b. Giảm ùn tắc giao thông
3.4 Đếm xe, tính mật độ giao thông
Bài toán này gồm 3 bào toán con : Phát hiện đối tượng chuyển động, xác định phương tiện và tính toán mật độ giao thông. Trong bài toán phát hiện đối tượng chuyển động ta sử dụng phương pháp ước lượng nền. Trong bài toán xác định đối tượng, các phương tiện được phát hiện và xác định là nhỏ, trung bình hay to bằng cách sử dụng mô hình mạng nơron. Trong bài toán đo mật độ giao thông, mật độ
giao thông được tính toán bằng cách sử dụng thông tin về các phương tiện đã được xác định trong các khung liên tiếp. Chi tiết các bài toán con được mô tả trong hình vẽ và nội dung sau :
Hình 2.16: Luồng xử lý của mô hình nền
• Phát hiện đối tượng chuyển động(Moving Object Detector - MOD) :
Phát hiện đối tượng chuyển động áp dụng với mỗi khung hình cụ thể và được thực hiện như hình vẽ 6. Ở mỗi bước, nền của đoạn Video được trừ từ ảnh hiện tại và một ngưỡng được áp cho ma trận hiệu số. Đối tượng chuyển động được phát hiện bằng cách phân tích ma trận hiệu số của nền và khung ảnh hiện tại. Sau đó khung
ảnh hiện tại được cập nhật vào nền và áp dụng cho các khung tiếp theo.
t phút (N khung video) Chọn khung i Phát hiện đối tượng chuyển động trong khung i Xác định phương tiện trong khung i Tính mật độ trong t phút với N khung video Mật độ giao thông
Hình 2.17 : Luồng phát hiện đối tượng chuyển động
Tại mỗi bước nền bị trừ khung ảnh hiện tại. Ma trận hiệu số được áp cho một ngưỡng. Tại mỗi điểm ảnh, mức xám cao hơn hay thấp hơn ngưỡng (th) được gán cho giá trị 1 và 0 tương ứng với điểm ảnh trắng hoặc đen. Công thức biễu diễn như
sau :
Di,j = Ci,j – Bi,j
D : ma trận hiệu số với n dòng, m cột C : ma trận khung ảnh hiện tại với n dòng, m cột B : ma trận nền với n dòng, m cột Hình 2.18 (a)- nền tĩnh, (b)- hiệu số giữa khung ảnh hiện tại và nền. Khung ảnh hiện tại i Ma trận (C) Phép trừ Ma trận nền (B) Áp dụng ngưỡng và cập nhật (D) Phát hiện đối tượng chuyển động Tính chất của đối tượng Cập nhật nền
Ma trận nhị phân thu được thể hiện sự khác nhau giữa khung ảnh hiện tại và nền. Ma trận này được phân tích theo thứ tự để phát hiện đối tượng chuyển động. Vùng giá trị 1 có diện tích lớn nhất trong ma trận này được phát hiện. Ví dụ với 1 ma trận có 3 đối tượng như sau :
Tiêu chuẩn phân loại đối tượng chuyển động là thông tin nhiều nhất có thể. Với mục đích này vùng elip và vùng chữ nhật bao gồm đối tượng được xem xét và 14 tính chất được xác định cho mỗi đối tượng như sau:
1- P1n : Số lượng pixel bao phủđối tượng. Số lượng giá trị 1 và số lượng giá trị 0 bao quanh các giá trị 1 này.
2- P2n :Số lượng giá trị 1 bao phủđối tượng 3,4- Cx,Cy : Tọa độ tâm của vùng ảnh. 5,6,7,8- E1,E2,E3,E4 : Tọa độ 4 cạnh của hình chữ nhật nhỏ nhất bao phủ đối tượng. 9-dx : khoảng cách giữa điểm xa nhất và gần nhất theo trục x 10-dy : khoảng cách giữa điểm xa nhất và gần nhất theo trục y 11- O : Góc giữa trục của đối tượng và trục x.
12 – R : tỷ lệ giữa điểm có giá trị 1 và số lượng điểm ảnh trong hình chữ nhật nhỏ nhất bao phủđối tượng.
13 – Ec : Độ lệch tâm của elip nhỏ nhất bao phủđối tượng. 14 – di : Đường kính của elip nhỏ nhất bao phủđối tượng.
Các nền tĩnh nhưảnh của đường khi không có đối tượng nào đi qua có thểđược sử dụng. Tuy nhiên phương pháp này chỉ tốt trong trường hợp các yếu tố bên ngoài
như thời tiết, cường độ ánh sáng (ban ngày, đêm hoặc khoảng thời gian trong ngày) có ảnh hưởng như nhau với các nền tĩnh. Vì vậy phương pháp tính toán với nền tĩnh thường được sử dụng trong nghiên cứu. Trong phương pháp này nền được cập nhật theo mỗi khung ảnh. Trong thuật toán mức xám của điểm ảnh được lưu trữ như là chuỗi thời gian. Giá trị trung bình của chuỗi thời gian được cập nhật dự trên mức xám mới của khung ảnh hiện tại.
• Xác định phương tiện - đếm xe (Vehicle Identificator - VI) :
Trong mục này chúng ta sử dụng mạng Nơron truyền thẳng. Mạng Nơron (Neural Netwwork – NN) đẫ được dùng từ lâu để phân loại, phân lớp và các hàm xấp xỉ. Mô hình mạng Nơron được sử dụng bao gồm 14 lớp đầu vào và 4 lớp đầu ra. 14 lớp đầu vào là 14 tính chất của đối tượng đã xác định trong bảng ở mục trên(MOD). Các lớp đầu ra là các nút giá trị nhị phân tương ứng với loại phương tiện chẳng hạn như phương tiện to, nhỏ, trung bình và không phải phương tiện. Chỉ
có một nút đầu ra nhận giá trị 1 tại một thời điểm. Ta sử dụng một lớp ảo bao gồm 25 nút và sử dụng phương pháp thử lỗi để tối ưu hóa.
Hình 2.19 Mô hình mạng Nơron được sử dụng Thuật toán đếm phương tiện như sau :
Tính Vi dựa trên
AllVech = 0
For (k=1 to N) // N là khung ảnh cuối cùng
For (j=1 to Detk) // Detk là số phương tiện đã được phát hiện trong khung k
AllVech = AllVech+1 Center[AllVech]= c[j] Vi = 0
While ( AllVech trống)
Chọn phương tiện từAllVech
[x y] = Lấy tọa độ của phương tiện đã chọn Xóa phương tiện đã chọn từAllVech
For (ngược lại từ 1 tới H khung ảnh)
[tempx tempy] = lấy tọa độ phương tiện trong mỗi khung ảnh If (tempx và tempy đủ gần với x và y)
Isclose = true; If (not Isclose) Isclose=false; Vi = Vi + 1
Lưu trữ phương tiện đã chọn cho bước tiếp theo
• Tính mật độ giao thông (Traffic Density Calculator - TDC) :
Trong hai bài toán xác định đối tượng chuyển động và bài toán đếm xe ở trên, các khung ảnh được xử lý riêng biệt. Trong bào toán này, các khung ảnh thu được trong một khoảng(kỳ) thời gian được xử lý đồng thời theo thứ tự để tính số lượng phương tiện đi qua đoạn đường trong khoảng thời gian đã cho. Các khung ảnh liên tiếp tương ứng với quang cảnh đoạn đường trong các khoảng thời gian phần nghìn giây. Vì vậy các phương tiện giống nhau sẽđược xem xét trong các khung ảnh liên tiếp. Trong phần này số lượng phương tiện đi qua đoạn đường trong khoảng thời gian đã cho được đếm bằng cách sử dụng vị trí của phương tiện trong các khung
ảnh liên tiếp. Mật độ giao thông được tính theo công thức :
Trong đó : densityi là mật độ giao thông của loại phương tiện i.
Vi : số lượng loại phương tiện iđi qua đoạn đường trong thời gian T.
T : kỳ thời gian.