Phân loại phương tiện giao thông là phương pháp tự động phân loại các
phương tiện trên đường dựa trên các đặc điểm chính của chúng như: chiều dài,
chiều cao, số lượng trục, số rơ-moóc kéo theo (đối với xe tải trọng lớn) và đường
viền của phương tiện. Phân loại phương tiện là một chức năng quan trọng trong
giao thông thông minh (ITS). Chức năng này sớm được phát triển theo nhu cầu
thực tế từ việc thu phí đường bộ, với mỗi loại phương tiện khác nhau sẽ có mức
thu khác nhau khi đi qua các trạm thu phí. Ngoài ra còn có thể giám sát đối
với các loại xe tải nặng để làm giảm lưu lượng phương tiện có thể gây tắc nghẽn
đường. Nội dung luận án chỉ tập trung vào công nghệ xử lý ảnh trong phân loại phương tiện giao thông.
a. Các phương pháp phân loại phương tiện
Các phương pháp được dùng để phát triển cho phân loại phương tiện đã được
có: sử dụng camera RGB, sử dụng camera nhiệt và ảnh LiDAR. Trong phần
này, luận án sẽ tập trung vào công nghệ sử dụng camera để phát hiện và phân loại phương tiện giao thông.
Phân loại phương tiện
Ảnh được tạo
bởi nhiệt Ảnh LiDAR
Camera RGB
Phỏng đoán và thống kê - Mô hình tỷ lệ nội tại - Phân tích thành phần chính
Hình dạng cơ sở - Mô hình 3D - Đường biên cơ sở - Dự án vòng chuyển đổi - Phép đo Blob Đặc trưng cơ sở - SIFT - Đặc trưng Haar - Biểu đồ Gradient định hướng
Hình 1.7: Phân loại các giải thuật phân loại phương tiện
b. Phân loại phương tiện sử dụng công nghệ xử lý ảnh
Ảnh bức xạ nhiệt của đối tượng
Phương pháp phát hiện phương tiện được tìm dựa trên khung hình ảnh nhiệt.
Các thành phần của phương tiện như: kính chắn gió, lốp xe và động cơ, có các
mức nhiệt riêng biệt, tạo thành các đặc trưng nhận dạng nhiệt cụ thể cho từng
thành phần. Kích thước và hình dáng của các thành phần cấu tạo nên phương
tiện cũng khác nhau, dựa theo phân tích ảnh nhiệt cũng có thể phân loại được
một số phương tiện như trong [50, 51].
Tuy nhiên, giải pháp này cũng gặp phải bất cập như sau: Mối quan hệ về
nhiệt độ giữa các phương tiện giao thông và môi trường bên ngoài có thể thay
đổi theo mùa, thậm chí trong ngày. Cụ thể hơn, nhiệt độ của khu vực kính chắn
gió thường thấp hơn nhiệt độ môi trường vào mùa nóng; trong khi vào những
ngày mùa đông lạnh, điều này bị đảo ngược lại kính khu vực kính chắn gió sẽ
Toshiyuki Nakamiya [51]. Để giải quyết vấn đề này, có thể đảo ngược mối quan
hệ này về trạng thái mặc định bằng cách chuyển đổi. Trong đó, Imax là giá trị
lớn nhất trong dải từ 0 đến 255 trong thang độ xám 8 bit; I i, j( )là giá trị điểm
ảnh của ảnh gốc tại vị trí ( )i, j .
IT( ) = i, j I max − I i, j( ) (1.1)
Dựa trên hình dạng của phương tiện
Nhiều thuật toán phân loại phương tiện dựa trên hình dạng phương tiện (đường
viền cạnh [52, 53], độ dốc định hướng [54], đặc trưng Haar [55]) nhận dạng được
có các cách tiếp cận rất khác nhau để giải quyết vấn đề như trong Bảng 1.2.
Các phương pháp này phụ thuộc vào vị trí thu hình của máy ảnh. Ngoài ra, các
bước được thực hiện trong mỗi phương pháp khác nhau đáng kể dựa trên các
giả định chung của thuật toán (nghĩa là, có dựa trên hình bóng hay không, sử
dụng mô hình ba chiều (3D), phân tích cạnh biên, v.v.).
Bảng 1.2: Bảng so sánh các nghiên cứu về phân loại phương tiện giao thông sử dụng
công nghệ xử lý ảnh
Vị trí camera Phương pháp sử dụng Phân loại
Camera gắn cố định, ở Phát hiện biên của đối Xe sedan, minivan,
bên lề đường, góc nhìn từ tượng, mô tả SIFT, mô taxi
trên xuống, vùng quan sát hình chòm sao từ đặc
nhỏ, chỉ quan sát từng xe trưng phương tiện nhận
một [56] được để phân loại
Camera gắn cố định, ở TRP (Transformation 8 loại, gồm cả
bên lề đường, góc nhìn Ring Projection), DWT hatchback,
vuông góc với đường, chỉ xe máy,
nhìn thấy mặt bên của xe buýt
Camera gắn cố định, nhìn PCA Car, van, truck từ trên cao, vùng quan và
sát không quan sát được SVM/đặc trưng riêng chính diện phương tiện của phương tiện
Camera gắn cố định, góc Phân đoạn ảnh GMM, kết Ô-tô, van, buýt,
nhìn không chính diện hợp cả bóng của phương xe máy
phương tiện, nhìn từ trên tiện và đặc trưng HOG
Bảng 1.2 – tiếp theo trang trước
Vị trí camera Phương pháp sử dụng Phân loại
xuống [57] để huấn luyện cho SVM
Camera gắn cố định, góc Đưa nhiều hình dạng Car, van, buýt,
nhìn không chính diện bóng của phương tiện vào xe máy
phương tiện, nhìn từ trên để huấn luyện cho SVM xuống [58]
Camera gắn cố định, Phương pháp trừ nền, Cars, trucks
hướng nhìn từ trên xuống sử dụng phương pháp đo
vào mặt bên của phương kích thước tiện [59]
Camera gắn cố định, 17 hình dạng đặc trưng 7 loại, gồm cả sedan,
hướng nhìn vuông góc với blob, phân tích LDA truck, SUV
đường hướng xe chạy từ và trên cao. [60] k-NN
Camera gắn cố định, góc Đặc trưng hình dạng của 7 loại, gồm cả sedan, nhìn không chính diện phương tiện phát hiện truck, SUV
phương tiện, nhìn từ trên được, 2 bước phân loại xuống [61]
Camera gắn cố định, Đặc trưng đèn hậu, vị Sedan, pickup, SUV
hướng nhìn vào đuôi trí và kích thước biển và một số loại khác
phương tiện [52] số phương tiện, và mạng Bayesian động
Camera gắn cố định, nhìn Đường biên cơ sở, FLD -
mặt bên của phương tiện (Fisher’s Linear
[62] Discriminants)
Camera gắn cố định, nhìn 11 đặc trưng hình dạng Người/phương tiện,
mặt bên của phương tiện blob, LDA (Linear ước lượng màu sắc
từ trên cao [63] Discriminant Analysis),
k-NN
Camera gắn cố định, là Kết hợp bóng của phương Car, van, xe máy
loại camera mắt cá [64] tiện và các bộ huấn luyện
Một trong những cách tiếp cận cơ bản được sử dụng trong lĩnh vực phân loại
phương tiện là tập trung vào các đặc trưng có thể được trích xuất từ ROI, bao
gồm đốm nhị phân tách biệt của đối tượng hoặc phương tiện. Có nhiều cách để
trích xuất các đốm chứa các đối tượng. Một phương pháp sử dung thuật toán
để trừ nền [65], kết hợp với bộ lọc nhị phân phù hợp, sẽ đưa ra các vị trí gần
đúng chứa phương tiện trong ảnh như đã được đề cập trong [64].
Tóm lại
Các phương pháp phân loại phương tiện dựa trên hình dạng, chẳng hạn như
HOG, đặc trưng Haar đòi hỏi hình ảnh huấn luyện đáng kể và các thuật toán
tiền xử lý được thiết kế cẩn thận, như mô hình biến dạng, ánh sáng mẫu, chuẩn
hóa kích thước và lấy mẫu lặp lại. Thách thức xuất hiện khi nhiều phương tiện
được nhóm với nhau trong tầm nhìn của camera. Các phương pháp dựa trên
đường viền cạnh của phương tiện là một trong những phương pháp phân loại
đơn giản. Tuy nhiên, chúng cần các đốm mầu sạch ít nhiễu để xử lý. Đối với
camera quan sát cố định, cách tiếp cận này là khả thi khi sử dụng các phương
pháp phân đoạn nền. Các phương pháp đơn giản như mô hình hóa dựa trên tỷ
lệ là phương pháp thành công trong nghiên cứu đường cao tốc. Dù vậy số lượng
và sự đa dạng của các loại xe khiến phương pháp này xử lý rất hạn chế do thiếu
thông số kỹ thuật cho từng loại xe.
Trong nhiều trường hợp có thể sử dụng phân loại phân cấp, cho phép chúng
chia quá trình phân loại thành một chu trình xử lý thô và mịn. Phần trước liên
quan tới bộ lọc thô dựa trên các phép đo hình bóng, trong khi phần sau chịu
trách nhiệm phân biệt giữa các đối tượng trong các lớp con tương tự nhau hơn.
Độ chính xác của phân loại xe có thể được cải thiện bằng cách kết hợp nhiều
cảm biến như hình ảnh nhiệt, hình ảnh LiDAR và camera RGB.