Thiết Kế Hệ Thống Nhận Dạng Biển Số Xe Tự Động

• Tác giả: Lê Gia Bảo Phương
• Người hướng dẫn: TS. Trương Quang Vinh
• Trường học: Trường Đại Học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Thiết Kế Hệ Thống Nhận Dạng Biển Số Xe
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: TP. Hồ Chí Minh

• LỜI CAM ƠN
• 1. CHƯƠNG I: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Giới thiệu đề tài
• 1.2. Tình hình nghiên cứu
• 1.3. Mục tiêu và giới hạn đề tài
• 1.4. Bố cục luận văn
• 2. CHƯƠNG II: CƠ SỞ LÝ THUYẾT
• 2.1. Khái quát về xử lý ảnh
• 2.2. Khái niệm về nhận dạng biển số xe
• 2.2.1. Khái niệm và ứng dụng
• 2.2.2. Đặc điểm nhận dạng biển số xe Việt Nam
• 2.3. Thư viện OpenCV
• 2.3.1. Giới thiệu OpenCV
• 2.3.2. Một số hàm cơ bản của OpenCV
• 2.4. Phương pháp nhận dạng SVM (Support Vector Machine)
• 2.4.1. SVM tuyến tính
• 2.4.2. SVM không tuyến tính
• 2.4.3. SVM lề mềm tuyến tính
• 2.5. Hệ thống nhúng
• 2.5.1. Hệ điều hành Angstrom
• 2.5.2. Hệ thống phần cứng
• 3. CHƯƠNG III: HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
• 3.1. Sơ đồ khối và nguyên lý hoạt động
• 3.2. Quá trình thu nhận ảnh
• 3.3. Phát hiện biển số
• 3.4. Xây dựng bộ huấn luyện
• 3.4.1. Trích đặc trưng
• 3.5. Nhận dạng ký tự
• 4. CHƯƠNG IV: XÂY DỰNG HỆ THỐNG NHÚNG TRÊN BEAGLEBOARD XM
• 4.1. Xây dựng hệ điều hành nhúng
• 4.2. Xây dựng Qt và thư viện OpenCV đối với BBxM
• 5. CHƯƠNG V: KẾT QUẢ THỰC HIỆN
• 5.1. Đánh giá độ chính xác của hệ thống
• 5.2. Kết quả đạt được
• 6. CHƯƠNG VI: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
• 6.1. Kết luận
• 6.2. Hướng nghiên cứu và phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Hệ Thống Nhận Dạng Biển Số Xe Tại Việt Nam

Ngày nay, tại các thành phố lớn, sự gia tăng nhanh chóng của phương tiện giao thông tạo ra những khó khăn lớn trong công tác quản lý và xử lý vi phạm. Nguồn nhân lực có hạn không thể đáp ứng được nhu cầu. Do đó, cần thiết phải có các hệ thống quản lý, giám sát giao thông tự động, hiệu quả. Hệ thống nhận dạng biển số xe (ANPR/ALPR) Việt Nam là một giải pháp thích hợp. Các hệ thống này đã được nghiên cứu và ứng dụng rộng rãi ở nhiều nước phát triển, nhưng ở Việt Nam, chúng chỉ mới được quan tâm gần đây. Đề tài "Thiết kế hệ thống nhúng nhận dạng biển số xe" nhằm góp phần vào việc nghiên cứu lĩnh vực này tại Việt Nam, hướng đến mục tiêu nhận dạng chính xác biển số xe ô tô. Mục tiêu là thiết kế thành công một hệ thống nhận dạng chính xác biển số của các phương tiện lưu thông tại Việt Nam. Hệ thống sẽ được thiết kế trên cơ sở xây dựng các giải thuật cho 3 quá trình: (1) phát hiện biển số; (2) phân tách ký tự; (3) nhận dạng ký tự. Cuối cùng, hệ thống sẽ nhúng trên kit ARM Beagle Board với sự hỗ trợ của phần mềm thư viện OpenCV.

1.1. Giới thiệu về Hệ thống nhận diện biển số xe ALPR

Hệ thống nhận dạng biển số xe (ALPR) là một công cụ quan trọng trong quản lý giao thông thông minh. Nó giúp tự động hóa quá trình kiểm soát xe cộ, giảm thiểu sự can thiệp của con người và tăng cường hiệu quả. Hệ thống này ngày càng trở nên quan trọng hơn trong bối cảnh giao thông ngày càng phức tạp.

1.2. Tình hình nghiên cứu và ứng dụng ALPR tại Việt Nam

Mặc dù đã phổ biến trên thế giới, việc nghiên cứu và ứng dụng giải pháp nhận diện biển số xe tại Việt Nam còn khá mới mẻ. Các nghiên cứu hiện tại tập trung vào việc tối ưu hóa thuật toán cho biển số xe đặc trưng của Việt Nam và tích hợp với các hệ thống quản lý giao thông hiện có. Các hệ thống nhận dạng biến số phương tiện thường bao gồm 3 quá trình chính: 1) phát hiện biến số, 2) phân tách ky tự và, 3) nhận dang ký tự. Đến thời điểm hiện nay, đã có rất nhiều phương pháp được nghiên cứu và thực hiện trong mỗi quá trình nói trên bởi các nhà kỹ thuật ở nhiêu nước trên thê giới.

1.3. Mục tiêu và phạm vi nghiên cứu Hệ thống ALPR

Mục tiêu chính của nghiên cứu là xây dựng một hệ thống nhận dạng biển số xe hoạt động chính xác và hiệu quả trên biển số xe Việt Nam. Hệ thống được thiết kế để nhận dạng biển số xe dân sự có nền trắng chữ đen, loại biển số một hàng. Hệ thống có thé xử lý theo thời gian thực với khoảng < 15 frames / s. Su dụng camera có độ phân giải ảnh < 640x480 pixel. Không thiết kế phan cứng mà sử dung kit có sẵn BeagleBoard xM.

II. Thách Thức và Vấn Đề Của Hệ Thống Nhận Dạng Biển Số Xe

Các hệ thống nhận dạng biển số xe đối mặt với nhiều thách thức. Điều kiện ánh sáng thay đổi, góc chụp khác nhau, và chất lượng hình ảnh kém đều ảnh hưởng đến độ chính xác. Biển số xe bị mờ, bẩn, hoặc bị che khuất cũng gây khó khăn. Các thuật toán cần phải đủ mạnh mẽ để xử lý các tình huống này. Ngoài ra, tính bảo mật và khả năng tích hợp với các hệ thống hiện có cũng là những yếu tố quan trọng cần xem xét. Phát hiện biến số : đây là quá trình đầu tiên và quan trọng nhất trong một hệ thống nhận dạng biển số xe vì nó ảnh hưởng trực tiếp đến hiệu suất của toàn bộ hệ thống.

2.1. Các yếu tố ảnh hưởng đến độ chính xác nhận dạng

Độ chính xác của hệ thống nhận dạng biển số xe phụ thuộc vào nhiều yếu tố như chất lượng hình ảnh, điều kiện ánh sáng, góc chụp, và tình trạng của biển số. Ảnh có độ phân giải thấp, ánh sáng yếu, hoặc biển số bị mờ, bẩn sẽ làm giảm độ chính xác của hệ thống.

2.2. Vấn đề bảo mật và an ninh của hệ thống nhận dạng

Bảo mật hệ thống nhận dạng biển số xe là một vấn đề quan trọng. Dữ liệu về biển số xe cần được bảo vệ khỏi truy cập trái phép và sử dụng sai mục đích. Các biện pháp bảo mật như mã hóa dữ liệu, kiểm soát truy cập, và giám sát hoạt động hệ thống cần được triển khai.

2.3. Khả năng tích hợp với các hệ thống quản lý giao thông

Hệ thống nhận dạng biển số xe cần có khả năng tích hợp với các hệ thống quản lý giao thông khác như hệ thống thu phí tự động, hệ thống giám sát giao thông, và hệ thống quản lý bãi đỗ xe. Khả năng tích hợp giúp tăng cường hiệu quả và tự động hóa các quy trình.

III. Phương Pháp Phát Hiện Biển Số Xe Tự Động Chính Xác Nhất

Phát hiện biển số là bước đầu tiên và quan trọng nhất trong quy trình nhận dạng biển số xe. Một phương pháp trích biển số xe dựa trên sự kết hợp giữa phương pháp đặc trưng cạnh (Edges Satistics) và hình thái học (Morphology) đã được hai tác giả B.Changping giới thiệu năm 2004, đã thu được kết quả rat cao [1]. Phương pháp gồm 4 quá trình: phát hiện cạnh, phân tích đặc trưng cạnh, xác định vị trí biển số dựa trên sự phân cấp, và trích biển số dựa trên phương pháp hình thái học. Kết quả trích vùng biển số xe đạt 99.6% trên tong s6 9825 anh duoc str dung. Một phương pháp khác được ứng dụng dé phát hiện biến số là Sliding Concentric Windows (SCW) [2]. Nội dung chính của phương pháp là sử dụng hai cửa số đồng tâm có kích thước khác nhau, quét toàn bộ ảnh từ trái qua phải và từ trên xuống dưới.

3.1. Sử dụng thuật toán phát hiện cạnh Edge Detection

Thuật toán phát hiện cạnh giúp xác định ranh giới của các đối tượng trong ảnh, bao gồm cả biển số xe. Các thuật toán phổ biến bao gồm Sobel, Canny, và Laplacian. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của ảnh và yêu cầu về độ chính xác. Tại mỗi điểm pixel trung tâm của hai cửa số, các giá trị thống kê là độ lệch chuẩn hoặc giá tri trung bình sẽ được tính toán. Nếu giá tri này vượt quá ngưỡng được thiết lập bởi người sử dụng thì điểm pixel đó được xem là thuộc vùng biên số xe. Phương pháp này cũng thu được kết quả cao, đạt 96,5 %.

3.2. Áp dụng phép toán hình thái học Morphological Operations

Phép toán hình thái học giúp loại bỏ nhiễu và làm nổi bật các đặc trưng của biển số xe. Các phép toán thường dùng bao gồm giãn nở (dilation), co (erosion), và đóng (closing). Các phép toán này giúp cải thiện độ chính xác của quá trình phát hiện biển số. Một phương pháp phát hiện biển số phương tiện khác nữa là sử dụng thuật toán Support Vector Machine (SVM) kết hợp với thuật toán hình thái học [3]. Phương pháp này làm tăng đáng kế độ chính xác trong việc trích biển số xe với đầu vào là các chuỗi video.

3.3. Kết hợp SVM Support Vector Machine và hình thái học

Điểm nổi bật của phương pháp là sử dụng thuật toán hình thái học để tìm các đối tượng có thể là biến số xe. Tiếp đó, thuật toán SVM được ứng dung dé xác minh chính xác đối tượng nào là biển số xe, đối tượng nào không phải. Ngoài ra, một số phương pháp khác cũng đã được giới thiệu trong bước này như là kết hợp thuật toán Hough Transform (HT) với thuật toán Contour [4], Wavelet Transform (WT) [5], Time-delay Neural Network (TDNN) [6].

IV. Phân Tách Ký Tự Biển Số Xe Phương Pháp và Kỹ Thuật Hiệu Quả

Sau khi phát hiện biển số, bước tiếp theo là phân tách các ký tự trên biển số. phương pháp đơn giản va pho biển nhất dé tách rời các ký tự là sử dụng các hình chiếu theo chiều ngang (horizontal projection ) và hình chiếu theo chiều doc (vertical projection) [4]. Tại các vi trí có các giá tri nhỏ nhất trong hình chiếu ngang sẽ giúp ta tach được hàng trên biến số, và tại những vị trí có giá trị nhỏ nhất trong hình chiếu đứng sẽ giúp ta tách được các ký tự.

4.1. Sử dụng hình chiếu ngang và hình chiếu dọc để phân tách

Phương pháp sử dụng hình chiếu ngang và dọc giúp xác định vị trí của các ký tự trên biển số. Các giá trị nhỏ nhất trong hình chiếu ngang và dọc tương ứng với khoảng trống giữa các ký tự, cho phép phân tách chúng một cách dễ dàng. Phương pháp hình thái học cũng được sử dụng để tách riêng từng ký tự [3] [7] [8]. Phương pháp dựa vào đặc điểm: mỗi ký tự trên biến số sẽ là một đối tượng có đặc điểm hình thái học cụ thể như là chiều cao, chiều rộng, ti lệ hai chiều . là biễn đôi tương đối ít (nếu ảnh biển số được đưa về cùng một kích cỡ), dựa vào đó ta có thé tách được cụ thé từng ký tự một [7].

4.2. Ứng dụng thuật toán tiền xử lý ảnh để tăng độ chính xác

Các thuật toán tiền xử lý ảnh như làm mờ, tăng độ tương phản, và khử nhiễu giúp cải thiện chất lượng hình ảnh và tăng độ chính xác của quá trình phân tách ký tự. Các thuật toán này giúp loại bỏ các yếu tố gây nhiễu và làm nổi bật các ký tự trên biển số. Ngoài ra, một số phương pháp khác cũng được sử dụng trong bước này như là Markov Random Field, local/adaptive thresholding.

4.3. Kỹ thuật điều chỉnh góc nghiêng biển số xe

Điều chỉnh góc nghiêng của biển số giúp cải thiện độ chính xác của quá trình phân tách ký tự. Các thuật toán điều chỉnh góc nghiêng giúp đưa biển số về vị trí thẳng đứng, giúp cho việc phân tách ký tự trở nên dễ dàng hơn. Anh tiền xử ly có ký tự bị mat khi biển số có đỉnh ốc lớn.

V. Nhận Dạng Ký Tự Biển Số Xe Bằng Công Nghệ AI Hiện Đại

Công nghệ AI, đặc biệt là nhận dạng biển số xe bằng deep learning, đóng vai trò quan trọng trong việc nhận dạng ký tự biển số. Phương pháp pho biến để nhận dạng ký ty là sử dung mang noron nhân tao (Artifical Neutral Network). Nhiều công trình nghiên cứu cua các nhà kỹ thuật sử dụng phương pháp này đã thu được kết quả cao. Phương pháp SVM cũng được sử dung để nhận dạng ký tự.

5.1. Sử dụng mạng nơ ron nhân tạo Artificial Neural Network

Mạng nơ-ron nhân tạo là một công cụ mạnh mẽ trong việc nhận dạng ký tự. Chúng có khả năng học hỏi và thích nghi với các biến thể khác nhau của ký tự, giúp tăng độ chính xác của quá trình nhận dạng. Nhiều công trình nghiên cứu cua các nhà kỹ thuật sử dụng phương pháp này đã thu được kết quả cao như trình bày trong bang 1 dưới day là kêt qua cua một sô nghiên cứu sử dụng mang noron truyén thăng nhiều lớp (Multiplayer Feedfoward Neutral Network - MFNN).

5.2. Ứng dụng thuật toán Support Vector Machine SVM

Thuật toán SVM là một phương pháp học máy mạnh mẽ có thể được sử dụng để nhận dạng ký tự. Nó có khả năng phân loại dữ liệu một cách chính xác, ngay cả trong các tình huống phức tạp. Các tác giả trong bài báo [10] đã thiết kế một hệ thống nhận dạng biến số xe Hàn Quốc băng phương pháp SVM với kết quả rất ân tượng. Hệ thong bao gồm 4 bộ nhận dạng ký tự dựa trên SVM để nhận dạng các ký tự hàng trên, các chữ số hàng trên, các ký tự hàng dưới, và các chữ sô hàng dưới.

5.3. Tối ưu hóa thuật toán nhận dạng ký tự cho biển số Việt Nam

Để đạt được độ chính xác cao nhất, cần tối ưu hóa thuật toán nhận dạng ký tự cho biển số xe Việt Nam. Điều này bao gồm việc sử dụng bộ dữ liệu huấn luyện lớn và đa dạng, cũng như điều chỉnh các tham số của thuật toán để phù hợp với đặc điểm của biển số Việt Nam.

VI. Ứng Dụng Thực Tế và Triển Vọng Hệ Thống Nhận Dạng Biển Số Xe

Hệ thống nhận dạng biển số xe có nhiều ứng dụng thực tế trong quản lý giao thông, an ninh, và các lĩnh vực khác. Chúng có thể được sử dụng để kiểm soát ra vào bãi đỗ xe, thu phí tự động, giám sát giao thông, và hỗ trợ điều tra tội phạm. Triển vọng của hệ thống này là rất lớn, với tiềm năng ứng dụng rộng rãi trong các thành phố thông minh và các hệ thống giao thông thông minh (ITS).

6.1. Ứng dụng trong quản lý bãi đỗ xe thông minh

Hệ thống quản lý bãi đỗ xe thông minh sử dụng camera nhận diện biển số xe để tự động hóa quá trình kiểm soát ra vào, tính phí, và tìm kiếm xe. Điều này giúp giảm thiểu thời gian chờ đợi, tăng cường an ninh, và cải thiện trải nghiệm của người dùng.

6.2. Kiểm soát giao thông và thu phí tự động bằng ALPR

Hệ thống thu phí tự động sử dụng nhận dạng biển số xe để tự động tính phí và trừ tiền từ tài khoản của người dùng. Điều này giúp giảm ùn tắc giao thông, tiết kiệm chi phí vận hành, và tăng cường hiệu quả thu phí.

6.3. Hỗ trợ an ninh và điều tra tội phạm

An ninh giao thông và điều tra tội phạm có thể được hỗ trợ bằng hệ thống nhận diện biển số xe. Hệ thống có thể được sử dụng để theo dõi các phương tiện nghi vấn, phát hiện xe bị đánh cắp, và cung cấp bằng chứng trong các vụ án hình sự.

Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của kinh tế - xã hội tại các thành phố lớn, số lượng phương tiện giao thông tăng mạnh đã đặt ra thách thức lớn trong công tác quản lý và xử lý vi phạm giao thông. Theo ước tính, việc quản lý thủ công bằng nguồn nhân lực con người không thể đáp ứng hiệu quả nhu cầu ngày càng cao này. Do đó, việc ứng dụng các hệ thống nhận dạng biển số xe tự động (Automatic License Plate Recognition - ALPR) trở thành giải pháp tối ưu nhằm nâng cao hiệu quả quản lý giao thông. Tại Việt Nam, các hệ thống ALPR mới chỉ được quan tâm và phát triển trong thời gian gần đây, trong khi trên thế giới, các nước như Mỹ, Ấn Độ, Hàn Quốc đã ứng dụng rộng rãi công nghệ này.

Luận văn thạc sĩ này tập trung thiết kế hệ thống nhúng nhận dạng biển số xe ô tô Việt Nam loại biển số một hàng, nền trắng chữ đen, nhằm mục tiêu xây dựng một hệ thống có độ chính xác cao, có khả năng xử lý theo thời gian thực trên nền tảng kit BeagleBoard xM. Phạm vi nghiên cứu bao gồm phát triển các thuật toán cho ba quá trình chính: phát hiện biển số, tách ký tự và nhận dạng ký tự, đồng thời tích hợp hệ thống trên môi trường Linux Ubuntu 12.04 với thư viện OpenCV. Hệ thống được đánh giá trên 350 ảnh thực tế thu thập trong các điều kiện ánh sáng và góc chụp khác nhau, đạt độ chính xác nhận dạng khoảng 83%. Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ tự động hóa công tác quản lý giao thông, giảm thiểu sai sót và tăng tốc độ xử lý dữ liệu biển số xe tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu sau:

• Xử lý ảnh số (Digital Image Processing): Bao gồm các bước thu nhận ảnh, chuyển đổi ảnh sang không gian xám, lọc phát hiện cạnh, phép toán hình thái học (erosion, dilation), và phân đoạn ảnh. Các kỹ thuật này giúp làm nổi bật đặc trưng của biển số xe trong ảnh, tạo điều kiện thuận lợi cho các bước tiếp theo.

• Nhận dạng ký tự bằng Support Vector Machine (SVM): SVM là phương pháp phân loại dựa trên lý thuyết học thống kê, tìm siêu mặt phẳng tối ưu phân tách các lớp dữ liệu. Luận văn sử dụng ba mô hình SVM riêng biệt để nhận dạng chữ và số tại các vị trí khác nhau trên biển số, áp dụng các kernel tuyến tính và phi tuyến tính phù hợp với đặc điểm dữ liệu.

• Hệ thống nhúng BeagleBoard xM: Nền tảng phần cứng ARM Cortex-A8 1GHz với bộ nhớ 512MB DDRAM, chạy hệ điều hành Angstrom Linux, hỗ trợ phát triển ứng dụng nhúng thời gian thực. Việc nhúng hệ thống ALPR trên BeagleBoard xM giúp đảm bảo tính di động và khả năng triển khai thực tế.

Các khái niệm chính bao gồm: phát hiện cạnh, phép toán hình thái học, tách ký tự bằng tìm đường bao (contour), trích đặc trưng nhị phân, và mô hình SVM lề mềm tuyến tính.

Phương pháp nghiên cứu

• Nguồn dữ liệu: 350 ảnh biển số xe ô tô Việt Nam loại một hàng, nền trắng chữ đen, thu thập trong các điều kiện ánh sáng và góc chụp đa dạng nhằm đánh giá độ bền vững của hệ thống.

• Phương pháp phân tích: Hệ thống được xây dựng trên môi trường Linux Ubuntu 12.04 sử dụng ngôn ngữ C++ với thư viện OpenCV 2.3. Quá trình nghiên cứu gồm ba bước chính: phát hiện biển số (dựa trên lọc cạnh bằng độ lệch chuẩn, toán hình thái học, và điều kiện kích thước), tách ký tự (dùng thuật toán tìm contour kết hợp điều kiện kích thước và tiền xử lý ảnh), và nhận dạng ký tự (áp dụng mô hình SVM với trích đặc trưng nhị phân).

• Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 1/2013, hoàn thành vào tháng 11/2013, với các giai đoạn thu thập dữ liệu, phát triển thuật toán, xây dựng hệ thống nhúng và đánh giá kết quả.

• Cỡ mẫu và chọn mẫu: 350 ảnh được chọn ngẫu nhiên từ các địa điểm khác nhau, đảm bảo đa dạng về điều kiện ánh sáng và góc chụp để kiểm tra tính ổn định của hệ thống.

• Lý do lựa chọn phương pháp: Sử dụng SVM do khả năng phân loại chính xác trong các bài toán nhận dạng ký tự, kết hợp với OpenCV để tận dụng các hàm xử lý ảnh hiệu quả, và BeagleBoard xM để đảm bảo tính thực tiễn và khả năng nhúng hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phát hiện biển số: Thuật toán phát hiện biển số dựa trên lọc cạnh bằng độ lệch chuẩn kết hợp toán hình thái học và điều kiện kích thước đã đạt tỷ lệ phát hiện chính xác khoảng 90% trên tập 350 ảnh thử nghiệm.

2. Hiệu quả tách ký tự: Phương pháp tách ký tự sử dụng tìm contour và điều chỉnh góc nghiêng đã tách thành công 85% ký tự trên biển số, với kích thước ký tự chuẩn 30x16 pixel, giúp chuẩn hóa dữ liệu đầu vào cho bước nhận dạng.

3. Độ chính xác nhận dạng ký tự: Mô hình SVM với trích đặc trưng nhị phân đã nhận dạng chính xác khoảng 83% ký tự trong các điều kiện ánh sáng và góc chụp khác nhau, thể hiện hiệu quả của mô hình trong việc phân biệt chữ và số trên biển số Việt Nam.

4. Tốc độ xử lý: Hệ thống nhúng trên BeagleBoard xM có khả năng xử lý khoảng 15 khung hình mỗi giây (frames per second), đáp ứng yêu cầu xử lý thời gian thực cho các ứng dụng giám sát giao thông.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp phương pháp lọc cạnh dựa trên độ lệch chuẩn với toán hình thái học giúp phát hiện biển số hiệu quả, đặc biệt trong điều kiện ánh sáng thay đổi. So với các nghiên cứu trước đây sử dụng phương pháp Sliding Concentric Windows đạt 96.5% hoặc kết hợp SVM với hình thái học, hệ thống này có độ chính xác tương đương trong điều kiện thực tế Việt Nam.

Việc tách ký tự bằng tìm contour kết hợp tiền xử lý và điều chỉnh góc nghiêng giúp giảm thiểu sai sót do biến dạng ảnh, nâng cao độ chính xác nhận dạng. Mô hình SVM được huấn luyện riêng biệt cho từng loại ký tự và vị trí trên biển số giúp tăng khả năng phân loại, phù hợp với đặc điểm biển số Việt Nam.

Tốc độ xử lý trên nền tảng BeagleBoard xM đáp ứng được yêu cầu thực tế, cho phép triển khai hệ thống trong các trạm thu phí, kiểm soát giao thông. Kết quả có thể được trình bày qua biểu đồ so sánh tỷ lệ phát hiện, tách ký tự và nhận dạng ký tự trong các điều kiện ánh sáng khác nhau, hoặc bảng tổng hợp kết quả đánh giá toàn bộ hệ thống.

Đề xuất và khuyến nghị

1. Tối ưu thuật toán phát hiện biển số: Nâng cao độ chính xác phát hiện bằng cách kết hợp thêm các phương pháp học sâu (deep learning) hoặc cải tiến bộ lọc cạnh hiện tại, nhằm giảm thiểu sai sót trong điều kiện ánh sáng phức tạp. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu kỹ thuật điện tử.

2. Cải tiến tách ký tự: Áp dụng các kỹ thuật tiền xử lý nâng cao như lọc nhiễu thích ứng, chuẩn hóa hình ảnh để tăng tỷ lệ tách ký tự thành công trên các biển số bị biến dạng hoặc bị che khuất. Thời gian thực hiện: 4-6 tháng, chủ thể: nhóm phát triển phần mềm.

3. Mở rộng mô hình nhận dạng ký tự: Huấn luyện thêm các mô hình SVM hoặc mạng nơ-ron sâu (CNN) để nhận dạng các loại biển số khác nhau (biển hai hàng, biển nền xanh, biển xe chuyên dụng), nâng cao tính đa dạng và ứng dụng rộng rãi. Thời gian thực hiện: 8-10 tháng, chủ thể: nhóm nghiên cứu AI.

4. Triển khai hệ thống thực tế: Lắp đặt và thử nghiệm hệ thống tại các trạm thu phí, bãi đỗ xe tự động, hoặc các điểm kiểm soát giao thông để đánh giá hiệu quả vận hành và thu thập phản hồi cải tiến. Thời gian thực hiện: 12 tháng, chủ thể: cơ quan quản lý giao thông và đơn vị phát triển.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Kỹ thuật Điện tử, Thị giác máy tính: Luận văn cung cấp kiến thức chuyên sâu về xử lý ảnh, nhận dạng ký tự và ứng dụng SVM trong hệ thống nhúng, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Kỹ sư phát triển hệ thống giám sát giao thông: Tham khảo để áp dụng các thuật toán phát hiện và nhận dạng biển số xe phù hợp với điều kiện thực tế Việt Nam, từ đó thiết kế hệ thống hiệu quả và tối ưu.

3. Cơ quan quản lý giao thông và an ninh: Sử dụng kết quả nghiên cứu để triển khai các giải pháp tự động hóa trong quản lý phương tiện, xử lý vi phạm giao thông, nâng cao hiệu quả giám sát.

4. Doanh nghiệp công nghệ phát triển phần mềm nhúng: Áp dụng mô hình và phương pháp xây dựng hệ thống nhúng trên BeagleBoard xM, tận dụng thư viện OpenCV và SVM để phát triển sản phẩm thương mại trong lĩnh vực nhận dạng biển số xe.

Câu hỏi thường gặp

1. Hệ thống có thể nhận dạng các loại biển số khác ngoài biển một hàng không?
   Hiện tại hệ thống được thiết kế và huấn luyện cho biển số một hàng nền trắng chữ đen. Việc mở rộng nhận dạng các loại biển số khác cần huấn luyện thêm mô hình và điều chỉnh thuật toán tách ký tự.

2. Độ chính xác nhận dạng ký tự trong điều kiện ánh sáng yếu như thế nào?
   Hệ thống đạt khoảng 83% độ chính xác trên tập ảnh đa dạng, bao gồm cả điều kiện ánh sáng yếu và chói. Tuy nhiên, độ chính xác có thể giảm nhẹ trong các trường hợp ánh sáng quá yếu hoặc biển số bị che khuất.

3. Tốc độ xử lý của hệ thống có đáp ứng được yêu cầu thời gian thực không?
   Hệ thống nhúng trên BeagleBoard xM xử lý được khoảng 15 khung hình mỗi giây, phù hợp với các ứng dụng giám sát giao thông thời gian thực như trạm thu phí hoặc kiểm soát xe ra vào.

4. Phương pháp nhận dạng ký tự sử dụng có ưu điểm gì so với mạng nơ-ron nhân tạo?
   SVM có ưu điểm là khả năng phân loại chính xác với dữ liệu có số chiều cao và ít bị overfitting, đồng thời dễ dàng huấn luyện và triển khai trên hệ thống nhúng với tài nguyên hạn chế.

5. Hệ thống có thể tích hợp với các thiết bị camera hiện có không?
   Có thể tích hợp với các camera có độ phân giải tối đa 640x480 pixel, sử dụng giao diện chuẩn để thu nhận ảnh, phù hợp với nhiều loại camera phổ biến hiện nay.

Kết luận

• Đã thiết kế thành công hệ thống nhúng nhận dạng biển số xe ô tô Việt Nam loại một hàng với độ chính xác nhận dạng ký tự khoảng 83% trên 350 ảnh thử nghiệm.
• Hệ thống bao gồm ba module chính: phát hiện biển số, tách ký tự và nhận dạng ký tự, được xây dựng trên nền tảng Linux Ubuntu 12.04 với thư viện OpenCV và nhúng trên kit BeagleBoard xM.
• Thuật toán phát hiện cạnh dựa trên độ lệch chuẩn kết hợp toán hình thái học và điều kiện kích thước giúp phát hiện biển số hiệu quả trong nhiều điều kiện ánh sáng và góc chụp.
• Mô hình SVM được huấn luyện riêng biệt cho từng loại ký tự và vị trí trên biển số, nâng cao độ chính xác nhận dạng.
• Hệ thống có khả năng xử lý thời gian thực với tốc độ khoảng 15 frames/giây, phù hợp triển khai thực tế trong các ứng dụng quản lý giao thông.

Next steps: Tiếp tục tối ưu thuật toán, mở rộng nhận dạng các loại biển số khác, và triển khai thử nghiệm thực tế tại các trạm thu phí, bãi đỗ xe.

Call to action: Các nhà nghiên cứu và doanh nghiệp công nghệ được khuyến khích ứng dụng và phát triển thêm dựa trên nền tảng này để nâng cao hiệu quả quản lý giao thông tại Việt Nam.