Hệ thống phân loại và phát hiện phương tiện tham gia giao thông di chuyển sai làn đường trên quốc lộ thuộc tỉnh Tây Ninh bằng camera kỹ thuật số

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG
---------------------------------------

TRẦN QUỐC THẮNG

HỆ THỐNG PHÂN LOẠI VÀ PHÁT HIỆN PHƯƠNG TIỆN
THAM GIA GIAO THÔNG DI CHUYỂN SAI LÀN ĐƯỜNG
TRÊN QUỐC LỘ THUỘC TỈNH TÂY NINH
BẰNG CAMERA KỸ THUẬT SỐ

ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT
(Theo định hướng ứng dụng)

THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023


HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG
---------------------------------------

TRẦN QUỐC THẮNG

HỆ THỐNG PHÂN LOẠI VÀ PHÁT HIỆN PHƯƠNG TIỆN
THAM GIA GIAO THÔNG DI CHUYỂN SAI LÀN ĐƯỜNG
TRÊN QUỐC LỘ THUỘC TỈNH TÂY NINH
BẰNG CAMERA KỸ THUẬT SỐ
CHUYÊN NGÀNH:

HỆ THỐNG THÔNG TIN

MÃ SỐ:

8.48.01.04

ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT
(Theo định hướng ứng dụng)
NGƯỜI HƯỚNG DẪN KHOA HỌC
PGS.TS. VŨ ĐỨC LUNG

THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023


i

LỜI CAM ĐOAN
Tôi xin cam đoan đề án thạc sĩ công nghệ thông tin “Hệ thống phân loại và phát
hiện phương tiện tham gia giao thông di chuyển sai làn đường trên quốc lộ thuộc tỉnh
Tây Ninh bằng camera kỹ thuật số” là do tôi nghiên cứu, tổng hợp và thực hiện.
Toàn bộ nội dung đề án, những điều được trình bày là của chính cá nhân tơi hoặc là
được tham khảo, tổng hợp đều được trích xuất với nguồn gốc rõ ràng. Các số liệu, kết quả
nêu trong đề án là trung thực và chưa từng được ai công bố trong bất kỳ cơng trình nào khác.

Tp. HCM, ngày 18 tháng 08 năm 2023
Học viên thực hiện đề án

Trần Quốc Thắng


LỜI CẢM ƠN
Lời đầu tiên, tơi xin bày tỏ lịng biết ơn sâu sắc đến PGS.TS Vũ Đức Lung, người
đã trực tiếp định hướng và hướng dẫn tận tình cho tơi trong suốt q trình thực hiện đề án tốt
nghiệp. Những kinh nghiệm và góp ý quý báu của thầy là tiền đề để giúp tôi mở rộng kiến

thức và hồn thành đề án tốt nghiệp.
Tơi cũng xin dành lời cảm ơn chân thành đến quý Thầy Cô Học viện Cơng Nghệ
Bưu Chính Viễn Thơng cơ sở tại TP.HCM. Q Thầy Cơ đã tận tình dạy bảo và ln tạo
điều kiện tốt nhất cho tơi trong suốt q trình tham gia lớp cao học.
Xin trân trọng cảm ơn Ban Giám Đốc Trung tâm Công nghệ Thông tin - Viễn
thông Tây Ninh, đã cho phép tôi sử dụng dữ liệu camera thông minh của VNPT Tây Ninh.
Cảm ơn các bạn đồng nghiệp, đã tạo điều kiện về thời gian và quan tâm động viên tinh thần
trong thời gian tôi học và hồn thành đề án.
Cuối cùng, xin cảm ơn gia đình và bạn bè đã luôn bên tôi, cổ vũ và động viên tơi
trong suốt q trình hồn thành đề án này.

Tp. HCM, ngày 18 tháng 08 năm 2023
Học viên thực hiện đề án

Trần Quốc Thắng


MỤC LỤC
LỜI CAM ĐOAN.......................................................................................................i
LỜI CẢM ƠN...........................................................................................................ii
DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT................................................vi
DANH SÁCH BẢNG...............................................................................................vii
DANH SÁCH HÌNH VẼ.........................................................................................viii
MỞ ĐẦU................................................................................................................... 1
1.

Lý do chọn đề tài....................................................................................1

2.

Tổng quan về vấn đề nghiên cứu..............................................................2

3.

Câu hỏi nghiên cứu................................................................................3

4.

Mục đích nghiên cứu..............................................................................3

5.

Đối tượng và phạm vi nghiên cứu............................................................3

6.

Phương pháp nghiên cứu........................................................................4

7.

Những đóng góp của đề tài......................................................................4

CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC..............5
1.1.

Giới thiệu..........................................................................................5

1.2.

Các nghiên cứu trong nước..................................................................6

1.3.

Các nghiên cứu ngoài nước.................................................................7

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT.........................................................................10
2.1.

Các kỹ thuật xử lý ảnh.......................................................................10

2.1.1 Tổng quan về một hệ thống xử lý ảnh..............................................10
2.1.2 Một số vấn đề cơ bản trong xử lý ảnh..............................................12
2.2.
2.2.1

Các phương pháp phát hiện và phân loại đối tượng...............................18
R-CNN[30]..................................................................................19

2.2.2 Fast R-CNN[30]...........................................................................20
2.2.3 Faster R-CNN[31]........................................................................21
2.2.4 Single Shot Detector (SSD)[29]......................................................23
2.2.5 You Only Look Once (YOLO)........................................................24


2.3.

Các phương pháp phát hiện chuyển động............................................26

2.3.1. Phát hiện đối tượng chuyển động là gì?..........................................26
2.3.2. Phát hiện các vùng ảnh nổi...........................................................27

2.3.3. Xử lý các vùng ảnh nổi..................................................................28
2.3.4. Các kỹ thuật trừ ảnh.....................................................................28
2.3.5. Một số kỹ thuật trừ nền cơ bản.......................................................31
2.3.6. Kỹ thuật trừ nền nâng cao.............................................................32
2.4.

Phương pháp theo vết đối tượng.........................................................35

2.4.1. Quy trình theo vết đối tượng..........................................................35
2.4.2. Các kỹ thuật theo vết đối tượng......................................................36
2.4.3. Các phương pháp truy vết nhiều vật thể trong video.........................37
2.5.

Giới thiệu về OpenCV......................................................................41

2.5.1. Tổng quan về OpenCV.................................................................41
2.5.2. Cấu trúc OpenCV........................................................................41
2.5.3. Các ứng dụng OpenCV.................................................................42
2.5.4. Chức năng OpenCV.....................................................................42
CHƯƠNG 3: PHÂN TÍCH THIẾT KẾ HỆ THỐNG..............................................44
3.1.

Hệ thống nhận dạng làn đường, phát hiện chuyển động, theo vết phương

tiện giao thơng…....................................................................................................44
3.2.

Xây dựng chương trình.....................................................................50

3.3.

Cơng cụ thực hiện.............................................................................52

3.4.

Giao diện chương trình......................................................................52

CHƯƠNG 4: THỬ NGHIỆM VÀ ĐÁNH GIÁ........................................................54
4.1.

Thu thập và tiền xử lý dữ liệu.............................................................54

4.2.

Cài đặt và thử nghiệm.......................................................................54

4.2.1. Thiết lập cấu hình.........................................................................54
4.2.2. Dữ liệu thực nghiệm.....................................................................55
4.2.3. Quá trình và kết quả thực nghiệm..................................................55
4.3.

Kết luận chương...............................................................................66


KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN................................................................67
DANH MỤC CÁC TÀI LIỆU THAM KHẢO.........................................................68


DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
Viết Tắt

Tiếng Anh

OpenCV

Open Source Computer Vision Library

CCD

Charge Coupled Device

CCIR

Consultive Committee for International Radio

CUDA

Compute Unified Device Architecture

GMM

General Method of Moments

LPR

License Plate Recognition

MOG

Mixture of Gaussians

R-CNN

Region with CNN feature

SSD

Single-Shot Multibox Detector

SPP-net

Spatial Pyramid Pooling net

YOLO

You Only Look Once


DANH SÁCH BẢNG
Bảng 2.1: So sánh các mơ hình dựa trên R-CNN...........................................................22
Bảng 2.2: So sánh chỉ số AP giữa 2 thuật toán YOLO và SSD [9]...................................25
Bảng 2.3: Các hướng tiếp cận phát hiện đối tượng [10]..................................................27
Bảng 4.1: Thống kê các đối tượng gán nhãn..................................................................58
Bảng 4.2: Kết quả phát hiện nhận dạng phương tiện.......................................................64
Bảng 4.3: Kết quả theo vết đối tượng............................................................................64
Bảng 4.4: Kết quả phát hiện cảnh báo chạy sai làn đường...............................................65


DANH SÁCH HÌNH VẼ
Hình 2.1: Các bước cơ bản trong một hệ thống xử lý ảnh...............................................10

Hình 2.2: Minh họa trực quan tách ngưỡng với ngưỡng bằng 127...................................13
Hình 2.3: Minh họa cho các phương pháp phân ngưỡng khác nhau.................................14
Hình 2.4: Kết quả Canny Edge Detection.....................................................................15
Hình 2.5: Map từ khơng gian ảnh (A) sang khơng gian Hough (B)..................................16
Hình 2.6: Hình sin trong khơng gian Hough..................................................................16
Hình 2.7: Biểu diễn trong khơng gian Hough................................................................17
Hình 2.8: Biểu diễn 2 đường thẳng trong khơng gian Hough..........................................17
Hình 2.9: Kết quả áp dụng thuật tốn Hough Transform.................................................18
Hình 2.10: Mơ hình R-CNN........................................................................................19
Hình 2.11: Mơ hình SPP-net.......................................................................................20
Hình 2.12: Mơ hình mạng Fast R-CNN........................................................................21
Hình 2.13: Mơ hình mạng Faster R-CNN.....................................................................21
Hình 2.14: Mơ hình mạng SSD...................................................................................23
Hình 2.15: Các bounding box dự đốn.........................................................................24
Hình 2.16: Kiến trúc mạng YOLO v3..........................................................................25
Hình 2.17: Các quá trình phát hiện chuyển động............................................................26
Hình 2.18: Phát hiện vùng ảnh nổi...............................................................................28
Hình 2.19: Quy trình theo vết đối tượng.......................................................................35
Hình 2.20: Nguyên Lý Hoạt Động của IoUTracker.......................................................37
Hình 2.21: Sơ đồ phương pháp DEEPSORT................................................................40
Hình 2.22: Sơ đồ phương pháp CenterTrack [26]..........................................................38
Hình 3.1: Mơ hình hệ thống nhận dạng làn đường, phát hiện chuyển động, theo vết và phát
hiện phương tiện chạy sai làn................................................................................44
Hình 3.2: Minh họa vị trí lắp camera giám sát giao thơng...............................................45
Hình 3.3: Minh họa vị trí camera và làn đường..............................................................46
Hình 3.4: Kết quả áp dụng Canny Edge Detection.........................................................47


Hình 3.5: Kết quả áp dụng Hough Transform................................................................47
Hình 3.6: Kết quả áp dụng K-mean lọc các đường nhiễu................................................48

Hình 3.7: Lưu đồ hoạt động.........................................................................................50
Hình 3.8: Minh họa xác định đối tượng........................................................................51
Hình 3.9: Cách xác định phương tiện di chuyển sai làn...................................................51
Hình 3.10: Giao diện chương trình...............................................................................53
Hình 4.1: Camera giám sát giao thơng..........................................................................54
Hình 4.2: Cấu trúc bbox gán nhãn YOLO v5................................................................56
Hình 4.3: Cơng cụ hỗ trợ gán nhãn dữ liệu....................................................................57
Hình 4.4: Kết quả gán nhãn.........................................................................................57
Hình 4.5: Kết quả huấn luyện mơ hình lần 1..................................................................59
Hình 4.7: Kết quả huấn luyện mơ hình lần 3..................................................................60
Hình 4.6: Kết quả huấn luyện mơ hình lần 2..................................................................60
Hình 4.8: Phát hiện và theo vết đối tượng chuyển động trong frame hiện tại.....................61
Hình 4.9: Kết quả thử nghiệm phát hiện xe chạy sai làn..................................................63


1

MỞ ĐẦU
1. Lý do chọn đề tài
Hiện nay, với xu thế chuyển đổi số các ngành các lĩnh vực trong cả nước đang diễn
ra rất mạnh mẽ, việc ứng dụng công nghệ thông tin, đặc biệt là các hệ thống thơng minh
mang tính cấp thiết cao.
Trong bối cảnh hợp tác giữa VNPT Tây Ninh và Sở Giao Thông Vận Tải tỉnh Tây
Ninh nhằm xây dựng Đề án chuyển đổi số cho Ngành Giao Thông, việc đưa vào hệ thống
camera giao thông thông minh tại các tuyến đường giao thông trọng điểm với nhiều giải
pháp ứng dụng cấp thiết khai thác dữ liệu từ hệ thống này như tính tốn mật độ lưu thông,
đếm lưu lượng xe, nhận dạng biển số, nhận dạng làn đường, đo tốc độ xe,... nhằm hỗ trợ cơ
quan quản lý nhà nước nâng cao hiệu quả giám sát các phương tiện tham gia giao thông, xử
lý kịp thời các tình huống ùn tắc hay tai nạn giao thơng cũng như việc chấp hành quy định an
tồn giao thơng đơ thị, góp phần nâng cao nhận thức của người dân tham gia giao thông là

cần thiết.
Trong những năm gần đây trên địa bàn tỉnh phát hiện nhiều trường hợp vi phạm trật
tự an tồn giao thơng qua camera giám sát giao thông, nguyên nhân xuất phát từ việc người
điều khiển phương tiện vi phạm quy định về sử dụng phần đường, làn đường luôn chiếm tỷ
lệ cao, đứng đầu các nguyên nhân gây tai nạn.
Từ thực tiễn cho thấy, việc phương tiện giao thông không tuân thủ quy định về sử
dụng phần đường, làn đường trong tham gia giao thông không những ảnh hưởng rất lớn đến
xác suất xảy ra tai nạn cao mà còn ảnh hưởng đến mức độ nghiêm trọng của mỗi vụ tai nạn.
Do vậy cần thiết phải có một hệ thống quản lý và giám sát giao thông thông minh phát hiện
phương tiện lưu thông sai làn đường theo thời gian thực nhằm hỗ trợ cơ quan quản lý nhà
nước phát hiện cảnh báo sớm để có phương án xử lý kịp thời tránh phát sinh tai nạn cũng
như giảm thiệt hại về hạ tầng, tài sản và tính mạng của người dân, và đó chính là lý do tơi
chọn thực hiện đề tài này.


2. Tổng quan về vấn đề nghiên cứu
Hiện nay, trên thế giới cũng như ở nước ta có rất nhiều nghiên cứu về bài toán nhận
dạng làn đường, phát hiện và phân loại và theo vết phương tiện tham gia giao thơng. Tuy
nhiên các giải pháp hiện tại cịn riêng lẻ và chuyên biệt nên vẫn còn nhiều vấn đề cần nghiên
cứu đầy đủ thêm liên quan đến sự kết hợp các giải pháp, mật độ dày đặc của phương tiện
tham gia giao thông, đặc biệt là xe máy và xe ô tô.
Trong bối cảnh Việt Nam hiện nay, việc nghiên cứu và xây dựng hệ thống phân loại
và phát hiện phương tiện giao thông di chuyển sai phần đường, làn đường tích hợp vào hệ
thống giám sát giao thơng thơng minh là điều cần thiết có ý nghĩa cả về mặt lý thuyết và thực
tiễn.
Xây dựng hệ thống phân loại và phát hiện phương tiện giao thông di chuyển sai phần
đường, làn đường dựa trên video thời gian thực là xét xem tại một thời điểm, trong vùng
đang giám sát, có những loại phương tiện gì, số lượng tương ứng, các phương tiện đó có đi
đúng phần đường làn đường theo quy định luật giao thông đường bộ hiện hành của Việt
Nam hay khơng.

Hệ thống thuộc nhóm các ứng dụng liên quan đến lĩnh vực giao thông thông minh và
cũng được ứng dụng trong nhiều lĩnh vực như quản lý, giám sát giao thông như cảnh báo
xâm nhập, báo trộm, cảnh báo cháy, giám sát bảo vệ các khu vực quan trọng.
Yêu cầu cơ bản của hệ thống là trích xuất được phương tiện giao thơng vi phạm di
chuyển sai phần đường, làn đường dành riêng cho từng loại phương tiện.
Nhìn chung, điểm mới của đề tài là kết hợp giải pháp nhận dạng làn đường và nhận
dạng phương tiện, theo vết được các phương tiện từng làn đường, các dữ liệu được thu thập
và gán nhãn ở Tây Ninh. Các giải thuật không mới nhưng lần đầu được áp dụng và thử
nghiệm ở Tây Ninh.


3. Câu hỏi nghiên cứu
Xây dựng hệ thống Hệ thống phân loại và phát hiện phương tiện tham gia giao thông
di chuyển sai làn đường trên quốc lộ thuộc tỉnh Tây Ninh bằng camera kỹ thuật số mang lại
lợi ích gì cho các sở ban ngành?
Cần những dữ liệu nào phù hợp, để có thể quản lý và giám sát?
Sử dụng phương pháp nào để trích xuất làn đường, phát hiện, nhận diện đối tượng
chuyển động?
Ứng dụng phép toán nào để xác định phương tiện tham gia giao thông di chuyển sai
làn đường?

4. Mục đích nghiên cứu
Đề án tập trung nghiên cứu các lý thuyết liên quan đến vấn đề xử lý ảnh, bài toán
nhận dạng và phân loại đối tượng, phát hiện và truy vết đối tượng qua video.
Nghiên cứu các lý thuyết liên quan bài toán xác định phương tiện đi sai làn đường.
Xây dựng thử nghiệm hệ thống phân loại và phát hiện phương tiện giao thông di
chuyển sai phần đường, làn đường.

5. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu là hạ tầng giao thông đường bộ cụ thể là làn đường bộ, các

loại phương tiện tham gia giao thông trên đường qua camera kỹ thuật số giám sát giao thông.
Các phương pháp nhận dạng đối tượng, theo vết đối tượng và bài toán xác định đối
tượng trong vùng quan sát.
Phạm vi của đề án này chỉ tập trung vào nhận dạng làn đường được phân làn cố định:
Đường giao thơng có 3 làn: làn ngồi cùng dành cho xe ơ tơ; làn giữa cho xe tải, container;
làn trong dành cho xe máy; nhận dạng một số loại xe: xe ô tô con, ô tô khách, xe tải, xe
container, xe máy.
Camera giám sát được đặt cố định tại các giao lộ trên tuyến quốc lộ thuộc địa phận
tỉnh Tây Ninh. Môi trường thử nghiệm trong điều kiện sáng và rõ, giám sát được chuyển
động của các phương tiện.


6. Phương pháp nghiên cứu
-

Thu thập và nghiên cứu các cơng trình nghiên cứu về lĩnh vực giám sát giao thơng
thơng minh qua video, hình ảnh trên thế giới và trong nước.

-

Thu thập các dữ liệu làn đường và phương tiện giao thông qua video giám sát giao
thông trên địa bàn tỉnh Tây Ninh.

-

Phân tích, lựa chọn giải pháp và hiện thực thử nghiệm.

-

Đánh giá kết quả và hiệu chỉnh nếu có.

7. Những đóng góp của đề tài
Vận dụng các thuật tốn trích xuất làn đường, phân loại, theo vết và phát hiện
phương tiện tham gia giao thông di chuyển sai làn đường trên quốc lộ thuộc tỉnh Tây Ninh
bằng camera kỹ thuật số.
Xây dựng hệ thống phân loại và phát hiện phương tiện tham gia giao thông di
chuyển sai làn đường.


CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU TRONG VÀ
NGOÀI NƯỚC
1.1.

Giới thiệu

Tại các nước phát triển, việc sử dụng camera giám sát khá phổ biến với rất nhiều tính năng thơng
minh như đo tốc độ, nhận dạng biển số, phân loại xe, phát hiện ngược chiều, xe đi vào vùng cấm,… được bố
trí kín đáo và mật độ dày đặc.
Đối với tình hình giao thơng phức tạp của Việt Nam hiện nay, việc xây dựng hệ thống nhận dạng làn
đường và phân loại phương tiện tham gia giao thơng vẫn cịn nhiều thách thức như thành phần tham gia giao
thông đa dạng và phức tạp đặc biệt là xe máy, mật độ giao thông tăng nhanh ở một số thời điểm, điều kiện môi
trường xấu như cường độ sáng không đảm bảo, mưa, góc đặt thiết bị giám sát, v.v…
Hiện tại, để có thể phát hiện những trường hợp xe di chuyển sai làn đường quy định, đòi hỏi cán bộ
giám sát phải thiết lập cấu hình thủ cơng rất mất thời gian. Thiết bị giám sát chun dụng có chi phí rất cao
không khả thi cho việc trang bị số lượng lớn. Vì vậy, giải pháp tận dụng các hình ảnh thu được từ video giám
sát giao thông, áp dụng các kỹ thuật xử lý ảnh, hay giải pháp máy học để phân tích nhận dạng làn đường, nhận
dạng phương tiện từ đó xác định phương tiện đang di chuyển trên làn đường nào đang được nhiều nhà nghiên
cứu quan tâm.
Tóm lại, hướng tiếp cận sử dụng các kỹ thuật xử lý ảnh, kỹ thuật học sâu để phát hiện và phân loại
phương tiện tham gia giao thông theo làn đường trong hệ thống giám sát giao thông là phù hợp với hiện trạng

camera đang được trang bị với số lượng lớn trên khắp cả nước.


1.2.

Các nghiên cứu trong nước

Ở nước ta, các cơng trình nghiên cứu về bài toán phát hiện phương tiện di chuyển sai làn đường qua
camera còn rất hạn chế do tính phức tạp và ứng dụng vào thực tế. Đa phần là các nghiên cứu liên quan đến kỹ
thuật nhận dạng đối tượng, phát hiện đối tượng chuyển động, theo vết đối tượng và dự đoán hướng di chuyển
trong video.
Năm 2016, nghiên cứu “Dự đoán hướng di chuyển và xác định tốc độ xe qua camera giám sát” [3]
của các tác giả Lâm Hữu Tuấn, Huỳnh Phụng Toàn, Trần Cao Đệ, Nguyễn Thị Hồng Nhung sử dụng
phương pháp một “khung đo” để xác định tốc độ xe trong video giao thông, phát hiện đối tượng chuyển động
bằng kỹ thuật trừ nền và dự đốn hướng di chuyển, tính vận tốc của đối tượng bằng phép tốn trung bình có
trọng số. Từ thực nghiệm của các tác giả cho thấy kết quả khá chính xác, đo được tốc độ nhiều phương tiện
cùng lúc và có thể xử lý ảnh, video được thu bằng camera thường.
Năm 2019, cơng trình của tác giả Bùi Trần Tiến “Nhận dạng phương tiện dựa vào kỹ thuật học sâu”
[7]. Tác giả sử dụng YOLOv4 trong việc nhận dạng phương tiện giao thông. Với việc thay đổi cấu trúc của
mơ hình YOLOv4 so với các phiên bản trước, có thể cải thiện tốc độ, độ chính xác của mơ hình. Trong thử
nghiệm của tác giả với các phương tiện giao thông như ô tô con và xe máy việc thay đổi số filter tích chập
(convolutional) đã cải thiện tốc độ dự đốn đáng kể mà khơng giảm đi độ chính xác của hệ thống trong điều
kiện ánh sáng tốt.
Tại hội nghị FAIR 2020, cơng trình “Khảo sát bài toán nhận diện và đo tốc độ phương tiện tham gia
giao thông” [5] của tác giả Vũ Đức Lung và các cộng sự giới thiệu đã khảo sát và phân loại các kỹ thuật và
hướng tiếp cận phổ biến hiện nay đối với hai bài toán phát hiện và đo tốc độ phương tiện tham gia giao thông
vốn là cơ sở cho nhiều hệ xử lý kế tiếp như theo vết, phân tích hành vi. Đồng thời các tác giả tổng hợp và đề
xuất một số bộ dữ liệu thường dùng để huấn luyện và đánh giá kết quả.
Năm 2022, cơng trình của tác giả Lý Băng, “Hệ Thống Đo Tốc Độ Phương Tiện Giao Thông Trên
Quốc Lộ Bằng Camera Kỹ Thuật Số” [13]. Tác giả sử dụng

SSD – Single Shot Detector và Optical flow để phát hiện phương tiện và xác định tốc độ đối tượng. Từ kết quả
thực nghiệm của tác giả cho thấy việc phát hiện và theo vết phương tiện khá tốt tuy nhiên vẫn cịn một số ít
phương tiện bị bỏ qua hoặc khơng lấy được tốc độ do có một số phương tiện quá khổ thời gian vào và ra video
không được chính xác.

1.3.

Các nghiên cứu ngồi nước

Hiện nay, trên thế giới có rất nhiều cơng trình nghiên cứu về kỹ thuật xử lý ảnh, kỹ thuật trừ nền, kỹ
thuật học sâu để nhận dạng, theo vết đối tượng như làn đường, các phương tiện giao thông, đo tốc độ.
Năm 2014, cơng trình của các tác giả Jianqiang Ren, Yangzhou Chen, Le Xin, Jianjun Shi, “Lane
Detection in Video-Based Intelligent Transportation Monitoring via Fast Extracting and Clustering of Vehicle
Motion Trajectories” [19]. Bài báo này đề xuất một phương pháp mới để phát hiện trung tâm làn đường thơng
qua trích xuất nhanh chóng và phân cụm quỹ đạo chuyển động của phương tiện với độ chính xác cao. Đầu
tiên, các tác giả sử dụng bản đồ hoạt động (activity map) để phát hiện tự động trích xuất vùng đường, hiệu
chỉnh camera động và thiết lập ba đường phát hiện ảo. Kế đến, ba đường phát hiện ảo và một mơ hình nền cục
bộ với phản hồi luồng giao thông được sử dụng để trích xuất và nhóm các điểm đặc trưng của phương tiện
trong một đơn vị phương tiện. Sau đó, các nhóm điểm đặc trưng được mơ tả chính xác bằng biểu đồ động có
trọng số cạnh và được sửa đổi bằng bộ lọc tương tự chuyển động Kalman trong quá trình theo dõi điểm đặc
trưng thưa thớt. Sau khi có được quỹ đạo của phương tiện, một cụm gia tăng k-means thô với khoảng cách
Hausdorff được thiết kế để thực hiện việc trích xuất trung tâm làn đường trực tuyến nhanh chóng với độ chính
xác cao. Tuy nhiên với tình trạng giao thông thưa thớt, không đồng đều trong suốt thời gian giám sát thì việc
nhận dạng tâm làn đường qua quỹ đạo di chuyển của phương tiện lại giảm hiệu quả đáng kể.
Năm 2016, cơng trình của Dominik Zapletal và các cộng sự “Vehicle Re- Identification for
Automatic Video Traffic Surveillance” [13], nhận diện phương tiện sử dụng 3D bounding box, chỉ dùng mặt
bên và mặt trước của vật thể (không dùng

hình ảnh từ đỉnh xe), sau đó ghép hai phần lại thành một ảnh đại diện cho vật thể đó và trích xuất đặc trưng màu
sắc từ ảnh đó dùng linear SVM classifier. Các đặc trưng được sử dụng trong từng mơ hình riêng biệt để có
được kết quả tốt nhất trong thời gian tính tốn CPU ngắn nhất. Phương pháp được đề xuất hoạt động với độ
chính xác cao (60% true positives, 10% false positive trên một tập con của dữ liệu thử nghiệm) trong 85ms thời
gian tính tốn của CPU (Core i7) cho mỗi lần nhận dạng lại một phương tiện. Các ứng dụng của nghiên cứu
này bao gồm tìm kiếm các tham số quan trọng như thời gian di chuyển, lưu lượng giao thông hoặc thông tin
giao thông trong hệ thống giám sát và giám sát giao thơng phân tán.
Năm 2018, cơng trình của Zheng Tang, và các cộng sự “Single-camera and inter-camera vehicle
tracking and 3D speed estimation based on fusion of visual and semantic features” [14] sử dụng hai phương
pháp đơn camera 3D và đa camera để xác định phân loại và ước lượng tốc độ phương tiện. Cụ thể, một mơ
hình ngoại hình thích ứng dựa trên biểu đồ tần suất được giới thiệu để học lịch sử lâu dài của các đặc trưng hình
ảnh cho từng phương tiện cụ thể. Ngồi ra, các tính năng ngữ nghĩa bao gồm độ mượt của quỹ đạo di chuyển,
thay đổi vận tốc và thông tin thời gian được tích hợp vào chiến lược phân cụm bottom-up để kết hợp dữ liệu
trong mỗi chế độ xem camera. Ngoài ra, tối ưu hóa tiến hóa được áp dụng cho hiệu chuẩn máy ảnh để ước tính
tốc độ 3D đáng tin cậy. Thuật toán đạt được hiệu suất cao nhất trong cả ước tính tốc độ 3D và nhận dạng lại
phương tiện. Bài báo được top 1 cuộc thi NVIDIA AI City 2018.
Năm 2018, cơng trình của các tác giả Ahmad Arinaldi, Jaka Arya Pradana, Arlan Arventa Gurusinga
“Detection and classification of vehicles for traffic video analytics” [16]. Các tác giả trình bày một hệ thống
phân tích video giao thơng dựa trên kỹ thuật thị giác máy tính. Hệ thống này được thiết kế để tự động thu thập
các số liệu thống kê quan trọng theo cách tự động. Những số liệu thống kê này bao gồm đếm phương tiện,
phân loại loại phương tiện, ước tính tốc độ phương tiện từ video và giám sát việc sử dụng làn đường. Phần
chính của hệ thống là nhận dạng và phân loại phương tiện trong video giao thông. Các tác giả áp dụng hai mơ
hình là hệ thống


MoG + SVM và mơ hình dựa trên RCNN nhanh hơn. Qua thực nghiệm của các tác giả cho thấy RCNN
nhanh hơn vượt trội so với MoG trong việc phát hiện các phương tiện tĩnh, chồng chéo hoặc trong điều kiện
ban đêm. RCNN nhanh hơn cũng vượt trội so với SVM trong việc phân loại các loại phương tiện dựa trên
hình thức bên ngồi.

Năm 2020, cơng trình của các tác giả Zequn Qin, Huanyu Wang, and Xi Li “Ultra Fast Structureaware Deep Lane Detection”, các tác giả đưa ra hướng tiếp cận mới trong việc nhận dạng làn đường. Các tác
giả đề xuất phương pháp mơ hình hóa cấu trúc của làn đường, xử lý việc nhận dạng làn dựa trên việc chọn các
đặc trưng chung theo từng dòng (tức chia mơ hình làn đường thành các row để xử lý). Kết quả thực nghiệm
đạt được hiệu suất tối ưu về cả tốc độ và độ chính xác. Một phiên bản trọng lượng nhẹ thậm chí có thể đạt được
hơn 300 khung hình mỗi giây với cùng độ phân giải, nhanh hơn ít nhất 4 lần so với các phương pháp hiện đại
trước đây.
Từ kết quả nghiên cứu tổng quan các cơng trình ở trên cho thấy các giải pháp dùng học sâu hiện nay
cho kết quả chính xác hơn nhiều và hiện được áp dụng sâu rộng hơn do đó trong đề án này học viên sẽ áp
dụng phương pháp học sâu để phát hiện phương tiện cho giao thông Việt Nam.