Ứng dụng internet kết nối vạn vật và trí tuệ nhân tạo trong bài toán điều khiển đèn giao thông thông minh

Các giải pháp thƣờng tập trung vào hai định hƣớng: - Ứng dụng công nghệ IoT để theo dõi, giám sát, điều khiển hoạt động của hệ thống đèn giao thông từ xa, thông qua các kết nối Internet

C T N U ÊN TRƯỜN C Ỹ THUẬT CÔNG NGHIỆP

LỜI CAM ĐOAN

Tên tôi là: TRẦN THẾ TOÁN

Sinh ngày: 13/10/1990

Học viên lớp cao học CHK23KTĐT - Trường Đại học Kỹ thuật Công nghiệp

- Đại học Thái Nguyên

Hiện đang công tác tại: Trường Cao đẳng Nghề Công nghệ Việt – Hàn Bắc Giang

Xin cam đoan: Đề tài “Ứng dụng Internet kết nối vạn vật và trí tuệ nhân tạo trong bài toán điều khiển đèn giao thông thông minh” do Thầy giáo TS Nguyễn

Hồng Quang và TS Nguyễn Phương uy hướng dẫn là công trình nghiên cứu của

riêng tôi Tất cả tài liệu tham khảo đều có nguồn gốc, xuất xứ rõ ràng

Tác giả xin cam đoan tất cả những nội dung trong luận văn đúng như nội dung yêu cầu của thầy giáo hướng dẫn Nếu sai tôi hoàn toàn chịu trách nhiệm trước hội đồng khoa học và trước pháp luật

Thái Nguyên, ngày 25 tháng 4 năm 2022

Tác giả luận văn

TRẦN THẾ TOÁN

LỜI CẢM ƠN

Sau một thời gian nghiên cứu và làm việc nghiêm túc, được sự động viên,

giúp đỡ và hướng dẫn tận tình của Thầy giáo hướng dẫn TS Nguyễn Hồng Quang

và TS Nguyễn Phương uy luận văn với đề tài “Ứng dụng Internet kết nối vạn vật và trí tuệ nhân tạo trong bài toán điều khiển đèn giao thông thông minh”

đã hoàn thành

Tôi xin bày tỏ lòng biết ơn sâu sắc đến:

Các thầy giáo hướng dẫn: TS Nguyễn Hồng Quang và TS Nguyễn Phương uy đã tận tình chỉ dẫn, giúp đỡ tôi hoàn thành luận văn này

Trường Đại học Kỹ thuật công nghiệp và đặc biệt là các thầy, cô trong Khoa Điện tử đã giúp đỡ tôi trong quá trình học tập cũng như thực hiện luận văn

Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp và gia đình đã động viên, khích lệ, tạo điều kiện giúp đỡ tôi trong suốt quá trình học tập, thực hiện và hoàn thành luận văn này

Thái Nguyên, ngày 25 tháng 4 năm 2022

Tác giả luận văn

TRẦN THẾ TOÁN

MỤC LỤC

LỜI CAM ĐOAN i

MỤC LỤC iv

DANH MỤC HÌNH ẢNH vi

DANH MỤC BẢNG BIỂU viii

DANH MỤC TỪ VIẾT TẮT viii

MỞ ĐẦU 1

CHƯƠNG 1 TỔNG QUAN VỀ BÀI TOÁN THIẾT KẾ 5

1.1 Đặt vấn đề 5

1.2 Tổng quan về bài toán thiết kế 6

1.2.1 Giao thông thông minh thông qua xử lý hình ảnh 6

1.2.2 IoT trong giao thông đô thị 7

1.3 Mục tiêu thiết kế 9

1.4 Định hướng thiết kế bài toán 9

1.5 Xây dựng bài toán 10

1.6 Tổng kết chương 10

CHƯƠNG 2 KỸ THUẬT XỬ LÝ ẢNH VÀ PHƯƠNG PHÁP PHÁT HIỆN CHUYỂN ĐỘNG ĐỐI TƯỢNG 11

2.1 Giới thiệu chương 11

2.2 Kỹ thuật xử lý ảnh 11

2.2.1 Khái quát về xử lý ảnh 11

2.2.2 Các phương pháp xử lý ảnh 13

2.3 Phát hiện đối tượng chuyển động 22

2.3.1 Point detectors (phát hiện điểm) 23

2.3.2 Background Modeling (phép trừ nền) 25

2.3.3 Segmentation (phân đoạn) 26

2.3.4 Supervised (giám sát) 27

2.4 Tổng kết chương 28

CHƯƠNG 3 PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG 29

3.1 Giới thiệu chương 29

3.2 Sơ đồ thiết kế hệ thống 29

3.3 Thiết kế hệ thống phần cứng 30

3.3.1 Modul điều khiển trung tâm (Master) 30

3.3.2 Khối Arduino điều khiển Led (Slave) 31

3.3.3 Camera 33

3.3.4 Modul Led điều khiển giao thông 34

3.4 Thiết kế phần mềm 35

3.4.1 Lưu đồ thuật toán 35

3.4.2 Nguyên lý hoạt động 36

3.4.3 Xây dựng modul điều khiển đèn tín hiệu bằng xử lý hình ảnh 36

3.4.4 Xây dựng modul điều khiển đèn tín hiệu bằng giao diện Web(cloud4RPi) 42

3.5 Một số kết quả đạt được 44

3.5.1 Kết quả 44

3.5.2 Đánh giá 47

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 48

TÀI LIỆU THAM KHẢO 50

PHỤ LỤC 52

DANH MỤC HÌNH ẢNH

Hình 1.1 Giao thông thông minh 5

Hình 1.2 Xử lý hình ảnh bằng trí tuệ nhân tạo 7

Hình 1.3 Hệ thống IoT trong giao thông 8

Hình 1.4 Sơ đồ khối hệ thống 10

Hình 2.1 Sơ đồ tổng quát xử lý ảnh 11

Hình 2.2 Thuật toán Background 14

Hình 2.3 Đường bao của ảnh 15

Hình 2.4 Mặt nạ 8 hướng theo Kirsh 19

Hình 2.5 Ảnh màu 20

Hình 2.6 Các màu cơ sở 21

Hình 2.7 Các điểm quan tâm được phát hiện bằng cách áp dụng (a) Harris, (b) KLT và (c) SIFT 24

Hình 2.8 Các kiểu phân vùng ảnh 27

Hình 3.1 Sơ đồ thiết kế hệ thống 29

Hình 3.2 Raspberry Pi 3 Model B+ 30

Hình 3.3 Cấu trúc Raspberry Pi 3 Model B+ 31

Hình 3.4 Vi điều khiển Arduino Uno 32

Hình 3.5 Camera Raspberry Pi V1 OV5647 5MP 33

Hình 3.6 Mạch Led Đèn Giao Thông 34

Hình 3.7 Lưu đồ thuật toán của hệ thống 35

Hình 3.8 Xử lý hình ảnh bằng phương pháp Background 37

Hình 3.9 Hình ảnh tiếp nhận từ camera 38

Hình 3.10 Phân làn theo dõi đối tượng 38

Hình 3.11 Tạo lớp mặt nạ 39

Hình 3.12 Các khu vực được trích xuất theo dõi đối tượng 40

Hình 3.13 Hiển thị số lượng xe phát hiện và gán địa chỉ id 40

Hình 3.14 Kết nối Raspberry Pi với Arduino 41

Hình 3.15 Clound4Rpi 42

Hình 3.16 Token riêng cho mỗi Device trên clound RPi 43

Hình 3.17 Lựa chọn Widget phù hợp với chức năng chân GPIO 43

Hình 3.18 Giao diện điều khiển đèn tín hiệu trên Cloud4RPI 44

Hình 3.19 Giao diện On/Off 44

Hình 3.20 chế độ điều khiển bằng xử lý hình ảnh(ban ngày) 45

Hình 3.21 Chế độ điều khiển bằng xử lý hình ảnh(ban đêm) 45

Hình 3.22 Chế độ điều khiển bằng giao diện Web(mode 1) 46

Hình 3.23 chế độ điều khiển bằng giao diện Web (mode 4) 46

DANH MỤC BẢNG BIỂU

Bảng 2.1 Một số phương pháp phát hiện đối tượng phổ biến 23Bảng 3.1 Đánh giá tỉ lệ phát hiện phương tiện chính xác trên các lane 47

DANH MỤC TỪ VIẾT TẮT

Từ hoặc cụm từ Từ tiếng Anh Từ tiếng Việt

AI Artificial Intelligence Trí tuệ nhân tạo

Interface Giao diện lập trình ứng dụng CPU Central Processing Unit Bộ xử lý trung tâm

Vision Library

Thƣ viện thị giác máy tính mã nguồn mở

URL Uniform Resource Locator Địa chỉ Web

MỞ ẦU

1 Tính cấp thiết của đề tài

Internet kết nối vạn vật (Internet of Things - IoT) là một hệ thống cho phép các thiết bị được kết nối và giám sát từ xa trên Internet để gửi và nhận dữ liệu qua mạng mà không yêu cầu tương tác giữa người với người hoặc giữa người với máy tính Trong những năm gần đây, khái niệm IoT đã có một bước phát triển mạnh mẽ, hiện đang được sử dụng trong nhiều lĩnh vực khác nhau như nhà thông minh, y tế từ xa, môi trường, công nghiệp, nông nghiệp, và đặc biệt là trong giao thông công cộng [1], [7]

Ùn tắc giao thông ngày một gia tăng và chúng ta phải đối mặt với rất nhiều vấn đề Nguyên nhân chính dẫn đến ùn tắc giao thông là do lượng phương tiện lớn,

cơ sở hạ tầng chưa đồng bộ và sự phân bố phát triển chưa hợp lý Ùn tắc giao thông

sẽ làm cho thời gian di chuyển dài hơn, tốc độ chậm hơn và lượng xe cộ xếp hàng dài hơn, gây lãng phí nhiên liệu, ô nhiễm môi trường Khi nhu cầu giao thông cao

mà sự tương tác giữa các phương tiện làm chậm tốc độ của dòng giao thông, điều này cũng dẫn đến một số ùn tắc giao thông [5] , [7]

Các bộ điều khiển đèn giao thông được sử dụng với mục đích trước mắt là giảm thiểu ùn tắc giao thông cục bộ và xa hơn là góp phần tạo ra một hệ thống giao thông thông suốt Hiện nay, đa số các bộ điều khiển đèn giao thông chỉ dựa trên bộ đếm thời gian tĩnh được lập trình sẵn Điều này gây ra những hạn chế như lãng phí thời gian, kẹt xe nhiều, mặc dù không có xe trên đường, tín hiệu vẫn có màu đỏ vì thời gian tĩnh của bộ hẹn giờ của tín hiệu [2], [5] [8] [2]

Vì vậy, trong thực tế đã có rất nhiều giải pháp được đề xuất để cải thiện hiệu quả hoạt động của hệ thống đèn giao thông Các giải pháp thường tập trung vào hai định hướng:

- Ứng dụng công nghệ IoT để theo dõi, giám sát, điều khiển hoạt động của

hệ thống đèn giao thông từ xa, thông qua các kết nối Internet [4] , [5]

- Công nghệ trí tuệ nhân tạo (Artificial intelligence – AI) được sử dụng để tiến hành kiểm đếm xe, phân tích mật độ giao thông, dự báo đông xe, tắc đường, phục vụ tối ưu hoá điều khiển đèn tín hiệu giao thông [3] [8]

Trong những năm gần đây, hệ thống giám sát và xử lý hình ảnh đã được sử dụng rộng rãi trong quản lý giao thông [6] để cung cấp thông tin của khách du lịch, giám sát vi phạm giao thông Vì vậy, hoàn toàn có thể xây dựng một kiến trúc IoT nhằm thu thập dữ liệu hình ảnh trực tiếp từ các camera tại các nút giao thông Tính toán mật độ giao thông theo thời gian thực bằng cách áp dụng các thuật toán xử lý ảnh ứng dụng AI Đồng thời, dựa trên mật độ giao thông thu được đó, Các thuật toán AI sẽ thay đổi thời gian hoạt động của đèn giao thông theo mật độ phương tiện trên đường, từ đó nhằm giảm ùn tắc giao thông trên các tuyến đường, giúp giảm thiểu số vụ tai nạn, giảm tiêu thụ nhiên liệu và thời gian chờ đợi Bên cạnh đó, nó cũng sẽ cung cấp dữ liệu quan trọng giúp ích cho việc lập kế hoạch và phân tích đường trong tương lai Trong các giai đoạn phát triển tiếp theo, nhiều đèn giao thông có thể được đồng bộ hóa với nhau nhằm mục đích giảm thiểu tắc nghẽn giao thông [3]

Từ các phân tích trên, được sự gợi hướng của tập thể giảng viên hướng dẫn,

học viên lựa chọn đề tài luận văn tốt nghiệp là “Ứng dụng Internet kết nối vạn vật

và trí tuệ nhân tạo trong bài toán điều khiển đèn giao thông thông minh”

2 Mục tiêu nghiên cứu của đề tài

Với mục đích thử nghiệm triển khai một số thuật toán AI trên kiến trúc IoT cho bài toán đèn giao thông thông minh, học viên xác định một số mục tiêu cần đạt được như sau:

- Nghiên cứu tổng quan về bài toán điều khiển đèn giao thông thông minh, cập nhật các xu hướng ứng dụng IoT và AI cho bài toán này

- Phân tích và lựa chọn giải pháp ứng dụng AI cho bài toán phân tích mật độ giao thông dựa trên kỹ thuật xử lý ảnh

- Xây dựng mô hình thử nghiệm (phần cứng và phần mềm), đánh giá các kết quả đạt được

3 ối tượng nghiên cứu

Luận văn có hai đối tượng nghiên cứu chính Đó là bài toán cần giải quyết và phương pháp thực hiện

- Về bài toán cần giải quyết: Bài toán giám sát và điều khiển đèn giao thông thông minh từ xa

- Về phương pháp: Nghiên cứu kiến trúc IoT cho thu thập dữ liệu hình ảnh và giám sát trạng thái hoạt động của đèn giao thông, nghiên cứu ứng dụng thuật toán AI phù hợp để tính toán, điều khiển hoạt động của đèn giao thông dựa trên thông tin về hình ảnh của lưu lượng giao thông

4 Phạm vi nghiên cứu

Phạm vi của việc ứng dụng AI là rất rộng Vì vậy, đối với một luận văn thạc

sĩ chuyên ngành kỹ thuật Điện tử, đề tài chỉ giới hạn trong phạm vi: Nghiên cứu lý thuyết và xây dựng mô hình thử nghiệm một kiến trúc IoT (phần cứng và phần mềm) cho thu thập dữ liệu và giám sát hoạt động của đèn giao thông Hiểu và lựa chọn cài đặt chương trình có sẵn (bằng ngôn ngữ Python trên vi điều khiển Raspberry Pi)

để ứng dụng AI cho nhận dạng hình ảnh phương tiện, phân tích mật độ giao thông, đưa ra quyết định điều khiển đèn khi lựa chọn chế độ AI

5 Phương pháp nghiên cứu

- Phương pháp nghiên cứu lý thuyết: Tổng hợp, nghiên cứu các tài liệu về giao thông thông minh, Công nghệ IoT và ứng dụng; Nghiên cứu các phương pháp, thuật toán

AI cho xử lý ảnh để tính toán lưu lượng; Thuật toán AI ứng dụng cho điều khiển trạng thái hoạt động của đèn, tìm hiểu các kiến thức liên quan như thuyết nhận dạng,

kỹ thuật lập trình trên nền Python

- Phương pháp nghiên cứu thực nghiệm: Sau khi nghiên cứu lý thuyết, đề xuất bài toán đèn giao thông thông minh, triển khai các giải pháp xây dựng IoT cho hệ thống đèn giao thông; cài đặt thuật toán AI cho xử lý ảnh, xác định mật độ phương tiện, ra quyết định điều khiển trạng thái các đèn

- Phương pháp trao đổi khoa học: Thảo luận, xemina, lấy ý kiến chuyên gia, công bố các kết quả nghiên cứu trên tạp chí khoa học quốc tế có chỉ số ISSN

6 Ý nghĩa khoa học của đề tài

Đề tài nhằm nghiên cứu thử nghiệm việc tích hợp một số giải pháp IoT và AI trong bài toán đèn giao thông thông minh Từ đó làm cơ sở khoa học cho việc nâng cao

tính tiện dụng, độ chính xác của các hoạt động trong hệ thống giao thông thông minh nói riêng và các hệ thống AIoT trong thực tế (nông nghiệp, công nghiệp, giao thông…)

7 Kết cấu của luận văn:

Ngoài các phần mở đầu và kết luận, các nội dung luận văn được bố cục trong

3 chương

Chương 1 Tổng quan về bài toán thiết kế

Trong chương này, học viên trình bày các kiến thức tổng quan về bài toán điều khiển đèn giao thông; IoT và khả năng ứng dụng của công nghệ này trong bài toán điều khiển đèn giao thông; Đề xuất giải pháp thiết kế

Chương 2 Kỹ thuật xử lý ảnh và phương pháp phát hiện chuyển động đối tượng

Ở chương 2, trước tiên, luận văn đề xuất một kiến IoT giám sát và điều khiển đèn giao thông qua Webserver Tiếp đó, luận văn phân tích và lựa chọn giải pháp ứng dụng AI cho bài toán phát hiện chuyển động đối tượng và đánh giá mật độ lưu lương dựa trê thông in hình ảnh

Chương 3 Xây dựng mô hình thử nghiệm

Trên cơ sở các giải pháp đã được xác định, chương 3 của luận văn mô tả chi tiết việc xây dựng mô hình thử nghiệm (phần cứng và phần mềm), đánh giá các kết quả đạt được để từ đó xác định hướng nghiên cứu kế tiếp

C ƯƠN 1 TỔNG QUAN VỀ BÀI TOÁN THIẾT KẾ 1.1 ặt vấn đề

Trong những năm gần đây cùng với sự phát triển của nền kinh tế là tốc độ gia tăng không ngừng về các loại phương tiện giao thông Sự phát triển nhanh chóng của các phương tiện giao thông đã dẫn đến tình trạng tắc nghẽn giao thông xảy ra rất thường xuyên Vấn đề đặt ra ở đây là làm sao để đảm bảo giao thông thông suốt

và sử dụng đèn điều khiển giao thông ở những ngã tư, những nơi giao nhau của các làn đường là một giải pháp

Hình 1.1 Giao thông thông minh

Trong hệ thống hiện có, thời gian đèn xanh được chỉ định cho mọi làn đường được xác định trước và cố định Nó không thay đổi theo lượng phương tiện lưu thông trên đường tại thời điểm đó Các tín hiệu lúc này chỉ nhằm mục đích kiểm soát lượng lưu lượng định thời đặt trước đó thay vì tính toán mật độ giao thông để đưa ra thời gian tối ưu Nó không phải là một cách hiệu quả để xử lý số lượng khác nhau của giao thông hiện diện trên đường ở các đô thị, thành phố thông minh Việc

cố định thời gian đèn xanh hoặc khoảng thời gian xác định trước có thể dẫn đến ùn

tắc nhiều hơn trên các làn đường đông đúc trong khi các làn đường với lượng giao thông ít hơn thì thời gian đèn xanh lúc này sẽ trở lên vô ích Điều này cũng dẫn đến

sự khó chịu của các tài xế và sự vội vàng đôi khi dẫn đến tai nạn Chính vì vậy trong luận văn này, học viên lựa chọn thiết kế một hệ thống đèn giao thông thông minh có thể điều khiển từ xa dựa trên kiến trúc IoT và ứng dụng thuật toán AI trong việc xử lý hình ảnh, kiểm đếm lưu lượng

1.2 Tổng quan về bài toán thiết kế

Đèn giao thông [4] (còn được gọi tên khác là đèn tín hiệu giao thông hay đèn điều khiển giao thông) là một thiết bị được dùng để điều khiển giao thông ở những giao lộ có lượng phương tiện lưu thông lớn (thường là ngã ba, ngã tư đông xe qua lại) Đây là một thiết bị quan trọng không những an toàn cho các phương tiện mà còn giúp giảm ùn tắc giao thông vào giờ cao điểm Nó được lắp ở tâm giao lộ hoặc trên vỉa hè Đèn giao thông có thể hoạt động hoàn toàn tự động hoặc cảnh sát giao thông điều khiển

Trước tình hình phương tiện tham gia giao thông ngày càng gia tăng không ngừng và hệ thống giao thông ngày càng phức tạp Chính lý do này đã dẫn đến tình trạng ùn tắc và tai nạn giao thông ngày càng gia tăng Vì vậy để đảm bảo giao thông được an toàn và thông suốt thì việc sử dụng các hệ thống tín hiệu để điều khiển và phân luồng tại các nút giao thông là rất cần thiết Với tầm quan trọng như vậy hệ thống điều khiển tín hiệu giao thông cần đảm bảo những yêu cầu sau:

- Đảm bảo trong quá trình hoạt động một cách chính xác và liên tục

- Độ tin cậy cao

- Đảm bảo làm việc ổn định, lâu dài

1.2.1 Giao thông thông minh thông qua xử lý hình ảnh

Hệ thống được đề xuất nhằm mục đích tăng tính hiệu quả và khả thi của bài toán điều khiển đèn giao thông Do đó, giảm lưu lượng tắc ngẽn cũng như thời gian chờ đợi Hệ thống được đề xuất sẽ dựa trên mật độ, có nghĩa là nó sẽ cung cấp cho mức độ ưu tiên đối với làn đường có số lượng tương đối lớn hơn xe cộ Xử lý hình ảnh là phương pháp sẽ được sử dụng cho tính toán số lượng phương tiện Raspberry

Pi sẽ được sử dụng như một bộ xử lý Hình ảnh sẽ được thu thập bằng cách sử dụng tập dữ liệu Hình ảnh có được sẽ qua các bước xử lý ảnh và cuối cùng sẽ trả ra các giá trị để điều khiển đèn tín hiệu theo mật độ phương tiện ứng với mỗi làn đường

Hình 1.2 Xử lý hình ảnh bằng trí tuệ nhân tạo

Mảng nghiên cứu về các hệ thống điều phối giao thông thông minh là một mảng đề tài nghiên cứu rộng lớn, mà trong đó các kỹ thuật trí tuệ nhân tạo được ứng dụng để xử lý các dữ liệu giao thông là những hình ảnh thu nhận qua Camera Việc điều khiển giao thông có thể thích nghi với các điều kiện môi trường, thời tiết, ánh sáng khác nhau là rất phức tạp vì các thành phần của nền giao thông có mật độ rất cao

1.2.2 IoT trong giao thông đô thị

Ứng dụng internet kết nối vạn vật (IoT- Internet of Things) là giải pháp khắc phục các nhược điểm trong giao thông đô thị, giúp người sử dụng các phương tiện giao thông công cộng cảm thấy thoải mái nhờ được phục vụ “cá nhân hóa”, và người sử dụng phương tiện cá nhân để di chuyển cũng thoải mái hơn nhờ nhận được những hỗ trợ kịp thời thông qua IoT

Công nghệ IoT trong giao thông thông minh cũng ngày càng phát triển không chỉ có ứng dụng rộng rãi cho quản lý giao thông, các giải pháp đỗ xe thông minh, … mà còn được ứng dụng cho quản lý đội tàu, giải pháp viễn thông, giải trí hành khách và các giải pháp an ninh Hơn nữa, công nghệ IoT cho phép thúc đẩy các hệ thống quản lý giao thông thực thi, quản lý các giải pháp liên quan đến mạng lưới, cung cấp các dịch vụ và thu phí điện tử trong lĩnh vực giao thông vận tải

Một số ứng dụng dịch vụ đã được triển khai tại một số đô thị trên thế giới như: Dịch vụ thông tin và thanh toán xe buýt, phát hiện trộm cắp xe, lập lịch trình tuyến đường cho xe ưu tiên, dịch vụ thu phí không dừng, tự động giám sát vi phạm giao thông … Ứng dụng công nghệ IoT trong lĩnh vực giao thông thông minh được tích hợp, kết hợp với công nghệ khác như trí tuệ nhân tạo, tự động hóa, điện toán đám mây sẽ giúp cho các nhà quản lý giao thông có thể tự động thu thập, phân tích xử

lý dữ liệu thông tin để phục vụ công tác dự báo lưu lượng, mật độ giao thông dựa trên dữ liệu lịch sử; phân luồng, tối ưu hóa lưu lượng giao thông dựa trên thông tin thời gian thực Ngoài ra, các dữ liệu này sẽ được sử dụng trong công tác qui hoạch mạng lưới đường xá, phương tiện giao thông công cộng …trong tương lai của đô thị

Hình 1.3 Hệ thống IoT trong giao thông

Bên cạnh đó, các hệ thống mở rộng này sẽ cung cấp thêm nhiều dịch vụ đa dạng và ít phức tạp hơn cho người dùng bao gồm: Thanh toán trực tuyến theo vị trí, cung cấp thông tin thời gian thực tình trạng giao thông dựa trên vị trí hoặc các dịch

vụ thông tin khác như điều hướng, thông tin các điểm quan tâm …

Trong tương lai, chúng ta có thể hình dung sự liên kết giữa phương tiện và con người, giữa đường xá và phương tiện hay giữa con người và đường xá như một hệ thống lớn để cung cấp phương thức di chuyển an toàn và thông suốt với những dịch

vụ đa dạng cho người tham gia giao thông Đồng thời giải quyết những vấn nạn, nguy cơ như tắc nghẽn, tai nạn giao thông, ô nhiễm không khí để hình thành một

đô thị thông minh, bền vững và đáng sống theo đúng nghĩa của nó

1.3 Mục tiêu thiết kế

Để giảm thời gian lãng phí trên các làn đường và điều hòa lượng phương tiện giao thông một cách hợp lý thì mục tiêu của bài toán thiết kế sẽ như sau:

- Thiết kế bài toán cho điểm giao ngã tư giao thông

- Các tín hiệu đèn báo sẽ tự động điều chỉnh tùy thuộc vào mật độ xe trên các làn đường

- Điều khiển tín hiệu đèn báo giao thông từ xa qua web server

- Có thể lưu giữ dữ liệu hình ảnh

- Tiện lợi, điều khiển dễ dàng và giá thành hợp lý

- Thiết kế hệ thống có tính chính xác cao

- Chương trình dễ phát triển nhanh chóng thành ứng dụng thực tế sau này

1.4 ịnh hướng thiết kế bài toán

Bài toán thiết kế sẽ đưa ra các định hướng sau để phù hợp với các mục tiêu thiết kế mà ta mong muốn:

- Thực hiện bài toán thiết kế với Raspberry Pi là bộ xử lý trung tâm

- Sử dụng Camera để thu hình ảnh

- Điều khiển tín hiệu đèn báo giao thông từ xa thông qua giao diện Web

1.5 Xây dựng bài toán

Hình 1.4 Sơ đồ khối hệ thống

Chức năng của từng khối:

Khối xử lý trung tâm: Raspberry Pi là trung tâm xử lý các thông tin của mạch

Điều khiển mọi hoạt động của mạch theo chương trình được cài đặt từ trước

Khối nguồn: Đây là module cấp nguồn cho hệ thống nhằm cung cấp điện áp

chuẩn 5V-2A

Yêu cầu đối với khối này: Có thể lấy nguồn từ điện áp xoay chiều (hoặc pin)

để cấp nguồn cho hệ thống (trong luận văn dùng nguồn 5V)

Điện áp đầu ra của khối (điện áp đầu vào của hệ thống) luôn ổn định tại mọi thời điểm Mạch ổn áp cần cho vi điều khiển vì nếu nguồn cho vi điều khiển không

ổn định thì treo VĐK không chạy đúng hoặc reset liên tục thậm chí là chết chip

Khối hiển thị: Nhận dữ liệu từ khối điều khiển, và hiển thị đèn led giao thông Khối web: Thực hiện điều khiển đèn tín hiệu giao thông qua giao diện web Khối Camera: Thu hình ảnh trực tiếp tại nút giao thông và đưa đến khối xử lý

trung tâm để xử lý

1.6 Tổng kết chương

Qua chương đầu, ta có thể thấy được cái nhìn tổng quan về bài toán thiết kế từ

đó xây dựng khung cho bài toán với các mục tiêu thiết kế và định hướng ban đầu Trong chương tiếp theo, luận văn sẽ phân tích chi tiết về các kỹ thuật xử lý hình ảnh và các phương pháp phát hiện chuyển động của đối nhằm tạo tiền đề trong quá trình thiết kế hệ thống hoàn chỉnh

C ƯƠN 2

KỸ THUẬT XỬ LÝ ẢNH VÀ P ƯƠN P P PHÁT HIỆN CHUYỂN

ỘNG Ố TƯỢNG 2.1 Giới thiệu chương

Việc sử dụng các kỹ thuật xử lý hình ảnh như một phần của hệ thống an ninh, giám sát ngày càng gia tăng, nhằm phát hiện, phân loại cũng như dò tìm đối tượng

và chuyển động của đối tượng với độ chính xác cao Để đạt được mục đích này, một

số phương pháp tiếp cận đã được đề xuất trong những thập kỷ qua bằng cách sử dụng các kỹ thuật xử lý hình ảnh, bởi vì thị giác máy tính cho phép chúng ta điều khiển các chuỗi hình ảnh kỹ thuật số để trích xuất thông tin hữu ích có trong một luồng video Trong chương này, luận văn sẽ trình bày khái quát về các kỹ thuật xử

lý hình ảnh và một số phương pháp thuật toán phát hiện chuyển động từ đó lựa chọn thuật toán phù hợp cho bài toán thiết kế

2.2 Kỹ thuật xử lý ảnh

2.2.1 Khái quát về xử lý ảnh

Xử lý ảnh là một phân ngành trong xử lý số tín hiệu với tín hiệu xử lý là ảnh Đây là một phân ngành khoa học rất phát triển trong những năm gần đây Xử lý ảnh gồm 4 lĩnh vực chính: xử lý nâng cao chất lượng ảnh, nhận dạng ảnh, nén ảnh và truy vấn ảnh

Hình 2.1 Sơ đồ tổng quát xử lý ảnh

Sơ đồ này bao gồm các thành phần sau:

a) Phần thu nhận ảnh (Image Acquisition)

Ảnh có thể nhận qua camera màu hoặc đen trắng Thường ảnh nhận qua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), cũng có loại camera đã số hoá (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh

Camera thường dùng là loại quét dòng, ảnh tạo ra có dạng hai chiều Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh)

b) Tiền xử lý (Image Processing)

Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền

xử lý để nâng cao chất lượng Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng

độ tương phản để làm ảnh rõ hơn, nét hơn

c) Phân đoạn (Segmentation) hay phân vùng ảnh

Phân vùng ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Ví dụ: để nhận dạng chữ (hoặc mã vạch) trên phong

bì thư cho mục đích phân loại bưu phẩm, cần chia các câu, chữ về địa chỉ hoặc tên người thành các từ, các chữ, các số (hoặc các vạch) riêng biệt để nhận dạng

Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này

d) Biểu diễn ảnh (Image Representation)

Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lận cận Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính Việc chọn các tính chất để thể hiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được Ví dụ: trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phân biệt ký tự này với ký tự khác

e) Nhận dạng và nội suy ảnh (Image Recognition and Interpretation)

Nhận dạng ảnh là quá trình xác định ảnh Quá trình này thường thu được bằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước Nội suy là phán đoán theo ý nghĩa trên cơ sở nhận dạng Ví dụ: một loạt chữ số và nét gạch ngang trên phong bì thư có thể được nội suy thành mã điện thoại Có nhiều cách phân loại ảnh khác nhau về ảnh Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh được phân theo hai loại nhận dạng ảnh cơ bản:

- Nhận dạng theo tham số

- Nhận dạng theo cấu trúc

Một số đối tượng nhận dạng khá phổ biến hiện nay đang được áp dụng trong khoa học và công nghệ là: nhận dạng ký tự (chữ in, chữ viết tay, chữ ký điện tử), nhận dạng văn bản (Text), nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt người… f) Cơ sở tri thức (Knowledge Base)

Như đã nói ở trên, ảnh là một đối tượng khá phức tạp về đường nét, độ sáng tối, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theo nhiễu Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa các phương pháp toán học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắt chước quy trình tiếp nhận

và xử lý ảnh theo cách của con người Trong các bước xử lý đó, nhiều khâu hiện nay đã xử lý theo các phương pháp trí tuệ con người Vì vậy, ở đây các cơ sở tri thức được phát huy

2.2.2 Các phương pháp xử lý ảnh

2.2.2.1 Phương pháp background

Trong bối cảnh ứng dụng là một camera tĩnh (static camera) quan sát vùng (Field

of View) không thay đổi, thao tác trích xuất chuyển động (motion detection) từ video là thủ tục nền rất quan trọng trong nhiều ứng dụng phân tích video hiện nay

Mục tiêu của xử lý này là làm sao tách bạch được đâu là vùng chuyển động (motion, foreground) đâu là nền (background) trong vùng không gian camera đang theo dõi Trong nhiều kĩ thuật thì Background subtraction là một nhóm các giải pháp có thể giúp giải quyết vấn đề này đang được sử dụng phổ biến Ý tưởng chính

của background là trước tiên đi xác định mô hình background (một hình, một tập tham số, hay một công thức có khả năng mô tả background) qua từng khung hình (frame) trong chuỗi các khung hình tuần tự của video, sau đó dựa vào giá trị pixel của khung hình hiện tại mà tính toán sự khác biệt để suy ra foreground Quá trình này có thể đơn giản được mô tả bằng hình minh họa bên dưới

Hình 2.2 Thuật toán Background

Sự khác biệt chính giữa các thuật toán nằm ở cách mà mô hình BG được tạo ra: phương pháp, các nhân tố được sử dụng trong quá trình tính sự khác biệt (Differencing) và xử lý Filtering được tiến hành như thế nào Hình trên chỉ được đưa ra ở mức tổng quan nhất của Background

Thuật toán đầu tiên cũng là sơ đẳng nhất có thể giúp hiểu một cách trực quan vấn đề là thuật toán nền cố định (fixed background) Với thuật toán này Mô hình

BG được sử dụng luôn cố định là một ảnh (frame) đầu vào làm giá trị khởi tạo cho thuật toán Tại các khung hình (frame) tiếp theo, thao tác BG Differencing chỉ đơn giản là tính ra một ảnh lưu sự khác biệt của từng điểm ảnh giữa khung hình hiện tại

và mô hình BG (Diff Image) Từ đó quá trình Filtering là quá trình nhị phân hóa bằng một giá trị ngưỡng (tùy chọn) để đưa Diff Image về một hình nhị phân trong

đó điểm ảnh trắng thể hiện cho foreground hay object còn điểm ảnh đen thể hiện cho nền (background) Từ kết quả đầu ra của Background Subtraction người ta tiếp tục tiến hành các thuật toán như morphology để loại nhiễu, đánh nhãn các thành phần liên kết (connected component labeling) để khoanh vùng (segmentation) các đối tượng tách bạch ra với nhau

Ưu nhược điểm của background:

- Ưu điểm: tách được các đối tượng trên nền tĩnh được định sẵn với cả đối với những môi trường thiếu ánh sáng

- Nhược điểm: tách được đối tượng nhưng không làm rõ nét của đối tượng, làm mất chi tiết hình ảnh của đối tượng

Ứng dụng: background được ứng dụng trong việc phát hiện xe và theo dõi đối tượng chuyển động Dùng để phát hiện, theo dõi và tách đối tượng ra khỏi môi trường để xử lý như nhận dạng, đo tốc độ xe

2.2.2.2 Phương pháp phát hiện biên

a) ịnh nghĩa và khái niệm

Điểm biên: Một điểm ảnh được coi là điểm biên nếu có sự thay đổi nhanh hoặc đột ngột về mức xám (hoặc màu) Ví dụ trong ảnh nhị phân, điểm đen gọi là điểm biên nếu lân cận nó có ít nhất một điểm trắng

Đường biên (đường bao: boundary): Tập hợp các điểm biên liên tiếp tạo thành một đường biên hay đường bao

Ý nghĩa của đường biên trong xử lý: Đầu tiên, đường biên là một loại đặc trưng cục bộ tiêu biểu trong phân tích, nhận dạng ảnh Thứ hai, người ta sử dụng biên làm phân cách các vùng xám (màu) cách biệt Ngược lại, người ta cũng sử dụng các vùng ảnh để tìm đường phân cách

Tầm quan trọng của biên: để thấy rõ tầm quan trọng của biên, xét ví dụ sau: khi người họa sĩ muốn vẽ một danh nhân, họa sĩ chỉ cần vẽ vài đường nứt tốc họa

b) Phân loại các kỹ thuật phát hiện biên

Từ định nghĩa toán học của biên người ta sử dụng hai phương pháp phát hiện biên như sau:

Phương pháp phát hiện biên trực tiếp: phương pháp này chủ yếu dựa vào sự biến thiên độ sáng của điểm ảnh để làm nổi biên bằng kỹ thuật đạo hàm

- Nếu lấy đạo hàm bậc nhất của ảnh: ta có phương pháp Gradient

- Nếu lấy đạo hàm bậc hai của ảnh: ta có phương pháp Laplace

- Hai phương pháp này được gọi chung là phương pháp dò biên cục bộ Ngoài

ra, người ta còn sử dụng phương pháp “đi theo đường bao” dựa vào công cụ toán học là nguyên lý quy hoạch động và được gọi là phương pháp dò biên tổng thể Phương pháp dò biên trực tiếp có hiệu quả và ít bị tác động của nhiễu

Phương pháp phát hiện biên gián tiếp: Nếu bằng cách nào đấy, chúng ta thu được các vùng ảnh khác nhau thì đường phân cách giữa các vùng đó chính là biên Nói cách khác, việc xác định đường bao của ảnh được thực hiện từ ảnh đã được phân vùng Phương pháp dò biên gián tiếp khó cài đặt nhưng áp dụng tốt khi sự biến thiên độ sáng nhỏ

Chú ý: Kỹ thuật dò biên và phân vùng ảnh là hai bài toán đối ngẫu của nhau

c) Quy trình phát hiện biên

- Bước 1: Do ảnh ghi được thường có nhiễu, bước một là phải lọc nhiễu theo các phương pháp đã tìm hiểu ở các phần trước

- Bước 2: Làm nổi biên sử dụng các toán tử phát hiện biên

- Bước 3: Định vị biên Chú ý rằng kỹ thuật nổi biên gây tác dụng phụ là gây nhiễu làm một số biên giả xuất hiện do vậy cần loại bỏ biên giả

 ,    , ( , )

(2.10) Mặt nạ đẳng hướng:

Một mặt nạ khác cũng được nêu như dưới đây gọi là mặt nạ đẳng hướng (Isometric)

(2.11)

Toán tử 4-lân cận (4-Neighbour Operator)

Toán tử 4-lân cận được Chaudhuri và Chandor (1984) nêu ra, trong đó mặt nạ

có kích thước 3x3 được thay cho mặt nạ 2x2 của toán tử Robert Các mặt nạy này được cho:

Hình 2.4 Mặt nạ 8 hướng theo Kirsh

Kết luận: phương pháp tách biên được sử dụng trong phát hiện và theo dõi đối tượng Phương pháp tách biên còn sử dụng trong nhận diện biển số xe, nhận diện khuôn mặt, đo tốc độ xe…

2.2.2.3 Phương pháp nhận diện màu sắc

- Ảnh đen trắng: mỗi điểm ảnh được biểu diễn bởi một bit

- Ảnh Gray – scale: mỗi điểm ảnh được biểu diễn bằng các mức chói khác nhau, thường thì ảnh này được biểu diễn bằng 256 mức chói hay là 8 bit cho mỗi điểm ảnh

- Ảnh màu: mỗi điểm ảnh chia ra thành tín hiệu chói và tín hiệu màu

b) Biểu diễn ảnh số

Trong biểu diễn ảnh, người ta thường dùng các phần tử đặc trưng của ảnh là Pixel Nhìn chung có thể xem một hàm 2 biến chứa các thông tin biểu diễn của một ảnh Các mô hình biểu diễn ảnh cho ta một mô tả logic hay định lượng các tính chất của hàm này.Việc xử lý ảnh số phải được lấy mẫu và lượng tử hóa Việc lượng tử hóa là chuyển đổi tín hiệu tương tự sang tín hiệu số của một ảnh đã lấy mẫu sang một số hữu hạn mức xám

c) Ảnh màu

Hình 2.5 Ảnh màu

Như ta đã biết thì khi cho ánh sáng trắng đi qua lăng kính ta sẽ thu được một dãy phổ màu bao gồm 6 màu rộng : tím, lam, lục, vàng, cam, đỏ Nếu nhìn kỹ thì sẽ không có ranh giới rõ ràng giữa các màu mà màu này sẽ từ từ chuyển sang màu kia Mắt chúng ta nhìn thấy được là do ánh sáng phản xạ từ vật thể

Tất cả các màu được tạo ra từ 3 màu cơ bản (màu sơ cấp) là : đỏ (R), lam (B)

và lục (G) Các màu cơ bản trộn lại với nhau theo một tỉ lệ nhất định để tạo ra các màu thứ cấp

Các đặc trưng dùng để phân biệt một màu với màu khác là: độ sáng(brightness), sắc màu(hue) và độ bão hòa màu(Saturation)

Màu sắc có liên quan đến bước sóng ánh sáng Thông thường, sắc màu chính

là tên của màu Ví dụ: đỏ, cam, lục…

Độ sáng thể hiện về cường độ ánh sáng: mô tả nó sáng hay tối như thế nào

Độ bão hòa màu : thể hiện độ thuần khiết của màu Khi độ bão hòa cao, màu

sẽ sạch và rực rỡ

Có nhiều mô hình màu như RGB,HSV,YCrCb, Ở đây chỉ trình bày về mô hình màu RGB

Các màu R,G,B nằm ở các đỉnh trên trục tọa độ của khối vuông Màu đen nằm

ở gốc tọa độ, màu trắng nằm ở góc xa nhất so với điểm gốc Thang màu xám kéo dài từ đen đến trắng (đường chấm)

Hình ảnh trong mô hình màu RGB bao gồm 3 mặt phẳng ảnh độc lập (dùng cho các màu sơ cấp)

Thường thì ta giả thiết là tất cả các giá trị màu được chuẩn hóa (tức là khối vuông là khối đơn vị), tất cả các giá trị màu nằm trong khoảng [0,1]

Vì vậy trong hệ màu RGB các màu có thể mô tả như là những điểm bên trong hình lập phương Ở gốc tọa độ (0;0;0) là màu đen Trên các trục tọa độ dương là các màu đỏ lục,lam Khi đó ánh sáng từ các điểm riêng biệt sẽ được cộng với nhau để tạo ra các màu khác nhau

- (0, 0, 0) là màu đen

- (255, 255, 255) là màu trắng

- (255, 0, 0) là màu đỏ

- (0, 255, 0) là màu xanh lá cây

- (0, 0, 255) là màu xanh lam

2.3 Phát hiện đối tượng chuyển động

Vấn đề phát hiện đối tượng đang được nghiên cứu và có nhiều ứng dụng trong cuộc sống Mọi phương pháp theo dõi đều yêu cầu cơ chế phát hiện đối tượng trong

mọi khung hình hoặc khi đối tượng lần đầu tiên xuất hiện trong video Một cách tiếp cận phổ biến để phát hiện đối tượng là sử dụng thông tin trong một khung duy nhất Tuy nhiên, một số phương pháp phát hiện đối tượng sử dụng thông tin tạm thời được tính toán từ một chuỗi các khung để giảm số lượng phát hiện sai Thông tin tạm thời này thường ở dạng sai lệch khung hình, làm nổi bật các vùng thay đổi trong các khung liên tiếp Cho các vùng đối tượng trong hình ảnh, nhiệm vụ của trình theo dõi là thực hiện tương ứng đối tượng từ một khung hình sang phần tiếp theo để tạo các bản theo dõi Đây là một số phương pháp phát hiện đối tượng phổ

biến trong Bảng 2.1

Bảng 2.1 Một số phương pháp phát hiện đối tượng phổ biến

Loại Những nghiên cứu liên quan

Point detectors

1 Moravec’s detector

2 Harris detector

3 Scale Invariant Feature Transform Affine

4 Invariant Point Detector

2.3.1 Point detectors (phát hiện điểm)

Phương pháp phát hiện điểm được sử dụng để tìm điểm quan tâm trong hình ảnh có biểu cảm kết cấu tương ứng Điểm quan tâm đã được sử dụng từ lâu trong

các vấn đề liên quan đến chuyển động, âm thanh nổi và theo dõi Chất lượng mong muốn của một điểm quan tâm là sự bất biến của nó đối với những thay đổi về độ chiếu sáng và góc nhìn của máy ảnh

Để tìm điểm quan tâm, toán tử của Moravec tính toán sự biến đổi của hình ảnh trong một điểm 4×4 theo các hướng ngang, dọc, chéo và hình tam giác và chọn giá trị tối thiểu trong số bốn biến thể làm giá trị đại diện cho cửa sổ Một điểm được chọn là tích tực nếu sự thay đổi cường độ là cực đại cục bộ trong một điểm 12×12

Một điểm quan tâm được xác định bằng cách sử dụng định thức và vết của M

mà sự biến thiên trong một vùng lân cận cục bộ R = det(M) – k.tr(M)2 , trong

đó k là hằng số Các điểm quan tâm được đánh dấu bằng ngưỡng R Ma trận mômen tương tự M được sử dụng theo bước phát hiện điểm của phương pháp theo dõi KLT

Độ tin cậy của điểm quan tâm, R ,được đặt bằng cách sử dụng giá trị riêng nhỏ nhất của M , λmin Trong số các điểm quan tâm, KLT loại bỏ các điểm gần nhau về mặt không gian

Về mặt định lượng, cả Harris và KLT đều nhấn mạnh các biến thể cường độ bằng cách sử dụng rất các biện pháp tương tự Ví dụ, R trong Harris có liên quan

đến đa thức đặc trưng được sử dụng để tìm các giá trị riêng của M, trong khi tính KLT các giá trị riêng một cách trực tiếp Trên thực tế, cả hai phương pháp này hầu như đều có cùng điểm quan tâm

Sự khác biệt duy nhất là tiêu chí KLT bổ sung thực thi một khoảng cách không gian giữa các điểm quan tâm được phát hiện Theo lý thuyết, ma trận M là bất biến đối với cả phép quay và phép tịnh tiến Tuy nhiên, nó không bất biến đối với các phép biến đổi affine hoặc xạ ảnh

2.3.2 Background Modeling (phép trừ nền)

Phương pháp Background Modeling hay có thể gọi phương pháp phát hiện tiền cảnh là một kỹ thuật trong lĩnh vực xử lý ảnh và thị giác máy tính khi mà tiền cảnh (foreground) sẽ được tách ra cho những bước xử lý tiếp theo (ví dụ như nhận dạng đối tượng, nhận dạng cử chỉ, chuyển động, vv) Thông thường những vùng ảnh quan tâm sẽ thuộc vùng tiền cảnh của bức ảnh, vì vậy việc tách cảnh nền hiệu quả và chính xác giúp cho các hệ thống này đạt được sự ổn định và tính nhanh chóng Sau bước tiền xử lý, các bước xử lý tiếp theo sẽ sử dụng kỹ thuật tách nền này Tách cảnh nền được ứng dụng rộng rãi trong nhiều lĩnh vực như camera giám sát, nhận dạng đối tượng, nhận dạng cử chỉ đối tượng, giao thông để theo dõi lưu lượng xe

Ý tưởng chung của các phương pháp trừ nền là : Để phát hiện ra các đối tượng chuyển động trong video, đối tượng trong ảnh chúng ta phải có được mô hình nền (background) Mô hình nền này có thể được lọc qua nhiều frame ảnh nếu nền bị thay đổi Sau đó, ta sẽ dùng mô hình nền này để so sánh với frame ảnh hiện tại và kết quả là ta sẽ nhận biết được đâu là vùng phần nền, đâu là các phần chuyển động

và các đối tượng

Các phương pháp tiếp cận:

- Phương pháp frame differencing

- Phương pháp lọc trung bình Mean filter

- Phương pháp Running Gaussian average

- Phương pháp mô hình codebook

Frame difference: Ý tưởng chính trong frame difference là các đối tượng chuyển động sẽ được phát hiện dựa trên sự khác biệt giữa hai frame ảnh liên tiếp nhau với cùng một ngưỡng được chọn

Mean filter: Một phép lọc phi tuyến là một kết quả không thể thu được từ một tổng trọng số của các điểm ảnh (Pixel) lân cận Sau khi đã định nghĩa kích thước vùng lân cận, giá trị điểm ảnh (Pixel) trung tâm được thay bằng trung vị tức là giá trị chính giữa của tất cả các giá trị của các điểm trong vùng lân cận

Running Gaussian Average: Phương pháp này do Wren, Azarbayejani, Darrell

và Pentland đưa ra vào năm 1997 Phương pháp này đặt một phân phối Gaussian G(µ, σ) lên sự biến thiên giá trị của mỗi pixel trong đoạn video

Codebook: Ý tưởng chính của phương pháp này là tại mỗi pixel của mô hình nền, một tập các cluster với tâm và giới hạn trong không gian màu sẽ được xây dựng nhằm thể hiện sự phân bố của pixel nền trong không gian màu đó Mỗi cluster như vậy được gọi là codeword, tập cluster tại mỗi vị trí pixel được gọi là codebook

2.3.3 Segmentation (phân đoạn)

Mục đích của thuật toán phân đoạn hình ảnh là phân vùng hình ảnh thành các vùng tương tự Mọi thuật toán phân đoạn đều giải quyết hai vấn đề, các tiêu chí để

có một phân vùng tốt và phương pháp để đạt được phân vùng hiệu Nó khác với các bài toán về object detection là bài toán này có thể xác định rõ được vùng ảnh của đối tượng nào đó, còn object detection nó chỉ xác định được bounding box của đối tượng

Về bài toán phân vùng ảnh (Segmentation) này thì còn chia ra nhiều loại nhỏ hơn:

- Semantic segmentation: Thực hiện segment với từng lớp khác nhau, ví dụ: tất cả các ghế là một lớp

- Instance segmentation: Thực hiện segment với từng đối tượng trong một lớp

Ví dụ có 9 cái ghế trong ảnh, thì mỗi ghế được phân biệt với một màu khác nhau

2.3.4 Giám sát (Supervised)

Phần lớn các ứng dụng AI thực tế đều sử dụng học tập có giám sát – supervised learning Học có giám sát là nơi có các biến đầu vào (X) và biến đầu ra (Y) và sử dụng thuật toán để tìm hiểu hàm ánh xạ từ đầu vào đến đầu ra

Mục đích là để xây dựng hàm ánh xạ một cách tốt nhất có thể để khi có dữ liệu đầu vào mới (X) và có thể dự đoán các biến đầu ra (Y) cho dữ liệu đó

Nó được gọi là việc học có giám sát bởi vì quá trình của thuật toán học từ tập

dữ liệu đầu vào có thể được coi là một “giáo viên” giám sát quá trình học tập Chúng ta biết câu trả lời đúng, thuật toán sẽ lặp đi lặp lại làm cho việc dự đoán về

dữ liệu đầu vào liên tục được “giáo viên” hoàn thiện Việc học dừng lại khi thuật toán đạt được mức hiệu suất ở mức chấp nhận được

Ưu điểm của Supervised:

- Cho phép người dùng thu thập dữ liệu và tạo đầu ra từ dữ liệu, trải nghiệm đã

có sẵn của người dùng

- Tối ưu hóa hiệu suất từ kinh nghiệm có sẵn

- Giúp người dùng quan sát và giải quyết vấn đề liên quan tới tính toán ở trong thực tế

- Các ưu điểm mà Supervised đem lại là rất thu hút và cũng đáng để thử Nhìn thấy các điểm mạnh này

- Với việc quản lý thời gian tốt và sự hỗ trợ từ máy tính thì người dùng hoàn toàn có thể cải thiện hiệu quả hiệu suất làm việc của mình

Nhược điểm của Supervised:

- Người dùng cần chọn nhiều ví dụ từ mỗi lớp khác nhau trong quá trình đào tạo

- Nhiều thách thức và khó khăn khi phân loại ví dụ với số lượng lớn

- Tốn rất nhiều thời gian trong quá trình đào tạo học và giám sát

- Vấn đề chủ yếu của Supervised nằm ở việc tốn thời gian và cần khá nhiều tâm sức

Việc học tập có giám sát có thể được nhóm lại thành các vấn đề về phân loại

sử dụng một phương pháp đó là phương pháp Background để xử lý bài toán phát hiện chuyển động của các phương tiện trên làn đường

C ƯƠN 3 PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG

3.1 Giới thiệu chương

Trong chương này, luận văn sẽ phân tích và thiết kế hệ thống điều khiển đèn giao thông sử dụng vi điều khiển Hệ thống cố gắng giảm thiểu khả năng tắc đường

do đèn giao thông gây ra ở một mức độ nào đó Hệ thống dựa trên Raspberry pi làm trung tâm xử lý Hệ thống sẽ xử lý hình ảnh dựa trên số lượng phương tiện, kết quả

sẽ xác định và đưa ra các chế độ điều khiển đèn tín hiệu khác nhau Ngoài ra hệ thống sẽ tích hợp thêm khả năng điều khiển từ xa thông qua web giúp hệ thống điều khiển đèn tín hiệu giao thông trở nên thuận tiện và hiệu quả hơn

3.2 Sơ đồ thiết kế hệ thống

Dựa trên sơ đồ xây dựng hệ thống ở Hình 1.4, ta sẽ sử dụng máy tính nhúng Raspberry Pi làm bộ xử lý trung tâm có vai trò thu thập và xử lý dữ liệu Ngoài ra, các thiết bị ngoại vi cũng được lựa chọn để phù hợp với hệ thống

Hình 3.1 Sơ đồ thiết kế hệ thống

3.3 Thiết kế hệ thống phần cứng

3.3.1 Modul điều khiển trung tâm (Master)

Raspberry Pi là một máy tính rất nhỏ gọn, kích thước hai cạnh như bằng khoảng một cái thẻ ATM và chạy hệ điều hành Linux Raspberry Pi được phát triển bởi Raspberry Pi Foundation - một tổ chức phi lợi nhuận

Hình 3.2 Raspberry Pi 3 Model B+

Ta có thể sử dụng Raspberry Pi như một máy vi tính bởi người ta đã tích hợp mọi thứ cần thiết trong đó Bộ xử lý SoC Broadcom BCM2835 của nó bao gồm CPU, GPU, RAM, khe cắm thẻ microSD, Wi-Fi, Bluetooth và 4 cổng USB 2.0 Với Raspberry Pi, chúng ta chỉ cần cài hệ điều hành, gắn chuột, bàn phím và màn hình là có thể sử dụng như một máy vi tính Raspberry Pi không hoàn toàn có thể thay thế được máy tính để bàn hoặc laptop nhưng nó là một thiết bị đa năng có thể được sử dụng cho những hệ thống điện tử, thiết lập hệ thống tính toán, những dự

án DIY… với chi phí rẻ

Hình 3.3 Cấu trúc Raspberry Pi 3 Model B+

3.3.2 Khối Arduino điều khiển Led (Slave)

Arduino Uno là một board mạch vi điều khiển đƣợc phát triển bởi Arduino.cc, một nền tảng điện tử mã nguồn mở chủ yếu dựa trên vi điều khiển AVR