Giới thiệu dự án

Sự gia tăng bùng nổ của phương tiện giao thông cá nhân tại các đô thị lớn tại Việt Nam đặt ra thách thức nghiêm trọng cho công tác kiểm soát, điều phối luồng xe và đảm bảo an ninh bãi đỗ. Theo thống kê giao thông đô thị, xe gắn máy chiếm hơn 85% tổng lượng phương tiện lưu thông, khiến việc quản lý thủ công truyền thống (ghi vé giấy, kiểm tra mắt thường) trở thành nút thắt cổ chai lớn, gây ùn tắc cục bộ vào giờ cao điểm và tiềm ẩn rủi ro thất thoát tài sản, tráo biển số, trộm cắp xe.

Bài toán nhận dạng biển số xe tự động (Automatic License Plate Recognition - ALPR) chuyên biệt cho xe gắn máy là giải pháp then chốt nhằm tự động hóa quy trình quản lý bãi giữ xe thông minh, trạm cân tự động và hệ thống giám sát giao thông. Khác với biển số ô tô một hàng phẳng, biển số xe máy Việt Nam có cấu trúc đặc thù 2 hàng ký tự (hàng trên gồm mã tỉnh và sê-ri đăng ký dạng chữ cái, hàng dưới gồm dãy 4 chữ số), thường xuyên chịu tác động của độ nghiêng, bụi bẩn, bóng mờ phản chiếu từ khung mica bảo vệ và điều kiện chiếu sáng ngoài trời biến thiên phức tạp.

+-----------------------------------------------------------------------------------+
|                            HỆ THỐNG ALPR XE MÁY                                   |
+-----------------------------------------------------------------------------------+
|  [Ảnh xe vào] ---> [Tiền xử lý & Trích chọn] ---> [Tách viền & Phân đoạn ký tự]   |
|                                                          |                        |
|  [Chuỗi ký tự Text] <--- [Nhận dạng OCR Mẫu] <-----------+                        |
+-----------------------------------------------------------------------------------+

Dự án tập trung giải quyết các mục tiêu kỹ thuật cụ thể:

  1. Chuẩn hóa và tiền xử lý ảnh chụp từ camera để khử nhiễu, làm nổi bật đặc trưng biên.
  2. Trích chọn chính xác vùng chứa biển số xe (License Plate Localization) thông qua thuật toán dò cạnh và dò vùng hình thái học.
  3. Tự động nhận diện và loại bỏ khung viền, ốc vít và phần dư thừa xung quanh biển số.
  4. Phân đoạn độc lập từng ký tự theo cấu trúc 2 hàng (Horizontal & Vertical Projection Profiling).
  5. Nhận dạng chính xác 8 ký tự số và chữ cái, xuất kết quả dưới dạng chuỗi văn bản (String) để tích hợp vào cơ sở dữ liệu quản lý.

Phạm vi nghiên cứu tập trung vào dòng biển số xe mô tô, xe gắn máy 2 hàng (định dạng 4 số cuối: XX-XX XXXX), dữ liệu đầu vào là ảnh số thu nhận từ camera giám sát tại vị trí kiểm soát xe vào/ra.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp kiểm soát bãi đỗ xe truyền thống đang bộc lộ nhiều điểm hạn chế về tốc độ và tính an toàn:

Tiêu chí Quản lý vé giấy thủ công Thẻ từ RFID đơn thuần Hệ thống ALPR xử lý ảnh
Thời gian xử lý/xe 8 – 15 giây 3 – 5 giây 1 – 2 giây
Độ an toàn / Chống trộm Rất thấp (dễ làm giả vé) Trung bình (không đối chiếu xe) Rất cao (đối chiếu ảnh + biển số)
Chi phí nhân sự vận hành Cần 4 – 6 nhân viên/ca Cần 2 – 3 nhân viên/ca Chỉ cần 1 – 2 giám sát viên
Mức độ tự động hóa Hoàn toàn thủ công Bán tự động Tự động hóa toàn phần

Áp dụng phương pháp phân tích yêu cầu MoSCoW:

  • Must have (Bắt buộc có): Module chuyển đổi ảnh xám, nhị phân hóa, trích chọn vùng biển số, tách 8 ký tự độc lập, nhận dạng ký tự với độ chính xác >95%.
  • Should have (Nên có): Bộ lọc Sobel làm nổi bật cạnh biên, thuật toán xóa viền tự động, giao diện trực quan hiển thị từng bước xử lý trung gian.
  • Could have (Có thể có): Cơ chế điều chỉnh ngưỡng xám động (Adaptive Thresholding), module trích xuất trực tiếp luồng video stream.
  • Won't have (Chưa thực hiện): Nhận dạng biển số ô tô 1 hàng, xử lý biển số bị nghiêng góc lớn (>30 độ) hoặc biển số 5 số thế hệ mới.

Thiết kế hệ thống

Kiến trúc hệ thống nhận dạng biển số xe được thiết kế theo mô hình xử lý đường ống phân tầng (Pipeline Architecture):

+------------------+     +-------------------+     +--------------------+
|  Input Image     | --> | Preprocessing     | --> | Plate Localization |
|  (JPG/PNG/BMP)   |     | (Grayscale/Sobel) |     | (Edge/Region Base) |
+------------------+     +-------------------+     +--------------------+
                                                             |
+------------------+     +-------------------+     +---------v----------+
| Output String    | <-- | OCR Recognition   | <-- | Character Segment  |
| ("54-M2 1794")   |     | (Template Match)  |     | (Vertical Scanning)|
+------------------+     +-------------------+     +--------------------+

Technology Stack triển khai:

  • Ngôn ngữ lập trình: C# (.NET Framework 3.5/4.0).
  • Thư viện đồ họa & Xử lý ảnh: System.Drawing (GDI+), AForge.NET Imaging Library v2.1.
  • Môi trường phát triển: Microsoft Visual Studio.
  • Chuẩn giao tiếp: Windows Forms Application giao diện đơn luồng/đa luồng.

Yêu cầu phi chức năng:

  • Hiệu năng: Thời gian xử lý mỗi khung hình <1000ms trên máy trạm tiêu chuẩn.
  • Độ tin cậy: Khả năng nhận diện chính xác ký tự đạt trên 98% trong điều kiện ảnh chụp đạt chuẩn góc nhìn.

Methodology

Quy trình phát triển được thực hiện trong khung thời gian 15 tuần theo mô hình Waterfall kết hợp kiểm thử module lặp:

  • Tuần 1 – 2: Nghiên cứu và xây dựng thuật toán phân đoạn ký tự biển số.
  • Tuần 3 – 6: Phát triển module nhận dạng ký tự (So sánh mẫu Template Matching và Hình thái học Morphology); thu thập tập dữ liệu mẫu ban đầu.
  • Tuần 7 – 10: Nghiên cứu và xây dựng thuật toán trích chọn biển số từ ảnh toàn cảnh (Phương pháp dò cạnh Sobel kết hợp lược đồ và Phương pháp dò vùng hình chữ nhật); phát triển module xóa viền.
  • Tuần 11 – 13: Tích hợp hệ thống, kiểm thử chéo trên tập dữ liệu 100 ảnh thực tế, tinh chỉnh tham số độ dốc và ngưỡng nhị phân.
  • Tuần 14 – 15: Hoàn thiện giao diện điều khiển, đánh giá hiệu năng và tổng hợp báo cáo.

Implementation và kết quả

Development process

1. Tiền xử lý ảnh (Preprocessing)

Ảnh gốc RGB từ camera được chuẩn hóa kích thước về độ phân giải chuẩn $420 \times 560$ pixel bằng GDI+ Graphics để tối ưu hóa tốc độ tính toán ma trận điểm ảnh. Tiếp theo, ảnh được chuyển sang dạng ảnh xám thông qua ma trận biến đổi màu ColorMatrix:

public static Bitmap MakeGrayscale(Bitmap original) {
    Bitmap newBitmap = new Bitmap(original.Width, original.Height);
    using (Graphics g = Graphics.FromImage(newBitmap)) {
        ColorMatrix colorMatrix = new ColorMatrix(new float[][] {
            new float[] {0.3f, 0.3f, 0.3f, 0, 0},
            new float[] {0.59f, 0.59f, 0.59f, 0, 0},
            new float[] {0.11f, 0.11f, 0.11f, 0, 0},
            new float[] {0, 0, 0, 1, 0},
            new float[] {0, 0, 0, 0, 1}
        });
        ImageAttributes attributes = new ImageAttributes();
        attributes.SetColorMatrix(colorMatrix);
        g.DrawImage(original, new Rectangle(0, 0, original.Width, original.Height),
                    0, 0, original.Width, original.Height, GraphicsUnit.Pixel, attributes);
    }
    return newBitmap;
}

Ảnh xám tiếp tục được lọc qua bộ lọc Sobel với hai toán tử vi phân hướng $G_x$ và $G_y$:

$$G_x = \begin{bmatrix} -1 & 0 & +1 \ -2 & 0 & +2 \ -1 & 0 & +1 \end{bmatrix}, \quad G_y = \begin{bmatrix} +1 & +2 & +1 \ 0 & 0 & 0 \ -1 & -2 & -1 \end{bmatrix}$$

Độ dốc tuyệt đối xấp xỉ tại mỗi điểm ảnh $x$: $|G| = |G_x| + |G_y|$.

2. Trích chọn vùng biển số (Plate Localization)

Hệ thống triển khai 2 kỹ thuật độc lập để định vị biển số:

  • Phương pháp dò cạnh (Edge-based Localization): Quét ảnh nhị phân sau lọc Sobel theo dòng ngang và cột dọc để tạo lược đồ biến thiên điểm trắng (Projection Profile). Vị trí cạnh dưới biển số được xác định tại điểm có độ dốc tăng mạnh nhất từ đáy ảnh đi lên; cạnh trên được định vị cách cạnh dưới một khoảng delta từ 70 đến 110 pixel.
  • Phương pháp dò vùng (Region-based Localization): Quét ma trận điểm ảnh để trích xuất các đường bao đen/trắng liên tục, tạo thành tập các đoạn thẳng ngang (Hang[]) và dọc (Doc[]). Các đoạn thẳng được kết hợp thành các hình chữ nhật ứng viên thỏa mãn tỷ lệ vàng kích thước biển số xe máy:

$$0.68 < \frac{\text{Chiều cao}}{\text{Chiều rộng}} < 0.80, \quad 80 < \text{Rộng} < 400, \quad 63 < \text{Cao} < 350$$

// Thuật toán trích lọc đoạn thẳng dò vùng biển số
for (int y = 0; y < height; y++) {
    for (int x = 1; x < width; x++) {
        if (pixel[y, x] == Color.Black) {
            Cot[x] = Cot[x] + 1;
            Hang[x] = Hang[x - 1] + 1;
            if (Cot[x] > ChieuDaiQuetDoc) LuuViTriCanhDoc(x, y);
            if (Hang[x] > ChieuDaiQuetNgang) LuuViTriCanhNgang(x, y);
        } else {
            Cot[x] = 0;
            Hang[x] = 0;
        }
    }
}

3. Xóa biên và phân đoạn ký tự (Border Clearing & Character Segmentation)

Ảnh biển số sau khi trích chọn được chuẩn hóa về $210 \times 160$ pixel. Thuật toán quét điểm biên dựa trên khoảng trắng trống ($\ge 50$ pixel) để cắt bỏ 4 đường viền bao quanh:

[Vùng quét viền trên: 1/7 Height]  --->  Loại bỏ ốc vít/khung mica trên
[Vùng quét viền trái: 1/9 Width]   --->  Loại bỏ viền khung kim loại trái
[Vùng quét viền phải: 1/9 Width]   --->  Loại bỏ viền khung kim loại phải
[Vùng quét viền dưới: 1/7 Height]  --->  Loại bỏ gờ phản quang dưới

Sau khi khử viền, hệ thống quét biểu đồ mật độ pixel đen theo trục ngang để phân tách thành 2 ảnh con: hàng trên (chứa mã tỉnh/sê-ri) và hàng dưới (chứa 4 số đăng ký). Tiếp tục quét theo trục dọc trên từng hàng để cắt rời chính xác 8 ký tự đơn lẻ.

4. Nhận dạng ký tự (Character Recognition - OCR)

Hệ thống sử dụng kỹ thuật Template Matching (So sánh mẫu ma trận nhị phân). Ký tự trích xuất được co giãn về kích thước chuẩn của tập mẫu ($N \times M$). Hệ số tương đồng $S$ được tính toán trên toàn bộ tập ký tự mẫu font chuẩn Công an:

$$S(A, B) = \frac{\sum_{i=1}^{N} \sum_{j=1}^{M} \text{XNOR}(A_{i,j}, B_{i,j})}{N \times M} \times 100%$$

Ký tự mẫu đạt giá trị tương đồng cực đại sẽ được chọn làm nhãn nhận dạng.

// Nhị phân hóa dữ liệu điểm ảnh phục vụ so sánh ma trận mẫu
public static Bitmap ToBinary(Bitmap bm, byte band, ref byte[,] BinaryArray) {
    Bitmap bitmap = new Bitmap(bm);
    for (int y = 0; y < bm.Height; y++) {
        for (int x = 0; x < bm.Width; x++) {
            if (bm.GetPixel(x, y).R < band) {
                bitmap.SetPixel(x, y, Color.FromArgb(0, 0, 0));
                BinaryArray[y, x] = 1; // Điểm đen thuộc nét chữ
            } else {
                bitmap.SetPixel(x, y, Color.FromArgb(255, 255, 255));
                BinaryArray[y, x] = 0; // Điểm trắng nền
            }
        }
    }
    return bitmap;
}

Testing và validation

Hệ thống được kiểm thử thực nghiệm trên tập dữ liệu gồm 100 ảnh chụp xe máy thực tế với các góc chụp, độ sáng và tình trạng biển số khác nhau.

+-----------------------------------------------------------------------------------+
|                     KẾT QUẢ KIỂM THỬ TỪNG GIAI ĐOẠN (100 MẪU)                     |
+-----------------------------------------------------------------------------------+
|  [Định vị biển số]      : Dò cạnh 100% | Dò vùng 96%                              |
|  [Khử viền & nhiễu]     : Dò cạnh 95%  | Dò vùng 100%                             |
|  [Phân đoạn ký tự]      : 95.38% (764/800 ký tự cắt thành công)                   |
|  [Nhận dạng ký tự OCR]  : Template Matching 99.75% | Hình thái học 86.82%         |
+-----------------------------------------------------------------------------------+

Chi tiết độ chính xác qua từng pha xử lý:

Giai đoạn xử lý Phương pháp áp dụng Số lượng mẫu kiểm thử Đạt yêu cầu Tỷ lệ thành công (%)
Trích chọn biển số Dò cạnh (Sobel + Projection) 100 biển số 100 100.0%
Dò vùng (Bounding Box) 100 biển số 96 96.0%
Xóa biên & phần dư Dò cạnh (Quét biên 50px) 100 biển số 95 95.0%
Dò vùng (Quét viền tỷ lệ) 96 biển số 96 100.0%
Phân đoạn ký tự Chiếu ngang & Chiếu dọc 100 biển số (800 ký tự) 764 ký tự 95.38%
Nhận dạng ký tự So sánh mẫu (Template Matching) 798 ký tự (698 số + 100 chữ) 796 ký tự 99.75%
Hình thái học (3 trục cắt) 798 ký tự (698 số + 100 chữ) 606 ký tự (chỉ số) 75.94% (0% chữ)

Kết quả đạt được

Hệ thống hoàn thành toàn bộ các chỉ tiêu kỹ thuật đề ra:

  • Độ chính xác nhận dạng toàn diện: Thuật toán Template Matching đạt tỷ lệ nhận dạng ký tự số là 99.71% (696/698 ký tự) và ký tự chữ cái đạt 100% (100/100 ký tự).
  • Tốc độ xử lý: Thuật toán tối ưu hóa mảng 2 chiều nhị phân giúp giảm thời gian xử lý trung bình xuống dưới 0.8 giây/ảnh.
  • Khả năng hiển thị trực quan: Giao diện điều khiển Windows Forms cho phép truy xuất trạng thái của từng bước xử lý: Ảnh xám -> Ảnh Sobel -> Ảnh nhị phân -> Lược đồ phân bố -> Ảnh biển số cắt -> Từng ký tự phân đoạn -> Chuỗi kết quả cuối cùng.

Đổi mới và đóng góp

Cải tiến kỹ thuật nổi bật

  1. Cơ chế định vị kép (Dual Localization Strategy): Kết hợp linh hoạt giữa phương pháp phân tích lược đồ vi sai cạnh Sobel và phương pháp dò vùng khép kín hình học, cho phép hệ thống chuyển đổi linh hoạt theo điều kiện ánh sáng môi trường.
  2. Thuật toán khử viền dựa trên tỷ lệ hình học thực tế: Thay vì dùng các phép toán giãn nở/xói mòn (Dilation/Erosion) truyền thống dễ làm biến dạng nét chữ thanh mảnh, hệ thống ứng dụng thuật toán quét khoảng trống tỷ lệ 1/7 chiều cao và 1/9 chiều rộng, bảo toàn trọn vẹn nét ký tự biên.
  3. Phân tích so sánh giữa Template Matching và Slicing Morphology: Nghiên cứu đã chứng minh thực nghiệm phương pháp đếm giao điểm qua 3 trục cắt hình thái học chỉ đạt hiệu quả với số đơn giản (số 1, 0, 8) nhưng hoàn toàn thất bại trước chữ cái và ký tự nghiêng; từ đó chuẩn hóa giải pháp Template Matching tối ưu bằng mảng nhớ cache hai chiều.
                    SO SÁNH ĐỘ CHÍNH XÁC NHẬN DẠNG KÝ TỰ (OCR)
  100% +-------------------------------------------------------------------+
       |   [==================== Template Matching: 99.75% ====================]
   80% |-------------------------------------------------------------------|
       |   [============= Hình thái học Morphology: 75.94% =============]   |
   60% |-------------------------------------------------------------------|
       |                                                                   |
    0% +-------------------------------------------------------------------+
                               Tỷ lệ nhận dạng chính xác

Nghiên cứu đóng góp một tài liệu kỹ thuật hoàn chỉnh về pipeline xử lý ảnh cho biển số xe máy 2 hàng tại Việt Nam, làm nền tảng cho các đồ án phát triển hệ thống giao thông thông minh (ITS).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hệ thống bãi giữ xe thông minh (Smart Parking Lot): Tự động chụp ảnh biển số xe máy khi vào cổng, nhận dạng và mã hóa chuỗi biển số vào thẻ từ RFID/mã vạch. Khi xe ra, hệ thống tự động quét biển số, đối chiếu với dữ liệu lúc vào, tính toán cước phí và mở barie tự động.
  • Trạm cân và trạm kiểm soát tải trọng tự động: Ghi nhận tự động thông tin phương tiện đi vào bàn cân mà không yêu cầu tài xế phải xuất trình giấy tờ thủ công.
  • Hệ thống an ninh và truy vết xe mất cắp: Tích hợp cơ sở dữ liệu biển số xe vi phạm/xe bị trộm cắp để tự động cảnh báo âm thanh khi phát hiện biển số trùng khớp tại các chốt kiểm soát.
+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH TRIỂN KHAI TẠI BÃI GIỮ XE                          |
+-----------------------------------------------------------------------------------+
|   [Xe vào cổng] ---> [Cảm biến kích hoạt Camera] ---> [ALPR Engine xử lý]         |
|                                                              |                    |
|   [Mở Barie vào] <--- [In vé mã vạch / Ghi thẻ RFID] <-------+                    |
+-----------------------------------------------------------------------------------+

Yêu cầu triển khai và Đánh giá hiệu quả kinh tế (ROI)

  • Phần cứng yêu cầu:
    • Camera quan sát độ phân giải tối thiểu 2.0 Megapixels, có đèn LED trợ sáng hồng ngoại/ánh sáng trắng chuyên dụng.
    • Vị trí đỗ xe có gờ định vị bánh xe, nền sơn sẫm màu để hạn chế phản xạ ánh sáng.
    • Máy tính điều khiển: Intel Core i3 trở lên, RAM 4GB, chạy hệ điều hành Windows 7/10/11.
  • Phân tích ROI: Một bãi đỗ quy mô 1.000 xe/ngày khi áp dụng hệ thống chỉ cần 2 nhân viên vận hành thay vì 6 nhân viên ghi vé thủ công. Chi phí đầu tư hệ thống thu hồi vốn hoàn toàn trong vòng 4 – 6 tháng nhờ cắt giảm chi phí nhân sự và triệt tiêu rủi ro đền bù mất xe.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ thống chưa xử lý tốt các biển số có góc nghiêng lớn hơn $30^\circ$ so với phương ngang của camera.
  • Điều kiện chiếu sáng không đều (vết bóng cây, bóng người che một phần biển số) gây sai số trong bước nhị phân hóa toàn cục.
  • Bụi bẩn bám dày làm mất nét ký tự hoặc khung bảo vệ mica bị xước mờ phản chiếu ánh đèn pha gây nhiễu lược đồ điểm trắng.
  • Cấu hình thuật toán đang cố định cho định dạng biển 4 số cũ (XX-XX XXXX), chưa tự động thích ứng với biển 5 số mới (XX-XX XXX.XX).

Hướng phát triển tiếp theo

  • Tích hợp giải thuật phát hiện góc nghiêng (Hough Transform hoặc Affine Transformation) để tự động xoay thẳng ảnh biển số trước khi phân đoạn.
  • Ứng dụng kỹ thuật nhị phân hóa cục bộ thích nghi (Adaptive Thresholding - Otsu / Sauvola) để giải quyết triệt để tình trạng chênh lệch độ sáng.
  • Mở rộng tập mẫu nhận dạng để hỗ trợ chuẩn biển số 5 số và các biển số đặc thù (biển quân đội, ngoại giao).
  • Tích hợp trực tiếp SDK điều khiển luồng Camera IP (RTSP stream) để tự động kích hoạt chụp và nhận dạng theo thời gian thực (Real-time Video Processing).

Đối tượng hưởng lợi

  • Sinh viên ngành CNTT & Điện tử Viễn thông: Tài liệu tham khảo thực tế về xử lý ảnh số căn bản, cấu trúc mã nguồn C# GDI+ và cách thức giải quyết bài toán thị giác máy tính không phụ thuộc thư viện đóng gói phức tạp.
  • Kỹ sư phát triển phần mềm (Software Engineers): Nắm vững các mẫu thiết kế thuật toán phân đoạn ảnh, xử lý mảng nhị phân hiệu năng cao và kỹ thuật Template Matching tùy biến.
  • Doanh nghiệp vận hành bãi đỗ & Quản lý tòa nhà: Cung cấp cơ sở kỹ thuật để lựa chọn, nghiệm thu và tối ưu hóa hệ thống máy giữ xe thông minh, giảm thiểu chi phí đầu tư.
  • Nhà nghiên cứu khoa học: Cung cấp dữ liệu thực nghiệm so sánh chi tiết giữa các giải thuật hình thái học và so sánh mẫu trên đối tượng biển số phương tiện đặc thù tại các nước đang phát triển.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu PC chạy hệ điều hành Windows, vi xử lý tối thiểu Dual-Core 2.0 GHz, 2GB RAM và Camera chụp ảnh độ phân giải từ 1.3 MP trở lên có hỗ trợ đèn LED chiếu sáng ban đêm.

2. Hệ thống xử lý thế nào khi biển số xe bị nghiêng hoặc bẩn?

Hệ thống cho phép sai số góc nghiêng trong khoảng $\pm 5^\circ$ với thuật toán dò cạnh và dưới $30^\circ$ với thuật toán dò vùng. Trường hợp biển số dính vết bẩn nhỏ, thuật toán xóa biên dựa trên khoảng trắng và so sánh mẫu với dung sai khoảng cách điểm ảnh vẫn cho kết quả chính xác. Tuy nhiên, nếu biển số mất nét lớn, hệ thống sẽ cảnh báo để nhân viên can thiệp thủ công.

3. Có thể tích hợp phần mềm này với hệ thống cổng barie tự động không?

Phần mềm viết trên nền C# .NET nên dễ dàng giao tiếp qua cổng COM (RS232/RS485) hoặc cổng mạng TCP/IP với bộ điều khiển PLC của Barie, rơ-le kích hoạt mở cổng tự động ngay khi chuỗi ký tự nhận dạng hợp lệ.

4. Hệ thống cần bảo trì định kỳ những hạng mục nào?

Cần vệ sinh ống kính camera định kỳ, kiểm tra góc chiếu của đèn LED trợ sáng và cập nhật tập mẫu ký tự (Template Dataset) khi có thêm các font chữ hoặc định dạng biển số mới ban hành.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) ước tính bao lâu?

Chi phí lắp đặt trọn gói một làn xe vào/ra (gồm Camera, máy tính, đầu đọc thẻ, rào chắn) dao động từ 25 – 40 triệu VNĐ. Với bãi xe hoạt động liên tục, hệ thống giúp thu hồi vốn đầu tư chỉ sau 4 đến 6 tháng nhờ tối ưu hóa nhân sự vận hành.

Kết luận

Đồ án đã nghiên cứu và triển khai thành công hệ thống nhận dạng biển số xe gắn máy tự động từ ảnh chụp với tỷ lệ chính xác trích chọn đạt 100% và nhận dạng ký tự đạt 99.75% thông qua kỹ thuật Template Matching tối ưu. Kết quả đạt được khẳng định tính khả thi vượt trội của phương pháp xử lý ảnh số trong việc tự động hóa kiểm soát giao thông đô thị, mang lại giá trị kinh tế - xã hội to lớn cho các bãi đỗ xe thông minh. Hệ thống đã sẵn sàng để nâng cấp các module xoay ảnh thích nghi, nhận dạng biển số 5 số và xử lý luồng camera trực tiếp nhằm hoàn thiện thành sản phẩm thương mại hóa hoàn chỉnh.