Xây dựng ứng dụng phân tích lưu lượng xe trong hệ thống giao thông thông minh (tt)

1

MỞ ĐẦU
Trong những năm gần đây, cùng với sự phát triển kinh tế - xã hội,
nhiều công trình giao thông đã và đang được xây dựng trên khắp Việt Nam
để phục vụ nhu cầu đi lại của nhân dân, đồng thời đáp ứng sự gia tăng
không ngừng số lượng các phương tiện tham gia giao thông. Chúng ta
đang phải đối mặt với những vấn đề cấp bách trong giao thông, đặc biệt là
tai nạn giao thông, và ùn tắc giao thông tại các thành phố lớn như Hà Nội
và Thành phố Hồ Chí Minh. Để giải quyết vấn đề này, chúng ta đang cố
gắng từng bước xây dựng một hệ thống giao thông đồng bộ và ứng dụng
khoa học kỹ thuật mới trong hệ thống điều khiển giao thông.
Hiện nay, trên thế giới các hệ thống giám sát thông minh bằng hình
ảnh đã được phát triển và chứng minh được hiệu quả nhất định trên một số
lĩnh vực như giám sát hoạt động con người, giám sát giao thông, ... Nhiều
hệ thống đã được nghiên cứu và phát triển, ví dụ như hệ thống giám sát
giao thông có thể cho chúng ta biết được số lượng phương tiện lưu thông
qua đoạn đường, các thông tin về tốc độ, đường đi của phương tiện. Tuy
nhiên, các hệ thống vẫn gặp phải một số khó khăn như hiệu quả của việc
quan sát luôn phụ thuộc vào điều kiện môi trường quan sát, kiểu chuyển
động của đối tượng hay các lý do khách quan khác. Vì vậy, các hệ thống
này vẫn còn đang được nhiều nhà khoa học,trung tâm nghiên cứu trên thế
giới và Việt Nam quan tâm phát triển.
Xuất phát từ thực tế trên, việc nghiên cứu và đưa ra các giải pháp
phân tích lưu lượng, mật độ xe tại các giao lộ bằng hình ảnh thu được từ
camera, hổ trợ việc điều khiển tín hiệu đèn giao thông là vô cùng thiết


2
thực. Được sự hướng dẫn của TS. Ngô Quốc Việt tôi đã tiến hành nghiên
cứu đề tài “Xây dựng ứng dụng phân tích lƣu lƣợng xe trong hệ thống

giao thông thông minh”.
Việc lựa chọn đề tài với các mục đích sau:
Nghiên cứu các phương pháp tiền xử lý và xử lý video nhằm xác
định đối tượng chuyển động, các kỹ thuật xử lý xác định lưu lượng và mật
độ, ước lượng vận tốc chuyển động phương tiện giao thông, các tài liệu
liên quan đến một số nghiên cứu về xử lý ảnh số và video.
Sử dụng thư viện mã nguồn mở OpenCV(Open Computer vision)
xây dựng chương trình thực nghiệm đếm số lượng từng loại xe, xác định
vận tốc dòng xe, mật độ dòng xe.
Luận văn sẽ được trình bày với 4 chương chính với nội dung như
sau:
Chƣơng 1 - TỔNG QUAN NGHIÊN CỨU
Chƣơng 2 - CƠ SỞ LÝ THUYẾT
Chƣơng 3 - PHÂN TÍCH LƢU LƢỢNG XE
Chƣơng 4 - THỰC NGHIỆM VÀ ĐÁNH GIÁ


3

Chƣơng 1 - TỔNG QUAN NGHIÊN CỨU
1.1. Giới thiệu hệ thống giám sát thông minh
1.2. Một số hệ thống giám sát giao thông ứng dụng công nghệ xử
lý ảnh trên thế giới
1.3. Một số hệ thống giám sát giao thông ứng dụng công nghệ xử
lý ảnh ở Việt Nam
1.4. Giới thiệu bài toán phân tích lƣu lƣợng xe
- Đầu vào của hệ thống sẽ là hình ảnh từ video thu được tại các điểm
quan sát
-

Đầu ra của hệ thống sẽ là các thông tin về chuyển động, số lượng, mật độ,... của các
phương tiện được giám sát.

Hình 1.2: Sơ đồ khối thiết kế hệ thống phân tích lƣu lƣợng xe


4
Tóm lại việc phân tích lưu lượng xe bằng hình ảnh có thể hiểu là việc
phân tích và xử lý hình ảnh video qua việc giải quyết các bài toán sau:
Bài bài toán phát hiện các đối tƣợng chuyển động
Phát hiện các đối tượng chuyển động là bước cơ bản đầu tiên trong
bài toán phân tích hình ảnh video, cụ thể đó là việc tách các các đối tượng
chuyển động từ các hình ảnh nền của các đối tượng đó. Phương pháp
thường được sử dụng trong bài toán này đó là: phương pháp trừ ảnh nền,
các phương pháp dựa trên thống kê, phương pháp chênh lệch tạm thời, và
các phương pháp dựa trên luồng thị giác,…
Bài toán nhận dạng và theo vết chuyển động của xe
Yêu cầu đối với bài toán nhận dạng và theo dõi chuyển động của xe
là xác định các thông tin về dòng xe, bao gồm: số lượng từng loại xe đi
vào vùng quan sát, mật độ dòng xe, tốc độ chuyển động trung bình của
dòng xe.

1.5. Kết chƣơng
Chương này trình bày tổng quan các nghiên cứu và các hệ thống
giám sát giao thông ứng dụng công nghệ xử lý ảnh trên thế giới và trong
nước, giới thiệu bài toán phân tích lưu lượng xe sẽ trình bày trong luận
văn.


5

Chƣơng 2 - CƠ SỞ LÝ THUYẾT
2.1. Các khái niệm cơ bản
2.1.1. Video
2.1.2. Xử lý ảnh và video
2.1.3. Bộ lọc hình thái (Morphology Filter)
2.2. Phát hiện và theo vết đối tƣợng chuyển động
Đối tượng
Phát hiện

Theo vết

chuyển

đối

được
giám sát

Hình 2.5: Sơ đồ khối Hệ thống theo vết đối tƣợng chuyển động

2.2.1. Phát hiện đối tượng chuyển động
Phát hiện đối tượng chuyển động là quá trình đưa ra vết các đối
tượng chuyển động từ các khung hình video [5]. Quá trình này thực chất là
quá trình xử lý chuỗi ảnh liên tiếp trong một đoạn video để phát hiện ra
các đối tượng chuyển động trong một đoạn hình ảnh theo như hình 2.6.

Hình 2.6: Tổng quan các khối xử lý trong bài toán phát hiện đối tƣợng

6

2.2.2. Theo vết đối tượng chuyển động
Các phƣơng pháp sử dụng theo vết đối tƣợng
Theo vết dựa vào mô hình: Hệ thống theo vết dựa vào mô hình 2D3D. Độ chính xác cao, số lượng đối tượng theo dõi ít.
Theo vết đối tượng dựa vào miền: Nhận dạng những miền liên kết
với nhau trong ảnh, khối mà có liên kết với mục tiêu được theo dõi.
Theo vết đối tượng dựa vào đường bao động (Active Contour):
Đường viền bao đối tượng được theo dõi, và liên tục cập nhật tự động. Hạn
chế chính của cách tiếp cận này là xử lý thế nào với trường hợp nhập
nhằng.
Theo vết đối tượng dựa vào đặc trưng: Các đặc trưng như tâm, màu
sắc của đối tượng.

2.3. Một số phƣơng pháp phát hiện đối tƣợng chuyển động
2.3.1. Phương pháp trừ nền
2.3.2. Phương pháp Frame Difference
2.3.3. Phương pháp Temporal Median Filter
2.3.4. Phương pháp Gaussian Mixture Model
2.4. Giải quyết bài bài toán phát hiện các đối tƣợng chuyển động
Trong luận văn này học viên sử dụng phương pháp Frame Difference
kết hợp với một số bộ lọc ảnh để phát hiện đối tượng chuyển động.


7

Hình 2.14: Sơ đồ phát hiện đối tƣợng chuyển động bằng phƣơng pháp
Frame difference

Mô tả thuật toán:

Bƣớc 1 – Trích xuất khung hình
Đầu tiên đọc 1 khung hình Fi từ video đầu vào. Kiểm tra khung
khung hình nền tham chiếu Fi-1(khung hình trước) có khác rỗng: Nếu
khung hình Fi-1 rỗng thì ta gán Fi-1 = Fi và quay lại bước 1, ngược lại nếu
khung hình Fi-1 khác rỗng thì sang bước 2.


8
Bƣớc 2 – Trừ ảnh
Tính toán độ sai khác giữa 2 khung hình Fi, Fi-1 bằng cách áp dụng công
thức (2.2)
Bƣớc 3 – Lấy ngƣỡng
Ta có:
Ii(x,y) là cường độ sáng của pixel (x,y) thuộc khung Fi.
Ii-1(x,y) là cường độ sáng của pixel (x,y) thuộc khung Fi-1
Để cho ra mặt nạ nhị phân của các đối tượng chuyển động B(x, y), ta
lấy ngưỡng như sau:
(

)

{

| (
| (

)
)

(

(

)| 
)|

(2.12)

Bƣớc 4 – Áp dụng các bộ lọc:
Bước cuối cùng là áp dụng các bộ lọc hình thái (như đã trình bày
trong phần 2.1.3). Các bộ lọc hình thái như closing, opening sẽ được áp
dụng để loại bỏ nhiễu, lấp lỗ trống và loại bỏ các khối chuyển động có
kích thước khá nhỏ so với các đối tượng cần xử lý.
Sau các bước trên, kết quả nhận được là mặt nạ đối tượng chuyển
động. Mặt nạ đối tượng chuyển động là ảnh nhị phân với các điểm ảnh
thuộc về đối tượng chuyển động sẽ mang giá trị 1 và các điểm ảnh thuộc
về nền sẽ mang giá trị 0. Mặt nạ nhị phân được phát hiện ở bước này sẽ là
đối số đầu vào cho thuật toán tính mật độ dòng xe được trình bày trong
mục 3.3.


9
Bƣớc 5: Biểu diễn đối tƣợng:
Sau khi phát hiện vùng điểm ảnh thuộc đối tượng chuyển động và
áp dụng các phương pháp xử lý để loại bỏ các khu vực nhiễu, các điểm ảnh
được nhóm lại thành các khối đại diện cho đối tượng, từ các khối đại diện
cho đối tượng tiến hành xác định tính chất của đối tượng như: hình bao,
đường viền, diện tích, vị trí, ...

2.5. Kết chƣơng
Chương này trình bày cơ sở lý thuyết về các bộ lọc xử lý ảnh, các

phương pháp phát hiện, theo dõi đối tượng chuyển động, giải quyết bài
toán phát hiện các đối tượng chuyển động.


10

Chƣơng 3 - PHÂN TÍCH LƢU LƢỢNG XE
3.1. Ƣớc lƣợng số lƣợng phƣơng tiện giao thông
3.1.1. Giới thiệu bài toán
List vehicle tracking V

v = getVehicleFromV()
False
prev= OldPosision(v)
Check v is

cur = currentPosision(v)

end of list?

True
Passed
counting

Vehicle
counting

False

prev = cur

Hình 3.1: Sơ đồ phƣơng pháp đếm xe đề xuất

Đầu vào: danh sách các xe đã được theo vết (danh sách các xe đã
được theo vết là kết quả đầu ra của thuật toán theo vết chuyển động xe
được trình bài trong mục 3.4).
Đầu ra: số lượng từng loại xe.
Điều kiện để 1 xe được đếm hợp lệ là:


11
 Xe đã được theo vết: Mục đích của việc theo vết là nhằm tránh
việc 1 xe bị đếm nhiều lần.
 Xe đã vượt qua vạch ảo trên đường như mô tả trong hình 3.2.
Mặt phẳng
A

Vạch ảo đếm
xe(Counting

B
Mặt phẳng
Hình 3.2: Mô tả vạch ảo(Counting line) đƣợc sử dụng để đếm xe
Để đếm số lượng xe chúng ta tạo 1 vạch ảo (counting line) trên mặt
đường như hình 3.2. Vạch ảo sẽ chia mặt đường thành mặt phẳng A và mặt
phẳng B. Một xe được xác định là vượt qua vạch ảo khi xe di chuyển từ
mặt phẳng A đến mặt phẳng B hay nói cách khác khi vị trí trước đó của xe
nằm trên mặt phẳng A và vị trí hiện tại nằm trên mặt phẳng B thì xe được
xác định là vượt qua vạch ảo. Với mỗi xe vượt qua vạch ảo thì ta đếm số
lượng xe tăng lên 1.

Mô tả thuật toán:

Gọi V là danh sách các xe đã được theo vết bởi thuật toán theo vết
chuyển động xe được trình bài trong mục 3.4
Bƣớc 1: Lấy 1 xe v trong danh sách xe V đã theo vết
Bƣớc 2 : Tính vị trí tọa độ điểm trọng tâm trong khung hình trước đó của
xe v và vị trí tọa độ điểm trọng tâm trong khung hình hiện tại của xe v:


12
 Nếu vị trí tọa độ điểm trọng tâm trong khung hình trước đó của xe v
thuộc mặt phẳng A và vị trí tọa độ điểm trọng tâm trong khung hình
hiện tại của xe v thuộc mặt phẳng B thì tăng số lượng xe lên 1. Nếu còn
xe trong danh sách V chưa xét thì quay lại bƣớc 1, ngược lại thì kết
thúc thuật toán.
 Ngược lại thì cập nhật vị trí tọa độ điểm trọng tâm trong khung hình
trước đó bằng vị trí tọa độ điểm trọng tâm trong khung hình hiện tại. .
Nếu còn xe trong danh sách V chưa xét thì quay lại bƣớc 1, ngược lại
thì kết thúc thuật toán.

3.1.2. Thuật toán đếm xe
Input: Danh sách các xe đã đƣợc theo vết V
Output: Số lƣợng xe tƣơng ứng từng loại xe
count_large = 0, count_small=0;// Khởi tạo
For each (v in V )
// vị trí xe ở khung hình trước đó, vị trí hiện tại của xe
old_posision = getOldPosisionVehicle(v);
current_position = getVehiclePosition(centroid);
if(old_position = “A” && current_position = “B”)
if(v.type = “Large Vehicle”)

count_large++;
else if(v.type = “Small Vehicle”)
count_small++;

//cập nhật lại vị trí old posision của xe v
UpdateOldPosisionVehicle(v, current_position);
End


13

3.2. Xác định vận tốc trung bình dòng xe
3.2.1. Tính vận tốc xe
Để tính vận tốc của xe thì xe phải được theo vết chuyển động dựa
trên thuật toán theo vết chuyển động của xe trình bày trong mục 3.4.3. Khi
xe đã được theo vết và di chuyển qua vùng quan sát thì vận tốc của xe sẽ
được tính bằng cách dựa vào thời gian xe di chuyển qua vùng quan sát và
chiều dài vùng quan sát đã được xác định trước theo mét.

Hình 3.3: Mô tả vùng quan sát để tính tốc độ xe

Chiều dài của vùng quan sát do người dùng định nghĩa trước và có
thể xác định bằng cách dựa vào chiều dài của vạch kẻ đường và khoảng
cách giữa 2 vạch kẻ đường như hình 3.4[4].

Hình 3.4: Mô tả kích thƣớc vạch kẻ đƣờng, đơn vị tính mét

(Nguồn: Quy chuẩn kỹ thuật quốc gia về báo hiệu đường bộ năm 2012)

14
Trong hình 3.3: L1 là chiều dài của vạch kẻ đường, L2 là khoảng
cách giữa hai vạch kẻ đường. Chiều dài L1 = 1m ÷ 3m; L2 = 3m ÷ 9m và
tỷ lệ L1 : L2 = 1:3.
Tốc độ khung hình trên giây của video và số khung hình để xe di
chuyển qua vùng quan sát được sử dụng để tính thời gian xe di chuyển qua
vùng quan sát, cụ thể hơn thời gian xe di chuyển qua vùng quan sát được
tính dựa vào tỉ số giữa số khung hình để xe di chuyển qua vùng quan sát và
tốc độ khung hình trên giây của video ta có công thức:
(

)

Trong đó:
∆t là thời gian để xe di chuyển qua vùng quan sát(thời gian từ khi xe
bắt đầu vào vùng quan sát đến khi xe ra khỏi vùng quan sát).
n là số khung hình để xe di chuyển qua vùng quan sát.
fps là số khung hình trên giây của video.
Vận tốc của xe sẽ được xác định dựa vào chiều dài của vùng quan
sát(

) và thời gian để xe di chuyển qua vùng quan sát (∆t) và được tính

theo theo công thức:
(
Trong đó:
là tốc độ của xe đơn vị tính bằng km/h.

)

15
LROI là chiều dài của vùng quan sát tính theo mét.
Hệ số 3.6 là hệ số chuyển đổi từ m/s đến km/h.
∆t là thời gian để xe di chuyển qua vùng quan sát(thời gian từ khi xe
bắt đầu vào vùng quan sát đến khi xe ra khỏi vùng quan sát).

3.2.2. Tính vận tốc trung bình dòng xe
Vận tốc trung bình dòng xe là vận tốc trung bình của tất cả các xe,
được tính theo công thức:
∑

Trong đó :

(

)

là vận tốc trung bình của dòng xe.
là vận tốc của xe thứ i.
là tổng số số lượng xe.

3.2.3. Thuật toán tính vận tốc trung bình của dòng xe
3.3. Xác định mật độ dòng xe
3.3.1. Tính mật độ dòng xe
Diện tích mặt đường bị xe chiếm dụng được tính toán bằng cách sử
dụng phương pháp phép trừ nền.


16

Hình 3.5: Hình minh họa tính diện tích chiếm dụng mặt đƣờng của xe

Theo phương pháp này, hình ảnh của khu vực giám sát F được xử lý
để tìm ra FG, Diện tích các khu vực chiếm dụng mặt đường của xe FG
được tính bằng công thức
(

)

Mật độ của dòng xe được tính bằng cách lấy giá tỉ số giữa tổng số
điểm ảnh thuộc tất cả các đối tượng xe trong FG và tổng số điểm của mặt
đường BG sau đó nhân cho 100 để tính mật độ theo phần trăm như công
thức (3.5):
(

)

(

)

3.3.2. Thuật toán đánh giá mật độ xe
3.4. Giải quyết bài toán nhận dạng và theo vết chuyển động của xe
3.4.1. Khái quát về bài toán nhận dạng và theo vết đối tượng
3.4.2. Nhận dạng xe dựa trên kích thước đường bao của đối tượng
3.4.3. Theo vết chuyển động xe và tính lưu lượng xe


17

M=danh sách chuyển động, T = {}

Sai

Còn mi trong
M chưa xét ?
Đúng

Có các tj
chưa cập?
nhật?

Đọc mi
Đúng

Đúng

Thêm mi vào

T rỗng?

T
Xóa các tj

Sai
Sai
mi khớp tj
Đúng

Cập nhật tj = mi

Tính lƣu
lƣợng xe

Hình 3.6: Sơ đồ thuật toán theo vết, tính lƣu lƣợng xe

Các bước thực hiện:
 Bƣớc 1: Rút trích thông tin đối tƣợng chuyển động
Gọi M là danh sách chứa các đối tượng chuyển động. Các đối tượng
con thuộc danh sách M được ký hiệu là mi. Mỗi đối tượng mi chứa các
thông tin như: Nhãn đối tượng(là ID của đối tượng), tâm đường bao đối
tượng, dài, rộng, diện tích,…
Gọi T là danh sách các đối tượng chuyển động được theo vết. Các
đối tượng con thuộc danh sách T sẽ được ký hiệu là tj. Mỗi đối tượng tj
chứa các thông tin như: chỉ số ID đối tượng, các thông tin tương tự mi ,


18
lifetime(Số khung hình đối tượng được giám sát), active(số khung hình đã
được theo vết), inactive(số khung hình đã không cập nhật, mất dấu).
Các đối tượng thuộc danh sách M sẽ được so khớp đặc trưng với các
đối tượng cần theo vết trong danh sách T, để xác định xem mỗi đối tượng
cần theo vết trong T sẽ là đối tượng nào trong danh sách M ở khung hình
tiếp theo sẽ được thực hiện trong bƣớc 2.
 Bƣớc 2: So sánh và cập nhật danh sách theo vết
Sau khi có được danh sách đối tượng M từ ảnh nhị phân chứa đối
tượng chuyển động của khung hình hiện tại, nếu danh sách T rỗng thì mi sẽ
được thêm ngay vào danh sách T để quản lý và theo vết. Ngược lại, nếu
danh sách T đã có đối tượng thì thao tác so khớp đối tượng và kiểm tra
điều kiện sẽ được thực hiện.

Để so khớp các mi với các tj, khoảng cách Euclide được sử dụng để
đánh giá khoảng cách giữa tâm của từng mi với tâm của tất cả các tj. Nếu
mi và tj có khoảng cách tâm nhỏ nhất và phải nhỏ hơn một ngưỡng  cho
trước thì mi trùng khớp với tj. Ngưỡng  được xác định là khoảng cách lớn
nhất của tâm đối tượng giữa hai khung hình.
Trong trường hợp có nhiều đối tượng tj thỏa đặc trưng khoảng cách
với mi thì ta sử dụng thêm đặc trưng kích thước đường bao để xác định
chính xác đối tượng tj phù hợp nhất.
Thực hiện so khớp:


19
 Nếu mi không trùng với bất kỳ tj nào thì mi sẽ được xem là đối
tượng mới và sẽ thực hiện bƣớc 3.1 thêm đối tượng vào danh
sách T.
 Nếu mi trùng khớp với tj thì mi là đối tượng đang theo dõi ta
thực hiện bƣớc 3.2
 Nếu tất cả đối tượng trong danh sách T đã được so khớp các
đối tượng trong danh sách M mà tồn tại các đối tượng tj
không được cập nhật lại thông tin thì thực hiện bƣớc 3.3: xóa
đối tượng tj ra khỏi danh sách.
 Bƣớc 3.1: Thêm mới đối tƣợng vào danh sách T
Khi thêm mi vào danh sách T, chỉ số đối tượng của tj sẽ là chỉ số lớn
nhất của các tj đang quản lý tăng thêm 1. Nếu tj là đối tượng đầu tiên thì sẽ
có chỉ số là 1. Các thông tin như nhãn, đường bao đối tượng, tâm đường
bao đối tượng,… của tj sẽ được gán dựa vào các thông tin đối tượng của
mi. Nếu còn mi trong M chưa xét thì quay lại bƣớc 1 để xử lý đối tượng
tiếp theo, ngược lại thì kết thúc.
 Bƣớc 3.2: Cập nhật thông tin đối tƣợng trong danh sách T và
phân tích lƣu lƣợng xe

Trong bước 2, nếu xác định được là có tồn tại một mi trùng với duy
nhất một tj thì Mi sẽ được xem như là đối tượng đang theo dõi và thông tin
của mi sẽ đượng sử dụng để cập nhật lại thông tin tại vị trí mới cho tj. Khi
cập nhật lại thông tin cho tj, chỉ số đối tượng của tj sẽ không thay đổi, các
thông tin nhãn, tâm đường bao,..sẽ được lấy từ đối tượng mi.


20
Tính lưu lượng xe như: Số lượng phương tiện sử dụng thuật toán
được trình bày mục 3.1, Vận tốc trung bình dòng xe trình bày ở mục 3.2,
mật độ dòng xe trình bày ở mục 3.3.
Nếu còn mi trong M chưa xét thì quay lại bƣớc 1 để xử lý đối tượng
tiếp theo, ngược lại thì kết thúc.
 Bƣớc 3.3: Xóa đối tƣợng ra khỏi danh sách T
Với mỗi đối tượng tj không được cập nhật lại thông tin thì tj sẽ được
đánh dấu không cập nhật bằng cách tăng giá trị không cập nhật(inactive)
của tj lên 1, nếu inactive của tj lớn hơn 1 ngưỡng cho trước thì xoá tj ra
khỏi danh sách T.
Nếu còn mi trong M chưa xét thì quay lại bƣớc 1 để xử lý đối tượng
tiếp theo, ngược lại thì kết thúc.

3.5. Kết chƣơng
Chương này trình bày phương pháp ước lượng số lượng phương tiện
giao thông, mật độ và vận tốc dòng xe, giải quyết bài toán nhận dạng và
theo vết chuyển động nhằm ước lượng số lượng, vận tốc, mật độ dòng xe.


21

Chƣơng 4 - THỰC NGHIỆM VÀ ĐÁNH GIÁ

4.1. Kết quả đạt đƣợc qua thực nghiệm
4.1.1. Môi trường và dữ liệu thực nghiệm
4.1.2 Kết quả thực nghiệm đếm số lượng xe

Hình 4.2: Kết quả thực nghiệm đếm xe của chƣơng trình

Bảng 4.1. Bảng kết quả đếm số lƣợng xe trong video01
Tổng số xe

Xe lớn (ô tô)

Xe nhỏ (xe máy)

Thực tế

12

1

11

Phần mềm

12

1

11

100%

100%

100%

0%

0%

0%

Độ chính xác
Sai số


22
Bảng 4.4. So sánh ảnh hƣởng của mật độ đến kết quả đếm xe

Thực tế
Dữ liệu

Mật độ xe

đếm
tổng số xe

video01

Thấp, các xe
rời rạc

Phần
mềm đếm
tổng số
xe

Độ
chính Sai số
xác

12

12

100%

0%

79

81

97.5% 2.5%

146

128

87.7% 12.3%

Trung bình,
video02

có 1 vài xe
chồng lấp

video03

Cao, nhiều xe
bị chồng lấp

4.1.3. Kết quả thực nghiệm tính vận tốc dòng xe

Hình 4.4: Kết quả thực nghiệm tính vận tốc dòng xe của video03


23

4.1.4. Kết quả thực nghiệm tính mật độ dòng xe

Hình 4.6: Kết quả thực nghiệm tính mật độ dòng xe của video03

4.2. Đánh giá kết quả
4.2.1. Đánh giá kết quả đếm số lượng xe
Tại bảng 4.4 ta tiến hành so sánh kết quả đếm xe của 3 video:
video01, video02 và video03 ta thấy rằng khi mật độ xe tăng cao và số
lượng các xe bị chồng lấp tăng lên nó sẽ ảnh hưởng đến độ chính xác của
việc đếm xe, khi các xe không chồng lấp lên nhau độ chính xác lên tới
100%, khi mật độ xe tăng lên, các xe có sự chồng lấp hoặc bóng xe làm
chồng chấp, thuật toán tách khối chồng lấp chưa được áp dụng, dẫn đến sai

số tăng lên. Số lượng xe đếm được của hệ thống có xu hướng thấp hơn số
lượng thực tế, lý do có thể do các xe nhỏ(xe máy, xe đạp) chồng lấp vào
nhau tạo thành khối khi đó hệ thống sẽ hiểu sai là 1 xe lớn(ô tô, xe tải).


24
Các vấn đề xe chồng lấp có thể khắc phục bằng cách áp dụng các thuật
toán xử lý bóng xe, tách khối.

4.2.2. Đánh giá kết quả tính vận tốc dòng xe
Quan sát hình 4.4 thực nghiệm tính tốc độ trên video03 có mật độ xe
cao ta thấy chức năng tính vận tốc dòng xe hoạt động khá tốt, hầu hết các
xe đi qua vùng quan sát đều được tính vận tốc và vận tốc trung bình của
dòng xe đã được ước lượng là 43,20 km/h. Do video03 có mật độ xe cao
và khi các xe có hiện tượng chồng lấp lên nhau thì sẽ có hiện tượng 1 vài
xe không được tính vận tốc do chồng lấp tuy nhiên chúng ta chỉ quan tâm
đến vận tốc trung bình của dòng xe nên hiện tượng 1 vài xe không được
tính vận tốc sẽ không ảnh hưởng nhiều đến kết quả vận tốc trung bình của
dòng xe.

4.2.3. Đánh giá kết quả tính mật độ dòng xe
Hình 4.6 thực nghiệm trên video03 có mật độ xe cao, ta thấy chức
năng tính mật độ dòng xe hoạt động khá tốt, mật độ trung bình của dòng
xe được tính toán và cập nhật theo thời gian thực, khi số lượng xe đi vào
vùng quan sát tăng lên thì mật độ dòng xe cũng tăng lên tương ứng. Khi số
lượng phương tiện tăng lên các xe có hiện tượng chồng lấp lên nhau thì kết
quả việc tính toán mật độ dòng xe ít bị ảnh hưởng do mật độ của dòng xe
được tính bằng cách lấy giá tỉ số giữa tổng số điểm ảnh thuộc tất cả các đối
tượng xe và tổng số điểm của mặt đường nên khi các xe có hiện tượng
chồng lấp thì tỉ số này ít bị thay đổi.

25

4.3. Kết chƣơng
Chương này trình bày môi trường và các dữ diệu video trong thực
nghiệm, ngôn ngữ sử dụng xây dựng chương trình thực nghiệm, tiến hành
thực nghiệm so sánh đánh giá kết quả thực nghiệm.