CHƯƠNG 1: GIỚI THIỆU 1.1 Giới thiệu tổng quan Cùng với sự tập trung cao độ về mật độ dân số và phương tiện giao thông tại các thành phố lớn, vấn nạn kẹt xe vẫn luôn là một trong những vấn đề nổi bật, thu hút được sự quan tâm của nhiều thành phần khác nhau trong xã hội. Ở Việt Nam, vấn đề này luôn là một vấn đề nhức nhối, đặc biệt ở hai thành phố lớn là Hà Nội và Tp. Hồ Chí Minh. Nhiều giải pháp đã được thực hiện nhằm giảm thiểu tình trạng kẹt xe, như phân luồng giao thông, đầu tư hệ thống cơ sở vật chất (xây dựng cầu vượt, lắp đặt các hệ thống camera giám sát nhằm thông báo tình trạng kẹt xe đến người đi đường thông qua hệ thống bảng thông báo điện tử, qua đài phát thanh…).
Hiện tại, hệ thống camera giám sát giao thông ở các thành phố lớn tại Việt Nam càng lúc càng được mở rộng. Tuy nhiên, công việc giám sát, đánh giá tình trạng giao thông vẫn phụ thuộc vào con người là chính. Việc xây dựng một hệ thống có khả năng giám sát lưu lượng giao thông tự động, có thể kết nối với hệ thống điều tiết đèn giao thông để đưa ra những điều khiển tối ưu là một trong những giải pháp đáng quan tâm và đầu tư để giải quyết bài toán kẹt xe ở Việt Nam. Hệ thống trong đề tài này sẽ gồm các phần: nhận dạng đối tượng tiền cảnh, đánh giá lưu lượng di chuyển của các phương tiện lưu thông trên đường.
Hệ thống sử dụng các đoạn tư liệu video quay lại từ các camera giao thông hoặc hình ảnh trực tiếp từ camera. Sau đó, hệ thống sẽ xử lý từng khung ảnh để: + Tách các đối tượng tiền cảnh ra khỏi nền + Đánh giá lưu lượng chuyển động của dối tượng trong vùng quan sát 1.2 Nội dung đề tài Tìm hiểu về bài toán giám sát giao thông, đưa ra cái nhìn tổng quát về việc phát hiện và dò tìm chuyển động, những hướng tiếp cận chính trong những nghiên cứu hiện nay. Tìm hiểu về 2 vấn đề chính của hệ thống giám sát giao thông: + Tách tiền cảnh và ước lượng mật độ phương tiện giao thông + Ước lượng vận tốc của các phương tiện giao thông Tập trung vào việc nghiên cứu phương pháp tách đối tượng chuyển động ra khỏi nền và ước lượng chuyển động của đối tượng trong vùng quan sát. 4 Luận Văn Thạc Sĩ GVHD:TS.Trương Công Dung Nghi Tìm hiểu và xây dựng chương trình phát hiện chuyển động của xe cộ trong các video giám sát giao thông, ước lượng mật độ, vận tốc các phương tiện giao thông, từ đó suy ra trạng thái giao thông trong các khung ảnh giám sát.3 Mục tiêu đề tài - Chọn ra phương pháp giải thuật tối ưu để giải quyết bài toán ước lượng lưu lượng xe cộ trong điều kiện giao thông ở Việt Nam.
- Xây dựng chương trình dò tìm chuyển động và ước lượng mật độ giao thông trong video giám sát. - Xây dựng hệ thống giám sát thông minh đáp ứng tốt nhu cầu thực tiễn.4 Phương pháp nghiên cứu Tham khảo các giải thuật liên quan đã được đề xuất trong các công trình nghiên cứu trong và ngoài nước. Đánh giá ưu điểm và hạn chế của từng thuật toán để chọn lọc và áp dụng cho nghiên cứu. Kế thừa và kết hợp các thế mạnh của các thuật toán và cải tiến một số bước để thuật toán giải quyết hiệu quả bài toán đặt ra.
Xây dựng chương trình phát hiện chuyển động và ước lượng mật độ giao thông. So sánh kết quả đạt được với kết quả của các công trình nghiên cứu trước đó (nếu có) để đánh giá mức độ hiệu quả của giải thuật.5 Một số thách thức Hầu hết các giải thuật về dò tìm phương tiện đều áp dụng cho xe 4 bánh, và các phương tiện di chuyển theo làn. Ở Việt Nam, số lượng phương tiện tham gia giao thông khá nhiều và nhiều chủng loại, đồng thời tốc độ di chuyển của các phương tiện cũng rất khác nhau. Thêm nữa, các phương tiện thường không di chuyển theo 1 làn xe nhất định.
Do vậy cần có thuật toán thích hợp để áp dụng cho tình hình giao thông thực tế ở Việt Nam. 5 Luận Văn Thạc Sĩ GVHD:TS.Trương Công Dung Nghi CHƯƠNG 2: TÌNH HÌNH NGHIÊN CỨU 2.1 Các công trình nghiên cứu liên quan Đã có nhiều nghiên cứu giải quyết bài toán phát hiện vật thể chuyển động hoặc nhận dạng vùng đám đông. Phương pháp nhận dạng đám đông dựa vào phân tích texture được đề cập trong nghiên cứu của Zhe Wang, Hong Liu, Yueliang Qian và Tao Xu trong bài báo [1]. Ở đây, nhóm tác giả đề xuất một trình mô tả kết cấu dựa vào ma trận hiệp phương mô hình nhị phân cục bộ (LBPCM) cho việc ước lượng mật độ đám đông.
Nó được xây dựng từ nhiều cell chồng chéo nhau trong một khối ảnh mà sẽ được phân loại ra thành nhiều mức mật độ đám đông khác nhau. LBPCM mô tả cả thuộc tính thống kê và các thông tin không gian của LBP do vậy sử dụng đầy đủ các chức năng của LBP cho đặc tính kếu cấu cục bộ. Thêm vào đó, họ còn trích xuất LBP trên màu xám và gradient ảnh để cải thiện hiệu suất ước lượng mật độ đám đông. Cuối cùng kĩ thuật cửa sổ trượt dùng để phát hiện những vùng đám đông có khả năng xuất hiện cao nhất.1 : Sơ đồ hệ thống phân tích mật độ đám đông dựa vào LBPCM[1].
6 Luận Văn Thạc Sĩ GVHD:TS.Trương Công Dung Nghi Một phương pháp thông dụng thường được sử dụng để phát hiện vật thể, đó là dùng đặc trưng HOG (Histogram of Gradient). Shakin Banu và P. Vasuki đã khai thác đặc tính của HOG, kết hợp với phép thực hiện hình thái để phát hiện phương tiện trong bài báo [2]. Trong bài báo này, vùng quan tâm ROI (Region of Interest) sẽ được chọn.
Những pixel ở bên trong của vùng này một mình được phát hiện. Toán tử Sobel được dùng cho việc xác thực những pixel biên. Gradient đạt được bằng cách tìm những pixel chung trong vùng được phát hiện và vùng ROI. Cuối cùng, quá trình phát hiện đối tượng được thực hiện dùng xử lý hình thái và xử lý HOG.
Độ chính xác của phương pháp này là 83%. Bên cạnh hai phương pháp này, còn một phương pháp được sử dụng khá phổ biến trong lĩnh vực phát hiện đối tượng chuyển động, đó là dùng phương pháp trừ nền. Đầu tiên phải kể đến là Chris Stauffer W.L Grimson với bài báo [3]. Tác giả đề xuất mô hình mỗi pixel nền bằng cách sử dụng bộ trộn 3 Gauss tương ứng với đường, xe cộ và bóng râm.
Mô hình này đầu tiên dùng thuật toán EM. Sau đó các Gaussian sẽ đươc tự đánh nhãn một cách phỏng đoán như sau: các thành phần tối nhất được dán nhãn là cái bóng; trong hai thành phần còn lại, một với phương sai lớn nhất là có nhãn là phương tiện và một khác như đường. Điều này vẫn cố định cho tất cả các quá trình cho thấy sự thiếu thích ứng với những thay đổi theo thời gian. Về phát hiện tiền cảnh, mỗi điểm ảnh được so sánh với mỗi Gaussian và được phân loại theo Gaussian tương ứng với nó.
Việc bảo trì được thực hiện bằng cách sử dụng một Thuật toán EM tăng cường để xem xét vấn đề thời gian thực. Sau này tác giả đã khái quát hóa bằng cách mô hình các đặc điểm màu sắc của những pixel liền kề theo thời gian {X1,X2,.Xn} bằng bộ trộn K Gausians. Phương pháp này sẽ được đề cập ở phần tiếp theo. Một số nghiên cứu khác tập trung trực tiếp vào bài toán ước lượng mật độ xe và tình trạng giao thông.
Maurin [4] tính toán mật độ giao thông bằng cách phát hiện các đối tượng chuyển động trên các làn đường, đồng thời tính toán vận tốc của các đối tượng này bằng giải thuật dòng quang học (optical flow) [5], sau đó dùng logic mờ để 7 using the recorded traffic images, processed data and the clearly separate road users’ ratings. Single step differences in classification, and heavy tra e., light to heavy and heavy to jam, are due to the different congestion leve points of view on congestion of motorists, in which difficult and co Luận Văn Thạc Sĩ GVHD:TS.Trương definitive conclusions Công cannot be drawn. Dung Nghi Additionally, the using only spee percentage of these differences is relatively low. We will a counter-intu focus our attention on the significant differences from light congestion leve to jam or vice versa.
between 87 to đưa ra quyết định có xảy ra kẹt xe hay không. Porikli In the [6]i., first case, lấylight trựcto tiếp các đặc jam (0.11%), theđiểm analysiskẹt that the opini revealed that the speed is between 6. All classification pa xe từ dữ liệu đang nén (compressed domain) và ápimages, of recorded dụng asmô onehình example shown inẩn Markov Fig. kết7 (to hợp Sukhumvit), clearly confirm that the traffic was in jam Markov Models (GM-HMM)) ứng với 5 bộ trộn Gauss (Gaussian Mixture Hiddencondition.
trạng thái giao thông, sau đó dùng tiêu chí lân cận cực đại (Maximum Likelihood) để đánh giá tình trạng kẹt xe. Hu và cộng sự [7] ước lượng vận tốc trung bình của các phương tiện giao thông bằng cách sử dụng trực tiếp vector chuyển động trong nén Proceedings of the World Congress on Engineering 2009 Vol I MPEG. WCE 2009,Hướng July 1 - 3, tiếp 2009, cận dụng bộ phân loại SVM (Support Vector Machine) để xây sửU. London, dựng mô The technique.
hìnhvalues nềnin có shaded năng khảcells show thích ứng với điều the percentage thay đổitheánh kiệninvestigated We further sang của relationship môi between speed of mutual classification by both models. and congestion level of the existing system as shown in Fig. trường được đề xuất We investigated bởi of the causes Wassantachat và cộng different classification 9. sự trong In Fig.speed 6, the hướng Mộtrange nghiên of each cứulevel congestion Fig.
The con using the recorded traffic images, processed data and the clearly separates one from each other, especially for light khác roadsử dụng users’ mạng ratings. Singlenơron nhân tạo step differences để huấn luyện in classification, and mô heavyhình nhận traffic. dạngthevàspeed However, phânranges loại of cácthree Thus, it saf e., light to heavy and heavy to jam, are due to the different congestion levels in Fig. This makescould it achieve mức độ ofkẹtview points xe trên đường được on congestion đề xuất of motorists, in bởi whichPosawang vàconfusing difficult and cộng sựto [9] cũng the distinguish chocongestion kết quảlevel traffic congesti definitive conclusions cannot be drawn.
Additionally, the Fig.only using Image classified speed as jamAdditionally, attributes. traffic by ANN the figure shows Bangkok using rấtpercentage khả quan (hìnhdifferences of these 2. Asmaa và low. is relatively and cộngWesựwill[10]a kết as light hợp cáctraffic by OR technique.
ba relationship counter-intuitive bộ phân loại khácspeed between nhau and as much as 12. focus our attention on the significant differences from light congestion level.