Ứng dụng máy học trong xác định vị trí biển số xe
Creators
- 1. Faculty of Natural Science and Technology, Tay Nguyen University (Khoa Khoa học Tự nhiên và Công nghệ, Trường Đại học Tây Nguyên)
Description
Bài toán quản lý giao thông thông minh thông qua nhận diện biển số xe tự động đã và đang nhận được sự quan tâm nghiên cứu, phát triển của đông đảo các nhà nghiên cứu, nhà khoa học, cũng như các doanh nghiệp và nhà quản lý. Có nhiều phương pháp và hướng tiếp cận để xác định đối tượng (biển số xe) trong ảnh và video, trong đó phương pháp ứng dụng trí tuệ nhân tạo trong tự động nhận diện vị trí của biển số xe đang được ứng dụng rộng rãi. Bài báo này trình bày kết quả nhận diện vị trí biển số xe trong ảnh ứng dụng máy học với mô hình YOLOv4 (một mô hình mạng CNN) thông qua việc huấn luyện và kiểm thử với bộ dữ liệu Open Images của Google. Kết quả, YOLOv4 được huấn luyện từ mô hình được huấn luyện trước với 137 lớp (yolov4.conv.137) đạt tỷ lệ chính xác trung bình mAP là 88,7%, và với mô hình đã huấn luyện trước với 29 lớp (yolov4-tiny.conv.29) đạt tỷ lệ mAP là 83,7%. Bên cạnh đó, mô hình có thể nhận dạng vị trí biển số xe trong các hình ảnh tình huống giao thông thực tế, phức tạp với độ chính xác cao.
Files
TCKH_57_4.pdf
Files
(1.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:ad7b0808a5f42062fcb8e979a2cc09d9
|
1.0 MB | Preview Download |
Additional details
References
- Lê Anh Duy (2016). Nghiên cứu đề xuất các phương pháp bóc tách biển số xe sử dụng công nghệ xử lý ảnh, Trường Đại học Bách Khoa Hà Nội.
- Nguyễn Văn Huân (2016). Nhận dạng biển số xe máy dựa trên phương pháp hình thái học, Học viện Công nghệ bưu chính viễn thông.
- Farhat, A. A., Al-Zawqari, A., Hommos, O., Al-Qahtani, A., Bensaali, F., Amira, A., & Zhai, X. (2017, May). OCR-based hardware implementation for qatari number plate on the Zynq SoC. In 2017 9th IEEE-GCC Conference and Exhibition (GCCCE) (pp. 1-9). IEEE.
- Yepez, J., & Ko, S. B. (2018). Improved license plate localisation algorithm based on morphological operations. IET Intelligent Transport Systems, 12(6), pp. 542-549.
- Hommos, O., Al-Qahtani, A., Farhat, A., Al-Zawqari, A., Bensaali, F., Amira, A., & Zhai, X. (2016, March). HD Qatari ANPR system. In 2016 International Conference on Industrial Informatics and Computer Systems (CIICS) (pp. 1-5). IEEE.
- Chang, S. L., Chen, L. S., Chung, Y. C., & Chen, S. W. (2004). Automatic license plate recognition. IEEE transactions on intelligent transportation systems, 5(1), pp. 42-53.
- Ter Brugge, M. H., Stevens, J. H., Nijhuis, J. A. G., & Spaanenburg, L. (1998, April). License plate recognition using DTCNNs. In 1998 Fifth IEEE International Workshop on Cellular Neural Networks and their Applications. Proceedings (Cat. No. 98TH8359) (pp. 212-217). IEEE.
- Montazzolli, S., & Jung, C. (2017, October). Real-time brazilian license plate detection and recognition using deep convolutional neural networks. In 2017 30th SIBGRAPI conference on graphics, patterns and images (SIBGRAPI) (pp. 55-62). IEEE.
- Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).
- Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.
- Bulan, O., Kozitsky, V., Ramesh, P., & Shreve, M. (2017). Segmentation-and annotation-free license plate recognition with deep localization and failure identification. IEEE Transactions on Intelligent Transportation Systems, 18(9), pp. 2351-2363.