Có thể kết hợp một số phương pháp xử lý ảnh khác để tăng thêm độ tin cậy đối
với các biển báo giao thông tương đồng nhau và phát triển dựa trên các camera
có độ phân giải cao hơn để có thể nhận biết từ xa các biển báo mà cảnh báo sớm cho người lái xe.
Hệ thống cũng có thể tự phát triển theo hướng tự cập nhật cơ sở dữ liệu, nghĩa
là sau khi nhận dạng được biển báo giao thông nhưng đối tượng có độ khác biệt tương đối thì hệ thống sẽ sử dụng ảnh này để tiếp tục “huấn luyện” trực tuyến, trích xuất ra những đặc trưng chỉ có đối tượng biển báo giao thông này mới có. Từ đó tăng cường khả năng nhận dạng linh hoạt hơn của hệ thống.
Kết hợp khả năng phán đoán vị trí xuất hiện của biển báo trong tương lai bằng
cách phán đoán quỹ đạo chuyển động của biển báo trong khung hình. Qua đó sẽ
giảm khối lượng xử lý, thời gian phát hiện biển báo trong các khung ảnh sau.
Có thể sử dụng kết quả, phương pháp đạt được của luận văn này để phát triển các phương tiện giao thông tự hành trong nghành đường sắt, đường bộ, metro,
hay các robot tự hành dựa vào những thông tin mà robot nhìn thấy được xung
quanh.
Theo nhận định của bản thân học viên, thì đây là một lĩnh vực hay, lý thú, có
nhiều ứng dụng thực tế và bên cạnh đó vẫn còn nhiều vấn đề cần hoàn thiện
thêm. Vì khả năng thực hiện còn hạn chế và thời gian không nhiều cho luận văn
nên không tránh khỏi sơ sót và nhầm lẫn. Xin Quý Thầy Cô và các anh chị học
viên cũng như các bạn thông cảm. Mong rằng với những ai ham thích và có hứng thú với hướng nghiên cứu này có thể chia sẻ với học viên để cùng nhau tiếp tục tìm hiểu, phát triển thêm để nâng cao tính hữu dụng thực tế cho đề tài.
Đó cũng là một trong những mục tiêu chủ chốt và là lợi ích của ngành học này.
Lời cuối cùng kết lại nội dung quyển luận văn này, học viên xin chân thành cám ơn đến tất cả các thầy cô, các anh và các bạn đồng môn đã quan tâm giúp đỡ, hỗ trợ cả về
TÀI LIỆU THAM KHẢO Tiếng Anh
1. Andrzej R., Yongmin L., Xiaohui L. (2007), Traffic Sign Recognition Using Discriminative, Coputing and Mathamatics, Brunel University, UK.
2. Andrzej R., Yongmin L., Xiaohui L. (2008), Detection, Tracking and Recognition of Traffic Signs from Video Input, Coputing and Mathamatics, Brunel University, UK.
3. Auranuch L., Jackrit S. (2006), Traffic Sign Recognition Using Neural Network on Open CV: Toward Intelligent Vehicle/Driver Assistance System, Dep. of Biomedical Engineering, Mahidol University, Thailand.
4. Intel Corporation (2000), Open Source Computer Vision Library Reference Manual, 417 pages.
5. Karim Y. (2003), Building Embedded Linux Systems, O'Reilly & Associates, Inc. 6. Gonzalez and Woods (2002). Digital Image Processing 2nd edition, Prentice Hall 7. Michael H. S., Bill D., Hans V., Martin R. (2008), Video for Linux Two API
Specification Revision 0.24.
8. Mark M., Jeffrey O., and Alex S., (2001) Advanced Linux Programming, New Riders Publishing.
9. Saturnino M.B., Sergio L.A., Pedro G.J., Hilario G.M., Francisco L.F. (2007),
Road-Sign Detection and Recognition Based on Support Vector Machines. IEEE Transactions on intelligent transportation system.
10. Xavier B., Sergio E., Jordi V., Oriol P., Petia R. (2007), Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification. IEEE Transactions on intelligent transportation system.