BÁO CÁO ĐỀ TÀI NGHIÊN CỨU KHOA HỌC: NGHIÊN CỨU GIẢI PHÁP THỐNG KÊ LƯU LƯỢNG GIAO THÔNG

1. Tổng quan về đề tài 1.1 Giới thiệu bài toán Trong bối cảnh dân số đông, ngày càng tăng, cùng với đó phương tiện lưu thông cũng dần tăng theo đòi hỏi cơ sở hạ tầng giao thông phải đáp ứng được nhu cầu của người dân. Giải quyết vấn đề trên đối với nước ta là không hề đơn giản và cần thời gian dài. Vì vậy, việc thống kê được lưu lượng phương tiện lưu thông có ý nghĩa quan trọng trong việc quy hoạch giao thông của đất nước trong thời gian tới. Nắm được ý nghĩa quan trọng đó, nhóm chúng em đã thực hiện đề tài “ Nghiên cứu giải pháp thống kê lưu lượng giao thông” để áp dụng vào thực tế 1.2Phạm vi và mục đích Thống kê lưu lượng giao thông là một ứng dụng quan trọng trong thực tế. Để thực hiện được việc này thì phát hiện đối tượng tham gia giao thông là phần không thể thiếu. Việc nghiên cứu, ứng dụng một thuật toán trên cơ sở thị giác máy tính để giải quyết vấn đề phát hiện xe trong thời gian thực đã trở thành một vấn đề cấp thiết Đề tài được thực hiện trong các điều kiện: Camera ghi hình trực diện từ phía trên xuống, cường độ ánh sáng là 300 ÷ 500 lux (độ sáng tiêu chuẩn bình thường) hoặc ánh sáng ngoài trời ban ngày bình thường. Đối tượng là các loại xe với các hình dáng khác nhau tham gia giao thông (xe máy, xe hơi cá nhân, xe buýt..). 2. Cơ sở lý thuyết 2.1 Phát hiện đối tượng Phát hiện đối tượng (object detection) là một bài toán quan trọng trong lĩnhvực thị giác máy tính. Đây là một hướng nghiên cứu có nhiều ứng dụng trong thực tế như thể thao, giao thông, giao tiếp người và máy. Phát hiện đối tượng chuyên biệt, ví dụ như xe hơi trong cảnhquang giao thông, liệu có xuất hiện trong ảnh thu được từ camera (hình động) haynhững tấm hình tĩnh dựa trên sự trợ giúp của máy tính từ lâu đã được con ngườinghiên cứu và phát triển bởi nó đóng vai trò là cơ sở chung và là nền tảng để nghiêncứu và ứng dụng trong các lĩnh vực và các hệ thống khác. Trong quá trình nghiêncứu và phát triển, thì yêu cầu được đặt lên hàng đầu là yếu tố chính xác và phải thựchiện nhanh chóng trong thời gian thực. Do vậy, việc này cần có sự phối hợp và bổsung chặt chẽ cho nhau của hai lĩnh vực là Xử lý ảnh (Image Processing) và Thịgiác máy tính (Computer Vision) 2.2Một số phương pháp phát hiện đối tượng Có rất nhiều phương pháp và hướng tiếp cận của vấn đề phát hiện đối tượng nói chung và phát hiện phương tiện nói riêng. Có hai hướng tiếp cận chính thường được sử dụng để phát hiện đối tượng đó là: các phương pháp dựa trên ảnh và các phương pháp dựa trên dạng hình học. 2.1.1 Phương pháp dựa trên ảnh Các phương pháp thuộc nhóm này dựa trên một tập hợp các hình mẫu của đốitượng và sử dụng cửa sổ trượt để phát hiện xe Một số các phương pháp thuộc nhóm này:  Phương pháp EigenObjects (PCA)  Phương pháp Fisher ‘s Linear Discriminant  Các phương pháp dựa trên Eigenspace  Các phương pháp dựa trên mang nơron nhân tạo  Support Vector Machine – SVM  Phương pháp Mô hình Markov ẩn (Hidden Markov Model – HMM)  Phương pháp Sparse Network of Winnows (SNoW) Do nhóm phương pháp này dựa trên việc huấn luyện sao cho thu được mô hình đối tượng xe từ một tập dữ liệu tích cực (positive ảnh có chứa hình phương tiện) và một tập dữ liệu không tích cực (negative ảnh không chứa hình phương tiện) nên chúng có sự tương quan so sánh trực tiếp đến các đặc điểm hình học của một kiểu phương tiện điển hình. Nhược điểm của phương pháp này đòi hòi phải luôn có sẵn cơ sở dữ liệu hình rất lớn. Để có thể phát hiện và nhận dạng được, máy tính phải luôn dò trong cơ sở dữ liệu hình này rồi mới đưa ra kết quả 2.1.2. Phát hiện dựa trên dạng hình học Khác với nhóm phương pháp vừa nêu ở trên, các phương pháp thuộc nhóm này quan tâm đến các đặc điểm cấu trúc hình học của phương tiện. Vì vậy chúng còn được gọi là nhóm tiếp cận dựa trên đặc trưng (feature based). Tùy theo cách triển khai vấn đề mà chúng được chia thành hai phân nhóm:  Các phương pháp Bottom – Up: chủ yếu dùng các đặc điểm hình dáng bấtbiến của xe đối với ngoại cảnh và nền ảnh để phát hiện ra xe. Rồi tùy vào mối liênhệ của chúng với nhau mà thiết lập các liên kết giữa các đặc điểm bất biến này ngaytrong ảnh đầu tiên, tiếp theo sẽ dựa vào đó mà tìm chúng trên các ảnh kế tiếp.  Phương pháp dựa trên luồng ánh sáng (hay lưu lượng quang optical flow): là phương pháp xử lýtổng quan ánh sáng theo tuần tự các bước. Thứ nhất, thuật toán tìm đặc trưng quan trọng của đối tượng (ví dụ như góc của xe) trong hai khung hình liên tiếp nhau. Thứ hai, dùng thuật toán để hợp nhất tính liên quan đồng nhất giữa các đặc trưng đó (trong trường hợp này là góc của xe). Bước cuối cùng, các

HỌC VIỆN KỸ THUẬT QUÂN SỰ KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO ĐỀ TÀI NGHIÊN CỨU KHOA HỌC

ĐỀ TÀI: NGHIÊN CỨU GIẢI PHÁPTHỐNG KÊ LƯU LƯỢNG GIAO THÔNG

Giáo viên hướng dẫn: Trần Nguyên Ngọc

Nhóm sinh viên thực hiện:

Lại Phú Kiên – Tin Học 8B Nguyễn Văn Đức – Tin Học 8B Nguyễn Văn Toàn – Tin Học 8A

HÀ NỘI, 04/2013

1 Tổng quan về đề tài

1.1 Giới thiệu bài toán

Trong bối cảnh dân số đông, ngày càng tăng, cùng với đó phương tiện lưu thông cũng dần tăng theo đòi hỏi cơ sở hạ tầng giao thông phải đáp ứng được nhu cầu của người dân Giải quyết vấn đề trên đối với nước ta là không hề đơn giản và cần thời gian dài Vì vậy, việc thống kê được lưu lượng phương tiện lưu thông có ý nghĩa quan trọng trong việc quy hoạch giao thông của đất nước trong thời gian tới

Nắm được ý nghĩa quan trọng đó, nhóm chúng em đã thực hiện đề tài “ Nghiên cứu giải pháp thống kê lưu lượng giao thông” để áp dụng vào thực tế

1.2Phạm vi và mục đích

Thống kê lưu lượng giao thông là một ứng dụng quan trọng trong thực tế Để thực hiện được việc này thì phát hiện đối tượng tham gia giao thông là phần không thể thiếu Việc nghiên cứu, ứng dụng một thuật toán trên cơ sở thị giác máy tính để giải quyết vấn đề phát hiện xe trong thời gian thực đã trở thành một vấn đề cấp thiết

Đề tài được thực hiện trong các điều kiện:

- Camera ghi hình trực diện từ phía trên xuống, cường độ ánh sáng là 300 ÷ 500 lux (độ sáng tiêu chuẩn bình thường) hoặc ánh sáng ngoài trời ban ngày bình thường

- Đối tượng là các loại xe với các hình dáng khác nhau tham gia giao thông (xe máy, xe hơi cá nhân, xe buýt )

2 Cơ sở lý thuyết

2.1 Phát hiện đối tượng

Phát hiện đối tượng (object detection) là một bài toán quan trọng trong lĩnhvực thị giác máy tính Đây là một hướng nghiên cứu có nhiều ứng dụng trong thực tế như thể thao, giao thông, giao tiếp người và máy Phát hiện đối tượng chuyên biệt, ví dụ như xe hơi trong cảnhquang giao thông, liệu có xuất hiện trong ảnh thu được từ camera (hình động) haynhững tấm hình tĩnh dựa trên sự trợ giúp của máy tính từ lâu

đã được con ngườinghiên cứu và phát triển bởi nó đóng vai trò là cơ sở chung và là nền tảng để nghiêncứu và ứng dụng trong các lĩnh vực và các hệ thống khác

Trong quá trình nghiêncứu và phát triển, thì yêu cầu được đặt lên hàng đầu là yếu

tố chính xác và phải thựchiện nhanh chóng trong thời gian thực Do vậy, việc này cần

có sự phối hợp và bổsung chặt chẽ cho nhau của hai lĩnh vực là Xử lý ảnh (Image Processing) và Thịgiác máy tính (Computer Vision)

2.2Một số phương pháp phát hiện đối tượng

Có rất nhiều phương pháp và hướng tiếp cận của vấn đề phát hiện đối tượng nói chung và phát hiện phương tiện nói riêng Có hai hướng tiếp cận chính thường được

sử dụng để phát hiện đối tượng đó là: các phương pháp dựa trên ảnh và các phương pháp dựa trên dạng hình học

2.1.1 Phương pháp dựa trên ảnh

Các phương pháp thuộc nhóm này dựa trên một tập hợp các hình mẫu của đốitượng và sử dụng cửa sổ trượt để phát hiện xe

Một số các phương pháp thuộc nhóm này:

 Phương pháp EigenObjects (PCA)

 Phương pháp Fisher ‘s Linear Discriminant

 Các phương pháp dựa trên Eigen-space

 Các phương pháp dựa trên mang nơ-ron nhân tạo

 Support Vector Machine – SVM

 Phương pháp Mô hình Markov ẩn (Hidden Markov Model – HMM)

 Phương pháp Sparse Network of Winnows (SNoW)

Do nhóm phương pháp này dựa trên việc huấn luyện sao cho thu được mô hình đối tượng xe từ một tập dữ liệu tích cực (positive - ảnh có chứa hình phương tiện) và một tập dữ liệu không tích cực (negative - ảnh không chứa hình phương tiện) nên chúng

có sự tương quan so sánh trực tiếp đến các đặc điểm hình học của một kiểu phương tiện điển hình Nhược điểm của phương pháp này đòi hòi phải luôn có sẵn cơ sở dữ liệu hình rất lớn Để có thể phát hiện và nhận dạng được, máy tính phải luôn dò trong

cơ sở dữ liệu hình này rồi mới đưa ra kết quả

2.1.2 Phát hiện dựa trên dạng hình học

Khác với nhóm phương pháp vừa nêu ở trên, các phương pháp thuộc nhóm này quan tâm đến các đặc điểm cấu trúc hình học của phương tiện Vì vậy chúng còn được gọi là nhóm tiếp cận dựa trên đặc trưng (feature - based) Tùy theo cách triển khai vấn

đề mà chúng được chia thành hai phân nhóm:

 Các phương pháp Bottom – Up: chủ yếu dùng các đặc điểm hình dáng bấtbiến của

xe đối với ngoại cảnh và nền ảnh để phát hiện ra xe Rồi tùy vào mối liênhệ của chúng với nhau mà thiết lập các liên kết giữa các đặc điểm bất biến này ngaytrong ảnh đầu tiên, tiếp theo sẽ dựa vào đó mà tìm chúng trên các ảnh kế tiếp

 Phương pháp dựa trên luồng ánh sáng (hay lưu lượng quang - optical flow): là phương pháp xử lýtổng quan ánh sáng theo tuần tự các bước Thứ nhất, thuật toán tìm đặc trưng quan trọng của đối tượng (ví dụ như góc của xe) trong hai khung hình liên tiếp nhau Thứ hai, dùng thuật toán để hợp nhất tính liên quan đồng nhất giữa các đặc trưng đó (trong trường hợp này là góc của xe) Bước cuối cùng, các

luồng đặc trưng đối tượng đã được trích xuất khỏi ảnh được tập hợp lại thành một nhóm nếu các khoảng cách Euclide của các luồng (vị trí đối tượng và hướng chuyển động của đối tượng) là nhỏ

Trong các phương pháp thuộc nhóm Bottom Up Phương pháp trừ nền phương pháp nền tảng.Phương pháp này thích hợp với trường hợp ảnh nền không có sự thay đổi

Ý tưởng chung của các phương pháp trừ nền: để phát hiện được các đối tuợng chuyển động trong video chúng ta phải có được mô hình background Mô hình background này có thể được học qua nhiều frame ảnh Sau đó ta sẽ dùng mô hình background này để so sánh với frame ảnh hiện tại và kết quả là ta sẽ nhận biếtđược đâu là vùng nền, đâu là các đối tượng

Trong đề tài này, việc phát hiện phương tiện được thực hiện bằng phương pháp Frame Differencing

3 Phương pháp Frame Differencing

Trong số các phương pháp trừ nền,Frame Differencing được xem là phương pháp đơn giản nhất Chi phí tính toán thấp, tốc độ thực thi thuật toán nhanh.Ý tưởng chính trong phương pháp này là các đối tượng chuyển động sẽ được phát hiện dựa trên sự khác biệt giữa hai frame ảnh liên tiếp nhau cùng với một ngưỡng được chọn trước Giải thuật trên được thực hiện bằng phương pháp trừ hai frame liên tiếp, đối với mỗi giá trị pixel kết quả ta so sánh giá trị tại pixel đó với ngưỡng đã được chọn Nếu giá trị này nằm trong ngưỡng cho phép thì tại đó ta xem như là background, ngược lại là foreground

Trong đó: frame ảnh thứ t+1

frame ảnh thứ t : ngưỡng được chọn Việc xác định ngưỡng ảnh hưởng rất lớn đến độ chính xác của thuật toán, vì thế ngưỡng trong đề tài được lấy theo hai hướng đó là chọn cố định và chọn tự động cập nhập qua từng frame theo thuật toán Isodata

 Thuật toán Isodata:

 Là một quá trình tính toán lặp đi lặp lại để chọn ra ngưỡng

 Với ngưỡng ban đầu bằng L/2 (với L = 255) Thuật toán tính mẫu trung bình của các mức xám liên kết với các điểm ảnh foreground và mẫu trung bình các mức xám liên kết với background, tính ngưỡng mới bằng 2 giá trị trên chia cho 2, nếu trị tuyệt đối của hiệu ngưỡng cũ và ngưỡng mới vừa tính được mà

nhỏ hơn epsilon (= 1) thì dừng việc lặp tính toán lại, nếu không thì tiếp tục tính

 Mô tả bằng mã lệnh:

Trong đó: teta: ngưỡng được chọn

h(i): histogram của mức xám i m1: giá trị mẫu trung bình foreground m2: giá trị mẫu trung bình background

4 Xây dựng chương trình thử nghiệm

4.1 Ý tưởng

- Máy tính nhận tín hiệu video trực tuyến từ camera (hoặc nhập một file video) Trong trường hợp không thể cho hệ thống thực hiện tại thực địa cảnh quang giao thông thì

có thể quay video lại cảnh quang giao thông cho máy tính xử lý

- Sau thời gian tính toán, máy tính sẽ tiến hành phát hiện phương tiện xuất hiện trong chuỗi hình ảnh và tiến hành khoanh vùng có chứa phương tiện

- Sử dụng thuật toán đếm số lượng và phân loại xe

4.2 Thuật toán

m1 = 0; m2 = L;

teta = (m1 + m2) / 2

stop = false

while !stop

ts1 = 0; ts2 = 0

ms1 = 0; ms2 = 0

for i = 0 to teta

ts1 = ts1 + h(i) * i ms1 = ms1 + h(i) m1 = ts1/ms1

for i = teta to L

ts2 = ts2 + h(i) * i

ms2 = ms2 + h(i)

m2 = ts2/ms2

tg = Round((m1 + m2) / 2)

if teta - tg <

stop = true

teta = tg

loop

Sơ đồ thuật toán chương trình thử nghiệm

Camera / File video

AVI

Tiền xử lý

Phát hiện đối tượng

Khoanh vùng

Thống kê số lượng

Kết thúc Bắt đầu

4.2.1 Giai đoạn 1: Tiền xử lý

Video đầu vào hoặc thu trực tiếp từ camera được tách thành các frame và đưa về ảnh

đa mức xám

4.2.2 Giai đoạn 2: Phát hiện phương tiện

Trong giai đoạn này, giá trị của hai frame liên tiếp được trừ cho nhau rồi so sánh với ngưỡng được chọn.Đối với quá trình phân ngưỡng cố định, qua thực nghiệm em thấy vùng chuyển động thường có ngưỡng lớn hơn 80

Quá trình phân ngưỡng tự động bằng Isodata sẽ tính toán ngưỡng tự động thông qua việc tính toán Histogram

Frame gốc và Frame sau khi dùng thuật toán Isodata

- Từ kết quả tách đối tượng trên đã cho chúng ta thấy được đối tượng khá rõ ràng, tuy nhiên vẫn còn nhiều chỗ trên ô tô không phát hiện được “là đối tượng” nên có hiện thượng điểm đen (nền) thay vì các điểm trắng (đối tượng) khác trên ô tô Đó cũng là nhược điểm của các phương pháp này nói riêng và các phương pháp tách đối tượng/nền nói chung, phương pháp tỏ ra hiệu quả với những điểm biên hơn là điểm ảnh bên trong lòng đối tượng do sự dịch chuyển/thay đổi của những điểm ảnh này là không đáng kể do đó bị xem như

là background

- Để thống kê được phương tiện, cần phải khoanh vùng được đối tượng do đó cần phải nhóm được đối tượng vào một phân vùng riêng (có chứa các tọa độ các điểm thuộc đối tượng) Tuy nhiên qua ảnh kết quả tách trên thì trước hết cần phải lấp đầy các điểm đen bằng các điểm trắng mà vốn thuộc về đối tượng lại, ta thực hiện việc làm đầy ảnh

Kỹ thuật làm đầy ảnh:

Dùng mặt nạ 3x3 duyệt trên ảnh, nếu tại điểm trung tâm của mặt nạ mà có giá trị trắng (thuộc về đối tượng) thì thiết lập giá trị tại 8 điểm lân cận còn lại của mặt nạ 3x3 thành giá trị trắng

Ảnh sau khi được làm đầy 8 lần:

- Tuy nhiên cũng chính việc làm đầy ảnh mà vô tình trong nhiều trường hợp các đối tượng tuy không đứng sát cạnh nhau nhưng sau khi làm đầy lại trở thành như 1 đối tượng

- Như vậy các điểm thuộc về đối tương đã được lấp đầy để phục vụ công việc phân vùng các điểm ảnh lại với nhau

Việc phân vùng dựa trên khoảng cách của các điểm ảnh gần nhau, nếu thỏa mãn nhỏ hơn một khoảng cách nhất định thì coi chúng là các điểm liên kết với nhau tạo thành một phân vùng Lưu tọa độ các điểm ảnh thuộc từng phân vùng một

Ví dụ hình ảnh về việc phân vùng:

4.2.3 Giai đoạn 3: Khoanh vùng đối tượng

Sau khi phát hiện ra phương tiện, các vùng này sẽ được khoanh riêng để lấy thông tin Việc khoanh vungc các đối tượng được thực hiện bằng hàm cvFindContours ( trong

bộ thư viện OpenCV)

4.2.4 Thống kê phương tiện

Dựa vào đặc điểm của đường bao phương tiện thu được ở bước 3, ta phân loại số lượng xe theo diện tích đường bao Với video đầu vào kích thước 360x640 thì vùng xe đạp và xe máy có diện tích từ 8000 đến 20000 còn xe ô tô có diện tích lớn hơn 20000 Cũng nhờ diện tích này, các vùng có diện tích nhỏ hơn 8000 sẽ bị xóa bỏ

Từ các tọa độ của từng phân vùng, tiến hành tìm tọa độ Min(xMin, yMin) và tọa

độ Max(xMax, yMax) để khoanh thành một hình chữ nhật vừa đủ để bao hết đối tượng

Từ đó thực hiện việc đếm phương tiện

Nhưng cần phải loại bỏ những phân vùng bé hơn đối tượng (là những điểm nhiễu được làm đầy ảnh) bằng cách tính diện tích hình chữ nhật bao quoanh phân vùng đó, nếu nhỏ hơn một mức nhất định (trước đó thống kê diện tích của các phương tiện) để tăng độ chính xác của việc thống kê lưu lượng

Minh họa kết quả của bước này bằng hình ảnh:

 Loại bỏ những phân vùng nhỏ/nhiễu (ví dụ là 2 vùng được khoanh đỏ)

Kết quả hiển thị trên frame gốc:

- Công đoạn tính diện tích hình chữ nhật bao quoanh của từng phân vùng cũng dùng để phân loại đối tượng là xe máy hay ô tô vì rõ ràng xe máy có diện tích nhỏ hơn ô tô

- Cuối cùng là công đoạn đếm phương tiện và hiển thị lên frame gốc Cách của

đề tài nhóm em thực hiện đếm là:

 Đầu tiên xét 2 đường đi ngang qua frame ở phía dưới (có tọa độ được chọn cố định theo từng video)

 Nếu hình chữ nhật bao quoanh phân vùng mà có tọa độ yMin/yMax (tùy theo chiều đi của phương tiện, video trên là yMin) nằm trong 2 đường đi ngang đó thì biến đếm tăng lên 1

Tuy nhiên nếu phương tiện đi quá nhanh thì sẽ vô tình không nằm trong vùng đường ngang đó hoặc phương tiện đi chậm/dừng hẳn lại trong vùng đếm đó thì biến đếm tăng rất nhanh do xử lý trên từng frame một hoặc nếu đường nằm ngang quá bé/quá rộng cũng làm cho việc đếm không chính xác

 Giải pháp cho việc đếm này là lưu lại tọa độ của các hình chữ nhật tại frame trước để frame tiếp theo tìm xem nếu cả 2 hình chữ nhật được coi là cùng một

đối tượng có yMin nằm trong vùng 2 đường nằm ngang (đường nằm ngang được nới rộng hơn) đó thì sẽ không đếm nữa Tuy nhiên nhóm em chưa kiểm soát được đối tượng ở 2 frame liên tiếp nên chưa thực hiện được giải pháp này

do vậy việc đếm còn nhiều sai sót

Hình ảnh minh họa cho công đoạn đếm trên:

5 Kết quả và hướng phát triển

5.1 Kết quả

Vì vùng phương tiện phát hiện được có ngưỡng lớn hơn 80 nên trong chương trình thử nghiệm, chúng em tiến hành thử nghiệm với 1 số ngưỡng lớn hơn 80 để thống kê

và phân loại phương tiện

 Mẫu thử nghiệm

Video Số frame Thời gian Số xe máy và xe

đạp

Số xe ô tô Tổng số

xe

 Kết quả

Với ngưỡng được chọn bằng 80

- Video 0150.avi:

Phương pháp

Số lượng phương tiện

thực tế

Số lượng đếm được Độ chính xác (%) Ngưỡng cố

Tự động chọn

ngưỡng bằng

Isodata

- Video 0250.avi:

Phương pháp

Số lượng phương tiện thực tế

Số lượng đếm

Tự động chọn ngưỡng

Kết luận: Qua kết quả của chương trình thử nghiệm, chúng e rút ra một số kết luận về

phương pháp này như sau:

- Ưu điểm:

 Dễ cài đặt

 Tốc độ thực thi khá nhanh

 Thuật toán chạy có độ chính xác cao trong trường hợp các đối tượng di chuyển liên tục, đều

- Nhược điểm:

 Chỉ hoạt động tốt khi điều kiện ánh sáng ổn định, thời tiết không mưa nếu không việc trừ ảnh, tính ngưỡng bị ảnh hưởng nhiều dẫn tới kết quả phát hiện đối tượng chuyển động không đúng

 Khi 2 hay nhiều đối tượng ở vị trí cạnh nhau thì dẫn đến trường hợp nhận biết nhầm nhiều đối tượng thành một đối tượng có kích thước lớn

 Khi mật độ phương tiện đông thì phương pháp này không thể dùng được

 Phương pháp này xác định đối tượng chuyển động chính xác cao đối với những điểm biên của đối tượng Đối với những điểm ảnh trong lòng đối tượng do sự dịch chuyển/thay đổi của những điểm ảnh này là không đáng

kể do đó sẽ bị xem như là background

 Trong trường hợp khi một đối tượng ngưng chuyển động trong một khoảng thời gian thì cũng sẽ bị xem là background