Cơsở lýthuyếtvànhữngkháiniệmcơbản
Dữliệu videosố
Năm 2005, Sagar Deb, University Southem Queensland, Australia, đã tổnghợp và biên tập tài liệu Quản lý dữ liệu video và tìm kiếm thông tin [20], trongđó đã xác định khái niệm, cấu trúc video số, cách tổ chức và xem xét cấu trúc dữliệuvideo. Địnhnghĩa1.1.Videosố
Video số là một dãy các khung hình liên tiếp, mỗi khung hình tương ứngvới một hình ảnh tĩnh Khi video được thực hiện, dãy khung hình được hiển thịtuần tự với một tốc độ nhất định Tốc độ hiển thị các khung hình thường là 30hoặc25khunghình/giây[20].
Hình 1.1 thể hiện cấu trúc tổng quát của dữ liệu Video: khung hình, cảnhquay,cảnh.
Trong kỹ thuật xử lý dữ liệu video tác động đến nhiều thành phầnv à c á c đối tượng kéo theo của video như: cảnh, cảnh quay, khung hình, ảnh, điểm ảnh,ngưỡng,t á c h n g ư ỡ n g , đ ư ờ n g v i ề n , n ề n , p h é p c ộ n g ả n h , p h é p n h â n ả n h v ớ i 1 số Dữ liệu video và những thành phần liên quan được đặc tả hình thức bằngngôn ngữđặctảhìnhthức RAISEnhưsau: scheme
Video=Scene-list, /*Video là một danh sách cáccảnh*/Scene=Shot-list, /*Cảnh là một danh sách các cảnh quay*/Shot=Image-list,/*Cảnh quay là một danh sách các ảnh*/Image=Point-set, /*Ảnh là một tập hợp các điểm ảnh*/Point=Nat>NatShotnumber(v)isifv=< >then0 else Shotnumber(hd(v)) +Shotnumber(tl(v))end, /* Số cảnh quay trong một cảnh */
>NatShotnumber(s)isifs=< >then0 elseShotnumber(hd(s))+Shotnumber(tl(s)) end,Shotnum ber:Shot->Nat
Shotnumber(sh) is if sh=< > then
0else1+Shotnumber(tl(sh)) end,
>Image,tong:Shot->Image tong(sh)isiflen(sh)=1thenhd(sh) else hd(sh) +tong(tl(sh))end, /:Image>Image,
/* Định nghĩa ảnh nền */ back1:Shot->Image back1(sh)istong(sh)/Shotnumber(sh),
/* Định nghĩa phép nhân ảnh với một số*/ alpha:Real,
Image,back:Shot->Image/*anhne n*/ back(sh)isif len(sh)=1thenhd(sh) elsealpha*hd(sh)+(1.0- alpha)*back( tl(sh))end, /* Định nghĩa ảnh biên
>Bool,anhbien:Image->Image anhbien(I)asI1postconstraint(I,I1),
>Bool,tachnguong:Image>Image tachnguong(I, threshold) as I1 postconstraint(I,I1,threshold)
Check_Cycle: P o i n t - l i s t - > Bool/*Kiểmtrachutrình*/ Check_Cycle(pl)ishd(pl)=ptcuoi(pl), ptcuoi: Point-list-~-
>Pointptcuoi(pl)isiflen(pl)=1 then hd(pl)elseptcuoi(tl( pl)) end prelen(pl)>0, end Đặctrưng củavideo:Baogồmmàu,kết cấu,hình dạng vàchuyển động.
- Màu (Color): Màu sắc là một đặc trưng cơ bản của ảnh Với ảnh thì lượcđồ màu là biểu diễn sự phân bố màu trong ảnh Biểu đồ màu không phụ thuộcvào việc quay ảnh, dịch chuyển ảnh,h ư ớ n g ả n h m à p h ụ t h u ộ c v à o v à o h ệ m à u vàcácphươngpháplượng tửhóa ảnhđược dùng.
- Kết cấu (Texture): là một đặc trưng quan trọng của bề mặt khung hình,nơi xảy ra việc lặp lại mẫu cơ bản Có hai dạng biểu diễn kết cấu phổ biến: matrận đồng thời và Tamura Ma trận đồng thời mô tả hướng và khoảng cách giữacác điểm ảnh, ta có thể trích chọn được các thống kê có ý nghĩa Biểu diễnTamura bao gồm cácthuộct í n h đ o t í n h t h ô , đ ộ t ư ơ n g p h ả n , h ư ớ n g , t í n h t r ơ n , tính cân đối và độ thô ráp Các đặc tính này rấtq u a n t r ọ n g t r o n g v i ệ c t ì m h i ể u nội dungảnhvìnó biểudiễnrấttrựcquan.
- Hình dạng (Shape): đặc trưng hình dạng có thể được phân chia thành đặctrưng toàn cục và đặc trưng cục bộ Đặc trưng toàn cục là đặc trưng thu được từtoàn bộ hình dáng đối tượng trong ảnh (Ví dụ: chu vi, tính tròn, hướng trụcchính ) Đặc trưng cục bộ là đặc trưng thu được từ việc thao tác với một phầncủaảnh,khôngphụthuộcvào toànbộảnh.
- Chuyển động (Motion):Là thuộc tính quan trọng của video Các đặctrưng chuyển động như mô-men của trường chuyển động, biểu đồ chuyển động,cácthamsố chuyểnđộngtoàn cụccóthểđượctrích chọntừvectơchuyểnđộng.
Mô-menbất biến
Mô-men có nhiều ứng dụng trong kỹ thuật phân đoạn ảnh, đối sánh ảnh vànhận dạng ảnh Năm 2004, Chee-Way Chong and và cộng sự nghiên cứu về lýthuyết môn men và ứng dụng [6] Từ những năm 1962,tác giả Hu M K [13] đãđề cập đến vấn đề hệ số tương quan trong kỹ thuật phân đoạn ảnh Dựa vào tínhchất bất biến và hệ số tương quan của mô-men để đối sánh và phân loại đốitượng trong ảnh theohình chiếu đốitượngtrong không gian 2D. Ứngdụngcủamô-menbấtbiếntrongnhậndạngảnh:
Mô-men bất biến thường được dùng để trích đặc điểm trong xử lý ảnh, vàghi nhận hình dạng đối tượng và phân lớp Mô-mencó thể cung cấpcácđ ặ c điểmcủa mộtđốitượngduynhấtmôtả hìnhdạng của đốitượng.
Hình dạng đối tượng không phụ thuộc vào 3 dạng biến đổi: chuyển đổi(thayđổivịtrí),cogiãn(thayđổikíchthước)vàhướng(biếnđổiquay).Hì nh
Tính bất biến của chuyển đổi vị trí được xác định bởi mô-men đã đượcchuẩn hóa là trọng tâm của đối tượng Tính bất biến của biến đổi kích thước đốitượng làsựbấtbiến củacácgiátrị đại sốliên quan đãđược chuẩn hóa.
Một vấn đề thiết yếu trong lĩnh vực phân tích mẫu là việc ghi nhận đốitượng và đặc điểm ký tự cho dù đối tượng đó thay đổi vị trí, thay đổi kích thướchay là biến đổi hướng Mô-men bất biến được tính toán cơ bản dựa trên cácthôngtin đượccung cấp bởiđườngbiênvàmiền bêntrong củađốitượng.
HìnhdạngvàKhốiđốitượngchuyểnđộng
Khối đối tượng chuyển động là tập hợp các điểm ảnh của các đối tượngchuyểnđ ộ n g đ ư ợ c t r í c h r a t ừ c á c k h u n g h ì n h s a u k h i l o ạ i b ỏ c á c đ ố i t ư ợ n g không chuyển động Khối đối tượng chuyển động có thể gồm một đối tượng độclập, hoặc có thể là một tập hợp các đối tượng dính nhau, che khuất nhau mộtphần Gọi I là khung hình trích ra từ video, B là các đối tượng không chuyểnđộng,Xlàkhốiđối tượngchuyển động,làngưỡngsaisố chophép.Khi đó:
- Loại bỏ nhiễu, tức là làm sạch X, loại bỏ những thành phần không quantâm ra khỏi X Thường là xác định ngưỡng kích thước để loại bỏ những thànhphầnnhỏrakhỏikhốiXquantâm.
- Phân rã X thành các khối con: X=X1+ + Xn, với tiêu chuẩn phân rã làmột ngưỡngxác địnhđểcácđiểmảnhtạothànhmộtkhối.
- Gánnhãn cho cáckhối con:Xácđịnhđốitượngcó trongkhối. Địnhnghĩa1.3.Hìnhdạngkhốiđốitượng
Hình dạng khối đối tượng [30] là một đa giác được xấp xỉ lên đường biêncủa nó Biên đối tượng trong ảnh là một tập hợp các điểm ảnh phân biệt giữavùng bên trong và bên ngoài đối tượng Gọi X là đường biên của đối tượng, DGlà đa giác xấp xỉ lên đường biên đối tượng, DT(X) là diện tích khối ảnh đốitượng,DT(DG) làdiệntích củađagiácxấpxỉlên X.Khi đó:
DT(X)DT(DG)+,vớilàngưỡng xácđịnh cho phép saisố.
Đườngviềnđối tượng
Tập hợp tất cả các điểm biên của đối tượng, tạo thành một đường khép kínbao quanh đối tượng gọi là đường viền của đối tượng, hay nói cách khác đườngviềncủamộtđốitượnglàđườngbiên khép kínbao quanhđốitượng[30].
Một số đặc tính của đường viền như độ dài, hình dáng, trọng tâm diện tíchbên trong, rất có ích để tính toán, nhận diện đối tượng là gì Biểu diễn đườngviền trong ảnh có nhiều cách khác nhau Trong các hệ thống thị giác máy tính,một vài định dạng mã hóa đường viền được sử dụng như mã hóa Freeman, mãhóa2 chiều,mã hóađagiácthườngđược sửdụng.
Phân tích đường viền (CA) [30] cho phép mô tả, lưu trữ, so sánh và tìm racác đối tượng biểu diễn dưới dạng đường viền Đường viền chứa thông tin cầnthiết về hình dạng đối tượng Không quan tâm nhiều đến các điểm bên trong củađối tượng Các trường hợp không quan tâm nhiều đến vùng bên trong đối tượngnhưng quan tâm nhiều về thể hiện đường viền bên ngoài thì cho phép chuyển vềkhông gian 2 chiều của ảnh tức là không gian đường viền, từ đó cho phép giảmthờigiantínhtoánvàđộphứctạptínhtoán.CAchophépgiảiquyếthiệu quảcác bài toán cơ bản của nhận dạng mẫu – biến đổi, quay và tỷ lệ của ảnh đốitượng.Phương phápCAlà bất biếnđối vớiphép biếnđổi.
Một phương pháp biểu diễn đường viền được đề nghị là biểu diễn bằng mộtdãy các số phức (Xem Hình 1.3) Trên một đường viền, điểm bắt đầu cần đượcxác định Tiếp theo, đường viền sẽ được quét (xoay theo chiều kim đồng hồ), vàmỗi vector được biểu diễn bằng một số phức a+ib Với a, b là điểm tương ứngtrên trụcx,y.Các điểmđược biểudiễnkế tiếpnhau.
Do tính chất vật lý của các đối tượng ba chiều, đường viền của chúng luônkhépkínvàkhôngtựgiaonhau.Nóchophépxácđịnhrõràngviệcduyệtqu a n=0 một đường viền (xuôi/ngược chiều kim đồng hồ) Vector cuối cùng của mộtđườngviềnluônluôndẫnđếnđiểmkhởiđầu. Địnhnghĩa 1.5.Đường viềnvector Đường viền được biểu diễn dưới dạng một tập các véc tơ số phức được gọilà đường viền vector (VC) [31] Một vector thành phần của VC được gọi làvectorcơ sở(EV). ĐườngviềnvectorVCkýhiệubằngchữcáiΓvàEVkýhiệulà.Khiđó,Γcóđộd àip cóthểđược xácđịnhlà:
=(0,1, ,p-1) Thao tác trên đường viền như là thao tác trên vector số phức có chứa nhiềuđặctínhtoánhọchơnlàcácmãbiểudiễnkhác.Vềcơbản,mãsốphứclàgần vớimãhaichiềukhimàđườngviềnđượcđịnhnghĩaphổbiếnbằngEVtrongtọa độ 2 chiều Nhưng sự khác biệt giữa thao tác tỷ lệ của các vector đối với sốphứclàkhácnhau.Trườnghợp nàycũng ưu tiên cho cácphươngpháp CA.
Rohit Kolar và cộng sự, năm 2014, trong công trình [31] đã định nghĩanhiềukháiniệm liên quanđếnphương phápCA như là:tích vôhướngc ủ a đường viền vector, tích vô hướng chuẩn hóa, hàm tương quan, hàm tự tươngquan, Địnhnghĩa 1.6.Tíchvô hướngcủa đường viềnvector[31]
Haisố phứccủa2đường viềnΓvàN,tíchvôhướng (TVH)củanólà:
(1.1) vớip–kíchthướccủaVC,γnlàEVcủađườngviềnΓ,νnlàEVcủađườngviền N. (γn,νn)là TVHcủa haisốphức.
(a+ib,c+id)= (a+ib)(c-id) +bd+i(bc-ad)
(1.2)Trong CAthì VC cóchiềuđồng nhất,vì thếsốEVlàtrùng nhau.
- Kết quả TVH của các vector là một số thực Và kết quả tích của các sốphứclà mộtsốphức.
- Phần thực của TVH của các số phức trùng với TVH của các vector phùhợp.Tíchsốphức baogồmTVHvector.
Theo đại số tuyến tính, để xác định được chính xác chiều vật lý và các đặctính của TVH TVH bằng với tích của độ dài vector của góc cosin ở giữa trongđại số tuyến tính Tức là 2 vector vuông góc sẽ luôn có TVH bằng 0. Ngược lại,tích của vectorthẳnghàngsẽchogiátrịTVHtốiđa.
Những đặc tính của TVH được sử dụng để đo lường độ gần của các vector.Nếu tích càng lớn, góc giữa các vector càng nhỏ, các vector này càng gần nhau.Với những vector vuông góc, tích này bằng 0, và hơn nữa có thể nhận giá trị âmcho những vectorcóhướngkhácnhau.TVHcũngcócácđặctính tươngtự.
1 Tổng các EV của một đường viền kín bằng 0 Nó là tầm thường đối vớicácvectơtựtrỏ vàođiểmkhởiđầu,tổngbằng0 tươngứngvới vector 0.
2 VC thì không phụ thuộc vào phép chuyển vị song song của ảnh nguồn.Như vậy các đường viền được mã hóa tương đối so với điểm bắt đầu, chế độ nàycủamã hóalàbất biếnchuyểncủamộtđường viềnban đầu.
3 Quay ảnh theo một góc độ nào đó tương đương với quay mỗi EV củađườngviềntrêncùnggócđộđó.
4 Việc thay đổi điểm khởi đầu tiến hành theo vòng tròn VC Vì các EVđược mã hóa liên quan đến các điểm trước đó, điều này rõ ràng là thay đổi điểmkhởi đầu, trình tự của một EV sẽ là như nhau, nhưng EV đầu tiên sẽ là bắt đầu từđiểmkhởiđầu.
5 Thay đổi tỷ lệ ảnh nguồn có thể được coi là phép nhân của mỗi EV củađườngviềnvớimộthệ sốtỷlệ.
Gọitọađộcácđiểmbiênlàz1,z2, z3,z4,…zn,z1.Khiquay zpgócta đượcđiểme i zpt ư ơ n g tựnhưvậycác véctơ hướngbiêndpsẽbiếnthànhe i dp.
|∑n |d | 2 |làhằngsốv ớ i cácphépquay,± p p=0 Đâylàđiều cần chứng minh. Địnhnghĩa1.7.Tíchvôhướngchuẩnhóađườngviền[31]
|Γ|và| N | -Tiêu chuẩn(chiều dài)củađườngviềnđượctính:
NSP trong không gian phức cũng là một số phức Do vậy, tính đồng nhất làgiá trị lớn nhất có thể của chuẩn NSP (Theo bất đẳng thức Cauchy-BunyakovskySchwarz): |ab|0; cơ số logarithmlàbấtkỳ.
Trường hợp C = 1 và cơ số logarithm = 2 thì đơn vị tính là bit.Khi đó:h(p)=-log(p)( đ v t : bit)và Entropycủa Xlà:
Sử dụng giá trị Entropy của độ lệch (hiệu tuyệt đối) giữa khung hình hiệnthời và nền, hay nói khác đi đó chính là độ lệch về màu sắc của hai khung hìnhvideo Việc xác định giá trị Entropy của độ lệch này là cơ sở để xác định nhữngđiểmảnhcủa đốitượngchuyểnđộng. h h
Sau khi xây dựng được nền tối ưu Bt(x,y) tương ứng với mỗi khung hìnhhiện thời It(x,y), tính hiệu tuyệt đối Δt(x,y) giữa mô hình nền tối ưu và khunghìnhhiệnthời:
Khối ảnh, thường được sử dụng trong xử lý hình ảnh và bao đối tượngchuyển động trong phát hiện chuyển động [22] Giả sử ký hiệu một khối ảnh cóchiều dài và rộng bằng nhau, được ký hiệu là ww, giá trị mức xám điểm ảnhtrong khốilàww(i,j)vớii,j=1 n,vớinlàkích thước củakhối.
Giả sử, với mỗi khốiww(i,j) với hiệu tuyệt đốiΔ t(x,y) được tạo thànhbởi vector xám rời rạc cấp V {L0, L1, …, LV-1} Hàm mật độ xác suất của nhữngđiểmảnhcómứcxámhcủakhốiww(i,j):P (i,j) đượcượcđịnhnghĩanhưsau:
Trong đó: h là phần tử tùy ý của {L0, L1, …, LV-1} đại diện cho bất kỳvector mức xám trong mỗi khối ww(i,j);n (i,j) là số pixel tương ứng với mứcxámh tùyý;C o i h0 khih𝑇 (2.42) vớiTilàgiátrịngưỡng phùhợp tương tự.Cậpnhật tỷlệhọcthích nghiαtheo: m=1 m=1
(2.44)với cTlàmột hằng sốphản ánh kíchthướccủacác thamsốmôhình. Để thích nghi chọn số lượng phương thức thích hợp là đối tượng của thiếtkế mô hình, không chỉ có thể cải thiện sự ổn định của mô hình, mà còn tiết kiệmthờigiantínhtoánhiệuquảvàcungcấp giúpđỡrất nhiềuchoviệc phát hiệnhiệu suất thời gian thực của hệ thống Kết hợp các biến thể chiếu sáng yếu tốtđểđiềuchỉnhtỷlệ học αtrongthờigianthực và khiđó cậpnhậttỷlệ học.
2.2.2 Thuật toán trích chọn khối chuyển động
(EMB) Thuật toán trích chọn khối chuyển động EMB Đầuvào:
I t ,t=1 NF:Cáckhunghìnhtríchtừvideo, k:sốGauss α: Chọn giá trị ban đầu là
FG t (u,v) // Ảnh nhị phân chứa đối tượng chuyển độngCácbướcthựchiện:
D(t,t−1)=1−∑M min(H t (m),H t−1 (m))/∑M min(H t (m)) if(D(t,t-1)T)thenlse=0
6 Cậpnhậthệsốhọc if (=1) then α=2α else α=α+if(α>1)thenα=1
7 Tính toán các tham số của gaussfori=1tok
10 Sắp xếp mức độ ưu tiênmin(/)min_var(
12 Foreachpixel(u,v)inROItemplate if|I(u,v)–B|>T ROI FG t (u,v) = 1 (Tiền cảnh)elseF G t (u,v)=0//Nền
Giả sử tại thời điểm t xem xét chuỗi gồm số lượng NF khung hình đượctrích chọn từ thời điểm trước tới thời điểm t Số bước thực hiện duyệt qua toànbộ các khunghìnhlà NF(Fori=1to NF).
Giả sử mỗi bức ảnh của khung hình phân tích có kích thước là (nm), sốđiểmảnhcầnduyệtqua mỗikhunghìnhlànm(Forj=1tonm).
Sốphéptoán ướctính là:NFnm. Độ phức tạp ước tính của thuật toán EMB là O(NFnm), với NF là sốkhunghình,nvà mlàkíchthước ảnhcủamỗikhunghình.
PhươngphápđếmphươngtiệngiaothôngápdụngmôhìnhGMMthíchng hithayđổiánh sáng kếthợpluồngquang học
Trong tài liệu [3], nhóm Trần Thanh Việt dựa trên luồng quang học để bámđốitượngchuyểnđộng.Tuynhiên,đốivớivấnđềđếmxetrênđườngcaotố c,để đối phó với sự thay đổi ánh sáng môi trường ngoài trời có thể vận dụng kếthợp mô hình GMM thích nghi với ánh sáng và luồng quang học để thiết kế hệthống Một số kết quả thực nghiệm cho thấy phương pháp này cho kết quả khátốt trongmôitrườngthực vàmứcđộ dínhnhau trong khungh ì n h c ủ a c á c phươngtiện làít (thưa), mứcđộ chínhxácgiảmdầnkhimứcđộ dính nhau tăng.
Mục đích đếm số lượng đối tượng chuyển động, sử dụng phương pháp pháthiện đối tượng chuyển động dựa trên mô hình GMM thích nghi sự thay đổi ánhsángvà kếthợpluồngquanghọc.
Sơ đồ hệ thống của phương pháp chúng tôi đề nghị bao gồm 6 bước cơ bản.Bắt đầu từ xác định vùng quan tâm trên đường, thu nhận video từ camera, kếtquả cho ra số lượng đối tượng đang chuyển động trong vùng quan tâm Sơ đồkhối củaphươngphápxửlýđượcthểhiệntrongHình2.1.
1 Xác định ROI: vùng quan tâm chịu ảnh hưởng của phương pháp đặtcamera để thu nhận dữ liệu video Có nhiều cách để đặt camera, như đặt bênhông đường, đặt trực diện ở trên tầm cao, đặt trực diện ở tầm thấp, Ở đây xácđịnh đặt camera trên độ cao phù hợp, ngang tầm với các cầu vượt đường cao tốc(tương tụ như các camera giao thông đang sử dụng hiện nay) để theo dõi trựcdiện phương tiện chuyển động Vùng quan tâm được xác định là cặp vạch ảothiết lập trên làn đường theo chiều ngang Khung hình được thu nhận liên tiếp từvạch thứ nhất (ở xa) và được theo dõi, phân tích cho đến khi ra khỏi vạch thứ hai(ở gần).
2 Căn cứ vào cấu trúc và cấu hình của camera mà xác định số lượngkhung hình trích chọn cho phù hợp Theo cấu trúc dữ liệu Video hiện sử dụngthường có tốc độ 25frames/giây Dùng thuật toán nắm bắt khung hình kết hợpvới bộ đồng hồ trong ngôn ngữ lập trình có thể thu nhận dữ liệu các khung hìnhthành file ảnhmàutươngứng.
2.TríchchọnkhunghìnhtrongROI 3.Tríchchọnđốitượngchuyểnđộng(mặtnạ)vàtiềnxử lý
6 Thực hiện đếm số lượng xe
(CCA-GMMOF-Car CountingAlogorithm usingGMMandOptical Flow)
3 Trích chọn đối tượng chuyển động và tiền xử lý Căn cứ vào dãy cáckhungh ì n h t h u đ ư ợ c , s ử d ụ n g B S M , á p d ụ n g m ô h ì n h G M M t h í c h n g h i á n h sáng để phát hiện mặt nạ đối tượng chuyển động Ảnh nhị phân được làm sạchbằng phương pháp loại bỏ nhiễu Nhiễu được xác định là các khối có kích thướcnhỏ theo quy ước của một ngưỡng đối tượng tương ứng xác định trước Áp dụngphương pháp loại bỏ nhiễu, những đối tượng không phải là phương tiện chuyểnđộng,k í c h t h ư ớ c b é , r a k h ỏ i m ặ t n ạ p h ư ơ n g t i ệ n c h u y ể n đ ộ n g , t i ế p t ụ c n h ị phân hóa ảnh mặt nạ phương tiện Nội dung chi tiết được trình bày trong thuậttoán EMB (ExtractMovingBlock).
4 Mặt nạ đối tượng chuyển động chứa các khối chuyển động riêng biệttrong ảnh nhị phân Cần phải gán nhãn cho các khối này, hoặc chỉ mục hóa cáckhối này để chuyển sang giai đoạn sau là phân tích hình dạng và đường viền.Thuật toán phân đoạn khối và gán nhãn cho khối được trình bày trong thuật toánSLBBI(Segmentation and Lablingto Blockfor BinaryImage).
5 Xác định và trích chọn luồng quang học trên từng khối: Luồng quanghọc là đường đi của một điểm ảnh giữa các khung hình được trích ra từ mộtvideo Gọi p(x0,y0,t0) là điểm ảnh thuộc khung hình I(t0) tại thời điểm t0, điểmp(xn,yn,tn) là điểm ảnh đó tại khung hình I(tn), với n>=1 Luồng quang học đượcxác định khi: p(xn,yn,tn) = p(x0,y0,t0) +d; với d là khoảng cách điểm ảnh giữa thờiđiểm t0và tn; vấn đề đặt ra với luồng quang học là xác định được độ dài d. Nếuđộ dài d=0 thì coi như không có luồng quang học, và đối tượng không chuyểnđộng Thuật toán trích chọn luồng quang học được trình bày trong thuật toánEBOF(Extract BlobfromOpticalFlow).
6 Thực hiện đếm xe: Thực hiện chọn 1 điểm trên mỗi block khi xuất hiệnở vạch xuất phát ở xa hướng quan sát, nếu điểm này sau một khoảng các khunghình chạm tới vạch đích (gần hướng quan sát) thì xác định đây là một khối đốitượng chuyểnđộng.
ThuậttoánđếmxeCCA-GMMOF: Đầuvào:Video Đầura:SốlượngxeôtôCácb ướcthựchiện:
2 Trích chọn khung hình trong
; grayFrame convert_to_gray(frame);roiFrame
3 TríchchọnmặtnạđốitượngchuyểnđộngvàtiềnxửlýbinaryIm age EMB(roiFrame); filterBinaryImage morphology(binaryImage);
2.3.2 Thuậttoánphát hiệnvàgánnhãn cho khối(SLBBI)
Giả sử có ảnh nhị phân như hình dưới (màu đen là nền, màu trắng là đốitượng) Duyệtqua lầnl ư ợ t c á c đ i ể m ả n h t h e o t ừ n g h à n g
T ừ t r á i q u a p h ả i , t ừ trên xuống dưới Có các trường hợp xảy ra như là: điểm ảnh là nền, điểm ảnh làđối tượng Khi điểm ảnh là đối tượng, xét các điểm ảnh lân cận Căn cứ vào cácđiểm ảnh lân cận mà quyết định gán nhãn cho điểm ảnh là nhãn đã gán hoặc mởnhãn mới.Sơđồkhốitổngquát củaphương pháp thểhiện trongHình 2.2. Ýtưởngcủaphươngpháp:
(a) Bắtđầuduyệt ảnhtừ tráiqua phải,từtrênxuống dưới
(c) Thiếtlập điểmảnh hiện tạivà tăng nhãn lên 1
Thuật toán SLBBI tương tự như thuật toán gán nhãn vùng trong ảnh, đã cónghiều công trình nghiên cứu cài đặt thử nghiệm Trong nghiên cứu của luận ánkhông trình bày lại thuật toán này mà chỉ sử dụng kết quả của các nghiên cứu cótrước.
Xâydựnghàmbiểudiễnảnhtheohìnhkimtựtháp,trongcôngtrình[14], [18]đ ãx â y dựngc á c h b i ể u d i ễ n ả n h ở c á c m ứ c k h á c n h a u , t he oh ì n h k i m t ựtháp Áp dụng cách biểu diễn này để xây dựng thuật toán Lucas-Kanade, xácđịnh mối liênquan giữa2điểmảnh trên2khunghìnhkhácnhau.
ChoảnhI(nx,ny); ĐặtI 0 =Ilàảnhmức0,vớin 0 = n,n 0 = n;
Biểudiễntruyhồiảnh mức1quaảnhmức0,mức2quamức1,
Phương pháp luồng quang học, Trần Thanh Việt và cộng sự, năm 2011 [3]thực hiện bằngcách sử dụngcác vector có hướngc ủ a c á c đ ố i t ư ợ n g c h u y ể n độngtheo thời gian đểpháthiện cácvùngchuyển động trong một ảnh. Trong [3], đã trình bày nghiên cứu kỹ thuật luồng quang học để ứng dụngthử nghiệm theo vết đối tượng trong camera và dựa trên các hành vi của đốitượng để điều khiển thiết bị máy tính như chuột, lướt web, ra các sự kiện bấmchuột,bấmđúpchuột,phóngto,thunhỏ. Ý tưởng quan trọng của phương pháp tính luồng quang học dựa trên giảđịnh:
Bề ngoài của đối tượng không có nhiều thay đổi (về cường độ sáng) khi xéttừkhunghìnhthứnsangkhunghìnhn+1.Nghĩa là:
Trong đó là hàm trả về cường độ sáng của điểm ảnh tại thời điểm t (khunghình thứ t) là tọa độ của điểm ảnh trên bề mặt (2D), là vector vận tốc, thể hiện sựthayđổi vị trícủađiểmảnh từkhung hìnhthứtsangkhunghìnht+1).
Gọix t= {x m,t; m =1,…,M} là tập các đối tượng tại thời điểm t Trong đó, Mlàsốđối tượngcótronghệthống,Mcóthểthayđổi theothời gian.
Gọi𝑥 * là tập biểu diễn kết quả phát hiện ối tượng của hệ tại thờiđược iểm t được tương ứng.Ta có: x * = {x * ; d=1,…D} (2.50) t d,t
Gọix * ={x * ∈x * ;min||x * − xm,t−1||≤dthresh},v ớ ingưỡngcho old,t d,t t d,t trước là tập các kết quả phát hiện “cũ”, được hiểu theo nghĩa, nếu một phát hiệntrong thời điểm t quá gần với một trạngt h á i đ ã c ó t ạ i t h ờ i đ i ể m t - 1 t h ì n ó s ẽ được xem là trùng với đối tượng đó Một cách gần đúng, giả định những pháthiệnnàyxuấtpháttừđối tượngđã cótừ thời điểmt-
Tươngtự ,t a đ ị n h n g h ĩ ax * =x * /x * làtậpnhững pháthiện“mới”, new,t d old,t đượchiểu là giữatậpcác điểmmới và tậpcác điểmcũcáchnhau một khoảngd.
Trích chọn luồng quang học tức là theo dõi cùng một điểm ảnh giữa cáckhung hình, xem nó có chuyển động hay không Luồng quang học rất cần thiếtcho việc xác định đối tượng chuyển động trong vùng quan sát Giả sử điểm ảnhtại thời điểm bắt đầu vùng quan sát, sau 1 thời gian t, tiếp cận đến điểm kết thúccủavùng quansát,điều nàycóthểkếtluậncó 1đối tượngchuyển động.
ThuậttoántheodõixethôngqualuồngquanghọcEBOF Đầuvào:Video(onlineoroffline) Đầura:ĐặctrưngcủavéctơluồngquanghọcvCácbướct hựchiện:
Kếtluận chương2
Chương 2 đã trình bày và đề xuất trích chọn đặc trưng đối tượng chuyểnđộngtheoBSM; phântíchđặcđiểmtừngphươngpháp,rútrađểgiảm bớtsựảnh hưởng của ánh sáng trong môi trường ngoài trời của video giao thông cần sửdụng mô hình GMM cải tiến; trình bày phương pháp mô hình nền GMM và cảitiến mô hìnhnền GMMthích nghivới sựthayđổi ánh sáng.Bao gồm:
1 Trình bày nội dung và đánh giá một số thuật toán phát hiện đối tượngchuyển động bằng phương pháp trừ nền Bao gồm 5 thuật toán: Thuật toán trừnền cơ bản; Thuật toán trừ nền trung bình; Thuật toán-; Thuật toán-
cảitiến; Thuật toán thống kê khác biệt cơ bản Cả 5 thuật toán đều có những mặt ưuđiểm và hạn chế, tùy theo điều kiện cụ thể mà có thể áp dụng Tuy nhiên đối vớibài toán phát hiện phương tiện chuyểnđ ộ n g t r o n g v i d e o g i a o t h ô n g , v ớ i đ i ề u kiệnngoài trờithìcần cósựxemxét đếnyếu tố tác động củathayđổi ánh sáng.
2 Đề xuất phương pháp mô hình nền GMM thích nghi với sự thay đổi ánhsáng.
Sử dụng mô hình GMM thích nghi với tham số ánh sáng để trích chọn khốiđốitượngchuyểnđộngphù hợpvớimôitrườngngoàitrời,trongbàitoá nxác định mật độ phương tiện giao thông Việc tính toán tham số α được thực hiện làmột hàm thông qua phân tích chế độ ánh sáng, sẽ mang lại sự phản ứng củamô hìnhtốt hơn vềthíchnghinhanhvới ánhsáng thayđổi.
Hệ sốđược tính thông qua công thức (2.33) và
Trongđóilà hệ số thểhiệnsựthay đổiánhsáng(độtngộti=1;dầndần
3 Đề xuất phương pháp áp dụng thuật toán GMM thích nghi thay đổi ánhsáng kết hợp luồng quang học để đếm số lượng xe chuyển động trên đường caotốc Kết quả thực nghiệm cho thấy hệ thống phản ứng tốt với sự thay đổi ánhsáng,phùhợpvớiđiềukiện thờitiếtngoàitrời.
Cáckết quảđượccông bố tạicông trình côngbốsố3.
3.1 Phânđoạnkhốiphương tiệndựatrênkíchthước
Phântíchkíchthướcphươngtiện
Ảnh thu được từ phép trừ nền, trong đó các phương tiện có thể tạo thànhmộtkhối,gâyraviệcđếmsai,cầnphảitheodõivàphântáchchúngriên gra.Một trong những cách giải quyết là theo dõi đối tượng chuyển động dựa trên độdài.
(a)ôtôcon (b) 2 ôtô dọc (c)2ô tô lệch phải (d)2ôtôlệchphải
Phương pháp phân đoạn và nhận dạng khối ô tô sử dụng chiều dài và chiềurộng để phát hiện và nhận dạng các loại ô tô khác nhau từ các đối tượng trongkhối,hoặc đốitượngđơnlẻ. v
Do chiều dài và rộng của xe thay đổi theo kiểu xe, nên phân loại sơ bộ bằngchiều dài và chiều rộng Nếu chiều dàic ủ a m ộ t đ ố i t ư ợ n g c h u y ể n đ ộ n g l à khoảng15-17m,chiềurộngvàokhoảng3-
4m,thìđốitượngđóđượcphânloạilà một ô tô to như xe bus hay xe tải Nếu chiều dài của đối tượng giữa khoảng4,5-7,5m,c h i ề u r ộ n g g i ữ a k h o ả n g 1 , 4 -
3 , 0 m , đ ố i t ư ợ n g c h u y ể n đ ộ n g đ ó đ ư ợ c xem như xe nhỏ, ví dụ như VAN, chuyên dùng, sedan, hay xe tải nhỏ 1 Sau khiphânloại sơbộ,phươngphápnhậndạngsẽphân loại chính xáccácxenhỏ.
Mệnhđề3.1.Tỷ lệchiềudài/rộng củaxe
Gọi U={ui, i=1 n} và V={vi, i=1 n} là tập chiều dài và tập chiều rộng củaxe (ô tô, xe máy), tương ứng K={ki=ui/vi, i=1 n} là tập tỷ lệ giữa chiều dài vàchiều rộng của xe.Bộ số liệuZ=KV={zj, j=1 nn} có tính chấtz izj, vớiij,(i,j[1 nn]).
Bằngthựcnghiệm thốngkê(Phụlục 1) hoàntoàncót h ể k i ể m n g h i ệ m đượcmệnhđềtrênlàđúng.
Tỷ lệ chiều dài xe/rộng kết hợp với xem xét chiều rộng xe mang lại các bộsố liệu khác nhau, có thể phân loại được loại của phương tiện (O) là xe máy(XM),xe con (XC),xe tải(XT).Kếtquả phântíchthốngkêtrongphụlục1.
Hình 3.11a thể hiện hình ảnh một xe con, hình 3.11g thể hiện hình ảnh củamột cặp xe máy dính khối Trong một số trường hợp khi mà tỷ lệ cao/rộng vàchiều rộng của khối có thể nhập nhằng giữa một khối là ô tô với một khối là tậphợp xe máythìxác địnhthêmthông sốdiệntích củađườngviềnbaoquanhkhối.
Khối phương tiện Được Đúng
Tách khối Lớn hơn khối đôi
1 xe máy Tính toán tham số khối
Gọi A và B là ảnh của xe một ô tô và một khối xe máy có cùng kích thướchộp bao C(l, w) có chiều dài l và chiều rộng w, gọi DT(A) và DT(B) là diện tíchcủa A và B trong ảnh, tương ứng, gọi CV(A) và CV(B) là chu vi đường bao củakhối ô tôvà khốixemáytươngứng.Ta có:
Hình chiếu của khối ô tô lên không gian 2D gần với đa giác lồi hơn so vớihìnhchiếucủakhốixemáy,haynóicáchkháckhốixemáytrongkhônggi an2D có hình chiếu gần với đa giác lõm hơn Do vậy, khi hai khối xe ô tô và xemáy có cùng kích thước chiều dài, chiều rộng, thì tỷ lệ giữa diện tích và chu vicủa khối ô tô sẽ lớn hơn tỷ lệ của khối xe máy tương ứng (Theo tính chất của đagiáclồi,đagiác lõm).
Thuậttoánphânloại theokíchthước
Hình3.2.Sơđồ tổng quátphân giảitheo độdài
Input: Các khối chuyển động (kết quả thuật toán
EMB)Output: Loại phương tiện (ô tô con, ô tô tải, xe máy)Nộidungthuậttoán:
//Sử dụng thuật toán EMB => danh sách các khối Block[i]nSoKhoi(FG)
ChieuDai(Block[i])v=Ch ieuRong(Block[i])
- Nếu thuộc khối xe máyif(v v1){ if(kd1) X M if (|k - Max{d1}| ≤ ) 2 X M if(| k=Max{d1}/2|≤)2XM }
- Xử lý khi thuộc khối xe conif(v v2) { if(kd2) X M if (|k - Max{d2}| ≤ ) 2XCif(| k-Max{d2}/2|≤ ) 2XC }
- Xử lý khi thuộc khối xe tảiif(vv3){ if(kd3) X T if(|k-Max{d3}|≤ ) 2 X T if(|k=Max{d3}/2|≤ ) 2 X T }
- Nếu v không thuộc v1,v2,v3 thì:If(vθtươngtựvới hai đường cong vừa tìm được Trong trường hợp ngược lại, kết quả của thuậttoánđơngiảnhoálà haiđiểmđầumútcủađường cong.
• Bước 4:Nếuh > θthìgiữlạiđiểmđạtcựcđạinàyvà quaytrở lạibước1.
Hàmtínhđườngcaotừdinhđếnđoạnthẳngnốihaiđiểmdau,cuoifloatTinhduongcao(PO INTdau,POINTcuoi,POINTdinh){ flooth;|| tínhđườngcaoreturmh;
//Hàmđệquynhằmđánhdấuloạibỏcácđiểmtrongđườngcong voidDPSimple(POINT*pLINE,intdau,intcuoi,BOOL*chiso,floatθ))
{inti,index; floath,hmax=0; for(i+1;ihmax){hmax=h;index=i;}
DPSimple(PLINE, dau, index,chiso, θ));DPSimple(PLINE,index,cuoi,chiso,θ));
//HàmrútgọnsốlượngđiểmDouglasPeucker intDouglasPeucker(POINT*pLINE,intn,floatθ))
O(nlog2(n))vớinlàsố đỉnhcủađườngcong cầnđơngiản hóa.
Như đã trình bày ởt r ê n v ề p h ư ơ n g p h á p C A , c ầ n x á c đ ị n h đ ộ d à i c ủ a đườngviền.Trongmộtbứcảnhthực,đườngviềncóđộdàibấtkỳ.Dođóv iệctìm kiếm vàso sánh đường viền, tấtcảchúngcầncósố đỉnh đồngn h ấ t Q u á trình này gọi là quá trình cân bằng Đầu tiên sẽ cố định số đỉnh của VC chuẩn (ởpha huấn luyện) sẽ sử dụng trong hệ thống nhận diện, ký hiệu là p Sau đó vớimỗi đường viền A mới được tạo ra, ta tạo một đường viền vector N với độ dài p.Và có thể có 2 biến thể, hoặc đường viền ban đầu có số đỉnh lớn hơn số p hoặcnhỏ hơn số p Nếu một đường viền ban đầu cần thiết để được sắp xếp bởi EV, tasẽquantâmtớithànhphầnNnhưtổngcủacác EV.
Quá trình cân bằng hóa, tương tự như quá trình thực hiện đơn giản hóađường cong DouglasPeucker[29](Hình3.6).
Complex[] newPoint = new Complex[newCount]; for (int i = 0; i < newCount; i++) { double index = 1d * i * Count / newCount; int j = (int)index; double p = index - j; newPoint[i] = this[j] * (1 - p) + this[j + 1] * p;
Vấnđềlàcần chọn giátrịp.Độ dàiplớn cónghĩalàtiêu tốn một lượngphí lớnvàoviệcđánhgiá.Còngiátrịpnhỏcầnítthôngtin,độchínhxáccủaviệcnhậndạngc ũnggiảmvàviệcnhậndạngnhiễutănglên.
Phahuấnluyện.Chuẩn bịcơsởdữliệu Template(Thựchiệnthủ công).
Thuật toán huấn luyện đặc trưng phương tiệnInput:
Hìnhảnh(Image), Ngưỡng đường viền (ThresoldContour),Sốđỉnhđườngviền(d) Output:
Tậpmẫu,sốlượng m ẫ u tùythuộcvàodữliệu thựctếtrongquátrìnhhuấnlu yện
1 Chuẩn hóa về độ phân giải mong muốnImage ChuanHoaDoPhanGiai(Ima ge)
2 Tìmcácđườngviền n SoDuongVien(Image) Contour(i) TimDuongVien(Image),i=1 n
Contour(i) DonGianHoa(Contour(i), d)}Fori=1ton{//Tínhchuvi
For i=1 to n {//Loại đường viền quá nhỏji ifC h u V i ( i ) > T h r e s o l d C o n t o u r t h e n { C o u n t o u r ( j ) Countour(i);j++}} m=j;//mlàsốđườngviềnsaukhiloạibỏđườngviền nhỏ
Fori=1tom{//Tínhtoánthamsốđặctrưng CV(i)Chuvi(Contour(i))
DT(i)DienTich(Contour(i)) forj=1tod{//Tínhgóctạicácđỉnh goc(i,j)=TinhGoc(Contour(i),j)
Template(i) Template(i)+(i,CV(i), DT(i)) Forj=1tod
Pha phân loại Nhậndạng trêncác tậpảnh thực tế (Thựchiện online–thờigianthực):
Thuật toán phân loại phương tiện dựa trên đường viền
1 ThunhậnvàXửlýsơbộảnh(Làmmịn,lọcnhiễu,tăngđộtươngph ản)
For i=1 to n {//Áp dụng thuật toán đơn giản hóaContour(i) DonGianHoa(Contour(i),d)}
For i=1 to n {//Loại đường viền quá nhỏj i ifC h u V i ( i ) > T h r e s o l d C o n t o u r t h e n { C o u n t o u r ( j ) Countour(i);j++}} m=j;//mlàsốđườngviềnsaukhiloạibỏđườngviền nhỏ
For i=1 to m {//Tính toán tham số đặc trưngCV(i) Chuvi(Contour(i))
DT(i)DienTich(Contour(i)) for j=1 to d {//Tính góc tại các đỉnhgoc(i,j)=TinhGoc(Contour(i),j)
5 So sánh đường viền với
Chọn vùng chi vi để đối sánhChọnvùngdiệntíchđểđốisánh
Giả sử bức ảnh đã được nhị phân hóa có kích thước n*n pixels, tìm đườngviền bằng cách duyệt qua toàn bộ ảnh 2 chiều, do đó độ phức tạp tương ứng làO(n 2 ).
Giả sử p là độ dài đường viền, t là số các đường viền có trong ảnh Đối vớimột đường viền, độ dài của nó kiểm tra thông qua phép tích vô hướng chuẩn hóatrong tập huấnluyện vàdođó mỗi đườngviền chiphíhếtp 2 phépso sánh.
Thuậttoánsosánhđườngviềncóđộphứctạpướctínhlà:O(n 2 p 2 t),vớinlàkíc hthướcảnh,t làsốđườngviền pháthiệnđượcvàplàđộdàiđường viền.
- Hạn chế đầu tiên có liên quan tới vấn đề lựa chọn đường viền trên ảnh.Đường viền được giới hạn với một cấu trúc rời rạc nhất định Tuy nhiên các đốitượng nàyđượcthểhiệntrong môitrườngthựccóthểxảyranhữngtrườnghợp:
+ Đối tượng trong ảnh không thể có đường biên rõ ràng, có thể nhận diệndựa trên độ sáng hoặc màu sắc so với nền, có thể bị nhiễu… Tất cả những nhântố trên dẫn tới việc đường viền không thể được lựa chọn hoặc được chọn khôngchính xác,không tươngđồngvớiđườngbao của đốitượng.
- Hạn chế thứ hai, gây phức tạp cho phương pháp CA có liên quan tới cácquy tắc của phân tích đường viền Phương pháp CA giả sử rằng đường viền môtả khung của các đối tượng và không quan tâm đến các phần phía sau hoặc cácphần nhìn thấy không hoàn toàn của đối tượng Do đó CA có độ ổn định kémtrong các trường hợp nhiễu, khôngh ỗ t r ợ s ự g i a o c ắ t h o ặ c c á c p h ầ n n h ì n t h ấ y củađốitượng.
Dự án 1, ContourAnalysis, thực hiện các chức năng cơ bản của phân tíchđường viền, tạo được viền, TVH của đường viền, cân bằng hóa, đánh giá ICF vàACF,sosánhvà tìmkiếmcácmẫu.
Dự án2, ContourAnalysisProcessing , chứac á c p h ư ơ n g p h á p đ ể x ử l ý s ơ bộ ảnh, chọn đường viền, lọc và nhận dạng Đồng thời nó cũng chứa các công cụđể tự động tạo ra các mẫu cho việc nhận dạng các đường viền phương tiện Dựán sửdụngthưviệnOpenCV(EmguCV.NETwrapper)để xửlý.
Các tham số trong thực nghiệm:Độ dài đường viền nhỏ nhất (Min contourlength) = 30; Diện tích đường viền nhỏ nhất (Min contour area) = 10; Độ phângiải ảnhđầuvào:640x 480(pixel).
CSDL mẫu: Thực hiện tạo ra một CSDL tập mẫu các đường viền gồm 30mẫu đường viền khác nhau từ các hình dạng 1 xe máy, 1 xe ô tô, 2 xe máy, 2 ôtô Đường viền mẫu của xe máy được tập trung lưu trữ toàn bộ hình dạng đườngviền bao quanh xe máy Thêm một số mẫu về đường viền phần nửa trên người đixe máy Đối với ô tô, tập mẫu tạo ra bằng cách lưu trữ khung đường viền củakính trướcôtô (Hình3.9).
7 Haiôtô ngangnhaulệchphải 8.Ngườiđixemáychụp thẳng 9.Haingườiđixemáytrướcsau thẳnghàng
10.Ha ingư ời đixemáytrư ớcsau lệchtrái
13.Ba ngườiđixe máyngangnhau 14.Ba ngườiđixe máylệch trái 15.Xe máyđitrước ôtô
Trong quá trình nhận dạng, gán nhãn cho đường viền phát hiện được tươngứnglà1xm(một xemáy),1oto(một ôtô),2xm(hai xemáy),2oto (haiô tô), Phương pháp đã được thực nghiệm với các ảnh tự nhiên và trong bài toánxác định mật độ phương tiện giao thông, so sánh và nhận dạng ra nhanh một xemáy, 1 ô tô, 2 xe máy dính liền nhau, 2 ô tô dính liền nhau, 1 ô tô và 1 xe máydính liềnnhautrongảnh(Hình3.9b). a)mộtxemáy; b)2 xemáy; c)mộtôtô
Dữ liệu thực nghiệm sử dụng lại bộ dữ liệu quay trực tiếp tại các điểm cầuvượtđườngcaotốcnhưđãtrìnhbàytrongchương2(Hình2.3).
Việc kiểm nghiệm phương pháp CA bằng cách kiểm thửc h o r a k ế t q u ả 80% hình dạng được nhận diện Và kết quả này chứa một số lượng các ảnh đọcxấu của các phương tiện Do đó CA xử lý 249 ảnh với các kích thước khác nhau(từ400*400tới1280*960)trongvòng30giây.
Bên cạnh việc nhận dạng các ảnh khung hình cố định, thực hiện tốc độ caocủaCAchophépxửlývideotrong chế độthời gianthực.
IV,2.6GHzphùhợpvớicácứngdụngthờigianthực.Độchínhxáccủathuậttoán đã được kiểm nghiệm thông qua việc đối sánh ảnh giao thông chụp tại một sốcungđườngởViệtNam.
1) loại bỏ nhanh một số lỗi bằng cách xem xét kích thước chiều dài, chiềurộng đối tượng, ngưỡng xấp xỉ hình dạng đường viền mịn hơn, sau đó thửnghiệm giải thuật đối sánh ảnh trong một hệ thống giám sát giao thông thời gianthực;
Kếtluận chương3
Trêncơ sở lý thuyếtvề mô-menbất biến, trong đócó các tínhc h ấ t b ấ t biến tỷ lệ, bất biến dịch chuyển và bất biến quay áp dụng cho xử lý ảnh và nhậndạng, phânloạiđối tượngtheophương pháp hình dạngcho thấy mộts ố đ ặ c trưngvềhìnhdạng chophépsửdụngđểphânloạiphươngtiệngiaothông như:
- Đường viền và phân tích các đặc trưng của đường viền biểu diễn trêntrườngsốphứcđểnhậndạngvà phânloại.
Các phương pháp, công thức tính toán trọng tâm đa giác xấp xỉ hình dạngđối tượng, tính độ dài khoảng cách từ tâm tới cạnh đa giác xấp xỉ; Phương phápđãđượctriểnkhaithựcnghiệmchokếtquảphânloạiđượccácloạixecon,x etải (côngtrìnhcôngbốsố1). Đề xuất 3 thuật toán về phân loại phương tiện trong đó có ô tô và xe máydựatrênkíchthướcvàhìnhdạng.Baogồm:
- Thuật toán phân loại theo kích thước (thuật toán CVIL); (công bố côngtrìnhsố1).
- Thuật toán phân loại dựa trên kết hợp độ dài và hình chiếu đối tượng(thuật toánVCALOS).(côngbố côngtrìnhsố4).
- Thuật toán phân loại dựa trên đường viền biểu diễn bằng vector số phức. (côngbốcôngtrìnhsố2)
Phương pháp phân loại dựa trênC A , c ó k h ả n ă n g ứ n g d ụ n g v à o c á c b à i toán đối sánh ảnh đòi hỏi thời gian thực Đóng góp chính đưa ra là đề xuất sửdụng thuật toán CA, tìm kiếm độ dài đường viền để thực hiện tìm kiếm và đốisánhhaiđườngviền.
Trong điều kiện giao thông phức tạp, các đối tượng có thể chồng lấp,nốiđuôi nhau hoặc sánh ngang nhau, hoặc so le nhau tạo thành những đường viềnphứctạp,việcápdụng phươngpháp CAgặp phảinhữngkhókhăn.
Kết quả nghiên cứu của luận án được trình bày trên 121 trang, cấu trúc chiathành 3 chương nội dung chính, phần mở đầu, phần kết luận, tài liệu tham khảovàphụlục.
Về phát hiện phương tiện chuyển động, luận án đã trình bày về 05 thuậttoán phát hiện đối tượng chuyển động bằng phương pháp trừ nền; phân tích vàđưaranhữngưukhuyếtđiểmtừngphươngpháp,phântíchvàđưarayêuc ầucủa mô hình hóa nền đối với video giao thông; đề xuất mô hình GMM thích ứngvới sự thay đổi ánh sáng; áp dụng mô hình đề xuất trong thực nghiệm hệ thốngđếmxe trênđường caotốc.
Về phân loại phương tiện chuyển động, luận án phân tích và đưa ra các đặctrưng quan trọng của hình dạng để áp dụng cho việc phân loại phương tiện giaothông đó là: kích thước đối; các đặc trưng hình dạng như đa giác xấp xỉ phươngtiện,trọngtâmvà khoảngcáchtừtâmđếncạnhđagiác;chuviđườngviền.
Luận án đã phân tích và xây dựng thuật toán phát hiện đối tượng chuyểnđộng bằng mô hình GMM thích ứng thay đổi ánh sáng (chương 2); thuật toánphân loại phương tiện dựa trên kích thước và hình dạng, thuật toán phân tíchđườngviềnphụcvụchonhậndạng(chương3).
Các kết quả phân tích và thực nghiệm một số thuật toán được công bố trong04 bài báo trên các tạp chí chuyên ngành và hội nghị khoa học về công nghệthôngtin.
Nội dung của luận án đề cập và các kết quả được công bố phù hợp và đápứngđược mục tiêuluậnánđề ra.
Cải tiến mô hình GMM thích ứng với sự biến đổi ánh sáng, bằng việcthêm tham sốđểứngphóvớiviệcthayđổiánhsángtrongmôitrường thực Kết hợpmô hình nền GMMt h í c h ứ n g t h a y đ ổ i á n h s á n g v à luồng quang học để giải quyết việc xác định mật độ xe ô tô cải thiệntốc độ tính toán và tăng độ chính xác trong trường hợp giao thông trêncácđườngcaotốc ởViệtNam.
Đề xuất phương pháp phân loại kết hợp giữa phân tích hình dạng đốitượng và độ dài của đối tượng Phương pháp nhận dạng và phân loạinhanh dựa trên cơ sở phân tích và lập chỉ mục theo các tham số đặctrưng loại,độdài,độrộng.
Đề xuất phương pháp phân loại dựa trên phân tích đường viền. Tríchchọn đặc trưng đường viền, biểu diễn trên trường số phức, tiến hànhphânloạidựa trênđộdàivàhìnhdángđườngviền.
Mặc dù, tất cả các đề xuất trong nghiên cứu này có thể làm việc tốt trongmột số trường hợp, các mô hình vẫn còn dễ bị lỗi và tốn thời gian Các nghiêncứu trong tương lai có thể kiểm tra chi tiết cấu trúc không gian của khu vực quansát; áp dụng trong học máy, được gọi là học cao cấp; xem xét trường hợp nhiềuđường viền tích hợp trên một đối tượng Đây có thể là một hướng đi mới để pháttriển các hệ thống giám sát đối tượng chuyển động trên máy tính với độ chínhxáccaovà tỷlệ saisốthấp.
1 NguyễnVănCăn,VũTuấn(2013),“ Giámsátgiaothôngtựđộngdựatrênđộ dàithịgiác” Tạpchí Khoahọcvà Công nghệquân sự.Số5/2013, trang 69-81.
2 Nguyễn Văn Căn, Nguyễn Đăng Tiến, Phạm Việt Trung (2014), “Phương phápbiểu diễn đường viền trên trường số phức, áp dụng cho bài toán phân loạiphương tiện giao thông” Tạp chí Khoa học và Công nghệ quân sự Số
3 CanNguyenVan,HuyHuynhVan,TaoNgoQuoc(2014),“Carc o u n t i n g method using Gaussian Mixture Model and Optical Flow” The 3rd Solid
V L S I s a n d S e m i c o n d u c t o r R e l a t e d T e c h n o l o g i e s & T h e 17 th I nternationalConferenceonAnalogVLSICircuits-AnalogSignalandInformation Processing Applications Ho Chi Minh City, 10/2014 Proceeding,pages192-198.
4 Can Nguyen Van, Cuong Nguyen Ngoc (2014), “Vehicle Classification in
VideoBased on Shape Analysis” UKSim-AMS 8 th European Modelling Symposium onMathematicalModelingandComputersimulationProceedingEMS'14Proceedingsofth e2014EuropeanModellingSymposium.IEEEComputerSocietyWashington,D C ,
157.(http://dl.acm.org/citation.cfm?id'06693.2706789).
[1] Phạm Hồng Quang, Tạ Tuấn Anh (2014),Xây dựng cấu trúc hệ thống giao thôngthông minh và cácquy chuẩncông nghệ thông tin, truyền thông, điều khiển ápdụng trong hệ thống giao thông thông minh tại Việt Nam Đề tài KC01.14/11- 15.TrungtâmTinhọcvàTínhToán,ViệnHànlâmKHCNViệtNam.
[2] Phạm Hồng Quang (2014),Xây dựng mạng camera với hệ thống xử lý hình ảnhthôngminhphụcvụđiềukhiểngiaothôngvàgiámsátanninh.KC03.DA06/11-
15.CôngtyCổphầnPhần mềm-Tự độnghóa-Điềukhiển.
[3] Trần Thanh Việt, Trần Công Chiến, Huỳnh Cao Tuấn, Nguyễn Hữu Nam, ĐỗNăng Toàn, Trần Hành (2011),Một kỹ thuật bám đối tượng và ứng dụng Kỷ yếuhội thảo quốc gia lần thứ XIV, Cần Thơ, 10/2011 Nhà Xuất bản Khoa học và Kỹthuật.Trang238-247.
[4] Ahmed Elgammal (2010),Computer Vision3 D M o d e l - b a s e d r e c o g n i t i o n DeptofComputerScience,RutgersUniversity.
[5] AmolA Am bar de kar ( 2 0 0 7 ) , E f f i c i e n t V eh ic leT rac ki ng a n d C lass if ic a ti on fo r anAutomatedTrafficSurveillanceSystem,Athesissubmittedinpartialfulfil lment of the requirements for the degree of Master of Science in ComputerScience.
[6] Chee-Way Chong and at al (2004),Translation and scale invariants of
[7] Chung-Cheng Chiu and et al (2010),Automatic Traffic Surveillance System forVision-Based Vehicle Recognition and Tracking Department of Electrical andElectronic Engineering, Chung Cheng Institute of Technology National, DefenseUniversityTaoyuan,Taiwan.
[8] Clement Chun Cheong Pang and at al (2007),A Method for Vehicle Count in thePresence of Multiple-Vehicle Occlusions in Traffic Images, IEEE transactions onintelligenttransportationsystems,(Vol.8,No.3).
[9] Collins R T (2000),A s y s t e m f o r v i d e o s u r v e i l l a n c e a n d m o n i t o r i n g : V S A M final report, Technical report (CMU-RI-TR-00-12),
[10] Cucchiara R (2000),Statistic and Knowledge-based Moving Object Detection inTrafficScenes.D.S.I.UniversityofModena.
[11] George S.K Fung and at al (2001),V e h i c l e S h a p e A p p r o x i m a t i o n f r o m
Video Cameras, Department of Civil and Environmental Engineering
[13] Hu M K (1962),Moments and Moment Invariants in Pattern
Recognition,IRETrans.Info.Theory(vol.IT-8),pp.179–187.
Tracker Description of the algorithm, Intel Corporation,
[15] Lai A H S (2000),An effective methodology for visual traffics u r v e i l l a n c e ,HongKongUniversity.
[16] Lipton A J (1999),Moving target classification and tracking from real- timevideo.InProc.ofWorkshopApplications ofComputerVision,pages129-136.
[17] MassimoPiccardi(2004),Backgroundsubtractiontechniques:areview,Computer Vision Research Group (CVRG), University of Technology, Sydney(UTS).
[18] Nilesh J Uke (2013),Moving Vehicle Detection for Measuring Traffic
CountUsingOpenCV,Journalof AutomationandControlEngineering(Vol.1,No.4).
[19] Nikolaos P (2000),Algorithms for Vehicle Classification, Artificial Intelligence,RoboticsandVisionLaboratory,UniversityofMinnesota.
[20] Sagar Deb (2005),Video data management and information retrieval. UniversitySouthemQueensland,Australia.
[21] Shireen Y Elhabian (2007),Moving Object Detection in Spatial Domain usingBackgroundRemovalTechniques-State-of-Art,CairoUniversity,Egypt.
[22] Sigari M.,Fuzzy Running Average and Fuzzy Background Subtraction:
ConceptsandApplication,InternationalJournalofComputerScienceandNetworkSec urity,2008,Volume8,No.2,pages138-143.
[23] Stauffer C (1999),Adaptive background mixture models for real-time tracking,Technicalreport( C V P R 1999),pages246-252.
B a c k g r o u n d M o d e l i n g for Foreground Detection - A Systematic Survey, Laboratoire MIA, Université deLaRochelle,France.
[25] WeiZhan,JunkaiYang(2012),RealTimeandAutomaticVehicleTypeRecognitionSys temDesignandItsApplication,InternationalConferenceonMechanicalEngineeringand
[26] Yigithan Dedeoglu (2004),Moving object detection, tracking and classificationforsmartvideosurveillance,UniveristyofBilkent.
[27] Xue Mei and at al (2007),Integrated Detection, Tracking and Recognition for
[28] Yu-Kumg Chen, Tung-Yi Cheng, Shuo-Tsung Chiu (2009),Motion
[29] Wu,Shin-TingandMárquez(2004),MercedesR.G(2004),Anon-self- intersectionDouglas-PeuckerAlgorithm,ProceedingsofSibgrapi.©2004IEEE.
[30] Jitendra Malik,Serge Belongie,Thomas Leung,Jianbo Shi(2001),Contour andTextureAnalysisforImageSegmentation.InternationalJournalofComputerVision,
[31] Rohit Kolar, Akshay Thakar, Muzaffar Shabad (2014),Image Segmentation forText Recognition using Boundary Analysis International Journal of
2459,ISO9001:2008CertifiedJournal,Volume4,Issue2,February2014)294.
[32] Corentin Lallier, Emanuelle Reynaud, Lionel Robinault, Laure Tougne (2011),ATestingFrameworkforBackgroundSubtractionAlgorithmsComparisoninI ntrusion Detection Context 8 th IEEE International Conference on AdvancedVideoandSignal-BasedSurveillance.
[34] A.Vacavant,T.Chateau,A.Wilhelm,L.Lequièvre(2012),Ab e n c h m a r k dataset forforeground/backgroundextraction,in:BackgroundM o d e l s Challenge
(BMC) Asian Conference on Computer Vision (ACCV), LNCS, vol.7728,Springer,2012,pp.291–300.
[35] Y Dhome, N Tronson, A Vacavant, T Chateau, C Gabard, Y Goyat, D.Gruyer (2010), Abenchmark for background subtraction algorithms inmonocular vision: a comparative study IEEE International Conference onImage Processing Theory, Tools and Applications (IPTA), 2010, pp. 66–71.
[36] A Sobral (2013),BGSLibrary: an opencv c++ background subtractionlibrary.IXWorkshopdeVisoComputacional.RiodeJaneiro,Brazil.
TT Xeôtô Dài Rộng Cao Cao/rộng
TT Xemáy Dài Rộng Cao Cao/rộng
