Phương pháp phân loại nhanh phương tiện giao thông dựa trên đường viền

Bài viết Phương pháp phân loại nhanh phương tiện giao thông dựa trên đường viền trình bày phương pháp biểu diễn đường viền của đối tượng trong ảnh nhị phân bằng vector số phức; 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.

DOI: 10.15625/vap.2015.000197

PHƯƠNG PHÁP PHÂN LOẠI NHANH PHƯƠNG TIỆN GIAO THÔNG

DỰA TRÊN ĐƯỜNG VIỀN Nguyễn Văn Căn, Nguyễn Tiên Hưng, Dương Phú Thuần, Nguyễn Đăng Tiến

Trường Đại học Kỹ thuật – Hậu cần CAND

cannv@truongt36.edu.vn, hungnt.bca@gmail.com, thuanktt36@gmail.com, dangtienT36@gmail.com

TÓM TẮT - Mục đích của bài viết này là trình bày phương pháp biểu diễn đường viền của đối tượng trong ảnh nhị phân

bằng vector số phức; 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

Từ khóa: Contour Analysis, Car Recognition, complex vector, Vector Contour

I GIỚI THIỆU

Phân loại ảnh là một bài toán đã và đang thu hút được sự quan tâm của các nhà nghiên cứu và phát triển, được ứng dụng rộng rãi nhiều ứng dụng hữu ích như: tìm kiếm ảnh, nhận dạng, theo dõi và phát hiện đối tượng Trong giám sát đối tượng chuyển động từ video chẳng hạn như giám sát phương tiện giao thông, thì phân loại ảnh là bài toán kế tiếp sau bài toán phát hiện đối tượng chuyển động [15] Cách tiếp cận phổ biến của bài toán phân loại ảnh là đối sánh ảnh, tức là tìm ra những vùng giống nhau trên hai ảnh dựa trên những điểm đặc trưng Khi đó bài toán đối sánh ảnh sẽ quy về bài toán so sánh các đặc trưng trích chọn [3], [7], [8], [9], [13] Các đặc trưng cho phép biểu diễn ảnh đã được nghiên cứu bao gồm đường biên vùng ảnh, điểm ảnh đặc trưng, lược đồ xám,

Có hai vấn đề cơ bản thường đặt ra trong bài toán đối sánh ảnh: i) làm sao có thể biểu diễn thông tin một cách hiệu quả nhằm thực hiện việc đối sánh hai ảnh nhanh nhất có thể; ii) làm thế nào để giải pháp đối sánh vẫn hoạt động hiệu quả khi có sự thay đổi của môi trường: nhiễu trong quá trình thu nhận ảnh, sự thay đổi về ánh sáng, sự che khuất,

Các phương pháp đối sánh ảnh dựa trên đối sánh các điểm đặc trưng được đề xuất rất nhiều và đạt được sự thành công đáng kể [9], [12], [14] Tuy nhiên để đạt được một độ chính xác nhất định, các phương pháp này đều đòi hỏi rất nhiều thời gian tính toán Trong những ứng dụng thời gian thực như giám sát giao thông tự động, việc đưa ra một phương pháp đối sánh ảnh thực hiện trong thời gian thực là một công việc cần thiết [2], [4], [5], [6], [10], [11] Nghiên cứu này trình bày và giới thiệu một phương pháp tiếp cận phân loại mạnh mẽ đối với ô tô và xe máy trong ảnh giao thông Đóng góp cơ bản trong bài báo này là đề xuất một phương pháp biểu diễn đường viền đối tượng bằng đường viền vector trên trường số phức [1], phân tích và áp dụng tính chất của một số phép toán trên trường số phức, áp dụng cho việc nhận dạng và phân loại đối tượng

Trong các phần tiếp theo của bài báo này, chúng tôi trình bày chi tiết các nội dung về phương pháp tiếp cận của chúng tôi Mục II, trình bày phương pháp biểu diễn đường viền đối tượng trên trường số phức và áp dụng cho thuật toán phân loại đường viền Mục III, trình bày các kết quả thực nghiệm và bàn luận đánh giá Mục IV là kết luận và

hướng phát triển

A Biểu diễn đường viền theo vector

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 Đường viền chứa thông tin cần thiết về hình dạng đối tượng Không quan tâm nhiều đến các điểm bên trong của đối tượng, nhưng quan tâm nhiều về thể hiện đường viền bên ngoài thì cho phép chuyển về không gian đường viền, từ đó cho phép giảm thời gian tính toán và độ phức tạp tính toán 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

Đường viền là đường bao của đối tượng, thường là các điểm ảnh, phân tách đối tượng với nền Trong các hệ thống thị giác máy tính, một vài định dạng mã hóa đường viền được sử dụng như mã hóa Freeman, mã hóa 2 chiều, mã hóa đa giác thường được sử dụng nhất Nhưng tất cả những định dạng này thường không sử dụng trong CA

Định nghĩa 1 Đường viền Vector[16]

Đường viền Vector là 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 vector 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 (Hình 1)

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 (để trong một hướng - hoặc ngược chiều kim đồng hồ) Vector cuối cùng của một đường viền luôn luôn dẫn đến điểm khởi đầu

l

γ

n

v

v

v

s

b

h

0

g

h

đ

tr

đ

582

Mỗi ve

à đường viền

VC ký

γ1, , γk-1)

Khi biể

nhiều đặc tính

viền được định

vector đối với

Định n

Hai số p

với k –

Tích vô

Chú ý r

vectors cơ sở t

Tích vô

sở EV như mộ

So sánh

- Kết qu

- Phần

bao gồm tích v

Theo đ

hướng bằng vớ

0 Ngược lại, t

Những

góc càng nhỏ

hơn nữa có th

đặc tính tương

Mệnh đ

1 Cho

2 Cho

3 Quay

4 Việc

rước đó, điều

đầu từ điểm kh

5 Thay

ctor của một đ

vector (VC)

hiệu bằng chữ

ểu diễn đường

h toán học hơn

h nghĩa phổ b

số phức là kh

nghĩa 2 Tích v

phức của 2 đư

kích thước củ

ô hướng của cá

rằng trong mộ

trong đường v

ô hướng của cá

ột vector đơn,

h công thức nà

uả tích vô hướ

thực của tích

vô hướng vect

đại số tuyến tí

ới tích của độ

tích của vector

đặc tính này c

giữa các vect

ể nhận giá trị

g tự

đề 1 Đặc tính

Γ=(γ0, γ1, , γ

I1 là ảnh nguồ

y ảnh theo mộ

c thay đổi điểm

này rõ ràng l

hởi đầu

y đổi tỷ lệ ảnh

PHƯƠN đường viền đư

ữ cái Γ, và EV

Hình

g viền bằng V

n là các mã bi iến bằng vecto hác nhau Trườ

vô hướng của

ường viền Γ và

ủa VC, γn là ve

ác số phức đư

(a+ib

ột tích vô hướn viền là trùng nh

ác vector thườ tích vô hướng

ày với công th ớng của các ve

vô hướng củ tor

ính, để xác đị dài vector củ

r thẳng hàng s của tích được tor, thì các ve

âm cho nhữn

h của đường v

γk-1), tổng các E

ồn, Γ1 thuộc I1

ột góc độ nào đ

m khởi đầu tiế

à thay đổi điể nguồn có thể

NG PHÁP PHÂN ược gọi vector

V ký hiệu là γ

h 1 Biểu diễn đ

VC thì thao tá iểu diễn khác

or cơ bản tron ờng hợp này c

a đường viền

à N, tích vô hư

Γ, ector cơ sở củ ược tính bằng c b,c+id)=(a+ib

ng CA chỉ có hau

ờng và tích vô

g của chúng sẽ ((a,b),(

hức (2) chú ý r ectors là một s

ủa các số phức

ịnh được chín

ủa góc cosin ở

sẽ cho giá trị t

sử dụng như ctor này sẽ cà

ng vector có h

viền

EV là S, ta có

1; I2 là I1 tịnh t

đó tương đươn

ến hành theo

ểm khởi đầu, t được coi là p

N LOẠI NHANH

r cơ sở EV (El

γ Như vậy, đ

đường viền bằng

ác trên đường Về cơ bản, m

ng tọa độ 2 ch ũng ưu tiên ch

[16]

ướng của nó là

ủa đường viền công thức:

)(c+id)=ac+bd một đường vi

ô hướng của cá

ẽ là:

c,d))=ac + bd rằng:

số thực Và kế

c trùng với tíc

nh xác chiều v

ở giữa Tức là ích vô hướng một cách để đ àng gần nhau

hướng khác nh

: S= SUM(γ0, tiến theo một p

ng với quay m vòng tròn VC trình tự của m hép nhân của

H PHƯƠNG TIỆN

lementary Vec

đường viền ve

g vector số phức viền như là t

mã số phức là hiều Nhưng sự

ho các phương

à

Γ, νn là vector

d+i(bc+ad) iền vector VC

ác số phức là k

ết quả tích của

ch vô hướng c

vật lý và các

2 vector vuôn tối đa

đo lường độ g Với những v hau theo cách

γ1, , γk-1)=0, phương p, Γ2 t mỗi EV của đư

C Vì các EV một EV sẽ là n mỗi EV của đ

N GIAO THÔNG

ctor) Và chuỗ

ector Γ có độ

c

thao tác trên

à gần với mã

ự khác biệt giữ

g pháp CA

r cơ sở của đư

C của chiều đồ khác nhau: Nế

a các số phức l của các vector

đặc tính của

ng góc sẽ luôn

gần của các ve vector vuông g

h này Tích vô

S là tầm thườ thuộc I2;, thì Γ ường viền trên được mã hóa như nhau, nhưn đường viền vớ

G DỰA TRÊN ĐƯ

ỗi giá trị các s dài k xác địn

vector số phứ hai chiều khi

ữa thao tác tỷ

ường viền N

ồng nhất Do v

ếu ta nhân mộ

là một số phứ

r phù hợp Tíc

tích vô hướn

n có tích vô h

ector Nếu tích góc, tích này

ô hướng (1) cũ

ờng khi k=1

Γ2 = Γ1

n cùng góc độ liên quan đến

ng EV đầu tiê

ới một hệ số tỷ

ƯỜNG VIỀN

ố phức gọi

h là Γ=(γ0,

ức có chứa

mà đường

lệ của các

(1)

(2) vậy một số

t vector cơ (3)

c

ch số phức

g Tích vô ướng bằng

h càng lớn, bằng 0, và ũng có các

đó

n các điểm

ên sẽ là bắt

ỷ lệ

v

g

c

c

v

n

m

n

n

t

đ

c

Đ

Bắt ngu

đỉnh cao nhất,

vector này bằn

Định n

Tích vô

|Γ| và |N

Mệnh đ

Dạng ch

góc và tỉ lệ bở

Thật vậ

chuẩn NSP (Th

chỉ khi:

Với μ –

Khi nhâ

với đường viền

Ví dụ, t

Nếu đế

nhận giá trị NS

một góc giữa c

Tương

Theo m

Do vậy

nhau cả về độ

Chuẩn

nhau, NSP của

ỉ lệ của chúng

độ xoay và tỉ l

Chuẩn

của một NSP (

Định n

Hàm tư

Trong đ

Độ lớn của chu

uồn từ cách b

quay theo ch

ng 0 Bằng trự

nghĩa 3 Tích v

ô hướng chuẩn

N| - Chuẩn (ch

đề 2 NSP cực

huẩn của NSP

i một hệ số xá

ậy, do NSP tr

heo bất đẳng t

– Là một số p

ân các số phứ

n N, ngoại trừ

ta coi một tích

m một NSP c

SP=0+I, xoay

các đường viề

tự, nếu ta tăng

mệnh đề 1 ta có

y, chuẩn của tí

xoay và tỉ lệ

NSP là bất bi

a chúng sẽ luô

g Tương tự, n

ệ

của NSP là ph

(bằng atan(b/a

nghĩa 4 Hàm

ương quan ICF

đó N(m): là đườ

uẩn tối đa giữ

biểu diễn đườn hiều kim đồng

ực quan hóa hìn

vô hướng chu

n hóa (NSP) củ

hiều dài) của

c đại [16]

P đạt giá trị lớn

ác định

rong không gi thức Cauchy-B

hức tùy chọn

ức, độ dài của

ừ xoay và tỉ lệ

h vô hướng củ của một vector

y một góc 180

n, và chuẩn củ

g một VC với

ó tích vô hướn

ch vô hướng c Mặt khác chu

Hì

iến trong phé

ôn cho giá trị đ nếu các đường

hép đo độ gần a)) – đưa ra mộ

tương quan c

F của 2 đường

ờng viền nhận

a các giá trị củ

ng viền bằng

g hồ, chúng ta

nh học, dễ dàn

uẩn hóa [16]

ủa hai đường

đường viền đư

|Γ|

ớn nhất, chỉ kh

ian phức cũng Bunyakovsky

Γ

chúng được n Tỉ lệ và hướn

ủa một đường

r với chính nó

0 độ nhận giá t

ủa NSP luôn b một hệ số thự

ng NSP thì bất chuẩn hóa của uẩn của NSP s

ình 2 Tích vô h

ép chuyển dịch đồng nhất, khô

g viền khác nh

n của các đườn

ột góc xoay củ

của 2 đường

g viền:

τ(m) = (Γ,N

n từ N bởi vòn

ủa ICF:

số phức, giả

a có vector số

ng chứng min

viền vector Γ

,

| || |

ược tính bằng

i đường viền Γ

g là một số p Schwarz): |ab Γ

nhân, và các g

ng xoay được viền với chính

ó, ta sẽ nhận g trị NSP=-1 D bằng 1

ực nào đó, ta s

t biến đối với

a đường viền c

ẽ bị giới hạn

hướng chuẩn trê

h, xoay và tỉ ông phụ thuộc hau, NSP sẽ b

ng viền Chuẩ

ủa đường viền

viền [16]

N(m)), m=0, ,

ng dịch chuyển

sử có 8 hướn phức {1, 1-i,

h được đặc tín

và N được xá

công thức:

Γ giống với đư

phức, tính đồn b| <= |a||b|, và

góc được cộng định nghĩa bở

h nó, nhưng xo giá trị NSP=1

Do vậy, phần t

sẽ nhận giá trị phép dịch chu cho giá trị đồn

ít đồng nhất h

ên đường viền

lệ của đường

c vào vị trí của

bị giới hạn nhỏ

ẩn đưa ra giá t

n

k-1

n bởi vector c

ng cơ bản của -i, -1, -1+i, 1

nh 2,3 và các đ

ác định bằng c

ường viền N,

ng nhất là giá

à chỉ có thể đạ

g lại với nhau

ởi một số phức oay một góc n Nếu xoay m thực của một N NSP=1 (Có th uyển, xoay và

ng nhất chỉ kh hơn

viền Nếu 2

a đường viền,

ỏ hơn 1, và độ trị đo của một

cơ sở EV của c

a đường viền, 1+i} Rõ ràng đặc tính còn l công thức:

nhưng xoay th

á trị lớn nhất

ạt được giá trị

u Đường viền

c μ

nhất định:

một đường viền NSP sẽ cho ta

hể thấy ở công

à tỷ lệ của đườ

hi 2 đường viền

đường viền tư hay độ xoay

ộc lập trong k

t đường viền v

chính nó trên

bắt đầu từ

ta có tổng

ại

(4)

(5) heo một số

có thể của này khi và (6)

n μN giống

n 90 độ, sẽ

a cosin của

g thức (4))

ng viền

n này bằng

ương đồng của góc và không gian,

và tham số

(7)

m phần tử

b

c

đ

B

m

q

n

đ

tr

th

k

b

r

(

P

đ

tr

584

Từ việc

biến với việc d

Định n

ACF là

của điểm khởi

Nếu đư

đường viền AC

B Thuật toán

Phân lo

minh họa tron

quan trọng ở đ

như pha phân l

Như đã

đường viền có

rình này gọi l

hống nhận diệ

k Và có thể c

ban đầu cần th

ra ý nghĩa của

Trong h

đường màu c

Peucker [17]

đường viền mớ

rình [17] về ứ

c xác định một

dịch chuyển, x

nghĩa 5 Hàm

à hàm tương q

đầu được tính

ường viền có n

CF là một đặc

n phân loại dự

oại dựa trên đư

ng hình 3 Các

đây là tính toá

loại cần phải t

ã trình bày ở

ó độ dài bất kỳ

là quá trình câ

ện, ký hiệu là

ó 2 biến thể, h

hiết để được sắ

sự cân bằng h

hình 4, bên tr

am, đậm); bê

Với d là số đ

ới sẽ đảm bảo

ứng dụng của t

PHƯƠN

t NSP và một xoay, tỉ lệ và s

tự tương qua

quan khi N=Γ

h theo công th

nhiều đối xứn tính của hình

ựa trên đường

Hình 3.

ường viền đư

c khối tăng cư

án đặc trưng củ thực hiện phép trên về phươn

ỳ Do đó việc

ân bằng Đầu t

k Sau đó với hoặc đường v

ắp xếp bởi EV hóa hay còn gọ

rái mô tả đườ

ên phải mô tả đỉnh của đườn

o phải xấp xỉ thuật toán Dou

Hình Tìm đ

Cơ sở Tính

Ph

NG PHÁP PHÂN

|

ICF, có thể th

sự thay đổi điể

an (ACF) [16]

Tích vô hướn hức:

υ(m) = (Γ,Γ

ng để xoay thì

h dạng của đườ

g viền

Sơ đồ khối tổn

ược chia thành ường ảnh, tìm

ủa đường viền

p cân bằng hó

ng pháp CA, tìm kiếm và tiên sẽ cố địn mỗi đường vi viền ban đầu c

V, ta sẽ quan t

ọi là đơn giản

Hình 4 X

ờng viền gốc hình tượng p

ng viền sau kh với đường viề uglas Peucker

mẫu phương đường viền hợ

dữ liệu đường

h toán đặc trư

ha huấn luyện

N LOẠI NHANH

|| | , 0, hấy τmax là gi

ểm khởi đầu

]

ng của đường

Γ (m)), m=0, ,

ì ACF của chú ờng viền

ng quát phân loạ

h 2 pha: Pha h đường viền á

n Tuy nhiên đ

óa đường viền cần xác định

so sánh đường

h số đỉnh của iền A mới đượ

có số đỉnh lớn tâm tới thành hóa đường vi

Xấp xỉ hóa đườn (đường màu phương pháp đ

hi đơn giản hó

ền ban đầu Đ

tiện

ợp lý

g viền

ng

n

H PHƯƠNG TIỆN

iá trị đo lường

g viền trên ch ,k-1

úng sẽ có đối

ại theo đường v huấn luyện và

áp dụng các th

để chuẩn hóa đ hay còn gọi là

độ dài của đ

g viền, tất cả

VC chuẩn (ở

ợc tạo ra, ta tạ hơn số k hoặ phần N như t iền

ng viền

đen, mỏng) v đơn giản hóa

óa, hình dáng Điều này được

Ảnh Tă Tìm Tính

Kết luậ

Pha

N GIAO THÔNG

g sự giống nha

hính nó tại các

i xứng tương t

viền

Pha phân loạ huật toán đã c đường viền ở

à xấp xỉ độ dà đường viền T chúng cần có

ở pha huấn luy

ạo một đường

ặc nhỏ hơn số tổng của các E

và đường viề đường cong t đường viền, c thực hiện và

h cần phân loạ ăng cường ảnh

m đường viền

h toán đặc trưn

So khớp

ận về phương t

a phân loại

G DỰA TRÊN ĐƯ

au của 2 đườn

c dịch chuyển

tự nhau Có t

ại Sơ đồ khái

có trong xử lý

cả pha huấn l

ài đường viền

Trong một bức

số đỉnh đồng yện) sẽ sử dụn viền vector N

k Nếu một đ

EV Hình 4 dư

ền sau khi đơn theo thuật toá chu vi hay diệ chứng minh

ại

h

n

ng

tiện

ƯỜNG VIỀN

ng viền, bất

khác nhau (8)

hể coi một

quát được

ý ảnh Điều luyện cũng

c ảnh thực,

g nhất Quá

ng trong hệ với độ dài đường viền ưới đây chỉ

n giản hóa

án Douglas

ện tích của trong công

Pha huấn luyện Chuẩn bị cơ sở dữ liệu Template (Thực hiện thủ công)

Input: Hình ảnh (Image), ngưỡng đường viền (ThresoldContour), số đỉnh đường viền (d)

Output: Template (Tập mẫu)

Nội dung thuật toán:

1 Chuẩn hóa về độ phân giải mong muốn

Image ← ChuanHoaDoPhanGiai(Imange)

2 Tìm các đường viền

Contour(i) ← TimDuongVien(Image), i=1 n

3 Chuẩn hóa các đường viền

For i=1 to n {//Áp dụng thuật toán đơn giản hóa Contour(i) ←DonGianHoa(Contour(i), d)}

For i=1 to n {//Tính chu vi

ChuVi(i) ← TinhChuVi(Contour(i))}

For i=1 to n {//Loại đường viền quá nhỏ

j←i

if ChuVi(i)> ThresoldContour then { Countour(j) ← Countour(i); j++}}

m=j; //m là số đường viền sau khi loại bỏ đường viền nhỏ

4 Tìm đặc trưng các đường viền

For i=1 to m {//Tính toán tham số đặc trưng CV(i) ← Chuvi(Contour(i))

DT(i)←DienTich(Contour(i)) for j=1 to d {//Tính góc tại các đỉnh goc(i,j)=TinhGoc(Contour(i),j) }

5 Cập nhật Template

For i=1 to m {

Template ← CV(i), DT(i) For j=1 to d

Template ←goc(i,j) }

6 Retrurn Template

Pha phân loại Nhận dạng trên các tập ảnh thực tế (Thực hiện online – thời gian thực):

Input: Video/Ảnh

Output: ImageCountour (Ảnh có chứa đường viền phương tiện)

Nội dung thuật toán:

1 Thu nhận và Xử lý sơ bộ ảnh (Làm mịn, lọc nhiễu, tăng độ tương phản)

2 Tìm các đường viền

Contour(i) ← TimDuongVien(Image), i=1 n

3 Chuẩn hóa các đường viền

For i=1 to n {//Áp dụng thuật toán đơn giản hóa Contour(i) ←DonGianHoa(Contour(i), d)}

For i=1 to n {//Tính chu vi

ChuVi(i) ← TinhChuVi(Contour(i))}

For i=1 to n {//Loại đường viền quá nhỏ

j←i

if ChuVi(i)> ThresoldContour then { Countour(j) ← Countour(i); j++}}

m=j; //m là số đường viền sau khi loại bỏ đường viền nhỏ

4 Tìm đặc trưng các đường viền

For i=1 to m {//Tính toán tham số đặc trưng CV(i) ← Chuvi(Contour(i))

DT(i)←DienTich(Contour(i)) for j=1 to d {//Tính góc tại các đỉnh

2

t

đ

n

C

T

m

v

x

p

c

v

c

t

c

c

n

v

586

Mệnh đ

Giả sử b

2 chiều, do đó

Giả sử

ạp ước tính là

Thuật t

đầu là một số k

Vấn đề

nghĩa bởi một

Còn giá trị k n

Mặc dù

Trong việc thể

Việc ki

một kết quả kh

với các kích th

xác đã được c

phép xử lý vid

Thực n

của phân tích

và tìm kiếm cá

Lớp Co

cân bằng hóa,

Lớp Te

ính của đường

Lớp Te

của lớp này là

cạnh đó Found

Dự án t

nhận dạng Đồ

viện OpenCV

} sánh đường v

For each đ

C C S turn

đề 3 Độ phức

bức ảnh đã đư

độ phức tạp t

k là độ dài đư

à O(n2k2t)

toán này thực

k nhỏ Ta thêm

là cần chọn g

vùng ứng dụn

nhỏ cần ít thôn

ù những giới h

ể hiện các đối

iểm nghiệm ph

há tốt Và kết

hước khác nha

cải thiện và tố

deo trong chế đ

nghiệm được th

đường viền, t

ác mẫu

ontour tạo ra

chuẩn hóa và

emplate được

g viền ban đầu

emplateFinder

à FoundTemp

dTemplateDes

thứ 2, Contou

ồng thời nó cũ

(EmguCV NE

PHƯƠN

goc(i, }

viền với Temp đường viền ph Chọn vùng chi Chọn vùng diệ

So sánh sự đồn

c tạp ước tính

ược nhị phân h tương ứng là O ường viền, t là

là phức tạp, đ

m vào phép nộ giá trị k Vậy

ng cụ thể Mặ

ng tin, độ chín

hạn trên, phươ tượng trong n hương pháp C quả này chứa

au (từ 400*40

ốc độ nhanh h

độ thời gian th thiết kế trên 2

ạo được viền,

và lưu trữ các đánh giá quan dùng để tạo c

u, chuẩn của đ

r thực hiện việ lateDesc, chứ

sc chứa tỉ lệ tư urAnalysisPro ũng chứa các c

ET wrapper) đ

NG PHÁP PHÂN ,j)=TinhGoc(C plate

hát hiện {

i vi để đối sán

ện tích để đối

ng dạng giữa 2

h của thuật to

hóa có kích th O(n2)

à số các đườn

đặc biệt với độ

ội suy và coi l giá trị nào là

ặt khác, độ dài

nh xác của việc

III THỰC N

ơng pháp CA nền tương phản

CA bằng cách

a một số lượng

00 tới 1280*96 hơn Bên cạnh hực

dự án Dự án , tích vô hướn

Hình 5 H

c đường viền

ng phổ, đánh g các mẫu cơ bản đường viền Đ

ệc tìm kiếm n

ứa đường viền ương tự, góc x cessing , chứa công cụ để tự

để xử lý ảnh

N LOẠI NHANH Contour(i),j)

nh sánh

2 đường viền}

oán phân loại

hước n*n pixel

ng viền có tron

ộ dài của một

à giá trị xấp x tối ưu nhất?

i lớn k có ngh

c nhận dạng cũ

vẫn được chú

n và ít nhiễu, C kiểm thử cho

g các ảnh đọc 60) trong vòng việc nhận dạ

n đầu tiên là C

ng của đường

Hệ thống thực ng Chứa các vận giá ACF, ICF

n Lớp này lưu ồng thời lớp m nhanh các mẫu

n ban đầu và m xoay và tỉ lệ đ

a các phương động tạo ra cá

H PHƯƠNG TIỆN

}

i dựa trên VC

ls, tìm đường

ng ảnh Thuật

số k lớn Tuy

ỉ

Câu trả lời ch hĩa là tiêu tốn ũng giảm và v

ú ý với những

CA sẽ thực hi

ra kết quả 90 xấu của các p

g 30 giây So ạng các ảnh tĩn

ContourAnalys viền, cân bằn

ghiệm

n hành cơ bản

u trữ các đườn mẫu này có tên

u của đường v mẫu được ph đường viện, cá pháp để xử lý

ác mẫu cho vi

N GIAO THÔNG

C

viền bằng các

t toán so sánh

y nhiên trong

ho vấn đề này một lượng ph việc nhận dạng

g sự thực hiện iện tốt việc nh

% phương tiệ phương tiện D sánh với kết q ĩnh, thực hiện

sis - thực hiệ

ng hóa, đánh g

n cho đường v

ng viền, bộ mô

n được dùng t viền cho sẵn K hát hiện bởi đư

ác liên hệ mẫu

ý sơ bộ ảnh, c

ệc nhận dạng

G DỰA TRÊN ĐƯ

ch duyệt qua to

h đường viền c thực tế, đườn

y là hoàn toàn

hí lớn vào việc

g nhiễu tăng lê

đơn giản và t hận dạng

ện được nhận d

Do đó CA xử quả trong [14 tốc độ cao củ

ện các chức nă giá ICF và AC

viền, tích vô hư

ô tả ACF, tham trong giá trị nh Kết quả của sự ường viền cho

u

chọn đường v các loại xe, sử

ƯỜNG VIỀN

oàn bộ ảnh

có độ phức

ng viền ban

được định

c đánh giá

ên tốc độ cao

diện Đó là

lý 249 ảnh ], độ chính

ủa CA cho

ăng cơ bản

CF, so sánh

ướng, tỉ lệ,

m số tuyến hận dạng

ự vận hành

o sẵn Bên iền, lọc và

ử dụng thư

l

đ

Đ

p

đ

m

n

ô

n

n

th

đ

n

tr

h

k

n

đ

n

đ

Lớp Im

mageProcesso

iệt kê danh sá

đường viền

Các tha

Độ dài đường

pixel; Độ phân

Cơ sở

đường viền kh

máy được tập

nửa trên người

Trong q

ô tô), 2xm (hai

Phương

nhận dạng ra n

nhau trong ảnh

Giải thu

hực Độ chính

đường ở Việt N

Trong q

nghiên cứu tiếp

- Hạn c

rúc rời rạc nh

hợp: Có một s

không thể có đ

những nhân tố

đồng với đườn

như một ô tô:

đường viền nà

mageProcessor

or nhận ảnh ở

ách đường viề

am số trong t

viền nhỏ nhấ

n giải ảnh đầu

dữ liệu mẫu:

hác nhau từ cá

trung lưu trữ

i đi xe máy Đ

a)

c)

quá trình nhận

i xe máy), 2ot

a) Nhận dạn b) Nhận dạn c) Nhận dạn

g pháp được th

nhanh một xe

h

uật hoạt động

h xác của giải

Nam

quá trình thực

p tục như sau

chế đầu tiên có

hất định Tuy

ố lượng lớn c

đường biên rõ

ố trên dẫn tới

ng bao của đối

đường viền k

ày trong cùng m

r được sử d

ở đầu vào Kết

ền được nhận

thực nghiệm:

ất (Min contou vào: 640 x 48

: Thực nghiệm

ác hình dạng 1 toàn bộ hình Đối với ô tô, tậ

) Một xe máy

c) Một ô tô thông q

n dạng, gán nh

to (hai ô tô), 1

a)

ng được 2 đường v

ng được 3 xe máy.

ng được một ô tô v

Hình

hực nghiệm v

e máy, 1 ô tô,

với tốc độ 10

i thuật đã đượ

c nghiệm, chú :

ó liên quan tới nhiên các đối

ác đường viền

õ ràng, có thể n việc đường v

i tượng Mặt k kính trước, đườ một đối tượng

dụng để xử lý

t quả xử lý liệ

n diện FoundT

: Kích thước n

ur length) = 3

80 pixel

m đã thực hiện

1 xe máy, 1 xe

h dạng đường

ập mẫu tạo ra b

qua kính trước

Hình 6 Ví d

hãn cho đường 1xm1oto (một

b

viền, gán nhãn ch Trong đó có 2 x

và 1 xe máy đi gầ

h 7 Ví dụ kết qu

với các ảnh tự

2 xe máy dín

0-14Hz trên m

ợc kiểm nghiệ úng tôi thấy r

i vấn đề lựa ch

i tượng này đư

n liên quan và nhận diện dựa viền không thể khác, trên thực ờng viền gươn

g cũng cần phả

ý ảnh Đồng

ệt kê các đườn Templates Lớp

ngưỡng khối t

0 pixel; Diện

n tạo ra một c

e ô tô, 2 xe má viền bao quan bằng cách lưu

dụ về tập mẫu để

g viền phát hiệ

xe máy kèm m

b)

ho mỗi xe một nhã

e nhận dạng theo

ần nhau

uả nhận dạng xe nhiên và tron

nh liền nhau, 2

máy tính Pentiu

m thông qua v rằng còn có m

họn đường viề ược thể hiện t

à không liên qu

a trên độ sáng

ể được lựa chọ

c tế một đối tư

ng quan sát hậ

ải đặt ra

thời lưu trữ

ng viền được p

p ImageProce

thích nghi (Ad tích đường vi

cơ sở dữ liệu t

áy, 2 ô tô, 1 xe

nh xe máy Th

u trữ khung đư

d) Một ô tô v

ể so sánh

ện được tương một ô tô)

ãn là 1xm

o đường viền toàn

e ô tô và xe máy

ng bài toán đếm

2 ô tô dính liề

um IV, 2.6GH việc đối sánh một số những

ền trên ảnh Đ trong môi trư uan đến đối tư

g hoặc màu sắc

ọn hoặc được ượng có thể có

ậu, đường viề

ữ mẫu Phươn phát hiện Ima essor chứa cà

daptive Threso iền nhỏ nhất (

tập mẫu các đ

e máy 1 ô tô

hêm một số m ường viền của

b) Hai xe má

và một xe máy

g ứng là 1xm (

c)

n bộ, 1 xe nhận dạ

y

m phương tiện

ền nhau, 1 ô t

Hz phù hợp vớ ảnh giao thôn hạn chế của

Đường viền đư ường thực có t ượng nhận dạn

c so với nền, c

c chọn không

ó nhiều đường

ền hai đèn trướ

ng thức Proc ageProcessor.s

ài đặt cho việc

old block size) (Min contour

đường viền gồ Đường viền m mẫu về đường kính trước ô t

áy

(một xe máy),

ạng theo phần trê

n giao thông,

tô và 1 xe máy

ới các ứng dụn

ng chụp tại m phương pháp

ược giới hạn v thể xảy ra nhữ ng; Đối tượng

có thể bị nhiễ chính xác, kh

g viền tồn tại,

ớc xe, Việc

essImage() samples và

c tìm kiếm

) = 5 pixel; area) = 10

ồm 50 mẫu mẫu của xe viền phần

tô

, 1oto (một

ên xe

so sánh và

y dính liền

g thời gian một số cung

p, cần phải

ới một cấu ững trường

g trong ảnh u… Tất cả hông tương chẳng hạn

tổ hợp các

588 PHƯƠNG PHÁP PHÂN LOẠI NHANH PHƯƠNG TIỆN GIAO THÔNG DỰA TRÊN ĐƯỜNG VIỀN

- Hạn chế thứ hai, gây phức tạp cho phương pháp CA có liên quan tới các quy tắc của phân tích đường viền Phương pháp CA giả sử rằng đường viền mô tả khung của các đối tượng và không quan tâm đến các phần phía sau hoặc các phần nhìn thấy không hoàn toàn của đối tượng Do đó CA có độ ổn định kém trong các trường hợp nhiễu, không hỗ trợ sự giao cắt hoặc các phần nhìn thấy của đối tượng

Trong bài báo này, đề xuất phương pháp phân loại dựa trên đường viền, có khả năng ứng dụng vào các bài toán đối sánh ảnh đòi hỏi thời gian thực Đóng góp chính: 1) một phương pháp biểu diễn đường viền đối tượng bằng đường viền vector trên trường số phức; 2) một số phép toán xử lý trên đường viền vector số phức, xấp xỉ đường viền số phức bằng đa giác; 3) sử dụng giải thuật phân tích đường viền, tìm kiếm độ dài đường viền để thực hiện tìm kiếm và đối sánh hai đường viền

Hướng phát triển tiếp theo là: 1) loại bỏ nhanh một số lỗi bằng cách xem xét kích thước chiều dài, chiều rộng đối tượng, ngưỡng xấp xỉ hình dạng đường viền mịn hơn, sau đó thử nghiệm giải thuật đối sánh ảnh trong một hệ thống giám sát giao thông thời gian thực; 2) xem xét đến trường hợp một đối tượng có nhiều đường viền để tăng độ chính xác

và khả năng nhận dạng đối tượng đa dạng hơn

[1] Kasana, H S (2005), Complex Variables: Theory And Applications (2nd ed.), PHI Learning Pvt Ltd,

p 14, ISBN 81-203-2641-5

[2] S Benhimane and E Malis (2007), Homography based 2d visual tracking and servoing Int Jounal of Computer

Vision, 2007 Special UJCV/IJRR issue on vision for robots

[3] H Tran, A Lux (2004), A method for ridge extraction In Proc of Asean Conference on computer vision

ACCV05, Volume 1, Pages 96-111, Jeju, Korea

[4] A I Comport, E Marchand, and F Chaumette(2004), Robust model-based tracking for robot vision In IEEE/RSJ

Int Conf on Intelligent Robots and Systems, IROS'04, volume 1, pages 692.697, Sendai, Japan, September 2004 (extended version version published in Advanced Robotics, 16(10):1097.1013, december 2005 (special issue on Selected paper from IROS'04)

[5] A I Comport, E Marchand, and F Chaumette (2006), Statistically robust 2d visual servoing IEEE Trans on

Robotics, 22(2):415.421

[6] A I Comport, E Marchand, M Pressigout, and F Chaumette (2006), Realtime markerless tracking for augmented reality: the virtual visual servoing framework IEEE Trans on Visualization and Computer Graphics,

12(4):615.628

[7] H Tran (2006), Etude des lignes d'intérêt naturelles pour la représentation d'objets en vision par ordinateur Ph.D

dissertation (in french)

[8] E Rosten and T Drummond (2005), Fusing points and lines for high performance tracking In IEEE Int Conf on

Computer Vision, pages 1508-1515, Beijing, China

[9] K Mikolajczyk, T Tuytelaars, C Schmid, A Zisserman, J Matas, F Schaffalitzky, T Kadir, and L Van Gool

(2005), A comparison of affine region detectors Int Journal of Computer Vision, 65:43.72

[10] E Marchand, F Spindler, and F Chaumette (2005), ViSP for visual servoing: a generic software platform with a wide class of robot control skills IEEE Robotics and Automation Magazine, 12(4):40.52, December 2005 Special

Issue on "Software Packages for Vision-Based Control of Motion", P Oh, D Burschka (Eds.)

[11] E Marchand and F Chaumette (2005), Feature tracking for visual servoing purposes Robotics and Autonomous

Systems, 52(1):53.70 Special issue on Advances in Robot Vision., D Kragic, H Christensen (Eds.)

[12] D Lowe (2004), Distinctive image features from scale-invariant keypoints Int Journal of Computer Vision,

60(2):91.110

[13] V Lepetit and P Fua (2006), Keypoint recognition using randomized trees IEEE Trans on Pattern Analysis and

Machine Intelligence, 28(9):1465.1479

[14] A J Lipton and at al (1998), Moving target classification and tracking from real-time video In Proc of Workshop

Applications of Computer Vision, pages 129–136

Bảng kết quả của nghiên cứu trong [14]

Target Tot Unclass Misclass Correct Vehilce 319 10.7% 2.5% 86.8%

Human 291 11.0% 6.2% 82.8%

False 4 [15] Ngô Quốc Tạo, Nguyễn Văn Căn, Huỳnh Văn Huy (2014), Nghiên cứu phương pháp đếm xe ô tô sử dụng mô hình hỗn hợp Gaussian và luồng quang học Kỷ yếu hội nghị Fair 2014

[16] Rohit Kolar, Akshay Thakar, Muzaffar Shabad (2014), Image Segmentation for Text Recognition using Boundary

Analysis International Journal of Emerging Technology and Advanced Engineering ISSN 2250-2459, ISO

9001:2008 Certified Journal, Volume 4, Issue 2, February 2014) 294

[17] Wu, Shin-Ting and Márquez (2004), Mercedes R G (2004), A non-self-intersection Douglas-Peucker Algorithm,

Proceedings of Sibgrapi © 2004 IEEE

FAST METHOD CLASSIFICATION BASED ON TRANSPORTATION

CONTOURS Nguyen Van Can, Nguyen Tien Hung, Duong Phu Thuan, Nguyen Dang Tien

ABSTRACT - The purpose of this paper is: first, the present method of performing contour of the object in a binary image using

complex numbers vector Monday analyzing some properties of the complex vector to apply to problem identification, comparison

on the basis of contour form Construction general scheme for the identification and classification of objects by means of vector

contours We have conducted experiments to identify and classify the photo with the complexity of motorcycles and cars for accurate

results and fast calculation speed