Nghiên cứu phát triển các giải pháp giám sát lưu lượng và quản lý phương tiện giao thông qua camera giám sát

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN VIỆT HƯNG NGHIÊN CỨU PHÁT TRIỂN CÁC GIẢI PHÁP GIÁM SÁT LƯU LƯỢNG VÀ QUẢN LÝ PHƯƠNG TIỆN GIAO THÔNG QUA CAMERA GIÁM SÁT NGÀNH: KỸ THUẬT ĐIỆN TỬ Mà SỐ: 9520203 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS NGUYỄN TIẾN DŨNG HÀ NỘI - 2020 LỜI CAM ĐOAN Tơi xin cam đoan kết trình bày Luận án cơng trình nghiên cứu tơi hướng dẫn cán hướng dẫn suốt thời gian làm Nghiên cứu sinh Các kết nghiên cứu trình bày Luận án hồn toàn trung thực, khách quan chưa tác giả khác công bố Các kết sử dụng tham khảo trích dẫn đầy đủ theo quy định Luận án Hà Nội, ngày 30 tháng 01 năm 2020 Người hướng dẫn khoa học PGS TS Nguyễn Tiến Dũng Tác giả Nguyễn Việt Hưng LỜI CẢM ƠN Đầu tiên, tơi xin bày tỏ lịng biết ơn chân thành sâu sắc tới thầy hướng dẫn khoa học PGS TS Nguyễn Tiến Dũng Thầy định hướng cho triển khai ý tưởng khoa học, ln tận tình hướng dẫn tơi suốt thời gian học tập nghiên cứu thầy dành nhiều thời gian tâm huyết, hỗ trợ mặt để hồn thành luận án Tơi xin chân thành cảm ơn thầy, cô, anh chị em Nghiên cứu sinh Bộ môn Điện tử Kỹ thuật Máy tính, Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà Nội tạo điều kiện, giúp đỡ hướng dẫn q trình học tập nghiên cứu trường Tơi xin trân trọng cảm ơn Lãnh đạo trường Đại học Bách Khoa Hà Nội, Phòng Đào tạo, Viện Điện tử Viễn thông tạo điều kiện thuận lợi cho nghiên cứu sinh suốt trình học tập nghiên cứu Và xin cảm ơn TS Nguyễn Tiến Hòa TS Tạ Thị Kim Huệ giúp đỡ tơi trình bày Luận án Cuối cùng, tơi xin bày tỏ lịng biết ơn tới gia đình tôi: bố mẹ hai bên, vợ em gái ln động viên khích lệ tinh thần vật chất để tơi có động lực cơng việc nghiên cứu khoa học Hà Nội, ngày 30 tháng 01 năm 2020 Tác giả Nguyễn Việt Hưng MỤC LỤC Trang DANH MỤC CÁC CHỮ VIẾT TẮT iii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ v DANH MỤC CÁC BẢNG viii DANH MỤC CÁC KÝ HIỆU TOÁN HỌC ix MỞ ĐẦU CHƯƠNG TỔNG QUAN CÁC VẤN ĐỀ CỦA XỬ LÝ ẢNH TRONG GIAO THÔNG HỖN HỢP 18 1.1 Giới thiệu 18 1.2 Hệ thống giao thông thông minh 18 1.2.1 Chức 19 1.2.2 Nhiệm vụ 21 1.2.3 Kịch sử dụng 22 1.3 Tiềm ứng dụng xử lý ảnh ITS 22 1.3.1 Phát phương tiện 22 1.3.2 Các ứng dụng xử lý ảnh 23 1.3.3 Quy trình ứng dụng xử lý ảnh giao thơng 24 1.4 Hiện trạng xử lý ảnh ITS 25 1.4.1 Khả xử lý ảnh 26 1.4.2 Các thách thức xử lý ảnh ITS 26 1.5 Các chức xử lý ảnh ITS 28 1.5.1 Nhận dạng biển số phương tiện 28 1.5.2 Phân loại phương tiện 31 1.5.3 Đo tốc độ phương tiện 41 1.5.4 Phân tích lưu lượng phương tiện 46 1.6 Các vấn đề xử lý ảnh giao thông hỗn hợp 54 1.7 Kết luận chương 55 i ii CHƯƠNG QUẢN LÝ PHƯƠNG TIỆN GIAO THÔNG 57 2.1 Giới thiệu 57 2.2 Hệ thống quản lý phương tiện giao thông 57 2.2.1 Cải thiện chất lượng ảnh 57 2.2.2 Nhận diện phương tiện 59 2.2.3 Phân loại phương tiện 62 2.2.4 Đo tốc độ phương tiện giao thông 64 2.3 Đề xuất thuật toán cải thiện nâng cao chất lượng ảnh 65 2.4 Đề xuất phương pháp phân loại phương tiện giao thông 74 2.5 Đề xuất mơ hình hóa phương pháp đo tốc độ phương tiện 79 2.6 Kết luận chương 90 CHƯƠNG LƯU LƯỢNG PHƯƠNG TIỆN GIAO THÔNG 91 3.1 Giới thiệu 91 3.2 Hệ thống giám sát lưu lượng phương tiện giao thông 91 3.3 Giám sát điều khiển dịng phương tiện giao thơng theo mật độ lưu lượng 92 3.3.1 Đề xuất giám sát điều khiển dịng phương tiện giao thơng theo mật độ lưu lượng 95 3.4 Giám sát điều khiển dòng phương tiện giao thông theo số lượng phương tiện chủng loại phương tiện 109 3.4.1 Đề xuất giám sát lưu lượng phương tiện theo số lượng chủng loại phương tiện 112 3.5 Kết luận chương 123 KẾT LUẬN 124 DANH MỤC CÁC CƠNG TRÌNH Đà CƠNG BỐ CỦA LUẬN ÁN 126 TÀI LIỆU THAM KHẢO 128 PHỤ LỤC A 139 DANH MỤC CÁC CHỮ VIẾT TẮT AI ALPR Active Infrared Automated License Plate Recognition Hồng ngoại chủ động Nhận dạng biển số tự động AS Acoustic Sensor BA Block Artifact BI Bicubic Interpolation Giải thuật nội suy Bicubic CCD Charge Coupled Device Linh kiện tích điện kép CI Cubic Interpolation Giải thuật nội suy Cubic CW Continuous Wave Sóng liên tục DA Direction Angle Góc trực tiếp DWT Discrete Wavelet Transform Chuyển đổi sóng rời rạc FLC Fuzzy Logic Controller Bộ điều khiển logic mờ frequency Modulated Điều chế tần số sóng Continous Waves RADAR RADAR liên tiếp Frame per Second Khung hình giây Global System for Mobile Hệ thống thơng tin di động Communications tồn cầu Inductive Loop Detector Hệ thống nhận diện System vòng lặp cảm ứng từ Image Processing Xử lý ảnh FMCWR FPS GSM ILDS IP ITS k NN Ảnh hưởng từ khối lân cận Intelligent Transportation System k Nearest Neighbor Light Amplification by LASER Stimulated Emission of Radiation LED Cảm biến âm Light Emitting Diode iii Giao thông Thông minh k lân cận gần Khuyếch đại ánh sáng phát xạ kích thích Diode phát quang iv MD OCR Magnetic Detector Optical Character Recognization PI Passive Infrared PSNR Peak Signal to Noise Ratio Đầu dị từ tính Nhận dạng ký tự quang học Hồng ngoại bị động Tỉ số tín hiệu cực đại nhiễu RAdio Detection And Dị tìm định vị sóng Ranging vơ tuyến Radio Frequency Xác thực tần số sóng vơ IDentification tuyến Scale-Invariant Feature Biến đổi đặc trưng tỷ lệ Transform không đổi SVM Support Vector Machine Véc-tơ máy hỗ trợ TMS Traffic Monitoring System US Ultrasonic Sensor Cảm biến siêu âm VANET Vehicular Ad Hoc Networks Mạng xe cộ bất định VP Vanish Point Điểm khuất RADAR RFID SIFT Hệ thống giám sát giao thơng DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 0.1 Mơ hình hệ thống ITS nghiên cứu Juan [1] Hình 1.1 Kiến trúc hệ thống ITS Huawei 19 Hình 1.2 Sơ đồ khối hệ thống đề xuất 24 Hình 1.3 Quy trình ứng dụng xử lý ảnh giao thông 25 Hình 1.4 Sơ đồ khối chu trình xử lý hệ thống ALPR điển hình 28 Hình 1.5 Xác định vị trí biển số phương tiện đường viền 29 Hình 1.6 Phân đoạn ảnh phương pháp chiếu 30 Hình 1.7 Hệ thống huấn luyện OCR điển hình 30 Hình 1.8 Phân loại giải thuật phân loại phương tiện 32 Hình 1.9 Các phương tiện cạnh viền tìm 36 Hình 1.10 Trích xuất đặc trưng HOG từ ảnh xám 37 Hình 1.11 Đặc trưng Haar sử dụng để phát phương tiện: đặc trưng cạnh viền, đặc trưng trung tâm đặc trưng đường 37 Hình 1.12 Minh họa hai phương pháp hiệu chỉnh camera 44 Hình 1.13 Minh họa hiệu chỉnh camera 45 Hình 1.14 Phương tiện giao thông di chuyển trục tọa độ 48 Hình 1.15 Minh họa chuyển động phương tiện theo quãng đường thời gian phương tiện di chuyển 49 Hình 1.16 Vận tốc, quãng đường thời gian phương tiện di chuyển 49 Hình 1.17 Biểu đồ chuyển động phương tiện 51 Hình 1.18 Biểu đồ trục đo thời gian di chuyển 53 Hình 1.19 Biểu đồ trục đo khoảng cách di chuyển 53 Hình 1.20 Biểu đồ hàm Ψti (x) vùng quan sát 54 Hình 2.1 Sơ đồ thiết lập hệ thống camera để thu thập liệu 63 Hình 2.2 Ảnh có độ phân giải thấp ảnh có độ phân giải cao 67 Hình 2.3 Hàm Cubic qua bốn điểm sở 67 Hình 2.4 Giải thuật nội suy Bicubic 68 Hình 2.5 So sánh chuỗi điểm ảnh theo cột ảnh gốc ảnh sau nội suy BI có kích thước 69 v vi Hình 2.6 Xác định đường cong kín 70 Hình 2.7 Xác định điểm ảnh cần tính tốn lại dựa vào ma trận × 70 Hình 2.8 Phương pháp nội suy sử dụng để cải thiện vị trí điểm ảnh cận biên đường cong kín 71 Hình 2.9 Ma trận Smin có kích thước × nằm ma trận × 7, từ phần tử trung tâm dịch điểm ảnh biên 72 Hình 2.10 Sơ đồ khối phương pháp mô 72 Hình 2.11 Minh họa giải thuật nội suy Bicubic frame a) Ảnh gốc I , b) Ảnh J với L = 2, c) Ảnh biên Canny, d) Phương pháp đề xuất 73 Hình 2.12 Chuỗi ảnh thu theo phương pháp đề xuất 73 Hình 2.13 Giải thuật trừ 75 Hình 2.14 Minh họa góc tới để phân loại phương tiện 75 Hình 2.15 Các ô tô nhận dạng từ liệu thu 76 Hình 2.16 Bộ liệu thống kê góc tới trực tiếp 80 tơ nhận dạng được76 Hình 2.17 Bộ liệu thống kê góc tới trực tiếp xe tải xe buýt 77 Hình 2.18 Các xe máy nhận dạng 78 Hình 2.19 Thống kê giá trị góc tới xe máy 79 Hình 2.20 Hiện tượng quang học 80 Hình 2.21 Ảnh thu đối tượng 80 Hình 2.22 Mơ hình thiết lập camera 81 Hình 2.23 Các điểm khuất từ trục đối tượng ảnh 82 Hình 2.24 Biểu diễn số khung hình giây (camera thử nghiệm có tốc độ 12f ps) 85 Hình 2.25 Quy trình xử lý phương pháp đề xuất 86 Hình 2.26 Ảnh gốc ảnh phương tiện nhận dạng 88 Hình 2.27 Một số phương tiện phát 88 Hình 2.28 Đánh giá sai số 89 Hình 3.1 Mơ hình vị trí lắp đặt camera 95 Hình 3.2 Mơ hình hệ thống đề xuất 96 Hình 3.3 Kịch hệ thống giao thông hỗn hợp Việt Nam 97 Hình 3.4 Mật độ phương tiện giao thơng đèn tín hiệu hoạt động 98 Hình 3.5 Một khung hình chụp từ camera 99 Hình 3.6 Sơ đồ kịch mơ nút giao thông 101 vii Hình 3.7 Ví dụ khung hình thu từ ngả đường A → B từ camera ảnh nhị phân phương tiện khung hình 102 Hình 3.8 Giải thuật Hệ thống đề xuất 103 Hình 3.9 Biểu đồ thể mật độ phương tiện vùng L 35 giây tổ hợp đèn tín hiệu hoạt động 104 Hình 3.10 Biểu đồ thể mật độ phương tiện vùng ∆αn 35 giây tổ hợp đèn tín hiệu hoạt động 106 Hình 3.11 Biểu đồ thể mật độ phương tiện vùng β 35 giây tổ hợp đèn tín hiệu hoạt động 107 Hình 3.12 Đặc trưng dịng phương tiện hỗn hợp, xe máy cố vào chỗ cịn trống ơ-tơ 111 Hình 3.13 Kiểm soát chủng loại số lượng phương tiện vào vùng giám sát 113 Hình 3.14 Mối quan hệ k q 115 Hình 3.15 Mơ hình hàng đợi nút giao thông 117 Hình 3.16 Nút giao thơng pha 120 Hình 3.17 Mơ hình nút giao thơng pha 120 Hình 3.18 Mơ simtram 122 125 (∆α∞ , ∆αm ∆αn ), β L tương ứng với vùng phương tiện dừng chờ đèn đỏ, phần đường giao nút giao thông vùng luồng phương tiện di chuyển vào Từ việc giám sát tham số tính tốn thời gian đèn giao thơng hoạt động cho phù hợp Luận án đề xuất hướng phát triển sau: • Nghiên cứu tính tốn đề xuất phương pháp nâng cao chất lượng nội suy ảnh theo hướng Super-Resoulution để cải thiện chất lượng ảnh thu từ camera giao thơng • Nghiên cứu tính toán đo tốc độ phương tiện từ xa đường cao tốc, xác định thời gian bắt hình (shutter time) camera ảnh hưởng tới thời gian khung hình nhằm mục đích xác định thời gian bắt hình thời gian cịn lại khung hình • Phát triển giải pháp quản lý xử lý liệu hệ thống camera nhằm mục đích đồng hoá liệu đồng điều khiển dịng phương tiện DANH MỤC CÁC CƠNG TRÌNH Đà CƠNG BỐ CỦA LUẬN ÁN I CÁC CƠNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN Đà ĐĂNG Conferences: [C1 ] Nguyen Viet Hung, Nguyen Hoang Dung, Le Chung Tran, Thang Manh Hoang & Nguyen Tien Dzung (2016); Vehicle Classification by Estimation of the Direction Angle in a Mixed Traffic Flow, IEEE International Conference on Communications and Electronics (IEEE - ICCE), pp 365 - 368 [C2 ] Nguyen Viet Hung, Nguyen Hoang Dung, Le Chung Tran, Thang Manh Hoang & Nguyen Tien Dzung (2016); A Traffic Monitoring System for a Mixed Traffic Flow Via Road Estimation and Analysis, IEEE International Conference on Communications and Electronics (IEEE - ICCE), pp 375 378 [C3 ] Nguyen Viet Hung, Nguyen Thi Thu Hien, Phan Thanh Vinh, Nguyen Thi Thao & Nguyen Tien Dzung (2017); An Utilization of Edge Detection in a Modified Bicubic Interpolation Used for Frame Enhancement in a Camerabased Traffic Monitoring, IEEE International Conference on Information and Communications (IEEE - ICIC), pp 316 - 319 Journals: [J1 ] Nguyen Viet Hung, Nguyen Tien Dzung (2017); A Traffic Monitoring based on Vehicle Density Estimation and Analysis for a Mixed Traffic Flow in a Transport Cross-road, Journal of Science & Technolgoy - Technical Universities, No 120, 6/2017, pp 92 - 98 [J2 ] Nguyễn Việt Hưng, Nguyễn Thị Thảo, Đỗ Huy Khôi, Nguyễn Tiến Dũng (2017); Mơ Hình Hóa Phương Pháp Đo Tốc Độ Ơ Tơ Dựa Trên Xử Lý Ảnh, Tạp chí Khoa học Cơng nghệ, Đại học Thái Ngun, ISSN 1859 - 2171, Tập 169 số 09 năm 2017, pp 39 - 44 126 127 II: CÁC CƠNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN ĐANG CHỜ KẾT QUẢ PHẢN BIỆN [J3 ] Nguyen Viet Hung, Nguyen Tien Dzung (2019); Traffic Density Based Modeling According to Vehicle Sizes TÀI LIỆU THAM KHẢO [1] Juan Guerrero-Ibᘠnez, Sherali Zeadally, and Juan Contreras-Castillo Sensor technologies for intelligent transportation systems In Sensors, volume 18, pages 1–24, 2018 [2] Vinh Du Mai and Duoqian Miao and Ruizhi Wang Vietnam License Plate Recognition System based on Edge Detection and Neural Networks In Journal of Information and Computing Science, volume 8, pages 27–40, 2013 [3] Trương Quốc Bảo Nhận dạng biển số đếm số lượng xe ôtô đường cao tốc In Tạp chí Tự động hóa ngày nay, volume 189, pages 42–43, 2016 [4] Nguyễn Văn Căn, Nguyễn Tiên Hưng, Dương Phú Thuần, and Nguyễn Đăng Tiến Phương pháp phân loại nhanh phương tiện giao thông dựa Đường viền In Kỷ yếu Hội nghị Quốc gia lần thứ VIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), pages 581–589, 2015 [5] Viet-Hoa Do, Le-Hoa Nghiem, Ngoc Pham Thi, and Nam Pham Ngoc A simple camera calibration method for vehicle velocity estimation In 12th International Conference on Electrical Engineering /Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), pages 1–5, 2015 [6] QuangTuấn Nguyễn, Anh Tuấn Nguyễn, and Văn Ngọ La Triển khai hệ thống giao thông thông minh việt nam In TỰ ĐỘNG HÓA NGÀY NAY, number 162 in 8/2014, 2014 [7] Yilin Zhao Mobile Phone Location Determination and ITS Impact on Intelligent Transportation Systems In IEEE Transactions on Intelligent Transportation Systems, volume 1, pages 55–64, Mar, 2000 [8] Shunsuke Kamijo, Yasuyuki Matsushita, Katsushi Ikeuchi, and Masao Sakauchi Traffic monitoring and accident detection at intersections In IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, volume 1, pages 108–118, 2000 [9] Trista Lin, Hervộ Rivano, and Frộdộric Le Mouăel A survey of smart parking solutions In IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, pages 1–25, 2017 [10] Robert G Keys Cubic convolution interpolation for digital image processing In IEEE Transactions on Acoustics, Speech, and Signal Processing, volume VOL ASSP-29, NO 6, page 1153 – 1160., DECEMBER 1981, [11] Ming-Tuo Zhou, Yan Zhang, and L T Yan Road Traffic Estimation using Cellular Network Signaling in Intelligent Transportation Systems Nova Science Nova Science Publishers, 2009 [12] Gayathri Chandrasekaran, Tam Vu, Alexander Varshavsky, Marco Gruteser, Richard P Martin, Jie Yang, and Yingying Chen Vehicular Speed Estimation using Received Signal Strength from Mobile Phones In Proceedings of the 12th 128 129 ACM international conference on Ubiquitous computing - Ubicomp ’10, pages 237–240, 2010 [13] Jun Hu, Wei Liu, Huai Yuan, and Hong Zhao A Multi View Vehicle Detection Method Based on Deep Neural Networks In International Conference on Measuring Technology and Mechatronics Automation (ICMTMA) 9th, pages 86–89, 2017 [14] Lawrence, A Klein, Milton, K Mills, and David, R P Gibson Traffic Detector Handbook U.S Federal Highway Administration, 1970 [15] C J Pellerin and M H Acuna A Miniature Two-Axis Fluxgate Magnetometer Technical Report D-5325, National Aeronautics and Space Administration (NASA), Washington, D C, 1970 [16] C P Curie Jacques Développement par compression de l’électricité polaire dans les cristaux hémièdres faces inclinées In Bulletin de la Société minérologique de France 3, 1880 [17] S A Ahmed, T M Hussain, and T N Saadawi Active and passive infrared sensors for vehicular traffic control In Proceedings of IEEE Vehicular Technology Conference (VTC), volume 2, pages 1393 – 1397, 1994 [18] Youngtae Jo and Inbum Jung Analysis of Vehicle Detection with WSN Based Ultrasonic Sensors In sensors, pages 14050–14069, 2014 [19] J F Forren and D Jaarsma Traffic monitoring by tire noise In Proceedings of Conference on Intelligent Transportation Systems, pages 177–182, 1997 [20] Wern Yarng Shieh and Ti Ho Wang and Yen Hsih Chou and Chi Chang Huang Design of the Radiation Pattern of Infrared Short Range Communication Systems for Electronic Toll Collection Applications In IEEE Transactions on Intelligent Transportation Systems, volume 9, 2008 [21] Xin Yu, P D Prevedouros, and Goro Sulijoadikusumo Evaluation of autoscope, smartsensor hd, and infra-red traffic logger for vehicle classification In Journal of the Transportation Research Board, pages 77–86, 2010 [22] X Yu, G Sulijoadikusumo, H L Li, and P Prevedouros Reliability of automatic traffic monitoring with non-intrusive sensors In Engineers 11th International Conference of Chinese Transportation Professionals (ICCTP), pages 4157–4169, 2011 [23] Robert P Loce, Raja Bala, and Mohan Trivedi Computer Vision and Imaging in Intelligent Transportation Systems WILEY - IEEE PRESS, 2017 [24] M Shevenell Survey of autonomous imaging In IEEE OCEANS, pages 224–228, 1984 [25] Bin Tian, Qingming Yao, Yuan Gu, Kunfeng Wang, and Ye Li Video processing techniques for traffic flow monitoring: A survey In 14th International IEEE Conference on Intelligent Transportation Systems, pages 1103–1108, 2011 [26] Panos G Michalopoulos Vehicle detection video through image processing: the autoscope system In IEEE Transactions on Vehicular Technology, volume 40, pages 21–29, 1991 [27] George Kopsiaftis and Konstantinos Karantzalos Vehicle detection and traffic density monitoring from very high resolution satellite video data In 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), pages 1881–1884, 2015 130 [28] Massimo Piccardi Background subtraction techniques: a review In IEEE International Conference on Systems, Man and Cybernetics, pages 3099–3104, 2004 [29] Christof Ridder, Olaf Munkelt, and Harald Kirchner Adaptive background estimation and foreground detection using In Proc ICRAM, pages 193–199, 1995 [30] Chris Stauffer and W E L Grimson Adaptive Background Mixture Models for Real-Time Tracking In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, volume 2, pages 246–252, 1999 [31] R Cucchiara, M Piccardi, and P Mello Image analysis and rule-based reasoning for a traffic monitoring system In IEEE Transactions on Intelligent Transportation Systems, volume 1, pages 119–130, 2000 [32] A J Lipton, H Fujiyoshi, and R S Patil Moving target classification and tracking from real-time video In Proceedings Fourth IEEE Workshop on Applications of Computer Vision WACV’98, pages 8–14, 1998 [33] Sokèmi René Emmanuel Datondji, Yohan Dupuis, Peggy Subirats, and Pascal Vasseur A survey of vision-based traffic monitoring of road intersections In IEEE Transactions on Intelligent Transportation Systems, volume 17, pages 2681–2698, 2016 [34] Xueyun Chen, Shiming Xiang, Cheng-Lin Liu, and Chun-Hong Pan Vehicle detection in satellite images by hybrid deep convolutional neural networks In IEEE Geoscience and Remote Sensing Letters, pages 1797 – 1801, 2014 [35] Zhaojin Zhang, Cunlu Xu, and Wei Feng Road vehicle detection and classification based on deep neural network In IEEE International Conference on Software Engineering and Service Science (ICSESS) 7th, pages 675–678, 2016 [36] Yanjun Liu, Na Liu, Hong Huo, and Tao Fang Vehicle detection in high resolution satellite images with joint-layer deep convolutional neural networks In International Conference on Mechatronics and Machine Vision in Practice (M2VIP) 23rd, pages 1–6, 2016 [37] Shoaib Aza, Aasim Rafique, and Moongu Jeon Vehicle pose detection using region based convolutional neural network In International Conference on Control, Automation and Information Sciences (ICCAIS), pages 194–198, 2016 [38] Rindra Wiska, Machmud R Alhamidi, Novian Habibie, Ari Wibisono, Petrus Mursanto, Doni H Ramdhan, M Febrian Rachmadi, and Wisnu Jatmiko Vehicle traffic monitoring using single camera and embedded systems In 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS), pages 117–121, 2016 [39] Chen Wei-Gang and Xu Bin Detecting moving shadows in video sequences using region level evaluation for vision-based vehicle detection In 2010 Fifth International Conference on Frontier of Computer Science and Technology, pages 142–146, 2010 [40] Yu Yang, Yu Ming, and Ma Yongchao A strategy to detect the moving vehicle shadows based on gray-scale information In 2009 Second International Conference on Intelligent Networks and Intelligent Systems, pages 358–361, 2009 [41] Nur Shazwani A., M M Ibrahim, N M Ali, and Nur Fatin Izzati Y Vehicle detection based on underneath vehicle shadow using edge features In 2016 6th IEEE International Conference on Control System, Computing and Engineering, pages 407–412, 25–27 November 2016, Penang, Malaysia, 2016 131 [42] Asmita Jondhale, Gautami Das, and Samadhan Sonavane Ocr and rfid enabled vehicle identification and parking allocation system In 2015 International Conference on Pervasive Computing (ICPC), pages 1–4, 2015 [43] Judith Sen E, Deepa Merlin Dixon K, Ansy Anto, Anumary M V, Daine Micheal, Fincy Jose, and Jinesh K J Advanced license plate recognition system for car parking In International Conference on Embedded Systems - (ICES 2014), pages 162–165, 2014 [44] Gautam B Singh and Haiping Song Comparison of hidden markov models and suppor vector machines for vehicle crash detection In 2010 International Conference on Methods and Models in Computer Science (ICM2CS-2010), pages 1–6, 2010 [45] Jooyoung Lee and Kitae Jang Proactive detection of crash hotspots using invehicle driving recorder In 2016 3rd Asia-Pacific World Congress on Computer Science and Engineering, pages 193–198, 2016 [46] Yifu Liu, Paul Watta, Bochen Jia, and Yi Lu Murphey Vehicle position and context detection using v2v communication with application to pre-crash detection and warning In 2016 IEEE Symposium Series on Computational Intelligence (SSCI), pages 1–7, 2016 [47] Shi, X and Zhao, W and Shen, Y Automatic license plate recognition system based on color image processing In Proceedings of the International Conference on Computational Science and Its Applications (ICCSA 2005), pages 1159–1168, 2005 [48] Lee, E R and Kim, P K and Kim, H Automatic recognition of a car license plate using color image processing In IEEE International Conference on Image Processing, volume 2, pages 301–305, 1994 [49] Zheng, D and Zhao, Y and Wang, J An efficient method of license plate location In Pattern Recognition Letters, pages 2431–2438, 2005 [50] Bai, H and Liu, C A hybrid license plate extraction method based on edge statistics and morphology In 17th International Conference on Pattern Recognition, pages 831–834, 2004 [51] Viola, P and Joes, M Rapid object detection using a boosted cascade of simple features In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001 [52] Jung, K., Kim, K I., and Jain, A K Text information extraction in images and video: A survey In Pattern Recognition, 2004 [53] Casey, R G and Lecolinet, E A survey of methods and strategies in character segmentation In IEEE Transactions on Pattern Analysis and Machine Intelligence, pages 690–706, 1996 [54] Sumathi, C P., Santhanam, T., and Gayathri, G A survey on various approaches of text extraction in images In International Journal of Computer Science and Engineering Survey, pages 27–42, 2012 [55] Anagnostopoulos, C N E and Anagnostopoulos, I E and Psoroulas, I D and Loumos, V and Kayafas, E License plate recognition from still images and video sequences: A survey In IEEE Transactions on Intelligent Transportation Systems, pages 377–391, 2008 132 [56] Du, S and Ibrahim, M and Shehata, M and Badawy, W Automatic License Plate Recognition (ALPR) In IEEE Transactions on Circuits and Systems for Video Technology, pages 311–325, 2013 [57] Apiwat Sangnoree Vehicular separation by thermal features relative angle for nighttime traffic In 6th International Conference on New Trends in Information Science, Service Science and Data Mining (ISSDM2012), pages 796–773, 2012 [58] Yoichiro Iwasaki, Masato Misumi, and Toshiyuki Nakamiya Robust Vehicle Detection under Various Environments to Realize Road Traffic Flow Surveillance Using an Infrared Thermal Camera In The Scientific World Journal, pages 1–11, 2015 [59] Mark W Koch and Kevin T Malone A Sequential Vehicle Classifier for Infrared Video using Multinomial Pattern Matching In Conference on Computer Vision and Pattern Recognition Workshop (CVPRW’06), 2006 [60] K M Simonson Multinomial Pattern Matching: A Robust Algorithm for Target Identification In Proceedings of Automatic Target Recognizer Working Group (ATRGW), 1997 [61] A Wald Sequential Analysis In New York City: Courier Corporation, 1973 [62] R O Duda, P E Hart, and D G Stork Pattern Classification In New York: John Wiley & Sons, Inc., 2012 [63] Z Chen, T Ellis, and S Velastin Vehicle Type Categorization: A Comparison of Classification Schemes In International IEEE Conference on Intelligent Transportation Systems (ITSC), pages 74–79, 2011 [64] X Ma, W Eric, and L Grimson Edge based rich representation for vehicle classification In IEEE International Conference on Computer Vision, volume 2, 2005 [65] Z Chen, T Ellis, and S Velastin Vehicle Detection, Tracking and Classification in Urban Traffic In Proceedings of the 15th International IEEE Conference on Intelligent Transportation Systems (ITSC), pages 951–956, 2012 [66] S Gupte and et al Detection and Classification of Vehicles In IEEE Transactions on Intelligent Transportation Systems, pages 37–47, 2002 [67] B Morris and M Trivedi Improved Vehicle Classification in Long Traffic Video By Cooperating Tracker And Classifier Modules In Proceedings of the IEEE International Conference on Video and Signal Based Surveillance, 2006 [68] Chung Lin Huang and Wen Chieh Liao A Vision Based Vehicle Identification System In Proceedings of the IEEE 17th International Conference on Pattern Recognition, 2004 [69] M Kafai and B Bhanu Dynamic Bayesian Networks for Vehicle Classification In Video In IEEE Transactions on Industrial Informatics, pages 100–109, 2012 [70] Y Shan, H S Sawhney, and R Kumar Unsupervised learning of discriminative edge measures for vehicle matching between nonoverlapping cameras In IEEE Transactions on Pattern Analysis and Machine Intelligence, pages 700–711, 2008 [71] O Hasegawa and T Kanade Type Classification, Color Estimation, and Specific Target Detection of Moving Targets On Public Streets In Machine Vision and Applications, pages 116–121, 2005 133 [72] H C Karaimer, I Cinaroglu, and Y Bastanlar Combining Shape Based and Gradient Based Classifiers For Vehicle Classification In Proceedings of the 2015 IEEE 18th International Conference on Intelligent Transportation Systems (ITSC), pages 800–805, 2015 [73] S Sen Ching and S Cheung and C Kamath Robust techniques for background subtraction in urban traffic video In Video Communications and Image Processing, pages 881–892, 2004 [74] H Sakoe and S Chiba Dynamic programming algorithm optimization for spoken word recognition In IEEE Transactions on Acoustics, Speech and Signal Processing, pages 43–49, 1978 [75] D P Huttenlocher, G Klanderman, and W J Rucklidge Comparing images using the Hausdorff distance In IEEE Transactions on Pattern Analysis and Machine Intelligence, pages 850–863, 1993 [76] A Thayananthan and et al Shape context and chamfer matching in cluttered scenes In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, volume 1, pages 1–7, 2003 [77] D G Lowe Distinctive image features from scale invariant keypoints In International Journal of Computer Vision, volume 60(2), pages 91–110., 2004 [78] R Fergus, P Perona, and A Zisserman Object class recognition by unsupervised scale invariant learning In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, volume 2, 2003 [79] D Dalal and B Triggs Histograms of oriented gradients for human detection In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, volume 1, 2005 [80] T Gandhi and M M Trivedi Video based surround vehicle detection, classification and logging from moving platforms: Issues and approaches In IEEE Intelligent Vehicles Symposium, 2007 [81] X Cao and et al Linear SVM classification using boosting HOG features for vehicle detection in low altitude airborne videos In IEEE International Conference on Image Processing (ICIP 2011), 2011 [82] F Han and et al A two stage approach to people and vehicle detection with HOG based SVM In Performance Metrics for Intelligent Systems 2006 Workshop, 2006 [83] S Tan and et al Inverse perspective mapping and optic flow: A calibration method and a quantitative analysis In Image and Vision Computing, volume 24(2), pages 153–165, 2006 [84] H A Mallot and et al Inverse perspective mapping simplifies optical flow computation and obstacle detection In Biological Cybernetics, volume 64(3), pages 177–185, 1991 [85] T Lindeberg Scale space theory: A framework for handling image structures at multiple scales In Proceedings of the CERN School of Computing, 1996 [86] Z Chen and et al Road vehicle classification using support vector machines In Proceedings of the IEEE International Conference on Intelligent Computing and Intelligent Systems, volume 4, 2009 134 [87] A Gaszczak, T P Breckon, and J Han Real time People and Vehicle Detection from UAV Imagery In Proceedings of IST SPIE Electronic Imaging, San Francisco, CA, USA,, 2011 [88] G Y Song, K Y Lee, and J W Lee Vehicle Detection by Edge Based Candidate Generation And Appearance Based Classification In IEEE Intelligent Vehicles Symposium, pages 428–433, 2008 [89] Hongliang Bai, Jianping Wu, and Changpin Liu Motion and Haar-like Features Based Vehicle Detection In 2006 12th International Multi-Media Modelling Conference, pages 356–359, 2006 [90] A Haselhoff and A Kummert A vehicle detection system based on Haar and triangle features In IEEE Intelligent Vehicles Symposium, 2009 [91] H Abdi and L J Williams Principal component analysis In Wiley Interdisciplinary Reviews: Computational Statistics, pages 433–459, 2010 [92] C Zhang, X Chen, and W B Chen A PCA Based Vehicle Classification Framework In Proceedings of the 22nd International Conference on Data Engineering Workshops, 2006 [93] J W Wu and X Zhang A PCA classifier and its application in vehicle detection In Proceedings of the International Joint Conference on Neural Networks (IJCNN’01), volume 1, 2001 [94] E Kreyszig Advanced Engineering Mathematics New York: John Wiley & Sons, 1988 [95] M Turk and A P Pentland Face recognition using eigenfaces In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 91), 1991 [96] J Laws, N Bauernfeind, and Y Cai Feature hiding in 3D human body scans In Information Visualization, pages 271–278, 2006 [97] A H S Lai, G Fung, and N Yung Vehicle type classification from visual based dimension estimation In Proceedings of the 2001 IEEE Intelligent Transportation Systems, 2001 [98] Wilhelm Leutzbach Introduction to the Theory of Traffic Flow Springer - Verlag, 1988 [99] John Canny A computational approach to edge detection In IEEE Transactions on Pattern Analysis and Machine Intelligence, volume PAMI-8, NO 6, page 679 – 698, Nov 1986 [100] Sekar V, V Duraisamy, and Remimol A M An approach of image scaling using dwt and bicubic interpolation In Green Computing Communication and Electrical Engineering (ICGCCEE), pages 1–5, 2014 [101] Zhou Dengwen An edge-directed bicubic interpolation algorithm In 3rd International Congress on Image and Signal Processing (CISP2010), page 1186 – 1189, 2010 [102] Shilpa, Prathap H.L, and Sunitha M.R A survey on moving object detection and tracking techniques In International Journal Of Engineering And Computer Science, volume 5, pages 16376–16382, 2016 135 [103] Payal Panchal, Gaurav Prajapati, Savan Patel, Hinal Shah4, and Jitendra Nasriwala A review on object detection and tracking methods In INTERNATIONAL JOURNAL FOR RESEARCH IN EMERGING SCIENCE AND TECHNOLOGY, volume 2, pages 7–12, 2015 [104] S R Balaji and S Karthikeyan A survey on moving object tracking using image processing In International Conference on Intelligent Systems and Control (ISCO), pages 469–474, 2017 [105] Bruce D Lucas and Takeo Kanade An iterative image registration technique with an application to stereo vision In Proceedings of Imaging Understanding Workshop, pages 121–130, 1981 [106] Charles Anum Adams, Mohammed Abdul Muhsin Zambang, and Richter Opoku Boahen Effects of motorcycles on saturation flow rates of mixed traffic at signalized intersections in ghana In International Journal of Traffic and Transportation Engineering, pages 94–101, 2015 [107] Saowaluck Kaewkamnerd, Jatuporn Chinrungrueng, Ronachai Pongthornseri, and Songphon Dumnin Vehicle classification based on magnetic sensor signal In IEEE International Conference on Information and Automation, pages 935–939, 2010 [108] Jun-Wei Hsieh, Shih-Hao Yu, Yung-Sheng Chen, and Wen-Fong Hu Automatic traffic surveillance system for vehicle tracking and classification In IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, volume 7, pages 175–187, 2006 [109] YuQiang Liu and Kunfeng Wang Vehicle classification system based on dynamic bayesian network In Service Operations and Logistics, and Informatics (SOLI), pages 22–26, 2014 [110] Prateek, G.V, K Nijil, and K.V.S Hari Classification of vehicles using magnetic field angle model In Intelligent Systems Modelling & Simulation (ISMS), pages 214–219, 2013 [111] Hakki Can Karaimer, Ibrahim Cinaroglu, and Yalin Bastanlar Combining shapebased and gradient-based classifiers for vehicle classification In 18th IEEE International Conference on Intelligent Transportation Systems, Spain, pages 800–805, 2015 [112] D F Llorca, C Salinas, M Jiménez, I Parra, A G Morcillo, R Izquierdo, J Lorenzo, and M A Sotelo Two-camera based accurate vehicle speed measurement using average speed at a fixed point In IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pages 2533–2538, 2016 [113] Chen Yajun, Zhang Erhu, and Kang Xiaobing Divisional velocity measurement for high-speed cotton flow based on double ccd camera and image crosscorrelation algorithm In The 11th IEEE International Conference on Electronic Measurement & Instruments, pages 202–206, 2013 [114] Fumiaki Mitsugi, Toshiyuki Nakamiya, Yoshito Sonoda, and Hiroharu Kawasaki High-speed camera and fibered optical wave microphone measurements on surface-dielectric-barrier discharges In IEEE Transactions on Plasma Science, pages 2642 – 2648, 2015 [115] Diogo Carbonera Luvizon, Bogdan Tomoyuki Nassu, and Rodrigo Minetto A video-based system for vehicle speed measurement in urban roadways In IEEE Transactions On Intelligent Transportation Systems, pages 1–12, 2016 136 [116] Ronald E Crochiere and Lawrence R Rabiner Multirate Digital Signal Processing Prentice-Hall, Inc., Englewood Cliffs, 1983 [117] William S Russell Polynomial interpolation schemes for internal derivative distribution on structured grids In Applied Numberical Mathematics 17, page 129 – 171, 1995 [118] Erik Meijering A chronology of interpolation: from ancient astronomy to modern signal and image processing In Proceedings of the IEEE, volume 90 Issue 3, pages 319 – 342, Mar 2002 [119] David A Forsyth and Jean Ponce Computer Vision A Modern Approach Pearson; edition, second edition edition, 2012 [120] Lishao Wang, Baohua Mao, Shaokuan Chen, and Kuiling Zhang Mixed flow simulation at urban intersections: Computational comparisons between conflictpoint detection and cellular automata models In International Joint Conference on Computational Sciences and Optimization, pages 100–104, 2009 [121] Mianfang Liu, Shengwu Xiong, Xiaohan Yu, Pengfeng Duan, and Jun Wang Behavior characteristics of mixed traffic flow on campu In Computational Intelligence in Vehicles and Transportation Systems (CIVTS), pages 140–147, 2014 [122] Mohamed A Khamis and Walid Gomaa Enhanced multiagent multi-objective reinforcement learning for urban traffic light control In International Conference on Machine Learning and Applications 11th, pages 586–591, 2012 [123] Maram Bani Younes and Azzedine Boukerche Intelligent traffic light controlling algorithms using vehicular networks In IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, pages 1–13, 2015 [124] Massimo Magrini, Davide Moroni, Giovanni Palazzese, Gabriele Pieri, Giuseppe Riccardo Leone, and Ovidio Salvetti Computer vision on embedded sensors for traffic flow monitoring In IEEE 18th International Conference on Intelligent Transportation Systems, Spain, pages 161–166, 2015 [125] Girija H Kulkarni and Poorva G Waingankar Fuzzy logic based traffic light controller In 2007 International Conference on Industrial and Information Systems, pages 107–110, 2007 [126] Suhail M Odeh Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system In 2015 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), pages 1–7, 2015 [127] Pallavi Choudekar, Sayanti Banerjee, and M.K.Muju Implementation of image processing in real time traffic light control In Electronics Computer Technology (ICECT), 2011 3rd International Conference on, pages 94–98, 2011 [128] Nobuyuki Otsu A threshold selection method from gray-level histograms In IEEE Transactions on Systems, Man, and Cybernetics, pages 62–66, 1979 [129] Transportation Research Board Highway capacity manual In National Research Council, 2000 [130] B John Glen Wardrop Some Theoretical Aspectsof Road Traffic Research In ROAD ENGINEERING DIVISION MEETING, pages 325–362, 1952 [131] Lighthill, M J and et al A Theory of Traffic Flow on Long Crowded Roads Number 317-345 1955 137 [132] M Treiber and A Kesting Traffic Flow Dynamics: Data, Models and Simulation Springer, 2013 [133] F van Wageningen Kessels Multi class cotinuum traffic flow models: Analysis and simulation methods Ph.D Dessertation, Delft University of Technology, 2013 [134] I K Sarosh and M Pawan Modeling Heterogeneous Traffic Flow In Transportation Research Record, volume 1678, pages 234–241, 1999 [135] Sai Kiran and A Verma Review of Studies on Mixed Traffic Flow: Perspective of Developing Economies In Transp in Dev Econ, volume 2:5 of Spinger, pages 1–16, 2016 [136] M G Sosina Modeling heterogeneous vehicular traffic for intelligent transport system applications In Université Côte d’Azur, 2018 [137] Y Kim and F L Hall Relationships Between Occupancy and Density Reflecting Average Vehicle Lengths In Transportation Research Record: Journal of the Transportation Research Board, volume 1883, pages 85–93, 2004 [138] Thamizh, A V and Reebu, Z K Methodology for Modeling Highly Heterogeneous Traffic Flow In Journal of Transportation Engineering ASCE, pages 544–551, 2005 [139] Thamizh, A V and Dhivya, G Measuring Heterogeneous Traffic Density In International Sholarly and Scientific Research & Innovation 2, volume 10, pages 236–240, 2008 [140] Thamizh, A V and Dhivya, G Measurement of Occupancy of Hetegeneous Traffic using Simulation Technique In Proceedings of the 12th IFAC Symposium on Transportation Systems Redondo Beach, pages 19–24, 2009 [141] Lasmini, A and et al Empirical Analysis of Heterogeneous Traffic Flow In Proceedings of the Eastern Asia Society for Transportation Studies, 2013 [142] M Ranju and R Gitakrishnan Heterogeneous traffic flow modelling using macroscopic continuum model In Procedia - Social and Behavioral Sciences, volume 104, pages 402–411, 2013 [143] M Ranju and R Gitakrishnan Heterogeneous traffic flow modelling using second-order macroscopic continuum model In Physics Letters A, volume 381, pages 115–123, 2017 [144] A Samuel, E Stéphane, and B Samir Naturalistic study of riders’ behaviour in lane splitting situations In Verlag London: Springer, 2014 [145] K Anurag, S Ayush, and S Chetan Smart Traffic Lights Switching and Traffic Density Calculation using Video Processing In Proceedings of 2014 RAECS UIET Panjab University Chandigarh, 2014 [146] Khushi Smart Control of Traffic Light System using Image Processing In International Conference on Current Trends in Computer, Electrical, 2017 [147] S M Shinde Adaptive traffic light control system In 1st International Conference on Intelligent Systems and Information Management (ICISIM), 2017 [148] R R Jegan, E Sree Devi, M Sindhuja, S Pushna, and D Sudhaa Traffic Light Controller Using Sound Sensors and Density Sensors In Proceedings of the 2nd International Conference on Inventive Communication and Computational Technologies (ICICCT 2018), 2018 138 [149] E P Uthara, T Athira, K T Vishnupriya, and A B Arun Density Based Traffic Control System Using Image Processing In Proceedings of 2018 International Conference on Emerging Trends and Innovations in Engineering and Technological Research (ICETIETR), 2018 [150] D Aman, Akshdeep, and R Sagar Implementation of an Intelligent Traffic Control System and Real Time Traffic Statistics Broadcasting In International Conference on Electronics, Communication and Aerospace Technology (ICECA), 2017 [151] A o Wahban, A Issam, and B Mohamed Real Time Traffic Light Control System Based on Background Updating and Edge Detection In International Conference on Wireless Technologies, Embedded and Intelligent Systems (WITS), 2019 [152] T Taqi and H Eklas Density Based Smart Traffic Control System Using Canny Edge Detection Algorithm for Congregating Traffic Information In 3rd International Conference on Electrical Information and Communication Technology (EICT), 2017 [153] L M Fred and S W Scott Principles of Highway Engineering and Traffic Analysis (5th) In USA: Wiley, 2013 [154] J Kankesu Advanced Technologies In Croatia: In-Teh, 2009 [155] B Greenshields The Density Factor in Traffic Flow In Traffic Engineering, volume 30, pages 26–28, 1960 [156] P Athol Interdependence of Certain Operational Charcteristics within a Moving Traffic Stream In Highway Research Recoed, number Natinal Research Council, Washington, pages 58–87, 1965 [157] J G Nicholas and A H Lester Traffic & Highway Engineering In Toronto, Canada: Cengage Learning, 2009 PHỤ LỤC A Bảng ❇.1: Bảng phân loại phương tiện theo trục bánh xe STT Nhóm phương tiện Chú thích Số trục bánh xe Xe gắn máy Xe gắn máy 2 Xe ô-tô chở khách Tất ô-tô chở người 2, Xe hai trục moóc Xe bán tải, xe chở người loại nhỏ có khơng kéo theo mc trục hai trục 2, 4 Xe khách Xe khách Xe tải hai trục, sáu bánh Xe tải hai trục Xe tải ba trục Xe tải ba trục, xe kéo ba trục khơng có mc Xe tải bốn trục trở lên Xe tải bốn, năm, sáu, bảy trục trở lên Xe tải bốn trục trở xuống Xe tải, xe kéo hai trục kéo hai moóc Xe tải năm trục Xe kéo hai trục kéo moóc trục, xe kéo ba trục kéo moóc trục, xe tải ba trục kéo moóc hai trục 10 Xe sáu trục Kết hợp trở lên 11 Xe năm trục trở xuống Kết hợp 12 Xe tải sáu trục Kết hợp 13 Xe tải bảy trục trở lên Kết hợp trở lên 139 ... phương tiện giao thông, phân loại phương tiện, giám sát lưu lượng phương tiện ngày nghiên cứu nhiều Xử lý ảnh ITS bao gồm nhiều phương pháp nhiều cách thức để phát phương tiện giao thông ứng dụng... tích phát camera Chính nhà khoa học có nghiên cứu để cải thiện tình trạng xử lý ảnh giao thông Phương pháp phát phương tiện giao thông đô thị trời tối có mưa lớn nghiên cứu nghiên cứu Phương pháp. .. xử lý, phát đối tượng thực chức khác 14 • Luận án tập trung vào quản lý phương tiện giao thông đường với chức chủ yếu quản lý phương tiện tham gia giao thông là: phát phương tiện, phân loại phương