Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh dữ liệu đa phương tiện (hình ảnh, video, âm thanh) ngày càng gia tăng và lĩnh vực thị giác máy tính cùng trí tuệ nhân tạo phát triển mạnh mẽ, việc ứng dụng phân tích video tự động vào các hệ thống giám sát giao thông (Traffic Surveillance System - TSS) trở thành nhu cầu thiết yếu. Hệ thống TSS phục vụ đa dạng nhu cầu, từ quản lý nội bộ tại các nhà máy, khu dân cư cho đến giám sát an ninh trật tự và luồng giao thông tại các tuyến đường huyết mạch thuộc các quận, huyện, thành phố.

Thực tế cho thấy các phương pháp giám sát và khảo sát giao thông truyền thống bộc lộ nhiều hạn chế kỹ thuật:

  • Phương pháp đếm xe cổ điển bằng ống hơi: Hoạt động dựa trên áp lực khi bánh xe đi qua ống; đối với các loại phương tiện có nhiều hơn hai trục, hệ thống dễ ghi nhận sai lệch số lượng.
  • Các thiết bị chuyên dụng như cảm biến laser, súng bắn tốc độ cầm tay, hoặc camera radar đo phản hồi sóng: Có chi phí triển khai cao, tính linh hoạt thấp và khó mở rộng cho nhiều mục tiêu giám sát cùng lúc.

Để khắc phục các nhược điểm trên, đề tài tập trung nghiên cứu giải pháp giám sát giao thông thông minh thông qua luồng camera tích hợp trí tuệ nhân tạo, hướng đến việc nâng cao độ chính xác nhận dạng phương tiện trong điều kiện giao thông thực tế tại Việt Nam. Đồng thời, hệ thống được thiết kế để tạo nền tảng có thể tùy biến cho các bài toán mở rộng như phát hiện xe đỗ sai quy định hay giám sát phương tiện trong vùng cấm.

Hệ thống hoạt động với luồng dữ liệu đầu vào là video thời gian thực hoặc tập tin video được ghi hình tại nút giao thông; dữ liệu đầu ra là video đã qua xử lý bởi các thuật toán phát hiện, theo vết, từ đó áp dụng các giải thuật chuyên biệt để tự động đếm lưu lượng xe và đo lường tốc độ di chuyển.

Khóa luận xác định 4 thách thức kỹ thuật chính:

  1. Môi trường giao thông Việt Nam có mật độ phương tiện dày đặc, chủng loại đa dạng, gây khó khăn cho việc lựa chọn và tối ưu thuật toán phát hiện đối tượng.
  2. Bộ dữ liệu huấn luyện đặc thù cho giao thông Việt Nam chưa phổ biến, đòi hỏi nhiều công sức xây dựng và chuẩn hóa.
  3. Việc lựa chọn và cải thiện độ chính xác của thuật toán theo vết đa đối tượng khi xảy ra hiện tượng che khuất.
  4. Thời gian và tài nguyên cần thiết để huấn luyện các mô hình học sâu tương đối lớn.

Mục tiêu nghiên cứu của đề tài bao gồm 5 nhiệm vụ:

  1. Tìm hiểu mạng nơ-ron tích chập (CNN), kiến trúc YOLOv4, thuật toán theo vết Kalman Filter cùng các thuật toán đếm xe và ước tính tốc độ phương tiện.
  2. Xây dựng mô hình phát hiện đối tượng dựa trên YOLOv4 phù hợp với điều kiện giao thông tại Việt Nam.
  3. Thử nghiệm, đánh giá và so sánh hai mô hình phát hiện đối tượng là Single Shot MultiBox Detector (SSD) và YOLOv4 nhằm chọn lựa giải pháp tối ưu.
  4. Thử nghiệm, so sánh và đánh giá hai biến thể theo vết thuộc nhóm Kalman Filter gồm Linear Kalman Filter và Unscented Kalman Filter.
  5. Lựa chọn giải pháp kỹ thuật phù hợp và triển khai hệ thống giám sát giao thông tự động hoàn chỉnh.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các phương tiện giao thông (người đi bộ, xe hơi, xe gắn máy) xuất hiện trong luồng video giám sát; các giải thuật học sâu và xử lý ảnh (YOLOv4, SSD, Kalman Filter, giải thuật Hungary).
  • Phạm vi không gian: Khảo sát và thu thập dữ liệu tại TP. Hồ Chí Minh với 14 video tại 5 nút giao thông trọng điểm ở nhiều góc quay khác nhau (Công viên Gia Định, Đại lộ Phạm Văn Đồng, Xa lộ Hà Nội, Cao tốc TP. Hồ Chí Minh – Trung Lương, đường Nguyễn Văn Cừ).
  • Phạm vi chức năng: Tập trung vào hai bài toán cốt lõi là đếm lưu lượng phương tiện và đo lường tốc độ xe chạy.

Cơ sở lý thuyết và phương pháp

Khóa luận phân tích cấu trúc của hệ thống giám sát truyền thống (camera ghi hình $\rightarrow$ bộ xử lý tín hiệu $\rightarrow$ trung tâm lưu trữ $\rightarrow$ màn hình trung tâm giám sát có nhân viên theo dõi) và hệ thống giám sát thông minh (tích hợp thêm khối thuật toán xử lý tự động gồm phát hiện, theo vết, đo tốc độ và đếm xe nhằm giảm thiểu sự can thiệp thủ công).

Cơ sở lý thuyết của hệ thống dựa trên các trụ cột công nghệ sau:

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)

CNN đóng vai trò trích xuất đặc trưng hình ảnh tự động. Định dạng tensor đầu vào được biểu diễn theo chuẩn $NHWC$ (số lượng ảnh $\times$ chiều cao $\times$ chiều rộng $\times$ số kênh). Các thành phần cấu tạo chính gồm:

  • Lớp tích chập (Convolutional Layer): Sử dụng bộ lọc kích thước $F \times F \times C \times K$ quét qua ảnh đầu vào với bước nhảy (Stride - $S$) để tạo ra bản đồ đặc trưng (feature map).
  • Lớp lấy mẫu (Pooling Layer): Thực hiện giảm chiều không gian bản đồ đặc trưng thông qua cơ chế tổng hợp tối đa (Max Pooling) hoặc tổng hợp trung bình (Average Pooling).
  • Lớp kết nối đầy đủ (Fully Connected Layer): Phẳng hóa dữ liệu đầu ra ở cuối mạng để tối ưu hóa điểm số phân loại đối tượng.

Thuật toán phát hiện đối tượng YOLO (You Only Look Once)

YOLO tiếp cận bài toán phát hiện đối tượng dưới dạng bài toán hồi quy duy nhất từ điểm ảnh đến tọa độ hộp bao và xác suất lớp. Các khái niệm cốt lõi bao gồm:

  • Cơ chế chia lưới (Grid Matrix): Ảnh đầu vào được chia thành ma trận $S \times S$ (ví dụ: $3 \times 3$, $19 \times 19$, $38 \times 38$, $76 \times 76$). Đối tượng có tâm nằm trong ô nào sẽ do ô đó chịu trách nhiệm dự đoán.
  • Cấu trúc vector đầu ra $y$: Với mỗi ô lưới, vector dự đoán có cấu trúc $y = [p_c, b_x, b_y, b_h, b_w, c_1, c_2, ..., c_C]^T$, trong đó $p_c$ là xác suất chứa đối tượng, $(b_x, b_y)$ là tọa độ tâm tương đối, $(b_h, b_w)$ là tỉ lệ chiều cao và chiều rộng, $c_i$ là xác suất thuộc về lớp thứ $i$.
  • Hộp neo (Anchor Boxes): Cho phép một ô lưới có thể phát hiện đồng thời nhiều đối tượng có hình dạng khung bao khác nhau (ví dụ: người đi bộ dạng đứng, xe hơi dạng ngang).
  • Chỉ số IoU (Intersection over Union) và Non-Max Suppression (NMS): IoU xác định độ trùng khớp giữa vùng bao dự đoán và vùng bao thực tế ($IoU = \text{Area of Intersection} / \text{Area of Union}$). NMS duyệt qua các vùng bao có độ tin cậy cao nhất và loại bỏ các vùng bao trùng lặp có chỉ số IoU vượt ngưỡng.
  • Kiến trúc Backbone Darknet53/CSPDarknet53: Nhận ảnh đầu vào kích thước $608 \times 608 \times 3$, đưa qua các tầng tích chập và cho ra bản đồ đặc trưng kích thước $19 \times 19 \times 425$ (với 5 anchor boxes cho mỗi ô và 80 lớp đối tượng: $5 \times (5 + 80) = 425$).

Phương pháp đánh giá mô hình thị giác máy tính

Mô hình sử dụng các chỉ số:

  • Độ chính xác (Precision): $Precision = \frac{TP}{TP + FP}$
  • Độ bao phủ (Recall): $Recall = \frac{TP}{TP + FN}$
  • Độ chính xác trung bình (Average Precision - AP): Được tính theo hai phương pháp nội suy là nội suy 11 điểm (11-points-interpolated AP) và nội suy toàn điểm (all-points-interpolated AP dựa trên diện tích dưới đường cong Precision-Recall).
  • Mean Average Precision (mAP): Trung bình cộng AP của tất cả các lớp đối tượng.

Lý thuyết theo vết đối tượng (Object Tracking)

  • Phân loại theo vết: Gồm theo vết đơn đối tượng (Single Object Tracking - SOT), theo vết đa đối tượng (Multiple Object Tracking - MOT), theo vết dựa trên phát hiện (Detection-based Tracking) và theo vết không dựa trên phát hiện (Detection-free Tracking).
  • Thuật toán SORT (Simple Online and Realtime Tracking): Kết hợp giữa giải thuật Hungary (Hungarian Algorithm) để giải bài toán gán liên kết đối tượng dựa trên ma trận khoảng cách IoU và Bộ lọc Kalman (Kalman Filter) để ước lượng trạng thái di chuyển.
  • Bộ lọc Kalman: Thực hiện chu trình dự đoán và cập nhật trạng thái với vector trạng thái $x$, ma trận hiệp phương sai sai số $P$ và ma trận đo nhiễu $R$. Hai biến thể được nghiên cứu là Linear Kalman Filter (tuyến tính) và Unscented Kalman Filter (phi tuyến).

Thiết kế và triển khai

Hệ thống giám sát giao thông tự động được thiết kế thành một quy trình tích hợp khép kín gồm các khối chức năng:

[Luồng Video Đầu Vào]
[Khối Phát Hiện Đối Tượng: YOLOv4 / CSPDarknet53]
[Khối Theo Vết: Kalman Filter + Giải Thuật Hungary]
[Khối Thuật Toán Đếm Xe]     [Khối Thuật Toán Đo Tốc Độ]
                             (Tọa độ GPS + Điểm ảnh Pixel)
            [Video Kết Quả Đầu Ra]

Kiến trúc mạng phát hiện đối tượng YOLOv4

  • Backbone CSPDarknet53: Dựa trên nền tảng mạng DenseNet và các khối Dense Block, sử dụng kỹ thuật Cross Stage Partial Network (CSPNet) nhằm chia nhỏ bản đồ đặc trưng của tầng cơ sở thành hai phần, giúp tăng cường khả năng học đặc trưng và giảm tải tính toán.
  • Spatial Pyramid Pooling (SPP) và Path Aggregation Network (PAN): Tích hợp khối SPP trong CSPDarknet53 để mở rộng trường tiếp nhận (receptive field) và khối PAN để truyền dẫn thông tin đa tỷ lệ từ dưới lên và từ trên xuống.
  • Đầu ra đa kích thước: Mạng xuất ra các bản đồ đặc trưng tại ba tỷ lệ $19 \times 19$, $38 \times 38$ và $76 \times 76$ phục vụ việc nhận diện đối tượng ở các kích thước lớn, trung bình và nhỏ.

Khối theo vết và thuật toán đếm xe

  • Quá trình gán nhãn: Tập dữ liệu video giao thông được trích xuất khung hình và gán nhãn thông qua công cụ DarkLabel để tạo các tệp mô tả tọa độ và lớp đối tượng chuẩn.
  • Liên kết đối tượng: Vị trí hộp bao từ mạng phát hiện được đối chiếu với trạng thái dự đoán từ Kalman Filter. Ma trận IoU được chuyển đổi thành bài toán phân công chi phí tối ưu và giải quyết bằng giải thuật Hungary.
  • Thuật toán đếm xe: Thiết lập các đường ranh giới ảo (counting line) hoặc vùng quan sát trên khung hình. Khi quỹ đạo theo vết (track trajectory) của một đối tượng cắt qua đường ranh giới theo hướng quy định, bộ đếm tương ứng với loại phương tiện đó sẽ tự động tăng lên 1.

Khối đo lường tốc độ phương tiện

  • Chuyển đổi hệ quy chiếu: Kết hợp hệ tọa độ điểm ảnh (pixel) trên camera với tọa độ địa lý thực tế (GPS).
  • Phương pháp xác định khoảng cách: Tọa độ các điểm mốc trên thực địa được đo đạc thông qua Google Maps hoặc thiết bị định vị GPS di động. Dựa trên ma trận biến đổi phối cảnh, hệ thống ánh xạ độ dịch chuyển pixel của tâm hộp bao giữa các khung hình liên tiếp sang khoảng cách vật lý thực tế (mét).
  • Công thức tốc độ: Tốc độ được tính toán bằng tỉ số giữa khoảng cách thực tế di chuyển được và thời gian di chuyển (dựa trên tốc độ khung hình $FPS$ của camera: $\Delta t = \frac{\Delta \text{frames}}{FPS}$).

Nội dung chính theo từng chương

Chương Tên chương Nội dung trọng tâm và kết quả phân tích
Chương 1 Giới thiệu chung Trình bày lý do nghiên cứu hệ thống giám sát giao thông tự động (TSS); phân tích hạn chế của phương pháp đo đếm thủ công/cổ điển; xác định 4 thách thức kỹ thuật, 5 mục tiêu nghiên cứu và phạm vi thực nghiệm tại 5 địa điểm giao thông thuộc TP.HCM.
Chương 2 Cơ sở lý thuyết Phân tích chi tiết nguyên lý mạng CNN (các phép tích chập, bộ lọc $F \times F \times C \times K$, Stride, Max/Average Pooling, FC layer); cơ chế chia lưới $S \times S$, vector đầu ra $y$, Anchor Box, IoU, NMS của YOLO; phương pháp đánh giá mAP qua nội suy 11 điểm và all-points; cơ sở toán học của MOT, giải thuật Hungary và bộ lọc Kalman.
Chương 3 Giải pháp đề xuất Mô tả sơ đồ tổng thể hệ thống giám sát; quy trình tạo lập dữ liệu với DarkLabel; chi tiết kiến trúc mạng YOLOv4 kết hợp CSPDarknet53, DenseNet, Dense Block, SPP và PAN; sơ đồ thuật toán đếm xe theo vết và sơ đồ đo tốc độ phương tiện kết hợp tọa độ GPS thực địa.
Chương 4 Kết quả thực nghiệm Thiết lập tham số hệ thống cho Kalman Filter và mô hình phát hiện; tiến hành so sánh thực nghiệm giữa Single Shot MultiBox Detector (SSD) và YOLOv4 về độ chính xác và tốc độ khung hình; so sánh Linear Kalman Filter và Unscented Kalman Filter trong các trường hợp che khuất; tối ưu hóa hệ thống trước các yếu tố nhiễu GPS và phân làn đường thực tế.
Chương 5 Tổng kết Đánh giá tổng thể các kết quả đạt được về mô hình nhận dạng, khả năng theo vết, độ tin cậy của bộ đếm xe và đo tốc độ; đề xuất các hướng mở rộng ứng dụng trong quản lý trật tự giao thông đô thị.

Kết quả và đóng góp

Kết quả thực nghiệm và so sánh kỹ thuật

Trong Chương 4, tác giả thực hiện các thử nghiệm đối sánh giữa các mô hình phát hiện và các thuật toán theo vết:

  1. So sánh mô hình phát hiện đối tượng: SSD và YOLOv4

    • Mô hình YOLOv4 thể hiện khả năng nhận diện vượt trội đối với các phương tiện giao thông có kích thước biến thiên và mật độ dày đặc tại Việt Nam so với Single Shot MultiBox Detector (SSD).
    • Tốc độ xử lý của YOLOv4 duy trì mức khung hình cao (đạt ngưỡng xử lý thời gian thực trên GPU thử nghiệm), đồng thời giảm thiểu các trường hợp bắt sai (False Positive) và bỏ sót đối tượng (False Negative).

  2. So sánh thuật toán theo vết: Linear Kalman Filter và Unscented Kalman Filter

    • Thực nghiệm phân tích chuyển động của đối tượng qua các mốc thời gian $t, t+2, t+4, t+6$ trong tình huống bị vật cản che khuất (cụ thể là trường hợp người đi bộ/phương tiện bị khuất sau cột đèn chiếu sáng):
      • Tại thời điểm $t$: Cả hai bộ lọc đều phát hiện và theo vết chính xác đối tượng.
      • Tại thời điểm $t+2$: Đối tượng bắt đầu bị khuất sau cột đèn, vùng bao dự đoán của mô hình tuyến tính có xu hướng giữ ở vị trí cũ.
      • Tại thời điểm $t+4$: Đối tượng bị che khuất hoàn toàn, dẫn đến khung dự đoán không chứa đối tượng và xảy ra sai sót theo vết.
      • Tại thời điểm $t+6$: Khi đối tượng xuất hiện trở lại, hệ thống bị gán một định danh mới (New ID) thay vì duy trì ID cũ.
    • Việc so sánh giữa Linear Kalman Filter và Unscented Kalman Filter giúp xác định rõ giới hạn thích ứng của từng thuật toán đối với chuyển động phi tuyến và các điểm mù trên luồng camera giám sát.

Đóng góp của đề tài

  • Xây dựng thành công bộ dữ liệu video giao thông thực tế tại 5 điểm nút giao thông quan trọng của TP. Hồ Chí Minh với 14 video đa dạng góc nhìn, phục vụ huấn luyện và kiểm thử mô hình thị giác máy tính.
  • Hiện thực hóa quy trình tích hợp hoàn chỉnh từ phát hiện đối tượng (YOLOv4/CSPDarknet53) $\rightarrow$ theo vết đa đối tượng (Kalman Filter + Giải thuật Hungary) $\rightarrow$ đếm lưu lượng và ước tính tốc độ phương tiện thông qua ánh xạ tọa độ GPS.
  • Đề xuất giải pháp khắc phục các yếu tố gây nhiễu thực tế như phân làn xe máy trong giờ cao điểm trên Đại lộ Phạm Văn Đồng và hiện tượng nhiễu đối tượng trên bản đồ số Google Maps bằng phương pháp đo GPS thực địa bằng điện thoại di động.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Dữ liệu thử nghiệm ban đầu giới hạn trong 14 video tại 5 địa điểm thuộc TP. Hồ Chí Minh, chưa bao quát toàn diện các điều kiện thời tiết khắc nghiệt (mưa lớn, sương mù) hoặc ánh sáng quá yếu vào ban đêm.
  • Khi mật độ phương tiện quá đông đúc dẫn đến hiện tượng che khuất kéo dài, thuật toán theo vết vẫn gặp hiện tượng mất dấu hoặc tái cấp phát ID mới cho cùng một phương tiện.
  • Việc chuyển đổi hệ tọa độ điểm ảnh sang tọa độ GPS phụ thuộc vào độ chính xác của việc lấy mốc thực địa, dễ bị ảnh hưởng bởi góc nghiêng và độ rung của camera giám sát.

Hướng nghiên cứu tiếp

  • Mở rộng tập dữ liệu giao thông trên nhiều khung giờ, nhiều điều kiện thời tiết và các khu vực địa lý khác nhau.
  • Ứng dụng hệ thống vào các bài toán quản lý trật tự giao thông nâng cao như: tự động phát hiện và cảnh báo phương tiện đỗ sai quy định, phát hiện xe đi sai làn đường, đi ngược chiều, giám sát phương tiện đi vào vùng cấm.
  • Tối ưu hóa cấu trúc mạng nơ-ron nhằm tăng tốc độ suy luận, hướng tới triển khai trực tiếp trên các thiết bị xử lý biên (Edge AI) hoặc hệ thống camera thông minh độc lập.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn cho sinh viên, học viên cao học và kỹ sư thuộc các ngành Hệ thống Thông tin, Khoa học Máy tính, Kỹ thuật Phần mềm và Trí tuệ Nhân tạo đang làm việc trong lĩnh vực thị giác máy tính hoặc hệ thống giao thông thông minh (Intelligent Transportation Systems - ITS).

Các nội dung có giá trị ứng dụng và tham khảo cao gồm:

  • Toàn bộ phương pháp luận xây dựng bộ dữ liệu tùy biến bằng công cụ DarkLabel và cách tổ chức dữ liệu nhãn cho các mô hình YOLO.
  • Hướng dẫn chi tiết về mặt toán học và phương pháp đánh giá mô hình phân loại/phát hiện đối tượng (nội suy 11 điểm và all-points interpolated AP).
  • Quy trình cài đặt kết hợp thuật toán SORT (Kalman Filter và giải thuật Hungary) để giải quyết bài toán theo vết đa đối tượng trong môi trường giao thông phức tạp.
  • Phương pháp luận chuyển đổi hệ quy chiếu từ điểm ảnh camera sang khoảng cách thực tế dựa trên mốc GPS phục vụ bài toán đo tốc độ không tiếp xúc.

Câu hỏi thường gặp

1. Tại sao tác giả lựa chọn mô hình họ YOLO thay vì các mô hình phân đoạn hai giai đoạn như Fast R-CNN hay Faster R-CNN?
Trong phần tổng quan các phương pháp phát hiện đối tượng, tác giả chỉ ra rằng các mô hình như Fast R-CNN hay Faster R-CNN tuy đạt độ chính xác cao nhưng tốc độ suy luận (FPS) rất thấp, không đáp ứng được yêu cầu xử lý thời gian thực của hệ thống giám sát giao thông tự động. YOLO được lựa chọn nhờ tốc độ xử lý nhanh (lên đến 45 FPS ở các phiên bản tiêu chuẩn) kết hợp với độ chính xác cao.

2. Cấu trúc vector đầu ra $y$ của YOLO được tổ chức như thế nào khi chia ảnh thành lưới $3 \times 3$ với 2 anchor boxes và 3 lớp đối tượng?
Khi sử dụng 2 anchor boxes cho mỗi ô và phân loại 3 lớp đối tượng (người đi bộ, xe hơi, xe máy), vector đầu ra $y$ cho mỗi ô có kích thước 16 chiều ($2 \times (1 + 4 + 3) = 16$). Tensor đầu ra cho toàn bộ ma trận $3 \times 3$ sẽ có kích thước $3 \times 3 \times 16$. 8 giá trị đầu biểu diễn cho anchor box thứ nhất và 8 giá trị sau biểu diễn cho anchor box thứ hai.

3. Kỹ thuật Non-Max Suppression (NMS) trong YOLO hoạt động theo cơ chế nào để loại bỏ các vùng bao trùng lặp?
NMS hoạt động bằng cách trước hết loại bỏ tất cả các vùng bao có điểm số tin cậy hoặc IoU thấp hơn ngưỡng cố định. Trong các vùng bao còn lại, thuật toán chọn vùng bao có xác suất cao nhất gán cho đối tượng, sau đó tính IoU giữa vùng bao này với các vùng bao lân cận và loại bỏ các vùng bao có độ trùng lặp cao hơn ngưỡng NMS. Quá trình này lặp lại cho đến khi mỗi đối tượng chỉ còn một vùng bao duy nhất.

4. Sự khác biệt giữa phương pháp tính Average Precision (AP) 11-points-interpolated và all-points-interpolated là gì?
Phương pháp 11-points-interpolated chia đoạn Recall $[0, 1]$ thành 11 mốc đều nhau $(0, 0.1, 0.2, ..., 1.0)$ và tính trung bình cộng giá trị Precision nội suy cực đại tại 11 mốc đó. Trong khi đó, phương pháp all-points-interpolated không chia mốc cố định mà tính toán toàn bộ diện tích bao phủ dưới đường cong Precision-Recall nội suy thông qua tích phân diện tích từng đoạn $(\Delta Recall \times Precision_{\text{interpolated}})$.

5. Hệ thống thực hiện việc đo tốc độ phương tiện từ video camera bằng cách nào?
Hệ thống theo dõi tọa độ tâm vùng bao của phương tiện qua từng khung hình bằng thuật toán theo vết. Độ dịch chuyển pixel được chuyển đổi sang khoảng cách thực tế (mét) dựa trên việc hiệu chuẩn với tọa độ GPS thu thập ngoài thực địa (từ Google Maps hoặc máy GPS). Tốc độ được tính bằng khoảng cách thực tế chia cho khoảng thời gian di chuyển giữa các khung hình (dựa trên thông số $FPS$ của video).

Kết luận

Khóa luận của tác giả Nguyễn Tiến Công đã nghiên cứu và xây dựng thành công giải pháp hệ thống giám sát giao thông tự động hỗ trợ đếm xe và đo tốc độ phương tiện dựa trên thị giác máy tính và học sâu. Công trình đã tổng hợp hệ thống cơ sở lý thuyết vững chắc về mạng tích chập, kiến trúc YOLOv4, giải thuật Hungary và bộ lọc Kalman, đồng thời thực hiện đánh giá thực nghiệm trên bộ dữ liệu 14 video tại TP. Hồ Chí Minh. Kết quả nghiên cứu không chỉ giải quyết hiệu quả bài toán đo đếm lưu lượng và tốc độ trong điều kiện giao thông phức tạp tại Việt Nam mà còn tạo tiền đề kỹ thuật mở để mở rộng cho các bài toán an ninh và quản lý đô thị thông minh.