thiết kế hệ thống nhận dạng biển số xe tải tại các cổng tự động

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

Thiết kế hệ thống nhận dạng biển số xe tải tại các cổng tự động

An Automatic Plate Recognition System Designed for Entry Gates

Trần Hoài Linh1, Lý Ngô Mai

1,2

1Trường Đại học Bách Khoa Hà Nội,

2Trường Đại học Công nghiệp Việt Trì

e-mail: [email protected]

Tóm tắt Trong bài báo này, các tác giả sẽ đề xuất một giải

pháp khả thi cho việc nhận dạng tự động biển số các

xe (tải) ra vào cổng nhằm phục vụ công tác quản lý

sản xuất. Các thuật toán phân tích và xử lý ảnh số

chụp đầu xe vào/ra sẽ cho phép nhận dạng được các

biển số của xe lưu thông với độ chính xác cao. Các

giải pháp này đã được triển khai thí điểm thử nghiệm

tại một số địa điểm trên địa bàn Hà Nội.

Abstract In this paper, a design of an automatic plate

recognition system for cars (trucks) will be presented.

The system can be used at entry points at at industrial

site. The algorithms for digital image analysis and

recognition allow a high accuracy of plate number

recognition of the trucks. The solution is already

implemented and tested at some sites of Hanoi.

1. Phần mở đầu Các hệ thống quản lý xe lưu thông đang được đầu tư

xây dựng do có thể đưa lại hiệu quả kinh tế, xã hội

cao [1,3,5,9,12]. Đối với các cơ sở công nghiệp, việc

quản lý chặt chẽ các xe lưu thông vào/ra có ý nghĩa

rất quan trọng tới chất lượng sản xuất. Trong điều

kiện chưa đồng bộ được hệ thống quản lý bằng các

thiết bị tự định danh từ xa, việc quản lý các xe lưu

thông nhờ vào nhận dạng biển số một cách tự động từ

ảnh chụp đối tượng là một trong những phương pháp

đơn giản và hiệu quả để kiểm soát xe lưu thông. Khó

khăn lớn của giải pháp này là các thông số của hệ

nhận dạng phụ thuộc rất lớn và điều kiện chụp của

ảnh đầu vào. Đối với từng nhóm đối tượng ta cần phải

điều chỉnh lại các mô hình cho phù hợp. Hay nói cách

khác ta không thể đơn giản lấy một hệ thống đang

hoạt động tốt tại một địa điểm để đưa sang địa điểm

khác sử dụng.

Trong bài báo này, các tác giả sẽ trình bày về một

hệ thống tự động chụp ảnh các đối tượng vào ra, tiến

hành phân tích ảnh để lọc ra biển số và nhận dạng các

ký tự trên biển số đó để xác định đối tượng vào/ra.

Các kết quả nhận dạng sẽ được sử dụng để: thống kê

các đối tượng vào/ra, hỗ trợ người điều hành cho phép

các đối tượng được vào/ra khu vực quản lý. Ngoài ra

các hình ảnh còn được lưu trữ dài hạn nhằm mục đích

thống kê, quản lý và điều hành. Các giải pháp kỹ thuật

và thuật toán được lựa chọn và điều chỉnh cho các

điều kiện làm việc thực tế tại các đơn vị sản xuất đã

và đang ứng dụng hệ thống này.

2. Mô hình hệ thống thu thập, lưu trữ và

xử lý ảnh

H. 1 Mô hình hệ thống quản lý và điều hành vào ra sử

dụng nhận dạng hình ảnh biển số

Trên hình 1 là mô hình của hệ thống được đề xuất.

Khu vực ra vào được hạn chế bởi 2 barrier tự động

được điều khiển từ khối xử lý trung tâm. Khi các xe

tiến gần tới barrier, các cảm biến vị trí và khoảng cách

sẽ tác động để tạo tín hiệu ra lệnh cho camera chụp

hình đối tượng đang tới. Hệ thống được trang bị hai

camera, một cho các đối tượng đi vào và một cho các

đối tượng đi ra.

Các hình ảnh chụp từ camera sẽ được truyền về

máy tính trung tâm để phân tích và xử lý. Tại đây từ

các hình ảnh, phần mềm nhận dạng sẽ tách ra biển số

của xe đang tới gần. Biển số này sẽ được tra cứu với

một cơ sở dữ liệu cho trước để đưa ra được các lệnh

điều khiển phù hợp cho các hệ thống cổng.

Đồng thời thông tin (hình ảnh minh chứng, thời

gian vào/ra,…) sẽ được lưu trữ trong cơ sở dữ liệu để

phục vụ các công tác thống kê và truy nhập thông tin

trong tương lai.

3. Mô hình và giải pháp hệ thống phân

tích và nhận dạng ảnh số 3.1. Các khối cơ bản trong quá trình nhận dạng

ảnh số

Hệ thống phân tích và nhận dạng ảnh được xây dựng

với các khối chức năng cơ bản như trên hình 2 [2,4].

Quá trình xử lý ảnh có thể được chia thành 4

bước:

1. Thu thập, lưu trữ: Chụp ảnh đối tượng bằng

camera, số hóa ảnh và chuyển về lưu trữ ở hệ

thống trung tâm.

2. Tiền xử lý ảnh: Hay còn gọi là bước xử lý sơ bộ,

nhằm giảm bớt một số thành phần nhiễu cơ bản,

chuẩn hóa ảnh đầu vào cho phù hợp với các khối

tính toán phía sau.

50

mailto:[email protected]


VCCA-2011

H. 2 Các bước chính trong một hệ thống nhận dạng

3. Trích chọn đặc tính: Đây là nhiệm vụ phức tạp

nhất và có ý nghĩa quyết định nhất tới chất lượng

của toàn hệ thống. Khối này sẽ tìm ra các thông

tin đặc trưng có thể dùng để nhận dạng đối tượng

(ở đây là biển số xe và các ký tự trên biển số đó).

Các đặc trưng của một biển số bao gồm: các

đường viền quanh của biển số, số lượng vùng liên

thông màu trên biển số, ngưỡng tách màu đen và

trắng trên ảnh biển số,…

4. Khối nhận dạng: khối này tiếp nhận đầu vào là

véc tơ đặc tính của đối tượng, tiến hành tính toán

và so sánh khớp mẫu (có thể coi là một khối có

hàm truyền đạt phi tuyến) để đưa ra quyết định

cuối cùng về đối tượng. Trong bài toán nhận dạng

biển số thì đầu ra của khối này là các chuỗi ký tự

mã của biển số (đầu ra nhận các giá trị rời rạc).

Sau khi đã có kết quả nhận dạng, hệ thống sẽ có

các đáp ứng theo các kịch bản đã định trước và điều

khiển các cơ cấu chấp hành tương ứng (ví dụ như khi

biển số xe thuộc về xe được phép vào/ra thì barier sẽ

được nâng lên cùng các tín hiệu thông báo khác như

đèn, còi tương ứng).

Ở phần tiếp theo chúng ta sẽ tuần tự đưa ra các

giải pháp cho từng khối của hệ thống.

3.2. Lựa chọn các giải pháp, thuật toán cho các

khối chức năng của hệ thống

1. Đối với khối thu thập: Có khá nhiều loại camera

có thể được sử dụng. Trước đây các hệ thống thường

dùng loại camera analog, tuy nhiên các camera này có

hạn chế về dung lượng lưu trữ do phải liên tục ghi

hình video nên thường chỉ hoạt động được một thời

gian ngắn (một vài tuần, một vài tháng) là đầy bộ nhớ,

cần phải thay bộ nhớ mới hoặc xóa bớt các thông tin

cũ để ghi đè các thông tin mới. Hiện nay các giải pháp

IP camera đang ngày càng trở nên thông dụng. Tuy

giá thành đắt hơn so với các camera kinh điển, nhưng

IP camera có khá nhiều ưu điểm nổi bật như:

Lắp đặt thuận tiện do theo chuẩn Ethernet, có thể

dễ dàng ghép nối nhiều camera trong hệ thống

bằng một mạng LAN,

Dễ dàng truy nhập từ xa theo chuẩn Internet

TCP/IP

Cấu hình camera và chất lượng ảnh có thể lựa

chọn linh hoạt (từ xa) phù hợp với thực tế yêu cầu

…

Trong hệ thống đề xuất của bài báo này, các tác

giả đã sử dụng camera DS-2CD802PF của hãng HK-

Vision với độ phân giải 1M để làm thiết bị thu thập

(các thử nghiệm cho thấy hệ thống hoạt động tốt chỉ

với ảnh 0,4M - 704 576pixel ). Hình ảnh được

truyền qua mạng LAN về máy tính trung tâm. Với

ảnh 0,4M, kích thước 1 ảnh chụp được xấp xỉ 80kB

(đã nén theo chuẩn JPG).

H. 3 Camera HK-Vision (trái) với các đầu vào/ra (phải)

sử dụng trong khối thu thập

Nếu với lưu lượng ước tính tại đơn vị khoảng 500

lượt xe/ngày, mỗi lượt xe 2 ảnh (một chụp khi vào và

một chụp khi ra) thì dung lượng bộ nhớ cần cho lưu

trữ ảnh 1 ngày sẽ là 80 500 2 80kB xe MB . Dung

lượng cần cho 1 năm ghi số liệu sẽ xấp xỉ 30 GB .

Đây là một con số dễ dàng đáp ứng với dung lượng

của các ổ đĩa cứng hiện nay.

2. Khối tiền xử lý tín hiệu: Khối này được chia nhỏ

thành 4 khâu con như trên hình 4. Trong đó ảnh thu

nhận được từ camera sẽ được ghi lại dưới dạng *.JPG

để tiết kiệm dung lượng lưu trữ. Trong trường hợp hệ

thống sử dụng nhiều camera khác loại, các ảnh đều

được chuẩn hóa về kích thước chuẩn của camera DS-

2CD802PF là 704 576pixel (hoặc gần nhất, phù

hợp với tỷ lệ ảnh của camera).

Tiếp theo sau đó, do vị trí đặt camera không được

thẳng trực diện vào đối tượng đang lưu thông nên trên

ảnh thu thập các hình ảnh xe sẽ bị nghiêng như được

minh họa trên hình 5. Đồng thời, trong trường hợp có

hai camera giám sát vào/ra, ta cũng có thể gặp trường

hợp như đã thể hiện trên hình 5, đó là do thực tế khu

vực làm việc không đối xứng nên ta thấy ảnh xe đi

vào và ảnh xe đi ra có nhiều đặc tính khác nhau. Ví đụ

như trên hình 5 ta thấy các xe đi vào được chụp có độ

nghiêng lớn hơn và phải chụp ở vị trí gần hơn. Việc

chụp gần có ưu điểm là ảnh biển số to và nét, sáng rõ.

Tuy nhiên nhược điểm lớn đó là nếu các cảm biến vị

trí và khoảng cách tác động không tốt thì ô tô rất dễ

vượt quá thị trường quan sát của camera, dẫn tới việc

không chụp được vùng có chứa biển số trên đầu xe.

51


VCCA-2011

H. 4 Các khâu chi tiết trong khối Tiền xử lý ảnh

Với các đầu xe nghiêng như vậy, trước tiên ta cần

phải quay ảnh để đưa về ảnh thẳng nhằm thuận tiện

cho việc xử lý. Góc quay ảnh có thể được xác định từ

các vị trí lắp đặt thực tế của camera và thị trường

quan sát của camera. Sau khi đã được xác định bằng

thực nghiệm, góc quay này sẽ là cố định cho các ảnh

được xử lý sau này. Trên hình 6 là các ảnh đầu xe từ

hình 5 đã được quay thẳng.

(a)

(b)

H. 5 Ảnh camera chụp khi xe đi vào (a) và khi đi ra (b)

(a)

(b)

H. 6 Kết quả xoay thẳng các ảnh từ hình 5

Bước tiếp theo là xác định sơ bộ (thô) vị trí của

biển số xe trên ảnh đầu xe. Đây là một nhiệm vụ phức

tạp do vị trí tương đối của biển số không cố định đối

với các xe khác nhau, màu sắc các xe cũng khác nhau.

Nhiều trường hợp ta còn có biển số bị bẩn hoặc biến

dạng. Một việc cần chú ý là với hệ thống có 2 camera

như trên thì chế độ sáng khi chụp đối với mỗi camera

là khác nhau. Có thể thấy trên ví dụ hình 4 khi chụp

vào buổi sáng. Các xe đi vào có ánh sáng thuận và

ảnh sáng, các xe đi có ánh sáng ngược và ảnh tối hơn.

Đến buổi chiều ta có hiện tượng ngược lại. Và các

hiệu ứng này cần được quan tâm khi lập trình tính

toán.

Có nhiều phương pháp để ước lượng vùng chứa

biển số nhưng sử dụng biến đổi Hough để phát hiện

các cạnh đường thẳng, sử dụng ngưỡng biên màu

trắng đặc trưng của biển số, phương pháp phân tích

mật độ màu đen/trắng,… Tuy nhiên với đặc thù sử

dụng cho xe tải là loại đầu xe lớn, có nhiều đường

thẳng trên đầu xe (như hình 5) thì phương pháp

Hough [3,5,6,8] trở nên không hiệu quả. Bên cạnh đó,

các xe này cũng thường bụi bẩn nên các phương pháp

tìm kiếm màu trực tiếp cũng dẫn tới nhiều sai số.

Trong bài báo này, phương pháp sử dụng các cạnh

grandient tương phản trắng/đen được đề xuất sử dụng.

Theo đó, gradient theo trục x của một điểm ảnh trên

ma trận ảnh xám (image in gray scale) ,i jAA

được tính bằng:

, 1 , , , 1( , ) max ,x i j i j i j i jgrad i j A A A A

(1)

Theo công thức trên, vùng có nhiều biến động từ

điểm trắng sang điểm đen theo chiều ngang sẽ có

nhiều điểm có giá trị gradient lớn. Để xác định vùng

chứa biển số, ta xây dựng hàm SumGrad tại mỗi điểm

( , )i j , ( , )SumGrad i j là tổng gradient của các điểm

nằm cách ( , )i j không quá 10 pixel theo khoảng cách

Minkowski bậc 1.

10

( , ) ( , )x

a i b j

SumGrad i j grad a b (2)

Với ảnh trên hình 4a và 5a, ta có hàm SumGrad

như trên hình 7b, với ảnh trên hình 4b và 5b ta có hàm

SumGrad như trên hình 7d.

Có thể nhận thấy trên hình 7 là vùng ảnh chứa

biển số có mức gradient cao nhất (các điểm trắng).

Đồng thời trên ảnh cũng có một số vùng khác có mức

gradient tương đối cao như vùng logo và vùng đèn

pha của xe. Trong một số trường hợp, sự chênh lệch

nhỏ này sẽ gây ra sai số là các vùng khác sẽ có

gradient cao hơn so với vùng biển số và ta sẽ có kết

quả nhận dạng sai. Các vùng có mức sáng tương đối

gần nhau sẽ được đưa vào danh sách ứng cử viên để

tiếp tục xử lý và tìm kiếm biển số ở các khâu sau.

(a)

(b)

52


VCCA-2011

(c)

(d)

H. 7 Kết quả tìm kiếm các khu vực chứa biến số của ảnh

gốc (a) và (c) theo giá trị hàm SumGrad tương ứng

(b) và (d)

3. Khối trích chọn đặc tính: Sau khi xác định sơ

bộ vùng chứa biển số ta kết thúc khối tiền xử lý ảnh

và chuyển sang khối tính toán trích chọn đặc tính. Ba

khâu cơ bản của khối này được thể hiện trên hình 8.

H. 8 Các bước chi tiết trong khâu trích chọn đặc tính

Trước tiên ta sẽ đánh giá các vùng ứng viên để lựa

chọn một vùng duy nhất cho quá trình xử lý tiếp tục.

Một số công trình sử dụng giải pháp tìm kiếm các ký

tự trên các vùng này, vùng nào không chứa hình ký tự

hoặc chứa các ký tự không hợp lý sẽ bị loại bỏ.

Phương pháp này có thể được dùng để loại bỏ các

vùng chứa đèn pha xe vì trên nền đó thường các thuật

toán tìm ký tự không tìm thấy ký tự nào. Nhưng

phương pháp này thường hoạt động không tốt với

những vùng logo hoặc vùng chứa các con số hoặc

chữ quảng cáo. Đồng thời việc tính toán xử lý với

nhiều khối ảnh cũng kéo dài thời gian xử lý chung của

cả hệ thống cho 1 xe .

Trong hệ thống đang xây dựng, qua khảo sát cho

thấy số lượng trường hợp có nhiều vùng gần trùng

nhau cũng không nhiều nên ta tạm sử dụng phép so

sánh giá trị cực đại để lựa chọn vùng biển số.

Với các ảnh trên hình 5 và 6, sau khi chọn vùng có

gradient cực đại, ta khoanh vùng biển số theo kích

thước biển số tính theo pixel được xác định từ vị trí

đặt camera và vị trí các cảm biến tác động khi có xe

vào/ra. Với hệ thống đã triển khai thì biển số trên ảnh

từ camera đầu vào có kích thước khoảng

180 50pixel pixel , biển số trên ảnh từ camera đầu ra

có kích thước 140 40pixel pixel .Do việc đánh giá

này mang tính chất sơ bộ nên ta cắt các vùng rộng

hơn so với kích thước biển số thực khoảng 20% để

tránh mất thông tin.

Kết quả khoanh vùng theo phương pháp trên được

thể hiện trên hình 9.

(a)

(b)

H. 9 Cắt thô các biển số

Để trích các ký tự riêng biệt ra khỏi biển số, trước

tiên ta tiến hành cắt “chính xác” biển số bằng cách cắt

bỏ các vùng khác màu bên ngoài biển số xe, sau đó

với vùng biển số còn lại ta tiếp tục loại bỏ bớt các

vùng trắng phía trên và phía dưới các hàng chữ. Kết

quả loại bỏ này của các biển số trên hình 9 được thể

hiện trên hình 10.

(a)

(b)

H. 10 Cắt “chính xác” biển số

Sau khi đã loại bỏ các đường biên phía trên và

dưới, ta có thể chuyển từ ảnh xám thành ảnh đen-

trắng để có thể định nghĩa các vùng chữ cái là các

vùng liên thông màu đen được phân cách (tách biệt)

bởi các dải trắng xen giữa (nhìn theo hình chiếu dọc)

[1,6,7].

Thực hiện việc cắt các ký tự rời khỏi nhau, ta có

được kết quả cắt của hai biển số trên hình 9 như trên

hình 10.

(a)

(b)

H. 11 Kết quả cắt rời các ký tự khỏi biển số hình 9

53


VCCA-2011

Ta cũng có thể nhận thấy do biển số trên hình 9.b

bị tối nên khi chuyển sang ảnh đen trắng để cắt thì các

đường biên của các ký tự không được “trơn” như đối

với biển số của hình 9.a.

Sau khi đã cắt rời các ký tự, ta chuyển sang bước

cuối cùng của hệ thống nhận dạng, đó là việc so sánh

với các mẫu ký tự cho trước để nhận dạng các ký tự

đã cắt ra. Để so sánh, ta sẽ co/dãn mẫu ký tự vừa cắt

ra về cùng kích thước với mẫu và sử dụng công thức

Hamming để đánh giá mức độ tương đồng giữa ký tự

đang so sánh A và mẫu B [10,11]:

, ,, XOR i j i j

i j

d A BA B (3)

(riêng ký tự “1” được phát hiện bằng chiều rộng của

ảnh đối tượng do đây là đối tượng duy nhất có chiều

rộng nhỏ hơn các ký tự còn lại trong biển số).

Khoảng cách Hamming bằng số vị trí mà hai ma

trận khác nhau về giá trị. Hai mẫu được coi là gần

giống nhau khi khoảng cách Hamming giữa chúng

nhỏ (hai mẫu trùng nhau có khoảng cách Hamming

bằng 0). Từ công thức (3) ta cũng có thể đưa ra công

thức về độ sai lệch phần trăm giữa hai mẫu ảnh như

công thức sau:

, 100%2 ,

number of pixel in and

dd

A BA B

A B

(4)

Một số ảnh mẫu dùng để so sánh trực tiếp được

thể hiện trên hình 12.

(a)

(b)

H. 12 Một số mẫu ảnh dùng để so sánh trực tiếp (a) - các

mẫu chữ số, (b) – các mẫu chữ cái (Chú ý theo quy

định ta không sử dụng các chữ cái O,I để tránh

nhầm lẫn với các chữ số 0 và 1)

Kết quả khớp các mẫu trên hình 11.a với các mẫu

chuẩn ta được kết quả như bảng sau:

Mẫu Ký tự chuẩn

gần nhất

Độ sai lệch so

với ký tự chuẩn

14,8%

26,54%

11,09%

14,22%

13,33%

(xét độ rộng)

34,01%

23,00%

21,18%

29,00%

25,38%

21,63%

20,18%

19,79%

Từ bảng trên ta thấy, các ký tự trên biển số từ hình

5a có độ nhiễu thấp nên được nhận dạng chính xác

100%, các ký tự trên biển số từ hình 5b có độ nhiễu

cao hơn nên khi khớp mẫu ta cũng có độ lệch trung

bình cao hơn so với các mẫu trên hình 5a. Riêng ký tự

„H‟ bị nhận dạng nhầm thành ký tự „8‟ (với độ lệch

29%, trong khi nếu so sánh với ký tự „H‟ chuẩn thì độ

lệch của ký tự từ biển số là 39,21%).

4. Kết quả thực nghiệm Các giải pháp đã được trình bày ở các phần trên đã

được lập trình thực tế và triển khai thử nghiệm với các

mẫu thu thập được ở hiện trường.

Trong thời gian thử nghiệm, tổng cộng 146 mẫu

xe đã được chụp. Quá trình phân tích và xử lý có 4

mẫu không cắt đúng vùng biển số ảnh (2 ảnh cùng

hãng xe Hino bị nhầm thành vùng chứa logo, một xe

bị nhầm vùng đèn pha và một xe bị nhầm vùng tản

nhiệt), có 24 mẫu không nhận đúng ký tự trên biển.

Một số trường hợp biển số bị tách nhầm được giới

thiệu trên hình 13 và hình 14.

(a) (b)

H. 13 Mẫu không tách thành công biển số: (a) - mẫu tách

nhầm ra vùng đèn pha của xe (b)

(a) (b)

54


VCCA-2011

H. 14 Mẫu không tách thành công biển số: (a) – mẫu tách

nhầm ra vùng tản nhiệt của xe (b)

Sai số của nhận dạng tổng cộng là

28100% 19,18%

146. Nguyên nhân chính của sai số

tương đối cao này là phần lớn các trường hợp các biển

số bị bẩn hoặc bị biến dạng, xước, mất màu. Một số

trường hợp lỗi do biển số có bắt đinh ốc vào giữa ký

tự và làm sai lệch quá trình nhận dạng, hoặc bắt đinh

ốc dính liền hai ký tự liền nhau khiến cho quá trình

tách ký tự bị sai. Ngoài ra, do việc so sánh trực tiếp

còn tương đối đơn giản nên các ký tự hay gây sai sót

là nhóm (5,6,8,9,0).

Thời gian xử lý trung bình của một mẫu ảnh (từ

thu thập đến lọc, trích chọn đặc tính và nhận dạng)

khoảng 3s, hoàn toàn đáp ứng được thực tế vận hành

của các barier tự động.

5. Kết luận và hướng phát triển Bài báo đã trình bày về một hệ thống thu thập, phân

tích và nhận dạng biển số của xe lưu thông từ ảnh

chụp đầu xe. Hệ thống đã xử lý được một số đặc thù

của ảnh đối tượng trong thực tế như đối tượng bị

nghiêng trên ảnh, lọc cắt vùng biển số trên đầu xe,

tách các ký tự khỏi vùng biển số và nhận dạng ký tự

bằng khớp mẫu trực tiếp. Các giải pháp đã được thử

nghiệm đạt độ chính xác trên 80%. Phần trăm sai số

còn tương đối lớn (gần 20%) xuất phát từ thực tế các

đối tượng là xe vận tải hoạt động liên tục nên nhiều

biển số bị bẩn, xước, biến dạng.

Đề tài có thể tiếp tục được phát triển theo hướng

nâng cao độ chính xác trên từng khâu, hoặc tăng tốc

độ xử lý của hệ thống để có thể áp dụng được cho

những trường hợp xe lưu thông liên tục. Đồng thời

cũng cần được phát triển các thuật toán nhận dạng các

biển số có định dạng khác về kích thước và màu sắc

(ví dụ như xe biển xanh, biển đỏ, biển vuông phía

trước).

Tài liệu tham khảo [1] M. S. Aksoy, G. Cagil, A. K. Turker, Number

plate recognition using inductive learning,

Robotics and Autonomous Systems, Elsevier,

Vol.33, 2000, p.149-153.

[2] K. R. Castleman, Digital Image Processing,

Prentice-Hall, 1996, p. 550–554.

[3] J. R. Cowell, Syntactic pattern recognizer for

vehicle identification numbers, Image and

Vision Comput., vol. 13, no. 1, 1995, p. 13–19.

[4] R. C. Gonzalez, R. E. Woods, Digital Image

Processing, Peasron Education Asia, 2nd

Edition, 2002.

[5] H. A. Hegt, R. J. De la Haye, N. A. Khan, A

high performance license plate recognition

system, Proc. IEEE Int. Conf. System, Man, and

Cybernetics, vol. 5, 1998, p. 4357–4362.

[6] X. F. Hermida, F. M. Rodriguez, J. L. F. Lijo, F.

P. Sande, M. P. Iglesias, A system for the

automatic and real time recognition of VLP’s

(Vehicle License Plate), Lecture Notes in

Computer Science, 1997, vol. 1311, p. 552–558.

[7] H. Hontani, T. Koga, Character extraction

method without prior knowledge on size and

position information, Proc. IEEE Int. Conf.

Vehicle Electronics, 2001, p. 67–72.

[8] D. S. Kim, S. I. Chien, Automatic car license

plate extraction using modified generalized

symmetry transform and image warping, Proc.

IEEE Int. Symp. Industrial Electronics, vol. 3,

2001, p. 2022–2027.

[9] K. Miyamoto, K. Nagano, M. Tamagawa, I.

Fujita, M. Yamamoto, Vehicle license plate

recognition by image analysis, in Proc. Int.

Conf. Industrial Electronics, Control and

Instrumentation, 1991, p. 1734–1738.

[10] T. Naito, T. Tsukada, K. Yamada, K. Kozuka, S.

Yamamoto, Robust license-plate recognition

method for passing vehicles under outside

environment, IEEE Trans. Veh. Technol., vol.

49, 2000, p. 2309–2319.

[11] J. C. H. Poon, M. Ghadiali, G. M. T. Mao, L. M.

Sheung, A robust vision systemfor vehicle

license plate recognition using grey-

scalemorphology, Proc. IEEE Int. Symp.

Industrial Electronics, vol. 1, 1995, p. 394–399.

[12] R. Valliappan, P. Sumari, H. Kamarulhaili, An

Analysis of Traffic Monitoring by License Plate

Recognition Method, Transactions On

Engineering, Computing And Technology,

ENFORMATICA, V3, 2004, p. 80-82.

Trần Hoài Linh sinh năm 1974, tốt nghiệp

ĐHBK Vác-sa-va năm 1997 chuyên ngành Tin

học ứng dụng, nhận bằng Tiến sỹ chuyên ngành

Kỹ thuật điện năm 2000 (ĐHBK Vác-sa-va),

bằng Tiến sỹ khoa học chuyên ngành Kỹ thuật

điện và Trí tuệ nhân tạo năm 2005 (ĐHBK Vác-

sa-va). Năm 2007 được phong Phó Giáo sư.

Hiện nay Trần Hoài Linh đang công tác tại Viện Điện, trường

ĐHBK Hà Nội. Các nghiên cứu chính của ông là ứng dụng trí tuệ

nhân tạo trong các giải pháp đo lường, điều khiển và tự động hóa,

các thiết bị đo thông minh, hệ chuyên gia.

Lý Ngô Mai sinh năm 1974, tốt nghiệp Đại học

năm 1997 chuyên ngành Điện khí hóa - Cung

cấp điện (ĐH Kỹ thuật Công nghiệp - ĐH Thái

Nguyên), nhận bằng Thạc sỹ chuyên ngành Tự

động hóa năm 2008 (ĐH Kỹ thuật Công nghiệp

- ĐH Thái Nguyên). Hiện nay Lý Ngô Mai đang

công tác tại Khoa Cơ - Điện, trường Đại học

Công nghiệp Việt Trì và đang làm nghiên cứu sinh tại Viện Điện,

Trường Đại học Bách khoa Hà Nội.

55

thiết kế hệ thống nhận dạng biển số xe tải tại các cổng tự động

Documents