BIỂU DIỄN MỘT SỐ ĐẶC TRƯNG ẢNH ÁP DỤNG ĐỂ PHÂN LOẠI PHƯƠNG TIỆN GIAO THÔNG TRONG VIDEO.

Mục đích của bài viết này là: thứ nhất, trình bày phương pháp biểu diễn đường viền của đối tượng trong ảnh nhị phân bằng vector số phức. Thứ hai phân tích một số tính chất của vector số phức để áp dụng cho bài toán nhận dạng, so sánh mẫu trên cơ sở đường viền. Xây dựng lược đồ chung cho việc nhận dạng và phân loại đối tượng bằng phương pháp đường viền vector. Chúng tôi đã tiến hành thử nghiệm nhận dạng và phân loại các tập ảnh có mức độ phức tạp về xe máy, xe ô tô cho kết quả chính xác và tốc độ tính toán nhanh.

TRONG VIDEO

Nguyễn Văn Căn, Nguyến Đăng Tiến, Dương Phú Thuần, Trần Xuân Ban

Trường Đại học Kỹ thuật – Hậu cần CAND ndtienT36@gmail.comcannv@truongt36.edu.vn, thuanktt36@gmail.com, tranban050179@gmail.com

TÓM TẮT- Mục đích của bài viết này là trình bày một

số phương pháp biểu diễn đặc trưng ảnh phục vụ cho

phát hiện và phân loại phương tiện giao thông từ

video: trích chọn đối tượng chuyển động bằng phương

pháp luồng quang học; biểu diễn hình dạng đối tượng;

biểu diễn đường viền trên trường số phức, biểu diễn

đường viền theo đỉnh hình dạng Đề xuất một khung

làm việc chung cho hệ thống phân loại và xác định mật

độ phương tiện giao thông từ video trong vùng quan

sát

Keywords: Optical Flow, Contour Analysis, Car

Counting, Shape Detection

I GIỚI THIỆU Bài toán phát hiện và phân loại phương tiện giao

thông trong video có nhiều ý nghĩa trong thực tế

quản lý giao thông Các tham số về phương tiện

giao thông, có nhiều ý nghĩa trong việc xác định

chứng cứ vi phạm luật giao thông, điều khiển giao

thông, giải quyết tranh chấp trong hiện trường tai

nạn Để đáp ứng điều kiện giao thông Việt Nam,

khi mà giao thông đông đúc, đa dạng thì việc lựa

chọn những kỹ thuật, phương pháp trích chọn đặc

trưng, biểu diễn mô hình đối tượng là hết sức quan

trọng cho giải quyết bài toán phát hiện và phân loại

phương tiện giao thông từ video

Các đặc trưng của phương tiện chuyển động

trong video được chia thành 2 mức tiếp cận: mức

cục bộ và mức toàn cục Mức toàn cục quan tâm

đến các đặc trưng toàn cảnh như nền, đối tượng

chuyển động, khối, đốm sáng Mức cục bộ quan tâm

đến các vấn đề xử lý bóng, xử lý khoảng cách,

đường biên,

Đặc trưng tiếp cận ở mức toàn cục: Vùng quan

tâm (ROI); Video và frame; Đối tượng chuyển động

và nền; Khối chuyển động; Đốm sáng; Đặc trưng

tiếp cận ở mức cục bộ: Đối tượng chuyển động và

bóng của nó; Độ dài ảnh; Hình dạng đối tượng; Mức

xám khu vực đèn trước/sau xe; Mức xám và đặc

điểm khu vực biển số xe; Các đường biên ngang

trên xe;

Trên thế giới, nhiều công trình nghiên cứu đã

quan tâm đến vấn đề này Năm 2004, Yigithan

Dedeoglu và cộng sự [3] nghiên cứu một hệ thống

giám sát phân loại đối tượng chuyển động Hệ thống

cho kết quả phân loại: người, nhóm người và

phương tiện giao thông tương ứng là 84%, 66%,

79% Năm 2007, Guohui Zhang và cộng sự nghiên

cứu hệ thống phát hiện và phân loại xe dựa trên

video (VVDC) [6] được phát triển cho hệ thống

camera giám sát tầm rộng nhằm mục đích thu thập

dài Chưa tiếp cận và nói đến việc nhận dạng và đếm số lượng xe máy, xe thô sơ và người đi bộ Năm 2009, Umesh Narayanan [5] đã phát triển một

hệ thống phân loại và đếm số lượng phương tiện dựa trên thị giác máy tính thông qua camera giám sát Phân loại từng xe qua sử dụng kích thước xe

Độ chính xác thực nghiệm chứng minh khoảng 90% Năm 2010, Chung-Cheng Chiu và cộng sự [56], phát triển một hệ thống giám sát giao thông thời gian thực, bao gồm phát hiện, nhận dạng và theo dõi các phương tiện từ các ảnh chụp trên đường Phương pháp phân đoạn và nhận dạng sử dụng chiều dài, chiều rộng và kích thước mui xe để phân loại các phương tiện như xe tải lớn, xe con, xe tải nhỏ hoặc các phương tiện lớn khác Kết quả xác định phát hiện các loại xe, từ xe tải to đến các xe con, xe chuyên dùng mini, có độ chính xác phân

bố từ 90% đến 98%

Các phần tiếp theo, chúng tôi tập trung vào biểu diễn hình dạng đối tượng, đường viền đối tượng, mục đích sử dụng cho phân loại phương tiện giao thông, trong điều kiện mật độ phương tiện đông đúc, đa dạng, có sự chồng lấp lên nhau về hình dạng Các phương pháp trích chọn luồng quang học, biểu diễn hình dạng, biểu diễn đường viền, độ dài ảnh được trình bày trong mục II; một số kết quả áp dụng thực nghiệm được trình bày trong mục III, kết luận và hướng phát triển trình bày trong mục IV

II PHƯƠNG PHÁP

A Trích chọn luồng quang học

Bề ngoài của đối tượng không có nhiều thay đổi [1] (về cường độ sáng) khi xét từ frame thứ n sang frame n+1 Nghĩa là:

(I ( x , t )  I ( x  u , t  1 ) ) (1) Trong đó là hàm trả về cường độ sáng [4]của điểm ảnh tại thời điểm t (frame thứ t) là tọa độ của điểm ảnh trên bề mặt (2D), là vector vận tốc, thể hiện sự thay đổi vị trí của điểm ảnh từ frame thứ t sang frame t+1)

Gọi xt = {xm,t; m =1,…,M} là tập các đối tượng tại thời điểm t Trong đó, M là số đối tượng có trong

hệ thống, M có thể thay đổi theo thời gian Gọi là tập biểu diễn kết quả phát hiện đối tượng của hệ tại thời điểm t tương ứng Ta có

{ } (2)

D là số đối tượng phát hiện được

Gọi { || ||

phát hiện này xuất phát từ đối tượng đã có từ thời

điểm t-1 trước đó

Tương tự, định nghĩa là tập

những phát hiện “mới”, được hiểu là giữa tập các

điểm mới và tập các điểm cũ cách nhau một khoảng

là d

B Tính độ dài thực của đối tượng từ ảnh

Các tham số về kích thước của ô tô rất quan

trọng để nhận ra các loại xe khác nhau trên đường

như chiều dài và chiều rộng của xe Chiều dài, chiều

rộng ảnh của mỗi kiểu xe để tiếp cận với chiều dài

và chiều rộng thực tế của xe; và tất nhiên đề xuất

phương pháp nhận dạng ô tô dựa trên chiều dài và

chiều rộng ảnh

Hình 1 mô tả việc sử dụng quang hình học để

tìm mối quan hệ giữa chiều dài pixel R trong ảnh

phẳng với chiều dài ảnh Dh1 trên đường Đường đứt

nét F là đường tâm của camera, Dh1 là chiều dài thị

giác của phương tiện phía trên đường đứt nét F R2

và R1 là các chiều dài pixel trong ảnh phẳng, Rp là

kích thước điểm ảnh của camera H là độ cao của

camera, f là tiêu điểm của ống kính, θ là góc của

camera với mặt đường Ta có:

Hình 1 Chiều dài giữa ảnh và đối tượng chuyển động

D1 và D2 có thể thu được từ các biểu thức:





cos

sin 1

1 1

D F

D

f

R

R p









cos sin

2 2 2

D F

D

f

R





























1 1

1

1

p p p

p

R R f R R H

R

R

f

F

R

R

D

(6)

























2 2

2

2

p p p

p

R R f R R H

R

R

f

F

R

R

D

(7)

Chiều dài ảnh Dh1:





























 sin cos sin cos

sin

1

1 1

2 2 1

2

p p

p

R R f R R

R f R H

R

D

D

Dh

(8)

Chiều dài ảnh Dh2 của ô tô phía dưới đường F

có thể tính bằng biểu thức:





































3 cos

sin sin 2

3 4

4 3

4

p p

p

R R f

R R

R f R H R D D Dh

(9) Khi đã tính được chiều dài ảnh, có thể dùng thủ tục tương tự để tính chiều rộng ảnh của ô tô Chiều rộng ảnh được xác định bởi biểu thức:

f D H R Dw f

Dh F Rw













1 cos

(10)

f D H R Dw f

Dh F Rw













2 cos

2

(11)

Rw là chiều rộng tính bằng pixel của ô tô trong ảnh phẳng Dw1 và Dw2 biểu diễn chiều rộng thị giác tương ứng của ô tô phía trên và phía dưới đường tâm F

Tính được các chiều dài và chiều rộng ảnh trung bình của các xe khác nhau bằng các kiểm thử liên tiếp Mặc dù chiều cao của xe gây ra sai số không đáng kể trong việc ước lượng chiều dài, nhưng vẫn

có thể xác định chính xác loại xe trên đường nhờ sử dụng các tham số của nhà sản xuất

C Véc tơ hóa hình dạng đối tượng

Cho một bức hình chứa một đối tượng, với bố cục nền không phức tạp, dễ dàng phát hiện được biên đối tượng, và trích chọn nội dung đối tượng để làm đặc trưng cho bức ảnh Phương pháp biểu diễn hình ảnh thông qua lược đồ khoảng cách thực hiện dựa trên các hình đa giác và trọng tâm của đa giác, trước khi đối tượng được biểu diễn thực hiện tìm xấp xỉ của hình dạng đó (thuộc tính hình học)

a) Đường tròn gốc b) Với 8điểm cơ bản

Hình 2 Mô tả hình dạng hình tròn

Hình 2 cho thấy, khi số lượng điểm cơ bản trên biên của hình tròn càng tăng thì hình mô tả sẽ gần giống hơn đối với hình ảnh gốc, và các điểm biên cơ bản này luôn được căng đều trên biên, đồng thời dây cung nối giữa các điểm này sẽ tạo lên đường

mô phỏng hình dạng gốc

Công việc xác định điểm cơ bản được thực hiện bằng cách, duyệt lần lượt các điểm ảnh biên theo thứ tự ngược hoặc xuôi chiều kim đồng hồ Thu được tổng số điểm ảnh trên biên của đối tượng, sau

đó chia đều theo số điểm cơ bản cho trước theo

công thức sau:

(12)

với Lrounded là khoảng cách giữa các điểm cơ bản trên biên đã được làm tròn, Lsum là tổng chiều dài của biên ảnh, và N là số lượng điểm cơ bản cho trước Trọng tâm của đa giác Cho hình đa giác bất kỳ, có các đỉnh (xi,yi) với i = 0,1,2,…n, x0=xn,y0=yn Hình 3 Đa giác có n cạnh Diện tích của đa giác: ∑ (13)

Áp dụng định lý Green trên mặt phẳng, xác định tọa độ trọng tâm của đa giác: ̅ ∑ ( )

∑

̅ ∑

∑ (14)

Khoảng cách giữa điểm mẫu và trọng tâm Điểm mẫu là tập hợp các điểm được chọn trên đường biên của hình dạng để mô tả đầy đủ cho một hình dạng Nếu một đa giác có chiều dài một biên là Li, tổng chiều dài của tất cả biên là Lsum và số lượng điểm mẫu là N thì số lượng điểm mẫu sẽ là Ni: N (15)

Khoảng cách từ điểm mẫu có tọa độ si = (xi,yi) và trung tâm đa giác có tọa độ c=(xc,yc), được tính theo công thức Ơclit: √ (16)

Lược đồ khoảng cách Lược đồ là một công cụ miêu tả các thuộc tính của đối tượng Các điểm mẫu sẽ được đặt cách đều nhau trên biên của đa giác, đặt khoảng cách giữa hai điểm mẫu kề nhau là D, và tổng độ dài của biên sẽ là Dmax, phân tách D thành nhiều phần thông qua các điểm mẫu Dãy sau thể hiện phân tách biên thành R thành phần: [ ] [ ] [ ] (17)

Chuẩn hóa Gọi D[i] là tập giá trị khoảng cách từ tâm C đến các điểm mẫu trên biên Ta có tập DS (chuẩn hóa) được chuẩn hóa như sau: [ ] { [ ] } (18)

Sau quá trình chuẩn hóa, tất cả khoảng cách chuẩn hóa thu được sẽ nằm trong khoảng [0,1] Bởi vì việc gán điểm mẫu dựa trên chiều dài của biên, và căng đều chúng trên biên, hai đa giác có kích thước khác nhau nhưng hình dạng giống nhau sẽ sinh ra giá trị khoảng cách chuẩn hóa Do đó, phương pháp này là bất biến đối với tỷ lệ sau khi chuẩn hóa Đo độ tương tự Lược đồ khoảng cách của một đa giác có thể được mô tả bằng: (d0,d1,d2,d3,…dn), n là số lượng khoảng cách trong lược đồ và di, i  [0,n-1] là số khoảng cách trong vùng khoảng cách này Theo đó cho hai đa giác D1 và D2 với lược đồ khoảng cách tương ứng là D1: (d11,d12,d13,…,D1n) Và D2: (d21,d22,d23,…,d2n), có độ tương tự được tính theo khoảng cách ơ-clit: √∑

(19) Biểu diễn hình dạng đối tượng theo trọng tâm và khoảng cách từ tâm đến biên đối tượng, áp dụng các tính chất bất biến quay, bất biến tỷ lệ của mô-men mang đến khả năng nhận dạng và phân loại đối tượng theo hình dạng Điều này có thể áp dụng phân loại phương tiện giao thông trên đường trong trường hợp đông đúc, có sự chồng lấp lên nhau về hình dạng sau khi thực hiện phát hiện khối chuyển động Trong điều kiện giao thông đô thị đông đúc, các xe

ô tô, xe máy, người đi bộ có thể đi sát nhau và tạo thành các khối chuyển động có hình dạng phức tạp

và khó có thể phân định được bằng các phương pháp thông thường Để thực hiện nhận dạng và xác định số lượng đối tượng có thể áp dụng thuật toán máy học Tạo ra một tập huấn luyện các khả năng

có thể, sau đó đối sánh và kết luận về số lượng phương tiện chuyển động

D Biểu diễn đường viền theo véc tơ số phức

Đường viền là đường bao của đối tượng, thường

là các điểm ảnh, phân tách đối tượng với nền Phân

tích đường viền (Contour Analysis - CA) cho phép

mô tả, lưu trữ, so sánh và tìm ra các đối tượng biểu diễn dưới dạng đường viền CA cho phép giải quyết hiệu quả các bài toán cơ bản của nhận dạng mẫu – biến đổi, quay và tỷ lệ của ảnh đối tượng Phương pháp CA là bất biến đối với phép biến đổi[7] Thay vì đó, trong CA đường viền được biểu diễn bằng một dãy các số phức Trên một đường viền, điểm bắt đầu cần được xác định Tiếp theo, đường viền sẽ được quét (xoay theo chiều kim đồng hồ), và mỗi véc tơ được biểu diễn bằng một số phức a+ib Với a là điểm trên trục x, b là điểm trên trục y Các điểm được biểu diễn kế tiếp nhau

Do tính chất vật lý của các đối tượng ba chiều, đường viền của chúng luôn khép kín và không tự giao nhau Nó cho phép xác định rõ ràng một duyệt qua một đường viền Vector cuối cùng của một đường viền luôn luôn dẫn đến điểm khởi đầu Mỗi vector của một đường viền chúng ta sẽ đặt tên vector cơ sở (EV) Và chuỗi giá trị các số phức

gọi là vector đường viền (VC) Vector đường viền,

ký hiệu bằng chữ cái Γ, và vector cơ sở ký hiệu là 

Như vậy, vector đường viền Γ có độ dài k có thể

được xác định là:

Hình 4 Biểu diễn đường viền bằng véc tơ số phức

Thao tác trên đường viền như là thao tác trên

véc tơ số phức có chứa nhiều đặc tính toán học hơn

là các mã biểu diễn khác Về cơ bản, mã số phức là

gần với mã hai chiều khi mà đường viền được định

nghĩa phổ biến bằng véc tơ cơ bản trong tọa độ 2

chiều

Đặc tính của đường viền

1 Tổng các EV của một đường viền kín bằng 0

2 Véc tơ đường viền thì không phụ thuộc vào

phép chuyển vị song song của ảnh nguồn

3 Quay ảnh theo một góc độ nào đó tương

đương với quay mỗi EV của đường viền trên cùng

góc độ đó

4 Việc thay đổi điểm khởi đầu tiến hành theo

vòng tròn VC

5 Thay đổi tỷ lệ ảnh nguồn có thể được coi là

phép nhân của mỗi EV của đường viền với một hệ

số tỷ lệ

Tích vô hướng của đường viền:

Hai véc tơ số phức của 2 đường viền Γ và N,

tích vô hướng của nó là

∑

với k – kích thước của VC, γn là véc tơ cơ sở của

đường viền Γ, νn là véc tơ cơ sở của đường viền N

(γn, νn) là tích vô hướng của hai số phức

Nếu tích càng lớn, góc càng nhỏ giữa các vector,

thì các vector này sẽ càng gần nhau Với những

vector vuông góc, tích này bằng 0, và hơn nữa có

thể nhận giá trị âm cho những vector có hướng khác

nhau theo cách này Tích vô hướng (21) cũng có các

đặc tính tương tự

Tích vô hướng chuẩn hóa (NSP):

|Γ| và |N| - Tiêu chuẩn (chiều dài) của đường

viền được tính bằng công thức:

| | ∑ | |

NSP trong không gian phức cũng là một số phức Do vậy, tính đồng nhất là giá trị lớn nhất có thể của chuẩn NSP (Theo bất đẳng thức Cauchy-Bunyakovsky Schwarz): |ab| <= |a||b|, và chỉ có thể đạt được giá trị này khi và chỉ khi:

Với μ – Là một số phức tùy chọn

Đường viền μN giống với đường viền N, ngoại trừ xoay và tỉ lệ Tỉ lệ và hướng xoay được định nghĩa bởi một số phức μ

Dạng chuẩn của NSP đạt giá trị max, chỉ khi đường viền Γ giống với đường viền N, nhưng xoay theo một số góc và tỉ lệ bởi một hệ số xác định

Ví dụ, ta coi một tích vô hướng của một đường viền với chính nó, nhưng xoay một góc nhất định:

Hình 5 Tích vô hướng chuẩn trên đường viền

Tương tự, nếu ta tăng một VC với một hệ số thực nào đó, ta sẽ nhận giá trị NSP = 1

Chuẩn NSP là bất biến trong phép chuyển dịch, xoay và tỉ lệ của đường viền Nếu 2 đường viền tương đồng nhau, NSP của chúng sẽ luôn cho giá trị đồng nhất, không phụ thuộc vào vị trí của đường viền, hay độ xoay của góc và tỉ lệ của chúng Tương

tự, nếu các đường viền khác nhau, NSP sẽ bị giới hạn nhỏ hơn 1, và độc lập trong không gian, độ xoay và tỉ lệ Chuẩn đưa ra giá trị đo của một đường viền và tham số của một NSP – đưa ra một góc xoay của đường viền

E Biểu diễn đường viền theo đỉnh hình dạng

Về cơ bản, mô hình biểu diễn hình dạng tổng

quát GDM (Genaral Deformable Model) là một mô

hình hình chữ nhật 3-D với 8 đỉnh Các đỉnh hình dạng của xe được xấp xỉ tương ứng trên các đỉnh của một hình hộp 3-D Dựa vào mô hình này có thể suy diễn ra những điểm che khuất của đường viền một khối các phương tiện có chứa sự chồng lấp

Mô hình đỉnh hình dạng VSM (Vertex Shape

Model) là thiết lập mối quan hệ giữa vị trí quan sát

camera (Qc = [X c Y c Z c]T) và số các đỉnh nv trên đường viền GDM, biểu diễn như trên một bức ảnh (hình 7)

Vì mỗi GDM có 8 đỉnh trong 3-D và 6 đỉnh trong trong 2-D, nv là một trong số (6, 5, 4) Để thu được mô hình nv tương ứng với Qc, sử dụng “mặt phẳng mở rộng ảo pie” trên GDM trong không gian 3-D, được định nghĩa là bề mặt của GDM từ + đến

- trong không gian nhưng ngoại trừ bề mặt của của

chính GDM Mối quan hệ giữa nv và Qc được tổng

hợp trong bảng 1

Hình 6 Mô hình biểu diễn hình dạng tổng quát GDM xe thứ

i

Bảng 1 Mô hình đỉnh hình dạng VSM

Vị trí trong không gian đường bao bởi 4 Pei và

bề mặt của GDM (hình 3-10a)

hoặc Vị trí một của Pei và đường bao của 2 Pei

khác được phân tách bởi GDM (hình 3-10b)

4

hoặc Vị trí của một Pei nhưng không bao 2 Pei

khác được phân tách bởi GDM (hình 3-10d)

5

Mô hình CDM (Contour Description Model)

biểu diễn một tập hợp các hướng nguyên thủy để

mô tả những phác thảo của hình chiếu GDM đối với

các điểm biến mất px, py, và pz trong ảnh, với py là

điểm biến mất trên đường, px là điểm biến mất

vuông góc với hướng đường, và pz là điểm biến mất

vuông có với mặt đất (hình 9)

Hình 7 Mặt phẳng ảo mở rộng P e

i

Giả thiết rằng tất cả các xe bị che khuất chia sẻ

cùng nhau 1 tập các điểm biến mất Hướng của các

phân đoạn đường được mô tả trong tập biến mất là

“a”, “b”, “c”, “A”, “B” và “C” đối với quan hệ của

chúng với px, py, và pz với “a” biểu thị đường cắt

với py khi nó kéo ra vô cùng, và hướng của đường

kéo ra xa từ py khi GDM xoay theo chiều kim đồng

hồ

(c) Kiểu S 61 (d) kiểu S 62

Hình 8 Kiểu hình dạng của hình chiếu biểu diễn hình học

tổng quát GDM

Hình 9 Kiểu hình dạng thể hiện ra ngoài của GDM

Mô hình RM (Resolvability Model) công thức

hóa tối đa các đường của đường viền GDM cho phép hoàn thiện hoặc che khuất một phần trong ảnh, hình dạng gốc của GDM phục hồi dựa trên các thông tin đưa ra bởi các đường không bị che khuất

và che khuất một phần Trong trường hợp không bị che khuất, các chiếu GDM lên hình bao gồm một

mô tả đầy đủ các dòng Khi có một phần bị che khuất, dòng trên GDM có thể đi trên một trong ba trạng thái sau:

1) Không bị che khuất 2) Che khuất 1 phần 3) Che khuất hoàn toàn (hình 10)

Trạng thái của các đường thẳng trong khu vực tắc nghẽn

a) GDM gốc trong S 4

b) n occ = 1 trong S 4

c) hình b không thể phân giải d) n = 0 trong S p = 1 và n 4 occ

e) hình d phân giải lại

Hình 10 Khả năng phân giải của S 4

Có 3 trạng thái có thể xảy ra trên mỗi đường của

4 kiểu hình dạng được giới thiệu trong phần trước (S4, S5, S6,1 và S6,2) Để lấy được tập quy tắc mô hình phân giải GDM, phải tổng hợp tất cả các kết

hợp có thể của 3 trạng thái (ví dụ như không bị che

khuất, che khuất 1 phần, che khuất hoàn toàn) trên

mỗi trường hợp của 4 kiểu hình (S4, S5, S6,1 và S6,2)

và cố gắng hoàn thiện các đường bị thiếu để tổng

hợp mẫu dựa trên các đường đã có

III THỰC NGHIỆM VÀ BÀN LUẬN

A Áp dụng trích chọn luồng quang học và mô hình

hỗn hợp Gaussian [2] cho hệ thống đếm phương

tiện giao thông trên đườngc ao tốc

Thực nghiệm so sánh trên một số đoạn video tại

một số cung đường khác nhau Máy quay cố định,

đặt ở độ cao 5 mét, góc quay 30o, đối với cung

đường sân bay Nội bài, máy quay đặt ở độ cao 10m

Sau khi tiến hành thử nghiệm và so sánh với các kỹ

thuật trừ ảnh và trừ nền về mức độ lỗi trung bình, độ

nhiễu và tỷ lệ chính xác khi gặp phải nguồn ảnh

hoặc nguồn video chất lượng thấp, hoặc mức độ dày

đặc của dòng phương tiện thì phương pháp lồng

quang học kết hợp tái chọn mẫu đạt được độ ổn

định qua bảng đánh giá sau:

Bảng 2 So sánh phản ứng của phương pháp với mật độ xe trên

các cung đường

Cung

đường frames Số

Mật độ

xe

Số lượng thực

Số lượng đêm

Độ chính xác Cầu Như

Quỳnh

Đại lộ

Thăng

Long

Sân bay

nội bài

Cầu

Thanh

Trì

1450 Rất dày

B Thực nghiệm phương pháp phân loại xe ô tô theo

độ dài ảnh

Hệ thống được cài đặt thử nghiệm và cho kết

quả tốt về độ chính xác Tham số chiều rộng, chiều

dài trung bình một số loại xe của nhà sản xuất trong

bảng được so sánh trong bảng 3

Bảng 3 So sánh tham số kích thước xe với thực tế

IV KẾT LUẬN VÀ BÀN LUẬN

Bài báo đã trình bày tổng quan về một số đặc

trưng của phương tiện trích chọn từ video giao

thông Đề xuất một số phương pháp biểu diễn đặc

trưng phương tiện sử dụng cho mục đích xác định mật độ và phân loại Bao gồm:

1 Trích chọn luồng quang học áp dụng cho mục đích đếm số lượng phương tiện tham gia giao thông

2 Phương pháp biểu diễn hình dạng, đường viền của phương tiện hoặc một tập các phương tiện dính liền nhau thành một khối có thể phân giải và phân loại

3 Tham số độ dài ảnh kết hợp với các tham số

độ dài thực đối tượng có thể phân loại nhanh loại đối tượng, hoặc phân giải loại đối tượng

4 Áp dụng một số phương pháp biểu diễn phương tiện đã trình bày cho một số hệ thống nhận dạng và phân loại phương tiện trong video giao thông

Mặc dù, tất cả các đề xuất trong nghiên cứu này

có thể làm việc tốt trong một số trường hợp, các mô hình vẫn còn dễ bị lỗi và tốn thời gian Chúng tôi tin rằng nghiên cứu sẽ tiếp tục cải thiện hiệu suất xác định mật độ phương tiện dựa trên hệ thống thị giác máy tính trong khi giảm tỷ lệ sai số Các nghiên cứu trong tương lai có thể với xác định mật độ phương tiện dựa trên thị giác máy tính

TÀI LIỆU THAM KHẢO

[1] Trần Thanh Việt, Trần Công Chiến, Huỳnh Cao Tuấn, Nguyễn Hữu Nam, Đỗ Năng Toàn, Trần Hành

(2011), “Một kỹ thuật bám đối tượng và ứng dụng”

Kỷ yếu Hội thảo quốc gia lần thứ 14, Cần Thơ

[2] Nguyễn Quang Quý (2012), Phát hiện đối tượng đột nhập bằng camera theo dõi, Học viện Bưu chính

viễn thông

[3] Xue Mei, Shaohua Kevin Zhouy, Hao Wu, Fatih

Porikliz (2007), “Integrated Detection, Tracking and Recognition for IR Video-based Vehicle Classification”, Journal of computers (Vol.2, No.6)

[4] Chung-Cheng Chiu, Min-yu Ku và Chun-Yi Wang

(2010), Automatic Traffic Surveillance System for Vision-Based Vehicle Recognition and Tracking

Department of Electrical and Electronic Engineering, Chung Cheng Institute of Technology National, Defense University Taoyuan, Taiwan

[5] G S K Fung, N H C Yung, and G K H Pang,

“Close range Camera calibration” Opt Eng SPIE,

vol 42, no 10, pp 2967–2977, Oct 2003

[6] C C C Pang, W W L Lam, and N H C Yung, “A novel method for resolving vehicle occlusion in a monocular traffic-image sequence” IEEE Trans

Intell Transp Syst., vol 5, no 3, pp 129–141, Sep

2004

[7] Nguyễn Văn Căn, Nguyễn Đăng Tiến, Phạm Việt

Trung “Phương pháp biểu diễn đường viền trên trường số phức, áp dụng cho bài toán phân loại phương tiện giao thông” Tạp chí Khoa học và Công

nghệ quân sự (Tháng 08/2014)