Tổng quan luận án

Luận án tiến sĩ toán học của nghiên cứu sinh Nguyễn Văn Căn với đề tài "Nghiên cứu phát triển một số thuật toán phát hiện và phân loại phương tiện từ dữ liệu video giao thông" được thực hiện tại Viện Khoa học và Công nghệ Quân sự thuộc Bộ Quốc phòng, chuyên ngành Cơ sở toán học cho tin học (mã số: 62 46 01 10), dưới sự hướng dẫn khoa học của PGS. TS Nguyễn Đức Hiếu và TS. Phạm Việt Trung vào năm 2015.

Tính cấp thiết và khoảng trống nghiên cứu

Giám sát và quản lý giao thông tự động bằng hình ảnh đóng vai trò thiết yếu trong các hệ thống giao thông thông minh (ITS), phục vụ quản lý giao thông đô thị, giám sát an ninh trật tự, bảo vệ các mục tiêu trọng yếu, cảnh báo tai nạn và cung cấp bằng chứng phục vụ xử lý vi phạm pháp luật. Tại Việt Nam, đặc điểm giao thông trên các tuyến quốc lộ, cao tốc và đô thị có mật độ phương tiện tham gia rất dày đặc, chủng loại đa dạng, trong đó xe ô tô và xe máy là hai thành phần chủ đạo. Khi lưu lượng xe tăng cao, các phương tiện thường xuyên di chuyển sát nhau theo chiều dọc và chiều ngang, tạo thành các khối chuyển động dính liền (hợp khối) và che khuất lẫn nhau. Hiện tượng này làm biến dạng hoặc đứt gãy đường viền đối tượng, khiến các phương pháp phân tích thị giác máy tính truyền thống gặp khó khăn khi phát hiện, đếm và phân loại.

Các nghiên cứu trên thế giới và trong nước trước thời điểm tác giả thực hiện luận án chủ yếu tập trung vào các dòng phương tiện đồng nhất (chủ yếu là xe ô tô, xe tải) trong điều kiện phân làn quy chuẩn, chưa có công trình nào giải quyết đầy đủ bài toán với mật độ dày đặc đặc thù của xe máy đan xen ô tô, cũng như chưa xử lý triệt để tác động của sự thay đổi ánh sáng tự nhiên ngoài trời đối với mô hình trừ nền. Do đó, việc nghiên cứu, cải tiến và kết hợp các thuật toán nhằm tăng cường độ chính xác phát hiện và phân loại phương tiện trong bối cảnh giao thông Việt Nam là một yêu cầu cấp thiết về mặt lý thuyết và thực tiễn.

Mục tiêu nghiên cứu

Mục tiêu nghiên cứu được tác giả xác định cụ thể như sau:

  1. Mục tiêu chung: Từ dữ liệu video thu được tại các tuyến đường giao thông (trọng tâm là đường quốc lộ), nghiên cứu xây dựng và cải tiến các thuật toán phù hợp nhằm phát hiện, phân loại và xác định số lượng phương tiện chuyển động.
  2. Mục tiêu cụ thể:
    • Lựa chọn và cải tiến phương pháp phát hiện phương tiện chuyển động thích nghi với môi trường ngoài trời, chịu tác động mạnh bởi sự biến thiên của điều kiện chiếu sáng.
    • Trích chọn các đặc trưng của phương tiện chuyển động, phân tích và biểu diễn đặc trưng theo các cấp độ phù hợp để xây dựng thuật toán phân loại phương tiện.
    • Đề xuất sự cải tiến và kết hợp các thuật toán để phát hiện, phân loại chính xác các phương tiện giao thông (đặc biệt là ô tô và xe máy) trong điều kiện di chuyển đông đúc, hợp khối và che khuất.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Bài toán phát hiện, theo dõi và phân loại đối tượng chuyển động từ video; các mô hình toán học và thuật toán trừ nền, phân tích đường viền, phân tích luồng quang học; các tập dữ liệu video ghi nhận cảnh giao thông thực tế.
  • Phạm vi không gian: Dữ liệu video giao thông được thu thập tại các môi trường ngoài trời, tập trung chủ yếu trên các cung đường quốc lộ và cao tốc tại Việt Nam, bao gồm Quốc lộ 1, Quốc lộ 5 (tuyến Hải Phòng - Hà Nội), Đại lộ Thăng Long và tuyến Bắc Thăng Long - Nội Bài.
  • Phạm vi nội dung: Tập trung vào các thuật toán xử lý hình ảnh cốt lõi: phân tách khung hình từ video, phát hiện khối chuyển động trong vùng quan tâm (ROI), phân loại xe ô tô và xe máy khi bị dính khối, đếm số lượng phương tiện; không đi sâu vào phần cứng camera, công nghệ nén dữ liệu truyền thông và tiền xử lý vật lý tín hiệu video.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được luận án điểm lại

Tác giả đã hệ thống hóa các hướng tiếp cận chính trong và ngoài nước liên quan đến bài toán giám sát giao thông qua video:

  • Cơ sở cấu trúc video và biểu diễn đặc trưng: Tác giả tham chiếu công trình của Sagar Deb (2005) tại Đại học Southern Queensland (Australia) về quản lý dữ liệu video và tìm kiếm thông tin; lý thuyết mô-men bất biến của Hu M. K. (1962) và nghiên cứu ứng dụng mô-men của Chee-Way Chong và cộng sự (2004) trong phân đoạn và nhận dạng ảnh 2D; phương pháp xấp xỉ hình dạng phương tiện từ chuyển động của George S. Fung và cộng sự (2001); lý thuyết phát hiện chuyển động dựa trên Entropy của Yu-Kumg Chen, Tung-Yi Cheng và Shuo-Tsung Chiu (2009); các khái niệm về phân tích đường viền (Contour Analysis - CA) của Rohit Kolar và cộng sự (2014).
  • Hệ thống phát hiện và phân loại xe tải (VVDC): Công trình của Guohui Zhang và cộng sự (2007) tại Đại học Washington phát triển hệ thống Video-based Vehicle Detection and Classification (VVDC) trên nền tảng Microsoft Visual C#. Hệ thống sử dụng phương pháp trừ nền trung bình (BSM) kết hợp loại bỏ bóng xe và tính toán chiều dài dựa trên điểm ảnh để phân loại xe tải dài và ngắn từ camera quan sát góc rộng, đạt độ chính xác phát hiện trên 97% và tỷ lệ lỗi đếm xe tải dưới 9%.
  • Hệ thống giám sát giao thông dựa trên kích thước: Nhóm nghiên cứu của Chung-Cheng Chiu và cộng sự (2010) phát triển hệ thống thời gian thực dựa trên phân đoạn đối tượng chuyển động bằng BSM và gán nhãn thành phần liên thông, sử dụng chiều dài, chiều rộng và kích thước mui xe để phân loại 5 loại ô tô với độ chính xác từ 90% đến 98%.
  • Hệ thống giám sát tích hợp: Công trình của Yigithan Dedeoglu (2004) đề xuất kiến trúc tích hợp phát hiện, theo dõi và phân loại; kết hợp mô hình trừ nền Gauss hỗn hợp (GMM) với phân loại đối tượng dựa trên vector khoảng cách từ trọng tâm đến biên của đa giác xấp xỉ hình chiếu.
  • Các nghiên cứu ứng dụng tại Việt Nam: Đề tài cấp nhà nước KC01.14/11-15 và dự án sản xuất thử nghiệm KC03.DA06/11-15 do nhóm Phạm Hồng Quang, Tạ Tuấn Anh chủ trì (2014) tích hợp hệ thống CadProTMS, triển khai 22 camera tại 11 vị trí trên cao tốc Cầu Giẽ - Ninh Bình (đoạn Km212+480 đến Km259+060) phục vụ đo tốc độ, phân loại xe và phạt nguội; nghiên cứu về kỹ thuật bám đối tượng của nhóm Trần Thanh Việt, Trần Công Chiến, Huỳnh Cao Tuấn, Nguyễn Hữu Nam, Đỗ Năng Toàn và Trần Hành (2011).
Hệ thống / Tác giả Phương pháp phát hiện Phương pháp phân loại Hạn chế chính được chỉ ra
VVDC (Guohui Zhang, 2007) Trừ nền trung bình (BSM), loại bỏ bóng Tính chiều dài xe theo điểm ảnh (dài / ngắn) Chỉ phân loại xe tải, chưa xét đến xe máy, xe thô sơ và người đi bộ.
Chung-Cheng Chiu (2010) Trừ nền BSM, gán nhãn thành phần kết nối Kích thước mui xe, chiều dài, chiều rộng Chỉ phân loại 5 loại ô tô; thất bại khi nhiều xe dính khối phức tạp hoặc bị che khuất.
Yigithan Dedeoglu (2004) Trừ nền BSM, thống kê, GMM Vector khoảng cách từ trọng tâm đa giác Chưa xử lý thích nghi với biến đổi ánh sáng ngoài trời; chưa tối ưu đặc trưng giao thông.
CadProTMS (Phạm Hồng Quang, 2014) Xử lý ảnh thời gian thực qua camera IP Nhận dạng biển số, kích thước khung xe Hiệu quả giảm vào ban đêm/chiều tối; gặp khó khăn khi mật độ phương tiện dày đặc.

Khoảng trống luận án lựa chọn giải quyết

Từ việc phân tích các công trình trên, luận án tập trung giải quyết ba khoảng trống kỹ thuật chính:

  1. Khắc phục nhược điểm của mô hình trừ nền GMM khi điều kiện chiếu sáng ngoài trời thay đổi đột ngột hoặc biến thiên liên tục theo thời gian.
  2. Xử lý triệt để bài toán phân loại phương tiện trong điều kiện giao thông hỗn hợp tại Việt Nam, đặc biệt là tách biệt chính xác hai nhóm phương tiện chủ đạo (ô tô và xe máy) khi chúng di chuyển sát nhau tạo thành các khối chuyển động dính liền phức tạp.
  3. Kết hợp thông tin không gian (đặc trưng kích thước, đường viền vector số phức) và thông tin thời gian (luồng quang học) để đếm chính xác số lượng phương tiện trong vùng quan tâm (ROI).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Luận án vận dụng hệ thống lý thuyết thuộc các lĩnh vực thị giác máy tính, lý thuyết thông tin và hình học tính toán:

  • Đặc tả hình thức video: Sử dụng ngôn ngữ đặc tả hình thức RAISE để định nghĩa cấu trúc dữ liệu video: $$\text{Video} = \text{Scene-list}, \quad \text{Scene} = \text{Shot-list}, \quad \text{Shot} = \text{Image-list}, \quad \text{Image} = \text{Point-set}$$
  • Khối đối tượng chuyển động: Định nghĩa toán học khối chuyển động $X$ từ khung hình $I$, mô hình nền $B$ và ngưỡng sai số $\epsilon$: $$X = I - B + \epsilon$$
  • Lý thuyết Entropy khối ảnh: Dựa trên nghiên cứu của Yu-Kumg Chen (2009), luận án tính hiệu tuyệt đối $\Delta_t(x, y) = |B_t(x, y) - I_t(x, y)|$ giữa khung hình hiện thời $I_t(x, y)$ và nền tối ưu $B_t(x, y)$. Trên mỗi khối kích thước $w \times w$, mật độ xác suất mức xám $h$ được tính bằng $P_h^{(i,j)} = n_h^{(i,j)} / w^2$. Giá trị Entropy của khối được xác định theo công thức: $$E(i,j) = - \sum_{h=0}^{V-1} P_h^{(i,j)} \log_2(P_h^{(i,j)})$$ Khối chuyển động $A(i, j)$ được gán giá trị 1 nếu $E(i, j) > T$ (ngưỡng Entropy), ngược lại gán bằng 0.
  • Phân tích đường viền bằng số phức (Contour Analysis): Đường viền đối tượng được biểu diễn dưới dạng đường viền vector (VC) $\Gamma = (\gamma_0, \gamma_1, \dots, \gamma_{p-1})$, trong đó mỗi vector cơ sở (EV) $\gamma_n = a + ib$ là một số phức. Tích vô hướng (TVH) giữa hai đường viền $\Gamma$ và $N$ được xác định bởi: $$\eta = (\Gamma, N) = \sum_{n=0}^{p-1} (\gamma_n, \nu_n)$$ Tích vô hướng chuẩn hóa (NSP): $$\eta = \frac{(\Gamma, N)}{|\Gamma||N|}, \quad \text{với } |\Gamma| = \sqrt{\sum_{n=0}^{p-1} |\gamma_n|^2}$$ Hàm tương quan (ICF) $\tau(m) = (\Gamma, N(m))$ và hàm tự tương quan (ACF) $\tau(m) = (\Gamma, \Gamma(m))$ có tính chất bất biến đối với phép chuyển dịch song song, phép quay và phép tỷ lệ (co giãn).
  • Biểu diễn hình dạng theo vector khoảng cách: Xấp xỉ biên đối tượng thành đa giác $n$ cạnh bằng thuật toán Douglas-Peucker. Diện tích đa giác $A$ và tọa độ trọng tâm $(\bar{x}, \bar{y})$ được tính theo định lý Green: $$A = \frac{1}{2} \sum_{i=0}^{n-1} (x_i y_{i+1} - x_{i+1} y_i)$$ $$\bar{x} = \frac{1}{3A} \sum_{i=0}^{n-1} (x_i + x_{i+1})(x_i y_{i+1} - x_{i+1} y_i), \quad \bar{y} = \frac{1}{3A} \sum_{i=0}^{n-1} (y_i + y_{i+1})(x_i y_{i+1} - x_{i+1} y_i)$$ Khoảng cách điểm mẫu trên biên được chia đều với bước $L_{rounded} = L_{sum} / N$. Khoảng cách từ điểm mẫu $s_i = (x_i, y_i)$ đến trọng tâm $c = (x_c, y_c)$ tính bằng khoảng cách Ơclit $D(s_i, c) = \sqrt{(x_c - x_i)^2 + (y_c - y_i)^2}$, chuẩn hóa $D_S[i] = D[i] / \max{D_i}$ về đoạn $[0, 1]$. Độ tương tự giữa hai đa giác $D_1$ và $D_2$ được đo bằng: $$\text{SIM}(D_1, D_2) = \sqrt{\sum_{i=0}^{n-1} (d_{1i} - d_{2i})^2}$$

Phương pháp nghiên cứu thực tế

  • Phương pháp thu thập dữ liệu: Thu thập trực tiếp các chuỗi video từ camera quan sát gắn trên các tuyến quốc lộ thực tế (Quốc lộ 5 hướng Hải Phòng - Hà Nội, Quốc lộ 1, Đại lộ Thăng Long), bao gồm các phân đoạn giao thông có mật độ xe dày đặc, xe đi sát nhau và điều kiện ánh sáng thay đổi.
  • Phương pháp cài đặt và thử nghiệm: Xây dựng phần mềm thử nghiệm bằng ngôn ngữ lập trình C++ trên máy tính; tích hợp và kiểm thử các thuật toán trừ nền, trích xuất đặc trưng và phân loại.
  • Nguồn dữ liệu kiểm chuẩn: Sử dụng tập dữ liệu video chuẩn BMC (Background Models Challenge) để đánh giá định lượng các thuật toán trừ nền thông qua các chỉ số đo lường toàn cục.

Nội dung chính theo từng chương

Chương 1: Tổng quan về phát hiện và phân loại phương tiện giao thông từ video

Chương 1 thiết lập nền tảng lý thuyết và tổng quan các công trình nghiên cứu liên quan đến bài toán. Tác giả phân tích chi tiết:

  • Cấu trúc dữ liệu video số, các mức biểu diễn đặc trưng bao gồm mức toàn cục (vùng quan tâm ROI, khung hình, đối tượng chuyển động và nền, khối chuyển động, đốm sáng) và mức cục bộ (bóng đối tượng, độ dài biểu kiến, đường viền, mức xám khu vực đèn xe, biển số, kính xe).
  • Lý thuyết toán học về mô-men bất biến 2D, chứng minh tính bất biến của mô-men trọng tâm chuẩn hóa đối với các phép biến đổi hình học (tịnh tiến, quay, co giãn).
  • Khái niệm khối đối tượng chuyển động $X = I - B + \epsilon$ và các thao tác lọc nhiễu, phân rã khối con và gán nhãn đối tượng.
  • Cơ sở lý thuyết của phân tích đường viền (CA) và biểu diễn bằng vector số phức VC; chứng minh toán học về tính chất của tích vô hướng chuẩn hóa NSP và hàm tự tương quan ACF: chuẩn $|NSP|$ luôn bằng 1 khi hai đường viền đồng dạng và góc quay được xác định qua $\arg(NSP)$.
  • Phương pháp phát hiện chuyển động dựa trên tính toán giá trị Entropy của khối ảnh sai lệch $\Delta_t(x, y)$.
  • Kỹ thuật vector hóa hình dạng dựa trên đa giác xấp xỉ, định lý Green xác định trọng tâm và lược đồ vector khoảng cách chuẩn hóa.
  • Phân tích ưu nhược điểm của các hệ thống tiêu biểu: CadProTMS (Việt Nam), VVDC (Mỹ), hệ thống của Chung-Cheng Chiu (Đài Loan), và kiến trúc của Yigithan Dedeoglu. Từ đó, xác định hướng tiếp cận hai mức cho luận án nhằm xử lý các tình huống giao thông phức tạp tại Việt Nam (xe dính khối, nền động, biến đổi ánh sáng).

Chương 2: Phát hiện đối tượng chuyển động từ video dựa trên mô hình Gauss hỗn hợp thích nghi với thay đổi ánh sáng

Chương 2 giải quyết bài toán cốt lõi ở tầng phát hiện tiền cảnh:

  • Khảo sát và đánh giá thực nghiệm các thuật toán trừ nền phổ biến: thuật toán trừ nền cơ bản, thuật toán trừ nền trung bình, thuật toán $\Sigma-\Delta$ cải tiến, thuật toán thống kê khác biệt cơ bản và mô hình Gauss hỗn hợp (GMM). Tác giả tổng hợp ưu nhược điểm của từng phương pháp qua bảng so sánh và phân tích hệ số đánh giá toàn cục trên tập dữ liệu chuẩn BMC.
  • Xây dựng mô hình GMM thích nghi với sự thay đổi ánh sáng: Mô hình GMM chuẩn được bổ sung hàm biểu diễn cường độ sáng $D(t, t-1)$, hệ số thích nghi ánh sáng $\gamma_t$, và hệ số cập nhật nền $\alpha_{k,t}$ được điều chỉnh động dựa trên giá trị Entropy $E_t$ của điểm ảnh. Khi ánh sáng thay đổi đột ngột, mô hình tự động điều chỉnh tốc độ học để cập nhật nền mà không làm mất dấu đối tượng chuyển động.
  • Đề xuất thuật toán trích chọn khối chuyển động (Extract Moving Block - EMB).
  • Xây dựng phương pháp đếm phương tiện giao thông thông qua kiến trúc kết hợp CCA-GMMOF: kết hợp mô hình GMM thích nghi với phân tích luồng quang học. Kiến trúc này bao gồm thuật toán phát hiện và gán nhãn cho khối (Single Labeled Bounding Box Identification - SLBBI) và thuật toán trích chọn luồng quang học (Extract Block Optical Flow - EBOF).
  • Kết quả thực nghiệm trên các đoạn video quay trên Quốc lộ 5 (hướng Hải Phòng - Hà Nội) chứng minh mô hình đề xuất duy trì khả năng tách nền ổn định dưới các điều kiện ánh sáng ngoài trời biến động, phản ứng chính xác với mật độ xe và đảm bảo thời gian xử lý trên mỗi khung hình đáp ứng yêu cầu tính toán.

Chương 3: Phân loại phương tiện giao thông từ video dựa trên đặc trưng hình dạng

Chương 3 trình bày các phương pháp phân loại phương tiện, tập trung vào việc phân giải các khối dính nhau giữa ô tô và xe máy:

  • Phân đoạn khối dựa trên kích thước: Phân tích đặc trưng chiều dài và chiều rộng của khối phương tiện; đề xuất thuật toán phân loại theo kích thước ảnh (Classification by Vehicle Image Length - CVIL).
  • Phân loại kết hợp kích thước ảnh và hình chiếu khối phương tiện: Xây dựng cơ sở dữ liệu mẫu hình chiếu ngoại tuyến (offline); đề xuất thuật toán VCALOS (Vehicle Classification by Approximate Length and Outline Shape). Thuật toán kết hợp độ dài xấp xỉ $(u, v)$ và lược đồ vector khoảng cách hình chiếu để phân giải khối xe ô tô con đi sát nhau hoặc khối hỗn hợp gồm ô tô và xe máy.
  • Phân loại dựa trên đường viền biểu diễn bằng số phức: Áp dụng thuật toán Douglas-Peucker để đơn giản hóa đường cong và xấp xỉ đường biên đối tượng; xây dựng thuật toán CCAVC (Contour Analysis Complex Vector Classification). Bằng cách tính tích vô hướng chuẩn hóa NSP và độ lớn cực đại của hàm tương quan $\tau_{max}$ giữa đường viền vector trích xuất với tập mẫu, thuật toán nhận dạng chính xác loại phương tiện bất kể góc quay hay tỷ lệ co giãn.
  • Kết quả thực nghiệm phân loại: Luận án trình bày chi tiết các bảng kết quả thực nghiệm của thuật toán CVIL, thuật toán VCALOS và thuật toán CCAVC trên các tập video giao thông thực tế. Kết quả kiểm nghiệm minh chứng hệ thống có khả năng nhận dạng và tách biệt chính xác ô tô và xe máy ngay cả trong trường hợp hai phương tiện di chuyển cạnh nhau tạo thành một khối liên tục.

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

  1. Hệ thống hóa và đa cấp độ hóa đặc trưng: Xây dựng khung trích chọn và biểu diễn đặc trưng phương tiện chuyển động theo 4 cấp độ: đặc trưng khối chuyển động (block), đặc trưng kích thước - hình học, đặc trưng luồng quang học (optical flow) và đặc trưng đường viền vector số phức (complex vector contour).
  2. Cải tiến mô hình thích nghi ánh sáng: Đề xuất mô hình nền Gauss hỗn hợp thích nghi (Adaptive GMM) tích hợp hệ số biến thiên cường độ sáng $D(t, t-1)$ và Entropy thông tin mức xám $E_t$, giúp mô hình phân biệt chính xác giữa sự thay đổi cường độ sáng môi trường và sự xuất hiện của đối tượng chuyển động thực.
  3. Đề xuất khung làm việc tích hợp (Framework): Thiết lập sơ đồ tổng quát tích hợp mô hình GMM thích nghi và luồng quang học (CCA-GMMOF) cho bài toán phát hiện và đếm phương tiện giao thông trong điều kiện giao thông đông đúc.

Đóng góp mới về mặt kỹ thuật và thực tiễn

  1. Hệ thuật toán phát hiện và đếm: Xây dựng thành công thuật toán trích chọn khối chuyển động EMB, thuật toán gán nhãn khối SLBBI và thuật toán trích chọn luồng quang học EBOF.
  2. Hệ thuật toán phân loại phương tiện dính khối: Đề xuất và cài đặt thành công 3 thuật toán phân loại:
    • Thuật toán CVIL: phân loại phương tiện dựa trên chiều dài và kích thước hình học.
    • Thuật toán VCALOS: kết hợp độ dài xấp xỉ và hình chiếu đối tượng, phân giải các khối phương tiện dính nhau.
    • Thuật toán CCAVC: phân loại dựa trên phân tích đường viền vector số phức kết hợp xấp xỉ Douglas-Peucker, cho phép nhận dạng ô tô và xe máy bất biến với góc quay và tỷ lệ.
  3. Hiện thực hóa phần mềm: Cài đặt thử nghiệm hoàn chỉnh hệ thống bằng C++ trên dữ liệu video thực tế tại Quốc lộ 5 và các tuyến quốc lộ tại Việt Nam, chứng minh tính khả thi của các thuật toán trong việc giải quyết bài toán giao thông dày đặc.

Kiến nghị và giải pháp đề xuất

  • Ứng dụng khung thuật toán CCA-GMMOF, VCALOS và CCAVC vào các trung tâm điều hành giao thông thông minh để tự động hóa công tác đo lưu lượng, phát hiện ùn tắc và đếm lưu lượng phương tiện phân làn trên các tuyến quốc lộ và cao tốc.
  • Kết hợp dữ liệu phân loại phương tiện từ video với hệ thống camera giám sát an ninh nhằm phục vụ công tác điều tra hiện trường tai nạn, kiểm soát an ninh trật tự và tự động phát hiện vi phạm giao thông.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

Căn cứ vào phạm vi và các nội dung được tác giả trình bày trong luận án:

  • Điều kiện chiếu sáng ban đêm: Dữ liệu thử nghiệm và phạm vi áp dụng chủ yếu thực hiện vào ban ngày. Khi quan sát vào ban đêm hoặc chiều tối, chất lượng ảnh giảm sút do độ rọi thấp hoặc bị chói lóa bởi đèn pha xe, dẫn đến độ chính xác trong việc tách biên và nhận dạng phương tiện bị suy giảm.
  • Mức độ che khuất phức tạp: Trong các tình huống phương tiện có mật độ quá dày đặc dẫn đến che khuất hoàn toàn đường biên bên trong của nhiều xe cùng lúc, việc phân rã khối bằng hình chiếu hoặc đường viền vector vẫn gặp phải sai số nhất định.
  • Phạm vi chủng loại phương tiện: Luận án tập trung giải quyết phân loại hai đối tượng chính là xe ô tô và xe máy; các đối tượng khác như người đi bộ, xe thô sơ, xe buýt lớn mới chỉ được đề cập ở mức khái quát, chưa có tập mẫu huấn luyện chi tiết.

Hướng nghiên cứu tiếp

  • Mở rộng nghiên cứu và hoàn thiện các thuật toán xử lý hình ảnh trong điều kiện thời tiết khắc nghiệt (mưa lớn, sương mù dày đặc) và môi trường ban đêm có sự tác động của ánh đèn xe.
  • Bổ sung cơ sở dữ liệu mẫu đường viền và hình chiếu cho các chủng loại phương tiện khác như xe buýt, xe tải hạng nặng, xe thô sơ và người đi bộ.
  • Tối ưu hóa hiệu năng tính toán của thuật toán để triển khai trực tiếp trên các thiết bị phần cứng nhúng (embedded systems) lắp đặt tại các cột camera hiện trường.

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh, học viên cao học và giảng viên: Chuyên ngành Cơ sở toán học cho tin học, Khoa học máy tính, Công nghệ thông tin và Kỹ thuật điều khiển; đặc biệt là những người nghiên cứu chuyên sâu về thị giác máy tính và xử lý ảnh.
  • Kỹ sư phát triển hệ thống: Các kỹ sư thiết kế và triển khai giải pháp giao thông thông minh (ITS), hệ thống camera giám sát giao thông tại các đô thị và đường cao tốc.
  • Cơ quan quản lý nhà nước: Lực lượng Cảnh sát giao thông, Thanh tra giao thông, các cơ quan quản lý đường bộ có nhu cầu tham khảo cơ sở khoa học để xây dựng tiêu chuẩn kỹ thuật cho hệ thống giám sát tự động bằng hình ảnh.

Các nội dung có giá trị tham khảo chuyên sâu

  • Chương 1: Phần trình bày toán học về phân tích đường viền bằng số phức (Contour Analysis), các công thức liên hợp tích vô hướng chuẩn hóa (NSP), hàm tương quan (ICF) và hàm tự tương quan (ACF).
  • Chương 2: Kỹ thuật cải tiến mô hình Gauss hỗn hợp (GMM) thích nghi biến thiên ánh sáng kết hợp Entropy khối và thuật toán luồng quang học (EBOF) để đếm đối tượng.
  • Chương 3: Quy trình xấp xỉ đa giác Douglas-Peucker kết hợp vector hóa số phức trong thuật toán CCAVC và phương pháp phân giải khối xe dính nhau trong thuật toán VCALOS.

Câu hỏi thường gặp

1. Luận án giải quyết vấn đề phương tiện dính nhau (hợp khối) trong giao thông Việt Nam bằng phương pháp nào?

Tác giả giải quyết vấn đề hợp khối thông qua hai hướng tiếp cận kết hợp tại Chương 3:

  • Thuật toán VCALOS: Sử dụng kích thước biểu kiến $(u, v)$ kết hợp với cơ sở dữ liệu hình chiếu đối tượng ngoại tuyến. Khi một khối chuyển động có diện tích hoặc chiều dài vượt ngưỡng của một xe độc lập, thuật toán đối sánh hình chiếu của khối với các mẫu dính khối (như 2 ô tô nối tiếp, ô tô đi cạnh xe máy) trong cơ sở dữ liệu để phân tách.
  • Thuật toán CCAVC: Sử dụng thuật toán Douglas-Peucker để xấp xỉ đường biên đa giác, sau đó biểu diễn đường viền bằng các vector cơ sở số phức. Thông qua việc tính tích vô hướng chuẩn hóa (NSP) và hàm tương quan cực đại ($\tau_{max}$), thuật toán tìm kiếm các đoạn đường viền tương đồng với mẫu xe ô tô hoặc xe máy độc lập, từ đó nhận dạng chính xác phương tiện dù bị che khuất một phần.

2. Mô hình Gauss hỗn hợp (GMM) được cải tiến như thế nào để thích ứng với sự thay đổi ánh sáng ngoài trời?

Trong mô hình GMM truyền thống, sự thay đổi ánh sáng đột ngột dễ bị nhận nhầm thành đối tượng chuyển động tiền cảnh. Tác giả cải tiến GMM bằng cách:

  • Bổ sung hàm biểu diễn cường độ sáng $D(t, t-1)$ và hệ số lựa chọn thay đổi ánh sáng $\gamma_t$.
  • Tích hợp giá trị Entropy thông tin mức xám $E_t$ của điểm ảnh. Nếu sai khác mức xám giữa khung hình và nền có Entropy nhỏ hơn ngưỡng, hệ thống xem đó là biến đổi ánh sáng nền và điều chỉnh hệ số cập nhật nền $\alpha_{k,t}$ tăng lên để mô hình thích nghi nhanh với cường độ sáng mới; ngược lại, nếu Entropy lớn, điểm ảnh được xác định là đối tượng chuyển động và giữ nguyên tốc độ cập nhật.

3. Nguyên lý toán học của thuật toán phân loại đường viền vector số phức (CCAVC) là gì?

Thuật toán CCAVC dựa trên lý thuyết phân tích đường viền (Contour Analysis):

  • Đường viền khép kín của phương tiện được quét theo chiều kim đồng hồ và mã hóa thành chuỗi các số phức $\gamma_n = a + ib$.
  • Độ tương đồng giữa đường viền quan sát $\Gamma$ và đường viền mẫu $N$ được đo bằng tích vô hướng chuẩn hóa $NSP = (\Gamma, N) / (|\Gamma||N|)$.
  • Do tính chất đại số của số phức, chuẩn $|NSP|$ đạt giá trị cực đại bằng 1 khi và chỉ khi hai đường viền hoàn toàn đồng dạng (chỉ khác nhau về góc xoay hoặc tỷ lệ co giãn). Góc xoay giữa hai đường viền được xác định thông qua $\arg(NSP) = \arctan(b/a)$.
  • Hàm tương quan ICF dịch chuyển vòng $\tau(m) = (\Gamma, N(m))$ được áp dụng để loại bỏ sự phụ thuộc vào việc chọn điểm khởi đầu trên biên.

4. Hệ thống thử nghiệm của luận án được cài đặt bằng công cụ gì và kiểm thử trên tập dữ liệu nào?

Hệ thống thử nghiệm được tác giả lập trình bằng ngôn ngữ C++ trên máy tính. Dữ liệu thử nghiệm bao gồm:

  • Tập dữ liệu video kiểm chuẩn quốc tế BMC (Background Models Challenge) dùng để đo đạc và đánh giá so sánh hiệu năng các thuật toán trừ nền.
  • Tập dữ liệu video giao thông thực tế thu thập ngoài trời tại các tuyến đường ở Việt Nam: Quốc lộ 5 (đoạn Hải Phòng - Hà Nội), Quốc lộ 1, Đại lộ Thăng Long và tuyến cao tốc Bắc Thăng Long - Nội Bài.

5. Tính chất đối xứng của hàm tự tương quan (ACF) trên đường viền vector số phức có ý nghĩa gì trong xử lý hình ảnh?

Chuẩn của hàm tự tương quan $ACF(m) = (\Gamma, \Gamma(m))$ có tính đối xứng qua quy chiếu trung tâm $p/2$ (nghĩa là $|ACF(m)| = |ACF(p-m)|$). Do đó, hệ thống chỉ cần tính toán giá trị ACF trên khoảng từ $0$ đến $p/2$, giúp giảm một nửa khối lượng tính toán. Đồng thời, biểu đồ chuẩn ACF phản ánh đặc tính hình học cốt lõi của phương tiện (ví dụ: hình gần tròn, hình thon dài theo một trục) hoàn toàn độc lập với vị trí tọa độ, góc xoay, tỷ lệ phóng to thu nhỏ và điểm bắt đầu quét đường viền.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Văn Căn đã giải quyết bài toán phát hiện và phân loại phương tiện giao thông từ video trong điều kiện lưu lượng đông đúc, phương tiện đi sát nhau và ánh sáng biến động tại Việt Nam. Bằng việc cải tiến mô hình Gauss hỗn hợp thích nghi kết hợp luồng quang học (CCA-GMMOF) và phát triển các thuật toán phân loại dựa trên đặc trưng hình học, hình chiếu và đường viền vector số phức (CVIL, VCALOS, CCAVC), công trình đã đóng góp cả về mặt cơ sở toán học lẫn giải pháp kỹ thuật thực tiễn. Kết quả thử nghiệm trên dữ liệu thực tế tại các tuyến quốc lộ chứng minh tính hiệu quả của các thuật toán đề xuất, tạo cơ sở khoa học tin cậy cho việc phát triển các ứng dụng giám sát giao thông thông minh và an ninh trật tự.