Nhận dạng đối tượng xuất hiện vào vùng nguy hiểm phía trước xe ôtô có lắp đặt hệ thống thị giác máy tính

Trong bài viết này, tác giả đề xuất phương pháp sử dụng hệ thống thị giác máy tính gắn trên xe ôtô đang di chuyển trên đường để nhận biết những đối tượng phía trước như oto, xe máy khác xuất hiện trong vùng nguy hiểm phía trước có khả năng gây va chạm. Phương pháp đề xuất dựa trên đặc trưng kênh tổng hợp (Aggregate Channel Features – ACF) để nhận dạng đối tượng xe máy và ô tô trong quá trình tham gia giao thông trên các tuyến đường khác nhau trong môi trường đô thị.

32 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh NHẬN DẠNG ĐỐI TƯỢNG XUẤT HIỆN VÀO VÙNG NGUY HIỂM PHÍA TRƯỚC XE ƠTƠ CĨ LẮP ĐẶT HỆ THỐNG THỊ GIÁC MÁY TÍNH RECOGNIZING OBJECTS APPEARED IN DANGEROUS REGION IN FRONT OF VEHICLES MOUNTED COMPUTER VISION SYSTEM Lê Mỹ Hà Trường đại học Sư phạm Kỹ thuật TP.HCM, Việt Nam Ngày soạn nhận 2/4/2019, ngày phản biện đánh giá 18/4/2019 , ngày chấp nhận đăng 8/5/2019 TÓM TẮT Ngày nay, phát triển bùng nổ khoa học cơng nghệ đưa máy móc đến gần hỗ trợ người ứng dụng cụ thể sống ngày Trong đó, có nhiều ứng dụng có kết khả quan, đặc biệt lĩnh vực xe tự hành, cảnh báo tai nạn Trong báo này, tác giả đề xuất phương pháp sử dụng hệ thống thị giác máy tinh gắn xe ôtô di chuyển đường để nhận biết đối tượng phía trước oto, xe máy khác xuất vùng nguy hiểm phía trước có khả gây va chạm Phương pháp đề xuất dựa đặc trưng kênh tổng hợp (Aggregate Channel Features – ACF) để nhận dạng đối tượng xe máy ô tô trình tham gia giao thông tuyến đường khác môi trường đô thị Bên cạnh tác giả kết hợp kỹ thuật xử lý ảnh để phát đường phép biến đổi mắt chim (Bird’s-Eye View transformation) ước lượng khoảng cách từ camera đến vật thể để hỗ trợ cho việc cảnh báo va chạm phía trước Kết cho thấy phương pháp đề xuất hiệu việc nhận dạng với thuật toán đơn giản tốc độ xử lý nhanh Từ khóa: Máy học; đặc trưng kênh tổng hợp; kỹ thuật mắt chim; nhận dạng đường; nhận dạng người ABSTRACT Today, the rapid growth of the new techniques has brought machines close to people There are many applications that have positive results in our life, especially in autonomous vehicle and collision warning or avoidance In this article, the authors proposed a method using a computer vision system mounted on moving vehicle to detect the objects appeared in the dangerous region to warning for a collision The proposed method applied Aggregate Channel Features (ACF) to identify motorbikes and cars in different urban roads In addition, the author combined lane detection using the bird-eyes view transformation algorithm and estimated the distance from the camera to other objects to support frontal warning The result showed that this proposed method is an efficient technique with simplicity and fast processing speeds Keywords: Machine learning; Aggregate Channel Features; bird-eyes image technique; lane detection; human detection GIỚI THIỆU Một ứng dụng quan trọng AI lĩnh vực giao thông – ngành công nghiệp ô tô Nhắc tới ngành ta khơng thể khơng kể đến cơng nghệ tự lái thơng minh (hay cịn gọi xe tự lái, xe tự hành) mà không cần đến bàn tay người, công nghệ gắn liền với tên tuổi bật Ford, Testa, Daimler, Nissan, Toyota… Nhà sản xuất ô tô Nhật Bản Nissan thơng báo có kế hoạch thử nghiệm xe tự hành đường phố Nhật Bản gần trụ sở cơng ty Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Yokohama vào tháng năm 2018 Hệ thống giao thông thông minh – ITS ứng dụng công nghệ cao điện tử, tin học viễn thông để điều hành quản lý hệ thống giao thông vận tải ITS coi hệ thống lớn, người, phương tiện giao thông, mạng lưới đường giao thông thành phần hệ thống, liên kết chặt chẽ với ITS hoạch định để giảm bớt tắc nghẽn giao thơng, đảm bảo an tồn, giảm nhẹ tác dộng xấu tới môi trường, tăng cường lực vận tải hành khách Các nghiên cứu công nghệ xe tự hành chủ yếu tập trung vào lĩnh vực chính, phát đường nhận dạng đối tượng Vấn đề phát đường nghiên cứu nhiều thập kỷ qua số thành định, phát triển ứng dụng nhiều loại xe Đó q trình quan trọng dựa tầm nhìn hệ thống hỗ trợ lái xe sử dụng để điều hướng xe, kiểm soát hướng, chống va chạm, cảnh báo đường nhỏ Điều kiện đường xá khác làm cho vấn đề trở nên khó khăn bao gồm loại khác tuyến đường (thẳng cong), che khuất gây vật cản, bóng, ánh sáng thay đổi (như thời gian ban đêm), … có nhiều phương pháp tiếp cận đề xuất để giải vấn đề việc phát đường Bên cạnh đó, nhận dạng đối tượng thành phần quan trọng hệ thống xe tự hành Cơng nghệ có bước tiến lớn nhận dạng đối tượng tĩnh xe đạp, người bộ, ô tô, biển báo giao thơng… năm gần đây, có kết khả quan việc nhận dạng đối tượng động xe hay người di chuyển đường Việc gia tăng mức độ tự động hóa hay khả tự hành mang lại nhiều lợi ích, tăng độ an tồn (có thể giảm tới 90% vụ tai nạn) độ tin cậy, cải thiện thời gian (mẫu xe Cadillac thử nghiệm tự lái GM tự vận hành với vận tốc lên đến 70 dặm/giờ), tiết kiệm chi phí, hay giảm gánh nặng đặt lên người điều khiển đường cao tốc hay tắt đường Trên giới, có nhiều nghiên cứu xoay 33 quanh hướng phát triển công nghệ ô tô / giao thơng trình bày tóm tắt Thứ nghiên cứu [1], Yongzheng Xu đề xuất phát phương tiện giao thơng từ hình ảnh vệ tinh thuật toán phân lớp SVM kết hợp với đặc trưng HoG, phương pháp có độ xác cao không phù hợp để áp dụng vào toán hướng di chuyển xe nhiều hai Trong báo [2], biến đổi Hough thực tốt việc theo dõi đường đổi lại phần xe bị xe chạy lấn sang đường khác Trong báo [3] Zhaojin Zhang, sử dụng Deep Neural Network (DNN) có độ xác cao phương pháp trước đó, tốc độ xử lý chậm Nghiên cứu nhận dạng xe dùng mạng nơ-ron tích chập Jeffrey de Deijn [4], sử dụng CNN để nhận biết xe có bị hư hỏng hay khơng, độ xác chưa cao giới hạn liệu huấn luyện Trong báo [5] Qingpeng Li sử dụng phương pháp R3-Net Neural Network (bao gồm CNN, R-RPN, R-DN kết hợp) để nhận dạng phương tiện Tuy theo dõi thêm nhiều thơng tin phương tiện quỹ đạo nhằm nâng cao hiệu suất phát xe đa hướng thuật tốn phức tạp chi phí cao Trong cơng trình cơng bố Daniel Neumann [6] dự đoán gần khoảng cách từ camera tới đối tượng phát hiện, nhiên tỉ lệ phát chưa cao tập liệu huấn luyện độ phân giải máy ảnh thấp Qua khảo sát nghiên cứu gần vấn đề nhận dạng đối tượng chủ yếu xoay quanh vào việc tăng độ xác tốc độ xử lý cách sử dụng Deep Learning (một nhánh trội AI) kết hợp thuật toán để nhận dạng đối tượng Với cách đó, báo tác giả sử dụng phương pháp đặc trưng kênh tổng hợp Aggregate Channel Features (ACF) để nhận dạng khuôn mặt người hay nhận dạng chữ viết tương tự [7], [8] Xét độ phức tạp thuật tốn trích đặc trưng ACF đơn giản so với Deep Learning, ACF cịn có tốc độ nhận dạng nhanh khơng cần xây dựng ảnh tích phân kênh 34 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh ACF xấp xỉ phương pháp ngoại suy để thu kết mong muốn Chính ưu điểm đó, tác chọn ACF để thực việc nhận dạng xe máy ô tô mơi trường thị Ngồi ra, học viên kết hợp nhận dạng đường dự đoán khoảng cách từ mono-camera tới đối tượng nhận dạng Những vấn đề tốn hệ thống lái xe tự động phát triển mạnh mẽ Phương pháp thực đề xuất theo bước trình bày Hình Hình ảnh/Video đầu vào Trích đặc trưng Xác định đường - Hiệu chỉnh camera - Xác định vị trí lắp đặt camera - Tiền xử lý ảnh đầu vào - Sử dụng Image Label để tạo traning data - Sử dụng ACF để trích đặc trưng - Chuyển đổi hình ảnh thành hình ảnh mắt chim - Xác định vùng để chuyển đổi - Tạo ảnh xám lấy biên cho hình ảnh mắt chim Hình Sơ đồ khối phương pháp đề xuất PHÁT HIỆN LÀN ĐƯỜNG VÀ NHẬN DẠNG ĐỐI TƯỢNG 2.1 Xác định thông số camera Xác định đối tượng - Dò nhận dạng đối tượng hình ảnh mắt chim - Chuyển sang tọa độ thực - Lọc nhiễu RANSAC - Dự đoán khoảng cách để đảm bảo cho việc chuyển đổi hình ảnh đạt chất lượng cao so với kĩ thuật uốn cong Những đối tượng hình ảnh thu lại camera đơn nhận dạng xác hay việc dự đốn khoảng cách phụ thuộc nhiều vào thông số camera sử dụng, bao gồm: thông số nội, thông số ngoại hệ số biến dạng Để xác định thông số này, tác giả sử dụng Camera Calibration toolbox Matlab Để ước tính thơng số camera sử dụng, tác giả sử dụng 11 ảnh chụp chess board, với khoảng cách từ camera tới vật thể trung bình 2m Kết trình xác định thông số camera để sử dụng cho bước tính tốn sau 2.2 Phát đường 2.2.1 Kỹ thuật mắt chim Trong báo này, người thực sử dụng phương pháp kỹ thuật mắt chim đảo tầm nhìn hình ảnh (Inverse perspective mapping – IPM) để phát đường [9] Kỹ thuật đòi hỏi yêu cầu cao cho việc kiểm tra thơng số camrera đầu vào, Hình Kết hiệu chỉnh camera Theo phương pháp tốn học, IPM mơ hình hóa phép chiếu từ không gian 3D Euclide W, chứa phần tử  x, y, z   R thành không gian phẳng 2D R , biểu hiễn Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh I, với thành phần  u, v   R Ánh xạ từ I sang W tính cơng thức (1)   x  u, v   h  cot    u   u y  u, v   - n x m độ phân giải máy ảnh - f tiêu cự camera 35 2 u  2 v    l   cos     v   v m  1 n 1   2 u  2 v    z  u, v   h  cot    u   u d   cos     v   v m  1 n 1    (1) Hình Hình ảnh từ kỹ thuật mắt chim sử dụng WPM IPM [10] 2.2.2 Phát biên kỹ thuật mắt chim Bằng việc so sánh điểm ảnh với điểm ảnh kế bên để phát cạnh hình ảnh B m  x, y   b  x, y   b  x  m, y  B m  x, y   b  x, y   b  x  m, y  (2) Theo công thức (3), hiệu điểm ảnh lớn mức ngưỡng phát cạnh đường 1, if B m  0, B m  0, and B m  B m  r  x, y    0, otherwise Hình Cấu hình camera Ta có:    r   0  tan 1  1   H  tan  v   m     (4) Từ cơng thức (4) ước tính vị trí vật thể di chuyển đường với camera đơn gắn cố định với góc nghiêng xác định trước, kí hiệu rH (3) Hình Phát biên [9] 2.2.3 Dự đốn khoảng cách từ camera tới hình ảnh mắt chim Nhắc lại số thơng số chuyển đổi hình ảnh từ tầm nhìn sang hình ảnh mắt chim - h chiều cao máy ảnh từ mặt đất, - θ0: góc hình thành trục quang học trục ngang - Góc quan sát máy ảnh 2αu theo hàng 2αv theo cột - γ0: góc hình thành phép chiếu trục quang mặt phẳng xz Hình Vị trí (rH) vật thể theo chiều ngang hình ảnh camera Các vị trí phía trước xe Khu vực sử dụng thể hình chấm đứt nét khoảng cách khác hình ảnh mắt chim để xử lý chữ nhật màu vàng 36 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 2.3 Đặc trưng kênh tổng hợp (Aggregate Channel Features – ACF) Đặc trưng kênh tổng hợp (Aggregate Channel Features – ACF) đề xuất Dollar [10] sử dụng việc tra cứu điểm ảnh kênh tổng hợp để giảm thời gian trích đặc trưng mà khơng cần xây dựng ảnh tích phân Hiệu phối hợp kênh đặc trưng việc chiến lược lựa chọn đặc trưng cách xếp chồng phân loại làm khung cửa sổ ACF hoạt động tốt hầu hết phương pháp khác độ xác, tốc độ xử lý có cách thực đơn giản Với hình I ngõ vào tính tốn với với vài kênh C = Ω(I), tổng hợp khối pixel C, làm phẳng kênh có độ phân giải thấp Các đặc trưng tra cứu điểm ảnh đơn lẻ kênh tổng hợp Tăng cường sử dụng để huấn luyện kết hợp tính theo dạng để phân biệt đối tượng từ sử dụng phương pháp tiếp cận đa cửa sổ trượt Với lựa chọn thích hợp kênh cấu trúc thiết kế đáng tin cậy, ACF đạt hiệu tốt phát người (hình 8) (1)Hình ảnh ban đầu (2)Mở rộng kênh (3)Tổng hợp kênh (4)Trích xuất đặc trưng 2.3.1 Đặc điểm (5)Sắp xếp đặc trưng a Tập liệu huấn luyện n n Các liệu huấn luyện (training data) tạo từ Image Label Toolbox Matlab hỗ trợ Trong báo này, tập liệu bao gồm: - - p p Tập liệu huấn luyện xe máy: 207 ảnh có số ảnh có nhiều xe máy Tập liệu huấn luyện xe hơi: 331 ảnh có số ảnh có nhiều xe n xn xp Hình Mơ hình ACF nhận dạng đối tượng Kênh (Channels) ACF sử dụng 10 kênh sau: - Biên độ dốc (gradient magnitude): M  x, y   I2  I2 x y kênh, độ lớn: Với I Ix y giá trị cường độ màu theo trục x y vị trí thứ (x, y) Hình Tracking đối tượng cho liệu huấn luyện xe máy xe b Mơ hình thực - Hướng dốc (gradient histogram): kênh, từ 0⁰ ~ 30⁰ ; 31⁰ ~ 60⁰ ; 61⁰ ~ 90⁰ ; 91⁰ ~ 120⁰ ; 121⁰ ~ 150⁰ ; 151⁰ ~ 180⁰ ) - Kênh màu LUV (3 kênh): L – độ sáng, U V – giá trị màu ảnh Kênh màu LUV bị ảnh hưởng từ điều kiện sáng khác Trước tính tốn 10 kênh, hình ảnh ngõ vào I làm phẳng với lọc có kích thước [1 1]/4 2.4 Thuật tốn RANSAC Từ tập liệu ban đầu, ta có hai loại liệu nội tuyến ngoại tuyến (outliers Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 37 inliers), ta phải tính tốn để tìm mơ hình tốt cho tập liệu Việc tính tốn chọn mơ hình tốt lặp lặp lại k lần, với giá trị chọn cho đủ lớn để đảm bảo xác suất p (thường rơi vào giá trị 0.99) tập liệu mẫu ngẫu nhiên không chứa liệu nhiễu Nếu gọi u ước lượng liệu khơng nhiễu v = – u ước lượng liệu nhiễu m số lượng liệu đầu vào cần xây dựng mơ hình Khi đó:  p  1  u m  k (5) k tính theo cơng thức: k log 1  p   log  1  v  m  (6) Kết thu mơ hình cần xây dựng phù hợp với liệu đầu vào, tập liệu nhiễu tập liệu không nhiễu KẾT QUẢ THỰC NGHIỆM Hình Kết nhận dạng từ liệu Dữ liệu 2: Trên đường Khu Công Nghệ cao quận 9, quay lúc 16h, với vị trí đặt camera khoảng 2m tính từ mặt đất, góc nghiêng khoảng 12⁰ Để thực việc phát đường đối tượng đường, tác giả sử dụng video đường thực tế đô thị, lưu lại camera điện thoại với cảm biến có độ phân giải 13MP, độ f/2.2 kích thước cảm biến lớn 1/3inch, xử lý offline phần mềm Matlab 2018a, với cấu hình máy tính sau: - System Information: Intel(R) Core(TM) i5-5200U CPU @ 2.20GHz (4 CPUs), ~2.2GHz Memory: 4096MB RAM - Display Devices: Card name: NVIDIA GeForce 940M Memory: 3994 MB Dữ liệu 1: Trên đường Phạm Văn Đồng, quay lúc 12h trưa, với vị trí đặt camera khoảng 1m7 tính từ mặt đất, góc nghiêng khoảng 10⁰ Hình 10 Kết nhận dạng từ liệu Dữ liệu 3: Trên đường Lê Duẩn, điều kiện âm u (có mưa), quay lúc 16h, với vị trí đặt camera khoảng 2m tính từ mặt đất, góc nghiêng khoảng 4⁰ 38 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Hình 13 Một số kết nhận dạng chưa xác Đánh giá độ xác Để đánh giá độ xác kết nhận dạng, tác giả sử dụng thông số ROC (Receiver Operating Characteristic0, để xác định phần nhận có tín hiệu nhiễu - True possitive (TP): Nếu kết từ dự đoán có xe máy giá trị thực tế có xe máy – Phân loại xác Hình 11 Kết nhận dạng từ liệu - Dữ liệu 4: đường Nam Kỳ Khởi Nghĩa, điều kiện âm u (có mưa), quay lúc 16h, với vị trí đặt camera khoảng 2m tính từ mặt đất, góc nghiêng khoảng 4⁰ True negatives (TN): Xảy kết dự đoán giá trị thực tế khơng có xe máy - False positives (FP): Nếu giá trị thực tế khơng có xe máy cho có x.e máy – phân loại khơng xác - False negatives (FN): Khi kết dự đốn khơng có xe máy giá trị thực tế có xe máy Đánh giá độ xác theo cơng thức (7): accuracy  Hình 12 Kết nhận dạng từ liệu Trường hợp nhận dạng chưa xác: Làn đường bị phát chưa phụ thuộc vào cảm biến máy ảnh việc tạo hình ảnh mắt chim; nhận dạng sai phương tiện xe hay xe máy hay không liệu huấn luyện không nhiều TP  TN PN (7) Bảng Thống kê độ xác video clip vấn đề nhận dạng xe hơi, xe máy đường TP TN FP FN Video Video Video Video 15 20 ACC = 87.5 % 18 10 10 ACC = 70 % 15 13 ACC = 70 % 16 16 ACC = 80 % Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Thời gian xử lý: Trong nghiên cứu này, tác giả thực nghiệm nhận dạng đối tượng offline từ đoạn liệu môi trường Matlab với thiết bị phần cứng máy tính cá nhân với cấu hình trình bày bên Các frame ảnh từ video đầu vào điều chỉnh kích thước lại [480x320] Thời gian nhận dạng đối tượng ảnh xấp xỉ 0,03 giây/ frame Bảng So sánh độ xác lý phương pháp sử dụng đặc trưng ACF phương pháp dùng Adaboost kết hợp đặc trưng Haar liked Data Phương Phương pháp pháp dùng dùng Adaboost ACF kết hợp Haar liked Video 87.5 % 85.8% Video 70 % 69% Video 70 % 73.4% Video 80 % 78% Khi so sánh độ xác phương pháp dùng đặc trưng ACF phương pháp dùng phân loại Adaboost kết hợp đặc trưng Haar like số tập liệu thực khảo sát dễ dàng nhận thấy đối tượng có cấu trúc đối xứng hình khối độ xác nhận dạng dùng đặc trưng Haar like chiếm ưu thế, trường hợp lại, kết nhận dạng dùng đặc trưng ACF cho kết tốt 39 Nghiên cứu đề xuất phương pháp thực nghiệm nhận dạng đối tượng mơi trường ngồi trời phức tạp Tác giả áp dụng kỹ thuật ACF nhận dạng số đối tượng tham gia giao thông phổ biến tập liệu đa dạng với điều kiện khác Đề tài sử dụng kỹ thuật mắt chim đảo tầm nhìn hình ảnh – IPM để phát đường Đề tài dự đoán khoảng cách từ camera đơn đến đối tượng phía trước Nghiên cứu trình bày cách sử dụng Camera Calibration Toolbox việc hiệu chỉnh camera Image Label Toolbox để tạo tập liệu huấn luyện Ngoài ra, đề tài sử dụng thuật toán RANSAC việc loại bỏ nhiễu sử dụng thơng số ROC để đánh giá độ xác Tuy nhiên, nghiên cứu số hạn chế cần cải tiến thời gian tới Nghiên cứu chưa thực tập liệu ban đêm hay đường bóng (trong điều kiện thiếu ánh sáng) Dữ liệu huấn luyện hạn chế ảnh hưởng đến độ xác q trình nhận dạng Phần dự đoán khoảng cách sử dụng camera đơn nên cần sử dụng stereo camera để có kết xác Dựa vào hạn chế này, đề tài định hướng hướng cải thiện phát triển cho nghiên cứu áp dụng lĩnh cảnh báo tai nạn, giao thông thông minh KẾT LUẬN TÀI LIỆU THAM KHẢO [1] [2] [3] [4] Yongzheng Xu, Guizhen Yu, Yunpeng Wang, Xinkai Wu, and Yalong Ma, “A Hybrid Vehicle Detection Method Based on Viola-Jones and HOG + SVM from UAV Images”, Sensors, 2016 Nur Shazwani Aminuddin, Masrullizam Mat Ibrahim, Nursabillilah Mohd Ali, Syafeeza Ahmad Radzi, Wira Hidayat Mohd Saad & Abdul Majid Darsono, “A new approach to highway lane detection by using HOUGH transform technique”, Faculty of Electronic and Computer Engineering - Universiti Teknikal Malaysia Melaka, Malaysia, 2017 Zhaojin Zhang, Cunlu Xu and Wei Feng, “Road Vehicle Detection and Classification based on Deep Neural Network”, IEEE, 2016 Jeffrey de Deijn, “Automatic Car Damage Recognition using Convolutional Neural Networks”, Vrije Universiteit Amsterdam, 2018 40 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 54 (09/2019) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Qingpeng Li, Lichao Mou, Qizhi Xu, Yun Zhang and Xiao Xiang Zhu, “R3-Net: A Deep Network for Multi-oriented Vehicle Detection in Aerial Images and Videos”, IEEE, 2018 [6] Daniel Neumann, Tobias Langner, Fritz Ulbrich, Dorothee Spitta and Daniel Goehring, “Online Vehicle Detection using Haar-like, LBP and HOG Feature based Image Classifiers with Stereo Vision Preselection” [7] Bin Yang, Junjie Yan, Zhen Lei, Stan Z Li, “Aggregate Channel Features for Multi-view Face Detection”, Center for Biometrics and Security Research & National Laboratory of Pattern Recognition Institute of Automation, Chinese Academy of Sciences, China [8] Piotr Doll, Ron Appel, Serge Belongie, and Pietro Perona “Fast Feature Pyramids for Object Detection, Submission to IEEE transactions on Pattern Analysis and Machine Intelligence [9] Ruyi Jiang, Mutsuhiro Terauchi, Reinhard Klette, Shigang Wang, and Tobi Vaudrey, “Low-level Image Processing for Lane Detection and Tracking”, Shanghai Jiao Tong University, Shanghai, China, Hiroshima International University, Japan, The University of Auckland, Auckland, New Zealand, pp 3-7, 2009 [10] Piotr Dollar, Ron Appel, Serge Belongie, and Pietro Perona “Fast Feature Pyramids for Object Detection”, IEEE, pp 9-10, 2014 [5] Tác giả chịu trách nhiệm viết: Lê Mỹ Hà Trường Đại học Sư phạm Kỹ thuật TP.HCM Email: halm@hmute.edu.vn ... đêm), … có nhiều phương pháp tiếp cận đề xuất để giải vấn đề việc phát đường Bên cạnh đó, nhận dạng đối tượng thành phần quan trọng hệ thống xe tự hành Công nghệ có bước tiến lớn nhận dạng đối tượng. .. thực việc nhận dạng xe máy ô tô môi trường đô thị Ngoài ra, học viên kết hợp nhận dạng đường dự đoán khoảng cách từ mono-camera tới đối tượng nhận dạng Những vấn đề toán hệ thống lái xe tự động... - p p Tập liệu huấn luyện xe máy: 207 ảnh có số ảnh có nhiều xe máy Tập liệu huấn luyện xe hơi: 331 ảnh có số ảnh có nhiều xe n xn xp Hình Mơ hình ACF nhận dạng đối tượng Kênh (Channels) ACF