Luận Văn: Phát Hiện Điểm Ùn Tắc Giao Thông Qua Phân Tích Video

Tài liệu nghiên cứu Luận văn phát hiện điểm ùn tắc giao thông bằng video, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Tấn Hải
• Người hướng dẫn: TS. Nguyễn Văn Thủy
• Trường học: Học viện Công nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Phát Hiện Điểm Ùn Tắc Giao Thông Bằng Video
• Loại tài liệu: luận văn thạc sĩ kỹ thuật
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• MỤC LỤC
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG
• 1.1. Ý nghĩa của việc phát hiện điểm ùn tắc giao thông
• 1.2. Các nghiên cứu liên quan
• 1.2.1. Sử dụng video từ camera giám sát giao thông
• 1.2.2. Sử dụng phương pháp học sâu

Tóm tắt

I. Tổng quan về phát hiện điểm ùn tắc giao thông

Việc phát hiện giao thông là một nhiệm vụ quan trọng trong việc quản lý và điều tiết giao thông. Ùn tắc giao thông không chỉ gây ra thiệt hại kinh tế mà còn ảnh hưởng đến chất lượng cuộc sống của người dân. Theo thống kê, thiệt hại do ùn tắc giao thông ở Việt Nam ước tính lên tới hàng tỷ USD mỗi năm. Việc phát hiện sớm các điểm ùn tắc giúp các cơ quan chức năng có thể nhanh chóng điều tiết và phân luồng giao thông, từ đó giảm thiểu thiệt hại. Công nghệ hiện đại, đặc biệt là video giám sát giao thông, đã trở thành công cụ hữu hiệu trong việc phát hiện và phân tích tình trạng giao thông. Các nghiên cứu gần đây đã chỉ ra rằng việc sử dụng video từ camera giám sát có thể cung cấp thông tin chính xác về mật độ và loại phương tiện tham gia giao thông, từ đó đưa ra các giải pháp kịp thời.

1.1 Ý nghĩa của việc phát hiện điểm ùn tắc giao thông

Việc phát hiện điểm ùn tắc giao thông có ý nghĩa quan trọng trong việc duy trì trật tự và an toàn giao thông. Giải pháp giao thông hiệu quả không chỉ giúp giảm thiểu thiệt hại kinh tế mà còn cải thiện chất lượng môi trường sống. Các nghiên cứu cho thấy, việc phát hiện sớm các điểm ùn tắc có thể giúp giảm thiểu thời gian chờ đợi của người tham gia giao thông, từ đó giảm thiểu ô nhiễm không khí và tiếng ồn. Hơn nữa, việc sử dụng công nghệ phân tích video giao thông giúp các nhà quản lý có cái nhìn tổng quan về tình hình giao thông, từ đó đưa ra các quyết định chính xác hơn trong việc điều tiết giao thông.

1.2 Các nghiên cứu liên quan

Nhiều nghiên cứu đã được thực hiện để phát triển các phương pháp phát hiện giao thông hiệu quả. Các phương pháp này chủ yếu được chia thành ba nhóm: phương pháp xác định cơ bản, phương pháp phát hiện chuyển động và phương pháp kết hợp. Mỗi nhóm phương pháp đều có những ưu điểm và hạn chế riêng. Ví dụ, nhóm phương pháp xác định cơ bản thường sử dụng video để xác định mật độ và vị trí phương tiện, trong khi nhóm phương pháp phát hiện chuyển động tập trung vào việc đánh giá lưu lượng giao thông. Các nghiên cứu gần đây đã chỉ ra rằng việc kết hợp các phương pháp này có thể mang lại kết quả tốt hơn trong việc phát hiện và phân loại phương tiện giao thông.

II. Phương pháp phát hiện điểm ùn tắc giao thông

Phương pháp phát hiện điểm ùn tắc giao thông chủ yếu dựa vào việc sử dụng các mô hình học sâu như mạng nơron tích chập (CNN). Mô hình này cho phép phân tích video giao thông một cách hiệu quả, từ đó phát hiện và phân loại các phương tiện. Việc sử dụng mô hình SSD (Single Shot Multibox Detector) giúp tăng tốc độ phát hiện và cải thiện độ chính xác. Mô hình MobileNet cũng được áp dụng để tối ưu hóa hiệu suất trong việc phát hiện và phân loại phương tiện. Các phương pháp này không chỉ giúp phát hiện điểm ùn tắc mà còn cung cấp thông tin về mật độ và loại phương tiện tham gia giao thông.

2.1 Mô hình mạng nơron tích chập CNN

Mô hình mạng nơron tích chập (CNN) đã trở thành một công cụ mạnh mẽ trong việc phân tích video giao thông. CNN có khả năng tự động học các đặc trưng từ dữ liệu đầu vào mà không cần phải lập trình thủ công. Điều này giúp cải thiện độ chính xác trong việc phát hiện và phân loại phương tiện. Các nghiên cứu đã chỉ ra rằng CNN có thể đạt được độ chính xác cao trong việc nhận diện các loại phương tiện khác nhau, từ ô tô đến xe máy và xe tải. Việc áp dụng CNN trong phát hiện điểm ùn tắc giao thông đã mở ra nhiều cơ hội mới cho việc quản lý giao thông thông minh.

2.2 Phương pháp đếm phương tiện giao thông

Phương pháp đếm phương tiện giao thông là một phần quan trọng trong việc phát hiện điểm ùn tắc. Việc xác định số lượng phương tiện trong một khoảng thời gian nhất định giúp các nhà quản lý có cái nhìn rõ ràng về tình hình giao thông. Các mô hình như SSD và MobileNet được sử dụng để thực hiện nhiệm vụ này. Chúng cho phép phân tích video theo thời gian thực, từ đó đưa ra các dự đoán về khả năng xảy ra ùn tắc. Kết quả từ các phương pháp này không chỉ giúp cải thiện việc điều tiết giao thông mà còn cung cấp thông tin hữu ích cho các nghiên cứu về giao thông trong tương lai.

III. Thử nghiệm phát hiện điểm ùn tắc giao thông

Thử nghiệm phát hiện điểm ùn tắc giao thông được thực hiện trên các video thu thập từ thực tế. Môi trường thử nghiệm được cài đặt để đảm bảo tính chính xác và hiệu quả của các mô hình. Kết quả thử nghiệm cho thấy các mô hình học sâu có khả năng phát hiện và phân loại phương tiện với độ chính xác cao. Việc áp dụng các phương pháp này trong thực tế không chỉ giúp phát hiện điểm ùn tắc mà còn cung cấp thông tin về mật độ giao thông trong khu vực. Các kết quả này có thể được sử dụng để cải thiện các giải pháp giao thông hiện tại.

3.1 Cài đặt môi trường thử nghiệm

Cài đặt môi trường thử nghiệm là bước quan trọng trong quá trình phát hiện điểm ùn tắc giao thông. Môi trường này bao gồm việc thiết lập các camera giám sát tại các vị trí chiến lược để thu thập video giao thông. Các video này sau đó được xử lý bằng các mô hình học sâu để phát hiện và phân loại phương tiện. Việc cài đặt môi trường thử nghiệm không chỉ giúp thu thập dữ liệu chính xác mà còn đảm bảo rằng các mô hình hoạt động hiệu quả trong điều kiện thực tế.

3.2 Kết quả thử nghiệm trên tập dữ liệu thu thập

Kết quả thử nghiệm cho thấy các mô hình học sâu có khả năng phát hiện điểm ùn tắc giao thông với độ chính xác cao. Các video thu thập được từ các tuyến đường đông đúc đã cho thấy rõ ràng tình trạng giao thông. Việc phân tích các video này giúp xác định các điểm ùn tắc và đưa ra các giải pháp kịp thời. Kết quả từ các thử nghiệm này không chỉ có giá trị trong việc điều tiết giao thông mà còn cung cấp thông tin quý giá cho các nghiên cứu và phát triển trong lĩnh vực giao thông thông minh.

Nội dung chính

Tổng quan nghiên cứu

Ùn tắc giao thông là vấn đề nghiêm trọng tại các đô thị lớn trên thế giới, gây thiệt hại kinh tế và môi trường đáng kể. Theo thống kê, tại Mỹ, thiệt hại do ùn tắc giao thông lên tới hơn 160 tỷ USD mỗi năm, tương đương 7 tỷ giờ làm việc và hàng triệu lít nhiên liệu bị lãng phí. Tại Trung Quốc, sự kiện ùn tắc kéo dài 21 ngày trên cao tốc Bắc Kinh – Tây Tạng với 100 km đường bị tắc nghẽn và 30.000 phương tiện tham gia đã gây thiệt hại lớn cho nền kinh tế quốc gia. Ở Việt Nam, theo Viện Chiến lược và Phát triển Giao thông Vận tải, thiệt hại do ùn tắc giao thông tại Hà Nội và TP. Hồ Chí Minh ước tính lần lượt khoảng 1-1,2 tỷ USD và gần 1,3 tỷ USD mỗi năm. Tốc độ tăng trưởng phương tiện giao thông vượt xa khả năng phát triển hạ tầng, cùng với ý thức tham gia giao thông còn hạn chế, làm gia tăng áp lực lên hệ thống giao thông đô thị.

Mục tiêu nghiên cứu của luận văn là phát triển phương pháp phát hiện điểm ùn tắc giao thông dựa trên xử lý video thu thập từ các tuyến đường tại Hà Nội, nhằm hỗ trợ công tác điều tiết và phân luồng giao thông hiệu quả. Phạm vi nghiên cứu tập trung vào bài toán phát hiện, phân loại và đếm mật độ phương tiện giao thông thông qua xử lý hình ảnh video, sử dụng các kỹ thuật học sâu và mạng nơron tích chập (CNN). Nghiên cứu sử dụng dữ liệu video thực tế thu thập từ các tuyến đường như Nguyễn Trãi, Khuất Duy Tiến, Trần Duy Hưng và Lê Văn Lương, trong các điều kiện thời tiết và thời gian khác nhau.

Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp công cụ phát hiện sớm các điểm ùn tắc giao thông, giúp lực lượng chức năng nhanh chóng điều tiết, giảm thiểu thiệt hại kinh tế và cải thiện môi trường đô thị. Việc ứng dụng các mô hình học sâu như SSD kết hợp MobileNet giúp tăng tốc độ xử lý và độ chính xác trong nhận diện phương tiện, phù hợp với yêu cầu xử lý thời gian thực trong giao thông thông minh.

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:

• Mạng nơron tích chập (CNN - Convolutional Neural Network): Mạng CNN là mô hình học sâu phổ biến trong nhận dạng và phân loại hình ảnh, với kiến trúc gồm các lớp tích chập, lớp kích hoạt phi tuyến ReLU, lớp lấy mẫu (Pooling) và lớp kết nối đầy đủ. CNN giúp trích xuất đặc trưng cục bộ từ ảnh, giảm số lượng tham số so với mạng nơron truyền thống.

• Mô hình SSD (Single Shot Multibox Detector): SSD là mô hình phát hiện đối tượng trong ảnh với khả năng định vị và phân loại trong một bước duy nhất, sử dụng mạng cơ sở VGG16 để trích xuất đặc trưng và áp dụng các bộ lọc tích chập để dự đoán vị trí và lớp đối tượng. SSD có ưu điểm xử lý nhanh, phù hợp với ứng dụng thời gian thực.

• Mô hình MobileNet: MobileNet sử dụng kỹ thuật tích chập sâu phân tách (Depthwise Separable Convolution) để giảm số lượng phép tính và tham số, giúp mô hình nhỏ gọn, phù hợp cho các thiết bị di động và nhúng. MobileNet kết hợp Batch Normalization và hàm kích hoạt ReLU để tăng hiệu quả huấn luyện.

Các khái niệm chính bao gồm: tách nền (background subtraction) để phát hiện đối tượng chuyển động, phân loại phương tiện giao thông theo các lớp như ô tô, xe máy, xe tải, đếm mật độ phương tiện dựa trên đường kẻ ROI (Region of Interest), và dự đoán điểm ùn tắc dựa trên ngưỡng mật độ.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Video kỹ thuật số được thu thập bằng phương tiện không người lái UAV tại các tuyến đường trọng điểm của Hà Nội gồm Nguyễn Trãi, Khuất Duy Tiến, Trần Duy Hưng và Lê Văn Lương. Dữ liệu thu thập vào ngày 28/03/2020, trong các điều kiện ban ngày và ban đêm, với độ cao trên 10 mét.

• Phương pháp phân tích: Video được tách thành các khung hình (frame) để xử lý. Tiền xử lý ảnh bao gồm khử sương mù và cân bằng histogram nhằm nâng cao chất lượng hình ảnh. Phát hiện và phân loại phương tiện giao thông được thực hiện bằng mô hình kết hợp SSD và MobileNet, giúp nhận diện chính xác và nhanh chóng các loại phương tiện trong video.

• Đếm mật độ phương tiện: Sử dụng đường kẻ ngang ROI trên làn đường có lưu lượng cao nhất để đếm số lượng phương tiện đi qua. Nếu số lượng phương tiện vượt quá 50 trong một khoảng thời gian nhất định, điểm giao thông được dự đoán có nguy cơ ùn tắc.

• Timeline nghiên cứu: Quá trình thu thập dữ liệu, tiền xử lý, huấn luyện mô hình và thử nghiệm được thực hiện trong năm 2020, với các bước thử nghiệm trên các tuyến đường thực tế tại Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phát hiện và phân loại phương tiện: Mô hình SSD kết hợp MobileNet đạt độ chính xác phát hiện phương tiện lên tới khoảng 94%, phân loại phương tiện đạt khoảng 91%, tương đương hoặc vượt trội so với các nghiên cứu trước đây sử dụng mạng nơron tích chập sâu (DCNNs) với độ chính xác phát hiện 95% và phân loại 93%.

2. Hiệu quả xử lý video chất lượng thấp: Qua tiền xử lý khử sương mù và cân bằng histogram, chất lượng video được cải thiện rõ rệt, giúp mô hình nhận diện chính xác hơn trong điều kiện thời tiết không thuận lợi như mưa, sương mù.

3. Đếm mật độ phương tiện và phát hiện điểm ùn tắc: Trên các tuyến đường khảo sát, khi số lượng phương tiện đi qua đường kẻ ROI vượt ngưỡng 50 phương tiện trong khoảng thời gian nhất định, hệ thống dự đoán chính xác điểm có nguy cơ ùn tắc giao thông. Ví dụ, trên tuyến đường Nguyễn Trãi, mật độ phương tiện cao hơn 60% vào giờ cao điểm so với giờ thấp điểm, tương ứng với các điểm ùn tắc được ghi nhận thực tế.

4. Tốc độ xử lý và khả năng ứng dụng thực tế: Mô hình kết hợp SSD-MobileNet giảm gần 90% số phép tính so với mạng tích chập tiêu chuẩn, giúp tăng tốc độ xử lý lên gấp 20 lần so với các mô hình như YOLO trên cùng tập dữ liệu, phù hợp cho ứng dụng thời gian thực trên thiết bị di động hoặc hệ thống nhúng.

Thảo luận kết quả

Nguyên nhân của độ chính xác cao là nhờ sự kết hợp hiệu quả giữa mô hình SSD với khả năng phát hiện đa tỷ lệ và MobileNet với kiến trúc tích chập sâu phân tách giúp giảm độ phức tạp tính toán mà vẫn giữ được đặc trưng quan trọng. Việc áp dụng các bước tiền xử lý ảnh như khử sương mù và cân bằng histogram giúp cải thiện chất lượng dữ liệu đầu vào, từ đó nâng cao hiệu quả nhận diện trong điều kiện thực tế đa dạng.

So sánh với các nghiên cứu trước đây, kết quả của luận văn cho thấy sự cải tiến rõ rệt về tốc độ xử lý và khả năng ứng dụng trong môi trường thực tế tại Việt Nam, đặc biệt là các tuyến đường đô thị có mật độ giao thông cao và điều kiện thời tiết thay đổi. Dữ liệu có thể được trình bày qua biểu đồ mật độ phương tiện theo thời gian và bảng so sánh độ chính xác phân loại phương tiện giữa các mô hình.

Ý nghĩa của kết quả nghiên cứu là cung cấp công cụ hỗ trợ quản lý giao thông thông minh, giúp phát hiện sớm các điểm ùn tắc, từ đó giảm thiểu thiệt hại kinh tế và cải thiện chất lượng môi trường đô thị.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát giao thông thông minh: Lắp đặt camera giám sát kết hợp với mô hình SSD-MobileNet trên các tuyến đường trọng điểm tại Hà Nội và các thành phố lớn để phát hiện và cảnh báo điểm ùn tắc giao thông theo thời gian thực. Chủ thể thực hiện: Sở Giao thông Vận tải, thời gian triển khai: 12 tháng.

2. Phát triển ứng dụng di động hỗ trợ người dân: Cung cấp ứng dụng cảnh báo giao thông dựa trên dữ liệu video và phân tích từ hệ thống, giúp người dân lựa chọn lộ trình phù hợp, giảm áp lực giao thông tại các điểm nóng. Chủ thể thực hiện: Các công ty công nghệ, thời gian: 6-9 tháng.

3. Nâng cao chất lượng dữ liệu đầu vào: Đầu tư cải thiện hệ thống camera, bổ sung các thiết bị khử sương mù, cân bằng ánh sáng tự động để đảm bảo chất lượng video thu thập, nâng cao hiệu quả nhận diện. Chủ thể thực hiện: Trung tâm quản lý giao thông, thời gian: 6 tháng.

4. Tổ chức đào tạo và nâng cao năng lực cho cán bộ quản lý giao thông: Đào tạo sử dụng hệ thống phát hiện điểm ùn tắc giao thông, phân tích dữ liệu và điều phối giao thông hiệu quả dựa trên cảnh báo từ hệ thống. Chủ thể thực hiện: Sở Giao thông Vận tải, thời gian: liên tục.

Đối tượng nên tham khảo luận văn

1. Cán bộ quản lý giao thông đô thị: Nghiên cứu cung cấp công cụ và phương pháp phát hiện điểm ùn tắc giao thông, hỗ trợ công tác điều tiết và phân luồng giao thông hiệu quả.

2. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, kỹ thuật: Luận văn trình bày chi tiết về ứng dụng mạng nơron tích chập, mô hình SSD và MobileNet trong xử lý video giao thông, là tài liệu tham khảo quý giá cho các đề tài liên quan.

3. Các công ty phát triển giải pháp giao thông thông minh: Cung cấp cơ sở lý thuyết và thực nghiệm để phát triển các sản phẩm giám sát và phân tích giao thông dựa trên video.

4. Cơ quan quản lý đô thị và môi trường: Thông tin về tác động của ùn tắc giao thông đến kinh tế và môi trường, từ đó xây dựng các chính sách giảm thiểu ùn tắc và ô nhiễm.

Câu hỏi thường gặp

1. Phương pháp phát hiện điểm ùn tắc giao thông dựa trên video hoạt động như thế nào?
   Phương pháp sử dụng video thu thập từ camera hoặc UAV, tách thành các khung hình, tiền xử lý ảnh để nâng cao chất lượng, sau đó áp dụng mô hình học sâu SSD kết hợp MobileNet để phát hiện, phân loại và đếm số lượng phương tiện. Khi mật độ phương tiện vượt ngưỡng, hệ thống dự đoán điểm có nguy cơ ùn tắc.

2. Độ chính xác của mô hình trong điều kiện thời tiết xấu ra sao?
   Nhờ các bước tiền xử lý như khử sương mù và cân bằng histogram, mô hình vẫn duy trì độ chính xác cao trên 90% trong điều kiện mưa, sương mù hoặc ánh sáng yếu, tuy có giảm nhẹ so với điều kiện thời tiết thuận lợi.

3. Tại sao chọn kết hợp SSD và MobileNet thay vì các mô hình khác?
   SSD cho phép phát hiện đối tượng nhanh trong một bước duy nhất, MobileNet giảm đáng kể số phép tính và tham số nhờ tích chập sâu phân tách, giúp mô hình nhẹ, nhanh và phù hợp cho ứng dụng thời gian thực trên thiết bị di động hoặc hệ thống nhúng.

4. Làm thế nào để xác định ngưỡng mật độ phương tiện gây ùn tắc?
   Ngưỡng được xác định dựa trên phân tích thực tế tại các tuyến đường khảo sát, với giá trị khoảng 50 phương tiện đi qua đường kẻ ROI trong khoảng thời gian nhất định được coi là điểm bắt đầu có nguy cơ ùn tắc.

5. Ứng dụng của nghiên cứu này trong quản lý giao thông đô thị là gì?
   Nghiên cứu cung cấp công cụ phát hiện sớm điểm ùn tắc, giúp lực lượng chức năng điều tiết giao thông kịp thời, giảm thiểu thiệt hại kinh tế và ô nhiễm môi trường, đồng thời hỗ trợ người dân lựa chọn lộ trình thông minh.

Kết luận

• Luận văn đã phát triển thành công phương pháp phát hiện điểm ùn tắc giao thông dựa trên video sử dụng mô hình SSD kết hợp MobileNet, đạt độ chính xác phát hiện và phân loại phương tiện trên 90%.
• Tiền xử lý ảnh như khử sương mù và cân bằng histogram giúp nâng cao chất lượng dữ liệu đầu vào, cải thiện hiệu quả nhận diện trong điều kiện thực tế đa dạng.
• Phương pháp đếm mật độ phương tiện qua đường kẻ ROI và ngưỡng 50 phương tiện giúp dự đoán chính xác các điểm có nguy cơ ùn tắc giao thông.
• Mô hình giảm đáng kể số phép tính so với các mạng tích chập tiêu chuẩn, phù hợp cho ứng dụng thời gian thực trên thiết bị di động và hệ thống nhúng.
• Đề xuất triển khai hệ thống giám sát giao thông thông minh tại các đô thị lớn, kết hợp đào tạo và phát triển ứng dụng hỗ trợ người dân.

Next steps: Triển khai thử nghiệm mở rộng trên các tuyến đường khác, tối ưu hóa mô hình cho các điều kiện thời tiết phức tạp hơn, và phát triển hệ thống cảnh báo giao thông tích hợp.

Các cơ quan quản lý giao thông và các nhà phát triển công nghệ nên hợp tác để ứng dụng kết quả nghiên cứu vào thực tế, góp phần giảm thiểu ùn tắc và nâng cao chất lượng cuộc sống đô thị.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Tính cấp thiết của đề tài Ùn tắc giao thông là một trong những vấn nạn chung của các đô thị trên thế giới, kể cả các đô thị có hệ thống giao thông hiện đại bậc nhất. Theo các số liệu thống kê [18], ùn tắc giao thông gây thiệt hại to lớn cho các quốc qia trên thế giới, Ở nước Mỹ, mỗi năm tổn thất kinh tế do ùn tắt giao thông gây ra hơn 160 tỷ USD tương đương với 7 tỷ giờ làm và hàng triệu lít nhiên liệu. Ở Trung Quốc, đất nước đông dân nhất trên thế giới tình trạng ùn tắc giao thông còn tồn tệ hơn, điển hình ở quốc gia này là vụ việc ùn tắc giao thông diễn ra vào tháng 8/2010 trên cao tốc Bắc Kinh – Tây Tạng, hướng đi về phía thủ đô Bắc Kinh, Trung Quốc với tổng cộng là 100km đường cao tốc ùn tắc xãy ra trong vòng 21 ngày với số lượng phương tiện tham gia giao thông lên đến 30.000 phương tiện đã gây thiệt hại hết sức to lớn đối với nền kinh tế của quốc gia này. Còn Việt Nam chúng ta hiện nay, theo đánh giá từ Viện chiến lược và phát triển giao thông vận tải tại các thành phố lớn như Hà Nội và thành phố Hồ Chí Minh, ùn tắt giao thông ngày càng gây thiệt hại nghiêm trọng gây thất kinh tế và các vấn đề môi trường cho thành phố Hà Nội ước tính mỗi năm khoảng 1-1,2 tỷ USD, còn ở thành phố Hồ Chí Minh gần 1,3 tỷ USD [18].

Vấn đề ùn tắc giao thông là một trong những vấn đề lớn gây ảnh hưởng lớn đến nền kinh tế xã hội của nước ta. Với mục đích đưa công nghệ thông tin ứng dụng vào thực tế cuộc sống, cá nhân học viên xin chọn đề tài “Phát hiện điểm ùn tắc giao thông bằng video” để làm luận văn, hy vọng sẽ đóng góp tích cực về mặt lý luận và thực tiễn trong công tác điều tiết và phân luồng giao thông ở Việt Nam hiện nay. Tổng quan về nghiên cứu: Trong những thập niên gần đây, công nghệ nhận diện đối tượng trong ảnh kỹ thuật số ngày càng phát triển, nổi trội lên là các nghiên cứu về phát hiện và phân lớp phương tiện giao thông. Ở các nghiên cứu này, các camera giám sát được sử dụng 2 lắp đặt trên các tuyến đường giao thông như các cao tốc, tuyến đường trục chính với lưu lượng phương tiện đông đúc,…Từ đó, xác định các tham số về giao thông đưa ra những thông tin có ích cho việc phân loại phương tiện và điều tiết giao thông như các tham số về âm thanh, mật độ và vận tốc các phương tiện giao thông theo thời gian thực (realtime).

Đối tượng và phạm vi nghiên cứu: Trong phạm vi luận văn sẽ tập trung vào các đối tượng đó là bài toán phát hiện, phân loại và đếm mật độ phương tiện giao thông thông qua quá trình xử lý hình ảnh trong video để phát hiện các điểm ùn tắc giao thông. Bản chất của quá này là sự phân tách các video thành các khung hình và phát hiện đối tượng chuyển động trong cảnh video. Đối tượng nghiên cứu luận văn: bài toán phát hiện, theo dõi và phân loại đối tượng chuyển động. Các video được sử dụng trong luận văn là video được thu thập trong thực tế quay được trên các tuyến đường ở thành phố Hà Nội.

3 TỔNG QUAN VỀ PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG 1. Ý nghĩa của việc phát hiện điểm ùn tắc giao thông. Như chúng ta đã biết, mạng lưới giao thông mang lại cho loài người kết nối về kinh tế và xã hội giữa các vùng lãnh thổ trong một quốc gia hoặc các quốc gia với nhau được xây dựng với mật độ dày đặc và đồ sộ giúp cho các quốc gia và vùng lãnh thổ phát triển kinh tế - xã hội. Theo các số liệu thống kê hằng năm tổng thiệt hại mỗi năm do ùn tắc giao thông gây ra cho nền kinh tế của các quốc gia trên thế giới là cực kỳ to lớn.

Còn ở Việt Nam, tại các thành phố lớn ùn tắc giao thông gây thiệt hại cho đất nước chúng ta hàng tỷ USD mỗi năm theo báo cáo thống kê của Viện Chiến Lược và phát triển giao thông vận tải [18], tại hai thành phố lớn là TP Hà Nội và TP Hồ Chính Minh thiệt hai ước tính mỗi năm lên tới 1.2 tỷ USD cùng với đó là các vấn đề về môi trường do lượng khí thải của các phương tiện giao thông gây ra. Theo nghiên cứu của Trung tâm giao thông đô thị và nông thôn cho thấy, Hà Nội mỗi năm tốc độ tăng trưởng phương tiện giao thông so với tốc độ tăng trưởng hạ tầng cơ sở đang có nhiều bất cập làm gia tăng gánh nặng lên cơ sở hạ tầng giao thông. Mặt khác, ý thức của người tham gia giao thông còn kém tạo ra áp lực lớn đến giao thông thủ đô làm cho giao thông của TP Hà Nội ngày càng ùn tắc hơn [20]. Do đó việc phát hiện sớm các điểm ùn tắc giao thông để lực lượng chức năng có thể nhanh chóng điều tiết và phân luồng giao thông làm giảm ùn tắc, giảm đáng kể các thiệt hại về kinh tế do ùn tắc giao thông gây ra là một nhiệm vụ hết sức quan trọng và cần thiết.

Ngày nay, với sự tiến bộ của lĩnh vực công nghệ thông tin, trong đó điểm hình là sự phát triển của trí tuệ nhân tạo; các phương pháp học máy và học sâu được áp dụng để giải quyết các bài toán giao thông. Các bài toán giao thông thường trải qua các bước cơ bản là phát hiện, phân loại và đếm mật độ phương tiện giao thông từ đó đưa ra dự đoán về khả năng phát hiện các điểm ùn tắc giao thông dựa trên video là xem xét tại một thời điểm, trong vùng quan tâm, có những loại 4 phương tiện gì, số lượng tương ứng. Về ứng dụng, bài toán này thuộc nhóm các ứng dụng liên quan đến lĩnh vực giao thông thông minh. Yêu cầu cơ bản của bài toán là với dữ liệu đầu vào là video giao thông, yêu cầu đầu ra là phân lớp phương tiện giao thông trong vùng quan sát (ôto, xe gắn máy và các phương tiện giao thông thô sơ khác) và dự báo tại thời điểm và vị trí đó có xảy ra ùn tắc giao thông hay không.

Như vậy, việc phát hiện sớm các điểm ùn tắc giao thông có ý nghĩa cực kỳ quan trọng, từ các thông tin báo về các điểm ùn tắc giao thông sẽ giúp cho các lực lượng quản lý giao thông để các lực lượng này nhanh chóng thực hiện điều tiết và phân luồng giao thông làm giảm bớt đi thiệt hại mà ùn tắc giao thông gây ra cho nền kinh tế của nước ta. Các nghiên cứu liên quan Những năm gần đây, với sự tiến bộ của khoa hoc công nghệ đã có rất nhiều phương pháp để giải quyết các bài toán giao thông, nhưng chủ yếu được chia thành 3 nhóm phương pháp chính: nhóm phương pháp xác định cơ bản (detection based methods), nhóm phương pháp phát hiện chuyển động (motion based methods) và nhóm phương pháp kết hợp (holistic methods). - Nhóm phương pháp phát hiện cơ bản (detection base methods) thường sử dụng video để xác định mật độ và vị trí phương tiện giao thông và sau đó thực hiện nhiệm vụ đếm số lượng phương tiện. Nổi bật lên trong nhóm này có các nghiên cứu sau: nhóm nghiên cứu Ozkurt và Camci sử dụng phương pháp mạng nơron (neural network methods) để thực hiện bài toán đếm và phân lớp phương tiện giao thông từ video thu được [13].

Bộ lọc Kalman (Kalman filter) được sử dụng để đánh giá mật độ phương tiện giao thông. Ngoài ra nhóm nghiên cứu còn sử dụng mạng nơron tích chập nhanh (Faster RCNNs) để tính toán đánh giá mật độ giao thông [17]. Tuy nhiên, kết quả thu được còn chưa được như mong muốn đối với những video có chất lượng thấp. Tiến xa hơn nữa là nhóm nghiên cứu Adu-Gyamfi et al.

sử dụng các phương pháp học sâu như mạng nơron tích chập sâu (DCNNs) để phân lớp và đếm số lượng phương tiện giao thông [4]. Gần đây, Zhang và Wu sử dụng kết hợp 5 cả hai phương pháp học sâu và tối ưu hóa để thực hiện đếm lưu lượng giao thông từ video chất lượng thấp. - Nhóm phương pháp phát hiện chuyển động (motion based methods) được dùng để đánh giá lưu lượng giao thông. Các nhóm nghiên cứu như Asmaa et al.

sử dụng các tham số microscopic trích xuất từ phát hiện chuyển động trong video [6]. Ngoai ra họ cũng sử dụng toàn bộ chuyển động trong video để trích xuất ra các tham số macroscopic. Tuy nhiên những phương pháp phát hiện chuyển động trên cho kết quả với độ chính xác không cao. - Nhóm phương pháp kết hợp (holistic methods) dùng để đánh giá trạng thái giao thông trên toàn bộ ảnh bức ảnh thu được.

Nhóm nghiên cứu Gonclaves et al. phân lớp video ùn tắt giao thông sử dụng bộ lọc Gabor (Gabor Filters) [8]. Lempitsky vaf Zisserman thực hiện phép chuyển đổi tuyến tính (linear transformation) trên mỗi pixel đăc trưng để đánh giá mật độ giao thông dựa trên mỗi khung ảnh của video [11]. Tuy nhiên, phương pháp này mang lại độ chính xác thấp với những video có góc rộng.

Để hiểu rõ hơn cách thức mà các nhà nghiên cứu đã sử dụng liên quan đến các nhóm nghiên cứu kể trên. Chúng ta sẽ điểm qua các nghiên cứu nổi bật liên quan đến việc phát hiện và xử lý ùn tắc giao thông điển hình như sau: 1. Sử dụng video từ camera giám sát giao thông Nhóm nghiên cứu Ozkurt và Camci [13] tiến hành nghiên cứu “Tự động đánh giá mật độ giao thông và phân lớp phương tiện sử dụng mạng nơron (NNs)” thực hiện tại thành phố Istanbul, Thổ Nhĩ Kỳ. Công ty quản lý giao thông đô thị của thành phố Istanbul, Thổ Nhĩ Kỳ đã lắp đặt và sử dụng 500 camera giám sát giao thông trên các trụ đèn giao thông với độ cao 5 mét để tăng cường giám sát và điều tiết giao thông nhằm trích xuất các thông tin hữu ích từ video thu thập được như loại phương tiện và mật độ các phương tiện tham gia giao thông nhằm phục phụ mục đích điều tiết và phân luồng giao thông.

6 Trước đây, cũng đã có một số nghiên cứu được áp dụng thành phố Istanbul bằng cách sử dụng các cảm biến sóng, radar, hồng ngoại,.Tuy nhiên, việc thực hiện và triển khai đối với các phương pháp này tương đối phức tạp, phát sinh nhiều chi phí và khó khăn đối với các khu vực rộng lớn. Trong nghiên cứu này các nhà khoa học đã thực hiện phân lớp phương tiện và tính toán mật độ phương tiện giao thông sử dụng mô hình nền (Model Background).