(Đồ án hcmute) nhận diện phương tiện giao thông sử dụng bộ phát hiện single shot multibox

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠNG NGHỆ KỸ THUẬT MÁY TÍNH NHẬN DIỆN PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG BỘ PHÁT HIỆN SINGLE SHOT MULTIBOX DETECTOR GVHD: PHAN VĂN CA SVTH: LÊ PHÚC Q́C TRÌNH MSSV: 15119054 SVTH: TRẦN HỒI HƯNG MSSV: 15119027 S K L0 Tp Hồ Chí Minh, tháng 12/2019 an BỘ GIÁO DỤC VÀ ĐÀO TẠO TP.THUẬT Hồ Chí Minh, ngày PHỚ 21 tháng năm 2019 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THÀNH HỒ12MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP -Họ tên sinh viên: Lê Phúc Quốc Trình MSSV: 15119057 Trần Hồi Hưng MSSV: 15119027 Ngành: Cơng nghệ kỹ thuật máy tính Lớp: 15119CL1B Giảng viên hướng dẫn: TS.Phan Văn Ca ĐT: Ngày nhận đề tài: 17/9/2019 Ngày nộp đề tài: 29/12/2019 Tên đề tài: NhậnĐỒ diện phương giao thông sử dụng phát single ÁN TỐTtiện NGHIỆP shot multibox detector Các số liệu, tài liệu ban đầu: Sách “Deep learning for computer vision NHẬN DIỆN PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG with python 3” PyImageSearch.com tổng hợp Bài báo nghiên cứu khoa học “SSD: Single Shot Multibox Detector” nhóm nghiên cứu Wei Liu, BỘ PHÁT HIỆN SINGLE SHOT MULTIBOX Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng- DETECTOR Yang Fu, Alexander C.Berg Nội dung thực đề tài: Nghiên cứu, huấn luyện lại phát single shot multibox detector Nhận diện phương tiện giao thông qua hình ảnh từ camera mơi trường thời gian thực SVTH : LÊ PHÚC Q́C TRÌNH 15119054 SVTH : TRẦN HOÀI HƯNG 15119027 KHÓA : 2015 - 2019 Sản phẩm: Mơ hình thùng rác di động bao gồm giải pháp phần mềm xử lý tránh vật cản, xử lý nhận diện cử bàn tay(bàn tay mở), giao tiếp qua app điều khiển phần cứng mô hình thùng rác di động NGÀNH : CƠNG NGHỆ KỸ THUẬT MÁYHƯỚNG TÍNH DẪN TRƯỞNG NGÀNH GIẢNG VIÊN GVHD : TS.PHAN VĂN CA BỘ GIÁO DỤC VÀ ĐÀO TẠO HỒ SƯ CHÍPHẠM MINH,KỸ THÁNG 12 NĂM 2019 PHỚ HỒ MINH TRƯỜNG ĐẠITP HỌC THUẬT THÀNH an KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP NHẬN DIỆN PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG BỘ PHÁT HIỆN SINGLE SHOT MULTIBOX DETECTOR SVTH : LÊ PHÚC Q́C TRÌNH 15119054 SVTH : TRẦN HOÀI HƯNG 15119027 KHÓA : 2015 - 2019 NGÀNH : CƠNG NGHỆ KỸ THUẬT MÁY TÍNH GVHD : TS.PHAN VĂN CA TP HỒ CHÍ MINH, THÁNG 12 NĂM 2019 an CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** TP Hồ Chí Minh, ngày 20 tháng 12 năm 2019 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Lê Phúc Quốc Trình MSSV: 15119054 Trần Hồi Hưng MSSV: 15119027 Ngành: Cơng nghệ kỹ thuật máy tính Lớp: 15119CL1B Giảng viên hướng dẫn: TS.Phan Văn Ca ĐT: 0902994358 Ngày nhận đề tài: 17/9/2019 Ngày nộp đề tài: 29/12/2019 Tên đề tài: Nhận diện phương tiện giao thông sử dụng phát Single Shot Multibox Detector Các số liệu, tài liệu ban đầu: Bộ liệu KITTI 2D gồm: 7481 hình ảnh huấn luyện, 7518 hình ảnh kiểm tra 80256 đối tượng dán nhãn Sách “Deep learning for computer vision 3” nhóm tác giả Pyimagesearch.com, báo nghiên cứu khoa học “SSD: Single Shot MultiBox Detector” nhóm tác giả Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, ChengYang Fu, Alexander C.Berg Nội dung thực đề tài: Huấn luyện lại phát single shot multibox detector nhận diện phương tiện giao thông Xây dựng mơ hình nhận diện phương tiện thời gian thực Sản phẩm: Mơ hình nhận diện phương tiện giao phương thời gian thực TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN i an CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** TP Hồ Chí Minh, ngày 29 tháng 12 năm 2019 PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên Sinh viên: Lê Phúc Quốc Trình Trần Hồi Hưng MSSV: 15119054 MSSV: 15119027 Ngành: Cơng nghệ kỹ thuật máy tính Tên đề tài: Nhận diện phương tiện giao thông sử dụng phát Single Shot Multibox Detector Họ và tên Giáo viên hướng dẫn: TS.Phan Văn Ca NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm: ………… (Bằng chữ: ) GIẢNG VIÊN HƯỚNG DẪN ii an CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc *** TP Hồ Chí Minh, ngày 29 tháng 12 năm 2019 PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên Sinh viên: Lê Phúc Quốc Trình Trần Hồi Hưng MSSV: 15119054 MSSV: 15119027 Ngành: Cơng nghệ kỹ thuật máy tính Tên đề tài: Nhận diện phương tiện giao thông sử dụng phát Single Shot Multibox Detector Họ tên Giáo viên phản biện: NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: 10 Đề nghị cho bảo vệ hay không? 11 Đánh giá loại: 12 Điểm: ………… (Bằng chữ: ) GIẢNG VIÊN PHẢN BIỆN iii an Lời cảm ơn Trong trình thực luận văn, nhóm nhận nhiều sự giúp đỡ, đóng góp ý kiến sự bảo nhiệt tình thầy cô bạn bè anh chị đồng nghiệp nơi nhóm thực tập, làm việc Đặc biệt, nhóm chúng em xin gửi lời cảm ơn chân thành sâu sắc đến với Thầy Phan Văn Ca giảng viên Bộ mơn Kỹ Tḥt Máy Tính-Viễn Thơng theo sát hướng dẫn, bảo nhóm suốt trình làm luận văn tốt nghiệp Nhóm xin chân thành gửi lời cảm ơn đến quý thầy cô Trường Đại Học Sư Phạm Kỹ Thuật TP.HCM nói chung, quý thầy cô Bộ môn Kỹ Thuật Máy Tính-Viễn Thơng nói riêng, dạy dỗ cho nhóm chúng em kiến thức đại cương kiến thức chuyên ngành vô quý báu, giúp cho chúng em có sở lý thuyết vững vàng làm hành trang cho sự nghiệp Và nữa, nhóm xin gửi lời cảm ơn với nhà trường tạo điều kiện thuận lợi suốt trình nhóm chúng em nghiên cứu học tập nơi Cuối cùng, nhóm xin gửi lời cảm ơn đến với gia đình bạn bè, ln tạo điều kiện, quan tâm, động viên, giúp đỡ nhóm suốt q trình học tập hồn thành đề tài Trong q trình thực đề tài, nhóm ln nỗ lực để hồn thành đề tài cách tốt cịn thiếu sót, nhóm mong nhận đóng góp ý kiến từ quý thầy cô, bạn để đề tài hoàn thiện Xin chân thành cảm ơn! Tp.Hồ Chí Minh, tháng 12 năm 2019 Nhóm sinh viên thực Lê Phúc Quốc Trình – Trần Hồi Hưng iv an Tóm tắt Trong đề tài luận văn này, nhóm tác giả thực nhận diện phương tiện giao thơng cách huấn luyện lại thuật tốn Single Shot MultiBox Detector Mơ hình thuật tốn nhận diện xác phương tiện giao thơng lên đến 70% độ xác tập kiểm thử Để làm đạt điều này, nhóm tác giả trình bày khái niệm học máy học sâu, sau q trình xây dựng thuật tốn Q trình thu thập hình xây, video từ camera đến trình xử lý nhận dạng cuối kết nhận dạng Điều kiện nhận diện phương tiện giao thơng mà nhóm tác giả hướng đến nhận diện phương tiện điều kiện thời gian thực Với ý tưởng xây dựng ứng dụng thơng báo tình trạng giao thơng đến cho người, nhằm giảm kẹt xe, nhóm tác giả việc nghiên cứu sơ khai nhất, tảng mơ hình nhận diện phương tiện giao thông sử dụng phát Single Shot Multibox Detector Từ mơ hình, nhóm tác giả mong muốn đọc giả dựa mơ hình xử lý nhận dạng phát triển thêm ứng dụng mang lại ích lợi cho cộng đồng v an Mục lục NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP i PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN ii PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN iii Lời cảm ơn iv Tóm tắt v Mục lục vi Danh sách hình viii Danh sách bảng ix Chương 1: TỔNG QUAN 1.1 Đặt vấn đề 1.2 Tình hình nghiên cứu 1.2.1 Tình hình nghiên cứu ngoài nước 1.2.2 Tình hình nghiên cứu nước 1.3 Mục đích và nội dung đề tài 1.3.1 Mục đích đề tài 1.3.2 Nội dung đề tài 1.4 Bố cục luận văn Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Phân loại hình ảnh phát đối tượng 2.1.1 Phân loại hình ảnh 2.2 Huấn luyện liệu và đánh giá hệ thống 2.3 Mạng neural tích chập 2.3.1 Các lớp ConvNet 2.3.2 Một số kiến trúc mạng ConvNet 12 2.4 Các liệu 14 Chương 3: BỘ NHẬN DIỆN SINGLE SHOT MULTIBOX DETECTOR 16 3.1 Tìm hiểu Single Shot Detector(SSD) 16 3.2 Kiến trúc thuật toán Single Shot Detector 16 3.2.2 Q trình dự đốn tích chập 18 3.2.3 Hộp mặc định tỷ lệ hướng 19 3.3 Mục tiêu đào tạo 19 vi an 3.3.1 Ánh xạ hộp mặc định 20 3.3.2 Đào tạo tìm vật thể 21 3.4 Chọn kích thước tỷ lệ cho hộp mặc định 23 CHƯƠNG 4: XÂY DỰNG MƠ HÌNH NHẬN DIỆN PHƯƠNG TIỆN GIAO THƠNG 25 4.1 Giới thiệu tóm tắt 25 4.1.1 u cầu chung mơ hình 25 4.1.2 Đặc tả hệ thống 25 4.1.3 Phương án thiết kế 25 4.2 Sơ đồ tổng quan mơ hình 26 4.3 Chuẩn bị liệu 26 4.4 Tiền xử lý liệu 27 4.6 Huấn luyện xây dựng mơ hình thời gian thực 29 4.7 Đánh giá 32 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 35 5.1 Kết luận 35 5.2 Hướng phát triển 35 Tài Liệu tham khảo 37 vii an CHƯƠNG 4: XÂY DỰNG MÔ HÌNH NHẬN DIỆN PHƯƠNG TIỆN GIAO THƠNG Thuật tốn SSD thuật tốn phức tạp, có nhiều tầng giai đoạn xử lý khác Sau tìm hiểu phân tích thuật tốn, nhóm tiến hành thực xây dựng mơ hình nhận diện phương tiện giao thơng 4.1 Giới thiệu và tóm tắt 4.1.1 u cầu chung mơ hình Với mục đích xây dựng mơ hình nhận diện phương tiện giao thơng nhằm mục đích làm tảng cho việc xây dựng ứng dụng thơng báo kẹt xe tương lai Mơ hình u cầu đặc tính sau: • Nhận diện phương tiện giao thơng qua hình ảnh, video • Nhận diện phương tiện thời gian thực • Mơ hình đảm bảo tốc độ xử lý nhận diện nhanh, ổn định đạt độ xác 70% 4.1.2 Đặc tả hệ thống Với yêu cầu chung từ mơ hình, mơ hình nhận diện phương tiện giao thơng thuật tốn Single Shot Multibox Detector phải đảm bảo tính sau: • Xử lý hình đầu vào • Hiển thị số lượng phương tiện nhận diện 4.1.3 Phương án thiết kế Với yêu cầu hệ thống đề ra, nhóm tiến hành đưa phương án xử lý sau: • Chuẩn bị liệu để nhận dạng đối tượng • Xây dựng q trình tiền xử lý ảnh đầu vào • Dị tìm vùng chứa đối tượng • Nhận diện đối tượng • Suy luận kết 25 an 4.2 Sơ đồ tổng quan mơ hình Chuẩn bị liệu Tiền xử lý đối tượng Dị tìm vùng bao đối tượng Nhận dạng đối tượng Kết Hình 4.11 Tổng quan mơ hình Chuẩn bị liệu: trình chọn lọc, thu thập liệu cho trình huấn luyện kiểm thử đối tượng Tiền xử lý: trình chuyển đổi hình ảnh màu, xử lý ảnh, lọc nhiễu hình ảnh để chuẩn bị cho trình Dị tìm vùng bao đối tượng: tiến trình tìm vùng bao chứa đối tượng cần xử lý sau trải qua trình tiền xử lý Nhận dạng đối tượng: trình tiến hành nhận diện đối tượng tìm thấy từ hình ảnh video Kết quả: trả kết quá trình nhận dạng 4.3 Chuẩn bị liệu Đầu tiên lựa chọn liệu cho phù hợp tối ưu để trình huấn luyện nhận dạng xác hơn, nhóm định chọn mơ hình 26 an huấn luyện liệu KITTI Do liệu Pascal VOC dùng để huấn luyện mạng gốc SSD bao gồm phương tiện giao thông, nên việc đào tạo tương đối nhanh chóng KITTI liệu giao thông đường xây dựng cho việc huấn luyện máy học thị giác máy tính Trong liệu KITTI gơm có 7481 hình ảnh huấn luyện, 7518 hình ảnh kiểm tra 80256 đối tượng dán nhãn Nhóm chia liệu huấn luyện gồm 7500 hình ảnh dùng 10% để kiểm thử 90% để huấn luyện 4.4 Tiền xử lý liệu Trước huấn luyện mơ hình, tiền xử lý liệu bước quan trọng Bước giúp liệu đầu vào mô hình tối ưu hơn, khả huấn luyện cho kết đầu tốt Với mơ hình SSD300, ta phải đưa kích thước ảnh đầu vào 300*300, giảm nhiễu cho phù hợp cần thiết Tuy nhiên, liệu chọn xử lý chuẩn cho mơ hình nhận diện vật thể Tensorflow cung cấp API để tiền xử lý ảnh cho liệu chuẩn, gồm triển khai liệu chuyển đổi từ liệu thô Ảnh đầu vào Chuyển ảnh xám Lọc ảnh Đưa ảnh kích thước Hình 4.12 Lưu đồ q trình tiền xử lý liệu 27 an 4.5 Xây dựng mơ hình Việc xây dựng mơ hình tốn nhiều thời gian gian tài nguyên, nên nhóm tham khảo xử dụng lại trọng số pre-train để trọng vào xử lý đánh giá hiệu suất mơ hình thời gian thực Kiến trúc mạng mà nhóm dùng bao gồm: • Mạng gốc theo dựa VGG16 loại bỏ tầng kết nối đầy đủ cuối • Áp dụng lọc nhân chập có kích thước (3*3) để tính tốn vùng đặc trưng • Xác định đầu phân phối xác xuất theo lớp tương ứng với hộp giới hạn mặc định • Xác định đầu tham số tọa độ tâm, chiều dài, chiều rộng của hộp mặc định tương ứng với đơn vị khung hình vùng đặc trưng Ảnh đầu vào Dị tìm kích thước hộp giới hạn mặc định Tìm khoảng cách điểm trung tâm Tìm tọa độ điểm Tỷ lệ hộp giới hạn mặc định đơn vị Hình 4.13 Q trình dị tìm vùng bao đối tượng 28 an • Tính tốn hộp cố định làm sở để dự báo tham số cho hộp giới hạn dự báo bao quanh vật thể Giá trị hộp cố định hỗ trợ q trình tính tốn tham số khơng xuất đầu giá trị cần dự báo 4.6 Huấn luyện xây dựng mơ hình thời gian thực Hình 4.14 Huấn luyện đối tượng Để huấn luyện mơ hình, nhóm giữ ngun thơng số kích thước phần tỉ lệ học mạng gốc Dưới thông số huấn luyện: 29 an Bảng 4.1 Các tham số huấn luyện Kích thước phần 32 Hàm tối ưu SGD Tỉ lệ học 0.001 Tỉ lệ giảm trọng số 0.0005 Đầu tiên để khởi tạo mơ hình, ta phải khởi tạo tham số đầu vào ảnh như: chiều dài, chiều rộng, số kênh, số lượng nhãn, giá trị tầng nhận diện, tham số để biến đổi hộp cố định Sau đó, thiết lập mơ hình dựa tham số trênvà tiến hành chạy mạng SSD khung thay đổi kích thước Áp dụng thuật toán để loại bỏ nhiều phát xe lấy trung bình hộp phát Để tránh dương tính giả( sử dụng ngưỡng cao 0,7 cho kết phân loại đến từ mạng SSD) Trong thực tế, ngưỡng đủ tin cậy lên đến ngưỡng 0,9 tốt Để chắn việc kiểm tra lại kiến trúc quan trọng phần xử lý xử lý mấu chốt thuật toán mà cần nắm Khi đưa vào hình ảnh, thuật tốn trả kết bao gồm khung hình bao quan vật thể kèm 30 an theo nhãn xác suất lớp mà vật thể bao khung hình thuộc Thuật tốn dự báo nhiều vật thể có kích thước to nhỏ khác nhau(Hình 4.1) Hình 4.15 Dự đốn xe Tiếp tục xây dựng hệ thống để chạy thời gian thực, ta cần ý việc thay đổi khung hình liệu vào Đối với khung hình, nhóm cố gắng nhận diện phương tiện phát theo thứ tự kích thước theo chiều Hình 4.16 Huấn luyện thời gian thực 31 an sâu Vì dự đốn kích thước tốc độ phù hợp có phương tiện trùng phát tốt Phần cịn lại, nhóm coi phương tiện xuất Các phương tiện không xuất sau 10 khung hình loại bỏ Ngược lại, phương tiện phải xuất 10 khung hình nhận diện hiển thị 4.7 Đánh giá Để giải vấn đề nhận diện phương tiện giao thông thời gian thực, nhóm tiến hành triển khai kiểm tra mơ hình lap top xử dụng GPU Nvidia Geforce Gtx 965 Việc phát phương tiện giao thơng có số IoU 50% Dương tính giả thấp chạy mơ hình Hình 4.7 Nhận dạng đối tượng hình ảnh Hình 4.2 thể kiện kết kiểm tra ảnh lấy từ liệu Pascal VOC có độ xác khoảng 90% Hình 4.3 thể kết chạy đoạn video hộp dự đoán khớp với phương tiện giao thông, tương đối nhanh đáp ứng hệ thống thời gian thực Các phương tiện giao thông nhận diện xác liệu đầu vào tốt, 32 an nhiễu Tuy tối ưu cho phù hợp xe trùng nhận diện chưa tốt vài khung hình xe vượt qua 33 an Hình 4.8 Nhận dạng đối tượng qua video 34 an CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Như sau trình nghiên cứu phát triển đề tài “Nhận diện phương tiện giao thông sử dụng phát Single shot multibox detector”, đề tài hoàn thành với ưu điểm khuyết điểm Trong trình thực đề tài, phần lớn mục tiêu ban đầu đặt đạt Xây dựng lại thuật tốn với độ xác tương đối hoạt động thiết bị có cấu hình thấp Điều mang nhiều ý nghĩa, dựa mơ hình ta triển khai nhiều tảng khác mang nhiều ý nghĩa thực tiễn, có khả phát triển rộng rãi Tuy nhiên, đề tài đòi hỏi nhiều kiến thức lĩnh vực phần cứng, phần mềm, kiến thức việc xây dựng trung tâm xử lý liệu, nên nhóm chưa xây dựng ứng dụng điện thoại web để tương tác với người dùng nhằm mang mục đích thực tiễn tính tương tác với người dùng Hệ thống cịn sai sót hình ảnh từ camera trả về, độ xác q trình nhận dạng chưa cao Nhóm tìm hiểu vài giải pháp để tối ưu: • Sử dụng mạng gốc khác nhẹ thay VGG16 MobileNet • Nhận diện thêm đặc trưng để phân loại rõ • Sử dụng thuật toán tối ưu chạy video thời gian thực • Sử dụng thuật tốn khác YOLO để cải thiện độ xác • Thay đổi phần cứng mạnh để đáp ứng 5.2 Hướng phát triển Cải thiện, nghiên cứu thuật tốn để tăng độ xác trình phát đối tượng, tăng khả phát đối tượng điều kiện hình ảnh bị nhiễu 35 an Xây dựng ứng dụng điện thoại web để thông báo với người dùng tình hình giao thơng khu vực Đưa gợi ý, lộ trình thay cho người dùng tuyến đường bị tắt nghẽn giao thông Mở rộng việc phát hiện, nhận dạng đối tượng để ứng dụng hệ thống xe tự động lái Xây dựng ứng dụng tích hợp xe tô để đưa cảnh báo trường hợp xảy va chạm hay tai nạn hệ thống xe tự hành 36 an Tài Liệu tham khảo Tài liệu tiếng Việt [1] Vũ Thành Văn “Mỗi năm TP.HCM tỷ USD tắc nghẽn giao thơng.” https://vtc.vn/ts-vu-thanh-tu-anh-moi-nam-tphcm-co-the-mat-den-1-ty-usd-vitac-nghen-giao-thong-d493560.html [2] Phạm Đình Khánh,” Bài 13 - Model SSD Object Detection”, https://phamdinhkhanh.github.io/2019/10/05/SSDModelObjectDetection Tài liệu tiếng Anh [1] Driand Rosebrock, “Deep Learnning for computer vision 3” nhóm tác giả “PyImageSearch.com” chương 17 [2] Báo nghiên cứu khoa học “SSD: Single Shot MultiBox Detector” nhóm tác giả Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C.Berg URL: http://arxiv.org/abs/1512.02325 [3] Niall McCarthy, “The World’s Worst Cities For Traffic Congestion” 05 05 2019 [Online] Available: https://www.forbes.com/sites/niallmccarthy/2019/06/05/the-worlds-worst-cities-fortraffic-congestion-infographic [4] Viện Hàn lâm Khoa học Cơng nghệ Việt Nam,HỆ THỚNG ĐẾM VÀ PHÂN LOẠI PHƯƠNG TIỆN GIAO THÔNG SỬ DỤNG CÔNG NGHỆ NHẬN DẠNG , PHỤC VỤ QUY HOẠCH GIAO THÔNG ĐÔ THỊ, [Online] Available: http://www.vast.ac.vn/component/products/?view=product&id=107&cid=5 [5] Wikipedia, https://vi.wikipedia.org/wiki/Tesla_Motors#ch%C3%A2u_%C3%81 [6] http://mt.gov.vn/tk/tin-tuc/32931/he-thong-giao-thong-thong-minh-tren-thegioi.aspx [7] Andrew G Howard, Menglong Zhu, Bo Chen Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam, “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications”https://arxiv.org/pdf/1704.04861.pdf? 37 an [8] ImageNet, https://trantheanh.github.io/2018/05/10/ML-22/ [9] “CIFAR dataset”, https://en.wikipedia.org/wiki/CIFAR-10 [10] Standfor dog, http://vision.stanford.edu/aditya86/ImageNetDogs/ [11] Báo nghiên cứu khoa học “SSD: Single Shot MultiBox Detector” nhóm tác giả Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C.Berg URL: http://arxiv.org/abs/1512.02325 [12] 38 an an ... Nhận? ?Ồ diện phương giao thông sử dụng phát single ÁN TỐTtiện NGHIỆP shot multibox detector Các số liệu, tài liệu ban đầu: Sách “Deep learning for computer vision NHẬN DIỆN PHƯƠNG TIỆN GIAO THÔNG... Huấn luyện lại phát single shot multibox detector nhận diện phương tiện giao thơng Xây dựng mơ hình nhận diện phương tiện thời gian thực Sản phẩm: Mơ hình nhận diện phương tiện giao phương thời... Và cịn nhiều ứng dụng khác áp dụng cơng nghệ nhận diện phương tiện giao thông qua hệ thống camera việc phát ùn tắc giao thơng Có thể thấy công nghệ nhận diện phương tiện giao thông thành công,