Phần mềm được cài đặt và chạy thử nghiệm với các kết quả:
KẾT LUẬN
Quá trình hoàn thành luận văn, tôi đã nghiên cứu được nhiều kiến thức cũng như quá trình xây dựng một mô hình học sâu, từ quá trình tạo thu thập dữ liệu, đến quá trình đào tạo mô hình và đánh giá mô hình. Học sâu là một lĩnh vực đang phát triển mạnh mẽ cùng với sự đầu tư nghiên cứu của các nhà khoa học, bài báo liên đến kỹ thuật OCR được chú ý nhiều, qua đó giúp tôi học được cách tiếp cận cũng như cập nhật kiến thức một cách nhanh chóng và liên tục.
Qua quá trình nghiên cứu tôi đã thí nghiệm bóc tách thông tin từ chứng minh thư khi sử dụng mô hình học sâu, tôi nhận thấy đã đạt được một số kết quả chính sau:
+ Nắm bắt được các bước chính trong một hệ thống xử lý ảnh, hiểu được các khái niệm xử lý ảnh với các thuật toán học sâu. Thấy được vai trò quan trọng của học sâu trong xử lý ảnh đối với một hệ nhận dạng, đó là bước tiền xử lý nhằm nâng cao chất lượng của nhận dạng.
+ Tìm hiểu và tổng quát hoá các phương pháp phân tích ảnh tài liệu, cũng như nắm được các ưu nhược điểm của từng phương pháp. Từ đó đưa ra được các giải pháp cho bài toán đặt ra trong luận văn.
+ Đã áp dụng thành công các kiến thức tìm hiểu được vào cài đặt thử nghiệm chương trình phân tích ảnh CMND. Kết quả của chương trình đạt được là tốt và có thể áp dụng vào thực tế.
Tuy nhiên, do thời gian làm luận văn hạn chế, trong khi khối lượng công việc lớn nên còn nhiều vấn đề tồn tại chưa được giải quyết:
+ Một số trường hợp các có thể bị mất một phần thông tin hoặc coi nhiễu như một phần thông tin của trường. Thuật toán chỉ thất bại trong trường hợp các trường thông tin in/dập vào CMND bị lệch một góc đánh kể so với các dòng in sẵn trong CMND.
+ Thuật toán mới chỉ dừng lại ở việc phân tích ảnh CMND, chưa khái quá hoá cho các ảnh thẻ bất kỳ.
Hướng phát triển tiếp theo là, tiếp tục nghiên cứu hoàn thiện chương trình để có thể áp dụng vào thực tế. Mở rộng các tính năng của chương trình (như thêm phần nhận dạng, kiểm lỗi chính tả) để thành một chương trình hoàn chỉnh. Khái quát hoá thuật toán để có thể xử lý được ảnh thẻ khác.
TÀI LIỆU THAM KHẢO
[1] Youngmin Baek, Bado Lee, Dongyoon Han, Sangdoo Yun, Hwalsuk Lee. Character Region Awareness for Text Detection. 2019.
[2] Zhi Tian, Weilin Huang, Tong He, Pan He, Yu Qiao. Detecting Text in Natural Image with Connectionist Text Proposal Network. 2016.
[3] Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg. SSD: Single Shot MultiBox Detector. 2015.
[4] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi. You Only Look Once: Unified, Real-Time Object Detection. 2015.
[5] Dan Deng, Haifeng Liu, Xuelong Li, Deng Cai. PixelLink: Detecting Scene Text via Instance Segmentation. 2018.
[6] Chengquan, Zhang. Multi-oriented Text Detection with Fully Convolutional Networks. 2016.
[7] Abhinav Shrivastava, Abhinav Gupta, Ross Girshick. Raining Region- based Object Detectors with Online Hard Example Mining. 2016.
[8] Benteng Ma, Yong Xia. Autonomous Deep Learning: A Genetic DCNN Designer for Image Classification. 2018.
[9] Baoguang Shi, Xiang Bai, Cong Yao. An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition. 2015.
[10] Machine Learning in Python, https://scikit-learn.org/stable/ [11] Satya Mallick. Support Vector Machines (SVM)
https://www.learnopencv.com/support-vector-machines-svm [12] Kushashwa Ravi Shrimali. SVM using Scikit-Learn in Python