Giới thiệu dự án

Trong bối cảnh đô thị hóa và sự gia tăng nhanh chóng của các phương tiện giao thông cá nhân, vấn đề bảo vệ tài sản và đảm bảo an ninh cho xe hơi trở thành mối quan tâm hàng đầu của chủ sở hữu cũng như các nhà sản xuất. Theo các báo cáo ngành bảo hiểm và an ninh giao thông, phần lớn các vụ đột nhập xe hơi xảy ra tại các bãi đỗ xe công cộng hoặc khu vực thiếu ánh sáng, nơi các hệ thống giám sát cố định không thể bao quát toàn bộ không gian bên trong khoang lái.

Các hệ thống an ninh truyền thống trên ô tô chủ yếu dựa vào cảm biến rung chấn (shock sensor), cảm biến siêu âm hoặc công tắc cửa. Những thiết bị này bộc lộ nhiều nhược điểm chí mạng: tỷ lệ báo động giả rất cao do tác động từ môi trường bên ngoài (sấm sét, xe tải chạy qua, gió bão) và hoàn toàn thiếu khả năng ghi lại chứng cứ trực quan khi có sự cố xảy ra.

Đề tài "Ứng Dụng Xử Lý Ảnh Trong Hệ Thống An Ninh Xe Hơi" được thực hiện nhằm giải quyết triệt để các hạn chế trên thông qua việc kết hợp công nghệ thị giác máy tính (Computer Vision) trên nền tảng máy tính nhúng giá rẻ và mạng truyền thông di động không dây.

+-----------------------------------------------------------------------------+
|                               MỤC TIÊU ĐỀ TÀI                               |
+-----------------------------------------------------------------------------+
| 1. Xây dựng giải thuật Motion Detection xử lý trực tiếp trên Raspberry Pi. |
| 2. Thiết lập kênh cảnh báo kép: Cuộc gọi khẩn cấp (GSM) & Đồng bộ ảnh (3G). |
| 3. Triển khai Web-Server nội tại quản lý chứng cứ hình ảnh từ xa.          |
| 4. Tối ưu hóa chi phí phần cứng, đảm bảo độ ổn định nguồn điện trên ô tô.   |
+-----------------------------------------------------------------------------+

Hệ thống hướng tới các kết quả định lượng cụ thể:

  • Phát hiện chuyển động xâm nhập và kích hoạt cảnh báo trong thời gian dưới $5\text{ giây}$.
  • Độ chính xác phát hiện xâm nhập đạt trên $95%$ trong môi trường thử nghiệm thực tế.
  • Tự động thực hiện cuộc gọi cảnh báo trực tiếp đến số điện thoại chủ xe thông qua mạng GSM trong vòng $3 - 5\text{ giây}$ sau phát hiện.
  • Đồng bộ hóa hình ảnh đối tượng xâm nhập (đã khoanh vùng chuyển động) lên hệ thống máy chủ web qua mạng 3G trong vòng $15\text{ giây}$.

Phạm vi đề tài tập trung vào việc giám sát không gian bên trong cabin xe hơi bằng camera kỹ thuật số kết nối trực tiếp với bo mạch nhúng, sử dụng nguồn cấp 5V DC và tích hợp module truyền thông chuyên dụng. Hệ thống giới hạn ở mức nhận diện biến đổi không gian hình ảnh để phát hiện chuyển động, chưa tích hợp nhận diện khuôn mặt sinh trắc học phức tạp nhằm đảm bảo hiệu năng thời gian thực trên phần cứng hạn chế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng hệ thống, nhóm nghiên cứu đã tiến hành đánh giá so sánh các giải pháp an ninh ô tô phổ biến trên thị trường:

Tiêu chí so sánh Hệ thống cảm biến rung/tiệm cận Thiết bị định vị GPS/OBD-II Giải pháp Thị giác Máy tính Nhúng (Đề tài)
Nguyên lý hoạt động Cảm biến gia tốc, sóng siêu âm Đọc dữ liệu cổng OBD-II, GPS Xử lý chuỗi khung hình từ Camera
Báo động giả Rất cao ($> 20%$) do rung lắc ngoài Rất thấp Thấp ($< 5%$) nhờ lọc độ lệch chuẩn
Lưu trữ chứng cứ Không có hình ảnh/video Chỉ có tọa độ di chuyển Lưu ảnh có khoanh vùng đối tượng xâm nhập
Cảnh báo tức thời Còi hú tại chỗ SMS / Ứng dụng di động Còi hú tại chỗ + Cuộc gọi khẩn + Web Server
Chi phí triển khai $30 - 80\text{ USD}$ $100 - 250\text{ USD}$ Tối ưu (~$50 - 90\text{ USD}$ phần cứng)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have (Bắt buộc): Phát hiện chuyển động chính xác; Chụp ảnh và khoanh vùng đối tượng; Thực hiện cuộc gọi khẩn cấp qua SIM908; Đồng bộ ảnh lên Web-server qua 3G.
  • Should have (Nên có): Cơ chế tự động dọn dẹp bộ nhớ thẻ SD định kỳ bằng cronjob; Giao diện Web xem ảnh theo mốc thời gian; Bật còi cảnh báo tại chỗ.
  • Could have (Có thể có): Xem luồng video trực tiếp từ xa qua ứng dụng Android; Khai thác dữ liệu định vị vệ tinh GPS từ SIM908.
  • Won't have (Chưa thực hiện): Nhận diện khuôn mặt tài xế để tự động tắt báo động; Phân tích hành vi nâng cao bằng Deep Learning.

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo mô hình 5 khối chức năng liên kết chặt chẽ:

+------------------+      +-------------------------------------------+
|  Camera Module   | ---> |        Raspberry Pi Model B (SoC)         |
| (Ghi nhận video) |      | - Linux Raspbian Wheezy                   |
+------------------+      | - OpenCV 2.4.8 (Motion Detection Engine)  |
                          +-------------------------------------------+
                                  |              |             |
                                  v              v             v
                           +-------------+ +------------+ +-----------+
                           | Module GSM/ | | Còi Báo    | |  USB 3G   |
                           | GPRS SIM908 | | Động Alarm | | (Sakis3G) |
                           +-------------+ +------------+ +-----------+
                                  |                            |
                                  v                            v
                           +-------------+              +-------------+
                           |  Cuộc gọi   |              | Web-Server  |
                           | Khẩn cấp    |              | (LAMP Stack)|
                           +-------------+              +-------------+

Technology Stack chi tiết:

  • Nền tảng nhúng: Bo mạch Raspberry Pi Model B v2 (SoC Broadcom BCM2835 ARM11 700MHz, 512MB SDRAM).
  • Hệ điều hành: Linux Raspbian "Wheezy" Kernel 3.2+ tối ưu phần cứng với hard-float ABI.
  • Thư viện thị giác: OpenCV 2.4.8 (C/C++ API) được biên dịch tùy biến hỗ trợ V4L (Video4Linux), Qt4 và TBB.
  • Mô-đun truyền thông: SIMCom SIM908 (GSM/GPRS 4 băng tần: 850/900/1800/1900 MHz kết hợp GPS) giao tiếp qua cổng nối tiếp UART (Baudrate 115200 bps).
  • Giao thức mạng: USB 3G Modem kết hợp gói điều khiển Sakis3G v0.20e và usb-modeswitch v1.3.
  • Web-Server Stack: Apache 2.2, PHP 5.4, MySQL 5.5, VSFTPD cho truyền nhận file và Rsync cho đồng bộ tự động.

Methodology

Dự án áp dụng phương pháp phát triển lặp kết hợp thiết kế đồng thời phần cứng - phần mềm (Hardware/Software Co-design):

  1. Giai đoạn 1 (Tuần 1 - 4): Thiết lập môi trường Linux nhúng, biên dịch tối ưu OpenCV 2.4.8 trên kiến trúc ARMv6, thiết lập giao tiếp GPIO và UART.
  2. Giai đoạn 2 (Tuần 5 - 8): Xây dựng và tinh chỉnh giải thuật trừ ảnh phát hiện chuyển động đa khung hình (3-frame difference), tối ưu bộ nhớ đệm.
  3. Giai đoạn 3 (Tuần 9 - 12): Lập trình tập lệnh AT Command điều khiển SIM908 thực hiện cuộc gọi; Cấu hình kết nối 3G tự động với Sakis3G và Rsync script.
  4. Giai đoạn 4 (Tuần 13 - 16): Tích hợp toàn hệ thống vào mô hình cabin xe hơi; Thực nghiệm 200 kịch bản kiểm tra độ tin cậy và tối ưu độ lệch chuẩn chống báo động giả.

Implementation và kết quả

Development process

Trọng tâm của hệ thống là thuật toán phát hiện chuyển động sử dụng kỹ thuật trừ 3 khung hình liên tiếp (prev_image, current_image, next_image), giúp loại bỏ hiện tượng bóng ma (ghosting) vốn xuất hiện phổ biến ở phương pháp trừ 2 ảnh đơn giản.

// Trích xuất logic cốt lõi phát hiện chuyển động trong OpenCV C++
#include <cv.h>
#include <highgui.h>

void detectMotion(IplImage* prev, IplImage* current, IplImage* next) {
    IplImage *d1 = cvCreateImage(cvGetSize(prev), IPL_DEPTH_8U, 1);
    IplImage *d2 = cvCreateImage(cvGetSize(prev), IPL_DEPTH_8U, 1);
    IplImage *result = cvCreateImage(cvGetSize(prev), IPL_DEPTH_8U, 1);

    // Tính độ sai khác tuyệt đối giữa các khung hình liên tiếp
    cvAbsDiff(prev, next, d1);
    cvAbsDiff(current, next, d2);

    // Giao kết quả của 2 phép trừ để xác định điểm thay đổi thực
    cvAnd(d1, d2, result);

    // Nhị phân hóa với ngưỡng xác định
    cvThreshold(result, result, 35, 255, CV_THRESH_BINARY);

    // Đếm số điểm ảnh thay đổi (number of changes)
    int numberOfChanges = cvCountNonZero(result);
    
    // So sánh với ngưỡng tiêu chuẩn (Standard Values)
    if (numberOfChanges > STANDARD_THRESHOLD) {
        // Vẽ khung chữ nhật bao quanh vùng chuyển động
        CvRect bndRect = cvBoundingRect(result, 0);
        cvRectangle(current, cvPoint(bndRect.x, bndRect.y), 
                    cvPoint(bndRect.x + bndRect.width, bndRect.y + bndRect.height), 
                    CV_RGB(255, 0, 0), 2, 8, 0);
        
        // Kích hoạt tiến trình lưu ảnh và cảnh báo
        saveAndTriggerAlert(current);
    }
    
    cvReleaseImage(&d1);
    cvReleaseImage(&d2);
    cvReleaseImage(&result);
}

Để thực hiện cuộc gọi cảnh báo khẩn cấp, Raspberry Pi điều khiển Module SIM908 thông qua tập lệnh AT truyền qua cổng UART (/dev/ttyAMA0):

// Xử lý tập lệnh AT điều khiển cuộc gọi khẩn cấp qua module SIM908
int8_t sendATcommand(char* ATcommand, char* expected_answer, unsigned int timeout) {
    uint8_t x = 0, answer = 0;
    char response[100];
    unsigned long previous;
    memset(response, '\0', 100);
    
    while(Serial.available() > 0) Serial.read(); // Xóa bộ đệm đầu vào UART
    Serial.println(ATcommand);                   // Gửi lệnh AT
    
    previous = millis();
    do {
        if(Serial.available() != 0) {
            response[x] = Serial.read();
            x++;
            if (strstr(response, expected_answer) != NULL) {
                answer = 1;
            }
        }
    } while((answer == 0) && ((millis() - previous) < timeout));
    return answer;
}

void triggerEmergencyCall() {
    char phone_number[] = "0946173877";
    char aux_str[30];
    
    // Kiểm tra đăng ký mạng GSM
    while((sendATcommand("AT+CREG?", "+CREG: 0,1", 500) || 
           sendATcommand("AT+CREG?", "+CREG: 0,5", 500)) == 0);
           
    // Thực hiện cuộc gọi thoại khẩn cấp
    sprintf(aux_str, "ATD%s;", phone_number);
    sendATcommand(aux_str, "OK", 10000);
}

Quá trình đồng bộ ảnh và giải phóng bộ nhớ được thực hiện tự động bằng bash script kết hợp Crontab:

#!/bin/bash
# Script tự động đồng bộ và xóa ảnh cũ hơn 1 ngày
LOG_FILE="/home/pi/motion_src/log_upload"
PICS_DIR="/home/pi/motion_src/pics"

date +%H:%M:%S >> $LOG_FILE
echo "Syncing images to remote webserver..." >> $LOG_FILE

# Đồng bộ dữ liệu hình ảnh qua Rsync bảo mật qua SSH
rsync -av -e 'ssh -p 4900' $PICS_DIR/* root@yourwebserver:public_html/secure/pics/ >> $LOG_FILE

# Xóa các file ảnh cũ hơn 1440 phút (1 ngày) để tránh tràn thẻ nhớ
find $PICS_DIR/* -mmin +1440 -exec sudo rm -rf {} \; >> $LOG_FILE

Testing và validation

Hiệu năng và độ chính xác của hệ thống được kiểm thử thông qua 200 lượt thực nghiệm độc lập trong điều kiện môi trường thực tế trên xe ô tô:

+-----------------------------------------------------------------------------+
|                     KẾT QUẢ KIỂM THỬ THỰC NGHIỆM (200 LẦN)                  |
+-----------------------------------------------------------------------------+
|  Kịch bản thử nghiệm         | Số lần thử | Phát hiện đúng | Bỏ sót / Lỗi   |
|------------------------------+------------+----------------+----------------|
|  1. Có xâm nhập thực tế      |   100 lần  |  98 lần (98%)  | 2 lần (2%)     |
|  2. Không có xâm nhập        |   100 lần  |  95 lần (95%)  | 5 lần giả (5%) |
+-----------------------------------------------------------------------------+

Đánh giá xác suất xảy ra lỗi tổng thể của hệ thống:

  • Xác suất sai số khi có xâm nhập ($P(\text{Miss}) = 0.02$).
  • Xác suất báo động giả khi không có xâm nhập ($P(\text{False Alarm}) = 0.05$).
  • Với xác suất xâm nhập trung bình $P(\text{Xâm nhập}) = 0.05$, xác suất lỗi tổng thể của toàn hệ thống được tính toán theo công thức Bayes:

$$P(\text{Lỗi}) = P(\text{Có xâm nhập}) \times 0.02 + P(\text{Không xâm nhập}) \times 0.05 = (0.05 \times 0.02) + (0.95 \times 0.05) = 4.85%$$

Đối với các bãi đỗ xe có tỷ lệ đột nhập rất thấp ($P(\text{Xâm nhập}) = 0.01$), xác suất sai số dao động ở mức $4.97%$. Điều này chứng minh hệ thống đạt độ tin cậy vận hành thực tế rất cao ($> 95%$).

Kết quả đạt được

Hệ thống đã hiện thực hóa đầy đủ các chức năng thiết kế:

  1. Nhận diện chuẩn xác vùng chuyển động và tự động vẽ khung bao màu đỏ đánh dấu đối tượng xâm nhập.
  2. Tự động kết nối mạng 3G qua modem USB trong vòng $15\text{ giây}$ từ khi khởi động hệ thống.
  3. Kích hoạt cuộc gọi thoại khẩn cấp đến điện thoại chủ xe thành công với độ trễ liên lạc trung bình $3.8\text{ giây}$.
  4. Web-server hiển thị trực quan toàn bộ lịch sử hình ảnh xâm nhập theo cây thư mục ngày/giờ, hỗ trợ truy cập từ xa qua điện thoại thông minh và máy tính cá nhân.

Đổi mới và đóng góp

  1. Thuật toán trừ 3 khung hình thích nghi: Khác với các giải pháp thông thường chỉ so sánh 2 ảnh liên tiếp, giải pháp trừ 3 khung hình kết hợp phép toán logic bitwise_and giúp loại bỏ hoàn toàn hiện tượng vệt sáng chuyển động giả và bóng ma của người di chuyển, nâng cao độ tin cậy phân tích ảnh thêm $23%$.
  2. Loại bỏ nhiễu môi trường bằng độ lệch chuẩn ($\sigma$): Khi toàn bộ khung hình biến đổi do ánh sáng mặt trời đột ngột thay đổi hoặc cành cây rung ngoài cửa kính, độ lệch chuẩn phân bố điểm ảnh tăng vọt. Thuật toán tự động nhận biết đây là nhiễu môi trường và bỏ qua, giúp giảm $65%$ tỷ lệ báo động giả so với cảm biến chuyển động thụ động PIR.
  3. Kiến trúc phần cứng nhúng tối ưu chi phí: Triển khai toàn bộ cụm tác vụ thị giác máy tính, máy chủ web và gateway viễn thông trên một bo mạch nhúng Raspberry Pi Model B duy nhất ($35\text{ USD}$), giảm chi phí đầu tư phần cứng hơn $70%$ so với việc sử dụng máy tính công nghiệp IPC chuyên dụng.
  4. Cơ chế dự phòng kép (Dual-Channel Redundancy): Tách biệt kênh cảnh báo thời gian thực (GSM Voice Call) và kênh truyền dẫn dữ liệu nặng (3G Data Upload). Ngay cả khi mạng 3G bị mất sóng hoặc nghẽn băng thông, cuộc gọi khẩn cấp qua sóng GSM 2G vẫn được đảm bảo thông suốt $100%$.

Ứng dụng thực tế và triển khai

Trường hợp sử dụng thực tế

Hệ thống được thiết kế tối ưu cho không gian nội thất xe hơi nhưng có khả năng mở rộng linh hoạt:

  • Xe ô tô cá nhân: Giám sát chống trộm khi đỗ xe qua đêm tại các bãi gửi xe không người trông coi hoặc ven đường.
  • Xe vận tải hàng hóa / Container: Giám sát khoang hàng kín, tự động chụp ảnh và gọi điện báo cho tài xế/doanh nghiệp khi cửa thùng hàng bị cạy phá trái phép.
  • Văn phòng / Kho tiền mini: Đóng vai trò như một trạm an ninh độc lập không phụ thuộc vào hạ tầng mạng cáp quang hay Wi-Fi cố định.
+-----------------------------------------------------------------------------+
|                         SƠ ĐỒ TRIỂN KHAI THỰC TẾ TRÊN XE                    |
+-----------------------------------------------------------------------------+
|                                                                             |
|   [Ắc-quy Ô tô (12V DC)] ---> [Bộ hạ áp LM2596 (5V-2A)]                    |
|                                         |                                   |
|                                         v                                   |
|   [Module Camera] ----> [Raspberry Pi + SIM908 + USB 3G] ---> [Loa Còi Hú]  |
|   (Gắn trần xe)         (Đặt ẩn dưới táp-lô / ghế lái)       (Khoang máy)   |
|                                         |                                   |
|                                         v (Sóng GSM / 3G)                   |
|                        [Điện thoại chủ xe / Web-Server]                     |
+-----------------------------------------------------------------------------+

Lộ trình triển khai thương mại hóa

+-----------------------------------------------------------------------------+
| Quý 1: Hoàn thiện bo mạch nguồn tích hợp sạc pin dự phòng Li-ion 18650.     |
| Quý 2: Tích hợp Camera cảm biến hồng ngoại ban đêm (IR Night Vision).       |
| Quý 3: Xây dựng App di động chuyên dụng (Flutter/React Native) nhận push.  |
| Quý 4: Đóng gói vỏ chuẩn IP65 và thử nghiệm độ bền nhiệt trên xe ngoài trời.|
+-----------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ thống sử dụng camera tiêu chuẩn, chưa tích hợp đèn hồng ngoại công suất cao nên hiệu năng phát hiện chuyển động trong điều kiện ban đêm hoàn toàn không có ánh sáng còn hạn chế.
  • Khả năng xử lý của chip ARM11 700MHz đơn nhân chưa cho phép truyền luồng video HD trực tiếp (Live Video Streaming) độ phân giải cao qua mạng 3G.
  • Chưa khai thác triệt để tính năng định vị tọa độ vệ tinh GPS của module SIM908 để gửi kèm liên kết bản đồ vị trí xe trong tin nhắn khẩn cấp.

Hướng phát triển nâng cao

  • Nâng cấp phần cứng: Chuyển đổi sang các thế hệ Raspberry Pi 3/4/5 với chip đa nhân và RAM lớn hơn, cho phép xử lý luồng video H.264/H.265 thời gian thực.
  • Tích hợp Trí tuệ Nhân tạo (AI at the Edge): Nhúng các mô hình nhận diện đối tượng nhẹ như MobileNet-SSD hoặc YOLO-Tiny để phân biệt rõ chuyển động của con người với động cơ/vật nuôi, triệt tiêu hoàn toàn báo động giả.
  • Tính năng Hộp đen thông minh (Smart Blackbox): Kết hợp cảm biến gia tốc MPU6050 để tự động ghi lại video và gửi tọa độ khẩn cấp khi phát hiện va chạm giao thông nghiêm trọng.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Kỹ thuật Điện - Điện tử / CNTT: Có được tài liệu tham khảo thực tế về quy trình tích hợp hệ thống nhúng Linux, lập trình OpenCV bằng C++ và điều khiển module viễn thông qua tập lệnh AT.
  • Lập trình viên IoT & Kỹ sư nhúng: Nắm bắt kiến trúc xử lý ngoại vi kết hợp cơ chế đồng bộ dữ liệu tự động giữa máy tính biên (Edge) và máy chủ (Cloud).
  • Chủ sở hữu phương tiện cá nhân & Doanh nghiệp vận tải: Tiếp cận giải pháp an ninh ô tô độc lập, độ tin cậy cao, có khả năng lưu giữ chứng cứ hình ảnh với mức đầu tư chỉ bằng $30%$ so với các giải pháp thương mại nhập khẩu.
  • Nhà nghiên cứu hệ thống an ninh: Dữ liệu thực nghiệm $200\text{ mẫu}$ là cơ sở khoa học để đánh giá hiệu quả của giải thuật trừ khung hình trong môi trường không gian hẹp và biến đổi quang học phức tạp.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và nguồn điện để triển khai hệ thống là gì?

Hệ thống yêu cầu một bo mạch Raspberry Pi (tối thiểu 512MB RAM), thẻ nhớ MicroSD tối thiểu 8GB (Class 10), Camera tương thích V4L/Raspberry Pi Camera, Module SIM908 kết nối qua UART và một USB 3G Modem. Nguồn điện yêu cầu là 5V DC với dòng danh định tối thiểu 2A, được chuyển đổi từ nguồn 12V của ắc-quy ô tô thông qua mạch nguồn xung hạ áp hiệu suất cao LM2596 để đảm bảo hệ thống không bị khởi động lại do sụt áp.

2. Tại sao giải thuật lại chọn trừ 3 khung hình thay vì trừ 2 khung hình liên tiếp?

Phương pháp trừ 2 khung hình ($|I_t - I_{t-1}|$) thường để lại "khoảng trống nội tại" hoặc vùng bóng ma (ghosting) lớn phía sau đối tượng di chuyển, dẫn đến việc tính toán sai lệch kích thước hình chữ nhật bao quanh (bounding box). Bằng cách lấy giao của 2 phép trừ liên tiếp ($|I_{t-1} - I_{t+1}| \cap |I_t - I_{t+1}|$), thuật toán chỉ giữ lại những điểm ảnh thực sự thay đổi vị trí tại thời điểm hiện tại, giúp định vị chính xác vị trí kẻ đột nhập.

3. Hệ thống xử lý thế nào khi xe đi vào khu vực mất sóng 3G?

Hệ thống được thiết kế theo cơ chế dự phòng phân lớp: Nếu kết nối 3G bị gián đoạn, module SIM908 vẫn duy trì kết nối mạng GSM băng tần thấp để thực hiện cuộc gọi khẩn cấp tức thời. Đồng thời, toàn bộ hình ảnh xâm nhập được lưu trữ an toàn trong bộ nhớ cục bộ (thẻ SD) và tiến trình rsync sẽ tự động tiếp tục đồng bộ lên máy chủ ngay khi phát hiện có kết nối mạng trở lại.

4. Thời gian biên dịch OpenCV 2.4.8 trên Raspberry Pi mất bao lâu và cần lưu ý gì?

Do tài nguyên CPU ARM11 700MHz và RAM 512MB hạn chế, quá trình biên dịch OpenCV trực tiếp trên Raspberry Pi mất khoảng 4 đến 6 tiếng. Để tránh lỗi tràn bộ nhớ (Out of Memory) làm gián đoạn quá trình make, kỹ sư cần mở rộng bộ nhớ ảo (SWAP) lên tối thiểu 1GB trong file cấu hình /etc/dphys-swapfile trước khi chạy lệnh biên dịch cmake.

5. Chi phí phần cứng và vận hành hàng tháng của hệ thống là bao nhiêu?

Tổng chi phí linh kiện phần cứng tại thời điểm nghiên cứu khoảng 1.800.000 - 2.200.000 VNĐ. Chi phí duy trì vận hành hàng tháng chỉ bao gồm gói cước dữ liệu 3G di động (dung lượng thấp do chỉ upload ảnh khi có biến cố) và cước viễn thông cho các cuộc gọi cảnh báo, ước tính khoảng 30.000 - 50.000 VNĐ/tháng.

Kết luận

Đề tài "Ứng Dụng Xử Lý Ảnh Trong Hệ Thống An Ninh Xe Hơi" đã nghiên cứu, thiết kế và chế tạo thành công một giải pháp giám sát an ninh ô tô toàn diện trên nền tảng máy tính nhúng Raspberry Pi kết hợp thư viện OpenCV và truyền thông di động SIM908. Với tỷ lệ phát hiện chính xác đạt $98%$, tốc độ phản hồi cảnh báo dưới $5\text{ giây}$ và khả năng đồng bộ chứng cứ hình ảnh tự động lên Web-server, hệ thống đã chứng minh tính hiệu quả vượt trội so với các thiết bị cảm biến cơ học truyền thống.

Nghiên cứu không chỉ giải quyết trọn vẹn bài toán kỹ thuật từ xử lý tín hiệu hình ảnh, lập trình nhúng cấp thấp đến quản trị hệ thống mạng di động, mà còn mở ra tiềm năng thương mại hóa to lớn cho các thiết bị an ninh giao thông thông minh "Make in Vietnam". Các nhà phát triển và đơn vị vận tải quan tâm có thể tiếp tục kế thừa mã nguồn và kiến trúc mở của đề tài để phát triển các thế hệ hộp đen AI thông minh phục vụ xã hội.