Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)

Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)Phát hiện điểm ùn tắc giao thông bằng VIDEO (Luận văn thạc sĩ)

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN TẤN HẢI PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG BẰNG VIDEO LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI – NĂM 2020 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN TẤN HẢI PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG BẰNG VIDEO Chuyên ngành: Hệ thống thông tin Mã số: 8.48.01.04 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN VĂN THỦY HÀ NỘI - NĂM 2020 LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn hoàn toàn trung thực chưa cơng bố cơng trình khác Học viên Nguyễn Tấn Hải LỜI CÁM ƠN Trước tiên, xin gửi lời cảm ơn sâu sắc đến thầy giáo TS Nguyễn Văn Thủy - Khoa Công nghệ thông tin - Học viện Công nghệ Bưu Chính Viễn thơng Người tận tình hướng dẫn bảo tơi suốt q trình thực khóa luận đồng thời cảm ơn thầy cô Khoa Công nghệ Thông tin I, Khoa Đào tạo Sau Đại học – Học viện Cơng nghệ Bưu Viễn thơng, đặc biệt quan tâm giúp đỡ thầy Phạm Văn Cường truyền đạt kiến thức bổ ích cho tơi suốt q trình tơi làm luận văn Tơi xin chân thành cảm ơn gia đình tơi giúp đỡ để tơi có thời gian hồn thành khóa luận Cuối cùng, xin chân thành cảm ơn anh chị, bạn bè bạn sinh viên giúp đỡ tơi q trình thu thập xử lý liệu Hà Nội, ngày 15 tháng 04 năm 2020 Học viên Nguyễn Tấn Hải MỤC LỤC DANH MỤC CÁC CHỮ VIẾT TẮT Viết tắt CNNs Tiếng Anh MB MOD Convolutional Neural Network Deep Convolution Neural Networks Model background Moving Object Detector MOD Moving Object Detector NNs ReLU Neural NetWork Rectified Linear Unit TDC Traffic density calculator VI Vehicle identifier DCNN Tiếng Việt Mạng nơron tích chập Mạng nơron tích chập sâu Mơ hình Xác định đối tượng di chuyển Xác định đối tượng di chuyển Mạng nơron Tinh chỉnh đơn vị tuyến tính Tính tốn mật độ giao thông Mật độ phương tiện DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH MỞ ĐẦU Tính cấp thiết đề tài Ùn tắc giao thông vấn nạn chung đô thị giới, kể đô thị có hệ thống giao thơng đại bậc Theo số liệu thống kê [18], ùn tắc giao thông gây thiệt hại to lớn cho quốc qia giới, Ở nước Mỹ, năm tổn thất kinh tế ùn tắt giao thông gây 160 tỷ USD tương đương với tỷ làm hàng triệu lít nhiên liệu Ở Trung Quốc, đất nước đơng dân giới tình trạng ùn tắc giao thơng cịn tồn tệ hơn, điển hình quốc gia vụ việc ùn tắc giao thông diễn vào tháng 8/2010 cao tốc Bắc Kinh – Tây Tạng, hướng phía thủ Bắc Kinh, Trung Quốc với tổng cộng 100km đường cao tốc ùn tắc xãy vòng 21 ngày với số lượng phương tiện tham gia giao thông lên đến 30.000 phương tiện gây thiệt hại to lớn kinh tế quốc gia Còn Việt Nam nay, theo đánh giá từ Viện chiến lược phát triển giao thông vận tải thành phố lớn Hà Nội thành phố Hồ Chí Minh, ùn tắt giao thơng ngày gây thiệt hại nghiêm trọng gây thất kinh tế vấn đề môi trường cho thành phố Hà Nội ước tính năm khoảng 1-1,2 tỷ USD, cịn thành phố Hồ Chí Minh gần 1,3 tỷ USD [18] Vấn đề ùn tắc giao thông vấn đề lớn gây ảnh hưởng lớn đến kinh tế xã hội nước ta Với mục đích đưa công nghệ thông tin ứng dụng vào thực tế sống, cá nhân học viên xin chọn đề tài “Phát điểm ùn tắc giao thông video” để làm luận văn, hy vọng đóng góp tích cực 10 mặt lý luận thực tiễn công tác điều tiết phân luồng giao thông Việt Nam Tổng quan nghiên cứu: Trong thập niên gần đây, công nghệ nhận diện đối tượng ảnh kỹ thuật số ngày phát triển, trội lên nghiên cứu phát phân lớp phương tiện giao thông Ở nghiên cứu này, camera giám sát sử dụng lắp đặt tuyến đường giao thông cao tốc, tuyến đường trục với lưu lượng phương tiện đơng đúc,…Từ đó, xác định tham số giao thơng đưa thơng tin có ích cho việc phân loại phương tiện điều tiết giao thông tham số âm thanh, mật độ vận tốc phương tiện giao thông theo thời gian thực (realtime) Đối tượng phạm vi nghiên cứu: Trong phạm vi luận văn tập trung vào đối tượng toán phát hiện, phân loại đếm mật độ phương tiện giao thơng thơng qua q trình xử lý hình ảnh video để phát điểm ùn tắc giao thông Bản chất phân tách video thành khung hình phát đối tượng chuyển động cảnh video Đối tượng nghiên cứu luận văn: toán phát hiện, theo dõi phân loại đối tượng chuyển động Các video sử dụng luận văn video thu thập thực tế quay tuyến đường thành phố Hà Nội 58 Hình 3.3 Dữ liệu giao thông thu thập tuyến đường Lê Văn Lương Hình 3.4 Hình 3.5 video thu thập tuyến đường Khuất Duy Tiến Nguyễn Trãi Tuyến đường Khuất Duy Tiến tuyến đường thường xuyên ùn tắc giao thông mật độ giao thơng dày đặc số lượng đường Còn tuyến đường nguyễn trãi với đường rộng phân chia nên mật độ giao thơng có phần 59 Hình 3.4 Dữ liệu giao thơng thu thập tuyến đường Khuất Duy Tiến Hình 3.4 Dữ liệu giao thông thu thập tuyến đường Nguyễn Trãi 3.2 Thử nghiệm 3.2.1 Cài đặt môi trường thử nghiệm Ứng dụng xác định điểm ùn tắc giao thông tiến hành cài đặt chạy thử nghiệm mơi trường Window 10 với u cầu cấu hình sau: - Khuyến nghị: hệ điều hành từ Window trở lên - Chip: Intel core i3 3120U trở lên - Ổ cứng trống 6Gb trở lên - Card đồ họa (GPU) 2Gb trở lên Đồng thời cài đặt kèm theo thư viện sau: Bảng 3.1: Các thư viện cần cài đặt cho ứng dụng 60 STT 10 11 12 Tên thư viện Tensorflow object counting API Protobuf 3.0 Python - tk Pillow 1.0 Lxml Tf Slim Jypiter notebook Matplotlib Tensorflow Cython Contexlib2 cocoapi 3.2.2 Mô tả hoạt động ứng dụng Ứng dụng phát điểm ùn tắc giao thông thực chức sau đây: 1) Chức phát phương tiện giao thông 2) Chức phân loại đếm số lượng phương tiện từ đưa dự đốn tắc đường Mơ tả hoạt động ứng dụng: theo sơ đồ hình 3.5 video đầu vào phân tách thành khung hình Sau tiến hành tiền xử lý ảnh để làm giảm kích thước ảnh Tiếp theo thực phát phân lớp phương tiện ảnh mơ hình MobileNet với tập liệu huấn luyện Sau thực xong bước phân lớp phương tiện xong tiếp đến thực đếm mật độ phương tiện giao thông đường đưa dự đốn điểm, nút giao thơng có ùn tắc hay khơng 61 Hình 3.5 Kiến trúc tổng quát ứng dụng phát điểm ùn tắc giao thông 3.2.3 Kết thử nghiệm tập liệu thu thập Kết thu thử nghiệm ứng dụng phát ùn tắc giao thông video tuyến đường Nguyễn Trãi thu kết không phát tắc đường điểm giao thông này: 62 Bảng 3.2 Bảng kết thử nghiệm tuyến đường nguyễn trãi Thực tế Kết phát Phần trăm Tổng phương tiện 120 Ơtơ 50 114 46 95% 92% Xe máy Phân lớp 70 68 97% Hình 3.6 Kết chạy thử nghiệm video tuyến đường Nguyễn Trãi Trên tuyến đường với số lượng phương tiện đếm ứng dụng 114 khơng dự đốn ùn tắc tuyến đường có xe mật độ giao thông thưa thớt Và tỉ lệ xác thực thuật tốn lên tới 92% 63 64 Bảng 3.3 Bảng kết thử nghiệm tuyến đường Khuất Duy Tiến Thực tế Kết phát Phần trăm Tổng phương tiện 124 118 95.1 % Ơtơ 55 50 90.9% Xe máy Phân lớp 69 68 98.5% Hình 3.7 Kết chạy thử nghiệm tuyến đường Khuất Duy Tiến Ở hình 3.7 khung hình trích xuất từ video sau xử lý qua ứng dụng tuyến đường Khuất Duy Tiến Thực tế điểm giao thông hình có tổng 124 phương tiện tiến hành phân lớp với độ xác 91% xe máy 98% ôto Do tuyến đường có đường lúc mật độ lưu thông đường tương đối đông nên số lượng vượt 50 phương tiện hệ thống dự báo tắc đường 65 3.3 Kết luận chương Ở chương này, luận văn tiến hành thực chạy thử nghiệm tập liệu thu thập tuyến đường có mật độ giao thơng đơng đúc Thành phố Hà Nội Qua đó, thu kết với độ xác mong muốn thực thời gian ngắn so với số mơ hình khác Tuy nhiên, trình phát điểm ùn tắc giao thơng cịn có số hạn chế là: Thứ nhất, tầm bay UAV từ đến 10 mét việc thu thập video để xử lý cho kết nhận diện phát phương tiện cho độ xác tương đối cao Tuy nhiên, tầm bay UAV 25m trở lên việc xác định phương tiện giao thơng trở nên khó khăn khơng đảm bảo tính xác Thứ hai, chủ yếu video thu thập điều kiện thời tiết bình thường quay vào ban ngày Nhưng với điều kiện thời tiết xấu, cảnh quay vào ban đêm độ xác việc thực mơ hình SSD - MobileNet chưa đạt mong muốn Thứ ba, chưa xác định vận tốc phương tiện giao thông Trong tương lai, cố gắng thực sử dụng phương pháp đếm với xác định vận tốc phương tiện nâng cao dự đoán phát điểm ùn tắc giao thông 66 KẾT LUẬN Luận văn khảo sát toán phát hiện, phân lớp phương tiện giao thơng từ trước đến nay, từ đưa toán riêng cho luận văn phát điểm ùn tắc giao thông Dữ liệu luận văn thực thực tế thu thập thiết bị bay khơng người lái Từ liệu có này, cá nhân tìm hiểu nghiên cứu phương pháp điểm ùn tắc giao thông Trong luận văn, phương pháp phát điểm ùn tắc giao thông trải qua giai đoạn từ tiền xử lý ảnh Tiếp đến phát hiện, phân lớp đếm mật độ phương tiện giao thơng sử dụng mơ hình SSD - MobileNet để từ phát điểm ùn tắc giao thông tuyến đường khảo sát thành phố Hà Nội với kết đạt độ xác 90% Những cơng việc địi hỏi phải có nghiên cứu chuyên sâu lĩnh vực xử lý hình ảnh, phân tích, thiết kế xây dựng hệ thống Tuy nhiên hạn chế định mặt thời gian nên luận văn thực số tuyến đường thành phố Hà Nội Trong tương lai, mở rộng thêm tuyến đường khác thành phố Hà Nội, xác định tốc độ phương tiện giao thông, thực quay vào ban đêm IR camera tiến hành cải thiện mơ hình SSD - MobileNet để đạt thêm độ xác 67 DANH MỤC CÁC TÀI LIỆU THAM KHẢO Tài liệu tiếng việt [1] [2] Nguyễn Văn Căn (2015), Nghiên cứu phát triển số thuật toán phát phân loại phương tiện từ liệu video giao thông, pp 8–10 Nguyễn Đắc Thành (2017), Luận văn nhận dạng phân loại hoa ảnh màu, pp 19-22 Tài liệu tiếng anh [3] [4] [5] [6] [7] [8] [9] [10 ] [11 ] [12 ] [13 ] [14 ] [15 ] [16 ] [17 Adlin S T, Kumudha R (2013), “A Survey on Color Image Enhancement Techniques”, IOSR Journal of Enginneering (IOSRJEN), Vol 3, Issue 2, pp 20-22 Adu-Gyamfi, Y., Asare, S., Sharma and Titus (2017), “Automated vehicle recognition with deep convolutinal neural networks”, Transfortation research record journay of the transportation research board Andrew G.Howard, Menglong Zhu (2011), “Efficient Convolutional Neural Networks for Mobile Vision Applications” Assmaa, O., Mokhtar, K and Abdelaziz (2013), “Road traffic density estimation using microscopic and macroscopic parameters”, Image and vision Computing, Volume 13, No 11, pp 887-894 Dumoulin, Visin (2016), A guide to convolution arithmetic for deep learning Goncalves, W.N., Machado, B.B and Bruno (2012), “A new method for dynamic texture recognition”, arXiv preprint arXiv Huew Enginneering (2015) Introduce to Convolution Neurals Networks – Huew enginneering Joseph Redmon and Ali Farhadi (2016), “Yolo9000: better, faster, stronger”, arXiv: 1612.08242 Lempitsky, V and Zisserman (2010), “Learning to count object in images”, Advances in neural information processing systems Mark Sandler, Andrew Howard, Menglong Zhu (2016), “MobileNetV2: Inverted Residuals and Linear Bottlenecks”, arXiv: 1801.04381 Ozkurt, C and Camci (2009), “Automatic traffic density estimation and vehicle classification for traffic surveillance systems using neural networks”, Mathematical and Computational Applications, Volume 14, No.3, pp 187 – 196 Sagar Deb (2005), “Video data management and information retrieval”, University Southem Queensland, pp 20-24 Samer, Rishi, Rowen (2015), “Image Recognition Using Convolutional Neural Networks”, Cadence Whitepaper, pp 1-12 Uijlings, J.R.R, K.E Van de Sande (2013), “Selective Search for Object Recognition”, International Journal of Computer Vision, Vol 104, No 2, pp 154-171 Ren, S., He, K., Girshick, R and Sun (2017), “Towards real-time 68 ] object detection with region proposal networks”, IEEE transactions on pattern analysis and machine intelligence, Volume 39, No 6, pp 1137-1149 Các trang Web [18 ] [19 ] [20 ] [21 ] https://anninhthudo.vn , truy cập ngày 20/03/2020 https://ladweb.nascom.nasa.gov/ truy cập ngày 12/05/2020 https://doisongphapluat.com truy cập ngày 07/05/2020 https://wikipedia.org/wiki/video truy cập ngày 05/05/2020 ... pháp phát điểm ùn tắc giao thông, mô tả cụ thể chi tiết mô hình sử dụng CNN, SSD MobileNet để giải toán; phương pháp đếm phát điểm ùn tắc giao thông Chương PHƯƠNG PHÁP PHÁT HIỆN ĐIỂM ÙN TẮC GIAO. .. trí có xảy ùn tắc giao thông hay không Như vậy, việc phát sớm điểm ùn tắc giao thơng có ý nghĩa quan trọng, từ thông tin báo điểm ùn tắc giao thông giúp cho lực lượng quản lý giao thông để lực... Chương TỔNG QUAN VỀ PHÁT HIỆN ĐIỂM ÙN TẮC GIAO THÔNG 1.1 Ý nghĩa việc phát điểm ùn tắc giao thông Như biết, mạng lưới giao thơng mang lại cho lồi người kết nối kinh tế xã hội vùng lãnh thổ quốc