Bài viết xây dựng chương trình mô phỏng hệ thống giữ xe tự động bằng cách sử dụng kỹ thuật xử lý hình ảnh để nhận dạng ký tự từ biển số xe. Phương pháp phân tích thành phần chính để trích xuất đặc trưng của ảnh khuôn mặt, giúp gia tăng tốc độ xử lý, độ chính xác; sử dụng mạng Neural Network để phân loại, gán nhãn cho các ảnh khuôn mặt cần nhận dạng bị nhiễu. Để nắm chi tiết nội dung nghiên cứu mời các bạn cùng tham khảo bài viết.
Trang 3nhiên ta không thể loại bỏ các đặc trưng một cách được các trọng số tối ưu cho mỗi lớp Nơ - ron của
chậm quá trình xử lý của mạng Nơ - ron Nhưng
Nơ - ron
tăng tốc độ xử lý của mạng Nơ - ron Tuy nhiên,
Hiện tượng này được gọi là sự ảnh hưởng
của các chiều đặc trưng, được thể hiện như
hình 4
Trang 4Internal Scientific Journal – Viet Nam Aviation Academy, Vol 1, Dec 2018
5000 pixels v�a phân t�ch đư�c đ� phân d�ng
cho hai h�ng k� t� bi�n s� v� sau đ� l� tr�ch xu�t
đư�c c�c k� t�
Cu�i c�ng, t�c gi� đ�i chi�u c�c v�ng ch�a
c�c k� t� đư�c t�ch v�i m�u c�c k� t� trong cơ
s� d� li�u đ� nh�n dạng Chu�i k� t� bi�n s� xe
sau khi nh�n dạng ti�p t�c đư�c so s�nh v�i bi�n
s� xe c�a ngư�i s� d�ng tương �ng
Trong k� thu�t PCA, m�c đ�ch ch�nh l� t�m
h� cơ s� tọa đ� m�i sao cho cu�i c�ng khi chi�u
c�c đi�m d� li�u v�o s� thu đư�c m�t t�p d� li�u m�i
Cơ s�=d� li�u khuôn m�t đ� hu�n luy�n mạng nơ-ron l� c�c �nh 2-D c� k�ch thư� 320 pixels x 320 pixels Trư�c khi s� d�ng PCA, các
�nh trong t�p �nh hu�n luy�n đư� chuy�n đ�i thành các vector hàng 1x3202 Các vector hàng trong t�p hu�n luy�n sau đ� đư� x�p chung trong m�t t�p h�é gọi l� không gian khuôn m�t Sau đ� c�c eigenvector (vector đ�c trưng) thu�c không gian khuôn m�t trên đư�c tr�ch xu�t V� eigenvector tr�ch xu�t t� không gian vector bao g�m nh�ng �nh khuôn m�t đư�c gh�p lại, nên c� th� coi đ� l� c�c eigenface Theo c�ch nh�n n�y, eigenface quan trọng nh�t s� ch�a c�c đ�c trưng c�a m�t gương m�t c� nam v� n� trung b�nh C�c eigenface ti�p theo (�t quan trọng hơn) s� mô t� nh�ng đ�c đi�m chung kh�c c�a gương m�t ngư�i
C�c eigenvector s� h�u c�c thu�c t�nh, c� th� đư�c x�c đ�nh ch� b�i ma tr�n vuông, c� n eigenvector (v� eigenvalue tương �ng) trong m�t n x n ma tr�n, t�t c� c�c eigenvector đ�u tr�c giao v�i nhau
V�y, t�m h� cơ s� tr�c chu�n m�i đ� thu đư�c m�t t�p eigenface ch�nh l� đi t�m eigenvector v� eigenvalue trong không gian khuôn m�t
C�c d� li�u m�i sau khi đư�c chi�u v�o h�
cơ s� tọa đ� m�i n�y s� đư�c đưa qua mạng neuron đ� hu�n luy�n mạng t�m ra ma tr�n trọng s� t�i ưu
H� th�ng s� gán m�i khuôn m�t cho bi�n s� đăng k� trư� tương �ng �úi khi c� xe đ�n c�ng, th�c hi�n x� l�, nh�n dạng bi�n s� v� khuôn m�t Sau đ� ti�n h�nh so s�nh bi�n s� v�
Hình 6 C�c bư�c trong k� thu�t PCA
Hình 5 Chương tr�nh nh�n dang bi�n s� k�t
h�p khuôn m�t
18
Trang 5tốc độ xử lý nhanh và độ chính xác cao Bên
dụng Từ đó có thể phát triển thành các phần