5 Kết luận và hướng phát triển
4.5 Tập kí tự dùng cho việc huấn luyện
Chương 4. Hiện thực hệ thống nhận dạng biển số xe trên android smartphone 4.6 Hiệu chỉnh kết quả dựa trên cú pháp
Do một vài nguyên nhân, quá trình nhận dạng kí tự có thể đưa lại kết quả chưa thực sự chính xác, ví dụ như sự nhầm lẫn có thể xảy ra với những kí tự có hình dạng tương đối giống nhau như “B” và “8”, “S” và “5”, “G” và “6” . . . Thật may là ta có thể dựa vào những quy định của đăng kí biển số xe Việt Nam để sửa lại những nhầm lẫn kiểu này, cụ thể:
- Hai kí tự đầu tiên: chỉ có thể là số.
- Hai kí tự tiếp theo: kí tự đầu tiên của nhóm này phải là kí tự chữ. - Bốn hoặc năm kí tự cuối cùng: phải là số.
Sự hiệu chỉnh này có thể thực hiện đơn giản bằng cách thay thế trực tiếp những kí tự có hình dạng giống nhau tại những vị trí chỉ có thể là kí tự số hoặc chỉ có thể là kí tự chữ. Kết quả mang lại qua kiểm nghiệm, quá trình hiệu chỉnh đơn giản này mang lại hiệu quả khá lớn, nâng cao được độ chính xác của toàn bộ quá trình.
4.7 Kết quả thực nghiệm
Sau khi hiện thực thành công ứng dụng trên smartphone androidtheo các hướng tiếp cận đã nêu, khóa luận đã tiến hành thực nghiệm trên một số điều kiện khác nhau, kết quả thu được như sau:
1. Nhà xe chung cư B1 Trường Sa. Số mẫu: 100 biển số.
Quá Trình Thành công (%) Lỗi (%) Phát hiện vùng biển số 97 3 Tách kí tự 97 3 Nhận dạng kí tự 95 5 Kết quả chung 89 11 Bảng 4.1: Kết quả thử nghiệm 1 4.8 Tổng kết chương
Tại chương này, toàn bộ quá trình hiện thực ứng dụng trên android smartphone và chương trình huấn luyện mạng Kohonen đã được trình bày thông qua việc trình bày chi tiết các lớp đã được sử dụng cùng với sơ đồ UML của các lớp. Việc hiện thực này hoàn toàn tuân theo
cách tiếp cận đã được trình bày tại chương 3.
Khi ứng dụng được khởi chạy, việc đầu tiên đó là nạp bộ phân loại phát hiện vùng chứa biển số và mạng neural đã được huấn luyện. Bộ nhận dạng sẽ dùng bộ phân loại vừa được nạp phát hiện vùng chứa biển số. Ngay khi vùng chứa biển số được phát hiện, nếu đây là biển số mới được phát hiện, vùng chứa này sẽ được đưa qua xử lý để phân tách các kí tự. Các kí tự này sau đó lại được chuẩn hóa làm đầu vào của mạng neural Kohonen, tại đây mạng sẽ quyết định xem đó là kí tự nào. Việc sắp xếp lại các kí tự đã được nhận dạng sẽ trả về cho ứng dụng kết quả cuối cùng hiển thị lên màn hình.
Sau khi ứng dụng được hiện thực thành công, khóa luận đã thực hiện thực nghiệm trên một vài điều kiện nhất định, kết quả đạt được về độ chính xác và tốc độ tương đối cao, điều này khẳng định hướng tiếp cận của khóa luận là một hướng tiếp cận hợp lý. Nhưng bên cạnh đó, những điểm yếu là không thể tránh khỏi, điều này sẽ được trình bày tại chương kế tiếp cùng với hướng phát triển của khóa luận.
Chương 5
Kết luận và hướng phát triển
Sau khóa luận, về cơ bản luận văn đã nắm bắt được mô hình nhận dạng kí tự nói chung và mô hình nhận dạng biển số xe nói riêng. Với những kiến thức về xử lý ảnh, mạng neural và hệ thống xử lý trên android, khóa luận đã vận dụng và xây dựng thành công chương trình nhận dạng biển số trên smartphone sử dụng hệ điều hành android, kết quả bước đầu tương đối khả quan. Chương này sẽ khái quát lại những gì khóa luận đã đạt được và đề ra hướng phát triển tiếp theo để có thể đưa hệ thống nhận dạng biển số trên android smartphone được ứng dụng vào thực tế.
5.1 Những kết quả đạt được
- Nắm được quy trình chung trong xây dựng một hệ thống nhận dạng biển số. - Hiểu và vận dụng quá trình tiền xử lý ảnh thu được từ camera của smartphone.
- Tìm hiểu và khai thác được một phần sức mạnh của bộ thư viện mã nguồn mở OpenCV trong việc xử lý, phát hiện vùng chứa biển số và tách kí tự.
- Nắm được kiến thức cơ bản về mô hình mạng neural và cách hiện thực một mô hình mạng neural trong thực tế.
- Nắm được các khái niệm cơ bản về Android và cách thức xây dựng một ứng dụng trên android với bộ công cụ phát triển Eclipse.
Về mặt thực nghiệm:
- Xây dựng thành công mạng neural đơn giản, cài đặt thuật toán huấn luyện mạng ứng dụng trong quá trình nhận dạng kí tự.
- Xây dựng thành công hệ thống nhận dạng biển số xe trên Android với kết quả khá khả quan.
Tóm lại, khóa luận “Tìm hiểu và phát triển ứng dụng nhận dạng biển số xe trên Android smartphone” sử dụng bộ thư viện nguồn mở OpenCV kết hợp với mạng neural nhân tạo cơ bản Kohonen đã đạt được những kết quả cơ bản của một hệ thống nhận dạng với tốc độ xử lý nhanh (thời gian đáp ứng trung bình là khoảng 400ms kể từ khi phát hiện ra vùng biển số) và hiệu quả cao (trung bình 90% dưới mọi điều kiện), điều này cho thấy hướng tiếp cận giải quyết bài toán là phù hợp.
5.2 Hướng phát triển
Bên cạnh những kết quả đạt được, khóa luận còn có những mặt hạn chế chưa được giải quyết hay đề cập tới, đó cũng chính là mục tiêu tiếp theo của khóa luận này. Những tính năng dưới đây sẽ tiếp tục được phát triển với hy vọng có thể đưa hệ thống ứng dụng trong thực tiễn.
- Nâng cao hơn nữa tốc độ và độ chính xác nhận dạng. - Lưu trữ địa điểm, thời gian của biển số được nhận dạng.
- Xây dựng cơ sở dữ liệu trên máy chủ để thu thập, lưu trữ và sử dụng các kết quả do chương trình nhận dạng mang lại.
- Dò tìm và phát hiện biển số cần tìm kiếm, thông báo về máy chủ để xử lý. - Hiển thị thông tin chủ phương tiện, phục vụ cho mục đích kiểm soát an ninh.
Tài liệu tham khảo
[1] Ed Burnette. Hello, Android: Introducing Google’s Mobile Development Platform. Pragmatic Bookshelf, 2nd edition, 2009. 41
[2] Yoav Freund and Robert E. Schapire. A decision-theoretic generalization of on-line learning and an application to boosting. InProceedings of the Second European Con- ference on Computational Learning Theory, EuroCOLT ’95, pages 23–37, London, UK, UK, 1995. Springer-Verlag.
[3] G. Harman. A case study on data interoperability for license plate recognition. In
Technologies for Homeland Security, 2008 IEEE Conference on, pages 237 –239, may 2008.
[4] J. Heaton. Introduction to Neural Networks for Java, Second Edition. Heaton Research, 2008. 47
[5] J.S. Kang, M.H. Kang, C.H. Park, J.H. Kim, and Y.S. Choi. Implementation of em- bedded system for vehicle tracking and license plates recognition using spatial relative distance. InInformation Technology Interfaces, 2004. 26th International Conference on, pages 167 –172 Vol.1, june 2004.
[6] Rainer Lienhart and Jochen Maydt. An extended set of haar-like features for rapid object detection. InIEEE ICIP 2002, pages 900–903, 2002.
[7] Andres Llana. Wireless application protocol (wap) and mobile wireless access. Infor- mation Systems Security, 11(3):14–21, 2002.
[8] R.A. Lotufo, A.D. Morgan, and A.S. Johnson. Automatic number-plate recognition. InImage Analysis for Transport Applications, IEE Colloquium on, pages 6/1 –6/6, feb 1990.
[9] M.R. Lynch. Practical automobile number plate recognition by linear weight neural networks. InToll Systems, IEE Colloquium on, pages 61 –63, oct 1992.
[10] Ondrej Martinsky. Algorithmic and mathematical principles of automatic number plate recognition systems. Master’s thesis, BRNO University of Technology, 2007.
[11] A. Mutholib, T.S. Gunawan, and M. Kartiwi. Design and implementation of automatic number plate recognition on android platform. In Computer and Communication En- gineering (ICCCE), 2012 International Conference on, pages 540 –543, july 2012. [12] Constantine P. Papageorgiou, Michael Oren, and Tomaso Poggio. A general framework
for object detection. InProceedings of the Sixth International Conference on Computer Vision, ICCV ’98, pages 555–, Washington, DC, USA, 1998. IEEE Computer Society. [13] J. Parker, R.V. Kenyon, and D.E. Troxel. Comparison of interpolating methods for
image resampling. IEEE Trans Med Imaging, 2(1):31–9, 1983.
[14] Mke Rhead, Robert Gurney, Soodamani Ramalingam, and Neil Cohen. Accuracy of automatic number plate recognition (anpr) and real world uk number plate problems. In Security Technology (ICCST), 2012 IEEE International Carnahan Conference on, pages 286 –291, oct. 2012.
[15] A. Sharma, A. Dharwadker, and T. Kasar. Moblp: A cc-based approach to vehicle license plate number segmentation from images acquired with a mobile phone camera. InIndia Conference (INDICON), 2010 Annual IEEE, pages 1 –4, dec. 2010.
[16] Paul Viola and Michael Jones. Rapid object detection using a boosted cascade of simple features. In Proceeding of Conference on Computer Vision and Pattern Recognition, pages 511–518, 2001. 12
[17] Paul Viola and Michael Jones. Robust real-time object detection. International Journal of Computer Vision, 57(2):137–154, 2002.
[18] J. Wang, D.H. Wang, and S. Chen. Map matching algorithm based on mobile phone location. In Intelligent Computation Technology and Automation (ICICTA), 2011 In- ternational Conference on, volume 1, pages 676 –679, march 2011.
[19] Chen Yuan-yuan and Li Jing. A method of number-plate character recognition algo- rithm based on boosting classification. In Communications and Mobile Computing, 2009. CMC ’09. WRI International Conference on, volume 3, pages 263 –267, jan. 2009.