Nhận dạng số viết tay sử dụng thuộc tính HOG kết hợp với support vector machine

NHẬN DẠNG SỐ VIẾT TAY SỬ DỤNG<br /> THUỘC TÍNH HOG KẾT HỢP VỚI<br /> SUPPORT VECTOR MACHINE<br /> MCS HOG FEATURES AND SUPPORT VECTOR MACHINE<br /> BASED HANDWRITTEN DIGIT RECOGINITION SYSTEM<br /> <br /> <br /> Đỗ Thị Thanh Nga<br /> Trường Đại học Công nghệ và Quản lý Hữu Nghị<br /> Email: thanhngait94@gmail.com<br /> <br /> Nguyễn Vân Anh<br /> Trường Đại học Kinh Doanh và Công Nghệ Hà Nội<br /> Email: vnvananhcomputer@gmail.com<br /> <br /> <br /> <br /> Ngày tòa soạn nhận được bài báo: 28/11/2018<br /> Ngày phản biện đánh giá: 18/12/2018<br /> Ngày bài báo được duyệt đăng: 28/12/2018<br /> <br /> <br /> Tóm tắt: Nhận dạng chữ số viết tay là một bài toán khó nhưng có rất nhiều ứng dụng<br /> trong thực tế. Nhận dạng chữ số viết tay có thể ứng dụng trong nhận dạng số báo danh<br /> tự động, nhận dạng câu trả lời trắc nghiệm tự động,… Mục tiêu của bài báo là nghiên cứu<br /> về thuộc tính trích chọn đặc trưng HOG và thuật toán học máy SVM, đồng thời sử dụng<br /> SVM với thuộc tính HOG trong nhận dạng chữ số viết tay cho bài toán nhận dạng số báo<br /> danh tự động.<br /> Từ khóa:<br /> Summary: Handwriting digit recognition is a difficult problem but there are many<br /> practical applications. Handwritten alphanumeric identification can be applied in automatic<br /> attendance check, automatic multiple choice test answer identification, etc. The objective<br /> of the paper is to study the attribute HOG features and SVM, while using SVM with HOG<br /> attribute in hand writeen digit identification for automatic attendance check.<br /> Keywords: HOG, SVM, MNIST<br /> <br /> TẠP CHÍ KHOA HỌC 15<br /> QUẢN LÝ VÀ CÔNG NGHỆ<br />  I. TỔNG QUAN NHẬN DẠNG CHỮ SỐ<br /> Nhận dạng chữ số là đề tài thu hút rất nhiều nhà nghiên cứu quan tâm. Nhận dạng chữ số<br /> được chia thành 2 loại: Nhận dạng chữ số in và nhận dạng chữ số viết tay. Và trong bài báo này<br /> ta sẽ chỉ tìm hiểu về nhận dạng chữ số viết tay.<br /> Các bước trong nhận dạng chữ số<br /> Bước 1: Tiền xử lý<br /> Bước này sẽ giúp tăng độ chính xác cho hệ thống nhận dạng. Vì trong quá trình quét ảnh<br /> sẽ gặp các loại nhiễu, kích thước ảnh không đồng nhất hoặc ảnh thiếu ánh sáng trong quá trình<br /> chụp.<br /> Bước 2: Tách các chữ số<br /> Ở bước này sẽ tiến hành tách từng riêng từng ký tự để phục vụ nhận dạng. Vì chỉ khi tách<br /> riêng từng ký tự đơn ra khỏi một tổng thể lớn thì hệ thống mới dễ dàng phân lớp và nhận dạng.<br /> Bước 3: Trích rút đặc trưng<br /> Đặc trưng của ảnh là những đặc điểm riêng biệt giúp phân biệt ảnh này với ảnh khác. Và để<br /> giảm độ phức tạp và tăng độ chính xác của thuật toán thì đòi hỏi các đặc trưng được trích chọn<br /> rút gọn nhưng vẫn đảm bảo đủ thông tin đối tượng. Từ những tiêu chí trên ta phải tập hợp được<br /> đặc trưng riêng cho từng lớp để phân biệt các lớp với nhau.<br /> Bước 4: Huấn luyện và Nhận dạng<br /> • Huấn luyện<br /> Dữ liệu huấn luyện sau khi qua các khâu tiền xử lý và trích chọn đặc trưng sẽ được đưa vào<br /> huấn luyện. Sau khi kết thúc quá trình huấn luyện, hệ thống sẽ lưu lại giá trị các tham số của<br /> hàm quyết định phân lớp để phục vụ cho việc nhận dạng sau này. Quá trình huấn luyện tiêu tốn<br /> khá nhiều thời gian. Tốc độ huấn luyện nhanh hay chậm còn tùy thuộc vào từng thuật toán huấn<br /> luyện, chiến lược và số lượng mẫu tham gia huấn luyện.<br /> • Nhận dạng<br /> Để nhận dạng thì có rất nhiều các phương pháp khác nhau, mỗi phương pháp đều có những<br /> đặc điểm riêng.<br /> Từ bộ dữ liệu đã được huấn luyện kết hợp với các thuật toán phân lớp dữ liệu ta sẽ đưa ra<br /> được kết quả nhận dạng.<br /> II. TRÍCH CHỌN ĐẶC TRƯNG VỚI HOG<br /> Histogram of Oriented Gradients là một bộ vector mô tả đặc trưng của đối tượng. Nó trích<br /> rút những thông tin đặc trưng hữu ích bằng cách loại bỏ những thông tin dư thừa gây nhiễu với<br /> mục đích để phát hiện đối tượng.<br /> Bài toán tính toán HOG gồm 5 bước:<br /> <br /> 16 TẠP CHÍ KHOA HỌC<br /> QUẢN LÝ VÀ CÔNG NGHỆ<br />  Bước 1: Tiền xử lý quan tâm, sau đó sẽ cắt và điều chỉnh kích thước<br /> Đầu tiên ta phải xác về định<br /> cùngđược<br /> mộtđốikíchtượng<br /> thướccầncho trước (Tùy vào từng<br /> quan tâm, sau đó sẽ cắt vàtoán điềumàchỉnh kíchrathước<br /> ta đưa ảnhthước cụ thể)<br /> tỉ lệ kích<br /> Bước 1: Tiền xử lý<br /> về cùng một kích thước cho trước Ở (Tùy<br /> đây ta vàobài<br /> lấy từng bàinhận dạng người để làm<br /> toán<br /> Đầu tiêntoán màxác<br /> ta phải ta đưa<br /> định ra tỉ lệđốikích<br /> được thước<br /> tượng cần cụ thể)<br /> quan tâm, sau đó sẽ cắt và điều chỉnh kích<br /> dụ:<br /> thước ảnh về cùng một kích thước cho trước (Tùy vào từng bài toán mà ta đưa ra tỉ lệ kích thước<br /> cụ thể) Ở đây ta lấy bài toán nhận dạng người để làm ví<br /> Từ một bức ảnh tổng thể có kích thước ban<br /> dụ:<br /> Ở đây ta lấy bài toán nhận dạng người 720x475 ta tiến hành cắt đối tượng cần quan tâm<br /> để làm ví dụ:<br /> Từtổng<br /> Từ một bức ảnh mộtthểbức ảnhthước<br /> có kích tổng ban<br /> thểđầu<br /> kích có kích64x128<br /> thước thước<br /> 720x475 ta tiếnban lệđầu<br /> (tỉhành 1:2)<br /> cắt đối tượng cần quan<br /> tâm về kích720x475 ta tiến<br /> thước 64x128 (tỉ lệ hành<br /> 1:2) cắt đối tượng cần quan tâm về<br /> kích thước 64x128 (tỉ lệ 1:2) Hình<br /> <br /> <br /> Bước 3: Tính<br /> cells 8x8<br /> Chia ảnh<br /> Với mỗi thàn<br /> 8x8x3= 192<br /> nhỏ đó chỉ c<br /> Hình 2.1. Điều chỉnh và phân tách ảnh<br /> Gradient chỉ c<br /> Bước 2: Tính toán Gradient của các hình Và ảnh<br /> để vi<br /> Hình 2.1. Điều chỉnh và phân tách ảnh.<br /> Hình 2.1. Điều chỉnhĐầu cácảnhgradient chiều diễn<br /> tiêntách<br /> và phân ngang128vàgiáct<br /> Bước 2: Tính toán Gradient của các hình ảnh<br /> thẳng. trưng cho hư<br /> Bước 2: Tính toán Gradient của các hình ảnh Sau đó, chúng ta sẽ tính toán biểu đồ của<br /> Đầu tiên các gradient chiều Điều<br /> gradient. ngangnàyvà sẽchiều<br /> thực hiện được góc 0,dựa<br /> 20,40,…<br /> trên<br /> Đầu tiên các gradient chiều ngang và chiều thẳng. Sau đó, chúng ta sẽ tính toán biểu đồ của<br /> thẳng. Sau đó, chúng ta sẽthống tính toán biểu (kernels)<br /> các nhân đồ của các<br /> sau:<br /> các gradient. Điều này sẽ thực hiện được dựa trên hệ thống các nhân (kernels) sau: Ví dụ vớ<br /> gradient. Điều này sẽ thực hiện được dựa trên hệ được vẻ bên n<br /> Điều nàythống các nhân (kernels) sau:<br /> tính được bằng cách sử dụng toán tử<br /> Sobel trong OpenCV với lõi kích cỡ là 1.<br /> <br /> # Read image<br /> <br /> im = cv2.imread (‘bolt.png’)<br /> <br /> im = np.float32 (im) / 255.0<br /> <br /> # Calculate gradient Điều này tính được bằng cách sử dụng toá<br /> Sobel trong OpenCV với lõi kích cỡ là 1.<br /> gx = cv2.Sobel(img,cv2.CV_32F, 1, 0, ksize =1)<br /> Điều này tính được bằng cách sử dụng toán tử<br /> # Read image<br /> Sobel trong OpenCV với<br /> gy = cv2.Sobel(img,cv2.CV_32F, 0, 1, lõi kích<br /> ksize =1) cỡ là 1.<br /> im = cv2.imread (‘bolt.png’)<br /> # Read<br /> Tiếp theo chúng image<br /> ta sẽ tìm được độ lớn và hướng của gradien bằng công thức sau:<br /> im = np.float32 (im) / 255.0 Ở giữa:<br /> im = )cv2.imread (‘bolt.png’)<br /> g= √(g_x^2+g_y^2<br /> gradient bằng<br /> im = np.float32 (im) / 255.0 TẠP CHÍ KHOA HỌC 17<br /> QUẢN LÝ VÀ CÔNG NGHỆ<br />