Module phát hiện chuyển động có nhiệm vụ xác định có hay không các đối tƣợng chuyển động trong một khung hình, sau đó tách ảnh đối tƣợng chuyển động khỏi ảnh nền.
Kết quả của bƣớc trừ nền là một mặt nạ nhị phân của khung hình hiện tại ảnh đầu vào. Mặt nạ nhị phân này sẽ tiếp tục đƣợc đƣa vào khối Blob Tracking để thực hiện tối ƣu hóa bằng biến đổi hình thái học và sau đó phƣơng pháp dò blob sẽ đƣợc áp dụng lên đầu ra của biến đổi hình thái học để có kết quả là các blob đƣợc đánh nhãn riêng biệt. Các phƣơng tiện giao thông (ô tô, xe máy) sẽ đƣợc xác định dựa trên kích thƣớc của chúng và đƣợc ghi nhận. Đầu ra cuối cùng của quá trình này là khung hình với các phƣơng tiện giao thông đã đƣợc dựng lại cùng với kết quả đếm số lƣợng phƣơng tiện tham gia giao thông. Với cửa sổ PBAS là kết quả của quá trình trừ nền và Blob Mask là kết quả của quá trình biến đổi hình thái học, các điểm nhiễu đã bị loại bỏ đáng kể.
Sau giai đoạn xử lý nhiễu ở bƣớc biến đổi hình thái học, mặt nạ nhị phân mới segmentated sẽ tiếp tục đƣợc đƣa vào bƣớc xử lý chính và quan trọng
nhất của quá trình trích xuất đối tƣợng là đánh nhãn để phân biệt các đối tƣợng và kết quả đầu ra sẽ là một mảng blobs bao gồm các blob trong khung hình hiện tại. Với mỗi một blob đƣợc coi nhƣ một lớp đối tƣợng có các thuộc tính và phƣơng thức. Do các phƣơng tiện giao thông đƣợc lọc theo kích thƣớc của chúng (có kích thƣớc lớn hơn ngƣời, động vật) và để phục vụ render, có 5 thuộc tính cần lƣu ý là area, minx, miny, maxx, maxy.
Trong đó area chính là số điểm ảnh biểu diễn cho đối tƣợng đó và các giá trị min, max là các giới hạn tọa độ của đối tƣợng xét theo mặt phẳng 2 chiều. Một điểm ảnh thuộc biên của đối tƣợng phải luôn có ít nhất 1 điểm lân cận là điểm ảnh đen, do vậy để tìm ra điểm biên tiếp theo của nó, có thể thực hiện quét các điểm lân cận của bắt đầu từ điểm bên cạnh điểm ảnh đen đã xác định trƣớc theo chiều kim đồng hồ. Từ đó ta cũng có thể rút ra đƣợc một nguyên tắc, với là điểm biên tiếp theo của luôn có một điểm ảnh đen liền kề trƣớc theo vòng quét của điểm. Nhƣ vậy, ta có 4 nguyên tắc sau để xác định một điểm đen liền kề với nhƣ sau:
Nếu là lân cận phải (R) hoặc dƣới phải (DR) luôn có một điểm ảnh đen liền kề là lân cận trên (U)
Nếu là lân cận trái (L) hoặc trên trái (UL), luôn có một điểm ảnh đen liền kề là lân cận dƣới (D)
Nếu là lân cận dƣới (D) hoặc dƣới trái (DL), luôn có một điểm ảnh đen liền kề là lân cận phải (R)
Nếu là lân cận trên (U) hoặc trên phải (UR), luôn có một điểm ảnh đen liền kề là lân cận trái (L).
Hình 3. 4. Tính mặt nạ chuyển động
3.3.4. Đếm phương tiện
Để tránh đếm các blob tƣơng ứng với đối tƣợng không mong muốn nhƣ ngƣời, động vật hoặc nhiễu thuộc nền, ta cần xác định phạm vi kích thƣớc của các phƣơng tiện giao thông và áp dụng bộ lọc để loại bỏ các đối tƣợng không mong muốn đó. Thực chất, kích thƣớc của một đối tƣợng đƣợc thể hiện qua giá trị area của một blob, với vùng chính là số điểm ảnh cấu thành nền blob đó. Sau khi có đƣợc tập các đối tƣợng mong muốn là các phƣơng tiện giao thông, quá trình trích xuất và đếm số lƣợng sẽ đƣợc áp dụng để vẽ khung chữ nhật bao quanh đối tƣợng và hiện thị số lƣợng phƣơng tiện đang xuất hiện trong khung hình. Tuy nhiên, nhƣ đã nêu trƣớc đó, khuyết điểm của phƣơng pháp này là khi một số đối tƣợng bị chồng lấn thì quá trình trích xuất đối tƣợng sẽ coi đó là 1 đối tƣợng dẫn đến nhận dạng và đếm không chính xác.
Bước 1: Load input video đầu vào
Bước 2: Ta định nghĩa sẵn 1 đƣờng kẻ ngang, tạm gọi là laser line. Các
bạn cứ tƣởng tƣợng có một đƣờng laser chiếu ngang, khi xe đi qua thì sẽ đếm xe cho dễ hiểu.
Bước 3: Ta tiến hành lặp qua các đối tƣợng đã đƣợc tracking để update
vị trí mới (nếu có). Trong quá trình lặp, nếu đối tƣợng vƣợt qua đƣờng laser thì tính thêm 1 xe mới, nếu đối tƣợng không vƣợt qua thì tiếp tục theo vết.
Bước 4: Cứ mỗi 5 frame, chúng ta lại nhận diện lại các đối tƣợng 1 lần,
nếu nhƣ là đối tƣợng mới xuất hiện (bằng cách kiểm tra centroid xem có gần đối tƣợng nào đang đƣợc tracking hay không) thì ta thêm vào danh sách tracking.
Bước 5: Hiển thị lên màn hình và tiếp tục lặp lại bƣớc 3.
Hình 3.5 minh họa kỹ thuật phát hiện và đếm phƣơng tiện trên đƣờng.
Hình 3. 6. Trƣờng hợp không phát hiện xe là xe không di chuyển hoặc đứng yên quá lâu.
Một số trƣờng hợp thuật toán không phát hiện đƣợc đối tƣợng phƣơng tiên xe, dẫn đến kết quả đếm bị sót. Trong hình 3.6 là trƣờng hợp phƣơng tiện xe đứng yên hoặc không di chuyển trên đƣờng thuật toán không phát hiện đƣợc, dẫn đến kết quả đếm phƣơng tiện bị thiếu. Do bản chất của kỹ thuật có áp dụng kỹ thuật trừ nền nên khi xe đứng yên, kết quả trừ nền sẽ nhầm đối tƣợng phƣơng tiện xe là nền. Hình 3.7 là kết quả không hiện đƣợc phƣơng tiện xe do đối tƣợng phƣơng tiện xe ở xa camera. Mô tả các bƣớc thực hiện cài đặt chƣơng trình thử nghiệm thuật toán đếm đối tƣợng phƣơng tiện xe trên đƣờng nhƣ sau:
Hình 3.8, hình 3.9 và hình 3.10 là các giao diện ban đầu của chƣơng trình:
Hình 3. 8. Giao diện khởi động chƣơng trình
Trong giao diện khởi động chƣơng trình, ta có thể đƣa đƣờng link phát video streaming của camera IP vào trong ô nhập text. Ngoài ra, ta có thêm một lựa chọn sử dụng tệp video trên ổ cứng. Việc lựa chọn tệp có thể đƣợc tiến hành đơn giản bằng cách chọn nút bên cạnh ô text.
Hình 3. 10. Giao diện chọn file video trên ổ cứng
Sau khi đã chọn đƣợc đƣờng phát video streaming hoặc file video trên ổ cứng, ta ấn nút Process để tiến hành chạy chƣơng trình thử nghiệm nhƣ trong hình 3.11.
Hình 3. 11. Nút Process để thực hiện xử lý
Dựa theo luồng thực hiện đã đƣợc mô tả, sau khi đọc khung hình hiện thời, chƣơng trình sẽ thực hiện phát hiện chuyển động trên khung hình đó. Kết quả của việc phát hiện chuyển động là một ảnh nhị phân trong đó tƣơng ứng các vùng màu trắng là vùng chuyển động, còn vùng màu đen là vùng tĩnh.
3.4. Phân tích kết quả thử nghiệm
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