Luận văn thạc sĩ hcmute nghiên cứu thuật toán nhận dạng người đi đường xe và chướng ngại vật cho ô tô chạy tự động

Luận văn thạc sĩ HCMUTE nghiên cứu thuật toán nhận dạng người đi đường và chướng ngại vật cho ô tô tự động, góp phần nâng cao an toàn giao thông.

• Tác giả: Phan Tiến Vương
• Người hướng dẫn: TS. Lê Thanh Phúc
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Cơ Khí Động Lực
• Đề tài: Nghiên Cứu Thuật Toán Nhận Dạng Người Đi Đường Và Chướng Ngại Vật Cho Ô Tô Tự Động
• Loại tài liệu: luận văn
• Năm xuất bản: 2015
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan chung về lĩnh vực nghiên cứu
• 1.2. Nhận dạng người đi đường
• 1.3. Hệ thống cảnh báo sớm khi phát hiện người đi đường trên xe
• 1.4. Nhận dạng xe và chướng ngại vật
• 1.5. Mô hình nhận dạng xe tổng quát
• 1.6. Hệ thống cảnh báo va chạm (Forward Collision Warning)
• 1.7. Phương pháp nhận dạng người đi đường xe và chướng ngại vật bằng xử lý ảnh
• 2. CHƯƠNG 2: LÝ THUYẾT TỔNG QUAN VỀ XỬ LÝ ẢNH
• 2.1. Ảnh số là gì?
• 2.2. Hệ thống xử lý ảnh
• 2.3. Các vấn đề cơ bản trong xử lý ảnh
• 2.4. Các mô hình màu
• 2.5. Đặc trưng Haar-like
• 2.6. Thuật toán AdaBoost
• 2.7. Bộ phân lớp Cascade
• 2.8. Đặc trưng Histogram of Oriented Gradients
• 2.9. Chuẩn hóa Gamma & Colour
• 2.10. Chia hướng & gom đặc trưng tại mỗi nhóm cell
• 2.11. Tính đặc trưng cho khối và chuẩn hóa
• 2.12. Tính vector đặc trưng cho cửa sổ
• 2.13. Máy vector hỗ trợ (SVM)
• 2.13.1. Siêu phẳng - Hyperplane
• 2.13.2. SVM tuyến tính
• 2.13.3. Các điều kiện Karush-Kuhn-Tucker (KKT)
• 2.13.4. Giải thuật SMO
• 3. CHƯƠNG 3: THUẬT TOÁN NHẬN DẠNG
• 3.1. Giới thiệu MATLAB
• 3.1.1. Khởi động Matlab
• 3.1.2. Một số lệnh thông dụng trong Matlab
• 3.1.3. Lập trình trong MATLAB
• 3.2. Nhận dạng người đi đường sử dụng HOG và SVM
• 3.2.1. Tạo dữ liệu mẫu huấn luyện âm và mẫu huấn luyện dương
• 3.2.2. Huấn luyện SVM
• 3.2.3. Nhận dạng người đi đường
• 3.3. Nhận dạng xe và chướng ngại vật
• 3.3.1. Tạo bộ huấn luyện nhận dạng mẫu nhận dạng xe và chướng ngại vật
• 3.3.2. Hoạt động của bộ xử lý phân loại
• 3.3.3. Tạo nhãn nhận dạng cho mẫu
• 3.3.4. Sử dụng TrainCascadeObjectDetector tạo mẫu
• 3.3.5. Nhận dạng các đối tượng từ mẫu huấn luyện
• 3.4. Đo khoảng cách từ camera tới đối tượng
• 3.4.1. Mô hình đo khoảng cách trong ảnh
• 3.4.2. Kỹ Thuật camera calibration
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Thông số Webcam
• 4.2. Kết quả thực nghiệm
• 4.2.1. Tốc độ thu thập
• 5. KẾT LUẬN VÀ ĐỀ NGHỊ
• 5.1. Kết quả đạt được
• 5.2. Những vấn đề tồn tại
• 5.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về thuật toán nhận dạng

Nghiên cứu thuật toán nhận dạng người đi đường, xe và chướng ngại vật cho ô tô tự động tại HCMUTE tập trung vào việc phát triển các hệ thống an toàn giao thông thông minh. Việc nhận dạng người đi đường là một phần quan trọng trong việc đảm bảo an toàn cho các phương tiện tự lái. Hệ thống này sử dụng các thuật toán xử lý ảnh để xác định và phân loại đối tượng trong môi trường giao thông. Các thuật toán như SVM (Support Vector Machine) và HOG (Histograms of Oriented Gradients) được áp dụng để cải thiện độ chính xác trong việc nhận diện. Theo nghiên cứu, độ chính xác của việc nhận dạng người đi đường đạt 91%, trong khi nhận dạng xe đạt 93%. Điều này cho thấy tiềm năng của công nghệ trong việc nâng cao an toàn giao thông.

1.1. Ứng dụng của công nghệ nhận dạng

Công nghệ nhận dạng không chỉ giúp phát hiện người đi đường mà còn hỗ trợ trong việc cảnh báo sớm cho người lái xe. Hệ thống cảnh báo va chạm được phát triển nhằm giảm thiểu tai nạn giao thông. Các hãng xe như Volvo, BMW và Mercedes đã áp dụng công nghệ này vào các dòng xe của họ. Hệ thống cảnh báo sử dụng camera và cảm biến để phát hiện người đi đường và gửi cảnh báo đến người lái xe. Điều này cho thấy sự phát triển của công nghệ xe tự lái và hệ thống giao thông thông minh.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng các phương pháp xử lý ảnh để phát hiện và nhận dạng người đi đường, xe và chướng ngại vật. Các thuật toán như Cascade of boosting và HOG được áp dụng để tối ưu hóa quá trình nhận dạng. Việc thu thập dữ liệu từ webcam gắn trên xe ô tô cho phép thực hiện các thí nghiệm thực tế trên đường. Kết quả cho thấy độ chính xác cao trong việc nhận dạng các đối tượng, từ đó khẳng định tính khả thi của các phương pháp này trong thực tế. Hệ thống được thiết kế để hoạt động hiệu quả trong môi trường đô thị phức tạp, nơi có nhiều yếu tố ảnh hưởng đến quá trình nhận dạng.

2.1. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy rằng hệ thống có thể nhận dạng người đi đường với độ chính xác 91%, xe với độ chính xác 93% và chướng ngại vật với độ chính xác 84%. Những con số này chứng tỏ rằng các thuật toán được áp dụng có hiệu quả cao trong việc nhận diện các đối tượng trong môi trường giao thông. Việc sử dụng webcam làm thiết bị thu hình ảnh chính là một điểm mạnh, giúp hệ thống có thể hoạt động trong thời gian thực và cung cấp thông tin kịp thời cho người lái xe.

III. Ý nghĩa và ứng dụng thực tiễn

Nghiên cứu này không chỉ có giá trị về mặt lý thuyết mà còn có ứng dụng thực tiễn cao trong ngành công nghiệp ô tô. Việc phát triển các hệ thống nhận dạng người đi đường và chướng ngại vật sẽ góp phần nâng cao an toàn giao thông và giảm thiểu tai nạn. Hệ thống có thể được tích hợp vào các phương tiện tự lái, giúp chúng hoạt động an toàn hơn trong môi trường đô thị. Ngoài ra, nghiên cứu cũng mở ra hướng đi mới cho các nghiên cứu tiếp theo trong lĩnh vực công nghệ xe tự lái và hệ thống điều khiển tự động.

3.1. Tương lai của công nghệ nhận dạng

Với sự phát triển không ngừng của công nghệ, các thuật toán nhận dạng sẽ ngày càng trở nên chính xác và hiệu quả hơn. Việc áp dụng trí tuệ nhân tạo (AI) trong giao thông sẽ mở ra nhiều cơ hội mới cho việc phát triển các hệ thống giao thông thông minh. Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của các thuật toán và mở rộng khả năng nhận dạng trong các điều kiện môi trường khác nhau.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh giao thông ngày càng phức tạp và nguy cơ tai nạn giao thông gia tăng, việc nâng cao an toàn cho người lái xe và hành khách trở thành ưu tiên hàng đầu trong ngành công nghiệp ô tô. Theo báo cáo của ngành, các hệ thống hỗ trợ lái xe thông minh đã được phát triển nhằm giảm thiểu rủi ro tai nạn, trong đó nhận dạng người đi đường, xe và chướng ngại vật đóng vai trò then chốt. Mục tiêu của luận văn là nghiên cứu và phát triển thuật toán nhận dạng các đối tượng này cho ô tô chạy tự động, nhằm hỗ trợ cảnh báo và điều khiển xe an toàn hơn. Nghiên cứu tập trung vào việc xây dựng mô hình nhận dạng dựa trên xử lý ảnh thu thập từ webcam gắn trên xe, sử dụng các thuật toán máy học hiện đại như SVM và Cascade of Boosting với đặc trưng HOG. Phạm vi nghiên cứu thực hiện tại thành phố Hồ Chí Minh trong năm 2015, với dữ liệu thu thập gồm hàng nghìn ảnh người đi đường, xe và chướng ngại vật. Ý nghĩa của đề tài thể hiện qua việc nâng cao độ chính xác nhận dạng, góp phần phát triển công nghệ xe tự động và hệ thống giao thông thông minh, đồng thời giảm thiểu tai nạn giao thông thông qua cảnh báo sớm và phán đoán hành vi các đối tượng trên đường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình xử lý ảnh số, thị giác máy tính và học máy để xây dựng thuật toán nhận dạng. Hai lý thuyết chính được áp dụng gồm:

• Đặc trưng Histogram of Oriented Gradients (HOG): Đây là phương pháp trích xuất đặc trưng biên và hướng gradient trong ảnh, giúp mô tả hình dạng và cấu trúc đối tượng một cách hiệu quả. HOG được sử dụng để nhận dạng người đi đường và xe, với khả năng chịu được biến đổi về ánh sáng và tư thế.

• Máy vector hỗ trợ (Support Vector Machine - SVM): Là thuật toán phân loại mạnh mẽ trong học máy, SVM được dùng để phân biệt các đối tượng dựa trên đặc trưng HOG. SVM tối ưu siêu phẳng phân chia các lớp dữ liệu, giúp đạt độ chính xác cao trong nhận dạng người đi đường.

Ngoài ra, mô hình Cascade of Boosting kết hợp với đặc trưng HOG được sử dụng để nhận dạng xe và chướng ngại vật, tận dụng thuật toán AdaBoost để xây dựng bộ phân loại mạnh từ các bộ phân loại yếu, tăng tốc độ và hiệu quả nhận dạng. Các khái niệm chính bao gồm: đặc trưng Haar-like, thuật toán AdaBoost, bộ phân lớp Cascade, và kỹ thuật đo khoảng cách từ camera đến đối tượng dựa trên mô hình camera calibration.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh thu thập từ webcam gắn trên xe ô tô chạy thực nghiệm tại thành phố Hồ Chí Minh, gồm:

• 4,500 ảnh dương (ảnh người đi đường), 4,000 ảnh âm (không phải người đi đường) và 200 ảnh kiểm tra cho nhận dạng người đi đường.
• 1,500 ảnh dương (ảnh xe), 3,000 ảnh âm (không phải xe) và 200 ảnh kiểm tra cho nhận dạng xe.
• 100 ảnh dương (ảnh chướng ngại vật), 1,000 ảnh âm (không phải chướng ngại vật) và 50 ảnh kiểm tra cho nhận dạng chướng ngại vật.

Phương pháp phân tích gồm:

• Trích xuất đặc trưng HOG từ ảnh.
• Huấn luyện bộ phân loại SVM cho nhận dạng người đi đường.
• Huấn luyện bộ phân loại Cascade of Boosting cho nhận dạng xe và chướng ngại vật.
• Đo khoảng cách từ camera đến đối tượng dựa trên mô hình camera calibration và kỹ thuật đo khoảng cách trong ảnh.
• Thực nghiệm và đánh giá trên dữ liệu thực tế với phần mềm Matlab.

Quá trình nghiên cứu kéo dài khoảng 6 tháng, bao gồm các bước: nghiên cứu lý thuyết, thu thập dữ liệu, xây dựng thuật toán, huấn luyện và kiểm thử, đánh giá kết quả và hoàn thiện chương trình nhận dạng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng người đi đường: Thuật toán SVM kết hợp đặc trưng HOG đạt độ chính xác 91% trên tập kiểm tra gồm 200 ảnh, với bộ dữ liệu huấn luyện gồm 4,500 ảnh dương và 4,000 ảnh âm. Kết quả này cho thấy khả năng phân biệt người đi đường hiệu quả trong điều kiện ánh sáng ban ngày.

2. Độ chính xác nhận dạng xe: Sử dụng bộ phân loại Cascade of Boosting với đặc trưng HOG, thuật toán đạt độ chính xác 93% trên 200 ảnh kiểm tra, với 1,500 ảnh dương và 3,000 ảnh âm trong tập huấn luyện. Kết quả này vượt trội so với một số phương pháp truyền thống sử dụng cảm biến laser hoặc radar.

3. Độ chính xác nhận dạng chướng ngại vật: Thuật toán nhận dạng chướng ngại vật đạt độ chính xác 84% trên 50 ảnh kiểm tra, với 100 ảnh dương và 1,000 ảnh âm trong tập huấn luyện. Mức độ chính xác thấp hơn do tính đa dạng và phức tạp của các loại chướng ngại vật trong môi trường thực tế.

4. Khả năng đo khoảng cách: Mô hình đo khoảng cách từ camera đến đối tượng được xây dựng dựa trên kỹ thuật camera calibration, cho phép ước lượng khoảng cách chính xác, hỗ trợ phán đoán hành vi và điều khiển xe tự động.

Thảo luận kết quả

Kết quả nhận dạng người đi đường và xe với độ chính xác trên 90% cho thấy hiệu quả của việc kết hợp đặc trưng HOG và các thuật toán học máy như SVM và Cascade of Boosting. So với các nghiên cứu quốc tế, kết quả này tương đương hoặc vượt trội nhờ việc tối ưu hóa bộ dữ liệu huấn luyện và điều chỉnh tham số thuật toán phù hợp với điều kiện thực tế tại Việt Nam.

Độ chính xác nhận dạng chướng ngại vật thấp hơn phản ánh tính đa dạng và khó kiểm soát của các đối tượng này trong môi trường giao thông thực tế, đồng thời cho thấy cần cải tiến thêm về bộ dữ liệu và thuật toán để nâng cao hiệu quả.

Việc đo khoảng cách chính xác từ camera giúp hệ thống có thể phán đoán kịp thời các tình huống nguy hiểm, từ đó đưa ra cảnh báo hoặc điều khiển xe tự động hiệu quả hơn. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác nhận dạng giữa các đối tượng và bảng thống kê chi tiết số lượng ảnh huấn luyện, kiểm tra.

Đề xuất và khuyến nghị

1. Tăng cường bộ dữ liệu huấn luyện: Thu thập thêm ảnh người đi đường, xe và chướng ngại vật trong nhiều điều kiện ánh sáng và môi trường khác nhau để nâng cao độ chính xác nhận dạng, đặc biệt là đối với chướng ngại vật. Thời gian thực hiện: 6-12 tháng. Chủ thể: Trung tâm nghiên cứu và các trường đại học.

2. Phát triển thuật toán nhận dạng đa lớp: Áp dụng các mô hình học sâu (Deep Learning) như CNN để cải thiện khả năng nhận dạng và phân loại đa dạng đối tượng, giảm thiểu lỗi nhận dạng sai. Thời gian thực hiện: 12 tháng. Chủ thể: Nhóm nghiên cứu chuyên sâu về trí tuệ nhân tạo.

3. Tích hợp hệ thống cảnh báo và điều khiển tự động: Kết nối thuật toán nhận dạng với hệ thống cảnh báo va chạm và phanh tự động để nâng cao an toàn giao thông. Thời gian thực hiện: 6 tháng. Chủ thể: Các hãng sản xuất ô tô và nhà phát triển phần mềm.

4. Nâng cao khả năng nhận dạng trong điều kiện ánh sáng yếu: Nghiên cứu sử dụng camera hồng ngoại hoặc công nghệ xử lý ảnh nâng cao để nhận dạng hiệu quả vào ban đêm hoặc môi trường ánh sáng kém. Thời gian thực hiện: 6-9 tháng. Chủ thể: Trung tâm nghiên cứu công nghệ hình ảnh.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật cơ khí động lực, điện tử và công nghệ thông tin: Luận văn cung cấp kiến thức chuyên sâu về xử lý ảnh, học máy và ứng dụng trong xe tự động, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Các công ty phát triển công nghệ ô tô tự động và hệ thống hỗ trợ lái xe: Thuật toán và kết quả nghiên cứu là cơ sở để cải tiến hệ thống nhận dạng và cảnh báo, nâng cao tính an toàn và hiệu quả sản phẩm.

3. Cơ quan quản lý giao thông và an toàn đường bộ: Tham khảo để hiểu rõ các công nghệ mới trong giám sát và cảnh báo giao thông, từ đó xây dựng chính sách và quy chuẩn phù hợp.

4. Nhà phát triển phần mềm và kỹ sư xử lý ảnh: Tài liệu chi tiết về thuật toán HOG, SVM, AdaBoost và Cascade of Boosting giúp nâng cao kỹ năng và áp dụng vào các dự án xử lý ảnh thực tế.

Câu hỏi thường gặp

1. Thuật toán HOG là gì và tại sao được sử dụng trong nhận dạng?
   HOG (Histogram of Oriented Gradients) là phương pháp trích xuất đặc trưng dựa trên hướng gradient của ảnh, giúp mô tả hình dạng đối tượng hiệu quả. Nó được sử dụng vì khả năng chịu được biến đổi ánh sáng và tư thế, phù hợp với nhận dạng người và xe trong môi trường giao thông.

2. SVM hoạt động như thế nào trong phân loại đối tượng?
   SVM tìm siêu phẳng tối ưu phân chia các lớp dữ liệu dựa trên đặc trưng đã trích xuất, giúp phân loại chính xác giữa các đối tượng như người đi đường và nền ảnh. SVM có ưu điểm là hiệu quả với dữ liệu có nhiều chiều và ít bị quá khớp.

3. Tại sao sử dụng Cascade of Boosting cho nhận dạng xe và chướng ngại vật?
   Cascade of Boosting kết hợp nhiều bộ phân loại yếu thành bộ phân loại mạnh, giúp tăng tốc độ xử lý và giảm sai số. Phương pháp này phù hợp với nhận dạng xe và chướng ngại vật do tính đa dạng và biến đổi kích thước của các đối tượng này.

4. Làm thế nào để đo khoảng cách từ camera đến đối tượng?
   Sử dụng kỹ thuật camera calibration và mô hình toán học chuyển đổi tọa độ ảnh sang không gian thực, hệ thống ước lượng khoảng cách dựa trên kích thước và vị trí đối tượng trong ảnh, hỗ trợ phán đoán hành vi và điều khiển xe.

5. Độ chính xác nhận dạng có thể cải thiện như thế nào trong tương lai?
   Bằng cách mở rộng bộ dữ liệu huấn luyện đa dạng hơn, áp dụng các mô hình học sâu tiên tiến và cải tiến phần cứng camera, độ chính xác nhận dạng sẽ được nâng cao, đặc biệt trong điều kiện ánh sáng yếu và môi trường phức tạp.

Kết luận

• Đã xây dựng thành công thuật toán nhận dạng người đi đường, xe và chướng ngại vật cho ô tô chạy tự động với độ chính xác lần lượt là 91%, 93% và 84%.
• Sử dụng hiệu quả đặc trưng HOG kết hợp SVM và Cascade of Boosting trong xử lý ảnh nhận dạng.
• Mô hình đo khoảng cách từ camera đến đối tượng giúp phán đoán hành vi và hỗ trợ điều khiển xe an toàn.
• Kết quả thực nghiệm trên đường phố thành phố Hồ Chí Minh cho thấy tính khả thi và ứng dụng thực tế của đề tài.
• Đề xuất mở rộng nghiên cứu về bộ dữ liệu, thuật toán học sâu và tích hợp hệ thống cảnh báo để nâng cao hiệu quả trong tương lai.

Luận văn là nền tảng quan trọng cho các nghiên cứu tiếp theo trong lĩnh vực xe tự động và hệ thống giao thông thông minh. Các nhà nghiên cứu và doanh nghiệp được khuyến khích áp dụng và phát triển thêm dựa trên kết quả này nhằm thúc đẩy công nghệ an toàn giao thông tại Việt Nam.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHAN TIẾN VƯƠNG NGHIÊN CỨU THUẬT TOÁN NHẬN DẠNG NGƯỜI ĐI ĐƯỜNG, XE VÀ CHƯỚNG NGẠI VẬT CHO Ô TÔ CHẠY TỰ ĐỘNG NGÀNH: KỸ THUẬT CƠ KHÍ ĐỘNG LỰC – 60520116 S K C0 0 4 6 4 0 Tp. Hồ Chí Minh, tháng 10/2015 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHAN TIẾN VƢƠNG NGHIÊN CỨU THUẬT TOÁN NHẬN DẠNG NGƢỜI ĐI ĐƢỜNG, XE VÀ CHƢỚNG NGẠI VẬT CHO Ô TÔ CHẠY TỰ ĐỘNG NGÀNH: KỸ THUẬT CƠ KHÍ ĐỘNG LỰC – 60520116 Tp. Hồ Chí Minh, tháng 10/2015 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ PHAN TIẾN VƢƠNG NGHIÊN CỨU THUẬT TOÁN NHẬN DẠNG NGƢỜI ĐI ĐƢỜNG, XE VÀ CHƢỚNG NGẠI VẬT CHO Ô TÔ CHẠY TỰ ĐỘNG Hƣớng dẫn khoa học: TS. LÊ THANH PHÚC Tp.

Hồ Chí Minh, tháng 10/2015 Luan van LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƢỢC: Họ & tên: PHAN TIẾN VƢƠNG Giới tính: Nam. Ngày, tháng, năm sinh: 20/10/1989 Nơi sinh: Đồng Nai Quê quán: Quảng Trị Dân tộc: Kinh. Địa chỉ liên lạc: 13/46 Kp 3, Đƣờng 11, P.

Linh Chiểu Thủ Đức TP.HCM Điện thoại cơ quan: Điện thoại nhà riêng: Điện thoại di động: [phone] E-mail: pppvuong@gmail. QUÁ TRÌNH ĐÀO TẠO: Đại học: Hệ đào tạo: Chính qui Thời gian từ 09/2007 đến 07/2012 Nơi học: Trƣờng Đại học sƣ phạm kỹ thuật Thành phố Hồ Chí Minh. Ngành học: Cơ khí động lực. Tên đồ án, luận án hoặc môn thi tốt nghiệp: Chuyên đề 1, Chuyên đề 2, Chuyên đề 3.

Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: 23/07/2012 Ngƣời hƣớng dẫn: III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm Trƣờng Trung Cấp Kinh Tế - Kỹ Giáo viên khoa Cơ Khí 11/2013– 08/2014 Thuật Nguyễn Hữu Cảnh Trƣờng Cao Đẳng Giao Thông Giảng viên khoa Kỹ 08/2014 - nay Vận Tải Thành Phố Hồ Chí Thuật Ô Tô Minh i Luan van LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác.HCM, ngày 23 tháng 10 năm 2015 (Ký tên và ghi rõ họ tên) Phan Tiến Vƣơng ii Luan van LỜI CẢM ƠN Một đề tài nghiên cứu không thể thành công nếu không có sự trợ giúp kết hợp với nỗ lực cố gắng của ngƣời nghiên cứu. Do đó, tôi xin chân thành cảm ơn sự hỗ trợ của: Ban giám hiệu Trƣờng Đại Học Sƣ Phạm Kỹ Thuật TP.

Khoa Cơ Khí Động Lực. Lê Thanh Phúc cùng toàn thể quý thầy cô đã dạy và hƣớng dẫn nhiệt tình và tạo mọi điều kiện thuận lợi cho tôi trong thời gian theo học tại trƣờng. Các bạn kỹ sƣ đồng nghiệp đã động viên ủng hộ tinh thần. Tuy thời gian thực hiện đề tài là 6 tháng nhƣng do lƣợng kiến thức chủ chốt để phục vụ cho công tác nghiên cứu và thực hiện đề tài thuộc chuyên ngành điện tử và điều khiển tự động, công nghệ thông tin nên khả năng tiếp cận và lĩnh hội của học viên chuyên ngành cơ khí động lực gặp nhiều khó khăn và hạn chế.

Tuy nhiên, với sự hƣớng dẫn và tạo điều kiện thuận lợi của Thầy TS. Lê Thanh Phúc và các bạn đồng nghiệp, tôi đã lĩnh hội đƣợc rất nhiều kiến thức mới, bổ ích để phục vụ cho ngành cơ khí động lực và công tác nghiên cứu sau khi ra trƣờng. Vì vậy, một lần nữa tôi xin chân thành cảm ơn quý thầy cô và các bạn. Xin chúc quý thầy cô cùng toàn thể các bạn luôn dồi dào sức khoẻ và thành công! TP.HCM, ngày 23 tháng 10 năm 2015.

Ngƣời cảm ơn Phan Tiến Vƣơng iii Luan van TÓM TẮT Nhận dạng ngƣời đi đƣờng, xe và chƣớng ngại vật là một đề tài hỗ trợ cảnh báo cho ngƣời lái xe và cho hệ thống giao thông thông minh. Mô hình nhận ngƣời đi đƣờng với giả định tỉ lệ kích thƣớc ngƣời trong ảnh không đổi. Nhận dạng ngƣời đi đƣờng dùng giải thuật máy học SVM với đặc trƣng HOG. Mô hình nhận xe với tỉ lệ kích thƣớc xe trong ảnh thay đổi.

Nhận dạng xe và chƣớng ngại vật dùng Cascade of boosting với đặc trƣng HOG. Thực nghiệm cho thấy kết quả nhận dạng khá tốt: Nhận dạng ngƣời đi đƣờng đạt độ chính xác 91% khi dùng 4,500 ảnh dƣơng (ảnh ngƣời đi đƣờng), 4,000 ảnh âm (không phải ngƣời đi đƣờng) và 200 ảnh để kiểm tra. Nhận dạng xe đạt độ chính xác 93% khi dùng 1500 ảnh dƣơng (ảnh xe), 3,000 ảnh âm (không phải xe) và 200 ảnh để kiểm tra. Nhận dạng chƣớng ngại vật đạt độ chính xác 84% khi dùng 100 ảnh dƣơng (chƣớng ngại vật), 1,000 ảnh âm (không phải chƣớng ngại vật) và 50 ảnh để kiểm tra.

Đề tài nghiên cứu sử dụng Webcam làm bộ phận thu hình ảnh chính đƣợc gắn trên xe ô tô xử lý bằng phần mềm Matlab và chạy thực nghiệm trên đƣờng cho kết quả nhận dạng tốt. Đề tài đã xây dựng đƣợc một chƣơng trình nhận dạng ngƣời đi đƣờng, xe và chƣớng ngại vật. iv Luan van ABSTRACT Pedestrians detection, vehicle detection and object recognition are applied to support drivers in warning them and to intelligent transportation system. The system which detects pedestrians is based on an assumption that the sizes of human images are fixed.

Human dectection process employs Support Vector Machine- Histograms of Oriented Gradients And the system identifies vehicles when the sizes of those in the images are changeable. Vehicle detection and object recognition process employs Cascade of boosting -Histograms of Oriented Gradients. Experiments show fairly good results: pedestrians acquisition process gained a 91% accuracy after analysing 3500 positive images (images of pedestrians), 4000 negative images (non-pedestrians) and 200 testing images. Vehicles acquistition process gained a 93.1 % accuracy after analysing 1500 positive images (images of vehicles), 2000 negative images (non-vehicle) and 200 testing images.

Obstacles acquisition process gained a 84 % accuracy after analysing 100 positive images (images of obstacles), 1000 negative images (non-obstacle) and 50 testing images. This research uses webcam built in cars as the major camera and works with Matlab. Practical experiments on the streets have achieved good acquisition results.The research also creates a programme identifying pedestrians, vehicles and obstacles. v Luan van MỤC LỤC Trang tựa TRANG Quyết định giao đề tài Lý lịch khoa học i Lời cam đoan ii Lời cảm ơn iii Tóm tắt iv Mục lục vi Danh sách các chữ viết tắt xi Danh sách các hình xii Danh sách các bảng xvi CHƢƠNG 1.1 Tổng quan chung về lĩnh vực nghiên cứu .2 Nhận dạng ngƣời đi đƣờng .3 Hệ thống cảnh báo sớm khi phát hiện ngƣời đi đƣờng trên xe .4 Nhận dạng xe và chƣớng ngại vật .5 Mô hình nhận dạng xe tổng quát .6 Hệ thống cảnh báo va chạm (Forward Collision Warning) .7 Phƣơng pháp nhận dạng ngƣời đi đƣờng xe và chƣớng ngại vật bằng xử lý ảnh .2 Các kết quả nghiên cứu trong và ngoài nƣớc đã công bố .1 Các kết quả nghiên cứu trong nƣớc .2 Các kết quả nghiên cứu quốc tế .3 Mục đích của đề tài .4 Phƣơng pháp nghiên cứu .5 Ý nghĩa khoa học và tính thực tiễn của đề tài .6 Giới hạn đề tài .7 Kế hoạch thực hiện.

11 vi Luan van CHƢƠNG 2.1 Lý thuyết tổng quan về xử lý ảnh .1 Ảnh số là gì? .2 Hệ thống xử lý ảnh .2 Các vấn đề cơ bản trong xử lý ảnh .1 Biểu diễn và mô hình hóa ảnh .2 Tăng cƣờng ảnh .3 Nắn chỉnh biến dạng .6 Trích chọn đặc điểm .7 Đặc điểm biên và đƣờng biên .10 Đo khoảng cách giữa các pixels .3 Các mô hình màu .1 Mô hình màu RGB .2 Mô hình màu CMY.3 Mô hình HSV .4 Mô hình sáng .4 Đặc Trƣng Haar-like .5 Thuật toán AdaBoost .6 Bộ phân lớp Cascade.7 Bộ phân lớp Cascade of boosting .8 Đặc trƣng Histogram of Oriented Gradients .2 Chuẩn hóa Gamma & Colour .4 Chia hƣớng & gom đặc trƣng tại mỗi nhóm cell. 39 vii Luan van 2.5 Tính đặc trƣng cho khối và chuẩn hóa .6 Tính vector đặc trƣng cho cửa sổ.9 Máy vector hỗ trợ (SVM) .1 Siêu phẳng - Hyperplane .2 SVM tuyến tính .3 Các điều kiện Karush-Kuhn-Tucker (KKT) .4 Giải thuật SMO. THUẬT TOÁN NHẬN DẠNG .1 Giới thiệu MATLAB .1 Khởi động Matlab.2 Một số lệnh thông dụng trong Matlab .3 Lập trình trong MATLAB.2 Nhận dạng ngƣời đi đƣờng sử dụng HOG và SVM .1 Tạo dữ liệu mẫu huấn luyện âm và mẫu huấn luyện dƣơng .2 Huấn luyện SVM .3 Nhận dạng ngƣời đi đƣờng .3 Nhận dạng xe và chƣớng ngại vật .1 Tạo bộ huấn luyện nhận dạng mẫu nhận dạng xe và chƣớng ngại vật.2 Hoạt động của bộ xử lý phân loại.3 Tạo nhãn nhận dạng cho mẫu.4 Sử dụng TrainCascadeObjectDetector tạo mẫu .5 Nhận dạng các đối tƣợng từ mẫu huấn luyện .4 Đo khoảng cách từ camera tới đối tƣợng .1 Mô hình đo khoảng cách trong ảnh .2 Kỹ Thuật camera calibration. THỰC NGHIỆM VÀ ĐÁNH GIÁ .1 Thông số Webcam.

83 viii Luan van 4.2 Kết quả thực nghiện .2 Tốc độ thu thập. KẾT LUẬN VÀ ĐỀ NGHỊ .1 Kết quả đạt đƣợc .2 Những vấn đề tồn tại .3 Hƣớng phát triển. 105 TÀI LIỆU THAM KHẢO. 109 ix Luan van DANH SÁCH CÁC CHỮ VIẾT TẮT MATLAB Maxtrix Laboratory CMU Carnegie Mellon University MIT Massachusetts Institute of Technology DARPA Defense Advanced Research Projects Agency HDTV High-definition television ROI Regions of Interest RGB Red, Green, Blue HSL Hue, Saturation, Luminance 2D Two Demension 3D Three Demension TIFF Targed Image File Format JPEG Joint Photographics Experts Group GIF Graphics Interchange Format BMP Window Bitmap PNG Portable Network Graphics XWD X Window Dump PCX Personal Computer Exchange CMY Cyan, Magnenta, Yellow HOG Histograms of Oriented Gradients SIFT Scale-Invariant Feature Transform PCA Principal component analysis CBC Cascade of boosting Classifier SVM Support Vector Machine DAB Discrete AdaBoost AdaBoost RAB - Real AdaBoost DAB GAB Gentle AdaBoost TP True Positive FP False Positive TN True Negative FN False Negative x Luan van DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 1.1: Ứng dụng của sản phẩm TMPV760 [1] 2 Hình 1.2: Nhận dạng ngƣời đi đƣờng [2] 2 Hình 1.3: Phát hiện ngƣời đi đƣờng bằng công nghệ không dây [3].4: Mô hình tổng quát giải quyết bài toán nhận dạng xe [6] 6 Hình 1.5: Cảnh báo va chạm sử dụng camera và các cảm biến [6] 6 Hình 1.6: Nhận dạng xe bằng các phƣơng pháp khác nhau [6] 8 Hình 2.1: Ảnh tƣơng tự và ảnh số [17] 14 Hình 2.2: Hệ thống xử lý ảnh [17] 15 Hình 2.3: a, ảnh thật, b, ảnh zoom, c, ma trận điểm [17] 16 Hình 2.4: Ảnh thu nhận và ảnh mong muốn [17] 17 Hình 2.5: Mô hình màu [17] 23 Hình 2.6: Hệ tọa độ màu RGB [17] 24 Hình 2.