Luận Văn Thạc Sĩ Khoa Học Máy Tính: Phương Pháp Ước Lượng Mật Độ Giao Thông Dựa Trên Video Quan Sát

Luận văn thạc sĩ khoa học máy tính nghiên cứu phương pháp ước lượng mật độ giao thông từ video quan sát, ứng dụng công nghệ xử lý hình ảnh hiệu quả.

• Tác giả: Huỳnh Chí Kiên
• Người hướng dẫn: TS. Lê Thành Sách
• Trường học: Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Ước lượng mật độ giao thông dựa vào video quan sát
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Ý nghĩa của đề tài
• 1.2. Phạm vi của đề tài
• 1.3. Bố cục luận văn
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 2.1. Tổng quan về các hướng ước lượng số lượng, mật độ vật thể
• 2.2. Các phương pháp ước lượng gián tiếp
• 2.3. Các phương pháp ước lượng trực tiếp
• 2.4. Mô hình SSD
• 2.4.1. Huấn luyện với SSD
• 2.4.2. Kiểm thử với SSD
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Tích chập trong miền rời rạc
• 3.2. Vector gradient trên ảnh. Histogram of oriented gradient
• 3.3. Gom cụm K-Means
• 3.4. Mô hình hồi qui least square support vector machine
• 3.5. Convolutional neural network
• 4. CHƯƠNG 4: PHƯƠNG PHÁP ĐỀ XUẤT
• 4.1. Phương pháp ước lượng gián tiếp đề xuất
• 4.2. Phương pháp ước lượng trực tiếp đề xuất
• 5. CHƯƠNG 5: CÁC PHƯƠNG PHÁP ĐỐI SÁNH
• 5.1. Các phương pháp gián tiếp
• 5.1.1. Phương pháp Lempitsky-Zisserman
• 5.1.2. Phương pháp của Donatello Conte và các cộng sự
• 5.1.3. Phương pháp của Qing Wen và các cộng sự
• 5.2. Các phương pháp trực tiếp
• 5.2.1. Histogram of oriented gradient
• 5.2.2. Phương pháp của Jinchen Wu và các cộng sự
• 5.2.3. Phát hiện sử dụng mạng CNN lan truyền xuôi
• 6. CHƯƠNG 6: THÍ NGHIỆM
• 6.1. Quá trình thí nghiệm
• 6.1.1. Các phương pháp ước lượng gián tiếp
• 6.1.2. Các phương pháp ước lượng trực tiếp
• 6.2. Tiêu chí đánh giá
• 6.2.1. Đánh giá các phương pháp ước lượng gián tiếp
• 6.2.2. Đánh giá các phương pháp ước lượng trực tiếp
• 6.3. Dữ liệu đánh giá
• 6.3.1. Dữ liệu đánh giá cho các phương pháp ước lượng gián tiếp
• 6.3.2. Dữ liệu đánh giá cho các phương pháp ước lượng trực tiếp
• 6.4. Cài đặt thí nghiệm
• 6.4.1. Ước lượng gián tiếp
• 6.4.2. Ước lượng trực tiếp
• 6.5. Kết quả thí nghiệm
• 6.5.1. Kết quả cho các mô hình ước lượng gián tiếp
• 6.5.2. Kết quả cho các mô hình ước lượng trực tiếp
• 7. CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC BÀI BÁO KHOA HỌC

Tóm tắt

I. Giới thiệu

Luận văn thạc sĩ này tập trung vào việc ước lượng mật độ giao thông từ video quan sát, một vấn đề cấp thiết tại các thành phố lớn như TP. Hồ Chí Minh. Với sự gia tăng dân số và hạ tầng giao thông không đáp ứng kịp, việc áp dụng công nghệ thông tin và trí tuệ nhân tạo vào quản lý giao thông trở nên quan trọng. Thị giác máy tính và học máy là các công cụ chính được sử dụng để phân tích và ước lượng mật độ phương tiện, đặc biệt là xe máy, chiếm đa số tại Việt Nam.

1.1. Bối cảnh và mục tiêu

Luận văn thạc sĩ khoa học máy tính này nhằm giải quyết vấn đề giao thông tại các đô thị lớn bằng cách sử dụng video quan sát để ước lượng mật độ phương tiện. Mục tiêu chính là đề xuất các phương pháp ước lượng phù hợp với điều kiện giao thông tại Việt Nam, nơi xe máy chiếm tỷ lệ cao. Các phương pháp này sẽ được thử nghiệm trên dữ liệu giao thông thực tế để đảm bảo tính khả thi và hiệu quả.

1.2. Ý nghĩa thực tiễn và khoa học

Luận văn không chỉ có ý nghĩa thực tiễn trong việc tự động hóa quá trình quản lý giao thông mà còn đóng góp vào lĩnh vực khoa học máy tính bằng cách phát triển các mô hình toán học và thuật toán mới. Các phương pháp đề xuất có thể được tích hợp vào hệ thống giám sát giao thông thông minh, hỗ trợ công tác thống kê và quy hoạch đô thị.

II. Cơ sở lý thuyết và phương pháp

Luận văn sử dụng các kỹ thuật xử lý hình ảnh và học máy để phân tích video quan sát. Các phương pháp chính bao gồm phân tích video, xử lý dữ liệu, và ước lượng mật độ dựa trên các mô hình toán học và thuật toán tiên tiến. Các phương pháp này được đánh giá trên dữ liệu giao thông thực tế để đảm bảo tính chính xác và ổn định.

2.1. Phương pháp ước lượng gián tiếp

Phương pháp này sử dụng các đặc trưng toàn cục từ video quan sát để ước lượng mật độ phương tiện. Các thuật toán như Histogram of Oriented Gradient (HOG) và Convolutional Neural Network (CNN) được áp dụng để trích xuất thông tin từ hình ảnh. Kết quả thử nghiệm cho thấy phương pháp này có độ chính xác cao và ổn định trong các điều kiện giao thông phức tạp.

2.2. Phương pháp ước lượng trực tiếp

Phương pháp trực tiếp tập trung vào việc đếm số lượng phương tiện từng khung hình trong video quan sát. Các thuật toán như Single-Shot Multibox Detector (SSD) và You Only Look Once (YOLO) được sử dụng để phát hiện và đếm xe máy. Phương pháp này đặc biệt hiệu quả trong việc xử lý các tình huống giao thông đông đúc và hỗn loạn.

III. Thí nghiệm và kết quả

Các phương pháp đề xuất được thử nghiệm trên dữ liệu giao thông thực tế tại TP. Hồ Chí Minh. Kết quả cho thấy các phương pháp này không chỉ chính xác mà còn ổn định trong các điều kiện giao thông khác nhau. Phân tích dữ liệu và đánh giá kết quả được thực hiện để so sánh hiệu quả của các phương pháp.

3.1. Quá trình thí nghiệm

Các phương pháp ước lượng được thử nghiệm trên hai tập dữ liệu chính: tập A và tập B. Tập A bao gồm các video giao thông tại các tuyến đường chính, trong khi tập B tập trung vào các khu vực đông đúc. Các thuật toán được đánh giá dựa trên độ chính xác và thời gian xử lý.

3.2. Kết quả và đánh giá

Kết quả thí nghiệm cho thấy các phương pháp đề xuất đạt độ chính xác cao, đặc biệt là trong việc ước lượng mật độ xe máy. Phương pháp SSD và YOLO cho kết quả tốt nhất trong việc phát hiện và đếm phương tiện. Các phương pháp này có thể được tích hợp vào hệ thống giám sát giao thông thông minh để cải thiện hiệu quả quản lý.

IV. Kết luận và hướng phát triển

Luận văn thạc sĩ đã đề xuất và thử nghiệm thành công các phương pháp ước lượng mật độ giao thông từ video quan sát. Các phương pháp này không chỉ phù hợp với điều kiện giao thông tại Việt Nam mà còn có tiềm năng ứng dụng rộng rãi trong các hệ thống giám sát và quản lý giao thông thông minh. Hướng phát triển trong tương lai bao gồm cải thiện độ chính xác và tích hợp các phương pháp này vào các hệ thống thực tế.

4.1. Kết luận

Các phương pháp đề xuất trong luận văn đã chứng minh tính khả thi và hiệu quả trong việc ước lượng mật độ giao thông. Các thuật toán và mô hình toán học được sử dụng đã đạt được độ chính xác cao và ổn định trong các điều kiện giao thông phức tạp.

4.2. Hướng phát triển

Trong tương lai, các phương pháp này có thể được cải thiện bằng cách tích hợp thêm các công nghệ học sâu và xử lý dữ liệu tiên tiến. Việc tích hợp vào các hệ thống giám sát thực tế sẽ giúp cải thiện hiệu quả quản lý giao thông tại các đô thị lớn.

Nội dung chính

Tổng quan nghiên cứu

Trong những năm gần đây, tình trạng giao thông tại các thành phố lớn như Thành phố Hồ Chí Minh ngày càng trở nên phức tạp, đặc biệt trong giờ cao điểm khi các tuyến đường thường xuyên bị ùn tắc. Theo ước tính, dân số TP. Hồ Chí Minh đã đạt khoảng 7,95 triệu người và dự báo sẽ tăng lên 10 triệu vào năm 2020. Nguyên nhân chính của tình trạng này là do dân số quá tải so với khả năng chịu tải của cơ sở hạ tầng giao thông hiện có. Trước khi các dự án nâng cấp hạ tầng được triển khai, việc áp dụng các giải pháp công nghệ nhằm giảm thiểu ùn tắc giao thông là rất cần thiết.

Một trong những hướng tiếp cận hiệu quả được nhiều quốc gia phát triển áp dụng là tích hợp hệ thống giao thông thông minh (ITS) sử dụng công nghệ thị giác máy tính để ước lượng mật độ và số lượng phương tiện giao thông. Các hệ thống này có thể dựa trên dữ liệu GPS, cảm biến vô tuyến hoặc video quan sát. Trong đó, phương pháp dựa trên video quan sát có ưu điểm cung cấp thông tin trực quan, đa dạng và có thể phát triển thêm các ứng dụng phức tạp như theo dõi phương tiện, dự báo tai nạn, kiểm tra vi phạm giao thông.

Tuy nhiên, tại Việt Nam, đặc thù giao thông với lượng xe máy chiếm đa số tạo ra nhiều thách thức cho việc áp dụng các hệ thống ITS hiện có trên thế giới, vốn chủ yếu tập trung vào xe ô tô. Do đó, nghiên cứu này tập trung tìm hiểu, thử nghiệm và đề xuất các phương pháp ước lượng mật độ giao thông dựa trên video quan sát phù hợp với điều kiện giao thông Việt Nam, đặc biệt là đối tượng xe máy. Phạm vi nghiên cứu tập trung vào dữ liệu video quan sát tại TP. Hồ Chí Minh trong điều kiện ánh sáng ban ngày, không mưa, với góc nhìn cố định từ một camera.

Mục tiêu chính của luận văn là phát triển và đánh giá các phương pháp ước lượng mật độ giao thông có độ chính xác cao, ổn định, phù hợp với môi trường giao thông Việt Nam, từ đó làm nền tảng cho các hệ thống giao thông thông minh trong tương lai. Việc này không chỉ góp phần tự động hóa công tác giám sát giao thông mà còn hỗ trợ công tác quy hoạch đô thị và thiết kế hạ tầng giao thông hiệu quả hơn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nhóm lý thuyết chính trong lĩnh vực thị giác máy tính và học máy:

1. Các phương pháp ước lượng mật độ giao thông:

   • Ước lượng gián tiếp: Dựa trên việc rút trích các đặc trưng toàn cục của ảnh như histogram of oriented gradient (HOG), grey level co-occurrence matrix (GLCM), local binary pattern (LBP), và sử dụng các mô hình hồi quy hoặc máy học để ước lượng số lượng phương tiện mà không cần xác định vị trí cụ thể. Ưu điểm là kháng che khuất tốt và tốc độ xử lý nhanh.
   • Ước lượng trực tiếp: Dựa trên phát hiện và phân loại từng đối tượng trong ảnh bằng các mô hình học sâu như mạng nơ-ron tích chập (CNN), đặc biệt là mô hình Single-shot multibox detector (SSD). Phương pháp này cho phép xác định vị trí, kích thước và số lượng phương tiện, hỗ trợ các ứng dụng phức tạp hơn.

2. Mô hình học sâu SSD (Single-shot multibox detector):
   SSD là mô hình phát hiện đối tượng trong ảnh sử dụng mạng CNN kết hợp các lớp tích chập bổ sung để phát hiện các đối tượng ở nhiều kích thước khác nhau. Mạng SSD sử dụng mạng VGG-16 làm mạng nền tảng, loại bỏ các lớp fully connected để phù hợp với kích thước ảnh đầu vào lớn hơn. Quá trình huấn luyện SSD dựa trên tối ưu hóa hàm mất mát kết hợp giữa phân loại và hồi quy vị trí khung bao đối tượng.

Các khái niệm chuyên ngành được sử dụng bao gồm:

• Histogram of Oriented Gradient (HOG): Đặc trưng mô tả hướng cạnh trong ảnh.
• Grey Level Co-occurrence Matrix (GLCM): Ma trận thống kê mô tả sự tương quan giữa các mức xám trong ảnh.
• Local Binary Pattern (LBP): Đặc trưng mô tả cấu trúc kết cấu ảnh.
• Convolutional Neural Network (CNN): Mạng nơ-ron tích chập dùng để trích xuất đặc trưng và phân loại ảnh.
• Anchor boxes (khung neo): Các khung chuẩn dùng trong SSD để dự đoán vị trí đối tượng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các video quan sát giao thông thực tế tại TP. Hồ Chí Minh, tập trung vào các đoạn đường đông đúc với lượng xe máy lớn. Dữ liệu được thu thập trong điều kiện ánh sáng ban ngày, không mưa, với góc nhìn cố định từ một camera.

Phương pháp nghiên cứu bao gồm:

• Thu thập và chuẩn bị dữ liệu video, bao gồm việc gán nhãn khung bao cho các phương tiện trong ảnh để làm chuẩn vàng.
• Thử nghiệm các phương pháp ước lượng mật độ giao thông theo hai hướng: gián tiếp (dựa trên đặc trưng toàn cục và hồi quy) và trực tiếp (dựa trên phát hiện đối tượng bằng mạng SSD).
• Sử dụng các thuật toán xử lý ảnh như hiệu số nền, chuẩn hóa phối cảnh để cải thiện chất lượng đặc trưng.
• Huấn luyện mô hình SSD dựa trên mạng VGG-16 với tập dữ liệu đã gán nhãn, sử dụng thuật toán lan truyền ngược để tối ưu hàm mất mát kết hợp phân loại và hồi quy vị trí.
• Đánh giá kết quả bằng các chỉ số như độ chính xác, độ ổn định trên các tập dữ liệu thử nghiệm.

Cỡ mẫu nghiên cứu bao gồm khoảng 1000 ảnh được chọn từ các video quan sát, với các phương tiện được đánh dấu khung bao thủ công để làm chuẩn vàng. Phương pháp chọn mẫu là chọn ngẫu nhiên các khung hình đại diện cho các tình huống giao thông khác nhau nhằm đảm bảo tính đa dạng và đại diện.

Timeline nghiên cứu kéo dài từ tháng 1 đến tháng 12 năm 2016, bao gồm các giai đoạn thu thập dữ liệu, phát triển mô hình, huấn luyện, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của phương pháp ước lượng gián tiếp:
   Các phương pháp dựa trên đặc trưng toàn cục như HOG, GLCM và LBP cho kết quả ước lượng số lượng xe máy với độ chính xác khoảng 85-90% trên tập dữ liệu thử nghiệm. Phương pháp này có ưu điểm xử lý nhanh, kháng che khuất tốt nhưng chỉ cung cấp thông tin tổng số lượng mà không xác định vị trí cụ thể của phương tiện.

2. Ước lượng trực tiếp bằng mô hình SSD:
   Mô hình SSD với mạng VGG-16 được huấn luyện trên tập dữ liệu thực tế đạt độ chính xác phát hiện xe máy lên đến 92%, với khả năng xác định vị trí và kích thước khung bao chính xác. So với các phương pháp truyền thống, SSD cho phép phát hiện nhiều đối tượng trong điều kiện giao thông đông đúc và che khuất phức tạp.

3. So sánh độ ổn định giữa các phương pháp:
   Phương pháp SSD thể hiện độ ổn định cao hơn khi xử lý các tình huống giao thông phức tạp, với sai số trung bình thấp hơn 15% so với các phương pháp gián tiếp. Điều này cho thấy khả năng ứng dụng thực tế của SSD trong các hệ thống giao thông thông minh.

4. Ảnh hưởng của điều kiện phối cảnh và ánh sáng:
   Các phương pháp đều yêu cầu chuẩn hóa phối cảnh để giảm thiểu sai số do góc nhìn camera. Điều kiện ánh sáng ban ngày ổn định giúp cải thiện độ chính xác, trong khi các điều kiện ánh sáng yếu hoặc mưa chưa được nghiên cứu sâu trong luận văn.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy sự phát triển vượt bậc của các phương pháp học sâu, đặc biệt là mô hình SSD, trong việc phát hiện và ước lượng mật độ giao thông dựa trên video quan sát. So với các phương pháp truyền thống dựa trên đặc trưng toàn cục, SSD không chỉ cung cấp số lượng mà còn xác định chính xác vị trí từng phương tiện, hỗ trợ các ứng dụng nâng cao như theo dõi, dự báo tai nạn.

Nguyên nhân chính của sự khác biệt này là khả năng tự động trích xuất đặc trưng phức tạp và học được các mẫu hình ảnh đặc trưng của xe máy trong điều kiện giao thông Việt Nam, vốn có nhiều đặc thù như mật độ cao, che khuất phức tạp. Việc sử dụng mạng VGG-16 làm nền tảng giúp tận dụng kiến trúc mạng đã được huấn luyện trên tập dữ liệu lớn, tăng hiệu quả học tập.

So với các nghiên cứu quốc tế tập trung vào xe ô tô, nghiên cứu này đóng góp quan trọng khi tập trung vào xe máy – phương tiện chiếm đa số tại Việt Nam. Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác và sai số trung bình của các phương pháp, cũng như bảng thống kê chi tiết kết quả trên từng tập dữ liệu.

Tuy nhiên, nghiên cứu còn hạn chế ở phạm vi điều kiện ánh sáng và môi trường, chưa mở rộng cho các tình huống ban đêm hoặc thời tiết xấu. Ngoài ra, việc huấn luyện mô hình SSD đòi hỏi dữ liệu gán nhãn công phu và tài nguyên tính toán lớn.

Đề xuất và khuyến nghị

1. Triển khai hệ thống ước lượng mật độ giao thông dựa trên mô hình SSD tại các điểm nóng giao thông:

   • Mục tiêu: Giám sát và phân tích mật độ xe máy theo thời gian thực.
   • Thời gian: Triển khai thử nghiệm trong 6 tháng.
   • Chủ thể thực hiện: Sở Giao thông Vận tải phối hợp với các đơn vị công nghệ.

2. Mở rộng thu thập và gán nhãn dữ liệu trong các điều kiện ánh sáng và thời tiết khác nhau:

   • Mục tiêu: Nâng cao độ chính xác và khả năng ứng dụng của mô hình trong mọi điều kiện.
   • Thời gian: 12 tháng.
   • Chủ thể thực hiện: Các nhóm nghiên cứu và trung tâm dữ liệu giao thông.

3. Phát triển các thuật toán tiền xử lý ảnh nâng cao để giảm ảnh hưởng của che khuất và phối cảnh:

   • Mục tiêu: Cải thiện độ chính xác phát hiện trong môi trường giao thông phức tạp.
   • Thời gian: 9 tháng.
   • Chủ thể thực hiện: Các viện nghiên cứu công nghệ và trường đại học.

4. Tích hợp hệ thống ước lượng mật độ vào các nền tảng giao thông thông minh hiện có:

   • Mục tiêu: Hỗ trợ điều tiết giao thông, cảnh báo ùn tắc và tai nạn.
   • Thời gian: 12-18 tháng.
   • Chủ thể thực hiện: Các cơ quan quản lý giao thông và doanh nghiệp công nghệ.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý và hoạch định chính sách giao thông:

   • Lợi ích: Hiểu rõ các công nghệ mới trong giám sát và điều tiết giao thông, hỗ trợ ra quyết định dựa trên dữ liệu thực tế.
   • Use case: Lập kế hoạch nâng cấp hạ tầng và triển khai hệ thống giao thông thông minh.

2. Các nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Thị giác Máy tính:

   • Lợi ích: Nắm bắt các phương pháp học máy và xử lý ảnh ứng dụng trong giao thông, đặc biệt là mô hình SSD.
   • Use case: Phát triển các đề tài nghiên cứu liên quan hoặc ứng dụng thực tế.

3. Doanh nghiệp công nghệ phát triển giải pháp giao thông thông minh:

   • Lợi ích: Tham khảo các phương pháp và mô hình phù hợp với điều kiện giao thông Việt Nam để phát triển sản phẩm.
   • Use case: Tích hợp hệ thống ước lượng mật độ vào phần mềm giám sát giao thông.

4. Cơ quan quản lý giao thông và cảnh sát giao thông:

   • Lợi ích: Tự động hóa công tác giám sát, giảm thiểu nhân lực và nâng cao hiệu quả xử lý tình trạng ùn tắc.
   • Use case: Ứng dụng hệ thống cảnh báo và phân tích mật độ giao thông theo thời gian thực.

Câu hỏi thường gặp

1. Phương pháp ước lượng mật độ giao thông dựa trên video quan sát có ưu điểm gì so với các phương pháp khác?
   Phương pháp này cung cấp thông tin trực quan, đa dạng và có thể phát triển thêm các ứng dụng như theo dõi, dự báo tai nạn. So với GPS hay cảm biến vô tuyến, video quan sát không phụ thuộc vào thiết bị của người dùng và có thể áp dụng rộng rãi tại các điểm cố định.

2. Tại sao mô hình SSD được lựa chọn trong nghiên cứu này?
   SSD có khả năng phát hiện đối tượng trong ảnh với độ chính xác cao và tốc độ xử lý nhanh nhờ tích hợp các bước trích xuất đặc trưng và phân loại trong một mạng duy nhất. Điều này phù hợp với yêu cầu xử lý thời gian thực trong giám sát giao thông.

3. Làm thế nào để mô hình SSD xử lý các đối tượng có kích thước khác nhau?
   SSD sử dụng các lớp tích chập bổ sung trên các bản đồ đặc trưng có kích thước khác nhau, kết hợp với các khung neo (anchor boxes) đa dạng về tỷ lệ và kích thước, giúp phát hiện chính xác các đối tượng lớn nhỏ khác nhau.

4. Phương pháp ước lượng gián tiếp có thể áp dụng trong những trường hợp nào?
   Phương pháp gián tiếp phù hợp với các ứng dụng cần ước lượng tổng số lượng phương tiện nhanh chóng, không yêu cầu xác định vị trí cụ thể, ví dụ như thống kê lưu lượng giao thông hoặc cảnh báo mật độ cao.

5. Những thách thức chính khi áp dụng các phương pháp này tại Việt Nam là gì?
   Thách thức lớn nhất là đặc thù giao thông với mật độ xe máy cao, che khuất phức tạp và điều kiện ánh sáng thay đổi. Ngoài ra, việc chuẩn hóa phối cảnh và thu thập dữ liệu gán nhãn công phu cũng là những khó khăn cần giải quyết.

Kết luận

• Luận văn đã nghiên cứu và đánh giá các phương pháp ước lượng mật độ giao thông dựa trên video quan sát, tập trung vào đối tượng xe máy tại TP. Hồ Chí Minh.
• Phương pháp ước lượng trực tiếp sử dụng mô hình SSD đạt độ chính xác và độ ổn định cao hơn so với các phương pháp gián tiếp truyền thống.
• Nghiên cứu góp phần phát triển các giải pháp công nghệ phù hợp với đặc thù giao thông Việt Nam, làm nền tảng cho các hệ thống giao thông thông minh trong tương lai.
• Các kết quả thử nghiệm được thực hiện trên khoảng 1000 ảnh với dữ liệu thực tế, đảm bảo tính đại diện và độ tin cậy.
• Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng dữ liệu, cải tiến thuật toán tiền xử lý và tích hợp hệ thống vào thực tế nhằm nâng cao hiệu quả quản lý giao thông.

Để tiếp tục phát triển, các nhà nghiên cứu và đơn vị quản lý giao thông nên phối hợp triển khai thử nghiệm thực tế, đồng thời mở rộng phạm vi nghiên cứu sang các điều kiện ánh sáng và thời tiết đa dạng hơn. Hành động ngay hôm nay sẽ góp phần giảm thiểu ùn tắc, nâng cao chất lượng cuộc sống cho người dân đô thị.

Trích đoạn nội dung tài liệu

ĐẠI HOC QUOC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA HUỲNH CHÍ KIÊN ƯỚC LƯỢNG MẬT ĐỘ GIAO THÔNG DỰA VÀO VIDEO QUAN SÁT Ngành: Khoa học Máy tính Mã số: 60.01 LUẬN VÁN THẠC SĨ TP. HO CHI MINH, tháng 12 năm 2016 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BACH KHOA -DHQG -HCM Cán bộ hướng dẫn khoa học: TS. Lê Thành Sách .-- 2s s££+s+ Cán bộ chấm nhận xét 1: TS.

Nguyễn Đức Dũng .--5-565scscsẻ Cán bộ chấm nhận xét 2: PGS. Trần Minh Triết.---s s55: Luận văn thạc sĩ được bảo vệ tai Trường Dai học Bách Khoa, DHQG Tp. HCM ngày 28 tháng 12 năm 2016. Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1.

Phạm Hoàng Anh 3. Nguyễn Đức Dũng 4. Trần Minh Triết 5. Nguyễn Văn Sinh Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nêu có).

CHỦ TỊCH HỘI ĐÔNG TRƯỞNG KHOA KHOA HỌC & KỸ THUAT MAY TÍNH ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRUONG ĐẠI HOC BACH KHOA Độc lập - Tự do - Hanh phúc NHIEM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Huynh Chí Kiên. Ngày, tháng, năm sinh: I3/11/1991.-<<+55- Nơi sinh: Mỹ Tho, Tiền Giang Ngành: Khoa học Máy tính. TÊN DE TÀI: Xác định mật độ giao thông từ video quan sát. NHIEM VỤ VÀ NỘI DUNG: 1.

Tim hiểu các phương pháp ước lượng số lượng hoặc mật độ phương tiện giao thông phù hợp cho điều kiện tại Việt Nam. Ưu tiên tìm các giải pháp hoạt động được cho xe máy. Phân tích được các ưu, nhược điểm của các phương pháp, hướng tiếp cận cho vân đê. Tiến hành thí nghiệm và đánh giá kết quả của các phương pháp trên dữ liệu thực tế.

Đề xuất phương pháp thực tiễn cho môi trường giao thông ở Việt Nam. NGÀY GIAO NHIỆM VỤ: 11/01/20 16. SE 2E121215E 11x EEEEEEEerererererrree IV. NGÀY HOÀN THÀNH NHIỆM VU: 02/12/2016.

CÁN BO HUONG DAN (Ghi rõ học hàm, học vị, họ, tên): TS. Lê Thành Sách. HCM, ngày tháng năm 2016 CÁN BỘ HƯỚNG DÂN TRƯỞNG KHOA KH & KTMT (Họ tên và chữ ký) (Họ tên và chữ ký) LOI CAM ON Trong suốt thời gian học chương trình cao học tại Dai hoc Bach Khoa thành phố Hồ Chí Minh, đặc biệt là giai đoạn làm luận văn tốt nghiệp, tôi đã nhận được rat nhiều sự quan tâm, động viên, giúp đỡ của gia đình, thay cô, ban bè. Trước hết, tôi xin gửi lời cảm ơn sâu sac đến gia đình mình, đặc biệt là mẹ mình.

Mẹ là người luôn bên tôi những lúc khó khăn nhất, mẹ đã hi sinh, vất vả rất nhiều để tôi có được cuộc sống no du dé học tập ở một trường đại học xa quê. Mẹ đã cho tôi nguon động lực mạnh dé nỗ lực vươn lên học tập thật tốt. Tiếp theo tôi xin gửi lời cảm ơn chân thành nhất đến thầy hướng dẫn của tôi, Tiến sĩ Lê Thành Sách, là người đã định hướng và diu dat tôi từ những bước đâu tiên, thay luôn quan tâm, chỉ cho tôi cách nhìn và hướng giải quyết van dé một cách rõ rang, chính xác để tôi hoàn thành tốt luận văn. Tôi cũng xin gửi lời cám ơn đến các thầy cô đã giảng dạy cho tôi trong suốt thời gian cao học, những người đã trang bị cho tôi các kiến thức, kĩ năng quý báu và cân thiệt cho con đường phía trước của tôi.

Cuối cùng tôi xin cảm ơn trường Đại học Bach Khoa thành phố Hồ Chí Minh, tất cả các thây cô, các bạn sinh viên, đã tạo cho tôi một môi trường học tập thật tốt, thật hào hứng, thật ý nghĩa. Một lân nữa, tôi xin chân thành cảm ơn! Huỳnh Chí Kiên 5/12/2016 TOM TAT LUẬN VĂN Trong những năm gan đây, vấn đề về giao thông luôn là dé tài nhức nhói của nhiều người dân tại các thành phố lớn. Nguyên nhân chủ yếu của van nạn nay năm ở dân số quá tải so với sức chứa của cơ sở hạ tầng. Hiện tại, trước khi các thành phó kip nâng cấp cơ sở hạ tầng dé đáp ứng được lượng người dân mỗi năm một tăng, nhiều giải pháp đã và đang được đưa ra dé làm giảm bớt tình trạng căng thắng trong giao thông.

Có rất nhiều hướng tiếp cận cho van dé này, nhưng một trong các hướng giải quyết đang được sử dụng trên một số nước tiên tiến trên thế giới là tích hợp các hệ thống giao thông thông minh vào cơ sở hạ tầng. Có nhiều loại hệ thống giao thông thông minh, một trong số chúng là khai thác thông tin về mật độ, số lượng phương tiện di chuyển để phân tích và gửi cho người dùng. Dé có thé làm được điều này, các hệ thông có thé nhờ đến thông tin GPS, dựa vào các thiết bị cảm biến vô tuyến, hoặc dựa vào thi giác máy tính. Trong các hướng đi, thị giác máy tính có nhiều tiềm năng vì nó có thể cung cấp thông tin trực quan, đa dạng.

Một hệ thống ước lượng mật độ phương tiện bằng thị giác máy tính có thé được phát triển lên cho các mục đích phức tạp hơn như theo vết, dự báo tai nạn, xem xét hành vi lái xe phạm luật, v. Trước đây, do phân cứng máy tính cùng với việc các phương pháp thị giác máy tính chưa phát triển đủ mạnh nên các giải thuật theo hướng này chưa được sử dụng nhiều trong các hệ thống thực tế. Tuy nhiên, trong những năm gan đây, với sự hỗ trợ mạnh mẽ từ các công cụ phần cứng như GPU cùng với sự tiến bộ vượt bậc của các phương pháp thị giác máy tính, việc phát triển một hệ thống ước lượng mật độ giao thông dựa vào video quan sát trở nên khả thi hơn bao giờ hết. Dù có nhiều hệ thống giao thông thông minh dùng thị giác máy tính đã xuất hiện trên thế giới, nhưng số lượng các hệ thống tập trung vào đối tượng xe máy là cực kỳ ít.

Trong khi đó, tại Việt Nam, lượng xe máy rất đông khiến cho việc áp dụng các hệ thông sẵn có trên thê giới là khá khó khăn. Vì vậy, can có những nghiên cứu cụ thé, ill thiết thực để xác định các phương pháp khả thi trong điều kiện giao thông ở Việt Nam. Trong dé tài này, một số phương pháp ước lượng số lượng phương tiện giao thông được dé xuất và đánh giá trên các tập dữ liệu thực tế. Dữ liệu đánh giá cho thấy khả năng hoạt động của các phương pháp dé xuất không chỉ chính xác mà còn ổn định.

Các phương pháp dé xuất có thé dé dàng được tích hợp vào các hệ thống thực tế và giúp ích cho nhiều ứng dụng giao thông khác nhau. IV ABSTRACT In recent years, traffic problems have been causing many troubles among citizens in large-scale cities. The situation can only be worsened since the population in these areas will keep rising. Existing infrastructures can’t be developed fast enough to handle incoming people.

Before they can be built, many solutions have been proposed to mitigate traffic problems. Among many approaches to the problem, an intuitive and practical solution has been successfully used in some countries: integrating an intelligent traffic system (ITS) into the infrastructure. Many kinds of ITS exist, one of them is aimed for finding the traffic density at given locations. By finding such information, the system can signal drivers where traffic might be stuck and recommend them to avoid those.

Obviously, there are also many ways to tackle this density estimation problem. Some system takes advantage of GPS data from users’ devices, others use wireless sensors to verify vehicles’ appearance. However, one emerging solution is to use computer vision techniques in an ITS. These techniques do not only allow us to know how many vehicles present in a scene, they are also the basic requirements to develop more sophisticated systems such as tracking, accident warning, traffic violation verification, etc.

Previously, due to the lack of computing power and the immature development of the fields, ITS that uses computer vision is usually frown upon. However, with the help of specialized devices such as GPU and the exponential growth of relevant methods, an ITS based on computer vision is now a possibility, potentially outperforms other rivalry systems. There might be many ITS being used around the world; however, few of them focus on the scenario where there are a lot of motorbikes. In contrast, a vast majority of vehicles in Vietnam are motorbike.

Directly bringing an existing system from another country to Vietnam might not be possible without thorough investigation and experiments. Therefore, research needs to be conducted to find a suitable solution that can work in the country. In this thesis, robust methods are proposed and tested as a solution for counting motorbike in dense traffic. Experimental results show that they can work in difficult cases and achieve high accuracy.

With minor adjustment, these methods can be used as the cores of an ITS, mitigating traffic problems in Vietnam. VỊ LỜI CAM ĐOAN Luận văn của tôi có tham khảo các tài liệu, bài báo, trang web như được trình bày ở mục tài liệu tham khảo và ở mỗi tham khảo tôi đều trích dẫn nguồn gốc. Tôi xin cam đoan răng ngoài những trích dẫn từ các tham khảo trên, toàn bộ nội dung trong báo cáo là do tôi tự soạn thảo từ những kết quả nghiên cứu của riêng tôi, không sao chép từ bat ki tài liệu nào khác. Tôi sẽ hoàn toàn chịu xử lí theo qui định nêu có bât cứ sai phạm nào so với lời cam kết.

Huỳnh Chí Kiên il MỤC LỤC LOI CẢM ƠN. ST 2111211101211 110111 11111 n1 11 H11 111gr sa i LOI CAM ĐOAN. - c1 1 11121121211 111111111 1111111 11 n1 1 1tr gu ii TOM TAT LUẬN VĂN. 5c c1 2111111101111 1111111 1 111 n1 n1 ng ra iii ABSTRACTT.

5c s11 11 1112111011111 1111 1111 n1 n1 111 111 111gr ru Vv 10/9092 vii DANH MỤC HÌNH. - 15c 1 E1211121111211211111Ẹ11111111 11 111 111 1 1111 x DANH MỤC BẢNG. 1 c1 1111121 11111111121 111211 111 11111 trai xii DANH MỤC CÁC TU VIET TẮT. 52k St SE E11211112112111211121111 E111 11t te.xiii CHUGONG 1: TONG QUAN 1 ằ.2 Ý nghĩa của dé tài.

Phạm vi của dé tài.4 Bố cục luận văn. - ST HT 11T 1115115151151 51 15 81T E5 TH na rei 4 CHUONG 2: CAC CÔNG TRÌNH NGHIÊN CUU LIEN QUAN.1 Tổng quan về các hướng ước lượng số lượng, mật độ vat thé .2_ Các phương pháp ước lượng gián tiẾp.3 Các phương pháp ước lượng trực ti€p oo.4 Mô hình SSD [66].1 Huấn luyện với SSD.2 Kiểm thử với SSD.-c t1 111111111111 1111211111111 ereg 36 CHƯƠNG3: CO SỞ LÝ THUYÊT.1 Tích chập trong mién rời rạc. 5+ + tt EESEEE2EEEEEEEE2EEEEEEEEkrkerrred 37 3.2 Vector gradient trên ảnh. Histogram of oriented gradient [3 Ï].4 Gom cụm K-Im€aä'S.

LG - - CC 1112111011113 1111111 1111 11k tk cu 40 3.6 Mô hình hôi qui least square support vector machine.7 Convolutional neural network .c- c1 3+2 11322 xe vei 44 CHUONG 4: PHƯƠNG PHAP DE XUẤTT.