imageprocessing", Lecture Notes Comput Sci., vol 3483, pp.1159 -1168 2005 K Miyamoto, K Nagano, M Tamagawa, I Fujita and M Yamamoto "Vehicle license-plate recognition byimage analysis", Proc Int Conf Ind Electron Control Instrum., vol 3, pp.1734 -1738 1991 S.-L Chang, L.-S Chen, Y.-C Chung and S.-W Chen "Automatic license platerecognition", IEEE Trans Intell Transp Syst., vol 5, no 1, pp.42 -53 2004 T Nukano, M Fukumi and M Khalid "Vehicle license plate characterrecognition by neural networks", Proc Int Symp Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (ECIT2014) [24] [25] [26] Intell Signal Process Commun.Syst., pp.771 -775 2004 V Shapiro and G Gluhchev "Multinational license plate recognition system: Segmentation andclassification", Proc Int Conf Pattern Recognit., vol 4, pp.352 -355 2004 B.-F Wu, S.-P Lin and C.-C Chiu "Extractingcharacters from real vehicle license plates out-of-doors", IET Comput.Vision, vol 1, no 1, pp.2 -10 2007 T D Duan, T L H Du, T V Phuoc and N V Hoang "Building an automatic vehicle license-plate recognition system", Proc Int Conf Comput Sci RIVF, pp.59 -63 2005 [27] [28] [29] [30] ISBN: 978-604-67-0349-5 489 K K Kim, K I Kim, J B Kim and H J Kim "Learningbased approach for license plate recognition", Proc IEEESignal Process Soc Workshop Neur Netw Signal Process., vol 2, pp.614 -623 2000 A Capar and M Gokmen "Concurrent segmentation and recognition with shape-driven fast marchingmethods", Proc Int Conf Pattern Recognit., vol 1, pp.155 -158 2006 R Parisi, E D D Claudio, G Lucarelli and G Orlandi "Car plate recognition by neuralnetworks and image processing", Proc IEEE Int Symp Circuits Syst., vol 3, pp.195 -198 1998 Ananth Ranganathan " The Levenberg-Marquardt Algorithm", 8th June 2004  ... loại cho nhóm ký tự (hình 13) NHẬN DẠNG KÝ TỰ Vấn đề nhận dạng, mạng nơron nhân tạo cách phổ biến đƣợc sử dụng [8] Mặc dù có nhiều ƣu thế, nhƣng mạng nơron nhân tạo số hạn chế Một hạn chế quan... bƣớc nhận dạng ký tự mạng Nơron nhân tạo [3] Trƣớc vào thực việc nhận dạng ký tự, ta chia liệu đầu ảnh ký tự đƣợc phân nhỏ thành loại, nhằm mục đích giảm độ phức tạp cho mạng Nơron nhân tạo, ... Vì lý này, muốn mạng lƣới Nơron để mẫu phù hợp đào tạo ba mạng nhận dạng mẩu sử dụng công cụ Matlab cung cấp, cho nhiệm vụ nhận dạng Mỗi mạng có 20 nút ẩn đƣợc huấn luyện, sử dụng thuật toán