Chương 1: TỔNG QUANG NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC 1. Giới thiệu Hiện nay tại các nước phát triển, việc áp dụng sử dụng nhiều camera bắn tốc độ (speeding camera) khá thông dụng với hàng nhìn camera bắn tốc độ và camera chụp hình sai phạm giao thông sai làn đường, vượt đèn đỏ được bố trí nhiều nơi kín đáo và chằng chịt trên khắp mọi nẻo đường. Hệ thống xác định phương tiện tham gia giao thông không phải là hệ thống mới, tuy nhiên vẫn còn nhiều thách, đặc biệt đối với tình trạng giao thông nước ta có nhiều thách thức như: Tình trạng giao thông ở Việt Nam phức tạp bởi mật độ lưu thông xe máy tăng nhanh một số thời điểm, nhiều loại xe có kích cỡ quá tải, môi trường và điều kiện thời tiết xấu, góc đặt máy quay đa dạng v.v… Bên cạnh đó, áp dụng để có thể phát hiện những trường hợp chạy vượt quá tốc độ quy định, nhiều tuyến đường đã được trang bị các hệ thống máy bắn tốc độ sử dụng laser. Thiết bị này có chi phí rất cao, phải bảo trì bảo dưỡng và việc trang bị số lượng nhiều trên nhiều tuyến đường là không khả thi, vì vậy ta có thể tận dụng hình ảnh thu được từ các video giám sát giao thông từ đó sử dụng các phương pháp xử lý ảnh để phát hiện phân tích tính toán tốc độ xe đang là giải pháp tối ưu được nhiều nhà nghiên cứu quan tâm.
Tóm lại, để tăng cường việc giám sát phát hiện, truy vết, xử lý các sai phạm của phương tiện tham gia giao thông qua các camera giám sát đang được trang bị với số lượng lớn trên các con đường khắp cả nước, hướng tiếp cận áp dụng các kỹ thuật thuật toán xử lý ảnh để phát hiện, truy vết và tính toán tốc độ các phương tiện là cần thiết và khả thi với mức chi phí hợp lý. Các nghiên cứu trong nước Ngày nay ở nước ta, các nghiên cứu về vấn đề nhận diện, đo tốc độ xe chuyển động qua camera còn rất nhiều hạn chế do tính phức tạp, mật độ giao thông và ứng dụng vào thực tế. Chủ yếu là tập trung nhiều vào các phương pháp nghiên cứu liên quan về bám đối tượng trong video, dự đoán hướng di chuyển. Hiện nay nhiều bài báo nghiên cứu khoa học có nhiều thành viên tham gia học hỏi nghiên cứu phát triển như: Năm 2015 các tác giả Nguyễn Văn Hùng, Nguyễn Văn Xuất, Lê Mạnh Cường [1] dùng phương pháp một mô hình xác suất có sử dụng hai đặc trưng đó là dựa vào bề mặt và màu sắc để đi tìm đối tượng trong các khung ảnh mới, phương pháp này có theo sát truy vết các đối tượng hiệu quả trong các cảnh khác nhau.
Năm 2016 có nhiều tác giả đưa ra nhiều nghiên cứu điển hình như Lâm Hữu Tuấn, Nguyễn Thị Hồng Nhung, Trần Cao Đệ, Huỳnh Phụng Toàn [2] sử dụng phương pháp xác định tính toán vận tốc chuyển động của các xe từ hình ảnh video với một “khung đo” để nhận biết phát hiện đối tượng chuyển dựa trên phương pháp trừ nền, được ứng dụng phép toán tính trung bình có trọng số để tính toán và đoán hướng di chuyển và vận tốc của đối tượng. Công trình của Viet-Hoa Do và các cộng sự”A simple camera calibration method for vehicle velocity estimation” [3]. Xác định các tham số camera (camera calibration). Mục tiêu của việc này là nhằm xác định được tọa độ thực tế của một pixel trong ảnh thu được bởi camera.
Để thực hiện được điều này, camera cần phải xác định ba thông số sau: độ cao h, góc nghiêng (tilt angle) theta và khoảng cách lấy nét (focus distance) f. Tại hội nghị FAIR 2020 tác giả Vũ Đức Lung và các cộng sự “khảo sát bài toán nhận diện phương tiện và đo tốc độ phương tiện tham gia giao thông” [4]. Trong bài toán này tác giả đã nêu lên được các phương pháp trong việc nhận diện và đo tốc độ phương tiện giao thông. Các nghiên cứu ngoài nước Hiện nay, nhiều nghiên cứu ngoài nước về các kỹ thuật trừ nền, sử dụng camera hỗ trợ trong việc truy vết và camera phân tích xử lý ảnh để đo tốc độ.
Công trình của Jakub Sochor và các cộng sự” Comprehensive Dataset for Automatic Single Camera Visual Speed Measurement” [8]. Nhóm tác giả đề ra 1 tập dataset và đánh giá 1 số phương pháp trên tập dataset này. Các hướng tiếp cận chính: + Dựa trên các line markings: quan sát các line markings. Chỉ áp dụng được khi các line markings này được đặc tả, có hiển thị và nhận diện.
Phương pháp này chỉ giới hạn ở đường nội thành. Và 1 số phương pháp yêu cầu đo đạc con đường cũng là 1 bất lợi + Dựa trên các di chuyển của phương tiện: không cần các line markings. Tuy nhân vẫn chỉ được sử dụng ở đường nội thành nhỏ khi mà các hiệu chỉnh (calibration) cũng tốn rất nhiều thời gian khi phải quan sát các phương tiện + Tính toán thủ công: độ chính xác cao (trên 1 số cases), tuy nhiên phải dừng các phương tiện giao thông để làm phép đo đạc + Dựa trên thống kê các chiều không gian: tính toán trên 2 vanishing point khác nhau" Công trình của Dominik Zapletal và các cộng sự “Vehicle Re- Identification for Automatic Video Traffic Surveillance” nhận diện phương tiện (cột H) với đề xuất (cột F) sử dụng 3D bounding box, chỉ dùng mặt bên và mặt trước của vật thể (ko dùng hình ảnh từ đỉnh xe), sau đó ghép 2 phần lại thành 1 ảnh đại diện cho vật thể đó và trích xuất đặc trưng màu sắc từ ảnh đó * Proposed vehicle Re-ID: dùng linear SVM classifier cho kết quả True positive rate khoảng 60% [9] Công trình của zheng tang, và các cộng sự “single-camera and inter-camera vehicle tracking and 3D speed estimation based on fusion of visual and semantic 8 features” [10] bài báo này tác giả sử dụng 2 phương pháp đơn camera 3D và đa camera để xác định phương tiện, phân loại phương tiện và ước lượng tốc độ. Bài báo được top 1 cuộc thi AI city 2018 Công trình của Ahmad Arinaldiet al “Detection and classification of vehicles for traffic video analytics” Tác giả đề xuất một hệ thống phân tích giao thông dựa trên thị giác máy tính.
Hệ thống có khả năng đếm số phương tiện, phân loại phương tiện, ước lượng tốc độ và theo dõi quá trình sử dụng làn đường. [11] Năm 2019, Fukai Zhang [12] và các cộng sự đã đề xuất mô hình Single-Shot Multibox Detector (SSD) để phát hiện nhận diện các phương tiện tham giao thông và có khả năng nhận dạng phân loại phát hiện nhiều loại phương tiện khác nhau trong thời gian thực. Nhóm tác giả đã ứng dụng nhiều bộ trích xuất đặc trưng khác nhau trong việc xác định các phương tiện, vị trí và phân loại trong cùng một mạng CNN. Để cải tiến hoàn thiện chất lượng, các đặc trưng này được kết hợp với nhau thông qua các thao tác deconvolution và pooling.
Nhóm tác giả cũng tiến hành điều chỉnh các tỷ lệ khác nhau thông qua bounding box để có thể phát hiện các phương tiện có kích thước nhỏ được chính xác hơn. Nhìn chung, hệ thống nhận diện phương tiện giao thông có thể được chia thành 3 phương pháp tiếp cận chính bao gồm: phương pháp dựa trên các đặc trưng chuyển động, phương pháp dựa trên các đặc trưng cấp thấp và phương pháp dựa trên mạng neural. Palacio-Baus [13] từ Đại học Illinois tại Chicago theo dõi đo tốc độ xe và truy vết ô tô trên cao tốc sử dụng thuật toán trừ nền MOG2 từ thư viện OpenCV và các thư viện công cụ khác cho kết quả nhận diện đối tượng tốt. Tại Thái Lan [14] công ty SmartVision Technology với công nghệ (Smart - LPR) đây là một trong số nhiều sản phẩm thương mại, có khả năng đọc biển số xe tự động, theo vết phương tiên, với tốc độ đo tối đa 180 km/h có độ chính xác 85% trở lên.
Công ty Traffiko [15] với nhiều giải pháp vận chuyển thông minh, sáng tạo, cải tiến, cung cấp nhiều ứng dụng vào web để quản lý bãi đỗ xe bằng SaaS thông minh và các ứng dụng dựa trên, thực thi pháp luật liên quan đến giao thông đường phố và ngoài phố thông 9 qua phân tích thời gian hành trình, phân tích kiểm soát truy cập video dựa trên một nền tảng tích hợp. Trong quá trình học, chúng tôi nghiên cứu các bài báo của nước ngoài và các bài báo của Việt Nam. Hầu hết các bài báo của nước ngoài đều đề cập hiệu quả việc phát hiện phương tiện bằng một số giải pháp khác nhau, đặc biệt là học sâu. Ngoài ra, đã có các loại giấy của Việt Nam giải quyết vấn đề này bằng cách xử lý đường viền.
Vì vậy, chúng tôi nhận thấy rằng việc áp dụng phương pháp học sâu để phát hiện phương tiện cho giao thông Việt Nam là cần thiết. 10 Chương 2: CƠ SỞ LÝ THUYẾT Trong chương này luận văn sẽ giới thiệu cơ bản về các khái niệm, đặc trưng và các kỹ thuật từ cơ bản đến nâng cao liên quan đến xử lý hình ảnh và phát hiện đối tượng. Các kỹ thuật hiện tại áp dụng cho hệ thống phát hiện, truy vết đối tượng, đo tốc độ đối tượng và những hạn chế của các kỹ thuật này. Các kỹ thuật xử lý ảnh và nhận diện đối tượng 2.
Tổng quan về một hệ thống xử lý ảnh Việc thu thập xử lý phân tích, nhận dạng hình ảnh là đối tượng nghiên cứu của lĩnh vực thị giác máy, là một quá trình biến đổi từ một ảnh hoặc nhiều ảnh ban đầu sang một ảnh mới với các đặc tính, đặc trưng và luôn tuân theo ý muốn của người sử dụng. Xử lý ảnh có thể gồm nhiều quá trình thu thập phân tích dữ liệu đầu vào nhận từ các camera giám sát, từ phân lớp các đối tượng, làm tăng chất lượng, hoặc giảm, phân đoạn và tách cạnh, thông tin hình ảnh của ảnh ta có thể gán nhãn cho vùng hay quá trình biên dịch. Việc xử lý bộ dữ liệu hình ảnh bằng đồ họa, xử lý ảnh số từ các video là một trong nhiều lĩnh vực của tin học ứng dụng. Một cấu trúc dữ liệu và được tạo bởi nhiều chương trình ta xem như là các tập dữ liệu hình ảnh.
Xử lý ảnh nhân tạo bằng nhiều tập dữ liệu đồ họa đề cập đến, Các kỹ thuật xử lý ảnh số là tập hợp nhiều phương pháp và kỹ thuật biến đổi, truyền tải hoặc mã hóa các ảnh tự nhiên. Mục đích của việc xử lý ảnh gồm: Biến đổi ảnh làm giảm chất lượng ảnh hoặc tăng chất lượng ảnh. Tự động đón nhận ảnh, nhận dạng ảnh, đánh giá lại các nội dung của ảnh.