Khảo sát bài toán nhận diện phương tiện và đo tốc độ phương tiện tham gia giao thông

Bài viết này được thực hiện nhằm khảo sát và phân loại những phương pháp và hướng tiếp cận phổ biến hiện nay đối với 2 bài toán nhận diện và đo tốc độ phương tiện tham gia giao thông, hướng đến việc xây dựng mô hình giám sát giao thông thông minh trong tương lai.

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020 DOI: 10.15625/vap.2020.00171 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƯƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƯƠNG TIỆN THAM GIA GIAO THƠNG Trần Hồng Lộc, Nguyễn Khắc Ngọc Khơi, Phan Đình Duy, Vũ Đức Lung Trƣờng Đại học Công nghệ thông tin Đại học Quốc gia Thành phố Hồ Chi Minh locth@uit.edu.vn, 15520386@gm.uit.edu.vn, duypd@uit.edu.vn, lungvd@uit.edu.vn TĨM TẮT: Giám sát giao thơng tốn quan tâm năm vừa qua Với tín hiệu báo động từ vụ tai nạn giao thông hành vi phạm tội liên quan đến giao thông, phát triển hệ thống giám sát giao thông thông minh nhu cầu cấp thiết nay, tốn hệ thống nhận diện phương tiện tham gia giao thông đo tốc độ phương tiện tham gia giao thông Bài báo thực nhằm khảo sát phân loại phương pháp hướng tiếp cận phổ biến toán nhận diện đo tốc độ phương tiện tham gia giao thông, hướng đến việc xây dựng mơ hình giám sát giao thông thông minh tương lai Các liệu thường sử dụng để huấn luyện đánh giá hệ thống tổng hợp để làm sở cho nhóm nghiên cứu đánh giá cơng trình nghiên cứu Từ khóa: Học sâu, nhận diện vật thể, hiệu chuẩn camera, đo tốc độ phương tiện giao thông I GIỚI THIỆU Trong năm vừa qua, vấn đề xã hội nhức nhối Việt Nam tình trạng tai nạn giao thông mức cao gây nhiều thiệt hại mặt xã hội kinh tế Theo tổng cục thống kê, số lƣợng tai nạn giao thơng năm 2019 12.626 vụ, có 22.152 ngƣời bị thƣơng 7624 ngƣời chết, số tháng đầu năm năm 2020 lần lƣợt 7996 vụ tai nạn, 5850 ngƣời bị thƣơng 3791 ngƣời chết Nguyên nhân vụ tai nạn giao thông thƣờng chạy vƣợt tốc độ, chạy sai đƣờng quy định vi phạm quy tắc lƣu thông đƣờng khác Để khắc phục tình trạng này, nhà nƣớc thực nhiều biện pháp khác nhau, có tăng cƣờng lắp đặt camera giám sát giao thơng với mục đích theo dõi tình trạng giao thơng nhƣ xử phạt nguội trƣờng hợp vi phạm Bản chất việc theo dõi tình trạng tham gia giao thơng tận dụng video thu đƣợc từ camera trích xuất thông tin mà nhận diện phƣơng tiện tham gia giao thông yếu tố cốt lõi Bài tốn xác định phƣơng tiện tham gia giao thơng khơng phải tốn mới, nhiên cịn thách thức, đặc biệt tình trạng giao thông phức tạp Việt Nam nhƣ thành phần tham gia giao thông xe máy, lƣu lƣợng tham gia giao thông tăng nhanh số thời điểm, điều kiện thời tiết xấu, góc đặt máy quay đa dạng,… Bên cạnh đó, để phát trƣờng hợp chạy vƣợt tốc độ quy định, nhiều tuyến đƣờng trang bị máy bắn tốc độ sử dụng laser Thiết bị có chi phí đắt đỏ việc trang bị số lƣợng lớn nhiều tuyến đƣờng khơng khả thi, thay vào đó, tận dụng hình ảnh thu đƣợc từ video giám sát giao thơng từ sử dụng phƣơng pháp xử lý ảnh để phân tích tốc độ xe giải pháp đƣợc nhiều nhà nghiên cứu quan tâm Tóm lại, để tăng cƣờng khả giám sát giao thông qua camera giám sát đƣợc trang bị với số lƣợng lớn khắp nƣớc, hƣớng tiếp cận sử dụng kỹ thuật xử lý ảnh để nhận diện đo tốc độ phƣơng tiện tham gia giao thông cần thiết khả thi với mức chi phí hợp lý Vấn đề mà báo hƣớng đến đƣợc chia thành hai toán nhỏ là: (1) nhận diện phƣơng tiện (2) đo tốc độ di chuyển phƣơng tiện Đầu vào toán video thu đƣợc từ camera giám sát Đầu toán (1) bounding box phƣơng tiện kèm theo nhãn hay nói cách khác phƣơng tiện thuộc loại gì: xe máy, xe đạp, xe bus, xe tải, xe ô tơ con,… Nhƣ vậy, tốn nhận diện phƣơng tiện bao gồm tốn tốn xác định vị trí - localization tốn phân loại - classification Đầu tốn (2) tốc độ phƣơng tiện video (a) (b) (c) Hình Đầu vào (a) tốn nhận diện phƣơng tiện tham gia giao thông video giám sát giao thơng, đầu (b) tốn ảnh có bounding box xác định vị trí, nhãn độ tin cậy phƣơng tiện đầu (c) toán đo tốc độ phƣơng tiện tham gia giao thông tốc độ phƣơng tiện Trong năm vừa qua, hƣớng tiếp cận xử lý phân tích video giám sát giao thơng dựa đặc trƣng hình ảnh, video thu hút nhiều nhà nghiên cứu nƣớc [1], [2] Đối với toàn nhận diện phƣơng https://www.gso.gov.vn/default.aspx?tabid=621&idmid=&ItemID=19701 216 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƢƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƢƠNG TIỆN THAM GIA GIAO THÔNG tiện tham gia giao thông, Seenouvong đồng nghiệp [3] đề xuất mơ hình nhận diện phƣơng tiện giới hạn khu vực ảo đƣợc xác định khơng gian ảnh Phƣơng pháp bao gồm trích xuất tiền cảnh (foreground), nhận diện, trích xuất đặc trƣng phân loại phƣơng tiện Để nhận diện phƣơng tiện, nhóm tác giả [3] sử dụng mơ hình Gaussian Mixture (GMM), sau thực thêm vài phép tính khác để lấy đƣợc vật thể ảnh Sau cùng, bƣớc phân loại đƣợc thực cách sử dụng phân loại k-nearest neighbor Audebert đồng nghiệp [4] đề xuất hƣớng tiếp cận thực phân đoạn trƣớc nhận diện phƣơng tiện giao thông sử dụng kỹ thuật học sâu Các bƣớc xử lý hƣớng tiếp cận lần lƣợt phân đoạn, nhận diện phân loại phƣơng tiện đƣợc thử nghiệm ảnh viễn thám có độ phân giải cao Velazquez-Pupo đồng nghiệp [5] đề xuất mơ hình phân tích hình ảnh với camera giám sát đƣợc gắn cố định với khả nhận diện phƣơng tiện tham gia giao thông bao gồm chức xử lý che lấp, đếm phƣơng tiện, theo dõi phân loại phƣơng tiện Năm 2019, Fukai Zhang đồng nghiệp [6] đề xuất mô hình phát phƣơng tiện tham giao thơng dựa mơ hình Single-Shot Multibox Detector (SSD) có khả phát nhiều loại phƣơng tiện khác thời gian thực Nhóm tác giả sử dụng nhiều trích xuất đặc trƣng khác cho việc xác định vị trí phân loại mạng CNN Để cải thiện chất lƣợng, đặc trƣng đƣợc kết hợp với thơng qua thao tác deconvolution pooling Nhóm tác giả tiến hành điều chỉnh bounding box theo tỷ lệ khác để phát phƣơng tiện có kích thƣớc nhỏ đƣợc xác Nhìn chung, tốn nhận diện phƣơng tiện giao thơng đƣợc chia thành phƣơng pháp tiếp cận bao gồm: phƣơng pháp dựa đặc trƣng chuyển động, phƣơng pháp dựa đặc trƣng cấp thấp phƣơng pháp dựa mạng neural Đối với toán đo tốc độ phƣơng tiện tham gia giao thông, phƣơng pháp thƣờng đƣợc sử dụng hiệu chuẩn camera từ tính tốn tốc độ dựa tỉ lệ hình ảnh video thực tế [7] Trong cơng bố [8], nhóm tác giả He Yung đề xuất phƣơng pháp để tính xấp xỉ tốc độ phƣơng tiện giao cách biến đổi ảnh 2D sang tọa độ 3D giới thực dựa việc hiệu chuẩn tham số camera Sau có đƣợc ảnh tọa độ 3D, nhóm tác giả thực tính tốn độ lệch khung hình liên tiếp để loại bỏ cảnh ghép phƣơng tiện khung hình khung hình Sau cùng, đặc trƣng khối gần mặt đất đƣợc so khớp để tính xấp xỉ đoạn đƣờng di chuyển tốc độ phƣơng tiện Cũng nhóm tác giả công bố [9] đề xuất hƣớng tiếp cận để giải thử thách hiệu chuẩn camera thời tiết xấu sử dụng vạch kẻ đƣờng Schoepflin đồng nghiệp [10] tạo nên sơ đồ hoạt động cách nhận diện phƣơng tiện dựa chuyển động tiền cảnh Sử dụng sơ đồ hoạt động này, nhóm tác giả xác định đƣợc đƣờng biên xe từ xác định điểm ảo (vanishing point) cách lấy giao điểm đƣờng biên ảnh Điểm ảo thứ hai đƣợc xác định cách lấy giao điểm đƣờng thẳng tạo cạnh dƣới phƣơng tiện Sử dụng điểm ảo, nhóm tác giả hiệu chuẩn camera, từ với đoạn độ dài đƣợc đo từ trƣớc, hệ thống tính tỉ lệ giới thực hình ảnh ghi đƣợc từ camera tính khoảng cách nhƣ tốc độ phƣơng tiện giao thông Năm 2019, Hyung Jun Kim [11] đề xuất hệ thống giám sát giao thơng có khả nhận diện, theo dõi phân loại loại phƣơng tiện giao thông sử dụng nhiều kỹ thuật xử lý ảnh khác với máy học dựa mạng tích chập Với video đầu vào từ camera giám sát, tác giả sử dụng kỹ thuật tách để phát phƣơng tiện giao thơng Với ảnh vừa đƣợc tách ra, mơ hình sử dụng nhận diện cạnh biến đổi Hough để phát đƣờng, cột trụ đƣờng, từ tính giao điểm chúng để lấy đƣợc điểm ảo Bên cạnh đó, để giảm thiểu mức độ tính tốn, tác giả tạo vùng giới giới hạn định tính tốn phạm vi Sau cùng, tác giả sử dụng mơ hình hình chiếu phối cảnh để tính tốn khoảng cảnh thực từ góc quay camera, từ tính đƣợc khoảng cảnh tốc độ di chuyển phƣơng tiện Phƣơng pháp hiệu chuẩn camera đƣợc chia thành hƣớng tiếp cận bao gồm: (1) hƣớng tiếp cận từ việc xác định vạch kẻ đƣờng, (2) hƣớng tiếp cận dựa chuyển động phƣơng tiện, (3) hƣớng tiếp cận đo đạc thủ công, (4) hƣớng tiếp cận tự động hiệu chuẩn dựa thống kê chiều (5) hƣớng tiếp cận khác Bài báo nhằm khảo sát phƣơng pháp tiếp cận hai toán nhận diện phƣơng tiện đo tốc độ phƣơng tiện tham gia giao thơng dựa hình ảnh thu đƣợc từ camera giám sát Đóng góp báo bao gồm: (1) Phân loại hƣớng tiếp cận khảo sát cơng trình nghiên cứu tốn nhận diện phƣơng tiện tham gia giao thông, (2) Phân loại hƣớng tiếp cận khảo sát công trình nghiên cứu tốn đo tốc độ phƣơng tiện tham gia giao thông, (3) Tổng hợp số tập liệu thƣờng đƣợc sử dụng hai tốn nêu Mục tiêu tƣơng lai nhóm nghiên cứu dựa khảo sát này, nhóm tiếp tục nghiên cứu đề xuất mơ hình nhận diện đo tốc độ phƣơng tiện tham gia giao thông hiệu Việt Nam Cấu trúc báo đƣợc tổ chức nhƣ sau Phần II trình bày khảo sát toán nhận diện phƣơng tiện tham gia giao thơng Các khảo sát tốn đo tốc độ phƣơng tiện tham gia giao thông đƣợc trình bày phần III Phần IV tổng hợp tập liệu đƣợc sử dụng để huấn luyện đánh giá hai toán nêu Cuối cùng, Phần V đƣa kết luận II KHẢO SÁT BÀI TỐN NHẬN DIỆN PHƯƠNG TIỆN GIAO THƠNG Nhƣ trình bày trên, tốn nhận diện phƣơng tiện tham gia giao thơng bao gồm tốn xác định vị trí phƣơng tiện - localization phân loại phƣơng tiện - classification Nhận diện phƣơng tiện bƣớc để thực chức giám sát nhƣ theo dõi hay phân tích hành vi Có hƣớng tiếp cận tốn nhận diện dựa hình dáng bên ngồi phƣơng tiện nhận diện dựa chuyển động tiền cảnh [12] Hƣớng tiếp cận dựa việc trích xuất đặc trƣng từ kết cấu, màu sắc hay hình dạng phƣơng tiện Trần Hồng Lộc, Nguyễn Khắc Ngọc Khơi, Phan Đình Duy, Vũ Đức Lung 217 hƣớng tiếp cận từ hình dáng bên Ngƣợc lại, việc sử dụng đặc tính chuyển động video từ tính tốn độ lệch khung hình tiền cảnh (foreground) hậu cảnh (background) tĩnh để xác định phƣơng tiện hƣớng tiếp cận dựa chuyển động Phƣơng pháp A đƣợc trình bày sau hƣớng tiếp cận dựa chuyển động, phƣơng pháp B C sử dụng hƣớng tiếp cận dựa hình dáng bên ngồi phƣơng tiện A Phương pháp dựa đặc trưng chuyển động Đặc trƣng video giám sát giao thơng cảnh video ln cố định, hay nói cách khác ta xem cảnh ảnh tĩnh, đối tƣợng mà toán quan tâm phƣơng tiện chuyển động cảnh tĩnh Mục tiêu phƣơng pháp tách đƣợc phƣơng tiện di chuyển khỏi cảnh tĩnh, để thực đƣợc điều này, phƣơng pháp đƣợc tiếp cận theo hƣớng sau: (1) hƣớng tiếp cận từ khác biệt khung hình [13] cách tính tốn khung hình liên tiếp nhau, (2) hƣớng tiếp cận từ việc tách bỏ ảnh [14] cách xây dựng cảnh từ khung hình trƣớc (3) hƣớng tiếp cận từ luồng sáng (optical flow) [15] thông qua tốc độ điểm ảnh xuất tức thời Hƣớng tiếp cận từ khác biệt khung hình Với hƣớng tiếp cận này, khác biệt điểm ảnh đƣợc tính tốn khung hình liên tiếp Các độ sai lệch sau đƣợc so sánh với mức ngƣỡng để phân biệt tiền cảnh hậu cảnh Độ xác phƣơng pháp đƣợc cải thiện cách so sánh khung hình liên tiếp Trong [13], tác giả sử dụng tính tƣơng quan không gian thời gian phƣơng tiện chuyển động, từ đề xuất kết hợp phƣơng pháp tính độ lệch khung hình ngƣỡng cross-entropy chiều để xác định đối tƣợng chuyển động Hƣớng tiếp cận từ tách bỏ ảnh Đây hƣớng tiếp cận thƣờng đƣợc sử dụng tốn nhận diện phƣơng tiện giao thơng Hƣớng tiếp cận sử dụng khác điểm ảnh ảnh ảnh từ trích xuất vật thể tiền cảnh [14] Trong [16], ảnh đƣợc xây dựng thông qua việc sử dụng mơ hình tính trung bình cảnh cách lấy trung bình chuỗi ảnh video Tuy nhiên, cảnh thƣờng có khác cảnh giao thơng thực tế, hƣớng tiếp cận không phù hợp cảnh giao thông trực tiếp Hƣớng tiếp cận từ luồng sáng (optical flow) Trong hƣớng tiếp cận này, thay đổi nhanh chóng điểm ảnh tức thời ảnh giống nhƣ chuyển động vật thể không gian chiều Ý tƣởng cốt lõi hƣớng tiếp cận sử dụng liệu thời gian độ dốc để cân điểm ảnh khung hình Trong [15], để thực phân đoạn phƣơng tiện giao thông, luồng sáng qua khung hình từ mơi trƣờng chiều đƣợc sử dụng Với chi phí tính tốn nhiều hơn, mơ hình thu đƣợc vector chuyển động điểm ảnh phụ xác từ đặc tính lặp lặp lại việc tính toán luồng sáng Kỹ thuật luồng sáng thƣờng đƣợc lựa chọn sử dụng toán nhận diện phƣơng tiện giao thơng kỹ thuật xử lý vấn đề chồng lấp mức độ định Nhìn chung, hƣớng tiếp cận tận dụng đƣợc thông tin chuyển động phƣơng tiện giao thông video Ƣu nhƣợc điểm phƣơng pháp đƣợc trình bày Bảng Bảng Ƣu nhƣợc điểm hƣớng tiếp cận dựa đặc trƣng chuyển động Hƣớng tiếp cận Ƣu điểm Nhƣợc điểm Sự khác biệt khung hình Tách bỏ ảnh Optical flow - Tốt việc theo dõi đối tƣợng - Dễ triển khai - Có thể xử lý đƣợc trƣờng hợp đối tƣợng - Không tốn nhiều tài ngun tính tốn bị che khuất - Khơng xử lý tốt đối tƣợng bị chồng hình - Đặc trƣng theo dõi khác - Khả sai sót cao hậu cảnh phức tạp nhiều phƣơng tiện khác - Khả sai sót xảy đối tƣợng đứng yên di chuyển chậm (nhƣ kẹt xe) B Phương pháp dựa đặc điểm hình dáng Trong thực tế, ngƣời nhận biết vật thể khác cách xác cách nhìn vào đặc điểm hình dáng bên ngồi chúng Những đặc điểm bao gồm màu sắc, kết cấu, hình dạng Trích xuất đặc điểm này, nhận dạng thông qua thị giác máy tính phân biệt nhận diện đƣợc vật thể mà ngƣời xây dựng mơ hình mong muốn, cụ thể phƣơng tiện giao thơng Các mơ hình sử dụng phƣơng pháp thƣờng cần phải chuẩn bị trƣớc liệu để huấn luyện đánh giá trƣớc đƣa vào sử dụng Về bản, phƣơng pháp dựa đặc điểm hình dáng so sánh đặc trƣng ảnh chiều với đặc trƣng không gian thực chiều cách sử dụng trích xuất đặc trƣng Hƣớng tiếp cận từ đặc điểm phần Trong hƣớng tiếp cận này, phƣơng tiện đƣợc chia thành phần nhỏ mơ hình nhận diện đƣợc xây dựa thành phần Các phƣơng tiện đƣợc nhận diện dựa khác biệt mặt không gian thành phần Trong [2], để cải thiện đƣợc khả nhận diện xử lý vấn đề chồng lấp, phƣơng tiện 218 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƢƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƢƠNG TIỆN THAM GIA GIAO THÔNG ảnh đƣợc tách thành phần nhỏ gồm phía trƣớc, phía sau bên cạnh Trong [17], để đạt đƣợc khả nhận diện tốt, nhóm tác giả đề xuất mơ hình tách đối tƣợng thành phần cấu tạo nhỏ hơn, biến đối cấu tạo nhƣ mối quan hệ thành phần đƣợc mơ hình hóa ngữ pháp biểu đồ thuộc tính ngẫu nhiên (stochastic attribute graph grammar) Hƣớng tiếp cận từ đặc trƣng cấp thấp Đặc trƣng cấp thấp đặc trƣng hình dáng bên ngồi đối tƣợng nhƣ cạnh, góc, màu sắc,… Hƣớng tiếp cận từ đặc trƣng cấp thấp sử dụng trích xuất đặc trƣng khác để mã hóa biểu diễn đối tƣợng quan tâm, mà cụ thể phƣơng tiện giao thông nhƣ xe ô tô, xe tải, xe máy, xe đạp,… Sajib đồng nghiệp [18] đề xuất mơ hình sử dụng mơ hình Bag of Visual Words (BoVW) để xây dựng từ điển thị giác để biểu diễn phƣơng tiện giao thông sử dụng đặc trƣng SURF Sau đó, nhóm tác giả sử dụng phân loại đa lớp SVM để phân lớp cho đối tƣợng Bên cạnh đặc trƣng SURF có loại đặc trƣng khác đƣợc sử dụng để biểu diễn đối tƣợng ảnh nhƣ: Scale Invariant Feature Transformation (SIFT) để nhận diện biển số xe [19], Histogram of Oriented Gradients (HOG) [20], [21] hay Harr-like Feature [22] để nhận diện phƣơng tiện giao thông Bảng thực so sánh điểm mạnh điểm yếu hƣớng tiếp cận Qua đó, ta thấy đƣợc dựa việc trích xuất thơng tin ảnh, phƣơng tiện giao thơng đƣợc biểu diễn xác, từ mơ hình xác định đƣợc vị trí phƣơng tiện Tuy nhiên, với phƣơng pháp này, việc lựa chọn đặc trƣng ảnh lựa chọn phận phƣơng tiện để biểu diễn cịn khó khăn rủi ro cao thay đổi môi trƣờng thực nghiệm Bảng Ƣu nhƣợc điểm hƣớng tiếp cận dựa đặc điểm hình dáng Hƣớng tiếp cận Ƣu điểm Nhƣợc điểm Đặc điểm phần - Có khả xử lý đƣợc tình phƣơng tiện bị che khuất - Việc lựa chọn phần phƣơng tiện phức tạp phụ thuộc vào vị trí đặt máy quay Đặc trƣng cấp thấp - Khả nhận dạng tƣơng đối tốt - Việc biểu diễn thông qua codebook thƣờng đánh thông tin không gian - Hiệu suất phục thuộc vào việc lựa chọn features descriptots C Phương pháp dựa mạng neural Với phát triển lĩnh vực trí tuệ nhân tạo nói chung thị giác máy tính nói riêng, mơ hình mạng neural ngày đƣợc sử dụng rộng rãi nhiều lĩnh vực khác có xử lý video giám sát giao thông Giống với phƣơng pháp nhận diện dựa đặc trƣng hình dáng, phƣơng pháp dựa mạng neural yêu cầu phải có liệu để huấn luyện đánh giá trƣớc đƣợc sử dụng Các mơ hình mạng đƣợc sử dụng phƣơng pháp đƣợc xây dựng từ đầu đƣợc huấn luyện chuyển tiếp đƣợc tinh chỉnh từ mạng có sẵn với vài thay đổi định kiến trúc mạng Hai hƣớng tiếp cận tiêu biểu phƣơng pháp nhận diện phƣơng tiện giao thông dựa mạng neural kể đến hƣớng tiếp cận dựa mơ hình R-CNN với kỹ thuật xử lý bƣớc hƣớng tiếp cận dựa kỹ thuật nhìn lần (single shot) nhƣ SSD hay YOLO [23] Hƣớng tiếp cận dựa mơ hình 2-stage Về bản, tốn nhận diện phƣơng tiện giao thơng bao gồm tốn xác định vị trí phƣơng tiện phân lớp cho phƣơng tiện Mơ hình R-CNN kết kết hợp thành phần gồm mạng Region Proposal để đề xuất vị trí vật thể, mạng CNN để phân lớp cho vật thể Trong [24], Yilmaz nhóm tác giả đề xuất bƣớc thực nhƣ sau: nạp liệu huấn luyện, thiết kế mô hình mạng neural tích chập, điều chỉnh thơng số huấn luyện, huấn luyện mơ hình sử dụng nhận diện vật thể Faster R-CNN cuối đánh giá mơ hình Mơ hình mạng RCNN bao gồm nhiều lớp, biểu diễn hình ảnh dƣới dạng feature map mức độ khác Các lớp mạng bên dƣới dùng để nhận dạng đặc trƣng đơn giản nhƣ cạnh, góc, lớp mạng bên có khả nhận dạng đặc trƣng phức tạp từ việc kết hợp đặc trƣng lớp dƣới [25] Hƣớng tiếp cận dựa kỹ thuật nhìn lần (single-shot) Các phƣơng pháp dựa mơ hình R-CNN có khuyết điểm việc kết hợp mơ hình Region Proposal CNN làm tăng chi phí tính tốn từ phần giảm hiệu suất giám sát Một hƣớng tiếp cận khác nhằm khắc phục nhƣợc điểm kỹ thuật nhìn lần đƣợc áp dụng mơ hình SSD [6] YOLO [26] Đặc điểm kỹ thuật nhìn lần mơ hình mạng cần trích xuất ảnh đầu vào qua lớp mạng lần mà không cần sử dụng thêm mạng Region Proposal đề xuất vùng quan tâm (Region of Interest - ROI) Để thay cho việc dùng Region Proposal Network, SSD YOLO sử dụng tập hộp đƣợc định nghĩa trƣớc dựa hình dáng đối tƣợng quan tâm groundtruth Các hộp đƣợc định nghĩa trƣớc đƣợc gọi priors mơ hình SSD anchors mơ hình YOLO Về bản, mơ hình theo hƣớng tiếp cận duyệt qua phần tử feature map, với điểm nhƣ vậy, mơ hình thực hồi quy priors - theo mơ hình SSD - để xác định vị trí xác đối tƣợng, song song thực phân lớp cho prior Kết cuối bounding box cho đối tƣợng quan tâm mà phƣơng tiện giao thơng ảnh Trần Hồng Lộc, Nguyễn Khắc Ngọc Khơi, Phan Đình Duy, Vũ Đức Lung 219 Phƣơng pháp dựa mạng neural thể khả tính tốn tốt với độ xác cao Tuy nhiên nhƣợc điểm phƣơng pháp nằm việc cần lƣợng tài ngun tính tốn lớn u cầu tập huấn luyện đủ đa dạng để phát huy tốt khả tự học mô hình Bảng thể điểm mạnh điểm yếu hƣớng tiếp cận dựa mơ hình 2-stage kỹ thuật nhìn lần Bảng Ƣu nhƣợc điểm hƣớng tiếp cận dựa mạng CNN Hƣớng tiếp cận Ƣu điểm Nhƣợc điểm Dựa mơ hình 2-stage - Độ xác cao - Tốc độ thực thi chậm phải thực mô hình - Hao phí tài ngun tính tốn lớn nhiều so với phƣơng pháp trƣớc Dựa kỹ thuật nhìn lần (single-shot) - Độ xác cao - Tốc độ thực thi nhanh đáng kể so sánh với mơ hình 2-stage - Độ xác phục thuộc vào việc định nghĩa priors/anchors - Hao phí tài ngun tính tốn lớn nhiều so với phƣơng pháp trƣớc III KHẢO SÁT BÀI TOÁN ĐO TỐC ĐỘ PHƯƠNG TIỆN THAM GIA GIAO THƠNG Bài tốn đo tốc độ phƣơng tiện tham gia giao thơng tốn quan trọng để cơng tác giám sát giao thông đạt đƣợc hiệu Hiện Việt Nam, để thực việc đo tốc độ phƣơng tiện tham gia giao thơng cịn dựa vào công cụ chuyên dụng sử dụng công nghệ RADAR (Radio Detection and Ranging) LIDAR (Light Detection and Ranging) Ƣu điểm công nghệ cho kết xác nhiên giá thành thiết bị lắp đặt cao dẫn đến việc khó triển khai số lƣợng lớn diện rộng Trong đó, việc đo tốc độ giao thơng dựa camera giám sát đƣợc lắp đặt tốn cịn giai đoạn nghiên cứu mà chƣa đƣợc triển khai Với mục đích lắp đặt hệ thống đo tốc độ phƣơng tiện giao thông diện rộng với số lƣợng lớn, toán đo tốc độ phƣơng tiện tham gia giao thơng có thách thức lớn: (1) khả hoạt động tự động, nói cách khác cần lắp đặt, hệ thống tự động chỉnh camera cho tính tốn đƣợc tốc độ phƣơng tiện cách xác với camera phải cung cấp đo đạc tham số thủ cơng tốn chi phí nhân lực vật lực; (2) khả hoạt động góc nhìn khác để tận dụng đƣợc tối đa máy quay giám sát đƣợc lắp đặt Về bƣớc xử lý, tốn đo tốc độ phƣơng tiện tham gia giao thơng nhìn chung có bƣớc xử lý gồm xác định phƣơng tiện - toán đƣợc khảo sát trình bày phần II, sau sử dụng kỹ thuật để tìm kiếm đoạn đƣờng di chuyển phƣơng tiện, cuối tốc độ đƣợc tính khoảng cách di chuyển chia cho thời gian Vấn đề thời gian dễ dàng tính tốn đƣợc đầu vào tốn video, nhiên để tính tốn khoảng cách di chuyển lại vấn đề khó khăn khoảng cách video chiều khoảng cách không gian thực chiều khác cần phải có bƣớc chỉnh để khớp tọa độ camera giám sát, tọa độ thực tọa độ ảnh Hình Mơ hình camera đề xuất [27] Hình mơ tả mơ hình camera đƣợc sử dụng toán đo tốc độ phƣơng tiện, bao gồm hệ tọa độ là: hệ tọa độ ảnh U-V, hệ toa độ camera Xc, Yc, Zc, hệ tọa độ không gian thực X-Y-Z Xử lý ảnh camera bao gồm bƣớc: biến đổi hệ tọa độ không gian thực thành hệ tọa độ camera, sau biến đổi hệ tọa độ camera thành hệ tọa độ ảnh Để thực đƣợc phép biển đổi trên, ta phải thực tính tốn nội tham số (độ dài tiêu cự, tâm điểm, độ lệch ống kính) ngoại tham số camera (các thông số chuyển động phần cứng gồm ma trận quay vector tịnh tiến), trình gọi hiệu chuẩn camera Hình Bài báo [7] đề xuất mục đích việc hiệu chuẩn camera để tính tốn khoảng cách thực d điểm (P _1,P _2) mặt đƣờng thông qua phép chiếu (p1, p2) không gian ảnh Các trục X, Y, Z mô tả không gian thực, đại diện nội tham số, ngoại tham số 220 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƢƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƢƠNG TIỆN THAM GIA GIAO THƠNG Nhóm tác giả [7] đề xuất mơ hình tổng quan việc hiệu chuẩn camera đƣợc biểu diễn dƣới dạng ma trận hình chiếu , ma trận nội tham số camera, ma trận quay vector tịnh tiến Khi tiếp cận với toán này, số giả định sau thƣờng đƣợc nhóm tác giả chấp nhận: phƣơng tiện tham gia giao thông di chuyển theo đƣờng thẳng, phạm vi xác định, tâm điểm camera nằm khung hình độ lệch ống kính Phƣơng pháp đo tốc độ phƣơng tiện dựa hiệu chuẩn camera đƣợc chia thành hƣớng tiếp cận sau: (1) hƣớng tiếp cận từ vạch kẻ đƣờng, (2) hƣớng tiếp cận từ chuyển động phƣơng tiện, (3) hƣớng tiếp cận từ đo lƣờng thủ công (4) hƣớng tiếp cận tự động điều chỉnh dựa thống kê chiều A Hướng tiếp cận từ vạch kẻ đường Để hiệu chuẩn đƣợc camera, You đồng nghiệp [27] đề xuất phƣơng pháp xác định điểm ảo Khi nhìn vào ảnh, góc nhìn từ camera, đƣờng thẳng song song ảnh kéo dài đến vô cực cắt điểm, điểm điểm ảo [27] Xác định điểm ảo cách lấy giao điểm đƣờng (vốn dĩ đƣờng thẳng song song thực tế), điểm ảo thứ hai tính tốn đƣợc cách lấy giao điểm cột đèn đƣờng thẳng đứng ảnh điểm ảo giúp hiệu chuẩn tự động tham số camera sử dụng ƣớc tính bình phƣơng tối thiểu thay tính tốn dạng đóng (closed-form computation) Trong [28], nhóm tác giả giả định camera nghiêng theo trục Y Hình từ họ giả định điểm ảo thứ hai (theo phƣơng ngang vng góc với điểm ảo thứ nhất) nằm vơ cực Điểm ảo thứ đƣợc tính tốn dựa lấy giao điểm vạch kẻ đƣờng với điều chỉnh bình phƣơng tối thiểu Các phƣơng tiện giao thông đƣợc nhận diện cách tách bỏ ảnh đƣợc theo dõi kỹ thuật tƣơng quan chéo chuẩn hóa (normalized cross-corelation) Hƣớng tiếp cận đƣợc sử dụng đƣờng lớn, nhiên với đƣờng nhỏ vùng quê, hay khu vực đƣờng nội khơng có vạch kẻ đƣờng hƣớng tiếp trở nên bất khả thi B Hướng tiếp cận từ chuyển động phương tiện Filipiak đồng nghiệp [29] đề xuất sử dụng chuyển động biển số xe phát đƣợc từ khung hình để tính tốn nội tham số ngoại tham số camera thông qua giải thuật tiến hóa Cơng bố [30] đề xuất phƣơng pháp hiệu chuẩn camera tự động dựa việc theo dõi đặc trƣng cục phân tích quỹ đạo di chuyển dựa phƣơng pháp biến đổi Hough xếp tầng tọa độ song song Hƣớng tiếp cận dựa chuyển động phƣơng tiện khơng cịn phụ thuộc vào việc phát đƣờng, nhiên áp dụng đoạn đƣờng nhỏ, q trình hiệu chuẩn phải thời gian độ xác thƣờng phụ thuộc vào số lƣợng phƣơng tiện di chuyển video C Hướng tiếp cận từ đo lường thủ công Các hƣớng tiếp cận từ đo lƣờng thủ công thƣờng yêu cầu biết trƣớc vài thông số giới thực để thực việc hiệu chuẩn [31] Yêu cầu cần phải biết trƣớc góc tùy ý mặt đất để điều chỉnh camera Bên cạnh đó, phƣơng pháp yêu cầu biết trƣớc độ dài vạch kẻ đƣờng thực tế để tính tỉ lệ ảnh camera cho bối cảnh định Nhóm tác giả sau sử dụng phƣơng pháp xóa cảnh để nhận diện phƣơng tiện theo dõi chúng cách sử dụng lọc Kalman Khác biệt với phƣơng pháp đề xuất trƣớc đó, Sina đồng nghiệp [32] tập trung vào việc đo tốc độ phƣơng tiện giao thông vào buổi tối Nhóm tác giả nhận diện phƣơng tiện cách phát cặp đèn xe vào buổi tối, sau theo dõi chuyển động tính tốn tốc độ phƣơng tiện Việc hiệu chuẩn camera đƣợc thực cách đo thủ cơng góc quay camera khoảng cách từ camera tới mặt đất D Hướng tiếp cận tự động điều chỉnh dựa thống kê chiều Nhƣ đề cập trên, để tiết kiệm chi phí triển khai, việc tự động hóa q trình hiệu chuẩn yếu tố đáng cân nhắc Hƣớng tiếp cận không yêu cầu biết trƣớc thông tin hiệu chuẩn hồn tồn tự động Dubska đồng nghiệp [33] đề xuất việc hiệu chuẩn camera thơng qua điểm ảo Nhóm tác giả sử dụng phƣơng pháp đơn giản để tách lấy tiền cảnh để phát khu vực chuyển động Điểm ảo - hƣớng di chuyển phƣơng tiện - đƣợc tính tốn cách theo dõi điểm đặc trƣng phƣơng tiện sử dụng phát điểm cực tiểu theo dõi KLT Chuyển động điểm bị theo dõi đƣợc biến đổi biến đổi Hough line-to-line đƣợc tham số hóa cách tọa độ song song, giá trị cực đại toàn cục tƣng ứng với điểm ảo ảnh Điểm ảo thứ hai đƣợc trích xuất từ cạnh mạnh phƣơng tiện di chuyển phải đáp ứng vài điều kiện từ điểm ảo Các cạnh tƣơng tự đƣợc biến đổi Hough với giá trị cực đại mạnh ứng với điểm ảo thứ hai Từ điểm ảo đƣợc xác định nhƣ trên, mơ hình tính tốn đƣợc nội ngoại tham số camera Tốc độ phƣơng tiện đƣợc tính tốn dựa việc theo dõi 3D bounding box xung quanh đối tƣợng cách sử dụng lọc Kalman tính tốn khoảng cách không gian thực Bốn hƣớng tiếp cận thể đƣợc độ hiệu đo tốc độ xe đƣợc áp dụng vào môi trƣờng Tuy nhiên, xét đến điều kiện đặt gồm việc tận dụng số lƣợng camera lớn hạn chế việc đo lƣờng thủ công, hƣớng tiếp cận tự động hiệu chuẩn dựa thống kê chiều thể tính khả thi cao áp dụng vào thực tế Bảng bên dƣới so sánh điểm mạnh điểm yếu hƣớng tiếp cận để hiệu chuẩn camera đƣợc trình bày Trần Hồng Lộc, Nguyễn Khắc Ngọc Khơi, Phan Đình Duy, Vũ Đức Lung 221 Bảng Ƣu nhƣợc điểm hƣớng tiếp cận hiệu chuẩn camera Hƣớng tiếp cận Ƣu điểm Nhƣợc điểm Dựa vạch kẻ đƣờng - Đơn giản, dễ thực - Phù hợp với đoạn đƣờng rộng, nhiều đƣờng nhƣ cao tốc - Khơng có hiệu với đoạn đƣờng khơng có vạch kẻ đƣờng Chuyển động phƣơng tiện Tự động hiệu chuẩn dựa thống kê chiều Đo lƣờng thủ công - Các thông số đƣợc tự động hiệu chuẩn - Đơn giản, dễ thực - Đạt hiệu - Có khả triển khai quy mô lớn - Cần thời gian quan sát phƣơng tiện để hoàn thành việc hiệu chuẩn - Khơng có tính thực cao triển khai với quy mơ lớn - Tính tốn phức tạp IV CÁC TẬP DỮ LIỆU Trong toán classification object detection, việc thu thập tập liệu điều quan trọng, công việc ảnh hƣởng trực tiếp đến q trình huấn luyện kiểm thử mơ hình Trong báo nhóm tổng hợp tập liệu đƣợc công bố sử dụng nghiên cứu trƣớc A Bài tốn nhận diện phương tiện giao thông Bảng Các tập liệu thƣờng đƣợc sử dụng toán nhận diện phƣơng tiện giao thông The 2019 AI City Challenge [34] Vehicle Tracking by Simultaneous Detection and Viewpoint Estimation2 A Large-Scale Car Dataset for Fine-Grained Categorization and Verification3 10 Thời lƣợng Số video - Số frame - 800×410 30 50 100 - - 640×480 1280×730 480×320 30 30 25 - - 7520 9390 23435 - - - - - - 214344 Bộ liệu Kích thƣớc FPS The CityFlow Dataset Iowa DOT Traffic Dataset GRAM Road-Traffic Monitoring (GRAMRTM) dataset The Comprehensive Cars (CompCars) dataset 960p Bài báo Số ảnh - B Bài toán đo tốc độ xe Bảng Các tập liệu thƣờng đƣợc sử dụng toán đo tốc độ phƣơng tiện tham gia giao thông Bài báo Comprehensive Dataset for Automatic Single Camera Visual Speed Measurement [7] A Video-Based System for Vehicle Speed Measurement in Urban Roadways4 Bộ liệu Kích thƣớc FPS Thời lƣợng Số video Số frame Số ảnh 1920×1080 50 18 - - 1920×1080 30.15 - 20 - - V KẾT LUẬN Giám sát giao thông toán đƣợc quan tâm hàng đầu với nhiều thách thức chờ đƣợc giải nhƣ phát theo dõi phƣơng tiện điều kiện thời tiết khác nhau, đặc biệt thời tiết xấu Môi trƣờng yếu tố ảnh hƣởng nhiều đến camera, từ ảnh hƣởng trực tiếp đến hiệu suất giám sát Đơn giản nhƣ việc thay đổi từ ngày sang đêm thách thức cần phải giải để hệ thống đảm bảo hoạt động xuyên suốt Với nhu cầu lớn nhƣ vậy, báo khảo sát khảo sát cách bao quát hƣớng tiếp cận toán nhận diện phƣơng tiện vốn tiền đề cho nhiều xử lý phía sau nhƣ theo dõi, phân tích hành vi; tốn đo tốc độ phƣơng tiện giao thơng tốn cần đƣợc đầu tƣ để triển khai thực tế Bên cạnh đó, báo tổng hợp đề xuất số liệu thƣờng đƣợc sử dụng để nhóm nghiên cứu tƣơng lai triển khai hệ thống có sở đánh giá kết khoa học TÀI LIỆU THAM KHẢO [1] V H Do, L H Nghiem, N P Thi, and N P Ngoc, “A simple camera calibration method for vehicle velocity estimation”, in ECTI-CON 2015 - 2015 12th International Conference on Electrical Engineering/Electronics, http://agamenon.tsc.uah.es/Personales/rlopez/data/rtm/ https://bit.ly/2ExReqN http://www.dainf.ct.utfpr.edu.br/~rminetto/projects/vehicle-speed/ 222 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƢƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƢƠNG TIỆN THAM GIA GIAO THÔNG Computer, Telecommunications and Information Technology, pp 1-5, 2015 [2] S Sivaraman and M M Trivedi, “Looking at vehicles on the road: A survey of vision-based vehicle detection, tracking, and behavior analysis”, IEEE Trans Intell Transp Syst., Vol 14, No 4, pp 1773-1795, 2013 [3] N Seenouvong, U Watchareeruetai, C Nuthong, K Khongsomboon, and N Ohnishi, “Vehicle detection and classification system based on virtual detection zone”, in 2016 13th International Joint Conference on Computer Science and Software Engineering (JCSSE), pp 1-5, 2016 [4] N Audebert, B Le Saux, and S Lefèvre, “Segment-before-detect: Vehicle detection and classification through semantic segmentation of aerial images”, Remote Sens., Vol 9, No 4, p 368, 2017 [5] R Velazquez-Pupo et al., “Vehicle detection with occlusion handling, tracking, and OC-SVM classification: A high performance vision-based system”, Sensors, Vol 18, No 2, p 374, 2018 [6] F Zhang, C Li, and F Yang, “Vehicle detection in urban traffic surveillance images based on convolutional neural networks with feature concatenation”, Sensors, Vol 19, No 3, p 594, 2019 [7] J Sochor et al., “Comprehensive Data Set for Automatic Single Camera Visual Speed Measurement”, IEEE Trans Intell Transp Syst., Vol 20, No 5, pp 1633-1643, 2019 [8] X C He and N H C Yung, “A Novel Algorithm for Estimating Vehicle Speed from Two Consecutive Images”, in 2007 IEEE Workshop on Applications of Computer Vision (WACV ’07), pp 12, 2007 [9] X He and N H C Yung, “New method for overcoming ill-conditioning in vanishing-point-based camera calibration”, Opt Eng., Vol 46, No 3, pp 37202, 2007 [10] T N Schoepflin and D J Dailey, “Dynamic camera calibration of roadside traffic management cameras for vehicle speed estimation”, IEEE Trans Intell Transp Syst., Vol 4, No 2, pp 90-98, 2003 [11] H J Kim, “Multiple vehicle tracking and classification system with a convolutional neural network”, J Ambient Intell Humaniz Comput., pp 1-12, 2019 [12] B Tian et al., “Hierarchical and networked vehicle surveillance in ITS: a survey”, IEEE Trans Intell Transp Syst., Vol 16, No 2, pp 557-580, 2014 [13] Q.-L Li and J.-F He, “Vehicles detection based on three-frame-difference method and cross-entropy threshold method”, Comput Eng., Vol 37, No 4, pp 172-174, 2011 [14] S Gupte, O Masoud, R F K Martin, and N P Papanikolopoulos, “Detection and classification of vehicles”, IEEE Trans Intell Transp Syst., vol 3, no 1, pp 37-47, 2002 [15] A Ottlik and H.-H Nagel, “Initialization of model-based vehicle tracking in video sequences of inner-city intersections,” Int J Comput Vis., Vol 80, No 2, pp 211-225, 2008 [16] R Cucchiara, C Grana, M Piccardi, and A Prati, “Detecting moving objects, ghosts, and shadows in video streams”, IEEE Trans Pattern Anal Mach Intell., Vol 25, No 10, pp 1337-1342, 2003 [17] L Lin, T Wu, J Porway, and Z Xu, “A stochastic graph grammar for compositional object representation and recognition” Pattern Recognit., Vol 42, No 7, pp 1297-1307, 2009 [18] M S R Sajib and S M Tareeq, “A feature based method for real time vehicle detection and classification from on-road videos”, in 2017 20th International Conference of Computer and Information Technology (ICCIT), pp 111, 2017 [19] K M A Yousef, M Al-Tabanjah, E Hudaib, and M Ikrai, “SIFT based automatic number plate recognition”, in 2015 6th International Conference on Information and Communication Systems (ICICS), pp 124-129, 2015 [20] X Li and X Guo, “A HOG feature and SVM based method for forward vehicle detection with single camera”, in 2013 5th International Conference on Intelligent Human-Machine Systems and Cybernetics, Vol 1, pp 263-266, 2013 [21] A S Banu and P Vasuki, “Video based vehicle detection using morphological operation and hog feature extraction”, ARPN J Eng Appl Sci., Vol 10, No 4, pp 1866-1871, 2015 [22] S M Elkerdawi, R Sayed, and M ElHelw, “Real-time vehicle detection and tracking using Haar-like features and compressive tracking”, in ROBOT2013: First Iberian Robotics Conference, pp 381-390, 2014 [23] M Manana, C Tu, and P A Owolawi, “A survey on vehicle detection based on convolution neural networks”, in 2017 3rd IEEE International Conference on Computer and Communications (ICCC), pp 1751-1755, 2017 [24] A A Yilmaz, M S Guzel, I Askerbeyli, and E Bostanci, “A vehicle detection approach using deep learning methodologies”, arXiv Prepr arXiv1804.00429, 2018 [25] A Arinaldi, J A Pradana, and A A Gurusinga, “Detection and classification of vehicles for traffic video analytics”, Procedia Comput Sci., Vol 144, pp 259-268, 2018 [26] J Lu et al., “A vehicle detection method for aerial image based on YOLO”, J Comput Commun., Vol 6, No 11, pp 98-107, 2018 [27] X You and Y Zheng, “An accurate and practical calibration method for roadside camera using two vanishing points”, Neurocomputing, Vol 204, pp 222-230, 2016 Trần Hoàng Lộc, Nguyễn Khắc Ngọc Khơi, Phan Đình Duy, Vũ Đức Lung 223 [28] L Grammatikopoulos, G Karras, and E Petsa, “Automatic estimation of vehicle speed from uncalibrated video sequences”, in Proceedings of International Symposium on Modern Technologies, Education and Profeesional Practice in Geodesy and Related Fields, pp 332-338, 2005 [29] P Filipiak, B Golenko, and C Dolega, “NSGA-II based auto-calibration of automatic number plate recognition camera for vehicle speed measurement”, in European Conference on the Applications of Evolutionary Computation, pp 803-818, 2016 [30] M Dubská, A Herout, R Juránek, and J Sochor, “Fully automatic roadside camera calibration for traffic surveillance”, IEEE Trans Intell Transp Syst., Vol 16, No 3, pp 1162-1171, 2014 [31] C Maduro, K Batista, P Peixoto, and J Batista, “Estimation of vehicle velocity and traffic intensity using rectified images”, in 2008 15th IEEE International Conference on Image Processing, pp 777-780, 2008 [32] I Sina, A Wibisono, A Nurhadiyatna, B Hardjono, W Jatmiko, and P Mursanto, “Vehicle counting and speed measurement using headlight detection”, in 2013 International Conference on Advanced Computer Science and Information Systems (ICACSIS), pp 149-154, 2013 [33] M Dubská, A Herout, and J Sochor, “Automatic Camera Calibration for Traffic Understanding.”, in BMVC, Vol 4, No 6, p 8, 2014 [34] M Naphade et al., “The 2019 AI City Challenge.”, in CVPR Workshops, pp 452-460, 2019 VEHICLE DETECTION AND SPEED ESTIMATION: A REVIEW Tran Hoang Loc, Nguyen Khac Ngoc Khoi, Phan Dinh Duy, Vu Duc Lung ABSTRACT: Traffic surveillance is one of the most considerable problems in recent years The serious issue of traffic accidents and traffic-related crimes is the motivation for developing an intelligent traffic system, which contains basic problems namely vehicle detection and vehicle speed estimation This paper reviewed and classified some of popular approaches for vehicle detection and vehicle speed estimation This work aims to build a smart traffic monitoring system in the future In addition, some of commonly used datasets in these two problems for training and evaluating are also aggregated as a basis for other researchers to evaluate their works  ...216 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƢƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƢƠNG TIỆN THAM GIA GIAO THÔNG tiện tham gia giao thông, Seenouvong đồng nghiệp [3] đề xuất mơ hình nhận diện phƣơng tiện giới... tiện 218 KHẢO SÁT BÀI TOÁN NHẬN DIỆN PHƢƠNG TIỆN VÀ ĐO TỐC ĐỘ PHƢƠNG TIỆN THAM GIA GIAO THÔNG ảnh đƣợc tách thành phần nhỏ gồm phía trƣớc, phía sau bên cạnh Trong [17], để đạt đƣợc khả nhận diện. .. toán đo tốc độ phƣơng tiện tham gia giao thơng tốn quan trọng để cơng tác giám sát giao thông đạt đƣợc hiệu Hiện Việt Nam, để thực việc đo tốc độ phƣơng tiện tham gia giao thơng cịn dựa vào công