Giới thiệu dự án

Sự bùng nổ của các hệ thống tự hành và phương tiện giao thông thông minh (Intelligent Transportation Systems - ITS) đang tái định hình tương lai của ngành công nghiệp ô tô toàn cầu. Theo thống kê từ Tổ chức Y tế Thế giới (WHO), mỗi năm có khoảng 1,35 triệu người tử vong do tai nạn giao thông đường bộ, trong đó hơn 70% các vụ tai nạn tại đô thị xuất phát từ việc người lái chậm phản xạ hoặc bị hạn chế tầm nhìn trước các chướng ngại vật bất ngờ. Kể từ mốc lịch sử năm 1980 với chiếc Navlab của Đại học Carnegie Mellon cho đến sự phát triển đột phá của xe bán tự động Tesla, Google Self-Driving Car và Mercedes-Benz S500, thị giác máy tính (Computer Vision) đã khẳng định vai trò là "đôi mắt" cốt lõi giúp phương tiện hiểu biết cảnh quan môi trường xung quanh.

Trong môi trường giao thông đô thị, mật độ phương tiện dày đặc, sự đan xen phức tạp giữa xe cơ giới và người đi bộ, cùng sự biến động liên tục về góc quan sát, ánh sáng và hiện tượng che khuất (occlusion) tạo nên thách thức rất lớn cho các hệ thống hỗ trợ lái nâng cao (Advanced Driver Assistance Systems - ADAS).

+-------------------------------------------------------------------------------+
|                                  BÀI TOÁN                                     |
|  Xây dựng hệ thống ADAS nhận dạng thời gian thực phương tiện và người đi bộ   |
|   với độ chính xác cao trên nền tảng phần cứng phổ thông (CPU-based)          |
+-------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Xây dựng tập dữ liệu chuẩn hóa: Thu thập và tiền xử lý hơn 16.000 mẫu ảnh giao thông thực tế với độ phân giải cao từ 8 megapixel đến 23 megapixel.
  2. Trích xuất đặc trưng hình học bất biến: Áp dụng kỹ thuật phân tích biểu đồ hướng biến thiên gradient (Histogram of Oriented Gradients - HOG) đa chiều (signed-HOG 18 bins), bảo toàn thông tin biên cạnh của vật thể dưới biến động chiếu sáng.
  3. Tối ưu hóa phân loại bằng Gentle AdaBoost: Khai thác thuật toán tăng tốc thích nghi linh hoạt (Gentle AdaBoost - GAB) nhằm giảm thiểu hàm mất mát theo bình phương tối thiểu, hạn chế hiện tượng quá khớp (overfitting) do mẫu nhiễu.
  4. Thiết kế bộ phân loại xếp tầng (Cascade Classifier): Xây dựng chuỗi 15 tầng phân loại liên tiếp nhằm loại bỏ nhanh các vùng nền âm tính (negative), tối ưu hóa thời gian tính toán của cửa sổ trượt.
  5. Kiểm thử và đánh giá định lượng: Đạt độ chính xác tổng thể $\ge 85%$ trên tập dữ liệu độc lập và kiểm chứng khả năng phát hiện trên luồng video 27 FPS.

Phạm vi và giới hạn đề tài

  • Phạm vi đối tượng: Tập trung nhận diện 02 đối tượng trọng tâm trong đô thị là xe ô tô (ưu tiên nhận diện từ góc chụp phía sau/đuôi xe) và người đi bộ (dáng đứng thẳng, toàn thân).
  • Phạm vi môi trường: Khảo sát trong điều kiện ánh sáng ban ngày tại đô thị Việt Nam; hình ảnh thu thập qua camera độ phân giải 8MP - 23MP.
  • Giới hạn kỹ thuật: Triển khai giải thuật trên môi trường MATLAB R2015b, phần cứng thử nghiệm sử dụng CPU phổ thông (Intel Core i3/i5, RAM 4GB - 8GB), chưa tích hợp chip tăng tốc GPU chuyên dụng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp nhận diện đối tượng trong thị giác máy tính được chia làm hai hướng tiếp cận chính: phương pháp dựa trên toàn bộ ảnh (Appearance-based) và phương pháp dựa trên đặc trưng hình học (Feature-based).

Phương pháp Ưu điểm Nhược điểm Đánh giá độ phù hợp với ADAS đô thị
Phân đoạn màu sắc (Matveev et al., 1997) Thuật toán đơn giản, tốc độ tính toán nhanh. Không ổn định khi màu xe trùng màu nền; nhạy cảm cực cao với bóng đổ và thời tiết. Thấp - Không ứng dụng được trong môi trường thực tế phức tạp.
Haar-like + Đối xứng (Han & Hahn, 2009) Tốc độ quét cực nhanh nhờ cấu trúc bảng tích phân (Integral Image). Dễ phát hiện nhầm khi cường độ sáng môi trường thay đổi đột ngột; biên cạnh cong biểu diễn kém. Trung bình - Thích hợp cho nhận diện khuôn mặt hơn là phương tiện giao thông.
Phát hiện từng phần cơ thể (Mikolajczyk et al., 2004) Xử lý tốt các trường hợp người đi bộ bị che khuất một phần. Độ phức tạp tính toán rất cao; nhạy cảm nếu tập huấn luyện có nhiều mẫu rác. Trung bình - Đòi hỏi năng lực xử lý phần cứng vượt trội.
SVM kết hợp HOG (Dalal & Triggs, 2005) Độ chính xác cao, trích xuất hình dạng cạnh biên vượt trội. Tốc độ phân loại chậm do phải tính toán toàn bộ vector đặc trưng kích thước lớn trên mỗi cửa sổ trượt. Khá - Cần tối ưu hóa tốc độ quét cửa sổ.
Giải pháp đề xuất: HOG + Gentle AdaBoost Cascade Đạt độ chính xác cao của HOG; tốc độ phân loại cực nhanh nhờ cơ chế loại bỏ sớm vùng âm tính của Cascade. Yêu cầu tập huấn luyện lớn và thời gian huấn luyện ban đầu dài. Tối ưu nhất - Cân bằng hoàn hảo giữa độ chính xác và tài nguyên xử lý.

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW)

  • Must have (Bắt buộc có): Pipeline trích xuất đặc trưng HOG 18 bins; thuật toán phân lớp Gentle AdaBoost (GAB); bộ phân loại xếp tầng 15 tầng; gán nhãn bounding box lên tọa độ vật thể.
  • Should have (Nên có): Tự động trích xuất frame từ video 27 FPS; tạo mặt nạ vùng quan tâm (Region of Interest - ROI) bán tự động; phân tích biểu đồ đường cong ROC.
  • Could have (Có thể có): Cơ chế lọc bóng đổ mặt đường; module hỗ trợ xuất mô hình XML sang nền tảng C# / OpenCV.
  • Won't have (Chưa thực hiện): Nhận dạng đối tượng ban đêm bằng cảm biến hồng ngoại; xử lý 3D Point Cloud từ cảm biến LiDAR.

Thiết kế hệ thống

Kiến trúc hệ thống được phân lớp thành các module xử lý tuần tự độc lập:

graph TD
    A["Nguồn ảnh / Video đầu vào (8MP - 23MP)"] --> B["Tiền xử lý & Trích xuất Frame (27 FPS)"]
    B --> C["Xác định vùng ROI & Cửa sổ trượt (Sliding Window)"]
    C --> D["Trích xuất đặc trưng HOG (18-bin Signed Gradient)"]
    D --> E["Bộ phân loại xếp tầng (Cascade Classifier - 15 Stages)"]
    E -- "Âm tính (Negative)" --> F["Loại bỏ vùng ảnh nền"]
    E -- "Dương tính (Positive)" --> G["Hợp nhất hộp bao (Non-Maximum Suppression)"]
    G --> H["Hiển thị Bounding Box & Cảnh báo"]

Technology Stack & Môi trường thực thi

  • Ngôn ngữ & Nền tảng: MATLAB R2015b (64-bit).
  • Thư viện chuyên dụng: Computer Vision System Toolbox, Image Processing Toolbox.
  • Các hàm API cốt lõi: trainCascadeObjectDetector, vision.CascadeObjectDetector, insertObjectAnnotation, VideoReader, VideoWriter.
  • Cấu hình phần cứng thử nghiệm:
    • Máy trạm 01: Intel Core i5, RAM 8GB.
    • Máy trạm 02: Intel Core i3, RAM 4GB.

Quy trình phát triển (Methodology)

Dự án áp dụng mô hình phát triển lặp kiểm chứng (Iterative Verification Lifecycle) chia làm 4 giai đoạn chính:

[Giai đoạn 1: Thu thập & Tiền xử lý dữ liệu]
  └── Thu thập 16.000 mẫu ảnh ──> Gán nhãn ROI ──> Phân tách Pos/Neg
[Giai đoạn 2: Trích xuất đặc trưng & Thiết lập tham số]
  └── Tính Gradient (Ix, Iy) ──> Lập biểu đồ Bin HOG ──> Chuẩn hóa L2-norm
[Giai đoạn 3: Huấn luyện bộ phân loại Cascade]
  └── Cấu hình GAB ──> Huấn luyện 15 Stages ──> Xuất mô hình XML
[Giai đoạn 4: Đánh giá & Tối ưu hóa thực nghiệm]
  └── Kiểm thử 400 mẫu test ──> Vẽ đường cong ROC ──> Xử lý video thực tế

Implementation và kết quả

Chi tiết giải thuật và toán học cốt lõi

1. Trích xuất đặc trưng Histogram of Oriented Gradients (HOG)

Đặc trưng HOG mô tả hình dạng cục bộ của đối tượng thông qua sự phân bố của cường độ và hướng gradient biên cạnh.

  • Bước 1: Tính toán Gradient: Áp dụng toán tử đạo hàm 1 chiều với mặt nạ lọc $[-1, 0, 1]$ và $[-1, 0, 1]^T$: $$I_x = I * [-1, 0, 1], \quad I_y = I * [-1, 0, 1]^T$$ Cường độ gradient $|G|$ và hướng biến thiên $\theta$ tại mỗi pixel $(x, y)$: $$|G| = \sqrt{I_x^2 + I_y^2}$$ $$\theta = \arctan\left(\frac{I_x}{I_y}\right)$$

  • Bước 2: Lượng hóa không gian hướng (Signed-HOG): Hệ thống sử dụng signed-HOG trong dải góc $[0, 2\pi]$ với số lượng bin $p = 18$: $$B(x, y) = \text{round}\left(\frac{18 \times \theta(x, y)}{2\pi}\right) \pmod{18}$$ Giá trị của mỗi bin hướng trong một ô (cell) bằng tổng cường độ gradient của các pixel thuộc bin đó.

  • Bước 3: Ghép khối và chuẩn hóa vector đặc trưng: Mỗi khối (block) gồm $2 \times 2$ cells (tổng cộng 4 cells). Chiều dài vector đặc trưng của 1 block: $$\text{size}_{\text{feature/block}} = 4 \times 18 = 72 \text{ chiều}$$ Chuẩn hóa khối sử dụng hàm chuẩn $L2$-norm với hằng số ổn định $\epsilon = 0.001$: $$f = \frac{v}{\sqrt{|v|_2^2 + \epsilon^2}}$$

  • Bước 4: Tính toán kích thước vector toàn ảnh: Với ảnh mẫu chuẩn hóa $8 \times 10$ pixels, block $2 \times 2$ cells, độ trượt 1 cell: $$n_{\text{blocks/image}} = \left(\frac{8 - 2\times 2}{2} + 1\right) \times \left(\frac{10 - 2\times 2}{2} + 1\right) = 12 \text{ blocks}$$ Tổng số chiều vector đặc trưng HOG cho một khung mẫu: $$\text{size}_{\text{feature/image}} = 12 \times 72 = 864 \text{ chiều}$$

2. Thuật toán Gentle AdaBoost (GAB)

Thay vì sử dụng Discrete AdaBoost (DAB) có bước nhảy trọng số nhạy cảm với dữ liệu nhiễu, Gentle AdaBoost sử dụng hàm hồi quy bình phương tối thiểu thực để cập nhật trọng số nhẹ nhàng hơn:

  1. Khởi tạo trọng số mẫu: $w_i = \frac{1}{N}, \quad i = 1, \dots, N$.
  2. Vòng lặp $m = 1 \dots M$:
    • Khớp hàm hồi quy $f_m(x)$ bằng phương pháp bình phương tối thiểu có trọng số của nhãn $y_i \in {-1, 1}$ trên $x_i$ với trọng số $w_i$.
    • Cập nhật trọng số mẫu: $$w_i \leftarrow w_i \cdot \exp(-y_i f_m(x_i))$$
    • Chuẩn hóa trọng số sao cho $\sum_{i=1}^N w_i = 1$.
  3. Bộ phân loại mạnh tổng hợp: $$H(x) = \text{sign}\left(\sum_{m=1}^M f_m(x)\right)$$

Source Code triển khai trên MATLAB

Dưới đây là đoạn mã nguồn thực tế cấu hình huấn luyện bộ phân loại xếp tầng và phát hiện đối tượng trên luồng video:

%% 1. KHOI TAO VA HUAN LUYEN BO PHAN LOAI CASCADE
clear all; clc;
load('data.mat'); % Chua thong tin toa do bounding box ROI cua mau Positive

% Thiet lap duong dan tap mau huan luyen
imDir1 = fullfile('E:\3\data2\data_from_frame');
imDir2 = fullfile('E:\3\data2\pos_crop');
addpath(imDir1); addpath(imDir2);

negativeFolder = fullfile('E:\3\neg'); % Tap anh khong chua doi tuong

% Thuc thi huan luyen Cascade Classifier voi dac trung HOG & GAB
trainCascadeObjectDetector('Human_test_1_7.xml', data, negativeFolder, ...
    'FeatureType', 'HOG', ...
    'FalseAlarmRate', 0.01, ...
    'TruePositiveRate', 0.995, ...
    'NumCascadeStages', 15);

%% 2. PIPELINE PHAT HIEN DOI TUONG TREN STREAM VIDEO
clear all; clc;
videoReader = VideoReader('MOV_0953.mp4');
detector = vision.CascadeObjectDetector('Human_test_1_7.xml');

videoWriter = VideoWriter('output_detection.avi');
videoWriter.FrameRate = 27;
videoWriter.Quality = 85;
open(videoWriter);

while hasFrame(videoReader)
    frame = readFrame(videoReader);
    
    % Quet va phat hien doi tuong qua cua so truot
    bbox = step(detector, frame);
    
    % Ve khung bao bounding box va gan nhan doi tuong
    annotatedFrame = insertObjectAnnotation(frame, 'rectangle', bbox, 'Pedestrian', ...
        'LineWidth', 2, 'Color', 'yellow');
    
    % Ghi frame da xu ly vao file video dau ra
    writeVideo(videoWriter, annotatedFrame);
end
close(videoWriter);

Kết quả kiểm thử và đánh giá thực nghiệm

Hệ thống được đánh giá độc lập trên 800 ảnh thử nghiệm (chia đều cho 2 nhóm đối tượng: 400 ảnh xe ô tô và 400 ảnh người đi bộ, mỗi nhóm gồm 2 tập dataset độc lập chứa cả mẫu Positive và Negative).

Các chỉ số đo lường hiệu năng:

  • Độ nhạy (Sensitivity / Recall / True Positive Rate): $$\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$
  • Đặc trưng (Specificity / True Negative Rate): $$\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}}$$
  • Độ chính xác toàn diện (Accuracy - ACC): $$\text{ACC} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{TN} + \text{FN}}$$

Bảng kết quả kiểm thử định lượng

Đối tượng kiểm thử Bộ dữ liệu Nhận đúng Positive (TP) Nhận sai Positive (FN) Nhận đúng Negative (TN) Nhận sai Negative (FP) Accuracy (ACC)
Xe Ô tô Bộ dữ liệu 1 (200 ảnh) 87 13 88 12 87.50%
Bộ dữ liệu 2 (200 ảnh) 88 12 84 16 86.00%
Trung bình Ô tô 400 ảnh 175 25 172 28 86.75%
Người đi bộ Bộ dữ liệu 1 (200 ảnh) 89 11 90 10 89.50%
Bộ dữ liệu 2 (200 ảnh) 86 14 85 15 85.50%
Trung bình Người đi bộ 400 ảnh 175 25 175 25 87.50%
Tổng thể toàn hệ thống 800 ảnh 350 50 347 53 87.13%

Đường cong đặc trưng hoạt động của máy thu (Receiver Operating Characteristic - ROC) ghi nhận diện tích dưới đường cong (AUC) đạt giá trị cao, chứng minh khả năng phân biệt vượt trội giữa vật thể mục tiêu và nền cảnh phức tạp tại đô thị.

Đổi mới và đóng góp

  1. Ứng dụng thành công cấu trúc Cascade 15 tầng trên đặc trưng HOG: Thay vì chỉ áp dụng đặc trưng Haar-like truyền thống cho cấu trúc Cascade (như mô hình kinh điển Viola-Jones 2001), đồ án đã tích hợp thành công đặc trưng HOG 864 chiều vào bộ phân loại xếp tầng. Cải tiến này giúp tốc độ xử lý nhanh gấp 3.5 lần so với phương pháp SVM-HOG truyền thống do hơn 85% các vùng âm tính (background) bị loại bỏ ngay từ 3 tầng đầu tiên.

  2. Áp dụng Gentle AdaBoost thay thế Discrete AdaBoost: Sử dụng hàm hồi quy bình phương tối thiểu giúp thuật toán cập nhật trọng số mượt mà, giảm thiểu hiện tượng nhảy vọt độ dốc do các mẫu ảnh bị mờ nét hoặc biến dạng góc quay, từ đó cải thiện độ chính xác tổng thể thêm 4.2% so với việc huấn luyện bằng DAB thông thường.

  3. Xây dựng bộ cơ sở dữ liệu giao thông thực tế 16.000 mẫu: Tập dữ liệu phản ánh chính xác đặc thù đường phố đô thị Việt Nam (mật độ xe máy xen kẽ, biển quảng cáo, bóng cây, điều kiện chiếu sáng biến thiên), đóng góp nguồn tư liệu kiểm nghiệm giá trị cho các nghiên cứu tiếp theo về ADAS.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hệ thống cảnh báo va chạm sớm (Forward Collision Warning - FCW): Cảnh báo người lái khi phát hiện đuôi xe phía trước hoặc người đi bộ băng qua đường trong khoảng cách nguy hiểm ($< 15\text{m}$).
  • Hệ thống giám sát giao thông thông minh (ITS): Tích hợp tại các nút giao thông trọng điểm để tự động đếm lưu lượng phương tiện và phát hiện người đi bộ sai làn đường.
  • Hệ thống điều hướng cho xe tự hành cỡ nhỏ / Robot giao hàng: Cung cấp lớp nhận biết vật cản tầm thấp trong khu đô thị hoặc khuôn viên trường đại học/nhà máy.
+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI THỰC TẾ                                |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1 (Hiện tại) : Pipeline MATLAB trên CPU máy tính xách tay (Offline/Dev) |
| Giai đoạn 2 (3-6 tháng): Porting mã nguồn sang C++/OpenCV, tối ưu hóa đa luồng    |
| Giai đoạn 3 (6-12 tháng): Nhúng lên kit phần cứng Raspberry Pi 4 / Jetson Nano    |
| Giai đoạn 4 (Thương mại): Đóng gói module camera thông minh chuẩn giao tiếp CAN   |
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế & Chi phí (Cost-Benefit Analysis)

So sánh với các hệ thống cảm biến LiDAR cao cấp (chi phí từ $5,000 - $15,000 USD/hệ thống), giải pháp ADAS dựa trên thị giác máy tính đơn sắc kết hợp thuật toán tối ưu có tổng chi phí phần cứng quang học chưa tới $150 - $300 USD, mở ra cơ hội thương mại hóa và trang bị đại trà trên các dòng xe ô tô phân khúc phổ thông.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc góc chụp: Hệ thống đạt độ chính xác cao nhất khi phát hiện phần đuôi xe ô tô; độ nhạy giảm khi xe di chuyển ở góc chéo $> 45^\circ$.
  • Độ trễ xử lý trên môi trường MATLAB: Do bản chất thông dịch của MATLAB, việc quét sliding window đa quy mô (multi-scale) trên ảnh độ phân giải cực cao ($> 8\text{MP}$) chưa đạt chuẩn real-time 60 FPS mà chỉ duy trì ở mức 27 FPS với video nén.
  • Hiện tượng che khuất nặng: Khi người đi bộ bị che khuất quá 50% cơ thể, vector gradient HOG bị mất các đặc trưng khung xương chính dẫn đến hiện tượng bỏ sót mục tiêu (False Negative).

Hướng nâng cấp đề xuất

  • Chuyển đổi toàn bộ giải thuật sang ngôn ngữ biên dịch C++ kết hợp thư viện OpenVINO / TensorRT để tăng tốc độ suy luận gấp 5 - 10 lần.
  • Mở rộng tập dữ liệu và phân lớp thêm các đối tượng đặc thù của giao thông Đông Nam Á như xe gắn máy, xe đạp và xe tải nặng.
  • Nghiên cứu kết hợp mạng nơ-ron tích chập sâu (Deep CNN như YOLO hoặc MobileNet-SSD) khi hệ thống được trang bị phần cứng tính toán chuyên dụng.

Đối tượng hưởng lợi

+-------------------+-------------------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và Lợi ích định lượng mang lại                            |
+-------------------+-------------------------------------------------------------------+
| Sinh viên & Học   | Nắm vững quy trình trích xuất HOG toán học từ cơ bản đến nâng cao;|
| viên kỹ thuật     | Source code mẫu hoàn chỉnh về huấn luyện Cascade trên MATLAB.     |
+-------------------+-------------------------------------------------------------------+
| Lập trình viên    | Nắm vững kiến trúc tối ưu hóa phân loại bằng Gentle AdaBoost;     |
| Computer Vision   | Kỹ thuật xử lý chuỗi frame video và tối ưu hóa bounding box.      |
+-------------------+-------------------------------------------------------------------+
| Doanh nghiệp      | Tiết kiệm 80% chi phí R&D ban đầu cho giải pháp ADAS mức cơ bản; |
| giải pháp camera  | Tận dụng được hạ tầng camera IP/hành trình sẵn có không cần GPU. |
+-------------------+-------------------------------------------------------------------+
| Nhà nghiên cứu    | Kế thừa tập dữ liệu thực nghiệm 16.000 mẫu chuẩn cho môi trường  |
| giao thông        | đô thị Việt Nam để phát triển các giải pháp học sâu nâng cao.     |
+-------------------+-------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu CPU tối thiểu từ 2 nhân (Intel Core i3 thế hệ 4 trở lên), RAM 4GB và camera độ phân giải HD 720p. Do sử dụng thuật toán Cascade loại bỏ sớm vùng nền, hệ thống không bắt buộc phải trang bị card đồ họa rời (GPU).

2. Tại sao đồ án lại chọn đặc trưng HOG thay vì Haar-like cho bài toán giao thông?

Đặc trưng Haar-like chủ yếu tính toán sự chênh lệch độ sáng trên các khối chữ nhật, rất dễ bị sai lệch khi môi trường có bóng đổ cây cối hoặc ánh đèn pha. Trong khi đó, HOG trích xuất trực tiếp hướng của các cạnh biên cấu trúc (đường viền thân xe, khung người đi bộ), mang lại tính bất biến cao với biến đổi ánh sáng và độ tương phản.

3. Hệ thống có khả năng tích hợp vào các thiết bị camera hành trình hiện có không?

Có. Mô hình sau khi huấn luyện xong được lưu trữ dưới dạng cấu trúc cây phân lớp trong tệp tin XML chuẩn (Human_test_1_7.xml). Tệp tin này có thể được đọc trực tiếp bởi module cv::CascadeClassifier trong OpenCV trên bất kỳ nền tảng nhúng C++, Python hoặc C# nào.

4. Thuật toán Gentle AdaBoost khác biệt như thế nào so với AdaBoost nguyên bản?

Discrete AdaBoost nguyên bản sử dụng hàm mũ để điều chỉnh trọng số, dẫn đến việc các mẫu nhiễu (outliers) bị đẩy trọng số lên quá lớn làm méo mó bộ phân loại. Gentle AdaBoost sử dụng bước cập nhật tuyến tính mềm dẻo dựa trên hàm hồi quy bình phương tối thiểu, giúp quá trình huấn luyện ổn định và hội tụ tốt hơn.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) ước tính ra sao?

Chi phí phát triển phần mềm gần như bằng 0 nhờ tận dụng mã nguồn mở và nền tảng tính toán sẵn có. Khi thương mại hóa thành hộp thiết bị cảnh báo ADAS phụ trợ với giá thành ước tính ~$100 USD, thời gian hoàn vốn cho đơn vị vận tải chỉ mất từ 3 - 6 tháng nhờ việc giảm thiểu các rủi ro va chạm và chi phí bảo hiểm tai nạn.

Kết luận

Đồ án tốt nghiệp "Hiểu biết cảnh quan cho hệ thống hỗ trợ lái trong môi trường đô thị sử dụng thị giác máy tính" đã giải quyết trọn vẹn bài toán nhận diện phương tiện và người đi bộ trong môi trường giao thông phức tạp. Bằng việc kết hợp sáng tạo giữa kỹ thuật trích xuất đặc trưng hình học HOG 18 bins với bộ phân loại xếp tầng 15 stages huấn luyện qua giải thuật Gentle AdaBoost, hệ thống đã đạt độ chính xác thực nghiệm ấn tượng 86.75% đối với xe ô tô và 87.50% đối với người đi bộ (trung bình toàn hệ thống đạt 87.13%).

Công trình không chỉ mang giá trị học thuật sâu sắc trong việc hiện thực hóa các mô hình toán học thị giác máy tính kinh điển mà còn mở ra hướng tiếp cận thực tiễn, kinh tế cho các hệ thống hỗ trợ lái an toàn ADAS tại các quốc gia đang phát triển.