Đồ án khoa công nghệ thông tin Bài toán nhận dạng biển số xe.doc

Viết thuê đề tài giá rẻ trọn gói - KB Zalo/Tele : 0973.287.149
Luanvanmaster.com – Cần Kham Thảo - Kết bạn Zalo/Tele : 0973.287.149
Luận văn
Đề tài: Bài toán nhận dạng
biển số xe

Đồ Án Tốt Nghiệp 1 Khoa Công Nghệ Thông Tin
MỤC LỤC
MỞ ĐẦU .................................................................................................................. 7
CHƯƠNG 1. Tổng quan về nhận dạng. ................................................................... 8
1.1 - Tính chất và sự cần thiết của bài toán nhận dang. ................................................ 8
1.1.1 Tính chất ...................................................................................................... 8
1.1.2Sự cần thiết. ................................................................................................. 8
1.2 - Không gian biểu diễn đối tượng, không gian diễn dịch. .................................... 10
1.2.1 Không gian biểu diễn đối tượng ................................................................ 10
1.2.2 Không gian diễn dịch. ................................................................................ 10
1.3 - Mô hình và bản chất của quá trình nhận dạng. ................................................... 11
1.3.1 Mô hình. ..................................................................................................... 11
1.3.2 Bản chất của quá trình nhận dạng. ............................................................. 12
CHƯƠNG 2. Xử lý ảnh và openCV ...................................................................... 15
2.1 - Xử lý nhị phân .................................................................................................... 16
2.2- Giảm nhiễu. ........................................................................................................ 18
2.2.1 Bộ lọc hộp thông thường (Normalized Box filter). ................................... 19
2.2.2 Bộ lọc gaussian (Gaussian Filter). ............................................................. 20
2.2.3 Bộ lọc Median (Median Filter): ................................................................. 21
2.2.4 Bộ lọc song phương (Bilateral filter). ........................................................ 22
2.2.5 Filter2D ...................................................................................................... 23
2.3- Biên và các phương pháp tìm biên. .................................................................... 24
2.3.1 Khái niệm về biên: ..................................................................................... 24
2.3.2 Phương pháp Gradient. .............................................................................. 24
2.3.3 Toán tử la bàn. ........................................................................................... 29
2.3.4 Laplace. ...................................................................................................... 31
2.3.5 Tách sườn ảnh theo Canny. ....................................................................... 33
SV: Phạm Thế Tài – Lớp S11-50TH
GVHD: Th.S Vũ Anh Dũng

2.4 - Biến đổi Hough .................................................................................................. 35
2.5 - Một số hàm cơ bản trong thư viện OpenCV ...................................................... 41
2.5.1 Tải một ảnh và hiển thị ảnh. ...................................................................... 41
2.5.2 Chuyển ảnh màu sang ảnh xám. ................................................................ 42
2.5.3 Tìm đối tượng bằng findContours ............................................................ 43
CHƯƠNG 3. Bài toán nhận dạng biển số xe. ....................................................... 45
3.1 - Khái niệm về nhận dạng biển số xe. ................................................................... 45
3.1.1 Khái niệm. .................................................................................................. 45
3.1.2 Ứng dụng. .................................................................................................. 47
3.1.3 Phân loại biển số xe. .................................................................................. 48
3.2- Một số hướng giải quyết bài toán nhận dạng biển số xe. ................................... 52
3.2.1 Hướng tiếp cận phát triển vùng. ................................................................ 52
3.2.2 Hướng tiếp cận dò biên và biến đổi Hough. .............................................. 53
3.2.3 Phân ngưỡng và tím vùng đối tượng (hướng tiếp cận của đồ án). ............ 54
3.3 - Hướng giải quyết. ............................................................................................... 54
3.4 - Phát hiện vùng chứa biển số. .............................................................................. 56
3.4.1 Giai đoạn 1: Biến đối ảnh xám và lọc ảnh ................................................. 57
3.4.2 Giai đoạn 2: Tiến hành phân ngưỡng hoặc phát hiện biên. ....................... 57
3.4.3 Giai đoạn 3: Tìm đường bao đối đượng. ................................................... 58
3.4.4 Giai đoạn 4: Tách vùng biển số. ................................................................ 59
3.5- Tách riêng từng ký tự ......................................................................................... 60
3.5.1 Giai đoạn 1: Tiến hành phân ngưỡng. ....................................................... 61
3.5.2 Giai đoạn 2: Tìm vùng đối tượng. ............................................................. 61
3.5.3 Giai đoạn 3: Tìm và tách vùng ký tự. ........................................................ 61
3.6 - Nhận dạng ký tự quang học ( mạng nơron) ........................................................ 61
3.6.1 Mô hình nơron nhân tạo ............................................................................. 62
3.6.2 Mạng nơron ................................................................................................ 63

3.6.3 Mạng Kohonen ........................................................................................... 66
3.6.4 Mạng nơron nhiều lớp lân truyền ngược sai số ......................................... 71
CHƯƠNG 4. Kết quả và hướng phát triển của bài toán nhận dạng biển số xe. .... 74
4.1 - Kết quả hướng giải quyết “phân ngưỡng và tìm đối tượng”. ............................. 74
4.1.1 Kết quả dùng với phương pháp tìm biên Canny kết hợp với tìm vùng đối
tượng. 75
4.1.2 Kết quả dùng với phương pháp phân ngưỡng kết hợp tìm vùng đối tượng
75
4.1.3 Kêt luận. ..................................................................................................... 76
4.2 - Hướng phát triển của bài toán nhận dạng biền số xe. ........................................ 82
4.2.1 Nhận xét. .................................................................................................... 82
4.2.2 Hướng phát triển của bài toán. ................................................................... 82
KẾT LUẬN. ........................................................................................................... 84
TÀI LIỆU THAM KHẢO ...................................................................................... 85
Phụ lục. ................................................................................................................... 86
Ket-noi.com forum công nghệ, giáo dục

Danh mục các hình vẽ
Hình 1.1 Nhận dạng vân tay trên máy ATM...........................................................9
Hình 1.2 Phiên dịch viên Jibbigo ............................................................................9
Hình 1.3 Sơ đồ tổng quan một hệ nhận dạng. .......................................................14
Hình 2.1 Quá trình xử lý ảnh.................................................................................15
Hình 2.2 Các bước cơ bản trong hệ thống xử lý ảnh.............................................15
Hình 2.3 (a) ngưỡng 40,(b) ngưỡng 121 ...............................................................16
Hình 2.4 Sử dụng bộ lọc hộp thông thường. .........................................................20
Hình 2.5 sử dụng bộ lọc Gaussian.........................................................................21
Hình 2.6 sử dụng bộ lọc Median ...........................................................................22
Hình 2.7 sử dụng bộ lọc song phương...................................................................23
Hình 2.8 filter2D nhân thay đổi tăng dần từ trái qua phải.....................................24
Hình 2.9 Tìm biên bằng chức năng Sobel trong OpenCV ....................................29
Hình 2.10 Mặt nạ 8 hướng theo Kirsh...................................................................29
Hình 2.11 Tìm biên Laplace..................................................................................33
Hình 2.12 Tìm biên theo Canny ............................................................................35
Hình 2.13 Trục tọa độ đề các đi qua 2 điểm..........................................................36
Hình 2.14 Trục tọa độ đề các.................................................................................36
Hình 2.15 Hệ tọa độ cực........................................................................................37
Hình 2.16 Đường thẳngHough trong tọa độ cực...................................................38
Hình 2.17 Kết hợp giữa HoughLines với HoughCircles.......................................40
Hình 2.18 Tìm thấy hình tròn trong mẫu có hình tròn. .........................................41
Hình 2.19 Tải một ảnh vào cửa sổ windows .........................................................42
Hình 2.20 Chuyển ảnh màu sang ảnh xám............................................................43
Hình 2.21 sử dụng findContours tìm đối tượng ....................................................44
Hình 3.1 Hệ thống tự động nhận dạng biển số xe. ................................................46
Hình 3.2 Biển số mới.............................................................................................52

Hình 3.3 Một số loại biển số xe thông dụng..........................................................54
Hình 3.4 (a) ảnh đầu vào (b) ảnh xử lý xám và lọc song phương. ........................57
Hình 3.5 ảnh sau khi tiến hành phân ngượng........................................................58
Hình 3.6 Tìm đường bao các đối tượng.................................................................59
Hình 3.7 Sau khi lọc bằng dặc điểm biển số và cắt riêng vùng biển số................60
Hình 3.8 Các ký tự được cắt sau khi tìm thấy vùng biển số..................................61
Hình 3.9 Mô hình nơron nhân tạo. ........................................................................62
Hình 3.10 Mạng nơron truyền thẳng và nhiều lớp. ...............................................64
Hình 3.11 Mạng nơron hồi quy. ............................................................................64
Hình 3.12 Học tham số có giám sát.......................................................................66
Hình 3.13 Lưới các nơron......................................................................................67
Hình 3.14 Ánh xạ mặt cầu vào lưới nơron 15x15 .................................................71
Hình 3.15 Mạng nơron 2 lớp. ................................................................................72
Hình 4.1 Biển không nhận dạng được...................................................................77
Hình 4.2 Vùng biển số trong quá trình phân ngưỡng............................................80
Hình 4.3 Mức xám thấp làm vùng biển số bị mất trong quá trình phân ngưỡng .. 80
Hình 4.4 Những biển số không nhận đủ ký tự ......................................................82

Danh mục các bảng
Bảng Tên bảng Trang
Bảng 1 Chi tiết tìm vùng biển số sử dụng dò biên Canny và tìm 77
vùng đối tượng.
Bảng 2 Chi tiết tìm vùng biển số sử dụng hướng phân ngưỡng và 78
tìm vùng đối tượng.
Tìm vùng biển số trong các khoảng ngưỡng khác nhau
Bảng 3 tăng dần.(biển được tìm thấy ở khoảng ngưỡng trước sẽ 79
không phải là đối tượng xét ở các khoảng ngưỡng sau).
Tìm vùng biển số trong các ngưởng khác nhau giảm dần.
Bảng 4 (biển được tìm thấy ở khoảng ngưỡng trước sẽ không phải 80
là đối tượng xét ở các khoảng ngưỡng sau).
Chi tiết các khoảng ngưỡng phát hiện những biển số.( các
Bảng 5 biển tách ly thành công ở khoảng ngưỡng trước không 82
được tính cho khoảng ngưỡng sau).

MỞ ĐẦU
Hiện nay, với sự phát triển kinh tế xã hội đã bùng nổ số lượng phương tiện giao
thông. Gây ra những khó khăn trong công tác quản lý, xử lý vi phạm giao thông mà
nguồn nhân lực con người khó có thể đảm đương được. Vì vậy vần để cần thiết là có
một hệ thông quản lý, xử lý vi phạm giao thông tự động.
Để xây dựng hệ thống quản lý giao thông tự động thì “ Bài toán nhận dạng biển
số xe” là tiền đề để xây dựng những mô hình quản lý đó. Tuy nhiên, hiện nay ở Việt
Nam nhưng hệ thống quản lý đó chưa nhiều và lĩnh vực nhận dạng còn đang phát triển.
Từ những thực tế đó, trong thời gian làm đố án tốt nghiệp em đã quyết định lựa
chọn tìm hiểu về bài toán “ nhận dạng” trong đó chú trọng vào việc nhận dạng biển số
xe. Để phục vụ cho bước đầu trong hệ thống quản lý phương tiện giao thông tại Việt
Nam. Trong điều kiện năng lực và thời gian có hạn, nên báo cáo của em không tránh
khỏi những sai sót. Em kình mong thầy cô và các bạn đóng góp những ý kiến để em có
thể chỉnh sửa và bổ sung những phần thiếu sót để em hoàn thiện đề tài của mình.
Em xin chân thành cảm ơn Thầy Vũ Anh Dũng và các bạn đã hết lòng giúp đỡ,
chỉ bảo để em có thể hoàn thành tốt đồ án tốt nghiệp này.
Trong báo cáo đồ án lần này em trình bày thành 4 chương như sau.
Chương I: Tổng quan về nhận dạng.
Chương II. Xử lý ảnh và OpenCV.
Chương III. Bài toán nhận dạng biển số.
Chương IV. Kết quả và hướng phát triển của bài toán nhận dạng biển số xe.

CHƯƠNG 1. Tổng quan về nhận dạng.
1.1 - Tính chất và sự cần thiết của bài toán nhận dang.
1.1.1 Tính chất
- Nhận dạng là quá trình phân loại các đối tượng được biểu diễn theo một mô
hình nào đó và gán cho chúng vào một lớp (gán đối tượng một tên gọi) dựa theo những
quy luật và các mẫu chuẩn. Quá trình nhận dạng dựa vào những mẫu học biết trước gọi
là nhận dạng có thầy (supervised learning); trong trường hợp ngược lại gọi là học
không thầy (non supervised learning).
- Nhận dạng là một bài toán quan trọng trong ngành thị giác máy tính.
1.1.2 Sự cần thiết.
- Cùng với sự phát triển không ngừng của kinh tế xã hội và các ngành kỹ thuật
hiện nay. Đòi hỏi sự quản lý và xử lý thông tin chính xác mà nó vượt quá sức của con
người. Vì vậy chúng ta cần có máy móc hoặc động làm giảm tải hoặc thay thế công
việc nặng nhọc, đòi hỏi sự chính xác cao và nhàm chán cho con người. Việc giúp máy
móc nhận dang (thu thập , phân loại thông tin) như còn người sẽ giúp máy móc hoạt
động hiệu quả giống như con người với độ chính xác cao hơn rất nhiếu.
- Một số ứng dụng của bài toán nhận dạng.
Nhận dạng dấu vân tay: ở Việt Nam đã được sử dụng trong việc chấm công,
điểm danh và làm khóa an toàn cho các loại cửa sắt, máy tính xách tay…. Nó tạo sự
tiện dụng và rất an toàn.
SV: Phạm Thế Tài – Lớp S11-50TH GVHD: Th.S Vũ Anh Dũng

Hình 1.1 Nhận dạng vân tay trên máy ATM.
Thay vì phải nhập mã pin trên máy ATM thì bạn chỉ việc đặt ngón tay trỏ của mình
lên và giao dịch sẽ bắt đầu.
Nhận dạng giọng nói: ứng dụng này được tích hợp trên nhiều sản phẩm, bạn sẽ điều
khiển các thiết bị qua giọng nói của mình thay vì phải thao tác trực tiếp bằng tay, như
trong mô hình nhà thông minh, trên điện thoại…. Ví dụ : ứng dụng Jibbigo trên điện
thoại đi động , Ứng dụng này có thể dịch được tiếng nói của người sử dụng với 8 ngôn
ngữ khác nhau như tiếng Anh, Pháp, Đức, Nhật, Hàn Quốc, Philipin, Tây Ban Nha,
Trung Quốc.
Hình 1.2 Phiên dịch viên Jibbigo
Nhận dạng biển số xe: sẽ được giới thiệu tại Chương III

1.2 - Không gian biểu diễn đối tượng, không gian diễn dịch.
1.2.1 Không gian biểu diễn đối tượng
Các đối tượng khi quan sát hay thu nhập được thường được biểu diễn bởi tập
các đặc trưng hay đặc tính. Như trong trường hợp xử lý ảnh, ảnh sau khi được tăng
cường để nâng cao chất lượng, phân vùng và trích chọn đặc tính, .được biểu diễn bởi
các đặc trưng như biên , miền đồng nhất…. Người ta thường phân các đặc trưng này
theo các loại như: đặc trưng tô pô (tập điểm), đặc trưng hình học và đặc trưng chức
năng. Việc biểu diễn ảnh theo đặc trưng nào còn phụ thuộc vào ứng dựng tiếp theo.
Ví dụ : giả sử đối tường X (ảnh, chữ viết, dấu vân tay,…) được biểu diễn bởi n
thành phần đặc trưng: X={x1,x2….,xn}; mỗi xi biểu diễn một đặc tính. Không gian biểu
diễn đối tượng thường gọi tắt là không gian đối tượng A được định nghĩa:
A={X1,X2……,Xm}
Trong đó mỗi Xi biểu diễn một đối tượng. Không gian này có thể là vô hạn.
nhưng để tiện xem xét thì ta chỉ xét tập hữu hạn.
1.2.2 Không gian diễn dịch.
Không gian diễn dịch là tập các tên gọi của đối tượng. Kết thúc quá trình nhận
dạng ta xác định được tên gọi cho các đối tượng trong tập không gian đối tượng hay nói
là đã nhận dạng được đối tượng.
Một hình thức gọi là Ω là tập tên đối tượng:
Ω ={ w1 ,w2,….wk} với wi, i= 1,2,….k là tên các đối tượng
Quá trình nhận dạng đối tượng f là một ánh xa f: A

Ω với f là tập các quy luật để
định một phần tử trong A ứng với một phần tử trong Ω. Nếu tập các quy luật và tập tên các
đối tượng là biết trước như trong nhận dạng chữ viết có ( có 26 lớp từ A

Z),

người ta gọi là nhận dạng có thầy. Trường hợp hai là nhận dạng không có thày ( trường
hợp này khó khăn hơn).
1.3 - Mô hình và bản chất của quá trình nhận dạng.
1.3.1 Mô hình.
Việc chọn lựa một quá trình nhận dạng có liên quan mật thiết đến kiểu mô tả mà
người ta sử dụng để đặc tả đối tượng. Trong nhận dạng, người ta phân chia theo hai họ
lớp:
- Họ mô tả theo tham số.
- Họ mô tả theo cấu trúc.
Cách mô tả được lựa chọn sẽ xác định mô hình của đối tượng. Như vậy, chúng
sẽ có 2 loại mô hình: mô hình theo tham số và mô hình cấu trúc.
a. Mô hình tham số.
Mô hình tham số sử dụng một vector để đặc đối tương. Mỗi phần tử củavector
mô tả một đặc tính của đối tượng. Vì dụ: như trong các đặc trưng chức năng, người ta
sử dụng các hàm cơ sở trực giao để biểu diện. Và như vậy ảnh sẽ được biểu diễn bởi
một chuổi các hàm trực giao. Giả sử C là đường bao của ảnh C(i,j) là điểm thứ i trên
đường bao, i= 1,2…,n ( đường bao gồm n điểm).
Giả sử
x0=
∑
y0=
∑
là tọa độ điểm. Như vậy, moment trung tâm bậc p,q của đường bao là :
∑

vector tham số trong trường hợp này chính là các moment µij với i=1,2,….,p và j =
1,2,…,q. Còn trong số các đặc trưng hình học, người ta hay sử dụng chu tuyến, đường
bao, diện tích và tỉ lệ T=4πS/p2
với S là diện tích, p là chu tuyến.
Việc chọn phương pháp biểu diễn sẽ làm đơn giản cách xây dựng. Tuy nhiên, việc
lựa chọn đặc trưng nào là hoàn toàn phụ thuộc vào ứng dụng.
b. Mô hình cấu trúc.
Cách tiếp cận của mô hình này dựa vào việc mô tả đối tượng nhờ một số khái niệm
biểu thị các đối tượng cơ sở trong ngôn ngữ tự nhiên. Để mô tả đối tượng, người ta
dùng một số dạng nguyên thủy như đoạn thẳng, cung …. Chẳng hạn một hình chữ nhật
được định nghĩa gồm 4 đoạng thẳng vuông góc với nhau từng đôi một. Trong mô hình
này người ta sử dụng một bộ kí hiệu kết thúc Vt, một bộ kí hiệu không kết thúc gọi là
Vn . Ngoài ra còn dùng một tập các luật sản xuất để mô tả cách xây dựng các đối tượng
phù hợp dựa trên các đối tượng đơn giản hơn hoặc đối tượng nguyên thủy. Trong cách
tiếp cận này, ta chấp nhận một khẳng định là: cấu trúc là kết quả của việc áp dụng luật
sản xuất theo những nguyên tắc xác định bắt đầu từ một dạng gốc bắt đầu. Một cách
hình thức, ta có thể coi mô hình này tương đương một văn phạm G=(Vt,Vn,P,S) với :
-Vt là bộ kí hiệu kết thúc,
-Vn là bộ ký hiệu không kết thúc,
-P là luật sản xuất,
-S là dạng ( ký hiệu bắt đầu).
1.3.2 Bản chất của quá trình nhận dạng.
Quá trình nhận dạng gồm 3 giai đoạn chính:
- Lựa chọn mô hình biểu diễn đối tượng.

- Lựa chọn luật ra quyết định (phương pháp nhận dạng) và suy diễn quá trình học.
- Học nhận dạng.
Khi mô hình biểu diễn đối tượng đã được xác định, có thể là định lượng ( mô hình
tham số) hay định tính ( mô hình cấu trúc), quá trình nhận dạng chuyển sang giai đoạn
học. Học là giai đoạn quan trọng. Thao tác học nhằm cải thiện, điểu chỉnh việc phân
hoạch tập đối tượng thành lớp.
Việc nhận dạng chính là tìm ra quy luật và các thuật toán để có thể gán đối tượng
vào một lớp hay nói một cách khác gán cho đối tượng một tên.
a. Học có thầy ( supervised learning)
Kỹ thuật phân loại nhờ kiến thức biết trước gọi là học có thầy. Đặc điểm cơ bản của
kỹ thuật này là người ta có một thư viện các mẫu chuẩn. Mẫu cần nhận dạng sẽ được
đem so sánh với mẫu chuẩn để xem nó thuộc loại nào. Ví dụ như trong một ảnh viễn
thám, người ta muốn phân biệt một cách đồng lúa, một cánh rừng hay một vùng đất
hoang mà đã có miêu tả về đối tượng đó. Vấn đề chủ yếu là thiết kế một hệ thống để có
thể đối sánh đối tượng trong ảnh với mẫu chuẩn và quyết định gán cho chúng vào một
lớp. Việc đối sánh nhờ vào các thủ tục ra quyết định dựa trên một công cụ gọi là hàm
phân lớp hay hàm ra quyết định.
b. Học không có thầy( non supervised learning)
Kỹ thuật này phải tự định ra cách lớp khác nhau và xác định các tham số đặc
trưng cho từng lớp. Học không có thầy khó khăn hơn. Một mặt, do số lớp không được
biết trước, mặt khác những đặc trưng của lớp cũng không biết trước. Kỹ thuật này
nhằm tiến hành mọi cách gộp nhóm có thể và chọn lựa cách tốt nhất. Bắt đầu từ tập dữ
liệu, nhiều thủ tực xử lý khác nhau nhằm phân lớp và nâng cấp dần để đạt được một
phương án phân loại.

Nhin chung, một hệ thống nhận dạng có thể tóm tắt sơ đồ sau.
Hình 1.3 Sơ đồ tổng quan một hệ nhận dạng.

CHƯƠNG 2. Xử lý ảnh và openCV
Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho
ra kết quả mong muốn. kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh
“tốt hơn” (theo ý muốn) hoặc một kết luận.
Hình 2.1 Quá trình xử lý ảnh.
Ảnh có thể xem là tập hợp các điểm ảnh và mỗi điểm ảnh được xem là đặc trưng
cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tượng trong không
gian và có thể xem như hàm n biến . Do đó ảnh trong xử lý ảnh có thể xem như ảnh n
chiều.
Sơ đồ tổng quát của hệ thống xử lý ảnh:
Hình 2.2 Các bước cơ bản trong hệ thống xử lý ảnh
Và ở chương này chung ta sẽ được biết OpenCV hỗ trợ gì cho những bước xử lý
ảnh. Tiếp sau em sẽ giới thiệu các bước xử lý và OpenCV hỗ trợ xử lý ảnh như thế nào
(cung cấp thư viện gì).

Tiền xử lý
Các thao tác xử lý trên ảnh để chuẩn bị cho những bước phân tích tiếp theo.
Chẳng hạn như các thao tác: chọn ngưỡng để chuyển ảnh đa cấp xám, ảnh màu về dạng
nhị phân, giảm nhiễu để loại bỏ những dữ diệu không liên quan, phân đoạn để phân
tách cách thành phần trong ảnh và cuối cùng là làm mảnh hay dò biên để đễ dàng xác
định các vùng, các đặc trưng thích hợp và đối tượng cần quan tâm.
2.2 - Xử lý nhị phân
Mức xám là giá trị có thể có của điểm ảnh.
Với những ảnh đa cấp xám các thông tin đã sẵn ở dạng nhị phân chẳng hạn như các
chuỗi văn bản hay các đối tượng ảnh, thì phương pháp nhị phân thông thường sẽ được
thực hiện trước. Mục đích của phương pháp này sẽ tự động chọn một ngưỡng cần thiết
để tách ảnh ra làm hai phần: thông tin ảnh và thông tin nền. Việc chọn ngưỡng tốt
(ngưỡng mà có thể tách ảnh thành hai phần: phần ảnh, phần nền một cách chính xác)
luôn là một quá trình khó và dễ gây ra lỗi.
(a) (b)
Hình 2.3 (a) ngưỡng 40,(b) ngưỡng 121
Kết quả này sẽ gặp khó khăn khi độ tương phản giữa nền và các giá trị điểm ảnh là
thấp (chẳng hạn như xe màu xám nền mầu trắng), nét của văn bản mỏng hoặc dữ liệu
không được chiếu sáng tốt.

Để thực hiện việc tách ngưỡng này thì OpenCV cung cấp chức năng threshold.
threshold( src_gray, dst, threshold_value, max_BINARY_value,threshold_type );
 src_gray: hình ảnh đầu vào.

 dst: hình ảnh đầu ra.

 threshold_value: giá trị thực hiện tách ngưỡng.

 max_BINARY_value: giá trị thực hiện tách ngưỡng nhị phân.

 threshold_type: một trong 5 ngưỡng hoạt động
5 ngưỡng hoạt động OpenCV cung cấp:
a. Threshold Binary: nếu giá trị các điểm ảnh cao hơn giá trị ngưỡng thì được thiết
lập giá trị mới là giá trị cao nhất (255), thấp hơn giá trị các điểm ảnh về mức 0;
b. Threshold binaru, inverted: ngược với Threshold Binary
c. Truncate: giá trị các điểm ảnh cao hơn giá trị ngượng sẽ bị thay đổi bằng giá trị
ngưỡng, thấp hơn giữ nguyên.

d. Threshold to Zero: giá trị các điểm ảnh cao hơn giá trị ngưỡng sẽ được giữ lại
còn các điểm ảnh có giá trị thấp hơn giá trị ngưỡng sẽ đưa về giá trị 0.
e. Threshold to Zero, inverted : Ngược lại với Threshold to Zero.
2.3 - Giảm nhiễu.
Nhiễu trong ảnh là do nhiều nguyên nhân bao gồm: sự thoái hóa theo thời gian,
quá trình sao chép. Một số kỹ thuật xử lý ảnh sẽ được áp dụng để loại bỏ nhiễu. Sau
khi được nhị phân hóa, ảnh sẽ được lọc để giảm nhiễu. Trên thực thế tồn tại nhiều
loại nhiễu, tuy nhiên người ta thường xem xét 3 loại chính: nhiễu cộng, nhiễu nhân
và nhiễu xung. Chúng xuất hiện những điểm ảnh khác biệt so với vùng xung quanh.
Bản chất của nhiễu là thường tương ứng với tần số cao và cơ sở lý thuyết của các
bộ lọc là chỉ cho những tín hiệu có tần số nào đó thông qua, do đó để lọc nhiệu
người ta thường sử dụng bộ lọc thông thấp hay trung bình. Với nhiễu cộng và nhiễu

nhân ta dùng các bộ lọc thông thấp, trung bình; với nhiễu xung ta dùng lọc trung vị
giả trung bị.
Trong lọc trung bình, người ta ưu tiên cho các hướng để bảo vệ biên của ảnh
khởi bị mờ khi làm trơn ảnh. Các kiệu mặt nà được sử dụng tùy theo các các trường
hợp khác nhau. Các bộ lọc trên là bộ lọc tuyến tính theo nghĩa là điểm ở tâm cửa sổ
sẽ được thay bởi tổ hợp các điểm lân cận chập với mặt nạ. Lọc thông thấp thường
dùng để làm trơn nhiễu.
Các bộ lọc phi tuyến cũng được dùng trong kỹ thuật tăng cường ảnh. Trong kỹ
thuật này người ta dùng bộ lọc trung vị, bộ lọc giả trung vị. Với bộ lọc trung vị các
điểm ảnh sẽ được thay thế bởi trung vị các điệm ảnh, bộ lọc giả trung vị thì các điểm
ảnh được thay thế bỏi trung bình cộng của giá trị “trung vi.”.
Sau đây là một số bộ lọc thường dùng.
2.3.1 Bộ lọc hộp thông thường (Normalized Box filter).
Đây là bộ lọc đơn giản nhất.
Mỗi điểm đầu ra là trung bình của các điểm láng giềng hạt nhân của mình (tất cả các
điểm xung quanh đóng góp với trọng lượng bằng nhau.
1

1
1

K   .
K
width  K Height 
.

1

1 1 ... 1 
1 1 ... 1


. . ... 1
. . ... 1


1 1 ... 1


OpenCv cung cấp các chức năng blur để thực hiện giảm nhiễu với bộ lọc
này. Blur(src,dst,size(i,i),point(-1,-1))
 src: ảnh nguồn

 dst: ảnh ra

 size(w,h) : xác định kích thước của hạt nhân sẽ được sử dụng ( chiều

rộng w pixel và chiều cao h pixels.
 Point(-1,-1) chỉ các điểm có vị trí hàng xóm.
Hình 2.4 Sử dụng bộ lọc hộp thông thường.
2.3.2 Bộ lọc gaussian (Gaussian Filter).
Đây là bộ lọc hữu ích nhất (mặc dù không phải là nhanh nhất).
Nó được thực hiện bởi chức năng GaussianBlur trong OpenCV.
gaussianBlur(src,dst,size(i,i),0,0)
 src: hình ảnh nguồn

 dst: hình ảnh đầu ra.

 size(w,h). kích thước của hạt nhân sẽ được sử dụng. w và h phải là số

lẻ và tích cự nếu không kích thước sẽ được tính bằng cách sử dụng đối
số σx và σy.

 σx độ lệch chuẩn trong x. Viết 0 ngụ ý rằng độ lệch được tính bằng các
sử dụng kích thước hạt nhân.

 σy độ lệch chuẩn y.
Hình 2.5 sử dụng bộ lọc Gaussian
2.3.3 Bộ lọc Median (Median Filter):
Các bộ lọc trung bình chạy qua từng phần tử của tín hiệu và thay thế mỗi điểm
ảnh với trung bình của các điểm anh lân cận nó.
Bộ lọc này được cung cấp bởi các chức năng medianBlur trong thư viện
OpenCV.
medianBlur (src,dst,i);
 src: ảnh nguồn.

 dst: ảnh đầu ra ( có kích thước giống như src)

 i: kích thước của hạt nhân ( i phải lẻ).

Hình 2.6 sử dụng bộ lọc Median
2.3.4 Bộ lọc song phương (Bilateral filter).
Hầu hết các bộ lọc có mục tiêu chính là làm mịn hình ảnh đầu vào. Tuy nhiên
các bộ lọc không chỉ giảm nhiễu mà còn làm mờ các cạnh. Để tránh điếu này chúng ta
xử dụng bộ lọc song phương. Và OpenCV cung cấp chức năng bilateralFilter.
bilateralFilter(src,dst,i,i*2,i/2);
 src: ảnh nguồn

 dst: ảnh đầu ra

 d: đường kính của vùng lân cận điểm ảnh.

 σcolor: độ lệch chuẩn trong không gian màu.

 σSpace: độ lệch chuẩn trong khoảng tọa độ.

Hình 2.7 sử dụng bộ lọc song phương
2.3.5 Filter2D
Ngoài những bộ lọc thông dụng như trên thì thư viện OpenCV còn cung cấp bộ lọc mà
chúng ta có thể thay đổi kích thước hạt nhân. Đó là filter2D.
Filter2D(src, dst, ddepth, kernel, anchor, delta, BORDER_DEFAULT)
 Src: ảnh nguồn.

 Dst: ảnh đầu ra.

 Ddepth: độ sâu của dst. Giá trị -1 là chỉ ra độ sâu như nguồn,

 Kernel: hạt nhân

 Anchor: vị trí liên quan đến hạt nhân của nó.

 Delta: giá trị được thêm vào mỗi điểm ảnh. Mặc định bằng 0

 BORDER_DEFAULT: giá trị mặc định

Hình 2.8 filter2D nhân thay đổi tăng dần từ trái qua phải.
2.4 - Biên và các phương pháp tìm biên.
2.4.1 Khái niệm về biên:
Biên là một vấn đề chủ yếu trong phân tích ảnh vì kỹ thuật phân đoạn chủ yếu
dựa vào biên. Một điểm ảnh có thể coi là điểm biên nếu có sự thay đổi đột ngột và mức
xám hay biên là điểm có cấp xám có giái trị khác hẳn các điểm xung quanh, tập hợp
các điểm biên tạo thành biên hay đường bao của ảnh.
Sau đây tôi sẽ giới thiệu một số phương pháp tìm biên mà thư viện OpenCV hỗ
trợ rất tốt.
2.4.2 Phương pháp Gradient.
Dựa vào cực đại hóa của đạo hàm. Theo định nghĩa, gradient là viector có các
thành phần biểu thị tốc độ thay đổi giá trị của điểm ảnh theo hai hướng x và hướng
y. Các thành phần của Gradient được tính bởi:
f (x, y)  f '  f (x  dx, y)  f (x, y)
x
x
dx
f (x, y)  f '  f (x, y  dy)  f (x, y)
y
y dx
Trong đó dx, dy là khoảng cách giữa hai điểm kế cận theo hướng x,y tương ứng
(thực tế chọn dx=dy=1). Đây là phương pháp dựa trên đạo hàm riêng bậc nhất theo
hướng x,y.

Gradient trong gốc tọa độ (r,θ), với r là vector, θ là góc
df (r,)

f dx
 f dy
 f 'x cos  f
'y sin  dr x dr y dr
df (.)
f(.) đạt cực đại khi 0
tức: f’xcosθ + f’ysinθ = 0 hay:
 sin  f ' x
tg  
cos f ' y


f ' x  2 2

r  arctg  và fmax  f 'x  f 'y
  
 f ' y 
Theo định nghĩa về gradient, nếu áp dụng nó vào xử lý ảnh, việc tính toán sẽ
rất phức tạp. Để đơn giản mà không mất tính chất của phương pháp Gradient,
người ta sử dụng kỹ thuật Gradient dùng cặp mặt nạ H1, H2 trực giao. Nếu định
nghĩa g1, g2 là Gradient theo hai hướng x, y tương ứng thì biên độ g(m,n) tại
điểm (m,n) được tính:
g(m, n)  g1
2
(m, n)  g2
2
(m, n)
Đặt A0 = g(m,n);
θr(m,n)=artg(g2(m,n))
Để giảm độ phức tạp tính toán, A0 được tính gần đúng như sau:
A0=|g1(m,n)| + |g2(m,n)|

Các toán tử đạo hàm được áp dụng khá nhiều, ở đây, ta chỉ xét một số toàn tử
tiêu biểu: Robert, Sobel, prewitt, đẳng hướng(Isometric), 4- lân cận (thư viện
OpenCV hỗ trợ Sobel tìm biên khá tốt).
a. Toán tử Robert (1965).
Với mỗi điểm ảnh I(x,y) của I, đạo hàm theo x, theo y được ký hiệu tương ứng
bởi gx, gy được tính:
g x  I (x 1, y)  I (x, y)
 

g
y  I (x, y 1)  I (x, y)
Điếu này tương đương với việc chập hai mặt nạ H1 và H2 theo hai hướng x và
y:
H
x
 0 1

H
y
1 0

   
1 0 
0 1

Hướng ngang (x) Hướng theo (y)
b. Toán tử mắt nạ Sobel.
Toán tử Sobel được Duda và Hart đặt ra vào năm 1973 với các mặt nạ tương
tự như của Robert nhưng cấu hình khác như sau:
1 0 1 1 1 1
   
H x  1 0 1
H
y

 0 0 0 
1 0 1  1 1 1 
   
Hướng ngang (x) Hướng dọc (y)
c. Mặt nạ Prewitt
Toán tử Prewitt dưa ra năm 1970 có dạng.
1 0 1 1  2 1
H
x


2 0 2

H
y


0 0 0
   
1 0 1  1 2 1
   
Hướng ngang (x) Hướng dọc (y).

d. Mặt nạ đẳng hướng:
Một mặt nạ khác cũng được nêu như dưới đây gọi là mặt nạ đẳng hướng
(Isornetric).
1  1  1
0 1 2
  H
y
 
H x   2 0 2 
 0 0 0
1 0 1   1  2 1
   
Hướng ngang (x) Hướng dọc (y).
e. Toán tử 4-lân cận (4-Neighbour Operator).
Toán tử 4-lân cận được Chaudhuri và Chandor (1984) nêu ra trong đó mặt nạ
có kích thước 3x3 được thay thế cho mặt nạ 2x2 của toán tử Robert. Mặt nạ 4-
lân cận được cho như sau:
Theo hướng x Theo hướng y
Nhận xét:
Toán tử Prewitt có thể tách sườn tốt hơn toán tử Sobel, trong khi đó toán tử
Sobel tách các sườn chéo tốt hơn. Mặt khác, các toán tử Robert và các toán tử 4-lân cận
có nhược điểm là nhạy với nhiễu, Các toán tử Gradient và Sobel giảm nhiễu do tác
dụng của lọc trung bình các điểm lân cận. Như vậy, để đạt được kết quà mong muốn
các toán tử Gradient thường được dùng trước để làm sạch nhiễu.
Các mặt nạ của toán tử trên có kích thước 2x2 hoặc 3x3 chiều. Các mặt nạ có số
chiều lớn hơn cũng được sử dụng. Ví dụ trong kỹ thuật phát hiện biên người ta dùng
mặt nạ 5x5 cho toán tử Sobel.

Trong thư viện OpenCv có chức năng Sobel với mặt nạ:
 3 0 3  3 10  3
G
x


10 0 10

G
y


0 0 0 
   
 3 0  3   3 10  3
   
Cho kết quả tốt hơn so với Sobel theo chức năng tiêu chuẩn.
Mat grad_x, grad_y;
Mat abs_grad_x, abs_grad_y;
/// Gradient X
Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT );
/// Gradient Y
Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT );
 Src_gray: hình ảnh đầu vào.

 Grad_x/ grad_y, ảnh đầu ra.

 Ddepth. Độ sâu của hình ảnh đầu ra.

 X_order: thứ tự của các phát sinh theo hướng x,

 Y_order: thứ tự của các phát sinh theo hướng y,

Hình 2.9 Tìm biên bằng chức năng Sobel trong OpenCV
2.4.3 Toán tử la bàn.
Kirsh đã đề xuất mặt nạ 8 hướng như 8 hướng la bàn. Hình 2.10 là mô hình 8
hướng và được đặt tên theo hướng địa lý và theo chiều kim đồng hồ: Đông, Đông-
Nam, Nam, Tây-Nam, Tây, Tây-Bắc, Bắc, Đông-Bắc; mỗi hướng lệch nhau 45 độ.
Hình 2.10 Mặt nạ 8 hướng theo Kirsh.
b. Toán tử la bàn Krish:

Có nhiều toán tử la bán khác nhau. Ta xem xét toán tử la bàn Kirsh đặc trưng bởi
tám mặt nạ với kích thước 3x3 như sau:
 5 5 5  3 5 5  3 3 5
     
HB 3 0  3 H ĐB


30
5  H Đ


30 5

3 3 3 3 3 3 3 3 5
     
3 3 3 3 3 3 5 3 3
     
HN  3 0  3 H ĐN


30
5  H
T


5
3 3
 5 5 5  3 5 5  5 3 3
     
 5 5 3 3 3 3
H
TB
   
3 0 3
H
TN

 5 0  3
3 3 3  5 5 3
   
Ký hiệu Ai ; i= 1,2,….,8 là Gradient theo 8 hướng như 8 mặt nạ kể trên, khi đó biên
độ Gradient tại điểm (x,y) được tính theo.
A(x,y) = Max(|gi(x,y)|) i= 1,2,….,8.
Nếu lấy đạo hàm bậc hai của ảnh: ta có phương pháp Laplace Hai
phương pháp này gọi chung là phương pháp dò biên cục bộ.
c. Toán tử la bàn khác:
Ngoài toàn tử la bàn Kirsh, một số toán tử la bàn khác sử dụng bộ mặt nạ tám
hướng khác như:

1 1 1 1 1 1 1 1 1

 2
 
 2
  
H
B

1 1  H ĐB


1
1 HĐ


1
2 1
1 1 1  1 1 1  1 1 1
     
 1 1 1  1 1 1  1 1 1

 2 1
 
 2
  
H
N

1  H ĐN


1
1 HT  1 2 1
1 1 1 1 1 1 1 1 1
     
1 1 1  1 1 1
H
TB


 


1 2 1
H
T N


1
2 1
 1 1 1 1 1 1
   
Hoặc:
 1 2 1  012 1 0 1
H
B


0 0 0  H
ĐB


101

H
Đ


2 0 2

     
1  2 1 2 1 0  101
     
1  2 1 2 1 0 1 0 1
H
N


0 0 0  H
ĐN


101

H
T


2 0 2

     
 1 2 1   0 1 2 1 0 1
     
2 1 0  0 1 2
H
T B


1 0 1

H
T N


1 0 1

   
0 1 2 2 1 0 
   
2.4.4 Laplace.
Để khắc phục hạn chế và nhược điểm của phương pháp Gradient, trong đó sử dụng
đạo hàm riêng bậc nhất người ta nghĩ đến việc sử dụng đạo hàm riêng bậc hai hay toán
tử Laplace. Phương pháp do biên theo toán tử Laplace hiệu quả hơn phương pháp toán

tử Gradient trong trường hợp mức xám biến đổi chậm, miền chuyển đổi mức xám có
độ trải rộng.
Toán tử Laplace được định nghĩa như sau:
2 f2 f
2 f
x2
y 2

Toán Laplace dùng một số mặt nạ khác nhau nhằm tính gần đúng đạo hàm riêng
bậc 2. Các dạng mặt nạ theo toán tử Laplace bậc 3x3 có thể:
 0 1 0  1 1 1  1  2 1 
     
H1  1 4 1 H2


1
8 1 H 3


25 1

 0 1 0  1 1 1  1  2 1 
     
Ghi chú: mặt nạ H1 còn cải biên bằng việc lấy giá trị ở tâm bằng 8 thay vì giá trị 4.
Để thấy rõ việc xấp xỉ đạo hàm riêng bậc 2 trong không gian 2 chiều với mặt nạ H1
làm ví dụ, ta có thể tính gần đúng như sau:
2 f
 2 f (x, y)  f (x 1, y)  f (x 1, y)


x2

2 f
 2 f (x, y)  f (x, y 1)  f (x, y 1)

y 2
Do đó:
2
f 
2 f

2 f
 4 f (x, y)  f (x 1, y)  f (x 1, y)  f (x, y 1)  f (x, y 1)

x2
y 2
Tóm lại: Kỹ thuật Laplace tạo đường biên mảnh ( có độ rộng 1 pixel). Nhược điểm
của kỹ thuật này là rất nhạy với nhiễu, do đó đường biên thu được thường kém ổn định.
Phương pháp Laplace được hỗ trợ sẵn có trong thư viện OpenCV.

Laplacian( src_gray,dst,ddepth,kernel_size,scale,delta, BORDER_DEFAULT );
 Src_gray: ảnh đầu vào.

 Dst: ảnh đầu ra.

 Ddepth: độ sâu của ảnh.

 Kernel_size: kích thước hạt nhân

 Scale, delta and BORDER_DEFAULT: những giá trị mặc định
Kết quả : hình 2.11
Hình 2.11 Tìm biên Laplace
2.4.5 Tách sườn ảnh theo Canny.
Bộ tách sường ảnh theo Canny (1986) dựa trên cặp đạo hàm riêng bậc nhất với việc
làm sạch nhiễu. Mục này được để riêng vì đây là phương pháp tách đường biên khá
phổ biến được biết đến như là phương pháp dò tối ưu, nó đáp ứng được ba tiêu chí sau:
 Tỷ lệ lội thấp: phát hiện tốt các cạnh.

 Phân vùng tốt: Khoảng cách giữa các điểm ảnh cạnh phát hiện và pixel thực
tế phải được giảm nhiễu.

 Đáp ứng tối thiểu: có cách dò cho mỗi cạnh.
Các bước làm theo Canny:
a. Giảm nhiễu: Để thực hiện việc giảm nhiễu bộ lọc Gaussian được sử dụng. Một
hạt nhân Gaussian có cỡ bằng 5 có thể được sử dụng dưới đây:
 2 4 5 4 2 

4 9 12 9 4

1  
K   5 12 15 12 5
159 
4 9 12 9 4

 

2 4 5 4 2

 
b. Tìm gradient cường độ của hình ảnh. Điều này được thực hiện tương tự như Sobel
 Áp dụng một cặp mặt nạ theo hướng x và y:
1 0 1 1  2 1
G
x


2 0 2 G
x
 0 0 0
   
 1 0 1  1 2 1
   
 Tìm gradient và hướng được làm tròn
 G
y

G G2
 G 2
  arctan 
x y  

G
x 
Hướng được làm tròn đến một trong bốn góc có thể ( cụ thể là 0,45,90 hay 135).
c. Ức chế tối đa. Sử dụng để loại bỏ các điểm ảnh không được coi là một phần của
một cạnh.
d. Trễ. ở đây Canny sử dụng hai ngưỡng cao và thấp.
 Nếu một pixel cao hơn ngưỡng trên (cao), điểm ảnh được chấp nhận là một
cạnh.

 Nếu một pixel thấp hơn ngưỡng thấp. nó sẽ bị từ chối.

 Nếu ở giữa hai ngưỡng. Nó sẽ được chấp nhận khi nó gần với một pixel ở
trên ngưỡng cao.

Tỉ lệ đề nghị cao/thấp giữa 2/1 và 3/1
Hình 2.12 Tìm biên theo Canny
2.5 - Biến đổi Hough
Biến đổi Hough là phương pháp dùng để xác định đường thẳng ( đường tròn elip)
gần đúng đi qua một tập hợp điểm.
Với (x, y) là một điểm y=mx+c

c =-mx + y Như
vậy nếu có N điểm nằm trên một đường thẳng
mx  c  y

c  y  x m
 i i  i i
i , N i 1, N
Thay vì tìm N điểm trên đường thẳng, người ta xét tất cả các điểm, xem điểm nào
có nhiều dường thẳng đi qua nhất.

Hình 2.13 Trục tọa độ đề các đi qua 2 điểm.
Hình 2.14 Trục tọa độ đề các
Thực chất biến đổi Hought là biến điểm thành đường thẳng.
a[m][c]  0 m, c
xi , yi m, c tm
c  yi  xi m thìa[m][c] 
Sau đó đếm trên ma trận
Hạn chế: hệ số 0< m < ∞

 1 
| m | 1 thì luu a[m][c]
| m | 1 thì luu a [c]
m 
Biến đổi Hough theo tọa độ cực.
Hình 2.15 Hệ tọa độ cực.
Các điểm trên đường thẳng có tọa độ cực t/m với
và r 
M2
N2
với M và N là chiều cao và chiều rộng của ảnh.
2
Lấy tại tâm ảnh
r, ar  0
r,
x, y nêu r  x cos   y sin  
thì ar 

Hình 2.16 Đường thẳngHough trong tọa độ cực.
Biến đổi Hough ánh xạ N điểm thành N đường sin trong tọa độ cức các đường này đều đi qua điểm (ri, i).
Giao điểm (ri, i) của N đường sin sẽ xác định một đường thẳng trong hệ tọa độ đề các. Như vậy, những đường
thằng đi qua điểm (ri, yi) sẽ có bấy nhiêu cặp giá trị (ri, i). Mục đích tìm ra cắp (r, ) sao cho số đường hình sin đi
qua nhiều nhất, và cặp đó chính là cặp tham số cho đường thẳng.
Hough với OpenCv
Để thuận tiện cho việc dùng Hough để tìm đường thẳng và đường tròn trong ảnh thì
OpenCv cung cấp chức năng HoughLines, HoughLinesP và HoughCircles.
a. Tìm đường thẳng với HoughLines và HoughLinesP. Hình
2.17 HoughLines
vector<Vec2f> lines;
HoughLines(dst, lines, 1, CV_PI/180, 100, 0, 0 );
 Dst: đầu ra. ( là ảnh xám)

 Lines: một vector lưu trữ thông số (r,θ) của các dòng được phát hiện

 Rho: độ phân giải của tham số r theo Pixel. Thường sử dụng 1 pixel.

 Theta: độ phân giải của tham số θ theo radian. Thường sử dụng 1 độ

(CV_PI/180)
 Threshold: số lượng tối thiểu của nút phát hiện.

 Srn và stn: thông số mặc định.
HoughLinesP
vector<Vec2f> lines;
HoughLines(dst, lines, 1, CV_PI/180, 100, 0, 0 );
 Dst: đầu ra (ảnh xám)

 Lines: Một vector sẽ lưu trữ các thông số của
các dòng được phát hiện.
 Rho: độ phân giải của tham số r theo pixel. ( thường sử dụng 1 pixel)

 Theta: độ phân giải của tham số θ theo radian (thường sử dụng là 1 độ

CV_PI/180)

 Threshold: số lượng tối thiểu nút

 MinhLinLength: số lượng tối thiểu của các điểm có thể tạo thành một
đường. nếu ít hơn sẽ bị bỏ qua.

 maxLinegap: khoảng các tối đa giữa hai điểm được xem xét trong cùng
một dòng.

Hình 2.17 Kết hợp giữa HoughLines với HoughCircles
b. Tìm đường tròn với HoughCircles. Hình 2.18
vector<Vec3f> circles;
HoughCircles( src_gray, circles, CV_HOUGH_GRADIENT, 1, src_gray.rows/8,
200, 100, 0, 0 );
 Src_gray: đầu vào là một ảnh xám
 Circles:một vector lưu chữ 3 giá trị xc, yc , r cho mỗi vòng tròn tìm được.

 CV_HOUGH_GRADIENT:xác định phương pháp phát hiện. đây là
phương pháp duy nhất sẵn có trong OpenCV

 Dp=1: tỷ lệ nhịch đảo của độ phân giải.

 Min_dist = src_gray.rows/8: khoản các tối thiểu giữa tâm phát hiện được

 Param_1 =200: ngưởng để phát hiện cạnh canny nội bộ.

 Pram_2 = 100*: ngưỡng phát hiện tâm.

 Min_radius = 0:đặt như mặc định

 Max_radius =0: bán kính tối đa được phát hiện. Nếu không biết thì đặt
như là mặc định ( giá trị 0).

Hình 2.18 Tìm thấy hình tròn trong mẫu có hình tròn.
2.6 - Một số hàm cơ bản trong thư viện OpenCV
Trong những phần trước em đã đề đến một số hàm của OpenCV trong phần này tôi
sẽ giới thiệu những hàm cơ bản hỗ trợ cho các hàm đã được đề cập ở trên. Và đề cập
tới hàm tìm tối tượng hữu hiệu trong thư viện OpenCV.
2.6.1 Tải một ảnh và hiển thị ảnh.
Đây là một chức năng đơn giản không thể thiếu của OpenCV.
Tải một ảnh.
mat src; //tạo một mat src
src = imread(argv[1],1);
 Mat = iplimage.

 Argv[1]: nguồn hình ảnh (đường dẫn)

 1: tải ảnh lên ở chế độ ảnh màu

Hiển thị ảnh.
//------tạo một cửa sổ với tên nguon----------------------
nameWindow(“nguon”, CV_WINDOW_AUTOSIZE);
//------tải ảnh src lên cửa sổ nguon-----------------------
imshow (“nguon”,src);
Hình 2.19 Tải một ảnh vào cửa sổ windows
2.6.2 Chuyển ảnh màu sang ảnh xám.
Đây là chức năng chuyển ảnh màu về ảnh xàm của thư viện OpenCV. Bước
chuyển đổi ảnh màu về ảnh xám là bước làm cần thiết quan trọng cho các bước xử lý
ảnh tiếp theo.
Chuyển ảnh màu sang ảnh xám (hình 2.19)
cvtColor(src, src_gray, CV_BGR2GRAY);
 Src: ảnh nguồn

 Src_gray: ảnh xám đầu ra.

 CV_BGR2GRAY: chuyển từ mày BGR sang xám

Hình 2.20 Chuyển ảnh màu sang ảnh xám.
2.6.3 Tìm đối tượng bằng findContours.
Ở đây chúng ta sẽ tìm đối tượng thông qua biên. Nó không chính thống là một
thuật toán vì vậy em để findContours vào phần này coi như các hàm OpenCV hữu ích
trong việc tìm đối tượng trong ảnh.
Sau đây chúng ta xem cách sử dụng hàm findContours và xem nó hữu như thế
nào khi dùng các công cụ khác để đánh dấu những vùng tìm được.
void findContours ( InputOutputArray image , OutputArrayOfArrays contours,
OutputArray hierarchy , int mode , int method , Point offset =Point() )
 image: ảnh nguồn 8-bit kênh đơn. ( ảnh qua các xử lý nhị phân , tách
ngưỡng, canny)

 contours: đường viền được lưu trữ như một vector các điểm.

 hierarchy: tùy chọn đầu ra vector bao gồm các thông tin về cấu trúc liên
kết hình ảnh. Nó có nhiều yếu tố như số lượng các đường nét.

 Mode: đường viền hồi chế độ: ví dụ CV_RETR_TREE lấy tất cả các

đường biền và xây dựng lại một hệ thống phân cấp đầy đủ các đường
nét lồng nhau.
 Method: phương pháp lấy đường viền xấp xỉ. ví dụ:
CV_CHAIN_APPROX_SIMPLE nén phân đoạn ngang , dọc chéo và
chỉ ra vị trí.

 Offset. Tùy trọn bù đắp.
Kết quả: Hình 2.21
Hình 2.21 Sử dụng findContours tìm đối tượng

CHƯƠNG 3. Bài toán nhận dạng biển số xe.
3.1 - Khái niệm về nhận dạng biển số xe.
3.1.1 Khái niệm.
Hệ thống nhận dạng biển số xe là hệ thống có khả năng phân tích hình ảnh và xác
định biển số trên xe, thông qua video, thiết bị ghi hình và hình ảnh. Sau là xác định
thông tin như: chủ sở hữu, …
Phân loại ứng dụng nhận dạng biển số xe:
Ứng dụng nhận dạng biển số xe là ứng dụng có khả năng phân tích hình ảnh và xác
định biển số xe từ các hình ảnh chụp được từ các thiết bị thu hình. Nguồn hình ảnh cho
ứng dụng có rất nhiều. Và phát triển, hình ảnh được trực tiếp thu nhận từ camera.
Trong báo cáo tốt nghiệp em chỉ dừng lại ở mức xác định biển số xe (cắt các vùng chữ
trên biển) từ các bức ảnh.
Có nhiều cách thức khác nhau để phân loại các ứng dụng nhận dạng biển số xe.
Một trong những cách đơn giản là phân loại ứng dụng nhận dạng biển số xe thông qua
mục đích sử dụng. Có thể chia ứng dụng nhận dạng biển số xe thành hai loại sau:
Loại 1: Giới hạn vùng nhìn
 Đầu vào: ảnh thu trực tiếp từ các thiết bị ghi nhận ảnh kỹ thuật số. Ảnh được ghi
nhận thường chỉ giới hạn trong vùng có biển số xe.

 Nguyên lý hoạt động: Các phương tiện giao thông phải chạy với một tốc độ đủ
chậm để máy ghi nhận hình ảnh có thể thu được ảnh vùng biển số xe.

 Ứng dụng: Những ứng dụng nhận dạng biển số xe loại này thường được dùng
tại các trạm kiểm soát các trạm thu phí, các bãi gửi xe tự động , các trạm gác cổng…
(hình 3.1).

Hình 3.1 Hệ thống tự động nhận dạng biển số xe.
Loại 2: Không giới hạn vùng nhìn.
 Đầu vào: ảnh đầu vào thu được từ thiết bị ghi hình tự động, không phụ thuộc
vào góc độ, các đối tượng xung quanh, ảnh không cần bắt buộc chỉ chụp vùng chứa
biển số xe, mà có thể là ảnh tổng hợp như chứa thêm các đối tượng như người, cây,
đường phố…, miễn là vùng biển số phải dủ rõ để có thể nhận dạng được ký tự trong
vùng đó.

 Nguyên ly hoạt động: do đặc tính không giới hạn vùng nhìn mà ảnh đầu vào có
thể thu được từ một thiết bị ghi hình ( camera, máy ảnh). Và do đó, công việc đầu tiên
là dò tìm trong ảnh, để xác định đúng vùng nào là biển số xe. Sau đó, thực hiện tách
vùng và nhận dạng. Cuối cùng tùy thuộc vào mục đích sử dụng ma kết quả nhận dạng
được truyền đi hay lưu trữ để phục vụ nhu cầu của người dùng cuối.

 Ứng dụng: vì không phụ thuộc vào phạm hình ảnh thu được nên có dùng ứng
dụng tại nhiều nơi như tại những điểm điều tiết giao thông, tại các vị trí nhạy cảm của
giao thông như ngã ba, ngã tư đường giao nhau. Kiểm soát, phát hiện những hành vi vi
phạm an toàn giao thông.

 Yêu cầu thiết bị:

- Máy quét
- Đèn chiếu
- Bộ phận thu- tách hình ảnh
- Máy tính
- Một số thiết bị khác tùy mục đích sử dụng.
Trong quá trình tìm hiểu, xây dựng đồ án em hướng tới ứng dụng loại 2. Vì vậy
trong báo có này chỉ nêu cách thức giải quyết làm sao nhận dạng và tách các ký tự chữ
và số của phần biển số ( ở mục 3.2).
3.1.2 Ứng dụng.
Hệ thống nhận dạng biển số xe được xây dựng nhằm mục đích giám sát, kiểm soát
các phương tiện. Dưới đây chúng ta đề cập đến một số ứng dụng phổ biến đối với hệ
thống nhận dạng biển số xe:
- Thu phí giao thông: Lắp đặt hệ thống Nhận dạng biển số xe tại các trạm thu phí
nhằm hỗ trợ hoặc tự động hóa công tác thu phí.
- Kiểm soát xe tại các đường biên giới: Mỗi quốc gia đề có những quy định riêng
về biển số xe, để phục vụ cho công tác quản lý và phát hiện những phương tiện giao
thông vượt biên bất hợp phá. Việc lắp đặt hệ thống Nhận dạng biển số xe tại các trạm
kiềm soát sẽ góp phần hỗ trợ công tác kiểm tra và an ninh quốc gia.
- Các trạm gác cổng: Việc lắp đặt hệ thống sẽ hỗ trợ hoặc tự động hóa công tác
mở cổng cho xe ra vào.
- Xử lý vi phạm giao thông: Khi lắp đặt hệ thống sẽ hỗ trợ việc sử lý vi phạm giao
thông đường bộ và có thể tự động báo lỗi vi phạm. Hiện đang được thí điểm trên một
số tuyến đường cúa Quốc lộ 1A để xử lý lỗi chạy quá tốc độ.

Ngoài ra, hệ thống còn được ứng dụng vào công tác chống trộm xe, các bãi giữ xe
tự động, điều tiết giao thông ….
3.1.3 Phân loại biển số xe.
Trước tiên là quy định biển số của 64 tỉnh thành ( Biển trắng chữ đen):
11-Cao Bằng 43 - Đà Nẵng 77 - Bình Định
12 - Lạng Sơn 47 - Đắc Lắc 78 - Phú Yên
14 - Quảng Ninh 48 - Đắc Nông
79 - Khánh Hòa
15,16 - Hải Phòng
49 - Lâm Đồng 80 - Các đơn vị kinh tế
17 - Thái Bình
50 đến 59 - TP. Hồ Chí thuộc TW (hàng không)
18 - Nam Định
Minh 81 - Gia Lai
19 - Phú Thọ
60 - Đồng Nai
20 - Thái Nguyên 82 - KonTum
61 - Bình Dương
21 - Yên Bái 83 - Sóc Trăng
62 - Long An
22 - Tuyên Quang 84 - Trà Vinh
63 - Tiền Giang
23 - Hà Giang 85 - Ninh Thuận
64 - Vĩnh Long
24 - Lào Cai 86 - Bình Thuận
65 - Cần Thơ
25 - Lai Châu 88 - Vĩnh Phúc
66 - Đồng Tháp
26 - Sơn La 89 - Hưng Yên
67 - An Giang
27 - Điện Biên 90 - Hà Nam
68 - Kiên Giang
28 - Hòa Bình 92 - Quảng Nam
69 - Cà Mau
29,30,31,32 - Hà Nội 93 - Bình Phước
70 - Tây Ninh
33 - Hà Tây 94 - Bạc Liêu
71 - Bến Tre
34 - Hải Dương 95 - Hậu Giang
72 - Bà Rịa - Vũng Tàu
35 - Ninh Bình 97 - Bắc Cạn
73 - Quảng Bình
36 - Thanh Hóa 98 - Bắc Giang

37- Nghệ An 74 - Quảng Trị 99 - Bắc Ninh
38- Hà Tĩnh 75 - Huế
76 - Quảng Ngãi
Những quy định về màu sắc và chữ số đặc biệt:
1. Màu xanh chữ trắng là biển xe của các cơ quan hành chính sự nghiệp:
- Trực thuộc chính phủ là biển xanh 80.
- Trưc thuộc tính thành thì theo số tương ứng.
2. Màu đỏ chữ trắng là biền xe trong quân đội:
AT: Binh đoàn 12.
AD: Quân Đoàn 4 , Binh đoàn cửu long.
BB: bộ binh.
BC: Binh chủng Công Binh.
BH: Binh chủng hoá học.
BS: Binh đoàn Trường Sơn.
BT: Binh chủng thông tin liên lạc.
BP: Bộ tư lệnh biên phòng.
HB: Học viện lục quân.
HH: Học viện quân y.
KA: Quân khu 1. KB:
Quân khu 2.

KC: Quân khu 3.
KD: Quân khu 4.
KV: Quân khu 5.
KP: Quân khu 7.
KK: Quân khu 9.
PP: Các quân y viện.
QH: Quân chủng hải quân.
QK, QP: Quân chủng phòng không không quân.
TC: Tổng cục chính trị.
TH: Tổng cục hậu cần.
TK: Tổng cục công nghiệp quốc phòng.
TT:Tổng cục kỹ thuật.
TM: Bộ tổng tham mưu.
VT: Viettel.
BL: bộ tư lệnh 969.
3. Màu trắng 2 chữ, 5 số là biển dành cho người nước ngoài:
- NG là xe ngoại giao
- NN là xe của các tổ chức, cá nhân nước ngoài: trong đó có 3 số ở giữa là mã quốc
gia, 2 số tiếp theo là số tứ tự.
Xe số 80 NG xxx-yy là biển cấp cho các đại sứ quán, thêm gạch đỏ ở giữa và hai số
cuối là 01 là biển xe của tổng lãnh sứ.

4. Những xe mang biển 80 gồm có:
- Các ban của Trung ương Đảng.
- Văn phòng Chủ tịch nước.
- Văn phòng Quốc hội.
- Văn phòng Chính phủ.
- Bộ Công an.
- Xe phục vụ các đồng chí ủy viên Trung ương Đảng công tác tại Hà Nội và các
thành viên Chính phủ.
- Bộ ngoại giao.
- Viện kiểm soát nhân dân tối cao.
- Tòa án nhân dân tối cao
- Đài truyền hình Việt Nam.
- Đài tiếng nói Việt Nam.
- Thông tấn xã Việt Nam.
- Báo nhân dân.
- Thanh tra Nhà nước
- Học viện Chính trị quốc gia.
- Ban quản lý Lăng, Bảo tàng, khu di tích lịch sử Hồ Chí Minh.
- Trung tâm lưu trữ quốc gia
- Ủy ban Dân số kế hoạch hóa gia đình.
- Tổng công ty Dầu khí Việt Nam.
- Các đại sứ quán, tổ chức quốc tế và nhân viên người nước ngoài.
- Ủy ban Chứng khoán nhà nước.
- Cục hàng không dân dụng Viết Nam.
- Kiểm toán nhà nước.
5. Các biển A:
Xe của Công an – Cảnh sát tương ứng với các tỉnh.

Ví dụ; 35A xe của Công an – Cảnh sát tỉnh Ninh Bình.
6. Biển 5 số.
Theo quy định của Thông tư 36/2010/TT-BCA do Bộ Công An ban hành ngày 12
tháng 10 năm 2010, kể từ ngày 6 tháng 12 năm 2010 các biển số xe tại Việt Nam sẽ
tăng từ bốn lên năm chữ số (phần mở rộng) khi đăng ky mới ( biển cũ vẫn dùng bình
thường, và có thể chuyển sang biển mới nếu có nhu cầu). Biển số xe mới, kích thước
vẫn giữ nguyên nhưng dãy số mở rộng trên biển không liền nhau mà bị gắt quãng (
hình 3.2)
Hình 3.2 Biển số mới.
3.2 - Một số hướng giải quyết bài toán nhận dạng biển số xe.
Có rất nhiều phương pháp tiếp cận. Trong đó có những cách tiếp cận phổ biến sau.
3.2.1 Hướng tiếp cận phát triển vùng.
 Nhóm tác giả Nigel Whyte and Adrien Kiernan được đại diện cho cách tiếp cận
này.
 Ý tưởng của phương pháp này: đó là biển số xe thường chứa một mầu đồng
nhất, chẳng hạn như mầu trắng và có diện tích tương đối nhất định. Vì vậy có thể dùng
phương pháp phát triển vùng hoặc sử dụng khung chữ nhật di chuyển trong để tìm ra
vùng có tính chất thỏa mãn biển số xe và tiến hành nhận dạng.

 Ưu điểm: rất đơn giản, và xử lý nhanh đối với những ảnh chỉ chứa vùng biển số
xe.
 Nhược điểm: khi ảnh có thêm nhiều đối tượng không phải là vùng biển số xe,
chẳng hạn là ảnh chụp tổng quát gồm cả cảnh vật bên ngoài thì cách tiếp cận này trở
nên không hiệu quả. Vì vậy, phương pháp này rất có hiệu quả đối với hệ thống trạm
thu phí, trạm gác cổng, gửi xe tự động.
3.2.2 Hướng tiếp cận dò biên và biến đổi Hough.
 Nhóm tác giả Michael Lindenbaum, Rosen Alexander, Vichik Sergey, Sandler
Roma được đại diện cho cách tiếp cận này.

 Ý tưởng của cách tiếp cận này là: Biển số xe được bao bọc bởi đường viền. Do
đó, có thể dùng phương pháp phát hiện biên, sau đó dùng phép biến đối Hough để trích
những đoạn thẳng dọc, ngang tồn tại trong ảnh. Giao điểm của những đoạn thẳng này
chính là vùng bao chứa biển số xe. Và cuối cùng là nhận dạng các ký tự ở trên mỗi
vùng con.
 Ưu điểm: độ chính xác cao. Và hệ thống nhận dạng đa phần đều phát triển theo
hướng tiếp cận này.

 Nhược điểm: Độ phức tạp tính toán khá cao. Khi ảnh có thêm nhiều đối tượng
khác nhau thì khối lượng tính toán tăng lên rất nhiều. Do mục đích là phải xác định
được vùng con nào chứa biển số xe.
Ngoài hai cách tiếp cận phổ biến trên còn có nhiều các tiếp cận khác để xác định
chính xác vùng nào chứa biển số xe.

3.2.3 Phân ngưỡng và tím vùng đối tượng (hướng tiếp cận của đồ án).
Ý tưởng: nhận thấy các vùng biển số là các vùng đặc trưng có hình chữ nhật, có
tỉ lệ kích thước theo tiêu chuẩn. Vì vậy sau khi tách ngường và tìm vùng (OpenCV hỗ
trợ findContourns) ta tìm những vùng có tỷ lệ theo kích thước giống với tỉ lệ của biển
số xe. Để có thế lọc các vùng biển số một lần nữa thì ta tiếp tục tìm số vùng con trên
vùng biển số và so sánh với số lượng ký tự của biển số.
3.3 - Hướng giải quyết.
Ở phần 3.2 chúng ta đã tìm hiểu những hướng giải quyết cho việc xác định vùng
chứa biền số xe. Mỗi cách giải quyết có nhửng ưu điểm và hạn chế riêng của nó tuy
nhiên sẽ có hướng giải quyết nhất định dựa trên đặc trưng của biển số xe.
Một số đặc điểm biển số xe ở Việt Nam.
Hình 3.3 Một số loại biển số xe thông dụng
a. Tiêu chuẩn về kích thước:
Ở mỗi nước thường có tiêu chuẩn về kích thước nhất định. Đối với nước ta, biển số
xe qui định khá đồng đều cho mỗi loại xe, tỷ lệ chiều dài, rộng cho mỗi loại xe là như
nhau.
- Đối với loại xe có một hàng ký tự thì tỉ lệ dài/rộng là: 3.5 W / H  4.5 .
- Đối với loại xe có hai hàng ký tự thì tỉ lệ dài/rộng là: 0.8 W / H 1.4 .
Từ những đặc điểm này, ta có có thể xác định được các vùng con thỏa mãn thì khả
năng chứa biển số là rất cao.

b. Số lượng ký tự trong biển số xe:
Mỗi ký tự thường có tỷ lệ kích thước chiều rộng, chiều cao tương ứng với chiều dài
và rộng của biển số xe. Ví dụ, chiều cao của mỗi ký tự luôn nhỏ hơn 85% chiều cao
của biển số xe và luôn lớn hơn 33% chiều cao của biển xe. Còn chiều rộng của ký tự
không lớn hơn 20% chiều dài của biển số xe. Mỗi ký tự của biển số xe được xem như
là một vùng liên thông con. Do đó, chúng ta có thể đếm vùng liên thông con thỏa mãn
tích chất đó là ký tự. Chú ý số ký tự trên biển số xe là từ 6 đến 10 ký tự. ở nước ta chỉ
có số ký tự trên mỗi biền số xe nằm trong khoảng 6 đến 9 ký tự. Vậy ta có thể dùng
ngưỡng [6.9] để nhận dạng vùng biển số xe.
Từ những nhận xét trên, chúng ta có thể đưa ra giải pháp cho bài toán nhận dạng:
1. Sử dụng phát hiện biên và biến đổi Hough. Sau đó sử dụng hai tính chất trên
biển số xe để xác định chính xác vùng con chứa biển số xe. Khi đã xác định chính xác
vùng con chứa biển số thì tiến hành nhận dạng các ký tự. Đây là cách tiếp cận của khá
nhiều các bài toán nhận dạng sử dụng dò biên kết hợp với Hough.
2. Sử dụng tách ngưỡng và phân vùng đối tượng. Sử dụng việc tách ngưỡng loại
bỏ những vùng không phải là biển số ( có cùng tỉ lệ kích thước nhưng có độ xám thấp
hơn dưới 100). Sau đó tiến hành tìm vùng đối đượng theo tỉ lệ của biển số ta sẽ thu
được số lượng phân vùng biển số ít hơn. Tiếp đó sử dụng tìm vùng đối tượng một lần
nữa với các phân vùng biển số lấy số lượng ký tự tách được so sánh với số lượng ký tự
hợp lệ để tạo tìm phân vùng biển số chính xác hơn. Và cũng tiến hành nhận dạng từng
ký tự được cắt ra.
Trong báo cáo của mình em sẽ trính bày theo giải pháp 2 gồm các bước sau:
 Bước 1: Tìm vùng biển số

Với ảnh xám đầu vào thực hiện phân ngưỡng ( hoặc dò biên canny) và tìm đối
tượng.
Tách các đối tượng có tỉ lệ rộng/dài trong phạm vi biển số để làm nguồn cho bước
2.

 Bước 2: Tách riêng từng ký tự trên biển số:

Tiến hành tìm đối tượng trên nguồn do bước 1 cung cấp sau đó so sánh số đối
tượng nhận được có trùng với số ký tự tên các biển số xe không. Nếu khớp với tiêu
chuẩn thì đó là những vùng biển số có khả năng là biển số xe cao nhất. Tách riêng từng
ký tự để nhận dạng quang học như OCR hoặc mạng noron tuy nhiên trong báo cáo lần
này em chỉ dừng lại ở việc tách riêng từng ký tự của biển số xe.
3.4 - Phát hiện vùng chứa biển số.
Sơ đồ các bước phát hiện vùng chứa biển số xe.
ảnh đầ u vào
Biến đổi ảnh xám và
lọc ảnh
Phân ngưỡng
Tìm đường bao đối
tượng
Tách vùng biển số

3.4.1 Giai đoạn 1: Biến đối ảnh xám và lọc ảnh
Ảnh đầu vào là một ảnh bất kỳ, được chuyển về ảnh có 256 mức xám và tiến hành
lọc ảnh giảm nhiễu.
Để tiến hành lọc giảm nhiễu em sử dụng bộ lọc song phương để giảm khả năng bị
mờ biên.
(a) (b)
Hình 3.4 (a) ảnh đầu vào (b) ảnh xử lý xám và lọc song phương.
3.4.2 Giai đoạn 2: Tiến hành phân ngưỡng hoặc phát hiện biên.
Có hai quá trình phân ngưỡng đó là phân ngượng tự động và phân ngưỡng
không tự động.
Với phân vùng biển số là khá nhỏ so với toàn bộ ảnh nên quá trình phân ngưỡng
tự động bằng việc lấy Histogram sẽ dễ gây lỗi và không làm sáng tỏ vùng biển số.
Qua thực nghiệm ta thấy phân vùng biển số thường có ngưỡng từ 100 – 220 vì
vậy trong phần này của mình em tiến hành thử tìm vùng biển số với từng ngưỡng bằng
vòng lặp. Vòng lặp sẽ xuất phát từ ngưỡng 100 đến 220 vì thông thường phát hiện
vùng biển số các biển rõ thì ngưỡng 100 – 120 là có thể dừng vòng lặp lại sẽ tiết kiệm
các bước tính toán.

Kết thúc giai đoạn này ta thu được ảnh 8-bit kênh đơn để làm nguồn cho giai
đoạn 3. (hình 3.5)
3.4.3 Giai đoạn 3: Tìm đường bao đối đượng.
Khi ta tiến hành phần ngưỡng sẽ làm hiện rõ vùng biển số, trong giai đoạn này
ta có thể sử dụng các phương pháp phát hiện biên.
Khi có ảnh 8-bit kênh đơn thu được ở giai đoạn 2 chúng ta tiến hành tìm các
vùng biển là đối tượng riêng bằng hàm findContourns (torng thư viện OpenCV) để
trích các vùng và lấy thông số của các vùng như tọa độ điểm của các cạnh, diện tích
của vùng. (hình 3.6)
Hình 3.5 ảnh sau khi tiến hành phân ngượng

Hình 3.6 Tìm đường bao các đối tượng
3.4.4 Giai đoạn 4: Tách vùng biển số.
Sau khi có được những thông số của giai đoạn 3 tìm thấy. Dựa vào các đặc điểm
của biển số mà em tiến hành như sau:
Tìm đường bao đối tượng với với tiêu chí tỉ lệ 3.5  W H  4.5 hoặc 0.8  W H 
1.4 để tìm ra những vùng có thể là biển số nhất.
Để hạn chế số lượng vùng tím thấy em tiếp tục lọc ảnh theo tiêu chí diện tích để
hạn chế những vùng quá nhỏ và quá lớn so với vùng biển số. Với ảnh đầu vào được
thay đổi kích cỡ về ảnh có cỡ 640X480 thì vùng biển số sẽ nằm trong khoảng diện tích
từ 1500 – 25000.
Tiến hành cắt các vùng có thể là biển số nhất trên ảnh xám đã lọc ở giai đoạn 1
để làm nguồn cho giai đoạn cắt ký tự để làm mẫu cho các quá trình nhận dạng ký tự (tự
xây dựng). Ở giai đoạn này có thể kết hợp dùng các bài toán nhận dạng ký tự để phát
hiện biển số xe.(hình 3.7)

Hình 3.7 Sau khi lọc bằng dặc điểm biển số và cắt riêng vùng biển số
3.5 - Tách riêng từng ký tự
Trong phần này mục đích chính là tách các ký tự để làm mẫu huấn luyện cho
việc nhận dạng ký tự trên biển số. (hình 3.8)
Các giai đoạn trong việc phân tách các ký tự như sau:

Ảnh đầu vào là ảnh chỉ chứa biển số xe được trích ra từ ảnh xám đã qua lọc ở
giai đoạn 4 của phần “3.4 Phát hiện vùng biển số”.
Hình 3.8 Các ký tự được cắt sau khi tìm thấy vùng biển số
3.5.2 Giai đoạn 1: Tiến hành phân ngưỡng.
Giai đoạn này tương tự giai đoạn 2 của phần 3.4
3.5.3 Giai đoạn 2: Tìm vùng đối tượng.
Tương tự phần 3.4.3
3.5.4 Giai đoạn 3: Tìm và tách vùng ký tự.
Tương tự phần 3.4.4 nhưng với tiêu chí khác như.
Số ký tự nằm trong khoản 6 đến 9 ký tự.
Vùng ký tự có diện tích từ 50 đến 200.
Tiến hành cắt ký tự và lưu lại.
3.6 - Nhận dạng ký tự quang học ( mạng nơron)
Mạng nơron nhân tạo ( Artificial Neural Network) bao gồm các nút ( đơn vị xử
lý) được nối với nhân bởi các liên kết noron. Mỗi liên kết kèm theo có một trọng số
nào đó, đặc trưng cho đặc tính kích hoạt giữa các nơron. Có thể xem trọng số là
phương tiện để lưu giữa thông tin dài hạn trong mạng và nhiệm vụ của quá trình huấn
luyện (học) mạng là cập nhật các trọng số khi có thêm các thông tin về các mẫu học,
hay nói cách khác, các trọng số được điều chỉnh sao cho đúng.
Trong mạng, một số nơron được nối với môi trường bên ngoài như các đầu ra,
đầu vào.

3.6.1 Mô hình nơron nhân tạo
Hình 3.9 Mô hình nơron nhân tạo.
Mỗi nơron được nối với các nơron khác và nhận được các tín hiệu sj từ chúng
với các trọng số wj. Tổng các thông tin vòa có trọng số là:
Net= w j s j
Người ta gọi đây là thành phần tuyến tính của nơron. Hàm kích hoạt g (còn gọi
là hàm chuyển). Đóng vai trò biến đổi từ Net sang tín hiệu đầu ra out.
Out= g(Net)
Đây là thành phần phi tuyến của nơron. Có 3 dạng hàm kích hoạt thường được
dùng trong thực tế.
*)Hàm dạng bước:
stepx 
1
x  0

0
x  0
*)Hàm dấu:
1
x  0
1 x  0
*)Hàm sigmoid:
1
x  

0
x  
1
x  
1 x  

Đồ án khoa công nghệ thông tin Bài toán nhận dạng biển số xe.doc

Đồ án khoa công nghệ thông tin Bài toán nhận dạng biển số xe.doc

Recommandé

Recommandé

Contenu connexe

Similaire à Đồ án khoa công nghệ thông tin Bài toán nhận dạng biển số xe.doc

Similaire à Đồ án khoa công nghệ thông tin Bài toán nhận dạng biển số xe.doc (20)

Plus de Dịch vụ viết thuê đề tài trọn gói 🥳🥳 Liên hệ ZALO/TELE: 0917.193.864 ❤❤

Plus de Dịch vụ viết thuê đề tài trọn gói 🥳🥳 Liên hệ ZALO/TELE: 0917.193.864 ❤❤ (20)

Dernier

Dernier (20)

Đồ án khoa công nghệ thông tin Bài toán nhận dạng biển số xe.doc