Page 1
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 PHÁT HIỆN VÀ NHẬN DẠNG BIỂN BÁO GIAO THÔNG ĐƯỜNG BỘ SỬ DỤNG ĐẶC TRƯNG HOG VÀ MẠNG NƠRON NHÂN TẠO Trương Quốc Bảo1, Trương Hùng Chen2 và Trương Quốc Định3 1 Khoa Công nghệ, Trường Đại học Cần Thơ 2 Khoa Kỹ thuật - Công nghệ, Trường Cao đẳng Cần Thơ 3 Khoa Công nghệ Thông tin & Truyền thông, Trường Đại học Cần Thơ Thông tin chung: ABSTRACT Ngày nhận: 19/09/2015 In this paper, we proposed computer vision and machine learning Ngày chấp nhận: 10/10/2015 algorithms for an automatic road-sign detection and recognition system using HOG feature and Neural networks. Our system is able to detect and Title: recognize almost road sign categories such as prohibition, danger, Road traffic sign detection warning and information which are not overlapped. The experiments are and recognition using HOG carried out on the dataset of 31 video files. The average time to detect and feature and Artificial Neural identify the road signs on a frame image is approximately 0.021 seconds network when using the classification model with the MLP neural network model, and approximately 0.099 seconds when using the SVM classification Từ khóa: model. The accuracy rate for road sign identification is about 94% for Hệ thống giao thông thông both models. minh, biển báo giao thông đường bộ, đặc trưng HOG, TÓM TẮT mạng Nơron, máy học vectơ Trong bài báo này, chúng tôi trình bày thuật toán xử lý ảnh và máy học để hỗ trợ tự động phát hiện và nhận dạng biển báo giao thông đường bộ sử dụng đặc trưng cục bộ HOG và mạng Nơron nhân tạo. Hệ thống của chúng tôi Keywords: có khả năng phát hiện và nhận dạng hầu hết các loại biển báo giao thông Intelligent transport system, như biển báo cấm, biển báo nguy hiểm, biển hiệu lệnh và biển chỉ dẫn Road traffic signs, HOG không bị chồng lấp. Thực nghiệm được tiến hành với 31 video với thời features, Neural network, gian trung bình để phát hiện và nhận dạng các biển báo giao thông trên support vector machine một frame ảnh xấp xỉ 0.021 giây khi sử dụng mô hình phân lớp với mạng (SVM) nơron nhân tạo và khoảng 0.099 giây khi dùng mô hình phân lớp SVM và độ chính xác nhận dạng khoảng 94%. 1 GIỚI THIỆU nhận dạng biển báo giao thông là một công cụ hỗ Việc ứng dụng công nghệ thông tin để giải trợ trong hệ thống giao thông thông minh. Các hệ quyết các vấn đề trong lĩnh vực giao thông đang là thống như vậy đang được phát triển và ứng một chủ đề nóng ở nước ta hiện nay. Vấn đề phát dụng trong ngành công nghiệp tự động hóa, thông triển giao thông thông minh để giảm thiểu ùn tắc, minh ở một số quốc gia phát triển trên thế giới với tai nạn và tiết kiệm nguồn lực cũng được thảo luận nhiều công trình nghiên cứu của (Arturo de la trong nhiều hội thảo, diễn đàn như diễn đàn cấp Escalera et al., 1997; Auranuch Lorsakul et al., cao Công nghệ Thông tin – Truyền thông Việt 2007; Andrzej Ruta, 2009; Andrzej Ruta, 2011; Nam (Vietnam ICT Summit), 2015. Phát hiện và hay Gauri A. Tagunde et al., 2012). Ở Việt Nam, cũng có một số nghiên cứu về lĩnh vực này như 47
Page 2
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 nghiên cứu của (Lê Thanh Tâm et al., 2009 hay lược một số loại biển báo giao thông đường bộ Nguyễn Duy Khánh et al., 2011). đang sử dụng ở Việt Nam. Các kết quả thực Bài báo này trình bày phương pháp phát hiện và nghiệm và thảo luận được trình bài trong mục 3. nhận dạng các biển báo giao thông đường bộ sử Mục 4 là kết luận và các định hướng tiếp theo của dụng kết hợp các kỹ thuật phân đoạn ảnh, phát hiện bài báo. biên và phân tích hình dáng đối tượng để phát hiện vùng ứng viên có thể là biển báo giao thông. Sau đó, rút trích đặc trưng HOG và huấn luyện mạng Nơron nhân tạo để nhận dạng biển báo. Quy trình xử lý tổng quát của phương pháp được trình bày như trong hình 1. Đầu tiên, ảnh đầu vào sẽ được phân đoạn để loại bỏ nền nhằm làm nổi bật các đối tượng có thể là biển báo giao thông, biên của các đối tượng này sẽ được xử lý lọc kích thước và phân tích hình dáng để chọn ra các vùng ứng viên là biển Hình 1: Quy trình tổng quát của thuật toán báo giao thông. Tiếp theo, các vùng ứng viên sẽ phát hiện và nhận dạng biển báo giao thông được trích đặc trưng HOG, các đặc trưng trích ra đường bộ được phân lớp với mô hình mạng Nơron đã được huấn luyện trước đó để nhận dạng loại biển báo. 2 PHƯƠNG PHÁP NGHIÊN CỨU Kết quả huấn luyện và nhận dạng cũng được so 2.1 Biển báo giao thông đường bộ Việt Nam sánh với mô hình phân lớp sử dụng SVM để xác Biển báo giao thông là phương tiện được dùng định mô hình nhận dạng phù hợp nhất. Mục tiếp để thông báo, chỉ dẫn người tham giao thông điều theo của bài báo trình bày chi tiết phương pháp khiển phương tiện lưu thông nhằm đảm bảo an nghiên cứu, mục này bao gồm kỹ thuật phân đoạn toàn giao thông và được quy chuẩn trong “Quy ảnh dựa trên không gian màu RGB và IHLS, chuẩn kỹ thuật quốc gia về báo hiệu đường bộ”. phương pháp ước lượng kích thước và hình dáng Quy chuẩn này được ban hành kèm theo Thông tư của biển báo giao thông dựa trên biên đối tượng để số 17/2012/TT-BGTVT với mã số đăng ký là: chọn ra các vùng ứng viên, thuật toán trích đặc QCVN 41: 2012/BGTVT. Theo đó, biển báo giao trưng HOG của các vùng ứng viên là biển báo giao thông đường bộ ở nước ta được chia thành 4 nhóm thông, huấn luyện mạng Nơron. Trước khi trình chính, Bảng 1 trình bày một số biển báo tương ứng bày chi tiết các nội dung, chúng tôi giới thiệu sơ với mỗi nhóm. Bảng 1: Bốn nhóm biển báo chính ở nước ta TT Tên nhóm Nội dung Gồm 40 biển báo được đánh số thứ tự từ 101 đến 140 và tên tương ứng. Các biển 1 Biển báo cấm báo trong nhóm này biểu thị các điều cấm hoặc hạn chế mà người sử dụng đường phải chấp hành. Một số biển thuộc nhóm này là: , , , , … Gồm 47 biển báo đượcđánh thứ tự từ 201 đến 247 và tên tương ứng. Các biển này 2 Biển báo nguy hiểm được dùng để cảnh báo các tình huống nguy hiểm. Một số biển trong nhóm là: , , , , , … Gồm 10 biển có số thứ tự từ 301 đến 310 và tên tương ứng, được dùng để báo các 3 Biển hiệu lệnh hiệu lệnh cho người sử dụng đường. Một số biển trong nhóm này là: , , … Gồm có 47 biển được đánh thứ tự từ 401 đến 447 và tên tương ứng, dùng để chỉ 4 Biển chỉ dẫn hướng đi và các điều cần thiết. Một số biển trong nhóm , , … 2.2 Phân đoạn ảnh Đầu tiên, ảnh đầu vào trong không gian màu RGB Phân đoạn ảnh là một bước quan trọng trong được chuyển sang không gian màu IHLS bằng các ứng dụng xử lý ảnh. Trong nghiên cứu này, công thức (1), (2) và (3).Trong đó, R là thành phần chúng tôi tiến hành phân đoạn ảnh dựa vào màu đỏ đỏ (Red), G là xanh lục (Green), B là xanh lam (Red) trên các biển báo cấm và nguy hiểm; màu (Blue) trong không gian màu RGB và H là thành xanh lam (Blue) trên các biển hiệu lệnh và chỉ dẫn. phần màu sắc (Hue), L là độ sáng (Lightness), S là độ bão hòa trong không gian màu IHLS. 48
Page 3
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 ۓ ܩ ܤ ݂݅ ߠ ൌ ܪ 2.3 Phát hiện vùng ứng viên ܩ ܤ ݂݅ ߠ െ ൌ 360 ܪ Ảnh trắng đen thu được ở giai đoạn trước được ಸ ಳ (1) lọc bằng bộ lọc Median kích thước 5x5 để loại bớt ۖ۔ ଵ ቂோି ቃ ିݏ ܿൌ ߠ ቆ మି మ ቇ các vùng nhiễu. Tiếp theo, chúng tôi sử dụng hàm ۖە ඥோమାீ మାమିோீିோିீ findContours() trong thư viện OpenCV để dò biên L = 0.2126R + 0.7152G + 0.0722B (2) của các đối tượng trong ảnh. Hình 5 trình bày kết S = max(R, G, B) – min(R, G, B) (3) quả tìm biên của các đối tượng trong ảnh trắng đen Sau khi chuyển ảnh sang không gian màu đã trình bày ở Hình 4. IHLS, giá trị H và S được chọn tương ứng với màu đỏ hoặc màu xanh lam trên biển báo giao thông. Đối với màu đỏ, những điểm ảnh (pixels) có giá trị H<15 hoặc H>183 và S>16 được thể hiện trong ảnh trắng đen với màu trắng (giá trị 1), những điểm ảnh còn lại được thể hiện với màu đen (giá trị 0). Đối với màu xanh lam, tương tự như trên, những pixels có giá trị 143<H<170 và S>36 được thể hiện bằng màu trắng, những pixels còn lại được thể hiện bằng màu đen. Hình 2, Hình 3 và Hình 4 lần lượt là các ảnh RGB, IHLS và ảnh trắng đen khi phân Hình 5: Kết quả tìm biên của các đối tượng đoạn dựa màu đỏ trên biển báo. Do hình dạng của các biển báo giao thông đều là các đa giác lồi, để tìm các đa giác lồi này, hàm isContourConvex() trong thư viện OpenCV được sử dụng. Mặc dù kích thước của vùng ứng viên biển báo giao thông thực sự có tỷ lệ w/h xấp xỉ 1 nhưng khi truy xuất các frame ảnh từ tập tin video, tỉ lệ này sẽ thay đổi tùy theo khoảng cách, thời gian và góc nhìn. Tùy theo góc nhìn mà có thể chiều cao sẽ lớn hơn chiều rộng và ngược lại. Thực nghiệm cho thấy tỷ lệ phù hợp cho các vùng ứng viên với Hình 2: Ảnh trong không gian màu RGB các góc nhìn khác nhau thỏa w/h < 1/3 và h/w < 1/7. Vì vậy, sau khi trích được các vùng ứng viên, chúng tôi sử dụng ràng buộc tỷ lệ chiều rộng w và chiều cao h thỏa w/h < 1/3 và h/w < 1/7 để chọn các vùng ứng viên thực sự. 2.4 Đặc trưng HOG Đặc trưng HOG được đề xuất bởi N.Dalal, et al., 2005. Ý tưởng đặc trưng HOG xuất phát từ hình dạng và trạng thái của vật có thể được đặc trưng bằng sự phân bố về cường độ và hướng của cạnh. Đặc trưng HOG gồm một số loại như: R- Hình 3: Ảnh chuyển từ RGB sang IHLS HOG, R2-HOG và C-HOG. Theo J. Stallkamp, et al., 2012 đặc trưng HOG cho phép mô tả tốt cho các dạng biển báo giao thông có hình dạng khác nhau. Vì vậy, trong nghiên cứu này, chúng tôi sử dụng đặc trưng HOG cho mục đích trích đặc trưng biển báo phục vụ cho thao tác nhận dạng. Nội dung kế tiếp, chúng tôi trình bày các bước thực hiện để trích đặc trưng R-HOG cho các vùng ảnh ứng viên được sử dụng trong nghiên cứu này. 2.4.1 Các bước trích đặc trưng HOG trên ảnh Bước 1: Tính cường độ và hướng biến thiên tại Hình 4: Ảnh trắng đen mỗi pixel bằng công thức (4), (5). 49
Page 4
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 Cường độ: | |ܩൌ ඥܫଶ ܫ ଶ (4) kém hơn. ௫ ௬ Hướng: ൌ ߠ ௧ூೣ (5) v ூ L2-norm: f = (9) 2 v +e2 Bước 2: Chia ảnh đầu ra ở bước trên thành 2 nhiều khối (block), mỗi khối có số ô bằng nhau, v mỗi ô có số pixels bằng nhau. Các khối được xếp L1-norm: f = (10) ( v1 + e) chồng lên nhau một ô như ở Hình 6. Số khối được tính bằng công thức (6). Trong đó, Wimage, v H ,W , H , W , H lần lượt là chiều L1-sqrt: f = (11) image block block cell cell ( v + e) rộng, chiều cao của ảnh, khối và ô. 1 Trong các công thức trên, v là vectơ đặc trưng ban đầu của khối, v là k-norm của v( k = 1, 2), k e là hằng số nhỏ. Hình 6: Chia khối trích đặc trưng HOG Ghép các vectơ đặc trưng khối tạo nên ảnh để được đặc trưng R-HOG cho ảnh. Số chiều vectơ WimageWblock Wcell HimageHblock Hcell (6) đặc trưng của ảnh tính theo công thức sizefeature/image n =( +1)( +1) = n * size ,với n là khối block/image W H cell cell blocks/image feature/block blocks/image và sizefeature/blocklà số chiều vectơ đặc trưng mỗi Bước 3: Tính vectơ đặc trưng cho từng khối khối. Tính vectơ đặc trưng từng ô trong khối 2.4.2 Áp dụng các bước trích đặc trưng HOG Chia không gian hướng thành p bin (số trên vùng ảnh ứng viên chiều vectơ đặc trưng của ô). Mỗi vùng ảnh ứng viên ở giai đoạn trước được Góc hướng nghiêng tại pixel (x,y) có độ lớn đưa về kích thước 32x32 và tiến hành các bước α(x,y) được rời rạc hóa vào một trong p bin. trích đặc trưng HOG. Cụ thể là, ảnh được chia thành 49 khối, mỗi Rời rạc hóa unsigned-HOG (p=9): khối chứa 2x2 ô, mỗi ô trong khối chứa 4x4 pixels p α(x, y) (7) và các khối xếp chồng lên nhau một ô. B(x, y) = round( )mod p π Số chiều vectơ đặc trưng tại mỗi ô là 9 (sử dụng Rời rạc hóa signed-HOG (p=18): 9 bin) và số chiều vectơ đặc trưng mỗi khối là 9x2x2 = 36 chiều (vì mỗi khối có 2x2 ô). Do đó, số p α(x, y) (8) chiều vectơ đặc trưng của ảnh là 49x36 = 1764 B(x, y) = round( )mod p 2π chiều. Giá trị bin được định lượng bởi tổng cường độ 2.5 Phân lớp biến thiên của các pixels thuộc về bin đó. Phân lớp là một giai đoạn trong bài toán nhận Nối các vectơ đặc trưng ô để được vectơ đặc dạng. Quá trình phân lớp nhằm gán dữ liệu đầu vào trưng khối. Số chiều vectơ đặc trưng của khối tính (thường là vectơ n chiều) vào lớp mong muốn bằng theo công thức size =n *size . các giải thuật máy học. Trong bài báo này, mạng feature/block cells feature/cell Nơron nhân tạo (ANNs) được dùng để huấn luyện Trong đó, ncells là số ô trong khối và sizefeature/cell là số chiều vectơ đặc trưng của ô bằng 9 (unsigned- mô hình phân lớp dữ liệu cho mục đích nhận dạng HOG) hoặc 18 (signed-HOG). các biển báo giao thông trích ra ở giai đoạn trước. Tiếp theo, chúng tôi trình bày tổng quát mạng Bước 4: Tính vectơ đặc trưng cho ảnh Perceptron đa tầng (MLP). Chuẩn hóa vectơ đặc trưng các khối bằng MLP là loại mạng nơron truyền thẳng gồm một trong các công thức (9), (10), (11). Theo N. nhiều tầng. Hình 7 minh họa kiến trúc tổng quát Dalal và B. Triggs, kết quả chuẩn hóa khi dùng mạng nơron MLP 3 tầng. L2-norm và L1-sprt là như nhau, L1-norm thì 50
Page 5
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 nhận giá trị đầu vào và truyền cho các nơron ở tầng ẩn 1. Các tầng không là đầu vào hay đầu ra được gọi là các tầng ẩn (hidden layer) vì chúng trong suốt với người dùng, kết quả đầu ra của các nơron ở tầng ẩn được chuyển đến các nơron của tầng kế tiếp hoặc các nơ ron tầng đầu ra, người dùng không thấy được các giá trị trung gian này mà chỉ biết được kết quả của các nơron đầu ra. 3 KẾT QUẢ VÀ THẢO LUẬN 3.1 Các tập dữ liệu Hình 7: Mạng nơron MLP 3 tầng Chúng tôi đã thu thập các tập dữ liệu biển báo Trên hình, mỗi vòng cùng với số biểu diễn một giao thông, Bảng 2 và Bảng 3 tương ứng trình bày nơron, các nơron được tổ chức thành nhiều tầng các tập dữ liệu dùng để huấn luyện hai mô hình (tầng đầu vào, tầng ẩn và tầng đầu ra). Tầng đầu phân lớp cho mục đích nhận dạng các biển báo vào (input layer) không chứa nơron nào cả, các được phát hiện ứng với phân đoạn ảnh dựa vào hình ngũ giác ở tầng đầu vào biểu diễn các điểm màu đỏ và màu xanh lam. Bảng 2: Tập dữ liệu 1 Mẫu Số lượng trong Số lượng trong Nhãn Mẫu Số lượng trong Số lượng trong Nhãn tập huấn luyện tập kiểm tra (lớp) tập huấn luyện tập kiểm tra (lớp) Không là 1511 618 0 570 201 12 biển báo 2064 281 1 115 21 13 258 169 2 145 21 14 245 124 3 76 22 15 513 61 4 149 78 16 375 211 5 464 215 17 135 54 6 80 123 18 899 191 7 528 83 19 746 120 8 1050 222 20 153 88 9 152 26 21 484 165 10 60 41 22 267 170 11 91 39 23 Bảng 3: Tập dữ liệu 2 Mẫu Số lượng trong Số lượng trong Nhãn Mẫu Số lượng trong Số lượng trong Nhãn tập huấn luyện tập kiểm tra (lớp) tập huấn luyện tập kiểm tra (lớp) Không là 810 666 0 652 43 3 biển báo 75 41 1 1857 378 4 1462 178 2 271 52 5 51
Page 6
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 3.2 Kết quả huấn luyện (là nhãn của mẫu). Đối với tập dữ liệu 1, chúng tôi huấn luyện mô Đối với tập dữ liệu 2, chúng tôi cũng dùng hình phân lớp biển báo bằng mạng MLP 3 tầng. Cụ mạng MLP 3 tầng để huấn luyện mô hình phân lớp. thể là, tầng 1 nhận vào một vectơ 1764 chiều (đặc Tầng 1 (tầng đầu vào) thì tương tự như trên, còn số trưng HOG của các mẫu trong tập huấn luyện). nơron ở tầng 2 (tầng ẩn) là 80 và tầng 3 (tầng Tầng 2 (tầng ẩn) có 193 nơron nhận dữ liệu ở tầng đầu ra) có 6 nơron tương ứng với 6 lớp từ lớp 0 đến đầu vào và tính toán để được đầu ra mong muốn. lớp 5. Tầng đầu ra gồm 24 nơron (24 lớp), mỗi nơron đầu Kết quả huấn luyện khi dùng tập kiểm tra tương ra nhận một trong các giá trị trong khoảng 0 đến 23 ứng được trình bày ở Bảng 4 bên dưới. Bảng 4: Kết quả huấn luyện mạng MLP với đặc trưng HOG Số mẫu phân lớp đúng Số mẫu phân lớp sai Tập dữ liệu 1 Tập huấn luyện (11130 mẫu) 3130/3344 214/3344 Tập kiểm tra (3344 mẫu) (chiếm 93.6%) (chiếm 6.4%) Tập dữ liệu 2 Tập huấn luyện (5127 mẫu) 1350/1358 8/1358 (chiếm 99.41%) (chiếm 0.59%) Ngoài ra, chúng tôi còn sử dụng thư viện phân đa lớp), -t = 2 (hàm nhân sử dụng là hàm libsvm huấn luyện mô hình phân lớp trên các tập Radial Basis Function (RBF)), -g = 0.0078125 ( dữ liệu, đây là một thư viện máy học vectơ hỗ trợ của hàm nhân là 0.0078125), -c = 32 (hằng số c (SVM) được phát triển bởi Chil-Chung Chang và (chi phí) là 32). Các giá trị này được chọn bằng Chil-Jen Lin. Giá trị các tham số của hàm svm- công cụ grid.py trong thư viện LibSVM. Kết quả train trong thư viện dùng để huấn luyện trên cả hai huấn huyện được trình bày trong Bảng 5 (Trương tập dữ liệu là: -s = 0 (loại bài toán huấn luyện là Hùng Chen, 2015). Bảng 5: Kết quả huấn luyện mô hình với SVM và đặc trưng HOG Số mẫu phân lớp đúng Số mẫu phân lớp sai Tập dữ liệu 1 Tập huấn luyện (11130 mẫu) 3155/3344 189/3344 Tập kiểm tra (3344 mẫu) (chiếm 94.35%) (chiếm 5.65%) Tập dữ liệu 2 Tập huấn luyện (5127 mẫu) 1353/1358 3/1358 (chiếm 99.63%) (chiếm 0.37%) Chúng tôi đã tiến hành thực nghiệm với 31 tương đối nhanh trung bình khoảng 0.021 video được quay bằng máy ảnh Canon IXUS 130 giây/frame so với mô hình SVM là khoảng 0.099 và máy ảnh NIKON COOLPIX S2600 trong điều giây/frame. kiện ánh sáng ban ngày bình thường trên các tuyến Một số hình ảnh minh họa quá trình phát hiện đường tại thành phố Cần Thơ, Hậu Giang, Kiên và nhận dạng một số biển báo hiệu giao thông được Giang và Sóc Trăng. Máy ảnh được đặt cố định trình bày trong Hình 8. Kết quả phát hiện và nhận thẳng với hướng di chuyển với tốc độ quay 30 dạng là khá tốt đáp ứng yêu cầu của hệ thống nhận frames/giây. Chúng tôi tiến hành trích từng frame dạng biển báo giao thông đường bộ. Tuy nhiên, ảnh với độ phân giải là 1360x1024 pixel trên các trường hợp các biển báo bị hư hỏng nặng hoặc tập tin video và được đưa về ảnh 640x480 để xử lý. chồng lấp nhau tương đối lớn hệ thống sẽ không Cả hai mô hình nhận dạng SVM và mạng nơron phát hiện được vì bước phân đoạn ảnh sẽ không đều cho kết quả khá tốt (độ chính xác khoảng xây dựng được các đa giác lồi là các vùng ứng viên 94%). Về thời gian, mô hình mạng nơron thực hiện cho biển báo. 52
Page 7
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 Hình 8: Một số kết quả phát hiện và nhận dạng biển báo giao thông đường bộ. Ảnh bên trái với các vùng ứng viên được phát hiện tương ứng ảnh bên phải là kết quả nhận dạng 4 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN chồng lấp. Đổng thời nghiên cứu so sánh và tìm đặc trưng phù hợp, tăng số lượng mẫu huấn luyện 4.1 Kết luận và kiểm tra để nâng cao độ chính xác của hệ thống. Trong nghiên cứu này, chúng tôi đã sử dụng Mở rộng hệ thống để phát hiện và nhận dạng thêm các kỹ thuật xử lý ảnh và máy học để phát hiện và các kiểu biển báo khác. nhận dạng một số loại biển báo giao thông đường TÀI LIỆU THAM KHẢO bộ ở nước ta. Kết quả huấn luyện các mô hình máy học (mạng nơron nhân tạo và SVM) sử dụng đặc 1. Diễn đàn Cấp cao Công nghệ Thông tin – trưng HOG trên các tập dữ liệu do chúng tôi thu Truyền thông Việt Nam (Vietnam ICT thập khá cao (khoảng 94%). Kết quả thực nghiệm Summit), 2015. CNTT và Quản trị thông minh. cho thấy thời gian trung bình để phát hiện và nhận 2. Arturo de la Escalera, Luis E. Moreno, dạng các biển báo trên một frame ảnh xấp xỉ 0.021 Miguel Angel Salichs, JoséMaría Armingol, giây khi sử dụng mô hình phân lớp với mạng nơron 1997. Road Traffic Sign Detection and nhân tạo và khoảng 0.099 giây khi dùng mô hình Classification, IEEE Transactions on phân lớp SVM. Các kết quả nghiên cứu này đầy Industrial Electronics, 44(6): 848-859. hứa hẹn và có thể áp dụng vào phát hiện và nhận 3. Auranuch Lorsakul, Jackrit Suthakorn, dạng các biển báo giao thông trong thực tế. Traffic Sign Recognition Using Neural 4.2 Hướng phát triển Network on OpenCV: Toward Intelligent Trong tương lai, chúng tôi sẽ nghiên cứu cải Vehicle/Driver Assistance System, Center tiến phương pháp phát hiện vùng ứng viên để giải for Biomedical and Robotics Technology quyết trường hợp các biển báo bị hư hỏng hoặc (BARTLAB), Department of Biomedical 53
Page 8
Tap cḥ ı́ Khoa hoc Tṛ ường Đai họ c Cậ ̀n Thơ Số chuyên đề: Công nghệ Thông tin (2015): 47-54 Engineering, Faculty of Engineering, 9. Bộ Giao thông vận tải, Bộ Khoa học Công Mahidol University, ThaiLand. nghệ, Tổng cục Đường bộ Việt Nam, 2015. 4. Andrzej Ruta, 2009. Video-based Traffic Quy chuẩn kỹ thuật quốc gia về báo hiệu Sign Detection, Tracking and Recognition, đường bộ, Hà Nội. Doctor of Philosophy, Brunel University, 10.N.Dalal and B.Triggs, 2005. Histograms of West London. Oriented Gradients for Human Detection, 5. Andrzej Ruta, Fatih Porikli, Shintaro Proceeding on IEEE Computer Society Watanabe, Yongmin Li , 2011. In Vehicle Conference on Computer Vision and Pattern Camera Traffic Sign Detection and Recognition, CVPR (1):886-893. Recognition, Machine Vision and 11.J. Stallkampa, M. Schlipsinga, J. Salmena, Applications (22):359-375. C. Igelb, 2012. Man vs. Computer: 6. Gauri A. Tagunde, C.O.Banchhor, Nilesh J. Benchmarking Machine Learning Uke, Detection Classification and Recognition Algorithms for Traffic Sign Recognition, of Road Traffic Signs Using Color and Shape Preprint submitted to Elsevier. feature, International Journal of Advanced 12.Chil-Chung Chang and Chil-Jen Lin, 2014. Technology & Engineering Research LibSVM – A Library for Support Vector Machines. (IJATER), 2(4): 202-206. 13.Trương Hùng Chen, 2015. Xây dựng bộ 7. Lê Thanh Tâm, Trần Thái Sơn, Seichii công cụ phát hiện và nhận dạng bảng hiệu Mita, 2009. Phát hiện và phân loại biển báo điều khiển giao thông. Luận văn Thạc sĩ giao thông dựa trên SVM trong thời gian ngành Công nghệ thông tin, Trường Đại học thực. Tuyển tập công nghệ thông tin và Cần Thơ. Thành phố Cần Thơ. truyền thông 2009: 44-50. 8. Nguyễn Duy Khánh, Lê Đình Duy, Dương Anh Đức, 2011. Phát hiện biển báo giao thông dùng đặc trưng cục bộ (local features). Hội thảo FAIR (Fundamental And Applied IT Research) lần V, Tháng 08-2011. 54
Affichage des 8 premières pages. Téléchargez le document pour le voir en entier.
Commentaires (0)
Aucun commentaire pour le moment. Soyez le premier !