thiết kế hệ thống nhận dạng biển số xe tải tại các cổng tự động
DESCRIPTION
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011Thiết kế hệ thống nhận dạng biển số xe tải tại các cổng tự động An Automatic Plate Recognition System Designed for Entry Gates1Trần Hoài Linh1, Lý Ngô Mai1,2 Trường Đại học Bách Khoa Hà Nội, 2Trường Đại học Công nghiệp Việt Trì e-mail: [email protected]óm tắtTrong 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. CácTRANSCRIPT
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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