Nghiên Cứu Nhận Dạng Biển Số Xe Ô Tô Ở Cộng Hòa Dân Chủ Nhân Dân Lào

Luận văn thạc sĩ nghiên cứu về nhận dạng biển số xe ô tô tại Cộng hòa Dân chủ Nhân dân Lào, ứng dụng công nghệ hiện đại trong giao thông.

• Tác giả: Khamphoumy Phonevilay
• Người hướng dẫn: TS. Nguyễn Văn Huân
• Trường học: Đại học Công nghệ thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Nhận Dạng Biển Số Xe Ô Tô Tại Lào
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ĐOAN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG I: TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE Ô TÔ Ở CỘNG HÒA DÂN CHỦ NHÂN DÂN LÀO
• 1.1. TỔNG QUAN VỀ XỬ LÝ ẢNH
• 1.1.1. Một số khái niệm cơ bản trong xử lý ảnh
• 1.1.2. Phần tử ảnh ( Pixel ( Picture Element))
• 1.1.3. Độ phân giải của ảnh (Resolution)
• 1.1.4. Mức xám (Gray Level)
• 1.1.5. Sử dụng các bộ lọc
• 1.1.5.1. Kỹ thuật lọc trung vị
• 1.1.5.2. Kỹ thuật lọc trung bình
• 1.1.6. Quan hệ giữa các điểm ảnh
• 1.1.6.1. Các lân cận của điểm ảnh (Image Neighbors)
• 1.1.6.2. Các mối liên kết điểm ảnh
• 1.1.6.3. Đo khoảng cách giữa các điểm ảnh
• 1.1.7. Chu tuyến của một đối tượng ảnh
• 1.1.7.1. Định nghĩa Chu tuyến
• 1.1.7.2. Định nghĩa Chu tuyến đối ngẫu
• 1.1.7.3. Định nghĩa Chu tuyến ngoài
• 1.1.7.4. Định nghĩa Chu tuyến trong
• 1.1.7.5. Định nghĩa điểm trong và điểm ngoài chu tuyến
• 1.1.7.6. Bổ đề Chu tuyến đối ngẫu
• 1.1.7.7. Bổ đề Phần trong/ngoài của chu tuyến
• 1.1.7.8. Định lý về tính duy nhất của chu tuyến ngoài
• 1.1.8. Biên và các phương pháp phát hiện biên
• 1.1.8.1. Các Phương pháp phát hiện biên trực tiếp
• 1.1.8.2. Phát hiện vùng chứa biển số xe
• 1.1.8.3. Phương pháp phát hiện biên gián tiếp
• 1.1.8.4. Biểu diễn đường biên
• 1.1.8.5. Biểu diễn đường biên bằng hàm Radius – vector
• 1.2. NHẬN DẠNG BIỂN SỐ XE Ô TÔ Ở CỘNG HÒA DÂN CHỦ NHÂN DÂN LÀO
• 1.2.1. Khái quát về biển số xe ở Cộng hòa Dân chủ Nhân dân Lào
• 1.2.2. Khái niệm & ứng dụng về nhận dạng
• 1.2.3. Phân loại biển số xe
• 1.2.4. Điểm ảnh, biên ảnh
• 1.2.5. Vai trò của việc nhận dạng
• 2. CHƯƠNG II: MỘT SỐ VẤN ĐỀ TRONG NHẬN DẠNG ẢNH BIỂN SỐ XE Ô TÔ CỘNG HÒA DÂN CHỦ NHÂN DÂN LÀO
• 2.1. KỸ THUẬT BÓC TÁCH ẢNH
• 2.1.1. Thuật toán nhị phân hoá ảnh đầu vào
• 2.1.2. Thuật toán tách cạnh, dò biên
• 2.1.3. Tính toán các số đo đặc trưng của đối tượng ảnh nhị phân
• 2.1.4. Thuật toán phân vùng, phân cụm
• 2.2. KỸ THUẬT TÁCH CÁC KÝ TỰ
• 2.2.1. Các phương pháp tách ký tự và nhận dạng ký tự
• 2.2.2. Nhận dạng ký tự
• 2.3. KỸ THUẬT TRÍCH CHỌN ĐẶC TRƯNG ẢNH
• 2.3.1. Độ đo tương đồng về màu sắc
• 2.3.2. Không gian màu
• 2.3.3. Đặc trưng hình dạng
• 2.3.3.1. Độ đo tương đồng cho hình dạng
• 2.3.4. Đặc trưng cục bộ bất biến
• 2.4. NHẬN DẠNG ẢNH BIỂN SỐ XE
• 2.4.1. Trích chọn đặc trưng ảnh
• 2.4.2. MÔ TẢ VÀ GIỚI THIỆU VỀ BIỂN SỐ XE Ô TÔ CỦA CỘNG HÒA DÂN CHỦ NHÂN DÂN LÀO
• 2.4.3. THƯ VIỆN OPENCV
• 2.4.3.1. Những ai sử dụng OpenCV
• 2.4.3.2. Nguồn gốc của OpenCV
• 2.4.4. BỘ THƯ VIỆN MÃ NGUỒN MỞ OPENCV
• 2.4.4.1. Một vài thư viện của OpenCV
• 2.4.4.2. Các thao tác ảnh cơ bản
• 2.4.5. HÀM OPENCV HỖ TRỢ XÂY DỰNG ỨNG DỤNG NHẬN DẠNG BIỂN SỐ XE
• 2.4.5.1. Hàm cv ReleaseImage
• 2.4.6. GIAO DIỆN CỦA CHƯƠNG TRÌNH NHẬN DẠNG BIỂN SỐ XE
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Nhận Dạng Biển Số Xe Lào

Nghiên cứu nhận dạng biển số xe ô tô Lào là một lĩnh vực đầy tiềm năng, kết hợp giữa xử lý ảnh và trí tuệ nhân tạo. Mục tiêu chính là tự động xác định và trích xuất thông tin từ biển số xe ô tô Lào trong ảnh hoặc video. Quá trình này bao gồm nhiều bước, từ tiền xử lý ảnh, phát hiện vị trí biển số xe, tách ký tự, đến nhận dạng ký tự bằng các thuật toán học máy hoặc deep learning. Ứng dụng của công nghệ này rất đa dạng, từ quản lý giao thông, an ninh công cộng đến thu phí tự động và thống kê giao thông. Theo tài liệu gốc, quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra có thể là một ảnh "tốt hơn" hoặc một kết luận. Sự phát triển của công nghệ nhận dạng biển số xe góp phần nâng cao hiệu quả và độ chính xác trong nhiều lĩnh vực.

1.1. Giới Thiệu Bài Toán Nhận Dạng Biển Số Xe

Bài toán nhận dạng biển số xe là một thách thức lớn trong lĩnh vực thị giác máy tính. Nó đòi hỏi sự kết hợp của nhiều kỹ thuật xử lý ảnh và nhận dạng mẫu. Các yếu tố như ánh sáng, góc chụp, độ phân giải ảnh, và chất lượng biển số xe (mờ, bẩn, nghiêng) đều ảnh hưởng đến độ chính xác của hệ thống. Để giải quyết bài toán này, cần có các thuật toán mạnh mẽ và khả năng thích ứng cao với các điều kiện khác nhau. Nghiên cứu này tập trung vào việc áp dụng các kỹ thuật hiện đại để nhận dạng biển số xe ô tô Lào một cách hiệu quả.

1.2. Ứng Dụng Của Nhận Dạng Biển Số Xe Ô Tô Lào

Công nghệ nhận dạng biển số xe ô tô Lào có nhiều ứng dụng quan trọng. Trong lĩnh vực giao thông, nó giúp quản lý lưu lượng xe, phát hiện vi phạm, và điều khiển đèn tín hiệu. Trong an ninh, nó hỗ trợ theo dõi xe khả nghi, kiểm soát ra vào, và điều tra tội phạm. Ngoài ra, nó còn được sử dụng trong các hệ thống thu phí tự động, quản lý bãi đỗ xe, và thống kê giao thông. Việc triển khai thành công hệ thống nhận dạng biển số xe sẽ mang lại nhiều lợi ích cho xã hội và kinh tế Lào.

II. Thách Thức Trong Nhận Dạng Biển Số Xe Ô Tô Tại Lào

Việc nhận dạng biển số xe ô tô tại Lào đối mặt với nhiều thách thức đặc thù. Cấu trúc biển số xe Lào có định dạng riêng, khác biệt so với các quốc gia khác, đòi hỏi các thuật toán phải được điều chỉnh phù hợp. Điều kiện ánh sáng yếu, thời tiết xấu, và chất lượng ảnh kém cũng là những yếu tố gây khó khăn. Ngoài ra, sự đa dạng về font chữ và kích thước ký tự trên biển số xe cũng làm tăng độ phức tạp của bài toán. Để vượt qua những thách thức này, cần có các phương pháp xử lý ảnh tiên tiến và khả năng học máy mạnh mẽ. Theo tài liệu gốc, biên là vấn đề quan trọng trong trích chọn đặc điểm nhằm tiến tới hiểu ảnh. Cho đến nay chưa có định nghĩa chính xác về biên, trong mỗi ứng dụng người ta đưa ra các độ đo khác nhau về biên, một trong các độ đo đó là độ đo về sự thay đổi đột ngột về cấp xám.

2.1. Sự Đa Dạng Về Định Dạng Biển Số Xe Lào

Định dạng biển số xe Lào có sự khác biệt lớn so với các nước khác, bao gồm cả về số lượng ký tự, vị trí các ký tự, và màu sắc. Điều này đòi hỏi các thuật toán nhận dạng phải được thiết kế đặc biệt để xử lý các biến thể này. Việc thu thập và xây dựng một cơ sở dữ liệu biển số xe Lào lớn và đa dạng là rất quan trọng để huấn luyện các mô hình học máy hiệu quả.

2.2. Ảnh Hưởng Của Điều Kiện Môi Trường Đến OCR Biển Số Xe Lào

Điều kiện môi trường như ánh sáng yếu, mưa, sương mù, và bụi bẩn có thể ảnh hưởng nghiêm trọng đến chất lượng ảnh và độ chính xác của OCR biển số xe Lào. Các thuật toán tiền xử lý ảnh cần được phát triển để giảm thiểu tác động của các yếu tố này. Các kỹ thuật như tăng cường độ tương phản, khử nhiễu, và làm sắc nét ảnh có thể giúp cải thiện hiệu suất nhận dạng.

III. Phương Pháp Nhận Dạng Biển Số Xe Bằng AI Tại Lào

Sử dụng AI nhận dạng biển số xe là một giải pháp hiệu quả để giải quyết các thách thức trong nhận dạng biển số xe ô tô tại Lào. Các mô hình deep learning, đặc biệt là mạng nơ-ron tích chập (CNN), đã chứng minh khả năng vượt trội trong việc trích xuất đặc trưng và nhận dạng ký tự từ ảnh. Quá trình này bao gồm huấn luyện mô hình trên một cơ sở dữ liệu lớn các biển số xe Lào đã được gắn nhãn, sau đó sử dụng mô hình đã huấn luyện để nhận dạng biển số xe trong các ảnh mới. Theo tài liệu gốc, kỹ thuật tìm tách ngưỡng tự động nhằm tìm ra ngưỡng  một cách tự động dựa vào các thông tin có được từ ảnh. Kỹ thuật này có ưu điểm là không cần sự can thiệp của con người.

3.1. Ứng Dụng Học Sâu Trong Nhận Dạng Biển Số Xe Lào

Học sâu (Deep Learning) đã mang lại những tiến bộ đáng kể trong lĩnh vực nhận dạng biển số xe. Các mô hình CNN có khả năng tự động học các đặc trưng quan trọng từ ảnh, giúp cải thiện độ chính xác và khả năng chống nhiễu. Các kiến trúc mạng như YOLO, SSD, và Faster R-CNN thường được sử dụng để phát hiện vị trí biển số xe, trong khi các mạng RNN và LSTM có thể được sử dụng để nhận dạng ký tự.

3.2. Xây Dựng Cơ Sở Dữ Liệu Biển Số Xe Ô Tô Lào

Một cơ sở dữ liệu biển số xe ô tô Lào chất lượng cao là yếu tố then chốt để huấn luyện các mô hình học máy hiệu quả. Cơ sở dữ liệu này cần bao gồm một số lượng lớn các ảnh biển số xe với các điều kiện khác nhau (ánh sáng, góc chụp, độ phân giải). Các ảnh cần được gắn nhãn chính xác với thông tin về vị trí biển số xe và các ký tự trên biển số.

IV. Giải Pháp Phần Mềm Nhận Dạng Biển Số Xe Ô Tô Lào

Phát triển một phần mềm nhận dạng biển số xe ô tô Lào đòi hỏi sự kết hợp của nhiều kỹ thuật và công nghệ. Phần mềm cần có khả năng xử lý ảnh đầu vào, phát hiện vị trí biển số xe, tách ký tự, nhận dạng ký tự, và lưu trữ thông tin. Ngoài ra, phần mềm cần có giao diện thân thiện và dễ sử dụng. Các thư viện như OpenCV và các framework học máy như TensorFlow hoặc PyTorch có thể được sử dụng để xây dựng phần mềm. Theo tài liệu gốc, OpenCV là một thư viện mã nguồn mở mạnh mẽ, cung cấp nhiều hàm hỗ trợ cho việc xử lý ảnh và thị giác máy tính.

4.1. Sử Dụng OpenCV Trong Phần Mềm Nhận Dạng Biển Số Xe

OpenCV là một thư viện mã nguồn mở mạnh mẽ, cung cấp nhiều hàm hỗ trợ cho việc xử lý ảnh và thị giác máy tính. Nó có thể được sử dụng để thực hiện các tác vụ như tiền xử lý ảnh, phát hiện biên, tách ký tự, và nhận dạng mẫu. OpenCV hỗ trợ nhiều ngôn ngữ lập trình như C++, Python, và Java, giúp các nhà phát triển dễ dàng xây dựng các ứng dụng nhận dạng biển số xe.

4.2. Thiết Kế Giao Diện Phần Mềm Nhận Dạng Biển Số Xe Lào

Giao diện phần mềm nhận dạng biển số xe Lào cần được thiết kế thân thiện và dễ sử dụng. Người dùng cần có thể dễ dàng tải ảnh, cấu hình các tham số, và xem kết quả nhận dạng. Giao diện nên hiển thị ảnh đầu vào, vị trí biển số xe đã phát hiện, và các ký tự đã nhận dạng.

V. Ứng Dụng Thực Tế Hệ Thống Nhận Dạng Biển Số Xe Lào

Hệ thống nhận dạng biển số xe Lào có thể được triển khai trong nhiều ứng dụng thực tế. Trong lĩnh vực giao thông, nó có thể được sử dụng để quản lý lưu lượng xe, phát hiện vi phạm, và điều khiển đèn tín hiệu. Trong an ninh, nó có thể hỗ trợ theo dõi xe khả nghi, kiểm soát ra vào, và điều tra tội phạm. Ngoài ra, nó còn có thể được sử dụng trong các hệ thống thu phí tự động, quản lý bãi đỗ xe, và thống kê giao thông. Theo tài liệu gốc, hệ thống giám sát đều lấy biển số xe là mục tiêu giám sát. Hệ thống này đã được sử dụng rộng rãi tuy nhiên ở Việt Nam đây vẫn là một lĩnh vực mới mẻ.

5.1. Quản Lý Giao Thông Với Nhận Dạng Biển Số Xe Lào

Hệ thống nhận dạng biển số xe Lào có thể giúp quản lý giao thông hiệu quả hơn bằng cách tự động theo dõi lưu lượng xe, phát hiện các hành vi vi phạm (vượt đèn đỏ, đi sai làn), và cung cấp thông tin thời gian thực về tình hình giao thông. Thông tin này có thể được sử dụng để điều chỉnh đèn tín hiệu, cảnh báo người lái xe, và xử phạt vi phạm.

5.2. An Ninh Giao Thông Lào Nâng Cao Nhờ Nhận Dạng Biển Số Xe

Hệ thống nhận dạng biển số xe có thể đóng vai trò quan trọng trong việc nâng cao an ninh giao thông Lào. Nó có thể được sử dụng để theo dõi xe bị đánh cắp, phát hiện xe khả nghi, và hỗ trợ điều tra các vụ tai nạn giao thông. Hệ thống cũng có thể được tích hợp với các camera an ninh để kiểm soát ra vào các khu vực quan trọng.

VI. Kết Luận Và Hướng Phát Triển Nhận Dạng Biển Số Xe Lào

Nghiên cứu nhận dạng biển số xe Lào là một lĩnh vực đầy tiềm năng và có nhiều ứng dụng thực tế. Mặc dù đã có những tiến bộ đáng kể, vẫn còn nhiều thách thức cần vượt qua. Trong tương lai, các nghiên cứu nên tập trung vào việc cải thiện độ chính xác và khả năng chống nhiễu của các thuật toán, xây dựng các cơ sở dữ liệu lớn và đa dạng, và phát triển các phần mềm dễ sử dụng và tích hợp. Theo tài liệu gốc, mặc dù có nhiều cố gắng nhưng do hạn chế về thời gian cũng như kinh nghiệm nên báo cáo này chắc chắn còn nhiều thiếu sót, rất mong nhận được sự góp ý của các thầy cô và các bạn để ứng dụng mà báo cáo đề cập được hoàn thiện hơn.

6.1. Hướng Nghiên Cứu Mới Trong Nhận Dạng Biển Số Xe Lào

Các hướng nghiên cứu mới trong nhận dạng biển số xe Lào bao gồm việc sử dụng các kỹ thuật học sâu tiên tiến hơn, phát triển các thuật toán thích ứng với các điều kiện ánh sáng và thời tiết khác nhau, và tích hợp hệ thống nhận dạng với các công nghệ khác như Internet of Things (IoT) và điện toán đám mây.

6.2. Tiềm Năng Phát Triển Thị Trường Nhận Dạng Biển Số Xe Lào

Thị trường nhận dạng biển số xe Lào có tiềm năng phát triển lớn trong tương lai. Nhu cầu về các giải pháp quản lý giao thông và an ninh ngày càng tăng, tạo ra cơ hội cho các công ty và tổ chức nghiên cứu phát triển các sản phẩm và dịch vụ liên quan đến nhận dạng biển số xe.

Nội dung chính

Tổng quan nghiên cứu

Quá trình đô thị hóa và phát triển kinh tế nhanh chóng tại khu vực Đông Nam Á đã thúc đẩy sự gia tăng đột biến của các phương tiện giao thông cơ giới đường bộ. Tại Cộng hòa Dân chủ Nhân dân Lào, mật độ phương tiện giao thông gia tăng với tốc độ ước tính trên 12% mỗi năm trong giai đoạn khảo sát, tạo ra áp lực quản lý vô cùng to lớn đối với các cơ quan kiểm soát trật tự đô thị, an ninh biên giới và điều tiết giao thông. Vấn đề nghiên cứu trọng tâm của luận văn tập trung vào việc tự động hóa quá trình giám sát phương tiện thông qua bài toán nhận dạng biển số xe ô tô chụp từ thiết bị ghi hình kỹ thuật số.

Mục tiêu cụ thể của đề tài là xây dựng hoàn chỉnh một quy trình xử lý ảnh từ khâu tiền xử lý, bóc tách vùng biển số, phân đoạn ký tự cho đến nhận dạng chính xác thông tin biển số xe ô tô theo quy chuẩn lưu hành tại 18 tỉnh thành của Lào. Phạm vi nghiên cứu được giới hạn trên các dữ liệu ảnh chụp tĩnh và chuỗi khung hình thu nhận từ camera giám sát trong khoảng thời gian nghiên cứu 2 năm. Luận văn tiến hành phân loại và xử lý chuẩn hóa trên 4 nhóm màu sắc biển số xe đặc trưng bao gồm: biển màu vàng (xe tư nhân), biển màu trắng (xe doanh nghiệp và xe tạm thời), biển màu xanh dương (xe cơ quan nhà nước) và biển màu đỏ (xe công vụ đặc thù). Về mặt ý nghĩa thực tiễn, việc ứng dụng thành công hệ thống nhận dạng biển số tự động giúp cắt giảm khoảng 60% nhân lực kiểm soát tại các trạm thu phí và cửa khẩu, đồng thời rút ngắn thời gian xử lý mỗi lượt phương tiện xuống dưới 200 ms, mang lại hiệu quả kinh tế - xã hội rõ rệt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 trụ cột lý thuyết chính trong lĩnh vực thị giác máy tính: lý thuyết xử lý ảnh số kinh điển và lý thuyết nhận dạng mẫu hình thái học. Trong khuôn khổ lý thuyết xử lý ảnh số, luận văn khai thác sâu các khái niệm nền tảng bao gồm: phần tử ảnh (pixel), độ phân giải ảnh trên không gian hai chiều (với các chuẩn hiển thị tương đương CGA 320x200 điểm ảnh và VGA 640x480 điểm ảnh), thang mức xám chuẩn hóa 256 mức (8-bit biểu diễn từ 0 đến 255) và cấu trúc lân cận điểm ảnh 4-hướng N4(p) kết hợp 8-hướng N8(p).

Bên cạnh đó, mô hình lý thuyết chu tuyến (contour) và biên đối tượng được áp dụng để xác định ranh giới hình học của biển số. Các định lý toán học về chu tuyến trong, chu tuyến ngoài duy nhất và bổ đề chu tuyến đối ngẫu cung cấp nền tảng vững chắc cho thuật toán dò biên khép kín. Các kỹ thuật toán tử vi phân xấp xỉ đạo hàm bậc nhất như Gradient, Sobel, Prewitt, thuật toán dò biên Canny đa ngưỡng (sử dụng 8 hướng gradient) và toán tử đạo hàm bậc hai Laplace với mặt nạ ma trận kích thước 3x3 được phân tích chi tiết nhằm trích chọn các cạnh biên có độ biến thiên cường độ sáng cao nhất.

Phương pháp nghiên cứu

Để giải quyết bài toán đặt ra, nghiên cứu sử dụng bộ dữ liệu thực nghiệm gồm 350 mẫu ảnh xe ô tô chụp thực tế tại các tuyến đường đô thị, bãi đỗ xe và trạm kiểm soát giao thông tại Lào. Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên phân tầng (stratified random sampling) dựa trên 4 nhóm màu sắc biển số cơ bản và 2 điều kiện quan sát chính: vùng nhìn giới hạn (ảnh chụp cự ly gần tại cổng trạm) và vùng nhìn mở rộng (ảnh toàn cảnh phương tiện trong môi trường tự nhiên).

Lý do lựa chọn phương pháp phân tích kết hợp giữa thuật toán phân ngưỡng tự động Otsu, toán tử đạo hàm Sobel và phép biến đổi Hough là vì tính tối ưu về mặt chi phí tính toán và khả năng thích ứng cao với sự biến đổi quang học của ảnh 256 mức xám. Thuật toán Otsu tự động tìm ngưỡng phân chia tối ưu dựa trên tối đa hóa phương sai giữa các lớp điểm ảnh, giúp loại bỏ các vùng nền đồng nhất một cách nhanh chóng. Việc ứng dụng thư viện mã nguồn mở OpenCV bằng ngôn ngữ C++ xuyên suốt timeline thực hiện 24 tháng cho phép tận dụng các cấu trúc dữ liệu tối ưu hóa bộ nhớ, hỗ trợ việc giải phóng tài nguyên tự động và tăng tốc độ xử lý điểm ảnh theo thời gian thực.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm chương trình trên tập dữ liệu chuẩn đã ghi nhận 3 phát hiện khoa học quan trọng:

• Khả năng định vị và bóc tách vùng biển số xe: Thuật toán kết hợp giữa phân ngưỡng nhị phân Otsu và biến đổi Hough đạt tỷ lệ định vị chính xác 94,2% trên tổng số 350 ảnh thử nghiệm, loại bỏ thành công 98,0% các vùng nhiễu có tỷ lệ khung hình không tương thích.
• Độ chính xác phân đoạn và nhận dạng ký tự: Hệ thống đạt độ chính xác nhận dạng trung bình 91,5% đối với các biển số xe định dạng mới (sử dụng chữ cái Latin và chữ số), trong khi tỷ lệ này đạt khoảng 86,8% đối với các biển số xe cũ có chứa ký tự truyền thống phức tạp.
• Hiệu năng thời gian xử lý: Tổng thời gian xử lý trung bình cho toàn bộ chu trình từ ảnh đầu vào đến khi hiển thị chuỗi ký tự nhận dạng là 165 ms/ảnh. Trong đó, giai đoạn phát hiện và cắt vùng biển số tiêu tốn khoảng 65 ms, giai đoạn tách ký tự và nhận dạng ký tự quang học chiếm khoảng 100 ms.

Thảo luận kết quả

Các kết quả thực nghiệm được minh họa rõ nét thông qua biểu đồ phân phối thời gian xử lý và bảng ma trận nhầm lẫn (confusion matrix). Biểu đồ thời gian ghi nhận độ trễ xử lý ổn định trong khoảng 140 ms đến 190 ms đối với các ảnh có kích thước từ 320x200 pixel đến 640x480 pixel. Bảng thống kê chi tiết các trường hợp nhận dạng sai lệch chỉ ra rằng tỷ lệ nhầm lẫn giữa các ký tự có cấu trúc hình học tương đồng như số '8' với chữ cái 'B', hoặc số '0' với chữ cái 'D' chiếm tới 4,8% tổng số lỗi phát sinh.

Nguyên nhân chính dẫn đến sai số bắt nguồn từ hiện tượng phản xạ ánh sáng mạnh trên bề mặt kim loại của biển số, bụi bẩn bám dính lâu ngày và sự xuất hiện của các đinh ốc vít cố định che lấp một phần nét chữ (chiếm khoảng 5,5% trường hợp ảnh chụp thực tế). So sánh với các nghiên cứu nhận dạng biển số sử dụng phương pháp hình thái học đơn thuần chỉ đạt độ chính xác khoảng 82,0%, việc kết hợp toán tử Sobel tính toán độ lớn gradient theo cả hai trục tọa độ cùng phép lọc diện tích và tỷ lệ dẹt đã nâng cao độ chính xác tổng thể thêm 12,2%. Đóng góp này chứng minh rằng việc kết hợp các bộ lọc không gian 3x3 và phân tích đặc trưng hình học nhị phân là hướng tiếp cận tối ưu cho bài toán nhận dạng biển số xe tại các quốc gia đang trong giai đoạn chuyển đổi quy chuẩn phương tiện.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và các hạn chế còn tồn tại, luận văn đưa ra 4 giải pháp chiến lược nhằm hoàn thiện và ứng dụng hệ thống vào thực tiễn:

• Nâng cấp phần cứng thu nhận ảnh chuyên dụng: Ban quản lý các dự án giao thông thông minh cần trang bị hệ thống camera độ phân giải tối thiểu 2.0 Megapixel tích hợp cảm biến hồng ngoại tại các trạm kiểm soát, mục tiêu giảm tỷ lệ nhiễu do điều kiện thiếu sáng xuống dưới 2% trong vòng 6 tháng đầu triển khai.
• Tích hợp mô hình học sâu vào module nhận dạng ký tự: Nhóm phát triển kỹ thuật cần chuyển đổi từ phương pháp so khớp mẫu hình học sang sử dụng mạng nơ-ron tích chập (CNN), đặt mục tiêu nâng tỷ lệ nhận dạng ký tự chính xác lên trên 98,5% trên toàn bộ tập dữ liệu biển số cũ và mới trong thời gian 12 tháng tiếp theo.
• Chuẩn hóa cơ sở dữ liệu định danh phương tiện 18 tỉnh thành: Cục Cảnh sát giao thông và Bộ Công chính Vận tải Lào cần ban hành quy chuẩn đồng bộ mã nhận diện cho 18 tỉnh thành, kết nối dữ liệu nhận dạng tự động vào hệ thống máy chủ quốc gia nhằm giảm 80% thời gian xác minh phương tiện vi phạm trong thời hạn 18 tháng.
• Tối ưu hóa thuật toán nhúng trên thiết bị biên: Các kỹ sư giải pháp công nghệ cần thực hiện đóng gói mã nguồn OpenCV trên các vi xử lý nhúng ARM tốc độ cao, hướng tới mục tiêu giảm tổng thời gian xử lý xuống dưới 50 ms/khung hình tại các làn thu phí không dừng trong vòng 9 tháng tới.

Đối tượng nên tham khảo luận văn

• Kỹ sư phát triển phần mềm thị giác máy tính: Nắm bắt phương pháp cài đặt thực tế thư viện OpenCV, kỹ thuật nhị phân hóa ảnh tự động, toán tử Sobel và biến đổi Hough để phát triển các ứng dụng nhận diện đối tượng hình học trong thời gian thực.
• Nhà quản lý giao thông và lực lượng kiểm soát an ninh trật tự: Khai thác quy trình kiểm soát phương tiện tự động để ứng dụng vào các trạm thu phí không dừng, hệ thống giám sát an ninh biên giới và quản lý vi phạm trật tự đô thị tại 18 tỉnh thành.
• Học viên cao học và nghiên cứu sinh chuyên ngành Công nghệ thông tin: Sử dụng luận văn như một tài liệu tham khảo giá trị về phương pháp luận xử lý ảnh số, các chứng minh toán học về chu tuyến ảnh và hướng mở rộng nghiên cứu sang lĩnh vực trí tuệ nhân tạo.
• Doanh nghiệp tích hợp giải pháp bãi đỗ xe và trạm cân thông minh: Ứng dụng giải pháp bóc tách biển số xe 4 màu vào hệ thống kiểm soát barrier tự động, giúp nâng cao năng suất vận hành và giảm thiểu chi phí quản lý bãi xe từ 50% đến 70%.

Câu hỏi thường gặp

1. Luận văn giải quyết bài toán chuyển đổi giữa biển số xe cũ và mới tại Lào như thế nào?
   Hệ thống sử dụng các thuật toán trích chọn đặc trưng linh hoạt kết hợp phép chiếu ngang và dọc. Khi phân tích ký tự, thuật toán tự động nhận diện cấu trúc bố cục để phân loại biển số gồm chữ cái Latin mới hay ký tự truyền thống, đảm bảo tỷ lệ nhận diện chính xác trên 86,8% đối với mọi nhóm biển số lưu hành.

2. Tại sao nghiên cứu lại chuyển ảnh màu về ảnh 256 mức xám trước khi nhị phân hóa?
   Việc chuyển đổi sang ảnh 256 mức xám (8-bit) giúp loại bỏ các thông tin màu dư thừa nhưng vẫn bảo toàn đầy đủ các cạnh biên và cấu trúc hình học của ký tự. Bước này giúp giảm hơn 65% khối lượng tính toán bộ nhớ trong quá trình thực thi thuật toán Otsu và lọc trung vị 3x3.

3. Thuật toán Otsu đóng vai trò gì trong việc nâng cao chất lượng bóc tách biển số?
   Thuật toán Otsu tự động tính toán ngưỡng phân tách tối ưu dựa trên biểu đồ tần suất mức xám histogram. Nhờ tối thiểu hóa phương sai nội lớp, thuật toán giúp phân biệt chính xác vùng biển số có độ tương phản cao với nền xe, loại bỏ tới 98,0% các vùng đồng nhất ít biến thiên.

4. Những yếu tố môi trường nào gây suy giảm độ chính xác của hệ thống nhận dạng?
   Trong thực tế, hiện tượng góc chụp lệch trên 30 độ, ánh sáng mặt trời chiếu trực tiếp gây lóa và đinh ốc gắn đè lên ký tự làm biến dạng đường biên là các yếu tố chính làm giảm khoảng 5,8% độ chính xác nhận dạng của toàn bộ hệ thống.

5. Thư viện OpenCV mang lại lợi thế gì cho chương trình thực nghiệm của luận văn?
   OpenCV cung cấp các hàm tối ưu hóa tính toán ma trận điểm ảnh cấp thấp, hỗ trợ quản lý bộ nhớ thông qua cơ chế giải phóng tài nguyên tự động. Điều này giúp chương trình demo đạt tốc độ xử lý nhanh 165 ms/ảnh, đáp ứng tốt yêu cầu triển khai thực tế trên máy tính tiêu chuẩn.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về xử lý ảnh số, lý thuyết chu tuyến hình học và các kỹ thuật dò biên vi phân ứng dụng trong nhận dạng biển số xe.
• Xây dựng thành công quy trình tự động bóc tách vùng biển số xe ô tô 4 phân nhóm màu tại 18 tỉnh thành của Lào với độ chính xác đạt 94,2%.
• Thiết kế module phân đoạn ký tự dựa trên phép chiếu và phân tích hình thái học, đạt tỷ lệ nhận dạng ký tự trung bình 91,5% với thời gian xử lý 165 ms/ảnh.
• Chương trình thử nghiệm được xây dựng hoàn chỉnh trên nền tảng OpenCV, chứng minh tính khả thi cao khi ứng dụng vào hệ thống giám sát giao thông đô thị và trạm thu phí.
• Lộ trình phát triển tiếp theo trong 12 tháng tới sẽ tập trung vào việc tích hợp mạng nơ-ron tích chập (CNN) và triển khai trên các thiết bị phần cứng nhúng chuyên dụng.

Hãy liên hệ với các đơn vị phát triển giải pháp giao thông thông minh hoặc tham khảo toàn văn công trình nghiên cứu để cùng ứng dụng công nghệ thị giác máy tính vào hiện đại hóa hạ tầng giao thông đô thị ngay hôm nay!

Trích đoạn nội dung tài liệu

CHƯƠNG I: TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE Ô TÔ Ở CỘNG HÒA DÂN CHỦ NHÂN DÂN LÀO 1.1 TỔNG QUAN VỀ XỬ LÝ ẢNH Quá trình xử lý nhận dạng ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc là một kết luận. Ảnh tốt hơn Ảnh Xử lý ảnh Kết luận Hình 1. Quá trình xử lý ảnh 1.1 Một số khái niệm cơ bản trong xử lý ảnh Như đã đề cập trong phần giới thiệu, chúng ta đã thấy được một cách khái quát các vấn đề chính trong xử lý ảnh.

Để hiểu chi tiết hơn, trước tiên ta xem xét các khái niệm ( thuật ngữ) thường dùng trong xử lý ảnh đó là phần tử ảnh ( pixel), độ phân giải của ảnh ( resolution), ảnh số (digitize image) và mức xám ( grey level)… 1.1 Phần tử ảnh ( Pixel ( Picture Element)) Ảnh trong thực tế là một ảnh liên tục về không gian và về giá trị độ sáng. Để có thể xử lý ảnh bằng máy tính cần thiết phải tiến hành số hoá ảnh. Trong quá trình số hoá, người ta biến đổi tín hiệu liên tục sang tín hiệu rời rạc thông qua quá trình lấy mẫu (rời rạc hoá về không gian) và lượng hoá thành phần giá trị mà về nguyên tắc mắt thường không phân biệt được hai điểm kề nhau. Trong quá trình này, người ta sử dụng khái niệm Picture element mà ta quen gọi hay viết là Pixel – phần tử ảnh.

Ở đây cũng cần phân biệt khái niệm pixel hay đề cập đến trong các hệ Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 10 c thống đồ hoạ máy tính. Để tránh nhầm lẫn ta tạm gọi khái niệm pixel này là pixel thiết bị. Khái niệm pixel thiết bị có thể xem xét như sau: khi ta quan sát màn hình ( trong chế độ đồ họa), màn hình không liên tục mà gồm nhiều điểm nhỏ, gọi là pixel. Mỗi pixel gồm một cặp toạ độ x, y và màu.

Cặp toạ độ x, y tạo nên độ phân giải ( resolution). Màn hình máy tính có nhiều loại với độ phân giải khác nhau: màn hình CGA có độ phân giải là 320x200; màn hình VGA là 640x350,… Như vậy, một ảnh là một tập hợp các điểm ảnh. Khi được số hoá, nó thường được biểu diễn bởi bảng hai chiều I(n,p): n dòng và p cột. Ta nói ảnh gồm nxp pixels.

Người ta thường ký hiệu I(x,y) để chỉ một pixel. Một pixel có thể lưu trữ trên 1, 4, 8 hay 24 bit.2 Độ phân giải của ảnh (Resolution) Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị. Trong đó khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bố, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều.

Độ phân giải của ảnh trên màn hình CGA (Color Graphic Adaptor) là một lưới điểm theo chiều ngang màn hình: 300 điểm chiều dọc * 200 điểm ảnh (320*200). Rõ ràng, cùng màn hình CGA 12’’ ta nhận thấy mịn hơn màn hình CGA 17’’ độ phân giải 320*200. Điều mày do cùng một mật độ (độ phân giải) nhưng diện tích màn hình rộng hơn thì độ mịn (liên tục của các điểm) kém hơn.3 Mức xám (Gray Level) Mức xám là kết quả sự mã hoá tương ứng một cường độ sáng của mỗi điểm ảnh với một giá trị số - kết quả của quá trình lượng hoá. Cách mã hoá kinh điển thường dùng 16, 32 hay 64 mức.

Mã hoá 256 mức là phổ dụng nhất do lý do kỹ thuật. Vì 28 = 256 (0,1,…255), nên với 256 mức, mỗi pixel sẽ được mã hoá bởi 8 bit. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.4 Sử dụng các bộ lọc Kỹ thuật lọc trung vị Ý tưởng: sử dụng một cửa sổ lọc (ma trận 3x3) quét qua lần lượt từng điểm ảnh của ảnh đầu vào input. Tại vị trí mỗi điểm ảnh lấy giá trị của các điểm ảnh tương ứng trong vùng 3x3 của ảnh gốc lấp vào ma trận lọc, sau đó sắp xếp các điểm ảnh trong cửa sổ này theo thứ tự tăng dần, gán điểm ảnh nằm chính giữa (trung vị) của dãy giá trị điểm ảnh đã được sắp xếp ở trên cho giá trị điểm ảnh đang xét của ảnh đầu ra output.

Sơ lược ý tưởng trên: Quét cửa sổ lọc – điền Xử lý thành phần trong giá trị vào cửa sổ lọc cửa sổ lọc Lưu lại thành phần  Xử lý thành phần trong cửa gán cho output sổ lọc  Hình 1.2 Kỹ thuật lọc trung vị Kỹ thuật lọc trung bình Ý tưởng: Tương tự như kỹ thuật lọc trung vị, sử dụng một cửa sổ lọc (ma trận 3x3) quét qua lần lượt từng điểm ảnh của ảnh đầu vào input. Tại vị trí mỗi điểm ảnh lấy giá trị của các điểm ảnh tương ứng trong vùng 3x3 của ảnh gốc lấp vào ma trận lọc. Với hai bước: tính tổng các thành phần trong cửa sổ lọc và sau đó lấy tổng chia cho các phần tử của cửa sổ lọc. Sơ lược ý tưởng trên: Quét cửa sổ – điền giá Xử lý thành phần trị cửa sổ lọc trong cửa sổ lọc Gán giá trị trung bình Tính giá trị trung bình các cho ảnh đầu ra thành phần trong cửa sổ lọc Hình 1.3 Kỹ thuật lọc trung bình Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.2 Quan hệ giữa các điểm ảnh Một ảnh số giả sử được biểu diễn bằng hàm f(x,y).

Tập con các điểm ảnh là S; cặp điểm ảnh có quan hệ với nhau ký hiệu là p,q. Chúng ta nêu một số các khái niệm sau.1 Các lân cận của điểm ảnh (Image Neighbors) Giả sử có điểm ảnh p tại toạ độ (x,y). p có 4 điểm lân cận gần nhất theo chiều đứng và ngang (có thể coi như lân cận 4 hướng chính: Đông, Tây, Nam, Bắc). {(x-1,y),(x,y-1),(x,y+1),(x+1,y)} = N4(p) Trong đó: Số 1 là giá trị logic; N4(p) tập 4 điểm lân cận của p.

Các lân cận chéo: Các điểm lân cận chéo Np(P) (Có thể coi lân cận chéo là 4 hướng: Đông – Nam, Đông – Bắc, Tây – Nam, Tây – Bắc) Np(P) = {(x-1,y-1), (x+1,y-1), (x-1,y+1), (x+1,y+1)} Tập kết hợp: N8(p) = N4(P) + NP(P) là tập hợp 8 điểm lân cận của điểm ảnh p. Chú ý: Nếu (x,y) nằm ở biên (mép) ảnh; một số điểm sẽ nằm ngoài ảnh.2 Các mối liên kết điểm ảnh Các mối liên kết được sử dụng để xác định giới hạn (Boundaries) của đối tượng vật thể hoặc xác định vùng trong một ảnh. Một liên kết được đặc trưng bởi tính liền kề giữa các điểm và mức xám của chúng. Giả sử V là tập các giá trị mức xám.

Một ảnh có các giá trị cường độ sáng từ thang mức xám từ 32 đến 64 được mô tả như sau: V = {32, 33,…, 64}. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 13 c Có 3 loại liên kết: a) Liên kết 4: Hai điềm ảnh p và q được nói là liên kết 4 với các giá trị cường độ sáng V nếu q nằm trong một các lân cận của p, tức q thuộc N4(P). b) Liên kết 8: Hai điểm ảnh p và q nằm trong một các lân cận 8 của p, tức q thuộc N8(P).3 Đo khoảng cách giữa các điểm ảnh Khoảng cách D(p,q) giữa hai điểm ảnh p toạ độ (x, y), q toạ độ (s, t) là hàm khoảng cách (Distance) hoặc Metric nếu: a) D(p,q) >= 0 (với D(p,q) = 0 nếu và chỉ nếu p = q) b) D(p,q) = D(q,p) c) D(p,z) <= D(p,q) + D(q,z); z là một điểm ảnh khác. Khoảng cách Euclide: Khoảng cách Euclide giữa hai điểm ảnh p(x, y) và q(s, t) được định nghĩa như sau: De(p, q) = [(x – s)2 + (y – t)2]1|2 Khoảng cách khối: Khoảng cách D4(p,q) được gọi là khoảng cách khối đồ thị (City – Block Distance) và được xác định như sau: D4(p,q) = |x – s| + |y – t| Giá trị khoảng cách giữa các điểm ảnh r: giá trị bán kính r giữa điểm ảnh từ tâm điểm ảnh đến tâm điểm ảnh q khác.

Ví dụ: Màn hình CGA 12” (12” * 2,54 cm = 30,48 cm = 304,8mm) độ phân giải 320 * 200; tỷ lệ 4/3 (chiều dài/chiều rộng). Theo định lý Pitago về tam giác vuông, đường chéo sẽ lấy tỷ lệ 5 phần (5/4/3: đường chéo/chiều dài/chiều rộng màn hình); Khi đó độ dài thật là (305/244/183) chiều rộng màn hình 183mm ứng với màn hình CGA 200 điểm ảnh theo chiều dọc. Như vậy, khoảng cách điểm ảnh lân cận của CGA 12’’ là khoảng 1mm. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 14 c Khoảng cách D8(p,q) còn gọi là khoảng cách bàn cờ (Ches – Board Distance) giữa điểm ảnh p,q được xác định như sau: D8(p,q) = max (|x –s| , |y – t|) 1.3 Chu tuyến của một đối tượng ảnh 1.1 Định nghĩa Chu tuyến Chu tuyến của một đối tượng ảnh là dãy các điểm của đối tượng ảnh P1,,Pn sao cho Pi và Pi+1 là các 8-láng giềng của nhau (i=1,.,n-1) và P1 là 8-láng giềng của Pn, i Q không thuộc đối tượng ảnh và Q là 4-láng giềng của Pi (hay nói cách khác i thì Pi là biên 4).

Tổng các khoảng cách giữa hai điểm kế tiếp của chu tuyến là độ dài của chu tuyến và kí hiệu Len(C) và hướng PiPi+1 là hướng chẵn nếu Pi và Pi+1 là các 4 – láng giềng (trường hợp còn lại thì PiPi+1 P là hướng lẻ). Trong hình dưới đây biểu diễn chu tuyến của ảnh, trong đó, P là điểm khởi đầu chu tuyến.4 Ví dụ về chu tuyến của đối tượng ảnh 1.2 Định nghĩa Chu tuyến đối ngẫu Hai chu tuyến C= <P1P2.Qm> được gọi là đối ngẫu của nhau nếu và chỉ nếu i j sao cho: a)Pi và Qj là 4-láng giềng của nhau. b) Các điểm Pi là vùng thì Qj là nền và ngược lại.3 Định nghĩa Chu tuyến ngoài Chu tuyến C được gọi là chu tuyến ngoài (Hình 1.3a) nếu và chỉ nếu a)Chu tuyến đối ngẫu C là chu tuyến của các điểm nền Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 15 c b) Độ dài của C nhỏ hơn độ dài C 1.4 Định nghĩa Chu tuyến trong Chu tuyến C được gọi là chu tuyến trong (Hình 1.3b) nếu và chỉ nếu: a) Chu tuyến đối ngẫu C là chu tuyến của các điểm nền b) Độ dài của C lớn hơn độ dài C Chu tuyÕn C Chu tuyÕn C Chu tuyÕn C Chu tuyÕn C a) Chu tuyến ngoài b) Chu tuyến trong Hình 1.5 Chu tuyến trong, chu tuyến ngoài 1.