Luận Văn Thạc Sĩ Khoa Học Máy Tính: Tăng Tốc Phát Hiện Và Phân Loại Phương Tiện Giao Thông Bằng GPU

Luận văn thạc sĩ nghiên cứu máy tính tăng tốc quá trình phát hiện và phân loại phương tiện giao thông bằng gpu, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải

• Tác giả: Cao Minh Vũ
• Người hướng dẫn: TS. Lê Thành Sách
• Trường học: Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Tăng tốc quá trình phát hiện và phân loại phương tiện giao thông bằng GPU
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng quan về đề tài

Luận văn tập trung vào việc tăng tốc phát hiện và phân loại phương tiện giao thông bằng cách sử dụng GPU. Đề tài này nằm trong lĩnh vực khoa học máy tính và học máy, với mục tiêu tối ưu hóa hiệu suất của các hệ thống giao thông thông minh. Cụ thể, luận văn đề xuất một hệ thống kết hợp các thuật toán như Gaussian Mixture Model (GMM), Optical Flow, và Bag of Word để đạt được độ chính xác cao trong việc nhận diện đối tượng. Sau đó, hệ thống được tăng tốc bằng công nghệ GPU để đáp ứng yêu cầu thời gian thực.

1.1. Bối cảnh và mục tiêu

Với sự phát triển mạnh mẽ của công nghệ thông tin, việc áp dụng GPU vào các bài toán thực tế như giao thông đang trở thành xu hướng. Luận văn nhằm giải quyết bài toán phát hiện và phân loại phương tiện giao thông trong điều kiện giao thông đặc thù của Việt Nam, nơi các hệ thống hiện có không đáp ứng được yêu cầu. Mục tiêu chính là xây dựng một hệ thống có độ chính xác cao và tăng tốc bằng GPU để xử lý dữ liệu lớn trong thời gian ngắn.

1.2. Phương pháp tiếp cận

Luận văn sử dụng các mô hình học sâu và thuật toán phân loại để xử lý dữ liệu giao thông. Hệ thống được thiết kế dựa trên các đặc trưng như dense SIFT và Bag of Word, kết hợp với các kỹ thuật tối ưu hóa hiệu suất bằng GPU. Phương pháp này giúp cải thiện cả độ chính xác và tốc độ xử lý, đáp ứng nhu cầu thực tế.

II. Cơ sở lý thuyết và công nghệ

Luận văn dựa trên các lý thuyết cơ bản về học máy, trí tuệ nhân tạo, và phân tích dữ liệu. Các thuật toán như GMM, Optical Flow, và SIFT được sử dụng để trích xuất đặc trưng từ dữ liệu giao thông. Bên cạnh đó, công nghệ GPU được áp dụng để tăng tốc quá trình xử lý, đặc biệt là trong các bài toán đòi hỏi tính toán song song.

2.1. Các thuật toán cốt lõi

Gaussian Mixture Model (GMM) được sử dụng để mô hình hóa phân phối dữ liệu, trong khi Optical Flow giúp theo dõi chuyển động của các phương tiện. SIFT và Bag of Word được áp dụng để trích xuất và phân loại đặc trưng. Các thuật toán này được kết hợp để tạo ra một hệ thống hoàn chỉnh với độ chính xác cao.

2.2. Ứng dụng GPU trong khoa học máy tính

GPU được sử dụng để tăng tốc các thuật toán thông qua lập trình song song. Luận văn đề cập đến các kỹ thuật như tối ưu hóa bộ nhớ và phân cấp luồng để cải thiện hiệu suất. Việc áp dụng GPU giúp giảm thời gian xử lý và tăng khả năng mở rộng của hệ thống.

III. Thiết kế và hiện thực hệ thống

Hệ thống được thiết kế gồm hai giai đoạn chính: phát hiện và phân loại phương tiện giao thông, và tăng tốc bằng GPU. Giai đoạn đầu sử dụng các thuật toán như GMM và Optical Flow để xử lý dữ liệu, trong khi giai đoạn sau áp dụng công nghệ GPU để tối ưu hóa hiệu suất. Hệ thống được đánh giá dựa trên độ chính xác và tốc độ xử lý.

3.1. Xây dựng hệ thống phát hiện và phân loại

Hệ thống sử dụng dense SIFT và Bag of Word để trích xuất đặc trưng từ dữ liệu giao thông. Các thuật toán như GMM và Optical Flow được áp dụng để phát hiện và phân loại phương tiện. Kết quả cho thấy hệ thống đạt độ chính xác cao trong việc nhận diện các loại phương tiện khác nhau.

3.2. Tăng tốc hệ thống bằng GPU

GPU được sử dụng để tăng tốc các thuật toán thông qua lập trình song song. Các kỹ thuật như tối ưu hóa bộ nhớ và phân cấp luồng được áp dụng để cải thiện hiệu suất. Kết quả thử nghiệm cho thấy thời gian xử lý được giảm đáng kể, đáp ứng yêu cầu thời gian thực.

IV. Kết quả và đánh giá

Luận văn đạt được kết quả khả quan trong việc phát hiện và phân loại phương tiện giao thông với độ chính xác cao. Việc áp dụng GPU giúp tăng tốc quá trình xử lý, giảm thời gian thực thi từ vài phút xuống còn vài giây. Hệ thống được đánh giá là phù hợp với điều kiện giao thông đặc thù của Việt Nam và có tiềm năng ứng dụng trong thực tế.

4.1. Đánh giá độ chính xác

Hệ thống đạt độ chính xác cao trong việc phát hiện và phân loại các loại phương tiện giao thông. Các thuật toán như GMM và Optical Flow giúp cải thiện khả năng nhận diện, đặc biệt trong điều kiện giao thông phức tạp.

4.2. Đánh giá hiệu suất

Việc áp dụng GPU giúp tăng tốc quá trình xử lý, giảm thời gian thực thi đáng kể. Các kỹ thuật tối ưu hóa bộ nhớ và phân cấp luồng được chứng minh là hiệu quả trong việc cải thiện hiệu suất của hệ thống.

V. Kết luận và hướng phát triển

Luận văn đã thành công trong việc xây dựng một hệ thống phát hiện và phân loại phương tiện giao thông với độ chính xác cao và tốc độ xử lý nhanh nhờ công nghệ GPU. Hệ thống có tiềm năng ứng dụng trong các hệ thống giao thông thông minh và các bài toán liên quan đến nhận diện đối tượng. Trong tương lai, có thể mở rộng nghiên cứu để áp dụng hệ thống vào các lĩnh vực khác như an ninh và giám sát.

5.1. Kết luận

Luận văn đã đạt được mục tiêu đề ra với việc xây dựng một hệ thống hiệu quả trong việc phát hiện và phân loại phương tiện giao thông. Việc áp dụng GPU giúp tăng tốc quá trình xử lý, đáp ứng yêu cầu thời gian thực.

5.2. Hướng phát triển

Trong tương lai, có thể mở rộng nghiên cứu để áp dụng hệ thống vào các lĩnh vực khác như an ninh và giám sát. Ngoài ra, việc tích hợp thêm các thuật toán học sâu và trí tuệ nhân tạo có thể giúp cải thiện độ chính xác và hiệu suất của hệ thống.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN 1. ĐỀ TÀI “TĂNG TỐC QUÁ TRÌNH PHÁT HIỆN VÀ PHÂN LOẠI PHƯƠNG TIỆN GIAO THÔNG BẰNG GPU“ 1. TỔNG QUAN Đề tài được chia làm hai giai đoạn chính: Giai đoạn 1: Hiện thực giải thuật nhằm phát hiện và phân loại giao thông Giai đoạn 2: Tăng tốc giải thuật bằng GPU Trong đó, các giải thuật được lựa chọn và hiện thực ở giai đoạn 1 sẽ ảnh hưởng đến giai đoạn 2. Yêu cầu đặt ra là giải thuật phải có khả năng tăng tốc bằng GPU.

Trong lĩnh vực thị giác máy tính, quá trình phát hiện và phân loại phương tiện giao thông không phải là mới, đã có nhiều giải thuật được đề xuất. Tuy nhiên, các giải thuật chỉ có thể áp dụng với một hoặc một vài tập dữ liệu đầu vào nhất định, với dữ liệu là giao thông ở Việt Nam thì các giải pháp hiện có vẫn chưa thể giải quyết được bài toán. Một thách thức khác của đề tài là lựa chọn đặc trưng của đối tượng xe nhằm phát hiện và phân loại. Có rất nhiều đặc trưng có thể áp dụng như các đặc trưng toàn cục: màu sắc, độ lớn, khung xe…hoặc các đặc trưng cục bộ như SIFT, SURF, Histogram of Gradient…tuy nhiên, việc kết hợp giữa các đặc trưng trên nhằm đáp ứng tương đương với hệ thống thị giác của con người là chưa thể.

Đa phần các giải pháp hiện có tìm cách kết hợp các đặc trưng dựa trên mô hình lý thuyết thống kê, đánh trọng số các loại đặc trưng, tuy nhiên các giải pháp trên vẫn chỉ có thể áp dụng cho một tập dữ liệu cố định. Nhằm lựa chọn các giải thuật thích hợp, các mô hình giải thuật hiện tại có thể phân loại dựa trên hai tiêu chí: Độ chính xác và Tốc độ. Như vậy sẽ có tổng cộng 4 nhóm giải thuật:       3 Độ Chính Xác Tốc Độ Giải Thuật Nhóm 1 Cao Cao Nhóm 2 Cao Thấp Nhóm 3 Thấp Cao Nhóm 4 Thấp Thấp Rõ ràng, các giải thuật thuộc nhóm 1 là lý tưởng, tuy nhiên hiện tại vẫn chưa có mô hình đáp ứng được. Ngược lại, các giải thuật ở nhóm 4 không thể ứng dụng thực tế.

Vấn đề còn lại là lựa chọn các giải thuật nằm trong nhóm 2 và nhóm 3. Đối với các giải thuật thuộc nhóm 3, với độ chính xác thấp, nhưng tốc độ cao thì việc tăng tốc sẽ không có ý nghĩa thực tế (do không thay đổi được độ chính xác). Vì vậy, đề tài sẽ tìm kiếm và lựa chọn các giải thuật thuộc nhóm 2, các giải thuật có độ chính xác cao nhưng tốc độ còn thấp để thực hiện Lập trình bằng GPU là mô hình SIMT (đơn chỉ lệnh, đa luồng) vì vậy, các giải thuật lựa chọn cũng phải thoả mãn tiêu chí này. Với các ràng buộc và yêu cầu trên, trong khuôn khổ đề tài, phương pháp đề xuất kết hợp một loạt các giải thuật chính như Gaussian Mixture Model, Optical Flow, Dense SIFT, Bag of Word kết hợp với các giải thuật hỗ trợ như K-Mean, MeanShift nhằm giải quyết bài toán       4 Chương 2 CƠ SỞ LÝ THUYẾT 2.

RÚT TRÍCH ĐẶC TRƯNG 2. SIFT Một cách trực quan, giải thuật SIFT (Scale Invariant Feature Transform) mô phỏng lại hệ thống thị giác con người. Khi càng di chuyển đến gần một vật thể cần quan sát, con người sẽ càng nhìn vật thể rõ ràng hơn và phát hiện một số điểm đặc biệt trên vật thể. Các điểm đặc biệt này có thể giúp con người phân biệt vật thể này với vật thể khác, ngoài ra các điểm đặc biệt này sẽ không mất đi khi càng tiến đến gần đến vật thể kể từ thời điểm phát hiện ra nó.

Giải thuật SIFT được mô tả theo ngôn ngữ toán học như sau Đầu vào của giải thuật SIFT là một tập N2 điểm ảnh của một khung hình có kích thước NxN. Chỉ có một tỉ lệ nhỏ 0 < α < 1 của các điểm ảnh này có thể trở thành điểm cực trị. Ngoài ra, trong số các điểm cực trị, chỉ có một tỉ lệ nhỏ các điểm là có thể trở thành điểm trọng yếu (keypoint). Gọi tỉ lệ các điểm trọng yếu này là 0 < β < 1.

Như vậy, với một khung hình NxN, sẽ có α β N2 điểm trọng yếu. Ngoài ra, hướng của tập N2 điểm sẽ được kiểm tra lần lượt, nhằm tìm kiếm các điểm có độ lớn đáng kể, các điểm này sẽ được thêm vào tập các điểm trọng yếu. Gọi tỉ lệ các điểm được thêm vào là 0 < γ < 1, tổng số điểm trọng yếu được thêm vào là γN2. Sau khi tìm được các điểm trọng yếu, các điểm này sẽ được tính toán đặc tả (descriptor) nhằm tạo thành các vector đặc trưng.

Tổng số vector đặc trưng của giải thuật SIFT là (αβ + γ)N2 cho một khung hình NxN với α, β, γ, là các tỉ lệ đặc trưng. Giải thuật SIFT được tiến hành qua các phân đoạn chính       5 Hình 1 - Các bước chính của giải thuật SIFT 2. Phát hiện cực trị Ở bước đầu tiên, giải thuật xác định các điểm bất biến đối với các phép biến đổi quay, dịch chuyển và ít bị ảnh hưởng bởi nhiễu và một số biến dạng nhỏ. Phát hiện các điểm này có thể được tiến hành bằng cách tìm kiếm các đặc trưng ổn định cho tất các các mức scale.

Giai đoạn này, giải thuật sẽ lần lượt tính các mức scale trong không gian Gaussian Scale, ma trận kết quả của DoG (Difference of Gaussian) và cực trị thông qua nhiều octave. Giá trị cực trị của DoG sẽ đảm bảo tính bất biến với phép biến đổi co giãn cục bộ       6 Gọi I là một khung ảnh kích thước NxN, với 0 ≤ x,y < N, hàm Gaussian rời !! !  !! ! ! rạc, 2 chiều là 𝐺 𝑥, 𝑦, 𝜎 =   𝑒 !!! , Scale của khung ảnh I được định nghĩa: !!! ! 𝐿 𝜎 =   {𝐺 𝑥, 𝑦, 𝜎 ∗  𝐼 𝑥, 𝑦 :  0 ≤  𝑥, 𝑦 <  N} Trong đó, “*” là phép toán tổng chập (convolution), I(x, y) là giá trị của pixel tại điểm x, y Một cách tổng quát, mức scale thứ k của khung ảnh ( k ≥ 1) được định nghĩa: 𝐿 𝑘𝜎 =   {𝐺 𝑥, 𝑦, 𝑘𝜎 ∗  𝐼 𝑥, 𝑦 :  0 ≤  𝑥, 𝑦 <  N} Với mỗi điểm ảnh I(x, y), scale được tính bằng cách áp dụng phép nhân của ma trận Gaussian kích thước w x w đặt ở vị trí pixel I. Chẳng hạn, giả sử điểm I(x, y) là điểm trung tâm của cửa sổ 5x5.001*ix+2,x+2 Ix-2, y-2 Ix-2, y-1 Ix-2, y Ix-2, y+1 Ix-2, y+2 0.001 Ix-1, y-2 Ix-1, y-1 Ix-1, y Ix-1, y+1 Ix-1, y+2 0.003 Ix, y-2 Ix, y-1 Ix, y Ix, y+1 Ix, y+2 0.004 Ix+1, y-2 Ix+1, y- Ix+1, y Ix+1, y+1 Ix+1, 1 y+2 0.003 Ix+2, y-2 Ix+2, y- Ix+2, y Ix+2, y+1 Ix+2, 0.001 1 y+2       7 Hình 2 - Áp dụng Gaussian cửa sổ 5x5 cho một pixel Thông thường, giá trị w sẽ được chọn là số lẻ, như vậy các điểm ảnh xung quanh !!! !!! I(x, y) là I(x + u, y + v) với − ≤ 𝑢, 𝑣 ≤  . Đối với toàn bộ NxN điểm ảnh, độ phức tạp sẽ là O(w2N2) Xét s ≥1 là một số nguyên, tổng số scale là k = 21/s.

Xét σ0 là giá trị khởi tạo cho σ cho bộ lọc Gaussian. Định nghĩa σi = kiσ cho 0 ≤ i < s+ 3; 𝐿!! = 𝐼 là ảnh gốc ban đầu. Với mỗi thành phần I(x, y), 𝐿!!!! = G(x, y, σi)*  𝐿!! 𝑥, 𝑦 với 0 ≤ i < s+3. Giải thuật tính tuần tự các mức Scale !! !!! !!! !!! !!!!! !!!!! 𝐿!!   𝐿!!   𝐿!! …    𝐿!!!!    𝐿!!!!  𝐿!!!! (1.1) được gọi là một mức octave.

Có thể hiểu toàn bộ quá trình trên nhằm tạo ra một loạt khung ảnh được làm mờ ở các mức độ khác nhau và toàn bộ các khung ảnh này được gọi là một mức octave Hình 3 - Không gian Scale – 1rd Octave       8 Ở bước tiếp theo, giải thuật sẽ được lặp lại nhưng ở độ phân giải khác của khung ảnh. Độ phân giải của một khung ảnh có thể giảm theo cơ số 2 bằng cách lấy mẫu ở mọi điểm ảnh của khung ảnh theo mẫu checkerboard. Dãy Octave được tính ở độ phân giải ban đầu gọi là mức 0, dãy Octave ở mức j tương ứng là ! !! ! !!! ! !!! !!! ! !!!!! ! !!!!! ! 𝐿!   𝐿!   𝐿! …    𝐿!!!    𝐿!!!  𝐿!!! (1.2) với 0 < j ≤ 𝑠-1, 𝑠 là tổng số octave cần tính (mỗi octave tương ứng với một độ phân giải khác nhau) Độ phức tạp cho quá trình tính s + 3 mức scales của khung ảnh trong một octave là O(N2w2(s+3)). Do đó, với tổng số 𝑠 octaves, mỗi octave ở độ phân giải j cần !! !!! ! ! 𝑂( !! 𝑤 ! 𝑠), độ phức tạp là 𝑂 ! !!! !! 𝑤 𝑠 =  𝑂(𝑁 ! 𝑤𝑠) ! Như vậy, ta có tổng cộng (s+3) mức scales 𝐿! cho 𝑠 octaves, với 0 ≤ i < s+3, 0 ≤ j < 𝑠.

Với octave thứ j cố định, định nghĩa sai khác Gaussian thứ i ở octave j là ! ! ! 𝐷! =   𝐷!!! −   𝐷!       9 Hình 4 - Sai khác Gaussian ! !! Tổng số mức scales ở octave j là N/2j x N/2j. Như vậy tìm 𝐷! cần !! phép toán trừ (!!!)! ! ma trận, với tất cả s+2 phép trừ ma trận Gaussian ở octave j yêu cầu hay !! !! ! ! !!! !! 𝑂( !! ). Độ phức tạp trên tổng số 𝑠 octaves là 𝑂 !!! !! = 𝑂(𝑠𝑁 ! )       10 ! ! ! Sắp sếp kết quả 3 ma trận 𝐷!!! , 𝐷! , 𝐷!!! thành 3 lớp (Hình 5), mỗi thành phần ! ! 𝐷! (𝑥, 𝑦) có tổng cộng 26 giá trị xung quanh. Định nghĩa 𝐷! (𝑥, 𝑦) là một điểm cực ! trị nếu và chỉ nếu 𝐷! (𝑥, 𝑦) mang giá trị lớn hơn hoặc nhỏ hơn nhiều so với toàn bộ 26 điểm lân cận Hình 5 - Điểm cực trị Phát hiện điểm cực trị cần 26 phép trừ ma trận với độ phức tạp là hằng số.

Xét tất cả ! !! các điểm ảnh thành phần của 𝐷! ở octave thứ j, cần 𝑂( !! ). Với toàn bộ 𝑠 octaves, ! !!! (!!!)  ! cần 𝑂 !!! = 𝑂(𝑠𝑁 ! ) !! 2. Phát hiện điểm trọng yếu Với tổng số αN2 điểm cực trị phát hiện ở trên, tồn tại một số điểm nằm dọc theo cạnh của ảnh hoặc những điểm có độ tương phản thấp, các điểm này không ổn định trong quá trình biến đổi khung ảnh [25]. Sau khi loại bỏ các điểm này, β tỉ lệ các điểm còn lại sẽ trở thành điểm trọng yếu (αβN2 điểm).