Ứng dụng xử lý ảnh tính lưu lượng xe - Luận văn Thạc sĩ Bùi Tá Thạch

Nghiên cứu ứng dụng xử lý ảnh để tính lưu lượng xe từ video camera. Phương pháp giúp phát hiện, đếm xe tự động, cung cấp dữ liệu giảm ùn tắc giao thông.

• Tác giả: Bùi Tá Thạch
• Người hướng dẫn: Ts. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Ứng Dụng Xử Lý Ảnh Để Tính Lưu Lượng Xe Lưu Thông Trên Đường
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2016
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Xử lý ảnh để tính lưu lượng xe

Hiện nay, ùn tắc giao thông là một thách thức lớn ở các thành phố lớn khi dân số và số lượng phương tiện tăng đột biến. Xử lý ảnh để tính lưu lượng xe là một giải pháp công nghệ tiên tiến giúp kiểm soát mật độ phương tiện trên các tuyến đường. Hệ thống này sử dụng dữ liệu video từ camera đặt trên đường để phát hiện, theo dõi và đếm số lượng xe lưu thông. Phương pháp này không chỉ cung cấp thông tin chính xác về lưu lượng xe mà còn hỗ trợ các nhà quản lý giao thông đưa ra cảnh báo kịp thời về tình trạng ùn tắc. Với sự phát triển của công nghệ xử lý hình ảnh, giải pháp chống ùn tắc dựa trên xử lý ảnh ngày càng trở nên thực tế và hiệu quả hơn.

1.1. Bối cảnh vấn đề ùn tắc giao thông

Ùn tắc giao thông xảy ra thường xuyên ở các đô thị, gây lãng phí thời gian và tài nguyên. Kiểm soát mật độ phương tiện là chìa khóa để giải quyết vấn đề này. Các phương pháp truyền thống như đếm xe thủ công hoặc cảm biến trên mặt đường tỏ ra không hiệu quả. Do đó, xử lý ảnh emerge như một công nghệ hứa hẹn, cho phép tự động hóa quy trình phát hiện và đếm xe một cách chính xác và tiết kiệm chi phí.

1.2. Tầm quan trọng của công nghệ xử lý ảnh

Công nghệ xử lý ảnh cung cấp giải pháp toàn diện cho quản lý giao thông thông minh. Nó có khả năng hoạt động 24/7 mà không cần can thiệp của con người, tiết kiệm chi phí vận hành. Tính lưu lượng xe chính xác giúp các nhà quản lý hiểu rõ hơn về mô hình lưu thông, từ đó tối ưu hóa điều khiển giao thông và giảm thời gian chờ đợi cho người dùng đường.

II. Nguyên lý và phương pháp xử lý ảnh

Xử lý ảnh để tính lưu lượng xe áp dụng nhiều kỹ thuật tiên tiến để đạt được độ chính xác cao. Quá trình xử lý bao gồm các bước: trừ nền, xử lý hình thái, phát hiện xe và đếm lượng xe. Đầu tiên, trừ nền sử dụng mô hình Gaussian hỗn hợp để phân biệt các đối tượng động (xe) với nền tĩnh (đường). Bước này chuyển đổi ảnh màu thành ảnh nhị phân, nơi xe hiện thị dưới dạng các đốm trắng trên nền đen. Tiếp theo, xử lý hình thái áp dụng các phép toán ảnh để làm sạch nhiễu và tô đầy các vật thể. Cuối cùng, thuật toán dán nhãn được sử dụng để xác định và đếm từng xe.

2.1. Trừ nền sử dụng mô hình Gaussian

Trừ nền là bước quan trọng nhất trong xử lý ảnh để tính lưu lượng xe. Mô hình Gaussian hỗn hợp xây dựng một mô hình thống kê của nền ảnh, cho phép hệ thống thích ứng với những thay đổi về ánh sáng và bóng đổ. Phương pháp này chuyển đổi dữ liệu video thành ảnh nhị phân rõ ràng, nơi xe có thể được phân biệt dễ dàng khỏi nền.

2.2. Xử lý hình thái để cải thiện chất lượng

Phép xử lý hình thái bao gồm các hoạt động như giãn nở, co lại, đóng và mở ảnh. Những phép toán này loại bỏ nhiễu nhỏ, tô đầy các lỗ trong đối tượng và làm sạch ranh giới. Kết quả là ảnh nhị phân hoàn chỉnh với các xe được biểu diễn dưới dạng những khối liền mạch, dễ nhận dạng.

III. Thuật toán phát hiện và đếm xe

Sau khi có ảnh nhị phân hoàn chỉnh, thuật toán phát hiện và đếm xe sử dụng kỹ thuật dán nhãn để xác định từng vehicle riêng lẻ. Thuật toán dán nhãn quét toàn bộ ảnh và gán một nhãn duy nhất cho mỗi thành phần liên thông trắng. Mỗi nhãn tương ứng với một chiếc xe. Bằng cách đếm số lượng nhãn được gán, hệ thống có thể xác định chính xác lưu lượng xe trên tuyến đường. Phương pháp này đặc biệt hiệu quả khi camera được đặt gần đường và hình ảnh đủ rõ nét. Để tăng độ chính xác, có thể áp dụng các bộ lọc bổ sung dựa trên kích thước và hình dạng của các thành phần phát hiện được.

3.1. Kỹ thuật dán nhãn kết nối

Dán nhãn kết nối là phương pháp tiêu chuẩn trong xử lý ảnh để đếm các đối tượng riêng lẻ. Thuật toán này duyệt qua từng pixel trong ảnh nhị phân và nhóm các pixel liên kết thành những vùng khác nhau. Mỗi vùng được gán một nhãn duy nhất. Bằng cách này, hệ thống có thể phân biệt được các xe riêng lẻ, kể cả những xe chạy gần nhau.

3.2. Lọc và xác nhận kết quả

Để cải thiện độ chính xác của tính lưu lượng xe, các bộ lọc được áp dụng dựa trên các đặc tính hình học như diện tích, chu vi và tỉ lệ khung hình. Những thành phần quá nhỏ (nhiễu) hoặc quá lớn được loại bỏ. Công bố ước tính này cho phép hệ thống đạt được giải pháp chống ùn tắc có độ tin cậy cao.

IV. Ứng dụng thực tế và kết quả

Xử lý ảnh để tính lưu lượng xe đã được thử nghiệm thành công thông qua mô phỏng phần mềm Matlab. Các kết quả cho thấy phương pháp này có độ chính xác khá cao trong trường hợp camera được đặt gần và góc quay cung cấp hình ảnh rõ nét. Ứng dụng này có tiềm năng lớn trong quản lý giao thông thành phố, giúp kiểm soát mật độ phương tiện hiệu quả hơn. Dữ liệu về lưu lượng xe có thể được sử dụng để điều chỉnh thời gian tín hiệu đèn giao thông, cảnh báo về tình trạng ùn tắc và hỗ trợ quyết định của các nhà quản lý. Tuy nhiên, để triển khai rộng rãi, cần tiếp tục cải thiện tính ổn định của hệ thống trong các điều kiện ánh sáng khác nhau và khi xe chồng lên nhau.

4.1. Hiệu suất trong các điều kiện khác nhau

Hiệu suất của xử lý ảnh phụ thuộc vào điều kiện ánh sáng và vị trí camera. Hệ thống hoạt động tốt nhất vào ban ngày khi ánh sáng đều. Trong các điều kiện ánh sáng yếu hoặc bão hòa, độ chính xác có thể giảm. Để nâng cao giải pháp chống ùn tắc, cần tích hợp các kỹ thuật xử lý ảnh tiên tiến như đề ứng sáng thích ứng và nhận dạng đa cấp độ.

4.2. Lợi ích và triển vọng

Tính lưu lượng xe tự động sử dụng xử lý ảnh mang lại nhiều lợi ích: giảm chi phí nhân công, cải thiện độ chính xác, và hỗ trợ quản lý giao thông thông minh. Triển vọng của công nghệ này là tích hợp với các hệ thống AI và học máy để nâng cao khả năng dự báo và điều khiển giao thông tự động.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN 1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố. Tổng quan về lĩnh vực nghiên cứu Việc theo dõi trực tiếp bằng các thiết bị theo dõi hiện đại (camera) là một trong những chủ đề được phát triển và nghiên cứu rất nhiều trong những năm gần đây. Dựa vào sự phát triển không ngừng của kĩ thuật xử lý hình ảnh đã giúp cho con người dễ dàng hơn trong việc triển khai các hệ thống theo dõi tự động thông minh hơn điển hình như nó có phát hiện đối tượng chuyển động, phân loại đối tượng, bám đối tượng chuyển động, dự đoán các hành vi của đối tượng…Vì những lý do đó mà các hệ thống theo dõi được ứng dụng ngày một rộng rãi hiện nay trong nhiều lĩnh vực của đời sống xã hội.

Một trong những hệ thống theo dõi được sử dụng khá phổ biến hiện nay là hệ thống theo dõi camera giao thông. Hệ thống này có thể nhận về mật độ các phương tiện lưu thông trên một tuyến đường từ đó hệ thống sẽ đưa ra các tín hiệu cảnh báo cho các tài xế. Điều này góp phần không nhỏ trong việc điều tiết giao thông, nhất là với tình hình giao thông của nước ta hiện nay. Việc phát hiện đối tượng chuyển động không chỉ giúp ích trong việc theo dõi các đối tượng chuyển động để phát hiện mật độ xe trên một hệ thống giám sát trực tiếp mà còn mang lại nhiều ứng dụng trong cuộc sống.

Các đối tượng được phát hiện nhờ những thông tin trong một khung ảnh. Có rất nhiều hướng tiếp cận để giải quyết vấn đề trên sử dụng nhiều thuật toán và phương pháp khác nhau. Theo nhóm tác giả Alper Yilmaz, Omar Javed và Mubarak Shah [1], họ đã phân loại các hướng tiếp cận này thành những loại như bảng 1.1: Phân loại các thuật toán phát hiện đối tượng Loại Những nghiên cứu liên quan  Moravec’s detector  Harris detector Point detectors  Scale Invariant Feature Transform  Affine Invariant Point Detector  Mean-shift Segmentation  Graph-cut  Active contours  Mixture of Gaussians  Eigenbackground Background Modeling  Wall flower  Dynamic texture background  Support Vector Machines Supervised Classifier  Neural Networks  Adaptive Boosting Qua bảng trên ta thấy có nhiều hướng tiếp cận để xử lý vấn đề phát hiện đối tượng. Tuy nhiên việc lựa chọn phương pháp áp dụng thì dựa vào tình huống cụ thể.

Đối với trường hợp có ảnh nền không thay đổi thì việc phát hiện đối tượng chuyển động có thể được thực hiện bằng các phương pháp trừ nền. Chi tiết về các giải thuật này sẽ được trình bày ở phần sau. Hướng giải quyết thường gặp là xây dựng mô hình nền, sau đó sử dụng mô hình này cùng với khung (frame) hiện tại để từ đó rút ra được các đối Trang 2 tượng (foreground) chuyển động. Ưu điểm của giải thuật này là đơn giản.

Để có thể tiếp cận theo hướng này thì ta cần phải xây dựng được mô hình nền (background). Có rất nhiều phương pháp xây dựng mô hình nền như: Anurag Mittal dùng adaptive kernel density estimation để xây dựng mô hình nền [2]. Phương pháp này cho kết quả tốt tuy nhiên gặp khó khăn về không gian lưu trữ, tính toán phức tạp, tốc độ không đáp ứng thời gian thực. Stauffer sử dụng Mixture of Gaussian [3] để xây dựng mô hình nền… Sau khi đã phát hiện ra được các đối tượng chuyển động thì việc xác định xem những đối tượng này có đúng là những đối tượng ta cần phát hiện hay không cũng là một khó khăn lớn phải đối mặt.

Một số kết quả nghiên cứu đã công bố Năm 2009 Serap Kazan và Musa Balta [4] đã ước lượng mật độ giao thông sử dụng hệ thống quan sát máy tính thời gian thực. Phương pháp được sử dụng là tìm sự khác nhau giữa 2 khung sau đó xử lý ngưỡng, chọn ngưỡng tối ưu để nhị phân ảnh. Sử dụng phép xử lý hình thái để loại bỏ nhiễu và lấp đầy các khe hở. Cuối cùng phương pháp tìm số thành phần kết nối lân cận được sử dụng để tính số xe trong ảnh nhị phân.

Phương pháp này cho kết quả tốt trong trường hợp góc quay của camera gần và rõ nhưng gặp thách thức khi camera đặt ở vị trí không thuận lợi. SalviAn [5] dựa trên phân tích Blob để tính xe tự động trong hệ thống giám sát giao thông. Phương pháp thực hiện là trừ nền, phát hiện Blob, phân tích Blob dùng phương pháp k-means clustering, theo vết Blob và tính số phương tiện. Hệ thống cho kết quả chính xác cao và đảm bảo tính thời gian thực.

Tuy nhiên hạn chế của hệ thống này là chưa phân loại được xe (xe máy, xe tải, xe ôtô ) di chuyển trên đường. Năm 2012 Pejman Niksaz [6] đã nghiên cứu và thực thi hệ thống ước lượng mật độ phương tiện trên đường cao tốc dùng xử lý ảnh. Phương pháp nghiên cứu là chuyển ảnh RGB thành ảnh xám, tăng cường ảnh và xử lý hình thái. Phương pháp này được thực thi trên phần mềm Matlab nên chi phí thấp nhưng vẫn cho kết quả chính xác ở tốc độ Trang 3 cao.

Ưu điểm của phương pháp này là không sử dụng cảm biến. Tuy nhiên nhược điểm lớn nhất của nó là rất nhạy với ánh sáng. Malathilatha [7] cũng đã đề xuất để thực thi một hệ thống đèn giao thông thông minh trong thời gian thực dùng xử lý ảnh. Phương pháp thực hiện là trừ nền, cập nhật nền, phương pháp phát hiện biên và tính số phương tiện dùng thuật toán Moore-neighborhood.

Kết quả cho thấy phương pháp phát hiện biên Canny cho kết quả tốt hơn so với hai phương pháp phát hiện biên khác là Boolean và Marr-Hildreth. Muth Sebastian, Anisha Ann Sam và một số cộng sự [8] cũng đã thảo luận phương pháp để giảm được tần suất tai nạn ở những đoạn đường quanh co bằng cách chỉ ra số lượng xe và tốc độ các xe đang đến gần trên màn hình. Phương pháp được sử dụng là mô hình Gaussian hỗn hợp (GMM), lọc nhiễu cho mô hình GMM, phát hiện Blob, phân tích Blob, tính số phương tiện và tốc độ của nó. Trong đó tốc độ được giám sát bằng cách phát hiện vị trí của xe di chuyển và vị trí điểm tham chiếu, giá trị này được so sánh với số khung đã biết trước.

Một số công trình nghiên cứu khác [9-10]. Qua những nghiên cứu đã trình bày ở trên ta có thể nhận thấy rằng hầu hết các bài báo đều phát hiện đối tượng (xe) bằng phương pháp trừ nền. Phương pháp trừ nền được sử dụng nhiều vì nền (đường) trong camera giao thông thường là nền tĩnh. Một số phương pháp trừ nền đã được Massimo Piccardi [11] tổng hợp lại như bảng 1.2: Phương pháp trừ nền và phân tích hiệu suất Method Speed Memory Accuracy Running Gaussian average L L L/M Temporal median filter ns ns L/M Mixture of Gaussians m m H Kernel density estimation (KDE) n n H Sequential KD approximation m+1 m M/H Cooccurence of image variations 8n/N2 nK/N2 M Eigenbackgrounds M n M 1.

Mục tiêu của đề tài Mục tiêu của đề tài là xây dựng hệ thống tính lưu lượng xe trên một tuyến đường từ camera giao thông, từ đó đưa ra cảnh báo về mật độ phương tiện, góp phần vào việc điều tiết giao thông, giảm tình trạng kẹt xe ở các đô thị hiện nay. Nhiệm vụ và giới hạn của đề tài 1. Nhiệm vụ: - Nghiên cứu các thuật toán trừ nền cơ bản, xây dựng mô hình Gaussian để tách các xe di chuyển ra khỏi nền đường. - Tìm hiều về phép xử lý ảnh hình thái, phương pháp dán nhãn để tính số xe trong một khung ảnh và tổng số xe trong video thu được từ camera giao thông.

Giới hạn: - Xử lý video không trực tuyến - Chưa phân loại được xe Trang 5 1. Phương pháp nghiên cứu Phương pháp nghiên cứu tài liệu: thu thập thông tin tài liệu, sách báo điện tử liên quan đến lĩnh vực nghiên cứu, xử lý các thông tin cùng với việc quan sát và thực hiện mô phỏng trên phần mềm Matlab. Trang 6 Chương 2 KHÁI QUÁT XỬ LÝ ẢNH 2. Giới thiệu Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ.

Nó là một ngành khoa học mới mẻ so với nhiều ngành khoa học khác nhưng tốc độ phát triển của nó rất nhanh, kích thích các trung tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó. Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận [12].Một số ứng dụng cơ bản trong xử lý ảnh Xử lý ảnh là một trong những ngành khoa học mới nhưng có những thành tựu và khả năng ứng dụng trong nhiều lĩnh vực [13]. - Công việc văn phòng: nhận dạng ký tự quang học, xử lý tài liệu, nhận dạng kịch bản, nhận dạng logo và biểu tượng, xác định vị trí địa chỉ trên phong bì tài liệu và một số ứng dụng khác.

- Công nghiệp tự động hóa: Công nghệ chế tạo rô-bốt, máy công nghiệp, sản xuất. - Xử lý ảnh y tế: Phân tích ảnh điện tâm đồ ECG- Electrocardiogram, điện não đồ EEG- Electroencephalogram, đo điện cơ EMG- Electromyography, phân tích ảnh X-quang và nhiều ứng dụng quan trọng khác. - Remote sensing: Nghiên cứu và quản lý tài nguyên thiên nhiên, kiếm soát ô nhiễm môi trường và các nghiên cứu khác. Trang 7 - Kiểm soát tội phạm (Criminology): nhận dạng vân tay, đối sánh mặt người, giám định pháp y.

- Ứng dụng trong khoa học vũ trụ: phân tích ảnh viễn thám. - Khí tượng học: dự báo thời tiết, xác định thay đổi thời tiết dựa vào ảnh thu nhận từ vệ tinh, phân tích mẫu mây. - Công nghệ thông tin: truyền tín hiệu fax, hội thảo từ xa…Và nhiều ngành khoa học khác như giải trí, in ấn, nghệ thuật. Xử lý video Video là một tập hợp các khung hình (frames).

Mỗi khung hình là một hình ảnh, là đơn vị dữ liệu cơ bản nhất của video. Video có thể được hiểu là một chuỗi các hình ảnh liên tiếp. Để mắt người có thể cảm nhận được sự chuyển động của các hình ảnh thì các khung hình phải được phát liên tục với một tốc độ nhất định. Thông thường, tốc độ đó là 25 hình/giây hoặc 30 hình/giây.1: Khung hình Không gian độ xám chỉ có một thành phần, biến đổi từ đen đến trắng.

Không gian độ xám thường được sử dụng trong hiển thị và in trắng đen.2: Thước đo độ xám Một không gian màu là một mô hình đại diện cho màu về mặt giá trị độ sáng, một không gian màu xác định số thông tin màu được thể hiện.