Số lƣợng ô tô xuất hiện trong video ghi đƣợc không nhiều, do đó tác giả tiến hành thử nghiệm nhận dạng trên cả 2 loại phƣơng tiện ô tô và xe máy. Kết quả nhận diện tƣơng đối chính xác, tuy nhiên có một số hình ảnh ô tô đƣợc nhận diện chƣa chính xác do những mẫu ô tô đó không có trong tập huấn luyện, số lƣợng mẫu ô tô đƣợc sử dụng để huấn luyện chƣa nhiều, mẫu ô tô chƣa đa dạng.
Kết quả nhận dạng xe của mô hình là khá cao khi mà các xe lƣu thông ở đƣờng phố thì có rất nhiều sự khác biệt nhau về màu sắc, kích thƣớc, số lƣợng ngƣời ngồi trên xe hay loại hàng hóa chở trên xe, và còn bị ảnh hƣởng bởi nhiều yếu tố khác nhƣ bị che khuất, bóng cây, thời tiết v.v.
Qua thực nghiệm thì nhận thấy rằng mô hình cho kết quả nhận dạng cao nhất khi mà các xe không bị che khuất và có kích thƣớc vừa phải.
Đối với một số trƣờng hợp xe không nhận dạng đƣợc thì chủ yếu là do bị che khuất một phần, kích thƣớc hình ảnh xe quá nhỏ.
Có trƣờng hợp đếm nhầm do các vật thể có hình dạng giống ô tô hoặc xe máy. Độ chính xác của hệ thống đếm phƣơng tiện là khá cao. Kết quả triển khai bài toán này nhƣ ta thấy ở trên vẫn có nhiều khả quan khi ứng dụng vào bài toán yêu cầu độ chính xác không quá lớn, có thể đƣa ra con số chấp nhận đƣợc. Từ hệ thống đơn giản này, ta có thể cải tiến để nâng cao khả năng nhận dạng xe cũng nhƣ độ chính xác của bài toán phức tạp.
Kết quả của bài toán phụ thuộc rất nhiều vào tình hình giao thông, thời tiết, địa điểm thực hiện và nhiều yếu tố khác. Mật độ lƣu thông của các phƣơng tiện giao thông càng lớn thì độ chính xác cũng giảm dần. Cũng tƣơng tự nếu thời tiết diễn biến xấu hay địa điểm đếm xe có nhiều vật cản che khuất hay có nhiều bóng cây. Bên cạnh đó thuật toán chƣa ổn định cũng là một yếu
tố ảnh hƣởng đến kết quả. Bảng 3.1. là kết quả nhận dạng và đếm phƣơng tiện xe trên các bộ dữ liệu thu thập thực tế và từ nguồn internet với phƣơng tiện chủ yếu là xe máy và xe ô tô, kết quả độ chính xác trung bình trên 80%. Dữ liệu thu nhận từ các camera trên đƣờng, điều kiện thu nhận chƣa tốt (nền tối, thiếu sáng, ngoại cảnh tác động nhiều, góc quay chƣa chính diện nên có sự ảnh hƣởng nhất định đến kết quả nhận dạng của thuật toán.
Hình 3. 12. Số liệu nhận dạng và đếm xe STT Số xe máy thực tế Số xe ô tô thực tế Số xe máy đếm đƣợc Số xe ô tô đếm đƣợc Độ chính xác Video 1 2 12 2 10 85,7% Video 2 5 7 5 6 91,6% Video 3 10 13 9 10 82,6% Video 4 11 8 11 7 94,4% Video 5 10 18 8 15 82,1% 3.5. Kết luận chƣơng 3
Chƣơng 3 đã trình bày các kết quả thực nghiệm trên bài toán đếm phƣơng tiện giao thông trên đƣờng, cụ thể là các phƣơng tiện xe máy, xe ô tô và xe tải theo kỹ thuật dựa trên mô hình Gauss trộn tích hợp tối ƣu vùng quan tâm và phân tích khối (blob). Các kết quả thực nghiệm đạt đƣợc đã minh họa cho các nội dung lý thuyết đƣợc trình bày trong chƣơng 2 với những cài đặt cụ thể.
Chƣơng trình phát hiện và đếm lƣợt phƣơng tiện giao thông lƣu thông với độ chính xác cao vì thế có thể sử dụng kết quả chƣơng trình vào mục tiêu quan sát lƣu lƣợng phƣơng tiện giao thông qua lại tại những điểm giao thông quan tâm, để có phƣơng án quy hoạch giao thông hợp lý và hiệu quả nhằm góp phần tạo nên những luồng giao thông an toàn và hiệu quả.
KẾT LUẬN
Nghiên cứu kỹ thuật phát hiện, phân loại và đếm phƣơng tiện giao thông trên đƣờng là một trong những bài toán quan trọng của xử lý ảnh và thị giác máy. Ngoài ra, bài toán có ý nghĩa thực tiễn trong việc phát triển đô thị thông minh. Luận văn đã hệ thống một số vấn đề cơ bản trong bài toán phát hiện và đếm đối tƣợng phƣơng tiện giao thông trong hệ thống camera giám sát tự động về nghiên cứu lý thuyết cũng nhƣ trong cài đặt thực nghiệm. Những vấn đề này có thể tóm tắt lại nhƣ sau:
- Tổng quan về giám sát tự động trên cơ sở trình bày hệ thống camera giám sát giao thông, bài toán phát hiện đối tƣợng, phát hiện chuyển động, bài toán đếm phƣơng tiện trên đƣờng cùng với một số tiếp cận để giải quyết bài toán. Luận văn cũng đƣa ra sơ đồ xử lý chung cho quy trình phát hiện và đếm đối tƣợng phƣơng tiện trên đƣờng thông qua dữ liệu video thu thập từ camera thực tế.
- Lý thuyết về kỹ thuật phục vụ phát hiện và đếm phƣơng tiện giao thông trên đƣờng, cụ thể là kỹ thuật dựa trên mô hình trộn Gauss, tích hợp tối ƣu vùng quan tâm và phân tích khối nhằm có thể phát hiện và khoanh vùng các đối tƣợng phƣơng tiện nhỏ hiệu quả. Luận văn cũng đƣa ra phƣơng pháp đánh giá độ chính xác của thuật toán.
- Xây dựng chƣơng trình thử nghiệm cho bài toán phát hiện và đếm phƣơng tiện giao thông trên đƣờng. Phần thử nghiệm, luận văn áp dụng một số kỹ thuật tiền xử lý ảnh nhƣ tách nền, lọc nhiễu. Sau đó áp dụng dữ liệu lên kỹ thuật trình bày ở chƣơng 2. Kết quả thử nghiệm, bƣớc đầu đƣợc đánh giá khá hiệu quả cho xe máy, ô tô và xe tải.
Tuy nhiên, trong thời gian ngắn để thực hiện đề tài luận văn, chắc chắn có nhiều sai sót và cũng chƣa thể đánh giá kỹ thuật cũng nhƣ chƣơng trình thử nghiệm một cách toàn diện. Luận văn là tiền đề để thực hiện nghiên cứu phát triển tiếp theo phục vụ trong công tác chuyên ngành tại địa phƣơng.
DANH MỤC TÀI LIỆU THAM KHẢO
[1]Collins R. T., and al e. (2000), "A system for visual surveillance and monitoring", Carnegie Mellon University.
[2]Ting-Hsun, Chang, and Gong S. (2001), "Tracking multiple people with a multi-camera system", IEEE workshop on multi object tracking,
pp: 19 – 26. [3] http://mica.edu.vn/.
[4]Tran D.-D., Le T.-L., and Tran T.-T.-H. (2014), "Abnormal event detection using multimedia information for monitoring system",
Communications and Electronics (ICCE), 2014 IEEE Fifth International Conference on, pp: 490-495.
[5]http://mmlab.uit.edu.vn/.
[6]Djamaluddin D., Indrabulan T., Andani Indrabayu, Sidehabi S.W. 2014. “The Simulation of Vehicle Counting System for Traffic Surveillance using Viola Jones Method”. Makassar International Conference on Electrical Engineering and Informatics (MICEEI). pp.130, 135, 26-30.
[7]Lin G., Xiang-Hui S. 2013. “Vehicle Detection Method based on Adaptive Background Updating Algorithm”. International Conference on Advanced Information and Communication Technology for Education (ICAICTE). Atlantis Press. pp. 206-209.
[8]Karamizadeh S., Abdullah S.M., Zamani M. and Kherikhah A. 2014. “Pattern Recognition Techniques: Studies On Appropriate Classifications”. ARPN Journal of Engineering and Applied Sciences, Vol. 9, No. 8, pp. 1215-1219.
[9]Basri, Indrabayu and Achmad A. 2015. “Gaussian Mixture Models Optimization for Counting the Numbers of Vehicle by Adjusting the Region of Interest under Heavy Traffic Condition". International Seminar on Intelligent Technology and Its Applications (ISITIA). IEEE Conference no. 35246. pp. 243-247. [10] Zivkovic Z., 2004. “Improved adaptive Gaussian mixture model for
background subtraction," Pattern Recognition. ICPR. Proceedings of the 17th