Tổng quan nghiên cứu

Tắc nghẽn giao thông tại các nút giao thông chính đã trở thành vấn đề cấp bách, ảnh hưởng trực tiếp đến chất lượng cuộc sống và hiệu quả kinh tế của các đô thị lớn như Thành phố Hồ Chí Minh. Theo ước tính, mỗi năm thành phố này chịu thiệt hại khoảng 6 tỷ USD do ùn tắc giao thông, đồng thời số lượng phương tiện đăng ký tăng trung bình 3,1% mỗi năm, với hơn 8,7 triệu phương tiện tính đến cuối năm 2022. Trong bối cảnh đó, việc nghiên cứu và phát triển các giải pháp ước lượng mật độ giao thông từ dữ liệu hình ảnh camera giám sát là cần thiết để hỗ trợ quản lý và điều phối giao thông hiệu quả.

Mục tiêu chính của luận văn là xây dựng phương pháp ước lượng mật độ giao thông tại các nút giao thông dựa trên hình ảnh hoặc video từ camera, tập trung vào hai thành phần chính: đếm số lượng phương tiện và đo diện tích khu vực giao thông. Phạm vi nghiên cứu tập trung tại các nút giao thông chính của Thành phố Hồ Chí Minh trong giai đoạn 2022-2023. Nghiên cứu không chỉ đề xuất các thuật toán đếm và phân loại phương tiện sử dụng công nghệ học máy hiện đại như YOLO v7 mà còn phát triển phương pháp đo diện tích khu vực giao thông không phụ thuộc vào thông số kỹ thuật camera, dựa trên khái niệm tham chiếu đối tượng.

Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong việc cung cấp thông tin mật độ giao thông thời gian thực, hỗ trợ các cơ quan quản lý trong việc phân bổ nguồn lực, quy hoạch hạ tầng và phát triển hệ thống giao thông thông minh (ITS). Đồng thời, nghiên cứu cũng đóng góp về mặt học thuật khi cải tiến các phương pháp ước lượng mật độ giao thông và ứng dụng các mô hình học sâu trong lĩnh vực thị giác máy tính.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Mật độ giao thông (Traffic Density): Được định nghĩa là số lượng phương tiện trên một đơn vị diện tích hoặc chiều dài đường, phản ánh mức độ ùn tắc và ảnh hưởng đến tốc độ lưu thông. Mật độ được tính bằng tỷ lệ số phương tiện trên diện tích khu vực giao thông.

  • Thị giác máy tính và học máy (Computer Vision & Machine Learning): Sử dụng các kỹ thuật nhận dạng và phân loại đối tượng trong ảnh và video, đặc biệt là các mô hình mạng nơ-ron tích chập (CNN) và thuật toán YOLO (You Only Look Once) để phát hiện và đếm phương tiện.

  • Phương pháp tham chiếu đối tượng (Object Reference Method): Phương pháp đo diện tích khu vực giao thông dựa trên việc sử dụng kích thước thực tế của một đối tượng tham chiếu (ví dụ: xe máy) trong ảnh để chuyển đổi từ pixel sang mét vuông, không phụ thuộc vào thông số kỹ thuật camera.

Các khái niệm chính bao gồm: Haar-cascade, CNN, YOLO v7, bounding box regression, intersection over union (IOU), pixel per meter (PPM), và các chỉ số đo lường mật độ giao thông.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Hình ảnh và video được thu thập trực tiếp từ hệ thống camera giám sát giao thông của Sở Giao thông Vận tải Thành phố Hồ Chí Minh tại các nút giao thông chính.

  • Phương pháp phân tích:

    • Sử dụng mô hình YOLO v7 đã được huấn luyện trên bộ dữ liệu COCO để phát hiện và phân loại các loại phương tiện như xe máy, ô tô, xe tải, xe buýt.
    • Đếm số lượng phương tiện trong vùng quan tâm (ROI) và chuyển đổi số lượng sang đơn vị chuẩn (xe máy) dựa trên tỷ lệ diện tích thực tế của từng loại phương tiện.
    • Áp dụng phương pháp tham chiếu đối tượng để tính toán tỷ lệ chuyển đổi từ pixel sang mét vuông, sử dụng diện tích của các phương tiện làm đối tượng tham chiếu.
    • Phát triển hai phương pháp tính diện tích khu vực giao thông: phương pháp dựa trên khoảng cách (distance-based) và phương pháp trung bình (mean-based), áp dụng tùy theo mật độ giao thông (thưa hoặc đông).
    • Thiết kế hệ thống thử nghiệm bao gồm các module thu thập dữ liệu, xử lý và đánh giá kết quả.

  • Timeline nghiên cứu:

    • Bắt đầu: 09/2022
    • Thu thập và xử lý dữ liệu: 10/2022 - 02/2023
    • Phát triển thuật toán và hệ thống thử nghiệm: 03/2023 - 05/2023
    • Đánh giá và hoàn thiện luận văn: 06/2023

  • Cỡ mẫu: Hơn 2000 hình ảnh thực tế từ các nút giao thông được sử dụng để kiểm thử và đánh giá hiệu quả phương pháp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của mô hình YOLO v7 trong phát hiện và đếm phương tiện:
    YOLO v7 đạt tốc độ xử lý lên đến 45 khung hình/giây với độ chính xác từ 95% đến 100% trong việc phát hiện các loại phương tiện tại các nút giao thông. So với các phương pháp truyền thống như Haar-cascade hay CNN, YOLO v7 vượt trội về cả tốc độ và độ chính xác.

  2. Phương pháp chuyển đổi số lượng phương tiện sang đơn vị chuẩn:
    Việc sử dụng xe máy làm đơn vị chuẩn và chuyển đổi các loại phương tiện khác dựa trên diện tích thực tế cho phép tính toán mật độ giao thông chính xác hơn. Ví dụ, một ô tô tương đương với 4 xe máy, xe tải tương đương 6 xe máy, xe buýt tương đương 16 xe máy. Qua đó, số lượng phương tiện được quy đổi thành 10 xe máy thay vì 7 phương tiện đơn thuần, giúp phản ánh đúng hơn diện tích chiếm dụng thực tế.

  3. Phương pháp đo diện tích khu vực giao thông không phụ thuộc thông số camera:

    • Phương pháp dựa trên khoảng cách (distance-based) sử dụng khoảng cách Euclid từ các xe máy đến tâm ảnh để chọn đối tượng tham chiếu phù hợp, áp dụng hiệu quả trong điều kiện giao thông thưa.
    • Phương pháp trung bình (mean-based) sử dụng giá trị trung bình diện tích pixel của các xe máy trong ảnh, phù hợp với điều kiện giao thông đông đúc.
      Cả hai phương pháp đều cho kết quả đo diện tích khu vực giao thông với sai số chấp nhận được, không cần thu thập thông số kỹ thuật camera phức tạp.

  4. Ứng dụng thực tế và đánh giá:
    Hệ thống thử nghiệm được triển khai tại 4 nút giao thông chính của Thành phố Hồ Chí Minh cho thấy khả năng cung cấp thông tin mật độ giao thông thời gian thực, hỗ trợ các cơ quan quản lý trong việc điều phối và giảm thiểu ùn tắc.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp công nghệ học sâu YOLO v7 với phương pháp tham chiếu đối tượng là giải pháp khả thi và hiệu quả để ước lượng mật độ giao thông tại các nút giao thông phức tạp. Việc sử dụng xe máy làm đơn vị chuẩn phù hợp với đặc thù giao thông Việt Nam, nơi xe máy chiếm tỷ lệ lớn và có kích thước nhỏ nhất trong các loại phương tiện phổ biến.

So với các nghiên cứu trước đây chủ yếu tập trung vào đếm phương tiện hoặc đo mật độ trên đoạn đường thẳng, nghiên cứu này mở rộng phạm vi sang khu vực giao thông phức tạp như ngã tư, đồng thời giải quyết bài toán đo diện tích khu vực không phụ thuộc vào thông số camera, giúp tăng tính ứng dụng thực tế.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và tốc độ xử lý của các phương pháp phát hiện phương tiện, bảng chuyển đổi tỷ lệ diện tích các loại phương tiện, và biểu đồ mật độ giao thông theo thời gian thực tại các nút giao thông thử nghiệm.

Một số hạn chế như yêu cầu camera có góc nhìn phù hợp và chất lượng hình ảnh đủ tốt vẫn cần được cải thiện trong các nghiên cứu tiếp theo.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống ước lượng mật độ giao thông dựa trên camera tại các nút giao thông trọng điểm:
    Cơ quan quản lý giao thông nên áp dụng giải pháp này để thu thập dữ liệu mật độ giao thông thời gian thực, giúp nâng cao hiệu quả điều phối và giảm ùn tắc. Thời gian thực hiện: 6-12 tháng.

  2. Phát triển và tích hợp hệ thống vào nền tảng giao thông thông minh (ITS):
    Kết nối dữ liệu mật độ giao thông với hệ thống điều khiển tín hiệu đèn giao thông và cảnh báo người dân để tối ưu hóa lưu lượng giao thông. Chủ thể thực hiện: Sở Giao thông Vận tải phối hợp với các đơn vị công nghệ. Thời gian: 12-18 tháng.

  3. Nâng cao chất lượng dữ liệu đầu vào:
    Đầu tư nâng cấp hệ thống camera giám sát với độ phân giải cao và góc đặt phù hợp để đảm bảo độ chính xác của hệ thống ước lượng. Thời gian: 12 tháng.

  4. Mở rộng nghiên cứu và cải tiến thuật toán:
    Tiếp tục nghiên cứu các phương pháp học sâu mới, cải thiện khả năng nhận dạng trong điều kiện ánh sáng và thời tiết thay đổi, đồng thời phát triển thuật toán tự động hiệu chỉnh tham số camera. Chủ thể: Các viện nghiên cứu và trường đại học. Thời gian: 24 tháng.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý giao thông đô thị:
    Có thể sử dụng kết quả nghiên cứu để xây dựng hệ thống giám sát và điều phối giao thông thông minh, giảm thiểu ùn tắc và nâng cao hiệu quả vận hành hạ tầng giao thông.

  2. Các nhà nghiên cứu và sinh viên ngành khoa học máy tính, kỹ thuật giao thông:
    Tham khảo phương pháp ứng dụng học máy và thị giác máy tính trong bài toán thực tế, đồng thời phát triển các nghiên cứu tiếp theo về ước lượng mật độ giao thông.

  3. Doanh nghiệp công nghệ phát triển giải pháp ITS:
    Áp dụng các thuật toán và kiến trúc hệ thống được đề xuất để phát triển sản phẩm giám sát giao thông, cung cấp dịch vụ phân tích dữ liệu giao thông cho các thành phố.

  4. Các nhà hoạch định chính sách và quy hoạch đô thị:
    Sử dụng dữ liệu mật độ giao thông chính xác để đưa ra các quyết định về quy hoạch hạ tầng, phân bổ nguồn lực và phát triển giao thông công cộng phù hợp.

Câu hỏi thường gặp

  1. Phương pháp YOLO v7 có phù hợp để phát hiện phương tiện trong điều kiện giao thông phức tạp không?
    Có. YOLO v7 cho tốc độ xử lý nhanh (45 fps) và độ chính xác cao (95-100%), phù hợp với môi trường giao thông đa dạng và đông đúc như tại các nút giao thông ở TP. Hồ Chí Minh.

  2. Tại sao lại chọn xe máy làm đơn vị chuẩn để quy đổi số lượng phương tiện?
    Vì xe máy là loại phương tiện phổ biến nhất và có kích thước nhỏ nhất trong giao thông Việt Nam, việc quy đổi sang đơn vị xe máy giúp phản ánh chính xác diện tích chiếm dụng thực tế của các loại phương tiện khác.

  3. Phương pháp đo diện tích khu vực giao thông có phụ thuộc vào thông số kỹ thuật camera không?
    Không. Phương pháp tham chiếu đối tượng sử dụng kích thước thực tế của phương tiện làm cơ sở chuyển đổi từ pixel sang mét vuông, không cần thông số camera như góc đặt hay độ cao.

  4. Hệ thống có thể áp dụng cho các thành phố khác ngoài TP. Hồ Chí Minh không?
    Có. Phương pháp được thiết kế để có thể tổng quát hóa và áp dụng cho các đô thị có đặc điểm giao thông tương tự, tuy nhiên cần điều chỉnh tham số phù hợp với từng địa phương.

  5. Hạn chế chính của nghiên cứu là gì?
    Hạn chế bao gồm yêu cầu camera có góc nhìn phù hợp, chất lượng hình ảnh đủ tốt và khả năng xử lý trong điều kiện thời tiết xấu hoặc ánh sáng yếu còn hạn chế, cần nghiên cứu cải tiến thêm.

Kết luận

  • Đã phát triển thành công phương pháp ước lượng mật độ giao thông tại các nút giao thông dựa trên hình ảnh camera, kết hợp công nghệ YOLO v7 và phương pháp tham chiếu đối tượng.
  • Phương pháp chuyển đổi số lượng phương tiện sang đơn vị chuẩn xe máy giúp phản ánh chính xác diện tích chiếm dụng thực tế của các loại phương tiện đa dạng.
  • Hai phương pháp đo diện tích khu vực giao thông (dựa trên khoảng cách và trung bình) cho phép tính toán diện tích không phụ thuộc thông số kỹ thuật camera, phù hợp với điều kiện thực tế.
  • Hệ thống thử nghiệm tại TP. Hồ Chí Minh cho thấy khả năng cung cấp dữ liệu mật độ giao thông thời gian thực, hỗ trợ quản lý và điều phối giao thông hiệu quả.
  • Đề xuất các bước tiếp theo bao gồm triển khai thực tế rộng rãi, tích hợp vào hệ thống ITS, nâng cấp chất lượng dữ liệu và nghiên cứu cải tiến thuật toán.

Call-to-action: Các cơ quan quản lý và doanh nghiệp công nghệ được khuyến khích hợp tác triển khai và phát triển giải pháp nhằm nâng cao hiệu quả quản lý giao thông đô thị, góp phần giảm thiểu ùn tắc và cải thiện chất lượng cuộc sống.