Chương I: Giới thiệu tổng quan “Trong chương này, luận văn tập trung giới thiệu về bài toán nhận diện vat thé, nhận diện ai nạn giao thông trên loại dữ liệu hình ảnh, video. Trình bảy tỉnh hình nghiên. “cứu trong và ngoài nước có liên quan .n luận văn nghiên cứu. “Chương 3: Cơ sở lý thuyết Trong chương này, luận văn tập trung làm rõ các khái niệm về mô hình YOLOv?, decision tree, các phương pháp phân tích và đảnh giá mô hình: Fl-score, recall precision “Chương 3: Mô hình đề xuất “rong chương này, luận văn tập trung trình bày vỀ mô hình của inh viên để nhận điện được tai nạn giao thông.
“Chương 4: Kết quả thực nghiệm Trong chương này, luận văn tập trung trình bảy kết quả thực nghiệm mô hình đã để xuất “Chương S: Kết luận và hướng phát triển Chương TONG QUAN VE BAI TOAN PHAT HIEN VAT THE TRONG TAI NAN XE HOT 1.1 Tình hình về tai nạn xe hơi TỨng phó khẩn cắp với ta nạn xe hơi rt quan trọng đổi với quản lý giao thông Một mặt, những người bị thương trong một tai nạn cần được gửi đến bệnh viện gần nhất nơi đầu tiên để ngăn chặn tình trạng sức khỏe của họ trở nên tồi tệ hơn, trên mặt khắc, các vụ tai nạn nghiêm trọng có thể gây ra tắc nghên không thường xuyên, nếu ứng phó. khẩn cấp hoặ thông quan không được thực hiện trong tồi gian. Để giảm thiếu những tác động tiêu cực đó, đườngsự cổ cằn phải được phát hiện nhanh chồng.2 Bài toán phát hiện vật thể trong tai nạn xe hơi Tai nạn xe hơi thường được phát hiện nhiều nhất bởi người dân xung quanh sống. lăn cận hiện trường xảy ra ti nạn, hoặc nhân viên quan sắt thông qua các camera giảm sat (CCTV) tai các Trung tâm quản lý giao thông.
Nếu hiện trường tai nạn xảy ra vào. ban đêm ít người qua lại, hay khu vực ít hoặc không có người dân sinh sống gần đồ thỉ khó có thể phát hiện tiến hành cứu chữa kịp thời, đưa ra thông báo và hỗ trợ quản lý. giao thông, giảm thể thiệt hại về con người và tải sản, Cho nên việ tự động phát hiện và thông bảo về tai nạn xe hơi từ hệ thống CCTV góp phần không kém vào việc xử lý nhanh chống các vụ việc trên Ưu điểm của CCTV là nó có thể ghỉ lại trực tiếp các hiệp trường tai nạn trong vùng quan sát của nó. Với sự phát triển công nghệ về hệ thống giám sát thông minh, ngây cảng nhiều CCTV được triển khai và ắp đặt từ các thành phố lớn cho đến các vũng nông thôn nhỏ.
Mặc dù việc quan sát của nhân viên giám sát thông qua CCTV rất hữu. ích nhưng đôi kh nó quả tổn công sức và hôi gian “rong những năm gần đây, công nghệ thị giác may tinh da phát iển nhanh chồng và được sử dụng rộng rãi rong lĩnh vực giao thông vận tải [3, 4], nhờ sức mạnh ngày. cảng tăng của máy tính và các phương pháp máy học, học sâu. Hiệu suất phát hiện đối tượng dựa trên thị giác may tinh, hoặc dựa trên các phương pháp học sâu đã được cải thiện đáng kể 1.3 Tình hình nghiên cứu.1 Tình hình nghiên cứu ở trong nước “Tại Việt Nam trong những năm gần đây cô nhiều nhóm nghiên cứu về mô hình học sâu để giải quyết bài toán phát hiện vật th tai nạn xe bơi, Điễn hình là một số công trình của e Nhôm tác giả Thanh-Nghỉ Doan, Minh-Tuyen Truong đã đề xuất mô hình YOLOv4 và DeepSORT.
Trong bài báo này, mô hình mới có thể phát lên vật thé với độ chính xác cao và thời gian tính toán nhanh bằng cách tận dung các lợi ích của việc theo đõi tập trung vào các thuật toán đơn giản, hiệu quả. Kết quả thử nghiệm đã cl ra rằng phương pháp đểxuất của chún tôi vượt trội hơn phương pháp ban đầu ít nhất 11 % A P50 đối với hầu hết các tỉnh huồng thực địa trong tập đồ lệu của chúng tôi ở tốc độ thời gian thục ~32 FPS, l6] 1.2 Tình hình nghiên cứu ở ngoài nước “Trong những năm gần đây cỏ nhiễu nhóm nghĩễ học sâu để giải “quyết bài toán phát hiện vật thể ai nạn xe hơi. Điễn hình là một số công trình có thể kể đến + Chen Wang và các cộng sự đề xuất mô hình Deciion Tree và sử dụng thuật toán Retinex Image Enhancement Algorithms dé phat hign tai nạn xe hơi. Machaca Arceda va ede ng sy để xuất mô hình VOI.Ov7 và mô hình SVM để phát hiện tai nạn xe hơi trong thời gian thực với độ tr chỉ 05 giây và có độ chính xác 89%.
[19] Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Tiền xử lý dữ liệu “Có nhiều cách đề xứ lý dữ liệu đầu vào, cơ bản có thể nhắc để là khử noise bằng k-clause, sau đó sẽ chuyển hình ảnh sang định dạng trắng đen để đễ dàng tách nền và chữ.2 Giới thiệu về mạng nơ-ron nhân tạo Mạng noron nhân tạo (Artificial Neural Network - ANN) là mô hình tính toán, xử lý thông tin được xây dựng dựa trên cách thức hoạt động của hệ thông thần kinh của. Nó bao gồm một nhóm các đơn vị tính toán - nơron liên kết chặt chế với nhau và các liên kết này đóng vai trò quyết định chức năng của mạng. Vì được mô phòng theo. hệ thống thẫn kinh của sinh vật, mạng ANN có thể học được các kinh nghiệm (thông qua huấn luyện), lưu trữ các kinh nghiệm đó (rỉ thức) và sử dụng những tr thức đó để cdự đoán những đữ iệu chưa biết (amscen dau3) Xung chuyển động về phía thân tẻ bào 'Nhânh của trục Nant Nhân Se ¬—` — Điểmcủa kếthúc Trực —.
`Xung chuyển động ra khối thântế bào, Thân tế bào Mình 2.1 Mô hình mạng nơ-ron sinh học.1 Các thành phần cơ bản của ANN.1 Don vị xử lý 'Các nơ-ron hoặc pereeptron là các đơn vị xử lý nhỏ lẽ cầu thành ANN, thực hiện một nhiệm vụ đơn giản là tiếp nhận thông tin (tín hiệu) từ các đơn vị phía trước hay từ nguồn bên ngoài và tính toán các thông tin vả truyền sang các đơn vị khác. Đơn vị tính toán Trong đó ® xi Các giết đầu vào (= lun) wy: Cle trọng số tương ứng với mỗi đẦu vào + 6,: Bo eh (bias) © y: Diu ra cia ng-ron © FG): Him kich how "rong một mạng nơon có ba kiểu đơn vị: ®- Các đơn vị đầu vào (inpuU, nhận thông tin từ bên ngoài. ® Các đơn vị đầu ra (oulpuD), gửi dữ liệu m bên ngoôi œ- Các đơn vị an (hidden), thông tin vào (input) va ra (output) của nó nằm trong mạng.2 Hàm kích hoạt (Activation Funetion) Ham kich hogt (Activation Function) la m@t thanh phan rat quan trọng của mạng. Nó quyết định khi nao thi mét noron duge kich host, khi nio théng tin doc truyền qua nơron khác.
Hàm kích hoạt là một phép biển đổi phi tuyến mà chúng ta thực hiện đối với tín hiệu đầu vào. Đầu ra được biển đổi này được dùng làm dẫu vào của noron & ting noron tgp theo "Nếu khôngcó hàm kích hoạt hoặc hàm. ch hoạt chỉ là hảm tuyến tính thì mạng. noon sé kh 6 thể mô hình hóa và giải quyết các vẫn để phức tạp.
Việc có thêm nhiều tầng nơron hay nhiều nút cũng không mang lại hiệu quả nếu không có hảm kích hoạt.1 Các hàm kích hoạt thông dụng ‘Ten ham Đồ thị Hàm Sigmoid Ham Tank Hàm RelLU Hàm LealyReLU l g(x) = max(ex,x) ¡ Ƒ Vớie<1 ›u vé mang Convolution Neural Network. “Trong mạng nơ-ron, mô hình mạng no-ron tích chập là một trong những mô hình. dùng để nhận dạng và phân loại hình ảnh. Dựa vào ý tưởng là xác định thông qua các điểm ảnh lân cận đẻ giảm tải khỏi lượng biến cần phải huẳn luyện và tránh lăng phí tải nguyên khi huấn luyện.
Mô hình côn khắc phục hiện tượng quá khóp (overiting). Các lớp của CNN được tô chức theo 3 chiều: chiều rộng, chiều cao, chiều sâu và các lớp. trước sẽ nỗi Ì phần nhỏ với lớp tiếp theo thay vi tắt ä của mạng nơ:ron truyền thẳng.1 Kiến trie co ban ea CNN VỀ cơ bản mô hình CNN bao gồm các lớp : Lớp tích chập (Convolution layer), lop ki hhoat (Activation layer), lop tng hop (Pooling layer) va cudi cũng là lớp kết nối dy a Fully-connected layer Qa \ 1 TUX ‘ ĐÀO G-mra L4 comoumon tyrosine comouunon ssn rome man ci sere 2.3 Mô inh CNN cơ bản [1] Hình ảnh được đưa về dạng ma trận điểm ảnh đẻ bắt đầu đưa qua các lớp trong mô hình. Thông qua lớp tích chập, các đặc mg của dữ iệu được rút trích và thông qua tằng kích hoạt để cho ra các biểu đồ đặc trưng (featre map).
Sa đồ tiếp tục đi qua tằng tổng hợp để thu nhỏ số chiêu dữ liệu nhưng vẫn giữ lại được lượng thông tin cần thiết, điều này giúp cho mô hình có thể học nhanh hơn nhờ giảm được chỉ phí tính toán. Cuối cing sau khi đã có được biểu đồ đặc trưng thì ta làm phẳng (flatten) nó để vào tầng kết n đẫy đã từ đó đưa ra kết quả dự đoãn cụ cũng, 2.2 Lớp tích chp (Convolution Layer) “Tích chập là lớp đầu tiên để trích xuất các tính năng từ hình ảnh đầu vào. Tích chấp duy tỉ mỗi quan hệ giữa các pixel bing ech tim hi các tính năng hình ảnh 5 cách sử dụng các ô vuông nhỏ của dữ liệu đầu vảo. Nó là 1 phép toán có 2 đầu vào như.
ma trận hình ảnh và 1 bộ lọc. Bộ lọc (fitekerneD là tập hợp các tham sổ bọc được trong quá trình huấn luyện mô hình nhằm trích xuất đặc trưng cho dữ liệu — inh 2.4 Biểu diễn hình ảnh đầu vào và bộ lọc dưới dạng ma trận [3] Trong phép tính tích chập, ta bắt đầu với cửa số tích chập ở góc trên bên trái của mảng dữ liệu đầu vào, di chuyển cứa số tích chập theo chigu từ tri sang phải, ừ trên xuống đưới. Với mỗi vị í mà bộ lọc nằm hoàn toàn trong mảng đầu vào, a thực hiện phép tích chập bằng cách nhân từng phản tử của cửa số tích chập và mảng con ở vị trí tương ứng, sau đỗ cộng tấ cả các giá tị lạ với nhau để được một gi tị duy nhất Sen Tar Hinh 2.5: Phép tinh convolution trên ảnh màu với k=3 [10] Mỗi bộ lọc khác nhau sẽ cho ra các đặc trưng khác nhau nên mỗi lớp tích chập, sẽ dùng nhiều bộ lọc để tì ra nhiều đặc trưng của dữ liệu.