Nghiên cứu nhận dạng biển số xe ứng dụng thuật toán lan truyền ngược

Song song với sự đi lên của xã hội thì phương tiện giao thông ngày càng tăng, cho nên nhu cầu kiểm soát cũng như quản lý các phương tiện giao thông ngày càng được đòi hỏi cấp thiết hơn,

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC VINH

ĐOÀN ANH TUẤN

NGHIÊN CỨU NHẬN DẠNG BIỂN SỐ XE

ỨNG DỤNG THUẬT TOÁN LAN TRUYỀN NGƯỢC

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

NGHỆ AN, 7/2018

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC VINH

ĐOÀN ANH TUẤN

NGHIÊN CỨU NHẬN DẠNG BIỂN SỐ XE

ỨNG DỤNG THUẬT TOÁN LAN TRUYỀN NGƯỢC

Chuyên ngành: Công nghệ thông tin

Mã số: 8480201

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Người hướng dẫn khoa học: TS PHAN LÊ NA

NGHỆ AN, 7/2018

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng

dẫn của TS Phan Lê Na Các kết quả đạt được trong luận văn là sản phẩm của

riêng cá nhân, không sao chép của người khác Nội dung của luận văn có tham khảo

và sử dụng một số thông tin, tài liệu từ các nguồn sách, tạp chí được liệt kê trong danh mục các tài liệu tham khảo

Tác giả

Đoàn Anh Tuấn

LỜI CẢM ƠN

Em xin tỏ lòng biết ơn sâu sắc đến cô giáo TS Phan Lê Na, người đã tận

tình giúp đỡ và truyền đạt nhiều kinh nghiệm để luận văn của bản thân tôi có thể được thực hiện và hoàn thành

Em xin cảm ơn toàn thể thầy giáo, cô giáo ở Viện kỹ Thuật Công nghệ Trường Đại học Vinh đã tận tình giảng dạy và hướng dẫn, trang bị cho em những kiến thức cần thiết trong quá trình thực hiện luận văn thành công

Nghệ An, tháng 6 năm 2018

Tác giả

Đoàn Anh Tuấn

MỤC LỤC

LỜI CAM ĐOAN 3

LỜI CẢM ƠN 4

DANH MỤC CÁC HÌNH 7

MỞ ĐẦU 9

1 Sự cần thiết của vấn đề nghiên cứu 9

2 Mục tiêu nghiên cứu 10

2.1 Mục tiêu tổng quát 10

2.2 Mục tiêu cụ thể 10

3 Đối tượng và phạm vi nghiên cứu 10

3.1 Đối tượng nghiên cứu 10

3.2 Phạm vi nghiên cứu 10

4 Nội dung nghiên cứu 10

5 Kết cấu của luận văn 11

Chương 1: TỔNG QUAN VỀ NHẬN DẠNG BIỂN SỐ XE 12

1.1 Khái niệm về hệ thống nhận dạng biển số xe 12

1.1.1 Khái niệm 12

1.1.2 Lịch sử và phát triển 12

1.1.3 Cách thức hoạt động của hệ thống nhận dạng biển số xe 13

1.2 Phương pháp nhận dạng biển số xe từ ảnh 13

1.2.1 Phương pháp chuyển đổi Hough 14

1.2.2 Phương pháp CANDY 14

1.2.3 Phép biến đổi RADON để tìm góc nghiêm và xoay: 16

1.3 Phạm vi nghiên cứu và hướng giải quyết 17

1.3.1 Tiêu chuẩn về kích thước 18

1.3.2 Tiêu chuẩn về ký tự 18

1.4 Kết luận chương 1 18

Chương 2: CƠ SỞ LÝ THUYẾT MẠNG NƠRON NHÂN TẠO 20

2.1 Khái niệm mạng nơron 20

2.1.1 Sơ lược về nơron sinh học 20

2.1.2 Mạng nơron nhân tạo 22

2.1.3 Cấu trúc mạng 28

2.1.3.1 Mạng một lớp neuron 28

2.1.3.2 Mạng nhiều lớp neuron 29

2.2 Huấn luyện mạng nơron 30

2.2.1 Phương pháp học 30

2.2.1.1 Học có giám sát 31

2.2.1.2 Học không có giám sát 31

2.2.1.3 Học tăng cường 31

2.3 Thuật toán lan truyền ngược Back Propagation 32

2.3.1 Mô tả thuật toán 32

2.3.1.1 Chỉ số hiệu năng 33

2.3.1.2 Luật xích 34

2.3.1.3 Lan truyền ngược độ nhạy cảm 35

2.3.2 Sử dụng thuật toán lan truyền ngược 38

2.3.2.1 Chọn lựa cấu trúc mạng 38

2.3.2.2 Sự hội tụ 40

2.3.2.3 Sự tổng quát hóa 40

2.3.3 Một số biến thể của thuật toán lan truyền ngược 41

2.3.3.1 Sử dụng tham số bước đà (Momentum) 42

2.3.3.2 Sử dụng hệ số học biến đổi 42

2.4 Kết luận chương 2 43

Chương 3: ỨNG DỤNG MẠNG NƠRON VÀ THUẬT TOÁN LAN TRUYỀN NGƯỢC TRONG NHẬN DẠNG BIỂN SỐ XE 44

3.1 Tách biển số ra khỏi ảnh: 44

3.2 Tách ký tự ra khỏi biển số 45

3.3 Xây dựng mô hình mạng 48

3.4 Giới thiệu chương trình 49

3.5 Kết quả thực nghiệm nhận dạng biển số xe với mạng nơron ứng dụng thuật toán lan truyền ngược 50

3.6 Kết luận chương 3 51

KẾT LUẬN 52

TÀI LIỆU THAM KHẢO 53

DANH MỤC CÁC HÌNH

Hình 1.1 Xác định đường biên theo phương pháp candy………15

Hình 1.2 Phép biến đổi radon dưới dạng hình học……… 16

Hình 1.3 Cách tính biến đổi Radon với góc quay θ……….17

Hình 2.1 Mô hình 2 nơron sinh học……….21

Hình 2.2 Mô hình nơron đơn giản……….……… 22

Hình 2.3 Mạng nơron 3 lớp……….……….22

Hình 2.4 Cấu trúc huấn luyện mạng nơron……….……….23

Hình 2.5 Mô hình nơron đơn giản……… 24

Hình 2.6 Một số dạng hàm chuyển của mạng nơron……….……… 25

Hình 2.7 Nơron với R đầu vào……….…….…… 25

Hình 2.8 Ký hiệu nơron với R đầu vào……….………… 26

Hình 2.9 Cấu trúc mạng nơron 1……….………27

Hình 2.10 Ký hiệu mạng R đầu vào và S nơron ……….……… 28

Hình 2.11 Cấu trúc mạng nơron 3 lớp……….……….……….… 29

Hình 2.12 Ký hiệu tắt mạng nơron 3 lớp……….……….… 29

Hình 2.13 Mạng nơron truyền thẳng nhiều lớp sử dụng thuật học BP 31

Hình 2.14 : Xấp xỉ hàm ( ) 1 sin( ) 4 i f x    x với   2 x 2 ……… 38

Hình 2.15 Ttrường hợp i = 8 và số nơron lớp ẩn = 9……… …….39

Hình 3.1 Ảnh mức xám và ảnh nhị phân ……… ….….43

Hình 3.2 Lược đồ Histogram & ảnh sử dụng phương pháp dò biên Canny… … 43

Hình 3.3 Biển số sau khi được tách ra khỏi ảnh ……… … 44

Hình 3.4 Kết quả của tách ký tự ra khỏi biển số:……….……… ……… 46

Hình 3.5 Mô hình mạng dùng để nhận dạng ký tự ……… ……47

Hình 3.6: Giao diện chương trình nhận dạng biển số xe ……… 48

Hình 3.7: Kết quả chương trình nhận dạng biển số xe ……… ……… 49

Hình 3.8 Một số biển không phát hiện được biển số ……… …… 50

DANH MỤC CÁC BẢNG

Bảng 3.1 Kết quả nhận dạng biểu số ……… 51

MỞ ĐẦU

1 Sự cần thiết của vấn đề nghiên cứu

Khoa học công nghệ ngày càng phát triển vượt bậc nên các máy móc hiện đại ngày càng nhiều, dẫn đến thông tin thu nhận của con người ngày càng phong phú, trong những thông tin con người nhận được thì ảnh là một phần trong các dạng thông tin Hiên nay công việc xử lý ảnh là một trong những lĩnh vực ngày càng được phổ biến, nó không chỉ chỉ dừng lại việc xử lý thông thường như: làm giảm những vết nhòe, phục hồi những ảnh cũ Với sự phát triển của kỹ thuật công nghệ thì xử lý ảnh đã mang lại những nấc thang mới như nhận dạng nhận dạng đối tượng

Song song với sự đi lên của xã hội thì phương tiện giao thông ngày càng tăng, cho nên nhu cầu kiểm soát cũng như quản lý các phương tiện giao thông ngày càng được đòi hỏi cấp thiết hơn, từ đó đặt ra vấn đề là xây dựng các hệ thống tự động để giải quyết vấn đề này và một trong những vấn đề đó thì hệ thống “Nhận dạng biển số xe”

Hệ thống nhận dạng biển số xe là hệ thống thu nhận hình ảnh cũng như phân tích các biển số xe một cách tự động Nhận dạng biển số xe được ứng dụng rộng rãi tại các nơi như: trạm kiểm soát cầu đường bộ, bãi giữ xe tự động

Trong các hệ thống tự động luôn có yêu cầu về phần cứng và phần mềm, hệ thống “Nhận dạng biển số xe” cũng phải có những yêu cầu như vậy Trong hệ thống này thì phần cứng cơ bản là một camera có nhiệm vụ thu nhận hình ảnh còn phần mềm sẽ có nhiệm vụ xử lý hình ảnh đó

Với sự phát triển của công nghệ thì việc thu nhận ảnh của camera là khá dễ dàng, nhưng vấn đề đặt ra là hiệu quả xử lý ảnh trong hệ thống Với hệ thống nàu chúng tôi dùng phần mềm matlap để xử lý thu được

Với vai trò đã phân tích ở trên thì luận văn này chủ yếu tập trung vào giải quyết các vấn đề đặt ra là xử lý ảnh và cho kết quả là biển số chính xác bằng dạng văn bản

2 Mục tiêu nghiên cứu

2.1 Mục tiêu tổng quát

Nghiên cứu phương pháp nhận dạng biển số xe bằng mạng nơron

2.2 Mục tiêu cụ thể

Đề tài tập trung vào các mục tiêu sau:

- Nghiên cứu tổng quan về nhận dạng biển số xe bằng mạng nơron

- Cài đặt thử nghiệm phương pháp ứng dụng thuật toán lan truyền ngược cho nhận dạng biển số xe

3 Đối tượng và phạm vi nghiên cứu

3.1 Đối tượng nghiên cứu

- Tập trung chính vào đối tượng nghiên cứu là kỷ thuật xử lý ảnh và mạng nơron trên cơ sở nghiên cứu thuật toán nhận dạng biển số

- Các vấn đề liên quan đến phương pháp nhận dạng biển số xe

- Thuật toán lan truyền ngược

3.2 Phạm vi nghiên cứu

- Tập trung xử lý biển số có chữ đen, nền trắng, có 2 hàng

- Nghiên cứu chỉ xử lý trên biển số không bị tróc sơn hay rỉ sét, không bị che khuất, không bị nhòe

- Khi nghiên cứu chỉ tập trung các biển số có góc nghiêng tối đa không quá

450

- Tập trung vào các ảnh không bị mờ, ký tự biển số còn phân biệt, không bị nhiễu bởi ánh sáng

4 Nội dung nghiên cứu

- Nghiên cứu các kỹ thuật nhận dạng biển số xe dùng kỹ thuật xử lý ảnh và mạng nơron Đặt tiền đề nghiên cứu sâu hơn để đưa ra các ứng dụng cụ thể

- Xây dựng phương pháp và thuật toán để thực hiện nhận dạng, qua đó nghiên cứu các hạn chế và nhược điểm của hệ thống để tiến hành tối ưu

5 Kết cấu của luận văn

Luận văn “Nghiên cứu nhận dạng biển số xe, ứng dụng thuật toán lan truyền ngược” được trình bày theo cấu trúc sau:

Chương 1: Tổng quan về nhận dạng biển số xe

Chương 2: Cơ sở lý thuyết mạng nơron nhân tạo và thuật toán lan truyền ngược

Chương 3: Ứng dụng mạng nơron và thuật toán lan truyền ngược trong nhận dạng biển số xe

Chương 1: TỔNG QUAN VỀ NHẬN DẠNG BIỂN SỐ XE

1.1 Khái niệm về hệ thống nhận dạng biển số xe

1.1.1 Khái niệm

Hệ thống nhận dạng biển số xe là hệ thống có khả năng phân tích hình ảnh và xác định vùng chứa biển số trên xe, thông qua video, thiết bị ghi hình và hình ảnh

1.1.2 Lịch sử và phát triển

Năm 1992, công nghệ ALPR (Automatic License Plate Number) hay còn gọi

là tự động nhận dạng biển số xe, được phát triển tại Đại học Cambridge ở Vương quốc Anh để ứng phó với chủ nghĩa khủng bố

Đến năm 1996, công nghệ ALPR đã được hoàn thiện tại mỗi cổng phía tây Vương quốc Anh để đọc tất cả các biển đăng ký xe từ Ireland Công nghệ ALPR tiếp tục được nghiên cứu và phát triển tại Anh Kể từ tháng ba năm 2006, hầu hết các con đường, các trung tâm thị trấn, cảng, trạm xăng của London đã được lắp đặt camera chạy phần mềm ALPR

Trên thế giới hiện nay, bài toán nhận dạng biển số xe được nghiên cứu và phát triển một cách sâu rộng Nhiều tác giả với các công trình nghiên cứu được công bố với tỉ lệ nhận dạng ngày càng chính xác Một số bài báo cáo nghiên cứu của các tác giả tiêu biểu trong vài năm trở lại đây như:

Chirag N Paunwala, 2010 [5] với nội dung: rút trích vùng số xe trong ảnh Ảnh đầu vào được tiền xử lý bằng cách phương pháp nâng cao chất lượng ảnh, sau

đó tìm biên bằng Vertical Edge và xử lý một lần nữa bằng Opening và Closing Các vùng ứng viên sau đó được kiểm tra bằng thuật toán scan theo dòng để tìm được vùng chứa biển số xe chính xác Kết quả nhận dạng 750 ảnh trong các điều kiện khác nhau cho tỉ lệ 742/750 = 99.2

Choo Kar Soon, 2012 [6] với nội dung: nhận dạng biển số xe tại Malaysia, sử dụng giải thuật Adaboots để training tập dữ liệu gồm gần 100 ảnh biển số Các ký

tự được nhận dạng bằng phương pháp KNN Kết quả nhận dạng biển số 98% và nhận dạng ký tự 95% trên ảnh tĩnh

Luận văn này nghiên cứu nhận dạng biển số xe ứng dụng mạng nơron với thuật toán lan truyền ngược Trong bước tiền xữ lý ta áp dụng phương pháp canny

để tách biên biển số Tiếp theo dùng phép biến đổi Hough và giải thuật tìm Contour

để xác định các ứng viên Vùng các ứng viên sau đó tiếp tục được scan theo dòng để đếm số đối tượng bị cắt và so sánh với ngưỡng, nhằm tìm ra vùng ứng viên thõa mãn

Phần mềm nhận dạng biển số xe, đã được ứng dụng thực tế tại các trạm cân, trạm gửi xe, các trụ đèn giao thông để phát hiện xe vi phạm

1.1.3 Cách thức hoạt động của hệ thống nhận dạng biển số xe

Hệ thống ALPR (Automatic License Plate Recognition) gồm phần cứng và phần mềm, trong đó phần cứng là camera thu nhận ảnh xe và phần mềm có chức năng nhận dạng biển số xe từ ảnh chụp của camera Camera thu nhận ảnh được đặt tại một vị trí cố định sao cho có thể quét được hình ảnh xe một cách rõ ràng và chụp lại hình ảnh đối tượng xe có chứa biển số Ảnh này được đưa vào phần mềm nhận dạng để trích ra chính xác biển số xe có trong ảnh, sau đó một thuật toán OCR (Optical Character Recognition) được sử dụng để lấy từng ký tự và chuyển đổi thành định dạng mà máy tính có thể phân biệt được các chữ và số như dạng text…Cùng với sự phát triển của công nghệ, camera ngày nay đã có thể chụp một cách rõ nét trong điều kiện xe chạy với tốc độ cao như ở các đường cao tốc

*) Phương pháp Canny [1] sử dụng hai mức ngưỡng cao và thấp Ban đầu ta dùng mức ngưỡng cao để tìm điểm bắt đầu của biên, sau đó chúng ta xác định hướng phát triển của biên dựa vào các điểm ảnh liên tiếp có giá trị lớn hơn mức

ngưỡng thấp Loại bỏ các giá trị nhỏ hơn mức ngưỡng thấp Các đường biên yếu sẽ được chọn nếu chúng được liên kết với các đường biên khỏe

*) Phương pháp khớp mẫu: xem biển số là một đối tượng có khung nền riêng

và sử dụng các cửa sổ dò để trích từng đối tượng đưa qua mạng nơron (nơron network), trí tuệ nhân tạo (artificial intelligence) chẳng hạn để phân loại có phải là vùng biển số hay không

1.2.1 Phương pháp chuyển đổi Hough

Dò đặc trưng biên ngang, dọc: làm nổi bật các viền bao của tất cả các đối tượng trong ảnh trong đó có viền bao biển số Phương pháp sử dụng các bộ lọc gradient để trích được các đặc trưng cạnh biên này Nghiên cứu này sử dụng bộ lọc Sobel để tiến hành dò Dùng chuyển đổi Hough tìm các đoạn thẳng ngang dọc trên

cở sở của ảnh nhị phân biên cạnh thu được từ bước trên

Tách các đoạn thẳng ngang, dọc có thể là cạnh của biển số

Trích ứng viên biển số: thành lập các hình chữ nhật là ứng viên cho biển số với tiêu chí cụ thể là các bộ 4 đoạn thẳng thu được sẽ qua đánh giá về kích thước, tỉ

lệ chiều rộng trên chiều cao so với một ngưỡng nào đó

Ưu điểm: độ chính xác cao, không phụ thuộc vào màu sắc của biển số xe Nhược điểm: Độ phức tạp tính toán khá cao Khi ảnh có thêm nhiêu đối tượng khác thì khối lượng tính toán tăng lên rất nhiều do mục đích là phải xác định được vùng con nào chứa biển số xe và phụ thuộc rất lớn vào bước trích đặc trưng biên cạnh dẫn đến là các đoạn thẳng ứng viên thu được thường ngắn hơn nhiều so với chiều dọc cũng như chiều ngang của biển số

1.2.2 Phương pháp CANDY

Phương pháp Candy bao gồm các bước sau:

Bước 1 Dùng bộ lọc Gausian để làm mịn ảnh:

2 2 2 2'( )

x x

 

2 2 2 2 2,

Bước 4 Loại bỏ những giá trị nhỏ hơn mức ngưỡng

Phương pháp này hơn hẳn các phương pháp khác do ít bị tác động của nhiễu

và cho khả năng phát hiện các biên yếu Nhược điểm của phương pháp này là nếu chọn ngưỡng quá thấp sẽ tạo ra biên không đúng, ngược lại nếu chọn ngưỡng quá cao thì nhiều thông tin quan trọng của biên sẽ bị loại bỏ Căn cứ vào mức ngưỡng

đã xác định trước, ta sẽ quyết định những điểm thuộc biên thực hoặc không thuộc biên Nếu mức ngưỡng càng thấp, số đường biên được phát hiện càng nhiều (nhưng kèm theo là nhiễu và số các đường biên giả cũng xuất hiện càng nhiều) Ngược lại nếu ta đặt mức ngưỡng càng cao, ta có thể bị mất những đường biên mờ hoặc các đường biên sẽ bị đứt đoạn

Phương pháp Canny có các ưu điểm sau:

• Cực đại hóa tỷ số tín hiệu trên nhiễu làm cho việc phát hiện các biên thực càng chính xác

• Đạt được độ chính xác cao của đường biên thực

• Làm giảm đến mức tối thiểu số các điểm nằm trên đường biên nhằm tạo ra các đường biên mỏng, rõ

Hình 1.1 Xác định đường biên theo phương pháp candy

1.2.3 Phép biến đổi RADON để tìm góc nghiêng và xoay:

Phép biến đổi Radon, được thực hiện bởi hàm radon trong MATLAB, biểu diễn ảnh dưới dạng các hình chiếu của nó dọc theo các hướng xác định Hình chiếu của một hàm hai biến f(x,y) là một tập hợp các tích phân đường

Hàm radon tính các tích phân đường từ nhiều điểm nguồn dọc theo các đường dẫn song song, gọi là các tia chiếu (beam), theo một hướng xác định nào

đó Các tia chiếu này nằm cách nhau 1 pixel Để biểu diễn toàn bộ ảnh, hàm radon

sẽ lấy nhiều hình chiếu song song của ảnh từ các góc quay khác nhau bằng cách xoay các điểm nguồn quanh tâm của ảnh Quá trình này được minh hoạ ở (hình

1.2a)

Hình 1.2 Phép biến đổi radon dưới dạng hình học

Ví dụ, tích phân đường của f(x,y) theo hướng thẳng đứng chính là hình chiếu của f(x,y) trên trục x, còn tích phân đường của f(x,y) theo hướng nằm ngang chính là hình chiếu của f(x,y) trên trụcy (hình 1.2b)

Tổng quát, biến đổi Radon của f(x,y) ứng với góc quay θ là tích phân đường của f dọc theo trục y’:

Theta: là một vector gồm các góc quay cần tính biên đổi Radon

R: là một ma trận mà mỗi cột của nó là biến đổi Radon R(x’) ứng với một góc quay theta

Xp: là vector chứa các toạ độ x’ tương ứng (Xplà như nhau đối với mọi góc quay theta)

Với phép biến đổi Radon ta cho góc θ nhận các giá trị từ 00 đến 1790 Ứng với một

giá trị của θ cho ta một giá trị R Khi đó ta lấy giá trị lớn nhất tương ứng với θ max Sau khi xác định được θ max , ta sẽ tìm được góc lệch bằng cách 900 - θmax Từ góc lệch này ta dùng hàm Rotate để xoay ảnh

1.3 Phạm vi nghiên cứu và hướng giải quyết

Trong luận văn này, công việc cần phải giải quyết vấn đề phát hiện vùng chứa biển số xe và nhận dạng ký tự trong biển số Với bài toán phát hiện vùng chứa biển số cách tiếp cận theo phương pháp canny để phát hiện vùng biển số cho các biển đăng ký xe của Việt Nam Bài toán nhận dạng ký tự sẽ sử dụng mô hình mạng nơron lan truyền ngược để tiến hành nhận dạng

Hình 1.3 Cách tính biến đổi Radon với góc quay θ

1.3.1 Tiêu chuẩn về kích thước

Tiêu chuẩn về kích thước theo TT 15/2014/TT-BCA về đăng ký và sang tên

xe Biển số xe ô tô có 2 biển, kích thước như sau: Loại biển số dài có chiều cao 110

mm, chiều dài 470 mm; loại biển số ngắn có chiều cao 200 mm, chiều dài 280 mm

Biển số xe mô tô, gồm 1 biển gắn phía sau xe, kích thước: Chiều cao 140

mm, chiều dài 190 mm

Từ đây ta có tỉ lệ Chiều cao/chiều rộng là:

+) Biển có 1 hàng: 0,18< Chiều cao/chiều rộng<0.3 +) Biển có 2 hàng: 0,6< Chiều cao/chiều rộng<0,85

1.3.2 Tiêu chuẩn về ký tự

Trong biển số xe ký tự có tỷ lệ kích thước về chiều rộng, chiều cao tương ứng với chiều dài và rộng của biển số xe Mỗi ký tự của biển số xe được xem như là một vùng liên thông con hay bao đóng con (contours) Từ đó ta thấy rằng số ký tự trong biển số là số bao đóng con thỏa mãn tính chất nêu trên

Từ những phân tích trên, có thể tóm tắt phương pháp thực hiện của chương trình nhận dạng như sau:

Bước 1: Ảnh đầu vào là ảnh màu BGR, tiền xử lý bằng các thuật toán xử lý ảnh

Bước 2: Tìm các bao đóng trên ảnh xe

Bước 3: Lọc các bao đóng theo các tiêu chí như kích thước, góc, tỉ lệ, số kí tự,…

Bước 4: Xử lý kết quả đầu ra để lấy vùng biển số

Bước 5: Tách ký tự trên vùng biển số tìm được

Bước 6: Đưa tập ký tự đã tách vào mạng nơron để nhận dạng

Bước 7: Hiển thị kết quả lên giao diện chương trình

1.4 Kết luận chương 1

Trong chương này tôi tập trung nghiên cứu về cách thức hoạt động của hệ thống nhận dạng biển số xe và về các thuật toán tách biển số xe ra khỏi ảnh cũng như thiết lập các ràng buộc để lựa chọn biển số

Chương 2: CƠ SỞ LÝ THUYẾT MẠNG NƠRON NHÂN TẠO

Mạng nơron là một cấu trúc tính toán bao gồm nhiều bộ xử lý “Nơron” chúng được kết nối song song và chằng chịt với nhau Với bản chất song song của các nơron nên chung có có thể thực hiện các tính toán với tốc độ cao hơn so với các kỹ thuật phân lớp khác Trong một mạng nơron có nhiều nút thì đầu ra của một nút có thể được sử dụng cho một nút khác ở trong mạng và hàm quyết định cuối cùng phụ thuộc vào sự tương tác giữa các nút Các kiến trúc mạng nơron có thể được phân thành hai nhóm chính: mạng truyền thẳng và mạng lan truyền ngược

2.1 Khái niệm mạng nơron

2.1.1 Tổng quan về nơron sinh học

Sơ lược về chức năng, tổ chức và hoạt động của bộ não con người:

Trong các hoạt động của con người thì bộ não người có chức năng hết sức quan trọng, nó gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt động cơ bắp đến những hoạt động phức tạp như học tập, nhớ, suy luận, tư duy, sáng tạo

Cấu tạo bộ não người được hình thành từ các tế bào thần kinh và các mạch máu Với người trưởng thành có khoảng khoảng 85 tỷ phần tử (tế bào), trong đó có khoảng 69 tỷ phần tử là nơron, số còn lại khoảng 16 tỷ phần tử là các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron Bộ não của một người trưởng thành có trọng lượng trung bình cân nặng khoảng 1,4 kg và có thể tích là 235 cm3, hiện nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não Nhưng người ta có thể chia cấu tạo não bộ được phân chia ra thành nhiều vùng khác nhau, mỗi vùng có thể kiểm soát một hay nhiều hoạt động của con người Trong hoạt động của hệ thần kinh nói chung và của bộ não nói riêng đã được con người quan tâm nghiên cứu nhưng vẫn chưa đưa ra được cách thức hoạt động

và chưa hiểu rõ về bản chất của nó, đặc biệt là trong các hoạt động liên quan đến trí

óc như suy nghĩ, nhớ, sáng tạo, Nhưng vói sự phát triển của khoa học thì hiện nay chúng ta cũng có những hiểu biết căn bản về hoạt động của não ở mức thấp

Các phần tử của bộ não hoạt động song song và phức tạp, nhưng hiệu quả hoạt động rất cao nhất là các vấn đề phức tạp, về độ xử lý của não caon người cũng rất nhanh, bởi vì mỗi nơron liên kết với khoảng 1 tỷ nơron khác, cho nên khi hoạt động thì bộ não hoạt động một cách tổng lực và đạt hiệu quả cao

Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan được

mô tả như sau: Khi con người bị kích thích từ bên trong hoặc ngoài cơ thể thông qua các giác quan Các kích thích được biến thành các xung điện bởi chính các giác quan tiếp nhận kích thích, sau đó những tín hiệu này được chuyển về não bộ để xử

lý Quá trình xử lý trong bộ não là một quá trình liên tục, nó bao gồm xử lý, đánh giá, so sánh với thông tin được lưu trữ từ đó đưa ra quyết định chính xác Từ những quyết định đó, bộ não đưa ra những mệnh lệnh cần thiết được phát đi và gửi đến những bộ phận thực thi thích hợp như miệng, tay, chân,

Tóm lại: Trong hoạt động của con người thì bộ não người có chức năng hết sức quan trọng đối, cấu tạo của bộ não rất phức tạp, tinh vi bởi được tạo thành từ hàng chục tỉ tế bào và mạng nơron với mức độ liên kết giữa các nơron là rất cao Hơn nữa, bộ não củ con người còn được chia thành nhiều vùng với các lớp khác nhau và hoạt động của nó dựa trên cơ chế hoạt động song song của các nghìn tế bào tạo nên

Mạng nơron sinh học

Cấu tạo: bộ não con người được cấu tạo nên từ phần tử cơ bản là nơron Sơ đồ cấu tạo của một nơron sinh học được chỉ ra như trong hình 2.1 Một nơron điển hình

có 3 phần chính:

Hình 2.1 Mô hình 2 nơron sinh học

- Thân nơron: Nhân của nơron được đặt ở đây

- Các nhánh (dendrite):L à các mạng dạng cây của các dây thần kinh để nối các tế bào cơ thể với nhau

- Sợi trục (Axon): đây là sự mở rộng dài của một nơron nhằm mục đích dẫn xung điện ra khỏi tế bào của nơron Chức năng của sợi trục đó là truyền thông tin đến các nơron khác

Hoạt động của mạng nơron sinh học: Khi tín hiệu đưa ra và được nhận bởi các nhánh là các kích thích điện tử, việc truyền tín hiệu đã mô tả ở phần trên liên quan đến một quá trình hóa học phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối Từ đó ta thấy rằng qua trình này sẽ làm tăng hoặc giảm điện thế bên trong thân của nơron nhận khi đó nơron nhận tín hiệu sẽ hoạt động nếu điện thế vượt khỏi một ngưỡng nào đó và một xung điện với độ mạnh của nó và thời gian tồn tại cố định được gửi ra ngoài thông qua sợi trục tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron khác Sau khi nơron kích hoạt, nơron sẽ phải chờ trong một chu kỳ, trước khi nó có thể được kích hoạt lại Khi synapses cho phép phép các kích thích truyền qua gây ra tình.trạng kích hoạt đối với nơron nhận thì được gọi là synapses Hưng phấn (excitatory) Ngược lại, nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận thì được gọi là synapses ức chế (inhibitory)

2.1.2 Mạng Nơron nhân tạo

Khái niệm: Mạng nơron nhân tạo mô phỏng dựa trên mạng nơron sinh học, gồm ba thành phần đó là, Lớp đầu vào, lớp ẩn và lớp đầu ra

- Lớp đầu vào: Mỗi nơron có một số đầu vào và nó tương ứng với một thuộc tính của dữ liệu

- Lớp ẩn: gồm các nơ ron nhận dữ liệu vào từ lớp trước đó và chuyển đổi các

dữ liệu vào này cho các lớp xử lý tiếp theo

- Lớp đầu ra: Chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khác nhau của nơron khác

Một nơron trở nên tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định

Có nhiều kiểu nơron nhân tạo khác nhau Hình 2.2 biểu diễn một kiểu rất đơn giản

Các đầu vào có hàm trọng Wj và bộ tổng Đầu ra của bộ tổng được sử dụng

để quyết định một giá trị của đầu ra thông qua hàm chuyển Có nhiều kiểu hàm chuyển khác nhau Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp hơn ngưỡng Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc

Hình 2.2 Mô hình nơron đơn giản

Hình 2.3 Mạng nơron 3 lớp

Kết nối một vài nơron ta được mạng nơron Hình 2.3 là một mạng nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra

Các nơron ở lớp vào được nhận tín hiệu ở đầu vào, với mỗi nơron chỉ nhận được một tín hiệu vào Mỗi nơron ở lớp ẩn được kết nối với tất cả các nơron lớp vào

và lớp ra Khi đó đàu ra của mạng là các nơron ở lớp ra có đầu vào được nối với tất

cả các nơron ở lớp ẩn Lưu ý rằng một mạng nơron cũng có thể có một hoặc nhiều lớp ẩn Các mạng nơro có cấu tạo mà trong đó mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons)

Khi hoạt động thì mạng nơron được điều chỉnh hoặc được huấn luyện để hướng các đầu vào riêng biệt đến đích ở đầu ra Huấn luyện mạng được mô phỏng như trong hình 2.4 Trong hình mô phỏng này, hàm trọng số của mạng được thay đổi khi so sánh đầu ra với đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích Để giám sát cho huấn luyện mạng ta tạo ra các cặp vào/đích để giám sát

Hình 2.4 Cấu trúc huấn luyện mạng nơron

Để xây dựng được một số cặp vào/ra, mà tại đó mỗi giá trị vào được gửi đến mạng và giá trị ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn Thông thường khi đó sẽ tồn tại một sai số bởi vì giá trị mong muốn không hoàn toàn phù hợp với giá trị khi thực hiện Từ đó ta phải thay đổi hàm trọng sau một lần chạy bằng cách sử dụng sai số tìm

Khi thay đổi hàm trọng cần phải thay đổi với đặc tính hơn và tương đương với đặc tính mong muốn Từ đó từng cặp giá trị vào/ra phải được kiểm tra và trọng

số được điều chỉnh một vài lần Khi tổng bình phương các sai số nhỏ hơn một sai

sai số cho trước hoặc đã chạy đủ một số lần được xác định trước đó thì hàm trọng của mạng được dừng lại chứ không điều chỉnh nữa

Một mạng nơron đã được huấn luyện thì được dùng để thực hiện những công việc phức tạp trong nhiều lĩnh vực như trong nhận dạng, phân loại sản phẩm,

xử lý tiếng nói, chữ viết và điều khiển hệ thống

Thông thường khi huấn luyện mạng nơron, người ta hay sử dụng phương pháp huấn luyện có giám sát, nhưng cũng có mạng thu được từ sự huấn luyện không

có giám sát Một mạng nơron được huấn luyện không giám sát có thể được sử dựng trong trường hợp riêng

Mạng nơron nhân tạo đang phát triển nhanh chóng và càng ngày nó càng đem đến những ứng dụng thiết thực trong đời sống Từ đó ta thấy rằng có sự khác biệt giữa ứng dụng của mạng nơ ron với những hệ thống điều khiển hoặc tối ưu hoá, nơi mà các thuật ngữ, cơ sở toán học và thủ tục thiết kế đã được thiết lập chắc chắn

và được ứng dụng từ nhiều năm

Mô hình nơron

Nơron đơn giản: một nơron với một đầu vào vô hướng và không có độ dốc được chỉ

ra trên hình 2.5 a,b

Hình 2.5 Mô hình nơron đơn giản

Tín hiệu vào vô hướng p thông qua trọng liên kết vô hướng w trở thành wp cũng là đại lượng vô hướng Ở đây wp là đối số duy nhất của hàm truyền f, tín hiệu đầu ra là đại lượng vô hướng a Hình 2.5b là nơron có độ dốc b Ta có thể hiểu b như là phép cộng đơn giản vào tích wp hoặc như là một sự thăng giáng của hàm f ở hình a đi một lượng b Độ dốc được xem như một trọng lượng, chỉ có điều đầu vào

là một hằng số bằng 1 Tín hiệu vào hàm truyền mạng là n là tổng của trọng đầu vào

wp và độ đốc b, đáp ứng ra a được coi là đối số của hàm chuyển f Hàm chuyển f có thể là hàm bước nhảy, hàm sigmoid Hình 2.6 dưới đây giới thiệu một số dạng hàm chuyển của nơron

Hàm truyền hardlim Hàm truyền tuyến tính Hàm truyền log-sigmoid

Hình 2.6 Một số dạng hàm chuyển của mạng nơron

Chú ý rằng w và b đều là các tham số điều chỉnh vô hướng của nơron Ý tưởng cơ bản của mạng nơron điều chỉnh các tham số này như thế nào đó để mạng đạt được một đích mong muốn hay một hành vi nào đó Như vậy ta có thể huấn luyện mạng làm một công việc nào đó bằng cách điều chỉnh các trọng liên kết và độ dốc, hoặc mạng có thể tự điều chỉnh các tham số này để đạt được các kết quả mong muốn