PHÂN LOẠI BẢN SỐ XE
Trần Quốc Ngữ¹, Đỗ Thanh Nghị¹, François Poulet², Phạm Nguyên Khang^1
1 Khoa Công nghệ Thông tin, Trường Đại học Cần Thơ
² IRISA-Texmex, Đại học Rennes 1 - Pháp
{tqngu, dtnghi, pnkhang}@cit.ctu.edu.vn, françois.poulet@irisa.fr

Tóm tắt
    Bài báo giới thiệu một phương pháp phân loại bản số xe mới và đáng tin cậy dựa trên sự kết hợp giữa phương pháp biểu diễn ảnh bằng các nét đặc trưng không đổi với những biến đổi tỉ lệ (Scale-invariant feature transform – SIFT) và các máy học SVM (Support vector machines), rừng ngẫu nhiên (random forest). Sự kết hợp này được giải thích theo hai lí do. Các vectơ mô tả SIFT (SIFT descriptors) không bị thay đổi trước những biến đổi tỉ lệ, tịnh tiến, phép quay và không bị thay đổi một phần đối với phép biến đổi affine (thay đổi góc nhìn) và mạnh với những thay đổi về độ sáng, sự che khuất và nhiễu. Hơn nữa, sau bước tiền xử lí, ảnh được biểu diễn bởi một vectơ có số chiều rất lớn, do đó việc sử giải thuật SVM và rừng ngẫu nhiên để học và phân loại ảnh là một trong những lựa chọn tốt nhất trong trường hợp này. Chúng tôi đã tiến hành thử nghiệm trên một tập dữ liệu thực với 2910 ảnh để đánh giá hiệu quả của phương pháp. Kết quả cho thấy có 98.97% ảnh đã được phân loại chính xác.

    Từ khoá: phân loại bản số xe, vectơ mô tả SIFT, máy học vectơ hỗ trợ, rừng ngẫu nhiên.

VEHICLE'S LICENSE PLATE CLASSIFICATION
Tran Quoc Ngu¹, Đo Thanh Nghi¹, François Poulet², Pham Nguyen Khang^1
1 Faculty of Information Technology, University of Can Tho
² IRISA-Texmex, University of Rennes 1 - France
{tqngu, dtnghi, pnkhang}@cit.ctu.edu.vn, françois.poulet@irisa.fr

Abstract
    This paper presents a novel prototype for categorizing vehicle’s license plates based on the combination of Scale-invariant feature transform method (SIFT), Support vector machines (SVM) and random forest classifiers. The motivation can be xplained by two reasons. SIFT descriptors are invariant to image scaling, translation, rotation and partially invariant to affine transformations (changes of view points) and robust to illumination changes, occlusion and noise. This is very suitable to represent images of license plates captured from real conditions. After the pre-processing step, images are represented by very high dimensional vectors of visual words, therefore the use of SVM and random forests for classifying very-high-dimensional datasets is one of the best choices. We have setup experiment a real dataset with 2910 images to evaluate performances. Our prototype
achieved an accuracy of 98.97%.

    Key words: VLP classification, SIFT descriptors, support vector machine, random forests.