Ứng dụng điện toán biên trong thu thập và xử lý video giao thông theo thời gian thực

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

Ứng dụng điện tốn biên trong thu thập và xử
lý video giao thơng theo thời gian thực
Trần Văn Hưng
Trường đại học Giao thông vận tải
Email:
sâu, điều tiết giao thơng vĩ mơ. Ví dụ như hệ thống
giám sát hình ảnh được CadPro [2] triển khai lắp đặt tại
Trung tâm điều khiển đèn tín hiệu giao thông - Công an
TP.Hà Nội, phục vụ việc giám sát các điểm nóng giao
thơng trên địa bàn TP.Hà Nội với số lượng mở rộng lên
tới hàng nghìn camera. Dữ liệu video này được truyền
về trung tâm lưu trữ với dung lượng khổng lồ. Để có
thể phân tích dữ liệu video tập trung này theo thời gian
thực cần năng lực xử lý cực lớn. Nếu áp dụng mơ hình
xử lý dữ liệu video truyền thống thì chi phí tính tốn rất
lớn, độ trễ lớn, băng thơng lớn và khó đáp ứng tính thời
gian thực của các sự kiện giao thơng. Bài báo xây dựng
mơ hình xử lý dữ liệu phân tán ứng dụng điện toán
biên, thực hiện phân bố tải tính tốn lên các nút biên
đặt gần nhất với nguồn dữ liệu video gốc nhằm thu
thập các thông tin đặc trưng của dịng giao thơng. Dữ
liệu video giao thơng sau bước tiền xử lý tại các nút
biên mới được truyền về trung tâm. Điều này làm giảm
tải xử lý, giảm lưu lượng mạng và đặc biệt là thời gian
phản hồi nhanh đáp ứng tính thời gian thực.

Abstract— Hệ thống giao thông tại các đô thị lớn nước ta
hiện đang phải đối mặt với những vấn đề nghiêm trọng
liên quan đến ùn tắc giao thông, tai nạn giao thông và ô

nhiễm môi trường. Việc triển khai các ứng dụng của ITS,
cụ thể là công nghệ xử lý ảnh kết hợp với kỹ thuật học
sâu phục vụ bài toán điều tiết giao đã từng bước được
triển khai, tuy nhiên đều tập trung vào mơ hình xử lý dữ
liệu tập trung dẫn tới khối lượng tính tốn lớn, hiện
tượng nghẽn cổ chai, khó đáp ứng tính thời gian thực của
các sự kiện giao thơng. Bài báo xây dựng mơ hình ứng
dụng điện tốn biên để thu thập và xử lý hình ảnh dịng
giao thơng hỗn hợp, thực hiện phân bố tải tính toán tại
các nút biên, chỉ truyền về trung tâm các dữ liệu sau
bước tiền xử lý. Mơ hình này có độ trễ thấp, tiết kiệm
băng thông mạng và đáp ứng được yêu cầu thời gian
thực của các sự kiện giao thông.
Keywords- Hệ thống ITS, xử lý ảnh giao thông, luồng
giao thông hỗn hợp, thông tin giao thông, trạng thái giao
thông, điện tốn biên.

I.

GIỚI THIỆU

Phần 2 của bài báo trình bày phương pháp tiếp cận
và xây dựng thuật toán đánh giá trạng thái dịng giao
thơng hỗn hợp. Phần 3 trình bày về xây dựng hệ thống
và thử nghiệm và cuối cùng là kết luận.

Trong những năm qua, các đô thị lớn nước ta như
Hà Nội, TP.Hồ Chí Minh, v.v đều chú trọng đầu tư
phát triển hạ tầng giao thông và áp dụng các giải pháp
quản lý giao thông hiện đại, từng bước mang lại hiệu

quả nhất định. Tuy nhiên, các kết quả này chưa đạt
được như kỳ vọng do nhiều nguyên nhân. Trong đó,
nguyên nhân chủ yếu được đánh giá là do khơng có đầy
đủ thơng tin về dịng giao thơng (vĩ mô và vi mô) để
phục vụ cho công tác quản lý điều hành giao thông đô
thị. Các thành quả nghiên cứu ứng dụng ITS từ các
nước tiên tiến hầu như chưa thể áp dụng hết ở đô thị
nước ta do đặc trưng của dịng giao thơng hỗn hợp.
Việc ứng dụng công nghệ xử lý ảnh kết hợp với các kỹ
thuật học sâu để thu thập thông tin đặc trưng của dịng
giao thơng làm cơ sở để phân tích và đánh giá trạng
thái giao thông, phục vụ điều tiết mạng lưới giao thông
đô thị là vấn đề rất được quan tâm [1][3][6][7]. Các
thông tin giao thông sẽ giúp cho nhà quản lý có được
những giải pháp vận hành cơ sở hạ tầng giao thơng sẵn
có một cách linh hoạt theo nhu cầu giao thông luôn
thay đổi theo cả thời gian và địa điểm. Hiện tại, các hệ
thống camera giám sát giao thông đã được triển khai ở
hầu hết các đô thị lớn nước ta với mục đích chính là xử
lý vi phạm giao thơng, chưa có các chức năng phân tích

ISBN 978-604-80-7468-5

II.

PHÂN TÍCH DỊNG GIAO THƠNG

1) Các tham số chủ yếu của dịng giao thơng
Dịng giao thơng hay dịng xe được hiểu là tập hợp
các đối tượng tham gia giao thông trên cùng một hướng

chuyển động trong một không gian và thời gian xác
định. Dịng giao thơng được hình thành từ sự tương tác
giữa những người điều khiển phương tiện, giữa các
phương tiện và tương tác với các yếu tố vật lý của
đường cũng như yếu tố mơi trường nói chung. Trên thế
giới, những đơ thị hiện đại có hệ thống giao thơng phát
triển tương đối hồn thiện, dịng giao thơng chủ yếu là
ơtơ chạy theo làn một cách có tổ chức. Việc thu thập
các các thơng tin về dịng giao thơng rất thuận tiện. Ở
nước ta, dịng giao thơng đơ thị là dịng hỗn hợp có tính
tổ chức thấp nên việc thu thập thơng tin chính xác về
dịng giao thơng khơng hề đơn giản, đặc biệt là việc
đếm chính xác số lượng xe máy trong khi đây là loại
phương tiện chủ yếu trong dịng giao thơng đơ thị. Để
mơ tả tính chất động của dịng xe, người ta sử dụng các

394


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

thông số mô tả thuộc vào hai nhóm chính: (1) nhóm
các tham số vĩ mơ mơ tả dịng xe như một chỉnh thể với
các tham số cơ bản như lưu lượng, vận tốc trung bình,
mật độ; và (2) nhóm các tham số vi mô mô tả các hành
vi, ứng xử của các xe trong dịng xe với nhau mà từ đó
dẫn đến sự thay đổi đặc tính của tốc độ và vị trí tương
đối của các xe trong dòng xe như khoảng cách thời
gian giữa các xe, thành phần dịng xe.

gian) sẽ khơng phản ánh chính xác trạng thái thực tế
của dịng giao thông. Với sự phát triển của các công
nghệ thu thập thông tin giao thông hiện nay, nhiều
tham số giao thông có thể được thu thập đồng thời.
Việc sử dụng đa chỉ tiêu để phân tích, đánh giá trạng
thái và cảnh báo ùn tắc giao thơng mang lại độ chính
xác cao hơn. Theo đó, nghiên cứu này đã sử dụng đa
chỉ tiêu để xây dựng phương pháp đánh giá toàn diện
mờ (Comprehensive Fuzzy Assessment, CFA)[3][4].

2. Nhận dạng và phân loại phương tiện trong dịng
giao thơng hỗn hợp
Với tính chất đặc thù của dịng giao thơng đơ thị
nước ta nên việc áp dụng các mơ hình từ các nước phát
triển khơng phản ánh chính xác được thực tế giao thơng
đơ thị Việt Nam. Nghiên cứu này sử dụng kỹ thuật xử
lý ảnh kết hợp với mạng học sâu để phát triển thuật
toán phân tích dịng giao thơng hỗn hợp từ luồng video
giao thơng để trích xuất các đặc trưng như: lưu lượng,
mật độ và tốc độ trung bình của phương tiện.
Các bước của quá trình nhận dạng và phân loại
phương tiện giao thông bao gồm: thu thập dữ liêu, gán
nhãn đối tượng, chia tệp dữ liệu, huấn luyện mơ hình
và áp dụng mơ hình. Q trình này được thực hiện trên
tập dữ liệu bao gồm tập huấn luyện (108000 ảnh) và
tập kiểm thử (6000 ảnh), bao gồm các ảnh các các điều
kiện thời tiết và ánh sáng khác nhau. Sau khi cài đặt
thơng số của mơ hình và huấn luyện, mơ hình có độ
chính xác cao nhất được lưu lại và áp dụng vào nhận
dạng và phân loại phương tiện giao thông trong thực tế,

bao gồm 05 loại phương tiện: xe máy (motor), ôtô
(car), xe buýt (bus), xe tải (truck), xe đạp (bicycle). Kết
quả huấn luyện như trong Hình 1.

Bắt
Bắt đầu
đầu

Thu
Thu thập
thập thông
thông tin
tin
giao
giao thông
thông

Nhận
Nhận dạng
dạng và
và
phân
phân loại
loại phương
phương tiện
tiện
Xác
Xác định
định tham
tham số:

số: tốc

độ trung bình, tỷ lệ
chiếm dụng, V/C

Nhận
Nhận dạng
dạng trạng
trạng thái
thái
giao
giao thơng
thơng

Tiêu
Tiêu chuẩn
chuẩn

Cảnh
Cảnh báo
báo

Hình 2: Các bước phân tích
Phương pháp CFA được xây dựng dựa trên thuật
toán mờ và được xem xét bởi nhiều yếu tố ảnh hưởng
để đưa ra quyết định toàn diện cho vấn đề nhất định và
mục tiêu nhất định. Các bước của CFA như trong Hình
3. Phương pháp CFA sử dụng hàm thuộc dạng hình
thang cho các chỉ tiêu đánh giá, bao gồm tốc độ trung
bình (average speed), tỷ lệ chiếm dụng (Occupancy) và

tỷ lệ V/C (tỷ số giữa lưu lượng xe - xe con quy đổi và
năng lực thơng hành) như Hình 4.
Bước 1: Xác định tập hợp các yếu tố đánh giá U của
mục tiêu, U = {uij}, i= 1,...,m; j =1,...,n
Bước 2: Xây dựng hệ thống phân cấp cho các chỉ số
đánh giá; gồm 5 cấp {I,II,III,IV, V}

Hình 1: Kết quả quá trình huấn luyện

Bước 3: Xác định hàm thành viên (hàm thuộc) của các
chỉ số, bao gồm tốc độ trung bình (average speed), tỷ lệ
chiếm dụng (Occupancy) và tỷ lệ V/C)

3. Thuật tốn phân tích dịng giao thơng hỗn hợp
Mục tiêu của thuật tốn này là nhận dạng được
trạng thái giao thơng trên đoạn tuyến hoặc trong nút
giao, từ đó phát hiện các nguy cơ ùn tắc giao thơng
(UTGT) để kiểm sốt nhanh nhất UTGT sơ cấp. Các
kết quả có được sau khi nhận dạng và phân loại
phương tiện được sử dụng để đánh giá trạng thái giao
thông trong vùng khảo sát. Các bước thực hiện như
trên Hình 2, trong đó tiêu chuẩn để phân loại mức độ
phục vụ và đánh giá nút giao theo HCM (Highway
Capacity Manual – Sổ tay về năng lực thơng hành) và
tham khảo TCVN 4054-05.
Do tính chất phức tạp của dòng giao hỗn hợp, nếu
sử dụng một chỉ tiêu đánh giá (ví dụ tốc độ hoặc thời

ISBN 978-604-80-7468-5

Bước 4: Xây dựng ma trận đánh giá mờ Rn×k với n chỉ
tiêu đánh giá cho một mẫu quan trắc, và k là số bậc
đánh giá của hệ thống
Bước 5: Xác định trọng số cho các chỉ tiêu đánh giá sử
dụng phương pháp Entropy (wj)
Bước 6: Đánh giá kết luận trên vector hàm thành viên
(wjRn×k); cấp trạng thái giao thơng của mỗi mẫu quan
sát được xác định dựa trên nguyên lý giá trị lớn nhất
hoặc dựa vào giá trị bình quân trọng số

Hình 3: Các bước của phương pháp CFA

395


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2022)

Sau khi tính toán được vectơ hàm thành viên, cấp
của trạng thái giao thơng của mỗi mẫu quan sát có thể
được xác định dựa trên nguyên lý giá trị lớn nhất, hoặc
dựa vào giá trị bình quân trọng số.

2. Thử nghiệm hệ thống trong phịng thí nghiệm
Trước khi lắp đặt thiết bị xử lý video giao thơng
trực tuyến, thuật tốn được thử nghiệm trong phịng thí
nghiệm với các đoạn video offline quay trong các điều
kiện thời tiết khác nhau để đánh giá và tối ưu. Với thuật
toán nhận dạng phương tiện, dưới đây là thử nghiệm
với tệp video tại 02 mặt cắt đường ở Hà Nội. Một mặt
cắt ở trên đường Trần Duy Hưng (gần với trường Đại

học Lao Động Thương Binh và Xã Hội), một mặt cắt
trên đường Xuân Thủy (gần trường Đại học Quốc gia).
Camera được đặt trên giá 3 chân, nằm trên cầu bộ
hành, quay trực diện dòng xe đang chạy. Chạy thử trên
đoạn video dài 18 phút, số xe đếm được là 2689 xe; Số
xe không nhận dạng được: 7 xe (0,26%); Số xe nhận
dạng sai: 11 xe (0,41%). Tổng sai số: 0,67%.

Hình 4: Hàm thuộc của các chỉ tiêu
III.

THỬ NGHIỆM VÀ ĐÁNH GIÁ

1. Cấu hình hệ thống
Sơ đồ kết nối hệ thống thu thập và xử lý thông tin
giao thơng như trong Hình 5, sử dụng mơ hình xử lý dữ
liệu phân tán. Các camera thu thập hình ảnh giao thông
tại hiện trường được kết nối đến thiết bị biên là máy
tính cơng nghiệp chun dụng cho xử lý ảnh NVIDIA
Jetson AGX Xavier [5]. Thiết bị biên này kết nối trực
tiếp với camera, được cài đặt tích hợp thuật tốn xử lý
ảnh sử dụng ngơn ngữ lập trình Python với YOLOv5.
Quá trình xử lý được thực hiện bởi thiết bị biên ngay
tại hiện trường để đưa ra các tham số thống kê về dịng
giao thơng, phục vụ mục đích phân tích và đánh giá
trạng thái giao thơng. Camera giao thơng sử dụng loại
chun dụng với cảm biến hình ảnh RGB CMOS
1/2.8", độ phân giải 1920x1080, tốc độ 50FPS. Kết quả
đầu ra của các thiết bị biên truyền về trung tâm được sử
dụng để hỗ trợ phân tích và đánh giá trạng thái giao

thông theo thời gian thực, phục vụ các nghiệp vụ quản
lý điều hành giao thông đô thị [7].

Hình 6: Thử nghiệm offline thuật tốn nhận dạng
phương tiện
Đối với thuật tốn đánh giá trạng thái giao thơng
trên một đoạn tuyến, nghiên cứu sử dụng video kích
thước 1920x1080 với định dạng *.mp4 ghi hình trên
đường Trần Duy Hưng. Vùng quan sát là vùng diện
tích có chiều dài bằng 3 làn xe giáp dải phân cách
(10,5m), chiều rộng 5m. Diện tích vùng quan sát là
63,0 m2. Khoảng thời gian quan sát được chia nhỏ với
khung thời gian 3 phút, hình thành nên 5 mẫu quan sát
trong thời gian 15 phút trong giờ lân cận giờ cao điểm
buổi sáng.
Bảng 1. Thông tin giao thông đánh giá mức phục vụ tại
mặt cắt quan sát

Site 1
Trung tâm

...

Mạng
truyền dẫn

Site n

Tốc độ
trung

bình
(km/h)

Độ
chiếm
dụng
(%)

Năng
lực
thơng
hành
(pcu/
min/ln)

V/C

LOS

1

21

18,1

17,20

25

0,84

D

2

15

19,5

11,73

25

0,60

C

3

16

18,4

12,90

25

0,64

C

4

18

18,6

14,31

25

0,72

C

5

16

19,2

13,26

25

0,64

C

Từ kết quả phân tích và đối chiếu TCVN 4054-05,

năng lực thơng hành lý thuyết là 1500 pcu/h/ln, tương
đương 25 pcu/min/ln. Mức phục vụ ở mặt cắt quan sát
nằm ở mức C và mức D như trong Bảng 1. Khi đánh
giá dựa theo mơ hình mờ tổng hợp CFA, từ bảng thơng
tin giao thơng thu thập ở trên, xác định được trọng số

Hình 5: Cấu hình hệ thống phân tán ứng dụng các nút
điện toán biên

ISBN 978-604-80-7468-5

Mẫu

Lưu
lượng
(pcu/
min/ln)

396


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

của các yếu tố theo phương pháp Entropy (w =
{0,023;0,524;0,453}). Kết quả đánh giá trạng thái giao
thông tại mặt cắt quan sát là trạng thái giao thông ở
mức (III) và (IV), giao thông ở trạng thái ùn tắc nhẹ.

Dữ liệu được thu thập và xử lý bằng máy tính cơng
nghiệp ở hiện trường, sau đó gửi số liệu về trung tâm

để xử lý và hiển thị. Giao diện phần mềm quản lý trung
tâm như trên Hình 7. Kết quả các tham số thống kê quy
luật phân bố lưu lượng và đánh giá tỷ lệ (V/C-lưu
lượng/năng lực) của dịng giao thơng tại hai nút trong
các điều kiện thời tiết hiện trường được quan sát trên
phân hệ trung tâm như Hình 8,9. Việc xử lý video tại
hiện trường làm giảm khối lượng tính tốn tại trung
tâm và giảm băng thông mạng.
Căn cứ vào quy luật phân bố lưu lượng xe trong
nhiều ngày, chúng ta dễ dang thấy được lưu lượng xe
vào các khung giờ cao điểm và khung giờ khác. Các
thông tin này hỗ trợ cho việc phân tích trạng thái giao
thơng, cũng như cung cấp cho các hệ thống con khác
trong hệ thống giao thơng thơng minh. Phân tích hệ số
sử dụng năng lực thông hành (Z) theo TCXDVN 10407 theo giờ đạt được kết quả như Hình 10 và Hình 11.
Hệ số sử dụng năng lực thông hành (Z) trong thời
gian quan sát tại mặt cắt đường Nguyễn Văn Linh và
mặt cắt đường Võ Ngun Giố đều có giá trị lớn nhất
nhỏ hơn 0,35; theo TCXDVN 104-07, mức phục vụ tại
mặt cắt là mức A.

3. Thử nghiệm hệ thống ngoài hiện trường
Thử nghiệm được thực hiện ở hai nút giao tại
TP.Hải Phòng. Bộ thiết bị thử nghiệm bao gồm 02 thiết
bị biên, mỗi thiết bị biên được kết nối với 02 camera để
xử lý đồng thời 02 luồng video giao thông trực tuyến từ
hai hướng tại nút giao Nguyễn Văn Linh – Thiên Lơi
và nút giao Võ Ngun Giáp – Bùi Viện.

Hình 7. Giao diện phần mềm quản lý trung tâm

Hình 10. Hệ số sử dụng năng lực thông hành (Z) tại
mặt căt đường Nguyễn Văn Linh
Hình 8. Quy luật phân bố lưu lượng tại mặt cắt trên
đường Nguyễn Văn Linh

Hình 11. Hệ số sử dụng năng lực thông hành (Z) tại
mặt căt đường Võ Nguyên Giáp
IV.
Hình 9. Quy luật phân bố lưu lượng tại mặt cắt trên
đường Bùi Viện

ISBN 978-604-80-7468-5

KẾT LUẬN

Bài báo đã xây dựng mơ hình ứng dụng điện tốn
biên để thu thập và xử lý hình ảnh dịng giao thơng hỗn

397


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

hợp tận dụng năng lực xử lý ảnh của máy tính cơng
nghiệp chun dụng, có độ trễ thấp, tiết kiệm băng
thơng và đáp ứng yêu cầu thời gian thực của các sự
kiện giao thơng. Với đánh giá trạng thái dịng giao
thơng hỗn hợp trong đô thị sử dụng phương pháp CFA,
các chỉ tiêu đánh giá cần phải được xây dựng trên mẫu

số liệu đủ lớn kết hợp với khai phá dữ liệu. Kết quả
đánh giá bước đầu cho thấy, chúng ta hoàn toàn có thể
sử dụng cơng nghệ xử lý ảnh và thuật tốn đánh giá
giao thơng tổng hợp (như logic mờ, mạng nơ-ron nhân
tạo,..) để xác định trạng thái giao thông theo thời gian
thực một cách đáng tin cậy, làm cơ sở đề xuất các giải
pháp quản lý và điều khiển giao thông, cũng như điều
tiết giao thông hợp lý hơn.

TÀI LIỆU THAM KHẢO
[1]

[2]
[3]

[4]

[5]
[6]

LỜI CẢM ƠN
Cảm ơn Bộ GD&ĐT đã tài trợ cho cho nghiên cứu này
trong khuôn khổ đề tài mã số CT.2019.05.03.

ISBN 978-604-80-7468-5

[7]

398

Linrun Qiu et al.,“Deep learning‑based algorithm for vehicle
detection in intelligent transportation systems”, The Journal of
Supercomputing />2021.
CadPro, “CadProVNM – Video Network Management”
/>Yanshan Li et al.,“ Road Traffic Anomaly Detection based on
Fuzzy Theory”, 10.1109/ACCESS.2018.2851747, IEEE
Access, 2018.
Mehran Amini et al.,“ An intelligent traffic congestion
detection approach based on fuzzy inference system”, IEEE
SACI, 2021.
/>Johan B. et al.,“ Edge-Computing Video Analytics for RealTime Traffic Monitoring in a Smart City”. Sensors 2019, 19,
2048; doi:10.3390/s19092048
Trần Văn Hưng,“Nghiên cứu xây dựng hệ thống giám sát và
cảnh báo giao thông ứng dụng công nghệ xử lý ảnh”, Đề tài
mã số CT.2019.05.03, 2022.