Đề tài xây dựng chương trìnhnhận dạng biển số xe gắn máy tự động ở việt nam

Với những bãi giữ xe, họ cần một công cụ vừa giữ xe và trả xe nhanh nhằm giảm tải kẹt xe vào giờ cao điểm, vừa có độ an toàn cao để tránh trường hợp mất xe.Với trạm thu phí, họ cần một c

PHẦN MỞ ĐẦU

Lý do chọn đề tài

Trong thời đại phát triển mạnh mẽ của công nghệ thông tin, khái niệm ảnh số

đã trở nên thông dụng với hầu hết mọi người trong xã hội từ những chiếc máy chụp ảnh cao cấp đến những chiếc điện thoại di động tích hợp chụp ảnh thì việc thu nhận ảnh số đã dễ dàng hơn bao giờ hết Do đó, xử lý ảnh đang là một lĩnh vực được mọi người quan tâm và là môn học chuyên ngành đối với sinh viên công nghệ thông tin trên cả nước Ngoài ra, xử lý ảnh còn liên quan đến nhiều ngành khoa học khác như

hệ thống thông tin, nhận dạng (khuôn mặt, dấu vân tay, …)

Đối với mỗi con người chúng ta, việc học và phân biệt được sự khác nhau giữa từng ký tự thật dễ dàng nhưng để máy tính làm được điều tương tự thì không

dễ dàng chút nào, việc này cần đến những người có kiến thức tốt về xử lý ảnh mới

có thể giúp máy tính học và phân biệt được ký tự nhưng kết quả lại không như mong muốn

Những hệ thống nhận dạng ký tự (OCR - Optical Character Recognition) đang được phát triển hàng ngày với độ ổn định cao nhằm phục vụ cho xu hướng tự động hóa của con người Trong đó hệ thống nhận dạng biển số xe là một trong những hệ thống quan trọng góp phần giải quyết nạn kẹt xe đang tồn tại ở những quốc gia có lưu lượng xe lưu thông dày đặc nhưng cơ sở hạ tầng không phát triển kịp để đáp ứng nhu cầu đó

Bên cạnh đó, nhận dạng biển số xe được ứng dụng rất nhiều trong thực tế Với những bãi giữ xe, họ cần một công cụ vừa giữ xe và trả xe nhanh nhằm giảm tải kẹt xe vào giờ cao điểm, vừa có độ an toàn cao để tránh trường hợp mất xe.Với trạm thu phí, họ cần một công cụ giảm số lượng nhân công, chỉ với một người có thể quản lý toàn bộ khu vực thu phí mà không cần tốn nhiều công sức.Với cảnh sát giao thông, họ cần một công cụ giúp họ kiểm soát được số lượng xe lưu thông trên đường và xác định chính xác những xe máy vi phạm giao thông mà không cần truy đuổi… Trên đây là những ví dụ điển hình về khả năng ứng dụng của hệ thống nhận dạng biển số xe

Vì vậy, việc nghiên cứu về hệ thống nhận dạng biển số xe tự động là cần thiết và có ý nghĩa rất lớn về mặt ứng dụng, đáp ứng nhu cầu tự động hóa của xã

hội Từ những yêu cầu đó, chúng em xin thực hiện đề tài “Xây dựng chương trình nhận dạng biển số xe gắn máy tự động ở Việt Nam”

Lịch sử nghiên cứu

Trong xu thế tự động hóa, xử lý ảnh nói chung và giải thuật nhận dạng nói riêng có một vai trò cực kỳ quan trọng, là một nhân tố quyết định đến sự thành công của một chương trình

Nhận dạng biển số xe tự động là vấn đề được rất nhiều quốc gia quan tâm và trở thành đề tài nóng hổi đối với một quốc gia đang phát triển theo hướng tự động hóa Vì điều đó, một số cá nhân và tập thể trong lĩnh vực xử lý ảnh đã nghiên cứu ở những góc độ, khía cạnh, phương pháp khác nhau

Đầu tiên là đề tài “Algorithmic and mathematical principles of automatic number plate recognition systems” (Ondrej Martinsky, BRNO University of

Technology, 2007) Đề tài này là một phần trong kế hoạch nghiên cứu Oriented reseach in information technology, msm 0021630528” của đại học kỹ thuật BRNO Đề tài trình bày chi tiết các bước nhận dạng ký tự, trong đó có so sánh giữa những phương pháp rồi chọn một phương pháp tốt nhất cho một công việc cụ thể Đề tài không được đánh giá cao vì tỉ lệ nhận dạng thành công trong nhiều môi trường khác nhau không cao

“Security-Đề tài “Segmenting the license plate region using a color model” (Kaushik

Deb and Kang-Huyn Jo, University of Ulsan, South Korea, 2002) đã đưa ra phương pháp xác định vùng biển số xe hoàn toàn mới bằng cách sử dụng mô hình màu HSI

và thành phần liên thông, đây là ý tưởng mới nhưng đề tài chỉ dừng lại ở bước tách

ký tự trên biển số mà không nghiên cứu giải thuật nhận dạng

Đề tài “A real-time vehicle license plate region system” (Bar-Hen Ron, Israel

Institute of Technology, 2002) tập trung nhiều về xử lý của mạng Nơron Đề tài cũng cho ta thấy cách tính chính xác hơn cho những tham số điều kiện

Bài báo “Pixel Clustering Based Partitioning Techique for Character Recognition in Vehicle License Plate” của nhóm tác giả Siddhartha Choubey –

G.R.Sinha – Bhagwati Charan Patel – Abha Choubey – Kavita Thakur đạt giải 3 trong cuộc thi ICMLC 2011, tập trung trình bày hai giải thuật phân vùng ký tự, tách riêng từng ký tự theo phép chiếu ngang và phép chiếu dọc

Đề tài “Phân tích bố cục và nhận dạng ảnh công văn tiếng Việt” (Võ Đại

Bình – Nguyễn Thị Tú Mi – Nguyễn Thùy Giang, Trường Đại Học Nông Lâm TPHCM, 2002) trình bày rất tốt phân tách từng khối ảnh với tỉ lệ thành công cao, bên cạnh đó đề cập nhiều đến giải thuật tính góc nghiêng, quay ảnh và tách ký tự trong văn bản

Hình 1 Hệ thống ORC trong phân tích bố cục văn bản

Những đề tài nghiên cứu và tài liệu trên đây là những tài liệu quý báu giúp chúng em định được hướng nghiên cứu của đề tài, từ đó chúng em rút ra được những phương pháp cần thiết và tối ưu trong mỗi đề tài, tìm ra phương pháp mới để ứng dụng và hoàn thành tốt đề tài của chúng em

Mục tiêu nghiên cứu

Xây dựng chương trình nhận dạng được biển số xe gắn máy từ ảnh chụp đầu vào và hiển thị dưới dạng văn bản

Đối tượng nghiên cứu và phạm vi nghiên cứu

- Đối tượng nghiên cứu : biển số xe gắn máy ở Việt Nam

- Phạm vi nghiên cứu : tất cả những biển số xe gắn máy ở Việt Nam, trong

đó có những biển số mới nhất được ban hành ở Việt Nam với hàng dưới gồm 5 ký

tự

Phương pháp nghiên cứu

- Khảo sát, tìm hiểu và thu thập tài liệu, hình ảnh về biển số, đề tài đã nghiên cứu trước đây

- Tìm hiểu các bước nhận dạng một biển số xe bao gồm: xác định vị trí biển

số xe, tách ký tự trên biển số và nhận dạng ký tự trên biển số

- Tìm hiểu, lựa chọn những phương pháp cần thiết của mỗi bước trong quá trình nhận dạng biển số

- Kế thừa những phương pháp đạt kết quả tốt và phù hợp với nội dung cần đạt được của đề tài

- Phát triển và cải tiến phương pháp đã có ở những đề tài trước để xây dựng chương trình hướng tới kết quả tốt hơn

- Tìm ra một hướng đi mới trong mỗi bước cần làm của đề tài, đặc biệt là trong giải thuật nhận dạng

Những đóng góp mới của đề tài - những vấn đề mà đề tài chưa thực hiện được

- Đề tài đưa ra hướng mới trong giải thuật nhận dạng theo phân lớp Bayes dựa trên xác suất tính được từ những mômen bất biến của ký tự đối với tập tin mẫu

- Tạo tiền đề cho việc xây dựng hệ thống nhận dạng biển số xe sau này

- Tuy nhiên, đề tài còn tồn tại một số khó khăn nhất định được như kích trước tập tin mẫu nhỏ

Kết cấu của đề tài

Báo cáo này được trình bày thành ba phần chính: Phần mở đầu, phần nội dung và phần kết luận

Phần mở đầu

Giới thiệu sơ lược về lý do chọn đề tài, lịch sử nghiên cứu, mục tiêu nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, những đóng góp

và những vấn đề tồn tại của đề tài để từ đó đem lại cho mọi người một cái nhìn tổng quan nhất về đề tài

Phần nội dung

Chương 1: Khái quát về xử lý ảnh

Trình bày những khái niệm, định nghĩa cơ bản về ảnh số, xử lý ảnh số

Chương 2: Phương pháp nhân dạng biển số xe

Trình bày nội dung về trình tự các bước trong quá trình nhận dạng biển số Đưa ra một số phương pháp rồi so sánh lựa chọn phương pháp tối ưu

Chương 3: Chương trình nhận dạng biển số xe tự động

Giới thiệu về chương trình và kết quả đạt được sau khoảng thời gian nghiên cứu

Phần kết luận

CHƯƠNG 1: KHÁI QUÁT VỀ XỬ LÝ ẢNH 1.1 Ảnh số

1.1.1, Khái niệm về ảnh

Ảnh được định nghĩa là một hàm hai chiều, f(x, y), trong đó x và y là mặt

phẳng tọa độ, f tại vị trí x, y được gọi là mức xám của ảnh tại điểm đó [6]

Hình 1.1 Ảnh hai chiều 1.1.2, Mô hình màu RGB

Chúng ta có bảy màu chuẩn là đỏ, cam, vàng, lục, lam, chàm, tím Nhưng thực tế ta không thể nhìn thấy ranh giới giữa các dãy màu vì chúng liên lục với nhau Xét về cấu tạo thì tất cả các màu đều được liên kết bởi ba màu cơ bản Red (đỏ), Green (xanh lá), Blue (xanh dương)

Hình 1.2 Mô hình màu RGB

Mỗi màu cơ bản được mã hóa bởi 8bit, vì vậy mắt người có thể cảm nhận được hơn 16 triệu màu nhưng thực tế mắt người chỉ cảm nhận sự khác biệt giữa các màu khi giá trị giữa các màu chênh lệch lớn

Mô hình màu RGB bao gồm ba mặt phẳng độc lập Vì vậy, để sử dụng mô hình màu RGB cho xử lý ảnh thì ảnh phải được biểu diễn theo một mặt phẳng màu

1.1.3, Mô hình màu HSI

Mô hình màu HSI là mô hình dựa trên việc miêu tả màu sắc rất tự nhiên và trực quan đối với mắt người, do đó là công cụ tốt trong những thuật toán xử lý ảnh

là màu xanh dương và 300 độ là màu hồng sẫm

1.1.3.2, Saturation

Mô tả độ thuần của một màu hay khoảng cách của màu tới điểm có cường độ

cân bằng (ảnh xám) Phạm vi của Saturation từ 0 đến 1

Hình 1.5 Saturation 1.1.3.3, Intensity

Mô tả độ sáng của một màu Intensity có phạm vi từ 0 đến 1 Trong đó, 0 là

màu đen, 1 là màu trắng

1 2 2

Xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết

quả như mong muốn Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh

tốt hơn hoặc một kết luận [1]

Hình 1.7 Quá trình xử lý ảnh 1.2.2, Các phép hình thái học

Hình thái là thuật ngữ chỉ sự nghiên cứu về cấu trúc hay tính chất hình học

của đối tượng trong ảnh [10]

Mục tiêu của việc ứng dụng các phép toán hình thái học nhằm đơn giản hóa

tín hiệu bằng việc loại bỏ các thông tin không cần thiết

Phần lớn các phép toán hình thái được định nghĩa từ hai phép toán cơ bản là

phép giãn nở ( Dilation) và phép bào mòn (Erosion)

1.2.2.1, Dilation

Cho A và B là hai tập trong Z, giãn nở A bởi B kí hiệu A ⊕ B được định

nghĩa như sau

Lưu ý phương trình này dựa trên tập phản xạ của B, nhưng do B thường là đối xứng nên = B

Hình 1.8 Phép giãn nở ảnh 1.2.2.2, Erosion

Cho A và B là 2 tập trong Z, bào mòn A bởi B kí hiệu là A Θ B được định nghĩa như sau

Là một đồ thị dạng thanh biểu diễn tần suất xuất hiện các mức xám của ảnh

[8] Trong đó trục hoành biểu diễn giá trị mức xám của ảnh có giá trị từ 0 đến 255,

trục tung biểu diễn tần suất xuất hiện mức xám của ảnh

Đầu tiên, sử dụng lược đồ xám (histogram) ta sẽ nhận được đồ thị biểu diễn

tần suất xuất hiện các mức xám của ảnh [2]

ni: số lượng điểm ảnh của giá trị i

L : 1, 2, …, 256

p0 + p1 + p2 + … + pL-1 = 1 Tiếp theo, ta chọn một ngưỡng T(k) = k, (0 < k < L – 1) để phân ảnh đầu vào

thành hai lớp C1 (tập hợp tất cả những điểm ảnh có giá trị <= k) và C2 (tập hợp tất

cả những điểm ảnh có giá trị > k) Tỉ lệ lớp C1 với số lượng điểm ảnh đến k với tổng

số lượng điểm ảnh được ký hiệu P1(k), tương tự C2 ký hiệu là P2(k)

Theo Otsu, ta sẽ tính ngưỡng k* mà giá trị tại đó sự chênh lệch giữa hai đoạn

(màu nền và màu ký tự) đạt giá trị cực đại, ký hiệu σB2( *)k , được tính theo công

m của ảnh gốc gán vào ma trận lọc Sau đó sắp xếp các điểm ảnh trong ma trận này theo thứ tự tăng dần (hoặc giảm dần) Cuối cùng, 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

Hình 1.11 Kỹ thuật lọc trung vị 1.2.4, Một số kỹ thuật khác

1.2.4.1, Phép biến đổi Hough

Trong phân tích hình ảnh kỹ thuật số, thường xuất hiện hình dạng đơn giản, chẳng hạn như đường thẳng Biến đổi Hough là phương pháp biến đổi tuyến tính để

Với một điểm ảnh (x, y) bất kỳ trên hình luôn tồn tại hai tham số r (RHO), θ (Theta) thỏa mãn công thức sau

Phần tử trung vị sau khi sắp xếp

Hình 1.12 Đồ thị mô tả phép biến đổi Hough

Sau khi chạy phép biến đổi Hough ta tìm được θm và rm và đường thẳng đi

qua nhiều điểm trên ảnh nhất Tương ứng với công thức

m m

m m

1.2.4.2, Trích biên ảnh

Biên của tập A kí hiệu là β(A)được trích ra bằng cách ta bào mòn A bởi B,

lấy ảnh A ban đầu trừ đi ảnh đã bào mòn, ta sẽ được biên [6]

Mômen bất biến là những mômen được trích ra từ những đặc trưng riêng của

một đối tượng mà những mômen đó không thay đổi đối với phép quay, phép tính

tiến, phép tỉ lệ [6]

Một đối tượng hay chính xác hơn là một ký tự bao gồm bảy mômen bất biến,

ký hiệu φ φ φ φ φ φ φ1, , , , , ,2 3 4 5 6 7

Bảy mômen bất biến là yếu tố quyết định đến độ chính xác trong quá trình

nhận dạng, do đó khi tính toán cần phải thật cẩn thận và chính xác Ta cũng xây

dựng tập tin mẫu dựa trên bảy mômen bất biến và sử dụng nó trong phân lớp Bayes

Trong đó

1 2

p q

1 1

0 0( ) ( ) ( , )

x y

m − − x y f x y

1.2.5.2, Phân lớp Bayes

Trong vài năm gần đây, một phương pháp phân tích “mới” ra đời và đang dần trở thành phổ biến trong nghiên cứu khoa học và nghiên cứu lâm sàng có thể đáp ứng hai nhu cầu về khoa học và nghệ thuật Nói là “mới” nhưng trong thực tế thì cơ sở lí thuyết của phương pháp này đã ra đời từ thế kỉ 18 Đó là suy luận theo trường phái Bayes do Thomas Bayes đề xuất vào năm 1763 Thomas Bayes đã chỉ

ra một phương pháp suy luận hoàn toàn logic

Ngày nay, phương pháp Bayes được ứng dụng trong hầu hết tất cả lĩnh vực khoa học, tiên lượng kinh tế, phân tích các mối liên hệ xã hội, và lí giải qui trình suy nghĩ của con người Suy luận theo trường phái Bayes được nhắc đến trên báo chí đại chúng chứ không chỉ trong báo khoa học Những tờ báo lớn như New York Times, Economist, Guardian, v.v đều thường xuyên nhắc đến phương pháp suy

a Tiền đề

Phân lớp Bayes là kỹ thuật phân lớp dựa trên việc tính xác suất có điều kiện,

từ đó ước tính một thông số cần thiết cho tập mẫu của mỗi lớp [6]

Xác suất mà một tập mẫu x có thể nằm trong lớp ωj, ký hiệu p(ωj/x) Tuy nhiên, không phải lúc nào tập mẫu x cũng chắc chắn nằm trong lớp ωj, luôn xảy ra rủi ro nhất định giữa tập mẫu x với lớp ωj, ký hiệu Lkj Nếu ta có một số lớp xác định - W lớp, thì xuất hiện điều kiện rủi ro trung bình của tập mẫu x với lớp ωj

W 1

Theo toán xác suất, ta có p(A/B) = [p(A)p(B/A)]/p(B) Lúc này công thức

(1.12-1) được viết lại như sau

W 1

Bởi vì 1/p(x) là một số xác định và không thay đổi đối với rj(x) khi j thay đổi

từ 1 đến W Do đó 1/p(x) không ảnh hưởng đến kết quả rj(x) từ giá trị nhỏ nhất đến

giá trị lớn nhất Sau khi bỏ 1/p(x) trong công thức (1.12-2), ta có

W 1

Tiếp theo, với tập mẫu x bất kỳ, ta tính giá trị r1(x), r2(x), r3(x), …, rW(x) Từ

đó ta quyết định tập mẫu x thuộc lớp nào dựa trên rj(x) nhỏ nhất Tương tự, phân

lớp Bayes sẽ quyết định tập mẫu x thuộc lớp ωj nếu ri(x) < rj(x), với j = 1, 2, 3, …, W;

p(x/ωi)P(ωi) > p(x/ωj)P(ωj) với j = 1, 2, 3, …, W; j ≠ i (1.12-6) Cuối cùng, công thức phân lớp Bayes có sai số từ 0 đến 1

dj(x) = p(x/ωj)P(ωj) với j = 1, 2, 3, …, W (1.12-7) xác định tập mẫu x thuộc lớp có giá trị dj(x) lớn nhất

Đến đây, chúng ta đã xác định được điều kiện cho thuật toán nhận dạng với

giá trị dj(x) là lớn nhất Đó là trong điều kiện lý tưởng, còn thực tế thì không phải

lúc nào tập mẫu cũng có sự khác biệt lớn về giá trị, có những tập mẫu có sự khác biệt rất nhỏ mà chúng ta không thể kiểm soát được Với tập mẫu x ban đầu và W lớp, ta sẽ nhận được W giá trị khác nhau, ta không thể đảm bảo rằng tất cả W giá trị

đó sẽ đúng theo mong muốn Ngoài ra, cơ sở dữ liệu của mỗi lớp quá ít hoặc không được xử lý tốt thì kết quả nhận được có thể sai hoàn toàn Do đó, phân lớp Bayes đã giả sử tập tin mẫu theo hàm mật độ Gauss.để giải quyết vấn đề trên

b Phân lớp Bayes với hàm mật độ Gauss

Hàm mật độ Gauss định nghĩa hai giá trị là giá trị trung bình mi (mean) và độ lệch chuẩn σi (standard deviation) [6]

Hình 1.14 Biểu đồ mật độ xác suất hai tập mẫu Guass

Nhìn vào biểu đồ, ta thấy m1, m2 là giá trị trung bình của hai tập mẫu tương ứng Điểm x0 dùng để hiển thị ranh giới nơi mà hai tập mẫu có giá trị giống nhau Phân lớp Bayes theo tập mẫu Gauss có công thức biển đổi như sau

dj(x) = p(x/ωj)P(ωj)

2 2

21

( )2

j j

x m

j j

e σ Pω πσ

−

−

Quay lại hình 1.14, tại vị trí x0 ta có d1(x0) = d2(x0) hay P(ω1) = P(ω2) =1/2

và p(x0/ω1) = p(x0/ω2), nghĩa là bất kỳ tập mẫu có giá trị tại vị trí x0 sẽ thuộc về hai lớp ω1 và ω2 Tương tự, những giá trị nằm bên phải x0 thuộc về lớp ω1, giá trị nằm

bên trái x0 thuộc về lớp ω2 Để tránh khả năng phân lớp sai khi tập mẫu có giá trị tại

x0, Gauss đã đưa ra công thức không phụ thuộc vào x0

1

1 ( ) ( )

1 2 2

1( / )

CHƯƠNG 2: PHƯƠNG PHÁP NHẬN DẠNG BIỂN SỐ XE

2.1 Khái quát phương pháp nhận dạng biển số xe

Từ ảnh đầu vào (ảnh RGB) ta lọc ra vùng cĩ chứa biển số xe, sau đĩ trích xuất những ký tự cĩ trên biển số và lần lượt so sánh những ký tự vừa trích xuất với tập tin mẫu trong cơ sở dữ liệu để nhận dạng biển số

Chi tiết các bước của phương pháp nhận dạng được trình bày như sau:

Sơ đồ 2.1 Trình tự các bước trong phương pháp nhận dạng biển số xe

Ảnh đầu vào(RGB)

Chuyển sang

mơ hình màu HSI

Xác định vùng chứa biển số xe

Tính gĩc nghiêng biển

Tách riêng từng ký tự trên mỗi hàng

Tính bảy mơmen bất biến

Nhận dạng ký tự theo phân lớp Bayes

2.2 Xác định vùng chứa biển số xe

2.2.1, Phân vùng màu

Bằng mắt thường ta dễ dàng nhận biết vùng chứa biển số xe vì nó có sự khác

biệt về màu sắc với vùng khác trong toàn bộ ảnh Từ đó, ta sử dụng mô hình màu

HSI để phân vùng màu tại vùng chứa biển số với vùng khác trong ảnh hay nói cách

khác thì mô hình màu HSI đổi tất cả vùng có giá trị tương tự với giá trị vùng chứa

biển số thành 1 (màu trắng) và vùng còn lại thành 0 (màu đen) Những thông số của

mô hình màu được sử dụng để phát hiện vùng ứng viên và những đặc tính hình học

của biển số xe để giảm số lượng vùng ứng viên có khả năng chứa biển số xe đều

dựa trên những khảo sát thực tế

Trước đây để phát hiện vùng ứng viên chứa biển số xe, ta thường đặt ra

những giá trị mặc định để phân vùng, công thức cơ bản

R(x, y) > αR; G(x, y) > αG; B(x, y) > αBR(x, y) - G(x, y) > βRG; R(x, y) - B(x, y) > βRB (2.1) Trong đó

R, G, B : Red, Green, Blue

α, β: là một số cho trước

Tuy nhiên, phương pháp trên chỉ tốt khi ảnh đầu vào được chụp trong điều

kiện ánh sáng tốt, nếu ảnh được chụp trong thời tiết xấu, ánh sáng không đồng đều

thì tỉ lệ chính xác rất thấp

Trong phần này, đề tài đưa ra hai thông số là giá trị trung bình (mean) và độ

lệch chuẩn (stadard deviation) để phát hiện vùng ứng viên chứa biển số xe Điều

thuận lợi là phương pháp này không phụ thuộc hoàn toàn vào điều kiện thời gian

(sáng, trưa, chiều, tối) và môi trường xung quanh

Công thức tổng quát [4]

{ ( , ) ( ) &} { ( , ) 1.0 * )}

1,0,

I(x, y) : độ chói (Intensity) tại điểm x, y

μS, μI : giá trị trung bình của S và I

Để giảm nhiễu ảnh, chúng ta sử dụng một phép toán hình thái học là phép

mở (Opening) Phép mở sử dụng để làm mịn đường viền của đối tượng, cắt những đường biên hẹp, loại bỏ những điểm lồi lõm

Phép mở sử dụng mặt nạ B (B là ma trận vuông m x m) để xác định kích thước tối đa vùng sẽ bị lọc Do đó m càng lớn thì vùng bị lọc càng lớn, điều này có thể ảnh hưởng đến kích thước của những vùng còn lại do mặt nạ B quét trên toàn bộ ảnh Ở đây, ta cài đặt ma trận mặt nạ B có kích thước 3x3 làm mặt nạ chuẩn trong phép mở

Hình 2.2 Ảnh sau khi lọc nhiễu 2.2.2.1, Gãn nhãn vùng ứng viên

Ảnh nhận được ở bước trên chỉ còn lại một vài vùng ứng viên có khả năng chứa biển số, ta sử dụng thuật toán gãn nhãn thành phần liên thông để tính những thông số cần thiết cho việc xác định vùng chứa biển số Một trong những thuật toán phù hợp với ma trận ảnh có kích thước lớn là thuật toán tô màu theo đường biên không đệ qui Ý tưởng thuật toán như sau:

• Cho trước điểm s nằm bên trong đường cong bất kỳ khép kín

• Loang sang phải và lưu hoành độ bên nhất vào stack

• Lặp cho đến khi stack rỗng

o Lấy trong stack ra

o Tô sang trái và gọi hoành độ bên trái là xmin

o Đi lên và loang sang phải, sang trái để tìm các hoành độ bên phải và lưu vào stack

o Đi xuống và loang sang phải, sang trái để tìm các hoành độ bên phải

và lưu vào stack

o Quay về đầu vòng lặp

Sơ đồ 2.2 Thuật toán tô màu theo đường biên không đệ qui

Hình 2.3 Ảnh sau khi tô màu theo đường biên không đệ qui

TimCacXBenPhaiNhat(

stack,f,p.x, p.y-1,xmin,FC,BC)

TimCacXBenPhaiNhat(

stack,f,p.x, p.y+1,xmin,FC,BC)

S

Đ