Phân Loại Và Phát Hiện Phương Tiện Tham Gia Giao Thông Sai Làn Tại Tây Ninh

Hiện nay, xu hướng chuyển đổi số diễn ra mạnh mẽ, việc ứng dụng công nghệ thông tin vào giao… 82 trang · Học Viện Công Nghệ Bưu Chính Viễn Thông · 2023.

• Tác giả: Trần Quốc Tháng
• Người hướng dẫn: PGS. Vũ Đắc Lung
• Trường học: Học Viện Công Nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát Hiện Phương Tiện Giao Thông Sai Làn Bằng Camera Tại Tây Ninh
• Loại tài liệu: Đề Án Tốt Nghiệp Thạc Sĩ Kỹ Thuật
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC
• 1.1. Giải thích
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 3. CHƯƠNG 3: PHÂN TÍCH THIẾT KẾ HỆ THỐNG
• 4. CHƯƠNG 4: THỬ NGHIỆM VÀ ĐÁNH GIÁ
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
• DANH SÁCH BẢNG
• DANH SÁCH HÌNH VẼ

Tóm tắt

I. Giới Thiệu Tổng Quan Về Phát Hiện Phương Tiện Sai Làn Ở Tây Ninh

Hiện nay, xu hướng chuyển đổi số diễn ra mạnh mẽ, việc ứng dụng công nghệ thông tin vào giao thông, đặc biệt là hệ thống thông minh, trở nên cấp thiết. Trong bối cảnh hợp tác giữa VNPT Tây Ninh và Sở Giao thông Vận tải, hệ thống camera giao thông thông minh giúp tính toán mật độ giao thông, đếm lưu lượng xe, nhận dạng biển số và làn đường, đo tốc độ xe. Mục tiêu là hỗ trợ cơ quan quản lý nhà nước giám sát phương tiện, xử lý ùn tắc và tai nạn, nâng cao ý thức người dân. Việc phát hiện phương tiện sai làn, một trong những nguyên nhân hàng đầu gây tai nạn, cần được giải quyết. Do đó, một hệ thống quản lý và giám sát giao thông thông minh, có khả năng phát hiện sai làn theo thời gian thực, là vô cùng quan trọng. Hệ thống này sẽ giúp cơ quan quản lý cảnh báo sớm và xử lý kịp thời, giảm thiểu thiệt hại về người và tài sản.

1.1. Tầm Quan Trọng Của Hệ Thống Giám Sát Giao Thông Thông Minh

Hệ thống giám sát giao thông thông minh đóng vai trò then chốt trong việc đảm bảo trật tự an toàn giao thông, đặc biệt trong bối cảnh giao thông ngày càng phức tạp. Hệ thống này không chỉ giúp phát hiện vi phạm, mà còn hỗ trợ điều tiết giao thông, giảm ùn tắc và cảnh báo nguy cơ tai nạn. Việc triển khai hệ thống giám sát giao thông thông minh tại Tây Ninh sẽ góp phần nâng cao hiệu quả quản lý giao thông, giảm thiểu tai nạn và cải thiện chất lượng cuộc sống của người dân.

1.2. Thực Trạng Vi Phạm Làn Đường Tại Tây Ninh Hiện Nay

Trong những năm gần đây, vi phạm trật tự an toàn giao thông qua camera giám sát, đặc biệt là vi phạm quy định về sử dụng phần đường, làn đường, chiếm tỷ lệ cao và là nguyên nhân hàng đầu gây tai nạn tại Tây Ninh. Điều này cho thấy sự cần thiết của việc áp dụng các giải pháp công nghệ để phát hiện và xử lý vi phạm, góp phần nâng cao ý thức của người tham gia giao thông. Cần có biện pháp mạnh để giảm thiểu tình trạng này.

II. Phân Tích Bài Toán Phát Hiện Sai Làn Xe Tổng Quan Nghiên Cứu

Bài toán phát hiện phương tiện di chuyển sai làn đường đã được nghiên cứu rộng rãi trên thế giới. Tuy nhiên, các giải pháp hiện tại còn riêng lẻ, chưa đáp ứng được yêu cầu thực tế, đặc biệt trong bối cảnh giao thông phức tạp ở Việt Nam. Việc nghiên cứu và xây dựng hệ thống phân loại và phát hiện phương tiện sai làn, tích hợp vào hệ thống giám sát giao thông thông minh, là điều cần thiết, có ý nghĩa cả về mặt lý thuyết và thực tiễn. Mục tiêu là xây dựng hệ thống có khả năng xác định loại phương tiện, số lượng và việc tuân thủ luật giao thông. Hệ thống này thuộc nhóm ứng dụng liên quan đến lĩnh vực giao thông thông minh và có thể ứng dụng trong nhiều lĩnh vực như quản lý, giám sát giao thông, cảnh báo xâm nhập, báo trộm, cảnh báo cháy.

2.1. Các Hướng Nghiên Cứu Chính Trong Phát Hiện Sai Làn Giao Thông

Các hướng nghiên cứu chính trong phát hiện sai làn giao thông tập trung vào việc ứng dụng các kỹ thuật xử lý ảnh, học sâu và thị giác máy tính để nhận diện phương tiện, làn đường và hành vi di chuyển. Một số nghiên cứu tập trung vào việc xây dựng các mô hình nhận diện làn đường chính xác, trong khi các nghiên cứu khác tập trung vào việc theo dõi và phân tích hành vi di chuyển của phương tiện để phát hiện sai làn. Các mô hình học sâu, như YOLO và SSD, được sử dụng rộng rãi để nhận diện phương tiện và làn đường với độ chính xác cao.

2.2. Điểm Mới Trong Nghiên Cứu Phát Hiện Sai Làn Ở Tây Ninh

Điểm mới của đề tài là kết hợp giải pháp nhận diện làn đường và nhận diện phương tiện, theo vết các phương tiện từng làn đường. Dữ liệu được thu thập và gán nhãn ở Tây Ninh. Các giải thuật không mới nhưng lần đầu được áp dụng và thử nghiệm ở Tây Ninh. Điều này cho phép hệ thống được tùy chỉnh và tối ưu hóa cho điều kiện giao thông đặc thù của địa phương, từ đó nâng cao độ chính xác và hiệu quả phát hiện sai làn.

III. Phương Pháp Xây Dựng Hệ Thống Phát Hiện Xe Sai Làn Hướng Dẫn

Để xây dựng hệ thống phát hiện phương tiện sai làn, cần nghiên cứu lý thuyết liên quan đến xử lý ảnh, nhận dạng và phân loại đối tượng, phát hiện và truy vết đối tượng qua video. Nghiên cứu các lý thuyết liên quan bài toán xác định phương tiện đi sai làn đường. Xây dựng thử nghiệm hệ thống phân loại và phát hiện phương tiện giao thông di chuyển sai phần đường, làn đường. Đối tượng nghiên cứu là hạ tầng giao thông đường bộ, làn đường và phương tiện giao thông trên đường qua camera kỹ thuật số giám sát. Phạm vi đề tài tập trung vào nhận diện làn đường được phân làn cố định và một số loại xe cơ bản. Môi trường thử nghiệm trong điều kiện sáng và rõ.

3.1. Thu Thập Dữ Liệu Và Gán Nhãn Cho Hệ Thống Học Máy

Thu thập dữ liệu là bước quan trọng để huấn luyện mô hình nhận diện. Dữ liệu bao gồm video giám sát giao thông thực tế từ camera tại Tây Ninh. Quá trình gán nhãn bao gồm việc đánh dấu vị trí các phương tiện và làn đường trong video, đồng thời phân loại phương tiện theo loại hình (xe máy, ô tô, xe tải,...). Chất lượng và số lượng dữ liệu ảnh hưởng lớn đến độ chính xác của mô hình. Việc chọn lọc và làm sạch dữ liệu cũng rất quan trọng.

3.2. Sử Dụng Các Thuật Toán Xử Lý Ảnh và Học Sâu Phổ Biến

Hệ thống sử dụng các thuật toán xử lý ảnh để tiền xử lý video, bao gồm giảm nhiễu, tăng cường độ tương phản và trích xuất đặc trưng. Các thuật toán học sâu, như YOLO (You Only Look Once) và SSD (Single Shot Detector), được sử dụng để nhận diện phương tiện và làn đường. Các thuật toán theo vết (tracking) được sử dụng để theo dõi di chuyển của phương tiện và xác định xem chúng có di chuyển sai làn hay không.

3.3. Xác định phương tiện di chuyển sai làn bằng phép toán

Để xác định phương tiện có di chuyển sai làn hay không, cần thực hiện các phép toán hình học và logic. Hệ thống cần xác định vị trí của phương tiện so với làn đường và hướng di chuyển của nó. Nếu phương tiện di chuyển không đúng làn đường quy định hoặc có hành vi chuyển làn không đúng luật, hệ thống sẽ phát hiện và cảnh báo. Phép toán dựa vào hình ảnh và video gốc.

IV. Ứng Dụng Thực Tế Hệ Thống Phát Hiện Sai Làn Tại Tây Ninh

Hệ thống phát hiện sai làn có thể được triển khai trên các tuyến quốc lộ thuộc tỉnh Tây Ninh, sử dụng camera giám sát sẵn có. Dữ liệu thu thập được sẽ cung cấp thông tin quan trọng cho cơ quan quản lý giao thông, giúp tăng cường công tác tuần tra, kiểm soát và xử lý vi phạm. Hệ thống có thể tích hợp với các hệ thống quản lý giao thông khác, như hệ thống điều khiển đèn tín hiệu, để tối ưu hóa luồng giao thông và giảm ùn tắc. Nó còn là công cụ hữu ích trong việc quản lý giao thông.

4.1. Tích Hợp Hệ Thống Với Cơ Sở Dữ Liệu Xử Phạt Vi Phạm Giao Thông

Để tăng cường hiệu quả xử phạt, hệ thống phát hiện sai làn cần được tích hợp với cơ sở dữ liệu xử phạt vi phạm giao thông. Khi phát hiện vi phạm, hệ thống sẽ tự động ghi lại hình ảnh và video, đồng thời gửi thông tin vi phạm đến cơ quan chức năng để xử lý. Việc tích hợp này giúp giảm thiểu thời gian xử lý và tăng tính minh bạch trong công tác xử phạt.

4.2. Nâng Cao Nhận Thức Cộng Đồng Về An Toàn Giao Thông

Ngoài việc phát hiện và xử lý vi phạm, hệ thống phát hiện sai làn còn có thể được sử dụng để nâng cao nhận thức cộng đồng về an toàn giao thông. Dữ liệu thu thập được có thể được sử dụng để phân tích các điểm đen tai nạn và xây dựng các chương trình tuyên truyền phù hợp. Hệ thống cũng có thể cung cấp thông tin về tình hình giao thông trực tuyến, giúp người dân lựa chọn lộ trình di chuyển an toàn hơn.

V. Thử Nghiệm Đánh Giá Hệ Thống Phát Hiện Phương Tiện Sai Làn

Đề tài tập trung vào việc vận dụng các thuật toán để trích xuất làn đường, phân loại và theo vết phương tiện, đồng thời phát hiện phương tiện di chuyển sai làn đường trên quốc lộ thuộc tỉnh Tây Ninh bằng camera kỹ thuật số. Mục tiêu là xây dựng một hệ thống có khả năng phân loại và phát hiện các phương tiện vi phạm. Đánh giá sẽ dựa trên các kết quả thực nghiệm.

5.1. Thiết lập cấu hình thử nghiệm Dữ liệu thực nghiệm

Cấu hình thử nghiệm đóng vai trò quan trọng. Dữ liệu thực nghiệm cần thu thập đầy đủ và chuẩn bị kỹ lưỡng để đảm bảo kết quả đánh giá chính xác. Cần đảm bảo độ chính xác khi thử nghiệm.

5.2. Quá trình và kết quả thực nghiệm

Quá trình thực nghiệm bao gồm nhiều bước, từ cài đặt, thử nghiệm. Kết quả thu được sẽ được phân tích và đánh giá để xác định hiệu quả của hệ thống. Đánh giá được thực hiện sau khi kết thúc.

VI. Kết Luận Hướng Phát Triển Của Hệ Thống Phát Hiện Sai Làn

Hệ thống phát hiện phương tiện sai làn có tiềm năng lớn trong việc cải thiện an toàn giao thông tại Tây Ninh. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để nâng cao độ chính xác và khả năng ứng dụng của hệ thống. Các hướng phát triển tiềm năng bao gồm tích hợp với các công nghệ mới như trí tuệ nhân tạo và học sâu, mở rộng phạm vi ứng dụng sang các loại hình giao thông khác (ví dụ: đường sắt, đường thủy) và phát triển các giải pháp cảnh báo và hỗ trợ người lái xe.

6.1. Tích Hợp Trí Tuệ Nhân Tạo Để Nâng Cao Độ Chính Xác

Việc tích hợp trí tuệ nhân tạo (AI) có thể giúp nâng cao độ chính xác của hệ thống phát hiện sai làn. Các thuật toán AI có thể học hỏi từ dữ liệu và tự động điều chỉnh để phù hợp với các điều kiện giao thông khác nhau. AI cũng có thể giúp phát hiện các hành vi vi phạm tinh vi hơn, mà các hệ thống truyền thống khó phát hiện.

6.2. Mở Rộng Phạm Vi Ứng Dụng Sang Các Loại Hình Giao Thông Khác

Hệ thống phát hiện sai làn có thể được mở rộng để ứng dụng trong các loại hình giao thông khác, như đường sắt và đường thủy. Trong lĩnh vực đường sắt, hệ thống có thể giúp phát hiện các tàu hỏa chạy sai đường ray hoặc vượt đèn đỏ. Trong lĩnh vực đường thủy, hệ thống có thể giúp phát hiện các tàu thuyền đi vào vùng cấm hoặc vi phạm quy định về tốc độ.

Nội dung chính

Tổng quan nghiên cứu

Vi phạm quy định về phần đường và làn đường luôn là một trong những nguyên nhân hàng đầu gây ra các vụ tai nạn giao thông nghiêm trọng tại Việt Nam, chiếm tỷ lệ ước tính khoảng 30% đến 40% tổng số vụ va chạm trên các tuyến huyết mạch. Tại tỉnh Tây Ninh, lưu lượng phương tiện vận tải hàng hóa và hành khách qua các tuyến quốc lộ tăng trưởng bình quân trên 12% mỗi năm, dẫn đến áp lực kiểm soát trật tự an toàn giao thông ngày càng lớn. Trước yêu cầu chuyển đổi số toàn diện của ngành giao thông vận tải, việc ứng dụng trí tuệ nhân tạo và xử lý ảnh để tự động hóa giám sát trở thành giải pháp cấp thiết.

Đề tài tập trung xây dựng hệ thống tự động phân loại và phát hiện phương tiện tham gia giao thông di chuyển sai làn đường trên các tuyến quốc lộ thuộc địa bàn tỉnh Tây Ninh thông qua dữ liệu camera kỹ thuật số cố định. Mục tiêu cốt lõi là thiết lập luồng xử lý thời gian thực với độ trễ xử lý dưới 0,05 giây mỗi khung hình, đảm bảo tính toán chính xác hành vi vi phạm của từng loại xe trên từng phân làn quy định.

Phạm vi nghiên cứu được triển khai thực nghiệm trên các tuyến quốc lộ trọng điểm tại Tây Ninh trong năm 2023, phân tích tuyến đường quy chuẩn 3 làn gồm: làn ngoài cho xe ô tô con và xe khách, làn giữa cho xe tải và xe container, làn trong cùng dành cho xe máy. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi hỗ trợ lực lượng chức năng phát hiện sớm vi phạm, giảm tải hơn 70% khối lượng công việc kiểm tra thủ công và nâng cao ý thức chấp hành luật giao thông đường bộ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự tích hợp của hai nền tảng lý thuyết chủ đạo: Thị giác máy tính truyền thống (Computer Vision) và Học sâu (Deep Learning). Trong bài toán trích xuất làn đường cố định, hệ thống ứng dụng thuật toán Canny Edge Detection để xác định các cạnh biên, kết hợp biến đổi Hough Transform nhằm chuyển đổi các điểm ảnh sang không gian tham số và phát hiện chính xác các đường thẳng phân làn. Thuật toán phân cụm K-means tiếp tục được triển khai để lọc bỏ các đường nhiễu từ môi trường xung quanh.

Đối với bài toán phát hiện và phân loại đa phương tiện, nghiên cứu dựa trên kiến trúc mạng nơ-ron tích chập đơn tầng YOLO (You Only Look Once), đặc biệt kế thừa cấu trúc của YOLOv5 nhằm tối ưu hóa giữa độ chính xác nhận dạng và tốc độ tính toán. Các khái niệm nền tảng được vận dụng bao gồm:

• Khung bao giới hạn (Bounding Box): Tọa độ xác định không gian vật thể trong ma trận ảnh 256 mức xám hoặc không gian màu RGB 3 kênh.
• Chỉ số giao cắt trên hợp (Intersection over Union - IoU): Đại lượng đo lường độ trùng khớp giữa vùng dự đoán và vùng thực tế.
• Hộp neo (Anchor Box): Bộ 9 khung hình chuẩn với 3 kích thước (128x128, 256x256, 512x512 pixel) và 3 tỷ lệ khung hình (1:1, 2:1, 1:2) giúp nhận diện đa dạng các kích cỡ phương tiện.
• Phân tách nền bằng mô hình Gauss hỗn hợp (Gaussian Mixture Model - GMM) và bộ lọc Kalman phục vụ dự đoán chuyển động.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp từ hệ thống camera giám sát thông minh của Trung tâm Công nghệ Thông tin - Viễn thông Tây Ninh (VNPT Tây Ninh) đặt tại các giao lộ quốc lộ trọng điểm. Tập dữ liệu bao gồm 5.200 khung hình trích xuất từ các đoạn video độ phân giải cao, ghi nhận trong nhiều điều kiện lưu thông khác nhau.

Phương pháp chọn mẫu sử dụng kỹ thuật lấy mẫu phân tầng theo thời gian và mật độ giao thông, đại diện cho 5 nhóm phương tiện phổ biến: xe máy, xe ô tô con, xe khách, xe tải và xe container. Quá trình gán nhãn dữ liệu (labeling) được thực hiện thủ công chuẩn xác theo định dạng YOLO.

Dữ liệu được phân chia theo tỷ lệ tiêu chuẩn: 70% tập huấn luyện (training set), 20% tập kiểm thử (validation set) và 10% tập đánh giá độc lập (test set). Mô hình học sâu được huấn luyện qua 3 chu kỳ lặp (epochs) với các tham số tối ưu hóa nhằm tăng cường chỉ số mAP (mean Average Precision). Phương pháp phân tích kết hợp giữa trích xuất tọa độ trọng tâm phương tiện và thuật toán giao cắt đa giác hình học với các ranh giới làn đường đã được định vị sẵn, từ đó đưa ra kết luận vi phạm tức thời.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình triển khai thử nghiệm hệ thống trên tập dữ liệu thực tế tại Tây Ninh đã mang lại các kết quả định lượng cụ thể:

• Trích xuất làn đường tự động: Sự kết hợp giữa Canny Edge Detection, Hough Transform và K-means đạt tỷ lệ nhận diện ranh giới làn đường chính xác 93,4%, đồng thời loại bỏ được 87,5% các đường nét nhiễu do vệt bóng cây và gợn sóng mặt đường.
• Phát hiện và phân loại phương tiện: Mô hình YOLOv5 sau 3 lần tinh chỉnh đạt độ chính xác trung bình (mAP@0.5) ở mức 89,6% trên toàn bộ 5 nhóm xe. Trong đó, nhận diện ô tô con và xe tải đạt độ chính xác cao nhất (lần lượt là 92,3% và 90,1%), nhận diện xe máy đạt 86,4% do kích thước nhỏ và mật độ di chuyển đan xen dày đặc.
• Tốc độ xử lý khung hình: Hệ thống đạt tốc độ xử lý trung bình 45,2 khung hình/giây (FPS), tương đương thời gian phản hồi khoảng 0,022 giây cho mỗi khung hình trên nền tảng phần cứng hỗ trợ GPU, đáp ứng hoàn hảo tiêu chuẩn xử lý thời gian thực (Real-time Processing).
• Truy vết và cảnh báo sai làn: Thuật toán định vị kết hợp DeepSORT và logic giao cắt đa giác phát hiện chính xác 91,8% các hành vi lấn làn, đi sai làn quy định, giảm tỷ lệ cảnh báo sai xuống dưới 6,5% trong điều kiện ánh sáng ban ngày.

+---------------------+-------------------+---------------------+
| Nhóm phương tiện    | Độ chính xác (mAP)| Tốc độ xử lý (FPS)  |
+---------------------+-------------------+---------------------+
| Xe ô tô con         | 92,3%             | 45,2                |
| Xe tải              | 90,1%             | 45,2                |
| Xe container        | 89,8%             | 45,2                |
| Xe khách            | 89,4%             | 45,2                |
| Xe máy              | 86,4%             | 45,2                |
+---------------------+-------------------+---------------------+

Thảo luận kết quả

Hiệu năng của mô hình đề xuất thể hiện bước nhảy vọt so với các phương pháp tiếp cận trước đây. Khi so sánh với các kỹ thuật dựa trên R-CNN vốn mất từ 0,2 đến 2,0 giây cho một khung hình, giải pháp YOLOv5 kết hợp DeepSORT nâng tốc độ xử lý lên gấp 9 đến 10 lần mà vẫn duy trì độ chính xác tương đương Faster R-CNN. Độ chính xác phát hiện trung bình 89,6% của YOLOv5 vượt trội đáng kể so với mức 31,2% của các kiến trúc SSD truyền thống trên cùng điều kiện tập dữ liệu giao thông phức tạp.

Nguyên nhân đạt được độ chính xác cao là nhờ cơ chế nhìn toàn diện bức ảnh của mạng YOLO, giúp bảo toàn ngữ cảnh xung quanh vật thể. Biểu đồ ma trận nhầm lẫn (Confusion Matrix) trích xuất từ quá trình đánh giá cho thấy hiện tượng nhầm lẫn chủ yếu xảy ra giữa xe tải nhỏ và xe khách dáng dài khi góc quan sát camera bị nghiêng quá 45 độ. Khi phương tiện bị che khuất một phần (Occlusion), thuật toán DeepSORT với việc tích hợp vector đặc trưng trực quan Deep Cosine đã giúp duy trì chuỗi truy vết liên tục, kéo giảm tỷ lệ mất dấu vật thể xuống dưới 8,2%.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm thành công, tác giả đề xuất 4 nhóm giải pháp mang tính hành động cao nhằm hoàn thiện và nhân rộng hệ thống:

• Mở rộng lắp đặt và chuẩn hóa góc camera: Sở Giao thông Vận tải phối hợp cùng Công an tỉnh Tây Ninh triển khai chuẩn hóa góc đặt camera góc cao từ 6 đến 8 mét tại 100% các nút giao thông phức tạp trên Quốc lộ 22 và Quốc lộ 22B, hoàn thành trong giai đoạn 2024 - 2025 nhằm đạt góc nhìn tối ưu, hạn chế điểm mù che khuất.
• Nâng cấp mô hình thích ứng đa điều kiện: Đội ngũ kỹ sư công nghệ thông tin tiếp tục huấn luyện bổ sung tập dữ liệu ban đêm và thời tiết mưa lớn với quy mô trên 10.000 ảnh, đặt mục tiêu nâng chỉ số mAP ban đêm từ mức 78,5% hiện nay lên trên 88% vào quý 4/2024.
• Tích hợp phân hệ nhận dạng biển số tự động (LPR): Trung tâm CNTT VNPT Tây Ninh tiến hành tích hợp module nhận dạng biển số xe độ phân giải cao kết nối trực tiếp với phân hệ phát hiện sai làn, nhằm tự động hóa 100% quy trình xuất biên bản phạt nguội từ quý 2/2025.
• Xây dựng API tích hợp Trung tâm Giám sát Điều hành Đô thị Thông minh (IOC): Phát triển cổng giao tiếp dữ liệu trực tuyến theo thời gian thực kết nối luồng cảnh báo vi phạm về Trung tâm IOC tỉnh Tây Ninh trong vòng 6 tháng, đảm bảo dữ liệu truyền nhận liên tục 24/7 với độ trễ đường truyền dưới 200 mili-giây.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp nguồn tài liệu học thuật và hướng dẫn thực thi kỹ thuật giá trị cho 4 nhóm đối tượng chính:

• Cơ quan quản lý Nhà nước và Cảnh sát Giao thông: Cung cấp cơ sở khoa học và giải pháp công nghệ phục vụ tự động hóa công tác tuần tra, kiểm soát, tối ưu hóa quy trình xử lý vi phạm hành chính về trật tự an toàn giao thông đường bộ.
• Doanh nghiệp công nghệ và viễn thông (VNPT, Viettel, FPT): Tham khảo kiến trúc hệ thống thực tế để phát triển và thương mại hóa các giải pháp Giao thông thông minh (ITS), tích hợp vào các nền tảng thành phố thông minh (Smart City).
• Kỹ sư Trí tuệ nhân tạo và Thị giác máy tính: Học hỏi kỹ thuật kết hợp giữa các thuật toán xử lý ảnh hình học truyền thống (Hough Transform, Canny) với các mô hình học sâu hiện đại (YOLOv5, DeepSORT) để giải quyết bài toán giao thông thực tế tại Việt Nam.
• Học viên Cao học và Nghiên cứu sinh ngành Hệ thống thông tin, Khoa học máy tính: Sử dụng làm tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu ứng dụng, quy trình gán nhãn dữ liệu và kỹ thuật đánh giá mô hình thị giác máy tính.

Câu hỏi thường gặp

Hệ thống nhận diện được những loại phương tiện giao thông nào?

Hệ thống được thiết kế để phân loại chính xác 5 nhóm phương tiện phổ biến tham gia giao thông tại Việt Nam, bao gồm: xe máy, xe ô tô con, xe khách, xe tải và xe container, thông qua mô hình YOLOv5 được huấn luyện trên 5.200 khung hình thực tế.

Phương pháp nhận diện làn đường hoạt động như thế nào khi camera cố định?

Hệ thống sử dụng camera góc cố định, áp dụng kỹ thuật tách cạnh Canny Edge Detection kết hợp biến đổi Hough Transform và phân cụm K-means để trích xuất cố định các vạch kẻ đường, sau đó số hóa thành các đa giác ranh giới phân làn với độ chính xác đạt 93,4%.

Vì sao đề tài lựa chọn YOLOv5 thay vì Faster R-CNN hay SSD?

YOLOv5 mang lại sự cân bằng tối ưu giữa độ chính xác và tốc độ. Trong khi Faster R-CNN mất khoảng 0,2 giây cho một ảnh và SSD đạt độ chính xác thấp hơn (khoảng 31,2% AP), YOLOv5 đạt tốc độ 45,2 FPS (0,022 giây/ảnh) và độ chính xác mAP đạt 89,6%, đáp ứng tốt yêu cầu thời gian thực.

Hệ thống xử lý tình huống phương tiện bị che khuất như thế nào?

Bằng việc tích hợp thuật toán DeepSORT sử dụng khoảng cách Mahalanobis, khoảng cách Cosin của vector đặc trưng và bộ lọc Kalman, hệ thống duy trì được định danh (ID) của phương tiện ngay cả khi bị xe lớn che khuất tạm thời, kiểm soát tỷ lệ mất dấu dưới 8,2%.

Dữ liệu thực nghiệm của đề tài có tính thực tế ra sao?

Toàn bộ dữ liệu được trích xuất trực tiếp từ mạng lưới camera thông minh của VNPT Tây Ninh lắp đặt tại các tuyến quốc lộ trọng điểm trên địa bàn tỉnh, phản ánh chính xác điều kiện hạ tầng và thói quen giao thông thực tế tại địa phương trong năm 2023.

Kết luận

• Đề tài đã nghiên cứu và ứng dụng thành công kỹ thuật thị giác máy tính kết hợp học sâu để giải quyết trọn vẹn bài toán phát hiện phương tiện đi sai làn đường tại tỉnh Tây Ninh.
• Xây dựng hoàn chỉnh chuỗi xử lý khép kín từ trích xuất làn đường bằng Canny - Hough Transform đến nhận dạng phương tiện bằng YOLOv5 và truy vết bằng DeepSORT.
• Đạt hiệu năng ấn tượng với độ chính xác nhận diện sai làn 91,8% và tốc độ xử lý đạt 45,2 khung hình/giây trên luồng video thời gian thực.
• Đóng góp giải pháp công nghệ có khả năng ứng dụng thực tiễn cao, tận dụng tối đa hạ tầng camera sẵn có mà không phát sinh chi phí cảm biến chuyên dụng đắt đỏ.
• Kế hoạch tiếp theo hướng tới tích hợp phân hệ nhận dạng biển số xe (LPR) và mở rộng triển khai trên toàn bộ hệ thống giao thông thông minh của tỉnh trong giai đoạn 2024 - 2025; các cơ quan quản lý và đơn vị phát triển giải pháp có thể ứng dụng ngay mô hình này để nâng cao hiệu quả giám sát an toàn giao thông.

Trích đoạn nội dung tài liệu

HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG --------------------------------------- TRÀN QUàC THÀNG HÆ THàNG PHÂN LO¾I VÀ PHÁT HIÆN PH¯¡NG TIÆN THAM GIA GIAO THÔNG DI CHUYÂN SAI LÀN Đ¯äNG TRÊN QUàC Là THUàC TÈNH TÂY NINH BÂNG CAMERA Kþ THU¾T Sà ĐÀ ÁN TàT NGHIÆP TH¾C SĨ Kþ THU¾T (Theo đßnh h°ãng āng dāng) THÀNH PHà Hâ CHÍ MINH – NĂM 2023 HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG --------------------------------------- TRÀN QUàC THÀNG HÆ THàNG PHÂN LO¾I VÀ PHÁT HIÆN PH¯¡NG TIÆN THAM GIA GIAO THÔNG DI CHUYÂN SAI LÀN Đ¯äNG TRÊN QUàC Là THUàC TÈNH TÂY NINH BÂNG CAMERA Kþ THU¾T Sà CHUYÊN NGÀNH: Hà THàNG THÔNG TIN Mà Sà: 8.04 ĐÀ ÁN TàT NGHIÆP TH¾C SĨ Kþ THU¾T (Theo đßnh h°ãng āng dāng) NG¯äI H¯âNG DẪN KHOA HàC PGS. Vi ĐĀC LUNG THÀNH PHà Hâ CHÍ MINH – NM 2023 i LäI CAM ĐOAN Tôi xin cam đoan đß án th¿c sĩ công nghá thông tin <HÇ tháng phân lo¿i và phát hiÇn ph°¢ng tiÇn tham gia giao thông di chuyÃn sai làn đ°ång trên quác lá thuác tÉnh Tây Ninh bÃng camera kÿ thu¿t sá= là do tôi nghiên cću, tång hāp và thực hián. Toàn bá nái dung đß án, nhăng đißu đ°āc trình bày là cąa chính cá nhân tôi hoặc là đ°āc tham khÁo, tång hāp đßu đ°āc trích xuÃt vßi nguãn gác rõ ràng. Các sá liáu, kÃt quÁ nêu trong đß án là trung thực và ch°a tÿng đ°āc ai công bá trong bÃt kỳ công trình nào khác.

HCM, ngày 18 tháng 08 nm 2023 Hác viên thực hiÇn đÁ án TrÁn Quác ThÁng ii LäI CÀM ¡N Lái đÅu tiên, tôi xin bày tß lòng biÃt ¢n sâu sÃc đÃn PGS.TS Vj Đāc Lung, ng°ái đã trực tiÃp định h°ßng và h°ßng d¿n tÁn tình cho tôi trong suát quá trình thực hián đß án tát nghiáp. Nhăng kinh nghiám và góp ý quý báu cąa thÅy là tißn đß đá giúp tôi mã ráng kiÃn thćc và hoàn thành đß án tát nghiáp. Tôi cũng xin dành lái cÁm ¢n chân thành đÃn quý ThÁy Cô Hác viÇn Công NghÇ B°u Chính ViÅn Thông c¢ sç t¿i TP. Quý ThÅy Cô đã tÁn tình d¿y bÁo và luôn t¿o đißu kián tát nhÃt cho tôi trong suát quá trình tham gia lßp cao học.

Xin trân trọng cÁm ¢n Ban Giám Đác Trung tâm Công nghÇ Thông tin - ViÅn thông Tây Ninh, đã cho phép tôi sā dăng dă liáu camera thông minh cąa VNPT Tây Ninh. CÁm ¢n các b¿n đãng nghiáp, đã t¿o đißu kián vß thái gian và quan tâm đáng viên tinh thÅn trong thái gian tôi học và hoàn thành đß án. Cuái cùng, xin cÁm ¢n gia đình và b¿n bè đã luôn bên tôi, cå vũ và đáng viên tôi trong suát quá trình hoàn thành đß án này. HCM, ngày 18 tháng 08 nm 2023 Hác viên thực hiÇn đÁ án TrÁn Quác ThÁng iii MĀC LĀC LàI CAM ĐOAN.

ii DANH MĂC CÁC THUÀT NGĂ, CHĂ VIÂT TÂT. vi DANH SÁCH BÀNG. vii DANH SÁCH HÌNH VÀ. Lý do chọn đß tài.

Tång quan vß vÃn đß nghiên cću. Đái t°āng và ph¿m vi nghiên cću. Ph°¢ng pháp nghiên cću. Nhăng đóng góp cąa đß tài .4 CH¯¡NG 1: TäNG QUAN NGHIÊN CĀU TRONG VÀ NGOÀI N¯âC .7 CH¯¡NG 2: C¡ Sæ LÝ THUY¾T.

Các kỹ thuÁt xā l{ Ánh.1 Tổng quan về một hệ thống xử lý ảnh.2 Một số vấn đề cơ bản trong xử lý ảnh. Các ph°¢ng pháp phát hián và phân lo¿i đái t°āng.4 Single Shot Detector (SSD)[29] .5 You Only Look Once (YOLO). Các ph°¢ng pháp phát hián chuyán đáng. Phát hiện đối tượng chuyển động là gì?.

Phát hiện các vùng ảnh nổi. Xử lý các vùng ảnh nổi. Các kỹ thuật trừ ảnh. Một số kỹ thuật trừ nền cơ bản.

Kỹ thuật trừ nền nâng cao. Ph°¢ng pháp theo vÃt đái t°āng. Quy trình theo vết đối tượng .