Bài viết này đề xuất giải pháp tối ưu tốc độ phát hiện ô tô và giảm các cảnh báo lỗi cho các hệ thống phát hiện điểm mù. Theo đó, trước tiên đề xuất bộ phân tầng Cascade – AdaBoost cùng với tập dữ liệu mẫu và thuật toán đào tạo.
Nghiên cứu khoa học công nghệ MỘT PHƯƠNG PHÁP PHÁT HIỆN ĐIỂM MÙ VỚI ĐỘ TIN CẬY CAO VÀ THỜI GIAN THỰC CHO CÁC HỆ THỐNG HỖ TRỢ LÁI XE THƠNG MINH Vũ Hồng Sơn*, Đồn Văn Tuấn, Nguyễn Tiến Dũng Tóm tắt: Các hệ thống hỗ trợ lái xe tiên tiến (Advanced Driver Assistance Systems: ADAS) đóng vai trị quan trọng hệ thống an tồn chủ động có camera phương tiện tự động thơng minh Đối với ứng dụng này, yêu cầu hiệu suất phát đáng tin cậy thời gian thực yếu tố cấp thiết Bài báo đề xuất giải pháp tối ưu tốc độ phát ô tô giảm cảnh báo lỗi cho hệ thống phát điểm mù Theo đó, trước tiên đề xuất phân tầng Cascade – AdaBoost với tập liệu mẫu thuật toán đào tạo chúng tơi Ngồi ra, để cải thiện tốc độ phát hiện, kĩ thuật lựa chọn vùng quan tâm (Region of Interest: ROI) sử dụng để tránh trích xuất vùng có khả tạo cảnh báo lỗi bầu trời vùng không phù hợp với phối cảnh Phương pháp đề xuất tăng tốc độ phát lên 1,9 lần giảm cảnh báo lỗi 2,24 lần so với phương pháp truyền thống ảnh có độ phân giải cao (720 x 480) với tỷ lệ phát đạt 99,4% tỷ lệ cảnh báo lỗi nhỏ 4,08% Phương pháp đề xuất ứng dụng cho xe tự hành thông minh thời gian thực Từ khóa: Hệ thống hỗ trợ lái xe tiên tiến (ADAS); Xe tự hành; Cascade – AdaBoost; Vùng quan tâm (ROI) MỞ ĐẦU Một vấn đề xã hội lớn toàn cầu vụ tai nạn giao thông đường Theo số liệu báo cáo WHO, năm ước tính có khoảng 1,2 triệu người chết 50 triệu người bị thương [1] Có thể nhiều vụ tai nạn khơng xảy xe ô tô trang bị hệ thống hỗ trợ lái xe tiên tiến (ADAS), đó, hệ thống ADAS hỗ trợ cho người để xử lý tốt tình liên quan tới tai nạn giao thông Một cách tiếp cận khác xu hướng chuyển dần từ biện pháp an toàn thụ động sử dụng túi khí, dây bảo vệ cấu trúc khung xe sang biện pháp an toàn chủ động kiểm soát ổn định hệ thống điện tử (Electronic Stability Control), hệ thống chống bó cứng phanh (Anti-lock Braking Systems), hệ thống hỗ trợ lái xe tiên tiến (ADAS) khác tránh va chạm nhau, hỗ trợ giữ đường (Line Keeping Assistant) Các hệ thống hỗ trợ giảm thiểu tai nạn trở nên phổ biến trang bị xe ô tô tiên tiến người tiêu dùng quan tâm nhiều đến an tồn Một hệ thống ADAS điển hình thu thập thông tin liên quan từ cảm biến sau: - Cảm biến bên xe phát ứng phó tình nguy hiểm cách phân tích hành vi lái xe; - Cảm biến bên xe (cảm biến siêu âm, rada camera) cảnh báo sớm tình nguy hiểm xảy ra; - Mạng cảm biến sử dụng với nhiều cảm biến kết nối, đồng với camera giao thông Hệ thống ADAS cung cấp thông tin từ môi trường xung quanh xe để hỗ trợ lái xe, đưa cảnh báo cho người lái xe nhằm tránh tai nạn giao thơng Việc đồng q trình điều khiển xe với thông tin từ hệ thống ADAS cần thiết [2] Trong hệ thống kiểm sốt hành trình thích nghi (Adaptive Cruise Control) bao gồm cảm biến rada, có cảm biến rada gần để phát vật đường bên cạnh Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 47 Kỹ thuật điều khiển & Điện tử cảm biến rada xa để phát vật đường Các hệ thống hỗ trợ lái xe (Driver Assistant Systems) bảo vệ xe chủ động (Active Safety Vehicles) trang bị cho xe Nếu chức hệ thống ADAS cần cảm biến tảng xử lý riêng gây lãng phí lớn phức tạp lắp ráp Để đơn giản giảm chi phí, hệ thống đa nhiệm đời, tích hợp nhiều chức xử lý ADAS hệ thống xử lý [3] Các thông tin biên đường cần thiết cho xe tự hành Đã có nhiều nghiên cứu phát biên đường sử dụng cảm biến khác cảm biến rada, camera Tuy nhiên, nghiên cứu giải vấn đề biên đường tùy biến khơng có cấu trúc cụ thể [4] Theo xu hướng thị trường tích hợp hai chức (Adaptive Cruise Control)và giữ đường (Lane Keeping Assist) Cấu trúc tích hợp giống trường hợp dùng camera: Khởi tạo dựa chức phân bố cạnh (Edge Distribution Function), vùng quan tâm (ROI) cho lớp trái/phải khoảng cách, rút trích đặc trưng dựa lọc mơ hình hóa cho ROI cụ thể Các kết rằng, kĩ thuật ROI thích nghi đơn giản khắc phục tình trạng tắc nghẽn đường xáo trộn phương tiện lân cận [5] Một cách tiếp cận khác dùng hệ thống camera thị giác Cách tiếp cận phát vị trí, hướng trạng thái chuyển động cách đầy đủ tốc độ, gia tốc từ đám mây điểm chiều Đám mây điểm biểu diễn mơ hình hóa vật chiều tính cách phân tíchcác chuỗi hình ảnh theo không gian thời gian Dùng thị giác để nhận dạng đồ độ sâu vật [7] ước lượng tốc độ vật [8] Thông tin từ cảm biến rada dùng để phát đối tượng dựa hình ảnh khoảng cách xa Phương pháp tiếp cận dựa hình ảnh nhanh thực dựa hệ thống nhúng kết hợp với phát triển thuật toán tiên tiến [10] Bài báo đề xuất giải pháp tối ưu tốc độ phát ô tô giảm cảnh báo lỗi cho hệ thống phát điểm mù Theo đó, trước tiên chúng tơi đề xuất phân tầng Cascade – AdaBoost với tập liệu mẫu thuật toán đào tạo chúng tơi Ngồi ra, để cải thiện tốc độ phát hiện, kĩ thuật lựa chọn vùng quan tâm (ROI) sử dụng để tránh trích suất vùng có khả tạo cảnh báo lỗi bầu trời vùng không gian không phù hợp với phối cảnh Các tọa độ mẫu phát vùng ROI này, sau áp dụng thêm kĩ thuật tự động nhận dạng để kết luận mẫu phát có phương tiện di chuyển đường hay không, kĩ thuật gọi đường sở kiểm tra tọa độ mẫu phát Phương pháp đề xuất tăng tốc độ phát lên 1,9 lần giảm cảnh báo lỗi tới 2,24 lần so với phương pháp truyền thống ảnh có độ phân giải cao (720x480) với tỉ lệ phát đạt 99,4% tỉ lệ phát lỗi nhỏ 4,08% Phương pháp đề xuất ứng dụng cho xe tự hành thông minh thời gian thực CÁC NGHIÊN CỨU LIÊN QUAN 2.1 Thuật toán Adaboost Adaboost (Adaptive Boost) cách tiếp cận boosting Freund Schapire [11] đưa vào năm 1995 Adaboost hoạt động nguyên tắc kết hợp tuyến tính phân lớp yếu (weak classifiers) để tạo thành phân loại mạnh (strong classifier) Là cải tiến tiếp cận boosting, Adaboost sử dụng thêm khái niệm trọng số (weight) để đánh dấu mẫu khó nhận dạng Trong trình huấn luyện, weak classifier xây dựng, thuật toán tiến hành cập nhật lại trọng số để chuẩn bị cho việc xây dựng weak classifier kế tiếp: tăng trọng số mẫu bị nhận dạng sai giảm trọng số mẫu nhận dạng weak classifier vừa xây dựng Bằng cách này, weak classifier sau tập trung vào mẫu mà weak classifiers trước 48 V H Sơn, Đ V Tuấn, N T Dũng, “Một phương pháp phát … lái xe thông minh.” Nghiên cứu khoa học công nghệ chưa làm tốt Sau cùng, weak classifiers kết hợp tùy theo mức độ “tốt” chúng để tạo dựng nên strong classifier Các weak classifiers hk ( x) biểu diễn sau: 1, p f ( x) pkk hk ( x) k k 0, otherwise (1) đó: x ( x1 , x2 , xn ) : Vector đặc trưng mẫu, : Ngưỡng, f k : Hàm lượng giá vector đặc trưng mẫu, pk : Hệ số định chiều bất phương trình Cơng thức diễn giải sau: giá trị vector đặc trưng mẫu cho hàm lượng giácủa phân loại vượt qua ngưỡng cho trước mẫu object (đối tượng cần nhận dạng), ngược lại mẫu background Thuật tốn AdaBoost: Cho tập huấn luyện gồm n mẫu có đánh dấu ( x1 , y1 ),( x2 , y2 ), ,( xn , yn ) với xk X ( xk1 , xk , xkn ) vector đặc trưng yk 1,1 nhãn mẫu Khởi tạo trọng số ban đầu cho mẫu: w1,k n (2) Xây dựng T weak classifiers: Lặp t 1, , T Với đặc trưng vector đặc trưng, xây dựng weak classifier h j với ngưỡng j lỗi j n j w t ,k h j ( xk ) yk (3) k Chọn h j với j nhỏ nhất, ta ht ht : X 1, 1 (4) Cập nhật lại trọng số w t 1,k e t , h ( x ) yk t k t Zt e , ht ( xk ) yk w t ,k (5) Trong đó: 1 j j t ln (6) Z t : Hệ số dùng để đưa w t 1, k đoạn [0, 1] Strong classifier xây dựng được: T (7) H ( x) dấu t ht ( x) t 1 Quá trình huấn luyện phân loại thực vịng lặp mà bước Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 49 Kỹ thuật điều khiển & Điện tử lặp, thuật toán chọn weak classifier ht thực việc phân loại với lỗi t nhỏ (do phân loại tốt nhất) để bổ sung vào strong classifier Mỗi chọn phân loại ht , Adaboost tính giá trị t theo công thức t chọn nguyên tắc làm giảm thiểu giá trị lỗi t Hệ số t nói lên mức độ quan trọng ht : Trong công thức phân loại H(x): T H ( x) dấu t ht ( x) t 1 (8) Ta thấy, tất phân loại ht có đóng góp vào kết phân loại H(x), mức độ đóng góp chúng phụ thuộc vào giá trị t tương ứng: ht với t lớn có vai trị quan trọng H(x) Trong cơng thức tính t : 1 j j t ln (9) Dễ thấy, giá trị t tỉ lệ nghịch với j Bởi ht chọn với tiêu chí đạt t nhỏ nhất, đó, đảm bảo giá trị t lớn Sau tính giá trị t , Adaboost tiến hành cập nhật lại trọng số mẫu: tăng trọng số mẫu mà ht phân loại sai, giảm trọng số mẫu mà ht phân loại Bằng cách này, trọng số mẫu phản ánh mức độ khó nhận dạng mẫu ht 1 ưu tiên học cách phân loại mẫu Vòng lặp xây dựng strong classifier dừng lại sau T lần lặp Trong thực tế, người ta sử dụng giá trị T khơng có cơng thức đảm bảo tính giá trị T tối ưu cho trình huấn luyện Thay vào đó, người ta sử dụng giá trị max false positive hay max false alarm Tỉ lệ phân loại cần xây dựng không phépvượt giá trị Khi đó, qua lần lặp, false alarm strong classifier H t ( x) xây dựng giảm dần, vòng lặp kết thúc tỉ lệ thấp max false alarm 2.2 Vùng quan tâm (ROI) Vùng quan tâm (Region of Interest, viết tắt ROI) vùng ảnh ta áp dụng xử lý/biến đổi bỏ qua vùng cịn lại Khơng phải lúc cần xử lý tồn khơng gian ảnh Thử tưởng tượng với ảnh có kích thước 1024 1024 điểm ảnh, ta có triệu điểm ảnh cần phải xử lý Do đó, để tiết kiệm chi phí tính tốn, ta thu hẹp vùng quan tâm từ toàn ảnh vùng diện tích nhỏ phần ảnh gốc Kĩ thuật giúp giảm khơng gian tìm kiếm toàn ảnh giảm cảnh báo lỗi vùng không phù hợp với phối cảnh Áp dụng ROI lên ảnh ta lấy ảnh gốc nhân với mặt nạ ROI ĐỀ XUẤT THUẬT TỐN 3.1 Mơ tả thuật tốn đề xuất Chúng tơi đề xuất giải pháp để xử lý thông tin nhanh ảnh đáng tin cậy cách kết hợp thuật toán Adaboot vùng quan tâm (ROI) Mơ hình đề xuất có khả làm giảm thời gian xử lý thơng tin tồn ảnh Ngồi ra, q trình thực nghiệm chúng tơi phát rằng, có nhiều cảnh báo lỗi xuất đường vùng không chứa đối tượng quan tâm; để giảm cảnh báo lỗi cho hệ thống, 50 V H Sơn, Đ V Tuấn, N T Dũng, “Một phương pháp phát … lái xe thông minh.” Nghiên cứu khoa học công nghệ đường sở đề xuất cách kẻ đường ngang trung tâm cảnh Điều giúp cho trình xử lý thông tin lọc vùng chứa cảnh báo lỗi tồn ảnh Mơ hình thuật toán đề xuất báo mơ tả chi tiết hình tổng kết lại Algorithm1 Video Clip Classification Result Moving Objects Proposals Moving Objects Region Detector [14] ROI Training Samples The Proposed Base Line Train Classifier and Collect Information The Proposed ROI AdaBoost Classifier Hình Sơ đồ khối đề xuất hệ thống Algorithm 1: The Proposed Algorithm Video Clip The Proposed ROI Adaboost Classifier (Proposing the potential candidate regions) Moving Objects Region Detector 4.1 Input: Edge detection 4.2 Find contours of the detected objects 4.3 Calculate area, width and height of bounding rectangles box for the detected objects 4.4 for (size_t i = 0; i < contours.size(); ++i) 4.5 if ((area>threshold1) && (box.width >threshold1) && (box.height >threshold1)) then 4.6 for (size_t j = 0; j < contours.size(); ++j) 4.7 if ((area>threshold2) && (box.width >threshold2) && (box.height >threshold2)) then 4.8 - Calculate the distance d from the defined location to neighboring locations 4.9 if (d