Bối cảnh và vấn đề nghiên cứu

Tai nạn giao thông là một trong những vấn đề nghiêm trọng đối với xã hội, trong đó phương tiện xe máy chiếm khoảng 21% tổng số nạn nhân tử vong do tai nạn giao thông trên toàn cầu, đặc biệt có xu hướng gia tăng tại các khu vực như Đông Nam Á, Nam Á, châu Phi và Mỹ La-tinh. Một trong những nguyên nhân trực tiếp dẫn đến các vụ va chạm và ùn tắc là tình trạng người tham gia giao thông không chấp hành đúng quy định về làn đường di chuyển.

Tại Việt Nam, hệ thống camera giám sát (CCTV) đã được triển khai rộng rãi trên nhiều tuyến đường trọng điểm, các đô thị lớn như TP. Hồ Chí Minh, TP. Biên Hòa và tuyến Quốc lộ 51 nhằm hỗ trợ đo tốc độ và xử lý vi phạm vượt đèn đỏ ("phạt nguội"). Tuy nhiên, lực lượng cảnh sát giao thông không đủ nhân lực để trực tiếp quan sát, kiểm soát và xử lý toàn bộ các hành vi vi phạm làn đường trên các tuyến giao thông đông đúc. Phương pháp dừng xe thủ công ở khoảng cách xa tiềm ẩn nguy cơ gây ùn ứ và mất an toàn giao thông. Do đó, việc nghiên cứu xây dựng giải pháp tự động nhận diện và phát hiện phương tiện đi sai làn đường thông qua hệ thống thị giác máy tính là một yêu cầu cấp thiết.

Khóa luận tốt nghiệp của tác giả Dương Thành Đạt (ngành Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, 2024) tập trung giải quyết các mục tiêu và nhiệm vụ cụ thể:

  1. Tìm hiểu và ứng dụng mô hình YOLOv8 để phát hiện đối tượng và phân loại hình ảnh phương tiện giao thông.
  2. Ứng dụng phương pháp ByteTrack nhằm tăng cường độ tin cậy của các hộp phát hiện (bounding boxes), giảm thiểu số lần mất dấu vết và duy trì quỹ đạo ổn định cho các đối tượng di chuyển.
  3. Xây dựng chương trình hệ thống có khả năng vận hành trên phần cứng GPU với tốc độ khung hình trung bình đạt từ 22–26 FPS, đảm bảo độ chính xác ở mật độ giao thông trung bình và môi trường đủ sáng.
  4. Áp dụng và tinh chỉnh thêm mô hình mạng nơ-ron sâu (DNN) để cải thiện độ chính xác phân loại.
  5. Xây dựng tập dữ liệu (dataset) hình ảnh phương tiện giao thông đặc trưng tại Việt Nam để phục vụ huấn luyện và kiểm thử.
  6. Ứng dụng thư viện OpenCV để phân tách ranh giới làn đường và xác định phương tiện vi phạm quy định làn, đồng thời tự động lưu trữ hình ảnh phương tiện vi phạm và nhận diện biển số xe qua EasyOCR.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các loại phương tiện tham gia giao thông đường bộ bao gồm 4 nhóm: xe ô tô con (car), xe tải (truck), xe khách/xe buýt (bus), và xe máy (motorcycle); cùng với biển số xe và hệ thống vạch kẻ phân làn đường.
  • Phạm vi dữ liệu và không gian: Các tuyến đường một chiều tại Việt Nam; dữ liệu video được thu thập từ camera giám sát giao thông thông qua ứng dụng chia sẻ hình ảnh giao thông địa phương.
  • Phạm vi kỹ thuật: Áp dụng cho các đoạn đường có vạch kẻ phân làn cấm lấn làn gồm dạng vạch đơn nét liền màu vàng và dạng vạch đơn nét liền màu trắng, trong điều kiện ánh sáng ban ngày rõ ràng.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng lý thuyết xử lý ảnh số, các kiến trúc học sâu (Deep Learning) trong phát hiện đối tượng, các kỹ thuật theo dõi đa đối tượng (Multiple Object Tracking - MOT) và nhận dạng ký tự quang học (OCR).

1. Khung lý thuyết và mô hình ứng dụng

  • Mạng nơ-ron tích chập sâu (DCNN): Cấu trúc bao gồm các lớp tích chập (Convolutional Layer) với các bộ lọc $1 \times 1$ và $3 \times 3$, hàm kích hoạt (Activation Function), các lớp gộp giảm chiều (Pooling Layers: Max Pooling/Average Pooling) và các lớp kết nối đầy đủ (Fully Connected Layers).
  • Mô hình phát hiện đối tượng một bước (Single-stage Detector): YOLO (You Only Look Once) và cụ thể là phiên bản YOLOv8. Mô hình chia ảnh đầu vào thành lưới $S \times S$ ô (grid cells). Mỗi ô dự đoán $B$ hộp giới hạn (bounding boxes) cùng điểm tin cậy (confidence score) và phân phối xác suất lớp:

$$\text{Confidence} = \text{Pr}(\text{Object}) \times \text{IoU}_{\text{pred}}^{\text{truth}}$$

  • Chỉ số IoU (Intersection over Union): Đo lường mức độ trùng khớp giữa khung hình chữ nhật dự đoán ($B_{\text{pred}}$) và khung nhãn thực tế ($B_{\text{ground_truth}}$):

$$\text{IoU} = \frac{\text{Area of Overlap}}{\text{Area of Union}}$$

  • Hàm mất mát tổng thể (Total Loss Function) trong YOLO: Tổng hợp từ 3 thành phần chính:
    1. Classification Loss: Đo sai số dự đoán nhãn phân loại trên các ô chứa đối tượng.
    2. Localization Loss: Tính tổng sai số bình phương giữa tọa độ tâm $(x, y)$ và kích thước chiều rộng/chiều cao $(w, h)$ chuẩn hóa của bounding box.
    3. Confidence Loss: Đo sai lệch độ tin cậy đối với cả ô chứa đối tượng và ô không chứa đối tượng (sử dụng trọng số $\lambda_{\text{noobj}}$ để cân bằng nền).
  • Thuật toán theo dõi đối tượng ByteTrack: Thuật toán theo dõi đa đối tượng (MOT) dựa trên nguyên lý liên kết hai lần (two-stage association). ByteTrack giữ lại tất cả các hộp phát hiện (bao gồm cả các hộp có điểm tin cậy thấp thay vì loại bỏ hoàn toàn như SORT hay DeepSORT) để liên kết với các quỹ đạo sẵn có thông qua bộ lọc Kalman và ma trận tương đồng IoU.
  • Thư viện OpenCV & EasyOCR: OpenCV được sử dụng cho các phép biến đổi hình thái, xác định vùng quan tâm (ROI) và tọa độ vạch phân làn; EasyOCR được áp dụng để trích xuất ký tự chữ số trên biển số xe của phương tiện vi phạm.

2. Phương pháp nghiên cứu và nguồn dữ liệu

Hạng mục Phương pháp / Nguồn dữ liệu sử dụng
Phát hiện & Phân loại xe Mô hình YOLOv8x huấn luyện truyền học (transfer learning) kết hợp bộ phân loại SVM/DNN.
Truy vết đối tượng (Tracking) Thuật toán ByteTrack kết hợp bộ lọc Kalman Filter để dự đoán quỹ đạo xe qua các khung hình.
Nhận diện biển số Cắt vùng bounding box biển số và trích xuất chuỗi ký tự bằng mô hình EasyOCR.
Phân tích làn đường Vẽ vùng giới hạn (ROI) và xác định tọa độ phân tách làn đường bằng thư viện OpenCV.
Dữ liệu chuẩn quốc tế Bộ dữ liệu COCO (Train2017: 118.000 ảnh, Val2017: 5.000 ảnh, Test2017: 20.000 ảnh) cấu hình qua file coco.yaml.
Dữ liệu thực tế Tập dữ liệu video CCTV thu thập từ các tuyến đường giao thông tại Việt Nam, gán nhãn thủ công bounding box và xuất file cấu hình .yaml.
Chỉ số đánh giá Precision, Recall, Precision-Recall Curve, F1-Score, Confusion Matrix và Tốc độ xử lý khung hình (FPS).

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo luồng xử lý nối tiếp (pipeline) gồm 4 giai đoạn chính nhằm giám sát tự động các phương tiện tham gia giao thông từ nguồn video camera:

[ Video CCTV đầu vào ]
[ Tiền xử lý & Thiết lập vùng làn đường (OpenCV) ]
[ Phát hiện & Phân loại phương tiện (YOLOv8) ]
[ Truy vết quỹ đạo & Định danh đối tượng (ByteTrack) ]
[ Kiểm tra điều kiện đè vạch / Sai làn đường ]
[ Duy trì theo dõi ]         [ Trích xuất vùng biển số (ROI) ]
                             [ Nhận diện ký tự (EasyOCR) ]
                             [ Lưu trữ ảnh & Biển số vi phạm ]

Chi tiết các mô-đun chức năng:

  1. Mô-đun tiếp nhận và phân chia làn đường:

    • Đọc luồng video đầu vào bằng OpenCV.
    • Thiết lập tọa độ các vùng làn đường cố định (sử dụng các khối đa giác/hình chữ nhật có mã màu khác nhau để đánh dấu làn dành cho xe máy, ô tô con, xe tải và xe buýt).
    • Xác định vị trí các vạch kẻ liền (vàng hoặc trắng) cấm chuyển làn.

  2. Mô-đun nhận diện và phân loại phương tiện:

    • Đưa từng khung hình (frame) qua mạng tích chập YOLOv8 để trích xuất đặc trưng không gian.
    • Dự đoán đồng thời vị trí bounding box, nhãn phân loại (ô tô, xe buýt, xe tải, xe máy) và điểm tin cậy.

  3. Mô-đun theo dõi và phân tích vi phạm:

    • ByteTrack nhận danh sách bounding box từ YOLOv8, gán ID duy nhất cho từng phương tiện và cập nhật quỹ đạo di chuyển liên tục qua từng khung hình.
    • Thuật toán đối chiếu tọa độ tâm và phần đáy của bounding box phương tiện với ranh giới vùng làn đường đã định nghĩa.
    • Khi phát hiện tọa độ của phương tiện vượt qua vạch phân cách sang làn không được phép (ví dụ: xe máy đi vào làn xe tải/xe buýt hoặc ô tô đi vào làn xe máy), hệ thống kích hoạt cờ vi phạm (violation flag).

  4. Mô-đun trích xuất và hiển thị biển số xe:

    • Hệ thống tự động cắt vùng ảnh chứa phương tiện vi phạm và khoanh vùng vị trí biển số.
    • Áp dụng mô hình EasyOCR để trích xuất chuỗi ký tự chữ và số.
    • Lưu trữ hình ảnh bằng chứng cùng thông tin định danh, thời gian và loại lỗi vào hệ thống.

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương này nêu rõ lý do lựa chọn đề tài xuất phát từ thực trạng tai nạn giao thông và sự thiếu hụt nhân lực giám sát trực tiếp trên đường phố. Tác giả xác lập mục đích nghiên cứu là ứng dụng Machine Learning và IoT để xây dựng hệ thống phát hiện phương tiện đi sai làn đường tự động qua CCTV. Chương xác định phạm vi nghiên cứu tập trung vào 4 loại phương tiện giao thông trên các tuyến đường một chiều tại Việt Nam và thẳng thắn chỉ ra các giới hạn về góc quay camera và dạng vạch kẻ đường.

Chương 2: Tổng quan tình hình nghiên cứu

Chương 2 tổng hợp các công trình nghiên cứu và giải pháp công nghệ trong và ngoài nước:

  • Trong nước: Giới thiệu các hệ thống camera giao thông của ELCOM và đề tài nhận dạng người khả nghi sử dụng mạng CNN của nhóm nghiên cứu tại Đại học Bách Khoa Đà Nẵng (chỉ ra hạn chế về tốc độ xử lý do trích xuất quá nhiều vùng ROI dư thừa).
  • Nước ngoài: Khảo sát các sản phẩm thương mại của ARH, Tattile và đề tài nghiên cứu hệ thống đánh giá tác động giao thông của Jin Jie Ng và cộng sự (sử dụng kết hợp YOLOv5, OCR và ByteTrack để phân loại và đếm xe).
  • Vấn đề cần giải quyết: Xác định các thách thức về chất lượng dữ liệu camera, yêu cầu xử lý thời gian thực (real-time) và bảo mật dữ liệu.

Chương 3: Cơ sở lý thuyết về phát hiện và theo dõi phương tiện giao thông

Chương 3 trình bày chi tiết các nguyên lý toán học và cấu trúc mô hình thị giác máy tính:

  • Xử lý ảnh cơ bản: Điểm ảnh, mức xám, không gian màu, ma trận hạt nhân, các toán tử đạo hàm tìm biên (Gradient, Laplace, Zero crossing).
  • Phương pháp truyền thống: Kỹ thuật trích xuất đặc trưng HOG (Histogram of Oriented Gradients), Haar-like, LBP (Local Binary Patterns) kết hợp thuật toán phân loại máy vectơ hỗ trợ (SVM).
  • Phương pháp học sâu hai bước (Two-stage): Cấu trúc và nguyên lý hoạt động của R-CNN, Fast R-CNN và Faster R-CNN (sử dụng mạng đề xuất vùng RPN và cơ chế Anchor Box).
  • Phương pháp học sâu một bước (One-stage): Phân tích cấu trúc mạng Darknet, cơ chế chia lưới $S \times S$, công thức tính IoU, cấu hình tập dữ liệu COCO và chi tiết các hàm mất mát (Classification, Localization, Confidence, Total Loss).
  • Kỹ thuật Object Tracking: So sánh Single Object Tracking (SOT) và Multiple Object Tracking (MOT); phân tích thuật toán SORT, DeepSORT và nguyên lý liên kết hai giai đoạn của ByteTrack; kỹ thuật lọc Kalman Filter.
  • Nhận diện ký tự: Nguyên lý xử lý văn bản từ ảnh của EasyOCR.

Chương 4: Phân tích và thiết kế hệ thống

Tác giả chi tiết hóa sơ đồ giải thuật và quy trình hiện thực hóa phần mềm:

  • Quy trình đọc và xử lý khung hình video từ camera.
  • Thiết lập tập dữ liệu huấn luyện tùy chỉnh cho YOLOv8x: quy trình vẽ bounding box, gán nhãn màu sắc cho từng loại xe và cấu hình file YAML.
  • Thiết kế thuật toán phân chia làn đường bằng OpenCV dựa trên các tọa độ điểm mốc.
  • Tích hợp thuật toán ByteTrack để duy trì ID phương tiện và thuật toán kiểm tra giao cắt giữa bounding box xe và tọa độ vạch kẻ liền.
  • Thiết kế luồng xử lý trích xuất biển số xe và giao diện hiển thị kết quả trực quan trên video.

Chương 5: Kết quả thực nghiệm

Chương 5 cung cấp toàn bộ các số liệu và biểu đồ đo đạc trong quá trình huấn luyện và chạy thử nghiệm hệ thống:

  • Các đồ thị đánh giá mô hình: Đường cong Precision-Recall (PR Curve), Precision-Confidence Curve, Recall-Confidence Curve, biểu đồ F1-Score.
  • Ma trận nhầm lẫn (Confusion Matrix) cho bài toán phân loại 4 nhóm phương tiện và bài toán nhận diện biển số xe.
  • Kết quả nhận diện trên video thực tế: Tốc độ xử lý trung bình đạt 22–26 FPS trên GPU.
  • Đánh giá khả năng phân loại đúng các xe đi đúng làn và phát hiện chính xác các trường hợp lấn làn đè vạch liền đối với cả hai chiều di chuyển.
  • Phân tích ưu điểm và nhược điểm thực tế của chương trình khi chạy trên các video có mật độ phương tiện thay đổi.

Chương 6: Đánh giá kết quả và đóng góp

Tổng kết các kết quả đạt được về mặt lý thuyết và thực nghiệm; nêu rõ các đóng góp mới của đề tài trong việc xây dựng hệ thống tự động hóa xử lý vi phạm giao thông.

Chương 7: Hướng phát triển

Đề xuất các phương án mở rộng và cải tiến mô hình trong tương lai nhằm nâng cao độ chính xác nhận diện biển số và khả năng thích ứng với điều kiện môi trường phức tạp.

Kết quả và đóng góp

1. Kết quả thực nghiệm cụ thể

  • Tốc độ xử lý: Hệ thống hoàn thiện hoạt động ổn định trên phần cứng GPU với chỉ số khung hình trung bình đạt 22–26 FPS, đáp ứng điều kiện xử lý thời gian thực đối với các luồng video giám sát giao thông thông thường.
  • Khả năng phân loại và phát hiện:
    • Mô hình YOLOv8x sau khi huấn luyện trên tập dữ liệu tùy chỉnh đã phân loại chính xác 4 nhóm phương tiện: xe ô tô con, xe buýt, xe tải và xe máy.
    • Phân định rõ ràng các làn đường thông qua vùng màu OpenCV và xác định chính xác các trường hợp phương tiện có hành vi lấn vạch đơn nét liền (vàng/trắng).
  • Trích xuất dữ liệu vi phạm: Chương trình tự động nhận diện và chụp lại hình ảnh xe vi phạm, khoanh vùng biển số và xuất kết quả ký tự văn bản thông qua EasyOCR để phục vụ công tác lưu trữ bằng chứng.

2. Đóng góp của đề tài

  • Xây dựng một quy trình hoàn chỉnh (end-to-end pipeline) kết hợp giữa mô hình học sâu hiện đại (YOLOv8), giải thuật truy vết đa đối tượng (ByteTrack), thư viện thị giác máy tính (OpenCV) và công cụ OCR để giải quyết bài toán phát hiện vi phạm làn đường tại Việt Nam.
  • Đóng góp bộ dữ liệu hình ảnh phương tiện giao thông được gán nhãn thủ công từ các góc quay camera giao thông thực tế trong nước, giúp mô hình thích ứng tốt với đặc thù phương tiện giao thông nội địa (đặc biệt là mật độ xe máy cao).
  • Cung cấp một giải pháp kỹ thuật có chi phí tính toán hợp lý, có khả năng tích hợp vào các hệ thống camera giám sát hiện hữu nhằm hỗ trợ tự động hóa công tác phạt nguội của lực lượng chức năng.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế của đề tài

Căn cứ theo văn bản khóa luận, đề tài còn tồn tại một số hạn chế:

  • Phạm vi vạch kẻ đường: Giải pháp hiện tại mới chỉ áp dụng cho dạng vạch đơn nét liền màu vàng và vạch đơn nét liền màu trắng trên các tuyến đường một chiều; chưa xử lý được các cấu trúc làn đường phức tạp hơn (như vạch nét đứt cho phép chuyển làn tạm thời, làn đường hỗn hợp, hoặc nút giao vòng xuyến).
  • Chất lượng hình ảnh biển số: Do camera phải đặt ở vị trí trên cao để có tầm nhìn bao quát toàn bộ 4 làn đường (hai chiều đi và về), khoảng cách xa làm giảm độ phân giải chi tiết của xe, dẫn đến việc thu nhận và nhận diện ký tự biển số bị hạn chế hoặc sai sót khi thời tiết xấu.
  • Nhiễu khi mật độ xe quá đông: Trong các khung hình có mật độ phương tiện quá dày đặc, sự xuất hiện của quá nhiều bounding box cùng lúc gây ra hiện tượng che khuất (occlusion), dẫn đến thuật toán bị nhiễu và đưa ra một số kết luận sai về quỹ đạo di chuyển.

2. Hướng phát triển tiếp theo

  • Về mô hình nhận diện và phân loại:
    • Tiếp tục mở rộng tập dữ liệu huấn luyện với đa dạng góc quay, điều kiện thời tiết (mưa, sương mù) và các khung giờ ban đêm/thiếu sáng.
    • Tối ưu hóa mô hình mạng nơ-ron để tăng độ chính xác nhận diện biển số đối với các ảnh có độ phân giải thấp hoặc góc nghiêng lớn.
  • Về mô hình phát hiện vi phạm:
    • Nghiên cứu cơ chế tự động nhận diện và học ranh giới làn đường động thay vì cố định tọa độ phân làn bằng OpenCV.
    • Cải tiến thuật toán liên kết quỹ đạo trong ByteTrack nhằm xử lý triệt để hiện tượng mất dấu vết khi các phương tiện che khuất lẫn nhau trong giờ cao điểm.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo ứng dụng và học thuật trong các lĩnh vực:

  • Đối tượng tham khảo: Sinh viên, học viên chuyên ngành Kỹ thuật Máy tính, Khoa học Máy tính, Trí tuệ Nhân tạo, Công nghệ Thông tin hoặc các kỹ sư đang nghiên cứu và phát triển các hệ thống giao thông thông minh (Intelligent Transportation Systems - ITS).
  • Nội dung giá trị nhất:
    • Chương 3: Hệ thống hóa chi tiết và có hệ thống toàn bộ cơ sở toán học từ xử lý ảnh truyền thống (HOG, Haar, SVM) đến các kiến trúc mạng học sâu hiện đại (R-CNN, YOLO, các thành phần hàm mất mát Loss Functions) và các thuật toán tracking (SORT, DeepSORT, ByteTrack).
    • Chương 4 & 5: Bản thiết kế quy trình phối hợp giữa YOLOv8, ByteTrack và OpenCV để giải quyết bài toán giao cắt hình học giữa bounding box chuyển động và ranh giới làn đường tĩnh; cùng bộ quy chuẩn đánh giá hiệu năng mô hình (PR Curve, Confusion Matrix, FPS).

Câu hỏi thường gặp

1. Tại sao đề tài lại lựa chọn thuật toán ByteTrack thay vì SORT hay DeepSORT để theo dõi phương tiện?

Khác với SORT hay DeepSORT (thường áp dụng một ngưỡng điểm tin cậy cao và loại bỏ hoàn toàn các hộp phát hiện có điểm số thấp), ByteTrack tận dụng toàn bộ các hộp phát hiện thông qua cơ chế liên kết 2 bước. Việc giữ lại các hộp có độ tin cậy thấp giúp ByteTrack duy trì liên tục quỹ đạo của các phương tiện khi chúng bị che khuất một phần hoặc bị giảm độ tương phản, từ đó giảm thiểu tối đa hiện tượng mất dấu vết (tracking loss) của xe trên đường.

2. Mô hình nhận diện đối tượng chính được sử dụng trong khóa luận là gì và vì sao tác giả chọn mô hình này?

Mô hình chính được sử dụng là YOLOv8 (phiên bản cấu hình YOLOv8x). Tác giả chọn YOLOv8 vì đây là mạng phát hiện một bước (one-stage detector) xử lý toàn bộ hình ảnh trong một lượt truyền thẳng (single pass), đạt tốc độ tính toán cao hơn đáng kể so với các mạng hai bước như Faster R-CNN, đáp ứng yêu cầu xử lý thời gian thực từ 22–26 FPS trên GPU. Đồng thời, cấu trúc mạng kim tự tháp đặc trưng (FPN/PANet) của YOLOv8 giúp nhận diện hiệu quả các phương tiện có kích thước biến đổi từ nhỏ đến lớn trong cùng một khung hình.

3. Hệ thống xác định hành vi phương tiện đi sai làn đường dựa trên nguyên lý kỹ thuật nào?

Hệ thống sử dụng thư viện OpenCV để định nghĩa trước các vùng làn đường hợp lệ (được đánh dấu bằng các hình khối màu sắc khác nhau) và các đường ranh giới vạch kẻ liền (vạch đơn vàng/trắng). Trong quá trình video chạy, thuật toán ByteTrack cung cấp tọa độ quỹ đạo di chuyển của từng phương tiện. Khi tọa độ tâm hoặc phần chân của bounding box của phương tiện loại này (ví dụ: xe máy) cắt qua vạch ranh giới để đi vào vùng làn đường dành riêng cho loại phương tiện khác (ví dụ: ô tô/xe tải), hệ thống sẽ xác định đây là hành vi vi phạm làn đường và kích hoạt chụp ảnh lưu trữ.

4. Hệ thống xử lý việc nhận diện biển số xe vi phạm như thế nào?

Sau khi thuật toán theo dõi xác định phương tiện có hành vi đi sai làn đường, chương trình sẽ tự động cắt vùng ảnh (crop ROI) chứa phương tiện và vị trí biển số của xe đó từ khung hình gốc. Vùng ảnh này sau đó được chuyển qua mô hình EasyOCR để thực hiện bóc tách, nhận dạng các ký tự chữ số trên biển số và xuất kết quả văn bản phục vụ công tác tra cứu.

5. Tốc độ khung hình (FPS) và điều kiện vận hành tối ưu của hệ thống đạt mức nào?

Hệ thống đạt tốc độ xử lý trung bình từ 22 đến 26 FPS khi chạy trên phần cứng GPU. Môi trường vận hành tối ưu của hệ thống là trên các tuyến đường một chiều, điều kiện ánh sáng ban ngày đầy đủ và rõ nét, với mật độ phương tiện lưu thông ở mức trung bình.

Kết luận

Khóa luận tốt nghiệp của tác giả Dương Thành Đạt đã hoàn thành việc nghiên cứu, thiết kế và triển khai thành công hệ thống tự động phân loại và phát hiện phương tiện giao thông di chuyển sai làn đường. Bằng cách tích hợp hiệu quả mô hình phát hiện YOLOv8, giải thuật theo dõi ByteTrack, thư viện xử lý ảnh OpenCV và công cụ EasyOCR, hệ thống đạt tốc độ xử lý 22–26 FPS trên GPU và đáp ứng tốt các yêu cầu phát hiện lỗi lấn làn trên các tuyến đường một chiều. Đề tài cung cấp cơ sở lý thuyết vững chắc, tập dữ liệu thực nghiệm giá trị và đóng góp một giải pháp ứng dụng thiết thực cho bài toán tự động hóa giám sát an toàn giao thông đường bộ tại Việt Nam.