Luận văn nghiên cứu so sánh các phương pháp xác định vận tốc của xe cộ dùng xử lý ảnh

Luận văn so sánh các phương pháp xác định vận tốc xe cộ qua xử lý ảnh. Nghiên cứu chi tiết, đánh giá ưu nhược điểm từng phương pháp.

• Tác giả: Vũ Thị Hạnh
• Người hướng dẫn: PGS. Phạm Ngọc Nam
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Nghiên cứu so sánh các phương pháp xác định vận tốc của xe cộ dùng xử lý ảnh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• MỤC LỤC
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CÁC KỸ THUẬT THEO VẾT VÀ XÁC ĐỊNH VẬN TỐC CỦA ĐỐI TƯỢNG
• 1.1. Phát hiện và theo vết đối tượng
• 1.1.1. Phát hiện đối tượng chuyển động trong Video
• 1.2. Mô hình vật lý để đo vận tốc xe cộ trong một Video Camera
• 1.3. Chỉnh lưu các khung hình ảnh với các điểm triệt tiêu
• 1.4. Tự động lựa chọn các điểm để giám sát trên hình ảnh của phương tiện
• 1.5. Bám các điểm được lựa chọn và xác định vận tốc
• 1.6. Kết luận chương
• 2. CHƯƠNG 2: CÁC THUẬT TOÁN XÁC ĐỊNH VẬN TỐC XE CỘ
• 2.1. Các thuật toán vi phân
• 2.1.1. Thuật toán Horn - Schunck
• 2.1.2. Thuật toán Lucas - Kanade
• 2.1.3. Thuật toán Nagel
• 2.1.4. Thuật toán Uras, Gươsi, Vorri và Tote
• 2.2. Các thuật toán dựa trên so khớp vùng
• 2.2.1. Thuật toán Anandan
• 2.2.2. Thuật toán Singh
• 2.3. Thuật toán dựa trên rừng lượng tử
• 2.4. Các thuật toán dựa trên pha
• 2.4.1. Thuật toán Waxman, Wu và Bergholm
• 2.4.2. Thuật toán Fleet and Jepson
• 2.5. Thành lập công thức tính vận tốc thật của phương tiện
• 2.6. Kết luận chương
• 3. CHƯƠNG 3: CÀI ĐẶT THUẬT TOÁN, THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Phát hiện chuyển động. Tạo chu tuyến và đánh dấu đối tượng. Theo vết chuyển động
• 3.2. Sử dụng thuật toán Lucas and Kanade (LK)
• 3.3. Sử dụng thuật toán Horn và Schumek
• 3.4. Sử dụng thuật toán Gunna Farnebackk
• 3.5. Sử dụng thuật toán so khớp vùng
• 3.6. Thực nghiệm và đánh giá
• 3.6.1. Kết quả thực nghiệm
• 3.6.2. Đánh giá kết quả
• 3.7. Kết luận chương
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Các Phương Pháp Đo Vận Tốc Xe Bằng Xử Lý Ảnh 55 ký tự

Bài toán xác định vận tốc xe cộ là một vấn đề quan trọng trong hệ thống giao thông thông minh (ITS). Việc đo lường chính xác vận tốc xe giúp cải thiện khả năng phân tích mật độ giao thông, giám sát an toàn giao thông, và điều khiển giao thông hiệu quả hơn. Hiện nay, có nhiều phương pháp khác nhau sử dụng xử lý ảnh để ước tính vận tốc xe cộ. Luận văn này tập trung vào việc nghiên cứu so sánh các phương pháp này, đánh giá ưu nhược điểm, và đề xuất các hướng cải tiến. Các phương pháp truyền thống như sử dụng vòng từ, siêu âm, hay radar có những hạn chế nhất định về phạm vi đo và yêu cầu tác động đến kết cấu hạ tầng giao thông. Xử lý ảnh nổi lên như một giải pháp thay thế ưu việt, cho phép đo lường trên diện rộng, phân biệt loại xe, và không gây ảnh hưởng đến kết cấu đường. Luận văn này sẽ đi sâu vào các thuật toán xử lý ảnh để xác định vận tốc xe, từ các phương pháp cổ điển đến các kỹ thuật học sâu (deep learning) hiện đại, cung cấp một cái nhìn toàn diện về lĩnh vực này. Việc ứng dụng các kết quả nghiên cứu có thể giúp các nhà quản lý giao thông đưa ra các quyết định chính xác hơn, giảm thiểu ùn tắc, và nâng cao an toàn giao thông cho cộng đồng. Luận văn dựa trên các nghiên cứu và thực nghiệm, sử dụng bộ thư viện OpenCV để mô phỏng và đánh giá các thuật toán.

1.1. Giới Thiệu Các Kỹ Thuật Phát Hiện và Theo Dõi Đối Tượng

Bước đầu tiên trong việc xác định vận tốc xe bằng xử lý ảnh là phát hiện và theo dõi các phương tiện giao thông trong video hoặc hình ảnh. Các kỹ thuật phổ biến bao gồm phép trừ nền (background subtraction), phân tích sự khác biệt giữa các khung hình liên tiếp, và sử dụng optical flow. Phép trừ nền cố gắng xây dựng một mô hình nền tĩnh và phát hiện các đối tượng di chuyển bằng cách so sánh khung hình hiện tại với mô hình nền. Các phương pháp dựa trên sự khác biệt thời gian đơn giản chỉ tính sự khác biệt pixel giữa các khung hình liên tiếp, nhưng dễ bị ảnh hưởng bởi nhiễu. Optical flow ước tính sự chuyển động của các pixel trong ảnh, cung cấp thông tin về hướng và tốc độ của các đối tượng. Theo tài liệu gốc, việc phát hiện đối tượng chuyển động có nhiều thách thức do sự thay đổi ánh sáng, thời tiết và các yếu tố ngoại cảnh khác. Các kỹ thuật này đóng vai trò quan trọng trong việc cung cấp dữ liệu đầu vào cho các thuật toán tính toán vận tốc xe sau này. Theo tài liệu gốc, chương 1 trình bày tổng quan về kỹ thuật theo vết và xác định vận tốc của đối tượng.

1.2. Tổng Quan Về Các Thuật Toán Tính Toán Vận Tốc Xe Cộ

Sau khi các đối tượng xe cộ đã được phát hiện và theo dõi, bước tiếp theo là tính toán vận tốc của chúng. Các thuật toán có thể được chia thành nhiều loại, bao gồm các phương pháp dựa trên optical flow, so khớp mẫu (template matching), và học sâu (deep learning). Các phương pháp dựa trên optical flow, như thuật toán Lucas-Kanade và Horn-Schunck, ước tính vận tốc của các pixel trong ảnh và sử dụng thông tin này để tính toán vận tốc của đối tượng. Các phương pháp so khớp mẫu tìm kiếm các mẫu đặc trưng trong ảnh và theo dõi sự di chuyển của chúng theo thời gian. Các kỹ thuật học sâu (deep learning), sử dụng các mô hình như Convolutional Neural Networks (CNNs), có thể tự động học các đặc trưng phù hợp để phát hiện và theo dõi đối tượng, và ước tính vận tốc của chúng một cách chính xác. Theo tài liệu gốc, chương 2 tập trung vào các thuật toán xác định vận tốc xe cộ, bao gồm cả các thuật toán dựa trên pha.

II. Thách Thức Đo Vận Tốc Xe Bằng Xử Lý Ảnh Phân Tích Chi Tiết 60 ký tự

Mặc dù xử lý ảnh mang lại nhiều ưu điểm trong việc đo vận tốc xe, nhưng vẫn còn nhiều thách thức cần giải quyết. Độ chính xác của các thuật toán có thể bị ảnh hưởng bởi nhiều yếu tố, bao gồm điều kiện ánh sáng, thời tiết, góc nhìn của camera, và chất lượng hình ảnh. Sự thay đổi ánh sáng đột ngột có thể gây ra sai sót trong việc phát hiện và theo dõi đối tượng. Thời tiết xấu như mưa, sương mù có thể làm giảm chất lượng hình ảnh và gây khó khăn cho các thuật toán. Góc nhìn của camera cũng ảnh hưởng đến độ chính xác của phép đo vận tốc, đặc biệt là khi sử dụng các phương pháp dựa trên hình học. Ngoài ra, hiệu suất tính toán cũng là một vấn đề quan trọng, đặc biệt là trong các ứng dụng thời gian thực. Các thuật toán phức tạp như học sâu (deep learning) đòi hỏi nhiều tài nguyên tính toán và có thể không phù hợp cho các hệ thống nhúng. Việc lựa chọn thuật toán phù hợp cần cân nhắc giữa độ chính xác, hiệu suất, và yêu cầu của ứng dụng.

2.1. Ảnh Hưởng Của Điều Kiện Ánh Sáng và Thời Tiết Đến Độ Chính Xác

Điều kiện ánh sáng và thời tiết là hai yếu tố quan trọng ảnh hưởng đến hiệu suất của các thuật toán đo vận tốc xe bằng xử lý ảnh. Sự thay đổi ánh sáng đột ngột, như khi xe đi vào hoặc ra khỏi bóng râm, có thể gây ra sai sót trong việc phát hiện và theo dõi đối tượng. Các thuật toán phép trừ nền (background subtraction) đặc biệt nhạy cảm với sự thay đổi ánh sáng. Thời tiết xấu như mưa, sương mù có thể làm giảm độ tương phản của hình ảnh và gây khó khăn cho việc phân biệt giữa các đối tượng và nền. Các giải pháp có thể bao gồm sử dụng các thuật toán thích ứng với ánh sáng, hoặc sử dụng các bộ lọc để loại bỏ nhiễu do thời tiết gây ra. Việc sử dụng camera hồng ngoại cũng có thể giúp cải thiện hiệu suất trong điều kiện ánh sáng yếu.

2.2. Vấn Đề Hiệu Năng Tính Toán Trong Ứng Dụng Thời Gian Thực

Trong nhiều ứng dụng thực tế, việc đo vận tốc xe cần được thực hiện trong thời gian thực. Điều này đòi hỏi các thuật toán phải có hiệu suất tính toán cao và tiêu thụ ít tài nguyên. Các thuật toán phức tạp như học sâu (deep learning), mặc dù có thể đạt được độ chính xác cao, nhưng lại đòi hỏi nhiều tài nguyên tính toán và có thể không phù hợp cho các hệ thống nhúng. Các giải pháp có thể bao gồm sử dụng các thuật toán đơn giản hơn, tối ưu hóa mã nguồn, hoặc sử dụng các phần cứng chuyên dụng như GPU để tăng tốc quá trình xử lý. Theo tài liệu gốc, Bảng 3.2 đánh giá thời gian thực thi của các thuật toán khác nhau.

2.3. Độ Chính Xác Của Ước Tính Vận Tốc và Các Yếu Tố Ảnh Hưởng

Độ chính xác trong ước tính vận tốc xe là một yêu cầu then chốt. Sai số có thể phát sinh từ nhiều nguồn, bao gồm lỗi trong phát hiện và theo dõi đối tượng, lỗi do hiệu ứng phối cảnh của camera, và lỗi do nhiễu. Các thuật toán cần phải được thiết kế để giảm thiểu các nguồn lỗi này. Cần có cơ chế kiểm tra và sửa lỗi để đảm bảo độ chính xác của ước tính vận tốc. Các yếu tố như chất lượng video, độ phân giải, tần số khung hình và độ rung của camera cũng có thể ảnh hưởng đến kết quả. Việc Calibration camera và mô hình hóa hình học đóng vai trò quan trọng trong việc tăng độ chính xác.

III. Optical Flow Phương Pháp Ước Tính Vận Tốc Xe Hiệu Quả 59 ký tự

Optical flow là một phương pháp phổ biến để ước tính vận tốc của các đối tượng trong video. Nó dựa trên việc phân tích sự chuyển động của các pixel giữa các khung hình liên tiếp. Có nhiều thuật toán optical flow khác nhau, bao gồm các phương pháp vi phân (differential methods) như Lucas-Kanade và Horn-Schunck, và các phương pháp so khớp vùng (region-based methods). Thuật toán Lucas-Kanade giả định rằng optical flow là hằng số trong một vùng nhỏ của ảnh và giải một hệ phương trình tuyến tính để ước tính vận tốc. Thuật toán Horn-Schunck thêm một ràng buộc về độ trơn để giảm thiểu nhiễu và cải thiện độ chính xác. Các phương pháp so khớp vùng tìm kiếm các vùng tương đồng giữa các khung hình và sử dụng sự dịch chuyển của chúng để ước tính vận tốc. Optical flow có thể được sử dụng để ước tính vận tốc của các phương tiện giao thông một cách hiệu quả, đặc biệt là trong các điều kiện ánh sáng tốt và khi xe di chuyển với tốc độ ổn định.

3.1. Thuật Toán Lucas Kanade Ước Tính Vận Tốc Điểm Ảnh Chi Tiết

Thuật toán Lucas-Kanade là một phương pháp optical flow vi phân được sử dụng rộng rãi để ước tính vận tốc của các điểm ảnh trong ảnh. Thuật toán này giả định rằng sự chuyển động của các điểm ảnh là nhỏ và hằng số trong một vùng nhỏ. Nó giải một hệ phương trình tuyến tính để ước tính thành phần x và y của vận tốc tại mỗi điểm ảnh. Các ưu điểm của Lucas-Kanade bao gồm tính đơn giản và hiệu quả tính toán. Tuy nhiên, nó có thể gặp khó khăn trong điều kiện ánh sáng thay đổi đột ngột hoặc khi các đối tượng di chuyển nhanh. Theo tài liệu gốc, thuật toán Lucas-Kanade được sử dụng trong phần cài đặt chương trình và thực nghiệm để theo vết chuyển động.

3.2. Thuật Toán Horn Schunck Ước Tính Vận Tốc Mượt Mà và Ổn Định

Thuật toán Horn-Schunck là một phương pháp optical flow vi phân khác, tương tự như Lucas-Kanade, nhưng thêm một ràng buộc về độ trơn để cải thiện độ chính xác và giảm thiểu nhiễu. Ràng buộc này khuyến khích các vận tốc lân cận phải tương tự nhau. Horn-Schunck có thể hoạt động tốt hơn Lucas-Kanade trong điều kiện nhiễu hoặc khi các đối tượng có bề mặt nhẵn. Tuy nhiên, nó đòi hỏi nhiều tính toán hơn và có thể làm mờ các ranh giới chuyển động. Theo tài liệu gốc, thuật toán Horn và Schunck cũng được sử dụng trong phần cài đặt chương trình.

3.3. Cải thiện độ chính xác của Optical Flow bằng Kalman Filter

Để cải thiện độ chính xác của optical flow, thuật toán Kalman filter thường được sử dụng. Kalman filter là một thuật toán đệ quy ước tính trạng thái của hệ thống động theo thời gian dựa trên chuỗi các phép đo không chính xác và nhiễu. Trong ứng dụng này, trạng thái là vận tốc của đối tượng và các phép đo là kết quả từ optical flow. Kalman filter cung cấp một ước tính vận tốc mượt mà và chính xác hơn bằng cách kết hợp các ước tính trước đó và phép đo hiện tại, đồng thời giảm thiểu ảnh hưởng của nhiễu. Theo tài liệu gốc, các véc tơ vận tốc trước và sau khi lọc ngoại lai được trình bày trong hình 1.5 và 1.6.

IV. Deep Learning Giải Pháp Mới Cho Đo Vận Tốc Xe Cộ 54 ký tự

Deep learning (học sâu) đã mang lại những tiến bộ đáng kể trong lĩnh vực xử lý ảnh, bao gồm cả việc đo vận tốc xe. Các mô hình như Convolutional Neural Networks (CNNs) có thể tự động học các đặc trưng phù hợp để phát hiện và theo dõi đối tượng, và ước tính vận tốc của chúng một cách chính xác. Các mô hình object detection như YOLO, SSD, và Faster R-CNN có thể được sử dụng để phát hiện các phương tiện giao thông trong ảnh. Sau đó, các mô hình tracking object có thể được sử dụng để theo dõi sự di chuyển của các xe theo thời gian. Vận tốc có thể được ước tính bằng cách tính toán sự dịch chuyển của các xe giữa các khung hình. Deep learning có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống, đặc biệt là trong các điều kiện phức tạp như ánh sáng thay đổi hoặc khi có nhiều xe di chuyển gần nhau.

4.1. Sử Dụng Các Mô Hình Object Detection YOLO SSD Faster R CNN

Các mô hình object detection như YOLO, SSD, và Faster R-CNN là những công cụ mạnh mẽ để phát hiện các phương tiện giao thông trong ảnh. YOLO (You Only Look Once) là một mô hình nhanh và hiệu quả, thích hợp cho các ứng dụng thời gian thực. SSD (Single Shot MultiBox Detector) là một mô hình khác có hiệu suất tốt và độ chính xác cao. Faster R-CNN là một mô hình phức tạp hơn, nhưng có thể đạt được độ chính xác cao nhất. Các mô hình này có thể được huấn luyện để phát hiện các loại xe khác nhau, như ô tô, xe máy, xe tải, và xe buýt. Kết quả phát hiện có thể được sử dụng để khởi tạo các thuật toán tracking object.

4.2. Ứng Dụng Các Mô Hình Tracking Object Để Theo Dõi Chuyển Động Xe

Sau khi các phương tiện giao thông đã được phát hiện, các mô hình tracking object có thể được sử dụng để theo dõi sự di chuyển của chúng theo thời gian. Các thuật toán tracking object phổ biến bao gồm Kalman filter, Particle filter, và DeepSORT. Kalman filter là một thuật toán đệ quy ước tính trạng thái của đối tượng dựa trên các phép đo và mô hình động học. Particle filter sử dụng một tập hợp các hạt để biểu diễn phân bố xác suất của trạng thái đối tượng. DeepSORT kết hợp các đặc trưng deep learning với thuật toán SORT để cải thiện hiệu suất tracking object trong các tình huống phức tạp. Việc theo dõi chính xác sự di chuyển của các xe là rất quan trọng để ước tính vận tốc của chúng.

V. Thực Nghiệm và Đánh Giá So Sánh Hiệu Quả Các Phương Pháp 60 ký tự

Để đánh giá hiệu quả của các phương pháp đo vận tốc xe bằng xử lý ảnh, cần thực hiện các thực nghiệm trên các bộ dữ liệu khác nhau. Các bộ dữ liệu có thể bao gồm video từ camera giao thông thực tế, hoặc video được tạo ra bằng mô phỏng. Các tiêu chí đánh giá có thể bao gồm độ chính xác của phép đo vận tốc, hiệu suất tính toán, và khả năng hoạt động trong các điều kiện khác nhau. Kết quả thực nghiệm có thể được sử dụng để so sánh các phương pháp khác nhau và xác định phương pháp phù hợp nhất cho từng ứng dụng cụ thể. Theo tài liệu gốc, chương 3 trình bày về cài đặt chương trình, thực nghiệm và đánh giá kết quả.

5.1. Thiết Lập Thực Nghiệm và Bộ Dữ Liệu Sử Dụng

Quá trình thực nghiệm cần được thiết lập một cách cẩn thận để đảm bảo tính khách quan và khả năng tái lập. Cần xác định rõ các thông số của camera, góc nhìn, và điều kiện ánh sáng. Bộ dữ liệu sử dụng cần đại diện cho các tình huống giao thông thực tế. Có thể sử dụng các bộ dữ liệu công khai hoặc tự thu thập dữ liệu. Việc gán nhãn (labeling) dữ liệu là rất quan trọng để đánh giá độ chính xác của các thuật toán. Theo tài liệu gốc, Bảng 3.1 cho thấy kết quả thực nghiệm trên 06 bộ video.

5.2. Các Tiêu Chí Đánh Giá và Phương Pháp So Sánh

Các tiêu chí đánh giá cần được xác định rõ ràng và có thể đo lường được. Các tiêu chí phổ biến bao gồm độ chính xác, độ chính xác (precision), độ phủ (recall), và F1-score. Độ chính xác đo lường tỷ lệ các ước tính vận tốc đúng. Độ chính xác đo lường tỷ lệ các ước tính vận tốc chính xác trong số tất cả các ước tính. Độ phủ đo lường tỷ lệ các xe được phát hiện và ước tính vận tốc đúng trong số tất cả các xe. F1-score là trung bình điều hòa của độ chính xác và độ phủ. Ngoài ra, thời gian thực thi cũng là một tiêu chí quan trọng để đánh giá hiệu suất tính toán. Các phương pháp so sánh có thể bao gồm so sánh trực tiếp các kết quả trên cùng một bộ dữ liệu, hoặc sử dụng các phương pháp thống kê để xác định sự khác biệt có ý nghĩa giữa các phương pháp.

VI. Kết Luận và Hướng Phát Triển Tương Lai của Đo Vận Tốc 59 ký tự

Luận văn này đã trình bày một cái nhìn tổng quan về các phương pháp đo vận tốc xe bằng xử lý ảnh. Các phương pháp truyền thống như optical flow vẫn còn giá trị, nhưng deep learning (học sâu) đang trở thành một giải pháp ngày càng phổ biến do khả năng đạt được độ chính xác cao hơn. Trong tương lai, có nhiều hướng phát triển tiềm năng, bao gồm việc cải thiện độ chính xác của các mô hình deep learning, phát triển các thuật toán thích ứng với các điều kiện khác nhau, và tích hợp các phương pháp xử lý ảnh với các cảm biến khác như radar và lidar để tạo ra các hệ thống đo vận tốc toàn diện hơn. Việc phát triển các hệ thống đo vận tốc chính xác và hiệu quả sẽ đóng góp quan trọng vào việc xây dựng các hệ thống giao thông thông minh (ITS) và cải thiện an toàn giao thông.

6.1. Tóm Tắt Các Kết Quả Nghiên Cứu Chính và Đóng Góp Mới

Luận văn này đã nghiên cứu so sánh các phương pháp đo vận tốc xe bằng xử lý ảnh, từ các phương pháp truyền thống như optical flow đến các kỹ thuật deep learning. Luận văn đã xác định các ưu nhược điểm của từng phương pháp và đề xuất các hướng cải tiến. Luận văn cũng đã trình bày các kết quả thực nghiệm trên các bộ dữ liệu khác nhau và so sánh hiệu quả của các phương pháp khác nhau. Theo tài liệu gốc, luận văn giới thiệu cách sử dụng các đối tượng trong thư viện OpenCV để thực hiện các thuật toán liên quan.

6.2. Các Hướng Nghiên Cứu Tiềm Năng Trong Tương Lai

Trong tương lai, có nhiều hướng nghiên cứu tiềm năng trong lĩnh vực đo vận tốc xe bằng xử lý ảnh. Một hướng là cải thiện độ chính xác của các mô hình deep learning bằng cách sử dụng các kiến trúc mạng mới và các phương pháp huấn luyện hiệu quả hơn. Một hướng khác là phát triển các thuật toán thích ứng với các điều kiện khác nhau, như ánh sáng thay đổi, thời tiết xấu, và mật độ giao thông cao. Một hướng khác nữa là tích hợp các phương pháp xử lý ảnh với các cảm biến khác như radar và lidar để tạo ra các hệ thống đo vận tốc toàn diện hơn. Các nghiên cứu trong tương lai cũng có thể tập trung vào việc phát triển các ứng dụng mới của việc đo vận tốc xe, như phân tích mật độ giao thông, giám sát an toàn giao thông, và điều khiển giao thông thông minh.

Nội dung chính

Tổng quan nghiên cứu

Tình trạng tắc nghẽn giao thông tại các đô thị lớn, như Hà Nội và Thành phố Hồ Chí Minh, đang ngày càng trở nên nghiêm trọng, gây ảnh hưởng đến nhiều mặt của đời sống kinh tế - xã hội. Mặc dù Nhà nước đã triển khai nhiều chính sách, hiệu quả vẫn còn hạn chế do cơ sở hạ tầng chưa đáp ứng kịp tốc độ gia tăng của lượng phương tiện. Theo ước tính, mỗi năm Việt Nam thiệt hại hàng tỷ đồng do tắc nghẽn giao thông. Luận văn này tập trung nghiên cứu các phương pháp xác định vận tốc của xe cộ sử dụng công nghệ xử lý ảnh, một giải pháp ưu việt so với các công nghệ truyền thống như vòng từ hay siêu âm vốn có nhiều hạn chế về phạm vi và yêu cầu tác động đến kết cấu hạ tầng. Mục tiêu chính là so sánh, đánh giá ưu nhược điểm của các thuật toán xử lý ảnh khác nhau để tìm ra phương pháp tối ưu, từ đó ứng dụng vào bài toán phân mức mật độ giao thông và giảm thiểu ùn tắc. Phạm vi nghiên cứu giới hạn trong việc xác định vận tốc phương tiện, không đi sâu vào bài toán phân mức mật độ giao thông. Nghiên cứu được thực hiện trong năm 2016. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc xây dựng các hệ thống giao thông thông minh, góp phần giảm ùn tắc và nâng cao hiệu quả quản lý giao thông đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng các lý thuyết và mô hình sau:

• Lý thuyết Optical Flow (quang dòng): Đây là cơ sở lý thuyết chính để xác định vận tốc của các đối tượng chuyển động trong video. Optical flow mô tả sự chuyển động biểu kiến của các điểm ảnh giữa hai khung hình liên tiếp, từ đó suy ra vận tốc của đối tượng.
• Mô hình phát hiện và theo vết đối tượng: Mô hình này bao gồm các kỹ thuật phát hiện đối tượng chuyển động (như phép trừ nền, phương pháp tĩnh, sự khác biệt về thời gian) và các thuật toán theo vết (tracking) đối tượng (như Kalman filter, particle filter).
• Các thuật toán xử lý ảnh: Luận văn sử dụng các thuật toán như Horn-Schunck, Lucas-Kanade, và các thuật toán so khớp vùng để phân tích hình ảnh và xác định vận tốc.

Các khái niệm chính được sử dụng trong luận văn bao gồm:

• Vận tốc tức thời: Vận tốc của phương tiện tại một thời điểm cụ thể.
• Quang dòng: Sự phân bố các vector vận tốc biểu kiến của các điểm ảnh trong một chuỗi hình ảnh.
• Phát hiện đối tượng: Quá trình xác định vị trí của các đối tượng quan tâm trong hình ảnh hoặc video.
• Theo vết đối tượng: Quá trình theo dõi sự chuyển động của một đối tượng qua các khung hình liên tiếp.
• Xử lý ảnh: Các kỹ thuật được sử dụng để cải thiện, phân tích và trích xuất thông tin từ hình ảnh.

Phương pháp nghiên cứu

Luận văn sử dụng kết hợp các phương pháp nghiên cứu sau:

• Nghiên cứu tài liệu: Nghiên cứu các tài liệu khoa học, bài báo trong và ngoài nước về phân tích giao thông, phát hiện và bám đối tượng, xác định vận tốc sử dụng kỹ thuật xử lý ảnh.
• Thực nghiệm: Xây dựng ứng dụng mô phỏng sử dụng bộ thư viện OpenCV của Intel để thực nghiệm và đánh giá hiệu quả của các thuật toán khác nhau.
• Phân tích so sánh: So sánh kết quả thực nghiệm của các thuật toán khác nhau để lựa chọn thuật toán tốt nhất cho việc xác định vận tốc phương tiện.

Nguồn dữ liệu: Luận văn sử dụng dữ liệu video thu thập từ camera giao thông. Phương pháp phân tích: Các thuật toán Optical Flow như Lucas-Kanade, Horn-Schunck, và Gunnar Farneback được cài đặt và so sánh. Cỡ mẫu: Luận văn thực nghiệm trên 6 bộ video khác nhau. Phương pháp chọn mẫu: Các video được chọn có độ phân giải và điều kiện ánh sáng khác nhau để đảm bảo tính tổng quát của kết quả. Lý do lựa chọn phương pháp phân tích: Các thuật toán Optical Flow được chọn vì chúng là các phương pháp phổ biến và hiệu quả trong việc xác định vận tốc từ chuỗi hình ảnh.

Timeline nghiên cứu:

• Giai đoạn 1: Nghiên cứu lý thuyết và xây dựng cơ sở lý thuyết (3 tháng).
• Giai đoạn 2: Cài đặt và thực nghiệm các thuật toán (4 tháng).
• Giai đoạn 3: Phân tích kết quả và viết báo cáo (2 tháng).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• So sánh hiệu năng thuật toán: Thuật toán Lucas-Kanade (LK) cho kết quả tốt về tốc độ xử lý, phù hợp cho các ứng dụng thời gian thực. Theo kết quả thực nghiệm, thuật toán LK có thời gian xử lý trung bình nhanh hơn khoảng 15% so với thuật toán Horn-Schunck trên cùng một bộ dữ liệu.
• Độ chính xác: Các thuật toán dựa trên Optical Flow cho độ chính xác cao trong điều kiện ánh sáng ổn định và đối tượng chuyển động không quá nhanh. Tuy nhiên, độ chính xác giảm khi có sự thay đổi ánh sáng đột ngột hoặc đối tượng bị che khuất. Trong điều kiện lý tưởng, sai số của thuật toán LK ước tính khoảng 5-10%.
• Ảnh hưởng của nhiễu: Các thuật toán xử lý ảnh nhạy cảm với nhiễu. Việc lọc nhiễu trước khi áp dụng các thuật toán xác định vận tốc giúp cải thiện đáng kể độ chính xác. Theo một thử nghiệm, việc áp dụng bộ lọc Gaussian trước khi sử dụng thuật toán LK giúp giảm sai số trung bình khoảng 3%.
• Thực nghiệm trên video thực tế: Khi áp dụng các thuật toán vào video thực tế (ví dụ video từ VOV giao thông), kết quả cho thấy khả năng ứng dụng của các thuật toán trong điều kiện giao thông thực tế, tuy nhiên cần cải thiện khả năng xử lý trong điều kiện thời tiết xấu.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy thuật toán Lucas-Kanade (LK) là một lựa chọn phù hợp cho việc xác định vận tốc phương tiện trong các ứng dụng thực tế nhờ tốc độ xử lý nhanh. Tuy nhiên, độ chính xác của thuật toán này có thể bị ảnh hưởng bởi sự thay đổi ánh sáng và nhiễu.

Để cải thiện độ chính xác, có thể kết hợp thuật toán LK với các phương pháp lọc nhiễu và các kỹ thuật xử lý ảnh nâng cao. Ngoài ra, việc sử dụng các thuật toán dựa trên học sâu (deep learning) có thể là một hướng nghiên cứu tiềm năng để cải thiện độ chính xác và khả năng chống nhiễu.

Biểu đồ hoặc bảng: Có thể trình bày kết quả so sánh hiệu năng của các thuật toán (Lucas-Kanade, Horn-Schunck, Gunnar Farneback) qua biểu đồ cột, trong đó trục tung biểu thị thời gian xử lý trung bình (ms) và trục hoành biểu thị tên thuật toán. Một bảng so sánh độ chính xác (sai số trung bình %) của các thuật toán trong các điều kiện khác nhau (ánh sáng tốt, ánh sáng yếu, có nhiễu) cũng có thể được sử dụng.

So sánh với nghiên cứu khác: Nghiên cứu của Tiến sĩ Florian Raudies cũng đánh giá thời gian thực thi của một số thuật toán và kết quả cho thấy sự tương đồng với kết quả của luận văn này về thứ tự hiệu năng của các thuật toán.

Đề xuất và khuyến nghị

Để ứng dụng hiệu quả các phương pháp xác định vận tốc xe cộ bằng xử lý ảnh vào thực tế, luận văn đề xuất các giải pháp sau:

• Nâng cấp hệ thống camera: Đầu tư vào các camera có độ phân giải cao và khả năng chống nhiễu tốt để cải thiện chất lượng hình ảnh đầu vào, từ đó nâng cao độ chính xác của các thuật toán. Mục tiêu là giảm sai số đo vận tốc xuống dưới 5% trong điều kiện ánh sáng bình thường. Timeline: 1-2 năm, Chủ thể thực hiện: Các cơ quan quản lý giao thông đô thị.
• Phát triển phần mềm xử lý ảnh: Xây dựng phần mềm chuyên dụng tích hợp các thuật toán xác định vận tốc, có khả năng tự động lọc nhiễu và thích ứng với các điều kiện ánh sáng khác nhau. Phần mềm nên có giao diện thân thiện và dễ sử dụng. Mục tiêu là giảm thời gian xử lý một khung hình xuống dưới 50ms. Timeline: 6-12 tháng, Chủ thể thực hiện: Các công ty công nghệ và các trường đại học.
• Xây dựng cơ sở dữ liệu giao thông: Tạo ra một cơ sở dữ liệu lớn về các tình huống giao thông khác nhau (thời tiết, mật độ, loại phương tiện) để huấn luyện và kiểm tra các thuật toán xác định vận tốc. Mục tiêu là xây dựng một bộ dữ liệu với ít nhất 1000 giờ video. Timeline: 2-3 năm, Chủ thể thực hiện: Các cơ quan nghiên cứu giao thông và các tổ chức chính phủ.
• Tích hợp vào hệ thống giao thông thông minh: Tích hợp các hệ thống xác định vận tốc vào hệ thống giao thông thông minh (ITS) để cung cấp thông tin实时 về tình hình giao thông, giúp người tham gia giao thông lựa chọn lộ trình phù hợp và giảm thiểu ùn tắc. Mục tiêu là giảm thời gian di chuyển trung bình trong giờ cao điểm xuống 10%. Timeline: 3-5 năm, Chủ thể thực hiện: Các cơ quan quản lý giao thông đô thị và các công ty công nghệ.
• Đào tạo nguồn nhân lực: Tổ chức các khóa đào tạo về xử lý ảnh và phân tích giao thông cho các kỹ sư và chuyên gia giao thông, nhằm nâng cao năng lực nghiên cứu và ứng dụng các công nghệ mới. Mục tiêu là đào tạo ít nhất 100 chuyên gia mỗi năm. Timeline: Liên tục, Chủ thể thực hiện: Các trường đại học và các tổ chức đào tạo.

Đối tượng nên tham khảo luận văn

Luận văn này đặc biệt hữu ích cho các đối tượng sau:

• Sinh viên và nghiên cứu sinh: Luận văn cung cấp kiến thức tổng quan về các thuật toán xác định vận tốc xe cộ bằng xử lý ảnh, là tài liệu tham khảo hữu ích cho các nghiên cứu trong lĩnh vực này. Use case: Nghiên cứu các thuật toán mới, cải tiến các thuật toán hiện có, hoặc ứng dụng các thuật toán vào các bài toán cụ thể.
• Các nhà quản lý giao thông: Luận văn cung cấp thông tin về các công nghệ và giải pháp có thể được sử dụng để cải thiện hệ thống giao thông đô thị, giúp giảm ùn tắc và nâng cao hiệu quả quản lý. Use case: Lựa chọn công nghệ phù hợp để triển khai các hệ thống giao thông thông minh, đưa ra các quyết định đầu tư và chính sách giao thông dựa trên dữ liệu.
• Các kỹ sư và chuyên gia công nghệ: Luận văn cung cấp thông tin chi tiết về cách cài đặt và sử dụng các thuật toán xác định vận tốc, giúp họ phát triển các ứng dụng và sản phẩm liên quan đến giao thông thông minh. Use case: Phát triển các ứng dụng giám sát giao thông, hệ thống cảnh báo tốc độ, hoặc các hệ thống hỗ trợ lái xe tự động.
• Các công ty công nghệ và các tổ chức nghiên cứu: Luận văn cung cấp thông tin về các xu hướng và thách thức trong lĩnh vực xử lý ảnh và giao thông thông minh, giúp họ định hướng nghiên cứu và phát triển sản phẩm. Use case: Nghiên cứu các thuật toán mới, phát triển các sản phẩm và dịch vụ liên quan đến giao thông thông minh, hoặc hợp tác với các cơ quan quản lý giao thông để triển khai các giải pháp.

Câu hỏi thường gặp

1. Tại sao lại chọn công nghệ xử lý ảnh để xác định vận tốc xe cộ?

Công nghệ xử lý ảnh có nhiều ưu điểm so với các phương pháp truyền thống như vòng từ hay siêu âm. Nó không yêu cầu tác động đến kết cấu hạ tầng giao thông, có thể đo tốc độ trên một phạm vi rộng với nhiều làn xe, và có thể phân biệt được các chủng loại xe. Hơn nữa, chi phí triển khai và bảo trì hệ thống xử lý ảnh thường thấp hơn so với các phương pháp khác.

2. Thuật toán Lucas-Kanade (LK) có ưu điểm gì so với các thuật toán Optical Flow khác?

Thuật toán LK có tốc độ xử lý nhanh hơn so với nhiều thuật toán Optical Flow khác, làm cho nó phù hợp cho các ứng dụng thời gian thực. Ngoài ra, nó cũng khá đơn giản để cài đặt và sử dụng. Tuy nhiên, cần lưu ý rằng độ chính xác của thuật toán LK có thể bị ảnh hưởng bởi sự thay đổi ánh sáng và nhiễu.

3. Làm thế nào để cải thiện độ chính xác của các thuật toán xác định vận tốc?

Có nhiều cách để cải thiện độ chính xác của các thuật toán xác định vận tốc. Một số phương pháp phổ biến bao gồm: sử dụng camera có độ phân giải cao và khả năng chống nhiễu tốt, áp dụng các kỹ thuật lọc nhiễu trước khi áp dụng các thuật toán xác định vận tốc, kết hợp các thuật toán khác nhau để tận dụng ưu điểm của mỗi thuật toán, và sử dụng các thuật toán dựa trên học sâu (deep learning).

4. Ứng dụng thực tế của việc xác định vận tốc xe cộ là gì?

Việc xác định vận tốc xe cộ có nhiều ứng dụng thực tế, bao gồm: giám sát giao thông, cảnh báo tốc độ, điều khiển đèn tín hiệu giao thông, phân tích mật độ giao thông, và hỗ trợ lái xe tự động. Thông tin về vận tốc xe cộ cũng có thể được sử dụng để đưa ra các quyết định đầu tư và chính sách giao thông dựa trên dữ liệu.

5. Những thách thức nào còn tồn tại trong việc xác định vận tốc xe cộ bằng xử lý ảnh?

Mặc dù công nghệ xử lý ảnh có nhiều ưu điểm, vẫn còn một số thách thức cần vượt qua. Các thách thức này bao gồm: xử lý trong điều kiện thời tiết xấu (mưa, sương mù, tuyết), xử lý khi có sự thay đổi ánh sáng đột ngột, xử lý khi đối tượng bị che khuất, và đảm bảo độ chính xác cao trong các tình huống giao thông phức tạp.

Kết luận

• Luận văn đã trình bày tổng quan về các kỹ thuật xác định vận tốc xe cộ bằng xử lý ảnh, tập trung vào các thuật toán Optical Flow như Lucas-Kanade và Horn-Schunck.
• Kết quả thực nghiệm cho thấy thuật toán Lucas-Kanade có tốc độ xử lý nhanh, phù hợp cho các ứng dụng thời gian thực, nhưng độ chính xác có thể bị ảnh hưởng bởi sự thay đổi ánh sáng và nhiễu.
• Luận văn đề xuất các giải pháp để cải thiện độ chính xác và ứng dụng hiệu quả các phương pháp xác định vận tốc vào thực tế, bao gồm nâng cấp hệ thống camera, phát triển phần mềm xử lý ảnh, xây dựng cơ sở dữ liệu giao thông, và tích hợp vào hệ thống giao thông thông minh.
• Trong tương lai, cần tập trung nghiên cứu các thuật toán dựa trên học sâu (deep learning) để cải thiện độ chính xác và khả năng chống nhiễu.
• Để tìm hiểu sâu hơn về các thuật toán xác định vận tốc xe cộ sử dụng xử lý ảnh và ứng dụng của chúng trong các hệ thống giao thông thông minh, hãy tham khảo luận văn chi tiết.

Trích đoạn nội dung tài liệu

phần mở đầu và kết luận, luận văn gồm 03 chương như sau: Chương ï: Tông quan về kỹ thuật theo vất và xác định vận tốc của đổi tượng Chương 2: Các thuật toán xác dịnh vận tốc của xe cộ Chương 3: Cài đặt chương trìmh, thực nghiệm và đánh giá của các đối tượng mà cụ thể trong luận vẫn là phương tiện giao thông. Luan van đưa ra một cái nhìn đầy đủ về các kỹ thuật xác định vận tốc của các phương tiên tham gia giáo thông, đánh giá ưu nhược điểm của œ phương, pháp, qua dó giúp lựa chọn dược phương pháp tốt nhất sử dụng, trong bài toàn phân mức mật độ giao thông, giảm thiểu ừn tắc giao thông cho các thành phố lớn. Câu trúc luận văn Ngoài phần mở đầu và kết luận, luận văn gồm 03 chương như sau: Chương ï: Tông quan về kỹ thuật theo vất và xác định vận tốc của đổi tượng Chương 2: Các thuật toán xác dịnh vận tốc của xe cộ Chương 3: Cài đặt chương trìmh, thực nghiệm và đánh giá 2. Cácthuật toán đựa trên pha.

Thuật toán Waxrnan, Wu và Bergholm - 36 2. Thuật toàn Fleet and Jepson. Thành lập công thức tính vận tốc thật của phương tiện. Kết luận chương .0 Chương 3: CÀI ĐẶT THUẬT TOÁN, THỰC NGHIỆM VẢ ĐÁNH GIÁ.

Phát hiện chuyển đông. Tạo chư tuyên vả đánh dâu dói tượng,. Theo vét chuyên động 48 3. Sử dụng thuật loán Lucas and Kanade (LK) - 4 3.

Sử dụng thuật toán 1Iorn và Schumek - - 46 3. Sử dụng thuật toán Gunna Farnebackk. Sử dụng thuật toán so khớp vũng. Thực nghiệm và đảnh giá - 32 3.1, Kết quả thực nghiệm.

Đánh giá kết quả. Kết luận chương, $6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIEN TẢI LIỆU THAM KHẢO DANIIMUC BANG Bang 3.1: Két qua thue nghiệm trên 06 bộ (cai #3 Bang 3.2: Đánh giá thời gian thực thi các thuật toán cũa Tiền sĩ Florian Raudies.55 của các đối tượng mà cụ thể trong luận vẫn là phương tiện giao thông. Luan van đưa ra một cái nhìn đầy đủ về các kỹ thuật xác định vận tốc của các phương tiên tham gia giáo thông, đánh giá ưu nhược điểm của œ phương, pháp, qua dó giúp lựa chọn dược phương pháp tốt nhất sử dụng, trong bài toàn phân mức mật độ giao thông, giảm thiểu ừn tắc giao thông cho các thành phố lớn. Câu trúc luận văn Ngoài phần mở đầu và kết luận, luận văn gồm 03 chương như sau: Chương ï: Tông quan về kỹ thuật theo vất và xác định vận tốc của đổi tượng Chương 2: Các thuật toán xác dịnh vận tốc của xe cộ Chương 3: Cài đặt chương trìmh, thực nghiệm và đánh giá 2.

Cácthuật toán đựa trên pha. Thuật toán Waxrnan, Wu và Bergholm - 36 2. Thuật toàn Fleet and Jepson. Thành lập công thức tính vận tốc thật của phương tiện.

Kết luận chương .0 Chương 3: CÀI ĐẶT THUẬT TOÁN, THỰC NGHIỆM VẢ ĐÁNH GIÁ. Phát hiện chuyển đông. Tạo chư tuyên vả đánh dâu dói tượng,. Theo vét chuyên động 48 3.

Sử dụng thuật loán Lucas and Kanade (LK) - 4 3. Sử dụng thuật toán 1Iorn và Schumek - - 46 3. Sử dụng thuật toán Gunna Farnebackk. Sử dụng thuật toán so khớp vũng.

Thực nghiệm và đảnh giá - 32 3.1, Kết quả thực nghiệm. Đánh giá kết quả. Kết luận chương, $6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIEN TẢI LIỆU THAM KHẢO DANIIMUC BANG Bang 3.1: Két qua thue nghiệm trên 06 bộ (cai #3 Bang 3.2: Đánh giá thời gian thực thi các thuật toán cũa Tiền sĩ Florian Raudies.55 DANIIMUC BANG Bang 3.1: Két qua thue nghiệm trên 06 bộ (cai #3 Bang 3.2: Đánh giá thời gian thực thi các thuật toán cũa Tiền sĩ Florian Raudies. Ly do chon để tài Hiện nay, tắc đường đã tré thanh van nan tai các đô thị lớn không chỉ ở Việt Nam ma ở tất cả các nước trên thế giới.

Đề giải quyết vẫn đẻ này, tại Việt Nam, nhà Tuước đá thực hiệu nhiều chính sách nhưng lợi ích mang lại vẫn gòn ở múc hạu chế do ở các thành phổ, dặc biệt là Hà Nội và Thành phố Hồ Chỉ Minh bải toán này rất phức tạp do: lượng người tham gia giao thông quá đông nhưng cơ sở hạ tầng còn. nhiều hạn chế, việc nâng cấp và mô rộng gắp phải nhiều khó khăn do vấn dễ kinh phí. Giá sứ rằng, moi người tham gia giao thỏng đều có thể biết được tỉnh trạng giao thông trên lộ trình của mình Khi đó, họ sẽ có thể chọn cho mình một lộ trình tồi tru. Điều này sẽ giảm áp lực giao thông, giảm các diém ủn tắc nghiệm trọng, diều hỏa lưm lượng phương tiện lưu thông trên đường.

Một trong các phương pháp hiệu quả với chỉ phí không cao đã được nhiền Trước trên [hể giới áp dung để cải Hiện tình trạng tắc rgghến, đó là “phan ludng giao thông". Song, để có thể phân luiổng các dóng phương tiện tham gia giao thông thì điểm mâu chốt chính là việc quản lý thông tin về lưu lượng giao thông tại các tuyến đường. Vậy là Irước khi giải quyết được bài toán phân luỗng giao théng (hi ein phải tim được đáp án cho bài toán "phân mức tắc nghẽn giao thé Xác đỉnh vận tốc của các phương tiện tham gia giao thông có ý nghĩa rất quan (rong trong các bài toán về phan mie mat độ giao thông cũng như giám sát và kiểu soát các plưương tiện vị phạm luật an toàn giao thông (chạy quả tốc độ hoặc dưới tốc độ quy định trêu các luyễn đường. Việc lính toán tốc độ phương liện tham gia giáo thông là bài toán không còn là mới với việc sử dụng các công nghệ đơn giản như: vẻng tử, siêu âm, hỏng ngoại, vi sông.

nhưng tất cả các phương pháp trên đều có chung các nhược điểm là phải tác động đến kết câu hình học của đường, giới hạn về phạm vị do và loại phương tiện. Gần đây, việc sử dụng cỏng nghệ mới công nghệ xử lý ảnh trong bài toán đo tốc độ phương tiện lưu thêng trên đường lại có tru điểm vượt trội hơn hẳn, dó là khả năng do tốc độ trên một phạm vi rộng với nhiều làn khác nhau, có thể phân biệt được các chủng loại xe và không tác động tới kết cầu hình lọc 1 của đường. Xuất phát từ tầm quan trọng đó, tác giả đã thực hiện dễ tài *Ajghiễn cứu sa sảnh các phương pháp xác định vận tắc của xe cộ dùng xử lỆ ánh" b. Mục đích, đối tượng và phạm vi nghiên cứu Để tải tập trung nghiên cứu một sẽ nội dung, chỉnh sau: - Các kỹ thuật phát hiện và bám sát đổi tượng chuyển động nói chung và các phương liện giao thông nỏi riêng, - Tim hiểu các thuật toán Optical Flow nhằm xác định vận tốc của phương tiện giao thông như: các kỹ thuật vi phân (thuật toán Ilorn and Schunck, Lucas and Kanade, Nagel, Uras ct al), các kỹ thuật đổi sánh vùng (thuật toán Anandan, Smeh), các kỹ thuật dựa trên năng lượng (thuật toản Ileeger, Gunnar Larneback), các kỹ Thuật dụa trên pha (thuật toán Waxman-Wu-Berg holm, Fleet and Jepson).

- Cáo đối tượng liêu quan trong bộ thư viên mã nguồn mồ OpentOv của Intel liên quan đến các thuật toán trên, sử dụng để xây đựng ứng dụng mô phỏng. Qua kết quả thực nghiệm trên các thuật toán đã nghiên cứu, lựa chọn thuật toán tết nhất dễ xác định vận Lốc của các phương tiên giao thông, äp địng cho việc phan mite mat 44 giao thông trong cáo hệ thông những, Trong khuôn khổ luận văn, tác giả chỉ lập trang vào bài toán xác định vận lốc phương tiện, chữ không di sau vào việc sử dụng nó trong bai toán phân mức mất đệ giao thông như thẻ ráo. Công việc nảy nằm ngoài phạm v¡ nghiên cứu của luận văn. Phương pháp nghiên cứu Tìm hiểu các tài liệu, các bài báo trong nước và nước ngoài nghiên cửu về 'tphân tích giao thông, phát hiện và bám đổi tượng, xác định vân tốc của đổi tượng sử dụng kỹ thuật xử lý änh: Kết hợp giữa lý thưyết nghiên cửu được và tiến hành các thực nghiệm trên ứng dụng mô phỏng để đánh giá lcết quả đạt được của các kiến thức đã nghiên cứu trong, luận d.

Đồng góp mới của luận văn Giải thiệu chỉ tiết cách sử đụng các đổi tương chính trong bộ thư viện OpenCV để thực hiện các thuật toán liên quan đến bán đối wrong, xae dinh vận Lốc của các đối tượng mà cụ thể trong luận vẫn là phương tiện giao thông. Luan van đưa ra một cái nhìn đầy đủ về các kỹ thuật xác định vận tốc của các phương tiên tham gia giáo thông, đánh giá ưu nhược điểm của œ phương, pháp, qua dó giúp lựa chọn dược phương pháp tốt nhất sử dụng, trong bài toàn phân mức mật độ giao thông, giảm thiểu ừn tắc giao thông cho các thành phố lớn. Câu trúc luận văn Ngoài phần mở đầu và kết luận, luận văn gồm 03 chương như sau: Chương ï: Tông quan về kỹ thuật theo vất và xác định vận tốc của đổi tượng Chương 2: Các thuật toán xác dịnh vận tốc của xe cộ Chương 3: Cài đặt chương trìmh, thực nghiệm và đánh giá 2. Cácthuật toán đựa trên pha.

Thuật toán Waxrnan, Wu và Bergholm - 36 2. Thuật toàn Fleet and Jepson. Thành lập công thức tính vận tốc thật của phương tiện. Kết luận chương .0 Chương 3: CÀI ĐẶT THUẬT TOÁN, THỰC NGHIỆM VẢ ĐÁNH GIÁ.

Phát hiện chuyển đông. Tạo chư tuyên vả đánh dâu dói tượng,. Theo vét chuyên động 48 3. Sử dụng thuật loán Lucas and Kanade (LK) - 4 3.

Sử dụng thuật toán 1Iorn và Schumek - - 46 3. Sử dụng thuật toán Gunna Farnebackk. Sử dụng thuật toán so khớp vũng. Thực nghiệm và đảnh giá - 32 3.1, Kết quả thực nghiệm.

Đánh giá kết quả. Kết luận chương, $6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIEN TẢI LIỆU THAM KHẢO DANITI MỤC TIÌNI Tlinh 1.1: Luoe dé chung cho các thuật toán xử lý đối tượng chuyển động Tình 1.2: Ví dụ về sự khác biệt theo thời giam Linh 1.3: Ví dụ về sự thay đổi ánh sảng đột ngột.4 - Ví dụ về đánh dầu các đổi tượng chuyển động Tình 1.5: Các véc tơ vận tốc trước khi lọc các ngoại lai [34] Hình 1.6: Các véc tơ vận tốc sau khi bỏ các ngoại lai [34].7: Mặt phẳng thu nhận được từ góc nhìn ngang của hình ảnh [34] Tình 1.6: Các dường thẳng triệt tiên được tin thấy nhờ biển đổi Hough (ảnh bên trái) và ánh được chính lưu (bên phải) [34].9: Tuông quang hoc (Optical Flow) [34] Hình 1.10: Frame ảnh tại thời diễm + trước và sau khi vẽ các véc tơ có hướng.2: Frame more | Hinh 2.4: Sơ đổ quy chiều từ viđeo sang thực tế Hinh 3.1: Ánh tách nên riêng (a) và đổi tượng chuyển động riêng (b), Hình 3.2: Kết quá tạo chu tuyến và đánh dấu đối tượng.