Hệ thống phân loại và phát hiện phương tiện tham gia giao thông di chuyển sai làn đường trên quốc lộ thuộc tỉnh tây ninh bằng camera kỹ thuật số

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - TRẦN QUỐC THẮNG HỆ THỐNG PHÂN LOẠI VÀ PHÁT HIỆN PHƯƠNG TIỆN THAM GIA GIAO THÔNG DI CHUYỂN SAI LÀN ĐƯỜNG TRÊN QUỐC LỘ THUỘC TỈNH TÂY NINH BẰNG CAMERA KỸ THUẬT SỐ ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - TRẦN QUỐC THẮNG HỆ THỐNG PHÂN LOẠI VÀ PHÁT HIỆN PHƯƠNG TIỆN THAM GIA GIAO THÔNG DI CHUYỂN SAI LÀN ĐƯỜNG TRÊN QUỐC LỘ THUỘC TỈNH TÂY NINH BẰNG CAMERA KỸ THUẬT SỐ CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS VŨ ĐỨC LUNG THÀNH PHỐ HỒ CHÍ MINH – NĂM 2023 i LỜI CAM ĐOAN Tôi xin cam đoan đề án thạc sĩ công nghệ thông tin “Hệ thống phân loại phát phương tiện tham gia giao thông di chuyển sai đường quốc lộ thuộc tỉnh Tây Ninh camera kỹ thuật số” tơi nghiên cứu, tổng hợp thực Tồn nội dung đề án, điều trình bày cá nhân tơi tham khảo, tổng hợp trích xuất với nguồn gốc rõ ràng Các số liệu, kết nêu đề án trung thực chưa công bố cơng trình khác Tp HCM, ngày 18 tháng 08 năm 2023 Học viên thực đề án Trần Quốc Thắng ii LỜI CẢM ƠN Lời đầu tiên, tơi xin bày tỏ lịng biết ơn sâu sắc đến PGS.TS Vũ Đức Lung, người trực tiếp định hướng hướng dẫn tận tình cho tơi suốt trình thực đề án tốt nghiệp Những kinh nghiệm góp ý quý báu thầy tiền đề để giúp tơi mở rộng kiến thức hồn thành đề án tốt nghiệp Tôi xin dành lời cảm ơn chân thành đến quý Thầy Cô Học viện Cơng Nghệ Bưu Chính Viễn Thơng sở TP.HCM Q Thầy Cơ tận tình dạy bảo ln tạo điều kiện tốt cho suốt trình tham gia lớp cao học Xin trân trọng cảm ơn Ban Giám Đốc Trung tâm Công nghệ Thông tin Viễn thông Tây Ninh, cho phép sử dụng liệu camera thông minh VNPT Tây Ninh Cảm ơn bạn đồng nghiệp, tạo điều kiện thời gian quan tâm động viên tinh thần thời gian tơi học hồn thành đề án Cuối cùng, xin cảm ơn gia đình bạn bè bên tôi, cổ vũ động viên suốt q trình hồn thành đề án Tp HCM, ngày 18 tháng 08 năm 2023 Học viên thực đề án Trần Quốc Thắng iii MỤC LỤC LỜI CAM ĐOAN .i LỜI CẢM ƠN ii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT vi DANH SÁCH BẢNG vii DANH SÁCH HÌNH VẼ viii MỞ ĐẦU 1 Lý chọn đề tài Tổng quan vấn đề nghiên cứu Câu hỏi nghiên cứu Mục đích nghiên cứu Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu Những đóng góp đề tài CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC 1.1 Giới thiệu 1.2 Các nghiên cứu nước 1.3 Các nghiên cứu nước CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 10 2.1 Các kỹ thuật xử lý ảnh 10 2.1.1 Tổng quan hệ thống xử lý ảnh 10 2.1.2 Một số vấn đề xử lý ảnh 12 2.2 Các phương pháp phát phân loại đối tượng 18 2.2.1 R-CNN[30] 19 2.2.2 Fast R-CNN[30] 20 2.2.3 Faster R-CNN[31] 21 2.2.4 Single Shot Detector (SSD)[29] 23 2.2.5 You Only Look Once (YOLO) 24 2.3 iv Các phương pháp phát chuyển động 26 2.3.1 Phát đối tượng chuyển động gì? 26 2.3.2 Phát vùng ảnh 27 2.3.3 Xử lý vùng ảnh 28 2.3.4 Các kỹ thuật trừ ảnh 28 2.3.5 Một số kỹ thuật trừ 31 2.3.6 Kỹ thuật trừ nâng cao 32 2.4 Phương pháp theo vết đối tượng 35 2.4.1 Quy trình theo vết đối tượng 35 2.4.2 Các kỹ thuật theo vết đối tượng 36 2.4.3 Các phương pháp truy vết nhiều vật thể video 37 2.5 Giới thiệu OpenCV 41 2.5.1 Tổng quan OpenCV 41 2.5.2 Cấu trúc OpenCV 41 2.5.3 Các ứng dụng OpenCV 42 2.5.4 Chức OpenCV 42 CHƯƠNG 3: PHÂN TÍCH THIẾT KẾ HỆ THỐNG 44 3.1 Hệ thống nhận dạng đường, phát chuyển động, theo vết phương tiện giao thông 44 3.2 Xây dựng chương trình 50 3.3 Công cụ thực 52 3.4 Giao diện chương trình 52 CHƯƠNG 4: THỬ NGHIỆM VÀ ĐÁNH GIÁ 54 4.1 Thu thập tiền xử lý liệu 54 4.2 Cài đặt thử nghiệm 54 4.2.1 Thiết lập cấu hình 54 4.2.2 Dữ liệu thực nghiệm 55 4.2.3 Quá trình kết thực nghiệm 55 4.3 Kết luận chương 66 v KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 67 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 68 vi DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT Viết Tắt Tiếng Anh OpenCV Open Source Computer Vision Library CCD Charge Coupled Device CCIR Consultive Committee for International Radio CUDA Compute Unified Device Architecture GMM General Method of Moments LPR License Plate Recognition MOG Mixture of Gaussians R-CNN Region with CNN feature SSD Single-Shot Multibox Detector SPP-net Spatial Pyramid Pooling net YOLO You Only Look Once vii DANH SÁCH BẢNG Bảng 2.1: So sánh mơ hình dựa R-CNN 22 Bảng 2.2: So sánh số AP thuật toán YOLO SSD [9] 25 Bảng 2.3: Các hướng tiếp cận phát đối tượng [10] 27 Bảng 4.1: Thống kê đối tượng gán nhãn 58 Bảng 4.2: Kết phát nhận dạng phương tiện 64 Bảng 4.3: Kết theo vết đối tượng 64 Bảng 4.4: Kết phát cảnh báo chạy sai đường 65 viii DANH SÁCH HÌNH VẼ Hình 2.1: Các bước hệ thống xử lý ảnh 10 Hình 2.2: Minh họa trực quan tách ngưỡng với ngưỡng 127 13 Hình 2.3: Minh họa cho phương pháp phân ngưỡng khác 14 Hình 2.4: Kết Canny Edge Detection 15 Hình 2.5: Map từ khơng gian ảnh (A) sang không gian Hough (B) 16 Hình 2.6: Hình sin khơng gian Hough 16 Hình 2.7: Biểu diễn không gian Hough 17 Hình 2.8: Biểu diễn đường thẳng không gian Hough 17 Hình 2.9: Kết áp dụng thuật tốn Hough Transform 18 Hình 2.10: Mơ hình R-CNN 19 Hình 2.11: Mơ hình SPP-net 20 Hình 2.12: Mơ hình mạng Fast R-CNN 21 Hình 2.13: Mơ hình mạng Faster R-CNN 21 Hình 2.14: Mơ hình mạng SSD 23 Hình 2.15: Các bounding box dự đoán 24 Hình 2.16: Kiến trúc mạng YOLO v3 25 Hình 2.17: Các trình phát chuyển động 26 Hình 2.18: Phát vùng ảnh 28 Hình 2.19: Quy trình theo vết đối tượng 35 Hình 2.20: Nguyên Lý Hoạt Động IoUTracker 37 Hình 2.21: Sơ đồ phương pháp DEEPSORT 40 Hình 2.22: Sơ đồ phương pháp CenterTrack [26] 38 Hình 3.1: Mơ hình hệ thống nhận dạng đường, phát chuyển động, theo vết phát phương tiện chạy sai 44 Hình 3.2: Minh họa vị trí lắp camera giám sát giao thơng 45 Hình 3.3: Minh họa vị trí camera đường 46 Hình 3.4: Kết áp dụng Canny Edge Detection 47 57 - - Bước 4: Rà sốt tinh chỉnh lại nhãn gán sử dụng cơng cụ AutoAnnotate [27] Hình 4.3: Cơng cụ hỗ trợ gán nhãn liệu Sau gán nhãn ta thu file *.txt chứa tọa độ bbox đối tượng tổ chức hình 4.4 Hình 4.4: Kết quả gán nhãn 58  Đặc tả liệu huấn luyện Bộ liệu huấn luyện trích xuất từ camera giám sát đặt Thành phố Tây Ninh, môi trường thu thập ban ngày từ 06:30 đến 16:30, điều kiện sáng rõ, khơng mưa gồm có 29.940 file hình ảnh định dạng jpg, kích thước 1280x960px, 29.940 file nhãn đối tượng định dạng txt có cấu trúc YOLOv5 [class x_center y_center width height] hình 4.5 Tổng đối gán nhãn thống kê bảng 4.1 Bảng 4.1: Thống kê đối tượng gán nhãn Đối tượng TT Số lượng bicycle 25,478 car motorcycle bus truck 297,265 Total 2,431,815 1,104,464 990,039 14,569 Trong liệu gồm có 29.940 hình ảnh chưa huấn luyện Học viên chia liệu huấn luyện dùng 10% để kiểm thử 90% để huấn luyện  Xây dựng model Model tìm hiểu xây dựng từ mã nguồn mở, nguồn tham khảo từ github[20] Dữ liệu huấn luyện với Google Colaboratory Pro mơ hình YOLO v5 tập liệu train trích xuất từ liệu gán nhãn Tây Ninh Sau chọn mã nguồn Model cần huấn luyện, ta tiến hành chọn tài nguyên đăng ký Colab Pro US$ 9,99/tháng Thực huấn luyện Yolov5 Google Colab với class: bicycle, car, motorcycle, bus, train, truck 59 Do dùng phương thức PreTrain YOLO, huấn luyện với đối tượng xe cộ nên học viên lựa chọn 26.952 ảnh để huấn luyện thêm lại Bước huấn luyện mơ hình, xuất kết kiểm tra mơ hình Bộ liệu huấn luyện thử nghiệm nhiều lần để tìm độ xác phù hợp Hình 4.5: Kết quả huấn luyện mô hin ̀ h lần 60 Hình 4.7: Kết quả huấn luyện mơ hin ̀ h lần Hình 4.6: Kết quả huấn luyện mô hin ̀ h lần 61 Sau huấn luyện, so sánh bước từ lần huấn luyện hình 4.5, 4.6 4.7 ta nhận thấy giá trị mAP 0.838 – 0.878 – 0.889 tăng dần có xu hướng tốt lên Hiện huấn luyện epoch, tăng thời gian huấn luyện giá trị mAP đạt cao Tuy nhiên, phạm vi đề tài học viên nhận thấy giá trị mAP đủ mục tiêu đặt tập huấn luyện ứng dụng tốt cho chương trình  Kết thử nghiệm Chạy thử nghiệm liệu trích xuất có thời gian 20 phút, tốc độ ghi 25fps, kích thước video 1280x960px với định dạng file mp4 Theo hình 4.8, xét frame trích xuất thời điểm 14:00:54: Hình 4.8: Phát theo vết đối tượng chuyển động frame 62 Chương trình trích xuất đường từ video vẽ đường màu xanh, vàng phân chia vùng đường Chương trình phát đối tượng chuyển động vẽ khung chữ nhật có viền màu vàng bao quanh đối tượng ghi số định danh ID loại phương tiện theo cấu trúc: “ID – Nhãn loại phương tiện” phía đỉnh khung Chương trình theo vết phương tiện di chuyển thể vệt chấm trịn màu trắng có kích thước giảm dần qua khung hình Khi phương tiện di chuyển vào vùng đường giám sát chương trình ghi nhận, hiển thị số phương tiện theo tổng phương tiện thống kê góc bên phải hình Khi phương tiện di chuyển vào vùng đường khơng phép lưu thơng, chương trình đánh dấu khung chữ nhật màu xanh ghi nhãn “WRONGLANE” để báo hiệu phương tiện di chuyển sai đường quy định Khi phương tiện khỏi vùng đường khơng phép lưu thơng chương trình xóa khung cảnh báo Chương trình thống kê loại phương tiện sai theo bảng thống kê bên góc trái hình theo cấu trúc: Số thứ tự đường (được đánh số từ trái qua phải) [Tên loại phương tiện : Số phương tiện sai làn] Tuy nhiên frame trích xuất hình 4.8 có số đối tượng khơng phát kích thước nhỏ bị che khuất 63 Cuối đoạn video thử nghiệm, chương trình hiển thị tổng kết hình 4.9: Hình 4.9: Kết quả thử nghiệm phát xe chạy sai (Ghi chú: Số lượng hình tổng số phương tiện tồn video 20 phút) Theo kết thử nghiệm hình 4.9 ta thấy chương trình phát phân loại theo vết phương tiện di chuyển sai đường quy định, tự động đánh dấu hình ảnh phương tiện hình lưu hình ảnh phương tiện thời điểm vi phạm - Phát đường: nhận dạng tốt nhiên có số lần sai ta quan sát thấy nhanh xác định lại số lượng phương tiện nhiều che khuất vạch phân chia đường, lúc ánh sáng giảm làm hình vạch kẻ đường mờ 64 - Phát phương tiện: Bảng 4.2: Kết quả phát nhận dạng phương tiện TT Loại phương tiện Số lượng Thực tế Độ xác motocycle 1737 1721 99,07 bus 31 35 88,57 car 583 590 98,81 truck 178 172 96,51 2531 2518 95,74% Tổng Theo kết bảng 4.1 Hệ thống nhận dạng tốt nhiên có số phương tiện bị bỏ qua không nhận dạng có số phương tiện khổ nhỏ, phương tiện di chuyển nhanh, phương tiện nhiều chồng lấn - Theo vết phương tiện theo Bảng 4.3: Kết quả theo vết đối tượng TT Làn xe Số lượng phương tiện Thực tế Độ xác 1 537 563 95,38 2 439 451 97,34 3 275 292 94,18 4 281 290 96,90 5 373 402 92,795 6 624 653 95,56 2529 2651 95,36% Tổng Theo kết bảng 4.2 hệ thống theo vết tốt, trường hợp theo vết nhầm phương tiện với phương tiện khác Tuy nhiên trường hợp dấu 65 phương tiện di chuyển nhanh, số phương tiện nhiều phương tiện lớn che khuất phương tiện nhỏ - Kết phát cảnh báo chạy sai Bảng 4.4: Kết quả phát cảnh báo chạy sai đường Loại phương TT tiện 1 motocycle bus car 59 truck 17 Tổng 77 321 139 98 178 324 10 32 28 171 126 188 Độ Số Thực lượng tế 736 740 99,46 14 13 92,31 57 59 60 98,33 21 77 81 95,06 83 886 894 96,29% Làn Làn Làn Làn Làn Làn xác Từ kết thử nghiệm bảng 4.3 cho thấy khung hình có phương tiện hệ thống phát theo vết phương tiện, khơng có trường hợp lấy đối tượng gắn cho đối tượng khác Khi có nhiều phương tiện khung hình bị phương tiện khác che khuất chương trình phát theo vết đối tượng nhiên có trường hợp khơng xác định nhiều đối tượng bị che khuất dừng đèn đỏ giao lộ Phương pháp phát phương tiện sai camera tận dụng camera có sẵn giám sát nhiều đường Tuy nhiên sử dụng chương trình chạy thử để xác định lỗi vi phạm kết so với thực tế có số hạn chế sau: - Các vị trí camera đặt góc độ khác dẫn đến việc dự đốn vị trí lưu vết di chuyển đối tượng khơng xác - Những đối tượng q lớn q nhỏ chương trình chưa nhận dạng xác dẫn đến phát sai chưa 66 - Việc tính tốn để xác định phương tiện theo cho chuyển động thẳng không gian 2D, mà thực tế đối chuyển động theo không gian 3D việc tính tốn chưa xác đối tượng cận biên đường Trong trình thử nghiệm cho thấy số yếu tố ảnh hưởng đến hiệu giải pháp đề xuất như: nhận dạng đường kỹ thuật xử lý ảnh phụ thuộc vào chất lượng hình ảnh thu được, tốc độ xử lý camera phải từ 30 fps để thu ảnh phương tiện di chuyển nhanh với tốc độ từ 15Km/h trở lên, điều kiện môi trường ánh sáng, mưa, độ ẩm, chất lượng camera, ảnh hưởng đến trình nhận dạng phân loại theo vết đối tượng Kết thử nghiệm với độ xác cảnh báo phương tiện chạy sai đường khoảng 96,29% Với kết ứng dụng đề án vào thực tiễn cho địa phương nhằm hỗ trợ quan quản lý giám sát giao thơng thuận tiện Tuy nhiên để ứng dụng vào thực tiễn xác định xác lỗi vi phạm sai đường cần phải cải tiến thêm nhiều mặt như: thuật toán trừ nâng cao để tăng độ xác tính tốn, xác định chiều di chuyển, nhận dạng biển báo giao thông, nhận dạng vạch phân 4.3 Kết luận chương Trong chương trình bày trình thử nghiệm đánh giá kết hệ thống phân loại phát phương tiện tham gia giao thông di chuyển sai đường quốc lộ thuộc tỉnh Tây Ninh camera kỹ thuật số đề xuất Các kết đạt tốt phát triển tiếp để ứng dụng vào thực tế tỉnh Tây Ninh mở rộng địa phương khác Trong điều kiện liệu có số FPS cao, bị che lấp mơ hình phát vật thể YOLO huấn luyện phù hợp, kỹ thuật đơn giản có tốc độ thực thi cao DEEPSORT đạt độ xác truy vết tốt Việc sử dụng kỹ thuật truy vết cải tiến đáng kể kết phát theo dõi Các phương tiện phát cách đầy đủ xác 67 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Về mặt lý thuyết, đề án hoàn thành việc nghiên cứu lý thuyết phục vụ cho hệ thống phát phân loại phương tiện di chuyển sai đường camera như: Tìm hiểu, nghiên cứu xử lý ảnh, thuật toán nhận dạng đường, nhận dạng đối tượng theo vết đối tượng Về thực tiễn áp dụng, đề án hoàn thành mục tiêu đề là: Xây dựng hệ thống giám sát giao thông dựa hệ thống giám sát đô thị thông minh tỉnh Tây Ninh, từ camera hệ thống Phát hiện, nhận dạng, truy vết đối tượng, xác định đối tượng chuyển động có vi phạm chạy sai đường hay khơng, hồn thành cài đặt chạy thử thành cơng thuật tốn nghiên cứu phần lý thuyết Từ kết chạy thử nghiệm ta áp dụng vào thực tế cho hệ thống giám sát phát truy vết cảnh báo phương tiện tham gia giao thông vi phạm chạy sai địa bàn tỉnh Tây Ninh Tuy nhiên, đề án nhiều hạn chế chưa thể áp dụng là: đối tượng nhỏ khổ hệ thống chưa nhận dạng tốt, đồng thời đối tượng di chuyển nhanh, camera dấu theo vết đối tượng Trong trường hợp có nhiều phương tiện dừng đèn đỏ, nhiều đối tượng bị che khuất dẫn tới dấu đối tượng Hướng phát triển: - Kết hợp toán nhận dạng biển số phương tiện, nhận dạng chiều di chuyển phương tiện, nhận dạng loại vạch kẻ đường, loại biển báo phân cho phù hợp với luật giao thơng Việt Nam - Tối ưu hóa loại bỏ thuộc tính nhiễu - Tích hợp vào hệ thống giám sát thông minh tỉnh - Tìm hiểu thêm thuật tốn xử lý ảnh phương pháp trừ tối ưu hóa chương trình để tăng độ xác nhanh - Tìm hiểu thêm thuật toán dựng khối 3D cho đối tượng để xác định xác đối tượng theo khơng gian 3D 68 DANH MỤC CÁC TÀI LIỆU THAM KHẢO [1] Trương Quốc Bảo, (2013), Luận văn Thạc sĩ Giải Thuật Đơn Giản Để Phát Hiện Làn Đường Và Điều Khiển Lái Cho Ơtơ Tự Hành, Khoa Cơng nghệ, Trường Đại học Cần Thơ [2] Lý Băng, (2021), Luận văn Thạc sĩ Hệ Thống Đo Tốc Độ Phương Tiện Giao Thông Trên Quốc Lộ Bằng Camera Kỹ Thuật Số, Học Viện Cơng Nghệ Bưu Chính Viễn Thơng [3] Trần Cao Đệ, Nguyễn Thị Hồng Nhung, Huỳnh Phụng Toàn, Lâm Hữu Tuấn, (2016), Dự đoán hướng di chuyển xác định tốc độ xe qua camera quan sát, Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu ứng dụng Công nghệ thông tin (FAIR 9)”; Cần Thơ, ngày 4-5/8/2016 DOI: 10.15625/vap.2016.00018, Khoa Công nghệ thông tin & Truyền thông trường Đại học Cần Thơ [4] PGS.TS Nguyễn Quang Hoan, (2006), Giáo trình xử lý ảnh, Học viện Cơng nghệ Bưu Viễn thơng [5] PGS.TS Vũ Đức Lung, Trần Hoàng Lộc, Nguyễn Khắc Ngọc Khơi, Phan Đình Duy, (2020), Khảo Sát Bài Tốn Nhận Diện Phương Tiện Và Đo Tốc Độ Phương Tiện Tham Gia Giao Thông, Hội nghị FAIR 2020 [6] Bùi Trần Tiến, (2019), Nhận dạng phương tiện giao thông sử dụng kỹ thuật học sâu”, Học Viện Công Nghệ Bưu Chính Viễn Thơng [7] Đặng Nguyễn Đức Tiến, (2009), Luận văn Thạc sĩ Phát đường thời gian thực cho hệ thống điều khiển xe tự động, Trường Đại học Khoa Học Tự Nhiên [8] Huỳnh Hữu Hưng, Nguyễn Văn Phú, Nguyễn Tường, (2020), Tạp chí Khoa học Công nghệ Xử lý vi phạm vượt đèn đỏ dừng đỗ sai dựa học sâu, ISSN 1859-1531 - Tạp chí Khoa Học Và Cơng Nghệ - Đại Học Đà Nẵng, vol 18, no 5.1, 2020 69 [9] Trà Văn Đồng, Nguyễn Thu Nguyệt Minh Và Huỳnh Chí Nhân, (2020), Tạp chí Khoa học Đại học Văn Lang, So Sánh Thuật Toán SSD Và YOLO Trong Phát Hiện Đối Tượng, số 23, tháng 9/2020 [10] Trần Thanh Việt, (2011), Luận văn thạc sỹ Công nghệ Thông tin Một Số Kỹ Thuật Phát Hiện, Bám Sát Đối Tượng Và Ứng Dụng, trường Đại học Lạc Hồng, Đồng Nai [11] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, (2015), “Deep Residual Learning for Image Recognition”, ArXiv.org [12] F Zhang, C Li, and F Yang, (2019), “Vehicle detection in urban traffic surveillance images based on convolutional neural networks with feature concatenation”, Sensors, vol 19, no 3, p 594 [13] Dominik Zapletal, Adam Herou, (2016), “Vehicle Re-Identification for Automatic Video Traffic Surveillance”, International Workshop on Automatic Traffic Surveillance (CVPR 2016), Las Vegas: IEEE Computer Society, pp.1568-1574 ISBN 978-0-7695-4989-7 [14] Zheng tang, Gaoang Wang, Hao Xiao, Aotian Zheng and Jenq-Neng Hwang, (2018), “Single-camera and inter-camera vehicle tracking and 3D speed estimation based on fusion of visual and semantic features”, Top NVIDIA AI CITY Challenge 2018 [15] Jakub Sochor, Roman Juranek, Jakub Spa nhel Luk as marsik, Adam Siroky Adam Herout, Pavel ZemCik, (2012), Vehicular Technology Conference (VTC Spring), 2012 IEEE 75th [16] A Arinaldi, J A Pradana, and A A Gurusinga, (2018), “Detection and classification of vehicles for traffic video analytics” Procedia Comput Sci., vol 144, pp 259–268 [17] Cường Hoàng, (2021), Series YOLO: Tìm hiểu cấu trúc YOLOv1,v2,v3 v4, https://devai.info/2021/01/21/series-yolo-4-tim-hieu-cau-truc-yolov1v2v3-vav4 Truy cập 9/2022 70 [18] Zequn Qin, Huanyu Wang, and Xi Li, (2020), Ultra Fast Structure-aware Deep Lane Detection, College of Computer Science & Technology, Zhejiang University, Hangzhou, China, https://paperswithcode.com/paper/ultra-faststructure-aware-deep-lane Truy cập 9/2022 [19] Jianqiang Ren (1,2) , Yangzhou Chen (1) , Le Xin (1) , and Jianjun Shi (1) , (2014), Lane Detection in Video-Based Intelligent Transportation Monitoring via Fast Extracting and Clustering of Vehicle Motion Trajectories, (1) College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124, China, (2)Department of Computer Science and Technology, Langfang Teachers University, Langfang 065000, China, https://www.hindawi.com/ journals/mpe/2014/156296 Truy cập 9/2022 [20] Glenn Jocher, Ultralytics Yolov5, https://github.com/ultralytics/yolov5 Truy cập 4/2023 [21] OpenCV Document, https://docs.opencv.org/4.7.0/ Truy cập 4/2023 [22] SPP-net Dalal, Navneet, and Bill Triggs, (2005), Histograms of oriented gradients for human detection, Computer Vision and Pattern Recognition, 2005 CVPR 2005 IEEE Computer Society Conference on Vol IEEE [23] E Bochinski, V Eiselein, and T Sikora, (2017), High-speed tracking-bydetection without using image information, in 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), pp 1– 6, IEEE [24] A Bewley, Z Ge, L Ott, F Ramos, and B Upcroft, (2016), Simple online and realtime tracking, in 2016 IEEE International Conference on Image Processing (ICIP), pp 3464–3468 [25] N Wojke, A Bewley, and D Paulus, (2017), Simple online and realtime tracking with a deep association metric, in 2017 IEEE international conference on image processing (ICIP), pp 3645–3649 71 [26] N Wojke and A Bewley, (2018), Deep cosine metric learning for person reidentification, in 2018 IEEE winter conference on applications of computer vision (WACV), pp 748–756 [27] X Zhou, V Koltun, and P Krăahenbăuhl, (2020), Tracking objects as points, in European Conference on Computer Vision, pp 474–490, Springer [28] Muhammad Hamzah, Huy, (2022), Auto-Annotate, https://github.com/ mdhmz1/Auto-Annotate Truy cập 4/2023 [29] Liu, Wei, et al, (2016), SSD: Single shot multibox detector, European conference on computer vision Springer, Cham [30] Girshick, Ross, (2015), "Fast R-CNN Proceedings of the IEEE international conference on computer vision [31] Ren, Shaoqing, et al, (2015), Faster R-CNN: Towards real-time object detection with region proposal networks Advances in neural information processing systems