Nghiên cứu phát triển một số thuật toán phát hiện và phân loại phương tiện từ dữ liệu video giao thông

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN VĂN CĂN NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÁT HIỆN VÀ PHÂN LOẠI PHƯƠNG TIỆN TỪ DỮ LIỆU VIDEO GIAO THƠNG Tai Lieu Chat Luong LUẬN ÁN TIẾN SĨ TỐN HỌC HÀ NỘI, NĂM 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHỊNG VIỆN KHOA HỌC VÀ CƠNG NGHỆ QUÂN SỰ NGUYỄN VĂN CĂN NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÁT HIỆN VÀ PHÂN LOẠI PHƯƠNG TIỆN TỪ DỮ LIỆU VIDEO GIAO THÔNG Chuyên ngành: CƠ SỞ TOÁN HỌC CHO TIN HỌC Mã số: 62 46 01 10 LUẬN ÁN TIẾN SĨ TOÁN HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS NGUYỄN ĐỨC HIẾU Học viện Kỹ thuật Quân TS PHẠM VIỆT TRUNG Cục Cơng nghệ thơng tin – Bộ Quốc phịng HÀ NỘI, NĂM 2015 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Những nội dung, số liệu kết trình bày luận án hồn tồn trung thực chưa có tác giả cơng bố cơng trình khác Tác giả luận án Nguyễn Văn Căn LỜI CẢM ƠN Trước hết tơi xin bày tỏ lịng biết ơn chân thành với tập thể giáo viên hướng dẫn tôi, PGS TS Nguyễn Đức Hiếu, Giám đốc Trung tâm Công nghệ thông tin, Học viện Kỹ thuật Quân Việt Nam; TS Phạm Việt Trung, Phó cục trưởng Cục Công nghệ thông tin - Bộ Quốc phịng trực tiếp hướng dẫn cho tơi thơng qua tiến nghiên cứu Tôi muốn cảm ơn tất giảng viên mà tơi có vinh dự làm việc tham gia khóa học trình làm nghiên cứu sinh Cảm ơn thầy giáo, giáo Viện Cơng nghệ thơng tin, phịng Quản lý đào tạo sau đại học thuộc Viện Khoa học Cơng nghệ qn - Bộ quốc phịng Tơi muốn đặc biệt cảm ơn PGS TS Ngô Quốc Tạo, TS Nguyễn Đức Dũng, phòng Nhận dạng Xử lý tri thức, thuộc Viện Công nghệ thông tin, Viện hàn lâm Khoa học Việt Nam; cảm ơn đồng nghiệp công tác Trường Đại học Kỹ thuật – Hậu cần Cơng an nhân dân có bàn luận, thảo luận hữu ích, cài đặt thử nghiệm cơng việc nghiên cứu Cuối cùng, dành luận án cho gia đình tơi bạn bè tơi Nếu khơng có hỗ trợ họ đầy đủ, tơi khơng có can đảm để qua tất khó khăn việc nghiên cứu i MỤC LỤC DANH MỤC CÁC KÝ HIỆU iii DANH MỤC CHỮ VIẾT TẮT iv DANH MỤC CÁC BẢNG v DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ vi MỞ ĐẦU Chương TỔNG QUAN VỀ PHÁT HIỆN VÀ PHÂN LOẠI PHƯƠNG TIỆN GIAO THÔNG TỪ VIDEO 1.1 Cơ sở lý thuyết khái niệm 1.1.1 Dữ liệu video số 1.1.2 Mô-men bất biến 12 1.1.3 Hình dạng Khối đối tượng chuyển động 13 1.1.4 Đường viền đối tượng 13 1.1.5 Nền đối tượng chuyển động 21 1.1.6 Entropy khối 22 1.1.7 Biểu diễn hình dạng đối tượng theo vector khoảng cách 25 1.2 Một số phương pháp cơng trình nghiên cứu liên quan 29 1.2.1 Hệ thống điều khiển giao thông giám sát an ninh 30 1.2.2 Hệ thống phát phân loại xe dựa video 32 1.2.3 Hệ thống giám sát giao thông dựa độ dài 34 1.2.4 Hệ thống giám sát tích hợp phát hiện, theo dõi, phân loại 36 1.2.5 Phát đối tượng 38 1.2.6 Phân loại đối tượng 41 1.3 Hướng tiếp cận luận án 45 1.3.1 Sơ đồ khái quát hướng tiếp cận xử lý toán 45 1.3.2 Xác định vùng quan tâm nhiệm vụ luận án 47 1.4 Kết luận chương 49 Chương PHÁT HIỆN ĐỐI TƯỢNG CHUYỂN ĐỘNG TỪ VIDEO DỰA TRÊN MƠ HÌNH GAUSS HỖN HỢP THÍCH NGHI VỚI THAY ĐỔI ÁNH SÁNG 51 2.1 Một số thuật toán phát chuyển động 51 2.1.1 Thuật toán trừ 51 2.1.2 Thuật toán trừ trung bình: 53 2.1.3 Thuật toán Σ-Δ: 54 2.1.4 Thuật toán Σ-Δ cải tiến: 56 ii 2.1.5 Thuật toán thống kê khác biệt 58 2.1.6 Mô hình Gauss hỗn hợp 61 2.1.7 Đánh giá thuật toán trừ thông qua số phép đo 66 2.2 Mơ hình thuật tốn đề nghị 72 2.2.1 Mô hình GMM đề nghị 72 2.2.2 Thuật tốn trích chọn khối chuyển động (EMB) 77 2.3 Phương pháp đếm phương tiện giao thơng áp dụng mơ hình GMM thích nghi thay đổi ánh sáng kết hợp luồng quang học 78 2.3.1 Sơ đồ khối tổng quát 79 2.3.2 Thuật toán phát gán nhãn cho khối (SLBBI) 82 2.3.3 Thuật tốn trích chọn luồng quang học (EBOF) 83 2.3.4 Kết thực nghiệm 86 2.4 Kết luận chương 91 Chương PHÂN LOẠI PHƯƠNG TIỆN GIAO THÔNG TỪ VIDEO DỰA TRÊN ĐẶC TRƯNG HÌNH DẠNG 93 3.1 Phân đoạn khối phương tiện dựa kích thước 93 3.1.1 Phân tích kích thước phương tiện 93 3.1.2 Thuật toán phân loại theo kích thước 95 3.2 Phân loại phương tiện kết hợp kích thước ảnh hình chiếu hình dạng khối phương tiện 98 3.2.1 Ý tưởng phương pháp 99 3.2.2 Giai đoạn chuẩn bị CSDL 100 3.2.3 Thuật tốn phân loại dựa độ dài hình chiếu đối tượng 101 3.3 Phân loại phương tiện dựa đường viền biểu diễn số phức 103 3.3.1 Sơ đồ khái quát 104 3.3.2 Xấp xỉ độ dài đường viền thuật toán Douglas Peucker 104 3.3.3 Thuật toán CCAVC 107 3.3.4 Kết thực nghiệm: 111 3.4 Kết luận chương 114 PHẦN KẾT LUẬN 116 PHỤ LỤC DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ 118 TÀI LIỆU THAM KHẢO 119 iii DANH MỤC CÁC KÝ HIỆU Ký hiệu Ý nghĩa  Giá trị ngưỡng cho trước trừ B(x,y) Giá trị cố định điểm ảnh (x,y) It(x,y) Giá trị điểm ảnh điểm ảnh (x,y) Dt(x,y) Mặt nạ nhị phân đối tượng tiền cảnh α,,, Hằng số tỷ lệ học cho trước t(x,y) Giá trị tuyệt đối hiệu giá trị điểm ảnh trừ giá trị điểm ảnh (x,y) thời điểm t Vt(x,y) Giá trị điểm ảnh (x,y) khung hình xét thời gian t xy Giá trị trung bình điểm ảnh tương ứng tập hợp điểm ảnh (x,y) theo khung hình xét xy Trung bình độ lệch chuẩn điểm ảnh (x,y) Mơ hình thích nghi biến đổi cosin rời rạc Khoảng cách Ơclit mơ hình thích nghi P(Xt) (Xt, , ) Xác suất quan sát điểm ảnh thời điểm t Hàm mật độ xác suất thời điểm t i,t Ma trận hiệp phương sai phân bố Gauss thứ i thời gian t i,t Giá trị trung bình điểm ảnh thời điểm t Biến nhận giá trị 1/0 thể phù hợp mơ hình điểm ảnh k,t Hệ số cập nhật K mô hình thời điểm t t Hệ số biểu thị mức độ ánh sáng thay đổi Et Giá trị thông tin Entropy điểm ảnh thời điểm t D(t,t-1) i IL(x,y) Hàm biểu diễn cường độ sáng Hệ số lựa chọn thay đổi ánh sáng Ảnh điểm ảnh (x,y) biểu diễn mức L mơ hình kim tự tháp Tập biểu diễn kết phát đối tượng thời điểm t i Tính chất thứ i mơ-men bất biến  Hằng số xấp xỉ diện tích hai hình đa giác Lrounded Khoảng cách điểm biên D(si,c) Khoảng cách điểm mẫu trọng tâm đa giác SIM(D1,D2) Độ đo tương tự đa giác D1 D2 iv u Chiều dài đối tượng tính xấp xỉ v Chiều rộng đối tượng tính xấp xỉ  Đường viền Vector  Vector sở đường viền  Tích vơ hướng đường viền (m) ( ) Hàm tương quan đường viền m đỉnh ( ) { v DANH MỤC CÁC CHỮ VIẾT TẮT Chữ viết tắt Ý nghĩa ACF Hàm tự tương quan (Auto Correlation Function) BMC Thách thức mơ hình trừ (Background Models Challenge) BSM Trừ (Background Subtraction Method) BGS Thư viện trừ (Background Subtraction Library) CA Phân tích đường viền (Contour Analys) CSDL Cơ sở liệu (Database) EV Vector sở (Elementary Vector) FG Tiền cảnh (Foreground) GMM Mơ hình hỗn hợp Gauss (Gauss Mixture Model) ICF Hàm tương quan (Intercorrelation Function) NSP Tích vơ hướng chuẩn hóa (Normalized Scalar Product) ROI Vùng quan tâm (Region of Interest) TVH Tích vơ hướng VC VVDC đường viền vector (Vector Contour) Phát phân loại phương tiện dựa video (Video-based Vehicle Detection and Classification) vi DANH MỤC CÁC BẢNG Bảng 1.1 Phân loại phương pháp mơ hình 40 Bảng 1.2 Kết sử dụng độ dài đường biên hình chiếu 42 Bảng 2.1 Ưu điểm nhược điểm thuật tốn BSM trình bày 64 Bảng 2.2 Hệ số đánh giá toàn cục thuật toán BS tập liệu BMC [36] 69 Bảng 2.3 Dữ liệu thực nghiệm 87 Bảng 2.4 Phản ứng với mật độ xe cung đường 90 Bảng 2.5 So sánh thời gian xử lý thuật toán với khung hình 90 Bảng 3.1 Kết thực nghiệm thuật toán CVIL 98 Bảng 3.2 Bảng kết thực nghiệm thuật toán VCALOS .103 111 3.3.4 Kết thực nghiệm Hình 3.7 Giao diện hệ thống thực nghiệm thuật toán CCAVC Thực nghiệm thiết kế dự án Dự án 1, ContourAnalysis, thực chức phân tích đường viền, tạo viền, TVH đường viền, cân hóa, đánh giá ICF ACF, so sánh tìm kiếm mẫu Dự án 2, ContourAnalysisProcessing , chứa phương pháp để xử lý sơ ảnh, chọn đường viền, lọc nhận dạng Đồng thời chứa công cụ để tự động tạo mẫu cho việc nhận dạng đường viền phương tiện Dự án sử dụng thư viện OpenCV (EmguCV.NET wrapper) để xử lý Các tham số thực nghiệm: Độ dài đường viền nhỏ (Min contour length) = 30; Diện tích đường viền nhỏ (Min contour area) = 10; Độ phân giải ảnh đầu vào: 640 x 480 (pixel) CSDL mẫu: Thực tạo CSDL tập mẫu đường viền gồm 30 mẫu đường viền khác từ hình dạng xe máy, xe tô, xe máy, ô tô Đường viền mẫu xe máy tập trung lưu trữ toàn hình dạng đường viền bao quanh xe máy Thêm số mẫu đường viền phần nửa người xe máy Đối với ô tô, tập mẫu tạo cách lưu trữ khung đường viền kính trước tơ (Hình 3.9) Ơ tơ đứng độc lập Hai ô tô trước sau thẳng Hai ô tô trước sau lệch trái 112 Hai ô tô trước sau lệch phải Hai ô tô ngang Hai ô tô ngang lệch trái Hai ô tô ngang lệch phải Người xe máy chụp thẳng Hai người xe máy trước sau thẳng hàng 10 Hai người xe máy trước sau 11 Hai người xe máy trước 12 Hai người xe máy lệch trái sau lệch phải ngang thẳng hàng 13 Ba người xe máy ngang 14 Ba người xe máy lệch trái 15 Xe máy trước tơ Hình 3.8 Giao diện hệ thống thực nghiệm thuật tốn CCAVC 113 Trong q trình nhận dạng, gán nhãn cho đường viền phát tương ứng 1xm (một xe máy), 1oto (một ô tô), 2xm (hai xe máy), 2oto (hai ô tô), Phương pháp thực nghiệm với ảnh tự nhiên toán xác định mật độ phương tiện giao thông, so sánh nhận dạng nhanh xe máy, tơ, xe máy dính liền nhau, tơ dính liền nhau, tơ xe máy dính liền ảnh (Hình 3.9b) a) xe máy; b) xe máy; c) tơ Hình 3.9 Ví dụ tập mẫu để so sánh Dữ liệu thực nghiệm sử dụng lại liệu quay trực tiếp điểm cầu vượt đường cao tốc trình bày chương (Hình 2.3) Việc kiểm nghiệm phương pháp CA cách kiểm thử cho kết 80% hình dạng nhận diện Và kết chứa số lượng ảnh đọc xấu phương tiện Do CA xử lý 249 ảnh với kích thước khác (từ 400*400 tới 1280*960) vòng 30 giây Bên cạnh việc nhận dạng ảnh khung hình cố định, thực tốc độ cao CA cho phép xử lý video chế độ thời gian thực Thuật toán hoạt động với tốc độ 10-14Hz máy tính Pentium IV, 2.6GHz phù hợp với ứng dụng thời gian thực Độ xác thuật tốn kiểm nghiệm thông qua việc đối sánh ảnh giao thông chụp số cung đường Việt Nam 114 Hướng phát triển là: 1) loại bỏ nhanh số lỗi cách xem xét kích thước chiều dài, chiều rộng đối tượng, ngưỡng xấp xỉ hình dạng đường viền mịn hơn, sau thử nghiệm giải thuật đối sánh ảnh hệ thống giám sát giao thông thời gian thực; 2) xem xét đến trường hợp đối tượng có nhiều đường viền để tăng độ xác khả nhận dạng đối tượng đa dạng a) Nhận dạng đường b) Nhận dạng xe máy c) Nhận dạng ô tô viền, gán nhãn cho xe xe theo đường viền toàn bộ, xe máy gần nhãn 1xm xe theo phần xe Hình 3.10 Ví dụ kết nhận dạng xe ô tô xe máy 3.4 Kết luận chương Trên sở lý thuyết mô-men bất biến, có tính chất bất biến tỷ lệ, bất biến dịch chuyển bất biến quay áp dụng cho xử lý ảnh nhận dạng, phân loại đối tượng theo phương pháp hình dạng cho thấy số đặc trưng hình dạng cho phép sử dụng để phân loại phương tiện giao thông như: - Kích thước khối đối tượng (phương tiện) ảnh; - Trọng tâm khoảng cách từ trọng tâm tới đường biên; - Đường viền phân tích đặc trưng đường viền biểu diễn trường số phức để nhận dạng phân loại Các phương pháp, công thức tính tốn trọng tâm đa giác xấp xỉ hình dạng đối tượng, tính độ dài khoảng cách từ tâm tới cạnh đa giác xấp xỉ; Phương pháp triển khai thực nghiệm cho kết phân loại loại xe con, xe tải (cơng trình cơng bố số 1) 115 Đề xuất thuật toán phân loại phương tiện có tơ xe máy dựa kích thước hình dạng Bao gồm: - Thuật tốn phân loại theo kích thước (thuật tốn CVIL); (cơng bố cơng trình số 1) - Thuật toán phân loại dựa kết hợp độ dài hình chiếu đối tượng (thuật tốn VCALOS) (cơng bố cơng trình số 4) - Thuật tốn phân loại dựa đường viền biểu diễn vector số phức (công bố cơng trình số 2) Phương pháp phân loại dựa CA, có khả ứng dụng vào tốn đối sánh ảnh địi hỏi thời gian thực Đóng góp đưa đề xuất sử dụng thuật tốn CA, tìm kiếm độ dài đường viền để thực tìm kiếm đối sánh hai đường viền Trong điều kiện giao thơng phức tạp, đối tượng chồng lấp, nối đuôi sánh ngang nhau, so le tạo thành đường viền phức tạp, việc áp dụng phương pháp CA gặp phải khó khăn 116 KẾT LUẬN I Các kết luận án Kết nghiên cứu luận án trình bày 121 trang, cấu trúc chia thành chương nội dung chính, phần mở đầu, phần kết luận, tài liệu tham khảo phụ lục Về phát phương tiện chuyển động, luận án trình bày 05 thuật toán phát đối tượng chuyển động phương pháp trừ nền; phân tích đưa ưu khuyết điểm phương pháp, phân tích đưa u cầu mơ hình hóa video giao thơng; đề xuất mơ hình GMM thích ứng với thay đổi ánh sáng; áp dụng mô hình đề xuất thực nghiệm hệ thống đếm xe đường cao tốc Về phân loại phương tiện chuyển động, luận án phân tích đưa đặc trưng quan trọng hình dạng để áp dụng cho việc phân loại phương tiện giao thơng là: kích thước đối; đặc trưng hình dạng đa giác xấp xỉ phương tiện, trọng tâm khoảng cách từ tâm đến cạnh đa giác; chu vi đường viền Luận án phân tích xây dựng thuật tốn phát đối tượng chuyển động mơ hình GMM thích ứng thay đổi ánh sáng (chương 2); thuật toán phân loại phương tiện dựa kích thước hình dạng, thuật tốn phân tích đường viền phục vụ cho nhận dạng (chương 3) Các kết phân tích thực nghiệm số thuật tốn cơng bố 04 báo tạp chí chuyên ngành hội nghị khoa học công nghệ thông tin Nội dung luận án đề cập kết công bố phù hợp đáp ứng mục tiêu luận án đề II Những đóng góp Luận án với 03 đóng góp chính:  Cải tiến mơ hình GMM thích ứng với biến đổi ánh sáng, việc thêm tham số để ứng phó với việc thay đổi ánh sáng môi trường 117 thực Kết hợp mơ hình GMM thích ứng thay đổi ánh sáng luồng quang học để giải việc xác định mật độ xe ô tô cải thiện tốc độ tính tốn tăng độ xác trường hợp giao thông đường cao tốc Việt Nam  Đề xuất phương pháp phân loại kết hợp phân tích hình dạng đối tượng độ dài đối tượng Phương pháp nhận dạng phân loại nhanh dựa sở phân tích lập mục theo tham số đặc trưng loại, độ dài, độ rộng  Đề xuất phương pháp phân loại dựa phân tích đường viền Trích chọn đặc trưng đường viền, biểu diễn trường số phức, tiến hành phân loại dựa độ dài hình dáng đường viền III Hướng nghiên cứu Mặc dù, tất đề xuất nghiên cứu làm việc tốt số trường hợp, mơ hình dễ bị lỗi tốn thời gian Các nghiên cứu tương lai kiểm tra chi tiết cấu trúc không gian khu vực quan sát; áp dụng học máy, gọi học cao cấp; xem xét trường hợp nhiều đường viền tích hợp đối tượng Đây hướng để phát triển hệ thống giám sát đối tượng chuyển động máy tính với độ xác cao tỷ lệ sai số thấp 118 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ Nguyễn Văn Căn, Vũ Tuấn (2013), “Giám sát giao thông tự động dựa độ dài thị giác” Tạp chí Khoa học Công nghệ quân Số 5/2013, trang 69-81 Nguyễn Văn Căn, Nguyễn Đăng Tiến, Phạm Việt Trung (2014), “Phương pháp biểu diễn đường viền trường số phức, áp dụng cho toán phân loại phương tiện giao thơng” Tạp chí Khoa học Cơng nghệ quân Số 10/2014, trang 58-65 Can Nguyen Van, Huy Huynh Van, Tao Ngo Quoc (2014), “Car counting method using Gaussian Mixture Model and Optical Flow” The 3rd Solid State Systems Symposium-VLSIs and Semiconductor Related Technologies & The 17th International Conference on Analog VLSI Circuits-Analog Signal and Information Processing Applications Ho Chi Minh City, 10/2014 Proceeding, pages 192-198 Can Nguyen Van, Cuong Nguyen Ngoc (2014), “Vehicle Classification in Video Based on Shape Analysis” UKSim-AMS 8th European Modelling Symposium on Mathematical Modeling and Computer simulation Proceeding EMS '14 Proceedings of the 2014 European Modelling Symposium IEEE Computer Society Washington, DC, USA ©2014 ISBN: 978-1-4799-7412-2, pages 151157 (http://dl.acm.org/citation.cfm?id=2706693.2706789) 119 TÀI LIỆU THAM KHẢO Tiếng Việt: [1] Phạm Hồng Quang, Tạ Tuấn Anh (2014), Xây dựng cấu trúc hệ thống giao thông thông minh quy chuẩn công nghệ thông tin, truyền thông, điều khiển áp dụng hệ thống giao thông thông minh Việt Nam Đề tài KC01.14/11-15 Trung tâm Tin học Tính Tốn, Viện Hàn lâm KHCN Việt Nam [2] Phạm Hồng Quang (2014), Xây dựng mạng camera với hệ thống xử lý hình ảnh thông minh phục vụ điều khiển giao thông giám sát an ninh KC03.DA06/1115 Công ty Cổ phần Phần mềm - Tự động hóa - Điều khiển [3] Trần Thanh Việt, Trần Công Chiến, Huỳnh Cao Tuấn, Nguyễn Hữu Nam, Đỗ Năng Toàn, Trần Hành (2011), Một kỹ thuật bám đối tượng ứng dụng Kỷ yếu hội thảo quốc gia lần thứ XIV, Cần Thơ, 10/2011 Nhà Xuất Khoa học Kỹ thuật Trang 238-247 Tiếng Anh: [4] Ahmed Elgammal (2010), Computer Vision 3D Model-based recognition Dept of Computer Science, Rutgers University [5] Amol A Ambardekar (2007), Efficient Vehicle Tracking and Classification for an Automated Traffic Surveillance System, A thesis submitted in partial fulfillment of the requirements for the degree of Master of Science in Computer Science [6] Chee-Way Chong and at al (2004), Translation and scale invariants of Legender moments, Pattern Recognition (Vol 37), pp.119-129 [7] Chung-Cheng Chiu and et al (2010), Automatic Traffic Surveillance System for Vision-Based Vehicle Recognition and Tracking Department of Electrical and Electronic Engineering, Chung Cheng Institute of Technology National, Defense University Taoyuan, Taiwan [8] Clement Chun Cheong Pang and at al (2007), A Method for Vehicle Count in the Presence of Multiple-Vehicle Occlusions in Traffic Images, IEEE transactions on intelligent transportation systems, (Vol 8, No 3) [9] Collins R T (2000), A system for video surveillance and monitoring: VSAM final report, Technical report (CMU-RI-TR-00-12), Robotics Institute, Carnegie Mellon University [10] Cucchiara R (2000), Statistic and Knowledge-based Moving Object Detection in Traffic Scenes D.S.I University of Modena [11] George S.K Fung and at al (2001), Vehicle Shape Approximation from Motion for Visual Traffic Surveillance IEEE Intelligent Transportation Systems Conference Proceedings, USA [12] Guohui Zhang and et al (2007), A Video-based Vehicle Detection and Classification System for Real-time Traffic Data Collection Using Uncalibrated 120 Video Cameras, Department of Civil and Environmental Engineering University of Washington [13] Hu M K (1962), Moments and Moment Invariants in Pattern Recognition, IRE Trans Info Theory (vol.IT-8), pp.179–187 [14] Jean-Yves Bouguet (2002), Pyramidal Implementation of the Lucas Kanade Feature Tracker Description of the algorithm, Intel Corporation, Microprocessor Research Labs [15] Lai A H S (2000), An effective methodology for visual traffic surveillance, Hong Kong University [16] Lipton A J (1999), Moving target classification and tracking from real-time video In Proc of Workshop Applications of Computer Vision, pages 129-136 [17] Massimo Piccardi (2004), Background subtraction techniques: a review, Computer Vision Research Group (CVRG), University of Technology, Sydney (UTS) [18] Nilesh J Uke (2013), Moving Vehicle Detection for Measuring Traffic Count Using OpenCV, Journal of Automation and Control Engineering (Vol.1, No.4) [19] Nikolaos P (2000), Algorithms for Vehicle Classification, Artificial Intelligence, Robotics and Vision Laboratory, University of Minnesota [20] Sagar Deb (2005), Video data management and information retrieval University Southem Queensland, Australia [21] Shireen Y Elhabian (2007), Moving Object Detection in Spatial Domain using Background Removal Techniques - State-of-Art, Cairo University, Egypt [22] Sigari M., Fuzzy Running Average and Fuzzy Background Subtraction: Concepts and Application, International Journal of Computer Science and Network Security, 2008, Volume 8, No 2, pages 138-143 [23] Stauffer C (1999), Adaptive background mixture models for real-time tracking, Technical report (CVPR 1999), pages 246-252 [24] Thierry Bouwmans (2013), Recent Advanced Statistical Background Modeling for Foreground Detection - A Systematic Survey, Laboratoire MIA, Université de La Rochelle, France [25] Wei Zhan, Junkai Yang (2012), Real Time and Automatic Vehicle Type Recognition System Design and Its Application, International Conference on Mechanical Engineering and Automation [26] Yigithan Dedeoglu (2004), Moving object detection, tracking and classification for smart video surveillance, Univeristy of Bilkent [27] Xue Mei and at al (2007), Integrated Detection, Tracking and Recognition for IR Video-based Vehicle Classification, Journal of computers (Vol.2, No.6) [28] Yu-Kumg Chen, Tung-Yi Cheng, Shuo-Tsung Chiu (2009), Motion Detection with Using Theory of Entropy IEEE International Symposium on Industrial Electronics (ISlE 2009) 121 [29] Wu, Shin-Ting and Márquez (2004), Mercedes R G (2004), A non-selfintersection Douglas-Peucker Algorithm, Proceedings of Sibgrapi © 2004 IEEE [30] Jitendra Malik, Serge Belongie, Thomas Leung, Jianbo Shi (2001), Contour and Texture Analysis for Image Segmentation International Journal of Computer Vision, June 2001, Volume 43, Issue 1, pp 7-27 [31] Rohit Kolar, Akshay Thakar, Muzaffar Shabad (2014), Image Segmentation for Text Recognition using Boundary Analysis International Journal of Emerging Technology and Advanced Engineering ISSN 2250-2459, ISO 9001:2008 Certified Journal, Volume 4, Issue 2, February 2014) 294 [32] Corentin Lallier, Emanuelle Reynaud, Lionel Robinault, Laure Tougne (2011), A Testing Framework for Background Subtraction Algorithms Comparison in Intrusion Detection Context 8th IEEE International Conference on Advanced Video and Signal-Based Surveillance [33] Andrews Sobral, Antoine Vacavant (2014), A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos Computer Vision and Image Understanding 122 [34] A Vacavant, T Chateau, A Wilhelm, L Lequièvre (2012), A benchmark dataset for foreground/background extraction, in: Background Models 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), A benchmark for background subtraction algorithms in monocular vision: a comparative study IEEE International Conference on Image Processing Theory, Tools and Applications (IPTA), 2010, pp 66– 71 [36] A Sobral (2013), BGSLibrary: an opencv c++ background subtraction library IX Workshop de Viso Computacional Rio de Janeiro, Brazil [37] Jean Dieudonné (1960), Foundations of Modern Analysis, Academic Press PHỤ LỤC Phụ lục Dữ liệu kích thước loại xe Nguồn: Internet, Đơn vị tính: mm TT Xe ô tô Xe Toyota Camry 2.5Q AT Xe Chevrolet Spark Van Xe tải Hyundai JAC 1T5 Xe tải Hyundai JAC 1T8 Xe tải Hyundai JAC 1T95 Xe tải HINO - WU422L Xe tải HINO - FC9JJSA 6T2 Xe tải HINO - FG8JPSB 9T2 Xe tải HINO - FL8JTSL 16T TT 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Xe máy Honda Future Yamaha Sirius DaeHan Exciter GP Honda SH 150i SH 125i Honda Lead 125cc Fi Suzuki Hayate 125 Suzuki Hayate SS 125 FI Honda Wave 110 S Deluxe Honda SH125 Mode Honda Wave Alpha Honda Air Blade Fi 125cc Honda Vision 110cc Fi Suzuki X-Bike 125 Honda Lead 110cc SYM Attila Elizabeth EFI Yamaha Nouvo SX RC Yamaha Exciter Honda Wave 110 RSX Suzuki Smash Revo 110 Honda SH150i Suzuki X-Bike 125 Honda Future 125 FI Yamaha Luvias GTX125 Fi Honda Super Dream Suzuki Smash Revo HONDA SCR Sym Shark 170cc Yamaha Nozza Dài 4825 3495 5480 5710 5710 7160 8250 9550 11450 Rộng 1825 1495 1940 1865 1910 2240 2400 2500 2500 Cao 1470 1500 2140 2210 2250 3270 3680 3950 3930 Cao/rộng 0.805479 1.003344 1.103093 1.184987 1.17801 1.459821 1.533333 1.58 1.572 Dài 1932 1890 1776 2034 1832 1935 1925 1925 1930 1910 1901 1841 1905 1835 1795 1955 1960 1898 1920 2020 1905 1932 1855 1915 1920 1830 2090 1795 Rộng 711 675 697 740 680 670 660 710 669 700 670 667 715 670 668 705 695 709 655 700 715 711 700 696 655 681 730 685 Cao 1092 1030 1005 1152 1120 1070 1070 1090 1105 1065 1115 1094 1070 1125 1100 1080 1080 1080 1050 1140 1070 1092 1070 1052 1055 1125 1160 1080 Cao/rộng 1.535865 1.525926 1.441894 1.556757 1.647059 1.597015 1.621212 1.535211 1.651719 1.521429 1.664179 1.64018 1.496503 1.679104 1.646707 1.531915 1.553957 1.523272 1.603053 1.628571 1.496503 1.535865 1.528571 1.511494 1.610687 1.651982 1.589041 1.576642 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 Honda Click Forward 125i Suzuki UA 125T Fi Honda CBR150R Suzuki GZ150–A 150cc Yamaha Luvias GTX Honda Click 125i Idling Yamaha Cuxi Suzuki Axelo 125 Suzuki Viva 115 Fi Honda Scoopy FI Club Honda Spacy 125 SYM Joyride EFI Piaggio Liberty RST 125 Yamaha Mio Classico Honda Mojet 125 Honda Taranis 110 TQuốc Honda PCX SYM ElegantSR Suzuki EN150-A Honda Scoopy i S12 Kymco Candy 50cc Kymco Candy Hi 110cc Honda Super Cub 110 Honda Giorno 50cc Fi Honda PS150i Suzuki SkyDrive 125 Honda Diamond Blue 125 Nhỏ Lớn Trung bình 1904 1860 1977 2250 1850 1919 1750 1895 1910 1856 1795 1900 1935 1830 1814 1890 1917 1910 2055 1856 1815 1820 1915 1685 1990 1900 1800 689 700 695 900 685 689 635 715 690 694 690 680 760 675 675 680 738 680 730 694 675 680 700 650 700 655 733 1103 1095 1130 1160 1060 1103 1055 1075 1085 1060 1070 1100 1120 1040 1100 1110 1094 1100 1050 1060 1108 1100 1050 1035 1150 1050 1150 1.600871 1.564286 1.625899 1.288889 1.547445 1.600871 1.661417 1.503497 1.572464 1.527378 1.550725 1.617647 1.473684 1.540741 1.62963 1.632353 1.482385 1.617647 1.438356 1.527378 1.641481 1.617647 1.5 1.592308 1.642857 1.603053 1.568895 1685 635 1005 1.288889 2250 900 1160 1.679104 1897.436 695.0182 1088.182 1.568584 Phụ lục Một số kiểu xe ô tô (Nguồn thu thập Internet) VAN: Van loại xe tải nhỏ, khoang chở người trở hàng chung khơng gian kín Loại xe có đặc điểm khơng trở người hàng ghế sau gập lại thành khoang chứa hàng Cửa bên thông thường cửa lùa tạo điều kiện hoạt động khơng gian hẹp Vì loại xe có tải trọng thường từ 500 – 1.000 kg nên công suất không lớn Ở Việt Nam dịng xe VAN (thực chất minivan) có nhiều, nêu lên vài loại xe mang tên VAN sau đây: Xe Daihatsu Citivan – có hình dáng mẫu mã bắt mắt, kết hợp hài hồ tính dòng xe du lịch với xe VAN Xe Daihatsu Citivan lắp động xăng kiểu HD-C có dung tích cơng tác 0,6 lít, xi-lanh thẳng hàng, xu- páp bố trí trục cam kiểu SOHC Mơ men xoắn Nm, số tay Số ghế: Hai cửa lùa bên hông, cửa sau mở lên Hàng ghế thứ tháo lắp dễ dàng để tạo khoang chứa hàng hố Ngồi Daihatsu Citivan ra, loại xe Devan chở hàng thùng kín, cửa lùa bên hông lắp động HD-C loại với Citivan Loại xe Toyota Hiace Glass VAN Đây dòng xe VAN cao cấp, hàng ghế sau gập lại dễ tạo khoang hàng rộng rãi Hai cửa hông loại cửa lùa, cửa sau mở khí nén Xe Hiace Glass VAN dùng động phun xăng điện tử Hộp số số tay Hai điều hoà nhiệt độ Loại xe SUZUKI Super Carry VAN Đây loại xe nhỏ sử dụng nước ta, xe SUZUKI VAN có hai loại: xe khách chỗ Windowvan xe tải cửa lùa Blindvan Hai loại xe dùng động xăng F.0A, xi-lanh thẳng hàng, dung tích cơng tác 70cm Mơmen xoắn 75Nm Hộp số số tay Số ghế Hai hàng ghế sau gập lại để tạo khoang chứa hành lý SUV SUV EuroNCAP xếp vào nhóm xe địa hình loại lớn SUV quen thuộc với thị trường Việt Nam với model Mitsubishi Pajero, Toyota Land Cruiser, Mercedes-Benz M-Class SUV loại xe dẫn động bánh (cịn gọi xe hai cầu) chạy nhiều loại địa hình, có hệ thống treo cao Trọng tâm cao điểm bất lợi loại xe làm cho dễ bị lăn chẳng may gặp tai nạn Vì thiết kế lớn nên SUV sử dụng nhiều nhiên liệu Sedan Sedan loại xe khách mà thân xe đại thể chia làm ba khoang: khoang động cơ, khoang hành khách khoang hành lý Ở Anh, người ta gọi loại xe xe saloon Khoang hành khách thường gồm hai dãy ghế Khoang động thường phía trước Cịn khoang hành lý thường phía sau Cũng có số xe sedan mà khoang động lại phía sau Renault Dauphine, Tatra T613, Volkswagen Type Chevrolet Corvair Sedan loại thân xe khách phổ biến