Nhận dạng ảnh, phân loại xe dùng mạng neuron

Đại học Quốc gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA -o0o - TRẦN NGUYÊN BẢO TRÂN NHẬN DẠNG ẢNH, PHÂN LOẠI XE DÙNG MẠNG NEURON Chuyên ngành: ĐIỀU KHIỂN HỌC KỸ THUẬT Mã số ngành: 2.05.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, Tháng 11 năm 2004 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: GV TS HOÀNG MINH TRÍ Cán chấm nhận xét 1: TS NGUYỄN THIỆN THÀNH Cán chấm nhận xét 2: PGS TS NGUYỄN HỮU PHƯƠNG LUẬN VĂN THẠC SĨ ĐƯC BẢO VỆ TẠI HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA ngày 24 tháng 11 năm 2004 Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA CÔNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập – Tự Do – Hạnh Phuùc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họvà tên học viên: TRẦN NGUYÊN BẢO TRÂN Phái: Nam Ngày tháng năm sinh: Nơi sinh: Huế Chuyên ngành: 02/04/1977 ĐIỀU KHIỂN HỌC KỸ THUẬT Mã số: DKKT13.016 TÊN ĐỀ TÀI: NHẬN DẠNG ẢNH PHÂN LOẠI XE DÙNG MẠNG NEURON NHIỆM VỤ: - Viết chương trình sử dụng kỹ thuật mạng neuron nhân tạo nhận dạng ảnh để phân loại xe - Mô hoạt động mô hình trạm thu phí giao thông tự động NGÀY GIAO NHIỆM VỤ: NGÀY HOÀN THÀNH NHIỆM VỤ: GIÁO VIÊN HƯỚNG DẪN: Giáo viên hướng dẫn ngày tháng 12 năm 2003 ngày 24 tháng 11 năm 2004 GV.TS HOÀNG MINH TRÍ Chủ nhiệm ngành Nội dung đề cương Luận văn Thạc só Hội Đồng Chuyên Ngành thông qua Ngày tháng PHÒNG ĐÀO TẠO SAU ĐẠI HỌC Bộ môn năm KHOA QUẢN LÝ NGÀNH Trong trình thực đề tài Luận văn, gặp nhiều khó khăn, phải cố gắng nỗ lực nhiều để hoàn thành Luận văn Thạc só Tuy nhiên, hoàn thành Luận văn quan tâm, giúp đỡ gia đình, Thầy cô, bạn bè đồng nghiệp Đạt kết ngày hôm nay, xin gởi lời cảm ơn chân thành đến thầy TS TS Hoàng Minh Trí hướng dẫn thực đề tài luận văn này; Quý Thầy cô Bộ môn Điều Khiển Tự Động – Khoa Điện – Điện Tử – trường Đại học Bách Khoa TP.Hồ Chí Minh; người gia đình, bạn bè, đồng nghiệp giúp đỡ trình làm Luận văn Trần Nguyên Bảo Trân TÓM TẮT LUẬN VĂN THẠC SĨ Luận văn Thạc só báo cáo kết thực đề tài “Nhận dạng ảnh, phân loại xe dùng mạng Neuron” Trong phần mở đầu, tác giả giới thiệu lý chọn đề tài, mục đích đối tượng nghiên cứu đề tài, ý nghóa thực tiễn đề tài Trong phần tác giả nêu lên sở lý thuyết để thực đề tài gồm: Chương 1: Cơ sở lý thuyết xử lý ảnh Trong chương này, tác giả chủ yếu nêu công đoạn, phương pháp cần thiết để thực bước tiền xử lý ảnh làm tăng độ tương phản, lọc nhiễu, làm biên ảnh, phân đoạn ảnh Ngoài chương này, tác giả nêu lên phương pháp rút trích đặc trưng đối tượng ảnh Chưong 2: Cơ sở lý thuết mạng neuron Trong chương này, tác giả nhắc lại khái niệm cần thiết mạng neuron nêu lên số mạng neuron ứng dụng vào hệ thống xử lý ảnh để nhận dạng, phân loại đối tượng ảnh Trong phần 3: Tác giả trình bày trình thực đề tài kết bước thực Trong phần cuối cùng, phần 4, tác giả kết luận lại ý nghóa đề tài nêu hướng mở rộng Luận văn MỤC LỤC Trang Phần 1: Mở đầu Phần 2: Cơ sở lý thuyết Chương 1: Xử lý ảnh 1.1 Tổng quan xử lý ảnh 1.2 Quá trình xử lý ảnh 1.2.1 Thu nhận ảnh 1.2.2 Tiền xử lý ảnh 1.2.3 Phân tích ảnh 1.2.4 Trích chọn đặc trưng 1.3 Các phương pháp hiệu chỉnh ảnh giai đoạn tiền xử lý ảnh 1.3.1 Thay đổi độ tương phản 1.3.2 Lọc nhiễu 1.3.3 Thay đổi mức xám ảnh 1.4 Phương pháp phân đoạn ảnh 1.4.1 Phân đoạn ngưỡng 1.4.2 Phương pháp cục 1.4.3 Phương pháp chia tách, nối kết, phát triển vùng 1.4.4 Phương pháp tách tứ phân (quadtree) 1.5 Phương pháp làm biên ảnh 1.5.1 Dò biên phương pháp Gradient 1.5.2 Dò biên phương pháp Laplace 1.6 Phương pháp trích đặc trưng đối tượng 1.6.1 Phương pháp lưới 1.6.2 Phương pháp cung 1.6.3 phương pháp biểu diễn Fourier 1.7 Các phương pháp phânlớp đối tượng 1.7.1 Nguyên lý phân lớp 1.7.2 Phân lớp kiểu tìm kiếm khối 1.7.3 Phân lớp theo khoảng cách tối thiểu 1.7.4 Phân lớp lý thuyết thống kê 1.7.5 Một số thủ tục phân lớp thực nghiệm 1.7.6 Các phương pháp phân lớp không tham số Chương 2: Mạng neuron nhân tạo 2.1 Mô hình mạng neuron nhân tạo 11 12 12 14 14 16 17 18 19 19 21 26 26 27 29 30 32 33 33 35 36 37 37 37 40 40 41 42 42 47 48 50 50 2.1.1 Mô hình neuron nhân tạo 2.1.2 Một số hàm tổng hợp 2.1.3 Một số hàm hoạt hóa thường dùng 2.1.4 Mô hình mạng neuron nhân tạo 2.1.5 Phân loại mạng neuron 2.1.6 Các kỹ thuật học mạng neuron 2.2 Một số mô hình mạng neuron ứng dụng nhận dạng ảnh 2.2.1 Mạng Perceptron 2.2.2 Mạng perceptron nhiều lớp 2.2.3 Mạng kết hợp tuyến tính 2.2.4 Mạng Kohonen Phần 3: Kết thực Luận văn Chương 1: Thiết kế hệ thống trạm thu phí giao thông tự động 1.1 Thiết kế hệ thống 1.1.1 Ý tưởng thiết kế 1.1.2 Ưu điểm hệ thống 1.1.3 Nhược điểm hệ thống 1.2 Hệ thống cảm biến phát xe 1.2.1 Cảm biến đặt đường 1.2.2 Cảm biến đặt bên cạnh đường Chương 2: Xử lý ảnh để rút trích đặc tính loại xe 2.1 Quy trình xử lý ảnh 2.1.1 Ảnh chụp hình xe 2.1.2 Tăng cường độ tương phản 2.1.3 Làm biên ảnh 2.1.4 Phân đoạn ảnh 2.1.5 Rút trích đặc trưng từ ảnh Chương 3: Xây dựng mạng neuron 3.1 Cơ sở để phân loại xe 3.2 Thiết kế mạng neuron 3.2.1 Thiết kế mạng neuron 3.2.2 Huấn luyện mạng 3.2.3 Giải thuật học 3.2.4 Nhận dạng 3.3 Kết thực luận văn Phần 4: Kết luận Tài liệu tham khảo 50 51 52 54 54 55 57 57 62 71 74 79 80 80 80 81 81 82 82 83 86 86 87 88 89 89 91 98 98 99 99 100 102 104 105 107 109 Trang Phần 1: MỞ ĐẦU LUẬN VĂN THẠC SĨ Trang Trong năm gần đây, số lượng người đến sinh sống làm việc thành phố Hồ Chí Minh ngày tăng nhanh, số lượng phương tiện giao thông di chuyển đường ngày nhiều Đường xá ngày trở nên chật hẹp, nhu cầu mở rộng đường nhu cầu cấp thiết Để có khả xây dựng sữa chữa mở rộng đường, quyền thành phố cho phép nhà đầu tư thu phí giao thông đường Đã không lần chứng kiến cảnh kẹt xe trạm thu phí giao thông vào cao điểm tai nạn đáng tiếc xe phải dừng lại để mua vé qua trạm thu phí, nên có suy nghó: không thiết kế hệ thống trạm thu phí giao thông tự động nhằm làm giảm thời gian xe phải dừng lại mua vé, kiểm soát vé? Xuất phát từ suy nghó nên chọn thực đề tài “Nhận dạng ảnh phân loại xe dùng mạng Neuron” để từ thiết kế mô hình trạm thu phí giao thông tự động Một lý khác ngày nay, với khả tự học tập mạng neuron từ hoàn cảnh thường gặp từ môi trường xung quanh, hệ thống máy tính ứng dụng mạng neuron “thông minh” hơn, nhận dạng đối tượng cách dễ dàng Kỹ thuật dùng mạng neuron nhân tạo thường sử dụng hệ thống có hành vi phức tạp để mô hình hóa, dự đoán điều khiển LUẬN VĂN THẠC SĨ Trang 10 xác nhằm đạt mục tiêu cuối thông qua việc huấn luyện mà không cần đến thông tin ban đầu cấu trúc thông số hệ thống Đề tài “Nhận dạng ảnh phân loại xe dùng mạng Neuron” ứng dụng kỹ thuật mạng neuron vào trình nhận dạng loại xe hệ thống thu phí xe qua trạm thu phí tự động Đây đề tài kết hợp kỹ thuật xử lý ảnh mạng neuron nhân tạo nhằm tạo hệ thống thông minh, có tính tự động hóa cao giúp giảm thiểu sức lao động nhân công mô hình trạm thu phí giao thông tự động, giảm thời gian phải dừng lại qua trạm thu phí giao thông Trong thiết kế đề tài, hệ thống máy tính sử dụng mạng neuron tự động chụp ảnh, nhận dạng phân loại xe, đưa mức phí phải trả cho xe tài xế dừng xe lại trước chắn trạm thu phí Tài xế xe toán phí cách quẹt thẻ từ qua máy quét để hệ thống khấu trừ dần vào tài khoản trả trước Tuy nhiên, thời gian điều kiện hạn chế, nên luận văn dừng lại công việc thiết kế viết chương trình mô máy tính LUẬN VĂN THẠC SĨ Trang 97 LUẬN VĂN THẠC SĨ Trang 98 Chương 3: XÂY DỰNG MẠNG NEURON 3.1 CƠ SỞ ĐỂ PHÂN LOẠI XE: Theo quy định 109/2002/TT-BTC ngày 6/12/2002 công văn số 1479 TC/TCT ngày 19/02/2003 Bộ Tài vệc thực thông tư 109/2002/ TT-BTC, quy định mức thu phí phương tiện giao thông lưu thông đường Xa lộ Hà Nội sau: BIỂU MỨC THU PHÍ STT Loại xe Xe lam, máy kéo, công nông, sen Xe ô tô chỗ Xe ô tô từ chỗ đến 11 chỗ, xe có tải trọng Xe ô tô từ 12 chỗ đến 30 chỗ, xe có tải trọng từ đến Xe ô tô từ 31 chỗ trở lên, xe có tải trọng từ đến 10 Xe có tải trọng từ 10 đến 15 Xe có tải trọng từ 15 đến 18 tấn, xe chở hàng container 20 feet trở lên đến 40 feet Xe có tải trọng từ 18 trở lên, xe chở hàng container 40 feet LUẬN VĂN THẠC SĨ Mức thu phí (đồng/1 lượt) 5.000 7.000 10.000 15.000 20.000 30.000 40.000 60.000 Trang 99 3.2 THIẾT KẾ MẠNG NEURON 3.2.1 Thiết kế mạng neuron: Bài toán đặt sau có vectơ đặc trưng P, ta cần xét xem xe xét loại xe mức thu phí Đây toán phân lớp Để xây dựng mạng neuron, ta cần xác định số neuron lớp vào, số neuron lớp ra, số lớp ẩn, số neuron lớp ẩn - Ở có lớp đầu tương ứng với mức thu phí nên số neuron đầu hàm kích hoạt logsig - Vectơ đặc trưng có 11 thành phần nên lớp neuron vào mạng có 11 neuron - Mạng neuron thiết kế mạng neuron truyền thẳng perceptron đa lớp MLP, giải thuật học truyền lùi (Backpropagation Feed-Forward) có giám sát - Thử nghiệm thực tế cho thấy số lớp ẩn mạng lớn mạng cho kết không thay đổi mà cấu trúc mạng lại phức tạp Vì vậy, chọn xây dựng mạng MLP có lớp neuron ẩn Số neuron lớp ẩn tương ứng với nhóm đặc tính loại xe cần phân loại Hàm kích hoạt lớp ẩn hàm logsig Hình 3.1: Mạng neuron theo thiết kế LUẬN VĂN THẠC SĨ Trang 100 3.2.2 Huấn luyện mạng Phần liệu mẫu phân thành tập con: tập mẫu học, tập kiểm soát (để xác định dừng trình học) tập kiểm thử (để kiểm tra khả đoán nhận, dự đoán mạng) Chương trình mô thuật toán huấn luyện mạng neuron phân loại xe thực môi trường tính toán kỹ thuật MATLAB Một số liệu mẫu tập mẫu học: LUẬN VĂN THẠC SĨ Trang 101 Một số liệu mẫu tập kiểm thử: LUẬN VĂN THẠC SĨ Trang 102 3.2.3 Giải thuật học: truyền lùi trung bình bình phương sai số có giám sát Bước 1: Khởi tạo trọng số cho lớp ẩn W2(t ) (i, j ) lớp xuất W3(n ) ( j , k ) cho lần lặp mẫu nhập nên t=1 n=1 - Các trọng số nút ẩn khởi tạo cho cặp đôi đối xứng Chúng số ngẫu nhiên phải đủ nhỏ để đảm bảo tổng trọng hóa nút mẫu xấp xỉ - Các trọng số nút xuất khởi tạo cho phân nửa giá trị nửa lại giá trị -1 Vì trọng số nhỏ làm cho biến thiên trọng số nhỏ chậm đạt đến mức xuất Bước 2: Tính tổng ngõ nhập sau gia trọng cho lớp ẩn I net2(t ) (n, j ) = ∑ X1 (n, i )W2(t ) (i, j ) + bσj I số lớp nhập X1 (n, i ) : ngõ neuron thứ i lớp vào ứng với mẫu thứ n bσj giá trị ngưỡng neuron thứ j lớp nhập LUẬN VĂN THẠC SĨ Trang 103 Bước 3: Tính ngõ cho neuron lớp ẩn với hàm ngưỡng logsig X 2(t ) (n, j ) = Bước 4: 1 + exp − net2(t ) (n, j ) [ ] Tính tổng ngõ nhập sau gia trọng cho lớp xuất J (t ) net3 (n, k ) = ∑ X (n, j )W3(t ) ( j, k ) + bσk Bước 5: Tính ngõ cho neuron lớp xuất ngõ cho toàn mạng với hàm ngưỡng logsig: X3(t ) (n, k ) = Bước 6: 1 + exp − net3(t ) (n, k ) [ ] Tính sai số trọng cho lớp xuất ∆W3(t ) ( j, k ) = −ηδ 3(t ) (k )X3(t ) (n, k ) + µ∆W3(t −1) ( j, k ) [ ][ ] δ 3(t ) (k ) = ηX3(t ) (n, k ) − X3(t ) (n, k ) d3 (n, k ) − X3(t ) (n, k ) đó: ∆W3(t ) ( j, k ) sai số lần lặp t trọng số W3(t ) ( j, k ) lớp xuất X3(t ) (n, k ) : ngõ neuron thứ k lớp xuất ứng với mẫu n d3 (n, k ) : ngõ yêu cầu neuron k ứng với mẫu thứ n η hệ số học µ hệ số momentum Bước 7: Tính sai số trọng cho lớp ẩn ∆W2(t ) (i, j ) = −ηδ 2(t ) ( j )X2(t ) (n, j ) + µ∆W2(t −1) (i, j ) [ ]  K (t )  δ ( j ) = ηX (n, j ) − X (n, j ) ∑ W3 ( j, k )δ 3(t ) (k ) 1  (t ) (t ) (t ) [ ][ ] δ 3(t ) (k ) = ηX3(t ) (n, k ) − X3(t ) (n, k ) d3 (n, k ) − X3(t ) (n, k ) LUẬN VĂN THẠC SĨ Trang 104 Bước 8: Tính lại trọng số cho lớp ẩn lớp xuất: W3(t −1) ( j, k ) = W3(t ) ( j, k ) + ∆W3(t ) ( j, k ) W2(t −1) (i, j ) = W2(t ) (i, j ) + ∆W2(t ) (i, j ) Laëp lại từ bước đến mẫu thứ N Bước 9: Tính sai số ngõ mạng ngõ yêu cầu: n n 2 msei = ∑ (ei (k )) = ∑ [di (k ) − X (k )] m k =t m k =t Nếu sai số đạt yêu cầu cho tất mẫu việc huấn luyện dừng lại, lưu lại trọng số Nếu sai số không đạt yêu cầu cho n=1 lặp lại từ bước 3.2.4 Nhận dạng: Bước 1: Lấy trọng số lớp ẩn W2 lớp xuất W3 từ tập liệu Bước 2: Tính net2(j) cho neuron j lớp ẩn Bước 3: Tính X2(j) cho neuron j lớp ẩn Bước 4: Tính net3(k) cho neuron k lớp xuất Bước 5: Tính X3(k) cho neuron k lớp xuất Bước 6: Tính trung bình bình phương sai số ngõ mạng với ngõ mong muốn: msei = n n ( ( ) ) [di (k ) − X (k )]2 e k = ∑ ∑ i m k =t m k =t Kết loại xe thứ i loại xe msei đạt giá trị nhỏ LUẬN VĂN THẠC SĨ Trang 105 3.3 KẾT QUẢ THỰC HIỆN LUẬN VĂN: LUẬN VĂN THẠC SĨ Trang 106 LUẬN VĂN THẠC SĨ Trang 107 Phần 4: KẾT LUẬN LUẬN VĂN THẠC SĨ Trang 108 Do thời gian điều kiện thực đề tài có hạn nên kết đề tài hạn chế chương trình mô máy tính giới hạn lại số loại xe tiêu biểu Chương trình gặp trở ngại không nhận dạng với số loại xe cải tiến Việt Nam, không theo quy chuẩn nhà sản xuất cơi nới thùng xe cho cao hơn, rộng hơn… Với kỹ thuật nhận dạng ảnh phân loại xe mạng neuron sử dụng đề tài này, hệ thống chương trình không áp dụng vào ứng dụng cụ thể nhận dạng phân loại xe hệ thống thu phí tự động, mà mở rộng theo nhiều hướng ứng dụng khác như: - “ Hệ thống trọng tài điện tử thông minh thi đấu thể thao”: xác định số đeo vận động viên đích cách xác kèm theo thời gian đạt mà thông thường trọng tài khó phân biệt thi đấu điền kinh, đua xe đạp … - “ Hệ thống giám sát giao thông”: nhằm cung cấp chứng cớ xác định xác xe vi phạm luật giao thông thông qua việc nhận dạng loại xe, kiểu xe xác định biển số xe LUẬN VĂN THẠC SĨ Trang 109 TÀI LIỆU THAM KHẢO [Ths Lương Mạnh Bá] – Nhập môn Xử lý ảnh số – NXB KHKT 1999 [TS Nguyễn Kim Sách] – Xử lý ảnh Video số – NXB KHKT 1997 [Ngô Diên Tập] – Xử lý ảnh máy tính – NXB KHKT 1997 [Vũ Mạnh Tường] – Giáo trình nhập môn Đồ họa Xử lý ảnh Khoa Tin học ĐH Mở Tp.HCM - 1995 [Ioannis Pitas] - Digital Image Processing Algorithims – Prentice Hall - 1993 [Scott E Umbaugh] – Computer Vision and Image Processing – Prentice Hall 1998 [Michael P Ekstrom] – Digital Image Processing Techniques – Academic Press [Robert Fulleùr] - Neural Fuzzy Systems – Abo 1995 [ Duc Truong Pham – Liu Xing] – Neural Networks for Identification, prediction and control – 1997 10 [TS Nguyeãn Thiện Thành ] – Chuyên đề Mạng Neuron; nhận dạng, dự báo điều khiển – 2001 11 [Phil Picton] – Introduction to Neural Networks – MacMilan Press – 1994 12 [Pavel Ripka] – Magnetic Sensors for Traffic Control – http://www.measure.feld.cvut.cz/usr/staff/ripka/MagneticSensors.pdf 13 Inductive Loop Detector as An Alternative Surface Surviliance Sytem - http://www.rannoch.com/PDF/p_02_LSS.pdf 14 Vehicle Detector Technologies for Traffic Management Applications – http://www.itsonline.com/detect_pt2.html 15 Vehicle Detection - www.dot.state.ct.us/bureau/eh/ehen/traffic/manual/Vehicle%20Detection.pdf LUẬN VĂN THẠC SĨ Trang 110 16 Traffic Camera – www.cseserv.engr.scu.edu/StudentWebPages/SKlein/ResearchPager.html 17 International Workshop on Neural Networks for Identification, Control, Robotics, and Signal/Image Processing (NICROSP '96) http://csdl.computer.org/comp/proceedings/nicrosp/ 18 [Magnus Nørgaard] NNSYSID Toolbox for system identification with neural networks NNCTRL Toolkit, an add-on for design and simulation of neural network based control systems 19 MATLAB www.mathwork.com/matlabcentral/ www.mathtools.net 20 Các số liệu loại xe tham khảo theo tài liệu thông số kỹ thuật loại xe nhà sản xuất cung cấp website 21 MATLAB 5.3; 6.5; 7.0.1 LUẬN VĂN THẠC SĨ Trang 111 LÝ LỊCH TRÍCH NGANG Họvà tên: TRẦN NGUYÊN BẢO TRÂN Ngày tháng năm sinh: Chuyên ngành: Địa liên lạc: 02/04/1977 ĐIỀU KHIỂN HỌC KỸ THUẬT Phái: Nam Nơi sinh: Huế Mã số: DKKT13.016 28/1 Cống Lở F15 Q.Tân Bình – Tp.HCM trannguyenbaotran@ant7.com www.ant7.com QUÁ TRÌNH ĐÀO TẠO: 9/1994 – 6/1999: Đại học Bách Khoa Tp.HCM - chuyên ngành Điều Khiển Tự Động – Điện – Điện tử 10/2000 – 2004: Đại học Khoa học Xã hội & Nhân văn Tp.HCM - chuyên ngành Ngữ văn Anh 9/2002 – 2004: học Sau Đại học Đại học Bách Khoa Tp.HCM - chuyên ngành Điều Khiển học Kỹ thuật QUÁ TRÌNH CÔNG TÁC: 4/1999 – 10/2003: phòng Kỹ thuật TT Bowling Đầm Sen 9/2002 – nay: Giảng viên trường Đại học Công nghiệp Tp.HCM LUẬN VĂN THẠC SĨ ... tài ? ?Nhận dạng ảnh phân loại xe dùng mạng Neuron? ?? ứng dụng kỹ thuật mạng neuron vào trình nhận dạng loại xe hệ thống thu phí xe qua trạm thu phí tự động Đây đề tài kết hợp kỹ thuật xử lý ảnh mạng. .. số: DKKT13.016 TÊN ĐỀ TÀI: NHẬN DẠNG ẢNH PHÂN LOẠI XE DÙNG MẠNG NEURON NHIỆM VỤ: - Viết chương trình sử dụng kỹ thuật mạng neuron nhân tạo nhận dạng ảnh để phân loại xe - Mô hoạt động mô hình... ảnh 2.1.4 Phân đoạn ảnh 2.1.5 Rút trích đặc trưng từ ảnh Chương 3: Xây dựng mạng neuron 3.1 Cơ sở để phân loại xe 3.2 Thiết kế mạng neuron 3.2.1 Thiết kế mạng neuron 3.2.2 Huấn luyện mạng 3.2.3