ỨNG DỤNG XỬ LÝ ẢNH TRONG XE TỰ LÁI

Đồ án tốt nghiệp loại xuất sắc của sinh viên cơ điện tử trường đại học bách khoa hà nội năm 2021Nội dung: Tổng quan về đề tài bao gồm : đặt vấn đề, mục tiêu và nhiệm vụ, tầm quan trọngcủa đề tài, tổng quan về xe tự lái hiện nay Tổng quan về xử lý ảnh và thuật toán sử dụng trong đề tài Kết quả thực nghiệm của mô hình

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỒ ÁN TỐT NGHIỆP ỨNG DỤNG XỬ LÝ ẢNH TRONG XE TỰ LÁI NGUYỄN XUÂN QUANG quang.nx152974@sis.hust.edu.vn Chuyên ngành Cơ Điện Tử Giảng viên hướng dẫn : TS.Mạc Thị Thoa Chữ ký GVHD Bộ mơn : Cơ điện tử Viện : Cơ khí HÀ NỘI , 1/2021 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc NHIỆM VỤ THIẾT KẾ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Nguyễn Xuân Quang MSSV: 20152974 Lớp: KT Cơ điện tử 04 – K60 Bộ mơn: Cơ Điện Tử Viện: Cơ Khí I/ ĐỀ TÀI THIẾT KẾ “Ứng dụng xử lý ảnh xe tự lái” II/ CÁC SỐ LIỆU BAN ĐẦU - Video trích xuất từ camera tơ III/ NỘI DUNG THUYẾT MINH VÀ TÍNH TỐN - Tổng quan đề tài bao gồm : đặt vấn đề, mục tiêu nhiệm vụ, tầm quan trọng đề tài, tổng quan xe tự lái - Tổng quan xử lý ảnh thuật toán sử dụng đề tài - Kết thực nghiệm mơ hình IV/ CÁC BẢN VẼ VÀ ĐỒ THỊ - Sơ đồ thuật tốn Yolo kích thước A0 V/ CÁN BỘ HƯỚNG DẪN: TS Mạc Thị Thoa VI/ NGÀY GIAO NHIỆM VỤ THIẾT KẾ: 10/10/2020 VII/ NGÀY HOÀN THÀNH ĐỒ ÁN: 30/01/2021 Hà Nội, ngày tháng năm 2021 Giảng viên hướng dẫn Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa Đánh giá giảng viên hướng dẫn ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………… Kết đánh giá Họ tên Hà Nội, ngày tháng năm 2021 Điểm Giảng viên hướng dẫn Nguyễn Xuân Quang Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa Đánh giá giảng viên phản biện ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………… Kết đánh giá Họ tên Hà Nội, ngày tháng năm 2021 Điểm Giảng viên phản biện Nguyễn Xuân Quang Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa Lời cảm ơn Em xin gửi lời chân thành tới cô – TS.Mạc Thị Thoa, người tận tình hướng dẫn em suốt trình làm đồ án, cho em lời góp ý, giải pháp tốt để em hồn thành đồ án Em cảm ơn tất thầy cô Trường Đại Học Bách Khoa Hà Nội, thầy cô cần mẫn đầy nhiệt huyết truyền thụ cho sinh viên chúng em kiến thức bổ ích mà cịn học cách đối nhân xử để sau trở thành công dân tốt, mang lại giá trị cho xã hội Tóm tắt nội dung đồ án Đồ án nghiên cứu, thiết kế phần mềm ứng thiết dụng xử lý ảnh xe tự lái thực chức sau : - Phát phương tiện giao thông - Phát biển báo giao thông - Phát đường giao thông Ứng dụng lập trình ngơn ngữ Python 3.7, sử dụng phần mềm lập trình Pycharm professional 2020.2 thư viện lập trình Opencv 4.4 Sử dụng thật tốn Yolo v3 để phát phương tiện biển báo giao thơng sử dụng số thuật tốn : chỉnh sửa biến dạng, chuyển đổi phối cảnh, chuyển đổi ảnh nhị phân để phát đường Việc nghiên cứu thiết kế phần mềm ứng thiết dụng xử lý ảnh xe tự lái điều quan trọng, tạo tiền đề để góp phần phát triển xe tự lái tương lai Sinh viên thực Nguyễn Xuân Quang Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa MỤC LỤC CHƯƠNG : TỔNG QUAN ĐỀ TÀI 1.1 Đặt vấn đề 1.2 Mục tiêu nhiệm vụ 10 1.3 Tầm quan trọng đề tài 10 1.4 Tổng quan xe tự lái 11 CHƯƠNG : TỔNG QUAN VỀ XỬ LÝ ẢNH 14 2.1 Xử lý ảnh vấn đề xử lý ảnh 14 2.1.1 Xử lý ảnh 14 2.1.2 Các vấn đề xử lý ảnh 17 2.2 Phát đối tượng 21 2.2.1 Tổng quan 21 2.2.2 Phương pháp xây dựng phát đối tượng 22 2.2.3 Đánh giá độ xác phát đối tượng 23 2.2.4 Tìm hiểu mạng CNN (Convolution neural network) 25 2.3 Thuật toán Yolov3 38 2.3.1 Kiến trúc mạng Yolov3 38 2.3.2 Output Yolo 41 2.3.3 Anchor box 42 2.3.4 Loss function 43 2.3.5 Bounding box 44 2.3.6 Non- Max suppression 45 CHƯƠNG : KẾT QUẢ THỰC NGHIỆM 46 4.1 Mơ hình đề tài thực tế 46 4.2 Đánh giá chức đề tài 53 4.3 Đóng góp đề tài 55 4.4 Phương hướng phát triển tương lai 55 KẾT LUẬN 57 TÀI LIỆU THAM KHẢO 58 Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa DANH MỤC HÌNH VẼ Hình 1.1 : Xe tự lái google sử dụng bang California, Mỹ Hình 1.2 : Cấu tạo hệ thống xe tự lái Hình 2.1 : Quá trình xử lý ảnh Hình 2.2 : Sơ đồ phân tích xử lý ảnh lưu đồ thơng tin khối Hình 2.3 : Ánh sáng truyền từ điểm biển báo qua lỗ theo đường thẳng Hình 2.4 : Ánh sáng truyền từ gốc biển báo qua lỗ theo đường thẳng Hình 2.5: Mơ hình camera lỗ kim Hình 2.6 : Mơ hình máy ảnh thực tế Hình 2.7: Biến dạng xuyên tâm bàn cờ Hình 2.8 : Biến dạng tiếp tuyến bàn cờ Hình 2.9 : Xác định bounding box Hình 2.10 : Sơ đồ mạng tích chập Hình 2.11 : Màu xanh bounding box màu đỏ bounding box dự đốn Hình 2.12 : Cơng thức tính độ xác IoU Hình 2.13 : Cấu tạo nơron Hình 2.14 : Đồ thị hàm step Hình 2.15 : Đồ thị hàm linear Hình 2.16 : Đồ thị hàm sigmoid Hình 2.17 : Đồ thị hàm Hình 2.18 : Đồ thị hàm ReLU Hình 2.19 : Đồ thị hàm Leaky ReLU Hình 2.20 : Một neural network Hình 2.21 : Cấu trúc CNN Hình 2.22 : Biểu diễn ma trận input ma trận filter map Hình 2.23 : Biểu diễn trình hình thành Feature Map Hình 2.24 : Kết sau áp dụng Convolutional layer Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa Hình 2.25 : Khi stride = Hình 2.26 : Khi stride = Hình 2.27 : Khi Padding = Hình 2.28 : Biểu diễn Pooling Layer Hình 2.29 : Kết quả thuật tốn Yolo Hình 2.30 : Sơ đồ kiến trúc mạng Yolo mô hình Hình 2.31 : Các layer mạng darknet – 53 Hình 2.32 : Một output cell 1x1 feature map có kích thước 13x13 Hình 2.33 : Xác định Anchor box cho vật thể Hình 2.34 : Dự báo bounding box Hình 2.35 : Non-max suppression Hình 3.1 : Mơ hình đề tài thực tế Hình 3.2 :1000 ảnh liệu lưu folder Hình 3.3 : Chọn đường dẫn ảnh lưu nhãn Hình 3.4 : Cơng cụ gán nhãn lableImg Hình 3.5 : Thay đổi file yolov3.cfg Hình 3.6 : Kết hàm loss mAP Hình 3.7 : Ảnh đầu vào trình phát đường Hình 3.8 : Áp dụng phép biến đổi phối cảnh Hình 3.9 : Kết sau áp dụng chuyển đổi màu sắc Hình 3.10 : Biểu đồ histogram Hình 3.11 : Sử dụng thuật toán cửa sổ trượt để phát đường Hình 3.12 : Xác định phương trình đường cong đường Hình 3.13 : Hình ảnh sau chuyển đổi lại ban đầu Hình 3.14 : Tính khoảng cách xe phía trước Hình 3.15 : Nhận diện biển báo giao thơng Hình 3.16 : Nhận dạng phương tiện giao thông biển báo giao thơng Hình 3.17: Nhận dạng phương tiện, đường giao thơng khoảng cách xe phía trước Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa CHƯƠNG : TỔNG QUAN ĐỀ TÀI 1.1 Đặt vấn đề Ngày nay, nhu cầu sử dụng ô tô đời sống sinh hoạt nghành công nghiệp, nông nghiệp dịch vụ tăng không ngừng Đây hội thách thức cho ngành ô tô, với việc phát triển ô tô phục vụ nhu cầu xã hội Đi đơi với nhiều vấn đề cải thiện an tồn giao thơng, giảm tắc nghẽn giao thơng giảm thiểu lượng khí thải carbon Từ vấn đề xe điện tự lái nhiều nước giới đưa vào nghiên cứu thử nghiệm, số công ty công nghệ dịch vụ mỹ : Tesla, Uber, Google đưa xe tự lái vào sử dụng vài địa điểm Hình 1.1 : Xe tự lái google sử dụng bang California, Mỹ [1] Một yêu cầu thiết yếu đặt việc cung cấp tơ có chức tự lái đáp ứng u cầu xác ổn định cần có nghiên cứu Trong trình phát triển khoa học cơng nghệ nói chung cơng nghệ xe Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa đòi hỏi trình phát triển hệ thống xử lý phức tạp cho xe tự lái hệ thống : GPS, Lidar, Video camera, Radar sensor , Ultrasonic sensor Hình cấu tạo hệ thống xe tự lái : Hình 1.2 : Cấu tạo hệ thống xe tự lái [2] Lidar, viết tắt Light detection and ranging phương pháp đo khoảng cách (phạm vi) cách chiếu sáng mục tiêu ánh sáng laser đo phản xạ cảm biến xây dựng đồ hình học 3D thứ xung quanh xe GPS, viết tắt Global Positioning System – hệ thống định vị toàn cầu cung cấp cho xe biết xác đâu đồ cách tính tốn kinh độ vĩ độ Trên thực tế Các tín hiệu từ vệ tinh GPS kết hợp với kết đọc từ cảm biến tốc độ, cảm biến độ cao quay hồi chuyển để cung cấp thêm định vị xác Trang Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa + 𝐿cls hàm mát phân phối xác suất Trong tổng mát dự đốn có vật thể cell hay khơng? Và tổng thứ mát phân phối xác suất có vật thể cell + 𝜆coord điều chỉnh phạt loss function trường hợp dự đoán sai bounding box, yolov3 thông số để mặc định 5.0 + 𝜆noobj giảm nhẹ hàm loss function trường hợp cell không chứa vật thể, yolo v3 hệ số mặc định 0.5 2.3.5 Bounding box Để dự báo bounding box cho vật thể dựa phép biến đổi từ anchor box cell , YOLOv3 dự đoán bounding box cho khơng lệch khỏi vị trí trung tâm q nhiều Nếu bounding box dự đốn đặt vào phần hình ảnh, mạng regional proposal network, việc huấn luyện mơ hình trở nên khơng ổn định Cho anchor box có kích thước (𝑝𝑤 , 𝑝ℎ ) cell nằm feature map với góc bên trái (𝑐𝑥 , 𝑐𝑦 ) , mơ hình dự đoán tham số (𝑡𝑥 , 𝑡𝑦 , 𝑡𝑤 , 𝑡ℎ ) tham số đầu độ lệch (offset) so với góc bên trái cell tham số sau tỷ lệ so với anchor box Và tham số giúp xác định bounding box dự đốn b có tâm (𝑏𝑥 , 𝑏𝑦 ) kích thước (bw,bh) thơng qua hàm sigmoid hàm exponential công thức hình 2.34 Ngồi tọa độ hiệu chỉnh theo width height ảnh nên ln có giá trị nằm ngưỡng [0, 1] Do áp dụng hàm sigmoid giúp ta giới hạn tọa độ không vượt xa ngưỡng Hình 2.34 : Dự báo bounding box Trang 44 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa 2.3.6 Non- Max suppression Do thuật toán YOLOv3 dự báo nhiều bounding box ảnh nên cell có vị trí gần nhau, khả khung hình bị overlap-chồng lên cao Trong trường hợp Yolo cần đến non-max suppression để giảm bớt số lượng khung hình sinh cách đáng kể hình : Hình 2.35 : Non-max suppression [8] Các bước non-max suppression: + Đầu tiên tìm cách giảm bớt số lượng bounding box cách lọc bỏ tồn bounding box có xác suất chứa vật thể nhỏ ngưỡng threshold đó, thường 0.5 + Đối với bouding box giao nhau, non-max suppression lựa chọn bounding box có xác xuất chứa vật thể lớn Sau tính tốn số giao thoa IoU với bounding box lại Nếu số lớn ngưỡng threshold điều chứng tỏ bounding boxes overlap cao Ta xóa bounding có có xác xuất thấp giữ lại bouding box có xác xuất cao Cuối cùng, ta thu bounding box cho vật thể Trang 45 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa CHƯƠNG : KẾT QUẢ THỰC NGHIỆM 4.1 Mơ hình đề tài thực tế Hình 3.1 : Mơ hình đề tài thực tế Hình kết hợp hình để hình dung cách rõ bước để thực đề tài Trong hình phía bên trái hình ảnh gốc hay đầu vào mơ hình , hình bên phải kết thuật toán yolo việc phân loại phát đối tượng cụ thể biển báo phương tiện giao thông , hình bên trái kết quả trình phát đường cách sử dụng lọc màu sắc để phát vạch đường màu trắng hình bên phải kết hợp hai trình phát đường phát phương tiện biển báo giao thơng phía trước 4.1.1 Q trình phát phương tiện biển báo giao thông Sử dụng thuật toán Yolo v3 cho việc phát phương tiện giao thông biển báo báo giao thông ảnh Trang 46 Ứng dụng xử lý ảnh xe tự lái - GVHD : TS.Mạc Thị Thoa Bộ liệu bao gồm : 1000 ảnh chứa nhãn ( Car , limit speed 60km/h, limit speed 80km/h, limit speed 100km/h, limit speed 120km/h, No U-turn ) thu thập internet Hình 3.2 :1000 ảnh liệu lưu folder - Sử dụng công cụ labelImg để gán nhãn cho liệu upload lên googledrive Trước tiên chọn nơi chứa ảnh , nơi để lưu nhãn hình Hình 3.3 : Chọn đường dẫn ảnh lưu nhãn Trang 47 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa Lựa chọn định dạng lưu yolo, để gán nhãn nhanh bật autosave gán mặc định nhãn toàn ảnh sau quay lại gán nhãn thứ đỡ nhầm lẫn, sử dụng kèm theo phím tắt : ví dụ W để vẽ , D để chuyển sang ảnh tiếp theo, A dùng để quay lại ảnh trước Hình 3.4 miêu tả cụ thể việc gán nhãn cho ảnh Hình 3.4 : Cơng cụ gán nhãn lableImg Kết thúc trình gán nhãn tạo file nhãn tạo file txt thông tin nhãn - Sử dụng Google colab để training liệu upload googledrive - Thực training 10000 vòng lặp 6h với batch size = , learning rate = 0,0001, ghi lại model sau 1000 vòng lặp - Thay đổi file yolov3.cfg theo model hình : Hình 3.5 : Thay đổi file yolov3.cfg Trang 48 Ứng dụng xử lý ảnh xe tự lái - GVHD : TS.Mạc Thị Thoa Sử dụng cờ -map để hiển thị biểu đồ trình training Kết thúc trình traing ta thu file : “yolov3_training_last.weights”, “yolov3_testing.cfg” biểu đồ hình Hình 3.6 : Kết hàm loss mAP (mean average precision- độ xác trung bình) q trình training, độ xác đạt 95% loss = 0.2 4.1.2 Quá trình phát đường - Sử dụng thư viện opencv để input ảnh đầu vào : Hình 3.7 : Ảnh đầu vào trình phát đường Trang 49 Ứng dụng xử lý ảnh xe tự lái - GVHD : TS.Mạc Thị Thoa Áp dụng phép biến đổi phối cảnh để chỉnh sửa hình ảnh ("birds-eye view"): Hình 3.8 : Áp dụng phép biến đổi phối cảnh - Sử dụng chuyển đổi màu sắc hay lọc màu trắng để tạo hình ảnh nhị phân có ngưỡng : Hình 3.9 : Kết sau áp dụng chuyển đổi màu sắc Trang 50 Ứng dụng xử lý ảnh xe tự lái - GVHD : TS.Mạc Thị Thoa Sử dụng biểu đồ histogram xác định vùng chứa điểm ảnh màu trắng : Hình 3.10 : Biểu đồ histogram - Sử dung thuật toán cửa sổ trượt để tìm xác vị trí điểm ảnh màu trắng đường cong : Hình 3.11 : Sử dụng thuật toán cửa sổ trượt để phát đường Trang 51 Ứng dụng xử lý ảnh xe tự lái - GVHD : TS.Mạc Thị Thoa Xác định phương trình đường cong đường hình sau : Hình 3.12 : Xác định phương trình đường cong đường - Chuyển đổi phối cảnh đường phát trở lại hình ảnh ban đầu Hình 3.13 : Hình ảnh sau chuyển đổi lại ban đầu Trang 52 Ứng dụng xử lý ảnh xe tự lái - GVHD : TS.Mạc Thị Thoa Kết hợp thuật toán Yolo thuật toán detect lane để tính khoảng cách tương xe phía trước Ví dụ hình 3.14 chuẩn hóa đường khoảng 3m ta tính số pixel lane phạm vi màu đỏ, tính số pixel từ tơ khác đến vị trí xe đi, từ tính khoảng cách tương đối so với xe phía trước Hình 3.14 : Tính khoảng cách xe phía trước 4.2 Đánh giá chức đề tài - Nhận dạng biển báo phương tiện giao thông Dưới số hình ảnh nhận diện thực tế biển báo phương tiện từ đề tài Hình 3.16 : Nhận diện biển báo giao thông Trang 53 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa Hình 3.17 : Nhận dạng phương tiện giao thông biển báo giao thông Nhận dang biển báo phương tiện giao thông nhanh Trong thực tế giúp cảnh báo có người điều khiển phương tiện mà họ không tập trung tín hiệu xe tự lái hồn tồn Nhưng số trường hợp khơng nhận diện ô tô biển báo ô tô khoảng cách xa , số trường hợp bounding box vẽ lệch so với vật thể Nguyên nhân chủ yếu trình gán nhãn xác bỏ qua nhiều vận thể nhỏ , nguyên nhân khác phần lập trình thiết đặt ngưỡng cao nên loại số trường hợp có ngưỡng thấp thực tế thấy xác - Phát đường Kết phát vạch đường xác giúp cảnh báo đường cho người điều khiển tín hiệu điều khiểu cho phương tiện giao thông tự lái đường đảm bảo an toàn xe tự lái Hệ thống lập trình tạo tín hiệu giúp xe đường phát trái phải Tuy nhiên vài trường hợp nhiễu sử dụng thuật toán dùng lọc màu trắng để phát đường nên có trường hợp đường có xe màu trắng giải pháp em sử dụng kết hợp phát phương tiện giao thông để xóa vùng có xe màu Trang 54 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa trắng , kết nhận diện đường xác Hình cho thấy kết hợp nhận diện phương tiện giao thông nhận diện đường Hình 3.18 : Nhận dạng phương tiện đường giao thơng 4.3 Đóng góp đề tài - Xe tự lái đề tài hay , mẻ tương lai phát triển mạnh mà giới ngày phát triển Đề tài tiền đề , sở nghiên cứu phát triển xe tự lái tương lai - Có ý nghĩa thực tiễn hoạt động giảng dạy thầy cô , đáp ứng tính nhân văn cảm hướng cho hệ sinh viên - Cơ hội để sinh viên học hỏi cải thiện kĩ học tập , phá bỏ giới hạn thân để ngày phát triển - Tích lũy kinh nghiệm thực tế xây dựng hệ thống máy học - Góp phần nhỏ vào công phát triển xe tự lái tương lai 4.4 Phương hướng phát triển tương lai - Gia tăng liệu biển báo giao thông phương tiện giao thông xây dựng phần mềm gán nhãn xác , tự động giúp cho khả nhận diện tốt Trang 55 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa - Có thể tích hợp nhiều thuật tốn giúp cảnh báo khoảng cách an toàn - Xây dựng hệ thống học sâu để nhận diện đường thay sử dụng lọc, giúp tăng khả nhận diện đường nhiều điều kiện ánh sáng nhiễu khác - Tích hợp hệ thống GPS để tăng khả nhận diện xác đường - Tích hợp cảnh báo âm giúp người lái phản ứng nhanh vấn đề Trang 56 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa KẾT LUẬN Sau thời gian tìm hiểu hồn thiện đề tài ứng dụng xử lý ảnh xe tự lái , qua em học nhiều điều , khoảng thời gian mà em thấy thân học tập hiệu bên cạnh kiến thức lý thuyết mà bọn em học giảng đường , em có mơi trường để thực hành kiểm nghiệm lại kiến thức mà em học , làm tăng thêm hứng thú học tập Hơn việc tích lũy kiến thức điều cần thiết cho em bước khỏi giảng đường đại học Đề tài ứng dụng xử lý ảnh xe tự lái hay bổ ích Trong tương lai , em cố gắng tích hợp nhiều thuật toán giải pháp thay tốt để đề tài bước hoàn thiện hy vong ngày ứng dụng thực tế Em xin chân thành cảm ơn Mạc Thị Thoa tồn thể thầy giáo môn Cơ điện tử giúp đỡ em đề tài thời gian học tập trường Em xin cảm ơn người bạn – người giúp đỡ , ủng hộ bên cạnh động viên giúp em vượt qua khó khăn , đặc biệt cảm ơn người mẹ gia đình ln động lực to lớn q trình rèn luyện học tập tạo điều kiện giúp đỡ mặt đề tài đồ án Việc bảo vệ hoàn thành đồ án thứ quan trọng , hy vọng điều thật tốt đẹp thuận lợi với tất sinh viên Tuy có quãng thời gian khó khăn , vất vả với nhiệm vụ đồ án trải nghiệm cần có với tất sinh viên Trong q trình làm đồ án có sai sót hiểu biết hạn chế nên em mong thầy cô châm chước tạo điều kiện cho em Em xin chân thành cảm ơn thầy cô động viên , tạo điều kiện hết mức để giúp em hồn thành đồ án ! Trang 57 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa TÀI LIỆU THAM KHẢO [1] https://vietnamnet.vn/vn/oto-xe-may/kham-pha/bao-gio-o-to-moi-co-the-tu-lai670209.html [2] https://www.economist.com/the-economist-explains/2015/05/12/how-does-aself-driving-car-work [3] https://www.slideshare.net/elLeonNo1/gio-trnh-x-l-nh [4] Daniel Lelis Baggio, Mastering OpenCV with Practical Computer Vision Projects, Published by Packt Publishing Ltd, November 2012 [5] Nguyễn tuấn, Deep learning bản, October 2019 [6] https://medium.com/m/globalidentity?redirectUrl=https%3A%2F%2Ftowardsdatascience.com%2Fyolo-v3object-detection-53fb7d3bfe6b [7] https://www.frontiersin.org/articles/10.3389/fpls.2020.00898/full [8] https://www.youtube.com/channel/UCcIXc5mJsHVYTZR1maL5l9w Trang 58 ... hãng cho biết xe họ đạt cấp độ tự động Trang 13 Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa CHƯƠNG : TỔNG QUAN VỀ XỬ LÝ ẢNH 2.1 Xử lý ảnh vấn đề xử lý ảnh 2.1.1 Xử lý ảnh Xử lý ảnh lĩnh vực... Ứng dụng xử lý ảnh xe tự lái GVHD : TS.Mạc Thị Thoa DANH MỤC HÌNH VẼ Hình 1.1 : Xe tự lái google sử dụng bang California, Mỹ Hình 1.2 : Cấu tạo hệ thống xe tự lái Hình 2.1 : Quá trình xử lý ảnh. .. 10 1.4 Tổng quan xe tự lái 11 CHƯƠNG : TỔNG QUAN VỀ XỬ LÝ ẢNH 14 2.1 Xử lý ảnh vấn đề xử lý ảnh 14 2.1.1 Xử lý ảnh 14 2.1.2 Các vấn đề xử lý ảnh 17 2.2