Nghiên cứu nâng cao hiệu năng trong hệ thống nhận dạng biển số xe
Hiện nay, ngành công nghệ thông tin đang ngày một phát triển. Những thiết bị tự động ngày một nhiều hơn, đa dạng hơn và hỗ trợ cho con người nhiều hơn. Trong đó, lĩnh vực nghiên cứu về thị giác máy đã có nhiều ứng dụng thực tế được ghi nhận như nhận dạng biển số xe, nhận dạng dấu vân tay, nhận dạng mã vạch, tương tác giữa người và máy… Chính vì lẽ đó, nghiên cứu thị giác máy đang là một xu hướng của thế giới số.
Có thể nói hệ thống nhận dạng biển số xe đã có rất nhiều công trình nghiên cứu với các phương pháp tiếp cận khác nhau. Những nghiên cứu này xoay quanh vấn đề tìm cách tiếp cận và xây dựng mô hình thuật toán theo hướng giải quyết đơn lẻ các bài toán nhỏ và tổng hợp thành các bài toán lớn. Trong đó giai đoạn xử lý khử nhiễu để nhận dạng biển số xe được xem là bước quan trọng nhất và hiện tại vẫn chưa tìm được phương án tối ưu. Chính vì vậy tôi chọn đề tài “Nghiên cứu nâng cao hiệu năng trong hệ thống nhận dạng biển số xe”. Với vai trò như đã phân tích ở trên đề tài này tập trung vào xây dựng hệ thống nhận dạng biển số xe nhằm khắc phục những ảnh có độ nhiễu cao hình ảnh chụp trong những điều kiện khác nhau hay trong điều kiện ánh sáng không tốt như ban đêm…
2. Mục tiêu và nhiệm vụ đề tài
Đề tài nghiên cứu xây dựng hệ thống nhận dạng biển số xe hiệu quả và ổn định nhất
Để đạt được các mục tiêu trên, đề tài tập trung vào các nhiệm vụ cụ thể như sau:
– Phân tích đặc điểm của bài toán xử lý ảnh để từ đó đề ra các giải pháp hợp lý trong việc xây dựng và triển khai hệ thống.
– Tìm hiểu và ứng dụng xử lý ảnh trong thực tế với các thư viện hỗ trợ.
– Phân tích và đánh giá kết quả đạt được khi thực hiện hệ thống đối với các bộ dữ liệu thử đơn giản.
– Phân tích và đánh giá kết quả đạt được khi ảnh có nhiều đối tượng nhiễu, nhiều vùng ký tự.
3. Đối tượng và phạm vi nghiên cứu
– Xây dựng hệ nhận dạng biển số xe trong thực tế.
– Nâng cao độ chính xác cho hệ thống nhận dạng biển số xe.
Dựa trên dữ liệu thu thập để tiến hành kiểm thử chất lượng hệ thống nhận dạng biển số xe.
4.1. Phương pháp nghiên cứu tài liệu
– Nghiên cứu tài liệu, ngôn ngữ và công nghệ liên quan.
– Tổng hợp tài liệu, phương pháp xử lý ảnh và các thư viện hỗ trợ xử lý ảnh
4.2. Phương pháp nghiên cứu thực nghiệm
– Phân tích và thiết kế hệ thống nhận dạng biển số xe.
– Thử nghiệm hệ thống và đánh giá kết quả đạt được với những hình ảnh có đỗ nhiễu cao.
6. Mục đích và ý nghĩa của đề tài
Nghiên cứu nâng cao độ chính xác cho hệ thống nhận dạng biển số xe.
6.2. Ý nghĩa khoa học và thực tiễn của đề tài
a. Về mặt khoa học
– Nhận dạng biển số xe là một vấn đề tuy không mới nhưng khi đưa vào thực tế sử dụng thì còn nhiều hạn chế, trong đó có vấn đề về xử lý những hình ảnh có độ nhiễu cao do nhiều yếu tố như góc chụp của ảnh, điều kiện thời tiết, điều kiện ánh sáng…
– Kết quả nghiên cứu của đề tài sẽ tạo nền tảng và cơ sở để tiếp tục nghiên cứu phát triển hệ thống ứng dụng vào thực tế cuộc sống hiện nay.
b. Về mặt thực tiễn
Kết quả của đề tài là xây dựng hệ thống nhận dạng biển số xe để đưa ra kết quả chính xác hơn những biển số xe thông qua hình ảnh ghi được từ hệ thống camera hoặc hình ảnh.
Xây dựng hệ thống nhận dạng biển số xe cho ra kết quả chính xác và ổn định.
Nội dung chính của luận văn được chia thành 3 chương sau:
Chương 1.Tổng quan về xử lý ảnh
Chương 2. Tổng quan về hệ thống nhận dạng biển số xe
Chương 3. Ứng dụng mạng Nơ-ron để nhận dạng ký tự trong hệ thống nhận dạng biển số xe
1.1. NHỮNG KHÁI NIỆM VỀ ẢNH SỐ
1.2. MỘT SỐ KHÁI NIỆM VỀ XỬ LÝ ẢNH
1.4. MỘT SỐ ỨNG DỤNG CỦA XỬ LÝ ẢNH
KẾT LUẬN CHƯƠNG 1:
Chương này trình bày một số khái niệm chung về ảnh số và xử lý ảnh. Đồng thời cũng giới thiệu một số ứng dụng của xử lý ảnh trong cuộc sống hiện nay.
CHƯƠNG 2
TỔNG QUAN HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
2.1. GIỚI THIỆU HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE CƠ BẢN
Ảnh đầu vào
Trích vùng biển số xe
Tách các ký tự trên biển số xe
Nhận dạng ký tự
Xử lý và đưa ra kết quả
Hình 2.1. Các bước tiến hành nhận dạng biển số xe
2.1.1. Chuyển ảnh sang ảnh mức xám
2.1.3. Một số phương pháp tách ký tự trong vùng chứa biển số
2.1.4. Phương pháp nhận dạng ký tự
2.2. XÂY DỰNG HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE SỬ DỤNG MỘT SỐ CẢI TIẾN KỸ THUẬT XỬ LÝ ẢNH
Sau khi thống kê được mức xám trên ảnh ban đầu, chúng ta sẽ nhận được một đồ thị biểu diễn mức xám có hai đỉnh, một đỉnh biểu diễn cho những vùng là text, đỉnh còn lại biểu diễn cho những vùng là nền của ảnh. Theo Otsu, ngưỡng k* tốt nhất được chọn là giá trị mà tại đó nó làm cho sự chênh lệch giữa hai đoạn trên đồ thị đạt cực đại.
2.2.2. Thuật toán K-means trong xử lý ảnh
K-Means là thuật toán rất quan trọng và được sử dụng phổ biến trong kỹ thuật phân cụm.
– Thuật toán K-means gồm các bước sau:
B1. Chọn ngẫu nhiên K tâm (centroid) cho K cụm (cluster). Mỗi cụm được đại diện bằng các tâm của cụm.
B2. Tính khoảng cách giữa các đối tượng (objects) đến K tâm (thường dùng khoảng cách Euclidean)
B3. Nhóm các đối tượng vào nhóm gần nhất
B4. Xác định lại tâm mới cho các nhóm
B5. Thực hiện lại bước 2 cho đến khi không có sự thay đổi nhóm nào của các đối tượng
Lọc trung vị (Median) là kỹ thuật lọc phi tuyến (non-linear).
Mục đích của phương pháp lọc này nhằm loại bỏ nhiễu mà vẫn đảm bảo độ phân giải. Tuy nhiên hiệu quả sẽ giảm đi khi số điểm nhiễu lớn hơn hay bằng một nửa số điểm ảnh.
Sơ lược một cách ngắn gọn các bước của giải thuật:
B1: Quét cửa sổ lọc lên các thành phần của ảnh gốc; điền các giá trị được quét vào cửa sổ lọc.
B2: Lấy các thành phần trong cửa sổ lọc để xử lý.
B3: Sắp xếp theo thứ tự các thành phần trong cửa sổ lọc.
B4: Lưu lại thành phần trung vị, gán cho ảnh đầu ra.
2.2.4. Loại bỏ các vùng không mong muốn
Bước 1: Loại bỏ các vùng liên thông với biên của ảnh, vì ký tự của biển số xe không nằm trên vùng liên thông với biên.
Bước 2: Loại bỏ các vùng nhỏ hơn 15 pixels. Từ kết quả thực nghiệm, chúng tôi xác định rằng ký tự có thể nhận dạng được nếu có kích thước tối thiểu là 15 pixels.
Bước 3: Loại bỏ các vùng chứa đường thẳng mỏng 1 pixel có độ dài hơn 20 pixels. Nếu độ dày của ký tự là 1 pixel thì ký tự này rất nhỏ nên các đường thẳng của các ký tự không thể dài hơn 20 pixels.
Bước 4: Tương tự, loại bỏ các vùng có chứa đường thẳng mỏng 2 pixels có độ dài lớn hơn 35 pixels.
Bước 5: Loại các vùng với số lượng pixel quá lớn. Vùng được xem là vùng có số lượng pixel quá lớn khi số lượng pixel của vùng này lớn gấp 4 lần số lượng pixel của một ký tự bất kỳ trong biển số.
2.3.2. Một vài ứng dụng của mạng Nơron nhân tạo
2.4. MÔ HÌNH MẠNG NƠRON VÀ CÁCH THIẾT LẬP MẠNG MẠNG NƠRON NHÂN TẠO
2.4.1. Mô hình một Nơron nhân tạo
2.4.2. Cách thức huấn luyện mạng nơron
2.5. CƠ SỞ LÝ THUYẾT VÀ GIẢI THUẬT MẠNG LAN TRUYỀN NGƯỢC
2.5.1. Thuật toán mạng lan truyền ngược
2.5.2. Những hạn chế và ưu điểm của phương pháp lan truyền ngược
2.5.3. Sử dụng thuật toán lan truyền ngược
2.5.4. Một số biến thể của thuật toán lan truyền ngược
2.6. MỘT SỐ VẤN ĐỀ QUÁ KHỚP VÀ HƯỚNG GIẢI QUYẾT
Vấn đề quá khớp:
Xảy ra khi mạng được luyện quá sát với dữ liệu huấn luyện, bởi vậy nó sẽ trả lời chính xác những gì đã được học, còn những gì không được học thì nó không quan tâm. Như vậy mạng sẽ không có được khả năng tổng quát hóa.
Về mặt toán học, một giả thuyết (mô hình) h được gọi là quá khớp nếu tồn tại giả thuyết h’ sao cho:
1. Error train (h) < Error train (h’)
2. Error test (h) > Error test (h’)
Giải quyết quá khớp:
Vấn đề quá khớp xảy ra vì mạng có năng lực quá lớn. Có 3 cách để hạn chế bớt năng lực của mạng:
– Hạn chế số nút ẩn
– Ngăn không cho mạng sử dụng các trọng số lớn
– Giới hạn số bước luyện
Hình 2.10. Mạng quá khớp với mẫu huấn luyện
Hình 2.11. Mạng được dừng huấn luyện đúng lúc
Kết luận
Việc thiết kế một mạng nơron khi các biến đầu vào đã được chọn gồm các bước sau:
B1: Chọn cấu hình ban đầu, thường một lớp ẩn có số nơron ẩn bằng nửa tổng số nơron đầu vào và đầu ra.
B2: Thực hiện lặp đi lặp lại số thí nghiệm của mỗi cấu hình, giữ lại mạng tốt nhất dựa trên sai số xác minh. Thí nghiệm nhiều lần trên mỗi cấu hình mạng để tránh rơi vào sai số cục bộ.
B3: Trong mỗi lần thí nghiệm, nếu xảy ra việc học chưa đủ, mạng chưa đạt được mức hiệu suất chấp nhận thì thử tăng số nơron trong lớp ẩn. Nếu vẫn không hiệu quả, thì chúng ta cần tăng thêm một lớp ẩn.
B4: Nếu xảy ra học quá mức, tức là sai số xác minh bắt đầu tăng thì ta thử bỏ bớt vài nơron ẩn hoặc có thể bỏ lớp ẩn.
B5: Chọn phương pháp cải thiện tổng quát hóa để cải thiện mạng.
KẾT LUẬN CHƯƠNG 2:
Chương này giới thiệu về hệ thống nhận diện biển số xe cơ bản, các bước xử lý, các phương pháp khác nhau để có thể nhận dạng một biển số xe. Bên cạnh đó, chương 2 cũng nêu một số cải tiến trong kỹ thuật xử lý ảnh nhằm nâng cao hiệu năng của hệ thống nhận dạng. Ngoài ra, chúng ta còn được tìm hiểu tổng quát về mạng nơron nhân tạo, cách thức xây dựng cũng như giải quyết một số vấn đề bất cập khi áp dụng mạng.
ỨNG DỤNG MẠNG NƠRON ĐỂ NHẬN DẠNG KÝ TỰ CHO HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
3.1. MÔ HÌNH TỔNG QUÁT HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
Hình 3.1. Mô hình tổng quát hệ thống nhận dạng biển số xe
3.3. QUÁ TRÌNH TRÍCH BIỂN SỐ XE, XỬ LÝ ẢNH BIỂN SỐ VÀ TÁCH KÝ TỰ CHỮ SỐ XE
3.3.1. Thuật toán trích biển số xe dùng phương pháp phân tích phổ tần số
Kỹ thuật phân tích phổ Fourier dùng để xử lý các hàm rời rạc của thời gian mà các hình ảnh có thể được xem tương tự như vậy. Do biến đổi Fourier phức tạp, cho nên sẽ thuận tiện hơn nếu ta dùng phổ biên độ của nó, còn được gọi là phổ Fourier được cho bởi biểu thức sau:
Do đặc điểm biển số xe hầu hết là nền màu trắng, chữ màu đen, nên quá trình trích biển số trong ảnh có nền phức tạp trở nên dễ dàng hơn. Muốn trích được biển số xe trong ảnh, chúng ta phải làm thế nào đó lấy được tọa độ (trên, dưới, trái, phải) của biển số xe. Để cực đại hóa xác suất các hàng đi qua trong ảnh chứa biển số xe, chúng ta tính trung bình biểu đồ cho các tần số trong khoảng [u1, u2] mà chúng ta dự đoán các ký tự trong biển số xe chiếm ưu thế. Sau khi phân tích biểu đồ ta lấy được vị trí đỉnh, đáy của biển số. Từ giá trị của đỉnh và đáy, ta có thể tách được dòng chứa biển số xe. Một khi dãy ngang có chứa biển số xe đã được tách ra, ta tiếp tục đi tìm để tách nốt phần dọc của biển số xe. Để thực hiện việc này, ta cần phải tính biểu đồ cho mỗi hàng và tất cả tần số được tính trung bình trên mỗi cột. Sau khi thực hiện tính trung bình biểu đồ cho các tần số trong khoảng [v1, v2] mà ta dự đoán là vùng chứa biển số, khi phân tích ta lấy được vị trí cạnh trái và cạnh phải của vùng chứa biển số xe.
Sau khi tiến hành cắt biển số theo gía trị đỉnh, đáy, trái, phải ta nhận được kết quả như sau:
Hình 3.2. Biển số sau khi tách
– Chuyển ảnh sang ảnh đa mức xám:
Hình 3.3. Biển số xe sau khi tách và chuyển sang ảnh mức xám
– Xử lý ảnh bằng thuật toán K-means:
Hình 3.4. Biển số xe sau khi xử lý bằng thuật toán K-Means
– Đảo ngược màu: (Invert)
Hình 3.5. Biển số xe sau khi đảo màu
– Lọc Median:
Hình 3.6. Biển số xe sau khi lọc Median
– Bộ lọc BlobsFiltering:
Hình 3.7. Biển số xe BlobsFiltering
Sau bước tiền xử lý ảnh, ta tiến hành tách từng ký tự đơn trong biển số.
 |
Hình 3.8. Một số kết quả tách ký tự
Thuật toán tách ký tự
Xét lần lượt từng dòng
B1: Bắt đầu xét từ giá trị giới hạn trên y của dòng (top_line) và giá trị x đầu tiên (x=0)
B2: Xác định giới hạn trên của ký tự: Quét hết chiều rộng của ảnh, trên cùng giá trị y.
B3: Xác định giới hạn dưới của ký tự: Bắt đầu duyệt từ giới hạn trên (đỉnh) vừa tìm thấy của ký tự (0, top_character)
B4.Xác định giới hạn trái của ký tự (xác định giá trị của x )
B5: Xác định giới hạn phải của ký tự (xác định giá trị x)
B6. Lặp lại bước 1 đến 5 để xác định giới hạn của ký tự tiếp theo trên cùng dòng. Với y=top_line của dòng đang xét và giá trị x đầu tiên = right_character của ký tự vừa tìm thấy.
Tách được từng ký tự ra khỏi biển số, ta bắt đầu chuẩn hóa các ký tự về cùng một kích thước là 20×10. Ảnh ký tự là ảnh nhị phân với pixel trắng có giá trị tương ứng là 1, pixel đen có giá trị tương ứng là 0. Đây là dữ liệu để ta đưa vào mạng nơron nhằm phục vụ cho việc huấn luyên mạng.
3.4. QUÁ TRÌNH NHẬN DẠNG KÝ TỰ ĐƠN BẰNG MẠNG NƠRON NHÂN TẠO
3.4.1. Mô hình mạng nơron và cách thức huấn luyện mạng
B1: Xây dựng cấu trúc mạng với mô hình 3 lớp.
B2: Khởi tạo các giá trị ngẫu nhiên cho trọng số trong khoảng [-độ lệch,độ lệch]
B3: Nạp file ảnh đầu vào và file huấn luyện (file text đầu ra mong muốn).
B4: Phân tích ảnh và ánh xạ thành 200 nơron đầu vào.
B5: Đọc các kí tự đầu ra mong muốn, chuyển thành giá trị nhị phân Unicode và lưu trữ lại.
B6: Với mỗi kí tự ảnh:
+ Tính giá trị đầu ra trong mạng FeedForward.
+ So sánh với ký tự tương ứng ở đầu ra mong muốn và tính toán lỗi.
+ Lan truyền ngược lỗi và điều chỉnh lại giá trị của trọng số.
B7: Chuyển đến xét ký tự ảnh tiếp theo thực hiện lại bước 6, cho đến khi duyệt hết các ký tự ảnh.
B8: Tính giá trị lỗi trung bình cho tất cả các ký tự ảnh.
B9: Lặp lại bước 6 đến bước 8 cho đến khi chạy đủ số vòng dạy
+ Nếu lỗi trung bình đạt thấp hơn giá trị ngưỡng của lỗi thì dừng.
+ Nếu không thì tiếp tục.
Mạng chữ
Hình 3.10. Sơ đồ mạng nơron nhận dạng ký tự chữ
Hình 3.11. Sơ đồ mạng nơron nhận dạng ký tự số
3.4.2. Khởi tạo trọng số trong mạng nơron
3.5. GIAO DIỆN CHƯƠNG TRÌNH NHẬN DẠNG BIỂN SỐ XE
Hình 3.12. Giao diện chính của hệ thống
Hình 3.13. Hệ thống nhận ảnh đầu vào
Hình 3.14. Hệ thống xử lý và đưa ra kết quả nhận dạng biển số xe
3.6. KIỂM TRA CHƯƠNG TRÌNH VÀ ĐÁNH GIÁ KẾT QUẢ CHẠY THỬ
Bảng 3.3. Mô tả dữ liệu thử nghiệm
| Độ phân giải Ảnh | 1152 x 864 pixel |
| Vị trí chụp ảnh | Thẳng đứng, chính diện |
| Điều kiện ánh sáng | – Chụp vào lúc trời sáng – Chụp vào lúc trời tối |
| Số lượng ảnh | 200 |
| Hệ điều hành thử nghiệm | Windows 10 |
3.6.2. Đánh giá kết quả thử nghiệm
Bảng 3.4. Thống kê kết quả nhận dạng biển số của một hệ thống cơ bản
| Số lượng mẫu thử nghiệm | 200 |
| Kích thước ảnh chụp | 1152×864 |
| Số lượng trích biển số đúng | 183 |
| Số lượng trích biển số sai | 17 |
| Số lượng tách ký tự đúng | 36 |
| Số lượng tách ký tự sai | 147 |
| Số lượng nhận dạng đúng | 30 |
| Số lượng nhận dạng sai | 6 |
Bảng 3.5. Tổng kết kết quả thử nghiệm
Trước tiên, ta có thể thấy được hệ thống nhận dạng biển số xe mới được cải tiến một số phương pháp xử lý ảnh và phương pháp xác định ngưỡng xám thì ta thu được kết quả nhận dạng tốt hơn so với hệ thống nhận dạng biển số xe truyền thống. Bên cạnh đó, kho dữ liệu ảnh biển số được thực hiện chụp trong các điều kiện sáng tối khác nhau, ảnh thu nhận có nhiều nhiễu thì hệ thống vẫn cho ra những kết quả khá chính xác. Xong, phần tách ký tự còn chưa đạt kết quả cao nhất do quá trình xử lý của chương trình chưa loại bỏ hoàn toàn được nhiễu trong ảnh, một số trường hợp bị nhiễu quá nhiều do đinh ốc, vết bẩn… gây ảnh hưởng đến việc nhận dạng. Quá trình nhận dạng ký tự sẽ phụ thuộc nhiều vào giai đoạn trích biển số và tách ký tự. Nếu việc trích biển số và tách ký tự tốt thì kết quả nhận dạng thu được sẽ đạt hiệu quả cao. Tuy rằng nếu ảnh ký tự bị nhiễu quá nhiều cũng dẫn đến việc nhận dạng sai ký tự đó. Ngoài ra do số ký tự trên mỗi biển số xe khá ít, nên việc huấn luyện cho các ký tự chữ chưa được hoàn chỉnh như mong muốn và việc nhận dạng ký tự vẫn chưa có kết quả tốt nhất. Đối với các ký tự số, thường dễ nhầm lẫn giữa các ký tự 2 và 7, 2 và “z” hay 5 và 6. Thuật toán sử dụng trong luận văn quét hết tất cả các điểm trên hình nên tốc độ xử lý còn chưa quá cao.
Nhìn chung, các kết quả nhận dạng cuối cùng vẫn đảm bảo để hệ thống hoạt động tốt, tuy nhiên, vẫn cần có nhiều biện pháp lọc nhiễu cũng như các thủ thuật khác để hệ thống hoàn thiện hơn.
Mục tiêu của luận văn là xây dựng và nâng cao hiệu năng cho chương trình nhận dạng biển số xe. Như vậy, trong mục tiêu luận văn đã giải quyết được các vấn đề sau:
- Xử lý ảnh
- Ứng dụng được thuật toán phân tích phổ tần số để trích biển số xe và phân tích biểu đồ mức xám trong việc tách ký tự.
- Sử dụng mạng Nơron để nhận dạng ký tự trên biển số.
- Xây dựng các kết quả nghiên cứu trên nền Visual Studio Dot Net (CSharp).
- Ứng dụng được thư viện AForge trong xử lý ảnh và thu nhận tín hiệu video.
Với các mặt đã đạt được nêu trên, tuy nhiên trong luận văn còn nhiều mặt hạn chế như:
- Chưa xử lý được các trường hợp ảnh quá tối hoặc quá sáng hoặc ảnh có chất lượng xấu.
- Chương trình chưa mang tính tổng quát cao như nhận dạng các biển số chưa đa dạng, ví dụ như các biển số xe có nền xanh chữ trắng (nhà nước) hay nền đỏ chữ trắng (quân đội).
- Khả năng nhận dạng tương đối, chưa xử lý được các trường hợp chụp ảnh quá xa hay quá gần so với khoảng cách qui định chụp ảnh.
Với những mặt hạn chế như trên, tôi xin đề ra các hướng phát triển đề tài:
- Xây dựng ứng dụng tổng quát hơn cũng như xử lý với một số trường hợp biển số đặc biệt như: nền xanh chữ trắng, hay nền đỏ chữ trắng, …
- Khắc phục khả năng trích bảng số với khoảng cách linh động hơn, xử lý ảnh và nhận dạng tốt hơn đối với biển số xấu.
- Tăng tốc độ xử lý của hệ thống.
d. Sử dụng một số chức năng trong thư viện AForge
KẾT LUẬN CHƯƠNG 3:
Chương này đã giới thiệu được hệ thống nhận dạng biển số xe, các bước xử lý trực tiếp trên chứa biển số. Ngoài ra, tôi cũng so sánh cơ bản về hiệu năng của một hệ thống xử lý biển số xe cơ bản và một hệ thống khi áp dụng một số cải tiến trong quá trình xử lý ảnh. Chương này nêu ra được ưu, khuyết điểm của hệ thống đồng thời có hướng phát triển nhằm hoàn thiện hệ thống nhận dạng biển số xe để áp dụng vào thực tế cuộc sống.
E:\DỮ LIỆU COP CỦA CHỊ YẾN\DAI HOC DA NANG\HE THONG THONG TIN\LE VU PHONG
