3 Phương pháp nhận dạng biển báo thời gian thực
4.2 Confusion Matrix theo phương pháp SURF
trưng.
Các trường hợp nhận dạng sang các biển báo khác do đặc trưng của các biển báo trên thu được từ thuật toán SURF có số lượng ít vì số điểm ảnh của biển báo trong khung hình thu nhận là nhỏ và một số nhóm biển báo có hình dạng tương tự nhau. Ví dụ có thể thấy ở các biển báo trong hình 4.3.
Hình 4.3: Đặc trưng SURF trên các biển có độ tương đồng cao
tăng dần kích thước các tập kết quả đoán nhận của thuật toán. Trong trường hợp bài toán nhận dạng 30 biển báo giao thông đường bộ Việt Nam thì các phương án đưa ra ở đây là ảnh tiền đoán chỉ có thể giống 1 biển báo, có thể giống 1 trong 2 biển báo, có thể giống 1 trong 3 biển báo... có thể giống 1 trong 30 biển báo. Giá trị độ chính xác của thuật toán trên biển đồ càng hội tụ sớm về 100% thì thuật toán được cho là tối ưu hơn. Hình 4.5 biểu diễn giá trị của hai thuật toán SURF và thuật toán đề xuất.
Thời gian xử lý tính toán của chương trình nhận dạng biển báo giao thông đường bộ trên thiết bị di động là khả quan. Với dòng điện thoại Samsung Galaxy S3 thời gian thu hình và kiểm tra nếu có biển báo trong khung hình là 140ms. Với dòng điện thoại cấu hình cao hơn Sony Z3 thì thời gian xử lý giảm xuống còn 80ms. Kết quả trên cho thấy việc ứng dụng thuật toán vào nhận diện biển báo giao thông đường bộ Việt Nam trên thiết bị di động theo thời gian thực là hoàn toàn khả thi.
Chương 5
Kết luận
Luận văn nghiên cứu áp dụng các kiến thức xử lý ảnh, các quy trình cần thiết để xây dựng phương pháp nhận dạng biển báo giao thông đường bộ Việt Nam theo thời gian thực trên thiết bị động. Phương pháp nhận dạng biển báo giao thông đường bộ Việt Nam đã đề xuất cho kết quả ổn định. Phương pháp đưa ra cho phép nhận dạng hầu hết các biển báo cấm, biển hiệu lệnh trong môi trường ánh sáng đồng nhất trên nhiều góc nhìn khác nhau. Kết quả luận văn cho phép xây dựng các chương trình phát hiện và đoán nhận biển báo giao thông chính xác với tốc độ cao trên các thiết bị tài nguyên hạn chế như thiết bị di động.
Phương pháp đưa ra cho phép thực hiện nhiều ứng dụng trong thực tế như ứng dụng giáo dục biển báo cho trẻ em trên điện thoại di động, ứng dụng nhắc nhở tài xế các tuyến đường không được đỗ xe trên phố dựa trên các biển cấm dừng, cấm đỗ. Thông báo các đoạn đường giới hạn tốc độ, đường cấm mới được lắp biển báo hiệu, tích hợp vào hệ thống xe ôtô tự hành, xây dựng cơ sở dữ liệu toạ độ biển báo giáo thông đường bộ trực quan và chính xác. Cũng như ứng dụng nhận dạng các vật thể phẳng khác ngoài thực tế.
Hướng phát triển tiếp theo của chúng tôi sẽ nâng cao hiệu xuất nhận dạng về độ chính xác bằng việc áp dụng học máy khi thực hiện chọn lựa cách nhị phân hoá sự phụ thuộc điểm ảnh. Cũng như cải thiện thuật toán phát hiện để xử lý được với đầy đủ các biển báo giao thông. Xây dựng một phần mềm trên các điện thoại thông minh Android để hỗ trợ các tài xế tập trung lái xe đảm bảo an toàn giao thông.
Tài liệu tham khảo
[1] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool. Surf: Speeded up robust features. InComputer vision–ECCV 2006, pages 404–417. Springer, 2006. [2] Michael Calonder, Vincent Lepetit, Christoph Strecha, and Pascal Fua. Brief:
Binary robust independent elementary features. Computer Vision–ECCV 2010, pages 778–792, 2010.
[3] John Canny. A computational approach to edge detection.IEEE Transactions on Pattern Analysis and Machine Intelligence, (6):679–698, 1986.
[4] Krzysztof Ciesielski et al. On stefan banach and some of his results. Banach Journal of Mathematical Analysis, 1(1):1–10, 2007.
[5] Timothy F Cootes, Gareth J Edwards, and Christopher J Taylor. Active ap- pearance models. IEEE Transactions on Pattern Analysis & Machine Intelli- gence, (6):681–685, 2001.
[6] Marcin L Eichner and Toby P Breckon. Integrated speed limit detection and recognition from real-time video. In Intelligent Vehicles Symposium, 2008 IEEE, pages 626–631. IEEE, 2008.
[7] Michele Fornaciari, Andrea Prati, and Rita Cucchiara. A fast and effective ellipse detector for embedded vision applications. Pattern Recognition, 47 (11):3693–3708, 2014.
[8] Jack Greenhalgh and Majid Mirmehdi. Traffic sign recognition using mser and random forests. InSignal Processing Conference (EUSIPCO), 2012 Pro- ceedings of the 20th European, pages 1935–1939. IEEE, 2012.
[9] Alfred Haar. Zur theorie der orthogonalen funktionensysteme. Mathematis- che Annalen, 69(3):331–371, 1910.
[10] Lọc Huỳnh Ngọc. Nhận dạng biển báo giao thông trên cơ sở sử dụng bộ lọc Gabor và mạng Nơron. PhD thesis, Đại học Đà Nẵng, 2013.
[11] Thomas Kailath. The divergence and bhattacharyya distance measures in signal selection. Communication Technology, IEEE Transactions on, 15(1): 52–60, 1967.
[12] Solomon Kullback and Richard A Leibler. On information and sufficiency.
The annals of mathematical statistics, pages 79–86, 1951.
[13] Henry Oliver Lancaster. Chi-Square Distribution. Wiley Online Library, 1969.
[14] Stefan Leutenegger, Margarita Chli, and Roland Y Siegwart. Brisk: Binary robust invariant scalable keypoints. In Computer Vision (ICCV), 2011 IEEE International Conference on, pages 2548–2555. IEEE, 2011.
[15] Marius Muja and David G Lowe. Fast approximate nearest neighbors with automatic algorithm configuration. VISAPP (1), 2, 2009.
[16] Judith MS Prewitt. Object enhancement and extraction. Picture processing and Psychopictorics, 10(1):15–19, 1970.
[17] Lawrence Gilman Roberts. Machine perception of three-dimensional soups. PhD thesis, Massachusetts Institute of Technology, 1963.
[18] Yossi Rubner, Carlo Tomasi, and Leonidas J Guibas. The earth mover’s dis- tance as a metric for image retrieval. International journal of computer vi- sion, 40(2):99–121, 2000.
[19] Irvin Sobel. An isotropic 3×3 image gradient operator. Machine Vision for three-demensional Sciences, 1990.
[20] Paul Viola and Michael Jones. Rapid object detection using a boosted cas- cade of simple features. InComputer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, volume 1, pages I–511. IEEE, 2001.