Nghiên cứu và phát triển thuật toán dò tìm oto trên đường cao tốc

Nghiên cứu và phát triển thuật toán dò tìm oto trên đường cao tốc Nghiên cứu và phát triển thuật toán dò tìm oto trên đường cao tốc Nghiên cứu và phát triển thuật toán dò tìm oto trên đường cao tốc luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VĂN VIỆT NGHIÊN CỨU VÀ PHÁT TRIỂN THUẬT TỐN DỊ TÌM OTO TRÊN ĐƯỜNG CAO TỐC LUẬN VĂN THẠC SĨ KỸ THUẬT CHUYÊN NGÀNH: KỸ THUẬT VIỄN THÔNG Hà Nội – 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VĂN VIỆT NGHIÊN CỨU VÀ PHÁT TRIỂN THUẬN TOÁN DỊ TÌM OTO TRÊN ĐƯỜNG CAO TỐC LUẬN VĂN THẠC SĨ KỸ THUẬT CHUYÊN NGÀNH: KỸ THUẬT VIỄN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS Nguyễn Tiến Dũng Hà Nội – Năm 2017 MỤC LỤC CHƢƠNG I: CƠ SỞ LÝ THUYẾT 1.1 TỔNG QUAN VỀ ĐỀ TÀI 1.2 CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU 1.2.1 Nghiên cứu nƣớc 1.2.2 Nghiên cứu nƣớc 1.3 LÝ DO THỰC HIỆN ĐỀ TÀI 1.4 MỤC TIÊU LUẬN VĂN 1.4.1 Nhiệm vụ 1.4.2 Lĩnh vực ứng dụng 1.5 TỔNG QUAN VỀ PHÁT HIỆN HÌNH ẢNH XE 1.5.1 Phƣơng pháp dựa ảnh 1.5.2 Phƣơng pháp dựa dạng hình học 1.5.3 Phƣơng pháp sử dụng luận văn 1.6 HISTOGRAM OF GRADIENT (HOG) 1.6.1 Giới thiệu 1.6.2 Rút trích đặc trƣng HOG ảnh 1.6.3 Chuẩn hóa vector đặc trƣng cho block 13 1.6.4 Intergral Image 14 1.6.5 Công thức đệ quy tính Intergral Image 15 1.7 SUPPORT VECTOR MACHINES (SVM) 16 1.7.1 Giới thiệu 16 1.7.2 Các khái niệm 16 1.7.3 Phân lớp liệu 23 1.7.4 Nhận xét 26 CHƢƠNG II : XÂY DỰNG HỆ THỐNG 27 2.1 TỔNG QUAN VỀ HỆ THỐNG 27 2.2 SƠ ĐỒ KHỐI HOẠT ĐỘNG CỦA HỆ THỐNG 28 2.2.1 Chức phát nhận dạng xe 28 2.2.2 Chức phát cảnh báo sai đƣờng 30 2.3 CÔNG CỤ THỰC HIỆN 31 2.3.1 Camera 31 2.3.2 Công cụ phần mềm 31 2.4 XÂY DỰNG PHẦN MỀM 31 2.4.1 Xây dựng sở liệu huấn luyện 31 2.4.2 Thuật toán phát xe 38 2.4.3 Thuật toán nhận dạng đánh dấu đƣờng 41 CHƢƠNG III : THỰC HIỆN MÔ PHỎNG VÀ ĐÁNH GIÁ 51 3.1 MÔ PHỎNG HỆ THỐNG 51 3.1.1 Thiết lập kịch 51 3.1.2 Kết thực thi hệ thống 52 3.2 ĐÁNH GIÁ 60 3.2.1 Kết đạt đƣợc 60 3.2.2 Những hạn chế 60 3.3 KẾT LUẬN 63 TÀI LIỆU THAM KHẢO VÀ TRÍCH DẪN 65 CÁC WEBSITE THAM KHẢO 67 DANH MỤC HÌNH VẼ Hình 1.1: R-HOG C-HOG [5] Hình 1.2: Mỗi khối (block) gồm nhiều (cell) [5] Hình 1.3: Các khối đƣợc xếp chồng lên [5] Hình 1.4: Tính góc biên độ theo X-gradient Y-gradient Hình 1.5: Các bƣớc rút trích đặc trƣng HOG [6] Hình 1.6: Integral Image [7] Hình 1.7: Đƣờng phân chia tập liệu gồm hai thuộc tính [11] Hình 1.8: Một liệu hai chiều đƣợc phân chia tuyến tính [10] Hình 1.9: Các siêu phẳng phân chia tuyến tính với biên độ [10] Hình 1.10: Các đƣờng biểu diễn H1 H2, khoảng cách Euclidean chúng Hình 1.11: Các support vector hình có viền dày [10] Hình 1.12: Một trƣờng hợp không gian chiều với ranh giới tuyến tính [10] Hình 2.1: Sơ đồ tổng quan hệ thống phát theo vết xe tơ Hình 2.2: Sơ đồ khối chƣơng trình nhận dạng xe ô tô Hình 2.3: Sơ đồ khối nhận dạng đƣờng Hình 2.4: Các chiều gradient đơn lẻ trích xuất đặc trƣng HOG [12] Hình 2.5: Giá trị chiều gradient cell [13] Hình 2.6: Trích xuất đặc trƣng HOG với khơng gian màu YUV Hình 2.7: Trích xuất đặc trƣng HOG với khơng gian màu HSL Hình 2.8: Cửa sổ trƣợt phạm vi tìm kiếm ảnh Hình 2.9: Kết thực tìm kiếm cửa sổ trƣợt Hình 2.10: Kết khoanh vùng đối tƣợng dựa heatmaps Hình 2.11: Frame ảnh đầu vào có chứa vạch kẻ đƣờng Hình 2.12: Ảnh kết sau thực dò biên Canny Hình 2.13: Khoanh vùng ảnh chứa đƣờng cần nhận dạng Hình 2.14: Nhận dạng đƣờng thẳng biến đổi HOUGH [14] Hình 2.15: Kết nhận dạng vạch kẻ đƣờng Hình 2.16: Những loại biến dạng camera tác động lên ảnh chụp [15] Hình 2.17: Ảnh kết sau hiệu chỉnh biến dạng camera [15] Hình 2.18: Hiệu chỉnh camera ảnh chứa quang cảnh giao thông Hình 2.19: Kết ảnh lọc nhị phân Hình 2.20: Kết ảnh chuyển đổi phối cảnh Hình 2.21: Ảnh nhị phân đƣờng sau đƣợc hiệu chỉnh Hình 2.22: Biểu đồ giá trị điểm ảnh quét theo phƣơng ngang Hình 2.23: Cửa sổ trƣợt xác định vạch phân Hình 2.24: Bán kính đƣờng cong đƣờng trịn nội tiếp Hình 3.1: Ảnh đầu vào quang cảnh giao thơng Hình 3.2: Kết đầu chức nhận dạng Hình 3.3: Nhận dạng phƣơng tiện điều kiện ánh sáng mạnh Hình 3.4: Nhận dạng phƣơng tiện điều kiện ánh sáng yếu Hình 3.5: Làn đƣờng có vạch phân màu trắng Hình 3.6: Vạch phân đƣợc đánh dấu đƣờng thẳng màu tím Hình 3.7: Làn đƣờng có vạch phân màu vàng Hình 3.8: Kết nhận dạng vạch phân màu vàng Hình 3.9: Làn đƣờng có màu xanh phƣơng tiện Hình 3.10: Làn đƣờng có màu tím để cảnh báo phƣơng tiện sai Hình 3.11: Hệ thống nhận diện bám vết ô tô đƣờng cao tốc DANH MỤC BẢNG BIỂU Bảng 2.1: Tham số trích xuất đặc trƣng HOG với khơng gian màu YUV Bảng 2.2: Tham số trích xuất đặc trƣng HOG với không gian màu HSL Bảng 2.3: Mã lệnh xử lý huấn luyện liệu Bảng 2.4: Mã lệnh thực tìm kiếm cửa sổ trƣợt Bảng 2.5: Mã lệnh thực vẽ heatmaps Bảng 2.6: Các đỉnh đa giác trƣớc sau chuyển đổi phối cảnh DANH SÁCH CÁC TỪ VIẾT TẮT STT Từ viết tắt Tên đầy đủ SVM Support Vector Machine HOG Histogram of Oriented Gradients SnoW Sparse Network of Winnows AVI Audio Video Interleave MMH Maximum Marginal Hyperlane OpenCV Open Source Computer Vision SIFT Scale Invariant Feature Transform BSI Back-illuminated Sensor SoC System on Chip LỜI CẢM ƠN Trƣớc tiên, xin cảm ơn thầy PGS.TS Nguyễn Tiến Dũng Th.S Nguyễn Việt Hƣng gợi mở, quan tâm, giúp đỡ cho học viên suốt thời gian thực đề tài tốt nghiệp Bên cạnh đó, học viên xin gởi lời cảm ơn đến tất thầy cô trực tiếp giảng dạy suốt khóa học; ngƣời bạn quan tâm, động viên chia sẻ kiến thức nhƣ kinh nghiệm chuyên ngành trình học tập rèn luyện vừa qua học viên Cũng xin chân thành cảm ơn quan tâm hỗ trợ, tạo điều kiện hết lòng động viên tinh thần lẫn vật chất thành viên gia đình suốt thời gian qua Sau cùng, học viên gởi lời chúc sức khỏe, hạnh phúc đến quý thầy cơ, gia đình bạn bè Trƣờng Đại học Bách Khoa Hà Nội Tháng năm 2017 Học Viên Nguyễn Văn Việt Hệ thống đƣợc thử nghiệm với đầu vào ảnh đƣợc chụp môi trƣờng có cƣờng độ ánh sáng khác nhau, số đối tƣợng phƣơng tiện ảnh bị che khuất phần đối tƣợng khác a, Trong môi trường ánh sáng mạnh Hình 3.3: Nhận dạng phƣơng tiện điều kiện ánh sáng mạnh Trong môi trƣờng khả phát nhận dạng hệ thống hoạt động tốt, dƣới cƣờng độ ánh sáng mạnh chi tiết đối tƣợng hiển thị sắc nét, q trình trích rút đặc trƣng cho ta đƣợc nhiều thông tin hơn, xác suất nhận dạng tốt Chính hình ảnh xe sau bị che khuất phần xe trƣớc nhƣng hệ thống thu thập đƣợc đủ thông tin để phát Trang 53 | 67 b, Trong mơi trường ánh sáng yếu Hình 3.4: Nhận dạng phƣơng tiện điều kiện ánh sáng yếu Trong hình trên, phƣơng tiện di chuyển bóng khuất tịa nhà bên đƣờng, với tơ có màu đen bị che khuất phần, tơ có kích thƣớc hình ảnh q nhỏ, hệ thống khơng thể phát đƣợc khơng thu thập đủ thông tin Nhƣ môi trƣờng cƣờng độ ánh sáng yếu hệ thống hoạt động hiệu 3.1.2.2 Chức nhận dạng đƣờng a, Nhận dạng vạch kẻ đường Các vạch phân thƣờng có dạng nét liền đứt, có hai màu chính: trắng vàng Trên đƣờng có nhiều vạch phân nhƣng cần nhận dạng hai đƣờng kẻ biên đi, đƣờng biên đƣợc đánh dấu màu khác biệt liệu đầu Dƣới kết đầu nhận dạng vạch phân có màu trắng, liệu đầu vào ảnh chụp đƣờng cao tốc Hà Nội- Hải Phịng có độ phân giải 1280x720 Trang 54 | 67 Hình 3.5: Làn đƣờng có vạch phân màu trắng Hình 3.6: Vạch phân đƣợc đánh dấu đƣờng thẳng màu tím Trang 55 | 67 Đối với tuyến đƣờng có vạch phân màu vàng q trình xử lý cho kết tƣơng tự Hình 3.7: Làn đƣờng có vạch phân màu vàng Hình 3.8: Kết nhận dạng vạch phân màu vàng Trang 56 | 67 b, Nhận dạng đường Module có nhiệm vụ đƣa thơng tin đƣờng mà phƣơng tiện đi, bao gồm chức năng:  Nhận dạng đánh dấu đƣờng màu sắc riêng  Xác đinh hƣớng cong đƣờng: cong phía trái, hƣớng thẳng cong phía phải  Tính tốn bán kính cong đơn vị mét  Kiểm tra độ lệch phƣơng tiện so với tâm làn, lớn 0.6m, hệ thống đƣa cảnh báo cách thay đổi màu đánh dấu từ xanh sang tím Với liệu đầu vào video mẫu có độ phân giải 1280x720 đƣợc tải từ trang web thích [9] Tuyến đƣờng cao tốc video có hệ thống vạch phân rõ ràng nên mô cho kết khả quan Trong giao diện mô hiển thị kết trình xử lý ảnh để nhận dạng đƣờng Khi vị trí phƣơng tiện cách tâm nhỏ 0.6m đƣờng đƣợc đánh dấu màu xanh Trang 57 | 67 Hình 3.9: Làn đƣờng có màu xanh phƣơng tiện Ngƣợc lại, vị trí phƣơng tiện so với tâm lớn 0.6m đƣờng có màu tím để cảnh báo Hình 3.10: Làn đƣờng có màu tím để cảnh báo phƣơng tiện sai Trang 58 | 67 3.1.2.3 Hệ thống hoàn chỉnh Hệ thống hoàn chỉnh tổ hợp chức Hệ thống có nhiệm vụ phát theo vết phƣơng tiện khác di chuyển tầm nhìn, đồng thời nhận dạng đƣờng đi, đƣa thông tin đƣa cảnh báo lệch khỏi Đầu vào liệu mô video mẫu đƣợc tải từ trang web thích [9] có độ phân giải 1280x720 có đặc điểm:  Quang cảnh đƣờng cao tốc có nhiều đƣờng, hệ thống vạch phân đầy đủ  Các phƣơng tiện tham gia giao thông di chuyển với tốc độ cao đƣờng khác  Điều kiện thời tiết tốt, mơi trƣờng ánh sáng có cƣờng độ mạnh Khi chụp hình máy tính mơ cho kết hình ảnh nhƣ dƣới đây: Hình 3.11: Hệ thống nhận diện bám vết ô tô đƣờng cao tốc Trang 59 | 67 3.2 ĐÁNH GIÁ 3.2.1 Kết đạt đƣợc Dựa kết mô cho thấy nhiệm vụ mà luận văn đề đƣợc thực hiện:  Nắm đƣợc lý thuyết phƣơng pháp HOG SVM kỹ thuật xử lý ảnh  Áp dụng lý thuyết để thực thành công chức phát nhận dạng bám vết xe ô tô đƣờng cao tốc  Vận dụng kỹ thuật xử lý ảnh số để nhận dạng, tính tốn thơng số đƣờng, nhằm đƣa cảnh báo phƣơng tiện sai  Phối hợp tƣơng đối ngơn ngữ lập trình Python với lý thuyết Thị giác máy tính kỹ thuật Xử lý ảnh số 3.2.2 Những hạn chế Kết đạt đƣợc ban đầu hệ thống dừng lại bƣớc mô phỏng, tồn nhiều hạn chế Cụ thể là:  Chƣa có thống kê số liệu cụ thể để xác định hiệu suất hoạt động nhƣ độ xác hệ thống  Chức phát nhận dạng phƣơng tiện hoạt động tốt mơi trƣờng có ánh sáng mạnh, đối tƣợng hình ảnh khơng chồng lấn lên q nhiều Đối với môi trƣờng ánh sáng yếu , đối tƣợng hình ảnh có kích thƣớc nhỏ tỷ lệ nhận dạng lỗi cao  Chức nhận dạng đƣờng cho kết khả quan với quang cảnh giao thơng có sở hạ tầng hồn thiện, cung đƣờng gấp khúc đột ngột, vạch kẻ đƣờng đứt quãng xa trình nhận dạng có sai số lớn dẫn đến việc tính toán độ cong làn, cảnh báo đƣa khơng cịn xác Trang 60 | 67 Những hạn chế bắt nguồn từ nguyên nhân chủ quan khách quan sau: 3.2.2.1 Chủ quan  Do khó khăn sở liệu: Tƣ xe ảnh nghiêng theo hƣớng trình xây dựng sở liệu từ trình máy tính học huấn luyện kết khơng tốt, khiến cho hệ thống hoạt động không ổn định  Cịn nhiều thiếu sót khâu chuẩn bị ảnh mẫu nhằm phục vụ tác vụ huấn luyện Tuy nhiên, hệ thống không tránh khỏi lỗi phát sai đối tƣợng bị chói sáng, ngƣợc sáng, xe bị che khuất đối tƣợng không mong muốn khác (một phần xe khác, cối,…) Thực tế cho thấy, liệu thí nghiệm đƣợc ghi hình mơi trƣờng sáng tốt cho kết tốt Điều đƣợc giải thích từ độ sáng đủ ánh nắng góp phần làm rõ đối tƣợng so với ảnh làm tăng thêm đặc trƣng để nhận dạng  Đối với đoạn đƣờng có hệ thống hạ tầng khơng đạt chuẩn, có hình dạng đặc biệt gây sai sót cho việc nhận dạng 3.2.2.2 Khách quan a, Các khó khăn phương pháp Đa số hƣớng tiếp cận phát vật thể, đặc biệt xe cách tự động hiệu thƣờng dựa vào việc tìm mơ hình phân lớp sở liệu đặc tả tốt hình dáng xe Việc hệ thống có khả hoạt động tốt tình huống, điều kiện thu nhận ảnh tình với tƣ quan sát xe khác khó khăn, ngƣời, việc hoàn toàn đơn giản đa số trƣờng hợp thông thƣờng Từ định nghĩa cụ thể cho kiểu hình dáng xe cách tiếp cận để phát nhận dạng đƣợc xuất phát từ nhiều đặc điểm, với lý sau  Tƣ xe góc độ quan sát: hệ thống phát đối tƣợng xe cảnh quang giao thơng hay khơng, cịn phụ thuộc vào góc độ quan sát vị Trang 61 | 67 trí đặt camera quan sát xe Xe đƣợc nhìn diện từ phía trƣớc phía sau vị trí chứa nhiều thơng tin đặc trƣng xe nhất, từ camera gắn với máy tính thu thập nhiều thông tin đặc trƣng xe đƣợc xem ảnh chuẩn huấn luyện để tạo lập sở liệu để áp dụng cho tác vụ phát sau  Sự có mặt đối tƣợng khác: đối tƣợng xe cần quan sát xuất ảnh bị vật thể khác che chắn phần toàn phần, ví dụ nhƣ cối, xe khác, ngƣời,… làm thiếu thơng tin đối tƣợng, kết phân tích, kết phát xe bị ảnh hƣởng nhiều  Điều kiện ghi nhận ảnh: xuất xe điều kiện chiếu sáng khác (bao gồm kiểu chiếu sáng, cƣờng độ sáng màu sắc nguồn sáng) nhƣ đặc tính hệ thống thu thập liệu ảnh (camera máy ảnh, hệ thống gƣơng phản xạ, thấu kính, …) góp phần ảnh hƣởng không nhỏ đến kết phát xe hệ thống  Hệ thống hạ tầng giao thông không đạt chuẩn (vạch phân bị mờ, đứt quãng ), điều kiện thời tiết xấu gây sai số phát nhận dạng đƣờng b, Các khó khăn tốc độ thực thi tốc độ hệ thống Việc lựa chọn cách giải cho hệ thống phát bám theo đối tƣợng phạm vi thị trƣờng camera, điều kiện cho phép tốt thử thách có nhiều cách phƣơng pháp tiếp cận khác Bên cạnh cịn phải kể đến trả giá cho công nghệ (hiệu cao nhƣng bù lại tốc độ chậm ngƣợc lại) Trang 62 | 67 3.3 KẾT LUẬN Về hệ thống giải đƣợc vấn đề cần đƣợc giải luận văn, hoàn thành đƣợc mục tiêu luận văn đề Tuy nhiên hệ thống số hạn chế nhƣ:  Kịch sơ sài  Dữ liệu đầu vào dừng lại video có sẵn mà khơng phải từ camera giám sát giao thơng trực tiếp  Chƣa tính tốn cụ thể đƣợc độ xác q trình hoạt động hệ thống  Phần mềm cịn chức năng, nhận dạng tính tốn đƣợc độ cong đƣờng vị trí tƣơng ứng xe Ứng dụng thị giác máy tính vào giám sát giao thông lĩnh vực mới, nhiều hƣớng để khai thác phát triển, kết đạt đƣợc luận văn khiêm tốn, nhƣng khả quan, cho thấy định hƣớng sử dụng camera hỗ trợ việc lái xe Dƣới học viên xin đề xuất số hƣớng phát triển cho hệ thống Hƣớng phát triển  Chúng ta tiến hành thống kê số liệu cụ thể tính tốn mức độ xác q trình hoạt động hệ thống, từ rút phƣơng pháp nâng cao hiệu suất  Ngồi tính nhận dạng xe đƣờng, xây dựng hệ thống hồn chỉnh hơn, có nhiều chức nhƣ xác định vận tốc phƣơng tiện hay khoảng cách chúng nhằm đƣa cảnh báo va chạm  Mục tiêu hƣớng tới xây dựng hệ thống trợ giúp lái xe thông minh, nhiên muốn đƣợc đƣa vào sử dụng thực tế phải đạt tỷ lệ lỗi thấp Với chức cảnh báo tỷ lệ cảnh báo sai phải dạng chấp nhận đƣợc, Trang 63 | 67 cao bị từ chối sử dụng từ tài xế Và ngƣỡng cảnh báo sai mức chấp nhận đƣợc cần phải nghiên cứu thêm Để giảm thiểu tỷ lệ lỗi thay sử dụng camera tính tới phƣơng án sử dụng thêm công cụ phụ trợ nhƣ camera âm thanh, radar áp dụng sâu kỹ thuật học máy  Hệ thống đƣợc lập trình theo hƣớng tích hợp vi mạch sử dụng ngơn ngữ lập trình hệ thống nhúng, hệ thống tích hợp vi mạch (SoC - System on Chip),… ứng dụng mang tính linh hoạt Bởi hệ thống khơng cịn thiết phải chạy tảng máy tính NET Frameworks máy tính Đƣợc nhƣ vậy, đề tài có tính ứng dụng linh hoạt cao vào lĩnh vực thực tế sống hoạt động đảm bảo an tồn giao thơng cho hệ thống giao thông nhƣ cá thể xe riêng biệt tham gia lƣu thông hệ thống giao thơng Theo nhận định thân học viên, lĩnh vực hay, lý thú, có nhiều ứng dụng thực tế bên cạnh cịn nhiều vấn đề cần hồn thiện thêm Vì khả thực có hạn thời gian không nhiều cho luận văn nên không tránh khỏi sơ sót nhầm lẫn Xin Q Thầy Cơ anh chị học viên nhƣ bạn thông cảm Mong với ham thích có hứng thú với hƣớng nghiên cứu chia sẻ với học viên để tiếp tục tìm hiểu, phát triển thêm để nâng cao tính hữu dụng thực tế cho đề tài Đó mục tiêu chủ chốt lợi ích ngành học Trang 64 | 67 TÀI LIỆU THAM KHẢO VÀ TRÍCH DẪN [1] Jaesik Choi Realtime On-Road Vehicle Detection with Optical Flows and Haar-like feature detector Computer Science Department „s paper report, 2000 [2] Margrit Betke, Esin Haritaoglu Real Time Multiple Vehicle Detection and Tracking from a moving vehicle Machine Vision and Applications, Springer, 2000 [3] David A Forsyth and Jean Ponce Computer Vision: A Modern Approach Prentice Hall, 693 pages, 2003 [4] Julien Meynet Fast Face Detection Using AdaBoost 95 pages, 16th July 2003 [5] Gregory D Hager Christopher Rasmussen Probabilistic data association method for tracking multiple and compound visual objects IEEE Computer Society, Jun 2001 [6] Wei Jiang Human Feature Extraction in VS image Using HOG Algorithm 14 pages, 2015 [7] Michael Isard and Andrew Blake Active Contours 312 pages, 1998 [8] Navneet Dalal and Bill Triggs Histograms of Oriented Gradients for Human Detection pages, 20th Dec 2010 [9] Paul Viola and Michael Jones Rapid Object Detection using a Boosted Cascade of Simple Features, pp 2-3, 2001 [10] Paul Viola and Michael Jones Robust Real-time Object Detection, pp 4-6 [11] Võ Sỹ Bắc, Đỗ Huy Hoàng, Nguyễn Xuân Tƣờng Huy, and Nguyễn Hoàng Vũ Báo cáo đề tài phân lớp dự đoán, pp 80-91 [12] S.K Uma, Srujana B.J, Feature Extraction for Human Detection using HOG and CS-LBP methods, pp 13 Trang 65 | 67 [13] Navneet Dalal and Bill Triggs, Histograms of Oriented Gradients for Human Detection , pp.7- [14] Richard O Duda and Peter E Hart, Use of the Hough Transformation To Detect Lines and Curves in Pictures, pp 12 [15] Trƣơng Quốc Bảo and Võ Văn Phúc, Giải thuật cho toán định vị nhận dạng biển số xe ô tô, Vol.1, No.27, pp.44-45, 2013 [16] Trƣơng Quốc Bảo, Giải thuật đơn giản để phát đường lái xe tự hành, Khoa Công nghệ, Trƣờng Đại học Cần Thơ, pp 134-142, 2013 Trang 66 | 67 CÁC WEBSITE THAM KHẢO [1] https://vi.wikipedia.org/ [2] https://www.google.com/ [3] https://nguyenkhoaninh.wordpress.com/category/opencv/ [4] http://www.ieev.org/2009/06/gaussian-blur.html [5] https://www.udacity.com/ [6] https://www.mathworks.com/help/images/hough-transform.html [7] https://www.gti.ssr.upm.es/data/Vehicle_database.html [8] http://www.cvlibs.net/datasets/kitti/ [9] https://medium.com/tag/self-driving-cars Trang 67 | 67 ... tài “ Nghiên cứu phát triển thuật tốn dị tìm tơ đường cao tốc? ?? phát tất loại xe ô tô lƣu thông cao tốc 1.2 CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU 1.2.1 Nghiên cứu nƣớc Cho đến nay, có nhiều đề tài nghiên cứu. .. DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VĂN VIỆT NGHIÊN CỨU VÀ PHÁT TRIỂN THUẬN TỐN DỊ TÌM OTO TRÊN ĐƯỜNG CAO TỐC LUẬN VĂN THẠC SĨ KỸ THUẬT CHUYÊN NGÀNH: KỸ THUẬT... HIỆN ĐỀ TÀI Bài toán phát nhận dạng xe cụ thể gồm qua bƣớc phát hiên xe nhận dạng xe Phát xe thuật toán chuyên biệt xuất phát từ thuật toán phát vật thể Khi cho nguồn ảnh đầu vào (có thể tín