Professional Documents
Culture Documents
Nhan Dien Bien So Xe
Nhan Dien Bien So Xe
PHẦN A
GIỚI THIỆU
Báo cáo nghiên cứu khoa học
Trong thời đại của thế kỷ 21, với sự phát triển nhảy vọt của trình độ Khoa học
kỹ thuật, con người đã tạo nên và phát triển nhiều công trình khoa học mang tính
tầm cỡ. Với sự thay thế dần của máy móc cho con người trong các nhiệm vụ mang
tính chính xác và tập trung cao thì kết quả đạt được đã hoàn toàn được tin cậy và
đánh giá cao. Điều này thực sự có ý nghĩa to lớn và góp phần tăng thêm giá trị và
chất lượng cuộc sống.
Đề tài nghiên cứu khoa học này, nhận dạng biển số xe trên cơ sở thị giác máy
tính, cũng không nằm ngoài ý nghĩa đó. Đây là một dạng ứng dụng thú vị mà nhiều
nhà khoa học đã, đang nghiên cứu vì nhu cầu thực tiễn và đa dạng phương pháp tiếp
cận.
Trong đề tài này sẽ trình bày trong đó các vấn đề liên quan tới kiến thức nền
tảng xây dựng. Học viên đã sử dụng công cụ EMGUCV ứng dụng các đặc trưng
Haar-like chạy trên nền tảng Visual C#.NET và thuật toán tăng tốc AdaBoost nhằm
nâng cao khả năng phát hiện biển số xe chính xác và nhận dạng ký tự dùng thư viện
Tesseract.
PHẦN B
NỘI DUNG
Báo cáo nghiên cứu khoa học
CHƯƠNG 1
Thị giác là giác quan cho phép con người cũng như hầu hết các loài động vật
khác thu thập thông tin nhanh nhất, tinh tế nhất và cũng là kênh thông tin trao đổi
tin cậy giúp đưa ra những quyết định kịp thời và nhanh chóng trong hầu hết các hoạt
động trong thực tế của con người. Vì vậy, với ý nghĩa vô cùng quan trọng đó, cùng
với sự phát triển của khoa học kĩ thuật và ứng dụng của nó trong nhiều lĩnh vực đã
được tiến hành rộng rãi, nhất là trong ứng dụng liên quan tới xử lý ảnh của đối
tượng cụ thể.
Thông thường, các đặc tính của xử lý và phân tích ảnh chủ yếu bị ảnh hưởng
bởi đặc tính của ảnh tĩnh và ảnh động (video). Các lý do có thể đưa ra là: vị trí
tương quan giữa máy ảnh và đối tượng, xe bị che khuất một phần hoặc toàn phần;
sự kết hợp của các đặc điểm xe cộ, kích thước, màu sắc, ảnh hưởng của cảnh nền
(độ sáng chói, độ tương phản, nhiễu giống đối tượng, …) là rất khác nhau, và nó
ảnh hưởng đến chất lượng của quá trình phát hiện và nhận dạng . Còn ảnh hưởng về
mặt chủ quan cũng có thể kể đến như hướng quan sát ghi hình của camera, hướng
ánh sáng, đặc tính kỹ thuật của máy ảnh, camera, tốc độ hệ thống máy xử lý chủ
(máy tính PC hoặc laptop) cũng gây ra ảnh hưởng không nhỏ đến đề tài.
Báo cáo nghiên cứu khoa học
Hệ thống nhận dạng biển số xe dùng trong quan sát giao thông, tại các bãi giữ
xe tự động và bán tự động hay xác định xe vi phạm giao thông là những ứng dụng
quan trọng trong cuộc sống hiện đại hàng ngày. Với hệ thống như vậy thì một thuật
toán phát hiện và nhận dạng chính xác là cần thiết khi đầu vào của hệ thống là một
chuỗi hình ảnh hoặc video.
Nghiên cứu ứng dụng và xây dựng phần mềm phát hiện và nhận dạng biển số
xe trên cơ sở thị giác máy tính.
1.4 NHIỆM VỤ
Về lý thuyết: xác định phương pháp phù hợp để phát hiện và nhận dạng biển
số xe.
Về ứng dụng: chương trình phần mềm phát hiện và nhận dạng biển số xe.
Các điều kiện thực hiện: hình chụp trực diện từ phía sau đuôi của xe, cường
độ ánh sáng là 300 500 lux (độ sáng tiêu chuẩn bình thường) hoặc ánh sáng
ngoài trời ban ngày bình thường, tình trạng biển số tốt và không bị chói sáng.
Đối tượng là các biển số xe hình chữ nhật (xe hơi cá nhân, xe buýt, xe tải
container và xe máy), biển số xe tốt (không bị biến dạng, chói sáng).
Báo cáo nghiên cứu khoa học
CHƯƠNG 2
Các thành phần chính của hệ thống nhận dạng biển số xe:
Phần cứng: camera thu nhận hình ảnh, máy tính hay bộ xử lý chuyên
dụng
Phần mềm: hệ thống xử lý hình ảnh thu được từ camera và cho ra kết
quả.
Những khó khăn mà một hệ thống ANPR thông thường phải vượt qua để đạt độ
chính xác được chấp nhận đó là: điều kiện tự nhiên của không gian và thời gian áp
dụng hệ thống, điều kiện bối cảnh, điều kiện quy định định dạng của biển số, điều
kiện hiện trạng của biển số và điều kiện về cách thức bố trí thiết bị.
Hình 2.3: Nguyên lý hoạt động của hệ thống nhận dạng biển số xe
Phần mềm quản lý bãi đỗ xe: quản lý vào ra, tính phí và giám sát mọi hoạt
động của bãi đỗ hoàn toàn tự động, báo cáo thống kê theo thời gian cho
nhiều mục đích.
Hệ thống đếm xe: nhằm thống kê số lượng xe vào ra, kiểm soát tới từng tầng,
từng khu vực của bãi đỗ giúp người quản lý có những thông tin chính xác về
số chỗ còn trống của bãi đỗ.
hợp pháp, góp phần hỗ trợ công tác kiểm tra và anh ninh quốc gia. Còn lắp đặt ở
trạm gác cổng sẽ hỗ trợ hoặc tự động hóa công tác mở cổng cho xe vào.
d. Điều tiết giao thông
Hệ thống còn được ứng dụng trong điều tiết giao thông tại các vị trí nhạy
cảm của giao thông như ngã ba, ngã tư đường giao nhau nhằm giảm ắc tắc giao
thông (chẳng hạn như Thành phố Dublin đã ứng dụng công nghệ “Nhận dạng biển
số xe tự động” trong việc điều tiết giao thông theo dạng biển số chẳn/lẻ). Ngoài ra,
hệ thống còn được sử dụng để kiểm soát, phát hiện những hành vi vi phạm an toàn
giao thông nhằm giảm tỉ lệ tai nạn giao thông.
CHƯƠNG 3
Phát hiện hay phát hiện đối tượng chuyên biệt, ví dụ như biển số xe trong cảnh
quan giao thông, liệu có xuất hiện trong ảnh thu được từ camera (hình động) hay
những tấm hình tĩnh dựa trên sự trợ giúp của máy tính từ lâu đã được con người
nghiên cứu và phát triển bởi nó đóng vai trò là cơ sở chung và là nền tảng để nghiên
cứu và ứng dụng trong các lĩnh vực và các hệ thống khác. Trong quá trình nghiên
cứu và phát triển, thì yêu cầu được đặt lên hàng đầu là yếu tố chính xác.
Có hai hướng tiếp cận chính thường được sử dụng để phát hiện biển số xe: các
phương pháp dựa trên ảnh và các phương pháp dựa trên dạng hình học. Các phương
pháp có thể được liệt kê ra như sau :
tập dữ liệu không tích cực (ảnh không chứa hình đối tượng) nên chúng có sự tương
quan so sánh trực tiếp đến các đặc điểm hình học của một kiểu xe điển hình.
Nhược điểm của phương pháp này đòi hòi phải luôn có sẵn cơ sở dữ liệu hình
xe rất lớn. Để có thể phát hiện được biển số xe, máy tính phải luôn dò trong cơ sở
dữ liệu hình này rồi mới đưa ra kết quả.
Trong đề tài này, việc phát hiện xe là sự kết hợp giữa một thuật toán tăng tốc
AdaBoost (Adaptive Boost – tăng tốc thích nghi) và đặc tính đáp ứng nhanh của các
đặc trưng Haar. Đây là một phương pháp máy học tốt và rất mạnh mẽ được đề xuất
bởi Viola & Jones.
Giá trị của đặc trưng Haar-like được xác định bởi độ chênh lệch giữa tổng các
giá trị pixel mức xám nằm trong vùng đen so với vùng trắng.
Để phát hiện đối tượng, ảnh đầu vào được phát hiện bằng một cửa sổ con
có chứa đặc trưng Haar-like. Dựa trên từng đặc trưng Haar-like fj , một bộ phân
loại yếu h j (x ) được quy định như sau:
1, if p j f j (x) p j j
h j ( x)
0, otherwise
Báo cáo nghiên cứu khoa học
Thuật toán học này ban đầu duy trì một phân bố chuẩn (tương đồng nhau) các
trọng số lên mỗi một mẫu huấn luyện. Trong bước lặp đầu tiên, thuật toán huấn
luyện một bộ phân loại yếu bằng cách dùng một đặc trưng Haar-like đã thực hiện tốt
nhất việc phát hiện các mẫu thử huấn luyện. Trong lần lặp thứ hai, các mẫu thử
dùng cho huấn luyện nhưng bị phân loại nhầm bởi bộ phân loại yếu đầu tiên được
nhận trọng số cao hơn sao cho đặc trưng Haar-like được chọn lần này phải tập trung
khả năng tính toán cho các mẫu thử bị phân loại nhầm này. Sự lặp lại tiếp tục thực
hiện và các kết quả cuối cùng sẽ là một chuỗi cascade các kết hợp tuyến tính của
các bộ phân loại yếu, tạo ra một bộ phân loại mạnh, giúp tạo được độ chính xác
mong muốn. Thuật toán học AdaBoost sau 3 lần lặp được minh họa trong Hình 2.4
là một ví dụ thuật toán AdaBoost sau ba lần lặp.
Bộ phân loại mạnh cuối cùng là sự kết hợp có trọng số của các bộ phân loại
yếu:
H ( x) 1h1 ( x ) 2 h2 ( x ) 3 h3 ( x ) ... N hN ( x )
Trong thực tế, chuỗi tầng các bộ phân loại được triển khai nhằm tăng tốc độ
thực thi của thuật toán phát hiện. Trong giai đoạn đầu của quá trình huấn luyện,
ngưỡng của bộ phân loại yếu được điều chỉnh đủ thấp sao cho xấp xỉ 100% các đối
tượng đích có thể được dò ra trong khi vẫn giữ tỉ lệ nhận dạng sai mẫu không tích
cực gần bằng zero. Sự cân bằng của một ngưỡng thấp gắn liền với tỉ lệ phát hiện sai
mẫu tích cực cao hơn. Một mẫu tích cực ngõ ra từ bộ phân lớp đầu tiên là thông số
đặt ngõ vào cho bộ phân lớp thứ hai, cũng sẽ được điều chỉnh sao cho đạt được tỉ lệ
phát hiện rất cao. Tương tự như thế, một mẫu tích cực xuất ra từ bộ phân lớp thứ hai
lại tiếp tục là thông số đặt ngõ vào cho bộ phân lớp thứ ba, …
Các cửa sổ con là tích cực (phù hợp, dò đúng đối tượng) nếu được cho qua tại
từng bộ phân lớp của chuỗi cascade đã được huấn luyện. Nếu không, một ngõ ra
trên chuỗi sẽ loại bất kì cửa sổ không phù hợp ngay lập tức (Hình 2.5).
Hình 2.5: Dùng chuỗi cascade đã được huấn luyện để phát hiện cửa sổ con phù hợp
Tầng (đợt) của bộ phân loại bao gồm các cây (tree) giá trị giảm dần sau mỗi
giai đoạn (stage) mà bộ phân loại được huấn luyện để nhận dạng hầu hết các đối
tượng vật thể mong muốn, đồng thời cũng loại bỏ các đối tượng không được huấn
Báo cáo nghiên cứu khoa học
luyện. Ví dụ, trong luận văn này, các bộ phân loại được huấn luyện qua ít nhất 20
giai đoạn (stage). Đến giai đoạn cuối cùng, giá trị false alarm = 0.5 20 9.6 e 07
Hình 2.6: Cấu trúc các chuỗi cascade nối tiếp, với N giai đoạn học huấn luyện
f 3 0.53
Stage 3:
h3 0.995 3
…
f N 0.5 N
Stage N:
hN 0.995 N
Báo cáo nghiên cứu khoa học
Tại mỗi giai đoạn huấn luyện stage, bộ phân loại tạo ra thông số hit-rate h và
false-alarm rate f mới làm ngõ vào thông số đặt cho giai đoạn huấn luyện kế tiếp
sau.
Ứng với mỗi giai đoạn được huấn luyện sử dụng một trong phương pháp tăng
tốc. Bộ tăng tốc có thể học huấn luyện bởi một một phân loại mạnh dựa trên một tập
hợp các bộ phân loại yếu bằng cách dò lại trọng số các mẫu huấn luyện. Bộ phân
loại yếu được dùng cho giai đoạn đầu của quá trình huấn luyện, dùng để tập hợp và
đúc kết các đặc trưng sơ của tập huấn luyện. Tại mỗi tầng huấn luyện, bộ phân loại
dựa theo các đại lượng đặc trưng vừa được cập nhật tại tầng kế trước (false-alarm,
hit-rate) được thêm vào nhằm tăng thêm tính chính xác trong quá trình tính toán
trọng số đặc trưng. Với việc tăng dần số giai đoạn huấn luyện và số lượng các bộ
phân loại yếu, sẽ là cần thiết để tính ra các thông số false-alarm rate ứng với mỗi
hit-rate đã tính được sẽ làm tăng tính chính xác cho tác vụ phát hiện đối tượng.
với,
-info positive/info.txt : file chứa thông tin tọa độ của khung chữ nhật bao đặc trưng đối
-num 466 : bộ huấn luyện gồm 466 ảnh tích cực (có chứa đối tượng).
Các thông số maxxangle , maxyangle , maxzangle quy định các góc xoay tối đa theo các
hướng trong không gian của đối tượng mà đảm bảo đối tượng vẫn được phát hiện.
với,
-data data/cascade : đường dẫn chứa các file thông số ngõ ra được cập nhật(false-
-bg negative/infofile.txt : đường dẫn đến file chứa các ảnh không tích cực
-npos 466 : số lượng ảnh tích cực (giống khai báo ở phần trên)
-nneg 3125 : số lượng ảnh không tích cực (thông tin các file này được chứa trong file
infofile.txt)
-nstages 24 : số lượng giai đoạn (stage) huấn luyện
-mem 1200 : dung lượng bộ nhớ cần cho quá trình huấn luyện (MB). Máy tính có bộ
nhớ RAM càng nhiều thì quá trình huấn luyện xảy ra càng nhanh.
-nonsym : khai báo các đối tượng huấn luyện là không có tính đối xứng
–minhitrate 0.995 –maxfalsealarm 0.5 –weighttrimming 0.95 : là các thông số quy chuẩn về
độ trùng khít (phù hợp – hit rate) tối thiểu, ngưỡng sai (false alarm) và trọng số
huấn luyện. Các giá trị trên là mặc định, hoặc có thể thay đổi tùy theo “độ khó” của
đối tượng và số lượng ảnh mẫu.
Tiến hành kiểm thử tập cơ sở dữ liệu với 30 ảnh tĩnh xe. Kết quả là có 28 ảnh
được phát hiện đúng đối tượng trong ảnh, đạt tỉ lệ 93,33%.
Thử nghiệm :
Báo cáo nghiên cứu khoa học
Báo cáo nghiên cứu khoa học
CHƯƠNG 4
NHẬN DẠNG KÝ TỰ
Nhận dạng ký tự
+ Theo các ảnh biển số cắt được em có đo các kích thước các ký tự và xác
định được chiều dài ký tự nằm trong khoảng 68 – 90 pixel và chiều cao nằm
trong khoảng từ 18 – 40 pixel.
- Tiền xử lý ảnh các ký tự
+ Lọc bớt các điểm ảnh nhiễu.
+ Chuyển ảnh các ký tự về kích cỡ 30*70 pixel.
Tiến hành kiểm thử tập cơ sở dữ liệu với 25 ảnh tĩnh xe. Kết quả là có 22 ảnh
được phát hiện đúng đối tượng trong ảnh, đạt tỉ lệ 87%
Thử nghiệm :
CHƯƠNG 5
Số lượng
Số lượng hình Số lượng biển số
nhận dạng Tỉ lệ
kiểm thử nhận dạng đúng
ký tự đúng
25 24 22 87%
Báo cáo nghiên cứu khoa học
4.2.1 Ưu điểm
Hệ thống hoạt động tốt ở điều kiện thử nghiệm cho phép.
Trên cơ sở hệ thống đã hoàn tất, có thể phát triển, mở rộng thêm với nhiều
ứng dụng hữu ích và lý thú khác phục vụ công tác học tập, nghiên cứu sâu
hơn và ứng dụng thực tiễn.
Trong quá trình thực hiện, đề tài cũng có những thiếu sót mang tính khách
quan và chủ quan:
Do khó khăn về cơ sở dữ liệu: Tư thế xe trong ảnh càng nghiêng theo các
hướng bất kỳ thì quá trình xây dựng cơ sở dữ liệu từ quá trình máy tính học
huấn luyện kết quả không tốt, khiến cho hệ thống hoạt động không ổn định.
Hệ thống hiện tại chưa đáp ứng được tính chính xác, ổn định cao và hoạt
động ở thời gian thực, ví dụ như có sự thay đổi về thuộc tính về màu sắc, tư
thế quan sát của đối tượng, cường độ sáng, độ phức tạp của nền ảnh.
Tuy nhiên, hệ thống không tránh khỏi lỗi phát hiện sai đối tượng do bị chói
sáng, ngược sáng,. Thực tế cho thấy, hình ảnh thí nghiệm được ghi hình
trong thời gian từ 8 giờ sáng đến 3 giờ chiều cho kết quả nhận dạng tốt hơn
các thời gian còn lại. Điều này được giải thích từ độ sáng đủ hoặc ánh nắng
Báo cáo nghiên cứu khoa học
góp phần làm rõ đối tượng hơn so với nền ảnh và làm tăng thêm đặc trưng để
nhận dạng.
Yếu tố khách quan bao gồm các vấn đề khó khăn trong khi xây dựng hệ thống.
Đa số các hướng tiếp cận phát hiện và nhận dạng vật thể một cách tự động
hiệu quả nhất hiện nay thường dựa vào việc tìm ra mô hình hoặc bộ phân lớp hoặc
một cơ sở dữ liệu đặc tả tốt nhất. Việc hệ thống có khả năng hoạt động tốt trong bất
kỳ tình huống, điều kiện thu nhận ảnh nào trong bất kỳ tình huống nào với các tư
thế quan sát xe khác nhau là cực kỳ khó khăn, mặc dù đối với con người, việc này là
hoàn toàn đơn giản trong đa số các trường hợp thông thường.
Kiểu dáng biển số xe: kiểu dáng biển số xe có thể nói là đa dạng cũng như
phức tạp đối với người quan sát hoặc đối với thuật toán phát hiện và nhận
dạng. Bên cạnh đó sự đa dạng về màu sắc cũng là một thách thức đối với quá
trình thực hiện. Ngoài ra, biển số xe thường bị biến dạng và xuống cấp theo
thời gian – ví dụ như nhưng chiếc xe cũ thường biển số bị nhạt màu các chữ
số hoặc biển số xe bị bẩn hoặc chói sáng.
Trong một số trường hợp đặc biệt biển số xe được thêm các màu sơn và phụ
kiện, như biển số xe ngoại giao có 2 màu chữ là đỏ và trắng hay các vật thể
phụ kiện được gắn vào biển số xe dẫn đến sự khó khăn trong quá trình xử lý
phát hiện và nhận dạng.
Báo cáo nghiên cứu khoa học
Tư thế xe và góc độ quan sát: hệ thống khó có thể phát hiện ra đối tượng với
tư thế quan sát xe nhìn quá nghiêng.
Điều kiện ghi nhận ảnh: trong các điều kiện chiếu sáng khác nhau (bao gồm
kiểu chiếu sáng, cường độ sáng và màu sắc của nguồn sáng) cũng như các
đặc tính của hệ thống thu thập dữ liệu ảnh (camera, máy ảnh, hệ thống gương
phản xạ, thấu kính, …) góp phần ảnh hưởng không nhỏ đến kết quả phát hiện
và nhận dạng của hệ thống.
Nền ảnh và điều kiện của môi trường ghi nhận ảnh: hai vấn đề này là đáng
được qua tâm bởi sự ảnh hưởng của nó đến quá trình phát hiện là không nhỏ.
Khi nền ảnh càng chứa nhiều thành phần (bao gồm nhiều chi tiết rối rắm,
màu sắc, hình dáng phức tạp giống với đối tượng – nhưng không phải đối
tượng - , …) hoặc môi trường không đồng nhất về ánh sáng (ngược sáng, ảnh
bị bóng râm che một phần hoặc toàn phần lên đối tượng) thì vấn đề phát hiện
càng thêm khó khăn và phức tạp.
Những yếu tố nêu trên vẫn có giá trị với trường hợp “ảnh” thu được nhờ vào
các phương phát phát hiện khác với hướng tiếp cận khác để thu được kết quả
tin cậy. Khi đó, phụ thuộc và thuộc tính riêng của loại “nguồn sáng” này mà
người ta sẽ sử dụng thêm các phương pháp xử lý mới.
Việc lựa chọn cách giải quyết sao cho hệ thống hoạt động tốt nhất là một thử
thách khi đã có nhiều cách và phương pháp tiếp cận khác nhau. Bên cạnh đó còn
phải kể đến sự trả giá cho công nghệ (hiệu quả cao nhưng bù lại tốc độ chậm và
ngược lại).
Báo cáo nghiên cứu khoa học
CHƯƠNG 5
KẾT LUẬN
Qua quá trình nghiên cứu, thử nghiệm, và thực hiện đề tài trong thời gian cho
phép với những công cụ lập trình hỗ trợ, chúng em đã hoàn thành hệ thống phát
hiện và nhận biển số xe với các kết quả cụ thể.
Lựa chọn và thực hiện thành công phương pháp phát hiện và nhận dạng biển
số xe với Visual C# là ngôn ngữ lập trình mới, theo xu hướng phát triển phần
mềm trên nền tảng .NET Framework.
Phối hợp tương đối tốt giữa ngôn ngữ lập trình trên Visual C# .NET của Thị
giác máy tính với lý thuyết Xử lý ảnh số.
Là cơ hội tốt mà qua đó chúng em đã có những tìm hiểu thêm về lĩnh vực xử
lý ảnh số, thị giác máy tính và cách ứng dụng vào thực tế. Học hỏi được
nhiều kinh nghiệm thực tế về chuyên môn cũng như các kỹ năng mềm khi
thực hiện đề tài.
Báo cáo nghiên cứu khoa học
5.1.2 Ý nghĩa
Mô hình hóa được ở mức cơ sở hệ thống nhận dạng biển số xe và các công
cụ lập trình tiên tiến kèm theo. Từ đó, chúng em có thể dễ dàng tiếp cận được
các công nghệ và kiến thức mới trong tương lai.
Hệ thống có thể được phát triển thêm ở cấp độ cao hơn với cách bố trí lệnh
code hợp lý hơn nhằm tăng tốc độ cho hệ thống, bên cạnh đó cũng phải đảm
bảo độ tin cậy và chính xác cho hệ thống, nhằm đáp ứng được nhu cầu
nghiên cứu học thuật và áp dụng nó trong thực tế.
Hệ thống có thể phát triển theo hướng cao hơn như tăng cao độ chính xác của
việc xác nhận dạng ký tự cũng như việc xác định biển số xe, với phương
pháp trình bày trên thì tao có thể phát triển thêm những phần sau :
Tìm hiểu thêm vấn đề nhị phân hóa bức ảnh để tăng khả năng nhận
dạng ký tự.
Tăng thêm, đa dạng hơn các dữ liệu huấn luyện xác định biền số cũng
như ký tự. Cũng như chọn lại các trọng số sao cho tăng khả năng nhận
dạng và giảm thời gian xử lý tổng thể
Tăng cường thuật toán nhận dạng KNN áp dụng Logic mờ,đồ thị xấp
xỉ,… có thể tăng đáng kể khả năng nhận dạng ký tự.
Bố trí lại các câu lệnh hợp lý hơn để tăng khả năng nhận diện đồng
thời giảm thời gian xử lý.
Hệ thống cũng có thể được cải tiến và lập trình theo hướng tích hợp trên vi
mạch sử dụng ngôn ngữ lập trình hệ thống nhúng, hệ thống tích hợp trên vi
mạch (SoC - System on Chip),… sẽ là một ứng dụng mang tính linh hoạt
hơn. Bởi vì khi đó hệ thống không còn nhất thiết phải chạy trên nền tảng máy
Báo cáo nghiên cứu khoa học
tính - .NET Frameworks và các máy tính nữa. Được như vậy, thì đề tài sẽ có
tính ứng dụng linh hoạt cao hơn vào các lĩnh vực thực tế cuộc sống.
Theo nhận định của bản thân chúng em, thì đây là một lĩnh vực hay, lý thú,
có nhiều ứng dụng thực tế và bên cạnh đó vẫn còn nhiều vấn đề cần hoàn
thiện thêm. Vì khả năng thực hiện có hạn và thời gian không nhiều cho nên
đề tài không tránh khỏi sơ sót và nhầm lẫn. Xin Quý Thầy Cô thông cảm.
Mong rằng với những ai ham thích và có hứng thú với hướng nghiên cứu này
có thể chia sẻ với chúng em để cùng nhau tiếp tục tìm hiểu, phát triển thêm
để nâng cao tính hữu dụng thực tế cho đề tài. Đó cũng là một trong những
mục tiêu chủ chốt và là lợi ích của đề tài này.
Lời cuối cùng kết lại báo cáo này, chúng em xin chân thành cám ơn đến tất cả các
thầy cô, các anh và các bạn đã quan tâm theo dõi, giúp đỡ chúng em thực hiện đề tài
này.
Báo cáo nghiên cứu khoa học
PHẦN C
PHỤ LỤC
Báo cáo nghiên cứu khoa học
Tiếng Anh :
[1] Gary Bradski, Adrian Kaehler - Learning OpenCV - Oreilly Publishing, 2008.
[2] Robert Laganière - OpenCV 2 Computer Vision - Packt Publishing, 2010.
[3] Intel Corporation - OpenCV with Visual C++.NET 2003 - OpenCV user guide.
[4] Paul Viola, Michael Jones - Rapid Object Detection using a Boosted Cascade of
Simple Features - 2001
Wedsite:
[1] http://www.note.sonotes.com/SciSoftware/haartraining.html
[2] http://www.emgu.com/wiki/index.php/Main_Page
[3] http://www.platerecognition.info