Bài viết Ước lượng lưu lượng giao thông với mô hình TradeS đề xuất mô hình ước lượng lưu lượng giao thông dựa trên dữ liệu thực thu được từ các camera giám sát video. Mục tiêu của bài báo là đếm và theo dõi các phương tiện để ước lượng lưu lượng giao thông. Để giải quyết vấn đề trên, chúng tôi đã sử dụng mô hình TradeS. Đây là một thuật toán theo dõi đồng thời nhiều đối tượng. Mời các bạn cùng tham khảo!
Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Ước lượng lưu lượng giao thơng với mơ hình TradeS Vũ Lê Quỳnh Phương1, Trần Nguyễn Minh Thư2 Phạm Nguyên Khang2 Trường Cao đẳng Sư phạm Kiên Giang Đại học Công nghệ thông tin truyền thông - Trường Đại học Cần Thơ Email: vlqphuong@cdspkg.edu.vn, tnmthu@ctu.edu.vn, pnkhang@ctu.edu.vn CCTV để phát triển thuật tốn để xử lý phân tích liệu hiệu Đã có nhiều cơng trình sử dụng liệu thu từ CCTV để giải tốn hệ thống giao thơng thơng minh nhóm tác giả Abirami T sử dụng CCTV từ Trichy, Tamilnadu, Ấn Độ để tính lưu lượng giao thơng cách kết hợp Yolov3 thuật tốn theo dõi đối tượng SORT [11] Bên cạnh đó, kỹ thuật thị giác máy tính học sâu sử dụng cơng trình [6][7] Chúng giải vấn đề nhận dạng hành vi giao thông bất hợp pháp [7] sử dụng để đếm xe đường ước lượng mật độ giao thơng từ liệu thu từ CCTV [6] Ngồi ra, cịn có nhiều cơng trình lớn để giải vấn đề cụ thể giao thông phát phương tiện: Faster-RCNN [9], YOLO [8], SSD [5] Phần lớn cơng trình đại tập trung vào việc cải tiến mơ hình tích chập từ nhánh sang nhánh nhằm cải thiện tốc độ suy diễn tăng chất lượng mơ hình Mục tiêu báo xây dựng mơ hình ước lượng lưu lượng giao thông Dữ liệu thu tập trung vào nơi có mật độ giao thơng đơng tỉnh Kiên Giang vào cao điểm Chúng ứng dụng mơ hình CenterNet để trích xuất đặc trưng đối tượng, song song theo dõi đếm đối tượng thời gian thực với mơ hình TradeS Hệ thống chúng tơi có khả đếm ước lượng lưu lượng giao thông với sai số tương đối trung bình thời gian thực thi thấp, đáp ứng với u cầu xử lý tính tốn thời gian thực Phần lại báo tổ chức sau: phần II, giới thiệu nghiên cứu liên quan Trong phần III, chúng tơi xây dựng mơ hình ước lượng giao thông Phần IV cung cấp kết thực nghiệm so sánh với mơ hình khác Cuối cùng, kết luận báo phần V Abstract— Lưu lượng giao thơng thị có ý nghĩa to lớn lĩnh vực kinh tế, xã hội mơi trường Vì vậy, báo này, nhóm tác giả đề xuất mơ hình ước lượng lưu lượng giao thông dựa liệu thực thu từ camera giám sát video Mục tiêu báo đếm theo dõi phương tiện để ước lượng lưu lượng giao thông Để giải vấn đề trên, chúng tơi sử dụng mơ hình TradeS Đây thuật toán theo dõi đồng thời nhiều đối tượng Để huấn luyện đánh giá mơ hình, thu thập liệu từ Công an phường Vĩnh Thanh Vân – Thành phố Rạch Giá, liệu gồm có 1800 khung hình video với 28.000 đối tượng gán nhãn điều kiện khác Chúng thơi thử nghiệm so sánh với mơ hình CenterTrack, kết hợp yolov7 deepsort Từ kết thực nghiệm cho thấy hệ thống đề xuất có thời gian thực thi thấp ước lượng lưu lượng giao thông gần với thực tế, với sai số trung bình 10.23% Bộ liệu trình bày nghiên cứu khác sử dụng tập kiểm thử toán tương tự Keywords- theo dõi, nhận dạng, đối tượng, lưu lượng giao thông I GIỚI THIỆU Trong năm qua, bùng nổ dân số nên số lượng xe cá nhân tăng lên nhanh chóng nhu cầu vận tải hàng hoá ngày nhiều Hơn nữa, sở hạ tầng giao thông ngày xuống cấp, dẫn đến việc phải sữa chữa nhiều thường xuyên Do đó, việc tắc nghẽn giao thơng vấn đề thường xuyên xảy thành phố lớn Trong yếu tố để dự đốn tắt nghẽn mật độ giao thơng đóng vai trị quan trọng Vì vậy, cần có tốn để quản lý phân tích lưu lượng giao thơng hiệu Giải tốn ước lượng lưu lượng giao thơng có ý nghĩa lớn kinh tế, xã hội: giúp doanh nghiệp đưa định đặt bảng quảng cáo trời, hay lựa chọn địa điểm hợp lý để đặt văn phòng; tiết kiệm thời gian, nhiên liệu đưa lịch trình khơng bị gián đoạn… Hiện nay, nhiều tuyến đường nước cài đặt hệ thống giám sát video (CCTV) Các hệ thống thường không đồng với góc quay độ phân giải CCTV hoạt động liên tục tạo lượng lớn thông tin gọi liệu lớn Dữ liệu sử dụng để làm tảng cho hệ thống giao thông thông minh Trong báo này, sử dụng liệu ISBN 978-604-80-7468-5 II CÁC NGHIÊN CỨU LIÊN QUAN Để giải toán hệ thống giao thông thông minh dựa vào máy học thị giác máy tính có nhiều nghiên cứu hướng tiếp cận khác Các nghiên cứu tiêu biểu giới thiệu ngắn gọn phần Tuy nhiên, mục tiêu nghiên cứu phía khác với mục tiêu báo ước lượng luồng giao thông Luồng giao thông số lượng phương tiện qua điểm định đơn vị thời 119 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) gian [10] Trong mơ hình này, chúng tơi theo dõi đồng thời nhiều đối tượng đếm số lượng phương tiện phút Bài toán theo dõi nhiều đối tượng có nhiều nghiên cứu giới thiệu cách tiếp cận khác Các cách tiếp cận biết đến theo dõi cách phát (Tracking By Detection – TBD) kết hợp phát theo dõi (Joint Detection and Tracking – JDT) Theo dõi cách phát Hướng nghiên cứu tập hợp phương pháp sử dụng riêng rẽ toán phát đối tượng theo dõi đa đối tượng Đầu tiên, toán thực nhiệm vụ phát đối tượng để tìm hộp bao quanh đối tượng đủ tốt khung ảnh riêng lẽ Sau tốn thực nhiệm vụ theo dõi đa đối tượng Việc theo dõi tìm cách để liên kết khung ảnh xuyên suốt video cho tốc độ xác thời gian thực thi đảm bảo Aleksandr Fedorov cộng giới thiệu phương pháp ước lượng lưu lượng giao thơng cách kết hợp mơ hình tầng Faster R-CNN theo dõi với SORT [1] Hệ thống chạy kiểm thử CCTV Ấn Độ Kết thu mơ hình chạy tốt, với sai số trung bình thấp 10% Nhóm tác giả chưa đề cập đến thời gian thực thi hệ thống Để cải thiện tốc độ thực thi, Feng Yang cộng sử dụng phương pháp ước lượng giao thông cách kết hợp mơ hình YOLOv7 DeepSort [4] Nhóm tác giả xây dựng mơ hình kiểm thử tập MOT-16 với kết MOTA đạt 40.82, cao với mơ hình YOLOv5 kết hợp với DeepSort Phương pháp TBD thông dụng thời gian dài Tuy nhiên, phương pháp gặp hạn chế tách biệt phần phát đối tượng theo dõi đối tượng nên thời gian thực thi cao, không đáp ứng tốn địi hỏi thời gian thực Kết hợp phát theo dõi JDT đời nhằm khắc phục hạn chế hướng tiếp cận TDB Phương pháp thêm nhánh vào mơ hình phát đối tượng nhằm học tập tác vụ dùng cho việc liên kết (data association) Phương pháp thường phát khung liền kề video, sau sử dụng chiến thuật khác để đánh mức độ giống đối tượng tồn khung hình lúc để theo dõi dự đoán Tiêu biểu nhóm phương pháp D&T [3], MOTDT [2], FairMOT [1]5, CenterTrack [16] Phương pháp CenterTrack nhóm tác giả mở rộng tư tưởng từ toán phát đối tượng CenterNet[13] Bài tốn CenterTrack có ý tưởng khác biệt so với toán khác thuộc nhóm phương pháp JDT: mơ hình học thay đổi mơi trường đối tượng khung hình trước phát đối tượng tại, sau học di chuyển Mơ hình kiểm thử tập liệu MOTA-17, đạt MOTA 67.3% với thời gian 22 FPS Tuy nhiên mô hình cịn hạn chế đối tượng có điểm trung ISBN 978-604-80-7468-5 tâm gần chưa quan tâm nhiều đến đặc trưng đối tượng hàm mát mơ hình quan tâm đến điểm trung tâm III ƯỚC LƯỢNG LƯU LƯỢNG GIAO THƠNG VỚ MƠ HÌNH TRADES Trong năm gần đây, nhà khoa học xuất nhiều đánh giá liên quan đến công nghệ học sâu lĩnh vực giao thơng thơng minh Những cơng trình giúp cho việc cải tiến phương pháp có lựa chọn mơ hình cho ứng dụng cụ thể Tuy nhiên, loại mơ hình đề cập phần trước chưa phù hợp với tình hình giao thơng Việt Nam Việt Nam chưa có hệ thống giám sát giao thông đồng bộ, mà thường hệ thống CCTV với mục đích giám sát an ninh nên vị trí đặt máy camera chưa phù hợp Bên cạnh đó, giao thơng Việt Nam có nhiều đặc trưng so với nước khác: nhiều phương tiện giao thơng đặc trưng, đường bé, cịn tình trạng khơng đường… Vì vậy, cần có hệ thống để tăng độ xác thời gian thực thi Trong báo này, sử dụng huấn luyện mơ hình CenterNet để trích chọn đặc trưng Song song đó, sử dụng mơ hình TradeS để học chuyển động đối tượng Từ đó, tính tốn ước lượng lưu lượng giao thông Để xây dựng hệ thống ước lượng lưu lượng giao thông, chúng tơi sử dụng mơ hình CenterNet để phát vật thể Kiến trúc mạng CenterNet sử dụng nhiều mô-đun “hourglass” chồng lên để gia tăng độ sâu mạng đặc trưng Mơ hình gồm có đầu vào, sau qua mạng đặc trưng Hourglass nhiều mô-đun hourglass đầu Đối với mơ hình CenterNet dùng cho tốn phát đối tượng, đầu gồm có “heatmap”, “offset”, “width-height” “heatmap” đồ nhiệt với kích thước mặc định ¼ kích thước ảnh đầu vào, số lượng đồ nhiệt số lớp đối tượng cần phát hiện, cụ thể đề tài đầu đồ nhiệt có đồ nhiệt ứng với lớp đối tượng “2-wheel”, “4-wheel” “pri” đồ nhiệt có kích thước 128x128 (với ảnh đầu vào 512x512) “offset” đầu dùng để ước lượng độ lệch điểm trung tâm đưa điểm trung tâm dự đoán heatmap từ tọa độ ảnh 128x128 lên tọa độ ảnh đầu vào 512x512 “offset” ước lượng điểm heatmap dùng chung cho tất lớp bao gồm có “offset width” “offset height” “width-height” đầu dùng để ước lượng kích thước đối tượng, “width-height” ước lượng điểm heatmap dùng chung cho tất lớp bao gồm có “width” “height” đối tượng điểm xét heatmap 120 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thơng tin (REV-ECIT2022) Thơng tin cấu hình phần cứng gồm chip xử lý Intel® Core™ i7-8700 CPU @2.20 GHz (4 CPU), dung lượng nhớ RAM 16GB GPU Nvidia GeForce GTX 1070 Ti với 6GB GDDR5 có dung lượng RAM 16GB Thu thập tiền xử lý liệu: Dữ liệu thu thập từ trước bệnh viện Đa Khoa Kiên Giang Mỗi video dài gần Bộ liệu có 03 góc camera (CAM1, CAM3, CAM5) Từ 10 đến 11 giờ, trời nắng (CAM 1, CAM 3); Từ 16:30 chiều đến 17:30 chiều, khung cảnh trời nắng, sau trời bắt đầu mưa (CAM 5) Độ phân giải góc quay CAM1 CAM5 1920x1080, FPS 15 khung hình / giây 12 khung hình / giây Riêng độ phân giải góc quay CAM3 1280x720, FPS: 10 khung hình / giây Đây đường thường xuất kẹt xe vào khung cao điểm nên liệu tốt cho việc học Sử dụng phần mềm LabelImg để gán nhãn xe, bao gồm phương tiện: Xe ưu tiên (nhãn “pri”): xe cứu thương, xe cứu hỏa, xe cảnh sát,…; Xe hai bánh(nhãn “2-wheel”): xe máy, xe đạp; Xe bốn bánh(nhãn “4-wheel”): xe chỗ, xe chỗ, xe bus, xe tải,… Tập liệu chia lấy từ ba video khác nhau: - Video chứa liệu học: kích thước gồm 1260 ảnh cắt từ vidoe, giây lấy khung hình Dữ liệu gán nhãn với tỉ lệ nhãn (“2-wheel”, “4-wheel”, “priority”) (15767, 2658, 183) Tập kiểm thử chiếm 10% tập học, bao gồm 30 ảnh, với tỉ lệ nhãn (“2wheel”, “4-wheel”, “priority”) (4551, 753, 59) - Video khác: gồm 100 ảnh cắt từ video góc quay khác địa điểm với liệu học, 100 ảnh cắt từ video khác góc quay khác địa điểm với liệu học, 100 ảnh ảnh qua xử lý góc quay video khác góc quay địa điểm với liệu học Hình Minh họa chi tiết đầu mơ hình CenterNet Chúng tơi tiến hành huấn luyện song song mơ hình trích xuất đặc trưng đối tượng CenterNet với mơ hình theo dõi đối tượng TradeS Lúc này, mơ hình TradeS khơng cịn quan tâm đến việc phân lớp đối tượng TradeS sử dụng thêm hàm khối lượng chi phí (CVA) để học đối tượng khung hình trước Sau thu đặc trưng từ mơ hình CenterNet, đặc trưng khung hình trước khung hình qua lớp tích chập dùng để học di chuyển đối tượng Việc vừa học đặc trưng đối tượng, vừa học di chuyển ảnh hưởng lẫn nhau, nên mơ hình TradeS thực tác động lên hàm CVA để giám sát trình học di chuyển thay tác động lên trình học đặc trưng đối tượng theo công thức (1) = ∑ ∑ − , , + − , , , , , , ườ ế ℎợ ò =1 (1) Với Yijkl = đối tượng vị trí (i,j) thời gian t, đối tượng vị trí (k,l) thời gian (t – τ) Các trường hợp cịn lại Yijkl = Mơ-đun thứ hai TradeS lan truyền thông tin tăng cường đặc trưng Mơ đun có khả khơi phục đối tượng bị bỏ xót giảm đối tượng nhận dạng sai, giúp việc theo dõi đối tượng hoàn chỉnh Sau theo dõi đếm số lượng xe Lưu lượng giao thơng tính cơng thức (2) = ( ∗ ) Hình Dữ liệu thu thập từ CCTV góc CAM5, buổi chiều (2) Trong đó: LL: lưu lượng giao thơng, đơn vị tính xe/phút N: số lượng phương tiện, đơn vị tính xe Fps: Số frame video IV THỰC NGHIỆM VÀ KẾT QUẢ Quá trình huấn luyện kiểm tra đánh giá mơ hình thực máy tính hệ điều hành Linux 22.04 ISBN 978-604-80-7468-5 Hình Dữ liệu thu thập từ CCTV góc CAM1, buổi sáng 121 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Đối với mơ hình ước lượng giao thơng, chúng tơi tiến hành cắt video15 phút với chương trình Kdenlive để làm tập kiểm thử Video có thơng số: 1920x1080, 25FPS Dữ liệu đếm cập nhật phút lần để làm tập kiểm tra cho mơ hình ước lượng lưu lượng giao thơng hình 180 160 140 120 100 80 60 40 20 10:00 10:01 10:02 10:03 10:04 10:05 10:06 10:07 10:08 10:09 10:10 10:11 10:12 10:13 10:14 10:15 Số phương tiện Lưu lượng giao thơng Thời gian Hình Lưu lượng giao thơng từ 10:00 đến 10:15 Xây dựng mơ hình ước lượng lưu lượng giao thơng Mơ hình CenterNet với mạng xương sống Hourglass-52, Hourglass-104 DLA-34 kích thước đầu vào 512x512 xây dựng sử dụng thư viện Keras huấn luyện với tập train tập valid sử dụng phương pháp làm giàu liệu: lật ngang ảnh, dời ảnh theo phương ngang dọc, thu phóng ảnh, xoay ảnh, điều chỉnh độ sáng, tông màu, độ nét, độ tương phản kết hợp với phương pháp mosaic thu kết bảng Bảng 1: Bảng kết mAP mơ hình CenterNet Hourglass-52, Hourglass-104, DLA-34 kích thước đầu vào 512x512 Tốc độ dự Mạng xương mAP mAP đoán sống @0.5 @0.7 ms/frame Hourglass-52 86.22 146.8 93.19 93.77 88.68 So sánh lưu lượng giao thơng mơ hình 250 200 150 100 50 229 10:00 10:01 10:02 10:03 10:04 10:05 10:06 10:07 10:08 10:09 10:10 10:11 10:12 10:13 10:14 10:15 Hourglass-104 DLA-34 93.20 87.62 134 Bảng bảng kết mAP mơ hình CenterNet tập liệu Hourglass-51, Hourglass-104 DAL34 Kết thực nghiệm cho thấy kết tập thực nghiệm của mơ hình CenterNet ấn tượng, mạng xương sống dự đoán cho kết cao 93% Bên cạnh đó, thời gian dự đoán mạng xương sống DLA-34 lại thấp Vì vậy, chúng tơi sử dụng mơ hình CenterNet với mạng xương sống DLA-34 để làm mô hình phát đối tượng ISBN 978-604-80-7468-5 Mơ hình TradeS sử dụng mô-đun để học chuyển động đối tượng khung hình khung hình trước Hai mơ-đun diễn song song Mơ hình TradeS huấn luyện với batch_size 8, tốc độ học 1.25e-4, kích thước ảnh đầu vào 512 x 512 Bên cạnh chúng tơi đào tạo mơ hình CenterTrack với xương sống DLA-34 huấn luyện từ mơ hình CenterNet sử dụng để huấn luyện chung với mơ hình TradeS Chúng tơi tiến hành huấn luyện thêm mơ hình thuộc phương pháp TDB, mơ hình kết hợp yolov7 deepsort Yolov7 dùng để trích hình chữ nhật bao quanh đối tượng phương pháp theo dõi đa đối tượng deepsort Mơ hình kêt hợp huấn luyện tập liệu CenterNet với tham số: tốc độ học 0.01, batch_size 8, kích thuớc ảnh đầu vào 512 x 512 Bảng 2: Bảng kết so sánh thời gian thực thi mơ hình Mơ hình Thời gian thực thi CenterTrack 5701,5 TradeS 3016,68 yolov7 + Deepsort 7940.966s Nhận thấy rằng, tốc độ thực thi mô hình TradeS thấp nhất, mơ hình kết hợp yolov7 deepsort cao kết hợp mơ đun Mơ hình CenterTrack thời gian thực thi thấp mơ hình kết hợp yolov7 deepsort cao mơ hình TradeS Thực tế Yolov7 + deepsort CenterTrack TradeS Hình Lưu lượng giao thơng từ 10:00 đến 10:15 mơ hình Qua biểu đồ trên, ta nhận thấy, mơ hình gần với thực tế mơ hình kết hợp Yolov7 deepsort, sau phát đối tượng tiến hành theo dõi với DeepSort Mơ hình CenterTrack khác với thực tế đối tượng nhỏ, gần tâm qua mơ 122 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Cơng nghệ Thơng tin (REV-ECIT2022) hình CenterTrak dễ bị liên kết Mơ hình TradeS có kết gần với thực tế Lựa chọn thời gian thực thi độ xác, mơ hình TradeS áp dụng thực tế V [6] Phuong, Huy, Thu, Khang, "Estimating the traffic density from traffic cameras," in 8th International Conference, FDSE 202, VietNam, 2021 [7] Rathore, M Mazhar, et al, "Real-time video processing for traffic control in smart city using Hadoop ecosystem with GPUs," in Soft Computing, 2018 [8] Redmon J, Divvala S, Girshick R, Farhadi A, "You only look once: unified, real-time object detection.," in 2016 IEEE conference on computer vision and pattern recognition (CVPR), 2016 [9] Ren S, He K, Girshick R, Sun J., "Faster R-CNN: towards real-time object detection with region proposal networks," in IEEE Trans Pattern Anal Mach Intell, 2017 [10] Sutarto, Herman Yoseph; BOEL, René K.; JOELIANTO, Endra Parameter estimation for stochastic hybrid model applied to urban traffic flow estimation IET Control Theory & Applications, 2015, 9.11: 1683-1691 KẾT LUẬN Trong báo này, chúng tô xây dựng thành công mơ hình ước lượng lưu lượng giao thơng cách tinh chỉnh kiến trúc mơ hình TradeS Hệ thống thực nghiệm với video môi trường thực Dữ liệu chọn nơi đông đúc tỉnh Kiên Giang với góc quay khác khoảng thời gian khác Chúng tiến hành tiền xử lý liệu thu 1800 ảnh làm ảnh học, 360 ảnh làm tập kiểm thử Tốc độ thực thi hệ thống chạy thử nghiệm đạt 3016,68s tập kiểm thử có sai số trung bình 10.23% Đây mơ hình ứng dụng vào thực tế Tuy nhiên, mục đích ban đầu đặt CCTV lý an ninh nên chưa có đặt góc phù hợp với tốn giao thơng Chính điều làm ảnh hưởng đến độ xác hệ thống Mặc dù hệ thống đạt kết tốt tương lai phải nghiên cứu để tăng độ xác mơ hình Hơn nữa, hệ thống này, chúng tơi khơng phân loại phương tiện giao thơng mà tính chung tất loại phương tiện để ước lượng lưu lượng Chúng coi vấn đề hướng nkhả thi cho nghiên cứu tương lai [11] T, Abirami and C, Nivas and R, Naveen and G, Nithishkumar T, " Deep Learning based Traffic Analysis of Motor Cycles in Urban City," in 2022 6th International Conference on Intelligent Computing and Control Systems (ICICCS), 2022 [12] WU, Jialian, et al Track to detect and segment: An online multi-object tracker In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition 2021 p 12352-12361 [13] Xingyi Zhou,; WANG, Dequan; KRÄHENBÜHL, Philipp Objects as points arXiv preprint arXiv:1904.07850, 2019 [14] Zhang, Fukai & Li, Ce & Yang, Feng., "Vehicle Detection in Urban Traffic Surveillance Images Based on Convolutional Neural Networks with Feature Concatenation," Sensors, 2019 [15] Zhang, Yifu, et al, "Fairmot: On the fairness of detection and reidentification in multiple object tracking.”," International Journal of Computer Vision, pp 3069-3087, 2021 TÀI LIỆU THAM KHẢO [1] Aleksandr Fedorov, Kseniia Nikolskaia, Sergey Ivanov, Vladimir Shepelev,Alexey Minbaleev , "Traffic flow estimation with data from a video surveillance camera," Journal of Big Data , 2019 [2] Chen, Long, et al, "Real-time multiple people tracking with deeply learned candidate selection and person reidentification," in 2018 IEEE international conference on multimedia and expo (ICME), 2018 [3] Feichtenhofer, Christoph, Axel Pinz, and Andrew Zisserman., "Detect to track and track to detect," Proceedings of the IEEE international conference on computer vision, 2017 [4] Feng Yang, Xingle Zhang, Bo Liu, "Video object tracking based on YOLOv7 and DeepSORT," arXiv preprint arXiv:2207.12202., 2022 [5] Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu CY, Berg AC, "SSD: single shot multibox detector," in European conference on computer vision, 2016 ISBN 978-604-80-7468-5 [16] Zhou, Xingyi, Vladlen Koltun, and Philipp Krahenb ă uhl., "Tracking ă objects as points," in European Conference on Computer Vision., 2020 123 ... 10:15 Số phương tiện Lưu lượng giao thông Thời gian Hình Lưu lượng giao thơng từ 10:00 đến 10:15 Xây dựng mơ hình ước lượng lưu lượng giao thơng Mơ hình CenterNet với mạng xương sống Hourglass-52,... mơ hình CenterNet để trích chọn đặc trưng Song song đó, sử dụng mơ hình TradeS để học chuyển động đối tượng Từ đó, tính tốn ước lượng lưu lượng giao thông Để xây dựng hệ thống ước lượng lưu lượng. .. thành cơng mơ hình ước lượng lưu lượng giao thông cách tinh chỉnh kiến trúc mơ hình TradeS Hệ thống thực nghiệm với video môi trường thực Dữ liệu chọn nơi đông đúc tỉnh Kiên Giang với góc quay