HỌC VIỆN CƠNG NGHỆ BƢU CHÍNH VIỄN THƠNG
-------------------------------

Nguyễn Văn Hn

NHẬN DẠNG BIỂN SỐ XE MÁY
DỰA TRÊN PHƢƠNG PHÁP HÌNH THÁI HỌC

Chun ngành: Khoa học máy tính
TĨM TẮT LUẬN VĂN THẠC SĨ

HÀ NỘI - 2016


1

Luận văn đƣợc hồn thành tại:
HỌC VIỆN CƠNG NGHỆ BƢU CHÍNH VIỄN THƠNG

Ngƣời hƣớng dẫn khoa học: TS. Nguyễn Đình Hóa

Phản biện 1: ………………………………………………………
Phản biện 2: ……………………………………………………...

Luận văn sẽ đƣợc bảo vệ trƣớc Hội đồng chấm luận văn thạc sĩ tại
Học viện Cơng nghệ Bƣu chính Viễn thơng
Vào lúc: ....... giờ ....... ngày ....... tháng ....... .. năm ...............
Có thể tìm hiểu luận văn tại:
- Thƣ viện của Học viện Cơng nghệ Bƣu chính Viễn thơng

1

MỞ ĐẦU
Nhận dạng là quá trình phân loại các đối tƣợng đƣợc biểu diễn theo
một mơ hình nào đó và gán cho chúng vào một lớp (gán đối tƣợng một tên
gọi) dựa theo những quy luật và các mẫu chuẩn. Quá trình nhận dạng dựa
vào những mẫu học biết trƣớc gọi là nhận dạng có giám sát (supervised
learning); trong trƣờng hợp ngƣợc lại gọi là học không giám sát (non
supervised learning).
Cùng với sự phát triển không ngừng của nền kinh tế xã hội và các
ngành kỹ thuật nói chung , địi hỏi con ngƣời phải có cách xử lý thơng tin
chính xác. Việc xử lý đó nó vƣợt q sức của con ngƣời. Vì vậy chúng ta
cần phải có những máy móc hoạt động làm giảm tải hoặc thay thế những
cơng việc nặng nhọc, hay những cơng việc địi hỏi có sự chính xác cao
thay thế cho con ngƣời. Việc giúp máy móc nhận dạng (thu thập , phân
loại thơng tin) nhƣ cịn ngƣời sẽ giúp máy móc hoạt động hiệu quả nhƣng
với độ chính xác cao hơn rất nhiều.
Hiện nay, với sự phát triển kinh tế xã hội đã bùng nổ số lƣợng
phƣơng tiện giao thông, gây ra những khó khăn trong cơng tác quản lý, xử
lý vi phạm giao thơng mà nguồn nhân lực con ngƣời khó có thể đảm
đƣơng đƣợc. Vì vậy vần để cần thiết là có một hệ thống quản lý, xử lý vi
phạm giao thông tự động. Để xây dựng hệ thống quản lý giao thơng tự
động thì “ Bài tốn nhận dạng biển số xe” là tiền đề để xây dựng những
mơ hình quản lý đó.
Chính vì vậy tác giả chọn đề tài: “ Nhận dạng biển số xe máy dựa
trên phương pháp hình thái học” là đề tài cho mình.


2


Nội dung của luận văn gồm 3 chƣơng:
- Chƣơng 1: Tổng quan về bài toán nhận dạng biển số xe.
Giới thiệu về bài toán nhận dạng biển số, các phƣơng pháp kỹ thuật
nhận dạng.
- Chƣơng 2: Nhận dạng biển số xe bằng phƣơng pháp hình thái học
Các lý thuyết thuật tốn dùng trong q trình nhận dạng biển số
- Chƣơng 3: Thực nghiệm
Ứng dụng các thuật toán, lý thuyết kiểm nghiệm nhận dạng biển số
xe theo các kết quả khác nhau.


3

CHƢƠNG 1: TỔNG QUAN VỀ BÀI TOÁN
NHẬN DẠNG BIỂN SỐ XE
1.1. Bài toán nhận dạng biển số xe
1.1.1 Giới thiệu
1.1.2 Ứng dụng
1.1.3 Một số đặc điểm biển số xe máy Việt Nam
1.2. Các phƣơng pháp nhận dạng biển số xe
Mục đích: Xác định chính xác vùng biển số có trong bức ảnh.
Phƣơng pháp: có nhiều phƣơng pháp khác nhau để thực hiện nhiệm vụ
này, tuy nhiên các phƣơng pháp đều chủ yếu bao gồm 4 bƣớc chính nhƣ
minh họa trong hình 1.4.
Ảnh đầu vào

Nhận dạng vùng biển số

Xử lý kết quả


Tách các ký tự

Nhận dạng ký tự

Hình 1.4 Sơ đồ nhận dạng biển số xe
Luận văn tập trung vào về 3 phƣơng pháp chính sau đây:
- Phƣơng pháp dùng chuyển đổi Hough [9]: dựa vào đặc trƣng cạnh biên
trích đƣợc, áp dụng các phƣơng pháp xác định đƣờng thẳng nhƣ phép biến
đổi Hough để phát hiện các cặp đƣờng thẳng gần song song ghép thành
một ảnh biển số.
- Phƣơng pháp hình thái học [7]: dựa vào đặc trƣng hình thái của biển số
xe nhƣ màu sắc, độ sáng, sự đối xứng… để xác định và trích ra ảnh biển
số.


4

- Phƣơng pháp khớp mẫu [6]: xem biển số là một đối tƣợng có khung nền
riêng và sử dụng các cửa sổ dị để trích từng đối tƣợng đƣa qua mạng
noron (neural network), trí tuệ nhân tạo (artificial intelligence) chẳng hạn
để phân loại có phải là vùng biển số hay khơng.
1.2.1.Phương pháp hình thái học
1.2.2.Phương pháp biến đổi Hough
1.2.3.Phương pháp khớp mẫu


5

CHƢƠNG 2: NHẬN DẠNG BIỂN SỐ XE
BẰNG PHƢƠNG PHÁP HÌNH THÁI HỌC

Phƣơng pháp hình thái học giúp nhận dạng biển số xe máy theo trình
tự 3 bƣớc nhƣ hình 2.1.
Ảnh đầu vào

Phát hiện vùng chứa biển số

Tách kí tự

Nhận dạng ký tự bằng SVM

Hiển thị kết quả

Hình 2.1: Qui trình nhận dạng biển số xe
2.1. Phát hiện vùng chứa biển số
Trong bƣớc này thuật toán bao gồm 4 bƣớc con:
- Thay đổi kích thƣớc ảnh
- Chuyển ảnh màu sang ảnh xám
- Chuyển xám sang ảnh nhị phân
- Xác định vùng biển số


6

2.1.1 Thay đổi kích thước ảnh
Ta có thể thay đổi kích thƣớc ảnh bằng nhiều phƣơng pháp: Láng
giềng gần nhất, nội suy tuyến tính, nội suy song tuyến tính…
a) Phương pháp láng giềng gần nhất
Ý tƣởng của phƣơng pháp láng giềng gần nhất [10] là điểm ảnh mới
có giá trị màu bằng màu điểm ảnh cũ gần nó nhất (theo khoảng cách).
b) Phương pháp nội suy tuyến tính

Nội suy tuyến tính [11] là phƣơng pháp ƣớc lƣợng giá trị màu của
điểm ảnh mới dựa trên giá trị màu của hai điểm gần nó nhất trên cùng một
dịng.
c) Phương pháp nội suy song tuyến tính [11]
Bản chất của phƣơng pháp này là thực hiện nội suy tuyến tính hai lần
theo cả 2 chiều của ảnh.
Đánh giá các phƣơng pháp thay đổi kích thƣớc ảnh:
 Phƣơng pháp láng giềng gần nhất:
- Thuật tốn đơn giản, dễ thực hiện => tốc độ tính toán nhanh
- Do điểm ảnh mới đƣợc suy ra bằng cách sao chép các giá trị điểm
ảnh cũ nên ảnh thu đƣợc có răng cƣa
- Phƣơng pháp nội suy tuyến tính:
- Tính tốn phức tạp hơn => tốc độ tính toán nhanh
- Điểm ảnh mới đƣợc nội suy từ các điểm ảnh lân cận nên ảnh
tƣơng đối mịn không bị răng cƣa
 Phƣơng pháp song tuyến tính:
- Tính tốn phức tạp => tốc độ tính chậm hơn thuật tốn Láng giềng
gần nhất


7

- Điểm ảnh mới đƣợc suy ra bằng cách nội suy từ các điểm ảnh lân
cận nên ảnh thu đƣợc mịn, không bị răng cƣa.
2.1.2 Chuyển ảnh màu sang ảnh xám [12]
Một số công thức biến đổi đối với từng điểm ảnh:
Y(x,y) = 0.3086*Red P(x,y) + 0.6094*Green P(x,y) + 0.0820*Blue P(x,y)
Y(x,y) = 0.299 * RedP(x,y) + 0.587 * GreenP(x,y) + 0.114 * BlueP(x,y)
Với: Y(x,y): Điểm ảnh đầu ra
P(x,y): Điểm ảnh đầu vào

Trong luận văn tác giả sử dụng công thức:
Y(x,y) = 0.299 * RedP(x,y) + 0.587 * GreenP(x,y) + 0.114 * BlueP(x,y)
2.1.3 Chuyển ảnh xám sang ảnh nhị phân [12]
Ta có thể nhị phân ảnh theo hai cách: Nhị phân ngƣỡng tĩnh và nhị phân
ngƣỡng động
- Nhị phân ngƣỡng tĩnh (hay ngƣỡng cố định): tức là lấy một giá trị
ngƣỡng để nhị phân ảnh (ngƣỡng này do lập trình viên tự đặt từ 0
đến 255)
- Nhị phân ngƣỡng động: phƣơng pháp này khách quan hơn đối với
nhị phân ngƣỡng tĩnh, ta sẽ lấy ngƣỡng nhị phân trên một vùng cục
bộ là một cửa sổ phân ngƣỡng có kích thƣớc nxn. Ngƣỡng cần xác
định đối với tâm của cửa sổ đó sẽ là trung bình cộng các giá trị của
các lân cận của nó.
2.1.4 Xác định vùng biển số
Qui trình xác định vùng ảnh chứa biển số bao gồm:
- Loại bỏ các vùng khơng có khả năng là biển số
- Gắn nhãn cho các đối tƣợng còn lại trong ảnh nhị phân thu đƣợc.


8

- Trích ra các đối tƣợng ứng viên biển số theo tiêu chí cụ thể của biển số
xe về chiều cao, chiều rộng, tỉ lệ các cạnh, diện tích, trọng tâm …Từ thƣ
viện các ảnh đƣợc thu thập từ một nguồn trong luận văn vùng ảnh chứa
biển số sẽ có các kích thƣớc nhƣ sau:
2000 pixel ≤ diện tích ≤ 30000 pixel
0,6 ≤ chiều cao/chiều rộng ≤ 0,8
a) Xác định vùng ứng viên biển số
Bằng thực nghiệm ta thấy, nếu chia vùng biển số thành các hình chữ
nhật đơn vị có kích thƣớc 16x8 thì số điểm trắng trên mỗi đơn vị sẽ lớn

hơn hoặc bằng 15 điểm ảnh.
Khi đó ta trƣợt ơ chữ nhật đơn vị này trên tồn bộ bức ảnh: Những
vùng ảnh lớn hơn hoặc bằng 15 điểm ảnh ta đánh đấu, sau khi gộp tất cả
các vùng đã đánh dấu lại, ta đƣợc vùng có khả năng là biển số. Tiếp theo ta
dựa vào đặc điểm hình thái để lọc ra chính xác vùng biển số.
b) Xác định chính xác vùng biển số
Sau khi các vùng ứng viên biển số đƣợc làm nổi bật, ta dựa vào đặc điểm
hình thái học của biển số để xác định chính xác vùng biển số. Cách làm
nhƣ sau:
Ta tìm đƣờng bao các đối tƣợng đã đƣợc làm nổi bật ở bƣớc trên sau đó vẽ
hình chữ nhật bao đối tƣợng này. Ta dựa trên các đặc điểm của biển số nhƣ
sau:
1/100 bức ảnh < S_vungBien <1/20 bức ảnh
1.280< chiều rộng biển <200
25< chiều cao biển <150


9

Dựa trên các tính chất này của vùng biển ta loại bớt các vùng khơng có đặc
điểm trên từ các vùng nổi bật ở bƣớc trên.
Tiếp theo ta tiến hành lọc thêm một lần nữa để xác định chính xác vùng
biển số.
Ta dựa vào tính chất của biển sẽ có ít nhất 7 ký tự, và tính đến những
trƣờng hợp nhận dạng sót thuật tốn sẽ tìm các vùng có ít nhất 5 ký tự.
Kích thƣớc của từng ký tự là:
1030< chiều cao kí tự <80
Chiều rộng kí tự *chiều cao kí tự>300

Ta loại bỏ các vùng khơng có các đặc điểm này.
Sau 2 bƣớc lọc này ta sẽ đƣa ra đƣợc chính xác vùng biển số.
2.2. Tách ký tự
Từ vùng biển đã xác định đƣợc ở bƣớc trƣớc, ta tiến hành xác định vùng
ký tự.
Ta thấy rằng các ký tự có đặc điểm:
1030< chiều cao <80
0.2300và 0.3 < tỉ lệ điểm trắng trong vùng kí tự < 0.75.
Dựa vào các đặc điểm này ta xác định đƣợc các vùng ký tự trong biển.
2.3. Nhận dạng ký tự bằng SVM
2.3.1.SVM tuyến tính
SVM cho bài tốn phân lớp tuyến tính hình thức đơn giản của việc
phân lớp là phân lớp nhị phân: phân biệt giữa các đối tƣợng thuộc về một


10

trong hai lớp: dƣơng (+1) hoặc âm (-1). Ranh giới quyết định chia không
gian thành hai tập tùy thuộc vào dấu của hàm f (x) = <w, x> + b.Với bất kỳ
một tập dữ liệu khả tách tuyến tính có tồn tại một mặt phẳng phân lớp tất
cả các điểm dữ liệu.[1]

Hình 2.6: Siêu phẳng phân chia hai tập mẫu [1]
Giả sử phƣơng trình siêu phẳng cần tìm là w.x +b =0 trong đó w là pháp
vector của siêu phẳng w ∈ Rn . Ta có hai bất phƣơng trình sau:

xi .w  b  1, yi  1

xi .w  b  1, yi  1
Trong đó:
+ xi : là véc tơ đặc trƣng của x
+ bi: là độ lệch
Lúc đó những support vector xi thỏa mã phƣơng trình wxi +b = -1 thì nằm
trên siêu phằng H1, phƣơng trình wxi +b = +1 thì nằm trên siêu phẳng H2,
Suy ra khoảng cách phân hoạch d giữa H1 và H2 là : d  d1  d2 

2
.
w

Do đó để có d lớn nhất thì w phải nhỏ nhất hay nói cách khác phải đi tìm
cực tiểu của

1
2
w .
2


11

2.3.2.SVM phi tuyến
Trong trƣờng hợp tổng quát, thực tế mặt phân hoạch có thể là một
mặt phi tuyến bất kỳ. Giả sử các mẫu xi thuộc không gian Rn, không gian
này đƣợc gọi là khơng gian giả thiết. Để tìm mặt phi tuyến trong khơng
gian này, có thể áp dụng một thủ thuật là ánh xạ các vector mẫu xi từ Rn
vào một khơng gian Rm có số chiều lớn hơn (m>n). Sử dụng hàm nhân sau

đó áp dụng phƣơng SVM tuyến tính để tìm ra một siêu phẳng phân hoạch
trong không gian đặc trƣng Rm . Siêu phẳng này sẽ là ứng với mặt phi
tuyến trong không gian Rn.[1]

y ( x)  w T  ( x)  b
Trong đó:
-

∈

là vector trọng số hay vector chuẩn của siêu phẳng phân

cách, T là kí hiệu chuyển vị.
-

∈

-

( )∈

là độ lệch
là véc tơ đặc trƣng,

làm hàm ánh xạ từ không gian đầu

vào sang không gian đặc trƣng.
Một số hàm nhân thƣờng dùng nhƣ:
- Hàm tuyến tính có dạng K(x,y)=x.y
- Hàm đa thức có dạng K(x.y)=(x.y +  )d

 x y

- Hàm RBF (Radial Basis Function) có dạng: K ( x, y )  e

2

2

2

2.3.3.SVM đa lớp
a) Chiến lược một chống một (OVO: One – versus – One)[8]
Ý tƣởng của chiến lƣợc này khá đơn giản: với mỗi cặp lớp, xây dựng
một máy phân lớp nhị phân, mỗi máy phân lớp đƣợc huấn luyện trên một


12

tập con của tập huấn luyện mà tập con này chỉ chứa các mẫu huấn luyện
của 2 lớp. Nhƣ vậy phải xây dựng tất cả

N ( N  1)
máy phân lớp.
2

Trong phƣơng pháp này, các lớp không phải là kết quả nhận dạng
đƣợc loại trừ dần dần. Ứng với mỗi cặp lớp i, j, một SVM (i, j) đƣợc thiết
lập chỉ dựa trên những mẫu của 2 lớp này (i là lớp – 1, j là lớp 1). Đặc
điểm của SVM này là nếu một mẫu thử có kết quả âm thì nó khơng kết
luận mẫu này thuộc lớp i mà nó chỉ kết luận là mẫu này khơng thuộc lớp j

và ngƣợc lại.
Khi bắt đầu nhận dạng, SVM(1, 2) sẽ đƣợc xem xét để xem cần phải
loại trừ lớp 1 hay loại trừ lớp 2. Nếu là loại trừ lớp 2 thì SVM(1,3) sẽ đƣợc
xem xét tiếp, cịn ngƣợc lại thì SVM(2,3) sẽ đƣợc xem xét. Cứ loại trừ dần
nhƣ vậy cho đến khi chỉ còn lại một lớp cuối cùng thì lớp đó là kết quả
nhận dạng nhƣ hình bên dƣới.

Hình 2.8: Sơ đồ loại trừ tình huống


13

Ƣu điểm: Có thể thấy rằng việc nhận dạng một mẫu không cần phải
trải qua hết K(K-1)/2 SVM mà chỉ cần trải qua K-1 SVM mà thôi.
Tuy nhiên, để sử dụng chiến lƣợc này trong bài toán phân N lớp thì
cần phải có

N ( N  1)
máy phân lớp, nếu N tăng thì số máy phân lớp sẽ
2

tăng lên rất nhanh, điều này sẽ làm cho tốc độ phân lớp giảm đáng kể.
b) Chiến lược một chống phần còn lại (OVR: One – versus – Rest)[8]
Đây là chiến lƣợc đơn giản nhất cho bài toán phân nhiều lớp. Gọi N
là số lớp cần nhận dạng thì chỉ cần xây dựng đúng N máy phân lớp nhị
phân, một máy cho mỗi lớp. Với chiến lƣợc này, máy phân lớp thứ i sẽ
đƣợc huấn luyện trên toàn bộ tập mẫu để phân lớp các thành viên của lớp
thứ i với tất cả các thành viên của các lớp cịn lại. Vì vậy, khi xây dựng các
máy phân lớp, các mẫu huấn luyện buộc phải đánh lại nhãn: các thành viên
của lớp thứ i sẽ đƣợc gán nhãn là 1, còn các thành viên của các lớp còn lại

sẽ đƣợc gán nhãn là -1.
Ƣu điểm của chiến lƣợc này là số máy phân lớp ít, do đó tốc độ phân
lớp nhanh hơn. Tuy nhiên, dù số máy phân lớp ít nhƣng mỗi lần huấn
luyện phân lớp thì tồn bộ tập mẫu đều tham gia huấn luyện, do đó thời
gian huấn luyện tăng lên đáng kể.
Nhƣợc điểm chính của chiến lƣợc này là nếu một mẫu khi bị phân
lớp sai thì sẽ khơng có cơ hội để thực hiện lại.
2.3.4.Mơ hình nhận dạng
a) Tiền xử lý
b) Trích chọn đặc trưng [2]
c) Huấn luyện và nhận dạng


14

Trong quá trình cài đặt thực nghiệm, luận văn xây dựng các mơ hình
huấn luyện và nhận dạng theo chiến lƣợc OVR.
Q trình trích chọn đặc trƣng sử dụng phƣơng pháp trọng số vùng:
B1: Đƣa bức ảnh sau khi cắt ra đã đƣợc nhị phân hóa đƣợc chuẩn hóa
về kích cỡ 40x40

Hình 2.14: Ảnh Thay đổi kích thƣớc về kích cỡ 40x40[2]
B2: Chia kí tự thành các vùng kích thƣớc 8x8. Nhƣ vậy ảnh sẽ có
đƣợc chia thành 64 vùng.

Hình 2.15: phân chia vùng ảnh kí tự[2]
 Gọi si: là tổng các điểm đen của vùng ri
 Goi S: là tổng các điểm đen của kí tự
 Gọi fi : là một đặc trƣng của ảnh
fi= si/S

B3: Tính tốn các đặc trƣng của ảnh để đủ phân biệt kí tự này với kí
khác, 64 đặc trƣng của ảnh để phân biệt các kí tự.


15

Kết luận: Sau khi kết thúc thuật toán trên ta thu đƣợc một bộ các
vectơ các đặc trƣng của các kí tự làm nguồn cho q trình đọc và nhận
dạng kí tự của chƣơng trình.


16

CHƢƠNG 3: THỰC NGHIỆM
3.1. Thu thập dữ liệu
3.1.1 Chụp ảnh biển xe máy
Tiến hành chụp 400 bức ảnh ở bãi xe máy ở của trƣờng Cao Đẳng Sƣ
Phạm Hà Tây bằng máy điện thoại di động lumia 625, với máy ảnh 8.0
pixel, kích cỡ ảnh (1456 x 2592).
Chụp ở khoảng cách tƣơng đối đồng đều từ 1m -> 1m 5, với độ
nghiêng khơng q lớn. Ảnh chụp với các góp độ theo độ tƣơng phản của
ánh sáng khác nhau:
Biển số đƣợc phần loại theo bảng sau:
Biển sáng

Biển thiếu sáng

Biển đục

Biển lóa

150

100

90

60

3.1.2 Tiến hành cắt mẫu kí tự
Trong phần này, ảnh mẫu của tất cả các ký tự trong biển số sẽ đƣợc
thu thập chọn ra 100 bức ảnh ban đầu để tiến hành cắt kí tự. Chƣơng trình
cắt kí tự tƣơng tự nhƣ khi nhận dạng biển số, ta tiến hành cắt biển số theo
các bƣớc ở trên, sau đó tiến hành cắt kí tự theo các bƣớc ở trên. Tiến hành
tạo 30 thƣ mục để lƣu các bộ kí tự (A, B, C, D, ….Z), bỏ các kí tự (I, J, O,
Q, R, W). Vì biển số xe máy khơng có các kí tự đó.
Kết thúc bƣớc này ta có tập ảnh các kí tự biển số xe đã đƣợc chia vào
các thƣ mục cụ thể, đây là đầu vào tập huấn luyện cho mơ hình SVM.
3.2 Thực hiện huấn luyện nhận dạng cho máy
3.2.1 Giới thiệu
3.2.2 Chi tiết quá trình
a) Dữ liệu đầu vào


17

Chúng ta có một bộ dữ liệu lớn gồm các ảnh, đƣợc gán nhãn, giả sử
lúc đầu ta chỉ chia làm nhãn là chữ A, và không là chữ A, ta có thể đốn
đƣợc một ảnh bất kì có là chữ A hay khơng.
Dữ liệu có 30 thƣ mục, vậy ta coi thƣ mục chữ A là nhãn 1, 29 thƣ

mục còn lại là nhãn 0.Tiếp theo là tiền xử lý để dữ liệu có định dạng mà
LibSVM hiểu đƣợc, từ đó để huấn luyện mơ hình.
b) Huấn luyện để tạo mơ hình
c) Test kết quả
3.3 Chƣơng trình thực hiện
3.3.1 Giao diện chương trình

Hình 3.4 giao diện chƣơng trình chính
Các chức năng của chƣơng trình:
Mở ảnh để nhận dạng:


18

Hình 3.5 mở ảnh biển số

Kết quả nhận dạng

Hình 3.6 kết quả nhận dạng
3.3.2 Một số ảnh khác trong quá trình nhận dạng
3.4 Các kết quả thực nghiệm


19

Nhƣ đã trình bày ở chƣơng 2 với tham số cửa sổ lọc vùng biển tốt
nhất là cửa sổ 16x8, ngƣỡng   15 . Tác giả đã lựa chọn cửa sổ này là tham
số cố định, để tiến hành thử nghiệm với hai tham số còn lại: Thay đổi kích
thƣớc ảnh và nhị phân hóa theo các ngƣỡng xám khác nhau của ảnh.
Trong đề tài tác giả xử dụng 2 cách thay đổi kích thƣớc ảnh: Phƣơng

pháp nội suy song tuyến tính, phƣơng pháp láng giềng gần nhất. Tác giả
tiến hành thử nghiệm và đánh giá kết quả theo 2 phƣơng pháp này.
Kết quả tiến hành thực nghiệm nhƣ sau:
3.4.1 Kết quả thực nghiệm với phương pháp nội suy song tuyến tính
Với phƣơng pháp nội suy song tuyến tính kết quả tốt nhất đạt đƣợc ở
ngƣỡng xám 110. Nếu tính riêng nhận dạng 2 loại biển sáng và thiếu sáng
kết quả đạt đƣợc:
+ Biển số: =(96% + 92%)/2 = 94%
+ Tách kí tự: = (96% + 93%)/2 = 94,5%
+ Nhận dạng kí tự: = (96%+96%) = 96%
+ Kết quả nhận dạng chung: = (94% + 94,5% + 96%)/3 = 94.8%
3.4.2 Kết quả thực nghiệm với phương pháp láng giềng gần nhất
Với phƣơng pháp Thay đổi kích thƣớc ảnh Láng giềng gần nhất kết quả tốt
nhất đạt đƣợc ở ngƣỡng xám 110. Nếu tính riêng nhận dạng 2 loại biển
sáng và thiếu sáng kết quả đạt đƣợc:
+ Biển số: =(95% + 90%)/2 = 92,5%
+ Tách kí tự: = (92,5% + 90%)/2 = 91,25%
+ Nhận dạng kí tự: = (92%+92%) = 92%
+ Kết quả nhận dạng chung: = (92,5% + 91,5% + 92%)/3 = 92%
3. 4. Đánh giá
3.4.3 Đánh giá so sánh với các ngưỡng xám


20

Trong quá trình thực nghiệm tác giả nhận thấy ngƣỡng xám tốt nhất
để nhị phân ảnh là ngƣỡng khoảng 100 – 110 là ngƣỡng xám tốt nhất. tỷ lệ
thành công của chƣơng trình nhận dạng với 2 phƣơng pháp khác nhau đều
cho cùng một kết quả với ngƣỡng xám 110 là kết quả tốt nhất để lựa chọn.
3.4.4 Đánh giá so sánh giữa hai phương pháp: Nội suy song tuyến tính

và Láng giềng gần nhất
Kết quả:
Từ số liệu kiểm nghiệm trên rõ ràng ta thấy đƣợc dùng phƣơng pháp
Nội suy song tuyến tính trong q trình nhận dạng cao hơn hẳn so với
phƣơng pháp Láng giềng gần nhất.
3.4.5 Đánh giá với các cơng trình nhận dạng khác
- Chƣơng trình nhận biển số xe của Võ Hùng Vĩ [4] của trƣờng Đại
học Cần Thơ:
- Chƣơng trình nhận dạng biển số xe của Nguyễn Thị Yến[5] của
trƣờng đại học Aix-Marseille:
Kết luận: So sánh với 2 chƣơng trình nhận dạng kể trên thì chƣơng trình
của tác giả có kết quả vƣợt trội hơn, hẳn tỷ lệ nhận dạng tốt nhất đạt 94,8%
cao hơn hẳn so với hai tác giả trên. Ngoài ra chƣơng trình của tác giả có
thể nhận dạng đƣợc với bức ảnh chụp có cả cảnh vật tốt hơn hẳn so với Võ
Hùng Vĩ, và giao diện nhận dạng trên Windows thân thiện hơn so với tác
giả Nguyễn Thị Yến.


21

KẾT LUẬN
Luận văn đã thực hiện tìm hiểu tổng quan về bài toán nhận dạng biển
số xe, và các lý thuyết xử lý ảnh, phƣơng pháp học máy SVM và các
phƣơng pháp xác định biển số xe trong đó tác giả đã sử dụng phƣơng pháp
hình thái học để thực hiện đề tài của mình.
Thơng qua kiểm nghiệm thực tế tác giả đã tìm ra một số cách để cải
thiện đề tài nhƣ: Thay đổi cửa sổ lọc biển số, thay đổi ngƣỡng xám để
nâng cao chất lƣợng ảnh nhị phân, sử dụng các phƣơng pháp thay đổi kích
thƣớc ảnh khác nhau nâng cao chất lƣợng ảnh. Ở đây tác giả đã tìm ra
ngƣỡng xám tốt nhất cho chƣơng trình là ngƣỡng 110, cửa sổ 16 x8

ngƣỡng điểm trắng =15 là tốt nhất. Ngoài ra tác giả đã so sánh đánh giá kết
quả nhận dạng theo 2 phƣơng pháp thay đổi kích thƣớc ảnh khác nhau. Kết
quả so sánh phƣơng pháp theo Nội suy song tuyến tính cho kết quả tốt
hơn.
Kết quả đạt đƣợc:
Chƣơng trình nhận dạng đƣợc khá tốt với những bức ảnh tƣơng đối
rõ không bị mờ đục hoặc bùn bắn hoặc lóa. Tỷ lệ đạt thành cơng 94,8%.
Hạn chế:
Đối với các biển số mờ đục hoặc lóa, có vết bùn nhiều kết quả nhận
dạng cịn nhiều hạn chế, tỉ lệ thành công chƣa cao.
Hƣớng phát triển:
Với kết quả thực nghiệm trên, hƣớng nghiên cứu phát triển tiếp theo của
tác giả sẽ là:
 Nâng cao hiệu quả chƣơng trình nhận dạng kí tự, cách ly các kí tự
trong biển số trong các trƣờng hợp biển số bị nhiễu nhiều, mất mát
thông tin do nhiễu từ điều kiện môi trƣờng.


22

 Mở rộng tập ảnh mẫu để tăng độ chính xác nhận dạng
 Mở rộng điều kiện nhận dạng với những biển số bị nghiêng nhiều,
biển số nền xanh chữ trắng, nền đỏ chữ trắng. Và tiến tới nhận dạng
nhiều loại biển nƣớc ngoài.
 Kết nối phần mềm với hệ thống thu nhận hình ảnh (Camera,
Webcome) để thành một ứng dụng có thể triển khai thực tế và có tính
khả dụng cao.


23

TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Nguyễn Thị Lan Anh (2013), luận văn thạc sĩ: Nghiên cứu các thuật
toán SVM và ứng dụng trong bài toán khai phá ý kiến phản hồi của
khách hàng trên website, Học Viện Bƣu Chính Viễn Thông.
[2] Phạm Anh Phƣơng, Ngô Quốc Tạo, Lƣơng Chi Mai (2008), “Trích
chọn đặc trƣng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ
viết tay tiếng Việt”, Tạp chí Công nghệ Thông tin và Truyền thông,
ISSN 0866-7039, kỳ 3, (số 20), tr 36-42.
[3] Phạm Anh Phƣơng (2008), “Áp dụng một số chiến lƣợc SVM đa lớp
cho bài toán nhận dạng chữ viết tay hạn chế”, Tạp chí khoa học Đại
học Huế, ISSN 1859-1388, (số 45), tr. 109-118.
[4] Võ Hùng Vĩ (2014), luận văn thạc sĩ: Xây dựng hệ thống hỗ trợ giữ xe
thông minh. Đại học cần Thơ.
[5] Nguyễn Thị Yến (2014), luận văn thạc sĩ: Vietnamese motorbike plate
recognition, Đại học Aix-Marseille.
Tiếng Anh
[6] R. Brunelli, Template Matching Techniques in Computer Vision:
Theory and Practice, Wiley, ISBN 978-0-470-51706-2, 2009 (TM
book).
[7] Shih-Hao

Yu,

Jun-Wei

Hsieh

and

Yung-Sheng

Chen

(2002),“Morphology-based license plate detection from complex
scenes”. 16 th International Conference onPattern Recognition
(ICPR'02), pages 176 -180.
[8] Friedman

(1996),

“Another

Approach

to

Polychotomous

Classifications”, Technical report, Stanford university, US.