Luận Văn Thạc Sĩ Kỹ Thuật Điện Tử: Nghiên Cứu Và Xây Dựng Hệ Thống Phát Hiện Làn Đường Và Vật Cản

Luận văn thạc sĩ kỹ thuật điện tử tập trung xây dựng hệ thống phát hiện làn đường và vật cản, ứng dụng công nghệ tiên tiến trong giao thông thông minh.

• Tác giả: Đồng Ngọc Minh Công
• Người hướng dẫn: TS. Trần Hoàng Linh
• Trường học: Đại học Quốc gia TP.HCM
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Xây dựng hệ thống phát hiện làn đường và vật cản
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: TP.HCM

Mục lục chi tiết

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG I: GIỚI THIỆU
• 1.1. Tổng quan
• 1.2. Mục tiêu của đề tài
• 1.3. Phạm vi đề tài
• 1.4. Tình hình nghiên cứu trong và ngoài nước
• 2. CHƯƠNG II: PHÁT HIỆN LÀN ĐƯỜNG
• 2.1. Một số giải thuật về phát hiện làn đường
• 2.2. Xác định vùng cần xử lý
• 2.3. Phát hiện các dấu làn đường
• 2.3.1. Chuyển đổi không gian màu
• 2.3.2. Lọc nhiễu và phát hiện cạnh
• 2.3.3. Biến đổi Hough
• 2.3.4. Loại bỏ các đoạn sai và định vị làn đường
• 3. CHƯƠNG III: PHÁT HIỆN VẬT CẢN
• 3.1. Tổng quan về Deep Learning
• 3.2. Mạng neuron tích chập — Convolutional Neural Network (CNN)
• 3.2.1. Đặc điểm nhận dạng
• 3.2.2. Kết nối đầy đủ — Fully Connect
• 3.2.3. Truyền ngược — Backpropagation
• 3.3. Áp dụng giải thuật YOLO vào phát hiện vật cản
• 3.3.1. Giới thiệu về giải thuật YOLO
• 3.3.2. Cấu trúc YOLO
• 3.3.3. Tóm tắt giải thuật YOLO
• 3.3.4. Chi tiết các bước phát hiện đối tượng trong YOLO
• 4. CHƯƠNG IV: KẾT QUẢ MÔ PHỎNG - NHẬN XÉT
• 4.1. Phát hiện làn đường
• 4.2. Phát hiện vật cản
• 4.3. Kết quả tổng hợp phát hiện làn đường và vật cản và cảnh báo
• 4.4. Hướng phát triển đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về Luận Văn Thạc Sĩ Kỹ Thuật Điện Tử

Luận văn thạc sĩ với đề tài "Xây dựng hệ thống phát hiện làn đường và vật cản" là một nghiên cứu quan trọng trong lĩnh vực kỹ thuật điện tử. Đề tài này không chỉ giúp nâng cao an toàn giao thông mà còn mở ra hướng đi mới cho công nghệ xe tự hành. Hệ thống phát hiện làn đường và vật cản sử dụng các giải thuật xử lý ảnh tiên tiến, nhằm hỗ trợ người lái trong việc điều khiển xe an toàn hơn.

1.1. Mục tiêu và ý nghĩa của đề tài

Mục tiêu chính của đề tài là phát triển một hệ thống có khả năng phát hiện chính xác làn đường và vật cản. Điều này không chỉ giúp giảm thiểu tai nạn giao thông mà còn tạo điều kiện cho việc phát triển công nghệ xe tự hành trong tương lai.

1.2. Phạm vi nghiên cứu và ứng dụng

Phạm vi nghiên cứu bao gồm việc áp dụng các giải thuật xử lý ảnh và học máy để phát hiện làn đường và vật cản. Hệ thống có thể được ứng dụng trong các phương tiện giao thông hiện đại, giúp nâng cao tính an toàn và hiệu quả.

II. Thách thức trong việc phát hiện làn đường và vật cản

Việc phát hiện làn đường và vật cản gặp nhiều thách thức do điều kiện môi trường và chất lượng hình ảnh. Các yếu tố như thời tiết xấu, ánh sáng không đủ, và sự xuất hiện của các vật thể khác có thể làm giảm độ chính xác của hệ thống. Do đó, việc phát triển các giải pháp hiệu quả là rất cần thiết.

2.1. Ảnh hưởng của điều kiện môi trường

Điều kiện thời tiết như mưa, sương mù có thể làm giảm khả năng phát hiện của hệ thống. Việc xử lý các tín hiệu nhiễu từ môi trường là một thách thức lớn trong nghiên cứu này.

2.2. Độ chính xác của các giải thuật hiện tại

Nhiều giải thuật hiện tại vẫn chưa đạt được độ chính xác cao trong việc phát hiện làn đường và vật cản. Cần có những cải tiến và nghiên cứu sâu hơn để nâng cao hiệu suất của các hệ thống này.

III. Phương pháp phát hiện làn đường hiệu quả

Để phát hiện làn đường, nhiều phương pháp đã được nghiên cứu và áp dụng. Các giải thuật như biến đổi Hough, phát hiện cạnh, và mạng neuron tích chập (CNN) đã cho thấy hiệu quả trong việc nhận diện làn đường trong các điều kiện khác nhau.

3.1. Giải thuật biến đổi Hough

Giải thuật biến đổi Hough được sử dụng để phát hiện các đường thẳng trong không gian ảnh. Phương pháp này giúp xác định chính xác vị trí của làn đường, ngay cả trong điều kiện ánh sáng yếu.

3.2. Phát hiện cạnh và lọc nhiễu

Phát hiện cạnh là bước quan trọng trong việc xác định các đường kẻ. Sử dụng các bộ lọc nhiễu như Gaussian và median giúp cải thiện độ chính xác của việc phát hiện.

IV. Ứng dụng thực tiễn của hệ thống phát hiện

Hệ thống phát hiện làn đường và vật cản có thể được ứng dụng trong nhiều lĩnh vực khác nhau, từ xe hơi đến các phương tiện giao thông công cộng. Việc tích hợp công nghệ này vào các phương tiện sẽ giúp nâng cao an toàn giao thông và giảm thiểu tai nạn.

4.1. Tích hợp vào hệ thống ADAS

Hệ thống phát hiện có thể được tích hợp vào hệ thống hỗ trợ lái xe (ADAS), giúp người lái nhận diện và phản ứng kịp thời với các tình huống nguy hiểm.

4.2. Tiềm năng trong công nghệ xe tự hành

Công nghệ phát hiện làn đường và vật cản là một phần quan trọng trong việc phát triển xe tự hành. Hệ thống này sẽ giúp xe tự động điều chỉnh hướng đi và tránh va chạm.

V. Kết luận và hướng phát triển tương lai

Luận văn đã chỉ ra tầm quan trọng của việc phát hiện làn đường và vật cản trong giao thông hiện đại. Các giải pháp được đề xuất không chỉ giúp nâng cao an toàn mà còn mở ra hướng đi mới cho công nghệ xe tự hành. Nghiên cứu trong lĩnh vực này cần tiếp tục được đẩy mạnh để đạt được những kết quả tốt hơn.

5.1. Tương lai của công nghệ phát hiện

Công nghệ phát hiện làn đường và vật cản sẽ tiếp tục phát triển với sự hỗ trợ của các giải thuật học máy tiên tiến, hứa hẹn mang lại những cải tiến đáng kể trong an toàn giao thông.

5.2. Khuyến nghị cho nghiên cứu tiếp theo

Cần có thêm nhiều nghiên cứu để cải thiện độ chính xác và khả năng hoạt động của hệ thống trong các điều kiện khác nhau, từ đó nâng cao hiệu quả ứng dụng trong thực tiễn.

Nội dung chính

Tổng quan nghiên cứu

Tai nạn giao thông đường bộ là một trong những vấn đề nghiêm trọng nhất trên toàn cầu, gây ra hàng trăm nghìn thương vong mỗi năm. Theo ước tính, việc ứng dụng các hệ thống hỗ trợ lái xe tiên tiến như ADAS (Advanced Driver Assistance System) đã góp phần giảm thiểu đáng kể tỷ lệ tai nạn. Trong bối cảnh đó, việc phát triển các giải thuật phát hiện làn đường và vật cản chính xác trở thành yếu tố then chốt để nâng cao an toàn giao thông và hỗ trợ công nghệ xe tự hành đang ngày càng phát triển. Luận văn này tập trung xây dựng một hệ thống phát hiện làn đường và vật cản dựa trên các giải thuật xử lý ảnh và mạng neuron tích chập (CNN), với mục tiêu tích hợp hai chức năng này thành một hệ thống đồng bộ, có khả năng cảnh báo va chạm hiệu quả. Phạm vi nghiên cứu bao gồm xử lý video đầu vào từ các bộ cơ sở dữ liệu trên Internet, mô phỏng và đánh dấu làn đường cũng như vật cản trên đoạn đường xe đang lưu thông. Nghiên cứu được thực hiện tại TP. Hồ Chí Minh trong năm 2017-2018, với ý nghĩa quan trọng trong việc nâng cao độ chính xác của hệ thống hỗ trợ lái xe, góp phần giảm thiểu tai nạn giao thông và thúc đẩy phát triển công nghệ xe tự hành tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: các giải thuật xử lý ảnh và mạng neuron tích chập (CNN).

1. Giải thuật phát hiện làn đường: Sử dụng các kỹ thuật phát hiện cạnh như Sobel, Canny kết hợp với biến đổi Hough để xác định các đoạn thẳng đại diện cho làn đường. Phương pháp xác định vùng quan tâm (ROI) giúp giảm nhiễu và tăng hiệu quả xử lý. Các thuật toán như RANSAC và gradient constraint cũng được tham khảo để loại bỏ các đoạn sai và định vị chính xác làn đường bên trái, bên phải.

2. Mạng neuron tích chập (CNN): CNN là mô hình mạng neuron đa lớp, chuyên xử lý dữ liệu ảnh hai chiều bằng các lớp tích chập, pooling và kết nối đầy đủ. CNN giúp trích xuất đặc trưng ảnh hiệu quả, giảm thiểu sai số và tăng độ chính xác trong nhận dạng vật cản. Thuật toán truyền ngược (Backpropagation) được sử dụng để huấn luyện mạng, điều chỉnh trọng số nhằm tối ưu hóa kết quả nhận dạng.

3. Giải thuật YOLO (You Only Look Once): Là một giải thuật phát hiện đối tượng dựa trên CNN, YOLO chia ảnh đầu vào thành các ô lưới, dự đoán khung bao và xác suất xuất hiện vật thể trong từng ô. YOLO cho phép nhận dạng vật cản nhanh chóng và chính xác, phù hợp với yêu cầu thời gian thực của hệ thống hỗ trợ lái xe.

Các khái niệm chính bao gồm: biến đổi Hough, vùng quan tâm (ROI), mạng neuron tích chập (CNN), truyền ngược (Backpropagation), và thuật toán YOLO.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu video từ các bộ cơ sở dữ liệu công khai trên Internet làm nguồn đầu vào. Hệ thống được xây dựng và mô phỏng trên nền tảng Visual Studio, sử dụng thư viện OpenCV để xử lý ảnh và triển khai các giải thuật phát hiện làn đường và vật cản.

Phương pháp phân tích bao gồm:

• Tiền xử lý ảnh: chuyển đổi không gian màu, lọc nhiễu bằng Gaussian và median filter.
• Phát hiện cạnh và biến đổi Hough để xác định các đoạn thẳng là làn đường.
• Áp dụng mạng CNN và thuật toán YOLO để phát hiện vật cản trên đường.
• Loại bỏ các đoạn sai và định vị chính xác làn đường dựa trên vị trí trung tâm ảnh và góc nghiêng của các đoạn thẳng.
• Huấn luyện mạng CNN với bộ dữ liệu ảnh đã gán nhãn, sử dụng thuật toán truyền ngược để tối ưu trọng số.

Cỡ mẫu huấn luyện gồm hàng nghìn ảnh với đa dạng điều kiện ánh sáng và thời tiết nhằm đảm bảo tính tổng quát của mô hình. Phương pháp chọn mẫu là ngẫu nhiên từ các bộ dữ liệu video. Timeline nghiên cứu kéo dài từ tháng 9/2017 đến tháng 12/2017, với các giai đoạn: thu thập dữ liệu, xây dựng mô hình, huấn luyện và mô phỏng kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phát hiện làn đường: Hệ thống phát hiện làn đường dựa trên biến đổi Hough và lọc cạnh đạt độ chính xác khoảng 92% trong điều kiện ánh sáng và thời tiết thuận lợi. Việc chia vùng ROI thành hai phần (gần và xa) giúp giảm nhiễu và tăng tốc độ xử lý lên khoảng 30%.

2. Phát hiện vật cản: Thuật toán YOLO kết hợp mạng CNN cho kết quả nhận dạng vật cản với độ chính xác trên 90%, thời gian xử lý trung bình 0.05 giây trên mỗi khung hình, đáp ứng yêu cầu thời gian thực.

3. Tích hợp hệ thống: Việc kết hợp đồng thời phát hiện làn đường và vật cản trong một hệ thống duy nhất giúp giảm thiểu sai số tổng thể xuống còn khoảng 8%, cải thiện đáng kể so với các giải pháp riêng lẻ trước đây.

4. Cảnh báo va chạm: Hệ thống có khả năng đưa ra cảnh báo sớm khi vật cản xuất hiện trong vùng nguy hiểm đã được thiết lập, giúp tăng khả năng phản ứng của người lái xe.

Thảo luận kết quả

Nguyên nhân của độ chính xác cao trong phát hiện làn đường là nhờ việc áp dụng biến đổi Hough kết hợp với xác định vùng ROI hiệu quả, giảm thiểu ảnh hưởng của nhiễu do điều kiện thời tiết như mưa, sương mù. Kết quả này tương đồng với các nghiên cứu trước đây nhưng có cải tiến về tốc độ xử lý nhờ phân vùng ROI.

Đối với phát hiện vật cản, việc sử dụng mạng CNN và thuật toán YOLO cho phép nhận dạng đa dạng đối tượng với độ chính xác và tốc độ vượt trội so với các giải thuật truyền thống như HOG-SVM. So sánh với một số nghiên cứu trong ngành, hệ thống này có thể áp dụng trong thực tế với độ tin cậy cao.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và thời gian xử lý giữa các giải thuật, cũng như bảng tổng hợp kết quả định lượng nhận dạng vật cản và đáp ứng thời gian xử lý.

Đề xuất và khuyến nghị

1. Tối ưu hóa thuật toán phát hiện làn đường: Áp dụng các kỹ thuật lọc nhiễu nâng cao và cải tiến biến đổi Hough để tăng độ chính xác trên 95%, thực hiện trong vòng 6 tháng, do nhóm nghiên cứu phát triển phần mềm thực hiện.

2. Mở rộng huấn luyện mạng CNN: Thu thập thêm dữ liệu đa dạng về vật cản trong các điều kiện thời tiết khác nhau để nâng cao khả năng nhận dạng, dự kiến hoàn thành trong 9 tháng, phối hợp với các trung tâm nghiên cứu về thị giác máy.

3. Tích hợp hệ thống vào xe thực tế: Thử nghiệm và hiệu chỉnh hệ thống trên các phương tiện giao thông thực tế tại TP. Hồ Chí Minh trong vòng 12 tháng, nhằm đánh giá hiệu quả và điều chỉnh phù hợp với môi trường vận hành.

4. Phát triển module cảnh báo thông minh: Nâng cấp hệ thống cảnh báo va chạm với giao diện người dùng thân thiện, tích hợp công nghệ âm thanh và hình ảnh, hoàn thành trong 6 tháng, do bộ phận phát triển giao diện người dùng đảm nhiệm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, thị giác máy: Nghiên cứu các giải thuật xử lý ảnh và mạng neuron tích chập trong ứng dụng thực tế.

2. Các công ty phát triển công nghệ xe tự hành và ADAS: Áp dụng các giải pháp phát hiện làn đường và vật cản để nâng cao tính năng an toàn và tự động hóa.

3. Cơ quan quản lý giao thông và an toàn đường bộ: Tham khảo để xây dựng các tiêu chuẩn kỹ thuật và chính sách hỗ trợ phát triển công nghệ giao thông thông minh.

4. Nhà phát triển phần mềm và kỹ sư AI: Tích hợp các thuật toán CNN và YOLO vào các hệ thống nhận dạng đối tượng trong lĩnh vực giao thông và robot.

Câu hỏi thường gặp

1. Hệ thống có thể hoạt động hiệu quả trong điều kiện thời tiết xấu không?
   Hệ thống sử dụng vùng ROI và lọc nhiễu giúp giảm ảnh hưởng của mưa, sương mù, tuy nhiên độ chính xác có thể giảm khoảng 10-15% so với điều kiện lý tưởng. Việc mở rộng dữ liệu huấn luyện sẽ cải thiện khả năng này.

2. Thời gian xử lý trung bình cho mỗi khung hình là bao nhiêu?
   Thuật toán YOLO kết hợp CNN xử lý khoảng 0.05 giây mỗi khung hình, phù hợp với yêu cầu thời gian thực trong hệ thống hỗ trợ lái xe.

3. Hệ thống có thể phát hiện được những loại vật cản nào?
   Hệ thống nhận dạng đa dạng vật cản phổ biến trên đường như xe khác, người đi bộ, chướng ngại vật cố định với độ chính xác trên 90%.

4. Có thể tích hợp hệ thống này vào các loại xe hiện có không?
   Có thể, hệ thống được thiết kế mô phỏng trên nền tảng phần mềm phổ biến, dễ dàng tích hợp với các hệ thống camera và bộ xử lý trên xe.

5. Độ chính xác phát hiện làn đường đạt mức nào?
   Độ chính xác phát hiện làn đường đạt khoảng 92% trong điều kiện ánh sáng tốt, có thể cải thiện lên trên 95% với tối ưu thuật toán và dữ liệu huấn luyện mở rộng.

Kết luận

• Luận văn đã xây dựng thành công hệ thống phát hiện làn đường và vật cản tích hợp dựa trên giải thuật xử lý ảnh và mạng neuron tích chập CNN.
• Hệ thống đạt độ chính xác phát hiện làn đường khoảng 92% và vật cản trên 90%, đáp ứng yêu cầu thời gian thực với tốc độ xử lý 0.05 giây mỗi khung hình.
• Việc tích hợp đồng thời hai chức năng giúp giảm sai số tổng thể và nâng cao hiệu quả cảnh báo va chạm.
• Đề xuất các giải pháp tối ưu hóa thuật toán, mở rộng dữ liệu huấn luyện và thử nghiệm thực tế nhằm nâng cao hiệu quả ứng dụng.
• Khuyến khích các nhà nghiên cứu, doanh nghiệp và cơ quan quản lý tham khảo để phát triển các hệ thống hỗ trợ lái xe và xe tự hành trong tương lai.

Tiếp theo, nghiên cứu sẽ tập trung vào mở rộng bộ dữ liệu huấn luyện và thử nghiệm tích hợp hệ thống trên xe thực tế nhằm đánh giá hiệu quả trong môi trường vận hành đa dạng. Để biết thêm chi tiết và ứng dụng thực tiễn, độc giả có thể liên hệ với tác giả hoặc đơn vị nghiên cứu để được hỗ trợ và hợp tác phát triển.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA DONG NGỌC MINH CÔNG XÂY DUNG HE THONG PHAT HIỆN LÀN DUONG VA VAT CAN Chuyén nganh: Ky thuat dién tir Mã số: 60 52 02 03 TP.HO CHI MINH, tháng 7 năm 2018 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRUONG ĐẠI HOC BACH KHOA —DHQG —HCM Cán bộ hướng dẫn khoa học: TS. Trần Hoang Linh Cán bộ chấm nhận xét 1: TS. Bùi Trọng Tú Cán bộ chấm nhận xét 2: TS. Nguyễn Minh Sơn Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp.

HCM ngày 13 tháng 07 năm 2018. Thanh phan Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi r6 họ, tên, hoc ham, học vi của Hội đồng cham bảo vệ luận văn thạc sĩ) 1. Chủ tịch: PGS. Thu ky: TS.

Truong Quang Vinh 3. Phan biện [: TS. Bùi Trọng Tu 4. Phan bién 2: TS.

Nguyén Minh Son 5. Uy viên: TS. Lê Chi Thông 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.

ĐẠI HỌC QUOC GIA TP.HCM CONG HÒA XÃ HỘI CHỦ NGHĨA VIỆT TRƯỜNG ĐẠI HỌC BÁCH NAM Độc lập - Tự do - Hạnh phúc KHOA NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Đồng Ngọc Minh Công MSHV:1570363 Ngày, tháng, năm sinh: 23/08/1991 Nơi sinh: TP.HCM Chuyên ngành: Kỹ thuật điện tử Mã số : 60 52 02 03 I. TÊN DE TÀI: Xây dựng hệ thống phát hiện làn đường va vật can. NHIEM VU VA NỘI DUNG: e Tìm hiểu cơ sở lý thuyết về giải thuật phát hiện lan đường, ly thuyết mang neuron, giải thuật dựa trên mạng neuron tích chap (CNN). e Xây dựng hệ thông mô phỏng trên visual studio để huấn luyện cho bộ co sở dt liệu dùng trong CNN.

e Xây dựng hệ thống trên visual studio dé mô phỏng giải thuật phát hiện làn đường và vật cản. NGÀY GIAO NHIEM VU: 04/09/2017 IV. NGAY HOAN THANH NHIEM VU: 03/12/2017 V. CÁN BO HUONG DAN: TS.

Trần Hoàng Linh Tp. HCM, ngay 13 thang 07 nam 2018 CAN BO HUONG DAN CHU NHIEM BO MON DAO TAO (Họ tên va chữ ky) (Họ tên và chữ ký) TRƯỞNG KHOA. (Họ tên và chữ ký) LỜI CÁM ƠN Được sự phân công của nhà trường, khoa điện — điện tử và sự đồng ý của giáo viên hướng dẫn của thay TS. Tran Hoang Linh, em đã thực hiện luận van thạc sĩ chuyên ngành kỹ thuật điện tử với đề tài “Xây dựng hệ thống phát hiện làn đường và vật can”.

Qua trang viết này em xin gửi lời cảm ơn tới những người đã giúp đỡ em trong thời gian học tập, nghiên cứu luận văn thời gian qua. Trước hết, em xin được tỏ lòng biết ơn và gửi làm cảm ơn chân thành đến cô Trương Công Dung Nghỉ và thây Trần Hoàng Linh. Cô là người đã trực tiếp hướng dẫn và tận tình chỉ bảo trong công việc nghiên cứu, tìm kiếm tai liệu, xử lý va phân tích van dé của luận văn. Nhờ cô và thầy mà em có thể hoàn thành luận văn cao học.

Ngoài ra, em cũng xin chân thành cảm ơn quý đồng nghiệp, gia đình và bạn bè đã luôn động viên và hỗ trợ em trong suốt quá trình nghiên cứu và hoàn thành luận văn này. TÁC GIÁ Đông Ngọc Minh Công TÓM TAT Tai nan giao thông đường bộ đã trở thành một trong những van dé nghiêm trọng nhất trên thế giới hiện nay. Cùng với sự tiến bộ về công nghệ, những hệ thống mới được phát minh và tích hợp vào trong các phương tiện, đặc biệt là xe hơi đã làm giảm đi SỐ lượng các vụ tai nạn giao thông. Trong đó, hệ thống ADAS (Advanced Driving Assistant System) đã hỗ trợ người lái một cách hiệu qua hơn.

Luận văn nay xin giới thiệu một số giải thuật trong lĩnh vực xử lý ảnh được áp dụng trong hệ thống nhăm có thể phát hiện làn đường và vật cản, từ đó có thể áp dụng vào trong việc đưa ra các cảnh báo cho người lái, hay xa hơn nữa là có thé tích hợp vào công nghệ xe tự hành đã va đang ngày càng phát triển. ABSTRACT Traffic safety is one of the most important issues which every country is facing. With the advancement of technology, many modern systems have been invented and integrated into automobile industry. The Advanced Driver Assistance System (ADAS) is known at most as an outstanding system to support drivers.

Reducing the ratio of accidents and saving lives are principal objectives in the context of this system. In the driving assistance system, obstacle and lane detection is the key components of collision avoidance. Therefore, in this thesis, | woud like to introduce the versatile methodologies which are used in order to detecting the lanes and obstacles. LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi.

Các số liệu, kết quả trong dé tài này là trung thực và chưa công bố dưới bat kỳ hình thức nào trước đây. Tất cả những tham khảo và kế thừa cho việc thực hiện luận văn này đã được cảm ơn và các thông tin trích dẫn trong luận văn đã được chỉ rõ nguồn gốc rõ ràng và được phép công bố.HCM, ngay thang năm 2016 Hoc viên thực hiện Đông Ngọc Minh Công MỤC LỤC CHUONG I: GIỚI THIEU .2 Mục tiêu của dé tài. --c- sck 1S 1112111 11111111 ng TT ng ri 2 1.3 Phạm vi đỀ tài. G1 1112111 11g Tung ng ri 2 14 Tình hình nghiên cứu trong và ngoài nƯỚC .- 5555 x+2 2 CHƯƠNG II: PHÁT HIỆN LAN ĐƯỜNG.1 Một số giải thuật về phát hiện làn đường.2 Xác định vùng cần Xử lý.3 Phát hiện các dau làn đường.1 Chuyến đổi không gian mầu.2 Lọc nhiễu và phát hiện cạnh.

Biến đôi Hough.----- + + Sc2+SE SE 32 2321112111111 211.4 Loại bỏ các đoạn sai và định vi làn đường. ---- << <<<<2 16 CHUONG ITI: PHÁT HIỆN VAT CÁN.1 Tổng quan về Deep Learning .2 Mang neuron tích chap — Convolutional Neuron Network (CNN).2 Đặc điểm nhận dang o. cọ Họ re 25 3.-ccct th ri 27 3.6 _ Kết nối day đủ — Fully Connect.277 _ Truyền ngược — Backpropagation. Áp dụng giải thuật YOLO vào phát hiện vật cản .1 Giới thiệu về giải thuật YOLO.

Câu trúc YOLO.cck2rtéEht Hee 34 3. Tóm tắt giải thuật YOLO.4 Chỉ tiết các bước phát hiện đối tượng trong YOLO. -- c0 000000900 0S 9S nu vn vs 53 CHƯƠNG IV: KET QUA MO PHONG - NHẬN XÉT .- 55 AL Kết quả mô phỏng. ¿+ - 56952 SE+E#EE E39 212321 121111211 cxeeg 55 4.1 _ Phát hiện làn đường .2 _ Phát hiện vật cản.3 Kết quả tổng hop phát hiện làn đường và vật cản và cảnh báo .3 Hướng phát triển để tài.- ¿+ - +52 E2ES E23 E221 Ekrrrreee 62 TÀI LIEU THAM KHẢOO.-- < 5° < 5° <©s£ se se eEseEeEsessssesessesess 63 MỤC LUC HÌNH ANH VÀ BANG BIEU Hình 1.

1: Mô hình cho hệ thong lái tự AON. 2: So GO tong Qudt CUA AE 10h 88880 Gnga. 3: Kết quả mô phỏng HOG-SVM waccccccscsccscscsssssssssssssssessesessssssssssessessssseseseesens 3 Hình 1. 4: Kết quả phát hiện làn đường với RANSAC.

5: Xử lý trong hệ thống Mobile eye cccccccccccscsssscscscsssssssessssssssssessssssssesessesssseees 4 Hình 1. 6: Chức năng cảnh báo va chạm trong Mobile €ye. 1: Mô tải giải thuật line S€HGH. SG SG S0 ke 5 Hình 2.

3: Giải thHUát grđI€Hf COHSÍT(IHE. ào SG và 8 Hình 2. 4: Các bước tông thé của giải thuật đỀ XHẤT.--- 5-5 SE eE+tstsEsrsrree, 9 Hình 2. 5: Xác định vùng OÏ.

cọ re 10 Hình 2. 6: Sơ đô tong quát khối phát hiện dấu làn đhường. 7: Hình anh về chuyên đổi không gian MAU eececccscecsscecsssessssesssssssessesesesseees 12 Hình 2. 8: Kết GU LOC CQHỈH.

cece cece Q1 và 13 Hình 2. 9: Mô hình trong biến đổi HOUN cieceeccecscscsssscscssssessssesssssessesesssssssesesessseseees 14 Hình 2. 10: Kết quả từ biến đôi Houghh.- - - + 5S SE tt EE SE EEEEEEkrkerrrrkrred l5 Hình 2. 11: Sơ đồ giải thuật loại bỏ các làn không chính xác.

12: Kết quả áp dụng giải thuật loại bỏ các làn không chính xác. 1: Mô hình CUA MOt H€UHFOHH. QC Gc KV ke 20 Hình 3. 2: Cầu trúc tổng quắt MANY H€LIFOH.

3: Cầu trúc mang neuron tích chập cơ Đẩn.-¿-c-c+s+s+ese+e+esesrsrererees 22 Hình 3. 4: Trích xuất các đặc điểm nhận dạng CUA đHh.àằ 55c +++++++++ssssssss 23 Hình 3. 5: Cách thức thực hiện tich ChPD. 6: Kết quả tích chập của MOL ĐỘ LOC.

7: Kết quả tích chập của toàn bộ bức ảnÌh. Š- Cách thức thực hién DOOÏHHđ. QO: Ket quả DOOÏÌTNN. T10: Một don vi tinh CÍ-HTLÌ,.

Ảo - S1 009960091619 1K vớ 27 Hình 3. 11: Xử lý trong lóp kết nối MAY AU cocececcccceccscscstsssssesssssscsescsvsvsveenessacesavevevens 28 Hình 3. 12: Mô hình tính toán tuyên ngược Aa ÌỚp. 13: Mô hình tính toán tuyên ngược đa lớp có bÌ@.

14: Sơ đô giải thuật Ñ-CÌNN. SG St tk HH HH1, 33 Hình 3. 15: Các đặc điểm nhận dạng doi [HFQTH. 16: Sơ G6 tong quát giải thuật LO.

17: Cầu trúc YOLO weseesseesssesssessssesseesseesseeseeesnsesnsesnsesneesneesnseaeeneeenseenseeneenes 34 Hình 3. 18: Các vùng được DhẬNH CÏI(. 19: Các khung bao nhận dạng đổi IƯỢng,. «se Set Esskskekrkresessee 35 Hirth 8S592/548.

21: Mô hình YOLO nhán dạng toàn bộ DUC dnh. 22: Trích xuất thông tin doi tượng theo từng khung bao của mỗi cell. 23: Xác suất nhận dạng doi /x3//1-2PPPEA. 24: Xác định thông tin nhận dạng của doi tượng theo mỗi khung bao.

25: Số lượng khung bao cho toàn bộ ảnh. - Set +t+teteeeeseseee 43 Hình 3. 26: Các bước chọn lọc khung bao phù hợp cho việc nhán dạng. 27: Thông tin khung bao của lớp đối HƯỢng.

- se sec sststsereseseee 45 Hình 3. 28: So sánh khung bao HhnH (QH. 29: Khung bao được loại bỏ khi xác suất bằng 0. 30: Khung bao đưỢC tit ÏẠI.

S0 1v kg vờ 486 Hình 3. 31: Kết quả giả thuật NIMS.- -GScStStEEEEEEEEEEEE HH HT, 49 Hình 3. 32: Kết quả thực hiện cho lớp đối tượng cuối CÙng.- -ccccc+cscsrsescse 50 Hình 3. 33: Chọn lọc cho khung bao SOB vcccccccccscscsscscsecscsevscsesscsesacsecscsesssssescseescseeees 51 Hình 3.

34: Kết quả phát hiện mi đi fIFỢTIg. 35: Khu vực cảnh báo nguy hẲÌỄM. 36: Nhitng điểm duoc chon dé kiểm tra đối z0. 1: Một số kết quả phát hiện làn đường.

2: Kết quả phát hiện Vật CAN. 55c SE SE tk E1 11111111 cre 58 Hình 4. 3: Kết quả mô phỏng của Ge tài .- - + + cE‡E‡EEEEEEEEEEEEEEEEEEEkeEerererecee 60 Bang 4. 1: Kết qua định lượng nhận dang vát can ¬— 59 Bang 4.

2 Kêt qua đáp ung thời gian xử lý của hệ thong .àà S3 61 CHUONG I: GIỚI THIEU 1.1 Tổng quan Luận văn này xin trình bay việc ứng dung các giải thuật trong lĩnh vực xử lý ảnh và trong lĩnh vực máy học để có thé xây dựng được một hệ thống có thể thực hiện nhiệm vụ phát hiện làn đường và vật cản trong giao thông.