Luận văn Thạc sĩ: NHẬN DẠNG XE TRÊN CƠ SỞ THỊ GIÁC MÁY TÍNH

MỤC LỤC





TÀI LIỆU THAM KHẢO & TRÍCH DẪN
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

2








LIỆT KÊ CÁC HÌNH



Hình 2.1a, b, c, d: Các đặc trưng cạnh, đường, bao quanh tâm, đường chéo

Hình 2.2 : Ảnh chia nhỏ tại tọa độ (x,y)
Hình 2.3 : Tổng các giá trị pixel nằm trong vùng A
Hình 2.4 : Ví dụ về các tư thế của hình chữ nhật đặc trưng
Hình 2.5 : Lược đồ cơ bản của AdaBoost
Hình 2.6 : Thuật toán học AdaBoost
Hình 2.7 : Mô hình minh họa tác vụ phát hiện vật thể dùng chuỗi cascade
Hình 2.8 : Dùng chuỗi cascade đã được huấn luyện để phát hiện cửa sổ con phù hợp
Hình 2.9 : Cấu trúc các chuỗi cascade song song
Hình 2.10 : Cấu trúc các chuỗi cascade nối tiếp, với N giai đoạn học huấn luyện


Hình 3.1 : Minh họa quá trình lấy mẫu
Hình 3.2 : Minh họa quá trình học huấn luyện
Hình 3.3 : Minh họa quá trình kiểm thử cơ sở dữ liệu “car_back.xml”
Hình 3.4 : Minh họa quá trình kiểm thử cơ sở dữ liệu “bus_vn_full_22112008.xml”
Hình 3.5 : Minh họa quá trình kiểm thử cơ sở dữ liệu “truck_vn_26112008.xml”
Hình 3.6 : Sơ đồ khối của quá trình nhận dạng xe
Hình 3.7 : Mô hình hóa thuật toán ước lượng khoảng cách
Hình 3.8 : Mô hình camera quan sát trong không gian 3-D
Hình 3.9 : Minh họa kết quả ước lượng khoảng cách
Hình 3.10 : Minh họa kết quả đếm số lượng xe có trong hình
Hình 3.11 : Sơ đồ khối tổ chức phần mềm hệ thống
Hình 3.12 : Sơ đồ khối hệ thống hoàn chỉnh tổ chức phần mềm hệ thống
Hình 3.13 : Mô tả hệ thống phát hiện xe dùng thuật toán Haar
Hình 3.14 : Giao diện chương trình nhận dạng xe
Hình 3.15 : Mẫu camera được sử dụng trong luận văn
Võ Hồng Phong
Luận văn tốt nghiệp
T
r

a
ng

3








LIỆT KÊ CÁC BẢNG



Bảng 2.1 : Các dạng thuật toán học huấn luyện AdaBoost
Bảng 2.2 : Thuật toán phát hiện đồng thời co giãn vùng đặc trưng đối tượng


Bảng 3.1
Bảng 3.1a : Mẫu xe hơi du lịch cá nhân
Bảng 3.1b : Mẫu xe buýt
Bảng 3.1c : Mẫu xe tải
Bảng 3.2 : Cấu trúc file cơ sở dữ liệu đặc trưng của đối tượng xe hơi cá nhân
Bảng 3.3 : Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe hơi cá nhân
Bảng 3.4 : Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe buýt
Bảng 3.5 : Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe tải
Bảng 3.6 : Tổng kết các kết quả kiểm thử cơ sở dữ liệu
Bảng 3.7 : Mã lệnh điển hình của thuật toán phát hiện và nhận dạng xe hơi

Bảng 3.8 : Mã lệnh thực hiện thuật toán ước lượng khoảng cách
Bảng 3.9 : Mã lệnh thực hiện thuật toán đếm xe


Bảng 4.1 : Các kết quả xử lý nhận dạng
Bảng 4.1a : Kết quả xử lý nhận dạng xe buýt
Bảng 4.1b : Kết quả xử lý nhận dạng xe hơi cá nhân
Bảng 4.1c : Kết quả xử lý nhận dạng tải
Bảng 4.2 : Kết quả xử lý nhận dạng xe tổng hợp
Bảng 4.3 : Đánh giá độ chính xác trong nhận dạng của phần mềm luận văn
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

4

PHẦN A















GIỚI THIỆU
Võ Hồng Phong
Luận văn tốt nghiệp

T
r
a
ng

5










Đại Học Quốc Gia Tp. Hồ Chí Minh CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập – Tự Do – Hạnh Phúc
- - - - - - - - o O o - - - - - - - -



NHIỆM VỤ LUẬN VĂN THẠC SĨ


Họ và tên học viên :
VÕ HỒNG PHONG
Phái :
Nam
Ngày tháng năm sinh :

Chuyên ngành :
22/02/1982

TỰ ĐỘNG HOÁ
Nơi sinh :

Mã số HV :
Khánh Hòa

01506364


I. TÊN ĐỀ TÀI:

NHẬN DẠNG XE TRÊN CƠ SỞ THỊ GIÁC MÁY TÍNH

II. NHIỆM VỤ:

- Phân tích và tổng hợp các phương pháp nhận dạng xe.

- Xây dựng chương trình nhận dạng xe dựa trên công cụ Thị giác máy tính.
III. NGÀY GIAO NHIỆM VỤ: ngày 30 tháng 01 năm 2008
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: ngày 30 tháng 11 năm 2008

V. CÁN BỘ HƯỚNG DẪN: TS. TRƯƠNG ĐÌNH CHÂU



Giáo Viên Hướng Dẫn Chủ Nhiệm Ngành Bộ Môn

Nội dung và đề cương Luận văn Thạc sĩ đã được Hội Đồng Chuyên Ngành thông
qua.

Ngày … tháng … năm 200…
PHÒNG ĐÀO TẠO SAU ĐẠI HỌC KHOA QUẢN LÝ NGÀNH
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

6








LỜI CẢM ƠN

Trước tiên, xin cảm ơn thầy TS Trương Đình Châu vì đã gợi mở, quan
tâm, giúp đỡ cho học viên trong suốt thời gian thực hiện đề tài tốt nghiệp này.


Bên cạnh đó, học viên cũng xin gởi lời cảm ơn đến tất cả những thầy cô
đã trực tiếp giảng dạy trong suốt khóa học; những người bạn đã quan tâm,
động viên và chia sẻ kiến thức cũng như kinh nghiệm chuyên ngành trong quá
trình học tập và rèn luyện vừa qua của học viên.


Cũng xin chân thành cảm ơn sự quan tâm hỗ trợ, tạo điều kiện và hết
lòng động viên về tinh thần lẫn vật chất của các thành viên trong gia đình
trong suốt thời gian qua.


Sau cùng, học viên gởi lời chúc sức khỏe, hạnh phúc đến quý thầy cô,
gia đình và bạn bè.


Trường Đại học Bách Khoa Tp. Hồ Chí Minh

Tháng 11 năm 2008



Học viên

Võ Hồng Phong
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

7








LÝ LỊCH TRÍCH NGANG



Họ và tên : VÕ HỒNG PHONG

Phái : Nam

Ngày sinh : 22-02-1982

Nơi sinh : Tp Nha Trang – tỉnh Khánh Hòa

Hộ khẩu TT : 8/C3 Âu Cơ – phường 10 – quận Tân Bình – Tp HCM

Địa chỉ email : hoặc




QUÁ TRÌNH ĐÀO TẠO:

9/2000 – 4/2005 : Sinh viên khoa Điện - Điện tử, bộ môn Kỹ thuật Điện tử - hệ
chính quy - trường ĐH SPKT Tp HCM.
9/2006 đến nay : học viên cao học Khoa Điện – Điện tử, chuyên ngành Tự
động hóa - hệ chính quy – trường ĐH Bách Khoa Tp HCM.


QUÁ TRÌNH CÔNG TÁC:

2005 – 11/2006 : Quản trị mạng tại Công ty Phần mềm Sài gòn (SSP – Saigon

Software Park).
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

8








ABSTRACT



Now, in the age of the 21
st
century, thanks for the high speed development of
Science and Technology, human is inventing and processing many scientific
projects with theirs mega-structures. From the alternatives of machines and engines
instead of human in works which required a high-level of decision and
concentrating, the results, facts and effects is being trusted. These things are really
huge meaning, thus increases values of lives ‘s quality days by days.


In this thesis, issues named “Vehicles Detection and Recognition Based on
Computer Vision”, also have same ways of thinking above. This is one of the most
amazing applications and projects which is resrearched and approached by many sci
entists who working in fields of “Computer Vision” and “Digital Image Processing”
cause of demands in real lives and diversified approaching methods.

This project shows some problems which related to the basic knowledge that
being built on contents within. The author used tools called “OpenCV” to apply
Haar-like features that ran on Visual C++.NET environment and AdaBoost
(Adaptive Boost) algorithms to speed up the detection and recognition processing
on all perspectives and types of vehicles. Results have got a feature called “real-
time effects” in detection and recognition. This is importance for modifying traffics,
controlling lanes, extracting information of vehicles, …
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

9








TÓM TẮT LUẬN VĂN THẠC SĨ



Trong thời đại của thế kỷ 21, với sự phát triển nhảy vọt của trình độ Khoa học
kỹ thuật, con người đã tạo nên và phát triển nhiều công trình khoa học mang tính
tầm cỡ. Với sự thay thế dần của máy móc cho con người trong các nhiệm vụ mang

tính chính xác và tập trung cao thì kết quả đạt được đã hoàn toàn được tin cậy và
đánh giá cao. Điều này thực sự có ý nghĩa to lớn và góp phần tăng thêm giá trị và
chất lượng cuộc sống.


Đề tài luận văn này, nhận dạng xe trên cơ sở thị giác máy tính, cũng không
nằm ngoài ý nghĩa đó. Đây là một dạng ứng dụng thú vị mà nhiều nhà khoa học đã,
đang và sẽ không ngừng nghiên cứu vì nhu cầu thực tiễn và đa dạng phương pháp
tiếp cận.


Trong đề tài này sẽ trình bày trong đó các vấn đề liên quan tới kiến thức nền
tảng xây dựng nên luận văn. Học viên đã sử dụng công cụ OpenCV ứng dụng các
đặc trưng Haar-like chạy trên nền tảng Visual C++.NET và thuật toán tăng tốc
AdaBoost nhằm nâng cao tốc độ phát hiện và nhận dạng các hình thái khác nhau
của xe. Kết quả thu được có đặc tính thời gian thực các diễn tiến của quá trình phát
hiện và nhận dạng xe.


Nội dung luận văn gồm 5 chương:



Chương 1: Giới thiệu tổng quan
Chương 2: Cơ sở lý thuyết
Chương 3: Xây dựng hệ thống
Chương 4: Kết quả - Nhận xét – Phân tích

Chương 5: Kết luận và hướng phát triển đề tài
Võ Hồng Phong

Luận văn tốt nghiệp
T
r
a
ng

1010

PHẦN B















NỘI DUNG
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1111

CHƯƠNG 1






GIỚI THIỆU TỔNG QUAN







1.1 GIỚI THIỆU



Thị giác là giác quan cho phép con người cũng như hầu hết các loài động vật
khác thu thập thông tin nhanh nhất, tinh tế nhất và cũng là kênh thông tin trao đổi
tin cậy giúp đưa ra những quyết định kịp thời và nhanh chóng trong hầu hết các
hoạt động trong thực tế của con người. Vì vậy, với ý nghĩa vô cùng quan trọng đó,
cùng với sự phát triển của khoa học kĩ thuật và ứng dụng của nó trong nhiều lĩnh
vực đã được tiến hành rộng rãi, nhất là trong ứng dụng liên quan tới xử lý ảnh của

đối tượng cụ thể là xe hơi trong cảnh quang giao thông, đặc biệt là trong tình trạng
xe đang chuyển động.


Từ giữa thế kỷ XX đến nay, đặc biệt là từ thập niên 80, ngày càng có nhiều
ứng dụng có chức năng phát hiện vật thể, ví dụ như xe hơi, là một công việc khó
trong lĩnh vực xử lý ảnh. Chức năng này đặc biệt hữu dụng trong rất nhiều môi
trường và lĩnh vực khác nhau (bao gồm an ninh, thị giác người máy, giải trí, điều
tiết giao thông, …). Hàng loạt các cuộc nghiên cứu và thử nghiệm về vấn đề tự
động nhận dạng xe hơi đã được tiến hành mạnh mẽ, song song cùng lúc với sự phát
triển mạnh mẽ của hệ thống giao thông trên thế giới cũng như ở Việt Nam, là một ví
dụ minh chứng bởi tính cụ thể, đa dạng, phức tạp và cấp thiết.
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1212








Thông thường, các đặc tính của xử lý và phân tích ảnh chủ yếu bị ảnh hưởng
bởi đặc tính của ảnh tĩnh và ảnh động (video). Các lý do có thể đưa ra là: vị trí

tương quan giữa máy ảnh và đối tượng, xe bị che khuất một phần hoặc toàn phần;
sự kết hợp của các đặc điểm xe cộ, kích thước, màu sắc, ảnh hưởng của cảnh nền
(độ sáng chói, độ tương phản, nhiễu giống đối tượng, …) là rất khác nhau, và nó
ảnh hưởng đến chất lượng của quá trình phát hiện và nhận dạng xe. Còn ảnh hưởng
về mặt chủ quan cũng có thể kể đến như hướng quan sát ghi hình của camera,
hướng ánh sáng, đặc tính kỹ thuật của máy ảnh, camera, tốc độ hệ thống máy xử lý
chủ (máy tính PC hoặc laptop) cũng gây ra ảnh hưởng không nhỏ đến đề tài.


1.2 MỤC ĐÍCH NGHIÊN CỨU



Hệ thống nhận dạng xe dùng trong quan sát giao thông là một ứng dụng quan
trọng trong cuộc sống hiện đại hàng ngày. Với hệ thống như vậy thì một thuật toán
phát hiện và nhận dạng theo thời gian thực là cần thiết khi đầu vào của hệ thống là
một chuỗi hình ảnh video. Việc ứng dụng một thuật toán để giải quyết vấn đề phát
hiện xe là một trong những khâu quan trọng trong hệ thống quan trắc giao thông.
Tác vụ này phát hiện các loại xe trong tầm khoảng cách trung bình và tầm khoảng
cách xa (trên 20m). [9, trang 13 15] [12, trang 410 411]



1.3 CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU VÀ HƯỚNG NGHIÊN CỨU ĐỀ NGHỊ



Cho đến nay, có rất nhiều các đề tài nghiên cứu về hệ thống phát hiện và nhận
dạng xe mà chủ yếu là thực hiện trong các phòng thí nghiệm Khoa học máy tính của
các trường Đại học trên thế giới [1][2]. Các nghiên cứu này chủ yếu xoay quanh vấn

đề tìm hướng tiếp cận và xây dựng mô hình thuật toán phát hiện và nhận dạng xe
trong việc quan sát giao thông nói chung.
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1313








Các đề tài này, phần lớn đã nêu bật được phương pháp “Lưu lượng quang”,
đây là phương pháp điển hình cho việc quan trắc hệ thống các vật thể chuyển động
có quỹ đạo nói chung hoặc hệ thống xe tham gia giao thông nói riêng [1][2][12].
Ngoài ra, còn có phương pháp xử lý trên pixel đặc trưng đối tượng, chủ yếu là phân
tích diện tích và chu vi đường bao điểm ảnh của đối tượng, coi đó là đặc trưng của
loại xe quan sát.


Nhưng bên cạnh đó, chỉ một số ít các đề tài lại ít sử dụng phương pháp phân
tích và dò tìm đặc trưng Haar-like. Do vậy, trong luận văn này, để có thể đáp ứng
tốt các yêu cầu về độ tin cậy, ổn định trong việc quan trắc hệ thống giao thông, thì
học viên đề nghị sử dụng phương pháp Haar-like để phát hiện xe trên cơ sở thuật

toán trích đặc trưng AdaBoost.


1.4 TỔNG QUAN VỀ PHÁT HIỆN VÀ NHẬN DẠNG XE



Bài toán phát hiện và nhận dạng xe hơi cụ thể gồm qua 2 bước.



1.4.1 Phát hiện xe



Phát hiện xe là thuật toán chuyên biệt xuất phát từ thuật toán phát hiện vật thể.
Khi cho một nguồn ảnh đầu vào (có thể là tín hiệu hình từ camera hoặc từ một file
video định dạng AVI), thuật toán xác định xem trong khung hình nhận được đó có
xe đang được kỳ vọng hay không. Nếu có xe thì ngay lập tức chỉ ra vị trí và phạm vi
chiếm chỗ của đối tượng xe đó có trong ảnh. Đây là bước quan trọng đầu tiên trong
hầu hết các ứng dụng phân tích vật thể nói chung và xe tham gia giao thông nói
riêng (ví dụ: nhận dạng kiểu dáng xe, định vị xe trong ảnh, bám theo xe, nhận biết
vị trí và tư thế của xe có trong ảnh,…).
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1414








1.4.2 Nhận dạng xe



Với kết quả phát hiện xe ở bước trên, từ đó so sánh với cơ sở dữ liệu đã được
xây dựng sẵn để tiến hành nhận dạng được kiểu dáng xe đó là loại xe nào. Tư thế
quan sát xe từ camera, vị trí của xe so với camera và các thông tin liên quan luôn
được cập nhật tức thời bởi máy tính.


1.5 LÝ DO THỰC HIỆN ĐỀ TÀI



Nắm được ý nghĩa quan trọng của kênh thông tin thu được trong hầu hết các
tình huống dưới dạng hình ảnh. Sự phát triển mạnh mẽ và đa dạng của xã hội với
nhiều nghiên cứu và ứng dụng thuộc lĩnh vực này luôn được tiến hành và áp dụng
rộng rãi trong nhiều ngành nghề và lĩnh vực khoa học kỹ thuật khác nhau trên thế
giới, đặc biệt là phát hiện và nhận dạng xe hơi.

Bài toán phát hiện và nhận dạng xe được nhiều nhóm các nhà khoa học quan
tâm và thực hiện nhưng để đáp ứng được vấn đề xử lý trong thời gian thực là một
vấn đề tương đối khó. Thực tế cho thấy các kết quả còn hạn chế, tốc độ xử lý chậm,
quá trình xử lý nhiều nhóm lệnh trên máy tính chủ khiến cho tốc độ bị trì hoãn mặc
dù không nhiều.


Vì vậy, nghiên cứu ứng dụng đề tài phát hiện và nhận dạng xe xử lý trên cơ sở
thị giác máy tính trong thời gian thực mang tính cấp thiết.


1.6 MỤC TIÊU ĐỀ TÀI



Nghiên cứu ứng dụng phát hiện nhận dạng xe trên cơ sở thị giác máy tính, đáp
ứng trong thời gian thực.
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1515

1.7 NHIỆM VỤ LUẬN VĂN



 Phân tích và tổng hợp các phương pháp nhận dạng xe.

 Xây dựng chương trình nhận dạng xe dựa trên công cụ Thị giác máy tính.



1.7.1 Phạm vi thực hiện



 Về lý thuyết: phương pháp phù hợp phát hiện và nhận dạng xe.

 Về ứng dụng: chương trình phần mềm phát hiện và nhận dạng xe.

 Các điều kiện thực hiện: camera ghi hình trực diện từ phía sau đuôi của xe,
cường độ ánh sáng là 300 500 lux (độ sáng tiêu chuẩn bình thường) hoặc
ánh sáng ngoài trời ban ngày bình thường.
 Đối tượng là các loại xe với các hình dáng khác nhau (xe hơi cá nhân, xe

buýt, xe tải container). Việc nhận dạng được thực hiện từ phía sau đuôi của
xe.

1.7.2 Dự kiến các lĩnh vực ứng dụng của đề tài



 Giám sát an ninh

 Quan sát và điều tiết giao thông
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1616










CHƯƠNG 2

CƠ SỞ LÝ THUYẾT






2.1 CÁC PHƯƠNG PHÁP PHÁT HIỆN HÌNH ẢNH XE



Phát hiện hay phát hiện đối tượng chuyên biệt, ví dụ như xe hơi trong cảnh
quang giao thông, liệu có xuất hiện trong ảnh thu được từ camera (hình động) hay
những tấm hình tĩnh dựa trên sự trợ giúp của máy tính từ lâu đã được con người
nghiên cứu và phát triển bởi nó đóng vai trò là cơ sở chung và là nền tảng để nghiên
cứu và ứng dụng trong các lĩnh vực và các hệ thống khác. Trong quá trình nghiên
cứu và phát triển, thì yêu cầu được đặt lên hàng đầu là yếu tố chính xác và phải thực
hiện nhanh chóng trong thời gian thực. Do vậy, việc này cần có sự phối hợp và bổ
sung chặt chẽ cho nhau của hai lĩnh vực là Xử lý ảnh (Image Processing) và Thị
giác máy tính (Computer Vision).


Có rất nhiều phương pháp và hướng tiếp cận của vấn đề phát hiện xe hơi. Định
vị xe trong một cảnh quang giao thông là phương pháp đơn giản, bởi vì nó chỉ xác
định vị trí hay tọa độ của chiếc xe có trong ảnh đó mà thôi. Việc tiếp theo là nhận
dạng (vehicle recognition) là công việc phức tạp hơn. Tác vụ này sẽ so sánh một
ảnh của xe hơi trong ảnh đầu vào với tất cả các ảnh có trong cơ sở dữ liệu đã được
huấn luyện trước đó và đưa ra ảnh gần nhất.

Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1717








Có hai hướng tiếp cận chính thường được sử dụng để phát hiện xe: các
phương pháp dựa trên ảnh và các phương pháp dựa trên dạng hình học. Các phương
pháp có thể được liệt kê ra như sau [9, trang 17 25]


2.1.1 Phát hiện dựa trên ảnh



Các phương pháp thuộc nhóm này dựa trên một tập hợp các hình mẫu của đối
tượng và sử dụng cửa sổ trượt để phát hiện xe. Cách làm này khác biệt so với các
phương pháp dựa trên khuôn mẫu (cần thiết phải có sẵn mô hình xe, hình thái xe).
Để trích đặc trưng từ các mẫu ví dụ, cần phải thực hiện việc cho học huấn luyện
dưới dạng thống kê hoặc các thuật toán học máy (machine learning) với đủ nhiều

các mẫu ảnh có chứa đối tượng xe và không chứa đối tượng xe.


Do sự xuất hiện của xe trong ảnh là ngẫu nhiên với nhiều góc quan sát khác
nhau nên thường phải xấp xỉ chúng để tạo nên sự phân biệt của hai đối tượng. Tùy
theo cách tiếp cận xác xuất nào mà sẽ xuất hiện các phương pháp phát hiện tương
ứng. Liệt kê dưới đây là một số các phương pháp thuộc nhóm này:


 Phương pháp EigenObjects (PCA)

 Phương pháp Fisher ‘s Linear Discriminant

 Các phương pháp dựa trên Eigen-space

 Các phương pháp dựa trên mang nơ-ron nhân tạo

 Support Vector Machine – SVM

 Phương pháp Mô hình Markov ẩn (Hidden Markov Model – HMM)

 Phương pháp Sparse Network of Winnows (SNoW)



Do nhóm phương pháp này dựa trên việc huấn luyện sao cho thu được mô
hình đối tượng xe từ một tập dữ liệu tích cực (positive - ảnh có chứa hình xe hơi) và
Võ Hồng Phong
Luận văn tốt nghiệp
T

r
a
ng

1818








một tập dữ liệu không tích cực (negative - ảnh không chứa hình đối tượng) nên
chúng có sự tương quan so sánh trực tiếp đến các đặc điểm hình học của một kiểu
xe điển hình.


Nhược điểm của phương pháp này đòi hòi phải luôn có sẵn cơ sở dữ liệu hình
xe rất lớn. Để có thể phát hiện và nhận dạng được xe, máy tính phải luôn dò trong
cơ sở dữ liệu hình này rồi mới đưa ra kết quả.


2.1.2 Phát hiện dựa trên dạng hình học



Khác với nhóm phương pháp vừa nêu ở trên, các phương pháp thuộc nhóm
này quan tâm đến các đặc điểm cấu trúc hình học của xe. Vì vậy chúng còn được
gọi là nhóm tiếp cận dựa trên đặc trưng (feature - based). Tùy theo cách triển khai

vấn đề mà chúng được chia thành hai phân nhóm:


 Các phương pháp Bottom – Up

 Phương pháp dựa trên luồng ánh sáng (hay lưu lượng quang - optical flow)



Nhóm phương pháp Bottom – Up chủ yếu dùng các đặc điểm hình dáng bất
biến của xe đối với ngoại cảnh và nền ảnh để phát hiện ra xe. Rồi tùy vào mối liên
hệ của chúng với nhau mà thiết lập các liên kết giữa các đặc điểm bất biến này ngay
trong ảnh đầu tiên, tiếp theo sẽ dựa vào đó mà tìm chúng trên các ảnh kế tiếp.


Phương pháp của phân nhóm thứ hai, luồng ánh sáng, là phương pháp xử lý
tổng quan ánh sáng theo tuần tự các bước. Thứ nhất, thuật toán tìm đặc trưng quan
trọng của đối tượng (ví dụ như góc của xe) trong hai khung hình liên tiếp nhau. Thứ
hai, dùng thuật toán để hợp nhất tính liên quan đồng nhất giữa các đặc trưng đó
(trong trường hợp này là góc của xe). Bước cuối cùng, các luồng đặc trưng đối
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

1919

tượng đã được trích xuất khỏi ảnh được tập hợp lại thành một nhóm nếu các khoảng
cách Euclide của các luồng (vị trí đối tượng và hướng chuyển động của đối tượng)
là nhỏ. [1, phần 2.1]


Cụ thể, phương pháp này không chỉ sử dụng các thuật toán học (learning
algorithm) để huấn luyện tạo các bộ phân lớp (cascade) bằng các hình mẫu ví dụ
tích cực (có chứa hình ảnh xe) và các hình mẫu không tích cực (không chứa hình
ảnh xe hơi) được lựa chọn cẩn thận (đây là phương pháp dựa trên ảnh). Các hình
ảnh sau khi được chọn lọc cẩn thận sẽ được quyết định đặc trưng cho từng loại xe
bởi thuật toán học hầu hết có liên quan trực tiếp đến các đặc trưng riêng biệt trên
hình ảnh xe hơi (đặc điểm các chi tiết trên xe, gương, đầu xe, đuôi xe, dàn đèn, các
gờ nổi, …). Kỹ thuật tăng tốc cải thiện tốc độ tìm kiếm dựa trên các bộ phân loại
bằng cách lấy ra các trọng số cho các mẫu ví dụ dùng trong huấn luyện. [1, phần
2.2]



2.2 PHƯƠNG PHÁP ĐƯỢC SỬ DỤNG TRONG LUẬN VĂN



Trong luận văn này, việc phát hiện xe là sự kết hợp giữa một thuật toán tăng
tốc AdaBoost (Adaptive Boost – tăng tốc thích nghi) và đặc tính đáp ứng nhanh của

các đặc trưng Haar. Đây là một phương pháp được xem như là phối hợp của cả hai
phương pháp đã nêu ở trên là : Phương pháp dựa trên ảnh và Phương pháp dựa trên
dạng hình học.


Để thực hiện chức năng phát hiện và nhận dạng xe hơi, học viên đã triển khai
sử dụng thuật toán phát hiện đối tượng (dựa trên các đặc trưng Haar-like và thuật
toán tăng tốc AdaBoost) trên từng frame ảnh thu được từ nguồn tín hiệu hình ảnh
(camera hoặc file video) rồi dựa vào các thuật toán xử lý ảnh và thị giác máy tính để
thi hành các tác vụ lên các xe đã được phát hiện và nhận dạng. Sau đây là phần trình
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

2020








bày phương thức hoạt động của phương pháp phát hiện xe hơi bằng các đặc trưng
được liệt kê sau đây:
2.2.1 Các đặc trưng Haar-like

Mục đích của việc sử dụng các đặc trưng Haar-like là đảm bảo yêu cầu đáp
ứng thời gian thực. Mỗi một đặc trưng Haar-like bao gồm 2 hoặc 3 khối hình màu
trắng và đen liên kết nhau. (Hình 2.1 a, b, c, d) [1, trang 4] [4, trang 2] [9, trang 33]





Hình 2.1a: Các đặc trưng cạnh



Hình 2.1b: Các đặc trưng đường
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

2121

Hình 2.1c: Các đặc trưng bao quanh tâm



Hình 2.1d: Đặc trưng đường chéo



Giá trị của đặc trưng Haar-like được xác định bởi độ chênh lệch giữa tổng các
giá trị pixel mức xám nằm trong vùng đen so với vùng trắng.


Cách dùng “ảnh chia nhỏ” (integral image) giúp tính toán nhanh chóng các
đặc trưng Haar-like.


Hình chia nhỏ ở vị trí (x,y) bằng tổng các giá trị pixel phía bên trái của tọa độ

(x,y) bao gồm:


P(

x,
y)

x

' x

, y

'

i(

x'

, y

'

)

y


(2.1)
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

2222

Hình 2.2: Ảnh chia nhỏ tại tọa độ (x,y)
Tổng các giá trị pixel trong vùng “A”:
P
1
= A
1
; P
2
= A
2
; P
3
= A
1
+ A
3

P = A + A
1
+ A

2
+ A
3
; (2.2)
A = P + P
1
– P
2
– P
3
;





Hình 2.3: Tổng các giá trị pixel nằm trong vùng A



Để phát hiện ra xe hơi, ảnh đầu vào được phát hiện bằng một cửa sổ con có


chứa đặc trưng Haar-like. Dựa trên từng đặc trưng Haar-like

f
j
, một bộ phân loại

yếu
h

j
(

x)

được quy định như sau:
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

2323










h
j

(
x
)

1, i
f

p
j

f

j

(
x
)

p
j j




(2.3)

0, o t h e r w i

2.2.2 Vùng đặc trưng và Số lượng đặc trưng



Mục đích chính của việc sử dụng các đặc trưng thay vì các giá trị pixel ban
đầu như là một đại lượng đầu vào cho thuật toán học huấn luyện là nhằm giảm hoặc
tăng sự sai khác lẫn nhau giữa các đối tượng trong cùng một lớp phân loại, từ đó
làm cho quá trình phân loại được dễ dàng hơn. Các đặc trưng thường để mã hóa các
hiểu biết về miền quan tâm của đối tượng trong ảnh. Tính phức tạp của việc đánh
giá đặc trưng là rất quan trọng trong nhiệm vụ phát hiện đối tượng dựa trên hình
dáng bên ngoài của đối tượng đó trong chuỗi ảnh ngõ vào của hệ thống.


Các đặc trưng của các đối tượng được tính tại mỗi một vị trí và mỗi một tỉ lệ
trong một thời gian không đổi.


Giả thiết rằng, đơn vị cơ bản cho sự xuất hiện cơ bản của đối tượng xuất hiện


trong ảnh có kích thước
W


H
điểm ảnh. Đồng thời cũng giả thiết rằng cách tính

nhanh cho tổng các điểm ảnh cho mỗi một hình chữ nhật bên trong cửa sổ lớn (ảnh

đầu vào) ở dạng là hình chữ nhật nằm ngang hoặc nằm nghiêng góc 45
o
là thông số

r x, y, w, h,


với
0


x, x


w W
;
0


y, y


h H
;


x, y


0

;
w, h 0
;





2.4.
0

o
,45
o

. Hai ví dụ cho hai trường hợp của hình chữ nhật được cho trong Hình
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng

2424

Hình 2.4: Ví dụ về các tư thế của hình chữ nhật đặc trưng


Số lượng đặc trưng xuất phát từ mỗi mẫu là đủ lớn và khác nhau giữa mẫu này
với mẫu khác và được tính theo công thức bên dưới.



Nếu cho
X

W / w

và
Y

H / h

thì số lượng đặc trưng đối với kích thước


w
h


2.1]

trong ảnh có kích thước
W


H
được tính theo công thức bên dưới: [4, phần

X Y W 1 w
X
1

2

H 1 h
Y
1

2


Trong trường hợp hình chữ nhật đặc trưng nghiêng 45
o
thì công thức tính số

lượng đặc trưng:


X Y W 1 z

X
1

2

H 1 z
Y
1

2


với
z w h




2.2.3 Thuật toán tăng tốc AdaBoost



AdaBoost (Adaptive Boost) là một thuật toán học mạnh, giúp đẩy nhanh việc
tạo ra một bộ phân loại mạnh (strong classifier) bằng cách chọn các đặc trưng tốt
trong một họ các bộ phân loại yếu (weak classifier - bộ phân loại yếu) và kết hợp
chúng lại tuyến tính bằng cách sử dụng các trọng số (Hình 2.5). Điều này thật sự
Võ Hồng Phong
Luận văn tốt nghiệp
T
r

a
ng

2525








cải thiện dần độ chính xác nhờ áp dụng hiệu quả một chuỗi các bộ phân loại yếu. [9,

trang 39 47]




Tập huấn luyện





Họ các bộ
phân lớp yếu

AdaBoost

Bộ phân
lớp mạnh



Các trọng số

Hình 2.5: Lược đồ cơ bản của AdaBoost



Thuật toán học này ban đầu duy trì một phân bố chuẩn (tương đồng nhau) các
trọng số lên mỗi một mẫu huấn luyện. Trong bước lặp đầu tiên, thuật toán huấn
luyện một bộ phân loại yếu bằng cách dùng một đặc trưng Haar-like đã thực hiện tốt
nhất việc phát hiện các mẫu thử huấn luyện. Trong lần lặp thứ hai, các mẫu thử
dùng cho huấn luyện nhưng bị phân loại nhầm bởi bộ phân loại yếu đầu tiên được
nhận trọng số cao hơn sao cho đặc trưng Haar-like được chọn lần này phải tập trung
khả năng tính toán cho các mẫu thử bị phân loại nhầm này. Sự lặp lại tiếp tục thực
hiện và các kết quả cuối cùng sẽ là một chuỗi cascade các kết hợp tuyến tính của
các bộ phân loại yếu, tạo ra một bộ phân loại mạnh, giúp tạo được độ chính xác
mong muốn. Thuật toán học AdaBoost sau 3 lần lặp được minh họa trong Hình 2.6
là một ví dụ thuật toán AdaBoost sau ba lần lặp. [11]