Ứng dụng mạng Nơron nhân tạo nhận dạng biển số xe ô tô

nh 9. Ảnh biển số đã đƣợc phân đoạn 
 Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (ECIT2014) 
ISBN: 978-604-67-0349-5 485
bé hơn nhƣng vẫn không làm mất thông tin của dữ liệu. 
Có rất nhiều cách để trích giảm thuộc tính nhƣ: Phân tích 
thành phần chính - principal components analysis PCA) 
[11], phƣơng pháp chiếu - projection pursuit (PP), phân 
tích đƣờng cong chính - principal curves (PC), self-
organizing maps (SM) [12]. 
2. Mạng Nơron nhân tạo 
Để nhận biết các ký tự phân đoạn có hai phƣơng 
pháp phổ biến là dựa trên mẫu phù hợp và dựa trên các 
mạng thần kinh nhân tạo. Phƣơng pháp phù hợp với mẩu 
có thể nhanh chóng nhận ra các ký tự bằng cách tính 
toán các mối tƣơng quan giữa các mẫu và hình ảnh [13], 
tuy nhiên khi các biển số có biến dạng hoặc đƣợc luân 
chuyên, tỉ lệ nhận dạng của mẫu phù hợp sẽ giảm đáng 
kể [13 ]. Vì lý do này, muốn mạng lƣới Nơron để mẫu 
phù hợp và đào tạo ba mạng nhận dạng mẩu sử dụng 
công cụ Matlab đã cung cấp, cho các nhiệm vụ nhận 
dạng. Mỗi mạng có 20 nút ẩn và đƣợc huấn luyện, sử 
dụng thuật toán Levenberg – Marquardt [30]. 
VII. ĐÁNH GIÁ 
A. Đánh giá kết quả tìm vùng chứa biển số. 
 Cơ s dữ liệu đầu vào 
Để đánh giá quá trình thực hiện tìm vùng chứa biển 
số bằng phƣơng pháp đã đề xuất, sử dụng cơ sở dữ liệu 
có 127 tấm ảnh đã đƣợc xây dựng dựa trên việc sƣu tâm 
hình ảnh trên internet, và đƣợc chụp lại bởi nhóm 
nguyên cứu. Cơ sở dữ liệu đƣợc phân loại theo điều kiện 
ánh sáng, thời tiết, góc định hƣớng và chất lƣợng của 
hình ảnh (một tấm ảnh có thể bao gồm nhiều điều kiện 
phân loại trên). Chi tiết của cơ sở dữ liệu, và kết quả 
đƣợc mô tả trong bảng 1. 
BẢNG 1. CHI TIẾT KẾT QUẢ BƢỚC TÌM VÙNG BIỂN SỐ 
Cơ sở dữ 
liệu 
Số 
lượng 
Phân 
đoạn 
Đúng 
(%) 
Sai 
(%) 
Tổng 127 107 84.25 15.75 
Độ tương phản 
Thấp 35 27 77.14 22.86 
Cao 92 79 85.87 14.13 
Thời tiết 
Mƣa 32 31 96.88 3.13 
Gió 93 78 83.87 16.13 
Nắng 25 23 92 8 
Góc xoay, nghiêng 
Chính diện 60 55 91.67 8.33 
Bị lệnh 39 32 82.05 17.95 
Vị trí chụp 
Trƣớc 95 86 90.53 9.47 
Sau 31 20 64.52 35.48 
Cảnh nền 
Đơn giản 40 34 85 15 
Phức tạp 28 20 71.43 28.57 
B. Đánh giá kết quả phân đoạn ký tự 
 Cơ s dữ liệu là vùng chứa biển số 
Cơ sở dữ liệu của phần này là 341 tấm ảnh biển số xe 
đƣợc lấy từ kết quả của bƣớc trên, và một phần đƣợc tìm 
kiếm trên internet. Và chia chúng thành 3 loại, chi tiết 
mỗi loại đƣợc mô tả trong bảng 2. 
 Đánh giá 
Kết quả của bƣớc phân đoạn đƣợc cho trong bảng 3. 
Đối với bộ dữ liệu có chất lƣợng thì kết quả thu đƣợc lên 
đến 96.17%, là một kết quả khá tốt. Còn với các loại dữ 
liệu còn lại, kết quả thu đƣợc khá thấp, chƣa đến 77%. 
Nhƣ vậy, hiệu suất của bƣớc này đối với tất cả dữ liệu 
chỉ đạt 83%. 
BẢNG 2. MÔ TẢ CƠ SƠ DỮ LIỆU 
Cơ sở dữ 
liệu 
Số 
lượng 
Mô tả 
Loại 1 183 
Là tập hợp những biển số có 
chất lƣợng tốt: điều kiện sáng 
bình thƣờng, thời thiết đẹp, ảnh 
không bị xoay, ký tự trên biển 
số màu đen trên nền trắng. 
Loại 2 67 
Là những biển số xe bị lêch, 
nghiêng với một góc bất kỳ và 
có cƣờng độ sáng tốt. 
Loại 3 91 
Những biển số có góc lệnh lớn, 
cƣờng độ sáng xấu (Quá sáng 
hoặc quá tối). Chất lƣợng kém, 
mờ, bị nhiễu. 
BẢNG 3. CHI TIẾT KẾT QUẢ CỦA BƢỚC PHÂN ĐOẠN 
Số lượng biển 
số 
Phân đoạn Hiệu suất 
Loại 1 183 176 96.17% 
Loại 2 67 51 76.12% 
Loại 3 91 56 61.54% 
Tổng 341 283 83% 
C. Đánh giá ước phân loại ký tự 
1. Cơ s dữ liệu ký tự. 
Do loại điều kiện chụp ảnh của dẫn đến sự khác biệt 
về kích thƣớc, độ sáng, và độ tƣơng phản của các ký tự 
đƣợc phân đoạn; hai loại cơ sở dữ liệu huấn luyện đƣợc 
đề xuất là dữ liệu sạch và dữ liệu không sạch để cải 
thiện chất lƣợng của việc phân loại. Tập dữ liệu không 
nhiễu sẽ đƣợc huấn trên một bộ dữ liệu bao gồm điều 
kiện chiếu sáng tốt và đối tƣợng không bị lệch. Mỗi ký 
tự trong tập huấn luyện có 20 mẫu. Tập dữ liệu không 
sạch đƣợc huấn luyện trên một bộ dữ liệu trong đó có 
20 mẫu tốt và 30 mẫu không tốt cho mỗi ký tự. 
 Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (ECIT2014) 
ISBN: 978-604-67-0349-5 486
Dữ liệu được chia thành 3 loại: 
 Chất lượng tốt (WM): Các mẫu thử của từng 
ký tự tƣơng tự, gần giống nhƣ những mẫu mà ta 
đã huấn luyện cho mạng. 
 Chất lượng trung bình (MM): Là tập hợp bao 
gồm các mẫu mà có sự sai khác về điều kiện 
sáng, phông chữ, góc nghiêng. 
 Chất lượng không tốt (HM): Là tập hợp khác 
hẳn về phông chữ, góc xoay của đối tƣợng và 
điều kiện chiếu sáng so với đối tƣợng mà ta đã 
huấn luyện trƣớc đó. 
Cơ sở dữ liệu của phần này, các mẫu đƣợc đem đi 
huấn luyện cũng nhƣ kiểm tra, đánh giá đối với dữ liệu 
có chất lƣợng tốt (WM) đƣợc trích ra từ kết quả của 
phần phân đoạn ký tự trong loại 1 (bảng 2). Tƣơng tự 
nhƣ vây, dữ liệu loại MM đƣợc trích ra từ loại 2 và HM 
từ loại 3. 
Cơ sở dữ liệu của phần đánh giá này đƣợc chia 
thành 2 loại: 1. Dữ liệu sạch: Bao gồm toàn bộ các mẫu 
tốt. 
 2. Dữ liệu không sạch: Bao gồm cả mẫu tốt xen 
lẫn mẫu chƣa tốt. 
Mô tả chi tiết của cơ sở dữ liệu cho hai loại dữ liệu 
huấn luyện và kiểm tra đƣợc trình bày trong Bảng 4. 
BẢNG 4. CHI TIẾT CƠ SỞ DỮ LIỆU CỦA PHẦN PHÂN LOẠI KÝ 
TỰ VÀ KẾT QUẢ 
Huấn luyện 
(Số mẫu/ký tự) 
Kiểm tra 
(Mẫu/ký tự) 
Tốt Chưa tốt WM MM HM ALL 
Dữ liệu 
sạch 
20 0 20 20 20 60 
Dữ liệu 
không 
sạch 
20 30 10 10 10 30 
2. Đánh giá 
Tập dữ liệu để đánh giá bao gồm WM, MM, HM và 
TỔNG = (WM+MM+HM), nó đƣợc sử dụng để thực 
hiện đánh giá trong cả hai mô hình huấn luyện. Đầu 
tiên, đặc tính vùng đóng kín đƣợc dùng để phân loại ký 
tự. Kết quả phân loại đƣợc mô tả trong Bảng 5 và Bảng 
6. 
a) Dữ liệu sạch 
Tập dữ liệu của WM là 700 mẫu ký tự, MM 700 
mẫu ký tự, HM 700 mẫu ký tự và TỔNG là 2100 mẫu 
ký tự đƣợc sử dụng cho việc đánh giá dữ liệu sạch. 
BẢNG 5. KẾT QUẢ CỦA KIỂM THỬ DỮ LIỆU SẠCH 
Dữ liệu sạch 
WM MM HM TỔNG 
T1 T2 T3 T1 T2 T3 T1 T2 T3 T1 T2 T3 
Không có bụng (T1) 498 2 0 499 1 0 499 1 0 1496 4 0 
Có một bụng (T2) 2 158 0 4 155 1 6 150 4 12 463 5 
Có hai bụng (T3) 0 0 40 0 0 40 1 0 39 1 0 119 
b) Dữ liệu không sạch 
Tập dữ liệu của WM là 350 mẫu ký tự, MM 350 
mẫu ký tự, HM 350 mẫu ký tự và TỔNG là 1050 mẫu 
ký tự đƣợc sử dụng cho việc đánh giá dữ liệu không 
sạch. 
BẢNG 6. KẾT QUẢ CỦA KIỂM THỬ DỮ LIỆU KHÔNG SẠCH 
Dữ liệu không sạch 
WM MM HM TỔNG 
T1 T2 T3 T1 T2 T3 T1 T2 T3 T1 T2 T3 
Không có bụng (T1) 250 0 0 249 1 0 249 1 0 748 2 0 
Có một bụng (T2) 2 78 0 1 79 0 1 78 1 4 235 1 
Có hai bụng (T3) 0 0 20 0 0 20 0 0 20 0 0 60 
D. Đánh giá ước nhận dạng ký tự. 
1) Cách đánh giá 
Trong bài báo này, thực hiện thuật toán nhận dạng 
đƣợc đề xuất đánh giá thông qua tỷ lệ ảnh nhận dạng 
đúng (TPR), ảnh nhận dạng sai (FPR): 
 , 
 (8) 
Trong đó TP, FP, FN và TN đƣợc xác định nhƣ sau: 
 TP: Số lƣợng những ký tự A đƣợc nhận dạng 
đúng. 
 FP: Số lƣợng những ký tự không phải là A 
đƣợc nhận dạng sai thành ký tứ A. 
 FN: Số lƣợng ký tự A đƣợc nhận dạng sai. 
 TN: Số lƣợng những ký tự không phải A đƣợc 
nhận dạng đúng là không phải ký tự A. 
2) Đánh giá 
Sau khi phân ký tự thành ba loại, mỗi loại đƣợc 
nhận dạng bằng ba mạng Nơron riêng. Kết quả của cả 
hai loại dữ liệu đƣợc thể hiện trong Bảng 7 và Bảng 8. 
a) Dữ liệu sạch 
BẢNG 7. KẾT QUẢ NHẬN DẠNG KÝ TỰ TRONG DỮ LIỆU 
SẠCH 
Dữ liệu sạch TỔNG TPR FPR 
WM 700 99.43% 0.018% 
MM 700 93.98% 0.187% 
HM 700 85.12% 0.458% 
ALL 2100 92.84% 0.221% 
 Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (ECIT2014) 
ISBN: 978-604-67-0349-5 487
b) Dữ liệu không sạch 
BẢNG 8. KẾT QUẢ NHẬN DẠNG KÝ TỰ TRONG DỮ LIỆU 
KHÔNG SẠCH 
Dữ liệu không 
sạch 
TỔNG TPR FPR 
WM 350 99.43% 0.018% 
MM 350 98.29% 0.054% 
HM 350 92.00% 0.249% 
ALL 1050 96.57% 0.107% 
Dựa vào kết quả trên, chúng ta thấy rằng: 
 Khi huấn luyện cho dữ liệu sạch, TPR 
của WM, MM, HM đạt đƣợc cao cụ thể lần 
lƣợt là 99.43%, 93.98%, 85.12%, trung bình 
cho cả ba là 92.84%. Còn FPR là khá thấp cho 
cả ba loại, trung bình là 0.221%. 
 Khi huấn luyện cho dữ liệu không 
sạch, hiệu suất của kết quả phân loại đã đƣợc 
cải thiện đáng kể. TPR của MM, HM đã tăng 
xếp xỉ 4%. 
VIII. KẾT LUẬN 
Trong bài báo này, đã trình bày bốn bƣớc của việc 
nhận dạng biển số xe ô tô và cũng trình bày chi tiết đánh 
giá kết quả cho mỗi phần. Với thuật toán đã đƣa ra cho 
thấy hiệu suất khối nhận dạng ký tự cho ra kết quả cao 
nhất do đã đƣợc cải tiến bổ sung thêm bƣớc phân loại 
ký tự. Ngoài ra trong phần phân đoạn ký tự cho hiệu 
suất thu đƣợc lên đến 96.17% nhờ sử dụng thuật toán 
đánh nhãn. 
Kết quả của toàn bộ thuật toán phụ thuộc rất nhiều 
vào bƣớc tiền xử lý. Do bƣớc tiền xử lý đã đề xuất chƣa 
làm nổi bật đƣợc phần chữ số nên khối tìm vùng chứa 
biển số chỉ đạt hiệu suất 84.25%, làm cho hiệu suất của 
toàn bộ thuật toán bị giảm. Trong tƣơng lai, sẽ tiếp tục 
nghiên cứu phƣơng pháp phát hiện cạnh kết hợp với 
phát hiện sự thay đổi biên để nâng cao hiệu suất bƣớc 
tiền xử lý. Và phƣơng pháp Hough Transform sẽ xử lý 
các trƣờng hợp góc chụp bị lệch. 
LỜI CẢM ƠN 
Để đạt đƣợc kết quả nhƣ đã trình bày, xin gửi lời 
cảm ơn đến tập thể nhóm nghiên cứu TRT 3DCS và Kỹ 
Sƣ Nguyễn Hải Triều Anh, Khoa Điện Tử Viễn Thông, 
Đại học Bách Khoa, Đại học Đà Nẵng đã hỗ trợ, giúp đỡ 
rất nhiều trong quá trình thực hiện đề tài này. 
TÀI LIỆU THAM KHẢO 
[1] H. Bai and C. Liu "A hybrid license plate extraction method 
based on edge statistics andmorphology", Proc. Int. Conf. 
Pattern Recognit., vol. 2, pp.831 -834 2004. 
[2] D. Zheng, Y. Zhao and J. Wang "An efficientmethod of 
license plate location", Pattern Recognit. Lett., vol. 26, no. 
15, pp.2431 -2438 2005. 
[3] A. Akoum, B. Daya , P. Chauviet, “Two Neural Networks for 
License Number Plates Recognition”, Lebanese University, 
Institute of Technology, P.O.B. 813 - Saida – LEBANON. 
[4] S. Wang and H. Lee "Detection and recognition of license 
platecharacters with different appearances", Proc. Int. Conf. 
Intell. Transp.Syst., vol. 2, pp.979 -984 2003. 
[5] F. Faradji, A. H. Rezaie and M. Ziaratban "A morphological-
based license plate location", Proc. IEEE Int. Conf. Image 
Process., vol. 1, pp.57 -60 2007. 
[6] Naikur Bharatkumar Gohil; “Car License Plate Detection”; 
B.E., Dharmsinh Desai University, India, 2006. 
[7] Trƣơng Quốc Bảo, Võ Văn Phúc; “Giải thuật mới cho bài toán 
định vị và nhận dạng biển số xe ô tô”; Tạp chí khoa học 
Trƣờng đại học Cần Thơ; Phần A: Khoa học Tự nhiên, Công 
nghệ và Môi trƣờng: 27(2013):44-45. 
[8] Lƣơng Vũ Trúc, Lâm Tú Bình, Huỳnh Thị Phƣơng Oanh, 
Nguyễn Chí Thanh; “Ứng dụng mạng Neutral trong nhận dạng 
ký tự quang học”; Tiểu luận. 
[9] Lu Liu; Hongjiang Yu; Kehe Cai; Jia Wang; , "License plate 
recognition using topology structure features," Computing, 
Control and Industrial Engineering (CCIE), 2011 IEEE 2nd 
International Conference on, vol.2, no., pp.251-254, 20-21 
Aug. 2011. 
[10] Peter Tarábek;, “Morphology Image Pre-Processing For 
Thinning Algorithms” Journal of Information, Control and 
Management Systems, vol. 5, no. 1, pp. 131-138, 2007. 
[11] Ondrej Martinsky; “Algorithmic And Mathematical Principles 
Of Automatic Number Plate Recognition Systems”, Faculty Of 
Information Technology Department Of Intelligent Systems, 
Brno University Of technology, 2007. 
[12] Fodor I. K.;, "A survey of dimension reduction 
techniques" LLNL technical report, june 2002. 
[13] Guangmin Sun; Canhui Zhang; Weiwei Zou; Guangyu 
Yu; "A new recognition method of vehicle license plate 
based on Genetic Neural Network" Industrial Electronics and 
Applications (ICIEA), 2010 the 5th IEEE Conference on, 
vol., no., pp.1662-1666, 15-17 June 2010. 
[14] M. Sarfraz, M. J. Ahmed and S. A. Ghazi "Saudi Arabian 
license plate recognition system", Proc. Int. Conf. 
Geom.Model. Graph., pp.36 -41 2003. 
[15] D. Zheng, Y. Zhao and J. Wang "An efficientmethod of 
license plate location", Pattern Recognit. Lett., vol. 26, no. 
15, pp.2431 -2438 2005. 
[16] K. Kanayama, Y. Fujikawa, K. Fujimoto and M. 
Horino "Development of vehicle-license numberrecognition 
system using real-time image processing and its application to 
travel-time measurement", Proc. IEEE Veh. Tech. 
Conf., pp.798 -804 1991. 
[17] V. Kamat and S. Ganesan "An efficient implementation of the 
Hough transform for detecting vehicle license plates 
usingDSPs", Proc. Real-Time Tech. Applicat. Symp., pp.58 -
59 1995. 
[18] C. Busch, R. Domer, C. Freytag and H. Ziegler "Feature based 
recognition of trafficvideo streams for online route 
tracing", Proc. IEEE Veh. Tech. Conf., vol. 3, pp.1790 -1794 
1998. 
[19] S. Zhang, M. Zhang and X. Ye "Car plate character extraction 
under complicated environment", Proc. IEEE Int. Conf. Syst. 
Man Cybern., vol. 5, pp.4722 -4726 2004. 
[20] X. Shi, W. Zhao and Y. Shen "Automatic license plate 
recognition system based on color imageprocessing", Lecture 
Notes Comput. Sci., vol. 3483, pp.1159 -1168 2005. 
[21] K. Miyamoto, K. Nagano, M. Tamagawa, I. Fujita and M. 
Yamamoto "Vehicle license-plate recognition byimage 
analysis", Proc. Int. Conf. Ind. Electron. Control 
Instrum., vol. 3, pp.1734 -1738 1991. 
[22] S.-L. Chang, L.-S. Chen, Y.-C. Chung and S.-W. 
Chen "Automatic license platerecognition", IEEE Trans. 
Intell. Transp. Syst., vol. 5, no. 1, pp.42 -53 2004. 
[23] T. Nukano, M. Fukumi and M. Khalid "Vehicle license plate 
characterrecognition by neural networks", Proc. Int. Symp. 
 Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (ECIT2014) 
ISBN: 978-604-67-0349-5 488
Intell. Signal Process. Commun.Syst., pp.771 -775 2004. 
[24] V. Shapiro and G. Gluhchev "Multinational license plate 
recognition system: Segmentation andclassification", Proc. Int. 
Conf. Pattern Recognit., vol. 4, pp.352 -355 2004. 
[25] B.-F. Wu, S.-P. Lin and C.-C. Chiu "Extractingcharacters 
from real vehicle license plates out-of-doors", IET 
Comput.Vision, vol. 1, no. 1, pp.2 -10 2007. 
[26] T. D. Duan, T. L. H. Du, T. V. Phuoc and N. V. 
Hoang "Building an automatic vehicle license-plate 
recognition system", Proc. Int. Conf. Comput. Sci. 
RIVF, pp.59 -63 2005. 
[27] K. K. Kim, K. I. Kim, J. B. Kim and H. J. Kim "Learning-
based approach for license plate recognition", Proc. 
IEEESignal Process. Soc. Workshop Neur. Netw. Signal 
Process., vol. 2, pp.614 -623 2000. 
[28] A. Capar and M. Gokmen "Concurrent segmentation and 
recognition with shape-driven fast marchingmethods", Proc. 
Int. Conf. Pattern Recognit., vol. 1, pp.155 -158 2006. 
[29] R. Parisi, E. D. D. Claudio, G. Lucarelli and G. Orlandi "Car 
plate recognition by neuralnetworks and image processing", 
Proc. IEEE Int. Symp. Circuits Syst., vol. 3, pp.195 -198 
1998. 
[30] Ananth Ranganathan " The Levenberg-Marquardt 
Algorithm", 8th June 2004. 
 Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (ECIT2014) 
ISBN: 978-604-67-0349-5 489