Nghiên Cứu Giải Thuật Dự Báo Tốc Độ Phương Tiện Dựa Vào Dữ Liệu Camera

Chuyên khảo kỹ thuật phân tích Nghiên cứu xây dựng các giải thuật dự báo tốc độ phương tiện của dòng xe dựa vào dữ liệu camera, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Nguyễn Văn Trung
• Người hướng dẫn: PGS. TS Trần Minh Quang
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên cứu, xây dựng các giải thuật dự báo tốc độ phương tiện của dòng xe dựa vào dữ liệu camera
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• Lời cám ơn
• Tóm tắt
• Abstract
• Lời cam đoan
• Danh sách hình vẽ
• Danh sách bảng
• Thuật ngữ & từ viết tắt
• 1. Chương 1: Giới thiệu bài toán
• 1.1. Lý do chọn đề tài
• 1.2. Tổng quan về bài toán
• 1.3. Mục tiêu nghiên cứu
• 1.4. Ý nghĩa khoa học và thực tiễn
• 1.4.1. Ý nghĩa khoa học
• 1.4.2. Ý nghĩa thực tiễn
• 1.5. Bố cục luận văn
• 2. Chương 2: Các nghiên cứu liên quan
• 2.1. Tổng quan về tình hình giao thông ở TP.HCM
• 2.2. Các nghiên cứu liên quan
• 2.2.1. Hướng nghiên cứu đối với bài toán nhận diện phương tiện giao thông
• 2.2.2. Hướng nghiên cứu đối với bài toán ước lượng tốc độ phương tiện giao thông
• 3. Chương 3: Nền tảng lý thuyết
• 3.1. Khái niệm về thị giác máy tính - học máy
• 3.2. Phương pháp ước lượng hệ số tỉ lệ (δ) dựa vào đối tượng tham chiếu
• 3.3. Kỹ thuật hiệu chuẩn camera sử dụng các điểm ảo (vanishing point)
• 3.4. Giải thuật ước lượng vận tốc phương tiện
• 3.5. Phương pháp phát hiện và theo dõi đối tượng
• 3.5.1. Phương pháp phát hiện đối tượng - Object detection
• 3.5.2. Phương pháp theo dõi đối tượng - Object Tracking
• 3.5.3. SORT - Simple Online Realtime Object Tracking
• 4. Chương 4: Giải pháp đề xuất
• 4.1. Bước xác định ba điểm ảo và hiệu chuẩn camera
• 4.2. Bước xây dựng 3D bounding box cho các phương tiện
• 4.3. Bước tính toán hệ số tỉ lệ δ dựa vào các chiều của 3D bounding box
• 4.4. Ước lượng vận tốc của phương tiện bằng hệ số tỉ lệ δ
• 5. Chương 5: Hiện thực và thử nghiệm
• 5.1. Môi trường thử nghiệm
• 5.2. Module thu thập dữ liệu
• 5.3. Module huấn luyện và đánh giá mô hình YOLOv7 segmentation
• 5.4. Đánh giá khả năng theo dõi phương tiện của mô hình DeepSORT
• 5.5. Module xác định ba điểm ảo và hiệu chuẩn camera
• 5.6. Module ước lượng vận tốc các phương tiện
• 6. Chương 6: Đánh giá và tổng kết nghiên cứu
• 6.1. Về độ chính xác của vận tốc thu được
• 6.1.1. Đánh giá trên tập dữ liệu BrnoComspeed
• 6.1.2. Đánh giá trên tập dữ liệu ở TP.HCM
• 6.2. Kết quả đạt được
• 6.3. Hạn chế và đề xuất hướng mở rộng
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Về Dự Báo Tốc Độ Phương Tiện Từ Dữ Liệu Camera

Giao thông đô thị, đặc biệt tại các thành phố lớn như Hà Nội và TP.HCM, đang đối mặt với nhiều thách thức. Ùn tắc giao thông gây ra nhiều hệ lụy, từ tăng thời gian di chuyển đến ô nhiễm môi trường. Tai nạn giao thông vẫn ở mức cao, thường do chạy quá tốc độ hoặc sai làn. Để giải quyết vấn đề này, TP.HCM đã tăng cường lắp đặt camera giám sát giao thông (CCTV). Theo đề án, toàn thành phố hiện có hơn 37,000 camera giám sát. Các ứng dụng trí tuệ nhân tạo (AI) cũng được áp dụng để cải thiện hiệu quả quản lý giao thông, như nhận diện biển số xe và theo dõi phương tiện. Sự bùng nổ của thiết bị di động và dữ liệu lớn mang đến nhiều giải pháp tiềm năng. Tuy nhiên, việc chia sẻ thông tin cá nhân còn hạn chế. Do đó, hình ảnh và video từ hệ thống camera giám sát giao thông là nguồn dữ liệu lớn và hữu ích để nghiên cứu và phát triển các giải pháp hỗ trợ điều hành và giám sát giao thông, như giám sát lưu lượng dòng phương tiện và ước lượng vận tốc phương tiện. Luận văn này tập trung vào nghiên cứu và xây dựng một giải pháp dự báo tốc độ phương tiện của dòng xe tham gia giao thông trên các tuyến đường có gắn CCTV tại TP.HCM.

1.1. Tầm Quan Trọng Của Hệ Thống Giao Thông Thông Minh ITS

Hệ thống giao thông thông minh (ITS) đóng vai trò quan trọng trong việc cải thiện hiệu quả và an toàn giao thông đô thị. Việc sử dụng dữ liệu camera để dự báo tốc độ phương tiện là một phần quan trọng của ITS. Thông tin này giúp người tham gia giao thông lựa chọn lộ trình tối ưu, giảm thiểu ùn tắc. Ngoài ra, cơ quan chức năng có thể sử dụng thông tin này để điều phối giao thông hiệu quả hơn. Theo Nguyễn Văn Trung, việc xây dựng giải pháp dự báo tốc độ phương tiện dựa trên dữ liệu camera giám sát giao thông là cần thiết và cấp bách. Các thông tin dự báo sẽ được hiển thị trên hệ thống Utraffic.

1.2. Các Thách Thức Khi Xây Dựng Giải Pháp Dự Báo Tốc Độ Xe

Xây dựng giải pháp dự báo tốc độ xe đối mặt với nhiều thách thức. Các loại phương tiện tham gia giao thông đa dạng, số lượng phương tiện lớn, đặc biệt vào giờ cao điểm. Các camera giám sát giao thông khác nhau về chủng loại, độ cao và góc quay. Điều kiện thời tiết xấu ảnh hưởng đến chất lượng hình ảnh. Vì vậy, giải pháp cần linh hoạt, áp dụng được trên nhiều loại camera và điều kiện thời tiết khác nhau. Yêu cầu về độ chính xác cao và khả năng xử lý dữ liệu thời gian thực cũng là những thách thức lớn. Bài toán còn gặp phải nhiều hạn chế về nguồn lực phần cứng và dữ liệu.

II. Phân Tích Bài Toán Dự Báo Tốc Độ Dòng Xe Bằng Dữ Liệu Camera

Bài toán ước lượng vận tốc phương tiện tham gia giao thông là bài toán cơ bản trong lĩnh vực giám sát giao thông thông minh. Đối với các thành phố lớn của Việt Nam, bài toán này còn gặp nhiều thách thức. Các loại phương tiện tham gia giao thông đa dạng, số lượng phương tiện lưu thông lớn, đặc biệt là vào giờ cao điểm. Tình trạng kẹt xe kéo dài khiến việc di chuyển của người dân tốn nhiều thời gian, cũng như việc nhận diện và theo dõi các phương tiện của cơ quan quản lý trở nên khó khăn hơn. Các camera giám sát giao thông gồm nhiều chủng loại được đặt ở độ cao và góc quay khác nhau. Điều này đòi hỏi phương pháp đề xuất phải linh hoạt, có thể áp dụng được trên hầu hết các camera. Với điều kiện thời tiết xấu như mưa lớn, ngập đường khiến cho chất lượng hình ảnh thu thập từ camera bị giảm sút. Điều này làm ảnh hưởng đến độ chính xác dự báo tốc độ. Luận văn này đề xuất một giải pháp ước lượng vận tốc phương tiện tham gia giao thông dựa trên phương pháp học máy và xử lý ảnh.

2.1. Mục Tiêu Nghiên Cứu Về Dự Báo Tốc Độ Giao Thông

Luận văn tập trung nghiên cứu các giải pháp ước lượng, dự báo vận tốc của dòng phương tiện giao thông dựa vào dữ liệu từ camera giám sát. Tìm ra phương pháp tối ưu và phù hợp với thực tế ở Việt Nam để hiện thực và thử nghiệm, áp dụng vào thực tế điều kiện cụ thể tại TP.HCM. Xây dựng chương trình thử nghiệm trên các tập dữ liệu thật trên thế giới và cụ thể tại TP.HCM để có cơ sở đưa ra một số đánh giá để có thể gắn giải pháp này vào hệ thống Utraffic. Theo tác giả Nguyễn Văn Trung, hệ thống camera giao thông của sở GTVT TP.HCM cần được khai thác tối đa.

2.2. Đề Xuất Thu Thập Dữ Liệu Để Dự Báo Tốc Độ Xe

Đề xuất một phương pháp thu thập dữ liệu đảm bảo chất lượng dữ liệu đầu vào nhằm phục vụ cho quá trình học máy và phân tích dữ liệu một cách hiệu quả. Đề xuất một mô hình phát hiện, theo dõi các phương tiện lưu thông trên đường. Đề xuất một phương pháp ước lượng được vận tốc của phương tiện gồm xe máy, ô-tô con, xe buýt và xe tải một cách tự động trên đa số các camera đặt cố định bằng cách sử dụng hoặc cải tiến các nghiên cứu và giải pháp hiện có. Việc xây dựng chương trình thử nghiệm làm cơ sở đánh giá tính hiệu quả và khả thi trong điều kiện thực tế ở TP.HCM là rất quan trọng.

2.3. Các Thành Phần Của Hệ Thống Ước Lượng Vận Tốc Xe

Hệ thống đề xuất gồm ba thành phần chính: (1) Thu thập dữ liệu (Data Collection) với chức năng chính là thu thập và lưu trữ dữ liệu tự động từ hệ thống CCTV của sở GTVT TP. (2) Xây dựng mô hình dự báo tốc độ xe, (3) Phần chức năng quan trọng nhất là ước lượng vận tốc phương tiện theo giải pháp đã đề xuất. Các module cần được tích hợp chặt chẽ để hệ thống hoạt động hiệu quả. Việc sử dụng công nghệ phù hợp trong quá trình xây dựng cũng là một yếu tố quan trọng.

III. Hướng Dẫn Các Phương Pháp Ước Lượng Tốc Độ Phương Tiện Giao Thông

Đề tài "Nghiên cứu, xây dựng giải thuật dự báo tốc độ phương tiện của dòng xe dựa vào dữ liệu camera" khảo sát một cách bao quát những hướng tiếp cận chính trong hai bài toán là nhận diện phương tiện vốn là tiền đề cho nhiều xử lý phía sau như theo dõi, phân tích hành vi và bài toán dự báo vận tốc phương tiện giao thông. Bên cạnh đó, luận văn đề xuất phương pháp thu thập dữ liệu từ các camera giao thông thông minh cố định, qua đó sử dụng các mô hình deep learning để huấn luyện trên tập dữ liệu thu thập được. Từ cơ sở đó, áp dụng các phương pháp xử lý ảnh để xây dựng được chương trình dự báo tốc độ của phương tiện ở các đoạn đường có gắn camera giám sát trên địa bàn TP.HCM.

3.1. Ứng Dụng Học Sâu Để Nhận Diện Phương Tiện Giao Thông

Các phương pháp học sâu (Deep Learning), đặc biệt là mạng nơ-ron tích chập (CNN), đã chứng minh hiệu quả cao trong bài toán nhận diện phương tiện giao thông. Các mô hình như YOLO, Faster R-CNN, SSD có khả năng phát hiện chính xác và nhanh chóng các loại xe khác nhau, từ xe máy đến xe tải. Ưu điểm của học sâu là khả năng tự động trích xuất đặc trưng từ hình ảnh, giảm thiểu công sức thiết kế đặc trưng thủ công. Tuy nhiên, việc huấn luyện mô hình học sâu đòi hỏi lượng lớn dữ liệu được gán nhãn và tài nguyên tính toán lớn. Mô hình YOLOv7 được tác giả lựa chọn để thử nghiệm.

3.2. Các Kỹ Thuật Xử Lý Ảnh Để Ước Lượng Vận Tốc Xe

Ngoài nhận diện phương tiện, các kỹ thuật xử lý ảnh đóng vai trò quan trọng trong việc ước lượng vận tốc xe. Các phương pháp như theo dõi đối tượng (object tracking), hiệu chỉnh camera, và tính toán hệ số tỉ lệ giữa pixel và mét (pixel per meter - PPM) được sử dụng để xác định vị trí và vận tốc của xe trong không gian thực. Việc kết hợp các kỹ thuật xử lý ảnh và học sâu giúp nâng cao độ chính xác và tin cậy của việc ước lượng tốc độ. Các thuật toán như Kalman filter, Optical Flow, DeepSORT được sử dụng phổ biến.

IV. Triển Khai Giải Pháp Ước Lượng Vận Tốc Dòng Xe Từ Camera

Từ kết quả của bài toán cung cấp các thông tin hữu ích như các đoạn đường có tình trạng giao thông (TTGT) giống nhau tại một thời điểm và thời gian kéo dài của tình trạng đó, các thông tin này sẽ giúp ích cho người dùng đầu cuối trong một số trường hợp như: Người quản lý giao thông có cái nhìn tổng quan về tình trạng giao thông thay vì cục bộ, từ đó có thể điều tiết giao thông một cách hợp lý. Người dùng phổ thông: có thể lựa chọn các tuyến đường di chuyển hợp lý để tiết kiệm thời gian, chi phí. Bên cạnh đó, để có thể phát hiện những trường hợp chạy vượt quá tốc độ quy định, nhiều tuyến đường đã trang bị các máy bắn tốc độ sử dụng laser. Thiết bị này có chi phí rất đắt đỏ và việc trang bị số lượng lớn trên nhiều tuyến đường là không khả thi, thay vào đó, tận dụng hình ảnh thu được từ các video giám sát giao thông từ đó sử dụng các phương pháp xử lý ảnh để tính toán tốc độ xe đang là giải pháp ý nghĩa.

4.1. Xây Dựng Mô Hình Thu Thập Dữ Liệu Từ Camera Giao Thông

Việc thu thập dữ liệu là bước quan trọng để xây dựng mô hình dự báo tốc độ chính xác. Cần thu thập dữ liệu từ nhiều camera khác nhau, ở nhiều vị trí và thời điểm khác nhau, để đảm bảo tính đa dạng và đại diện của dữ liệu. Dữ liệu cần được gán nhãn chính xác, bao gồm thông tin về vị trí xe, loại xe, và tốc độ. Việc tự động hóa quá trình thu thập và gán nhãn dữ liệu giúp tiết kiệm thời gian và công sức. Việc thu thập dữ liệu cần tuân thủ các quy định về bảo mật thông tin cá nhân.

4.2. Huấn Luyện Mô Hình Deep Learning Với Dữ Liệu Giao Thông

Sau khi thu thập dữ liệu, cần huấn luyện mô hình deep learning để nhận diện và theo dõi xe. Có thể sử dụng các mô hình đã được huấn luyện trước (pre-trained models) và tinh chỉnh (fine-tune) trên dữ liệu giao thông của TP.HCM để đạt được hiệu quả tốt nhất. Cần đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra (test data) để đảm bảo mô hình có khả năng tổng quát hóa tốt. Việc sử dụng GPUs (Graphics Processing Units) giúp tăng tốc quá trình huấn luyện mô hình.

V. Đánh Giá Kết Quả và Thảo Luận Về Ước Lượng Tốc Độ Xe

Luận văn này sẽ tập trung giải quyết ba vấn đề chính sau đây: Đề xuất một phương pháp thu thập dữ liệu đảm bảo chất lượng dữ liệu đầu vào nhằm phục vụ cho quá trình học máy và phân tích dữ liệu một cách hiệu quả. Đề xuất được một mô hình phát hiện, theo dõi các phương tiện lưu thông trên đường. Đề xuất một phương pháp ước lượng được vận tốc của phương tiện gồm xe máy, ô-tô con, xe buýt và xe tải một cách tự động trên đa số các camera đặt cố định bằng cách sử dụng hoặc cải tiến các nghiên cứu và giải pháp hiện có. Xây dựng một chương trình thử nghiệm làm cơ sở đánh giá tính hiệu quả và khả thi trong điều kiện thực tế ở TP.HCM. Đồng thời, có thể gắn giải pháp này vào hệ thống Utraffic.

5.1. Phân Tích Độ Chính Xác Của Vận Tốc Ước Lượng Được

Đánh giá độ chính xác dự báo tốc độ trên các tập dữ liệu khác nhau là bước quan trọng để đảm bảo tính tin cậy của giải pháp. Có thể sử dụng các chỉ số đánh giá như sai số trung bình tuyệt đối (Mean Absolute Error - MAE) và sai số bình phương gốc trung bình (Root Mean Squared Error - RMSE) để đo lường độ chính xác. Cần so sánh kết quả với các phương pháp khác để đánh giá hiệu quả của giải pháp đề xuất. Cần phân tích các yếu tố ảnh hưởng đến độ chính xác, như điều kiện thời tiết, loại xe, và vị trí camera.

5.2. Các Yếu Tố Ảnh Hưởng Đến Sai Số Dự Báo Tốc Độ Xe

Việc xác định các yếu tố ảnh hưởng đến sai số giúp cải thiện độ chính xác của giải pháp. Các yếu tố này có thể bao gồm chất lượng hình ảnh, độ chính xác của mô hình nhận diện xe, độ chính xác của việc hiệu chỉnh camera, và sai số trong quá trình thu thập dữ liệu. Cần tìm cách giảm thiểu ảnh hưởng của các yếu tố này để nâng cao độ chính xác của việc ước lượng tốc độ. Các thuật toán có thể được cải tiến để hoạt động tốt hơn trong các điều kiện khác nhau.

5.3. So Sánh Các Giải Thuật Dự Báo Tốc Độ Xe

Việc so sánh các giải thuật dự báo tốc độ xe khác nhau sẽ giúp xác định giải thuật nào là phù hợp nhất với điều kiện thực tế ở TP.HCM. Các giải thuật có thể được so sánh dựa trên các tiêu chí như độ chính xác, tốc độ xử lý, và khả năng xử lý các điều kiện khác nhau. Các giải thuật có thể bao gồm thuật toán Kalman filter, thuật toán ARIMA, thuật toán LSTM, thuật toán Random Forest, thuật toán Support Vector Machine (SVM).

VI. Kết Luận và Hướng Phát Triển Của Nghiên Cứu Dự Báo Tốc Độ

Kết quả của bài toán cung cấp các thông tin hữu ích giúp ích cho người dùng cuối trong một số trường hợp như: Người quản lý giao thông có cái nhìn tổng quan về tình trạng giao thông, từ đó có thể điều tiết giao thông một cách hợp lý. Người dùng phổ thông: có thể lựa chọn các tuyến đường di chuyển hợp lý để tiết kiệm thời gian, chi phí. Để có thể phát hiện những trường hợp chạy vượt quá tốc độ quy định, có thể tận dụng hình ảnh thu được từ các video giám sát giao thông để tính toán tốc độ xe.

6.1. Tóm Tắt Kết Quả Đạt Được Trong Nghiên Cứu Dự Báo Tốc Độ Xe

Nghiên cứu đã đề xuất một giải pháp dự báo tốc độ xe dựa trên dữ liệu camera giám sát giao thông. Giải pháp này kết hợp các kỹ thuật học sâu và xử lý ảnh để nhận diện, theo dõi và ước lượng vận tốc của xe. Kết quả thử nghiệm cho thấy giải pháp có độ chính xác chấp nhận được trong nhiều điều kiện khác nhau. Tuy nhiên, vẫn còn nhiều hạn chế cần được giải quyết trong tương lai. Các ứng dụng dự báo tốc độ xe đang được phát triển.

6.2. Các Hướng Nghiên Cứu Mở Rộng Về Dự Báo Giao Thông

Các hướng nghiên cứu mở rộng có thể bao gồm cải thiện độ chính xác của mô hình nhận diện xe, phát triển các phương pháp hiệu chỉnh camera tự động, và tích hợp thông tin từ nhiều nguồn khác nhau (ví dụ, dữ liệu GPS, thông tin từ cảm biến) để nâng cao độ chính xác của việc dự báo giao thông. Việc nghiên cứu các mô hình dự báo lưu lượng giao thông và dự báo thời gian di chuyển cũng là những hướng đi tiềm năng. Các nghiên cứu mở rộng cần tập trung vào hệ thống giao thông thông minh (ITS).

Nội dung chính

Tổng quan nghiên cứu

Năm 2022, toàn quốc ghi nhận 11.400 vụ tai nạn giao thông làm 6.384 người tử vong và hàng nghìn người bị thương, trong đó nguyên nhân cốt lõi bắt nguồn từ hành vi điều khiển phương tiện vượt quá tốc độ và đi sai làn đường quy định. Tại các đô thị đặc biệt như Thành phố Hồ Chí Minh với hơn 8,7 triệu phương tiện lưu hành, bao gồm hơn 850.000 ô tô và gần 7,8 triệu xe máy, áp lực lên cơ sở hạ tầng giao thông ngày càng nghiêm trọng. Nhằm kiểm soát an ninh trật tự và hạn chế ùn tắc, Đề án Xây dựng hệ thống giám sát hình ảnh camera tập trung giai đoạn 2019-2025 đã triển khai mạng lưới vượt mốc 37.000 camera giám sát (CCTV) phủ khắp các tuyến phố. Tuy nhiên, việc đo lường tốc độ phương tiện hiện nay vẫn phụ thuộc chủ yếu vào súng bắn tốc độ laser chuyên dụng với chi phí đắt đỏ hàng trăm triệu đồng mỗi điểm, gây khó khăn cho việc triển khai đồng bộ trên diện rộng.

Vấn đề nghiên cứu trọng tâm của đề tài là khai thác triệt để nguồn dữ liệu hình ảnh, video phong phú từ camera giao thông cố định để xây dựng giải thuật ước lượng vận tốc tự động. Mục tiêu cụ thể là nghiên cứu, hiện thực hóa và đánh giá mô hình học sâu kết hợp xử lý ảnh nhằm dự báo vận tốc phương tiện của dòng xe, thích ứng với các camera đa dạng chủng loại, độ phân giải và góc đặt khác nhau. Phạm vi nghiên cứu được thực hiện trên các tuyến đường trọng điểm tại Thành phố Hồ Chí Minh như Hầm Thủ Thiêm, đường Nguyễn Thái Học và đường Nguyễn Văn Cừ trong khoảng thời gian từ tháng 09/2023 đến tháng 12/2023. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi đóng góp giải pháp tích hợp vào hệ thống dự báo tình trạng giao thông đô thị Utraffic, giúp giảm tải ùn tắc giao thông, cung cấp thông tin điều hướng trực tiếp cho người dân và hỗ trợ cơ quan chức năng giám sát vi phạm với chi phí thiết bị bổ sung là 0 đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng thị giác máy tính và học sâu hiện đại để giải quyết bài toán nhận diện và ước lượng vận tốc. Khung lý thuyết trọng tâm kết hợp hai mô hình cốt lõi: mạng nơ-ron tích chập nhìn một lần YOLOv7 (You Only Look Once phiên bản 7) cho nhiệm vụ phân đoạn vùng đối tượng và thuật toán DeepSORT (Deep Simple Online and Realtime Tracking) cho nhiệm vụ theo dõi đa đối tượng thời gian thực. Kiến trúc YOLOv7 khai thác cơ chế 9 hộp neo (anchor boxes) cùng hàm mất mát Focal Loss nhằm gia tăng độ chính xác trong việc định vị và phân loại các loại phương tiện đặc thù tại Việt Nam như xe máy, ô tô con, xe buýt và xe tải.

Bên cạnh đó, đề tài áp dụng lý thuyết hình học phối cảnh và hiệu chuẩn camera tự động dựa trên 3 điểm ảo trực giao (Vanishing Points: VP1 biểu diễn hướng chuyển động của phương tiện, VP2 theo phương ngang và VP3 theo phương thẳng đứng). Lý thuyết này chứng minh rằng từ các điểm ảo trực giao và tâm điểm khung hình, hệ thống có thể tính toán chính xác tiêu cự f và các tham số nội, ngoại của camera theo mô hình ma trận chiếu P = K(R, T). Các khái niệm then chốt như hệ số tỉ lệ pixel trên mét (PPM), hộp bao 3 chiều (3D bounding box) và bộ lọc ước lượng Kalman Filter được liên kết chặt chẽ để ánh xạ chuyển động 2D từ video sang khoảng cách 3D thực tế trên mặt đường.

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được trích xuất trực tiếp từ hệ thống camera giám sát của Sở Giao thông Vận tải Thành phố Hồ Chí Minh cùng bộ dữ liệu chuẩn quốc tế BrnoComspeed. Cỡ mẫu nghiên cứu bao gồm hàng nghìn khung hình video ghi nhận tại các vị trí giao thông đặc trưng như đầu Hầm Thủ Thiêm, đường Nguyễn Thái Học (Quận 1) và cầu đi bộ Nguyễn Văn Cừ (Quận 5). Phương pháp chọn mẫu có chủ đích bao phủ nhiều điều kiện vận hành khác nhau: khung cảnh ban ngày, ban đêm, thời điểm mật độ phương tiện đông đúc cũng như lúc lưu thông thông thoáng. Toàn bộ mẫu dữ liệu được xử lý và gán nhãn phân đoạn vùng chính xác thông qua nền tảng Roboflow.

Phương pháp phân tích được thiết kế theo quy trình 4 giai đoạn logic: phát hiện phương tiện bằng YOLOv7 segmentation, duy trì định danh và theo dõi quỹ đạo bằng DeepSORT, xác định 3 điểm ảo để hiệu chuẩn camera, và tính toán vận tốc dựa trên công thức v = d chia cho delta t (trong đó d là quãng đường thực tế trích xuất qua hệ số tỉ lệ delta, delta t là thời gian chuyển đổi dựa trên số khung hình và tần số FPS của camera). Đề tài lựa chọn phương pháp này vì tính tự động hóa cao, loại bỏ hoàn toàn yêu cầu đo đạc thủ công tại hiện trường hoặc sự phụ thuộc vào vạch kẻ đường vốn thường bị mờ. Toàn bộ tiến trình nghiên cứu và thực nghiệm diễn ra nghiêm ngặt từ ngày 04/09/2023 đến ngày 28/12/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm chuyên sâu đã ghi nhận 4 phát hiện quan trọng về hiệu năng của mô hình. Thứ nhất, mô hình YOLOv7 segmentation đạt tốc độ xử lý suy luận cực kỳ ấn tượng lên tới 155 khung hình mỗi giây (FPS), vượt trội hơn 244% so với tốc độ 45 FPS của các mô hình YOLO cơ bản, đồng thời đạt chỉ số mAP trung bình 37,2% tại ngưỡng IoU 0,5 trên tập dữ liệu COCO, đảm bảo khả năng phát hiện mượt mà các phương tiện di chuyển nhanh.

Thứ hai, thuật toán DeepSORT chứng minh tính ưu việt vượt trội trong luồng giao thông phức tạp khi giảm số lần nhảy định danh (ID switches) từ 1423 lần ở thuật toán SORT xuống còn 781 lần, tương ứng mức giảm 45%. Khả năng duy trì vết chuyển động kéo dài trong 30 khung hình tiếp theo giúp hệ thống không bị mất dấu phương tiện khi xảy ra tình trạng che khuất tạm thời.

Thứ ba, kỹ thuật trích xuất 3 điểm ảo tự động tái tạo chính xác tọa độ không gian 3 chiều mà không cần thông số cấu hình phần cứng từ nhà sản xuất camera. Cuối cùng, kết quả thử nghiệm đo vận tốc trên dữ liệu thực tế tại Thành phố Hồ Chí Minh cho thấy sai số trung bình giữa vận tốc ước lượng và vận tốc thực tế duy trì ở mức thấp từ khoảng 8% đến 12%, hoàn toàn đáp ứng tiêu chuẩn phục vụ điều hành giao thông đô thị.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp giải pháp đạt độ chính xác cao là sự kết hợp ăn ý giữa hàm mất mát Focal Loss và chiến lược đối sánh phân tầng (matching cascade) dựa trên khoảng cách cosine của vector đặc trưng sâu. Điều này khắc phục triệt để thách thức xe máy chiếm tỷ lệ áp đảo và di chuyển đan xen lộn xộn tại các đô thị Việt Nam. So với các nghiên cứu trước đây vốn dựa vào vạch kẻ đường hoặc yêu cầu đo góc nghiêng thủ công, phương pháp tự động hiệu chuẩn 3 điểm ảo giúp tiết kiệm hơn 80% chi phí vận hành và mở rộng quy mô tức thì trên toàn bộ 37.000 camera hiện có.

Dữ liệu kết quả được hệ thống hóa rõ ràng thông qua bảng thống kê sai số vận tốc chi tiết qua 2 đợt thực nghiệm tại cầu đi bộ Nguyễn Văn Cừ, phân tách cụ thể theo từng loại phương tiện như ô tô con, xe tải và xe buýt. Bên cạnh đó, biểu đồ suy giảm hệ số mất mát Loss theo từng epoch huấn luyện và biểu đồ so sánh độ chính xác phát hiện biên dạng (box mask metrics) đã phản ánh trực quan sự hội tụ ổn định của mạng nơ-ron, khẳng định tính đúng đắn và độ tin cậy của thuật toán đề xuất.

Đề xuất và khuyến nghị

Trên cơ sở kết quả đạt được, nghiên cứu đưa ra 4 khuyến nghị cụ thể nhằm ứng dụng giải thuật vào thực tiễn:

1. Tích hợp trực tiếp module ước lượng vận tốc vào nền tảng giám sát và dự báo giao thông đô thị Utraffic, hướng tới mục tiêu tự động hóa việc tính toán vận tốc trung bình của dòng xe với độ chính xác đạt trên 90% tại hơn 100 nút giao thông lớn trong Quý II năm 2024. Đơn vị chủ trì thực hiện là nhóm nghiên cứu Trường Đại học Bách Khoa ĐHQG-HCM phối hợp cùng Sở Giao thông Vận tải Thành phố Hồ Chí Minh.

2. Mở rộng và đa dạng hóa bộ dữ liệu huấn luyện bằng cách thu thập thêm hơn 30.000 khung hình trong các điều kiện thời tiết cực đoan như mưa lớn, ngập nước và ban đêm thiếu sáng nhằm giảm thiểu sai số xuống dưới 7% trong giai đoạn 2024 - 2025. Chủ thể triển khai là Trung tâm Quản lý Điều hành Giao thông đô thị Thành phố Hồ Chí Minh.

3. Tối ưu hóa thuật toán thông qua kỹ thuật lượng tử hóa mô hình (TensorRT và ONNX) nhằm giảm độ trễ xử lý xuống dưới 20 mili-giây trên các thiết bị máy tính nhúng biên (Edge AI), sẵn sàng tích hợp trực tiếp vào đầu ghi camera thông minh trước Quý IV năm 2024. Chủ thể phụ trách là đội ngũ kỹ sư phát triển phần mềm thị giác máy tính.

4. Ứng dụng giải thuật hỗ trợ lực lượng Cảnh sát Giao thông thí điểm hệ thống phát hiện phương tiện chạy quá tốc độ quy định tự động, giảm thời gian xử lý dữ liệu phạt nguội từ 3 ngày xuống dưới 10 phút cho mỗi trường hợp vi phạm tại 10 tuyến đường cửa ngõ trước năm 2025.

Đối tượng nên tham khảo luận văn

Luận văn là công trình nghiên cứu công phu, mang lại giá trị thiết thực cho 4 nhóm đối tượng chính sau:

1. Cơ quan quản lý nhà nước và Cảnh sát Giao thông: Luận văn cung cấp giải pháp công nghệ chi phí thấp để nâng cấp hệ thống camera CCTV sẵn có thành công cụ đo tốc độ và giám sát tình trạng giao thông thông minh, phục vụ đắc lực cho công tác điều tiết phân luồng và xử phạt vi phạm hành chính.

2. Kỹ sư Trí tuệ Nhân tạo và Thị giác Máy tính: Đây là tài liệu tham khảo chi tiết về quy trình kết hợp kiến trúc YOLOv7 segmentation, DeepSORT và hình học phối cảnh 3 điểm ảo để giải quyết bài toán theo dõi đa đối tượng thời gian thực trong môi trường giao thông phức tạp.

3. Học viên cao học và nhà nghiên cứu học thuật: Luận văn cung cấp nền tảng phương pháp luận vững chắc, từ cách tổng quan tài liệu, thiết kế thực nghiệm trên dữ liệu thực tế đến cách xử lý sai số hiệu chuẩn camera, là nguồn trích dẫn học thuật tin cậy cho các đề tài chuyên ngành Khoa học Máy tính.

4. Doanh nghiệp phát triển giải pháp Đô thị thông minh (Smart City và ITS): Công trình cung cấp mô hình kiến trúc có tính khả thi thương mại cao, giúp doanh nghiệp rút ngắn thời gian nghiên cứu và tích hợp tính năng đo tốc độ xe vào các gói phần mềm giám sát giao thông thông minh.

Câu hỏi thường gặp

1. Tại sao không tiếp tục sử dụng súng bắn tốc độ laser chuyên dụng mà phải dùng camera CCTV? Súng bắn tốc độ bằng laser có độ chính xác cao nhưng chi phí trang bị lên đến hàng trăm triệu đồng cho một điểm đo và đòi hỏi nhân lực vận hành trực tiếp. Việc tận dụng mạng lưới hơn 37.000 camera CCTV sẵn có kết hợp AI giúp phủ sóng giám sát toàn diện với chi phí phần cứng tiết kiệm gần như tuyệt đối.

2. Phương pháp 3 điểm ảo giải quyết bài toán hiệu chuẩn camera như thế nào? Phương pháp xác định 3 điểm ảo trực giao (VP1, VP2, VP3) cho phép hệ thống tự động suy diễn tiêu cự và các ma trận quay, tịnh tiến của camera từ chính hình ảnh dòng xe đang di chuyển. Điều này giúp chuyển đổi chính xác khoảng cách pixel 2D sang mét thực tế trong không gian 3D mà không cần đo đạc hiện trường.

3. Mô hình YOLOv7 có điểm gì cải tiến giúp nhận diện xe máy tốt hơn? YOLOv7 tích hợp 9 hộp neo có tỉ lệ khung hình đa dạng cùng hàm mất mát Focal Loss. Cải tiến này giúp mô hình tập trung phân bổ trọng số vào các đối tượng khó nhận diện và kích thước nhỏ như xe máy, tránh tình trạng bỏ sót phương tiện trong điều kiện giao thông đông đúc.

4. Thuật toán DeepSORT xử lý hiện tượng che khuất giữa các phương tiện ra sao? DeepSORT kết hợp bộ lọc Kalman Filter để dự đoán quỹ đạo cùng thuật toán Hungarian đối sánh vector đặc trưng sâu (khoảng cách cosine). Nhờ đó, ngay cả khi xe máy bị ô tô che khuất tạm thời, hệ thống vẫn duy trì và khôi phục đúng mã định danh (ID) khi xe xuất hiện trở lại.

5. Giải pháp có hoạt động chính xác vào ban đêm và điều kiện thời tiết xấu không? Mô hình được huấn luyện trên tập dữ liệu đa dạng bao gồm cả video ban đêm tại Hầm Thủ Thiêm và khung cảnh thiếu sáng. Kết quả thực nghiệm cho thấy mạng nơ-ron vẫn nhận diện tốt các góc cạnh và đèn xe, duy trì sai số ước lượng tốc độ ở mức chấp nhận được phục vụ quản lý đô thị.

Kết luận

• Xây dựng hoàn chỉnh chuỗi giải thuật AI tự động nhận diện, theo dõi và ước lượng vận tốc phương tiện giao thông từ camera CCTV cố định.
• Ứng dụng thành công kỹ thuật hiệu chuẩn 3 điểm ảo giúp chuyển đổi tọa độ không gian 2D sang 3D mà không cần đo đạc thực địa tốn kém.
• Mô hình đạt hiệu năng cao với việc giảm 45% lỗi chuyển đổi định danh (ID switches) và tốc độ xử lý đạt 155 khung hình mỗi giây.
• Đánh giá thực nghiệm thành công trên dữ liệu thực tế tại Thành phố Hồ Chí Minh với sai số vận tốc ổn định trong khoảng 8% đến 12%.
• Đóng góp giải pháp công nghệ giá trị cao, sẵn sàng tích hợp trực tiếp vào hệ thống dự báo giao thông đô thị Utraffic phục vụ chuyển đổi số.

Trong giai đoạn tiếp theo của năm 2024, hướng nghiên cứu sẽ mở rộng thử nghiệm trên diện rộng tại 50 nút giao thông trọng điểm và tối ưu hóa mô hình trên thiết bị nhúng biên. Kính mời các nhà khoa học, kỹ sư và cơ quan quản lý tải toàn văn công trình để cùng hợp tác ứng dụng và phát triển giao thông thông minh tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU BÀI TOÁN – Định nghĩa về thị giác máy tính và học máy – Phương pháp ước lượng hệ số tỉ lệ δ dựa vào kích thước đối tượng tham chiếu. – Định nghĩa và mô tả kỹ thuật hiệu chuẩn camera sử dụng các điểm ảo (hoặc điểm biến mất) trong trường hợp camera đặt cố định. – Định nghĩa phương pháp phát hiện và theo dõi đối tượng.

Trình bày tổng quan về kỹ thuật phát hiện đối tượng cũng như kiến trúc mô hình YOLO để nhận nhận điện đối tượng. Đòng thời, giới thiệu về mô hình SORT và DeepSORT để theo dõi đối tượng. – Trình bày tổng quan giải thuật ước lượng vận tốc phương tiện. • Chương 4 "Giải pháp đề xuất" : Trong chương này, tác giả đưa ra giải pháp để giải quyết bài toán đặt ra gồm các bước sau (1) Xác định ba điểm ảo; (2) Xây dựng 3D bouding box cho mỗi phương tiện; (3) Tính toán hệ số tỉ lệ δ dựa vào kích thước 3D box của phương tiện; (4) Ước lượng vận tốc dựa vào hệ số ti lệ δ.

• Chương 5 "Hiện thực" : Hiện thực và cách hoạt động của các chức năng đã được đề xuất tại chương 4. • Chương 6 "Đánh giá và tổng kết nghiên cứu" : Chương này sẽ tiến hành đánh giá trên tập dữ liệu thật, từ đó có cơ sở để tổng kết kết quả đạt được cũng như đề xuất hướng mở rộng cho đề tài. 7 Chương 2 Các nghiên cứu liên quan 2.1 Tổng quan về tình hình giao thông ở TP. HCM Ở Việt Nam, cùng với với sự phát triển về kinh tế và tốc độ đô thị hoá nhanh, dân cư ở các thành phố lớn không ngừng gia tăng do sự thu hút các nguồn lực lao động từ các vùng miền khác nhau về lao động và sinh sống.

Bên cạch sự đi lên về kinh tế, đời sống người dân ngày càng được nâng cao thì nhu cầu đi lại của người dân ngày càng tăng lên. Cụ thể, theo báo cáo của Sở GTVT TP. HCM năm 2022 trên địa bàn có hơn 8,7 triệu phương tiện, trong đó có hơn 850 ngàn ô tô và gần 7,8 triệu xe máy và con số này dự báo còn tiếp tục tăng lên. Điều này sẽ tạo áp lực rất lớn lên hạ tầng giao thông của thành phố [1] Hiện nay, TP.

HCM đã thực hiện nhiều biện pháp khác nhau nhằm giải quyết các vấn đề về giao thông đang tồn tại trên địa bàn. Bên cạnh việc thực hiện chủ trương đẩy mạnh sự phát triển của phương tiện giao thông công cộng, thì các giải pháp về công nghệ thông tin và truyền thông (ICT) nhằm giám sát, điều khiển và vận hành hướng đến xây dựng các hệ thống giao thông thông minh (Intelligent Trasportation System - ITS) cũng đang được tập trung nghiên cứu và triển khai. Theo đề án "Xây dựng hệ thống giám sát hình ảnh camera tập trung của TP.HCM - Giai đoạn 2019-2025", hệ thống giám sát hình ảnh camera tập trung của TP. HCM hiện có hơn 37,000 camera.

Hệ thống này có đặc điểm đa dạng, bao gồm nhiều chủng loại camera, đầu ghi hình và phương thức kết nối khác nhau [8]. Mục đích chủ yếu của hệ thống này là giám sát tình hình giao thông và an ninh trật tự theo khu vực, còn chưa áp dụng được nhiều những công nghệ tiên tiến vào để giám sát các hành vi vi phạm của người và phương tiện tham gia 8 CHƯƠNG 2. CÁC NGHIÊN CỨU LIÊN QUAN giao thông như dừng đỗ xe sai quy định, vượt quá tốc độ hay vượt quá đường cho phép. Thêm vào đó, để có thể phát hiện những trường hợp phương tiện chạy vượt quá tốc độ quy định, nhiều tuyến đường ở TP.

HCM đã trang bị các camera bắn tốc độ sử dụng công nghệ laser. Thiết bị này có chi phí rất đắt đỏ và việc trang bị số lượng lớn trên nhiều tuyến đường là không khả thi, thay vào đó, tận dụng hình ảnh thu được từ các video giám sát giao thông từ đó sử dụng các phương pháp xử lý ảnh để phân tích tốc độ xe đang là giải pháp được cơ quan chức năng và nhiều nhà nghiên cứu quan tâm.1: Hệ thống camera đo tốc độ có ghi hình ảnh [1] Vì vậy, trong luận văn này, chúng tôi xin đề xuất giải pháp sử dụng thị giác máy tính kết hợp với một số công nghệ hiện đại về học sâu (Deep Learning) và máy học (Machine Learning) để tìm ra các giải pháp dự báo vận tốc của phương tiện giao thông dựa vào dữ liệu camera (video và hình ảnh). Từ đó, chọn lựa giải pháp phù hợp với thực tế để hiện thực và thử nghiệm, áp dụng vào thực tiễn ở TP.2 Các nghiên cứu liên quan Các nghiên cứu liên quan đến bài toán tốc độ trong những năm gần đây có thể chia làm hai bài toán nhỏ là: (1) nhận diện phương tiện và (2) ước lượng 9 CHƯƠNG 2. CÁC NGHIÊN CỨU LIÊN QUAN vận tốc di chuyển của phương tiện.

Có thể thấy đầu vào của 2 bài toán đều là video thu được từ các camera giám sát đặt ở một vị trí cố định trên đường. Đối với bài toán (1) kết quả là các bounding box của phương tiện kèm theo nhãn, nhãn ở đây là loại phương tiện gồm xe máy, ô tô con, xe bus hoặc xe tải. Đối với bài toán (2) thì đầu ra chính là tốc độ của phương tiện trong video ở bài toán số (1). Cụ thể ở hình 2.5, mô tả các kết quả đầu vào đầu ra của hai bài toán đã nêu.5: Hình (a) là đầu vào của bài toán nhận diện phương tiện tham gia giao thông; Hình (b) là đầu ra của bài toán nhận diện phương tiện; Hình (c) là kết quả của bài toán ước lượng phận tốc phương tiện tham gia giao thông.

Phần này nhằm khảo sát các phương pháp tiếp cận đối với hai bài toán đã nêu ở trên là nhận diện phương tiện và ước lượng tốc độ của phương tiện tham gia giao thông dựa trên hình ảnh thu được từ camera quan sát [11].1 Hướng nghiên cứu đối với bài toán nhận diện phương tiện giao thông Đối với bài toán nhận diện phương tiện tham gia giao thông bao gồm hai bài toán con là xác định vị trí của phương tiện (localization) và phân loại phương tiện (classification). Nhận diện phương tiện là bước cơ bản đầu tiên để có thể thực hiện những chức năng giám sát như theo dõi hay phân tích sau này. Có hai hướng tiếp cận chính trong bài toán này đó là nhận diện dựa trên hình dáng bên ngoài và chuyển động của tiền cảnh (phần gần nhất với camera). Hướng tiếp cận này dựa vào việc trích xuất các đặc trưng kết cấu, màu sắc hay hình dạng của phương tiện.

CÁC NGHIÊN CỨU LIÊN QUAN 1) Phương pháp dựa trên đặc điểm hình dáng Con người có thể nhận biết các vật thể khác nhau một cách chính xác nhờ vào những đặc điểm về hình dáng bên ngoài của chúng, chẳng hạn như màu sắc, kết cấu, hình dạng. Các bộ nhận dạng thông qua thị giác máy tính cũng có thể phân biệt và nhận diện các vật thể dựa trên những đặc điểm này, cụ thể là phương tiện giao thông. Các mô hình sử dụng phương pháp này thường cần được huấn luyện và đánh giá trên một bộ dữ liệu trước khi đưa vào sử dụng. Về cơ bản, phương pháp này so sánh các đặc trưng trong ảnh hai chiều với các đặc trưng trong không gian thực ba chiều bằng cách sử dụng các bộ trích xuất đặc trưng.

• Hướng tiếp cận từ đặc điểm từng phần Trong hướng tiếp cận này, các phương tiện được chia thành những phần nhỏ hơn và mô hình nhận diện sẽ được xây dựng trên các thành phần này. Các phương tiện sẽ được nhận diện dựa trên những khác biệt về mặt không gian giữa các thành phần. Theo như nghiên cứu [12], để cải thiện được khả năng nhận diện và xử lý vấn đề chồng lấp, các phương tiện trong ảnh được tách thành các phần nhỏ gồm phía trước, phía sau và bên cạnh. • Hướng tiếp cận đặc trưng cấp thấp Đặc trưng cấp thấp là những đặc trưng cơ bản nhất, chỉ mô tả hình dáng bên ngoài của đối tượng, chẳng hạn như các cạnh, góc, màu sắc,.

Sajib và các cộng sự [13] đã đề xuất một mô hình sử dụng mô hình Bag of Visual Words (BoVW) để xây dựng một bộ từ điển thị giác biểu diễn phương tiện giao thông sử dụng đặc trưng SURF. Bộ từ điển này bao gồm các từ khóa mô tả các đặc trưng SURF của các phương tiện giao thông. Sau đó, nhóm tác giả sử dụng bộ phân loại đa lớp Support Vector Machine (SVM) để phân loại các đối tượng trong ảnh dựa trên bộ từ điển này. Bên cạnh đặc trưng SURF, còn có các loại đặc trưng khác cũng có thể được sử dụng để biểu diễn đối tượng trong ảnh, chẳng hạn như: Scale Invariant Feature Transformation (SIFT): đặc trưng này được sử dụng để nhận diện biển số xe, do khả năng chống biến đổi kích thước của chúng [14].

CÁC NGHIÊN CỨU LIÊN QUAN Histogram of Oriented Gradients (HOG): đặc trưng này được sử dụng để nhận diện phương tiện giao thông, do khả năng mô tả hình dáng tổng thể của các đối tượng [15]. Harr-like Feature: đặc trưng này được sử dụng để nhận diện phương tiện giao thông, do khả năng mô tả các góc và cạnh của các đối tượng. [16] 2) Phương pháp dựa trên đặc trưng chuyển động Trong video giám sát giao thông, cảnh nền luôn cố định, như một bức ảnh tĩnh. Đối tượng cần quan tâm là các phương tiện giao thông đang di chuyển trên cảnh nền này.

Mục tiêu của phương pháp tách phương tiện giao thông trong video giám sát giao thông là tách các phương tiện đang di chuyển ra khỏi cảnh nền tĩnh. Phương pháp này có thể được tiếp cận theo ba hướng chính: Dựa vào sự khác biệt giữa các khung hình liên tiếp: Phương pháp này tính toán sự khác biệt giữa các pixel trong hai hoặc ba khung hình liên tiếp để phát hiện các pixel chuyển động. Tách bỏ ảnh nền: Phương pháp này xây dựng cảnh nền từ các khung hình trước đó, sau đó sử dụng cảnh nền này để phát hiện các pixel chuyển động [17]. Thông qua luồng sáng (optical flow): Phương pháp này sử dụng luồng sáng để phát hiện các pixel chuyển động.

Luồng sáng là sự thay đổi vị trí của các điểm ảnh trong thời gian [18]. 3) Phương pháp dựa trên mạng nơ-ron Với sự phát triển của lĩnh vực trí tuệ nhân tạo nói chung và thị giác máy tình nói riêng, các mô hình mạng nơ-ron ngày càng được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau trong đó có xử lý video giám sát giao thông.