Nghiên cứu nâng cao hiệu năng trong hệ thống nhận dạng biển số xe

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG

LÊ VŨ PHONG

NGHIÊN CỨU NÂNG CAO HIỆU NĂNG
TRONG HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE

Chuyên ngành: Hệ thống thông tin
Mã số: 60.48.01.04

TÓM TẮT
LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN

Đà Nẵng - Năm 2017


Công trình được hoành thành tại
ĐẠI HỌC ĐÀ NẴNG

Người hướng dẫn khoa học: TS. Nguyễn Hoàng Hải

Phản biện 1: PGS. TS. Huỳnh Công Phát
Phản biện 2: TS. Nguyễn Quang Thanh

Luận văn đã được bảo vệ trước Hội đồng chấm Luận văn tốt
nghiệp thạc sĩ Hệ thống thông tin họp tại Đại học Đà Nẵng vào
ngày 07 tháng 01 năm 2017.

Có thể tìm hiểu luận văn tại:
- Thư viện Trường Đại học Sư phạm Đà Nẵng, Đại học Đà Nẵng.

- Trung tâm thông tin học liệu, Đại học Đà Nẵng.


1
MỞ ĐẦU
1. Lý do chọn đề tài
Hiện nay, ngành công nghệ thông tin đang ngày một phát triển.
Những thiết bị tự động ngày một nhiều hơn, đa dạng hơn và hỗ trợ
cho con người nhiều hơn. Trong đó, lĩnh vực nghiên cứu về thị giác
máy đã có nhiều ứng dụng thực tế được ghi nhận như nhận dạng biển
số xe, nhận dạng dấu vân tay, nhận dạng mã vạch, tương tác giữa
người và máy… Chính vì lẽ đó, nghiên cứu thị giác máy đang là một
xu hướng của thế giới số.
Có thể nói hệ thống nhận dạng biển số xe đã có rất nhiều công
trình nghiên cứu với các phương pháp tiếp cận khác nhau. Những
nghiên cứu này xoay quanh vấn đề tìm cách tiếp cận và xây dựng mô
hình thuật toán theo hướng giải quyết đơn lẻ các bài toán nhỏ và tổng
hợp thành các bài toán lớn. Trong đó giai đoạn xử lý khử nhiễu để
nhận dạng biển số xe được xem là bước quan trọng nhất và hiện tại
vẫn chưa tìm được phương án tối ưu. Chính vì vậy tôi chọn đề tài
“Nghiên cứu nâng cao hiệu năng trong hệ thống nhận dạng biển
số xe”. Với vai trò như đã phân tích ở trên đề tài này tập trung vào
xây dựng hệ thống nhận dạng biển số xe nhằm khắc phục những ảnh
có độ nhiễu cao hình ảnh chụp trong những điều kiện khác nhau hay
trong điều kiện ánh sáng không tốt như ban đêm…
2. Mục tiêu và nhiệm vụ đề tài
2.1. Mục tiêu
Đề tài nghiên cứu xây dựng hệ thống nhận dạng biển số xe
hiệu quả và ổn định nhất
2.2. Nhiệm vụ

Để đạt được các mục tiêu trên, đề tài tập trung vào các nhiệm


2
vụ cụ thể như sau:
- Phân tích đặc điểm của bài toán xử lý ảnh để từ đó đề ra các
giải pháp hợp lý trong việc xây dựng và triển khai hệ thống.
- Tìm hiểu và ứng dụng xử lý ảnh trong thực tế với các thư
viện hỗ trợ.
- Phân tích và đánh giá kết quả đạt được khi thực hiện hệ thống
đối với các bộ dữ liệu thử đơn giản.
- Phân tích và đánh giá kết quả đạt được khi ảnh có nhiều đối
tượng nhiễu, nhiều vùng ký tự.
3. Đối tượng và phạm vi nghiên cứu
3.1. Đối tượng nghiên cứu
- Xây dựng hệ nhận dạng biển số xe trong thực tế.
- Nâng cao độ chính xác cho hệ thống nhận dạng biển số
xe.
3.2. Phạm vi nghiên cứu
Dựa trên dữ liệu thu thập để tiến hành kiểm thử chất lượng hệ
thống nhận dạng biển số xe.
4. Phương pháp nghiên cứu
4.1. Phương pháp nghiên cứu tài liệu
- Nghiên cứu tài liệu, ngôn ngữ và công nghệ liên quan.
- Tổng hợp tài liệu, phương pháp xử lý ảnh và các thư viện hỗ
trợ xử lý ảnh
4.2. Phương pháp nghiên cứu thực nghiệm
- Phân tích và thiết kế hệ thống nhận dạng biển số xe.
- Thử nghiệm hệ thống và đánh giá kết quả đạt được với những
hình ảnh có đỗ nhiễu cao.

5. Giải pháp đề xuất


3
6. Mục đích và ý nghĩa của đề tài
6.1. Mục đích
Nghiên cứu nâng cao độ chính xác cho hệ thống nhận dạng
biển số xe.
6.2. Ý nghĩa khoa học và thực tiễn của đề tài
a. Về mặt khoa học
- Nhận dạng biển số xe là một vấn đề tuy không mới nhưng khi
đưa vào thực tế sử dụng thì còn nhiều hạn chế, trong đó có vấn đề về
xử lý những hình ảnh có đỗ nhiều cao do nhiều yếu tố như góc chụp
của ảnh, điều kiện thời tiết, điều kiện ánh sáng...
- Kết quả nghiên cứu của đề tài sẽ tạo nền tảng và cơ sở để tiếp
tục nghiên cứu phát triển hệ thống ứng dụng vào thực tế cuộc sống
hiện nay.
b. Về mặt thực tiễn
Kết quả của đề tài là xây dựng hệ thống nhận dạng biển số xe
để đưa ra kết quả chính xác hơn những biển số xe thông qua hình ảnh
ghi được từ hệ thống camera hoặc hình ảnh.
7. Kết quả dự kiến
Xây dựng hệ thống nhận dạng biển số xe cho ra kết quả chính
xác và ổn định.
8. Bố cục của luận văn
Nội dung chính của luận văn được chia thành 3 chương sau:
Chương 1.Tổng quan về xử lý ảnh
Chương 2. Tổng quan về hệ thống nhận dạng biển số xe
Chương 3. Ứng dụng mạng Nơ-ron để nhận dạng ký tự trong
hệ thống nhận dạng biển số xe

4
CHƯƠNG 1
TỔNG QUAN VỀ XỬ LÝ ẢNH
1.1. NHỮNG KHÁI NIỆM VỀ ẢNH SỐ
Muốn xử lý ảnh bằng máy tính, ta phải tiến hành quá trình số
hóa ảnh. Quá trình này là sự biến đổi tín hiệu liên tục sang tín hiệu
rời rạc thông qua quá trình lấy mẫu (rời rạc hóa về không gian) và
lượng hóa thành giá trị (rời rạc hóa biên độ giá trị) mà bằng mắt
thường không thể phân biệt được hai mức xám kề nhau. Chính vì vậy
ta sử dụng khái niệm phần tử ảnh hay điểm ảnh (pixel). Trong khuôn
khổ ảnh hai chiều, các điểm ảnh bao gồm một cặp tọa độ (c,r) và giá
trị biểu diễn độ sáng cụ thể. Các cặp tọa độ tạo nên độ phân giải cho
ảnh.
1.2. MỘT SỐ KHÁI NIỆM VỀ XỬ LÝ ẢNH
Trong những năm gần đây, kỹ thuật xử lý ảnh ngày càng sử
dụng phổ biến trong các hệ thống thông tin và tự động, các hệ thống
này ngày càng thông minh hơn, không chỉ dừng lại ở việc xử lý để
nâng cao chất lượng ảnh, lưu trữ ảnh hay phân tích kết cấu của ảnh
mà còn tự động nhận dạng các đối tượng trong ảnh để có thể rút ra
những thông tin chứa trong ảnh. Chẳng hạn trong lĩnh vực thám
không, các hình chụp từ trên không gian nhờ hệ thống xử lý ảnh tự
động để có thể xác định thông tin về một vùng nào đó dưới mặt đất
hay một hiện tượng tự nhiên đang diễn ra nhằm dự báo các hiện
tượng tương tự trong tương lai. Hay trong lĩnh vực y học cũng sử
dụng kỹ thuật xử lý ảnh chụp cắt lớp cơ thể người, ảnh chụp siêu âm,
ảnh chụp tế bào, nhiễm sắc thể... để nhận dạng và chuẩn đoán bệnh.
Hay trong lĩnh vực xử lý đo lường cũng cần xử lý ảnh chụp các quá
trình để nhận dạng, đo lường như mực nước ở các đập nước đo liều

5
lượng, đo tốc độ dòng chảy, năng lượng của các hạt nguyên tử. Cùng
với sự phát triển mạnh mẽ của máy tính số, xử lý ảnh số với sự hỗ trợ
của máy tính cũng được phát triển và có nhiều ứng dụng. Các ứng
dụng cụ thể như: trong lĩnh vực truyền hình, cũng như việc lấy hình
ảnh từ vệ tinh về trái đất thì ảnh có thể giảm chất lượng do tác động
gây nhiễu từ môi trường hay nhiễu trong các thiết bị xuất nhập.
Trong đo đạc bản đồ phục vụ cho việc xây dựng các bản đồ, trong
quá trình chụp ảnh đôi khi bản đồ bị mờ, nhoè hoặc bị nhiễu do điều
kiện khách quan của môi trường chụp. Do đó việc xử lý khôi phục lại
ảnh gốc là rất quan trọng.
1.3. QUÁ TRÌNH XỬ LÝ ẢNH
Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng chính:
nâng cao chất lượng ảnh và phân tích ảnh. Quá trình xử lý ảnh là thao
tác trên ảnh đầu vào để tạo ra một kết quả mong muốn. Nó có thể tạo
ra một ảnh mới từ ảnh gốc hoặc có thể trả về một kết luận tùy theo
yêu cầu của người xử lý.
Dữ liệu đầu vào
(Ảnh, một loạt ảnh,
hoặc video)

Hệ thống
xử lý ảnh

Kết quả

Hình 1.5. Quá trình xử lý hình ảnh.
1.4. MỘT SỐ ỨNG DỤNG CỦA XỬ LÝ ẢNH

Xử lý ảnh được ứng dụng trong các lĩnh vực như điện tử gia
đình, thiên văn học, sinh vật học, vật lý, nông nghiệp, địa lý … Khả
năng nhìn và nghe thấy là hai phương tiện quan trọng nhất để con


6
người nhận thức thế giới bên ngoài, do vậy không có gì đáng ngạc
nhiên khi mà xử lý ảnh số có nhiều khả năng ứng dụng, không chỉ
trong khoa học kỹ thuật mà còn cả trong mọi hoạt động khác của con
người.
KẾT LUẬN CHƯƠNG 1:
Chương này trình bày một số khái niệm chung về ảnh số và xử
lý ảnh. Đồng thời cũng giới thiệu một số ứng dụng của xử lý ảnh
trong cuộc sống hiện nay.


7
CHƯƠNG 2
TỔNG QUAN HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
2.1. GIỚI THIỆU HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE CƠ
BẢN
Ảnh đầu vào

Trích vùng biển số xe

Tách các ký tự trên biển số xe

Nhận dạng ký tự

Xử lý và đưa ra kết quả

Hình 2.1. Các bước tiến hành nhận dạng biển số xe
2.1.1. Chuyển ảnh sang ảnh mức xám
2.1.2. Lược đồ mức xám
2.1.3. Trích biển số xe
2.1.4. Một số phương pháp tách ký tự trong vùng chứa biển
số
2.1.5. Phương pháp nhận dạng ký tự
a. Phương pháp hình thái học


8
b. Phương pháp nhận dạng bằng máy học
2.1.6. Nhận xét kết quả xây dựng hệ thống nhận dạng biển
số xe đơn giản
2.2. XÂY DỰNG HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE SỬ
DỤNG MỘT SỐ CẢI TIẾN KỸ THUẬT XỬ LÝ ẢNH
2.2.1. Phương pháp Otsu
Trước tiên, sau khi thống kê mức xám trên ảnh ban đầu, chúng
ta sẽ nhận được một đồ thị biểu diễn mức xám có hai đỉnh, một đỉnh
biểu diễn cho những vùng là text, đỉnh còn lại biểu diễn cho những
vùng là nền của ảnh. Theo Otsu, ngưỡng k* tốt nhất được chọn là giá
trị mà tại đó nó làm cho sự chênh lệch σ b2 giữa hai đoạn trên đồ thị
đạt cực đại.
2.2.2. Thuật toán K-means trong xử lý ảnh
Các bước thực hiện phân nhóm bằng K-Means
- Thuật toán K-means gồm các bước sau:
Đặc trưng các thành phần phân nhóm sẽ được trích ra.
Mỗi thành phần sẽ được đánh dấu và đưa vào nhóm có trị
trung bình gần nhất với thành phần đó bằng cách tính khoảng cách
giữa thành phần đó và trị trung bình của mỗi nhóm. Khoảng cách đó

có thể là khoảng cách Euclidean, khoảng cách khối City, …
Khi tất cả các thành phần được đánh dấu, trị trung bình của
mỗi nhóm được tính toán lại.
Quá trình lặp lại cho đến khi không có sự thay đổi trị trung
bình của mỗi nhóm hoặc thuật toán đạt đến số lần lặp đã được định
trước.
2.2.3. Kỹ thuật lọc trung vị
Mục đích của phương pháp lọc này nhằm loại bỏ nhiễu mà
vẫn đảm bảo độ phân giải. Tuy nhiên hiệu quả sẽ giảm đi khi số điểm


9
nhiễu lớn hơn hay bằng một nửa số điểm ảnh.
2.2.4. Bộ lọc BlobsFiltering
Đối với bộ lọc BlobsFiltering thì chỉ quét một lần trong ảnh,
nó sẽ tìm tất cả các đối tương (các ký tự, nét gạch ngang và nhiễu nếu
có) trong ảnh, đánh dấu vị trí và kích thước của từng đối tượng. Việc
còn lại là phải quy định một ngưỡng kích thước thích hợp cho bộ lọc
để bộ lọc chỉ giữ lại các ký tự và loại bỏ tất cả các đối tượng còn lại
(các đối tượng gây nhiễu).
2.3. TỔNG QUAN VỀ MẠNG NƠRON
2.3.1. Mạng Nơron nhân tạo
Mạng nơron nhân tạo (Artificial Neural Networks: ANN) là sự
mô phỏng đơn giản của Nơron sinh học. Mỗi Nơron nhân tạo được
thực hiện hai chức năng: chức năng tổng hợp đầu vào và chức năng
tạo đầu ra.

Hình 2.6. Mô hình toán học tổng quát của mạng Nơron nhân tạo
2.3.2. Một vài ứng dụng của mạng Nơron nhân tạo
2.4. MÔ HÌNH MẠNG NƠRON VÀ CÁCH THIẾT LẬP MẠNG

MẠNG NƠRON NHÂN TẠO


10
2.4.1. Mô hình một Nơron nhân tạo

Hình 2.8. Nơron một đầu vào
Đầu ra của nơron được tính bởi công thức:
a = f(wx+b)
Mạng Nơron một lớp

Hình 2.11. Mô hình mạng Nơron một lớp


11
Mạng Nơron truyền thằng 3 lớp

Hình 2.12. Mô hình truyền thẳng 3 lớp
2.4.2. Cách thức thiết lập mạng Nơron
a. Các bước chuẩn bị thiết lập một mạng Nơron nhân tạo
Thu thập dữ liệu
Huấn luyện
b. Các thiết kế một mạng Nơron nhân tạo
2.4.3. Phân loại cấu trúc mạng Nơron
a. Mạng nơron có cấu trúc tiến
Perceptron nhiều lớp (MLP)
Mạng tuyến tính (Adapt Linear Neural Network)
Mạng nuôi tuyến lan truyền ngược (Back Propagation Feed
Forward Network)
Radial Basis (RBF)

Mạng Kohonen
Mạng tự tổ chức (Self Organization Network)
Mạng LVQ (Learning Vector Quantization)


12
b. Mạng hồi quy
2.5. CƠ SỞ LÝ THUYẾT VÀ GIẢI THUẬT XÂY DỰNG
MẠNG LAN TRUYỀN NGƯỢC
2.5.1. Cấu trúc mạng lan truyền ngược
a. Các loại nơron (Tansig, Logsig, Purelin)
b. Cấu trúc các lớp trong mạng lan truyền ngược

Hình 2.14. Mạng một lớp với nơron logsig có R đầu vào
Sơ đồ khối các lớp

Hình 2.15. Sơ đồ khối các lớp của mạng nơron logsig


13
Mô hình một mạng hai lớp như sau

Hình 2.16. Mạng hai lớp dùng Nơron tagsig và pureline
2.5.2. Cách thức huấn luyện cho mạng lan truyền ngược
a. Nguyên lý chung
b. Giảm dốc nhất (Steepest Decent Gradient)
c. Ưu nhược điểm của thuật toán
d. Quy tắc học thích nghi
e. Kết hợp độ dốc gradient (Conjugate gradient descent)
f. Levenberg – Marquardt

2.6. MỘT SỐ VẤN ĐỀ QUÁ KHỚP VÀ NĂNG LỰC CỦA
MẠNG

Hình 2.17. Mạng bị quá khớp với mẫu huấn luyện
Hình mô phỏng ở trên cho thấy các đáp ứng của mạng được
huấn luyện nhiều lần. Rõ ràng mạng này quá khớp với dữ liệu và


14
không thể tổng quát hóa tốt. Khi huấn luyện càng nhiều thì mạng
càng khớp. Bởi vậy, chúng ta chọn lựa độ phức tạp của mạng như thế
nào là đúng? Mạng lớn hơn sẽ luôn luôn có sai số nhỏ hơn, những
điều này có thể là khớp quá mức hơn là một mô hình huấn luyện tốt.
2.7. PHƯƠNG PHÁP CẢI THIỆN TÍNH TỔNG QUÁT HÓA
2.7.1. Phương pháp Regularization
2.7.2. Huấn luyện mạng nơron khi phát hiện mạng bắt đầu
quá khớp

Hình 2.18. Mạng được dừng huấn luyện đúng lúc
KẾT LUẬN CHƯƠNG 2:
Chương này giới thiệu về hệ thống nhận diện biển số xe cơ
bản, các bước xử lý, các phương pháp khác nhau để có thể nhận
dạng một biển số xe. Bên cạnh đó, chương 2 cũng nêu một số cải tiến
trong kỹ thuật xử lý ảnh nhằm nâng cao hiệu năng của hệ thống nhận
dạng. Ngoài ra, chúng ta còn được tìm hiểu tổng quát về mạng nơron
nhân tạo, cách thức xây dựng cũng như giải quyết một số vấn đề bất
cập khi áp dụng mạng.


15

CHƯƠNG 3
ỨNG DỤNG MẠNG NƠRON ĐỂ NHẬN DẠNG KÝ TỰ CHO
HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
3.1. MÔ HÌNH TỔNG QUÁT HỆ THỐNG NHẬN DẠNG BIỂN
SỐ XE

Hình 3.1. Mô hình tổng quát hệ thống nhận dạng biển số xe


16
3.2. QUÁ TRÌNH THU NHẬN ẢNH
Bảng 3.1. Bảng mô tả thông tin ảnh biển số xe
Dạng biển số

Hình chữ nhật bao gồm 2 dòng chữ

Ký tự trên biển số xe

Gồm có 10 ký tự số: 0,1,2,3,4,5,6,7,8,9
và 26 ký tự chữ in hoa gồm {A…Z}
-

Thông tin tỉnh thành, quận huyện: 4
ký tự dòng 1.

-

Số hiệu biển số: 4 ký tự dòng 2

Miền kích thước của biển Chiều cao: 40 cm

số

Chiều rộng: 50 cm

Màu ảnh nền và màu chữ

Ảnh có nền sáng và chữ tối

Vị trí tương đối của biển số Thường nằm ở khoảng giữa ảnh
trong ảnh thu nhận xử lý
Chiều rộng và chiều cao Chiều rộng: 7cm
của một ký tự trên biển số Chiều cao: 10 cm
xe
3.3. QUÁ TRÌNH TRÍCH BIỂN SỐ XE, XỬ LÝ ẢNH BIỂN SỐ
VÀ TÁCH KÝ TỰ CHỮ SỐ XE
3.3.1. Thuật toán trích biển số xe dùng phương pháp
phân tích phổ tần số

Hình 3.2. Phân tích phổ ngang cho ảnh chứa biển số


17

Hình 3.3. Ảnh được tách dòng chứa biển số

Hình 3.4. Phân tích phổ ngang cho ảnh chứa biển số đã cắt
phần thừa

Hình 3.5. Biển số sau khi tách
3.3.2. Các bước tiền xử lý

Hình 3.6. Biển số xe cần nhận dạng
- Chuyển ảnh sang ảnh Gray Level:

Hình 3.7. Biển số xe sau khi tách và chuyển sang ảnh mức xám


18
- Xử lý ảnh bằng kỹ thuật K-means:

Hình 3.8. Biển số xe sau khi xử lý bằng thuật toán K-Means
- Đảo ngược màu: (Invert)

Hình 3.9. Biển số xe sau khi đảo màu
- Lọc Median:

Hình 3.10. Biển số xe sau khi lọc Median
- Bộ lọc BlobsFiltering:

Hình 3.11. Biển số xe BlobsFiltering


19
3.3.3. Thuật toán tách ký tự

Hình 3.12. Một số kết quả tách ký tự
3.4. QUÁ TRÌNH NHẬN DẠNG KÝ TỰ ĐƠN BẰNG MẠNG
NƠRON NHÂN TẠO
3.4.1. Mô hình mạng nơron
3.4.2. Tạo mạng nơron nhân tạo

Mạng chữ

Hình 3.14. Sơ đồ mạng nơron nhận dạng ký tự chữ
Mạng số

Hình 3.15. Sơ đồ mạng nơron nhận dạng ký tự số


20
3.4.3. Khởi tạo trọng số trong mạng nơron
Với việc nhận dạng mạng chữ ta dùng các thông số:
Bảng 3.2. Thông số nhận dạng mạng chữ
Weight_character values.
Hidden Layer Size

100

Number of Patterns

21

Number of Epochs

9999

Learning Rate

100

Weight Bias

30

Sigmoid Slope

0.05

Với việc nhận dạng mạng số ta dùng các thông số:
Bảng 3.3. Thông số nhận dạng mạng số
Weight_number values.
Hidden Layer Size

100

Number of Patterns

10

Number of Epochs

9999

Learning Rate

100

Weight Bias

30

Sigmoid Slope

0.05

3.4.4. Huấn luyện mạng Nơron
Quá trình huấn luyện mạng là quá trình xác định trọng số của
mạng để xấp xỉ với hàm đích cho trước. Đầu tiên mạng sẽ được huấn
luyện với các mẫu chuẩn với sai số khoảng 10 -7. Sau đó, mạng tiếp
tục được huấn luyện với các ảnh mẫu có nhiều sai số lớn hơn
(khoảng 10 -5) để trọng số mới không ảnh hưởng đến việc nhận dạng
các ảnh mẫu chuẩn.


21
3.5. GIAO DIỆN CHƯƠNG TRÌNH NHẬN DẠNG BIỂN SỐ XE

Hình 3.16. Giao diện chính của hệ thống
3.6. KIỂM TRA CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ KẾT QUẢ
CHẠY THỬ
3.6.1. Kho dữ liệu thử nghiệm
Bảng 3.4. Mô tả dữ liệu thử nghiệm
Độ phân giải Ảnh

1152 x 864 pixel

Vị trí chụp ảnh

Thẳng đứng, chính diện

Điều kiện ánh sáng

- Chụp vào lúc trời sáng
- Chụp vào lúc trời tối

Số lượng ảnh

200

Hệ điều hành thử nghiệm

Windows 10

3.6.2 Đánh giá kết quả thử nghiệm
Bảng 3.5. Thống kê kết quả nhận dạng biển số của một hệ thống cơ bản
Số lượng mẫu thử nghiệm
Kích thước ảnh chụp

200
1152x864

Số lượng trích biển số đúng

183

Số lượng trích biển số sai

17


22

Số lượng tách ký tự đúng

72

Số lượng tách ký tự sai

111

Số lượng nhận dạng đúng

60

Số lượng nhận dạng sai

12

Bảng 3.6. Tổng kết kết quả thử nghiệm
Số lượng mẫu thử nghiệm
Kích thước ảnh chụp

200
1152x864

Số lượng trích biển số đúng

183

Số lượng trích biển số sai

17

Số lượng tách ký tự đúng

166

Số lượng tách ký tự sai

17

Số lượng nhận dạng đúng

166

Số lượng nhận dạng sai

34

3.6.3. Đánh giá kết quả
Trước tiên, ta có thể thấy được hệ thống nhận dạng biển số xe
mới được cải tiến một số phương pháp xử lý ảnh và phương pháp xác
định ngưỡng xám thì ta thu được kết quả nhận dạng tốt hơn so với hệ
thống nhận dạng biển số xe truyền thống. Bên cạnh đó, kho dữ liệu
ảnh biển số được thực hiện chụp trong các điều kiện sáng tối khác
nhau, ảnh thu nhận có nhiều nhiễu thì hệ thống vẫn cho ra những kết
quả khá chính xác. Xong, phần tách ký tự còn chưa đạt kết quả cao
nhất do quá trình xử lý của chương trình chưa loại bỏ hoàn toàn được
nhiễu trong ảnh. Một số trường hợp bị nhiễu quá nhiều do đinh ốc,
vết bẩn… gây ảnh hưởng đến việc nhận dạng cũng đã được xử lý khá
tốt nhưng vẫn chưa triệt để. Quá trình nhận dạng ký tự sẽ phụ thuộc
nhiều vào giai đoạn trích biển số và tách ký tự. Nếu việc trích biển số

và tách ký tự tốt thì kết quả nhận dạng thu được sẽ đạt hiệu quả cao.


23
Tuy rằng nếu ảnh ký tự bị nhiễu quá nhiều cũng dẫn đến việc nhận
dạng sai ký tự đó. Ngoài ra do số ký tự trên mỗi biển số xe khá ít, nên
việc huấn luyện cho các ký tự chữ chưa được hoàn chỉnh như mong
muốn và việc nhận dạng ký tự vẫn chưa có kết quả tốt nhất. Đối với
các ký tự số, thường dễ nhầm lẫn giữa các ký tự 2 và 7, 2 và “z” hay
5 và 6. Thuật toán sử dụng trong luận văn quét hết tất cả các điểm
trên hình nên tốc độ xử lý còn chưa quá cao.
Nhìn chung, các kết quả nhận dạng cuối cùng đảm bảo để hệ
thống hoạt động tốt, tuy nhiên, vẫn cần có nhiều biện pháp lọc nhiễu
cũng như các thủ thuật khác để hệ thống hoàn thiện hơn như một số
biển số quá nghiêng thì hệ thống vẫn chưa thể nhận dạng được.
a. Các mặt đã đạt được
Mục tiêu của luận văn là xây dựng và nâng cao hiệu năng cho
chương trình nhận dạng biển số xe. Như vậy, trong mục tiêu luận văn
đã giải quyết được các vấn đề sau:
- Xử lý ảnh
- Ứng dụng được thuật toán phân tích phổ tần số để trích biển
số xe và phân tích biểu đồ mức xám trong việc tách ký tự.
- Sử dụng mạng Nơron để nhận dạng ký tự trên biển số.
- Xây dựng các kết quả nghiên cứu trên nền Visual Studio Dot
Net (CSharp).
- Ứng dụng được thư viện AForge trong xử lý ảnh và thu nhận
tín hiệu video.
b. Các mặt còn hạn chế
Với các mặt đã đạt được nêu trên, tuy nhiên trong luận văn còn
nhiều mặt hạn chế như:

- Chưa xử lý được các trường hợp ảnh quá tối hoặc quá sáng
hoặc ảnh có chất lượng xấu.