Đặt vấn đề Trong những năm gần đây, với sự phát triển nhanh chóng về số lượng cùng sự đa dạng về phương tiện giao thông ở Việt Nam, các tuyến đường huyết mạch với mật độ giao thông lớn và các nút giao lộ đông đúc dần xuất hiện tình trạng kẹt xe, điều này làm ảnh hưởng rat lớn đến môi trường sống, sự sinh hoạt - làm việc bình thường của người dân, đồng thời khiến cho việc việc điều tiết phương tiện tại các nút giao phải đối mặt với những khó khăn lớn. Tình trạng trên trở thành yếu tố làm chậm sự phát triển kinh tế - xã hội, kéo theo rất nhiều hệ lụy sau nó. Ngoài những lý do khách quan liên quan đến từ cơ sở hạ tang đường xá va sự gia tăng quá nhanh số lượng phương tiện giao thông nêu trên thì còn có một lý do khác không kém phần quan trọng đó là ý thức chấp hành Luật Giao thông của người điều khiển phương tiện, khiến cho việc điều tiết giao thông cảng thêm thách thức. Vì vậy, việc xây dựng các hệ thống quản lý giao thông thông minh (Intelligent Transportation System- gọi là ITS) [29] đang là nhu cầu tất yêu của các thành phố.
Trong đó, bài toán đếm phương tiện giao thông từ video ma camera giao thông thu nhận đã trở thành một bài toán được quan tâm nghiên cứu [30], đây là bài toán thuộc lĩnh vực Thị giác Máy tính ứng dụng trong ITS. Tiềm năng của việc này đó là giúp các thành phố có thé định hướng giao thông hiệu quả, tối ưu hóa cơ sở hạ tầng giao thông, giảm thiểu tai nạn, giảm lượng khí thải từ phương tiện, v. Bài toán này được mô tả như sau: e Đầu vào: Một video hoặc video stream trực tiếp từ hệ thống camera thành phố, cùng với đó là thông tin vê vùng quan sát và hướng di chuyên cân quan tâm. ® Đầu ra: Số lượng mỗi loại phương tiện đã đi theo các hướng được định nghĩa.
25 Trong đó, bối cảnh giao thông tại Việt Nam gồm 4 nhóm phương tiện cần quan tâm gồm: Xe đạp, xe may Ð=FY Xe ô tô, xe bán tải Xe buýt, xe khách Xe tải và container Trong mỗi video giao thông, cần xác định một vùng quan sát (Region-of-Interest, gọi là ROD) và các hướng di chuyên (Motion-of-Interest, gọi là MOI): e Vùng ROI được biểu diễn dưới dạng một đa giác, giới hạn vùng không gian cần tập trung quan sát và xử lý. e Các MOI giúp xác định các làn xe di chuyên theo các hướng cụ thé khác nhau trong video. Minh họa đầu vào của bài toán thống kê lưu lượng giao thông. Trong đó, đa giác màu đỏ thé hiện vùng ROI, các mũi tên thé hiện các MOI.
Hình minh họa về MOI và ROI được hiển thị trong Hình 1. Mục tiêu của việc đếm phương tiện theo MOI là đề tìm ra chính xác số lượng phương tiện tương ứng với các MOI đó, trong đó MOI có thé được định nghĩa từ trước bởi tất cả các trạng thái, các hành vi có thé có của phương tiện, kết hợp các làn đường va chi dẫn (rẽ trái/rẽ phải/đi 26 thăng). Một phương tiện được tính là đếm ngay khi nó di chuyên hoàn toàn ra khỏi vùng ROI. Các bài toán đếm xe truyền thống có thé được chia thành hai nhánh.
Nhánh thứ nhất là đếm xe theo khung hình (frame) [4, 18, 41, 43] nhăm đếm các xe trong một frame đơn nhất, bất kế định danh của từng xe. Trong nhánh này có hai phương pháp chính đó là (1) sử dụng các thuật toán hồi quy dé ước tính mật độ phương tiện [6, 8, 18] hoặc (2) là đếm dựa trên kết quả của phát hiện đối tượng [10, 15, 36, 38, 45], tức là phát hiện xe trước rồi mới đếm chúng sau. Tuy nhiên, do hiện tượng che khuất nhau giữa các phương tiện nên việc đếm trong I frame đơn nhất thường bỏ sót rất nhiều đối tượng. Nhánh thứ hai trong đếm xe truyền thống là đếm các xe theo cá thể (có gan định danh) trong các frame liên tiếp.
Nhờ đó, những xe bị che khuất và không được phát hiện có thé được tính bằng cách tận dụng thông tin từ các frame liên tiếp. Đặc biệt, các phương pháp [10, 38] tuân theo khuôn khô Phát hiện - Theo vết - Đếm (Detection - Tracking - Counting gọi là DTC), tức là thực hiện theo vết đa đối tượng dựa trên kết quả của mô-đun detection, sau đó đếm xe dựa trên kết quả theo vết ấy. Khác với 2 bài toán đếm phương tiện truyền thống đã đề cập ở trên, bài báo này đề cập đến tác vụ đếm phương tiện theo hướng di chuyên xác định. Cụ thể là không chỉ đếm phương tiện theo từng hướng di chuyên MOI, mà còn ghi lại mốc thời gian chính xác khi mỗi xe di chuyên ra khỏi ROI.
Cách tiếp cận đề xuất chủ yếu tuân theo khuôn khổ DTC, trong đó chọn YOLOv4 [35] và SORT [9] làm những phương pháp cơ sở (baseline) cho tác vụ phát hiện đối tượng và theo vết đa đối tượng. Thách thức, phạm vi, mục tiêu 1. Thách thức Tại Việt Nam, có hai thách thức chính đối với bài toán này: e Vẻ mặt phương pháp: Vì đây là bài toán lớn được chia nhỏ thành ba bước trong quy trình xử lý, hiệu năng của mỗi bước sẽ trực tiếp ảnh hưởng đến kết quả của toàn hệ thống. Do đó, việc nghiên cứu lựa chọn phương pháp phù hợp dé tăng độ chính xác và tính hiệu quả của mỗi bước trở thành một vấn đề cần được quan tâm và chú trọng.
e Vẻ mặt dữ liệu: Đây là bài toán nhằm đến việc xử ly dit liệu giao thông thực tế đặc thù ở Việt Nam, mang đến những thách thức liên quan đến độ phức tạp của bối cảnh giao thông, chất lượng và độ ôn định của dữ liệu video. Ngoài ra, cần thiết kế một hệ thống có khả năng đáp ứng nhu cầu xử lý trong thời gian thực (real-time) với lượng dt liệu lớn đến từ vài chục, thậm chí là hàng trăm camera giao thông của thành phó. Phạm vi Phạm vi, khuôn khô được giới hạn trong bài bao cáo nay như sau: e Các phương pháp được triển khai và thử nghiệm trên tập dữ liệu UIT-VD10k, đây là tập dữ liệu được xây dựng dé phục vụ cho báo cáo này. Cụ thé, bối cảnh giao thông là của thành phó H6 Chí Minh, bao gồm hình ảnh có được từ Hội thi Giải pháp Trí tuệ Nhân tạo trên địa ban Thành phố Hồ Chi Minh năm 2020 - HCMC AI Challenge 2020 [1] kết hợp cùng hình ảnh thu được từ trang giao thông của thành phố [2].
e Apache Kafka sẽ được triển khai ở 4 nút CPU 8 cores Intel(R) Xeon(R) Silver 4210. Mục tiêu Mục tiêu hướng đên của báo cáo này bao gôm: 28 e Tìm hiểu tông quan và thực hiện đánh giá cho bài toán thống kê lưu lượng giao thông trên video. Trong đó, tôi tập trung vào các bai toán con là phát hiện phương tiện, truy vết phương tiện và đếm phương tiện. e Đánh giá và phân tích một số phương pháp hiện nay cho bài toán bằng các độ đo tiêu chuẩn.
e Xây dựng hệ thống có khả năng đáp ứng theo thời gian thực sử dung Apache Kafka. Đóng góp Dưới đây là những đóng góp trong bài nghiên cứu: e Bộ dữ liệu chuân UIT-VD10k cho bài toán phát hiện phương tiện giao thông gồm 10.000 ảnh với độ phân giải 1080x720 thuộc 10 góc camera tiêu biểu tại thành phố Hồ Chí Minh va 10.000 nhãn tương ứng ở định dang Pascal VOC. e Phương pháp dựa trên DTC trong bao cáo này đạt được độ chính xác cao trong việc đếm phương tiện ở thành phố Hồ Chí Minh, được chấp nhận tại hội nghị quốc tế chuyên về Thị giác Máy tính MAPR 2021. Thêm vào đó còn được kiểm nghiệm là đạt sai số RMSE thấp nhất Test Set B của HCMC AI Challenge 2020 khi chạm ngưỡng gia trị 1,39, đạt giải nhì chung cuộc với độ chính xác cao nhất so với các đội từ nhiều trường đại học và công ty trên quy mô toàn quốc.
Ngoài ra, từ kết quả của phương pháp trên, chúng tôi cũng đã đạt giải ba trong Giai thưởng Sinh viên Nghiên cứu khoa học — Euréka năm 2021. e Hệ thống tích hop Apache Kafka trong báo cáo này đạt tốc độ xử lý nhanh hơn gap 3,55 lân so với kiên trúc Microservice cơ bản. Cấu trúc Bài nghiên cứu của tôi gôm có sáu phân: Chương 1: Giới thiệu tông quan về dé tài. Định nghĩa bài toán, trình bày các thử thách, mục tiêu và đóng góp của công trình nghiên cứu.
Chương 2: Khao sát và tong hợp các nghiên cứu các van đề liên quan đến bài toán Thống kê Lưu lượng Giao thông và sự ứng dụng của Dữ liệu Lớn trong ITS. Chương 3: Mô tả chỉ tiết quá trình cài đặt phương pháp dựa trên khuôn khổ DTC cho bài toán Thống kê Lưu lượng Giao thông. Chương 4: Thực hiện đánh giá và so sánh các phương pháp tiên tiễn trên các độ đo tiêu chuẩn. Chương 5: Chỉ tiết kỹ thuật về cách xây dựng hệ thống minh họa và đánh giá hiệu năng thông qua mô phỏng thực tế.
Chương 6: Kết luận về ưu điểm và hạn chế của hệ thống được đề xuất, nêu ra hướng phát trién của đề tài trong tương lai. CƠ SỞ LÝ THUYET Hiện nay, đã có các phương pháp được đề xuất dé giải quyết bài toán đếm phương tiện giao thông [21][28][39][40]. Nhìn chung, những lời giải này đều thiết kế hệ thống theo ba bước chính [30] là (1) phát hiện và phân loại phương tiện giao thông, (2) truy vết phương tiện giao thông, va (3) xác định hướng di chuyển của mỗi phương tiện. Trong phan này, tôi sẽ tìm hiểu tổng quan về những van dé liên quan đến các bước trong bài toán lớn, đồng thời tìm hiểu về một số công nghệ hiện nay được áp dụng khi xây dựng một hệ thống có khả năng mở rộng quy mô lớn.
Bài toán phát hiện vật thé Phát hiện vật thé, một trong những chủ đề nổi tiếng và được nghiên cứu rộng rãi trong lĩnh vực Thị giác Máy tính và Máy học với nhiều ứng dụng trong thực tế. Bài toán phát hiện đối tượng có nhiệm vụ định vi vi trí của vật thé trong anh va xac dinh đối tượng. Việc ứng dụng các kiến trúc mạng học sâu vào bài toán phát hiện vật thể, đã giúp tạo nên sự bùng nồ về nghiên cứu trong lĩnh vực Thị giác máy tính nói riêng và Trí tuệ nhân tạo nói chung. Hiện nay bài toán có 2 phương pháp tiếp cận chính: one- stage và two-stage.