Tổng quan nghiên cứu

Tình trạng tắc nghẽn giao thông tại các đô thị lớn như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng đang ngày càng trở nên nghiêm trọng, đặc biệt trong các dịp lễ, tết và sự kiện lớn. Theo ước tính, mật độ phương tiện tăng cao gây ảnh hưởng tiêu cực đến quá trình di chuyển của người dân và hạn chế sự phát triển kinh tế xã hội. Việc giám sát và phân tích tình trạng giao thông một cách chính xác, kịp thời là yêu cầu cấp thiết nhằm nâng cao hiệu quả quản lý và điều phối giao thông. Trong bối cảnh đó, việc ứng dụng công nghệ xử lý ảnh và video từ hệ thống camera giám sát giao thông trở thành giải pháp được quan tâm.

Mục tiêu nghiên cứu của luận văn là phát triển một thuật toán phân tích tình trạng giao thông theo thời gian thực dựa trên xử lý ảnh, sử dụng các tham số kết cấu hình ảnh từ ma trận Gray Level Co-occurrence Matrix (GLCM) để phân loại tình trạng giao thông thành ba nhóm chính: Thông thoáng (Free), Đông xe (Crowded) và Kẹt xe (Congested). Nghiên cứu tập trung phân tích dữ liệu hình ảnh và video thu thập từ các camera giám sát đặt tại các trục lộ chính của thành phố Đà Nẵng trong khoảng thời gian thực tế, nhằm cung cấp thông tin nhanh chóng và chính xác cho các đơn vị quản lý giao thông.

Ý nghĩa của nghiên cứu thể hiện qua việc tạo ra nguồn dữ liệu trực quan phục vụ công tác quy hoạch phát triển hạ tầng giao thông, đồng thời góp phần xây dựng các thành phố thông minh với hệ thống cảnh báo và điều phối giao thông linh hoạt dựa trên dữ liệu thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Xử lý ảnh số (Digital Image Processing): Ảnh số được biểu diễn dưới dạng ma trận điểm ảnh (pixel) với các mức xám từ 0 đến 255, phản ánh độ sáng của từng điểm ảnh. Quá trình xử lý bao gồm các bước tiền xử lý, phân đoạn, trích xuất đặc trưng và nhận dạng ảnh.

  • Ma trận Gray Level Co-occurrence Matrix (GLCM): Là ma trận thống kê biểu diễn tần suất xuất hiện của các cặp điểm ảnh có mức xám cụ thể trong một khoảng cách và góc xác định. Các tham số trích xuất từ GLCM như Contrast (độ tương phản), Entropy (độ hỗn loạn), Homogeneity (đồng nhất) được sử dụng để mô tả kết cấu (texture) của hình ảnh, từ đó phân tích mật độ và trạng thái giao thông.

  • Phân cụm mờ (Fuzzy Clustering): Sử dụng thuật toán Fuzzy Possibilistic C-Means (PCM) để phân loại dữ liệu hình ảnh thành các nhóm trạng thái giao thông khác nhau dựa trên các đặc trưng trích xuất. PCM cho phép mỗi điểm dữ liệu có mức độ thuộc về các cụm khác nhau, phù hợp với tính chất không rõ ràng của dữ liệu thực tế.

Các khái niệm chính bao gồm: điểm ảnh (pixel), mức xám (gray level), độ tương phản (contrast), kết cấu ảnh (texture), ma trận GLCM, phân cụm mờ PCM.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu đầu vào là các file video ghi nhận tình trạng giao thông thực tế tại ba vị trí trọng điểm của thành phố Đà Nẵng, gồm các camera đặt tại Công an Phường Tân Chính, Công trường Trần Cao Vân và Công trường Nguyễn Huệ. Video có độ phân giải 1280x720, tốc độ 25 khung hình/giây.

  • Phương pháp phân tích: Sử dụng phần mềm Matlab để trích xuất các khung hình đầu tiên và cuối cùng trong đoạn video 10 giây. Các khung hình được chuyển đổi sang ảnh thang xám, sau đó tính toán ma trận GLCM với góc 0° và khoảng cách d=1. Các tham số texture như Contrast, Entropy, và mức xám trung bình được tính toán để phân tích tình trạng giao thông.

  • Timeline nghiên cứu: Nghiên cứu được thực hiện từ tháng 7/2018 đến tháng 12/2018, bao gồm thu thập dữ liệu, phát triển thuật toán, mô phỏng và đánh giá kết quả.

  • Phương pháp phân cụm: Thuật toán PCM được áp dụng để phân loại trạng thái giao thông dựa trên các tham số trích xuất, giúp xác định chính xác các nhóm trạng thái “Free”, “Crowded” và “Congested”.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân biệt trạng thái “Free” và các trạng thái còn lại bằng tham số Contrast: Giá trị Contrast trung bình của các khung hình trong trạng thái “Free” dao động khoảng 286 đến 373, thấp hơn mức ngưỡng T1 được xác định qua phân tích nhiều mẫu video. Khi giá trị Contrast trung bình vượt ngưỡng này, giao thông được phân loại vào nhóm “Crowded” hoặc “Congested”.

  2. Phân biệt giữa “Crowded” và “Congested” dựa trên biến thiên mức xám trung bình (Delta): Khi số lượng xe đông nhưng vẫn di chuyển được, giá trị Delta (chênh lệch mức xám trung bình giữa khung đầu và cuối) lớn hơn mức ngưỡng T2. Ngược lại, khi giao thông gần như tắc nghẽn hoàn toàn, Delta nhỏ hơn T2, phản ánh sự ổn định của mức xám do xe đứng yên.

  3. Hiệu quả của thuật toán phân tích texture: Thuật toán dựa trên GLCM và phân cụm PCM cho kết quả phân loại chính xác các trạng thái giao thông trong các đoạn video thực tế, với độ tin cậy cao và thời gian xử lý nhanh, phù hợp cho ứng dụng thời gian thực.

  4. Ứng dụng thực tiễn: Kết quả phân tích có thể được sử dụng để cảnh báo sớm tình trạng tắc nghẽn, hỗ trợ các đơn vị quản lý giao thông trong việc điều phối và ra quyết định kịp thời.

Thảo luận kết quả

Nguyên nhân của sự khác biệt về giá trị Contrast và mức xám giữa các trạng thái giao thông xuất phát từ mật độ và chuyển động của phương tiện trên đường. Trong trạng thái “Free”, nền đường chiếm ưu thế trong ảnh, tạo ra giá trị Contrast thấp và mức xám biến thiên rõ rệt. Khi mật độ xe tăng, các phương tiện che phủ nền đường, làm tăng giá trị Contrast và giảm sự biến thiên mức xám.

So sánh với các nghiên cứu trong nước và quốc tế, việc sử dụng GLCM kết hợp phân cụm mờ cho phép phân tích chính xác hơn so với các phương pháp truyền thống dựa trên đếm xe hoặc cảm biến vật lý. Việc áp dụng thuật toán trên dữ liệu thực tế từ các camera giám sát tại Đà Nẵng chứng minh tính khả thi và hiệu quả của phương pháp.

Dữ liệu có thể được trình bày qua các biểu đồ thể hiện sự thay đổi giá trị Contrast và mức xám trung bình theo thời gian, cũng như bảng tổng hợp kết quả phân loại trạng thái giao thông theo từng đoạn video, giúp trực quan hóa và đánh giá hiệu quả thuật toán.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát giao thông tự động: Áp dụng thuật toán xử lý ảnh và phân tích texture vào hệ thống camera giám sát hiện có để cung cấp cảnh báo thời gian thực về tình trạng giao thông, giúp giảm thiểu tắc nghẽn.

  2. Mở rộng phạm vi thu thập dữ liệu: Tăng cường lắp đặt camera tại các điểm nóng giao thông và thu thập dữ liệu đa dạng theo thời gian, địa điểm để nâng cao độ chính xác và khả năng dự báo.

  3. Phát triển phần mềm phân tích tích hợp: Xây dựng phần mềm chuyên dụng tích hợp thuật toán phân tích GLCM và phân cụm PCM, có giao diện thân thiện, hỗ trợ các đơn vị quản lý giao thông trong việc theo dõi và ra quyết định.

  4. Nâng cao độ chính xác bằng kết hợp đa nguồn dữ liệu: Kết hợp dữ liệu xử lý ảnh với các cảm biến khác như cảm biến trọng lực, GPS để cải thiện độ tin cậy và khả năng dự báo tình trạng giao thông trong tương lai.

Các giải pháp trên nên được thực hiện trong vòng 1-2 năm, với sự phối hợp giữa các cơ quan quản lý giao thông, các đơn vị nghiên cứu và doanh nghiệp công nghệ.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý giao thông đô thị: Sử dụng kết quả nghiên cứu để xây dựng hệ thống giám sát và cảnh báo tắc nghẽn giao thông, từ đó nâng cao hiệu quả điều phối giao thông.

  2. Các nhà nghiên cứu và sinh viên ngành kỹ thuật viễn thông, xử lý ảnh: Tham khảo phương pháp xử lý ảnh, phân tích texture và thuật toán phân cụm mờ để phát triển các ứng dụng tương tự trong lĩnh vực giao thông hoặc các lĩnh vực khác.

  3. Doanh nghiệp công nghệ phát triển phần mềm giám sát giao thông: Áp dụng thuật toán và mô hình nghiên cứu để phát triển sản phẩm phần mềm phân tích tình trạng giao thông dựa trên dữ liệu hình ảnh.

  4. Các cơ quan quy hoạch đô thị và phát triển hạ tầng: Sử dụng dữ liệu phân tích tình trạng giao thông để lập kế hoạch phát triển hạ tầng giao thông thông minh, phù hợp với thực tế lưu lượng và mật độ phương tiện.

Câu hỏi thường gặp

  1. Thuật toán xử lý ảnh có thể áp dụng cho các thành phố khác không?
    Có, thuật toán dựa trên các tham số kết cấu ảnh và phân cụm mờ có tính tổng quát cao, có thể áp dụng cho các thành phố khác với việc điều chỉnh ngưỡng phù hợp theo đặc điểm giao thông địa phương.

  2. Độ chính xác của phân loại trạng thái giao thông như thế nào?
    Qua mô phỏng trên dữ liệu thực tế, thuật toán đạt độ chính xác cao trong việc phân biệt ba trạng thái “Free”, “Crowded” và “Congested”, với sai số thấp nhờ sử dụng tham số Contrast và mức xám trung bình làm cơ sở phân loại.

  3. Có thể xử lý dữ liệu video thời gian thực không?
    Thuật toán được thiết kế để xử lý nhanh, phù hợp cho ứng dụng thời gian thực khi tích hợp vào hệ thống giám sát giao thông hiện có, giúp cung cấp cảnh báo kịp thời.

  4. Phần mềm Matlab có phải là công cụ duy nhất để thực hiện nghiên cứu?
    Matlab được sử dụng do tính năng mạnh mẽ trong xử lý ảnh và phân tích dữ liệu, tuy nhiên các phần mềm khác có hỗ trợ xử lý ảnh và phân cụm cũng có thể áp dụng với thuật toán tương tự.

  5. Làm thế nào để xác định các ngưỡng T1 và T2 trong phân loại?
    Ngưỡng T1 và T2 được xác định dựa trên phân tích thống kê nhiều mẫu video tại các thời điểm khác nhau, đảm bảo phù hợp với đặc điểm thực tế của từng khu vực và thời gian quan sát.

Kết luận

  • Luận văn đã phát triển thành công thuật toán phân tích tình trạng giao thông dựa trên xử lý ảnh và phân tích kết cấu hình ảnh sử dụng ma trận GLCM kết hợp phân cụm mờ PCM.
  • Thuật toán phân loại chính xác ba trạng thái giao thông: Thông thoáng, Đông xe và Kẹt xe dựa trên các tham số Contrast và mức xám trung bình.
  • Kết quả nghiên cứu được kiểm chứng trên dữ liệu thực tế từ các camera giám sát tại thành phố Đà Nẵng, cho thấy tính khả thi và hiệu quả trong ứng dụng thực tiễn.
  • Đề xuất triển khai hệ thống giám sát giao thông tự động tích hợp thuật toán nhằm nâng cao hiệu quả quản lý và điều phối giao thông đô thị.
  • Các bước tiếp theo bao gồm mở rộng phạm vi thu thập dữ liệu, phát triển phần mềm chuyên dụng và phối hợp với các cơ quan quản lý để ứng dụng rộng rãi.

Quý độc giả và các đơn vị quan tâm được khuyến khích nghiên cứu sâu hơn và áp dụng các giải pháp công nghệ xử lý ảnh trong quản lý giao thông nhằm góp phần xây dựng đô thị thông minh và phát triển bền vững.