Khóa luận tốt nghiệp Công nghệ thông tin: Hệ thống thống kê lưu lượng giao thông xử lý phân tán theo thời gian thực

Vì vậy, việc xây dựng các hệ thông quản lý giao thôngthông minh Intelligent Transportation System đang là nhu cầu tất yêu của các thành phó.Trong đó, tác vụ đếm phương tiện giao thông từ

Trang 1

ĐẠI HỌC QUOC GIA TP HO CHÍ MINH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA KHOA HỌC VÀ KỸ THUẬT THÔNG TIN

NGUYEN VAN KHOA

KHOA LUAN TOT NGHIEP

Real-Time Distributed Traffic Statistics System

CU NHAN NGANH CONG NGHE THONG TIN

ĐỊNH HƯỚNG NHẬT BẢN

TP HÒ CHÍ MINH, 2022

Trang 2

ĐẠI HỌC QUOC GIA TP HO CHÍ MINH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA KHOA HỌC VÀ KỸ THUẬT THÔNG TIN

NGUYÊN VĂN KHOA - 18520929

KHÓA LUẬN TÓT NGHIỆP

HỆ THONG THONG KE LƯU LƯỢNG GIAO THONG

XU LY PHAN TAN THEO THOI GIAN THUC

Real-Time Distributed Traffic Statistics System

CU NHAN NGANH CONG NGHE THONG TIN

Trang 3

THONG TIN HOI DONG CHAM KHÓA LUẬN TOT NGHIỆP

Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số

¬ eee eaeeeeeceeeeaees Ngay - của Hiệu trưởng Trường Dai hoc Công

nghệ Thông tin.

II — Chủ tịch.

PA = — Thư ký

Trang 4

ĐẠI HỌC QUOC GIA TP HO CHÍMINH CONG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Tên khóa luận:

HE THONG THONG KE LƯU LUQNG GIAO THONG

(Real-Time Distributed Traffic Statistics System)

Nhóm sinh viên thực hiên: Cán bộ hướng dẫn:

Nguyễn Văn Khoa - 18520929 TS Ngô Đức Thành

Đánh giá khóa luận:

1 Vé cuôn báo cáo:

Số trang Số chương

Số bảng số liệu Số hình vẽ

Số tài liệu tham khảo Sản phẩm

Một sô nhận xét về hình thức cuôn báo cáo:

Trang 5

2 Về nội dung nghiên cứu:

Điểm từng sinh viên:

Nguyễn Văn Khoa — /10

Người nhận xét

TS Ngô Đức Thành

Trang 6

Tên khóa luận:

Nhóm sinh viên thực hiện: Cán bộ hướng dẫn:

Nguyễn Văn Khoa — 18520929 ThS Đỗ Văn Tiến

Trang 7

ThS Đỗ Văn Tiến

Trang 8

Tên khóa luận:

Nhom sinh vién thuc hién: Can bô phan biên:

Nguyễn Văn Khoa — 18520929

Trang 9

Trang 10

TRƯỜNG ĐẠI HỌC Độc Lập -Tự Do -Hạnh Phúc

TP HCM, ngày 23 tháng 07 năm 2022

DE CƯƠNG CHI TIẾT

TÊN ĐÈ TÀI: HỆ THÓNG THÓNG KÊ LƯU LƯỢNG GIAO THÔNG XỬ LÝ

PHÂN TÁN THEO THỜI GIAN THỰC

TÊN DE TÀI (tiếng Anh): REAL-TIME DISTRIBUTED TRAFFIC STATISTICS

SYSTEM

Cán bộ hướng dẫn:

1 TS Ngô Đức Thành

2 ThS Đỗ Văn Tiến

Thời gian thực hiện: Từ ngày 10/02/2022 đến ngày 10/07/2022

Sinh viên thực hiện:

Nguyễn Văn Khoa — 18520929

Nội dung đề tai:(M6 tả chỉ tiết mục tiêu, phạm vi, đối tượng, phương pháp thực hiện, kết

quả mong đợi của dé tài)

Giới thiệu:

Những năm gần đây, với tốc độ phát triển đô thị hóa nhanh chóng, lượng phương tiện đồ

về các thành phố lớn ngày càng nhiều Điều này đã gây áp lực cho các tuyên đường có mật

độ phương tiện lưu thông dày đặc, ảnh hưởng không nhỏ đến môi trường sống và làm việc

của người dân Một trong những nguyên nhân chính gây lên tình trạng này đó là chưa có

nhiều các công cụ hay hệ thống hỗ trợ cho việc điều tiết lượng giao thông dựa trên tình

Trang 11

trạng thực tê của mỗi tuyến đường Vì vậy, việc xây dựng các hệ thông quản lý giao thôngthông minh (Intelligent Transportation System) đang là nhu cầu tất yêu của các thành phó.Trong đó, tác vụ đếm phương tiện giao thông từ dit liệu thu được bởi camera giao thông

là tác vụ cốt lõi và đã trở thành một trong những chủ đề được quan tâm nghiên cứu trong

lĩnh vực Thị giác Máy tính [1][2] Tiềm năng của việc giải quyết bài toán này chính là

giúp các chính quyền và người dân có thể nắm bắt được tình hình giao thông của thànhphố theo thời gian thực, từ đó đưa ra những phương án dé giảm thiêu ùn tắc và nâng cao

hiệu quả của đèn giao thông.

Bài toán này được mô tả như sau:

e Đầu vào: Một video hoặc video stream trực tiếp từ hệ thống camera thành phố

cùng với thông tin vê vùng quan sát và hướng di chuyên cân quan tâm.

e Đầu ra: Số lượng mỗi loại phương tiện đi theo các hướng định nghĩa trước.

Phương pháp được đề xuất cho bài toán này cần ghi lại thời điểm mỗi phương tiện rời khỏivùng quan sát (region of interest) đồng thời cho biết loại phương tiện và hướng di chuyển

của phương tiện đó.

Đã có nhiều phương pháp cũng như cuộc thi trong và ngoài nước được tô chức nhằm tim

ra giải pháp cho bài toán này Ở quy mô quốc tế có cuộc thi NVIDIA AI City Challenge[31] với sự tham gia của nhiều doanh nghiệp và trường đại học Đối với phạm vi trongnước có cuộc thi [1] được tổ chức bởi Sở Thông tin và Truyền thông TP HCM Nhìnchung, các lời giải tốt nhất hiện có cho bài toán này [9][10][11][12] đều thiết kế hệ thốngtheo khuôn khổ DTC [13] gồm ba mô-đun chính:

e Phat hiện va phân loại phương tiện giao thông (Vehicle Detection).

e Truy vết phương tiện giao thông (Vehicle Tracking)

e Xác định hướng di chuyển của mỗi phương tiện (Vehicle Counting).

Trang 12

Tại Việt Nam, có hai thách thức chính đối với bai toán này:

Về mặt phương pháp: Vì đây là bài toán lớn được chia nhỏ thành ba bước trong quytrình xử lý, hiệu năng của mỗi bước sẽ trực tiếp ảnh hưởng đến kết quả của toàn hệthống Do đó, việc nghiên cứu lựa chọn phương pháp phù hợp đề tăng độ chính xác

và tính hiệu quả của mỗi bước trở thành một vấn đề cần được quan tâm và chú

trọng.

Về mặt dữ liệu: Day là bài toán nhắm đến việc xử lý dit liệu giao thông thực tế đặcthù ở Việt Nam, mang đến những thách thức liên quan đến độ phức tạp của bối

cảnh giao thông, chất lượng và độ ồn định của dữ liệu video Ngoài ra, cần thiết kế

một hệ thống có khả năng đáp ứng nhu cau xử lý trong thời gian thực (real-time)với lượng đữ liệu lớn đến từ vài chục, vài trăm, thậm chí là hàng ngan camera giaothông của thành phô

Dé giải quyết những van dé nêu trên, trong dé tài này tôi sẽ thực hiện triển khai một hệthống đếm phương tiện giao thông tự động trên bối cảnh giao thông tại Việt Nam dựa theokhuôn khổ DTC, đồng thời tích hợp công nghệ xử lý Dữ liệu Lớn Apache Kafka [3] nhằmtận dụng khả năng xử lý phân tán giúp hệ thống có thé đáp ứng theo thời gian thực

Mục tiêu:

Tìm hiểu tổng quan và thực hiện đánh giá cho bài toán thống kê lưu lượng giao

thông trên video Trong đó, tôi tập trung vào các bài toán con là phát hiện phương

tiện, truy vết phương tiện và đếm phương tiện

Đánh giá và phân tích một số phương pháp hiện nay cho bài toán bằng các độ đotiêu chuẩn

Xây dựng hệ thống có khả năng đáp ứng theo thời gian thực sử dụng Apache Kafka.

Phạm vỉ:

Dữ liệu mà dé tài sử dụng được thu thập tại bối cảnh giao thông của thành phố HồChí Minh, bao gồm dữ liệu có được từ Hội thi Giải pháp Trí tuệ Nhân tạo trên địa

Trang 13

bàn Thành phô Hồ Chí Minh năm 2020 [4] kết hợp cùng tập dữ liệu do tôi tự pháttriển với nguồn ảnh từ http://giaothong.hochiminhcity.gov.vn/.

Nghiên cứu các phương pháp phát hiện vật thé tiên tiến như YOLOv4 [5],

YOLOv5s [6], Faster-RCNN [7], Cascade R-CNN [8] trong tác vụ phát hiện

phương tiện giao thông.

Đánh giá các phương pháp phát hiện vật thé cho bài toán trên tap dit liệu VDI0k với các độ đo tiêu chuẩn mAP, AP50, AP75

UIT-Áp dụng phương pháp DeepSORT [9] đề tiến hành theo vết phương tiện giao thông.Xây dựng phương pháp đếm phương tiện giao thông

Xây dựng hệ thống xử lý end-to-end Trong đó, các thành phần trong DTC sẽ đượcphát triển thành những mô-đun độc lập, các mô hình hoc sâu sẽ được huấn luyện

và chạy cục bộ.

Tích hợp công nghệ xử lý Dữ liệu Lớn Apache Kafka nhằm tận dụng khả năng xử

lý phân tán Cụ thể, các Kafka Broker sẽ đảm nhiệm vai trò đệm dữ liệu lớn giữaluồng video đồ về của các camera với các mô-đun xử lý của hệ thống Với khả năng

mở rộng theo chiều ngang một cách linh hoạt của Kafka, kiến trúc hệ thống nêutrên có thé nâng cao khả năng xử lý bằng cách gia tăng số lượng Broker đồng thời

Trang 14

gia tăng sô lượng node xử lý cho DTC Từ đó hiệu năng của hệ thông không còn bị

giới hạn bởi năng lực tính toán của một máy tính.

e Xây dựng chương trình ứng dụng trên nền web cho phép người dùng chọn xem chi

tiết thống kê mật độ giao thông của từng camera

Kết quả dự kiến:

e Báo cáo kỹ thuật các phương pháp được sử dụng trong bài toán phát hiện phương

tiện giao thông, theo vết phương tiện giao thông Kết quả thực nghiệm, so sánh và

đánh giá của các phương pháp.

e Tập dữ liệu UIT-VD10k gồm 10.000 ảnh bối cảnh giao thông tại thành phó Hồ Chi

Minh cho bài toán đếm phương tiện giao thông

e Ứng dụng minh họa.

Tài liệu tham khảo:

[1] Chang, Ming-Ching, et al “Ai city challenge 2020-computer vision for smart

transportation applications.” Proceedings of the IEEE/CVF conference on computer vision

and pattern recognition workshops 2020.

[2] Naphade, Milind, et al “The 2019 AI City Challenge.” CVPR workshops Vol 8.

2019.

[3] Sax, Matthias J., S Sakr, and A Zomaya “Apache Kafka.” (2019).

[4] Hội thi giải pháp ứng dung Trí tuệ Nhân tạo (AI) trên địa bàn thành phố Hồ Chí Minh

năm 2020, http://aichallenge.hochiminhcity.gov.vn (truy cập ngày 07/09/2021).

[5] Bochkovskiy, Alexey, Chien-Yao Wang, and Hong-Yuan Mark Liao “Yolov4:

Optimal speed and accuracy of object detection.” arXiv preprint arXiv:2004.10934 (2020).

[6] Jocher, Glenn, et al 2020, “ultralytIcs/yolov5: v5.0 - YOLOv5-P6 1280 models, AWS,

Supervise.ly and YouTube integrations”, https://github.com/ultralytics/yolovS

Trang 15

[7] Ren, Shaoqing, et al “Faster R-CNN: towards real-time object detection with region

proposal networks.” JEEE transactions on pattern analysis and machine intelligence 39.6

(2016): 1137-1149.

[8] Cai, Zhaowei, and Nuno Vasconcelos “Cascade r-cnn: Delving into high quality

object detection.” Proceedings of the IEEE conference on computer vision and pattern

recognition 2018.

[9] Bewley, Alex, et al “Simple online and realtime tracking.” 2016 IEEE international

conference on image processing (ICIP) TEEE, 2016.

[10] Lu, Jincheng, et al “Robust and online vehicle counting at crowded intersections.”

Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.

2021.

[11] Tran, Duong Nguyen-Ngoc, et al “A region-and-trajectory movement matching for

multiple turn-counts at road intersection on edge device.” Proceedings of the IEEE/CVF

Conference on Computer Vision and Pattern Recognition 2021.

[12] Tran, Vu-Hoang, et al “Real-time and robust system for counting movement-specific

vehicle at crowded intersections.” Proceedings of the IEEE/CVF Conference on Computer

Vision and Pattern Recognition 2021.

[13] Naphade, Milind, et al “The 5th ai city challenge.” Proceedings of the IEEE/CVF

Conference on Computer Vision and Pattern Recognition 2021.

Kế hoạch thực hién:(M6 ta kế hoạch làm việc và phân công công việc cho từng sinh viên

tham gia)

e Tuần 1 - 8: Xây dựng bộ dữ liệu UIT-VD10k, khảo sat và chạy thực nghiệm các

phương pháp phát hiện vật thê cho bài toán phát hiện phương tiện

o Kết quả dự kiến:

m Bộ dữ liệu UIT-VD10k gồm 10.000 ảnh 1080x720

Trang 16

m Tài liệu kỹ thuật chi tiết các phương pháp YOLOv4, YOLOv5s,

Faster-RCNN, Cascade R-CNN.

m Tài liệu độ đo tiêu chuẩn mAP, AP50, AP75

m Bảng kết quả đánh giá và theo dõi thực nghiệm của các thuật toán

YOLOv4, YOLOv5s, Faster-RCNN, Cascade R-CNN dựa trên bộ dữ

liệu UIT-VD10k.

Tuần 9 - 10: Sử dụng DeepSORT cho bài toán theo vết phương tiện, phát triểnphương pháp đếm phương tiện, hoàn thành hệ thống theo khuôn khổ DTC

o Kết quả dự kiến:

m Tài liệu kỹ thuật về DeepSORT, khuôn khổ DTC

Tuần 11 - 14: Tích hop Apache Kafka dé xây dựng hệ thống có thé đáp ứng nhiều

camera theo thời gian thực.

o Kết qua dự kiến:

mẽ Tài liệu kỹ thuật về Apache Kafka

m Kết quả thực nghiệm, đánh giá khả năng đáp ứng theo thời gian thực

của apache Kafka đôi với bài toán.

Tuần 15 - 18: Xây dựng ứng dụng minh họa kết quả

o Kết qua dự kiến:

m Chương trình ứng dụng trên nền web cho phép người dùng chọn xem

chỉ tiết thống kê mật độ giao thông của từng camera

Trang 17

(Ký tên và ghi rõ họ tên)

Nguyễn Văn Khoa

Trang 18

LỜI CẢM ƠN

Đầu tiên, tôi xin gửi lời cảm ơn đến tập thể quý Thầy/Cô Trường Đại học Côngnghệ Thông tin — Dai học Quốc Gia TP.HCM nói chung, quý thầy cô khoa Khoa học

và Kỹ thuật Thông tin, và Khoa Khoa học máy tính nói riêng đã giúp cho tôi tích lũy

được những kiến thức nền tang dé thực hiện nghiên cứu này

Đặc biệt, tôi xin gửi lời cảm ơn chân thành tới TS Ngô Duc Thành và Thể.

Đỗ Văn Tiến đã đồng hành và theo sát tôi để hướng dẫn, quan tâm, lo lắng và giúp

đỡ tôi hoàn thiện được khóa luận tốt nghiệp tốt nhất Các Thầy là hai người truyền

nguồn cam hứng, kiến thức dé tôi có đủ nhiệt huyết dé thực hiện khóa luận tới cuối

cùng.

Xin cảm ơn ThS Võ Duy Nguyên đã cho tôi những nhận xét mang tính xây

dựng cao, những góp ý giá trị giúp tôi có thể hoàn thành tốt nhất khóa luận

Cuôi cùng, tôi xin cảm ơn đên gia đình và bạn bè đã động viên, khuyên khích

và truyền năng lượng tích cực cho tôi dé hoàn thành khóa luận

Xin chân thành cảm ơn quý Thay/C6

Trang 19

DANH MỤC HÌNH

Hình 1.1 Minh họa đầu vào của bài toán thống kê lưu lượng giao thông Trong đó,

đa giác màu đỏ thể hiện vùng ROI, các mũi tên thé hiện các MOL 26Hình 2.1 Minh họa cho bài toán phát hiện vat thể -: -¿©2255¿5c5z+2 32Hình 2.2 Minh hoa bai toán theo vết vật thỂ - ¿+ s+sSx+EvEEvEEEeEzEerxsrerxee 33Hình 2.3 Kiến trúc của Apache Kafka [2 ]] - c- S5 1t + St rey 35Hình 3.1 Kết quả sau khi lấy trung bình của các khung hình . 37Hình 4.1 Biểu đồ phân bồ nhãn các loại phương tiện trong bộ dữ liệu 42Hình 5.1 Kiến trúc microservice .cccccessssssessessesssssseessesssssessessesssssessessesssssesseesesseen 48Hình 5.2 Kiến trúc hệ thống tích hợp Apache KafKa -:- ¿25+ 50

Hình 5.3 Giao diện frontend với chức năng hién thị và trực quan hóa lưu lượng giao

Trang 20

DANH MỤC BANG

Bang 1 Chi tiết về câu hình các phương pháp phát hiện đối tượng - 43

Bảng 2 Kết quả chạy thực nghiệm cho mô-đun phát hiện phương tiện 44Bang 3 Kết quả trên Testset B của HCM AI Challenge 2020 2- 52 45Bang 4 So sánh tốc độ thực thi trước và sau khi áp dung Apache Kafka 53

Trang 21

DANH MỤC TU VIET TAT

AI Artificial Intelligence DTC Detection — Tracking — Counting HCMC Ho Chi Minh City

ITS Intelligent Transportation System MOI Movement Of Interest

RMSE Root Mean Square Error ROI Region Of Interest

Trang 22

MỤC LỤC

TÓM TẮT KHÓA LUẬN 24Chương 1 TONG QUAN 25

2.1 Bài toán phát hiện vật thé 312.2 Bài toán theo vét vật thể 322.3 Một số công nghệ liên quan 33

3.2 Phát hiện phương tiện 37

3.3 Theo vết phương tiện 383.4 Đếm phương tiện 40

Trang 23

Chương 4 ĐÁNH GIÁ VÀ PHAN TÍCH 42

5.2.1 Mô-đun tích hợp 50

5.2.2 Thiết kế giao diện người dùng 515.3 Đánh giá khả năng chịu tải của hệ thống 52Chương 6 KET LUẬN VÀ HƯỚNG PHAT TRIEN 54

1 Kết luận 54

2 Hướng phát triển 54TÀI LIỆU THAM KHẢO 56

Trang 24

TOM TAT KHÓA LUẬN

Cùng với sự phát trién của Hệ thống Giao thông Thông minh (Intelligent TransportationSystem - ITS), bài toán đếm phương tiện giao thông từ video mà camera giao thông thunhận đã trở thành một bài toán được quan tâm nghiên cứu, tiềm năng của việc này đó làgiúp các thành phố có thé định hướng giao thông hiệu quả, tối ưu hóa cơ sở hạ tang giaothông, giảm thiểu tai nạn, v.v Hiện nay có 2 thách thức lớn nhất đối với bài toán này đó

là độ chính xác và khả năng chịu tải Xét về độ chính xác, các bài toán đếm xe truyềnthống tập trung vào việc đếm các xe trong một bức ảnh, rõ ràng điều đó không sẽ khôngthé xác định hướng di chuyên của phương tiện (Movement Of Interest - MOI), do đó,trong báo cáo này, khuôn khổ DTC được áp dụng nhằm khai thác tối đa lượng thông tin

mà video mang lại Phương pháp dựa trên DTC trong báo cáo này đã được kiểm nghiệm

là dat sai số RMSE thấp nhất Test Set B của HCMC AI Challenge 2020 khi chạmngưỡng giá trị 1,39 Xét về khả năng chịu tải, với số lượng lớn camera giao thông củathành phố cùng bản chat gây nặng tải vốn có của dữ liệu dạng video, cần thử nghiệm áp

dụng công nghệ Dữ liệu Lớn dé đánh giá khả năng tiếp nhận và xử lý dữ liệu giữa những

mô-đun trong hệ thống Trong bài báo cáo này, Apache Kafka đã được sử dụng dé xâydựng hệ thống có khả năng chịu tải và xử lý dữ liệu theo thời gian thực Kết quả thựcnghiệm cho thấy Apache Kafka giúp tăng tốc độ xử lý lên gấp 3,55 lần so với hệ thống

dựa trên kiên trúc microservice cơ bản.

24

Trang 25

Chương 1 TONG QUAN

hệ thống quản lý giao thông thông minh (Intelligent Transportation System - gọi làITS) [29] đang là nhu cầu tất yêu của các thành phố Trong đó, bài toán đếm phương

tiện giao thông từ video ma camera giao thông thu nhận đã trở thành một bài toán

được quan tâm nghiên cứu [30], đây là bài toán thuộc lĩnh vực Thị giác Máy tính ứng

dụng trong ITS Tiềm năng của việc này đó là giúp các thành phố có thé định hướnggiao thông hiệu quả, tối ưu hóa cơ sở hạ tầng giao thông, giảm thiểu tai nạn, giảm

lượng khí thải từ phương tiện, v.v.

Bài toán này được mô tả như sau:

e Đầu vào: Một video hoặc video stream trực tiếp từ hệ thống camera thành phố,

cùng với đó là thông tin vê vùng quan sát và hướng di chuyên cân quan tâm.

® Đầu ra: Số lượng mỗi loại phương tiện đã đi theo các hướng được định nghĩa

25

Trang 26

Trong đó, bối cảnh giao thông tại Việt Nam gồm 4 nhóm phương tiện cần quan tâmgồm:

Xe đạp, xe may

Xe ô tô, xe bán tải

Xe buýt, xe khách

FY Ð = Xe tải và container

Trong mỗi video giao thông, cần xác định một vùng quan sát (Region-of-Interest, gọi

là ROD) và các hướng di chuyên (Motion-of-Interest, gọi là MOI):

e Vùng ROI được biểu diễn dưới dạng một đa giác, giới hạn vùng không gian

cần tập trung quan sát và xử lý

e Các MOI giúp xác định các làn xe di chuyên theo các hướng cụ thé khác nhau

trong video.

Hình 1 Minh họa đầu vào của bài toán thống kê lưu lượng giao thông

Trong đó, đa giác màu đỏ thé hiện vùng ROI, các mũi tên thé hiện các MOI

Hình minh họa về MOI và ROI được hiển thị trong Hình 1 Mục tiêu của việc đếmphương tiện theo MOI là đề tìm ra chính xác số lượng phương tiện tương ứng với cácMOI đó, trong đó MOI có thé được định nghĩa từ trước bởi tất cả các trạng thái, cáchành vi có thé có của phương tiện, kết hợp các làn đường va chi dẫn (rẽ trái/rẽ phải/đi

26

Trang 27

thăng) Một phương tiện được tính là đếm ngay khi nó di chuyên hoàn toàn ra khỏi

vùng ROI.

Các bài toán đếm xe truyền thống có thé được chia thành hai nhánh Nhánh thứ nhất

là đếm xe theo khung hình (frame) [4, 18, 41, 43] nhăm đếm các xe trong một frameđơn nhất, bất kế định danh của từng xe Trong nhánh này có hai phương pháp chính

đó là (1) sử dụng các thuật toán hồi quy dé ước tính mật độ phương tiện [6, 8, 18]hoặc (2) là đếm dựa trên kết quả của phát hiện đối tượng [10, 15, 36, 38, 45], tức làphát hiện xe trước rồi mới đếm chúng sau Tuy nhiên, do hiện tượng che khuất nhaugiữa các phương tiện nên việc đếm trong I frame đơn nhất thường bỏ sót rất nhiềuđối tượng Nhánh thứ hai trong đếm xe truyền thống là đếm các xe theo cá thể (cógan định danh) trong các frame liên tiếp Nhờ đó, những xe bị che khuất và khôngđược phát hiện có thé được tính bằng cách tận dụng thông tin từ các frame liên tiếp.Đặc biệt, các phương pháp [10, 38] tuân theo khuôn khô Phát hiện - Theo vết - Đếm(Detection - Tracking - Counting gọi là DTC), tức là thực hiện theo vết đa đối tượngdựa trên kết quả của mô-đun detection, sau đó đếm xe dựa trên kết quả theo vết ấy

Khác với 2 bài toán đếm phương tiện truyền thống đã đề cập ở trên, bài báo này đềcập đến tác vụ đếm phương tiện theo hướng di chuyên xác định Cụ thể là không chỉđếm phương tiện theo từng hướng di chuyên MOI, mà còn ghi lại mốc thời gian chínhxác khi mỗi xe di chuyên ra khỏi ROI Cách tiếp cận đề xuất chủ yếu tuân theo khuônkhổ DTC, trong đó chọn YOLOv4 [35] và SORT [9] làm những phương pháp cơ sở(baseline) cho tác vụ phát hiện đối tượng và theo vết đa đối tượng

27

Trang 28

1.2 Thách thức, phạm vi, mục tiêu

1.2.1 Thách thức

Tại Việt Nam, có hai thách thức chính đối với bài toán này:

e Vẻ mặt phương pháp: Vì đây là bài toán lớn được chia nhỏ thành ba bước trong

quy trình xử lý, hiệu năng của mỗi bước sẽ trực tiếp ảnh hưởng đến kết quảcủa toàn hệ thống Do đó, việc nghiên cứu lựa chọn phương pháp phù hợp détăng độ chính xác và tính hiệu quả của mỗi bước trở thành một vấn đề cần

được quan tâm và chú trọng.

e Vẻ mặt dữ liệu: Đây là bài toán nhằm đến việc xử ly dit liệu giao thông thực

tế đặc thù ở Việt Nam, mang đến những thách thức liên quan đến độ phức tạp

của bối cảnh giao thông, chất lượng và độ ôn định của dữ liệu video Ngoài ra,

cần thiết kế một hệ thống có khả năng đáp ứng nhu cầu xử lý trong thời gianthực (real-time) với lượng dt liệu lớn đến từ vài chục, thậm chí là hàng trămcamera giao thông của thành phó

1.2.2 Phạm vi

Phạm vi, khuôn khô được giới hạn trong bài bao cáo nay như sau:

e Các phương pháp được triển khai và thử nghiệm trên tập dữ liệu UIT-VD10k,

đây là tập dữ liệu được xây dựng dé phục vụ cho báo cáo này Cụ thé, bối cảnhgiao thông là của thành phó H6 Chí Minh, bao gồm hình ảnh có được từ Hộithi Giải pháp Trí tuệ Nhân tạo trên địa ban Thành phố Hồ Chi Minh năm 2020

- HCMC AI Challenge 2020 [1] kết hợp cùng hình ảnh thu được từ trang giaothông của thành phố [2]

e Apache Kafka sẽ được triển khai ở 4 nút CPU 8 cores Intel(R) Xeon(R) Silver

4210.

1.2.3 Mục tiêu

Mục tiêu hướng đên của báo cáo này bao gôm:

28

Trang 29

e Tìm hiểu tông quan và thực hiện đánh giá cho bài toán thống kê lưu lượng

giao thông trên video Trong đó, tôi tập trung vào các bai toán con là phát hiện

phương tiện, truy vết phương tiện và đếm phương tiện

e Đánh giá và phân tích một số phương pháp hiện nay cho bài toán bằng các độ

đo tiêu chuẩn

e Xây dựng hệ thống có khả năng đáp ứng theo thời gian thực sử dung Apache

Kafka.

1.3 Đóng góp

Dưới đây là những đóng góp trong bài nghiên cứu:

e Bộ dữ liệu chuân UIT-VD10k cho bài toán phát hiện phương tiện giao thông

gồm 10.000 ảnh với độ phân giải 1080x720 thuộc 10 góc camera tiêu biểu tạithành phố Hồ Chí Minh va 10.000 nhãn tương ứng ở định dang Pascal VOC

e Phương pháp dựa trên DTC trong bao cáo này đạt được độ chính xác cao trong

việc đếm phương tiện ở thành phố Hồ Chí Minh, được chấp nhận tại hội nghịquốc tế chuyên về Thị giác Máy tính MAPR 2021 Thêm vào đó còn đượckiểm nghiệm là đạt sai số RMSE thấp nhất Test Set B của HCMC AI

Challenge 2020 khi chạm ngưỡng gia trị 1,39, đạt giải nhì chung cuộc với độ

chính xác cao nhất so với các đội từ nhiều trường đại học và công ty trên quy

mô toàn quốc Ngoài ra, từ kết quả của phương pháp trên, chúng tôi cũng đã

đạt giải ba trong Giai thưởng Sinh viên Nghiên cứu khoa học — Euréka năm

2021.

e Hệ thống tích hop Apache Kafka trong báo cáo này đạt tốc độ xử lý nhanh hơn

gap 3,55 lân so với kiên trúc Microservice cơ bản.

29

Trang 30

1.4 Cấu trúc

Bài nghiên cứu của tôi gôm có sáu phân:

Chương 1: Giới thiệu tông quan về dé tài Định nghĩa bài toán, trình bày các

thử thách, mục tiêu và đóng góp của công trình nghiên cứu.

Chương 2: Khao sát và tong hợp các nghiên cứu các van đề liên quan đến bàitoán Thống kê Lưu lượng Giao thông và sự ứng dụng của Dữ liệu Lớn trong

ITS.

Chương 3: Mô tả chỉ tiết quá trình cài đặt phương pháp dựa trên khuôn khổDTC cho bài toán Thống kê Lưu lượng Giao thông

Chương 4: Thực hiện đánh giá và so sánh các phương pháp tiên tiễn trên các

độ đo tiêu chuẩn

Chương 5: Chỉ tiết kỹ thuật về cách xây dựng hệ thống minh họa và đánh giáhiệu năng thông qua mô phỏng thực tế

Chương 6: Kết luận về ưu điểm và hạn chế của hệ thống được đề xuất, nêu rahướng phát trién của đề tài trong tương lai

30

Tiêu đề	Hệ thống thống kê lưu lượng giao thông xử lý phân tán theo thời gian thực
Tác giả	Nguyen Van Khoa
Người hướng dẫn	TS. Ngu Duc Thanh, ThS. Do Van Tien
Trường học	Đại học Quốc gia TP. Hồ Chí Minh
Chuyên ngành	Công nghệ thông tin
Thể loại	Khóa luận tốt nghiệp
Năm xuất bản	2022
Thành phố	TP. Hồ Chí Minh

Định dạng
Số trang	61
Dung lượng	29,51 MB