Tổng quan về luận án

Giám sát và điều khiển giao thông thông minh (Intelligent Transportation Systems - ITS) tại các quốc gia đang phát triển đối mặt với bài toán đặc thù về lưu lượng phương tiện hỗn hợp có mật độ dày đặc, đan xen phức tạp giữa ô tô và xe máy. Luận án tiến sĩ toán học với đề tài "Nghiên cứu phát triển một số thuật toán phát hiện và phân loại phương tiện từ dữ liệu video giao thông" của nghiên cứu sinh Nguyễn Văn Căn (2015), 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 tại Viện Khoa học và Công nghệ quân sự - Bộ Quốc phòng, đại diện cho công trình tiên phong giải quyết triệt để sự tắc nghẽn thông tin thị giác máy tính trong bối cảnh giao thông ngoại cảnh Việt Nam.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế các hệ thống thị giác máy tính quốc tế phần lớn được thiết kế cho luồng giao thông phân làn chuẩn tắc tại các nước phát triển, chỉ tập trung phân loại ô tô và xe tải đơn lẻ (Guohui Zhang et al., 2007; Chung-Cheng Chiu et al., 2010). Khi áp dụng vào điều kiện thực tế tại Việt Nam, hiện tượng dính khối (clustering/occlusion) giữa các phương tiện đi sát nhau, che khuất tầm nhìn một phần, kết hợp với sự biến thiên cường độ ánh sáng đột ngột ngoài trời khiến các thuật toán trừ nền truyền thống và phân loại dựa trên hộp bao chữ nhật đơn thuần hoàn toàn thất bại.

Nghiên cứu được định hướng bởi hệ thống câu hỏi nghiên cứu và giả thuyết khoa học tường minh:

  • RQ1: Làm thế nào để mô hình hóa và tách lọc chính xác đối tượng chuyển động tiền cảnh (foreground) từ video giao thông ngoài trời khi có sự biến động phức tạp của ánh sáng và dao động nền?
  • RQ2: Cơ chế toán học nào cho phép phân rã và phân loại chính xác các phương tiện trong trạng thái dính kết hợp khối (xe máy đi cạnh ô tô, các ô tô nối đuôi sát nhau) mà không phụ thuộc vào màu sắc và kích thước tuyệt đối?
  • H1: Việc tích hợp Entropy thông tin vào mô hình Gauss hỗn hợp thích nghi (Adaptive GMM) kết hợp luồng quang học (Optical Flow) sẽ triệt tiêu hiệu ứng bóng mờ và thích ứng hoàn toàn với sự thay đổi chiếu sáng cục bộ/toàn cục.
  • H2: Biểu diễn biên phương tiện bằng vector số phức trong giải tích đường viền (Contour Analysis) kết hợp vector khoảng cách chuẩn hóa từ tâm đa giác Green sẽ bảo toàn tính bất biến đối với các phép biến đổi afin (tịnh tiến, co giãn tỷ lệ, quay), từ đó phân loại chính xác phương tiện bị che khuất một phần.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết xác suất thống kê (Mô hình Gauss hỗn hợp), Lý thuyết thông tin (Shannon Entropy), Hình học vi phân và Giải tích số phức (Contour Analysis, Mô-men bất biến Hu, Định lý Green). Công trình tạo đột phá với các mô hình thuật toán mới: CCA-GMMOF, EMB, SLBBI, CVIL, VCALOS và CCAVC, mang lại khả năng xử lý thời gian thực với độ chính xác cao trên các tập dữ liệu thực nghiệm thu thập từ các tuyến huyết mạch như Quốc lộ 5 (Hải Phòng - Hà Nội), Quốc lộ 1, Đại lộ Thăng Long và tuyến Bắc Thăng Long - Nội Bài.

Literature Review và Positioning

Nghiên cứu thị giác máy tính trong phân tích video giao thông thế giới và Việt Nam chia thành ba dòng nghiên cứu chính:

Dòng nghiên cứu phát hiện chuyển động tiền cảnh (Foreground Detection) dựa trên mô hình trừ nền (Background Subtraction Methods - BSM). Stauffer & Grimson (1999) đặt nền móng với mô hình hỗn hợp Gauss (GMM), tiếp sau đó là các cải tiến mô hình thống kê vi phân $\Sigma$-$\Delta$ và biến đổi Cosin rời rạc. Tuy nhiên, tranh luận học thuật lớn tồn tại giữa hai quan điểm: một bên ủng hộ việc cập nhật nền thống kê theo xác suất điểm ảnh liên tục (Stauffer & Grimson), bên kia cho rằng việc cập nhật xác suất thuần túy không thể phân biệt được sự thay đổi đột ngột của chiếu sáng môi trường với chuyển động thực của vật thể (Yu-Kumg Chen et al., 2009). Luận án giải quyết mâu thuẫn này bằng cách tích hợp độ đo Entropy cục bộ của khối ảnh ($E(i,j) = -\sum P_h \log_2 P_h$) vào cơ chế cập nhật ma trận hiệp phương sai $\Sigma_{i,t}$ và trọng số $\omega_{k,t}$ của GMM, thiết lập trạng thái thích nghi ánh sáng tự động.

Dòng nghiên cứu phân loại phương tiện dựa trên kích thước và hộp bao 2D. Điển hình là công trình của Guohui Zhang và cộng sự (2007) tại Đại học Washington với hệ thống VVDC (Video-based Vehicle Detection and Classification) sử dụng BSM trung bình khung hình để phân loại xe tải dựa trên số lượng điểm ảnh chiều dài với độ chính xác phát hiện trên 97% và sai số đếm dưới 9%. Tương tự, Chung-Cheng Chiu và cộng sự (2010) phát triển hệ thống phân loại 5 lớp ô tô dựa trên chiều dài, chiều rộng và kích thước mui xe với độ chính xác 90%-98%. Điểm hạn chế chí mạng của cả hai nghiên cứu quốc tế này là giả định các phương tiện di chuyển tách biệt theo làn, hoàn toàn bỏ qua đối tượng xe máy, phương tiện thô sơ và không giải quyết được bài toán dính khối đa phương tiện cực kỳ phổ biến tại Đông Nam Á.

Dòng nghiên cứu phân loại dựa trên đặc trưng hình học và đường viền. Yigithan Dedeoglu (2004) đề xuất trích xuất hình chiếu bóng và vector hóa khoảng cách từ tâm đến biên ngoài nhưng chỉ áp dụng trên hình học cơ bản và chưa tối ưu hóa cho đường viền phương tiện giao thông. Rohit Kolar và cộng sự (2014) cùng Hu M.K. (1962), Chee-Way Chong (2004) phát triển đại số giải tích đường viền phức và mô-men bất biến.

Luận án của Nguyễn Văn Căn định vị chính xác tại điểm giao thoa chưa từng có: kết hợp trích xuất khối chuyển động thích nghi ánh sáng (Adaptive GMM + Entropy + Optical Flow) với giải tích đường viền số phức (Complex Vector Contour) và thuật toán xấp xỉ đa giác Douglas-Peucker. So với hệ thống thực tiễn CadProTMS của Phạm Hồng Quang và cộng sự (2014) tại Việt Nam vốn chủ yếu dựa vào nhận dạng biển số và đo tốc độ ở điều kiện ban ngày thuận lợi, luận án mở rộng khả năng nhận dạng phân loại cả xe máy và ô tô trong điều kiện giao thông hỗn hợp phức tạp và ánh sáng biến đổi mạnh.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào việc mở rộng lý thuyết giải tích đường viền (Contour Analysis) của Rohit Kolar (2014) và lý thuyết mô-men bất biến của Hu M.K. (1962) trong không gian xử lý ảnh số. Cụ thể, tác giả đã chứng minh và hình thức hóa cấu trúc dữ liệu video thông qua ngôn ngữ đặc tả hình thức RAISE, chuẩn hóa các khái niệm chu trình khép kín của biên ảnh:

$$\text{Cycle} = {|pl: \text{Point-list} : \neg \text{Check_Cycle}(pl)|}$$

Về mặt giải tích đường viền vector (Vector Contour - VC), luận án tổng quát hóa đường viền $\Gamma$ có độ dài $p$ thành chuỗi các vector cơ sở (Elementary Vectors - EV) biểu diễn dưới dạng số phức:

$$\Gamma = (\gamma_0, \gamma_1, \dots, \gamma_{p-1})$$

Tích vô hướng chuẩn hóa (Normalized Scalar Product - NSP) giữa hai đường viền vector $\Gamma$ và $N$ trong không gian số phức được thiết lập:

$$\eta = \frac{(\Gamma, N)}{|\Gamma||N|} = \frac{\sum_{n=0}^{p-1}(\gamma_n, \nu_n)}{\sqrt{\sum_{n=0}^{p-1}|\gamma_n|^2}\sqrt{\sum_{n=0}^{p-1}|\nu_n|^2}}$$

Luận án chứng minh tính chất bất đẳng thức Cauchy-Bunyakovsky-Schwarz trên không gian phức, chỉ ra chuẩn $|\eta| \le 1$ và đạt giá trị cực đại đồng nhất $|\eta| = 1$ khi và chỉ khi $\Gamma = \mu N$ (với $\mu$ là một số phức biểu thị hệ số tỷ lệ và góc quay). Đồng thời, việc khai triển hàm tương quan liên kết (Intercorrelation Function - ICF):

$$\tau(m) = (\Gamma, N(m)), \quad \tau_{\max} = \max_m \left(\frac{|\tau(m)|}{|\Gamma||N|}\right)$$

và hàm tự tương quan (Autocorrelation Function - ACF):

$$\gamma(m) = (\Gamma, \Gamma(m))$$

đã đặt nền tảng toán học vững chắc cho việc nhận dạng hình dạng phương tiện bất biến hoàn toàn với 4 phép biến đổi: tịnh tiến gốc tọa độ, quay góc bất kỳ, co giãn tỷ lệ kích thước và sự dịch chuyển điểm mốc khởi đầu của đường viền.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên hoàn ba trụ cột toán học:

  1. Lý thuyết xác suất & Entropy: Khối đối tượng chuyển động $X$ được xác định theo mô hình: $$X = I - B + \epsilon$$ với $I$ là khung hình, $B$ là nền tối ưu và $\epsilon$ là ngưỡng sai số cho phép. Hàm mật độ xác suất mức xám $P_h^{(i,j)} = n_h^{(i,j)} / w^2$ của khối $w \times w$ trên ma trận sai phân tuyệt đối $\Delta_t(x,y) = |B_t(x,y) - I_t(x,y)|$ sinh ra giá trị Entropy: $$E(i,j) = -\sum_{h=0}^{V-1} P_h^{(i,j)} \log_2(P_h^{(i,j)})$$ Khối $A(i,j)$ được gán nhãn tiền cảnh khi $E(i,j) > T$.
  2. Hình học giải tích vi phân & Định lý Green: Vector hóa hình dạng đa giác xấp xỉ biên bằng cách tính diện tích $A$ và tọa độ trọng tâm $(\bar{x}, \bar{y})$: $$\bar{x} = \frac{1}{3} \frac{\sum_{i=0}^{n-1}(x_{i+1} + x_i)(x_i y_{i+1} - x_{i+1} y_i)}{\sum_{i=0}^{n-1}(x_i y_{i+1} - x_{i+1} y_i)}, \quad \bar{y} = \frac{1}{3} \frac{\sum_{i=0}^{n-1}(y_{i+1} + y_i)(x_i y_{i+1} - x_{i+1} y_i)}{\sum_{i=0}^{n-1}(x_i y_{i+1} - x_{i+1} y_i)}$$
  3. Độ đo tương tự không gian Metric: Khoảng cách Euclid từ các điểm mẫu $s_i$ căng đều trên biên ($L_{\text{rounded}} = L_{\text{sum}} / N$) đến tâm $c$: $$D(s_i, c) = \sqrt{(x_c - x_i)^2 + (y_c - y_i)^2}$$ được chuẩn hóa $DS[i] = D[i] / \max{D_i} \in [0, 1]$, tạo ra độ đo tương tự đa giác: $$\text{SIM}(D_1, D_2) = \sqrt{\sum_{i=0}^{n-1}(d_{1i} - d_{2i})^2}$$

Điều kiện biên (Boundary conditions) được xác định rõ: áp dụng cho góc quan sát camera cố định từ trên cao (góc nghiêng $30^\circ - 60^\circ$ so với mặt đường, độ cao tối thiểu 6m), vùng quan tâm (ROI) xác định, phương tiện di chuyển theo hai hướng thuận/nghịch chiều.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng (Positivism) và chủ nghĩa hiện thực phản biện (Critical Realism), sử dụng phương pháp định lượng thực nghiệm kết hợp mô hình hóa toán học hình thức. Thiết kế nghiên cứu đa cấp độ (Multi-level design):

  • Cấp độ toàn cục (Global level): Xác định Vùng quan tâm (ROI), phân tách luồng video số thành các khung hình ở tốc độ 25-30 khung hình/giây (fps), trích xuất nền động $B_t(x,y)$, khối chuyển động (Block) và đốm sáng (Blob).
  • Cấp độ cục bộ (Local level): Xử lý hình thái học, phân đoạn đối tượng và bóng di chuyển (Shadow removal), tính toán chiều dài thị giác (Visual Length), vector khoảng cách tâm - biên, và mã hóa đường viền phức.

Mẫu dữ liệu thực nghiệm được ghi nhận trực tiếp từ camera lắp đặt trên các tuyến quốc lộ trọng điểm tại miền Bắc Việt Nam: Quốc lộ 5 (đoạn Hải Phòng - Hà Nội), Quốc lộ 1, Đại lộ Thăng Long, đường Bắc Thăng Long - Nội Bài, kết hợp đối sánh chéo với bộ dữ liệu chuẩn quốc tế BMC (Background Models Challenge).

Quy trình nghiên cứu rigorous

Quy trình xử lý thực nghiệm trải qua 4 giai đoạn nghiêm ngặt:

  1. Tiền xử lý và đặc tả dữ liệu: Chuẩn hóa kích thước khung hình về chuẩn CIF/VGA, sử dụng mô hình đặc tả toán học RAISE để kiểm soát tính đóng của biên và cấu trúc phân cảnh ($Scene \to Shot \to Image \to Point$).
  2. Phát hiện tiền cảnh với thuật toán EMB & SLBBI: Thuật toán EMB (Extract Moving Block) tính toán phân phối Entropy trên sai phân khối để trích xuất khối thô. Thuật toán SLBBI (Sequential Labeling of Bounding Box Image) thực hiện gán nhãn thành phần liên thông, tạo khung bao đối tượng.
  3. Theo dõi và đếm tích hợp luồng quang học (EBOF & CCA-GMMOF): Thuật toán EBOF (Extract Block Optical Flow) kết hợp với mô hình Gauss hỗn hợp thích nghi ánh sáng tính toán vector vận tốc di chuyển, giải quyết bài toán xe dừng đỗ tạm thời hoặc thay đổi gia tốc.
  4. Phân loại đa cấp độ với CVIL, VCALOS và CCAVC:
    • Thuật toán CVIL (Classification Vehicle by Image Length): Phân loại sơ bộ dựa trên độ dài điểm ảnh và phân tích kích thước mui xe.
    • Thuật toán VCALOS (Vehicle Classification by Approximate Length and Object Shape): Kết hợp kích thước và lược đồ khoảng cách hình chiếu tâm đa giác Green.
    • Thuật toán CCAVC (Contour Analysis for Vehicle Classification): Đơn giản hóa đường cong biên theo thuật toán Douglas-Peucker, mã hóa vector số phức, tính chuẩn NSP và ICF để đối sánh với cơ sở dữ liệu mẫu (Database) xe con, xe tải, xe khách và xe máy.

Data và phân tích

Toàn bộ hệ thống thử nghiệm được lập trình cài đặt bằng ngôn ngữ C++ trên nền tảng Microsoft Visual Studio, tích hợp thư viện thị giác máy tính OpenCV và bộ công cụ BGS Library. Độ tin cậy và tính hợp lệ của mô hình được kiểm chứng qua các chỉ số F-measure, Recall, Precision trên tập dữ liệu BMC và video thực tế:

  • Tốc độ xử lý khung hình đạt mức thời gian thực (Real-time performance): trung bình từ 28 ms đến 42 ms mỗi khung hình (tương đương 24 - 35 fps), đáp ứng hoàn hảo yêu cầu triển khai thực địa.
  • Kiểm tra tính vững (Robustness checks): Hệ thống được thử nghiệm dưới nhiều điều kiện thời tiết khắc nghiệt (nắng gắt, mây che đột ngột tạo biến thiên chiếu sáng, mưa nhẹ, và mật độ giao thông giờ cao điểm với hiện tượng dính khối trầm trọng).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Khắc phục triệt để độ nhạy sáng của mô hình GMM truyền thống: Việc tích hợp hệ số biến thiên Entropy khối $E(i,j)$ vào thuật toán thích nghi ánh sáng giúp giảm tỷ lệ dương tính giả (False Positive) do bóng cây rung rinh và mây che từ 18.4% (ở GMM chuẩn) xuống dưới 3.2% trong các video ngoại cảnh Quốc lộ 5.
  2. Phân giải thành công bài toán hợp khối xe máy - ô tô: Thuật toán phân tích đường viền phức CCAVC chứng minh rằng dù xe máy đi sát cạnh ô tô tạo thành một khối liên thông (connected blob), chuẩn của tích vô hướng chuẩn hóa (NSP) kết hợp hàm tương quan ICF vẫn trích xuất được đặc trưng góc xoay và các điểm kỳ dị của đường viền, nâng độ chính xác phân loại khối hỗn hợp lên trên 91.5%.
  3. Hiệu năng vượt trội của vector khoảng cách tâm đa giác Green: Thuật toán VCALOS cho thấy việc xấp xỉ biên bằng đa giác $n$ cạnh và lấy mẫu đều $L_{\text{rounded}} = L_{\text{sum}} / N$ với $N = 32$ hoặc $N = 64$ điểm mẫu giúp giảm không gian lưu trữ và thời gian tính toán đối sánh 4.8 lần so với phương pháp so khớp mẫu ảnh toàn phần (Template Matching) mà vẫn duy trì độ tương đồng $\text{SIM}(D_1, D_2) < 0.05$ cho các phương tiện cùng loại.
  4. Tính ưu việt của thuật toán Douglas-Peucker trong xấp xỉ biên: Giảm số lượng đỉnh đa giác từ hàng nghìn điểm biên xuống còn 16 - 32 đỉnh đại diện mà không làm mất các đặc trưng hình học nhận dạng cốt lõi của xe tải, xe con và xe hai bánh.

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh tính khả thi của việc kết hợp giải tích số phức với hình học giải tích vi phân trong bài toán nhận dạng mẫu thị giác máy tính, mở rộng biên giới ứng dụng của giải tích hàm trong tin học.
  • Về mặt phương pháp luận: Thiết lập quy trình trích chọn đặc trưng phân cấp (từ cấp toàn cục: ROI, Khối, GMM; đến cấp cục bộ: Độ dài thị giác, Vector khoảng cách Green, Vector đường viền phức), tạo khung mẫu phương pháp luận cho việc phân tích video giao thông tại các nước đang phát triển.
  • Về mặt thực tiễn và chính sách: Cung cấp giải pháp phần mềm lõi có khả năng tích hợp trực tiếp vào hệ thống camera giám sát giao thông quốc gia, phục vụ công tác "phạt nguội", đo đếm lưu lượng tự động cho quy hoạch hạ tầng giao thông thông minh, giảm phụ thuộc vào các gói công nghệ nhập khẩu đắt tiền từ nước ngoài.

Limitations và Future Research

Luận án thẳng thắn chỉ ra 4 giới hạn nghiên cứu cụ thể:

  1. Điều kiện ánh sáng ban đêm cực đoan: Khi chuyển sang môi trường ban đêm, hiện tượng lóa đèn pha (headlight glare) làm biến dạng hoàn toàn đường viền vật lý của phương tiện; các thuật toán trừ nền và giải tích đường viền dựa trên ánh sáng khả kiến bị suy giảm độ chính xác rõ rệt.
  2. Góc quay camera bị che khuất hoàn toàn (Total Occlusion): Khi một xe tải siêu trường siêu trọng che khuất hoàn toàn một xe máy chạy song song ở làn trong suốt thời gian đi qua ROI, thuật toán không thể phân tách nếu không có camera quan sát đa góc nhìn.
  3. Cơ sở dữ liệu mẫu ngoại tuyến (Offline Database): Tập mẫu đường viền chuẩn hiện tại được thu thập thủ công cho một số dòng xe phổ biến; chưa có cơ chế tự động học sâu (Deep Learning) để cập nhật liên tục các kiểu dáng xe mới xuất hiện trên thị trường.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển mô hình thích nghi ban đêm dựa trên trích xuất cặp đốm sáng đèn pha và vết phản xạ mặt đường.
  • Mở rộng thuật toán trên hệ thống camera mạng đa góc nhìn (Multi-camera tracking) để giải quyết triệt để bài toán che khuất hoàn toàn.
  • Tích hợp mạng nơ-ron tích chập (CNN) với giải tích đường viền số phức để tối ưu hóa không gian vector đặc trưng trong nhận dạng đa phương tiện.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Luận án mở ra hướng nghiên cứu mới kết hợp Cơ sở Toán học (Giải tích phức, Định lý Green, Entropy) vào thị giác máy tính chuyên sâu tại Việt Nam, làm tài liệu tham khảo nền tảng cho các nghiên cứu sinh và học viên cao học ngành Toán tin, Khoa học Máy tính và Kỹ thuật Điều khiển.
  • Chuyển đổi công nghiệp & Giao thông thông minh: Cung cấp thuật toán nền tảng cho các doanh nghiệp công nghệ trong nước phát triển các sản phẩm phần mềm ITS Make-in-Vietnam (tương tự định hướng của CadProTMS), giúp tiết kiệm hàng triệu USD chi phí bản quyền thiết bị ngoại nhập.
  • Tác động an ninh - xã hội: Hỗ trợ đắc lực cho Cục Cảnh sát giao thông (Bộ Công an) và các Sở Giao thông Vận tải trong việc tự động hóa giám sát an ninh trật tự, xử lý vi phạm làn đường, vượt đèn đỏ, giảm thiểu ùn tắc và tai nạn giao thông trên các trục quốc lộ huyết mạch.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận phương pháp luận toán học hình thức hóa bài toán thị giác máy tính thông qua đặc tả RAISE và giải tích đường viền vector phức.
  • Các chuyên gia R&D Thị giác Máy tính: Ứng dụng trực tiếp mã nguồn và thuật toán (EMB, SLBBI, EBOF, CCAVC) vào việc xây dựng module phát hiện - phân loại đối tượng thời gian thực trên các thiết bị Edge AI hoặc máy chủ tính toán.
  • Cơ quan Quản lý Nhà nước & Quy hoạch Đô thị: Sử dụng các số liệu phân loại lưu lượng phương tiện chính xác để thiết kế chu kỳ đèn tín hiệu giao thông linh hoạt và hoạch định chính sách phân làn đường khoa học.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng và hình thức hóa Giải tích đường viền (Contour Analysis) sang không gian số phức với việc ứng dụng Tích vô hướng chuẩn hóa (NSP) và Hàm tương quan liên kết (ICF), kết hợp với Định lý Green để tính toán vector khoảng cách chuẩn hóa $DS[i]$ từ tâm đa giác. Khung toán học này chứng minh tính bất biến tuyệt đối của đặc trưng nhận dạng trước mọi biến đổi afin (quay, tịnh tiến, co giãn tỷ lệ) và sự thay đổi điểm gốc chu trình.

2. Đổi mới phương pháp luận so với các nghiên cứu quốc tế trước đây? So với nghiên cứu của Guohui Zhang (2007) chỉ dùng BSM trung bình để đếm xe tải, và Chung-Cheng Chiu (2010) chỉ phân loại ô tô dựa trên kích thước khung bao chữ nhật, luận án đã đề xuất phương pháp tiếp cận đa cấp: tích hợp Entropy khối vào GMM để khử nhiễu ánh sáng (Adaptive GMM), kết hợp luồng quang học (EBOF) để theo dõi động học, và sử dụng đường viền đa giác xấp xỉ Douglas-Peucker để phân loại chính xác cả xe máy lẫn ô tô trong trạng thái dính kết hợp khối.

3. Phát hiện bất ngờ nhất với bằng chứng thực nghiệm là gì? Phương pháp biểu diễn hình học bằng vector khoảng cách từ tâm Green và đường viền số phức không đòi hỏi mô tả chi tiết toàn bộ bề mặt hay kết cấu màu sắc bên trong phương tiện, nhưng lại mang lại độ chính xác phân loại vượt trội trên 90% ngay cả khi phương tiện bị bóng râm che khuất hoặc có màu sơn trùng với màu mặt đường bê tông/nhựa đường.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp không? Có. Toàn bộ quy trình toán học được mô hình hóa tường minh qua ngôn ngữ đặc tả hình thức RAISE, các công thức giải tích tính tích vô hướng phức, hàm ACF, ICF, công thức định lý Green tính tâm $(\bar{x}, \bar{y})$, thuật toán Douglas-Peucker và mã giả C++ của các module EMB, SLBBI, EBOF, CCAVC đều được trình bày chi tiết trong luận án.

5. Chương trình nghiên cứu 10 năm được phác thảo thế nào? Tập trung vào ba giai đoạn: (1) Hoàn thiện module xử lý ảnh đêm dựa trên phân tích phổ sáng đèn pha; (2) Tích hợp giải tích đường viền phức vào mạng nơ-ron học sâu (Deep Contour Networks); (3) Xây dựng mạng lưới camera ITS đồng bộ hóa cấp vùng và đô thị thông minh.

Kết luận

Công trình luận án tiến sĩ của Nguyễn Văn Căn đã tạo lập những dấu ấn học thuật và thực tiễn xuất sắc:

  1. Hình thức hóa thành công mô hình cấu trúc video số và kiểm tra chu trình biên khép kín bằng ngôn ngữ đặc tả hình thức RAISE.
  2. Phát triển thuật toán trừ nền thích nghi ánh sáng đột phá dựa trên sự kết hợp giữa mô hình Gauss hỗn hợp (GMM) và Entropy thông tin khối ảnh.
  3. Ứng dụng thành công Định lý Green và xấp xỉ đa giác Douglas-Peucker để vector hóa hình dạng đối tượng theo khoảng cách chuẩn hóa từ tâm đến biên.
  4. Đóng góp khung giải tích đường viền vector phức (CCAVC) với các đặc tính bất biến afin hoàn hảo, giải quyết triệt để bài toán phân loại phương tiện hỗn hợp (ô tô, xe máy) bị dính khối che khuất.
  5. Cài đặt và thực nghiệm toàn diện hệ thống bằng C++ trên các tập dữ liệu video thực tế tại Quốc lộ 5, Quốc lộ 1 và chuẩn quốc tế BMC, đạt tốc độ xử lý thời gian thực với độ chính xác phân loại cao.
  6. Mở ra hướng nghiên cứu liên ngành bền vững giữa Cơ sở Toán học cho Tin học và Thị giác Máy tính ứng dụng trong Giao thông Thông minh tại Việt Nam.