PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG bị CHE KHUẤT TRONG ẢNH

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN  ĐOÀN VĂN HUYÊN PHÁT HIỆN PHƯƠNG TIỆN GIAO THÔNG BỊ CHE KHUẤT TRONG ẢNH LUẬN VĂN THẠC SĨ NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 60 48 01 01 NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS LÊ ĐÌNH DUY TS NGƠ ĐỨC THÀNH TP HỒ CHÍ MINH – NĂM 2016 LỜI CAM ĐOAN Tôi xin cam đoan Luận văn thực cơng sức thân tơi suốt thời gian nghiên cứu, giúp đỡ tận tình PGS TS Lê Đình Duy, TS Ngơ Đức Thành Luận văn thực trường Đại học Cơng nghệ Thơng tin, Thành phố Hồ Chí Minh Những kết đạt Luận văn trình thực nghiệm hệ thống tơi kế thừa phát triển từ kết nghiên cứu công bố với liệu giới thiệu Những nội dung sở, kế thừa công trình tham khảo liệt kê đầy đủ mục tài liệu tham khảo Tp Hồ Chí Minh, tháng 10 năm 2016 Học viên thực Đoàn Văn Huyên I LỜI CẢM ƠN Tôi xin gửi lời cảm ơn chân thành đến PGS TS Lê Đình Duy, TS Ngơ Đức Thành, người tin tưởng, giúp đỡ tận tâm hướng dẫn tận tình để tơi hồn thành Luận văn Xin cảm ơn quý Thầy/Cô, Ban Giám hiệu Nhà trường, khoa Khoa học Máy tính, phịng Đào tạo Sau Đại học Trường Đại học Công nghệ Thông tin, ĐHQG TP HCM tạo điều kiện để học tập, nghiên cứu truyền đạt cho kiến thức, tảng kinh nghiệm Tôi xin cảm ơn thành viên Phịng thí nghiệm Truyền thông Đa phương tiện (MMLab) trường Đại học Công nghệ Thơng tin Thành phố Hồ Chí Minh giúp đỡ, đóng góp ý kiến để tơi thực Luận văn Và cuối lời cảm ơn cao dành cho bậc sinh thành gia đình tơi, người ln nguồn động viên lớn lao suốt trình nghiên cứu II MỤC LỤC LỜI CAM ĐOAN I LỜI CẢM ƠN II MỤC LỤC III THUẬT NGỮ VÀ TỪ VIẾT TẮT V DANH MỤC CÁC BẢNG VII DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ IX MỞ ĐẦU .1 CHƯƠNG TỔNG QUAN .3 1.1 Giới thiệu chung 1.1.1 Mô tả toán 1.1.2 Tính cấp thiết 1.1.3 Khó khăn, thách thức vấn đề cần giải 1.1.4 Tình hình nghiên cứu 1.2 Mục tiêu luận văn 1.3 Đóng góp luận văn 1.4 Bố cục luận văn .10 CHƯƠNG 2: CÁC CƠNG TRÌNH LIÊN QUAN VÀ HƯỚNG TIẾP CẬN CỦA LUẬN VĂN 11 2.1 Các hướng tiếp cận toán 12 2.1.1 Tổng quan .12 2.1.2 Các cơng trình liên quan .14 2.2 Hướng tiếp cận Luận văn 20 2.2.1 Kiến trúc tổng quát .20 2.2.2 Gom cụm .21 2.2.3 Đặc trưng huấn luyện phát .23 2.2.4 Huấn luyện 24 2.2.5 Phát .25 2.3 Đánh giá, nhận xét .25 2.4 Tổng kết .26 III CHƯƠNG 3: PHƯƠNG PHÁP CẢI TIẾN DỰA TRÊN GOM CỤM DỮ LIỆU HUẤN LUYỆN 27 3.1 Các hạn chế phương pháp phát gom cụm liệu huấn luyện 28 3.1.1 Phân tích liệu huấn luyện .28 3.1.2 Phân tích thử nghiệm cụm .30 3.1.3 Nhận xét 32 3.2 Đề xuất cải tiến 33 3.2.1 Các tính chất mẫu huấn luyện 33 3.2.2 Phương pháp tăng cường mẫu huấn luyện 34 3.2.3 Phương pháp tối ưu hóa phát 38 3.3 Tổng kết .39 CHƯƠNG 4: CÁC THỬ NGHIỆM VÀ KẾT QUẢ .40 4.1 Bộ liệu thử nghiệm 41 4.2 Tiêu chuẩn đánh giá .42 4.3 Thử nghiệm 43 4.3.1 Cài đặt phương pháp .43 4.3.2 Thử nghiệm cụm 45 4.3.3 Thử nghiệm tăng cường mẫu huấn luyện .45 4.3.4 Thử nghiệm tối ưu hóa phát .52 4.4 Nhận xét, đánh giá .54 4.5 Tổng kết .56 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 57 5.1 Kết luận 58 5.2 Hướng phát triển 58 TÀI LIỆU THAM KHẢO 59 PHỤ LỤC 63 IV THUẬT NGỮ VÀ TỪ VIẾT TẮT Thuật ngữ LSVM Diễn giải Latent Support Vector Machine – Thuật toán máy học dùng để phân lớp đối tượng EM Expectation Maximization – Thuật tốn cực đại hóa kỳ vọng HOG Histogram of Oriented Gradients – Biểu đồ hướng gradient fps Frames per Second – Tốc độ phát đối tượng ảnh, đơn vị khung hình giây Aspect-ratio Đặc trưng tỉ lệ khung hình đối tượng Geometrical features Những loại đặc trưng hình học Visual features Những loại đặc trưng trực quan Occlusion Sự che khuất, đối tượng bị che khuất phần đối tượng khác Framework Một thư viện, khung phát triển sẵn dùng để thử nghiệm, triển khai thực nghiệm LUV Một loại không gian màu Easy mode Chế độ thử nghiệm bao gồm phương tiện ảnh không bị che khuất (mức độ che khuất nhỏ 10%) có kích thước lớn (cao từ 40 pixel trở lên) Moderate mode Chế độ thử nghiệm bao gồm phương tiện ảnh không bị che khuất bị che khuất phần (mức độ che khuất nhỏ 50%) có kích thước nhỏ (cao từ 25 pixel trở lên) V Hard mode Chế độ thử nghiệm bao gồm phương tiện ảnh với đầy đủ mức độ che khuất từ khơng, hay nhiều có kích thước nhỏ (cao từ 25 pixel trở lên) VI DANH MỤC CÁC BẢNG Ý nghĩa Trang Tổng hợp nghiên cứu gần phát xe 12 Số hiệu Bảng 2.1 ảnh so sánh tốc độ phát Bảng 3.1 Số lượng mẫu huấn luyện cụm 28 Bảng 3.2 Tổng hợp kết thử nghiệm cụm 30 Bảng 4.1 Bảng so sánh kết thí nghiệm liệu KITTI 44 với độ đo AUC (Area under the precision-recall curve) Bảng 4.2 Các kết công bố Ohn-Bar kết cài đặt 45 thử nghiệm Bảng 4.3 Kết thử nghiệm cụm phương pháp tăng 46 cường lật ảnh Bảng 4.4 Bảng so sánh kết thử nghiệm ban đầu với kết thu 47 từ phát gồm mơ hình phân lớp từ phương pháp tăng cường lật ảnh Bảng 4.5 Kết thử nghiệm cụm phương pháp tăng 48 cường xoay ảnh Bảng 4.6 Bảng so sánh kết thử nghiệm ban đầu với kết thu 49 từ phát gồm mơ hình phân lớp từ phương pháp tăng cường xoay ảnh Bảng 4.7 Bảng so sánh kết thử nghiệm ban đầu với kết thu từ phát gồm mô hình phân lớp từ phương pháp tăng cường xoay ảnh với góc xoay 10o -10o VII 50 Bảng 4.8 Bảng so sánh kết thử nghiệm ban đầu với kết thu 51 từ phát gồm mơ hình phân lớp từ phương pháp tăng cường kết hợp lật ảnh xoay ảnh Bảng 4.9 Bảng so sánh kết thử nghiệm ban đầu với kết thu 53 từ phát tối ưu hóa Bảng 4.10 Bảng so sánh kết thử nghiệm ban đầu, kết thử nghiệm kết hợp lật ảnh xoay ảnh, kết tối ưu phát phát thu từ thử nghiệm kết hợp lật ảnh xoay ảnh VIII 53 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Ý nghĩa Số hiệu Trang Hình 1.1 Minh họa phát xe ảnh Hình 1.2 Minh họa khó khăn tốn: phương tiện đơng đúc, bị che khuất, chủng loại đa dạng Hình 1.3 Minh họa mơ hình phân lớp DPM cho xe kết phát Hình 2.1 Minh họa gom cụm Locally Linear Embedding 14 (LLE) sử dụng đặc trung HOG Hình 2.2 Minh họa phương pháp tạo mẫu huấn luyện bị che khuất 15 Hình 2.3 Minh họa mẫu huấn luyện tạo từ phương pháp 16 tạo mẫu huấn luyện bị che khuất Hình 2.4 Mơ hình hóa phương pháp huấn luyện Bojan 17 Pepik đề xuất Hình 2.5 Minh họa phương pháp cấu trúc AND-OR Bo Li đề 18 xuất Hình 2.6 Minh họa mơ hình phát thành phần độc lập xe 19 Hình 2.7 Kiến trúc tổng quát phương pháp phát đối tượng 20 cách gom cụm liệu huấn luyện Eshed OhnBar [14] Hình 2.8 Biểu đồ kết thử nghiệm chiến lược 22 Hình 2.9 Biểu đồ so sánh tỉ lệ bỏ lỡ (miss rate), tốc độ phát 23 thay đổi số lượng cụm Hình 2.10 Minh họa 10 loại đặc trưng sử dụng IX 23 Kết cho thu từ thử nghiệm tăng cường mẫu huấn luyện phương pháp xoay ảnh với góc xoay 10o -10o cho thấy độ xác bị giảm so với phương pháp ban đầu Nguyên nhân thay đổi lớn hình dáng xe sau xoay dẫn đến rút trích đặt trưng khơng cịn xác gây nhiễu Do góc xoay áp dụng phương pháp xoay ảnh không lớn, dao động góc nhỏ mang lại hiệu cho việc huấn luyện c Kết hợp hai phương pháp lật ảnh xoay ảnh Việc lật ảnh xoay ảnh làm tăng số lượng mẫu huấn luyện cải thiện độ xác phát xe Các mẫu tạo từ phương pháp khơng trùng lặp Vì kết hợp hai phương pháp mang lại hiệu cao tăng cường nhiều mẫu huấn luyện Thực nghiệm cho việc kết hợp phương pháp tăng cường mẫu huấn luyện cách lật ảnh xoay ảnh thực Kết thu thể bảng 4.8 Bảng 4.8 Bảng so sánh kết thử nghiệm ban đầu với kết thu từ phát gồm mơ hình phân lớp từ phương pháp tăng cường kết hợp lật ảnh xoay ảnh Easy Moderate Hard Kết cài đặt thử nghiệm 81.08% 67.06% 50.76% Kết thử nghiệm phương pháp 87.02% 74.27% 58.10% kết hợp lật ảnh xoay ảnh Theo kết thực nghiệm, việc kết hợp phương pháp tăng cường mẩu huấn luyện cách lật ảnh xoay ảnh mang lại hiệu cao, cải thiện đáng kể độ xác phát xe Độ xác so với phương pháp ban đầu tăng 5.94% chế độ easy, tăng 7.21% chế độ moderate chế độ hard tăng 7.34% 51 Hình 4.4 Biểu đồ đánh giá kết thử nghiệm tăng cường mẫu huấn luyện kết hợp lật ảnh xoay ảnh 4.3.4 Thử nghiệm tối ưu hóa phát a Tối ưu hóa Sử dụng liệu huấn luyện để tối ưu hóa phát thực tế khơng có liệu kiểm tra, thu thập liệu huấn luyện để huấn luyện Do việc tối ưu thiết phải thực liệu huấn luyện Bộ phát thu sau huấn luyện có tổng cộng 75 mơ hình Thực chạy thử nghiệm lấy kết riêng lẻ mơ hình tồn liệu huấn luyện Kết lưu trữ sử dụng để thực tối ưu hóa Để tối ưu hóa huấn luyện cần phải tìm huấn luyện bao gồm mơ hình mà chúng kết hợp với cho kết tốt Bộ phát bao gồm phần phát ban đầu toàn bộ phát ban đầu Sau thu phát tối ưu cần phải kiểm chứng lại liệu kiểm tra đánh giá kết thu 52 b Thử nghiệm Thực phương pháp tối ưu hóa đề xuất phát thu từ cài đặt thử nghiệm phương pháp gom cụm liệu huấn luyện Sau chạy lần tối ưu thu phát tốt với 54 mơ hình phân lớp Sử dụng phát thử nghiệm liệu kiểm tra kết thu thể bảng 4.9 Bảng 4.9 Bảng so sánh kết thử nghiệm ban đầu với kết thu từ phát tối ưu hóa Easy Moderate Hard Kết cài đặt thử nghiệm 81.08% 67.06% 50.76% Kết thử nghiệm tối ưu hóa 76.46% 66.04% 50.55% phát Kết thử nghiệm cho thấy việc tối ưu hóa phát chưa mang lại hiệu chưa làm tăng độ xác Tuy nhiên độ xác chế độ hard giảm không đáng kể với số lượng mơ hình phát 21 mơ hình (54 mơ hình so với 75 mơ hình), tính tốn phát giảm đáng kể tốc độ phát theo tăng lên Cụ thể với phát tối ưu hóa có tổng thời gian phát tồn liệu kiểm tra gồm 3799 ảnh 1,882 giây/ảnh so với 2,497 giây/ảnh sử dụng phát ban đầu, giảm 24.63% Đồng thời thử nghiệm tối ưu phát tốt thu từ cải tiến tăng cường mẫu huấn luyện cách kết hợp lật ảnh xoay ảnh thực Kết thử nghiệm thể bảng 4.10 Bảng 4.10 Bảng so sánh kết thử nghiệm ban đầu, kết thử nghiệm kết hợp lật ảnh xoay ảnh, kết tối ưu phát phát thu từ thử nghiệm kết hợp lật ảnh xoay ảnh Easy 53 Moderate Hard Kết thử nghiệm kết hợp lật 87.02% 74.27% 58.10% 86.69% 73.90% 57.85% ảnh xoay ảnh Kết tối ưu phát kết hợp lật ảnh xoay ảnh Bằng việc tối ưu hóa phát với mơ hình thu từ cải tiến tăng cường mẫu huấn luyện kết hợp lật ảnh xoay ảnh, kết thu giảm không đáng kể so với phát gốc (0.33% chế độ easy, 0.37% chế độ moderate 0.25% chế độ hard) Tuy nhiên thời gian phát từ 5,366 giây/ảnh xuống 4,022 giây/ảnh, giảm 25.04% Các số liệu thời gian thu thập q trình thử nghiệm máy tính cores 2.9 Ghz, lần thực tiến trình tính tốn thử nghiệm với chế độ moderate Hình 4.5 Biểu đồ đánh giá kết thử nghiệm tối ưu hóa phát kết hợp lật ảnh xoay ảnh 4.4 Nhận xét, đánh giá Với việc cải tiến phương pháp tăng cường mẫu huấn luyện mang lại hiệu cải tiến độ xác cho phương pháp gom cụm liệu huấn luyện Phương pháp lật ảnh làm thay đổi đặc trưng hướng xe giữ nguyên đặc trưng 54 khác giúp tạo mẫu huấn luyện tốt áp dụng đạt hiệu cao Còn phương pháp xoay ảnh, ngồi thay đổi hướng đặc trưng khác thay đổi theo, áp dụng với góc xoay nhỏ đặc trưng thay đổi không làm biến dạng mẫu, kết thu mang lại hiệu Việc kết hợp hai phương pháp tăng cường mẫu huấn luyện giúp tạo nhiều mẫu Các mẫu tạo từ hai phương pháp khơng trùng lắp đặc trưng nên bổ sung cho làm tăng hiệu huấn luyện phát Kết thử nghiệm cho thấy độ xác tăng tất chế độ thử nghiệm cao chế độ hard tăng 7.34% so với phương pháp ban đầu Biểu đồ so sánh kết thử nghiệm 100 90 81.08 86.15 81.9 87.02 Độ xác (%) 80 72.41 67.06 70 74.27 68.54 56.68 60 50.76 53.27 58.1 50 40 30 20 10 Easy Moderate Hard Chế độ kiểm tra Subcat Flipping Rotation Flipping + Rotation Hình 4.6 Biểu đồ so sánh kết thử nghiệm phương pháp tăng cường mẫu huấn luyện Subcat: phương pháp gom cụm liệu huấn luyện; Flipping: phương pháp tăng cường mẫu huấn luyện lật ảnh; Rotation: phương pháp tăng cường mẫu huấn luyện xoay ảnh; Flipping + Rotation: phương pháp tăng cường mẫu huấn luyện kết hợp lật ảnh xoay ảnh 55 Hình 4.7 Biểu đồ kết thử nghiệm phương pháp tăng cường mẫu huấn luyện Phương pháp cải tiến cách tối ưu hóa phát chưa mang lại hiệu tăng cường độ xác, lại có hiệu cho việc tăng tốc độ phát với độ xác giảm khơng đáng kể Thời gian phát giảm 25.04% sau tối ưu hóa độ xác giảm cao 0.37% chế độ moderate phát thu sau kết hợp phương pháp tăng cường mẫu huấn luyện Từ cho thấy việc tối ưu hóa phát bước sau để tạo phát tốt đáp ứng độ xác tốc độ phát 4.5 Tổng kết Trong chương này, luận văn giới thiệu tiêu chuẩn đánh giá cho thử nghiệm, liệu thử nghiệm cho phương pháp phát xe cách gom cụm liệu huấn luyện phương pháp cải tiến Các kết thu từ thử nghiệm chứng minh tính hiệu cho phương pháp cải tiến Từ áp dụng phương pháp cải tiến vào toán phát xe ảnh 56 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trong chương 5, Luận văn tổng kết lại kết đạt trình nghiên cứu, thử nghiệm, nêu hướng phát triển cho toán hướng áp dụng phương pháp cải tiến vào toán thực tế Nội dung chương gồm phần: - Các kết luận - Các hướng phát triển áp dụng vào thực tế 57 5.1 Kết luận Luận văn thử nghiệm phương pháp phát xe cách gom cụm liệu huấn luyện Các ưu khuyết điểm, mặt hạn chế phương pháp nêu Từ đề xuất phương pháp cải tiến nhằm mang lại hiệu cho toán Phương pháp tăng cường mẫu huấn luyện mang lại hiệu cao cho toán phát xe Nhất mà mẫu huấn luyện gom cụm theo đặc trưng hướng xe tạo cân lớn số lượng mẫu cụm Ngoài tính chất đặc trưng xe góp phần mang lại hiệu cho phương pháp tăng cường lật ảnh xoay ảnh Các thử nghiệm chứng minh tính hiệu đó, độ xác tăng đến 7.34% thử nghiệm chế độ hard Phương pháp tối ưu hóa phát loại bớt mơ hình chưa tốt giữ lại mơ hình tốt, làm giảm số lượng mơ hình phát hiện, tính tốn q trình phát theo giảm đi, tốc độ phát tăng Với kết thử nghiệm thu cho thấy tốc độ phát cải tiến (25.04%) độ chích xác giảm khơng đáng kể (0.37%) 5.2 Hướng phát triển Mặc dù phương pháp cải tiến dựa gom cụm liệu huấn luyện mang lại hiệu từ thử nghiệm Tuy nhiên số hạn chế cần phải giải để áp dụng phương pháp vào toán thực tế Thứ nhất, độ xác thử nghiệm cịn chưa tốt xe bị che khuất nhiều, độ xác cao thu từ thử nghiệm chế độ hard 58.10% Thứ hai, việc thử nghiệm chưa thực nhiều liệu khác liệu thực tế môi trường giao thông Việt Nam phức tạp nhiều so với liệu thử nghiệm Vì vậy, cần thử nghiệm phương pháp với liệu khác nhau, liệu thực tế Việc tăng cường mẫu kết hợp liệu khác để làm đa dạng mẫu huấn luyện, từ cải tiến hiệu cho phương pháp 58 TÀI LIỆU THAM KHẢO [1] Feris, Rogerio, et al "Large-scale vehicle detection in challenging urban surveillance environments." Applications of Computer Vision (WACV), 2011 IEEE Workshop on IEEE, 2011 [2] Feris, Rogerio Schmidt, et al "Large-scale vehicle detection, indexing, and search in urban surveillance videos." Multimedia, IEEE Transactions on 14.1 (2012): 28-42 [3] Kowsari, T., S S Beauchemin, and J Cho "Real-time vehicle detection and tracking using stereo vision and multi-view AdaBoost." Intelligent Transportation Systems (ITSC), 2011 14th International IEEE Conference on IEEE, 2011 [4] Zheng, Wei, and Luhong Liang "Fast car detection using image strip features." Computer Vision and Pattern Recognition, 2009 CVPR 2009 IEEE Conference on IEEE, 2009 [5] Cao, Xianbin, et al "Linear SVM classification using boosting HOG features for vehicle detection in low-altitude airborne videos."Image Processing (ICIP), 2011 18th IEEE International Conference on IEEE, 2011 [6] Sivaraman, Sayanan, and Mohan M Trivedi "Active learning for on-road vehicle detection: A comparative study." Machine vision and applications (2014): 1-13 [7] S Sivaraman and M M Trivedi "Vehicle detection by independent parts for urban driver assistance." IEEE Trans Intelligent Transportation Systems, vol 14, no 4, pp 1597–1608, 2013 [8] Felzenszwalb, Pedro, David McAllester, and Deva Ramanan "A discriminatively trained, multiscale, deformable part model." Computer Vision and Pattern Recognition, 2008 CVPR 2008 IEEE Conference on IEEE, 2008 [9] Đề tài "Xây dựng mạng camera với hệ thống xử lý hình ảnh thơng minh phục vụ điều khiển giao thơng giám sát an ninh" – Chương trình Khoa học Công Nghệ trọng điểm cấp Nhà nước giai đoạn 2011 2015: http://kc03.vpct.gov.vn/News.aspx?ctl=projectdetail&ID=567 [10] Nguyễn Văn Căn, "Nghiên cứu phương pháp đếm xe tơ sử dụng mơ hình hỗn hợp Gaussian luồng quang học" Hội nghị Quốc gia lần thứ Nghiên cứu ứng dụng Công Nghệ thông tin (FAIR); Thái Nguyên, ngày 19-20/06/2014 59 [11] Nguyễn Văn Căn, Vũ Tuấn, "Giám sát giao thông tự động dựa độ dài ảnh" Tạp chí Khoa học Cơng nghệ qn Số tháng 5/2013, trang 69-81 [12] Nguyễn Văn Căn, Nguyễn Đăng Tiến, Phạm Việt Trung "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 tháng 10/2014, trang 76-82 [13] Nguyễn Văn Căn "Phân loại phương tiện giao thông dựa đặc trưng hình dạng" Tạp chí Khoa học Cơng nghệ, Đại học Thái Nguyên Số tháng 11/2014 [14] Ohn-Bar, Eshed, and Mohan Manubhai Trivedi "Learning to detect vehicles by clustering appearance patterns." Intelligent Transportation Systems, IEEE Transactions on 16.5 (2015): 2511-2521 [15] C.-H Kuo and R Nevatia "Robust multi-view car detection using unsupervised sub-categorization." in IEEE Winter Conf Applications of Computer Vision, 2009 [16] H T Niknejad, A Takeuchi, S Mita, and D McAllester "On-road multivehicle tracking using deformable Object detection with discriminatively trained part-based models model improved likelihood and estimation." particle IEEE Trans filter Intelligent with Transpotation Systems Vol 13, no 2, pp 748–758, 2012 [17] M Hejrati and D Ramanan "Analyzing 3D objects in cluttered images." Advances in Neural Information Processing Systems, 2012 [18] B Pepik, M Stark, P Gehler, and B Schiele "Occlusion patterns for object class detection." IEEE Conf Computer Vision and Pattern Recognition, 2013 [19] B Li, W Hu, T Wu, and S.-C Zhu "Modeling occlusion by discriminative andor structures." IEEE Intl Conf Computer Vision, 2011 [20] Li, Bo, Tianfu Wu, and Song-Chun Zhu "Integrating context and occlusion for car detection by hierarchical and-or model." Computer Vision–ECCV 2014 Springer International Publishing, 2014 652-667 60 [21] Dollár, Piotr, et al "Fast feature pyramids for object detection." Pattern Analysis and Machine Intelligence, IEEE Transactions on 36.8 (2014): 1532-1545 [22] Hoai, Minh, and Andrew Zisserman "Discriminative sub- categorization."Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2013 [23] Wang, Xiaoyu, et al "Regionlets for generic object detection." Proceedings of the IEEE International Conference on Computer Vision 2013 [24] Long, Chengjiang, et al "Accurate object detection with location relaxation and regionlets re-localization." Computer Vision ACCV 2014 Springer International Publishing, 2014 260-275 [25] Paisitkriangkrai, Sakrapee, Chunhua Shen, and Anton van den Hengel "Strengthening the effectiveness of pedestrian detection with spatially pooled features." Computer Vision–ECCV 2014 Springer International Publishing, 2014 546-561 [26] Yebes, J Javier, et al "Supervised learning and evaluation of KITTI's cars detector with DPM." Intelligent Vehicles Symposium Proceedings, 2014 IEEE IEEE, 2014 [27] Felzenszwalb, Pedro F., et al "Object detection with discriminatively trained part-based models." Pattern Analysis and Machine Intelligence, IEEE Transactions on 32.9 (2010): 1627-1645 [28] Behley, Jens, Volker Steinhage, and Armin Cremers "Laser-based segment classification using a mixture of bag-of-words." Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on IEEE, 2013 [29] Geiger, Andreas, et al "Vision meets robotics: The KITTI dataset." The International Journal of Robotics Research (2013): 0278364913491297 [30] Seitz, Juergen Digital watermarking for digital media IGI Global, 2005 61 [31] Felzenszwalb, Pedro, David McAllester, and Deva Ramanan "A discriminatively trained, multiscale, deformable part model." Computer Vision and Pattern Recognition, 2008 CVPR 2008 IEEE Conference on IEEE, 2008 [32] Rittscher, Jens, et al "A probabilistic background model for tracking."European Conference on Computer Vision Springer Berlin Heidelberg, 2000 [33] Kovesi, Peter D "MATLAB and Octave functions for computer vision and image processing." Online: http://www csse uwa edu au/~ pk/Research/MatlabFns/# match (2000) [34] P Dollár, Z Tu, P Perona, and S Belongie, "Integral Channel Features." BMVC 2009 London Engl., pp 1–11, 2009 [35] N Dalal, B Triggs, O Gradients, D Cordelia, N Dalal, and B Triggs "To cite this version : Histograms of Oriented Gradients for Human Detection." pp 886–893, 2010 62 PHỤ LỤC  Một số hình ảnh thử nghiệm phát xe ảnh (phần phía thể vị trí xe cần phát thích liệu, phần phía thể xe phát thử nghiệm) 63 64 65 ... hướng, cụm tách theo mức độ bị che khuất, mức: không bị che khuất (0% - 10%) bị che khuất (11% trở lên) mức: khơng bị che khuất (0%-10%), bị che khuất (11%-50%) bị che khuất nhiểu (51% trở lên)... gồm phương tiện ảnh không bị che khuất (mức độ che khuất nhỏ 10%) có kích thước lớn (cao từ 40 pixel trở lên) Moderate mode Chế độ thử nghiệm bao gồm phương tiện ảnh không bị che khuất bị che khuất. .. bị che khuất (occludee), hướng đối tượng che khuất bị che khuất, mức đọ bị che khuất, đối tượng có tự che khuất khơng Tác giả đề xuất ba phương pháp huấn luyện dựa DPM để huấn luyện mẫu che khuất