KẾT LUẬN
Q trình hồn thành luận văn, tơi đã nghiên cứu được nhiều kiến thức cũng như quá trình xây dựng một mơ hình học sâu, từ q trình tạo thu thập dữ liệu, đến quá trình đào tạo mơ hình và đánh giá mơ 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 tơi học được cách tiếp cận cũng như cập nhật kiến thức một cách nhanh chóng và liên tục.
Qua q trình nghiên cứu tơi đã thí nghiệm bóc tách thơng tin từ chứng minh thư khi sử dụng mơ hình học sâu, tơi 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 tốn học sâu. Thấy được vai trị 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 hố 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 cơng 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 thơng tin hoặc coi nhiễu như một phần thông tin của trường. Thuật toán chỉ thất bại trong trường hợp các trường thơng tin in/dập vào CMND bị lệch một góc đánh kể so với các dòng in sẵn trong CMND.
+ Chương trình mới dừng lại ở bước thử nghiệm, chưa phải là một chương trình hồn chỉnh, đầy đủ các tính năng.
+ Thuật tốn 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 hồn 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 hồn chỉnh. Khái qt hố thuật tốn 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