Giới thiệu dự án

Hệ thống giao thông thông minh (Intelligent Transportation System - ITS) kết hợp mạng lưới vạn vật kết nối (Internet of Things - IoT) đang trở thành trụ cột quan trọng trong xu hướng xây dựng đô thị thông minh toàn cầu. Tại Việt Nam, tình hình trật tự an toàn giao thông vẫn diễn biến phức tạp. Theo thống kê từ Ủy ban An toàn Giao thông Quốc gia, chỉ trong 9 tháng đầu năm 2020, cả nước đã ghi nhận hơn 10.000 vụ tai nạn giao thông, cướp đi sinh mạng của hơn 4.800 người và làm bị thương hơn 7.000 người. Trong đó, việc điều khiển phương tiện vượt quá tốc độ quy định là một trong những nguyên nhân trực tiếp hàng đầu dẫn đến các vụ va chạm nghiêm trọng.

+-----------------------------------------------------------------------------------+
|               HIỆN TRẠNG QUẢN LÝ TỐC ĐỘ GIAO THÔNG ĐÔ THỊ                         |
+-----------------------------------------------------------------------------------+
|  Thiết bị truyền thống (Radar / Lidar)          Hệ thống Thị giác máy tính (Đề tài)|
|  - Chi phí đầu tư phần cứng đắt đỏ              - Tận dụng hạ tầng Camera giám sát |
|  - Đo đơn lẻ từng phương tiện thủ công          - Đo tự động đa phương tiện cùng lúc|
|  - Thiếu tính kết nối và tự động hóa            - Giám sát diện rộng, chi phí tối ưu|
+-----------------------------------------------------------------------------------+

Hiện nay, hai công nghệ đo tốc độ phương tiện phổ biến nhất đang được lực lượng chức năng sử dụng là Radar (Radio Detection and Ranging - ứng dụng hiệu ứng Doppler) và Lidar (Light Imaging, Detection, And Ranging - đo thời gian phản hồi của chùm tia laser). Mặc dù có độ chính xác cao, hai phương pháp này tồn tại nhiều hạn chế cố hữu:

  • Chi phí thiết bị đắt đỏ: Đòi hỏi trang bị máy đo chuyên dụng cầm tay hoặc trạm cố định đắt tiền.
  • Vận hành thủ công, đo đơn lẻ: Cảnh sát giao thông phải ngắm bắn trực tiếp vào từng mục tiêu (như biển số xe), không thể kiểm soát đồng thời toàn bộ dòng phương tiện trong khung nhìn rộng.
  • Thiếu tính hệ thống: Dữ liệu tốc độ không được tự động liên kết thời gian thực với hệ thống camera giám sát đô thị sẵn có.

Nhằm giải quyết triệt để các rào cản trên, đồ án tốt nghiệp ngành Kỹ thuật Máy tính tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (thực hiện bởi sinh viên Vũ Minh Điền và Lâm Lý Sơn, dưới sự hướng dẫn của ThS. Phan Đình Duy) đề xuất giải pháp: "Hệ thống ước tính vận tốc phương tiện giao thông tự động dựa trên xử lý ảnh và thị giác máy tính" (Speed Estimation System). Đề tài tận dụng trực tiếp luồng video thu từ hạ tầng camera giám sát đường phố sẵn có, kết hợp mạng nơ-ron tích chập (Convolutional Neural Network - CNN) cùng các thuật toán theo dõi đa đối tượng (Multiple Object Tracking - MOT) để ước lượng vận tốc tức thời và trung bình của từng phương tiện.

Mục tiêu cụ thể của đề tài

  1. Khảo sát và thực nghiệm các mô hình Deep Learning nhận diện đối tượng: Đánh giá chuyên sâu các kiến trúc Two-stage (Faster R-CNN) và One-stage (YOLO, SSD) để chọn lựa mô hình cân bằng tối ưu giữa độ chính xác (mAP) và tốc độ xử lý thời gian thực.
  2. Khảo sát và tích hợp thuật toán Object Tracking: Phân tích các thuật toán theo dõi đối tượng phổ biến như SORT, Deep SORT, CSR-DCF, Lucas-Kanade Optical Flow nhằm duy trì định danh (ID) và quỹ đạo chuyển động ổn định qua các khung hình.
  3. Xây dựng bộ dữ liệu giao thông thực tế vn_vehicle: Tự thu thập, tiền xử lý và gán nhãn hơn 10.000 mẫu phương tiện đặc thù tại các tuyến đường đô thị Việt Nam (ưu tiên xe máy, ô tô, xe buýt).
  4. Hiện thực hóa giải pháp ước tính vận tốc: Xây dựng mô hình chuyển đổi không gian ảnh 2D sang không gian thực 3D, tính toán quãng đường di chuyển và vận tốc với sai số trung bình mục tiêu dưới 10%, tốc độ xử lý đạt 15–25 FPS trên video độ phân giải Full HD (1920x1080).

Phạm vi và giới hạn đề tài

  • Phạm vi dữ liệu: Bộ dữ liệu video thu thập thực tế tại 2 tuyến đường huyết mạch tại TP. Hồ Chí Minh: đường Hoàng Văn Thụ (quận Tân Bình) và đường Điện Biên Phủ (quận Bình Thạnh), thực hiện vào ban ngày (13h00 - 16h00) ở điều kiện ánh sáng chuẩn với định dạng MP4, độ phân giải Full HD 1080p @ 30 FPS.
  • Giới hạn kỹ thuật: Mỗi góc đặt camera cần được hiệu chuẩn (calibration) ban đầu để xác lập vùng quan tâm (Region of Interest - ROI) và tham số khoảng cách thực tế. Giả định phương tiện di chuyển theo quỹ đạo thẳng trong phân vùng ảo đã được đo đạc.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Để định hình kiến trúc hệ thống, nghiên cứu tiến hành phân tích so sánh giữa các công nghệ đo tốc độ truyền thống và các công trình thị giác máy tính quốc tế:

Tiêu chí so sánh Súng đo tốc độ Radar Thiết bị đo Lidar Nghiên cứu Dubska et al. [3] Giải pháp của Đề tài
Nguyên lý hoạt động Hiệu ứng Doppler sóng vô tuyến Phản xạ xung Laser Time-of-Flight Hiệu chuẩn tự động camera 3D CNN Detection + Tracking + ROI Calibration
Chi phí đầu tư Rất cao (>50-100 triệu VNĐ/máy) Rất cao (>150 triệu VNĐ/máy) Trung bình (cần máy chủ tính toán) Tối ưu (Tận dụng camera giám sát sẵn có)
Mức độ tự động hóa Thấp (Cần thao tác thủ công) Thấp (Bấm đo từng xe) Tự động hóa hoàn toàn Tự động hóa hoàn toàn theo luồng video
Xử lý đồng thời 1 phương tiện / lần đo 1 phương tiện / lần đo Nhiều phương tiện Đa phương tiện (Xe máy, Ô tô, Xe buýt)
Tốc độ xử lý (FPS) Tức thì Tức thì 19.64 - 24.98 FPS 14 - 18 FPS (Tùy mật độ xe)
Sai số vận tốc $\pm 1 - 2\text{ km/h}$ $\pm 1\text{ km/h}$ $\pm 2%$ Trung bình 4.61% (Min: 0%, Max: 9.3%)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have: Nhận diện chính xác 3 lớp đối tượng chính (xe máy, ô tô, xe buýt); Duy trì tracking ID liên tục qua các frame; Tính toán vận tốc dựa trên khoảng cách ảo chuyển đổi; Sai số dưới 10%.
  • Should Have: Tốc độ xử lý đạt ngưỡng xấp xỉ thời gian thực ($\ge 15\text{ FPS}$); Giao diện hiển thị bounding box, ID, class và vận tốc trực quan trên video output.
  • Could Have: Tích hợp bộ lọc làm mịn sai số vận tốc qua nhiều frame liên tiếp; Cảnh báo tự động khi phương tiện vượt tốc độ cho phép.
  • Won't Have (Giai đoạn này): Tự động nhận diện biển số xe vi phạm (ALPR); Tự động hiệu chỉnh góc camera 3D hoàn toàn không cần tham số đo đạc ban đầu.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống được chia thành 5 khối chức năng chính:

+----------------------------------------------------------------------------------------------------+
|                                      SYSTEM PIPELINE ARCHITECTURE                                  |
+----------------------------------------------------------------------------------------------------+
| [Video Input: 1080p@30FPS]                                                                         |
|       │                                                                                            |
|       ▼                                                                                            |
| [Tiền xử lý khung hình (Frame Preprocessing / Resizing / Grayscale / Normalization)]               |
|       │                                                                                            |
|       ▼                                                                                            |
| [Nhận diện đối tượng (Object Detection: CNN / SSD / YOLOv3)] ──> Sinh Bounding Boxes & Class Labels|
|       │                                                                                            |
|       ▼                                                                                            |
| [Theo dõi đối tượng (Object Tracking: SORT / Deep SORT / CSR-DCF)] ──> Gán ID & Lưu vết quỹ đạo    |
|       │                                                                                            |
|       ▼                                                                                            |
| [Chuyển đổi tọa độ & Ước tính vận tốc (Pixel-to-Real Transformation & Speed Calculation)]          |
|       │                                                                                            |
|       ▼                                                                                            |
| [Hiển thị & Ghi nhận vi phạm (Visual Rendering / Logger / Dashboard)]                              |
+----------------------------------------------------------------------------------------------------+

1. Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.8 (Lựa chọn tối ưu nhờ hệ sinh thái thư viện xử lý ảnh và AI phong phú).
  • Thị giác máy tính: OpenCV 4.x (Tối ưu hóa các thuật toán xử lý luồng video I/O, ma trận ảnh, chuyển đổi hệ màu và thuật toán tracking DCF-CSR).
  • Nền tảng Deep Learning: TensorFlow 2.x, Keras, CUDA Toolkit 10.x & cuDNN v7.x (Tăng tốc tính toán tích chập trên GPU).
  • Xử lý số liệu: NumPy, SciPy, Matplotlib, Pandas.

2. Cơ sở toán học và thuật toán cốt lõi

A. Chỉ số đánh giá vùng chồng lấn (Intersection over Union - IoU)

IoU đo lường mức độ trùng khớp giữa Bounding Box do mô hình dự đoán ($B_p$) và Bounding Box thực tế Ground Truth ($B_{gt}$): $$\text{IoU} = \frac{\text{Area}(B_p \cap B_{gt})}{\text{Area}(B_p \cup B_{gt})}$$ Một phát hiện được coi là True Positive khi $\text{IoU} \ge 0.5$.

B. Mô hình luồng quang học Lucas-Kanade (Optical Flow)

Dựa trên giả định bất biến độ sáng (Brightness Constancy): $$I(x, y, t) = I(x + dx, y + dy, t + dt)$$ Khai triển chuỗi Taylor bậc một ta thu được phương trình ràng buộc luồng quang học: $$I_x u + I_y v + I_t = 0$$ Trong đó $I_x = \frac{\partial I}{\partial x}, I_y = \frac{\partial I}{\partial y}, I_t = \frac{\partial I}{\partial t}$, và $u = \frac{dx}{dt}, v = \frac{dy}{dt}$ là các thành phần vận tốc của điểm ảnh.

C. Thuật toán Discriminative Correlation Filter with Channel and Spatial Reliability (DCF-CSR)

DCF-CSR tạo ra bản đồ tin cậy không gian (Spatial Reliability Map) $S$ và trọng số tin cậy kênh (Channel Reliability Weights) $w_c$ nhằm hạn chế bộ lọc tương quan vào các vùng thực sự thuộc về đối tượng, giúp theo dõi ổn định ngay cả khi xe bị biến dạng hình học hoặc che khuất cục bộ.

D. Công thức ước tính vận tốc thực tế

Khoảng cách thực tế $d$ (mét) giữa hai vị trí liên tiếp của tâm Bounding Box $(x_1, y_1)$ và $(x_2, y_2)$ được ánh xạ qua hệ số tỉ lệ chuyển đổi $K_{\text{scale}}$ (đo đạc từ vùng phân vùng ảo ROI): $$d = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2} \times K_{\text{scale}}$$ Vận tốc tức thời $v$ (km/h) của phương tiện được tính dựa trên số lượng khung hình trôi qua $\Delta f$ và tốc độ khung hình gốc $FPS$: $$v = \frac{d}{\Delta t} \times 3.6 = \frac{d}{\left(\frac{\Delta f}{FPS}\right)} \times 3.6 = \frac{d \times FPS \times 3.6}{\Delta f}$$

Methodology

Quy trình phát triển hệ thống tuân theo phương pháp lặp trực quan (Iterative Engineering Methodology):

+-----------------------------------------------------------------------------------+
|                           PHƯƠNG PHÁP TRIỂN KHAI DỰ ÁN                            |
+-----------------------------------------------------------------------------------+
|  Giai đoạn 1: Thu thập & Chuẩn bị dữ liệu (Dataset Engineering)                    |
|  - Quay video thực tế tại Hoàng Văn Thụ & Điện Biên Phủ (1080p, 30 FPS)           |
|  - Cắt trích xuất khung hình, làm sạch dữ liệu, gán nhãn bounding box (>10k mẫu)  |
|                                                                                   |
|  Giai đoạn 2: Nghiên cứu & Huấn luyện mô hình (Model Benchmarking)                 |
|  - Đào tạo và so sánh Faster R-CNN (VGG16), SSD300/512, YOLOv3                    |
|  - Đánh giá trade-off giữa mAP (độ chính xác) và Latency/FPS (tốc độ)             |
|                                                                                   |
|  Giai đoạn 3: Tích hợp Tracking & Hiệu chuẩn không gian (Tracking & Calibration)   |
|  - Cài đặt SORT / CSR-DCF liên kết với module detection                           |
|  - Thiết lập vùng ảo (Virtual ROI Zone) và đo đạc khoảng cách thực tế (Ground-truth)|
|                                                                                   |
|  Giai đoạn 4: Đánh giá & Tối ưu hóa (Testing, Validation & Optimization)          |
|  - Kiểm thử sai số vận tốc so với thực nghiệm thực địa                             |
|  - Tối ưu hóa pipeline xử lý luồng nhằm tối đa hóa FPS                            |
+-----------------------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình hiện thực hóa hệ thống bao gồm việc xây dựng bộ dữ liệu riêng biệt và lập trình module ước tính vận tốc bằng Python:

1. Xây dựng bộ dữ liệu vn_vehicle

Do các bộ dữ liệu chuẩn quốc tế (như MS COCO, PASCAL VOC) có tỷ lệ xe ô tô chiếm đa số và rất ít dữ liệu về xe máy trong điều kiện giao thông đông đúc của Việt Nam, nhóm tác giả đã tự xây dựng bộ dữ liệu vn_vehicle:

  • Địa điểm thu thập: Cầu vượt Hoàng Văn Thụ (Tân Bình) và đường Điện Biên Phủ (Bình Thạnh), TP.HCM.
  • Quy mô: Hơn 2 giờ video Full HD 1080p @ 30 FPS.
  • Số lượng mẫu: Trích xuất và gán nhãn hơn 10.000 mẫu bounding box cho 3 phân lớp chính: motorbike, car, bus.

2. Hiện thực mã nguồn tính toán vận tốc (Code Implementation)

Dưới đây là đoạn mã Python mô phỏng quy trình xử lý tính vận tốc dựa trên tọa độ tâm bounding box và ánh xạ phân vùng ảo:

import cv2
import numpy as np
import time

class SpeedEstimator:
    def __init__(self, fps=30.0, ppm=8.5):
        """
        Khởi tạo bộ ước tính vận tốc
        :param fps: Frames Per Second của luồng video gốc (30 FPS)
        :param ppm: Pixels Per Meter - Hệ số quy đổi từ pixel sang mét
        """
        self.fps = fps
        self.ppm = ppm
        self.tracking_objects = {}  # {obj_id: [(x, y, frame_idx), ...]}
        
    def update_tracker(self, obj_id, centroid, frame_idx):
        """
        Cập nhật tọa độ tâm của phương tiện theo ID qua các khung hình
        """
        if obj_id not in self.tracking_objects:
            self.tracking_objects[obj_id] = []
        self.tracking_objects[obj_id].append((centroid[0], centroid[1], frame_idx))
        
    def calculate_speed(self, obj_id, min_frames_threshold=15):
        """
        Tính toán vận tốc phương tiện (km/h) khi đã di chuyển đủ số frame trong ROI
        """
        history = self.tracking_objects.get(obj_id, [])
        if len(history) < min_frames_threshold:
            return None  # Chưa đủ dữ liệu để tính toán chính xác
            
        # Lấy điểm đầu và điểm cuối trong chuỗi vết chuyển động
        start_pt = history[0]
        end_pt = history[-1]
        
        # Tính khoảng cách Euclidean trên không gian ảnh (pixels)
        pixel_distance = np.sqrt((end_pt[0] - start_pt[0])**2 + (end_pt[1] - start_pt[1])**2)
        
        # Chuyển đổi sang khoảng cách thực tế (mét)
        real_distance_m = pixel_distance / self.ppm
        
        # Tính khoảng thời gian di chuyển (giây)
        delta_frames = end_pt[2] - start_pt[2]
        delta_time_s = delta_frames / self.fps
        
        if delta_time_s == 0:
            return 0.0
            
        # Vận tốc (km/h)
        speed_kmh = (real_distance_m / delta_time_s) * 3.6
        return round(speed_kmh, 2)

# Khởi tạo mô-đun với tham số thực nghiệm
estimator = SpeedEstimator(fps=30.0, ppm=12.4)

Testing và validation

Nhóm nghiên cứu đã tiến hành phân tích thực nghiệm so sánh các mô hình nhận diện đối tượng tiêu biểu trên các tập dữ liệu chuẩn và tập dữ liệu vn_vehicle:

+-----------------------------------------------------------------------------------+
|              SO SÁNH HIỆU NĂNG CÁC MÔ HÌNH NHẬN DIỆN ĐỐI TƯỢNG                     |
+-----------------------------------------------------------------------------------+
|  Mô hình           | Backbone         | mAP (%) (VOC/COCO) | Tốc độ xử lý (FPS)  |
+--------------------+------------------+--------------------+---------------------+
|  Faster R-CNN      | VGG-16           | 70.4% - 75.9%      | ~ 5.0 FPS           |
|  Faster R-CNN      | ResNet-101       | 76.4%              | ~ 2.4 FPS           |
|  SSD300            | VGG-16           | 68.0% - 74.3%      | ~ 46.0 FPS (GPU)    |
|  SSD512            | VGG-16           | 74.8% - 76.8%      | ~ 22.0 FPS (GPU)    |
|  YOLOv2 (Darknet)  | Darknet-19       | 57.9%              | ~ 40.0 FPS          |
|  YOLOv3 (Full)     | Darknet-53       | 71.0%              | ~ 30.0 FPS          |
+-----------------------------------------------------------------------------------+

Phân tích đánh giá mô hình

  1. Faster R-CNN (Two-stage): Đạt độ chính xác rất cao nhờ cơ chế Region Proposal Network (RPN) đề xuất ~300 vùng quan tâm, tuy nhiên tốc độ xử lý chỉ đạt 5 FPS trên GPU, không thể đáp ứng bài toán giám sát thời gian thực.
  2. SSD (Single Shot MultiBox Detector): Sử dụng các feature map đa tỉ lệ ($38\times 38$ xuống $1\times 1$) với 8.732 default boxes, đạt 22–46 FPS với mAP xấp xỉ Faster R-CNN.
  3. YOLOv3: Cho thấy sự cân bằng vượt trội nhất về tốc độ trích xuất đặc trưng và khả năng định vị đa quy mô thông qua 3 thang đo feature map ($13\times 13, 26\times 26, 52\times 52$).

Kết quả đạt được

Hệ thống được thử nghiệm thực tế trên các luồng video thu thập tại đường Hoàng Văn Thụ và Điện Biên Phủ. Dưới đây là bảng tổng hợp kết quả ước tính vận tốc thực tế của phương tiện:

Loại phương tiện Vận tốc đo thực tế (km/h) Vận tốc hệ thống ước tính (km/h) Sai số tuyệt đối (%) Trạng thái phát hiện & Theo dõi
Xe máy 01 40.0 41.2 +3.00% Bắt vết liên tục, ID ổn định
Xe máy 02 35.0 35.0 0.00% Độ chính xác tuyệt đối
Xe máy 03 45.0 41.8 -7.11% Bị che khuất nhẹ bởi ô tô
Ô tô con 01 50.0 51.5 +3.00% Bounding box chuẩn xác
Ô tô con 02 48.0 52.5 +9.37% Đổi làn trong vùng đo
Xe buýt 01 32.0 33.7 +5.31% Bắt vết kích thước lớn tốt 
+-----------------------------------------------------------------------------------+
|                        TỔNG KẾT KẾT QUẢ ĐẠT ĐƯỢC                                  |
+-----------------------------------------------------------------------------------+
|  - Tốc độ xử lý trung bình hệ thống:     14 - 18 FPS (Tùy thuộc mật độ xe)        |
|  - Sai số vận tốc trung bình:             4.61%                                    |
|  - Sai số nhỏ nhất ghi nhận:              0.00%                                    |
|  - Sai số lớn nhất ghi nhận:              9.37% (Thấp hơn mức trần mục tiêu 10%)   |
|  - Độ phân giải khung hình hỗ trợ:        Full HD (1920 x 1080)                    |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

1. Đổi mới kỹ thuật (Technical Innovations)

  • Tạo lập bộ dữ liệu chuyên biệt cho giao thông Việt Nam (vn_vehicle): Điểm khác biệt lớn nhất so với các nghiên cứu nước ngoài là giải quyết bài toán mật độ xe máy cực cao, chuyển động đan xen phức tạp và khoảng cách giữa các xe rất hẹp.
  • Tối ưu hóa Pipeline kết hợp Detection & Tracking: Thay vì chạy Object Detection trên mọi frame (gây nghẽn cổ chai tính toán), hệ thống áp dụng cơ chế kích hoạt linh hoạt: sử dụng deep detector định kỳ và duy trì vết chuyển động qua bộ lọc tương quan DCF-CSR / SORT ở các frame xen kẽ, giúp duy trì tốc độ 14–18 FPS trên luồng Full HD.

2. So sánh với các công trình nghiên cứu trước

+-----------------------------------------------------------------------------------+
|            SO SÁNH VỚI CÁC CÔNG TRÌNH NGHIÊN CỨU TIÊU BIỂU                        |
+-----------------------------------------------------------------------------------+
|  Công trình                   | Độ phân giải | FPS              | Sai số vận tốc  |
+-------------------------------+--------------+------------------+-----------------+
|  Dubska et al. (2014) [3]     | 1920 x 1080  | 19.64 - 24.98 FPS| ± 2.0%          |
|  Lazaros et al. (2015) [4]    | 768 x 576    | 25.00 FPS        | ± 2.0 km/h      |
|  Bell et al. (Headlight) [6]  | 1280 x 720   | 25.00 FPS        | ± 3.325 km/h    |
|  Khóa luận tốt nghiệp (Đề tài)| 1920 x 1080  | 14.00 - 18.00 FPS| Sai số TB 4.61% |
+-----------------------------------------------------------------------------------+

Mặc dù các nghiên cứu quốc tế có sai số thấp hơn một phần nhờ luồng giao thông trật tự (chủ yếu là ô tô di chuyển theo làn cố định), giải pháp trong khóa luận đã chứng minh tính khả thi vượt trội khi thích ứng với môi trường giao thông hỗn hợp phức tạp tại TP.HCM mà vẫn duy trì sai số trung bình ở mức lý tưởng (4.61%).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế

  1. Phạt nguội vi phạm tốc độ tự động: Tích hợp trực tiếp vào hệ thống camera giám sát của Phòng Cảnh sát Giao thông đường bộ - đường sắt để tự động phát hiện, trích xuất đoạn video và hình ảnh phương tiện chạy quá tốc độ quy định.
  2. Thống kê và điều phối giao thông thông minh: Giám sát vận tốc trung bình của các tuyến đường theo từng khung giờ, phát hiện sớm tình trạng ùn tắc giao thông để điều chỉnh chu kỳ đèn tín hiệu tự động.
  3. Quy hoạch hạ tầng đô thị: Cung cấp dữ liệu lớn (Big Data) về mật độ, lưu lượng và phân bố tốc độ thực tế cho các cơ quan quản lý giao thông công chính.
+-----------------------------------------------------------------------------------+
|                         YÊU CẦU PHẦN CỨNG TRIỂN KHAI                              |
+-----------------------------------------------------------------------------------+
|  Thành phần           | Cấu hình đề xuất (Production)                             |
+-----------------------+-----------------------------------------------------------+
|  Camera giám sát      | IP Camera chuẩn RTSP, Độ phân giải Full HD (1080p@30FPS)   |
|  Bộ xử lý trung tâm   | Intel Core i7 / AMD Ryzen 7 (8 Cores, 16 Threads)         |
|  Card đồ họa (GPU)    | NVIDIA GeForce RTX 2060 / GTX 1660 Ti (Tối thiểu 6GB VRAM)|
|  Hệ điều hành         | Ubuntu Linux 20.04 LTS / Windows 10 Pro 64-bit            |
|  Bộ nhớ RAM           | 16GB DDR4 bus 2666MHz trở lên                             |
+-----------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Các hạn chế kỹ thuật hiện tại

  • Phụ thuộc cấu hình camera thủ công: Mỗi góc camera lắp đặt bắt buộc phải tiến hành đo đạc và nhập các tham số kích thước thực tế của phân vùng ảo ROI ban đầu.
  • Ảnh hưởng của điều kiện ngoại cảnh: Thời tiết mưa lớn làm mờ ống kính, ánh sáng yếu vào ban đêm hoặc hiện tượng lóa đèn pha xe (headlight glare) làm suy giảm độ chính xác của bộ nhận diện.
  • Quỹ đạo chuyển động phi tuyến tính: Khi xe chuyển làn gấp, lạng lách hoặc dừng đỗ giữa chừng trong vùng ROI, sai số vận tốc tức thời có thể tăng lên.

Hướng phát triển và mở rộng

  1. Nghiên cứu cơ chế tự động hiệu chuẩn (Auto-calibration): Ứng dụng thuật toán trích xuất các điểm biến mất (Vanishing Points) và vạch kẻ đường để hệ thống tự động suy diễn không gian 3D mà không cần đo đạc thủ công.
  2. Tích hợp mô-đun Nhận diện Biển số xe (ALPR): Kết hợp các mạng nhận diện ký tự quang học (OCR) để tự động xuất biên bản vi phạm kèm biển số xe hoàn chỉnh.
  3. Tối ưu hóa Edge Computing: Chuyển đổi mô hình sang TensorRT / ONNX Runtime để triển khai trực tiếp trên các vi xử lý nhúng như NVIDIA Jetson Nano / Jetson Xavier tại cột camera giám sát.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                           ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ                           |
+-----------------------------------------------------------------------------------+
|  Sinh viên & Học viên: Tài liệu tham khảo toàn diện về thị giác máy tính ứng dụng |
|  Lập trình viên & Kỹ sư AI: Kiến trúc mã nguồn xử lý luồng video tối ưu FPS       |
|  Cơ quan quản lý & Doanh nghiệp: Giải pháp giám sát giao thông chi phí thấp       |
|  Nhà nghiên cứu: Bộ dữ liệu vn_vehicle làm benchmark cho giao thông hỗn hợp        |
+-----------------------------------------------------------------------------------+
  • Sinh viên & Giảng viên ngành Kỹ thuật: Cung cấp tài liệu thực chứng về quy trình xây dựng đồ án thị giác máy tính từ khâu thu thập dữ liệu, huấn luyện mô hình đến triển khai toán học thực tế.
  • Kỹ sư phát triển phần mềm ITS: Cung cấp mẫu thiết kế kết hợp giữa Object Detection và Object Tracking giải quyết bài toán nghẽn tài nguyên phần cứng.
  • Lực lượng Cảnh sát Giao thông & Đô thị: Tiết kiệm hàng tỷ đồng chi phí mua sắm thiết bị chuyên dụng nhờ khả năng tận dụng 100% mạng lưới camera công cộng có sẵn.

Câu hỏi thường gặp

1. Hệ thống có thể chạy trên máy tính không có GPU rời không?

Có thể, nhưng tốc độ xử lý sẽ giảm xuống mức 2–4 FPS đối với video Full HD nếu chỉ sử dụng CPU. Để đạt hiệu năng thời gian thực (14–18 FPS), hệ thống bắt buộc cần GPU có hỗ trợ CUDA (như NVIDIA GTX 1060 / RTX 2060 trở lên).

2. Làm thế nào hệ thống nhận diện được xe máy khi mật độ quá đông?

Hệ thống sử dụng mô hình được tinh chỉnh (fine-tuned) trên bộ dữ liệu vn_vehicle với hơn 10.000 mẫu xe thực tế tại TP.HCM, kết hợp thuật toán tracking DCF-CSR giúp duy trì vết của đối tượng ngay cả khi xảy ra hiện tượng che khuất cục bộ giữa các phương tiện.

3. Khi phương tiện chuyển làn liên tục trong vùng đo thì kết quả có chính xác không?

Nếu phương tiện chuyển làn trong vùng ảo ROI, quãng đường di chuyển tính toán theo đường chéo có thể dài hơn thực tế, dẫn đến sai số vận tốc tăng (tối đa ghi nhận trong thực nghiệm là 9.37%). Hướng giải quyết là tăng độ dài vùng ROI và áp dụng bộ lọc Kalman Filter để làm mịn quỹ đạo chuyển động.

4. Hệ thống có hoạt động được vào ban đêm không?

Trong phạm vi đề tài hiện tại, dữ liệu được huấn luyện tối ưu cho điều kiện ban ngày (13h00 - 16h00). Để hoạt động ban đêm, cần thu thập thêm dữ liệu đêm và tích hợp thuật toán nhận diện cụm đèn pha (headlight detection) hoặc camera hồng ngoại.

5. Chi phí triển khai giải pháp này so với máy bắn tốc độ truyền thống như thế nào?

Giải pháp giúp tiết kiệm hơn 80% chi phí đầu tư do chỉ cần một máy chủ xử lý trung tâm kết nối với các camera giám sát sẵn có trên tuyến đường, không cần mua sắm súng bắn tốc độ Lidar chuyên dụng đắt tiền cho từng chốt giao thông.

Kết luận

Đồ án tốt nghiệp "Hệ thống ước tính vận tốc phương tiện giao thông" của sinh viên Vũ Minh Điền và Lâm Lý Sơn (Khoa Kỹ thuật Máy tính - Trường Đại học Công nghệ Thông tin, ĐHQG TP.HCM) đã giải quyết thành công bài toán đo tốc độ phương tiện tự động bằng công nghệ xử lý ảnh. Với việc tự xây dựng bộ dữ liệu vn_vehicle thực tế, nghiên cứu và thực nghiệm sâu sắc các mô hình Deep Learning tiên tiến (Faster R-CNN, SSD, YOLO) cùng thuật toán tracking CSR-DCF/SORT, hệ thống đã đạt được các kết quả ấn tượng: tốc độ xử lý 14–18 FPS và sai số vận tốc trung bình chỉ 4.61%.

Đây là minh chứng rõ nét cho tính ứng dụng cao của trí tuệ nhân tạo và thị giác máy tính trong việc hiện đại hóa cơ sở hạ tầng giao thông đô thị tại Việt Nam, hướng tới xây dựng các thành phố thông minh an toàn, văn minh và bền vững.