Hiểu biết cảnh quang cho hệ thống hỗ trợ lái trong môi trường đô thị sử dụng thị giác máy tính

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỀU KHIỂN - TỰ ĐỘNG HÓA HIỂU BIẾT CẢNH QUANG CHO HỆ THỐNG HỖ TRỢ LÁI TRONG MÔI TRƯỜNG ĐÔ THỊSỬ DỤNG THỊ GIÁC MÁY TÍNH GVHD: TS LÊ MỸ HÀ SVTH: PHAN ĐỒN TIẾN BÌNH – 12151133 LÊ ĐÌNH DŨ – 12151127 HUỲNH PHÚC THỊNH – 12151150 SKL004487 Tp Hồ Chí Minh, tháng năm 2016 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP HIỂU BIẾT CẢNH QUANG CHO HỆ THỐNG HỖ TRỢ LÁI TRONG MÔI TRƯỜNG ĐƠ THỊ SỬ DỤNG THỊ GIÁC MÁY TÍNH SVTH: Khóa: Ngành: GVHD: TS LÊ MỸ HÀ TP Hồ Chí Minh - tháng 07 năm 2016 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc ******* NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: - Phan Đồn Tiến Bình Ngành: CNKT Điều khiển Tự động hóa Lớp: 12151CLC GVHD: TS Lê Mỹ Hà Ngày nhận đề tài: Lê Đình Dũ Huỳnh Phúc Thịnh Tên đề tài: Hiểu biết cảnh quan cho hệ thống hỗ tự lái mơi trường thị sử dụng thị giác máy tính Các số liệu, tài liệu ban đầu: Tập liệu huấn luyện gồm 16.000 ảnh thu thập từ điện thoại di động có độ phân giải megapixel 23 megapixel Hệ thống xây dựng với phần mềm Matlab 2015b máy tính xách tay có chíp xử lý Intel Core i5-RAM 8G Core i3-RAM 4G Nội dung thực đề tài: - Thu thập liệu - Xây dựng, huấn luyện phân loại xếp tầng cho hệ thống phát đối tượng - Đánh giá kết đạt Kết luận Sản phẩm: - Phần mềm phát đối tượng - Quyển báo cáo TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN i CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc ******* PHIẾU NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Họ tên sinh viên: - Phan Đồn Tiến Bình Lê Đình Dũ Huỳnh Phúc Thịnh Ngành: CNKT Điều khiển tự động hóa Tên đề tài: Hiểu biết cảnh quan cho hệ thống hỗ tự lái môi trường đô thị sử dụng thị giác máy tính GVHD: TS Lê Mỹ Hà NHẬN XÉT Về nội dung đề tài khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại? Điểm: .(Bằng chữ: ) Tp Hồ Chí Minh, ngày tháng năm 2016 Giảng viên hướng dẫn ii CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc ******* PHIẾU NHẬN XÉT CỦA GIẢNG VIÊN PHẢN BIỆN Họ tên sinh viên: - Phan Đồn Tiến Bình Lê Đình Dũ Huỳnh Phúc Thịnh Ngành: CNKT Điều khiển tự động hóa Tên đề tài: Hiểu biết cảnh quan cho hệ thống hỗ tự lái môi trường đô thị sử dụng thị giác máy tính GVPB: ThS Nguyễn Trần Minh Nguyệt NHẬN XÉT Về nội dung đề tài khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại? Điểm: .(Bằng chữ: ) Tp Hồ Chí Minh, ngày tháng năm 2016 Giảng viên phản biện iii LỜI CẢM ƠN Đầu tiên chúng em xin gửi lời cảm ơn đến TS Lê Mỹ Hà – Giảng viên hướng dẫn nhóm chúng em Cảm ơn thầy gợi mở, dành nhiều thời gian quý báu để hướng dẫn chúng em suốt thời gian thực đề tài Bên cạnh đó chúng em xin gửi lời cảm ơn chân thành đến thầy cô giảng dạy, chia kinh nghiệm, hỗ trợ chúng em trình thực đồ án suốt khoảng thời gian giảng đường đại học Sau chúng em xin chúc quý thầy cô nhiều sức khỏe nhiều niềm vui sống Trường ĐH Sư phạm Kỹ thuật TP.HCM Tháng năm 2016 Phan Đồn Tiến Bình Lê Đình Dũ Huỳnh Phúc Thịnh iv TÓM TẮT BÁO CÁO ĐỒ ÁN Sau 70 năm từ cách mạng khoa học – kỹ thuật lần thứ hai diễn ra, tốc độ phát triển khoa học – kỹ thuật ngày nhanh, mà khoa học – kỹ thuật mang lại ngày mong đợi người Hệ thống điều khiển, giám sát thơng minh, siêu máy tính, người máy, dần thay người việc nguy hiểm địi hỏi xác cao Với đề tài “Hiểu biết cảnh quan cho hệ thống hỗ tự lái mơi trường thị sử dụng thị giác máy tính” nhóm nghiên cứu đề tài hy vọng tìm hiểu, áp dụng cải tiến hệ thống nhận biết đối tượng nhà khoa học, nhóm nghiên cứu viện khoa học giới tìm hiểu phát triển phục vụ cho nhiều mục đích hệ thống giám sát tự động, xe tự lái, người máy thơng minh, Trong báo cáo này, nhóm nghiên cứu đề tài trình bày kiến thức sở việc xây dựng phân loại xếp tầng để phát đối tượng (ôtô người bộ) Nhóm chúng em sử dụng cơng cụ huấn luyện phân loại xếp tầng phần mềm Matlab kết hợp đặc trưng HOG thuật toán AdaBoost nhằm nâng tốc độ phát đối tượng v MỤC LỤC Nhiệm vụ đồ án Trang nhận xét giảng viên hướng dẫn Trang nhận xét giảng viên phản biện Lời cảm ơn Tóm tắt (Tiếng Việt) Tóm tắt (Tiếng Anh) Mục lục Danh mục từ viết tắt Danh mục bảng biểu Danh mục hình ảnh, biểu đồ Chương 1: Tổng quan Chương 2: Cơ sở lý thuyết 2.1 2.2 2.3 2.4 2.5 Chương 3: Hệ thống phát đối tượng Kết thực nghiệm 3.1 3.2 Chương 4: Kết luận Hướng phát triển 4.1 4.2 Tài liệu tham khảo Phụ lục vii DANH MỤC CÁC TỪ VIẾT TẮT AdaBoost HOG PCA SVM HMM SNoW LBP DAB GAB RAB ROI ACC : Adaptive Boosting : Histogram of oriented gradients : Principal component analysis : Support Vector Machine : Hidden Markov Model : Sparse Network of Winnows : Local Binary Pattern : Discrete AdaBoost : Gentle AdaBoost : Real AdaBoost : Regions of interest : Accuracy viii DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Thuật toán tăng tốc thích nghi rời rạc DAB Bảng 2.2 Thuật tốn tăng tốc thích nghi linh hoạt GAB Bảng 2.3 Thuật tốn tăng tốc thích nghi linh hoạt thực RAB Bảng 3.1 Bảng lưu ý thiết lập thông số cho việc huấn luyện phân loại xếp tầng Bảng 3.2 Quá trình huấn luyện phân loại xếp tầng Bảng 3.3 Kết kiểm tra phân loại xếp tầng đối tượng ôtô Bảng 3.4 Kết kiểm tra phân loại xếp tầng đối tượng người trang 19 19 19 27 29 30 30 ix Chương 3: Hệ thống phát đối tượng kết thực nghiệm (a) (b) Hình 3.4 ROI vẽ cho mẫu chứa đối tượng (a) Đối tượng ôtô (b) Đối tượng người Trước đến huấn luyện cho phân loại xếp tầng Chúng ta cài đặt thông số (số giai đoạn trình huấn luyện, loại đặc trưng phát đối tượng sử dụng, tỷ lệ nhận mẫu chứa đối tượng tỷ lệ mẫu chứa đối tượng bị phân loại nhầm) cho trình huấn luyện để đạt độ xác cao mong muốn Các ý cho việc cài đặt thơng số cho q trình huấn luyện phân loại xếp tầng thể Bảng 3.1 Bảng 3.1 Bảng lưu ý thiết lập thông số cho việc huấn luyện phân loại xếp tầng TRƯỜNG HỢP Bộ huấn luyện lớn (hàng nghìn) Bộ huấn luyện nhỏ Để giảm xác suất bị đối tượng trình huấn luyện Để giảm số lượng phát sai 27 Chương 3: Hệ thống phát đối tượng kết thực nghiệm Việc huấn luyện cho phân loại xếp tầng gồm có N giai đoạn Số lượng giai đoạn tùy vào số lượng mẫu tập mẫu mà người dùng cung cấp cho trình huấn luyện cho phân loại xếp tầng Quá trình huấn luyện phân loại xếp tầng diễn Bảng 3.2 Việc chọn số lượng giai đoạn trình huấn luyện phân loại xếp tầng tỷ lệ thuận với tỷ lệ phân loại sai mẫu chứa đối tượng giai đoạn Nếu có giai đoạn việc huấn luyện phân loại học yếu khơng đảm bảo độ xác Nói chung, muốn có phân loại xếp tầng tốt người dùng cần xây dựng phân loại xếp tầng gồm nhiều giai đoạn đơn giản, tỷ lệ phân loại sai mẫu chứa đối tượng phân loại xếp tầng giảm theo cấp số nhân qua giai đoạn Ví dụ, tỷ lệ phân loại sai mẫu chứa đối tượng giai đoạn 50%, đến giai đoạn thứ hai tỷ lệ phân loại sai mẫu chứa đối tượng phân loại xếp tầng giảm xuống 25% 12.5% giai đoạn thứ ba tiếp tục giảm giai đoạn khác Tuy nhiên, việc tạo lượng lớn giai đoạn cho trình huấn luyện phân loại xếp tầng phải cần đến tập sở liệu lớn việc tăng số lượng giai đoạn dẫn đến tang tỷ lệ phân loại sai mẫu không chứa đối tượng 3.2 Kết thực nghiệm: Sau trình huấn luyện, phân loại xếp tầng kiểm tra ảnh thu thập từ máy ảnh cho đối tượng ôtô người minh họa Hình 3.5 Hình 3.6 Đối với đối tượng, phân loại xếp tầng kiểm tra với 400 ảnh mẫu chia làm 02 liệu bao gồm ảnh chứa đối tượng cần nghiên cứu không chứa đối tượng cần nghiên cứu Kết trình kiểm tra thể Bảng 3.3 đối tượng xe ôtô người Bảng 3.4 (a) (b) Hình 3.5 Ảnh kiểm tra phân loại xếp tầng cho đối tượng ôtô (a) Ảnh trước phân loại (b) Ảnh sau phân loại 28 Chương 3: Hệ thống phát đối tượng kết thực nghiệm Bảng 3.2 Quá trình huấn luyện phân loại xếp tầng H UẤN TẦNG BỘ LUY ỆN PHÂ N LOẠI XẾP GI - Tính số lượng AI ĐO mẫu ẠN chứa đối tượng (nhỏ số lượng mẫu tập sở liệu) GI AI - tập racơ mẫu khôn g chứa đối tượng (lấy từ sở liệ u) ĐOẠ N2 - Sử dụng lại giai đoạn - Tiến hành phân loại toàn mẫu chứa đối tượng Các mẫu chứa đối tượng bị phân loại sai xem mẫu khơng chứa đối tượng - Tính lại số lượng mẫu chứa đối tượng - Tạo mẫu không chứa đối tượng cách xử lý mẫu không chứa đối tượng cửa sổ trượt dùng mẫu chứa đối tượng bị phân loại sai GIAI ĐOẠN N - Sử dụng lại giai đoạn liền kề trước - Tiến hành phân loại toàn mẫu chứa đối tượng Bảng 3.2 Quá trìnhCác mhuẫấunchluyứaệđốinbộtượphânng bloịphânạixế plotạầingsai xem mẫu khơng chứa đối tượng - Tính lại số lượng mẫu chứa đối tượng - Tạo mẫu không chứa đối tượng cách xử lý mẫu không chứa đối tượng cửa sổ trượt dùng mẫu chứa đối tượng bị phân loại sai 29 Chương 3: Hệ thống phát đối tượng kết thực nghiệm (a) (b) Hình 3.6 Ảnh kiểm tra phân loại xếp tầng cho đối tượng người (a) Ảnh trước phân loại (b) Ảnh sau phân loại Bảng 3.3 Kết kiểm tra phân loại xếp tầng đối tượng ôtô: Bộ liệu Bộ liệu Bảng 3.4 Kết kiểm tra phân loại xếp tầng đối tượng người bộ: Bộ liệu Bộ liệu Tỷ lệ phân loại xác mẫu chứa đối tượng phân loại xếp tầng thể qua đường cong ROC Biểu đồ 3.1 – 3.4 (Đường cong ROC đồ thị biểu có trục tung độ nhạy trục hoành (1 – đặc trưng) Với độ nhạy đặc trưng tính theo cơng thức (18) (19)) Với tỷ lệ xác (ACC) dao động 86.75% đối tượng ơtơ Cịn đối tượng người độ xác dao động 87.5% (ACC tính theo cơng thức (20)) Độ nhạy = 30 Chương 3: Hệ thống phát đối tượng kết thực nghiệm TN Đặc trưng =TP+TN TN+FP ACC = TP+FP+TN+FN Trong đó: - TP: số lượng mẫu chứa đối tượng phân loại - FP: số lượng mẫu chứa đối tượng bị phân loại sai - TN: số lượng mẫu không chứa đối tượng phân loại - FN: số lượng mẫu không chứa đối tượng bị phân loại sai (19) (20) Mẫu chứa đối tượng phân loại bị phân loại sai minh họa Hình 3.7 (TP FP) Hình 3.8 minh họa mẫu không chứa đối tượng phân loại bị phân loại sai (TN FN) (a) (b) Hình 3.7 Mẫu chứa đối tượng phân loại phân loại xếp tầng (a) Mẫu phân loại (b) Mẫu bị phân loại (a) (b) Hình 3.8 Mẫu không chứa đối tượng phân loại phân loại xếp tầng (a) Mẫu phân loại (b) Mẫu bị phân loại 31 Chương 3: Hệ thống phát đối tượng kết thực nghiệm Biểu đồ 3.1 Đường cong ROC biểu diễn kết phân loại phân loại xếp tầng ôtô 32 Chương 3: Hệ thống phát đối tượng kết thực nghiệm Biểu đồ 3.2 Đường cong ROC biểu diễn kết phân loại phân loại xếp tầng người 33 Chương 4: Kết luận hướng phát triển CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Với chương này, nhóm nghiên cứu tổng họp lại cách khái quát hệ thống phát đối tượng nhóm xây dựng với kết thục nghiệm Cũng trình bày khó khăn cịn chưa giải triệt để phương hướng nhằm để khắc phụ khó khăn phát triển đề tài 4.1 Kết luận: Trong đồ án nhóm nghiên cứu sử dụng kỹ thuật lĩnh vực xử lý ảnh, thị giác máy tính máy học để phát đối tượng (ôtô người bộ) từ ảnh thu thập Thu thập tập liệu đủ lớn cho trình huấn luyện phân loại xếp tầng, sử dụng tốt công cụ hỗ trợ từ phần mềm Matlab Tiếp cận thành công lý thuyết phát đối tượng nhóm nghiên cứu uy tín lĩnh vực thị giác máy tính xử lý ảnh để áp dụng cho việc tạo nên hệ thống phát đối tượng cho nghiên cứu nhóm chúng em Chúng em kết hợp thành công phân loại xếp tầng Viola – Jones phát triển thuật toán AdaBoost với đặc trưng phát đối tượng HOG nhóm Dalal – Triggs Kết huấn luyện phân loại xếp tầng nhóm chúng em huấn luyện đạt kết cao (trung bình đạt 87.125%) Đối với đối tượng ơtơ độ xác 86.75% người 87.5% Quá trình nghiên cứu, thử nghiệm thực đề tài tạo hội cho chúng em tìm hiểu lĩnh vực thị giác máy tính, xử lý ảnh cách ứng dụng lý thuyết để xây dựng hệ thống phát đối tượng từ ảnh thu thập từ máy ảnh Tuy nhiên, hệ thống phát đối tượng nhóm chúng em cịn vài hạn chế Do trình huấn luyện sử dụng phần mềm Matlab nên khó đáp áp dụng hệ thống để phát đối tượng thời gian thực tế Việc tạo nên tập sở huấn luyện gặp nhiều khó khăn tốc độ xử lý máy tính xách tay khơng đáp ứng thuật tốn tập sở chứa mẫu có dung lượng q lớn Vị trí thu thập ảnh gây khó khăn cho hệ thống, đối tượng ảnh đầu vào bị che khuất hay góc chụp khơng phải diện gây việc phân loại nhầm cho hệ thống Bộ phân loại hoạt động tốt với với phát đuôi xe ôtô ảnh không nhiều đối tượng khác 34 Chương 4: Kết luận hướng phát triển 4.2 Hướng phát triển: Hiện nay, nhiều tranh cãi nhà khoa học với xoay quanh vấn đề sử dụng đặc trưng phát đối tượng tốt nhất, phương pháp phân loại có hiệu suất cao Do tính chất loại đối tượng khác nên việc sử dụng đặc trưng phương pháp phân loại chủ đề thu hút nghiên cứu tiến hành thực nghiệm Thuật tốn hệ thống áp dụng loại ngơn ngữ lập trình khác (ví dụ ngơn ngữ lập trình C#) phần cứng tích hợp nhỏ gọn có tốc độ xử lý cao nhằm đáp ứng thời gian thực tế để áp dụng cho xe tự lái hay xe bán tự động, nhằm cảnh báo vật cản cho người xử dụng phương tiện Hệ thống phát có phát triển theo hướng nhận dạng đối tượng Nghĩa sau phát đối tượng khung ảnh đưa thông tin đối tượng Mở rộng ứng dụng nhiều đối tượng khác người xe máy, loại phương tiện giao thông khác để xây dựng hệ thống giám sát giao thông, giám sát an ninh 35 TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] I Matveev, A Murynin and A Trekin, “Vehicle detection in color images”, IEEE Conference on Intelligent Transportation System, 1997 Sungji Han, Youngjoon Han and Hernsoo Hahn, “Vehicle detection method using Haar-like feature on real time system”, World Academy of Science, Engineering and Technology, 2009 K Mikolajczyk, C Schmid, and A Zisserman, “Human detection based on a probabilistic assembly of robust part detectors”, Proc ECCV, 2004 Shanshan Zhang, Christian Bauckhage and Armin Cremers, “Informed Haar-like feature Improve pedestrian detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2014 P Viola and M Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features”, IEEE Conference on Computer Vision and Pattern Recognition, 2001 N Dalal and B Triggs, “Histograms of Oriented Gradients for Human Detection”, In CVPR 2005, 2005 Julien Maynet, “Fast Face Detection Using AdaBoost”, In EPFL, 2003 R Benenson, M Omran, J Hosang B and Schiele, “Ten Years of Pedestrian Detection, What Have We Learned?”, In ECCV, 2014 Y Freund and R Schapire, “A decision-theoretic generalization of online learning and an application to boosting”, In Computational Learning Theory, 1995 R Lienhart, A Kuranov and V Pisarevsky, “Empirical Analysis of Detection Cascade of Boosted Classifiers for Rapid Object Detection”, In MRL Technical Report, 2002 T Ojala and M Pietikainen, “Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns”, IEEE Trans on Pattern Analysis and Machine Intelligence, 2002 36 PHỤC LỤC Code Matlab Khởi tạo sở liệu huấn luyện phân loại clear all; clc; load('data.mat'); imDir1 = fullfile('E:\3\data2\data_from_frame'); addpath(imDir1); imDir2 = fullfile('E:\3\data2\pos_crop'); addpath(imDir2); imDir3 = fullfile('E:\3\data2\pos_crop_2'); addpath(imDir3); imDir4 = fullfile('E:\3\data2\pos_crop_flip'); addpath(imDir4); imDir5 = fullfile('E:\3\data2\pos_crop_flip_2'); addpath(imDir5); negativeFolder = fullfile('E:\3\data2\neg_test'); %3 and (Human_test_1) negativeFolder = fullfile('E:\3\neg'); %1 and (Human_test_1) trainCascadeObjectDetector('Human_test_1_7.xml',data,negativeFolder,'False AlarmRate',0.01,'NumCascadeStages',15);%more possitive (data flip 2) detector3 = vision.CascadeObjectDetector('Human_test_1_7.xml'); img = imread('22.jpg'); bbox = step(detector3,img); detectedImg = insertObjectAnnotation(img,'rectangle',bbox,'human','lineWidth',2); figure; imshow(detectedImg); Đặt tên ảnh huấn luyện a ='E:\3\New folder'; A =dir( fullfile(a, '*.jpg') ); fileNames = { A.name }; for iFile = : numel( A ) newName = fullfile(a, sprintf( 'new_neg_%04d.jpg', iFile ) ); movefile( fullfile(a, fileNames{ iFile }), newName ); end Cắt khung ảnh từ video a=VideoReader('MOV_1010.mp4'); for img = 1:12:a.NumberOfFrames; filename=sprintf('frame_%04d.jpg', img ) ; 37 b = read(a, img); imwrite(b,filename); end Tổng hợp clear all; clc; %Read video a=VideoReader('MOV_0953.mp4'); %Load XML file detector1 = vision.CascadeObjectDetector('Human_test_1_6.xml'); %To write Video File VideoObj = VideoWriter('test_0953_6.avi'); %Number of Frames per Second VideoObj.FrameRate = 27; %Define the Video Quality [ to 100 ] VideoObj.Quality = 50; %Open the File 'Create_video01.avi' open(VideoObj); for k = 1:a.NumberOfFrames; ilename=sprintf( 'frame_%04d.jpg', k ) ; b = read(a, k);%%get frame bbox = step(detector1,b); img = insertObjectAnnotation(b,'rectangle',bbox,'human','lineWidth',2); imshow(img); %%show frame one by one Convert Image to movie Frame frame = im2frame(img); %Write a frame writeVideo(VideoObj, frame); %imwrite(b,filename); %%save frame end close(VideoObj); 38 ...TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP HIỂU BIẾT CẢNH QUANG CHO HỆ THỐNG HỖ TRỢ LÁI TRONG MÔI TRƯỜNG ĐÔ THỊ SỬ DỤNG THỊ GIÁC MÁY TÍNH... Mỹ Hà Ngày nhận đề tài: Lê Đình Dũ Huỳnh Phúc Thịnh Tên đề tài: Hiểu biết cảnh quan cho hệ thống hỗ tự lái môi trường đô thị sử dụng thị giác máy tính Các số liệu, tài liệu ban đầu: Tập liệu huấn... Tiến Bình Lê Đình Dũ Huỳnh Phúc Thịnh Ngành: CNKT Điều khiển tự động hóa Tên đề tài: Hiểu biết cảnh quan cho hệ thống hỗ tự lái môi trường đô thị sử dụng thị giác máy tính GVHD: TS Lê Mỹ Hà NHẬN