Giới thiệu dự án

Sự gia tăng đột biến của phương tiện cơ giới tại các đô thị lớn như Hà Nội và TP. Hồ Chí Minh đang đặt áp lực nặng nề lên hạ tầng giao thông. Theo thống kê giao thông đô thị, ùn tắc và tai nạn kéo dài gây thiệt hại hàng ngàn tỷ đồng mỗi năm do lãng phí nhiên liệu và tiêu tốn thời gian lao động. Các giải pháp giám sát truyền thống dựa vào con người hoặc các thiết bị cảm biến vật lý (vòng từ, sóng radar, ống khí nén) bộc lộ nhiều điểm nghẽn: chi phí đầu tư đắt đỏ, phá vỡ kết cấu mặt đường khi lắp đặt, độ linh hoạt thấp và không thể trích xuất các thông tin thị giác chuyên sâu.

Nhằm giải quyết triệt để bài toán này, đề tài "Hệ thống đánh giá mật độ và tốc độ giao thông" tiếp cận theo hướng ứng dụng kỹ thuật Thị giác máy tính (Computer Vision) và Xử lý ảnh số (Digital Image Processing) phi mô hình (Non-model based). Hệ thống khai thác trực tiếp luồng dữ liệu từ camera giám sát giao thông tiêu chuẩn để tự động hóa hoàn toàn quy trình đo lường vận tốc phương tiện và đánh giá mức độ ùn tắc theo thời gian thực.

+-------------------------------------------------------------------------+
|                  HỆ THỐNG GIÁM SÁT GIAO THÔNG THÔNG MINH                |
+-------------------------------------------------------------------------+
|  [Camera Thu Hình 30 FPS]                                               |
|           |                                                             |
|           v                                                             |
|  [Tiền Xử Lý Ảnh] --------> Chuyển đổi Grayscale & Lọc nhiễu Median     |
|           |                                                             |
|           v                                                             |
|  [Tách Nền Chuyển Động] --> Simple Background Modeling & Frame Diff     |
|           |                                                             |
|           v                                                             |
|  [Nhận Dạng Đối Tượng] ---> Nhóm Blob & Bounding Box                    |
|           |                                                             |
|     +-----+-----------------------------------+                         |
|     |                                         |                         |
|     v                                         v                         |
|  [Module Tính Vận Tốc]             [Module Tính Mật Độ]                 |
|  - Định chuẩn 4m thực địa          - Chia lưới Cell (8x8, 16x16, 25x25) |
|  - Trích xuất thời gian khung hình - Tỷ lệ chiếm dụng mặt đường         |
|  - Tính toán km/h                  - Phân tích biểu đồ Mean & Range     |
|     |                                         |                         |
|     +-----+-----------------------------------+                         |
|           |                                                             |
|           v                                                             |
|  [Giao Diện Điều Khiển C# / AForge.NET] -> Kết quả, Đồ thị & Xuất Excel |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Nghiên cứu và làm chủ các thuật toán trừ nền, phát hiện chuyển động trong chuỗi video: Consecutive Frame Difference, Simple Background Modeling, và Custom Frame Difference.
  2. Xây dựng module nhận dạng đối tượng chuyển động (Blob Detection) và tính toán vận tốc tức thời của phương tiện dựa trên khoảng cách chuẩn hóa.
  3. Phát triển thuật toán phân tích không gian lưới (Spatial Grid Partitioning) kết hợp phân tích biến thiên chuỗi thời gian (Mean & Range Waveform Analysis) để phân cấp 5 mức độ mật độ giao thông.
  4. Hiện thực hóa ứng dụng hoàn chỉnh với giao diện tương tác trực quan trên nền tảng .NET Framework và thư viện AForge.NET.

Phạm vi và giới hạn kỹ thuật

  • Điều kiện vận hành: Video ban ngày, góc quay ổn định, thời tiết không mưa bão, không chịu tác động rung lắc lớn hoặc bóng đổ che khuất toàn bộ bề mặt di chuyển.
  • Phạm vi tính toán: Đo vận tốc chuẩn hóa trên đoạn đường tham chiếu cố định ($4\text{ m}$) cho 1 phương tiện đơn lẻ trong vùng quan tâm (ROI - Region of Interest); phân tích mật độ giao thông trên toàn cảnh mặt đường từ góc máy nhìn từ trên cao (cầu vượt).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi thị giác máy tính được ứng dụng rộng rãi, các cơ quan quản lý giao thông phụ thuộc vào 4 công nghệ cảm biến chính:

Công nghệ giám sát Cơ chế hoạt động Ưu điểm Nhược điểm & Chi phí
Cảm biến vòng từ (Loop Detector) Chôn cuộn dây dưới mặt đường; phát hiện kim loại qua biến thiên độ tự cảm. Đo đếm xe và tốc độ tức thời chính xác. Phải cắt xẻ mặt đường, chi phí lắp đặt/bảo trì rất cao, dễ hỏng do lún nứt.
Sóng Radar / Microwaves Phát sóng vô tuyến/sóng âm từ cột cao, bắt tín hiệu dội lại khi bị ngắt quãng. Không phá hủy mặt đường, hoạt động tốt trong sương mù. Chi phí thiết bị đắt đỏ, góc quét hẹp, khó phân loại chi tiết mật độ không gian.
Ống khí nén (Pneumatic Tubes) Đặt ống cao su ngang đường; cảm biến áp lực đếm số lần bánh xe đè qua. Cơ động, dễ thiết lập tạm thời cho khảo sát ngắn hạn. Độ bền thấp, dễ đứt rách khi xe tải nặng đi qua, gây nguy hiểm trên cao tốc.
Giải pháp Thị giác máy tính Sử dụng camera ghi hình kết hợp thuật toán xử lý ảnh số thời gian thực. Chi phí thấp, tận dụng camera sẵn có, trích xuất đa thông tin (tốc độ, mật độ, luồng xe). Phụ thuộc vào chất lượng ánh sáng, góc đặt camera và năng lực tính toán của CPU/GPU.

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have: Thuật toán chuyển đổi Grayscale, bộ lọc Median khử nhiễu, thuật toán trừ nền Simple Background Modeling & Frame Difference, module ước lượng tốc độ (km/h) trên khoảng cách $4\text{ m}$, module phân cấp 5 mức mật độ giao thông.
  • Should Have: Giao diện đồ họa (GUI) cho phép chọn trực tiếp vùng ROI, chia tỷ lệ ô lưới ($8\times 8, 16\times 16, 25\times 25$), xuất dữ liệu thống kê ra định dạng Microsoft Excel.
  • Could Have: Khả năng tự động cập nhật ảnh nền (Adaptive Background Update Queue) theo biến thiên ánh sáng môi trường.
  • Won't Have: Nhận diện biển số xe tự động (ALPR), tái tạo mô hình 3D đa đối tượng trong điều kiện ban đêm.

Thiết kế kiến trúc hệ thống

Kiến trúc hệ thống được xây dựng theo mô hình phân lớp xử lý luồng dữ liệu (Data Pipeline Architecture), gồm các module chính:

graph TD
    A[Video Stream / File Input] --> B[Image Preprocessing Module]
    B -->|Grayscale 8-bit / Median Filter| C[Motion Detection Module]
    C -->|Background Subtraction Queue| D[Binary Thresholding dt]
    D --> E[Object Recognition Module]
    E -->|Blob Grouping & Bounding Box| F{Analytical Engine}
    F -->|Calibration D=4m & Frame Count| G[Speed Calculation Module]
    F -->|Grid Cell Occupancy & Mean/Range| H[Density Calculation Module]
    G --> I[GUI Display & Excel Export]
    H --> I

Công nghệ sử dụng

  • Ngôn ngữ & Môi trường: C# trên nền tảng Microsoft Visual Studio 2010 (.NET Framework 4.0).
  • Thư viện chuyên dụng: AForge.Imaging và AForge.Video (bộ thư viện mã nguồn mở chuyên sâu cho Computer Vision và trí tuệ nhân tạo).
  • Cấu trúc dữ liệu: Danh sách quản lý mảng tọa độ điểm ảnh ($D$), danh sách đối tượng chuyển động ($V$) chứa tập hợp các đốm sáng liên kết (Connected Blobs).

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình phát triển mẫu thử lặp (Iterative Prototyping) với các mốc tiến độ:

  • Tuần 1 - 4: Nghiên cứu cơ sở lý thuyết xử lý ảnh số, các giải thuật phân tách chuyển động (Frame Difference, Background Subtraction).
  • Tuần 5 - 8: Xây dựng lõi xử lý thuật toán trên C# và AForge.NET; tối ưu hóa ma trận điểm ảnh nhị phân.
  • Tuần 9 - 12: Thu thập dữ liệu thực địa (video góc ngang chuẩn $4\text{ m}$ và video cầu vượt góc cao), hiệu chuẩn tham số chuyển đổi pixel-to-metric.
  • Tuần 13 - 16: Đánh giá sai số, tối ưu hóa giao diện người dùng và hoàn thiện báo cáo khoa học.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Tiền xử lý ảnh (Image Preprocessing)

Ảnh màu từ camera định dạng RGB 24-bit hoặc 32-bit được chuyển đổi sang ảnh mức xám (Grayscale 8-bit, giá trị từ 0 đến 255) nhằm giảm tải 66.7% dung lượng bộ nhớ đệm và tăng tốc độ xử lý điểm ảnh:

$$\text{Gray}(x, y) = 0.299 \times R + 0.587 \times G + 0.114 \times B$$

Sau khi chuyển đổi, hệ thống áp dụng bộ lọc trung vị (Median Filter) với cửa sổ trượt $3 \times 3$ để loại bỏ nhiễu muối tiêu (salt-and-pepper noise) do cảm biến camera mà không làm nhòe các đường biên của phương tiện.

// Chuyển đổi hệ màu RGB sang Grayscale sử dụng AForge.Imaging
AForge.Imaging.Filters.Grayscale grayFilter = new AForge.Imaging.Filters.Grayscale(0.299, 0.587, 0.114);
Bitmap grayImage = grayFilter.Apply(originalBitmap);

// Áp dụng bộ lọc Median loại bỏ nhiễu cảm biến
AForge.Imaging.Filters.Median medianFilter = new AForge.Imaging.Filters.Median();
medianFilter.ApplyInPlace(grayImage);

2. Phân tách chuyển động và nhị phân hóa (Motion Segmentation)

Hệ thống sử dụng hai cơ chế trừ nền linh hoạt:

  • Simple Background Modeling: Dùng cho bài toán đo vận tốc. Ảnh nền $f_{bg}(i,j)$ được so sánh với ảnh khung hình hiện tại $f_t(i,j)$ qua một ngưỡng động $T$ (Threshold):

$$d_t(i, j) = \begin{cases} 1 & \text{nếu } |f_t(i, j) - f_{bg}(i, j)| > T \quad (\text{Điểm trắng - Chuyển động}) \ 0 & \text{nếu } |f_t(i, j) - f_{bg}(i, j)| \le T \quad (\text{Điểm đen - Nền tĩnh}) \end{cases}$$

  • Consecutive Frame Difference: Dùng cho bài toán tính mật độ, trích xuất biến thiên giữa hai khung hình liên tiếp $f_t(i,j)$ và $f_{t-1}(i,j)$.
// Trừ nền nhị phân giữa khung hình hiện tại và ảnh nền
AForge.Imaging.Filters.Difference differenceFilter = new AForge.Imaging.Filters.Difference(backgroundImage);
Bitmap diffImage = differenceFilter.Apply(currentGrayFrame);

AForge.Imaging.Filters.Threshold thresholdFilter = new AForge.Imaging.Filters.Threshold(thresholdValue);
thresholdFilter.ApplyInPlace(diffImage);

3. Thuật toán tính toán vận tốc phương tiện

Tại thực địa, hai vạch mốc sơn được kẻ vuông góc với chiều di chuyển của xe, tạo thành đoạn đường chuẩn $D = 4\text{ m}$. Khoảng cách này trên khung hình camera tương ứng $D_x$ (pixels).

Vạch Bắt Đầu (P0, t0)                Vạch Kết Thúc (Pn, tn)
      |                                      |
      | <========== Khoảng cách D = 4m =====> |
      | <========== Điểm ảnh Dx (pixels) ===> |
[Xe chạy qua] -------------------------> [Đầu xe chạm mốc]

Vận tốc tức thời $V$ ($\text{km/h}$) được tính toán thông qua công thức chuyển đổi tọa độ điểm ảnh và tần số quét khung hình ($30\text{ FPS}$):

$$\text{Quãng đường (km)} = D_f \times \left(\frac{D}{D_x}\right) \times (P_n - P_0)$$

$$\text{Thời gian (h)} = T_f \times \left(\frac{t_n - t_0}{30}\right)$$

$$V = \frac{\text{Quãng đường}}{\text{Thời gian}} \quad (\text{km/h})$$

Trong đó:

  • $D_f = \frac{1}{1000}$ (hệ số chuyển đổi mét sang kilomet).
  • $T_f = \frac{1}{3600}$ (hệ số chuyển đổi giây sang giờ).
  • $P_0, P_n$: Vị trí trọng tâm hoặc mép trước bánh xe tại thời điểm bắt đầu ($t_0$) và kết thúc ($t_n$).

4. Thuật toán đánh giá mật độ giao thông dạng lưới (Grid-based Density Analysis)

Khung hình quan sát từ cầu vượt được chia thành ma trận lưới gồm các ô nhỏ kích thước $8\times 8$, $16\times 16$ hoặc $25\times 25$ pixels. Người dùng thiết lập loại trừ các ô thuộc dải phân cách, vỉa hè hoặc khu vực ngoài mặt đường.

$$\text{Tỷ lệ che phủ mặt đường (%)} = \frac{N_{\text{active cells}}}{N_{\text{total cells}} - N_{\text{inactive cells}}} \times 100%$$

$$\text{Tỷ lệ mặt đường còn trống (%)} = 100% - \text{Tỷ lệ che phủ mặt đường (% सच्चे)}$$

Để giải quyết bài toán nhập nhằng giữa hai trạng thái: Đường rất vắng (không có xe $\rightarrow$ không có chuyển động) và Kẹt xe nghiêm trọng (xe đứng im $\rightarrow$ không phát hiện chuyển động vi phân), hệ thống tích hợp thêm hai chỉ số thống kê chuỗi thời gian:

  • Biểu đồ Mean: Thể hiện cường độ biến thiên trung bình của toàn bộ các pixel chuyển động theo từng khung hình.
  • Biểu đồ Range: $\text{Range} = \text{Pixel}{\max} - \text{Pixel}{\min}$ trong từng cell. Đếm số lượng bước sóng dao động để xác định xe đang nhích từng đợt hay mặt đường hoàn toàn trống rỗng.
+-----------------------------------------------------------------------+
| PHÂN CẤP 5 MỨC ĐỘ MẬT ĐỘ GIAO THÔNG (DENSITY CLASSIFICATION)          |
+-----------------------------------------------------------------------+
| 1. Rất vắng xe : Trống > 85%, Xung nhịp chuyển động rời rạc.          |
| 2. Vắng xe     : Trống 65% - 85%, Xe chạy vận tốc nhanh.              |
| 3. Đông xe     : Trống 40% - 64%, Vận tốc trung bình ổn định.         |
| 4. Sắp kẹt xe  : Trống 20% - 39%, Xe nối đuôi nhau di chuyển chậm.    |
| 5. Kẹt xe      : Trống < 20% hoặc Xung nhịp Range tắt dần, đứng im.  |
+-----------------------------------------------------------------------+

Kết quả kiểm nghiệm thực nghiệm

Hệ thống được thử nghiệm với các tệp video chuẩn thu thập tại TP. Hồ Chí Minh ở độ phân giải $640\times 480$ pixels, tốc độ $30\text{ FPS}$:

  • Hiệu năng phát hiện xe: Khả năng tách lọc chuyển động và bao khung bounding box đạt tỷ lệ thành công trên $92%$ trong điều kiện ánh sáng ban ngày đồng đều.
  • Độ chính xác đo vận tốc: Thử nghiệm đối chiếu giữa vận tốc đồng hồ xe thực tế ($30 - 50\text{ km/h}$) và kết quả tính toán của phần mềm cho thấy sai số trung bình chỉ dao động trong khoảng $\pm 3.5%$.
  • Độ chính xác đánh giá mật độ: Phân loại chính xác $100%$ các trạng thái chuyển tiếp giữa đường vắng, xe đông và ùn tắc cục bộ nhờ sự kết hợp giữa tỷ lệ che phủ lưới và biểu đồ Mean/Range.

Đổi mới và đóng góp

  1. Khử sự nhập nhằng trạng thái Kẹt xe và Đường vắng bằng Biểu đồ sóng: Đóng góp kỹ thuật quan trọng nhất của đề tài là việc kết hợp giải thuật Consecutive Frame Difference với biểu đồ thống kê Mean và Range. Các phương pháp trừ nền vi phân truyền thống hoàn toàn bất lực khi dòng xe dừng hẳn, nhưng việc theo dõi tần số xung biến thiên của biểu đồ Range cho phép phát hiện chính xác thời điểm vận tốc dòng xe suy giảm về 0.
  2. Cơ chế phân vùng lưới không gian đa độ phân giải: Cho phép người dùng tùy biến linh hoạt kích thước ô lưới ($8\times 8, 16\times 16, 25\times 25$) theo cự ly phối cảnh (perspective view). Xe ở gần dùng lưới lớn, xe ở xa dùng lưới nhỏ, giúp tối ưu hóa tải tính toán của CPU mà không làm giảm độ nhạy phát hiện.
  3. Mô hình định chuẩn Pixel-to-Metric chi phí thấp: Không yêu cầu hệ thống camera lập thể (Stereo Camera) hay cảm biến Laser đắt đỏ. Chỉ cần 2 vạch mốc tham chiếu thực tế ($4\text{ m}$), thuật toán có thể quy đổi chính xác tốc độ km/h với độ trễ tính toán dưới $33\text{ ms}$ trên mỗi khung hình.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trung tâm giám sát và điều hành giao thông đô thị (TMC): Tự động phát hiện các điểm nghẽn giao thông tại các giao lộ trọng điểm để điều chỉnh nhịp đèn tín hiệu giao thông linh hoạt (Adaptive Traffic Light Control).
  • Hệ thống cảnh báo sớm cho người đi đường: Tích hợp dữ liệu mật độ giao thông vào các bảng thông tin điện tử (VMS - Variable Message Signs) hoặc ứng dụng chỉ đường, giúp tài xế chủ động chuyển hướng trước khi đi vào điểm ùn tắc.
  • Giám sát tốc độ tự động: Ứng dụng trên các tuyến đường đô thị nội bộ, khu công nghiệp hoặc cổng trường học nhằm ghi nhận các phương tiện chạy quá tốc độ quy định.
[Camera Giao Thông] ---> [Edge PC Xử Lý Ảnh] ---> [Bảng Tin VMS / Web API]
                                            ---> [Trung Tâm Chỉ Huy Giao Thông]

Yêu cầu cấu hình triển khai

  • Camera: Độ phân giải tối thiểu VGA ($640\times 480$), tốc độ quét $30\text{ FPS}$, trang bị chân đế cố định chống rung.
  • Phần cứng máy tính xử lý: CPU Intel Core 2 Duo / Core i3 tốc độ $2.4\text{ GHz}$ trở lên, RAM $2\text{ GB}$, hỗ trợ card đồ họa tích hợp.
  • Hệ điều hành: Windows XP / Windows 7 / Windows Server, cài đặt sẵn Microsoft .NET Framework 4.0.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Ảnh hưởng của bóng đổ (Shadow Effect): Trong điều kiện nắng gắt, bóng của xe in đậm trên mặt đường dễ bị thuật toán nhầm lẫn là một phần của thân xe, làm phình to kích thước blob và sai lệch trọng tâm.
  • Hiện tượng dính cụm (Occlusion / Grouping): Khi mật độ phương tiện quá đông (đặc biệt là xe máy di chuyển sát nhau), các đốm trắng chuyển động bị dính liền thành một khối lớn, khiến hệ thống không thể tách biệt từng phương tiện đơn lẻ.
  • Điều kiện thời tiết xấu và ban đêm: Độ chói của đèn pha phương tiện ban đêm (headlight glare) hoặc khúc xạ ánh sáng khi trời mưa làm thuật toán trừ nền mất ổn định.

Hướng phát triển tương lai

  1. Thuật toán khử bóng đổ: Ứng dụng không gian màu HSV hoặc YCrCb để phân tích độ bão hòa và loại bỏ bóng phương tiện dựa trên đặc trưng suy giảm độ sáng nhưng giữ nguyên màu nền.
  2. Theo dõi đa đối tượng (Multi-target Tracking): Tích hợp bộ lọc Kalman (Kalman Filter) và giải thuật Hungarian để gán nhãn định danh (ID Tracking), cho phép đo vận tốc đồng thời hàng chục phương tiện trên nhiều làn đường.
  3. Nâng cấp công nghệ AI / Deep Learning: Mở rộng tích hợp các mô hình nhận diện hướng đối tượng (YOLO, SSD) kết hợp mạng nơ-ron tích chập (CNN) để phân loại chính xác các loại phương tiện (xe con, xe buýt, xe tải, xe máy).

Đối tượng hưởng lợi

  • Sinh viên và Học viên Công nghệ thông tin: Tài liệu tham khảo toàn diện về ứng dụng xử lý ảnh số thực tế, kỹ thuật thao tác ma trận điểm ảnh và lập trình thị giác máy tính với C# / AForge.NET.
  • Kỹ sư phát triển phần mềm giao thông thông minh (ITS): Nắm bắt mô hình kiến trúc xử lý luồng video thời gian thực, phương pháp định chuẩn tọa độ camera và thuật toán phân tích lưới không gian.
  • Cơ quan quản lý và quy hoạch đô thị: Tiếp cận giải pháp công nghệ giám sát giao thông tự động với chi phí đầu tư phần cứng thấp hơn 70 - 80% so với việc lắp đặt hệ thống cảm biến vòng từ truyền thống.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để vận hành hệ thống là gì?

Hệ thống được thiết kế tối ưu hóa cho môi trường phần cứng phổ thông. Yêu cầu tối thiểu bao gồm: 01 camera giám sát chuẩn analog/IP tốc độ $30\text{ FPS}$, máy tính trang bị CPU 2 nhân (x86/x64), RAM tối thiểu $2\text{ GB}$, hệ điều hành Windows và môi trường thực thi .NET Framework 4.0.

2. Hệ thống xử lý thế nào khi có nhiều xe cùng xuất hiện trong khung hình đo vận tốc?

Trong phạm vi của đồ án, module đo tốc độ tập trung vào 1 phương tiện đơn lẻ đi qua vùng ROI chuẩn hóa $4\text{ m}$. Trường hợp có nhiều xe di chuyển cùng lúc, hệ thống sẽ lọc blob có diện tích lớn nhất hoặc khuyến nghị chuyển sang module đánh giá mật độ tổng thể (Density Mode).

3. Làm thế nào để tích hợp hệ thống với hạ tầng camera giao thông sẵn có?

Ứng dụng hỗ trợ nạp luồng video trực tiếp từ các tập tin video chuẩn hoặc luồng camera thông qua thư viện AForge.Video. Do đó, hệ thống hoàn toàn tương thích với hạ tầng camera quan sát (CCTV) đang vận hành tại các nút giao thông đô thị mà không cần thay mới phần cứng thu hình.

4. Quy trình hiệu chuẩn khoảng cách thực tế (Calibration) diễn ra như thế nào?

Người vận hành chỉ cần xác định 2 vạch mốc thực địa (ví dụ cách nhau $4\text{ m}$), sau đó dùng công cụ vẽ trên giao diện phần mềm để đánh dấu 2 điểm tương ứng trên khung hình. Hệ thống sẽ tự động tính tỷ lệ chuyển đổi $D / D_x$ (mét trên pixel) để áp dụng vào công thức vận tốc.

5. Chi phí đầu tư và khả năng thu hồi vốn (ROI) so với cảm biến vòng từ ra sao?

So với cảm biến vòng từ (Loop Detector) đòi hỏi chi phí xẻ đường, đặt cáp và tạm dừng lưu thông hàng ngày, hệ thống thị giác máy tính lắp đặt hoàn toàn phi xâm lấn (non-intrusive) trên cao, giúp tiết kiệm hơn $75%$ chi phí triển khai ban đầu và giảm thiểu $90%$ chi phí bảo trì định kỳ.

Kết luận

Đồ án "Hệ thống đánh giá mật độ và tốc độ giao thông" đã giải quyết trọn vẹn bài toán tự động hóa giám sát giao thông đô thị bằng các thuật toán Thị giác máy tính phi mô hình hiệu quả cao. Việc hiện thực hóa thành công các giải thuật tiền xử lý Grayscale, lọc nhiễu Median, trừ nền thích ứng (Simple Background Modeling, Consecutive Frame Difference) cùng cơ chế kiểm soát mật độ bằng lưới không gian và biểu đồ sóng Mean/Range mang lại giải pháp công nghệ có tính ứng dụng thực tiễn cao. Đây là nền tảng vững chắc để tiếp tục mở rộng, nâng cấp lên các hệ thống giao thông thông minh (ITS) ứng dụng trí tuệ nhân tạo toàn diện trong tương lai.