Luận văn thạc sĩ về phát hiện điểm ùn tắc giao thông bằng video

• 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
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• 1. MỞ ĐẦU
• 2. TỔNG QUAN VỀ PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG
• 2.1. Ý nghĩa của việc phát hiện điểm ùn tắc giao thông
• 2.2. Các nghiên cứu liên quan
• 2.2.1. Sử dụng video từ camera giám sát giao thông
• 2.2.2. Sử dụng phương pháp học sâu
• 3. PHƯƠNG PHÁP PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG
• 4. THỬ NGHIỆM PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

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

Việc phát hiện ùn tắc giao thông là một nhiệm vụ quan trọng trong việc quản lý và điều tiết giao thông tại các đô thị. Theo thống kê, ùn tắc giao thông gây thiệt hại lớn cho nền kinh tế, với con số ước tính lên tới hàng tỷ USD mỗi năm. Tại Việt Nam, tình trạng này ngày càng nghiêm trọng, đặc biệt tại các thành phố lớn như Hà Nội và TP. Hồ Chí Minh. Việc phát hiện sớm các điểm ùn tắc giao thông giúp các cơ quan chức năng có thể nhanh chóng điều tiết và phân luồng giao thông, từ đó giảm thiểu thiệt hại kinh tế và cải thiện tình trạng giao thông. Công nghệ hiện đại, đặc biệt là công nghệ giao thông thông minh, đã được áp dụng để giải quyết vấn đề này. Các phương pháp như phân tích video từ video giám sát đã cho thấy hiệu quả trong việc phát hiện và phân loại phương tiện giao thông, từ đó đưa ra dự đoán về tình trạng giao thông.

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

Việc phát hiện điểm ùn tắc giao thông không chỉ giúp giảm thiểu thiệt hại kinh tế mà còn góp phần cải thiện chất lượng cuộc sống của người dân. Theo các nghiên cứu, tình trạng giao thông kém có thể dẫn đến ô nhiễm môi trường và gia tăng căng thẳng cho người tham gia giao thông. Việc sử dụng video giám sát để phát hiện và phân tích tình trạng giao thông giúp cung cấp thông tin chính xác và kịp thời cho các cơ quan chức năng. Điều này không chỉ giúp điều tiết giao thông hiệu quả mà còn tạo ra một môi trường giao thông an toàn hơn cho tất cả mọi người.

1.2. Các nghiên cứu liên quan

Trong những năm gần đây, nhiều nghiên cứu đã được thực hiện để phát triển các phương pháp phát hiện ùn tắc giao thông. 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. Các nghiên cứu như của Ozkurt và Camci đã sử dụng mạng nơron để phân loại và đếm phương tiện giao thông từ video giám sát. Những nghiên cứu này đã chỉ ra rằng việc áp dụng công nghệ giao thông thông minh có thể cải thiện đáng kể độ chính xác trong việc phát hiện và phân loại phương tiện, từ đó giúp giảm thiểu tình trạng ùn tắc 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 phân tích video từ các camera giám sát. Một trong những mô hình phổ biến là mạng nơron tích chập (CNN), cho phép phân loại và phát hiện các đối tượng trong video. Mô hình này có khả năng xử lý hình ảnh và nhận diện các phương tiện giao thông một cách hiệu quả. Việc sử dụng video giám sát giúp thu thập dữ liệu giao thông theo thời gian thực, từ đó đưa ra các dự đoán về tình trạng giao thông. Các mô hình như SSD (Single Shot Multibox Detector) và MobileNet đã được áp dụng để cải thiện độ chính xác trong việc phát hiện và phân loại phương tiện. Những mô hình này không chỉ giúp phát hiện ùn tắc giao thông 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 phát hiện và phân loại phương tiện giao thông. CNN có khả năng học từ dữ liệu hình ảnh và nhận diện các đặc trưng quan trọng của phương tiện. Việc áp dụng CNN trong phân tích video giám sát giúp cải thiện độ chính xác trong việc phát hiện ùn tắc giao thông. Các nghiên cứu đã chỉ ra rằng CNN có thể đạt được độ chính xác cao trong việc phân loại các loại phương tiện như ô tô, xe máy và xe tải. Điều này cho phép các cơ quan chức năng có thể nhanh chóng đưa ra các biện pháp điều tiết giao thông hiệu quả.

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 ùn tắc giao thông. Các mô hình như SSD và MobileNet đã được sử dụng để xác định số lượng phương tiện trong một khu vực nhất định. Việc đếm phương tiện không chỉ giúp xác định tình trạng giao thông mà còn cung cấp thông tin về mật độ giao thông theo thời gian thực. Các nghiên cứu đã chỉ ra rằng việc áp dụng các mô hình này có thể cải thiện đáng kể độ chính xác trong việc phát hiện và phân loại phương tiện, từ đó giúp giảm thiểu tình trạng ùn tắc giao thông.

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 các tuyến đường tại Hà Nội. Các video này được xử lý để xác định mật độ và loại phương tiện tham gia giao thông. Kết quả thử nghiệm cho thấy rằng việc sử dụng video giám sát kết hợp với các mô hình học sâu như CNN và SSD có thể đạt được độ chính xác cao trong việc phát hiện và phân loại phương tiện. Các thử nghiệm đã chỉ ra rằng mô hình có thể phát hiện ùn tắc giao thông với độ chính xác lên tới 94%. Điều này cho thấy tiềm năng của công nghệ trong việc cải thiện tình trạng giao thông tại các đô thị lớn.

3.1. Cài đặt môi trường thử nghiệm

Môi trường thử nghiệm được thiết lập để thu thập và xử lý video từ các camera giám sát giao thông. Các video này được ghi lại trong các khung thời gian khác nhau để đảm bảo tính chính xác trong việc phát hiện ùn tắc giao thông. Việc cài đặt môi trường thử nghiệm bao gồm việc lựa chọn các tuyến đường có lưu lượng giao thông cao, từ đó thu thập dữ liệu phong phú cho quá trình phân tích. Các thông số như mật độ phương tiện, tốc độ di chuyển và loại phương tiện được ghi lại để phục vụ cho việc phân tích sau này.

3.2. Kết quả thử nghiệm trên tập dữ liệu thu thập

Kết quả thử nghiệm cho thấy rằng mô hình phát hiện ùn tắc giao thông có thể đạt được độ chính xác cao trong việc phân loại và đếm phương tiện. Các thử nghiệm đã chỉ ra rằng trong một khoảng thời gian nhất định, mô hình có thể phát hiện được số lượng lớn phương tiện tham gia giao thông. Kết quả này không chỉ giúp xác định tình trạng giao thông mà còn cung cấp thông tin hữu ích cho các cơ quan chức năng trong việc điều tiết và phân luồng giao thông. Việc áp dụng công nghệ này có thể góp phần giảm thiểu tình trạng ùn tắc giao thông tại các đô thị lớn.

Tổng quan nghiên cứu

Ùn tắc giao thông là vấn đề nghiêm trọng ảnh hưởng đến nhiều đô thị lớn trên thế giới, gây thiệt hại kinh tế hàng trăm tỷ USD mỗi năm. Ở Việt Nam, theo Viện Chiến lược và Phát triển Giao thông Vận tải, thiệt hại do ùn tắc tại Hà Nội và TP. Hồ Chí Minh ước tính lần lượt khoảng 1,2 tỷ USD và 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, khiến ùn tắc ngày càng nghiêm trọng. Việc phát hiện sớm các điểm ùn tắc giao thông giúp lực lượng chức năng điều tiết, phân luồng kịp thời, giảm thiểu thiệt hại kinh tế và ô nhiễm môi trường.

Luận văn tập trung nghiên cứu phát hiện điểm ùn tắc giao thông dựa trên video thu thập từ các tuyến đường tại Hà Nội, sử dụng công nghệ xử lý hình ảnh và trí tuệ nhân tạo. Mục tiêu chính là phát hiện, phân loại và đếm mật độ phương tiện giao thông trong video để dự báo khả năng ùn tắc tại các điểm giao thông. Phạm vi nghiên cứu bao gồm dữ liệu video thu thập từ UAV trên các tuyến đường Nguyễn Trãi, Khuất Duy Tiến, Trần Duy Hưng và Lê Văn Lương trong năm 2020, cả ban ngày và ban đêm. Nghiên cứu có ý nghĩa thực tiễn lớn trong việc ứng dụng công nghệ thông tin vào quản lý giao thông thông minh, góp phần giảm thiểu ùn tắc và nâng cao hiệu quả vận hành hệ thống giao thông đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng các lý thuyết và mô hình chính 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 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 hình ảnh hiệu quả, 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 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) giúp giảm đáng kể số lượng phép tính và tham số, phù hợp cho các thiết bị di động và nhúng. MobileNet kết hợp Batch Normalization và ReLU để tăng hiệu quả huấn luyện và độ chính xác.

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 báo điểm ùn tắc dựa trên ngưỡng mật độ.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Video kỹ thuật số thu thập bằng UAV tại các tuyến đường trọng điểm Hà Nội (Nguyễn Trãi, Khuất Duy Tiến, Trần Duy Hưng, Lê Văn Lương) vào ngày 28/03/2020, với độ cao trên 10m, bao gồm cả ban ngày và ban đêm.

• Phương pháp phân tích: Video được tách thành các khung hình (frame) để xử lý. Tiền xử lý ảnh gồm khử sương mù và cân bằng histogram nhằm nâng cao chất lượng hình ảnh. Phát hiện và phân loại phương tiện giao thông sử dụng mô hình kết hợp SSD và MobileNet, tận dụng ưu điểm của tích chập sâu phân tách để tăng tốc độ và giảm tài nguyên tính toán. Đếm mật độ phương tiện dựa trên việc đếm số lượng phương tiện đi qua đường kẻ ROI. Dự báo điểm ùn tắc dựa trên ngưỡng mật độ phương tiện (trên 50 phương tiện trong khu vực quan sát được xem là có nguy cơ ùn tắc).

• Timeline nghiên cứu: Thu thập dữ liệu và tiền xử lý trong quý 1 năm 2020; huấn luyện và thử nghiệm mô hình trong quý 2; đánh giá kết quả và hoàn thiện luận văn trong quý 3 năm 2020.

• Cỡ mẫu: Số lượng video thu thập từ 4 tuyến đường, mỗi video có khoảng 1000 khung hình, tốc độ 10 frame/giây, đảm bảo đủ dữ liệu để huấn luyện và kiểm thử mô hình.

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 đến 94%, phân loại phương tiện đạt 91% trên tập dữ liệu thực tế tại Hà Nội. So với các mô hình truyền thống, mô hình này giảm gần 90% số phép tính và tham số, giúp tăng tốc độ xử lý.

2. Hiệu quả tiền xử lý ảnh: Phương pháp khử sương mù và cân bằng histogram cải thiện rõ rệt chất lượng hình ảnh, giúp tăng độ chính xác phát hiện phương tiện trong điều kiện thời tiết xấu như mưa, sương mù. Ví dụ, hình ảnh sau xử lý cho phép nhận diện phương tiện rõ ràng hơn, giảm sai sót trong phân loại.

3. Đếm mật độ phương tiện: Ứng dụng đường kẻ ROI để đếm số lượng phương tiện qua lại cho kết quả chính xác với sai số dưới 5% so với đếm thủ công. Tại các điểm giao thông khảo sát, khi số lượng phương tiện vượt ngưỡng 50 trong khoảng thời gian quan sát, hệ thống dự báo chính xác nguy cơ ùn tắc.

4. Thử nghiệm thực tế: Trên tuyến đường Nguyễn Trãi và Khuất Duy Tiến, mô hình phát hiện điểm ùn tắc giao thông với độ chính xác trên 90%, giúp cảnh báo kịp thời cho lực lượng quản lý giao thông.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp mô hình SSD và MobileNet tận dụng ưu điểm của cả hai mạng nơron tích chập giúp cân bằng giữa độ chính xác và tốc độ xử lý, phù hợp với yêu cầu ứng dụng thời gian thực trong giao thông thông minh. So với các nghiên cứu trước đây sử dụng mạng nơron truyền thống hoặc các phương pháp phát hiện chuyển động đơn thuần, mô hình này giảm đáng kể tài nguyên tính toán mà vẫn duy trì độ chính xác cao.

Việc áp dụng tiền xử lý ảnh như khử sương mù và cân bằng histogram là bước quan trọng để nâng cao chất lượng dữ liệu đầu vào, đặc biệt trong điều kiện thời tiết không thuận lợi, điều này phù hợp với các nghiên cứu quốc tế về xử lý ảnh giao thông. Dữ liệu thực tế thu thập từ UAV cung cấp góc nhìn toàn cảnh, giúp phát hiện chính xác mật độ phương tiện và điểm ùn tắc.

Biểu đồ so sánh độ chính xác phát hiện và phân loại phương tiện trước và sau khi áp dụng tiền xử lý ảnh, cùng bảng thống kê số lượng phương tiện đếm được qua các điểm giao thông, minh họa rõ hiệu quả của phương pháp nghiên cứu.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát giao thông thông minh: Áp dụng mô hình SSD-MobileNet trên các camera giám sát giao thông tại các điểm nóng ùn tắc để phát hiện và cảnh báo sớm, giảm thiểu thiệt hại kinh tế. Thời gian thực hiện: 6-12 tháng; chủ thể: Sở Giao thông Vận tải và các đơn vị quản lý đô thị.

2. Nâng cấp chất lượng dữ liệu video: Đầu tư thiết bị camera có độ phân giải cao, tích hợp công nghệ khử sương mù và cân bằng histogram tự động để đảm bảo chất lượng hình ảnh, nâng cao hiệu quả phát hiện. Thời gian: 12 tháng; chủ thể: Ban quản lý dự án giao thông thông minh.

3. Phát triển ứng dụng di động hỗ trợ giám sát: Tận dụng ưu điểm của mô hình MobileNet để xây dựng ứng dụng trên thiết bị di động, giúp cán bộ quản lý giao thông có thể theo dõi và điều chỉnh lưu lượng giao thông linh hoạt. Thời gian: 9 tháng; chủ thể: Trung tâm Công nghệ Thông tin Giao thông.

4. Đào tạo và nâng cao năng lực nhân sự: Tổ chức các khóa đào tạo về công nghệ xử lý ảnh và trí tuệ nhân tạo cho cán bộ quản lý giao thông nhằm nâng cao hiệu quả vận hành hệ thống. Thời gian: liên tục; chủ thể: các trường đại học và viện nghiên cứu.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý giao thông đô thị: Giúp xây dựng hệ thống giám sát và điều tiết giao thông thông minh, giảm ùn tắc và thiệt hại kinh tế.

2. Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin, kỹ thuật: Cung cấp kiến thức về ứng dụng mạng nơron tích chập, học sâu trong xử lý video giao thông.

3. Doanh nghiệp phát triển công nghệ giao thông thông minh: Tham khảo mô hình và phương pháp để phát triển sản phẩm giám sát giao thông hiệu quả, tiết kiệm tài nguyên.

4. Các đơn vị quản lý đô thị và môi trường: Sử dụng dữ liệu phát hiện ùn tắc để đánh giá tác động môi trường và xây dựng các giải pháp giảm khí thải.

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 mạng nơron tích chập SSD kết hợp MobileNet để phát hiện, phân loại và đếm phương tiện giao thông trong video. Dựa trên mật độ phương tiện vượt ngưỡng, hệ thống dự báo điểm ùn tắc.

2. Tại sao chọn mô hình MobileNet thay vì các mạng CNN truyền thống?
   MobileNet sử dụng tích chập sâu phân tách giúp giảm gần 90% số phép tính và tham số, phù hợp cho thiết bị di động và xử lý thời gian thực mà vẫn giữ độ chính xác cao.

3. Làm thế nào để xử lý ảnh trong điều kiện thời tiết xấu như sương mù?
   Sử dụng kỹ thuật khử sương mù dựa trên dò tìm điểm tối và cân bằng histogram để nâng cao chất lượng ảnh, giúp mô hình phát hiện chính xác hơn.

4. Ngưỡng mật độ phương tiện để dự báo ùn tắc là bao nhiêu?
   Theo nghiên cứu, khi số lượng phương tiện tại điểm giao thông vượt 50 trong khoảng thời gian quan sát, hệ thống cảnh báo nguy cơ ùn tắc.

5. Dữ liệu video thu thập từ đâu và có đảm bảo tính đại diện không?
   Dữ liệu được thu thập bằng UAV trên 4 tuyến đường trọng điểm tại Hà Nội, cả ban ngày và ban đêm, đảm bảo đa dạng điều kiện và tính đại diện cho môi trường giao thông đô thị.

Kết luận

• Luận văn đã phát triển thành công mô hình phát hiện điểm ùn tắc giao thông dựa trên video sử dụng mạng SSD kết hợp MobileNet, đạt độ chính xác phát hiện 94% và phân loại 91%.
• Phương pháp tiền xử lý ảnh khử sương mù và cân bằng histogram nâng cao chất lượng dữ liệu đầu vào, cải thiện hiệu quả phát hiện trong điều kiện thời tiết xấu.
• Ứng dụng đếm mật độ phương tiện qua đường kẻ ROI giúp dự báo chính xác điểm ùn tắc khi mật độ vượt ngưỡng 50 phương tiện.
• Kết quả thử nghiệm thực tế trên các tuyến đường Hà Nội cho thấy mô hình có khả năng ứng dụng trong quản lý giao thông thông minh.
• Đề xuất triển khai hệ thống giám sát thông minh, nâng cấp thiết bị, phát triển ứng dụng di động và đào tạo nhân sự để nâng cao hiệu quả quản lý giao thông.

Next steps: Triển khai thử nghiệm hệ thống trên diện rộng, tích hợp với các giải pháp điều tiết giao thông hiện có, và mở rộng nghiên cứu sang các đô thị khác.

Call-to-action: Các cơ quan quản lý và doanh nghiệp công nghệ nên phối hợp để ứng dụng mô hình này, góp phần giảm ùn tắc và nâng cao chất lượng cuộc sống đô thị.