(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô(Luận văn thạc sĩ) Xây dựng mô hình hệ thống cảnh báo tai nạn cho ô tô
LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Tp Hồ Chí Minh, ngày … tháng … năm 201… (Ký tên ghi rõ họ tên) Bùi Quang Sơn ii LỜI CẢM TẠ Đầu tiên Em xin gửi lời cảm ơn đến thầy PGS.GVCC.TS Nguyễn Minh Tâm – Giảng viên hướng dẫn Em Cảm ơn Thầy gợi mở, dành nhiều thời gian quý báu để hướng dẫn em suốt thời gian thực đề tài Bên cạnh đó Em xin gửi lời cảm ơn chân thành đến quý Thầy, Cô giảng dạy, chia kinh nghiệm, hỗ trợ Em trình thực luận văn suốt khoảng thời gian Giảng đường cao học Sau Em xin chúc quý Thầy, Cô nhiều sức khỏe nhiều niềm vui sống Trường ĐH Sư phạm Kỹ thuật TP.HCM Tháng năm 2019 Bùi Quang Sơn iii TÓM TẮT Ngày nay, với phát triển mạnh mẽ vượt bậc khoa học kỹ thuật, sản phẩm ứng dụng trí tuệ nhân tạo, thiết bị thơng minh dần trở nên phổ biến sống thường ngày Các ngành nghề, hãng sản xuất lớn chạy đua, cạnh tranh công nghệ cách mạnh mẽ Hòa chung với nhịp độ phát triển hãng sản xuất tơ khơng ngừng nghiên cứu phát triển thiết bị, hệ thống thông minh để trang bị ô tô Các thiết bị, hệ thống giúp cho người điều khiển phương tiện an tồn, tiện lợi thơng minh nhằm giảm thiểu rủi ro xảy an tồn nạn q trình tham gia giao thông Tuy nhiên giá thành thương mại thiết bị, hệ thống thông minh lại cao Cuộc sống ngày để sở hữu xe khơng phải vấn đề khó khăn người, nên ngày có nhiều tơ lưu thơng đường Điều dẫn đến tỉ lệ rủi ro an toàn tai nạn ngày cao với nhiều lý chủ quan khách quan Xuất phát từ vấn đề trên, học viên có ý tưởng xây dựng mơ hình cảnh báo tai nạn cho ô tô tham gia giao thông Mô hình thực phát đường, giám sát, nhận dạng đối tượng phía trước hướng lưu thơng đưa cảnh báo cho người điều khiển phương tiện cần thiết Để giải toàn nhận dạng đối tượng có nhiều phương pháp giải thuật nghiên cứu, số phương pháp rút trích đặc trưng Haar – like kết hợp với thuật toán AdaBoost Viola Jone cho kết tốt mặt nhận dạng tốc độ xử lý để thiết bị chạy realtime Chính ưu điểm này, nên học viên chọn phương pháp rút trích đặc trưng Haar – like để thực việc nhận dạng đối tượng xe tơ cho mơ hình, kết hợp với phát đường đưa cảnh báo iv MỤC LỤC QUYẾT ĐỊNH GIAO ĐỀ TÀI LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN ii LỜI CẢM TẠ iii TÓM TẮT iv MỤC LỤC v DANH MỤC CÁC CHỮ VIẾT TẮT viii DANH MỤC CÁC BẢNG ix DANH MỤC CÁC HÌNH x Chương TỔNG QUAN 1.1 Giới thiệu 1.2 Mục tiêu đề tài 1.3 Phương pháp đề tài .4 1.4 Phạm vi đề tài .4 1.5 Bố cục đề tài .4 Chương LÝ THUYẾT XÂY DỰNG MƠ HÌNH HỆ THỐNG CẢNH BÁO TAI NẠN CHO ÔTÔ 2.1 Lý thuyết nhận dạng đối tượng 2.1.1 Phương pháp dựa màu sắc 2.1.2 Phương pháp dựa hình dạng .5 2.1.3 Thuật toán Support Vector Machine (SVM) 2.1.4 Trích xuất đặc trưng Histogram of gradient (HOG) .10 2.1.5 Rút đặc trưng phương pháp PCA (Priciple Component Analysis) 12 v 2.1.6 Phương pháp nhận dạng dùng mạng Neural 16 2.1.7 Đặc trưng ACF 17 2.1.8 Phương pháp phát rút trích đặc trưng Haar-like 18 2.1.9 So sánh ưu điểm nhược điểm phương pháp nhận dạng 23 2.2 Lý thuyết phát đường 24 2.2.1 Giới thiệu 24 2.2.2 Kỹ thuật phân ngưỡng ảnh .25 2.2.3 Kỹ thuật ảnh mắt chim .26 Chương THỰC HIỆN VÀ KẾT QUẢ ĐẠT ĐƯỢC .29 3.1 Các công cụ hỗ trợ 29 3.1.1 Raspberry 29 3.1.2 Thư viện OpenCV 31 3.1.3 Ngôn ngữ Python .32 3.1.4 Cascade trainger GUI .33 3.2 Lưu đồ thực .34 3.3 Hình ảnh thiết bị gắn lên xe để kiểm tra thực tế: .35 3.4 Kết thực tế loại đường 38 3.5 Đánh giá kết thực 40 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .41 4.1 Kết luận 41 4.2 Hạn chế hướng phát triển đề tài 41 4.2.1 Hạn chế 41 4.2.2 Hướng phát triển 41 TÀI LIỆU THAM KHẢO 42 vi vii DANH MỤC CÁC CHỮ VIẾT TẮT LDW : Lane Departure Warning ACC : Adaptive Cruise Control FCW : Forward Collision Warning ADAS: Advanced Drive Assistance Systems SVM : Support Vector Machine HOG : Histogram of gradient PCA : Priciple Component Analysis ACF : Aggregate Channel Features WPM : Warp perspective mapping IPM : Inverse perspective mapping GUI : Graphical User Interface ROI Region Of Interest : viii DANH MỤC CÁC BẢNG Bảng 2.1: Các đặc trưng Haar-like 19 Bảng 2.2: So sánh ưu điểm nhược điểm số phương pháp nhận dạng 23 Bảng 3.1: Bảng thơng số cấu hình Raspberry Pi B+ 30 Bảng 3.2: Bảng đánh giá kết nhận dạng đối tượng xe ô tô 40 Bảng 3.3: Bảng đánh giá kết phát đường .40 ix DANH MỤC CÁC HÌNH Hình 1.1: Hệ thống cảnh báo chệch đường LDW Hình 1.2: Hệ thống kiểm sốt hành trình chủ động ACC Hình 1.3: Hệ thống cảnh báo va chạm trước FCW Hình 2.1: Tách hai phân lớp tuyến tính với mặt siêu phẳng .8 Hình 2.2: Tách hai phân lớp tuyến tính với hai mặt siêu phẳng Hình 2.3: Ví dụ minh họa độ lớn lề Hình 2.4: Minh họa mẫu gọi Support Vector .10 Hình 2.5: Mỗi khối (block) gồm nhiều (cell) 11 Hình 2.6: Các bước trích xuất đặc trừng HOG [11] 12 Hình 2.7: Dữ liệu biểu diễn không gian khác 14 Hình 2.8: Cách tính Intergral Image ảnh đặc trưng Haar-like 19 Hình 2.9: Cách tính tổng giá trị pixel vùng cần tính đặc trưng Haar-like 19 Hình 2.10: Sơ đồ phân loại cascade gồm phân loại đơn .22 Hình 2.11: Hệ thống xác định vị trí đối tượng 23 Hình 2.12: Kỹ thuật WPM .27 Hình 2.13: Mơ hình IPM 27 Hình 2.14: Hình ảnh từ kỹ thuật mắt chim sử dụng WPM IPM 28 Hình 3.1: Cấu trúc OpenCV 32 Hình 3.2: Giao diện chương trình Cascade Trainger GUI .33 Hình 3.3: Hình ảnh tập liệu p n mơ hình 34 Hình 3.4: Lưu đồ thực 34 Hình 3.5: Thiết bị gắn thực tế 35 Hình 3.6: Hình ảnh đầu vào .35 Hình 3.7: Kết nhận dạng đối tượng(xe ôtô) ước lượng khoảng cách 36 Hình 3.8: Thiết lập vùng cảnh báo 36 Hình 3.9: Kết nhận dạng đối tượng đưa cảnh báo 36 Hình 3.10: Hình ảnh gốc hình ảnh nhị phân 37 x Hình 3.11: Hình mắt chim vùng ROI 37 Hình 3.12: Dùng cửa sổ trượt để xác định đường 37 Hình 3.13: Làn đường vẽ 38 Hình 3.14: Kết thử nghiệm loại đường thứ 38 Hình 3.15: Kết thử nghiệm cao tốc liên khương 38 Hình 3.16: Kết thử nghiệm đường trường 39 Hình 3.17: Kết thử nghiệm đường khác 39 Hình 3.18: Một số hình ảnh phát đường nhận dạng chưa xác .39 xi Chương THỰC HIỆN VÀ KẾT QUẢ ĐẠT ĐƯỢC 3.1 Các công cụ hỗ trợ 3.1.1 Raspberry 3.1.1.1 Sự đời Raspberry Vào năm 2006, Eben Upton đồng nghiệp làm việc phịng thí nghiệm máy tính đại học Cambridge bắt đầu cảm thấy quan ngại việc trình độ đầu vào tân sinh viên ngày giảm Vào thời điểm năm 90, sinh viên nhập học ngành khoa học máy tính có kinh nghiệm định lập trình; chuyện khác vào năm 2000, mà sinh viên biết đôi chút lập trình web Có điều thay đổi cách mà trẻ em tương tác với máy tính Một vài ngun nhân tìm như: chứng thông dụng mà trẻ em hay phải học Word Exel; xuống kỉ nguyên dot-com (.com); phát triển vũ bão video game game pc chỗ cho Amigas, BBC Micros 63 Spectrum ZX công cụ mà hệ trước dùng để lập trình (bởi bậc phụ huynh có xu hướng cấm đốn em với máy tính bọn trẻ có làm việc có ích chơi game, học lập trình chẳng hạn) Eben Upton đồng nghiệp muốn làm điều để thay đổi thực trạng Họ nảy ý tưởng máy tính mini, giá rẻ có khả lập trình dành cho trẻ em Họ dự tính vào ngày mở đại học Cambridge trao chúng cho em học sinh có đam mê với khoa học máy tính; sau vài tháng họ liên lạc để tìm hiểu xem bọn trẻ làm với mini pc Như vậy, thiết kế Raspberry Pi đời vào năm 2006 Đến năm 2008, Eben Upton vào làm việc Broadcom với vai trò thiết kế chip Cơng việc giúp ơng có nhiều điều kiện tốt để phát triển Raspberry Pi Ông sử dụng linh kiện chip điện tử có hiệu cao (nhưng giá thành rẻ gấp 29 nhiều lần ngồi thị trường) cơng ty Ơng làm việc để hồn thiện sản phẩm Ơng cộng tác chọn Linux hệ điều hành cho Raspberry Pi đặc điểm đòi hỏi cấu hình pc thấp, “nguồn mở” quan trọng có “tính lập trình” cao so với Windows Với nỗ lực Eben Upton đồng nghiệp, đến năm 2011, Raspberry Pi Model B, phiên hồn thiện Raspberry Pi, thức tung thị trường Về nguồn gốc tên Raspberry Pi, phịng thí nghiệm máy tính đại học Cambridge thường đặt tên sản phẩm tên loại trái cây, “Raspberry” nghĩa “quả dâu” “Pi” ám “python” ngơn ngữ lập trình thức Raspberry Pi 3.1.1.2 Cấu hình Raspberry PI B+ Bảng 3.1: Bảng thơng số cấu hình Raspberry Pi B+ Thông số Model B+ SoC Broadcom BCM2835 (CPU, GPU, DSP, SDRAM, and single USB port) CPU 700 MHz ARM1176JZF-S core (ARM11 family) GPU Broadcom VideoCore IV, OpenGL ES 2.0, MPEG-2 and VC-1 (with license), 1080p30 h.264/MPEG-4 AVC high-profile decoder and encoder Memory 512 MB (shared with GPU) as of 15 October 2012 USB 2.0 ports (via integrated USB hub) Video outputs Composite RCA (PAL and NTSC), HDMI (rev 1.3 & 1.4), raw LCD Panels via DSI14 HDMI resolutions from 640×350 to 1920×1200 plus various PAL and NTSC standards Audio outputs 3.5 mm jack, HDMI Onboard storage SD / MMC / SDIO card slot Onboard network 10/100 Ethernet (RJ45) via USB hub Low-level peripherals × GPIO, UART, I²C bus, SPI bus with two chip selects, +3.3 V, +5 V, ground 30 Power ratings 700 mA (3.5 W) Power source volt via MicroUSB or GPIO header Size 85.60 mm × 53.98 mm (3.370 in × 2.125 in) Weight 45 g (1.6 oz) Operating systems Debian GNU/Linux, Raspbian OS, Fedora, Arch Linux ARM, RISC OS, FreeBSD, Plan 3.1.2 Thư viện OpenCV OpenCV viết tắt từ Open Source Computer Vision Library: - OpenCV thư viện mã nguồn mở phục vụ cho việc nghiên cứu hay phát triển thị giác máy tính - OpenCV tối ưu hóa xử lý ứng dụng thời gian thực - OpenCV giúp cho việc xây dựng ứng dụng xử lý ảnh, thị giác máy tính… cách nhanh - OpenCV có 500 hàm khác nhau, chia làm nhiều phần phục vụ công việc như: xử lý ảnh, an ninh, camera quan sát, nhận diện, robot… Thư viện viết ngôn ngữ C C++ chạy hệ điều hành Linux, Window MacOsX OpenCV thiết kế để nâng cao hiệu suất tính tốn nhấn mạnh đến hệ thống thời gian thực OpenCV đưa hệ thống đơn giản, dễ sử dụng giúp người nhanh chóng xây dựng ứng dụng thị giác máy, kể hệ thống kiểm tra nhà máy, ảnh lĩnh vực y học, bảo mật, robot học… Nó chứa lập trình xử lý ảnh đơn giản, kể thực thi hàm bậc cao dị tìm khuôn mặt, theo dõi khuôn mặt, nhận dạng khuôn mặt… OpenCV giới thiệu vào tháng 1/1999, OpenCV sử dụng nhiều ứng dụng, sản phẩm nghiên cứu như: lĩnh vực hàng không, sử dụng giảm nhiễu y học, phân tích đối tượng, an ninh, hệ thống dị tìm, theo dõi tự động hệ thống bảo mật , ngồi sử dụng nhận dạng âm OpenCV cịn chìa khóa quan trọng robot sử dụng thị giác Stanford, Asimo 31 Cấu trúc OpenCV chia làm phần chính, số chia hình 3.1 Hình 3.1: Cấu trúc OpenCV - CV (computer vision) thành phần chứa xử lý ảnh sở thuật tốn thị giác máy tính mức cao - MLL (machine learning library) thư viện machine learning, bao gồm nhiều lớp thống kê gộp công cụ xử lý - HighGUI chứa thủ tục vào hàm dùng cho việc lưu trữ tải ảnh video - CXCore chứa cấu trúc nội dung liệu sở 3.1.3 Ngôn ngữ Python Python ngơn ngữ lập trình sử dụng phổ biến ngày để phát triển nhiều loại ứng dụng phần mềm khác chương trình chạy desktop, server, lập trình ứng dụng web Ngồi Python ngơn ngữ ưa thích ngành khoa học liệu (data science) ngơn ngữ phổ biến để xây dựng chương trình trí tuệ nhân tạo bao gồm machine learning Mục đích đời Python cung cấp ngơn ngữ lập trình có cấu trúc rõ ràng, sáng sủa, thuận tiện cho người học lập trình Python phát triển Guido Rossum Phiên phát hành vào năm 1991 Python lấy cảm hứng từ ABC, Haskell, Java, Lisp, Icon Perl Python ngôn ngữ thông dịch, đa tảng Một đặc điểm độc Python ngôn ngữ không dùng đến dấu chấm phẩy, dấu mở-đóng ngoặc {} để kết thúc câu lệnh hay khối lệnh, mà cách để nhận biết lệnh dấu lùi đầu dòng 32 Hiện Python có hai dịng phiên dịng 2.x 3.x Đặc điểm bật Python: - Python ngôn ngữ dễ học: Ngơn ngữ Python có cú pháp đơn giản, rõ ràng sử dụng số lượng không nhiều từ khố, Python đánh giá ngơn ngữ lập trình thân thiện với người học - Python ngôn ngữ dễ hiểu: Mã lệnh (source code hay đơn giản code) viết ngôn ngữ Python dễ đọc dễ hiểu - Có thư viện chuẩn module ngoài, đáp ứng tất nhu cầu lập trình - Python có tương thích cao (highly portable): Chương trình phần mềm viết ngơn ngữ Python chạy nhiều tảng hệ điều hành khác bao gồm Windows, Mac OSX Linux 3.1.4 Cascade trainger GUI Cascade training GUI chương trình ứng dụng xây dựng với mục đích làm cho q trình huấn luyện liệu theo phương pháp rút trích đặc trưng Haar – like theo mơ hình cascade dễ dàng thân thiện hơn, chương trình có giao diện hình 3.2 Hình 3.2: Giao diện chương trình Cascade Trainger GUI Để thực việc huấn luyện người dùng cần chuẩn bị ảnh liệu hình 3.3 hay gọi dataset sau: 33 - n (negatvie): tập liệu ảnh khơng chứa hình ảnh đối tượng huấn luyện - p (positive): tập liệu ảnh có chứa hình ảnh đối tượng huấn luyện Sau thực xong trình huấn luyện chương trình tao file có tên cascade.xml cho mơ hình người dùng kiểm tra kết huấn luyện mơ hình trực tiếp phần mềm Hình 3.3: Hình ảnh tập liệu p n mơ hình 3.2 Lưu đồ thực Hình 3.4: Lưu đồ thực 34 3.3 Hình ảnh thiết bị gắn lên xe để kiểm tra thực tế: Sau lắp ráp, làm chân đế để thuận tiện cho việc cân chỉnh, thiết bị gắn định vị lên xe để kiểm tra hoạt động thực tế hình 3.5 Hình 3.5: Thiết bị gắn thực tế Các bước thực theo lưu đồ hình 3.4 kết bước lưu đồ thể cụ thể sau: Bước 1: Tiền xử lý frame ảnh đầu vào, resize kích thước frame 480x320 Hình 3.6: Hình ảnh đầu vào 35 Bước 2: Nhận dạng đối tượng (xe ô tô) cảnh báo Hình 3.7: Kết nhận dạng đối tượng(xe ơtơ) ước lượng khoảng cách Hình 3.8: Thiết lập vùng cảnh báo Hình 3.9: Kết nhận dạng đối tượng đưa cảnh báo Bước 3: Chuyển đổi hình ảnh thành hình ảnh mắt chim - Xử lý hình ảnh chuyển thành ảnh nhị phân 36 Hình 3.10: Hình ảnh gốc hình ảnh nhị phân - Xác định vùng ROI tạo hình ảnh mắt chim Hình 3.11: Hình mắt chim vùng ROI Bước 4: Xác định đường Hình 3.12: Dùng cửa sổ trượt để xác định đường 37 Bước 5: Vẽ vùng đường Hình 3.13: Làn đường vẽ 3.4 Kết thực tế loại đường Hình 3.14: Kết thử nghiệm loại đường thứ Hình 3.15: Kết thử nghiệm cao tốc liên khương 38 Hình 3.16: Kết thử nghiệm đường trường Hình 3.17: Kết thử nghiệm đường khác Hình 3.18: Một số hình ảnh phát đường nhận dạng chưa xác 39 3.5 Đánh giá kết thực Để đánh giá kết phát đường, nhận dạng xe ô tô đánh giá độ xác mơ hình học viên thực cách so sánh số lượng nhận dạng tay(mắt thường) so với số lượng nhận đạng phần mềm , ba thông số đánh giá kết tính tốn thơng qua biểu thức [3] 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃 𝐶𝑜𝑚𝑝𝑙𝑒𝑡𝑒𝑛𝑒𝑠𝑠 = 𝑄𝑢𝑎𝑙𝑖𝑡𝑦 = (3.1) 𝑇𝑃+𝐹𝑃 𝑇𝑃 (3.2) 𝑇𝑃+𝐹𝑁 𝑇𝑃 (3.3) 𝑇𝑃+𝐹𝑃+𝐹𝑁 Trong đó: - TP: số lượng trích xuất thực - FP số lượng trích xuất bị sai - FN số lượng trích xuất bị bỏ qua - Accuracy: tỷ lệ nhân dạng so với thực tế - Completeness: tỷ lệ nhận dạng xác - Quality: độ xác tổng thể mơ hình Đường Accuracy Completenes Quality Cao tốc 89% 91% 82% Cao tốc 89% 89% 80% Cao tốc 88% 89% 79% Cao tốc 89% 92% 83% Bảng 3.2: Bảng đánh giá kết nhận dạng đối tượng xe ô tô Đường Accuracy Completenes Quality Cao tốc 90% 81% 75% Cao tốc 89% 87% 79% Cao tốc 89% 83% 75% Cao tốc 90% 85% 78% Bảng 3.3: Bảng đánh giá kết phát đường 40 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.1 Kết luận - Đề tài thực tốt theo ý tưởng đặt ra, việc báo đường nhận dạng đối tượng tham gia giao thông xe đạt tỉ lệ cao kết bảng 3.2 bảng 3.3 Kết thực tốt so với kết phát đường nhận dạng đối tượng theo kỹ thuật ACF tác giả Nguyễn Tơ Thụy Hồi Nghi[12] - Phương hướng thực theo mục tiêu để có sản phẩm chạy thực tế, sản phẩm nâng cấp để phục vụ cho việc góp phần hạn chế tai nạn, rủi ro q trình tham gia giao thơng công dân 4.2 Hạn chế hướng phát triển đề tài 4.2.1 Hạn chế - Đề tài áp dụng loại đường (cao tốc) thực điều kiện tương đối tốt, chưa thực thử nghiệm môi trường nhiễu trời tối, trời mưa… - Hiện trình thử nghiệm sử dụng camera kèm theo sản phẩm nên chất lượng hình ảnh chưa mong muốn dẫn đến số trường hợp có kết sai lệch 4.2.2 Hướng phát triển - Nâng cấp camera để có chất lượng tốt - Phát triển thêm hình hiển thị hệ thống cảnh báo rời (đèn, cịi, rung…) thay cảnh báo chữ hiển thị - Mở rộng thư viện nhận dạng đối tượng tham gia giao thông - Nâng cấp hệ thống hoạt động hiệu hơn, phát triển thêm cấu chấp hành can thiệp vào hệ thống thắng, ga phương tiện trường hợp xác định rủi ro cao xảy 41 TÀI LIỆU THAM KHẢO [1] Paul Viola, Michael Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features”, Accepted Conference on Computer Vision and Pattern Recognition, 2001 [2] Mohammad Mahdi Moghimi, Maryam Nayeri, Majid Pourahmadi, Mohammad Kazem Moghimi “ Moving vehicile deteciton using AdaBoost and Haar – like feature in surveillance videos ”, 2011 [3] Phillip Ian Wilson, Dr John Fernandez “Facial feature detection using Haar classifiers”, 2006 [4] Sri Kaushik Pavani, David Delgado, Alejandro F.Frangi “Haar – like features with optimal weighted rectangle for rapid object detection”, 2010 [5] Yinghua He, Hong Wang, and Bo Zhang, “Color-Based Road Detection in Urban Traffic Scenes”, IEEE, 2004 [6] Hsu-Yung Cheng, Bor-Shenn Jeng, Pei-Ting Tseng, and Kuo-Chin Fan, “Lane Detection With Moving Vehicles in the Traffic Scenes”, IEEE, 2006 [7] G Loy, Nick Barnes, “Fast shape-based road sign detection for a driver assistance system”, IEEE/RSJ International Confrence on Intelligent Robots and System, pp 70-75, 2004 [8] Carlos Filipe Paulo, Paulo Lobato Correia, “Traffic Sign Recognition Based on Pictogram Contours”, IEEE, 2008 [9] D Gavrila, “Traffic sign recognition revisited”, DAGM-Symposium, pp 86 –93, 1999 [10] Javad Sadri, Ching Y.Suen, Tien D.Bui, “ApplicationofSupport VectorMachinesfor RecognitionofHandwritten Arabic/Persian Digits”, MVIP, 2003 [11] Yongzheng Xu, Guizhen Yu, Yunpeng Wang, Xinkai Wu, and Yalong Ma, “A Hybrid Vehicle Detection Method Based on Viola-Jones and HOG + SVM from UAV Images”, Sensors, 2016 [12] Nguyễn Thụy Tơ Hồi Nghi, “Phát đường đối tượng tham gia giao thông cho hệ thống trợ lái”, ĐH SPKT Tp.HCM, 2018 42 S K L 0 ... Lý thuyết để xây dựng mơ hình cảnh báo tai nạn cho ? ?tô Chương 3: Thực kết đạt Chương 4: Kết luận hướng phát triển Chương LÝ THUYẾT XÂY DỰNG MƠ HÌNH HỆ THỐNG CẢNH BÁO TAI NẠN CHO ÔTÔ 2.1 Lý thuyết... hãng sản xuất ô tô trang bị trực tiếp cho xe riêng hãng có thương mại giá thành lại cao Do ý tưởng hình thành nghiên cứu xây dựng mơ hình hỗ trợ cảnh báo tai nạn cho ô tô, hỗ trợ cho người điều... cảnh báo âm thanh, cảnh báo hình cảnh báo rung kích hoạt Hình 1.1: Hệ thống cảnh báo chệch đường LDW - Hệ thống kiểm sốt hành trình chủ động - Adaptive Cruise Control (ACC): Hệ thống sử dụng radar