Mục tiêu của đề tài nghiên cứu nhằm hiện thực hóa các phương pháp giám sát lưu lượng và quản lý phương tiện giao thông nhằm đề xuất một hệ thống ITS phù hợp với hệ thống giao thông đô thị tại Việt Nam. Mời các bạn tham khảo nội dung chi tiết đề tài!
LỜI CAM ĐOAN
Tôi xin cam đoan các kết quả trình bày trong Luận án là công trình nghiên
cứu của tôi dưới sự hướng dẫn của cán bộ hướng dẫn trong suốt thời gian làm
Nghiên cứu sinh. Các kết quả nghiên cứu được trình bày trong Luận án là hoàn
toàn trung thực, khách quan và chưa từng được các tác giả khác công bố. Các
kết quả sử dụng tham khảo đều đã được trích dẫn đầy đủ và theo đúng quy
định trong Luận án.
Hà Nội, ngày 30 tháng 01 năm 2020
Người hướng dẫn khoa học Tác giả
PGS. TS. Nguyễn Tiến Dũng Nguyễn Việt Hưng
LỜI CẢM ƠN
Đầu tiên, tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc của mình tới thầy
hướng dẫn khoa học PGS. TS. Nguyễn Tiến Dũng. Thầy đã định hướng cho tôi
triển khai các ý tưởng khoa học, luôn tận tình hướng dẫn tôi trong suốt thời
gian học tập nghiên cứu và thầy đã dành nhiều thời gian tâm huyết, hỗ trợ tôi
về mọi mặt để hoàn thành luận án này.
Tôi cũng xin chân thành cảm ơn các thầy, các cô, các anh chị em Nghiên cứu
sinh trong Bộ môn Điện tử và Kỹ thuật Máy tính, Viện Điện tử - Viễn thông
trường Đại học Bách Khoa Hà Nội đã tạo điều kiện, giúp đỡ và hướng dẫn tôi
trong quá trình học tập và nghiên cứu tại trường. Tôi xin trân trọng cảm ơn
Lãnh đạo trường Đại học Bách Khoa Hà Nội, Phòng Đào tạo, Viện Điện tử -
Viễn thông đã tạo mọi điều kiện thuận lợi nhất cho nghiên cứu sinh trong suốt
quá trình học tập và nghiên cứu. Và tôi cũng xin cảm ơn TS. Nguyễn Tiến Hòa
và TS. Tạ Thị Kim Huệ đã giúp đỡ tôi trong trình bày Luận án.
Cuối cùng, tôi xin bày tỏ lòng biết ơn tới gia đình tôi: bố mẹ hai bên, vợ và
em gái tôi đã luôn động viên khích lệ về tinh thần và vật chất để tôi có động
lực trong công việc và nghiên cứu khoa học.
Hà Nội, ngày 30 tháng 01 năm 2020
Tác giả
Nguyễn Việt Hưng
Trang
DANH MỤC CÁC CHỮ VIẾT TẮT . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ . . . . . . . . . . . . . . . . . . . . . . . . . v
DANH MỤC CÁC BẢNG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
DANH MỤC CÁC KÝ HIỆU TOÁN HỌC . . . . . . . . . . . . . . . . . . . . . ix
MỞ ĐẦU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
CHƯƠNG 1. TỔNG QUAN CÁC VẤN ĐỀ CỦA XỬ LÝ ẢNH
TRONG GIAO THÔNG HỖN HỢP . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.1. Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2. Hệ thống giao thông thông minh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1. Chức năng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.2. Nhiệm vụ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.3. Kịch bản sử dụng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3. Tiềm năng ứng dụng của xử lý ảnh trong ITS. . . . . . . . . . . . . . . . . . . . . . 22
1.3.1. Phát hiện phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2. Các ứng dụng xử lý ảnh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.3. Quy trình ứng dụng xử lý ảnh trong giao thông . . . . . . . . . . . . . . . . 24
1.4. Hiện trạng xử lý ảnh trong ITS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.1. Khả năng của xử lý ảnh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4.2. Các thách thức xử lý ảnh trong ITS . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5. Các chức năng chính của xử lý ảnh trong ITS . . . . . . . . . . . . . . . . . . . . . . 28
1.5.1. Nhận dạng biển số phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.2. Phân loại phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.5.3. Đo tốc độ phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.5.4. Phân tích lưu lượng phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.6. Các vấn đề của xử lý ảnh trong giao thông hỗn hợp . . . . . . . . . . . . . . . . 54
i
1.7. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
CHƯƠNG 2. QUẢN LÝ PHƯƠNG TIỆN GIAO THÔNG . . . . . 57
57 2.1. Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57 2.2. Hệ thống quản lý phương tiện giao thông . . . . . . . . . . . . . . . . . . . . . . . . . .
57 2.2.1. Cải thiện chất lượng ảnh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59 2.2.2. Nhận diện phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62 2.2.3. Phân loại phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64 2.2.4. Đo tốc độ phương tiện giao thông . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65 2.3. Đề xuất thuật toán cải thiện và nâng cao chất lượng ảnh . . . . . . . . . .
74 2.4. Đề xuất phương pháp phân loại phương tiện giao thông . . . . . . . . . . . .
79 2.5. Đề xuất mô hình hóa phương pháp đo tốc độ phương tiện . . . . . . . . .
90 2.6. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91 CHƯƠNG 3. LƯU LƯỢNG PHƯƠNG TIỆN GIAO THÔNG .
91 3.1. Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91 3.2. Hệ thống giám sát lưu lượng phương tiện giao thông . . . . . . . . . . . . . . .
3.3. Giám sát và điều khiển dòng phương tiện giao thông theo mật độ lưu
lượng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.3.1. Đề xuất giám sát và điều khiển dòng phương tiện giao thông theo mật
độ lưu lượng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.4. Giám sát và điều khiển dòng phương tiện giao thông theo số lượng phương
tiện và chủng loại phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
3.4.1. Đề xuất giám sát lưu lượng phương tiện theo số lượng và chủng loại
phương tiện . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.5. Kết luận chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
KẾT LUẬN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
TÀI LIỆU THAM KHẢO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
PHỤ LỤC A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
AI Active Infrared Hồng ngoại chủ động
Automated License Plate ALPR Nhận dạng biển số tự động Recognition
AS Acoustic Sensor Cảm biến âm thanh
Ảnh hưởng từ các khối lân BA Block Artifact cận
BI Bicubic Interpolation Giải thuật nội suy Bicubic
CCD Charge Coupled Device Linh kiện tích điện kép
CI Cubic Interpolation Giải thuật nội suy Cubic
CW Continuous Wave Sóng liên tục
DA Direction Angle Góc trực tiếp
DWT Discrete Wavelet Transform Chuyển đổi sóng con rời rạc
FLC Fuzzy Logic Controller Bộ điều khiển logic mờ
frequency Modulated Điều chế tần số sóng FMCWR Continous Waves RADAR RADAR liên tiếp
FPS Frame per Second Khung hình trên giây
Global System for Mobile Hệ thống thông tin di động GSM Communications toàn cầu
Inductive Loop Detector Hệ thống nhận diện bằng ILDS System vòng lặp cảm ứng từ
IP Image Processing Xử lý ảnh
Intelligent Transportation ITS Giao thông Thông minh System
k NN k Nearest Neighbor k lân cận gần nhất
Light Amplification by Khuyếch đại ánh sáng bằng Stimulated Emission of LASER phát xạ kích thích Radiation
iii
LED Light Emitting Diode Diode phát quang
Magnetic Detector Đầu dò từ tính MD
Optical Character Nhận dạng ký tự quang học OCR Recognization
Passive Infrared Hồng ngoại bị động PI
Tỉ số tín hiệu cực đại trên PSNR Peak Signal to Noise Ratio nhiễu
RAdio Detection And Dò tìm và định vị bằng sóng RADAR Ranging vô tuyến
Radio Frequency Xác thực tần số sóng vô RFID IDentification tuyến
Scale-Invariant Feature Biến đổi đặc trưng tỷ lệ SIFT Transform không đổi
Support Vector Machine Véc-tơ máy hỗ trợ SVM
Hệ thống giám sát giao Traffic Monitoring System TMS thông
Ultrasonic Sensor Cảm biến siêu âm US
VANET Vehicular Ad Hoc Networks Mạng xe cộ bất định
Vanish Point Điểm khuất VP
Hình 0.1 Mô hình hệ thống ITS trong nghiên cứu của Juan [1] . . . . . 3
Hình 1.1 Kiến trúc của một hệ thống ITS của Huawei . . . . . . . . . . . 19
Hình 1.2 Sơ đồ khối của hệ thống đề xuất . . . . . . . . . . . . . . . . . . 24
Hình 1.3 Quy trình ứng dụng xử lý ảnh trong giao thông . . . . . . . . . 25
Hình 1.4 Sơ đồ khối chu trình xử lý của một hệ thống ALPR điển hình . 28
Hình 1.5 Xác định vị trí biển số phương tiện bằng đường viền . . . . . . 29
Hình 1.6 Phân đoạn ảnh bằng phương pháp chiếu . . . . . . . . . . . . . 30
Hình 1.7 Hệ thống huấn luyện OCR điển hình . . . . . . . . . . . . . . . . 30
Hình 1.8 Phân loại các giải thuật phân loại phương tiện . . . . . . . . . . 32
Hình 1.9 Các phương tiện và cạnh viền tìm được . . . . . . . . . . . . . . 36
Hình 1.10 Trích xuất đặc trưng HOG từ ảnh xám . . . . . . . . . . . . . . 37
Hình 1.11 Đặc trưng Haar sử dụng để phát hiện phương tiện: đặc trưng
cạnh viền, đặc trưng trung tâm và đặc trưng đường . . . . . . . . . . 37
Hình 1.12 Minh họa hai phương pháp hiệu chỉnh camera . . . . . . . . . . 44
Hình 1.13 Minh họa hiệu chỉnh camera . . . . . . . . . . . . . . . . . . . . 45
Hình 1.14 Phương tiện giao thông di chuyển trên trục tọa độ . . . . . . . . 48
Hình 1.15 Minh họa chuyển động của phương tiện theo quãng đường
và thời gian phương tiện di chuyển . . . . . . . . . . . . . . . . . . . . 49
Hình 1.16 Vận tốc, quãng đường và thời gian phương tiện di chuyển . . . 49
Hình 1.17 Biểu đồ sự chuyển động của các phương tiện . . . . . . . . . . . 51
Hình 1.18 Biểu đồ trên trục đo thời gian di chuyển . . . . . . . . . . . . . 53
Hình 1.19 Biểu đồ trên trục đo khoảng cách di chuyển . . . . . . . . . . . 53 Hình 1.20 Biểu đồ hàm Ψti(x) trong vùng quan sát . . . . . . . . . . . . . . 54
Hình 2.1 Sơ đồ thiết lập hệ thống camera để thu thập dữ liệu . . . . . . . 63
Hình 2.2 Ảnh có độ phân giải thấp và ảnh có độ phân giải cao . . . . . . 67
Hình 2.3 Hàm Cubic đi qua bốn điểm cơ sở . . . . . . . . . . . . . . . . . 67
Hình 2.4 Giải thuật nội suy Bicubic . . . . . . . . . . . . . . . . . . . . . . 68
Hình 2.5 So sánh chuỗi điểm ảnh theo cột của ảnh gốc và ảnh sau
v
khi nội suy BI có cùng kích thước . . . . . . . . . . . . . . . . . . . . . 69
Hình 2.6 Xác định đường cong kín . . . . . . . . . . . . . . . . . . . . . . 70
Hình 2.7 Xác định các điểm ảnh cần tính toán lại dựa vào ma trận 7 × 7 70
Hình 2.8 Phương pháp nội suy được sử dụng để cải thiện các vị trí
điểm ảnh cận biên là đường cong kín . . . . . . . . . . . . . . . . . . . 71
Hình 2.9 Ma trận Smin có kích thước 3 × 3 nằm trong ma trận 7 × 7,
từ phần tử trung tâm dịch trên các điểm ảnh biên . . . . . . . . . . . 72
Hình 2.10 Sơ đồ khối phương pháp mô phỏng . . . . . . . . . . . . . . . . . 72
Hình 2.11 Minh họa giải thuật nội suy Bicubic trong một frame. a)
Ảnh gốc I, b) Ảnh J với L = 2, c) Ảnh biên Canny, d) Phương
pháp đề xuất . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Hình 2.12 Chuỗi ảnh thu được theo phương pháp đề xuất . . . . . . . . . . 73
Hình 2.13 Giải thuật trừ nền . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Hình 2.14 Minh họa góc tới để phân loại phương tiện . . . . . . . . . . . . 75
Hình 2.15 Các ô tô được nhận dạng từ dữ liệu thu được . . . . . . . . . . . 76
Hình 2.16 Bộ dữ liệu thống kê góc tới trực tiếp của 80 ô tô nhận dạng được76
Hình 2.17 Bộ dữ liệu thống kê góc tới trực tiếp của xe tải và xe buýt . . . 77
Hình 2.18 Các xe máy nhận dạng được . . . . . . . . . . . . . . . . . . . . 78
Hình 2.19 Thống kê giá trị góc tới của xe máy . . . . . . . . . . . . . . . . 79
Hình 2.20 Hiện tượng quang học . . . . . . . . . . . . . . . . . . . . . . . . 80
Hình 2.21 Ảnh thu được của đối tượng . . . . . . . . . . . . . . . . . . . . . 80
Hình 2.22 Mô hình thiết lập camera . . . . . . . . . . . . . . . . . . . . . . 81
Hình 2.23 Các điểm khuất từ các trục chính của đối tượng trong ảnh . . . 82
Hình 2.24 Biểu diễn số khung hình trong một giây (camera thử nghiệm
có tốc độ 12f ps) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Hình 2.25 Quy trình xử lý của phương pháp đề xuất . . . . . . . . . . . . . 86
Hình 2.26 Ảnh gốc và ảnh các phương tiện nhận dạng được . . . . . . . . 88
Hình 2.27 Một số phương tiện phát hiện được . . . . . . . . . . . . . . . . 88
Hình 2.28 Đánh giá sai số . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Hình 3.1 Mô hình vị trí lắp đặt camera . . . . . . . . . . . . . . . . . . . . 95
Hình 3.2 Mô hình hệ thống đề xuất . . . . . . . . . . . . . . . . . . . . . . 96
Hình 3.3 Kịch bản hệ thống giao thông hỗn hợp ở Việt Nam . . . . . . . 97
Hình 3.4 Mật độ phương tiện giao thông khi đèn tín hiệu hoạt động . . . 98
Hình 3.5 Một khung hình được chụp từ camera . . . . . . . . . . . . . . . 99
Hình 3.6 Sơ đồ kịch bản mô phỏng của nút giao thông . . . . . . . . . . . 101
Hình 3.7 Ví dụ 3 khung hình thu được từ ngả đường A → B từ camera
và ảnh nhị phân các phương tiện trong khung hình . . . . . . . . . . . 102
Hình 3.8 Giải thuật của Hệ thống đề xuất . . . . . . . . . . . . . . . . . . 103
Hình 3.9 Biểu đồ thể hiện mật độ phương tiện ở vùng L trong 35 giây
của tổ hợp 3 đèn tín hiệu hoạt động . . . . . . . . . . . . . . . . . . . 104
Hình 3.10 Biểu đồ thể hiện mật độ phương tiện ở vùng ∆αn trong 35
giây của tổ hợp 3 đèn tín hiệu hoạt động . . . . . . . . . . . . . . . . 106
Hình 3.11 Biểu đồ thể hiện mật độ phương tiện ở vùng β trong 35 giây
của tổ hợp 3 đèn tín hiệu hoạt động . . . . . . . . . . . . . . . . . . . 107
Hình 3.12 Đặc trưng dòng phương tiện hỗn hợp, xe máy luôn cố đi vào
chỗ còn trống giữa những ô-tô . . . . . . . . . . . . . . . . . . . . . . . 111
Hình 3.13 Kiểm soát chủng loại và số lượng phương tiện đi vào vùng
giám sát . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Hình 3.14 Mối quan hệ giữa k và q . . . . . . . . . . . . . . . . . . . . . . . 115
Hình 3.15 Mô hình hàng đợi ở một nút giao thông . . . . . . . . . . . . . . 117
Hình 3.16 Nút giao thông 3 pha . . . . . . . . . . . . . . . . . . . . . . . . . 120
Hình 3.17 Mô hình nút giao thông 3 pha . . . . . . . . . . . . . . . . . . . 120
Hình 3.18 Mô phỏng trên simtram . . . . . . . . . . . . . . . . . . . . . . . 122
Bảng 1.1 So sánh khả năng ứng dụng của phương pháp xử lý ảnh với
các phương pháp khác trong giao thông hỗn hợp . . . . . . . . . . . . 23
Bảng 1.2 Bảng so sánh các nghiên cứu về phân loại phương tiện giao
thông sử dụng công nghệ xử lý ảnh . . . . . . . . . . . . . . . . . . . . 33
Bảng 1.3 Bảng so sánh q từ phương đo pháp tức thời và đo điểm . . . . . 53
Bảng 2.1 So sánh PSNR giữa nội suy BI và phương pháp đề xuất . . . . 73
Bảng 2.2 Giá trị góc tới trực tiếp của ô tô nhận dạng được . . . . . . . . 77
Bảng 2.3 Giá trị góc tới trực tiếp của xe tải và xe buýt . . . . . . . . . . 77
Bảng 2.4 Giá trị góc tới trực tiếp của xe máy . . . . . . . . . . . . . . . . 78
Bảng 2.5 Thống kê giá trị góc tới của các phương tiện cần phân loại . . . 78
Bảng 2.6 Kết quả nhận dạng phương tiện . . . . . . . . . . . . . . . . . . 79
Bảng 2.7 Thông số lắp đặt camera . . . . . . . . . . . . . . . . . . . . . . 87
Bảng 3.1 Bảng dữ liệu đề xuất thời gian hoạt động của đèn tín hiệu
theo mật độ phương tiện ước lượng được (giây) . . . . . . . . . . . . . 109
Bảng 3.2 Bảng dữ liệu phân loại phương tiện theo kích thước . . . . . . . 118
Bảng 3.3 Bảng dữ liệu mô phỏng theo 4 chu kì liên tiếp (phương tiện) . . 121
viii
Bảng 3.4 Kết quả mô phỏng của phương pháp đề xuất (giây) . . . . . . . 122 Bảng (cid:103).1 Bảng phân loại phương tiện theo trục bánh xe . . . . . . . . . . 139
Ký hiệu Ý nghĩa
Nghịch đảo của ma trận A
Phần tử hàng thứ i cột thứ j của ma trận A
Chuyển vị của ma trận A
Chuyển vị liên hợp phức của ma trận A
Ma trận hiệp phương sai của tín hiệu x Cx
Vận tốc của phương tiện
Khoảng cách thu được từ camera tới đèn tín hiệu trong khung hình
Giá trị điểm ảnh nội suy song tuyến tính
Khoảng cách từ chân camera tới phương tiện
ix
Ảnh I có tọa độ (x, y)
1. Giao thông thông minh
a. Tính cấp thiết
Mục tiêu phát triển của quốc gia là sự đồng nhất về phát triển năng lực kinh
tế, cơ sở hạ tầng và mức sống của người dân. Trong đó, cơ sở hạ tầng giao thông
được xác định là điều kiện quan trọng trong việc phát triển kinh tế xã hội. Giao
thông thuận lợi giúp người dân tiết kiệm được thời gian di chuyển, an toàn và
nâng cao khả năng giao thương. Tuy nhiên, hạ tầng giao thông chưa thể đáp
ứng được số lượng lớn các phương tiện giao thông ngày càng tăng bởi nhu cầu
đi lại của người dân đặc biệt ở những nước đang phát triển như Việt Nam. Tùy
vào từng đặc trưng hạ tầng đường bộ của mỗi nơi mà việc tùy biến công tác
quản lý giao thông ở mỗi quốc gia khác nhau. Do đó, việc nghiên cứu một hệ
thống có chức năng quản lý phương tiện giao thông và giám sát đánh giá lưu
lượng phương tiện trong một vùng quan tâm là rất cần thiết. Nhằm đạt được
mục đích đó việc ứng dụng các công nghệ hiện đại để quản lý, điều khiển giúp
giao thông an toàn, thông suốt và thông minh hơn là vấn đề cấp bách của các
quốc gia, đặc biệt là các quốc gia đang phát triển.
Số liệu thống kê từ Cục đăng kiểm Việt Nam1 cho thấy, từ tháng 3 năm 2019 đến tháng 4 năm 2019 cả nước tăng từ 3.353.537 ô-tô lên thành 3.386.966 ô-tô
đang lưu hành. Phần ô-tô sản xuất mới trong hai tháng này lần lượt là: 59.562
ô-tô và 100.036 ô-tô. Còn đối với xe máy, chỉ riêng trong 2 tháng 3 năm 2019 và
tháng 4 năm 2019 số lượng xe máy sản xuất mới lần lượt là: 579.577 và 889.335
xe máy.
Quyết định số 206/2004QĐ-TTg được Thủ tướng Chính phủ phê duyệt ngày
10 tháng 12 năm 2004 đề ra chiến lược phát triển giao thông vận tải đến năm
2020 tầm nhìn tới năm 2030. Trong thời gian qua Đảng, Nhà nước và nhân đân
ta đã dành nhiều sự quan tâm cho đầu tư phát triển Giao thông Vận tải, trong
đó cơ sở hạ tầng giao thông đã có bước phát triển đáng kể chất lượng giao thông
1Số liệu thống kê lượng phương tiện giao thông của Cục đăng kiểm Việt Nam được công bố trên website http://www.vr.org.vn/thong-ke/Pages/tong-hop-so-lieu-phuong-tien-giao-thong-trong-ca-nuoc.aspx; truy cập lần cuối vào 19/07/2019.
1
ngày một nâng cao hơn. Ngành Giao thông Vận tải là xương sống của mỗi quốc
gia, bởi vậy để phát triển xứng tầm Thủ tướng Chính phủ đã cho phép điều
chỉnh Chiến lược phát triển Giao thông Vận tải và được ban hành tại Quyết
định 35/2009/QĐ-TTg ngày 03 tháng 03 năm 2009.
Các cơ quan chức năng từng thí điểm phân làn bằng giải phân cách cho
phương tiện tham gia giao thông là ô-tô và mô-tô. Tuy nhiên, giải pháp này
chưa được áp dụng triệt để nâng cao ý thức của người dân. Ngoài ra cầu vượt
giao thông đường bộ để tránh các phương tiện xung đột trực tiếp với nhau khi
đi vào nút giao thông cũng là một phương án đang được ưu tiên triển khai và
tỏ ra khá hiệu quả. Trong vài năm trở lại đây Hà Nội đã xây thêm các cầu vượt
tại các nút giao thông như: Trần Khát Chân - Đại Cồ Việt, Hoàng Minh Giám
- Trần Duy Hưng, Kim Mã - Nguyễn Chí Thanh và đường trên cao Vành đai 3.
Tuy nhiên, vào giờ cao điểm giao thông ở Hà Nội và TP. Hồ Chí minh luôn bị
ùn tắc gây lãng phí thời gian và kinh tế đối với sự phát triển quốc gia.
Dựa theo Chỉ thị 01 của UBND TP. Hà Nội về "Năm trật tự và văn minh
đô thị" 2015 do Phó Chủ tịch UBND TP. Hà Nội Nguyễn Quốc Hùng đã kí.
Mục tiêu quan trọng được TP. Hà Nội triển khai đó là đảm bảo trật tự an toàn
giao thông, trên cơ sở đó Thủ đô sẽ rà soát các điểm đen về tai nạn giao thông,
thường xuyên tắc nghẽn vào giờ cao điểm, các nút giao thông phân làn chưa phù
hợp cũng được xem xét nghiên cứu. Thành phố Hà Nội cũng đã lắp đặt thêm
các camera giám sát các nút giao thông quan trọng làm cơ sở tham chiếu cho
các hoạt động xử lý vi phạm và giám sát thống kê lượng phương tiện giao thông
di chuyển qua các nút này. Đây chính là tiền đề cho hướng giải quyết các vấn
đề trong giao thông hiện tại của luận án.
Dựa vào các yếu tố trên, luận án định hướng nghiên cứu ứng dụng công nghệ
xử lý ảnh trong bối cảnh giao thông hỗn hợp với mục tiêu quản lý phương tiện
và giám sát lưu lượng phương tiện giao thông qua hệ thống camera giám sát.
b. Hệ thống Giao thông Thông minh
Từ các dẫn chứng, các văn bản của chính phủ và số liệu ở trên bài toán quản
lý giao thông trở nên cấp bách hơn bao giờ hết. Sự bùng nổ về phương tiện giao
thông khiến lực lượng Cảnh sát Giao thông (CSGT) gặp khó khăn trong công
tác quản lý và giám sát các phương tiện khi lưu thông trên đường. Do đó, việc
phát triển ứng dụng các giải pháp khoa học công nghệ nói chung và nghiên cứu
luận án nói riêng là việc làm cần thiết để cải thiện chất lượng và giúp giao thông
luôn an toàn và thông suốt.
Ứng dụng khoa học công nghệ mới vào lĩnh vực quản lý giao thông đã được
áp dụng ở các quốc gia phát triển hệ thống này được gọi là: Hệ thống Giao
thông Thông minh (Intelligence Transportation Systems - ITS). Hệ thống ITS
tập hợp các mô-đun chức năng quản lý phương tiện, giám sát phương tiện và
điều tiết dòng phương tiện giao thông trên các tuyến đường cần quan tâm.
Hình 0.1 là một mô hình đại diện cho thời đại công nghiệp 4.0 về các công
nghệ trong ITS [1]. Mô hình này gồm nhiều chức năng và công nghệ tập trung
chủ yếu là công nghệ xử lý ảnh và truyền về trung tâm qua kênh LTE, wifi hoặc
bluetooth.
Hệ thống ITS được mô tả trong Hình 0.1 gồm có các chức năng chính sau
đây:
động không dừng.
Hiện nay, tại Việt Nam cơ sở hạ tầng phục vụ cho giao thông đang được
nghiên cứu phát triển ưu tiên. Chính phủ đã đầu tư rất nhiều để mở rộng và
hiện đại hóa giao thông thông đường bộ. Mặc dù vậy, nhu cầu di chuyển của
người dân bằng phương tiện cá nhân ở Việt Nam vẫn rất lớn, do đó sự ùn tắc là
điều khó tránh khỏi nhất là vào giờ cao điểm. Theo chuyên trang thống kê của
Cổng thông tin điện tử Bộ Giao thông Vận tải thống kê tăng trưởng phương
tiện tới ngày 31 tháng 12 năm 2016 dựa vào số lượng xe thì tổng số ô-tô lưu
hành của năm 2015 là: 2.101.401 chiếc (trong đó, xe con từ 9 chỗ trở xuống là:
1.033.131 chiếc, xe khách từ 9 chỗ trở lên là: 118.030 chiếc, xe tải là: 853.735
chiếc, xe chuyên dùng và xe khác là 96.505 chiếc) và số lượng ô-tô lưu hành của
năm 2016 là: 2.516.144 chiếc (trong đó, xe con từ 9 chỗ trở xuống là: 1.270.066
chiếc, xe khách từ 9 chỗ trở lên là: 136.727 chiếc, xe tải là: 1.004.499 chiếc, xe
chuyên dùng và xe khác là 104.852 chiếc) tương đương với lượng tăng trưởng
tổng số xe từ năm 2015 tới năm 2016 là: 19,73 % (trong đó tăng trưởng của
xe con là: 22,93%, xe khách 9 chỗ trở lên là: 15,84 %, xe tải là: 17,65 % và xe
chuyên dùng và xe khác là: 8,64 %). Với mức tăng trưởng lượng phương tiện
như vậy nhưng cơ sở hạ tầng phát triển không theo kịp do đó, việc ùn tắc vào
giờ cao điểm là điều khó tránh khỏi.
Tuy nhiên, việc ứng dụng khoa học công nghệ chưa được chú trọng đồng bộ
cùng với quy hoạch phát triển hệ thống giao thông ở Việt Nam nhằm vận hành
và điều khiển giao thông tự động, làm giảm áp lực đối với người giám sát trực
tiếp - Cảnh sát Giao thông. Ở nước ngoài các công nghệ còn chưa phù hợp với
cơ sở hạ tầng và đặc trưng giao thông của nước ta. Do đó, việc nhập khẩu công
nghệ không thể ứng dụng rộng rãi phù hợp với đặc trưng giao thông hỗn hợp.
Cần thiết có các công trình nghiên cứu ứng dụng ITS ở Việt Nam nói riêng và
các nước có đặc trưng giao thông hỗn hợp nói chung để phát triển nội lực và
làm chủ khoa học công nghệ, để có thể giảm thiểu tai nạn giao thông, nâng cao
ý thức cho người tham gia giao thông. Các chức năng giám sát tự động có thể
trích xuất được dữ liệu thống kê vi phạm giao thông để từ đó làm cơ sở xử lý vi
phạm giao thông, điều này sẽ nâng dần ý thức tham gia giao thông của người
dân.
Hệ thống ITS có thể giám sát và quản lý được nhiều khu vực một lúc. Tùy
hệ thống máy chủ và chức năng riêng biệt mà có thể điều hướng và quản lý
phân luồng được dòng phương tiện từ các nút giao thông gần nhau. Đây chính
là điểm mạnh của các hệ thống ITS, giám sát và quản lý cùng lúc nhiều nút
giao thông. Ngoài ra, hệ thống còn có thể hoạt động liên tục không ngừng nghỉ
để cải thiện ý thức của người tham gia giao thông. Các thiết bị hiện nay có
thể thống kê và lập biên bản xử phạt đối với những người vi phạm giao thông
như hệ thống dữ liệu trung tâm của Thủ đô hiện nay đang được đặt ở số 54
Trần Hưng Đạo, Quận Hoàn Kiếm, TP. Hà Nội chủ yếu sử dụng giải pháp của
CadPro. Điều kiện để có thể thực hiện các chức năng này là khả năng đồng bộ
dữ liệu đối với dữ liệu của người tham gia giao thông. Ngoài ra, việc lắp đặt hệ
thống camera giám và các cảm biến để tăng độ chính xác cũng là một rào cản
về kinh tế đối với ITS. Phương án đưa ra là có thể ưu tiên lắp đặt các hệ thống
phát hiện và phân loại phương tiện ở các nút giao thông có mật độ phương tiện
di chuyển lớn, thường xuyên xảy ra tai nạn. Cần có bảng hiệu tuyên truyền về
sự xuất hiện của các hệ thống tự động giám sát giao thông nhằm mục đích nâng
cao ý thức của người tham gia giao thông.
Hiện tại, các nghiên cứu ứng dụng ITS ở trên thế giới hầu như chưa thể áp
dụng hết ở Việt Nam. Chủ yếu do đặc trưng giao thông ở Việt Nam có tính chất
hỗn hợp, bao gồm nhiều loại phương tiện cùng lưu thông trên đường, hầu hết
nhiều đường không có giải phân cách cứng để phân loại phương tiện tham gia
giao thông. Vì vậy, bài toán giao thông ở Việt Nam hiện nay cần thiết phải xử
lý được cả dữ liệu xe máy và dữ liệu ô-tô di chuyển trên đường.
c. Tình hình nghiên cứu trong và ngoài nước
Các nghiên cứu trong nước
Hiện nay, ở Việt Nam trong lĩnh vực ITS nói riêng và khoa học công nghệ nói
chung đều cần ứng dụng khoa học và kĩ thuật mạnh hơn nữa nhằm mục đích
phát triển kinh tế xã hội. Bên cạnh các đề tài nghiên cứu còn có các công trình
nghiên cứu trong nước cũng đã tiếp cận với công nghệ xử lý ảnh để ứng dụng
vào giao thông như các nghiên cứu được kể đến như trong [2], nghiên cứu này
sử dụng mạng trí tuệ nhân tạo để nhận dạng các ký tự trên biển số xe phương
tiện. Nghiên cứu [3] này tập trung đếm phương tiện trên đường cao tốc và phát
hiện biển số phương tiện, sử dụng đặc trưng Haar-like để phát hiện và phân loại
phương tiện, vị trí camera được đặt ở lề đường. Tuy nhiên, trong nghiên cứu
này luận án đang ứng dụng ở đường cao tốc, trên đó các phương tiện thường
di chuyển ở khoảng cách an toàn. Nghiên cứu [4] đưa ra cách phân loại phương
tiện giao thông dựa trên đặc trưng của đường viền đối tượng phát hiện được từ
ảnh nhị phân bằng việc xác định véc-tơ đường viền. Phương pháp này phù hợp
cho góc nhìn của camera để xác định các đối tượng, tuy nhiên trong nghiên cứu
này không nói tới sai số của phương pháp trong quá trình thử nghiệm. Trong
nghiên cứu [5] nhóm nghiên cứu cũng đã đề xuất giải pháp đo tốc độ phương
tiện giao thông trên đường dựa vào một số điểm cơ bản đã được định vị sẵn trên
đường.
Đề tài KC.01.05/11-15 "Xây dựng giải pháp và thiết bị quản lý điều hành
giao thông thông minh sử dụng truyền thông tầm gần chuyên dụng" do PGS.
TS. Nguyễn Văn Đức chủ nhiệm, sản phẩm chính của đề tài có: Thiết bị thử
nghiệm RFID, đầu đọc thẻ định danh vô tuyến tầm xa, OBU, thiết bị bên đường
(RSE) giao tiếp vô tuyến tầm gần đặc dụng 5.8GHz. Và hệ thống mẫu áp dụng
quy trình công nghệ quản lý, phát hành mã khóa, bảo mật, xác thực OBU, RSE,
RFID cho các ứng dụng thanh toán điện tử, cho theo dõi phương tiện vận tải
và điều hành giao thông.
Và đề tài KC.01.14/11-15, "Xây dựng cấu trúc hệ thống giao thông thông
minh và các quy chuẩn công nghệ thông tin, truyền thông, điều khiển áp dụng
trong hệ thống giao thông thông minh tại Việt Nam" do TS. Tạ Tuấn Anh chủ
nhiệm, mục tiêu chính của đề tài là: Xây dựng được cấu trúc cơ bản của hệ
thống giao thông thông minh dự kiến áp dụng tại Việt Nam. Định nghĩa các
thành phần và chuẩn giao tiếp trong hệ thống giao thông thông minh. Tiêu
chuẩn hóa về dữ liệu, thông tin trao đổi, tín hiệu điều khiển, công nghệ truyền
dẫn và một số công nghệ lõi sử dụng trong các hệ thống giao thông thông minh.
Nghiên cứu tiêu chuẩn kỹ thuật, tính khả thi ứng dụng công nghệ RFID dùng
làm định danh phương tiện (Automation Vehicle Identification - AVI) trong các
hệ thống giao thông thông minh.
Bên cạnh đó, những nghiên cứu của JICA (Nhật Bản) về lĩnh vực ITS có
những đóng góp quan trọng trong quá trình nghiên cứu, ứng dụng ITS tại Việt
Nam. Các nghiên cứu của JICA tập trung vào tình hình thực tế và nhu cầu ứng
dụng ITS của Việt Nam, qua 3 giai đoạn nghiên cứu: Điều tra nhu cầu, đề xuất
lộ trình triển khai và quy hoạch tổng thể; Hỗ trợ triển khai ITS và nghiên cứu
tích hợp ITS trong các tuyến quốc lộ khu vực phía Bắc Việt Nam. Trong đó bao
gồm các hỗ trợ về xây dựng các tiêu chuẩn, quy chuẩn trong lĩnh vực ITS.
Việt Nam đã và đang thực hiện nhiều dự án ứng dụng ITS trên hệ thống
đường cao tốc. Tiêu biểu là hệ thống giám sát bằng camera trên nhiều tuyến
đường tiêu biểu là: Cầu Giẽ - Ninh Bình, Tp. Hồ Chí Minh - Trung Lương; sắp
tới sẽ triển khai dự án ứng dụng ITS trên Quốc lộ 3 mới (Hà Nội -Thái Nguyên),
hệ thống đường cao tốc vành đai Hà Nội; chủ yếu là hệ thống camera giám sát
và thu phí không dừng. Đây là những dự án đầu tiên về ITS trên hệ thống đường
cao tốc, có vai trò quan trọng trong quá trình xây dựng ITS sau này. Theo dự
kiến, tất cả các tuyến cao tốc khi xây dựng đều phải trang bị hệ thống ITS.
Hệ thống quản lý giao thông bằng camera tuyến cao tốc Cầu Giẽ - Ninh Bình
đã được đưa vào sử dụng vào đầu tháng 10/2013, trung tâm quản lý, điều hành
tuyến đặt tại Vực Vòng, Duy Tiên, Hà Nam. Hệ thống này bao gồm: hệ thống
trung tâm điều khiển giao thông, hệ thống thu phí (bao gồm cả thu phí điện tử)
hoạt động theo cơ chế thu phí kín với 39 làn xe, hệ thống giám sát điều khiển
giao thông với 56 camera kỹ thuật số có độ phân giải cao, hệ thống kiểm soát
tải trọng xe sử dụng thiết bị cân động. Việc khai thác, sử dụng các hệ thống
này đã đạt được một số hiệu quả nhất định.
Việc ứng dụng ITS tại dự án đường cao tốc Tp Hồ Chí Minh - Trung Lương
cũng đang được triển khai thực hiện, tập trung xây dựng hệ thống quản lý ITS
cho toàn tuyến làm cơ sở xây dựng trung tâm ITS khu vực miền Nam Việt Nam,
kết nối với hệ thống điều hành ITS quốc gia. Dự án này triển khai các hệ thống
quản lý, điều hành, giám sát giao thông và thu phí điện tử nhằm tăng cường
an toàn và hiệu quả khai thác. Tuyến đường TP Hồ Chí Minh - Long Thành -
Dầu Giây cũng đang được triển khai lắp đặt thiết bị do nhà thầu ITOCHU -
TOSHIBA thực hiện.
Hệ thống các trung tâm điều hành giao thông đường cao tốc đang chuẩn bị
xây dựng tại ba khu vực Bắc - Trung - Nam, dự kiến đặt tại Bắc Ninh, Đà Nẵng
và Tp. Hồ Chí Minh. Đây là 3 trung tâm có chức năng điều phối, giám sát, điều
hành giao thông trên các tuyến cao tốc trong phạm vi quản lý. Dự án được thực
hiện với sự hỗ trợ của JICA (Nhật Bản).
Hiện nay, tại các đô thị lớn của Việt Nam (Hà Nội, Đà Nẵng, Tp Hồ Chí
Minh), đã và đang triển khai xây dựng hệ thống giám sát, điều hành giao thông.
Các dự án này sử dụng hệ thống camera giám sát, trung tâm điều khiển giao
thông, hệ thống radio để thu thập thông tin, điều hành giao thông và cung cấp
thông tin cho người sử dụng.
Tại Hà Nội, Trung tâm Điều khiển giao thông đã chính thức đưa vào hoạt
động từ năm 2000 với hệ thống thiết bị của hãng SAGEM điều khiển đèn tín
hiệu giao thông do Chính phủ Pháp tài trợ. Có thể nói đây là ứng dụng đầu tiên
của công nghệ ITS trong khu vực đô thị ở Việt Nam. Đến nay, trung tâm này
đã được nâng cấp nhiều lần và vẫn đang hoạt động hiệu quả, góp phần giám
sát, điều hành giao thông toàn thành phố.
Đề án thí điểm xây dựng mô hình quản lý Đại lộ Thăng Long với sự hình
thành của Trung tâm Quản lý đường cao tốc Hà Nội. Trung tâm này sẽ quản lý
an toàn giao thông, tiếp cận xử lý tai nạn giao thông và các biện pháp phòng
ngừa; quản lý hệ thống thông tin; thực hiện công tác bảo hành, sửa chữa. Trung
tâm sẽ ứng dụng các công nghệ thông tin hiện đại trong quản lý như đếm, phân
loại phương tiện giao thông tự động; hệ thống camera giám sát; hệ thống bảng
thông báo điện tử; kiểm soát xe quá tải, quá khổ.
Dự án REMON được triển khai tại Hà Nội với mục tiêu theo dõi và xác định
trực tuyến lưu lượng giao thông đồng thời tạo ra nguồn dữ liệu giao thông cho
cả giai đoạn ngắn hạn và dài hạn. Dự án này sử dụng các phương tiện giao thông
được giám sát (tốc độ và hướng chuyển động), định vị qua hệ thống GPS để thu
thập các số liệu và phản ánh tình trạng dòng giao thông, phát hiện các vị trí ùn
tắc qua đó cung cấp thông tin cho người sử dụng. Các thông tin thu thập phục
vụ công tác quản lý, điều hành giao thông, đánh giá quy hoạch và các giải pháp
tổ chức, điều khiển giao thông, xây dựng quy hoạch, chiến lược phát triển dài
hạn để giải quyết các vấn đề giao thông.
Tại Đà Nẵng, Sở GTVT Đà Nẵng phối hợp với IBM xây dựng chương trình
ITS cho toàn thành phố. Trung tâm Điều hành đèn tín hiệu giao thông và vận
tải công cộng TP. Đà Nẵng tiến hành lắp đặt hệ thống camera giám sát giao
thông, hỗ trợ giám sát, điều hành và giúp lực lượng công an giám sát các vi
phạm và tiến tới thực hiện “xử phạt nguội”. Dự án xây dựng và nâng cấp hệ
thống tín hiệu và điều khiển giao thông TP. Đà Nẵng, thực hiện từ năm 2004
đến năm 2012 từ nguồn vốn ODA của Tây Ban Nha, tiến hành điều khiển phối
hợp các nút giao thông trên một số tuyến đường theo hình thức “Làn sóng xanh”.
Tại Tp.Hồ Chí Minh, trung tâm điều khiển giao thông cũng đã được xây
dựng. Hệ thống camera giám sát giao thông được lắp đặt. Thành phố đang thực
hiện chương trình “Ứng dụng Khoa học công nghệ giảm ùn tắc giao thông giai
đoạn 2013 - 2015 tầm nhìn đến 2020” nhằm “Nghiên cứu thử nghiệm và đưa vào
ứng dụng các giải pháp công nghệ cho ITS nhằm nâng cao hiệu quả khai thác
và phát triển hệ thông cơ sở hạ tầng giao thông hiện hữu trên địa bàn thành
phố, góp phần giải quyết tình trạng ùn tắc giao thông”.
Trong lĩnh vực giao thông công cộng, việc ứng dụng ITS cũng bắt đầu được
nghiên cứu và triển khai thực hiện thông qua hệ thống biển báo điện tử cung
cấp thông tin về khoảng cách xe đến trạm dừng cho hành khách (được lắp đặt
tại các trạm xe buýt). Sắp tới, tại Hà Nội và Tp. Hồ Chí Minh, một số tuyến
đường sắt đô thị sẽ được đưa vào khai thác và dự kiến sẽ sử dụng hệ thống thẻ
thanh toán thông minh theo tiêu chuẩn công nghệ của Nhật Bản để phục vụ
công tác mua vé. Ngoài ra, Nhật Bản cũng đang giúp hai thành phố này thực
hiện dự án “Cải tạo giao thông công cộng” thí điểm sử dụng thẻ thông minh cho
xe buýt.
Việc sử dụng hệ thống radio VOV giao thông trong việc thu thập, cung cấp
thông tin, điều tiết giao thông đã mang lại nhiều hiệu quả tích cực tại Thủ đô
Hà Nội, Hầm đường bộ Hải Vân. Đây là một phương thức đơn giản nhưng hiệu
quả, góp phần hạn chế ùn tắc giao thông trong đô thị và các khu vực trọng điểm
như được trình bày trong [6].
Trong hệ thống giao thông hiện tại ở Việt Nam, các hệ thống tự động hóa
chưa có nhiều, mới chỉ dừng ở các giải pháp: gửi xe lấy thẻ từ thay cho ghi vé,
giám sát phương tiện trên cao tốc Pháp Vân - Cầu Giẽ và trên các nút giao
thông quan trọng nhằm mục đích xử phạt hành chính có trích xuất dữ liệu hình
ảnh vi phạm, các chức năng thống kê lưu lượng, đo tốc độ phương tiện vẫn còn
phải nhập khẩu và chưa phù hợp với thực tiễn giao thông ở Việt Nam. Hệ thống
thu phí không dừng thì đang được triển khai theo sự chỉ đạo của Quyết định của
Thủ tướng Chính phủ. Ngoài ra, ứng dụng phạt nguội (Camera Based Penalty
Detection) được cung cấp bởi CadPro vẫn cần nhân lực để giám sát thao tác và
quản lý bằng tay theo dạng trích xuất thủ công. Một hệ thống giao thông thông
minh hoàn chỉnh có các chức năng chủ yếu đảm bảo an toàn giao thông như
giám sát phương tiện, cảnh báo đối với các phương tiện có dấu hiệu di chuyển
không an toàn, thông báo tới các phương tiện về các luồng có khả năng bị tắc
nghẽn và đưa ra cảnh báo trong điều kiện thời tiết đặc biệt nguy hiểm.
Các đề án, dự án đã được nghiên cứu về GTVT tiêu biểu như: Nghiên cứu
toàn diện về phát triển bền vững hệ thống GTVT Việt Nam (Vitranss 2)
Chiến lược quốc gia về ứng phó với biến đổi khí hậu đã được Thủ tướng Chính
phủ phê duyệt tại Quyết định số 2139/QĐ-TTg ngày 05 tháng 12 năm 2011.
- Quy hoạch phát triển GTVT Thủ đô Hà Nội đến năm 2020, tầm nhìn đến
năm 2030;
- Điều chỉnh quy hoạch phát triển GTVT thành phố Hồ Chí Minh đến năm
2020, tầm nhìn sau năm 2020;
- Các dự án điều chỉnh chiến lược, quy hoạch phát triển GTVT các chuyên
ngành.
Các nghiên cứu hiện nay, chưa đánh giá được đúng tiềm năng giao thông ở
nước ta. Giao thông cần thiết phải được ưu tiên hỗ trợ trong sự nghiệp phát
triển kinh tế xã hội. Các đề án còn nói chung chung chưa có chiến lược cụ thể
trong sự phát triển và ứng dụng khoa học công nghệ vào giao thông. Cụ thể
như: cần chuẩn hóa bản đồ thông tin địa lý giúp cho việc xây dựng các chức
năng phù hợp và chính xác tại vị trí cần thực thi, phát triển hệ thống thông tin
trợ giúp người đang di chuyển trên đường, hệ thống giao dịch điện tử như: thu
phí tự động qua tài khoản ngân hàng, phát triển hệ thống giám sát lưu lượng và
quản lý phương tiện giao thông bằng công nghệ xử lý ảnh. Trên đây là các điểm
chính của hệ thống giao thông thông minh cần có, việc ứng dụng rộng rãi hệ
thống có các chức năng này sẽ giúp tiết kiệm thời gian của người tham gia giao
thông, tiết kiệm nhân lực quản lý và giám sát trực tiếp, tiết kiệm được nhiều
cho ngân sách của quốc gia và không bị thất thoát khi không thể xử lý hết các
vi phạm như hiện nay.
Nhìn chung các nghiên cứu ứng dụng Giao thông Thông minh ở nước ta còn
ít chưa tương xứng với cơ sở hạ tầng và mật độ giao thông đông đúc ở nước ta.
Các nghiên cứu chưa chỉ ra được các phương hướng cụ thể trong thực tiễn, các
công nghệ sử dụng còn hạn chế, chưa khai thác được hết các điểm mạnh của
từng giải pháp công nghệ sử dụng.
Các nghiên cứu, các bài báo trong nước về giao thông thông minh, tuy nhiên
chưa giải quyết các hướng mà nội dung Luận án đề ra.
Các đề tài nghiên cứu còn chưa đưa lại các ứng dụng thực tiễn phù hợp với
cơ sở hạ tầng và phát triển giao thông ở nước ta. Chính vì lẽ đó, luận án đề
xuất các hướng giải quyết các vấn đề đang còn tồn tại phù hợp với định hướng
pháp triển khoa học công nghệ của nước ta.
Các nghiên cứu ngoài nước
Các hệ thống giao thông ở nước ngoài nhờ vào sự ổn định, khả năng đồng
bộ mà có các giải pháp quản lý thích hợp. Từ các nhu cầu thực tiễn có các hệ
thống cơ bản sau:
Ở nước ngoài, các công nghệ chính được sử dụng trong các hệ thống quản lý
giao thông chủ yếu là: Các loại cảm biến không dây trong truyền thông, chủ yếu
là RFID; công nghệ phát hiện Inductive loop; công nghệ phát hiện bằng camera
giám sát; công nghệ phát hiện bluetooth. Cụ thể là các nghiên cứu: ứng dụng
tín hiệu sóng điện thoại di động (Mobile Cellular) để ứng dụng trong việc giám
sát và quản lý giao thông như trong [7], phát hiện tai nạn giao thông trong [8],
các giải pháp nghiên cứu chỗ đỗ xe trong đô thị thông minh [9]
Theo các báo cáo phân tích và thống kê của Bộ Giao thông Vận tải ở Mỹ
tính tới hết thời điểm năm 2015 thì tập trung lại như sau: Các nghiên cứu về
xe tự hành, nghiên cứu phát triển đồng bộ cơ sở hạ tầng với phương tiện giao
thông để có thể trao đổi dữ liệu, nghiên cứu.
ITS đã được phát triển rất mạnh ở các nước đang phát triển như: Nhật Bản,
Mỹ, Anh, và một số nước phát triển khác. Tại Nhật Bản ITS đã được ứng dụng
từ thuở sơ khai khi còn chưa sử dụng camera làm các dữ liệu đầu vào chính
mà dùng các cảm biến phát hiện sự tồn tại của các phương tiện giao thông di
chuyển qua một điểm nào đó.
Các hệ thống giám sát giao thông ở nước ngoài đã đồng bộ xử lý được các
nội dung chính sau đây:
đường quy chuẩn, các phương tiện di chuyển hầu hết là ô-tô, các phương
tiện di chuyển nối tiếp nhau trong một làn.
thống kê lượng phương tiện đi chuyển trên đường nhằm mục đích giám sát
lưu lượng giao thông để đánh giá sự cần thiết cải thiện cơ sở hạ tầng trên
các tuyến giao thông chính.
thống kê lưu lượng phương tiện, định vị phương tiện, điều khiển đèn tín
hiệu giao thông theo lưu lượng phương tiện, phân luồng phương tiện giao
thông); nhận biết tai nạn giao thông (nhận biết và dự đoán tai nạn giao
thông trên đường).
thông có khả năng cùng nhận được các bản tin nhắc nhở về tình hình giao
thông trên tuyến để có những sự chuẩn bị cho các kịch bản xảy ra và có khả
năng cung cấp các sự hỗ trợ cần thiết cho người điều khiển phương tiện.
các vùng trống để đưa ra thông tin trên biển báo hoặc qua điện thoại tới
người lái chỗ đỗ xe nào gần nhất.
Tuy nhiên, do dòng phương tiện giao thông ở các nước đang phát triển khác
hẳn với đặc trưng dòng phương tiện ở Việt Nam mà hầu hết các giải pháp và
công nghệ được sử dụng ở nước ngoài phải thay đổi và tùy biến để phù hợp với
đặc trưng giao thông ở Việt Nam nơi mà hầu hết các tuyến đường có các loại
phương tiện di chung với nhau. Bởi lẽ đó, việc nghiên cứu các công nghệ và giải
pháp có thể ứng dụng để quản lý giao thông ở Việt Nam là một việc làm có tính
cấp bách.
2. Các vấn đề còn tồn tại
Các nghiên cứu chủ yếu được đề xuất bởi các quốc gia phát triển, các hướng
nghiên cứu chủ yếu tập trung vào hạ tầng giao thông đồng bộ, các phương tiện
giao thông đi theo hàng được phân chia cho từng loại phương tiện và mục đích
di chuyển. Chính bởi vậy, cần thiết tập trung nghiên cứu ứng dụng công nghệ
phù hợp để quản lý được phương tiện giao thông rồi có các đánh giá về lưu lượng
phương tiện đang di chuyển.
Tại Việt Nam, trong đô thị các phương tiện di chuyển với ít làn và gồm nhiều
chủng loại phương tiện cùng tham gia giao thông. Các phương tiện chủ yếu gồm
có: ô-tô, xe máy ngoài ra còn có xe đạp, xe lam và xe ba bánh. Các phương tiện
này cùng di chuyển trên một làn đường và cùng đi với các phương tiện khác mà
không có dải phân cách cứng. Từ những đặc tính trên việc nghiên cứu quản lý
hệ thống giao thông ở Việt Nam cần được chú trọng vào các giải pháp phù hợp.
Từ các nghiên cứu đã có tại Việt Nam và nước ngoài, các vấn đề còn tồn tại
đối với hệ thống giao thông thông minh ở Việt Nam được thống kê như sau:
đô thị đặc biệt khi đường đông vào giờ cao điểm.
lưu lượng, mật độ phương tiện).
dụng cảm biến để đo khoảng cách chỗ đỗ xe trong hầm thông báo bằng đèn
LED để thông báo tình trạng chỗ đỗ xe và công nghệ camera giám sát hiện
trạng nút giao thông thì tại Việt Nam chưa ứng dụng các công nghệ khác
để quản lý giao thông.
tế phương tiện trên đường.
Các camera giám sát giao thông được gắn tại các nút giao thông ở Việt Nam
nhằm mục đích chính là theo dõi và lưu trữ hiện trạng chưa khai thác được các
đặc tính để quản lý giao thông một cách tự động. Một số giải pháp ứng dụng
cho việc quản lý thay thể cánh sát giao thông hiện nay là phát hiện người vi
phạm giao thông vượt đèn đỏ phát hiện biển số xe và đưa ra quyết định xử phạt;
đo tốc độ phương tiện trên đường cao tốc. Chưa có các giải pháp phức tạp như:
phát hiện, thống kê lượng phương tiện; điều khiển đèn tín hiệu giao thông; phát
hiện người không đi đúng vạch chỉ đường.
3. Mục tiêu, đối tượng và phạm vi nghiên cứu
a. Mục tiêu Đặc trưng giao thông ở Việt Nam là dòng giao thông hỗn hợp
bao gồm nhiều loại phương tiện cùng tham gia trên một tuyến đường gồm nhiều
làn đường chủ yếu gồm xe ô-tô và xe máy đi cùng với nhau. Điều này gây ra các
khó khăn khi nhà chức trách muốn giám sát và điều khiển giao thông. Do đó,
luận án đặt ra nhiệm vụ là hiện thực hóa các phương pháp giám sát lưu lượng
và quản lý phương tiện giao thông nhằm đề xuất một hệ thống ITS phù hợp với
hệ thống giao thông đô thị tại Việt Nam. Xuất phát từ thực tiễn, các nhiệm vụ
của luận án được đặt ra là:
thông thấp truyền dẫn trung bình là: 1.080 × 720 điểm ảnh. Luận án phải
nghiên cứu đề xuất phương pháp cải thiện chất lượng ảnh trước khi xử lý,
phát hiện đối tượng và thực hiện các chức năng khác.
các chức năng chủ yếu trong quản lý phương tiện tham gia giao thông là:
phát hiện phương tiện, phân loại phương tiện, đo tốc độ phương tiện.
lưu lượng phương tiện tham gia giao thông, đặc biệt là giám sát tại các nút
giao thông nhằm mục đích hiệu chỉnh thích nghi thời gian hoạt động của
đèn tín hiệu giao thông phù hợp với lưu lượng thực tế.
b. Đối tượng
Đối tượng xuyên suốt của luận án là dữ liệu ảnh thu nhận từ các camera giao
thông gắn tại các nút giao trên đường giao thông hỗn hợp, nơi có đặc trưng là
nhiều chủng loại phương tiện di chuyển chung trên cùng một làn đường.
c. Phạm vi nghiên cứu
Phạm vi nghiên cứu các nội dung của luận án tập trung vào hệ thống giao
thông đô thị, là nơi đặc trưng với dòng giao thông hỗn hợp. Các tuyến đường
trong đô thị Việt Nam hầu hết được xây dựng từ lâu, do đó cơ sở hạ tầng đã
cũ có thể không đáp ứng được lượng phương tiện di chuyển qua. Bởi vậy, giao
thông đô thị đặc biệt là Hà Nội và TP. Hồ Chí Minh là đối tượng nghiên cứu
của luận án.
Bài toán quản lý giao thông được chia nhỏ ra tới từng đoạn đường và từng nút
giao thông. Các nút giao thông luôn là vị trí chuyển giao lộ trình được CSGT
giám sát nhằm đảm bảo an toàn cho người tham gia giao thông. Trong nội dung
nghiên cứu, luận án cũng tập trung vào đoạn đường chuẩn bị đi vào nút giao
thông của các luồng và tại chính nút giao thông đó, để giám sát các vùng đệm
và vùng giao thoa của các luồng với nhau để có thể đề xuất các mô hình hay
thuật toán phù hợp cho giám sát và quản lý phương tiện.
Ngoài ra, các đoạn đường hay xảy ra tai nạn hay các đoạn đường mà hay
có tình trạng vi phạm luật giao thông tái diễn thì cần được giám sát để nhắc
nhở và xử phạt. Các vùng này đã được và chưa được lắp camera nên có thể tận
dụng dữ liệu từ các camera này để nghiên cứu và đề xuất các giải thuật quản
lý phương tiện giao thông.
4. Ý nghĩa khoa học và những đóng góp của luận án
a. Ý nghĩa khoa học
Luận án nghiên cứu các giải pháp gắn với thực tiễn trong bài toán giám sát
và quản lý giao thông ở nước ta phù hợp xu hướng phát triển của giao thông đô
thị. Trong công cuộc hiện đại hóa khoa học công nghệ hiện nay, ứng dụng các
kĩ thuật mới nhằm giảm áp lực quản lý và điều tiết giao thông của lực lượng
chức năng là điều vô cùng cần thiết. Mục tiêu Luận án là đưa ra các phương
pháp xác định lưu lượng và các phương pháp giám sát phương tiện giao thông
dựa trên tính ưu việt công nghệ xử lý ảnh.
Đây cũng là tiền đề ứng dụng các kết quả nghiên cứu khoa học và đưa vào
giải quyết các bài toán ứng dụng giao thông ở Việt Nam, nhằm mục đích hiện
đại hóa cơ sở hạ tầng giao thông, nâng cao khả năng quản lý phương tiện trên
mỗi tuyến đường. Điều này giúp các phương tiện nâng cao tốc độ di chuyển trên
đường, nhằm hướng tới một nền giao thông xuyên suốt và an toàn, giúp phát
triển kinh tế xã hội trong nước.
Các nội dung được nghiên cứu là cơ sở cho các đề xuất giám sát và quản lý
lưu lượng phương tiện giao thông ứng dụng công nghệ xử lý ảnh. Nhằm mục
đích điều khiển và nâng cao chất lượng cơ sở hạ tầng giao thông phù hợp với sự
thay đổi của luồng phương tiện.
Luận án góp phần nghiên cứu và đưa ra các đề xuất hợp lý với hiện trạng
giao thông ở Việt Nam. Với đặc thù giao thông ở Việt Nam là dòng giao thông
có phương tiện hỗn hợp bao gồm cả ô-tô và xe máy cùng các phương tiện thô sơ,
do bài toán quản lý và giám sát các phương tiện giao thông ở Việt Nam hoàn
toàn khác với các nước phát triển trên thế giới.
b. Những đóng góp của luận án
Luận án đề xuất một giải pháp trong hệ thống ITS ứng dụng nền tảng là
công nghệ xử lý ảnh, do đó việc truyền dữ liệu ảnh về trung tâm đề xử lý cần
thiết được cải thiện chất lượng nhằm nâng cao khả năng phát hiện phương tiện
và các sự kiện đang diễn ra trong vùng quan tâm. Trên cơ sở giải thuật Bicubic
[10], luận án tập trung khai thác giải thuật tạo lại độ tương phản cho đường
biên để phân biệt các đối tượng trong hình. Bên cạnh đó, luận án tập trung vào
việc mô hình hóa phương pháp đo tốc độ phương tiện dựa hoàn toàn vào độ
phân giải ảnh và các thông số của camera giám sát. Góc thu của camera ký hiệu
là β được chia theo từng điểm ảnh, nên mỗi điểm ảnh sẽ đại diện cho một vùng
ảnh với kích thước thực tế tương ứng. Độ dịch chuyển của phương tiện qua các
khoảng thời gian sẽ tính toán ra được vận tốc của phương tiện.
Luận án đề xuất giải pháp tính toán mật độ phương tiện các luồng giao thông đổ vào một nút giao thông qua việc xác định diện tích vùng đích δαn bị chiếm dụng, từ đó hiệu chỉnh thời gian hoạt động của đèn tín hiệu giao thông phù hợp
với mật độ phương tiện. Thời gian phương tiện di chuyển qua nút giao thông
đại diện cho đèn vàng, các chỗ trống và khả năng chứa của vùng đích sẽ đại diện
cho khả năng đèn xanh và thời gian đèn đỏ hoạt động là thời gian đèn xanh của
đi luồng ngang. Phương pháp này đề xuất dựa hoàn toàn vào mật độ phương
tiện giao thông theo điểm ảnh bị chiếm dụng, phương pháp này phù hợp với các
tuyến đường đông hay giờ cao điểm.
5. Cấu trúc của luận án
Luận án được trình bày trong 3 chương chính:
Nội dung Chương 1 trình bày tổng quan về TỔNG QUAN CÁC VẤN ĐỀ
CỦA XỬ LÝ ẢNH TRONG GIAO THÔNG HỖN HỢP, trong chương này sẽ
tập trung giới thiệu về các chức năng cơ bản của một hệ thống giao thông thông
minh ứng dụng công nghệ xử lý ảnh. Bên cạnh đó sẽ phân tích các phương pháp
đang được sử dụng trên thế giới trong ITS, hầu hết các nghiên cứu này được
tập trung khai thác dựa trên cơ sở hạ tầng của nước ngoài. Do đó, việc phân
tích các nội dung đó sẽ làm tiền đề để phát triển các giải pháp cho giao thông
hỗn hợp ở Việt Nam.
Chương 2 QUẢN LÝ PHƯƠNG TIỆN GIAO THÔNG trình bày về các chức
năng cơ bản trong quản lý phương tiện gồm: các bước tiền xử lý ảnh để cải thiện
phát hiện đối tượng, luận án đã đề xuất tiền xử lý dữ liệu trước khi đưa vào để
phát hiện và phân loại đối tượng trên đường. Việc cải thiện chất lượng ảnh đầu
vào chủ yếu được thực hiện trên cơ sở phương pháp nội suy Bicubic [10] và dựa
theo ảnh biên phân tách các đối tượng trong hình. Các đối tượng trong hình
được tính toán lại giá trị các điểm ảnh nội suy dựa vào bản đồ điểm ảnh gốc
tham chiếu. Ngoài ra, luận án còn đề xuất phương pháp phân loại phương tiện
ngay khi xác định được đường bao quanh đối tượng dựa hoàn toàn theo góc tới
của phương tiện và vị trí đặt camera giám sát. Cuối cùng, trong chương này sẽ
đề xuất mô hình phương pháp đo tốc độ phương tiện giao thông.
Tiếp theo, Chương 3 LƯU LƯỢNG PHƯƠNG TIỆN GIAO THÔNG sẽ trình
bày về vai trò của hệ thống giám sát lưu lượng phương tiện giao thông. Trong đó,
các phương pháp phân tích lưu lượng và mật độ dựa theo lưu lượng phương tiện
sẽ được trình bày ở đây. Sau đó, đề xuất giải pháp giám sát và điều khiển dòng
phương tiện giao thông theo mật độ phương tiện tại một nút giao thông có đèn
tín hiệu hoạt động và cuối cùng là đề xuất giám sát và điều khiển dòng phương
tiện giao thông theo đầu vào là số lượng phương tiện và chủng loại phương tiện.
Trong phần cuối, luận án đã đánh giá và phân tích kết quả đồng thời đưa
ra các định hướng nghiên cứu và phát triển các phương pháp đã đề xuất trong
luận án nhắm đưa vào ứng dụng trong thực tế.
Hệ thống Giao thông thông minh - ITS (Intelligent Transportation System)
là một bước tiến lớn về khoa học và công nghệ trong ứng dụng, giám sát và
điều khiển giao thông một cách tự động. Hệ thống ITS giúp người sử dụng có
thể theo dõi và lựa chọn chính xác các phương tiện giao thông công cộng, các
phương tiện giao thông trao đổi dữ liệu với nhau nhằm tạo ra một hệ thống vận
chuyển an toàn. ITS còn là cơ sở để quản lý và điều khiển các phương tiện đang
tham gia giao thông.
Nội dung chương này chủ yếu tập trung vào ưu điểm và nhược điểm của công
nghệ xử lý ảnh so với các công nghệ khác để phát hiện phương tiện trong giao
thông hỗn hợp. Tiếp theo sẽ phân tích các thuật toán của các chức năng quan
trọng như: phát hiện phương tiện, nhận dạng biển số phương tiện, phân loại
phương tiện, đo tốc độ phương tiện, giám sát lưu lượng phương tiện trong ITS.
Cuối chương sẽ tổng hợp các vấn đề còn tồn tại của xử lý ảnh trong giao thông
hỗn hợp nhằm mục đích định hướng các nghiên cứu xuyên suốt luận án.
Hệ thống giao thông thông minh (Intelligent Transportation System - ITS)
là hệ thống được xây dựng dựa trên nhiều nền tảng công nghệ giúp tự động
hóa các hoạt động giám sát và điều khiển giao thông trên đường với mục đích
giúp cho các phương tiện di chuyển an toàn và thông suốt. Hệ thống giao thông
thông minh truyền tải thông tin từ người điều hành tới người điều khiển phương
tiện về các thông tin cần thiết như: các sự cố trên đường, mật độ phương tiện
có khả năng gây ùn tắc hay không, các thông tin về thời tiết, cảnh báo tai nạn,
cảnh báo khi đi sai luật giao thông, và các tin tức cần thiết khác giúp người
điều khiển giao thông an toàn và nhanh chóng. Các hệ thống ITS chủ yếu được
18
xây dựng theo các mô-đun và được ứng dụng lần lượt vào từng cung đường và
các vị trí cần theo dõi phương tiện như trạm thu phí, trạm bơm nhiên liệu hoặc
các phương tiện đi qua các vùng nhạy cảm. Trong nội dung tiếp theo sẽ trình
bày về các chức năng cần thiết của một hệ thống ITS.
Hình 1.1 đại diện mô tả kiến trúc của hệ thống ITS của Huawei, trong minh
hoạ này hệ thống ITS được mô tả khá chi tiết về các công nghệ nhận diện
phương tiện, kênh truyền, hệ thống cơ sở dữ liệu và cuối cùng là hệ thống điều
khiển.
Các hệ thống Giao thông thông minh gồm nhiều mô-đun chức năng kết hợp
lại, do đó các hệ thống này tập trung lại ở các chức năng chính như sau:
Các giải pháp thông tin di động truyền tải thông tin tới người sử dụng: lịch
trình tàu điện ngầm, lịch trình xe buýt, thông báo các sự cố trên đường, giải
pháp GIS tra cứu hành trình, tìm đường đi ngắn nhất tới một địa điểm cụ thể,
tìm đường tránh các tuyến đường đang bị phong toả. [11, 12, 13] Phương pháp
này hiện nay tỏ ra khá hữu hiệu, dữ liệu của GSM Association trong báo cáo
năm 2015 dự đoán tới năm 2017 có hơn 1,2 tỉ thiết bị mới kết nối trong đó gồm
các thiết bị kết nối từ người sử dụng với phương tiện giao thông, các kết nối dữ
liệu cho xe, ...
Các giải pháp thông tin quảng bá trên các kênh radio như VOV Giao thông
của Việt Nam và các giải pháp quảng bá bằng bản tin LED hoặc biển báo giao
thông tích cực có khả năng thay đổi dựa vào lưu lượng phương tiện tham gia
giao thông.
Các công nghệ thu nhận xâm lấn tiêu biểu chủ yếu gồm: Cảm ứng điện từ
[14], Từ trường [15], Từ tính [15], Áp kế [16]. Các công nghệ này chủ yếu dựa
vào từ trường trái đất để phát hiện ra các phương tiện giao thông.
Các công nghệ thu nhận không xâm lấn thường được sử dụng chủ yếu gồm:
Hồng ngoại chủ động [17], Hồng ngoại bị động [14], RADAR [14], Siêu âm [18],
Âm thanh [19] và Xử lý ảnh. Hiện tại, trong các công nghệ này thì công nghệ
xử lý ảnh vẫn còn đang được hoàn thiện các công nghệ khác đã đạt tới giới hạn
và độ chính xác theo kịch bản ứng dụng.
Các giải pháp điều khiển luồng giao thông: tách luồng giao thông, chuyển
luồng, điều khiển làn đường được phép và không được phép di chuyển tránh tai
nạn.
Các giải pháp điều khiển thời gian hoạt động của đèn tín hiệu giao thông
thích nghi với lượng phương tiện giao thông di chuyển.
Các giải pháp điều khiển phương tiện phụ thuộc điều kiện thời tiết qua các
kênh quảng bá: tuyết rơi tốc độ tối đa phải giảm xuống, mưa to yêu cầu các
phương tiện bật đèn chiếu gần.
Ứng dụng công nghệ thông tin, GIS và đường truyền để yêu cầu các phương
tiện chở hàng, chở người lựa chọn điểm đón và điểm trả.
Ngoài ra còn có các hệ thống thông tin phụ trợ sau: hệ thống thông tin ưu
tiên, thông tin hành khách theo thời gian thực, hệ thống tự động xác định vị trí
phương tiện, hệ thống máy tính hỗ trợ, giao tiếp thoại qua dữ liệu và vô tuyến,
hệ thống lập lịch trình tự động, hệ thống xe buýt nhanh, hệ thống an toàn và
bảo mật và hệ thống cảnh báo đường sắt.
Hệ thống thanh toán điện tử giúp người dân tiết kiệm được thời gian, nâng
cao độ chính xác hoạt động của mạng lưới. Các mô-đun này bao gồm các chức
năng: máy bán vé tự động, các trang web thương mại điện tử bán vé tham gia
phương tiện công cộng, vé điện tử (có thể là mã QR, bar code, code, ...) [20]
nhằm tiết kiệm thời gian không cần phải lấy vé giấy ở tận nơi phát hành, quản
lý kho và trạm, trung tâm dịch vụ khách hàng tự động, hệ thống thanh toán bù
trừ và thanh toán để hỗ trợ việc đối chiếu doanh thu và các phân tích dữ liệu
giá vé khác.
Ngoài ra tiêu biểu còn có hệ thống thu phí không dừng. Người sử dụng gắn
một thẻ RFID trên xe, tag này được liên kết với tài khoản ngân hàng để tiến
hành thu phí cầu đường tự động không cần dừng. Các trạm chỉ cần đặt một bộ
đọc thẻ RFID để thực hiện.
Hệ thống này có các mô-đun bảo mật truy xuất và giao dịch mua bán của
người dùng.
Hệ thống còn có các mô-đun cảnh bảo và đảm bảo an toàn cho người sử dụng,
ví dụ: hệ thống cảnh báo tàu hoả, hệ thống xác nhận điểm dừng đỗ phương tiện
công cộng. Các nút bấm yêu cầu cho người đi bộ sang đường, hệ thống cảnh báo
với người đi bộ.
Nhiệm vụ của một hệ thống giao thông thông minh trong nội dung của luận
án được tập trung chủ yếu trong công nghệ xử lý ảnh để phân tích dữ liệu
"Phương tiện giao thông hỗn hợp" từ đó trích xuất được thông tin về phương
tiện, phân loại phương tiện và mật độ phương tiện trên đường từ đó thực thi
các chức năng nhằm đảm bảo xử lý dữ liệu và điều khiển luồng phương tiện.
Các nghiên cứu và ứng dụng ITS ở các nước đang phát triển chủ yếu tập
trung vào giao thông đô thị, tuy nhiên thực tế ở các nước đang phát triển lại
hoàn toàn khác. Các nước đang phát triển như Việt Nam có đặc trưng giao
thông là dòng phương tiện giao thông hỗn hợp gồm có nhiều loại phương tiện
giao thông đi chung trong một làn đường, một luồng đường. Do đó, mục tiêu
của luận án là đề xuất các phương pháp nhằm mục đích quản lý và giám sát
dòng phương tiện giao thông hỗn hợp này.
Kịch bản được tập trung nghiên cứu chủ yếu là đường phố đô thị tại Hà Nội
như: hầm Kim Liên, nút giao Trần Phú - Điện Biên Phủ, đường gom trên đường
Phạm Văn Đồng những địa điểm này có đặc trưng của khu đô thị lớn. Đặc trưng
của đường phố đô thị ở Việt Nam là nhỏ hẹp nhưng có nhiều loại phương tiện
giao thông bao gồm: ô-tô, xe máy, xe đạp, xe ba bánh, cùng một số phương tiện
thô sơ khác.
Luận án tập trung vào các nút giao thông nơi mà các dòng phương tiện đổ
về nhằm mục đích cải thiện hiệu quả điều khiển phân luồng phương tiện đảm
bảo các phương tiện đi qua vẫn an toàn và tiết kiệm được thời gian. Ngoài ra,
luận án sẽ tập trung đề xuất các phương pháp quản lý phương tiện như: giám
sát phương tiện, phân loại phương tiện, đo tốc độ phương tiện.
Các hệ thống phát hiện phương tiện đều có ưu và nhược điểm riêng. Tuy
nhiên, mục đích chính của luận án là đưa ra đánh giá phương pháp khả thi ở
các nơi giao thông có tính chất hỗn hợp.
Từ các nghiên cứu đánh giá các phương pháp nhận diện phương tiện và
phương pháp phân loại phương tiện giao thông ở trên có khả năng ứng dụng
vào giao thông hỗn hợp hay không. Các phương pháp trong [14] chưa đánh giá
hết được các đặc điểm để có thể ứng dụng ở những nước có dòng phương tiện
hỗn hợp. Ngoài ra, còn có các nghiên cứu đánh giá độ chính xác của các công
nghệ phát hiện như trong nghiên cứu [21] với tiêu chí đánh giá độ chính xác của
các phương pháp phát hiện phương tiện giao thông trong nhiều bối cảnh cụ thể
[22]. Từ việc tổng hợp các công nghệ ở trên, khả năng ứng dụng các công nghệ
trong giao thông hỗn hợp được thể hiện trong Bảng 1.1.
Công nghệ
Đo tốc độ
Phân loại
Nhận diện
Giao thông hỗn hợp
Đếm phương tiện
(cid:88)
(cid:88)
(cid:88)
(cid:88)
Cảm ứng điện từ
Không
(cid:88)
(cid:88)
(cid:88)
Từ trường
Không
Không
(cid:88)
(cid:88)
(cid:88)
Từ tính
Không
Không
(cid:88)
(cid:88)
(cid:88)
(cid:88)
RADAR vi sóng
Không
(cid:88)
(cid:88)
(cid:88)
(cid:88)
Không
Hồng ngoại chủ động
(cid:88)
(cid:88)
(cid:88)
Hồng ngoại bị động
Không
Không
(cid:88)
(cid:88)
Siêu âm
Không
Không
Không
(cid:88)
(cid:88)
(cid:88)
Âm thanh
Không
Không
(cid:88)
(cid:88)
(cid:88)
(cid:88)
Không
Công nghệ không dây
(cid:88)
(cid:88)
(cid:88)
(cid:88)
(cid:88)
Xử lý ảnh
Dựa vào Bảng 1.1 thì có thể xác định các phương pháp có khả năng áp dụng
cho dòng phương tiện giao thông hỗn hợp chính là xử lý ảnh. Tuy nhiên, việc
thực tế áp dụng còn nhiều khó khăn và còn cần phải cải thiện các phương pháp
cho phù hợp với đặc trưng giao thông ở từng vùng và từng loại kịch bản giao
thông.
Từ các nghiên cứu và đánh giá về các công nghệ ở trên mô hình quản lý
phương tiện và giám sát lưu lượng đề xuất của hệ thống được diễn giải ở Hình
1.2. Đây chính là sơ đồ khối hệ thống được đề xuất trong phạm vi thực hiện của
luận án này.
Hiện tại, trên thế giới đã tập trung ứng dụng công nghệ xử lý ảnh vào trong
ITS. Do đó, có thể phân loại rõ vùng làm việc của các hướng ứng dụng này như
sau:
- Phát hiện phương tiện
- Nhận dạng biển số phương tiện trong xử lý vi phạm và thu phí
- Phân loại phương tiện giao thông
- Phát hiện vi phạm khoang hành khách
- Phát hiện các chuyển động, quỹ đạo vi phạm
- Giám sát nút giao thông
- Phát hiện các dữ liệu dị thường
- Phân tích lưu lượng phương tiện
- Quản lý chỗ đỗ xe
- Phát hiện các vùng còn trống trong khoang hành khách
- Cảnh báo chệch làn đường
- Dự báo/phòng tránh va chạm
- Phát hiện người đi bộ
- Giám sát tài xế
- Nhận dạng biển báo giao thông
- Giám sát điều kiện đường giao thông
Hình 1.3 trong [23], dữ liệu đầu vào thu được từ camera gắn ở điểm giám sát.
Dữ liệu này được đưa vào bộ tiền xử lý hình ảnh nhằm mục đích cải thiện chất
lượng, nâng độ phân giải hoặc cải thiện độ tương phản giữa các đối tượng trong
khung hình sau quá trình truyền về trung tâm. Ảnh sau khi cải thiện chất lượng
được đưa vào khối trích xuất đặc trưng nhằm đưa ra các đặc trưng chung cho
đối tượng cần giám sát. Tiếp theo là khối thực thi các quyết định nhằm thực
hiện các chức năng cụ thể, ví dụ: phân loại phương tiện, đo tốc độ, tính toán
lưu lượng.
Mặc dù trên thế giới vẫn tồn tại các công nghệ song song với nhau nhằm
quản lý giao thông một cách thuận lợi, nhưng nhờ những ưu điểm lớn của công
nghệ xử lý ảnh mà nó được ứng dụng trong giao thông ngày một nhiều, tiêu
biểu là các điểm sau đây:
phương tiện
thông
thông
tiện với các phương pháp khác
Ngày nay tại các đô thị hiện đại trên thế giới, camera được lắp đặt ở các địa
điểm quan trọng giúp nhà chức trách giám sát và quản lý được thuận tiện hơn.
Trong giao thông, việc triển khai hệ thống camera giám sát cũng đã được triển
khai từ lâu sơ khai là đề xuất nghiên cứu trong [24]. Phương pháp ứng dụng
xử lý ảnh vào quản lý giao thông với nhiều ưu điểm vượt trội, khả năng theo
dõi trực quan và xem lại được bối cảnh giao thông trên đường. Do đó, các hệ
thống camera giám sát phương tiện giao thông được lắp đặt nhiều tại các nút
giao thông quan trọng. Nhờ đó ứng dụng xử lý ảnh trong giao thông để phát
hiện phương tiện giao thông, phân loại phương tiện, giám sát lưu lượng phương
tiện ngày càng được nghiên cứu nhiều hơn. Xử lý ảnh trong ITS bao gồm nhiều
phương pháp và nhiều cách thức để phát hiện phương tiện giao thông và ứng
dụng từng chức năng cụ thể.
Xử lý ảnh trong giao thông đã trải qua các bước phát triển mạnh mẽ. Có
thể chia làm các nhóm phát hiện phương tiện như trong [25] gồm: nhóm phương
pháp sử dụng nền (background) kể từ khi các giải thuật phát hiện phương tiện
được đề xuất [26] thì phương pháp trừ nền được giới thiệu ở [27] trong nghiên cứu
này các tác giả đã sử dụng nguồn dữ liệu là ảnh vệ tinh có độ phân giải cao để
phân tích và nhận diện phương tiện giao thông trên một vùng rộng và trong [28]
tiếp theo là trừ nền thích nghi trong [29, 30] đã có những bước phát triển mạnh.
Nhóm thứ hai gồm các phương pháp: frame differencing trong [31, 32]. Về đánh
giá các phương pháp phát hiện phương tiện giao thông có thể nghiên cứu thêm
ở trong công bố [33]. Bên cạnh cũng có thể kể thêm các phương pháp sử dụng trí
tuệ nhân tạo để phát hiện phương tiện giao thông theo như [34, 35, 36, 37] các
phương pháp sử dụng trí tuệ nhân tạo có độ chính xác tới 95% được giới thiệu
trong [13]. Về cơ bản, phát hiện phương tiện giao thông là yếu tố quan trọng
nhất của một hệ thống xử lý ảnh giao thông trong ITS. Hệ thống phát hiện tốt
các phương tiện thì mới có thể thực hiện các chức năng khác như: giám sát lưu
lượng giao thông, điều khiển phân luồng giao thông, điều khiển thời gian hoạt
động của đèn tín hiệu giao thông, xử lý các vi phạm giao thông, cảnh báo tai
nạn giao thông và các công tác cứu hộ.
Tuy nhiên bên cạnh đó, xử lý ảnh ứng dụng trong giao thông gặp phải rất
nhiều khó khăn. Vì ảnh thu được là cơ sở để phân tích và giám sát, khi hệ thống
camera thu nhận ảnh vào các điều kiện khó khăn như: mưa lớn, tuyết, ban đêm,
ánh nắng chiếu vào camera, bóng của phương tiện do ánh sáng mặt trời; tất
cả các yếu tố này đều gây ảnh hưởng tới khả năng phân tích và phát hiện của
camera. Chính vì vậy các nhà khoa học đã có các nghiên cứu để cải thiện các
tình trạng này trong xử lý ảnh giao thông.
Phương pháp phát hiện phương tiện giao thông trong đô thị khi trời tối và có
mưa lớn cũng được nghiên cứu và được nghiên cứu. Phương pháp được đề xuất
trong [38] có độ chính xác tới 98% trên tuyến đường chỉ có phương tiện là ô-tô,
phát hiện chủ yếu dựa vào ánh sáng đèn pha của phương tiện. Nội dung của
các nghiên cứu hiện tại cũng chưa đặt vấn đề với dòng phương tiện giao thông
hỗn hợp. Nhìn chung khi trời tối và có mưa lớn, không thể nhận diện chính xác
phương tiện như khi không có mưa và vào ban ngày.
Tuy nhiên, vào ban ngày lại có các ảnh hưởng khác gây ra như: khả năng
mặt trời gây nhiễu cho camera và khả năng gây ra bóng của các phương tiện di
chuyển trên đường, cũng là vấn đề gây ra phát hiện phương tiện bị sai. Cũng
có đề xuất phương pháp phát hiện phương tiện bỏ bóng để bớt ảnh hưởng như
trong [39, 40], các phương pháp này sử dụng mức xám để loại bỏ bóng của
phương tiện hoặc sử dụng phương pháp phân tích biên để loại bỏ bóng như [41].
Ngoài các ứng dụng cụ thể đã được trình bày ở trên việc ứng dụng xử lý ảnh
qua camera còn được sử dụng trong trông giữ xe, các hệ thống này số hóa dữ
liệu biển số và ghi thông tin vào một thẻ RFID (Radio-Frequency Identification)
[42, 43]. Các hệ thống này hiện tại đã được ứng dụng ở Việt Nam. Hệ thống này
nếu được kết nối với tài khoản ngân hàng còn có thể ứng dụng thu phí không
cần dừng. Phương tiện chỉ cần đi thẳng qua các trạm, nhằm tiết kiệm nhân lực
và thời gian của các bên.
Sử dụng camera trong giám sát và quản lý giao thông còn có thể phát hiện
tai nạn giao thông một cách tự động như trong các nghiên cứu [44, 45] và cũng
có nghiên cứu dự đoán trước tai nạn giao thông như ở [46].
Bên cạnh các tác nhân gây ảnh hưởng tới khả năng phát hiện của camera,
thì cấu trúc của đường giao thông cũng là một yếu tố quan trọng. có thể được
phân loại làm hai dạng như sau: giao thông đô thị và giao thông trên đường cao
tốc. Chính bởi có nhiều yếu tố tác động tới khả năng phát hiện phương tiện của
hệ thống xử lý ảnh. Nên việc tích hợp nhiều phương pháp để phát hiện được
phương tiện là cần thiết.
Chức năng quan trọng của xử lý ảnh trong giao thông là thực hiện các chức
năng quản lý. Do đó, hệ thống ITS cần thiết phải thống kê lượng phương tiện
hoặc mật độ phương tiện di chuyển trên đường để ước lượng trên một tuyến
đường có bao nhiêu xe, gồm những loại phương tiện gì và còn khoảng trống trên
đường hay không. Để các nhà chức trách có thể dự đoán và mở rộng phát triển
cơ sở hạ tầng cho phù hợp.
Từ thực tiễn, luận án đề xuất hệ thống giám sát và quản lý phương tiện giao
thông ở các nước đang phát triển nên tập trung nghiên cứu và phát triển công
nghệ xử lý ảnh để thực hiện do các ưu điểm được thể hiện trong Bảng 1.1 đã
trình bày trước đó.
Biển số xe là duy nhất tương ứng với một phương tiện duy nhất. Biển số
được ký hiệu bằng các ký tự và số tùy theo từng đặc điểm của quốc gia và vùng
miền. Nhằm mục đích quản lý phương tiện tham gia lưu thông.
Nhận dạng biển số tự động (Automated License Plate Recognition - ALPR),
đôi khi còn được gọi là nhận dạng biển số tự động (ANPR), là công nghệ tận
dụng thuật toán xử lý ảnh để trích xuất thông tin biển số phương tiện từ video
hoặc hình ảnh tĩnh của phương tiện. ALPR đã trở thành một công nghệ cốt lõi
trong các hệ thống giao thông thông minh hiện đại.
Sơ đồ khối hiển thị trong Hình 1.4 minh họa quy trình hoạt động xử lý của hệ
thống ALPR điển hình. Góc nhìn của máy ảnh dọc theo chiều chuyển động của
phương tiện. Bước đầu tiên trong quy trình ALPR là xác định các vùng trong
hình ảnh có biển số phương tiện. Các vùng này sẽ được gửi đến mô-đun phân
đoạn ký tự để trích xuất và cắt các phân nhóm có chứa các ký tự, logo hợp lệ và
cá ký hiệu khác của biển số phương tiện. Các hình ảnh được phân đoạn riêng lẻ
sau đó được đưa vào mô-đun nhận dạng (thường được gọi chung là nhận dạng
ký tự quang học (Optical Character Recognization - OCR) để xác định các ký
tự của biển số. Cuối cùng là mô-đun kiểm tra thông tin, đối chiếu với cơ sở dữ
liệu vi phạm.
Việc trích xác định vị trí biển số phương tiện mục đích làm giảm áp lực tính
toán đối với toàn khung hình ảnh thu được.
Một số quốc gia ban hành biển số phương tiện giao thông là nhiều màu khác
nhau, nhằm xác định phân loại nguồn gốc của chiếc xe đó. Ví dụ biển số xe ô tô
chở khách ở thành phố New York có nền màu cam và chữ màu xanh đậm. Nên
có thể khai thác sự kết hợp màu sắc này để giới hạn vùng nhận dạng và phát
hiện biển số của phương tiện qua nghiên cứu [47, 48].
Việc tính toán thông tin cạnh dọc và cạnh ngang thường sử dụng các toán
tử Sobel, là bước đầu tiên cho hầu hết các phương pháp dựa trên cạnh.
Các hình chiếu dọc và ngang của thông tin cạnh có thể được tính toán như
Hình 1.5. Cách tiếp cận tương tự dựa trên mật độ cạnh dọc [49] và thống kê
cạnh cục bộ [50].
Ngoài ra, các phương pháp sử dụng học máy và học sâu cũng được nghiên
cứu và ứng dụng. Ở đây có hai loại phương pháp chính, liên quan tới huấn luyện
một bộ phân loại được sử dụng để quét trực tiếp hình ảnh tìm vùng có khả
năng là biển số. Phương pháp này có thể coi là tương tự như quét hình ảnh
tìm kiếm khuôn mặt, như trong nghiên cứu bộ phát hiện của Viola-Jones [51].
Theo cách tiếp cận tương tự của Viola-Jones tác giả của [20] đã huấn luyện một
bộ phân loại Adaboost để phát hiện biển số phương tiện bằng cách quét cửa sổ
theo khung hình ảnh. Ngoài ra, còn có các đặc trưng khác được sử dụng tiêu
biểu như: Haar, SIFT có thể được bổ sung để phát hiện biển số phương tiện.
Hình ảnh ROI của biển số phương tiện được cắt ra, mô-đun phân đoạn ký tự
phải trích xuất các hình ảnh phụ thuộc được cắt riêng lẻ cho từng ký tự trong
biển số phương tiện. Các nghiên cứu khảo sát nổi bật gồm có [52, 53, 54].
Bước đầu tiên của phân đoạn ký tự là thu được vùng sát hơn nữa chính bằng
biển số của phương tiện giao thông. Bước thứ hai trong quy trình phân đoạn ký
tự là xác định các điểm cắt giữa các ký tự để đạt được các hình ảnh phụ được
phân tách thành chính xác. Minh họa về phương pháp này được thể hiện trên
hình ảnh biển số xe được tái định hình một phần trong Hình 1.6.
Nhận dạng ký tự quang học (Optical Character Recognition - OCR) được sử
dụng để nhận dạng ký tự. Như minh họa trong Hình 1.7, quy trình tiêu chuẩn
trong việc phát triển công cụ OCR bao gồm ba bước chính sau: thu hoạch và
sắp xếp ký tự, trích trọn đặc trưng và huấn luyện phân loại. Bước tăng cường
dữ liệu tùy chọn tận dụng các ví dụ được thu thập để tăng giả tạo các hình ảnh
có sẵn cho huấn luyện.
Tạo ra tập hợp các biển số xe, thuật toán phân đoạn chức năng sẽ cung cấp
các ký tự được phân đoạn có thể được sử dụng để huấn luyện cho OCR.
Việc thu thập các tập dữ liệu thế giới thực lớn rất tốn kém. Phương pháp
tăng dữ liệu có thể được áp dụng để bổ sung dữ liệu trong thế giới thực, do đó
mở rộng một cách nhân tạo các bộ huấn luyện. Nói chung, độ biến thiên của
tập huấn luyện thường tăng theo cỡ mẫu.
Khi các ký tự đã được gom lại và xắp xếp, chúng cần được chuẩn hóa kích
thước thành kích thước giống với mẫu trước khi thực hiện quá trình trích xuất
đặc trưng.
Một khi đã chuẩn hóa được hình ảnh ký tự và các đặc trưng được trích xuất,
một thuật toán phân loại và một kiến trúc phân loại sẽ được thực hiện. Các
thuật toán phân loại bao gồm: kNN, so khớp với mẫu, mạng nơron nhân tạo
(ANN) như tri giác đa cấp (MLP), véc-tơ máy hỗ trợ (SVM) và CNN. Các kiến
trúc phân loại bao gồm: một một (one-vs-one - OvO), một với tất (one-vs-all –
(OvA) và các tầng.
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.
Các phương pháp được dùng để phát triển cho phân loại phương tiện đã được
nghiên cứu. Chúng có thể được phân loại thành ba nhóm chính như Hình 1.8
gồm 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 giao thông được chính xác hoàn toàn phụ thuộc vào khả
năng phát hiện phương tiện giao thông trên đường. Trong điều kiện đủ ảnh sáng
thì camera hoàn toàn có khả năng phát hiện các đối tượng đang di chuyển trên
đường. Tuy nhiên, trong điều kiện ánh sáng yếu hoặc không có ánh sáng thì
giải pháp bổ sung có thể sử dụng camera nhiệt (Thermal Imaging Camera). Các
camera nhiệt đo nhiệt độ tuyệt đối của vật thể. Nhiệt kế (ở đây là hình ảnh
nhận được) là một đại diện cho các giá trị của bức xạ hồng ngoại mà bản thân
vật thể phát ra.
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 [57, 58].
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
ấm hơn nhiệt độ môi trường bên ngoài Yoichiro Iwasaki, Masato Misumi, and
Toshiyuki Nakamiya [58]. 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).
(1.1)
Nhiều thuật toán phân loại phương tiện dựa trên hình dạng phương tiện 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.).
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 từng 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 [64] được để phân loại
Camera gắn cố định, ở TRP (Transformation 8 loại, gồm cả
Tiếp theo ở trang bên
Bảng 1.2 – tiếp theo trang trước
Vị trí camera Phương pháp sử dụng Phân loại
bên lề đường, góc nhìn Ring Projection), DWT, hatchback,
vuông góc với đường, chỉ MFC xe máy,
nhìn thấy mặt bên của xe buýt
Camera gắn cố định, nhìn PCA(Principal Car, van, truck
từ trên cao, vùng quan Component Analysis)
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
xuống [65] 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 [63]
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 [66]
Camera gắn cố định, 17 hình dạng đặc trưng 7 loại, gồm cả sedan,
hướng nhìn vuông góc với blob, LDA (Linear truck, SUV
đường hướng xe chạy từ Discriminant Analysis)
trên cao. [67] và 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 [68]
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 [69] số phương tiện, và mạng
Bayesian động
Camera gắn cố định, nhìn Đường biên cơ sở, FLD -
Tiếp theo ở trang bên
Bảng 1.2 – tiếp theo trang trước
Vị trí camera Phương pháp sử dụng Phân loại
mặt bên của phương tiện (Fisher’s Linear
[70] 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 [71] Discriminant Analysis),
k -NN
Camera gắn cố định, là Kết hợp bóng của phương Car, van, xe máy
loại camera mắt cá [72] tiện và các bộ huấn luyện
k -NN và HOG + SVM
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 [73], 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 [72], nếu vùng phương
tiện nhận dạng được
Phân loại theo đường viền cạnh
Một cách tiếp cận khác để phân loại phương tiện là dựa trên việc phát hiện
cạnh biên. Cạnh biên hay đường viền cạnh của đối tượng là đường phân tách
ra các vùng có độ tương phản với nhau nhằm phân biệt ra các đối tượng khác
nhau trong ảnh. Hầu hết các phương pháp tiếp cận phân loại phương tiện theo
cạnh biên đều sử dụng camera với góc nhìn hướng ra hai bên của phương tiện
hoặc ở trên phương tiện. Từ các góc nhìn này, hình dạng của các phương tiện
khác nhau nhiều hơn, do đó tạo điều kiện để trích xuất các đặc trưng của cạnh
biên.
Phương pháp phân tích cạnh viền trong vùng ROI của một chiếc xe như Hình
1.9 có thể cải thiện được nhiều giả thiết và sự phụ thuộc trong phương pháp
[69, 74]. Phương pháp này dựa trên khoảng cách Hausdorff [75] hoặc so khớp
Chamfer [76], đây là các nghiên cứu sử dụng phương pháp so khớp viền cạnh
của toàn khung hình. Tuy nhiên, như đã nêu trong nghiên cứu [64] và [70], do
các biến thể giữa các điểm ảnh riêng lẻ trong cùng một lớp nên cách tiếp cận
như vậy không đủ mạnh để sử dụng phân loại các phương tiện giao thông trên
đường.
Biểu đồ độ dốc định hướng
Biểu đồ độ dốc định hướng (Histogram of Oriented Gradients - HOG) [79]
cho phép trích xuất các đặc trưng mô tả độ dốc cường độ cục bộ của cạnh viền,
những thông tin này đại diện cho sự xuất hiện của các đối tượng trong khung
hình. Được nêu trong tài liệu tham khảo [80], phương pháp HOG không chính
xác là phương pháp tốt nhất để phân loại giữa các ô-tô với nhau, mà là để xác
định sự hiện diện của một phương tiện (hoặc đối tượng khác) trong vùng ROI.
Tuy nhiên, nó được sử dụng để phân loại các đối tượng theo nhóm ví dụ như
giữa phương tiện và con người.
Một khi đã xác định được đường bao của một đối tượng (có khả năng là
phương tiện), có thể sử dụng phương pháp HOG để trích xuất các đặc trưng
mô tả đối tượng bên trong nó Hình 1.10. Đầu tiên, có thể sử dụng phương pháp
tiến cận tỉ lệ không gian được mô tả trong nghiên cứu [59] để thu được độ dốc
của ảnh. Tỉ lệ không gian đại diện cho một bộ các hình ảnh ở các độ phân giải
khác nhau và xử lý chúng bằng phương pháp Lindeberg [85] để tạo bản đồ độ
đốc, sau đó được sử dụng để xử lý các cấu trúc (phương tiện) có thể nhìn thấy
trong ảnh ở các tỉ lệ khác nhau. Để tính toán các đặc trưng từ ảnh độ dốc, có
thể chia hộp đường bao quanh đối tượng thành M × N các vùng nhỏ với mỗi
vùng nhỏ này được định lượng các hướng của độ dốc K trong phạm vi [0 độ,
180 độ]. Sau khi xử lý thêm các mảng biểu đồ, có thể tập trung chúng để tạo
ra một véc-tơ đặc trưng của đối tượng trong hình chữ nhật bao quanh phương
tiện. SVM được sử dụng như một bộ phân loại, nhưng như đã nêu ở phần trước
thì độ chính xác trong phân loại của SVM giữa các loại phương tiện kém hơn
so với sử dụng các phương pháp sử dụng đường viền cạnh hoặc đặc trưng hình
dạng. Do đó, cách tiếp cận trên cơ sở HOG có thể được sử dụng để phân loại
thô giữa các đối tượng khác nhau hoàn toàn như giữa phương tiện giao thông
và các vật thể khác, thay vì giữa các đối tượng trong các lớp tương tự nhau như
xe ô-tô và xe tải nhỏ. Nghiên cứu được thực hiện trong [65, 86] đã cố gắng khắc
phục vấn đề này bằng cách sử dụng một phương pháp kết hợp hai cách tiếp cận:
cách tiệp cận đầu tiên sử dụng các đặc trưng hình dạng của phương tiện (như
đã được mô tả trong phần trước) và phân loại k -NN; cách thứ hai là sử dụng
HOG và SVM đã được cải tiến và khả năng vượt trội của nó.
Đặc trưng Haar
Các đặc trưng của Haar Hình 1.11 được sử dụng trong các phân loại Haar
được mô tả lần đầu trong [51]. Có nhiều nghiên cứu giới thiệu bộ phân loại như
vậy để thực hiện phát hiện khuôn mặt, sau đó đã được khái quát hóa để ứng
dụng phát hiện các vật thể khác nhau như phương tiện giao thông ở trong các
nghiên cứu [87, 88, 89, 90].
Phân loại xếp tầng sử dụng cửa sổ tìm kiếm di chuyển cho nhiều vị trí và tỷ
lệ để phát hiện vùng phương tiện có thể xuất hiện trong khung hình. Quá trình
này được cấu trúc sao cho các tầng phân loại yếu nhất thực hiện đầu tiên dựa
vào các đặc trưng phân loại của đối tượng (sau đó là các tầng mạnh hơn ở tầng
sau). Nếu tầng hiện tại của các bộ phân loại không đủ chất lượng cửa sổ hình
ảnh mẫu để có thể nhận dạng là phương tiện giao thông, các đặc trưng còn lại
sẽ không cần phải tính toán nữa. Các xử lý như vậy sẽ làm giảm chi phí tính
toán, chi phí này sẽ rất cao nếu cố gắng thực hiện tất cả các bộ phân loại, vị trí
và tỷ lệ của các đặc trưng Haar trong hình ảnh. Các đặc trưng của Haar được sử
dụng để phân loại phương tiện trong nghiên cứu [87, 89] được trình bày trong
Hình 1.11. Tiềm năng của phương pháp này là nếu camera được gắn cố định ở
trên xe hoặc nền tĩnh và có thể ước chừng góc giữa camera và đường hiển thị
trong khung ảnh. Cụ thể hơn là có thể thu hẹp hơn phạm vi kích thước cửa sổ
tìm kiếm và vị trí tùy thuộc vào phần nào của hình ảnh cần tìm kiếm phương
tiện. Một cách tiếp cận khác là: “Cửa sổ trượt thích ứng” trong [90] tìm kiếm
theo các cửa sổ tìm kiếm lớn hơn gần với camera và các cửa sổ nhỏ hơn khi một
phần của hình ảnh tương ứng với khoảng cách xa hơn được phân tích.
Phân tích các thành phần chính
Phân tích các thành phần chính (Principal Component Analysis – PCA) là
một phương pháp thống kê sử dụng phép biến đổi trực giao để chiếu một tập
hợp dữ liệu (các quan sát được mô tả với các biến có thể tương quan) vào một
không gian mới sao cho các trục của không gian mới là các thành phần chính
được tính toán (không tương quan tuyến tính) và do đó nó thể hiện được các
thông tin cần giám sát. Các thành phần chính được định nghĩa theo cách sao
cho thành phần đầu tiên có phương sai lớn nhất trong tập dữ liệu và các thành
phần tiếp theo trực giao với các thành phần trước và tuần tự biểu thị phương
sai lớn nhất còn lại trong dữ liệu. Ngoài việc thể hiện và trực quan hóa dữ liệu
tốt hơn, phương pháp này có thể nén dữ liệu bằng cách loại bỏ các thành phần
đóng góp ít nhất từ không gian PCA mới. Trong nghiên cứu [91] các thành phần
chính có thể được tính như là các hàm riêng của ma trận hiệp phương sai được
tính từ dữ liệu đã cho. Có thể chia các cách tiếp cận phân loại phương tiện dựa
trên PCA thành ba loại chính [92, 93] tùy thuộc vào mục đích mà thuật toán
PCA được sử dụng cho quá trình mô tả và phân loại:
thường – Cách tiếp cận đặc trưng riêng của phương tiện [92].
con Haar) được trích xuất từ hình ảnh [93].
véc-tơ đặc trưng kích thước thấp trước khi phân loại thêm (ví dụ: SVM)
[92].
Một cách tiếp cận khác sử dụng PCA dựa trên việc sử dụng các hình ảnh
phân đoạn của các phương tiện [92]. Đầu tiên, nghiên cứu giải thích hình ảnh
chiếc xe (không có nền) như một đám may điểm của không gian 3D. Mỗi điểm
bao gồm ba giá trị: tọa độ x và y và cường độ điểm ảnh tương ứng. Sau đó,
thực hiện PCA trên đám mây điểm và có được thành phần chính đầu tiên là mô
tả phân phối điểm tốt nhất. Cách tiếp cận này được thực hiện cho từng lớp và
từng hình ảnh đào tạo riêng biệt và sau đó chúng được huấn luyện một lớp với
bộ phân loại SVM [92] sử dụng các thành phần chính là các véc-tơ đặc trưng.
Nó cung cấp một bộ phân loại SVM cho mỗi lớp cho mỗi loại phương tiện cần
được phân loại.
Hệ thống phân loại xe tự động được mô tả ở đây là một mô hình nhận dạng
mẫu dựa trên tỷ lệ của hộp giới hạn của một chiếc xe. Để phân loại kích thước
phương tiện độc lập với góc nhìn có thể sử dụng biểu đồ Analogia [96] để thể
hiện mối quan hệ giữa các phương tiện và phần đường xe chạy. Giả sử có một
đồ thị phi lý được kết nối G, có đường viền độ dài u. Phần còn lại của các đường viền cạnh trong G có thể được chuẩn hóa là: pi = vi/u.
Đầu tiên cần tạo ra một đồ thị Analogia của các đối tượng. Trong trường hợp
này có thể xem xét phân loại các loại phương tiện như xe tải và xe ô-tô trên
chiều rộng đã biết của làn đường. Với bộ tập hợp n quan sát các phương tiện, có một véc-tơ đặc trưng m cho mỗi phương tiện: Vi = (vi1, vi2, . . . , vim), được chuẩn hóa bởi lỷ lệ u, ví dụ: chiều rộng làn đường cao tốc. Tính toán các đặc trưng:
(cid:48)
(cid:19)T
i = V
(1.2) (cid:18)Vi,1 µ
Việc phân loại phương tiện là phân loại k loại phương tiện quan sát được. Điều
này có thể coi là huấn luyện không có giám sát, dựa trên các đặc trưng tỷ lệ.
Hàm mục tiêu là tối thiểu hóa khoảng cách lớp bên trong đến giá trị trung bình
(cid:48)
k (cid:88)
j=1 (cid:88)
của lớp.
j − V (cid:48) V i
n
i=1
(1.3)
(cid:48)
i là trung bình của các đặc trưng trong các lớp k.
trong đó V
Thuật toán bắt đầu với việc gán ngẫu nhiên các mẫu k là trọng tâm. Đối với
các mẫu còn lại, một mẫu khác được gán cho cụm tương tự nhất dựa trên cơ
sở khoảng cách giữa đối tượng và giá trị chung bình của cụm. Tiếp theo, giá trị
trung bình mới được tính cho mỗi cụm. Quá trình này lặp đi lặp lại cho đến khi
hàm tiêu chí hội tụ.
Trong nghiên cứu [96] mô tả ảnh chụp màn hình để phân loại xe tải và xe
con của dữ liệu trực tiếp từ ba camera ở các góc khác nhau. Sử dụng tỷ lệ thích
ứng, có thể chia tỷ lệ giữa xe tải và xe con theo vị trí và góc của camera dự trên
siêu dữ liệu. Do đó, mối quan hệ tỷ lệ vẫn giữ nguyên ngay cả khi di chuyển
máy ảnh hoặc sử dụng nó ở một vị trí khác. Kết quả sơ bộ trong nghiên cứu đó
khá khả quản, đã được thử nghiệm với 10.000 khung hình từ các nguồn dữ liệu
trực tiếp của PennDOT từ ba camera.
Một số nghiên cứu tương tự trước đây về phân loại xe sử dụng các đặc trưng
kích thước. Ví dụ, phương pháp được thể hiện trong [97] chiếu hình dạng xe
3D thành các đường viền 2D và sau đó thực hiện các phép đo kích thước theo
giá trị tuyệt đối. Kết quả phụ thuộc vào khoảng cách đến các phương tiện và
góc của camera. Điều này dường như không linh hoạt khi hoạt động trong một
mạng camera giao thông trong đô thị lớn, nơi các loại camera pan, tilt và zoom
(camera PTZ) phổ biến. Phương pháp mô hình 3D cho pháp mô tả đặc trưng,
nhưng nó vẫn cần các mẫu huấn luyện và mô hình quang học. Nghiên cứu này
cũng cần phân đoạn nền chính xác, gây ra sự phức tạp trong tính toán.
Biến đổi đặc trưng tỷ lệ bất biến (Scale-Invariant Feature Transform - SIFT)
[77] là thuật toán phát hiện đặc trưng điểm dựa trên cơ sở độ dốc của DoG. Ưu
điểm của việc sử dụng phương pháp này là nó bất biến với tỷ lệ và góc xoay
của đối tượng. Tuy nhiên, nó phụ thuộc vào độ phân giải hình ảnh và sự tương
đồng giữa các mẫu huấn luyện. Nhóm nghiên cứu [85] đã huấn luyện một mô
hình SIFT với 1000 khung hình và thử nghiệm nó với các mẫu khác nhưng vẫn
từ một camera. Với 100 khung hình chỉ dành cho làn đường chính, có thể xác
định chính xác ba xe tải và 19 xe con trong video. Tuy nhiên, thuật toán đã xác
định sai một chiếc xe tải. Nhận thấy rằng SIFT không đưa ra được sự tách biệt
giữa xe con và xe tải dựa trên số lượng đặc trưng so với dữ liệu huấn luyện. Từ
kết quả này, mô hình tỷ lệ nội tại là phương pháp nhanh nhất và mạnh nhất
cho máy ảnh PTZ. SIFT cần các mẫu huấn luyện trong điều kiện tương đồng
nhau. Nó có thể thực hiện với ảnh tĩnh tuy nhiên tốc độ chậm và không chính
xác.
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.
Các cơ quan chức năng luôn cần giám sát hành vi hoạt động của người điều
khiển phương tiện giao thông nhằm giữ an toàn cho các phương tiện. Các hành
vi này nếu không phù hợp sẽ dẫn tới hậu quả thảm khốc trên đường và sẽ ảnh
hưởng tới nhiều người tham gia giao thông khác. Các hệ thống giao thông thông
minh ứng dụng xử lý ảnh hiện nay đang tập trung vào nâng cao khả năng phát
hiện tốc độ di chuyển của phương tiện. Trong nội dung này sẽ tập trung đề cập
các phương pháp xác định tốc độ phương tiện đang di chuyển trên đường sử
dụng camera.
Một hệ thống điển hình thực hiện đo tốc độ phương tiện dựa trên công nghệ
xử lý ảnh bao gồm: (i) một mô-đun hình ảnh, (ii) mô-đun đo tốc độ phương tiện
và (iii) mô-đun trích xuất dữ liệu người vi phạm dựa trên cơ sở của các mô-đun
trước. Có nhiều công nghệ đã được ứng dụng và phát triển để đo tốc độ của
phương tiện giao thông đang di chuyển trên đường như minh họa trong Bảng
1.1. Trong nội dung luận án chỉ tập trung vào ứng dụng công nghệ xử lý ảnh để
đo tốc độ phương tiện.
Đo tốc độ phương tiện sử dụng công nghệ xử lý ảnh yêu cầu đầu tiên là phải
thực hiện tốt việc phát hiện và theo dõi phương tiện trong vùng quan sát của
camera. Nhiều nghiên cứu đã được thực hiện nhằm mục đích phát hiện và theo
dõi đối tượng tạo ra các nền tảng cho công nghệ xử lý ảnh trong giao thông.
Trong khảo sát [4] đã đưa ra những nhận định đáng giá cho ứng dụng phát hiện
phương tiện và theo dõi phương tiện của công nghệ xử lý ảnh. Mặc dù có nhiều
kỹ thuật có thể áp dụng theo dõi phương tiện để đo được tốc độ. Có hai cách
theo dõi đối tượng ở đây: (i) theo dõi trực tiếp một phần cụ thể của đối tượng
để xác định quỹ đạo của nó hoặc (ii) theo dõi toàn bộ đối tượng và áp dụng xử
lý bổ sung để suy ra quỹ đạo của một phần cụ thể của đối tượng một cách gián
tiếp.
Hai các tiếp cận phổ biến trên là: theo dõi tương quan chéo và theo dõi kết
hợp các đốm chuyển động gần, được trình bày ở đây để minh họa sự khác biệt
tốt giữa theo dõi một phần cụ thể của đối tượng và theo dõi toàn bộ đối tượng.
Phương pháp tương quan chéo theo dõi một phần cụ thể của đối tượng, trong
khi kết hợp các đóm chuyển động gần chỉ theo dõi đối tượng thô.
Đặt I(i, j; t) là giá trị điểm ảnh của khung hình tại vị trí trí (i, j) trong thời gian t và v(it, jt), t = t0 t1 là quỹ đạo kết quả theo dõi phương tiện. Ở đây, t0 và t1 lần lượt là thời điểm bắt đầu và kết thúc của việc theo dõi phương tiện. Trong cách tiếp cận này, vùng đầu tiên Iv(t0) = I(i + it0, j + jt0) ∀(i, j) ∈ Rv được xác định và sử dụng làm mẫu theo dõi lúc khởi tạo. Trong một thiết lập điển hình, Rv được chọn là một vùng hình chữ nhật có kích thước (2m + 1) × (2n + 1) tập trung quanh tâm của mẫu (it0, jt0). Trong các khung tiếp theo, vị trí phù
n (cid:88)
m (cid:88)
hợp nhất với mẫu Iv(t0) trong khung hình hiện tại I(x, y; t) được tính bằng tối ưu hóa sau:
j=−n
i=−m
it,jt
n (cid:88)
n (cid:88)
m (cid:88)
m (cid:88)
j=−n
j=−n
i=−m
i=−m
(cid:118) (cid:117) (cid:117) (cid:116) (cid:118) (cid:117) (cid:117) (cid:116)
(1.4)
Về mặt khái niệm, phương trình 1.4 tương đương với việc tìm vị trí trong khung hình hiện tại xuất hiện gần nhất với mẫu theo dõi. Kết quả v(it, jt) là vị trí trung tâm mới, trong đó nội dung hình ảnh tại thời điểm t giống với mẫu nhất tại thời điểm t0 được đo bằng tương quan chéo. Bộ theo dõi sẽ lặp lại quá trình này trong khoảng thời gian mà phương tiện theo dõi xuất hiện trong khung hình và cho biết quỹ đạo của phương tiện v(it, jt), t0 ∼ t1 của phương tiện. Cách tiếp cận này sử dụng một phần của phương tiện để theo dõi, trong đó biển số của
phương tiện có khả năng được sử dụng nhiều.
Phương pháp theo dõi phổ biến thứ hai sử dụng phát hiện tiền cảnh hoặc
phát hiện chuyển động. Trong phương pháp này, các điểm ảnh tiềm năng chuyển
động được xác định thông qua các sai khác giữa các khung.
(1.5) các trường hợp còn lại 0
Minh họa của hai phương pháp này được thể hiện trong Hình 1.12. Hình
1.12(a) hiển thị khung đầu tiên khi bắt đầu theo dõi. Hình vuông nét đứt là mẫu được sử dụng bởi theo dõi tương quan chéo để bắt đầu theo dõi Iv(t0), dấu tam giác là tâm của mẫu. Các đốm màu đen được phác thảo là các đốm chuyển
động được phát hiện bằng cách theo dõi liên kết gần của chuyển động. Dấu tròn
đặc là tâm của đốm chuyển động, dấu tròn đặc và tam giác được đặt tại cùng
một vị trí để minh họa. Phương pháp này gắn bóng của phương tiện là một
phần không tách rời với phương tiện. Hình 1.12(b) hiển thị khung sau, vị trí
kết thúc theo dõi. Vị trí của hình vuông nét đứt trên khung này được tìm bằng
công thức 1.4 và dấu tam giác đặc là tâm. Như có thể thấy trong hình 1.12(b),
dấu hình tròn là tâm của đốm viền đen mới và không cùng vị trí của phương
tiện như trước. Điều này là do các đốm chuyển động thay đổi hình dạng của
nó do nhiễu, ánh sáng và do biến dạng của bóng cùng phương tiện. Kết quả là,
điểm ảnh/khoảng cách di chuyển (đường liền nét và dấu gạch ngang trong Hình
(a) Tương quan chéo
(b) Theo dõi các đốm chuyển động gần
1.12(b) có khác nhau khi áp dụng hai phương pháp theo dõi. Ngoài việc phát
hiện và theo dõi phương tiện giao thông, hệ thống đo tốc độ phương tiện dựa
trên công nghệ xử lý ảnh đòi hỏi: (i) hiệu chỉnh máy ảnh chính xác tạo ra ánh
xạ hình học để đưa vị trí điểm ảnh hình ảnh sang tọa độ thế giới thực [5,14],
(ii) sự ảnh hưởng của chiều cao camera ảnh hưởng tới độ chính xác [8, 14-16] và
(iii) hệ thống đo tham chiếu chính xác [17]. Ánh xạ hình học thường được thực
hiện bằng cách sử dụng phép biến đổi ma trận chiếu. Thảo luận chi tiết hơn về
ba yêu cầu nay được trình bày dưới đây.
Trong nghiên cứu [13] giới thiệu cách tiếp cận và những thách thức liên quan
tới việc hiệu chuẩn thủ công.
Trong hiệu chuẩn máy ảnh, ánh xạ hình học giữa các tọa độ điểm ảnh (i, j) thành tọa độ phẳng thế giới thực (x, y, z = z0) có thể được đại diện bởi ma trận sau:
(1.6)
1
Ma trận 3 × 3 H(z0) được biết tới như ma trận chiếu của camera khi z = z0. Các z khác nhau sẽ có ma trận chiếu khác nhau, nhưng chúng có liên quan với
nhau trên z. Nếu tọa độ thế giới thực được chọn sao cho trục z của nó thẳng
hàng với trục quang của máy ảnh, thì ma trận chiếu cho tất cả các z được mô
tả như sau:
(1.7)
1
Ở đây, ma trận chiếu giống nhau cho tất cả z. Đây không phải trường hợp cho
các ứng dụng đo tốc độ phương tiện vì mặt phẳng quan tâm là mặt đường, nằm
trên mặt phẳng 2D, nhưng hướng bình thường của nó hiếm khi thẳng hàng với
trục quang của máy ảnh.
Mặt khác, phương pháp hiệu chỉnh dựa trên mô hình cơ sở camera, áp đặt
cấu trúc/rằng buộc có ý nghĩa cho ma trận chiếu và lấy các tham số tương ứng
thông qua phân tích khung hình. Hình 1.13 cho thấy một ví dụ về vị trí giữa
đường và máy ảnh được thảo luận trong [5] phương pháp hiệu chỉnh máy ảnh
dựa trên mô hình. Nó sử dụng việc xác định các điểm biến mất dọc theo và
vuông góc với hướng di chuyển của đường và một thông tin bổ sung, chẳng hạn
như chiều cao của camera phía trên đường. Phương pháp này được tóm tắt ngắn
gọn ở đây, gọi f, h, φ, và θ tương ứng lần lượt là tiêu cự của camera, chiều cao
camera phía trên đường, góc nghiêng của camera và góc ngẩng của camera.
Giả sử camera có cuộn zero và điểm ảnh vuông, nó được biểu diễn rằng ánh
xạ hình học giữa các tọa độ điểm ảnh (i, j) sang tọa độ thế giới thực trên mặt
đường là:
Biểu mẫu giống như phương trình 1.6, nhưng các mục của ma trận chiếu bị
rằng buộc nhiều hơn. Mặc dù ma trận có thể được xác định từ các phép đo thực
tế của f, h, φ, rất khó và bất tiện khi đo các tham số này trực tiếp. Trong nghiên
cứu [5], các phương pháp đã biết khác nhau sử dụng phân tích khung hình để
ước lượng các tham số này một cách gián tiếp như sau: Ví dụ, trong các ứng dụng giao thông đường bộ, có thể xác định điểm khuất (i0, j0) dọc theo hướng di chuyển của đường xe chạy và một điểm khuất khác (i1, j1) vuông góc với hướng
di chuyển của đường xe chạy từ việc phân tích khung hình. Các tham số vật lý
(1.8)
1
Nếu biết chiều cao của máy ảnh thì có thể khôi phục được ma trận chiếu theo
công thức 1.8 bằng cách sử dụng các vị trí điểm ảnh được phát hiện bởi hai điểm
khuất từ phân tích khung hình và công thức 1.9. Cách tiếp cận này chỉ là một
trong nhiều phương pháp hiệu chuẩn dựa trên mô hình đã biêt. Lưu ý rằng có
một số ưu điểm khi sử dụng các phương pháp hiệu chuẩn dựa trên mô hình sơ
với sử dụng các phương pháp thủ công. Đầu tiên, các phương thức dựa trên mô
hình mạnh hơn do cần ước tính ít tham số hơn. Không cần bất kỳ vị trí của các
điểm đánh dấu tham chiếu trên đường. Việc hiệu chuẩn có thể cập nhật và tinh
chỉnh khi cài đặt camera khi bị thay đổi hoặc trôi theo thời gian do các tham
số được lấy thông qua phân tích khung hình. Trong nhiều thiết lập, độ cao của
camera không đổi nhưng có thể xoay, thu phóng hoặc nghiêng theo thời gian.
(cid:19) (cid:19) (cid:113)
0 + i0i1,
(1.9) Phương pháp của phương trình 1.8 và 1.9 phù hợp với các tình huống này. (cid:18)−j0 f (cid:18)−i0cosφ f
Các phương tiện giao thông chuyển động trên đường có thể được giải thích
bằng các hiện tượng vật lý như được trình bày trong [98]. Sự chuyển động của
các phương tiện được mô hình hóa trình bày như dưới đây.
Một phương tiện chuyển động trên đường chủ yếu cần xác định các cơ sở
vật lý như sau: x(t) (đơn vị là: m) là: quãng đường phương tiện di chuyển
trong một khoảng thời gian, v(t) = (đơn vị là: m/s) là: vận tốc của phương
tiện trên quãng đường đã di chuyển, b(t) =
gia tốc phương tiện. Các đại lượng này được thể hiện trong Hình 3.1(a).
Giả sử tại thời điểm ban đầu, phương tiện có các đặc trưng được biểu diễn như: t0[s], x0[m], v0[m/s], b0[m/s2] phương trình chuyển động của phương tiện này được thể hiện như sau:
(cid:90) t
(1.10)
t0
(cid:90) t
(1.11)
t0
(cid:90) t (cid:90) t (cid:90) t
(1.12)
t0
t0
t0
(cid:90) t
(1.13)
t0
(cid:90) t (cid:90) t (cid:90) t
(1.14)
t0
t0
t0
(cid:90) t (cid:90) t (cid:90) t (cid:90) t (cid:90) t (cid:90) t
(1.15)
t0
t0
t0
t0
t0
t0
Để đơn giản hóa quá trình tính toán thống nhất giá trị k(t) = 0.
Quãng đường có thể được đại diện để biểu diễn các đại lượng vật lý của
phương tiện khi chuyển động như sau: v(t) = và có thể được viết dưới
(cid:90) x
dạng: với dt = . tổng hợp lại được t(x) = t0 +
x0
(cid:90) t
t0
Giả sử coi tốc độ như biến độc lập, có thể suy ra: b = b(v) =
(cid:90) x (cid:90) v (cid:90) v
, do đó b = b(v) =
x0
v0
v0 (cid:90) v
(cid:90) v
v0
v0
các nội dung trình bày trước, chuyển động được mô tả bởi quãng đường, tốc
độ liên tục qua thời gian, v = dx/dt tuy nhiên các phương trình nay vẫn khó sử
dụng. Tuy nhiên, có thể mô tả các chuyển động tương tự bởi một tham số mới
được định nghĩa thông qua khoảng cách và tốc độ tương ứng. Điều này tương
đương với chuyển động của phương tiện được biểu diễn trong hệ tọa độ tOx được
(a) Biểu đồ sự di chuyển của một phương tiện
(b) Chuyển động của phương tiện trong hệ trục tọa độ tOx
thể hiện như trong Hình 1.14(b).
Tham số mới tương ứng với sự thay đổi về thời gian trên một đơn vị quãng
tương tự với đường di chuyển (s/m) được định nghĩa như sau: w(x) =
. Do đó có được: c(x) = tương tự sẽ được: b(t)
.
chuyển động sử dụng w sẽ được phát triển. Các giá trị khởi tạo của phương tiện gồm có: t0[s], x0[m] tương ứng sẽ có: w0[s/m], c0[s/m2]. (cid:90) x (cid:90) x
x0
Do đó có được: t(x) = t0 + (cid:90) x (cid:90) x (cid:90) x (cid:90) x
x0 (cid:90) x
(cid:90) x
x0
x0
x0
x0
x0
x0
x0 (cid:90) x
(cid:90) x
(cid:90) x
và t(x) = t0 +
x0
x0
x0
x0
x0
x0
tế, phương trình chuyển động được mô tả trong các phần trước là một phép
xấp xỉ hữu hiệu. Trong thực tế, phương tiện giao thông thường có sự biến động
về tốc độ và gia tốc để chuyển động mang lại cảm giác ngẫu nhiên hơn. Điều
này đặc biệt đúng đối với lưu lượng xe cơ giới, trong đó chuyển động của một
chiếc xe cụ thể tại một thời điểm cụ thể không chỉ được quyết định bởi ý chí
của người lái xe (bản thân điều này cũng biến động theo từng thời điểm) nhưng
cũng chịu ảnh hưởng mạnh mẽ của điều kiện đường xá, điều kiện thời tiết, sự
hiện diện của các phương tiện khác trên đường. Tương tự như vậy, tàu thủy và
máy bay có thể biến thiên về tốc độ bởi sự thay đổi dòng nước và trong điều
kiện khí quyển. Hình 1.15 minh họa một chuyển động như trong sơ đồ quãng
đường và thời gian phương tiện di chuyển được.
Chỉ có thể thống kê các chuyển động bất quy tắc (chuyển động không đều,
vận tốc và gia tốc thay thổi liên tục). Chẳng hạn như: đo tốc độ trong khoảng
k (cid:88)
k (cid:88)
thời gian m, hoặc phương tiện đã di chuyển được quãng đường n thống kê các giá trị này lên biểu đồ tốc độ phương tiên với k lớp, trong đó mi hoặc ni là lớp (cid:33) (cid:32)
. Bao gồm khoảng thời gian có thể lấy thứ i, có
i=1
i=1
được tần số tuyệt đối của tốc độ một phương tiện được quan sát trong khoảng
thời gian T hoặc trong một quãng đường X được biểu diễn trong Hình 1.16. Biểu
đồ tốc độ theo thời gian sẽ được gọi là tốc độ - thời gian của phương tiện, biểu
đồ tốc độ theo quãng đường sẽ được gọi là tốc độ - quãng đường của phương tiện. Thay vì tần số thực tế mi hoặc ni, ở đây sử dụng tần số tuyệt đối bằng phép chia cho m hoặc n như sau: mi/m = ft(vi) nếu v tính theo thời gian và ni/n = fx(vi) nếu v được tính theo quãng đường. Từ đó có thể tính toán được tần số tương đối của phương tiện, và tổng các tần số tương đối cộng lại. Để
mô tả sự phân bố tần số thực nghiệm theo số học, cần thiết phải có các số liệu
thống kê: trung bình cộng số học và phương sai hoặc độ lệch chuẩn trung bình
từ trung bình cộng số học.
Mối quan hệ giữa tham số phụ thuộc vào thời gian và tham số phụ thuộc vào
quãng đường là mối quan hệ toán học giữa hàm mật độ giá trị vận tốc đo được trong thời gian ft(v) và hàm mật độ trong khoảng cách fx(v).
Nếu phương tiện giao thông di chuyển được khoảng cách X trong thời gian T , khoảng thời gian mà phương tiện di chuyển ở tốc độ v sẽ là: tv = T ft(v). Quãng đường thực tế mà phương tiện di chuyển ở tốc độ v là: xv = Xfx(v). Nhưng cả xv và tv có mối quan hệ với nhau thông qua xv = vtv. Do đó, có được Xfx(v) = T ft(v)v; fx(v) = ft(v).
Nhiều phương tiện cùng chuyển động ở trên đường là đại diện cho luồng
phương tiện giao thông di chuyển. Do đó, việc mô hình được luồng phương tiện
giao thông là việc làm cần thiết trong nhiệm vụ giám sát lưu lượng phương tiện
trên một tuyến đường. Trong nội dung nghiên cứu này các nút giao thông và
các điểm dừng giao thông sẽ được bỏ qua. Do đó, luồng phương tiện di chuyển
lúc này không có điểm dừng là hoạt động xuyên suốt quá trình chuyển động của
phương tiện, được giới thiệu như là các liên kết. Các đường biểu diễn sự chuyển
động của các phương tiện đơn lẻ có thể được giao nhau nếu thay đổi tốc độ như
được thể hiện trong Hình 1.17.
Trong nội dung này việc đánh nhãn các phép đo là cần thiết để ghi lại các
giá trị đo tại điểm đo với quãng đường di chuyển trong khoảng thời gian hữu
hạn, việc này như quan sát ngắn việc di chuyển của các phương tiện và phép đo
tại một điểm cố định trong thời gian trên trong một khoảng cách hữu hạn như
là quan sát tức thời. Các mô hình xác định để mô tả luồng lưu lượng được tập
hợp lại từ từng phương tiện. Với các mô hình này có thể chỉ định các thông số
của luồng phương tiện tại mỗi nơi và tại mỗi thời điểm. Nhưng số lượng các yếu
tố ảnh hưởng tới chuyển động rất lớn, đối với việc giám sát từ bên ngoài các
chuyển động này dường như là ngẫu nhiên. Do đó, trong thực tế lưu lượng giao
thông là việc xử lý ngẫu nhiên. Các tuyên bố liên quan đến tính chất đặc trưng
(các tham số) chỉ có thể được thực hiện trong xác suất thống kê.
Một luồng giao thông được giám sát từ một điểm đo cố định xi trong một khoảng thời gian ∆t như Hình 1.17 và lưu lại liên tục các giá trị theo thời gian khi các phương tiện đi qua. Luồng phương tiện được định nghĩa là Φxi(t) là số phương tiện tích lũy được tại điểm quan sát xi trong khoảng thời gian (0, t). Φxi(t) chỉ có thể tăng dựa theo số nguyên tăng. Giống hàm đại diện không giảm, số thực có giá trị được xử lý ngẫu nhiên hoặc xử lý lưu lượng rời rạc được gọi
là hàm CUSUM.
Tỉ số
(1.16)
đơn vị là [phương tiện/thời gian giám sát] được định nghĩa như là thể tích của
dòng phương tiện. Tuy nhiên, định nghĩa này chưa hoàn chỉnh vì không đưa ra
định nghĩa như giới hạn:
được thời gian M phương tiện đi qua. Nói chung, không thể suy luận với khoảng thời gian ngắn hơn và dài hơn. Cường độ dòng phương tiện tại một điểm xi được P [M (xi, t, ∆t) (cid:61) 1] ∆t thời gian].
Cường độ dòng phương tiện phụ thuộc vào thời gian, đây là quá trình động.
Khi cường độ là không phụ thuộc vào thời gian, quá trình này được gọi là tĩnh.
Tồn tại một kịch bản có thể được xác định bằng thủ tục kiểm tra thống kê. Số lượng λxi(t)∆t có thể được hiểu là xác suất mà một chiếc xe vượt qua điểm quan sát xi trong một khoảng thời gian nhỏ tùy ý ∆t. Chừng nào mật độ lưu lượng không quá cao thì xác suất của nhiều xe vượt qua P [M (xi, t, ∆t) > 1] biến mất khi ∆t cận 0. Như hai xe không vượt qua điểm xi cùng một lúc, ngay cả khi họ đang đi trên làn đường liền kề. Vì thế λxi(t) = lim . Nếu là ∆t→0
quá trình tĩnh và nếu λxi là hằng số đã biết, sau đó số lượng xe cần biết trong khoảng thời gian ∆t là E(M ) = λ∆t.
Các đường cong quãng đường hay khoảng cách di chuyển và thời gian của
phương tiện có thể được tổng hợp không chỉ qua trục thời gian (như trong Hình
1.18) mà còn được thể hiện trên trục khoảng cách di chuyển (như trong Hình 1.19). Hàm n(cid:48)(x, t) thể hiện một thời điểm giám sát tức thời tương ứng với một mặt cắt ngang qua hàm khoảng cách n(cid:48)(x, t) song song với trục x. Một luồng lưu lượng được quan sát thấy ở khoảng cách ∆x (ví dụ bằng việc chụp ảnh trên không) vào thời điểm ti, các vị trí của cả các phương tiện được tìm thấy trong ∆x được ghi lại (Hình 1.17). Định nghĩa hàm Ψti(x) như số phương tiện có thể đếm được tại thời điểm ti trong khoảng (O, x), trong đó trục x tương ứng với chiều chuyển động. Tại mỗi điểm phương tiện đi qua, hàm Ψti(x) tăng theo một đơn vị (được thể hiện trong Hình 1.20). Là một hàm nguyên xử lý ngẫu nhiên
tăng hoặc là xử lý lưu lượng rời rạc.
Mật độ giao thông thu được, tương tự như tính q ở phương trình (1.16) là sự khác biệt về tung độ của hàm Ψti(x) CUSUM tại thời điểm ti: k =
[phương tiện/quãng đường giám sát].
Tại thời điểm ti có thể được tính như trong mục c - Lưu lượng và phép đo nội tại, số M (cid:48) là lượng phương tiện đi qua điểm xi trong khoảng thời gian ∆t = ti −t0 có thể tính được trong trường hợp này từ hai hàm tức thời Ψt0(x) và Ψti(x) như Hình 1.19. Từ M (cid:48)(xi, t0, ∆t) = Ψt0(xi) − Ψti(xi) có thể tính bởi:
(1.17)
Sự khác nhau giữa phương trình (1.16) và (1.17) được so sánh bằng các tham
số thu được từ hai phương pháp đo từ hàm n(x, t) và n(cid:48)(x, t) có bảng như sau:
Đo tức thời [n(cid:48)(x, t)]
Đo điểm [n(x, t)]
2 giá trị đo ở t0 và ti = t0 + ∆t
1 giá trị đo ở xi trong ∆t
q =
q =
Ψti(xi) − Ψt0(xi) ∆t
Φxi(ti) − Φxi(t0) ∆t
2 phép đo ở x0 và xi = x0 + ∆x
k =
k = −
1 phép đo ở ti trong ∆x Ψti (xi) − Ψti(x0) ∆x
Φxi (ti) − Φx0 (ti) ∆x
Các vấn đề còn tồn tại trong các hệ thống xử lý ảnh giao thông ở các nước
đang phát triển có nhược điểm chung là: do đặc thù dòng giao thông hỗn hợp
nên khó khăn trong việc nâng cao độ chính nhận diện phương tiện do khoảng
cách giữa các phương tiện với nhau do đó cũng ảnh hưởng tới việc phân loại
phương tiện.
Mặc dù các phương pháp đưa ra đã được phân tích để đưa ra phương pháp có
khả năng ứng dụng cho dòng phương tiện hỗn hợp tuy nhiên để có thể ứng dụng
công nghệ xử lý ảnh cho việc quản lý và điều hành dòng giao thông hỗn hợp
cũng vẫn còn cần cải tiến các công nghệ và phương pháp cho phù hợp hơn. Bởi
cho đến nay các công trình nghiên cứu của các nhà khoa học trên thế giới hầu
như chỉ tập trung cho bài toán giao thông ở nước họ với các đặc trưng: chỉ có
ô-tô được lưu thông trên các tuyến đường chính, các phương tiện đi trong một
làn cố định vừa với kích thước của từng phương tiện đảm bảo chỉ có một phương
tiện đi trong một làn đường, các phương tiện khác nhau có các làn đường riêng
khác nhau. Tuy các nghiên cứu phát triển công nghệ xử lý ảnh cho nước đang
phát triển như Việt Nam còn ít nhưng cũng hứa hẹn có thể thực hiện được.
Trong đó có thể kể tới các đề tài, dự án nghiên cứu được thực hiện mục đích là
ứng dụng khả năng quản lý trong giao thông hỗn hợp.
Để cải thiện việc phân loại phương tiện trong giao thông hỗn hợp. Đã có
nghiên cứu phân loại phương tiện chỉ dùng 1 camera được đặt có hướng quan
sát cùng với hướng đi của dòng phương tiện như [C1]. Phương pháp này có thể
phân loại được nhiều loại phương tiện giao thông.
Ngoài ra, còn có các phương pháp giám sát lưu lượng phương tiện trong giao
thông hỗn hợp để điều khiển đèn tín hiệu giao thông được nói tới trong [C2].
Phương pháp này dựa vào tốc độ chiếm dụng mặt đường kể từ khi đèn đỏ để dự
đoán lưu lượng phương tiện giao thông trên luồng đường đi chuyển từ đó quyết
định thời gian hoạt động của đèn tín hiệu.
Tuy có nhiều yếu tố tác động, hệ thống xử lý ảnh trong giao thông tới nay
vẫn là một trong những hệ thống mạnh nhất vì khả năng ghi lại diễn biến trong
vùng quan sát để các nhà chức trách có thể xem lại video tại thời điểm mà
camera hoạt động. Chính vì các lý do như vậy, luận án nhận định phương pháp
xử lý ảnh trong giao thông là phương pháp phù hợp nhất cho việc giám sát giao
thông ở những nước đang phát triển có đặc trưng giao thông hỗn hợp nói chung
và Việt Nam nói riêng.
Một hệ thống Giao thông thông minh có sử dụng rất nhiều công nghệ để điều
khiển các phương tiện tham gia giao thông nhằm mục đích giúp cho các phương
tiện di chuyển an toàn và thông suốt. Các công nghệ này chủ yếu đã được ứng
dụng từ lâu, trong đó nổi bật lên là công nghệ xử lý ảnh.
Xử lý ảnh trong giao thông đã được nghiên cứu và áp dụng vào thực tiễn từ
các năm trước đây. Tuy nhiên, tuỳ theo đặc trưng giao thông của mỗi quốc gia
mà có nghiên cứu về xử lý ảnh của bài toán giao thông khác nhau. Ở các nước
phát triển, giao thông hiện đại bài toán giới hạn bởi các dòng phương tiện theo
làn cố định và cho từng loại phương tiện cố định. Mức ứng dụng công nghệ xử
lý ảnh ở các quốc gia khác hẳn với các nước đang phát triển có đặc trưng dòng
phương tiện giao thông hỗn hợp như Việt Nam. Do đó, nghiên cứu và phát triển
công nghệ xử lý ảnh để áp dụng vào các nước đang phát triển là một vấn đề
cấp thiết.
Trong nội dung trình bày ở chương này, các công nghệ nhận diện phương tiện
đã được trình bày và phân tích ưu nhược điểm khả năng ứng dụng trong giao
thông đô thị có đặc trưng là dòng phương tiện giao thông hỗn hợp. Các phương
pháp này đã được ứng dụng và thống kê khả năng nhận diện phương tiện ở các
quốc gia có nền khoa học kỹ thuật phát triển. Phương pháp nhận diện phương
tiện bằng xử lý ảnh vượt trội so với các công nghệ khác về tính khả thi ở các
nước đang phát triển. Tuy còn một số các vấn đề cần được cải thiện như: phát
hiện phương tiện khi điều kiện ánh sáng kém, đường quá đông các phương tiện
đi sát gần với nhau, nhiều chủng loại phương tiện cùng tham gia giao thông.
Luận án sẽ đi vào giải quyết các vấn đề này mục tiêu cụ thể là ứng dụng công
nghệ xử lý ảnh tại Việt Nam trong quản lý và giám sát giao thông.
Chương tiếp theo sẽ trình bày về phương pháp nhận diện và đề xuất phương
pháp phân loại phương tiện giao thông hỗn hợp. Các phương pháp sử dụng công
nghệ xử lý ảnh sẽ được phân tích và so sánh, cuối cùng là đề xuất phương pháp
phân loại phương tiện cũng như kết quả mô phỏng.
Dữ liệu phương tiện giao thông thu thập được từ các camera giám sát gắn
trên đường được truyền tải về trung tâm để xử lý mục đích là giám sát lượng
phương tiện và nhận dạng các bất thường trên đường như va chạm giao thông.
Dữ liệu là các đoạn videos ngắn nối tiếp nhau được đưa vào xử lý để nhận diện
các phương tiện giao thông trong đó. Từ việc nhận diện phương tiện giao thông,
cần thiết phải phân loại và thống kê được lượng phương tiện di chuyển qua một
tuyến đường trong một đơn vị thời gian để làm cơ sở tiền xử lý các chức năng
như điều khiển đèn tín hiệu giao thông, phát hiện phương tiện đi vào đường
cấm hoặc đường có làn riêng cho từng loại phương tiện. Trong nội dung chương
này, luận án tập trung vào giải pháp tiền xử lý dữ liệu là đề xuất cải thiện chất
lượng ảnh thu được và phân loại phương tiện.
Ngày nay, những nước phát triển đang triển khai mạnh mẽ công nghệ xử lý
ảnh trong giao thông thông minh, y tế, sinh học và các lĩnh vực khác. Cải thiện
chất lượng ảnh là tiền đề của mọi vấn đề cần xử lý trong xử lý ảnh là mục tiêu
quan trọng đặc biệt là việc nâng cao độ phân giải của ảnh từ những điểm ảnh nội
suy mới. Trong các giải thuật: nội suy Linear; nội suy Bilinear; nội suy Nearest
Neighbor; nội suy Cubic; nội suy Bicubic [10] thì giải thuật nội suy Bicubic là
đưa ra kết quả tốt nhất. Giải thuật nội suy ảnh Bicubic (Bicubic Interpolation
- BI) sử dụng một ma trận các điểm ảnh gốc xung quanh điểm ảnh nội suy, tuy
nhiên ảnh sau khi được nâng độ phân giải lại chưa có độ sâu tương phản giữa
các đối tượng như ảnh gốc đặc biệt là các vùng biên của các đối tượng vật thể
ở trong ảnh, các vùng biên này đã bị mờ đi. Mục đích của nghiên cứu này là
57
làm giảm hiệu ứng mờ từ các khối lân cận thông qua việc cải thiện giá trị điểm
ảnh nội suy dọc theo các điểm ảnh biên phân chia các đối tượng trong khung
hình. Phương pháp này chính là ứng dụng giải thuật BI cùng với phương pháp
xác định biên Canny [99] để điều chỉnh các điểm ảnh dọc theo biên của vật thể
trong khung hình. Kết quả của phương pháp này có thể được ứng dụng trong
hệ thống giám sát giao thông.
Trong giao thông thông minh (ITS) và nhiều ngành khác phân tích ảnh để
phát triển được một thuật toán nội suy mạnh để nâng cao cải thiện chất lượng
độ phân giải của ảnh là rất cần thiết. Đôi khi những điều xảy ra trên đường
cần được xem xét và đánh giá lại, nên việc nâng cao chất lượng độ phân giải
của ảnh có thể ảnh hưởng tới việc theo dõi các đối tượng cần quan tâm. Do đó,
luận án đã nghiên cứu phương pháp nâng cao chất lượng của ảnh để ứng dụng
trong giao thông thông minh để cải thiện khả năng theo dõi của người giám
sát. Các nguồn dữ liệu hiện tại được thu thập từ các loại camera có nhiệm vụ
ghi lại thành các chuỗi dữ liệu từ các hình ảnh hay khung hình đơn lẻ liên tiếp
nhau. Các camera này được đặt tập trung vào vùng cần quan tâm giám sát ở
trên đường. Mục đích của nghiên cứu này là nâng cao chất lượng của ảnh sau
khi nội suy nâng cao độ phân giải của ảnh. Giả định có một hình ảnh hay một
khung hình có kích thước a × b điểm ảnh sẽ được nâng cao lên thành độ phân giải c × d điểm ảnh. Ở đây, luận án chỉ xét hệ số nội suy kích thước ảnh là 2i, điều đó có nghĩa là: c = a × 2i; d = b × 2i.
Trong thực tế, giải thuật (BI) được biết đến như là giải thuật nội suy rất
mạnh so với các giải thuật: 1D Nearest Neighbour, Liner, Cubic, 2D Nearest
Neighbour, Biliner. Nên cần thiết phát triển một giải thuật tối ưu hơn nữa
nhằm nâng cao chất lượng ảnh nội suy của BI là điều cần thiết. Trên cơ sở giải
thuật BI nhiều nhà nghiên cứu đã phát triển thêm các phương pháp để nâng cao
chất lượng ảnh sau khi nội suy như phương pháp sử dụng chuyển đổi sóng con
rời rạc (Discrete Wavelet Transform) ở trong [100] hoặc giải thuật phát triển
biên trực tiếp được sử dụng trong nghiên cứu [101]. Các giải thuật này được mô
tả phức tạp và sử dụng nhiều thời gian để tính toán.
Giải thuật nội suy Cubic (Cubic Interpolation) là cơ sở của giải thuật BI, các
điểm ảnh nội suy trong giải thuật được xác định bởi các phần tử điểm ảnh gốc
thuộc một ma trận vuông xung quanh nó.
Nhận diện đối tượng chuyển động là cơ sở để xử lý ảnh trong video, từ các đối
tượng nhận dạng được có thể ước lượng và dự đoán tình huống ảnh hưởng tới
khả năng lưu thông trên đường. Các phương pháp cơ bản nhận dạng đối tượng
trong xử lý ảnh được trình bày trong [102, 103, 104] được tóm tắt lại như sau.
Là phương pháp giám sát các điểm trên bề mặt một đối tượng chuyển động
so với một điểm gốc, tiêu biểu là nghiên cứu của Lucas–Kanade trong [105]. Áp
sự chuyển động các điểm trên vị trí bề mặt của đối tượng vào không gian ba
chiều thì hình chiếu của các điểm chuyển động đó lên một mặt phẳng hai chiều
được gọi là motion field. Từ các motion field xác định được tập hợp từ một
chuỗi hình ảnh liên tiếp nhau sẽ có được Optical Flow, phương pháp này chủ
yếu được sử dụng trong việc nhận diện các đối tượng chuyển động trong khung
hình. Phương pháp này đòi hỏi tính toán lớn và có độ nhạy cao với nhiễu, khả
năng ứng dụng trong thời gian thực là khó.
Là phương pháp được sử dụng rộng rãi nhất cho việc phát hiện đối tượng.
Phương pháp này bao gồm 2 loại, trong đó nền của bức ảnh được xác định bởi
khung hình đầu tiên hoặc trung bình n khung hình trong video. Ở phương pháp
trừ nền, mỗi điểm ảnh của khung hình liên tiếp loại bỏ đi điểm ảnh của nền.
Phương trình (2.1) và (2.2) trình bày phương pháp xóa nền khi coi khung hình
đầu tiên làm nền.
(2.1)
Trong đó, B(a, b) biểu diễn nền của ảnh theo điểm ảnh. Trừ nền tách các khung
hình thành đối tượng tiền cảnh và nền, ở đó, các đối tượng tiền cảnh được khám
phá bằng việc so sánh khung hình hiện tại A(a, b) với nền ảnh B(a, b). Theo
phương trình sau:
(2.2) các trường hợp còn lại 0
công hoặc lựa chọn một cách tự động theo video đầu vào. Phương pháp này tiêu
tốn ít bộ nhớ. Độ chính xác của quá trình phát hiện là vừa phải.
Phương pháp này được biết tới là sự quan sát khác biệt theo thời gian. Trong
đó, mỗi điểm ảnh của khung hình hiện tại phải trừ đi điểm ảnh ở vị trí này ở
khung hình trước đó. Nếu sự thay đổi vượt quá mức ngưỡng được đặt một cách
thủ công thì điểm ảnh đó được coi như thuộc tiền cảnh, ngược lại điểm ảnh đó
thuộc nền. Phương trình (2.3) trình bày phương pháp vi sai khung hình.
(2.3) các trường hợp còn lại 0
Ở đó, In là điểm ảnh thuộc khung hình trước và In+1 là điểm ảnh thuộc khung hình hiện tại. T là giá trị ngưỡng được định nghĩa một cách thủ công bởi người
dùng. Sự tính toán của tiến trình này vừa phải và dễ dàng. Đối với các môi
trường không tĩnh, rất nhiều thử thách để có được bản phác thảo của đối tượng
đang di chuyển. Vì vậy, rất khó để đạt độ chính xác mong muốn.
Được biết đến như chỉ ra sự khác biệt theo thời gian, trong đó mỗi điểm ảnh
thuộc khung hình hiện tại bị trừ với điểm ảnh ở vị trí này thuộc khung hình
trước đó và khung hình ngay sau nó. Nếu sự phục hồi lớn hơn mức ngưỡng đã
định nghĩa trước đó, điểm ảnh này là một điểm ảnh tiền cảnh, ngược lại điểm
ảnh đó là một điểm ảnh thay thế của điểm ảnh nền.
(2.4)
(2.5)
(2.6)
Ở đó, Cn(a, b) là kết quả điểm ảnh tiền cảnh. Dn biểu thị khung hiện tại của video. Dn+1 chỉ khung kế tiếp. Tương tự như trong phương trình 2.5 Dn+1 là khung hình hiện tại, Dn+2 là khung kế tiếp. Cuối cùng, DD(a, b) xác định kết quả theo phương pháp vi sai kép.
(2.7) các trường hợp còn lại 0
trị ngưỡng thì điểm ảnh được phản ánh như màu đen, các trường hợp khác, nó
được phản ánh như màu trắng. Phương pháp này chỉ ra đối tượng chuyển động
một cách chính xác. Nhưng nó tiêu tốn bộ nhớ lớn và thời gian để tính toán.
Các đối tượng di chuyển có thể được phân loại như người, phương tiện, mây
trôi, chim và các đối tượng không tĩnh khác.
Dữ liệu hình dạng từ các bức ảnh khác nhau của các vùng chuyển động như
mô tả, Blob và boxes gần đạt được quá trình phân loại đối tượng chuyển động.
Sự pha tạp của hình ảnh và ràng buộc đối tượng với quang cảnh như khoảng
đốm của hình ảnh, tỉ lệ đặc trưng dễ nhầm lẫn của phần diện tích hình chữ nhật
blob sẽ tạo thành các đặc điểm đầu vào cho mạng của ảnh. Yêu cầu trên được
thực hiện trên mỗi blob ở khung tương ứng và kết quả được ghi nhớ dưới dạng
biểu đồ.
Sự di chuyển của đối tượng hình học minh họa một sự ngắt quãng tài sản, vì
vậy, nó được sử dụng như một chỉ thị hiểu quả cho tổ chức đối tượng động. Tiến
trình luồng quang lượng là phương pháp thuận tiện cho việc nhóm đối tượng.
Luồng dư còn lại có thể được loại bỏ để kiểm tra sự không linh hoạt và định kỳ
của các vật chuyển động. Nó có thể dự đoán rằng các thực thể không linh hoạt
có thể vẽ ra dòng bền vững trong khi các đối tượng khả biến hình học như con
người có lưu lượng trung bình hỗn hợp, ngay cả khi trưng bày một thành phần
gián đoạn.
Không như một vài đặc trưng của một bức ảnh, đặc trưng ràng buộc một
cách tương đối là thông tin màu sắc nó không thay đối và dễ để phát triển. Mặc
dù, màu sắc không thể áp dụng như các tài nguyên riêng lẻ của việc đồng nhất
hóa và theo dõi đối các đối tượng, ngay cả những tiến trình mà chúng có chi
phí tính toán nhỏ khiến màu sắc như một đặc trưng đầy ý nghĩa để thực hành
khi phù hợp. Kĩ thuật quan trọng nhất là biểu diễn màu sắc cho việc phát hiện
và theo dõi những đối tượng không tĩnh trong thời gian thực. Mô hình trộn lẫn
gauss lại được sử dụng để minh họa sự tán xạ màu sắc được bao quanh bởi cấu
trúc của hình ảnh.
Hệ thống dựa vào kết cấu đếm sự tồn tại của đường dốc thẳng hàng trong
những phần đã giới hạn của một ảnh. Sau đó tính thông tin trong một lưới đã
tụ lại của sự lây lan một cách nhất quán ra các tế bào và sử dụng chuẩn hóa
sự chênh lệch hẹp chồng lấn để nâng cao độ chính xác. Đặc điểm kết cấu quan
trọng để đo sự chênh lệch cường độ của bề mặt và thấy rõ với sự biểu hiện mô
hình đối tượng.
Ngày nay, giao thông thông minh được ứng dụng và nâng tầm quan trọng
đúng với sự phát triển kinh tế xã hội của các nước đang phát triển. Giám sát
phương tiện là một trong những chức năng quan trọng của ITS, các phương tiện
được phân loại bởi hệ thống quản lý giao thông theo các làn đường xe chạy,
đặc biệt là trên các tuyến đường có đặc trưng là giao thông hỗn hợp bao gồm
nhiều phương tiện là xe máy và ô-tô cùng di chuyển với nhau như ở Việt Nam.
Nghiên cứu này đề xuất một phương pháp phân loại mới dựa trên cơ sở góc tới
của phương tiện được nhận dạng bởi hệ thống camera giám sát. Kết quả của
phương pháp này có thể được sử dụng để nâng cao độ chính xác trong việc phân
loại phương tiện giao thông, nhằm mục đích giám sát và thực thi luật giao thông
đường bộ đối với các phương tiện đang di chuyển trên đường. Đề xuất nghiên
cứu này có thể ứng dụng tại các nước có tính chất giao thông hỗn hợp và được
sử dụng để kiểm tra đối với các phương tiện đi sai làn, đi sai đường và luật lệ
giao thông.
Ở những nước đang phát triển, đặc trưng giao thông là hỗn hợp bao gồm
nhiều loại phương tiện như: ô-tô, xe máy, xe đạp và các phương tiện khác cùng
di chuyển trên một làn đường như Việt Nam [106]. Hệ thống giám sát các phương
tiện giao thông gồm nhiều chức năng, trong đó việc phân loại phương tiện là
một chức năng quan trọng giúp nhà chức trách có khả năng thống kê và đánh
giá xu hướng phát triển của từng dòng phương tiện. Phân loại phương tiện giúp
cho việc giám sát lưu lượng mỗi loại phương tiện trên từng làn đường. Đã có
nhiều nghiên cứu về phương pháp phân loại phương tiện như phương pháp ứng
dụng từ trường và sóng radio để thu nhận kích thước của mỗi phương tiện, các
cảm biến này được đặt gần chỗ với camera giám sát từng làn xe để theo dõi
quỹ đạo di chuyển và phân loại phương tiện đồng thời [107]. Tuy nhiên, phương
pháp này tốn kém và độ chính xác chưa cao trong kịch bản giao thông hỗn hợp.
Có một phương pháp khác được nghiên cứu trong [108, 109] cũng giám sát kích
cỡ của phương tiện, tuy nhiên chỉ áp dụng cho xe ô tô hoặc không phải là xe ô
tô và không bao gồm xe máy.
Phương pháp phân loại phương tiện sử dụng cảm biến từ trường được giới
thiệu trong [110] cũng khá chính xác, nhưng bất lợi của cách tiếp cận này là
phương pháp này không thể phân loại phương tiện trên nhiều làn đường, phương
pháp này chỉ thích hợp cho các trạm kiểm soát thu phí nơi mà các phương tiện
phải đi theo hàng. Trong hệ thống này sử dụng một từ kế để phát hiện chiều
dài xe từ góc quét vuông góc với hướng phương tiện di chuyển để phân loại xe
dựa theo chiều dài của phương tiện.
Các nghiên cứu được đưa ra trong [86, 111] kết hợp K-Nearest Neighbour,
đặc trưng của đường định hướng và các hình cơ sở của giải thuật Support Vector
Machines (SVM) để kết hợp và phân tích dựa trên hình dạng và dựa trên độ dốc
hình cơ sở để phân loại xe ô tô trong đường cao tốc. Giải pháp này đạt hiệu quả
cao khi hệ thống đèn giao thông và camera giám sát được chuẩn hóa với nhau.
Vì dòng xe máy hỗn hợp và các phương tiện khác là điển hình trong bối cảnh
giao thông của Việt Nam, cần phải phân loại xe máy ra khỏi xe ô tô trong một
làn đường nhiều làn xe. Do đó, bài báo này sử dụng Góc Trực tiếp (Direction
Angle) của trục chính thứ nhất (First Primary Axis - FPA) cho mỗi chiếc xe
tới được phát hiện trong trình tự video chụp bằng camera giám sát, có thể tự
ý gắn trên một con đường nhất định. Phép trừ nền [30] lần đầu tiên được thực
hiện cho trình tự khung bắt và sau đó mỗi chiếc xe được đặt và DA của FPA
được đánh giá để đưa ra quyết định trong nhiệm vụ phân loại. Các kết quả thực
nghiệm cho thấy hiệu quả phân loại cao và ngụ ý rằng cách tiếp cận này có thể
áp dụng cho quản lý giao thông ở các nước đang phát triển có khả năng là Việt
Nam, nơi có nhiều xe máy tham gia giao thông nhiều làn xe cùng với ô-tô.
Ngày nay, tự động hóa trong quản lý và giám sát giao thông là công việc
vô cùng cần thiết, các phương tiện giao thông cần được điều khiển và giám sát
hoàn toàn tự động. Giám sát các phương tiện giao thông nhằm thực thi các
điều khoản trong Luật Giao thông đường bộ và để giao thông diễn ra an toàn,
thông suốt. Do đó, việc ứng dụng phương pháp đo tốc độ ô tô dựa trên xử lý
ảnh là việc làm quan trọng và cần thiết. Phương pháp mới được luận án đề xuất
sử dụng một camera để mô hình hóa khoảng cách từ camera tới phương tiện.
Trong phương pháp này, vị trí của phương tiện có thể xác định ứng với từng
điểm ảnh thu được dựa vào thông số lắp đặt của camera. Phương pháp này có
thể tận dụng các camera giám sát hiện có mà không cần thay đổi hay lắp thêm
thiết bị hỗ trợ khác, điều này phù hợp với cơ sở hạ tầng giao thông ở Việt Nam.
Trong những năm gần đây, hệ thống Giao thông thông minh (Intelligent
Transportation System - ITS) đã bắt đầu được nhiều nước đang phát triển áp
dụng nhằm mục đích tự động hóa giám sát và điều khiển giao thông. Một hệ
thống ITS có thể thay thế rất nhiều nhân lực, hoạt động liên tục và chủ động
giám sát điều khiển giao thông. Các hệ thống giao thông thông minh tiêu chuẩn
có các chức năng: điều khiển đèn tín hiệu giao thông, cảnh báo nguy hiểm đối
với các phương tiện đang lưu thông trên đường, kiểm soát và quản lý giao thông,
duy trì trật tự, thu phí điện tử, giám sát tốc độ phương tiện, giám sát và quản
lý các phương tiện tham gia đúng luật và quản lý lưu lượng phương tiện để điều
hướng dòng phương tiện. Do đó, triển khai đo tốc độ xe ô tô là việc làm cần
thiết trong việc xây dựng các tính năng cơ bản cho hệ thống ITS ở Việt Nam.
Hiện nay, trên thế giới đã có nhiều nghiên cứu công bố về phương pháp đo
tốc độ phương tiện giao thông. Phương pháp sử dụng 2 camera để đo tốc độ
phương tiện được giới thiệu ở trong [112] [113] sử dụng 2 camera tốc độ cao
160 khung hình một giây (frame-per-second – fps) được đặt với góc khác nhau
để tính toán tốc độ xe qua vùng chuyển giao (handover) hoặc đặt vuông góc
với mặt đường. Phương pháp này và phương pháp sử dụng camera kết hợp với
thông tin quang trong [114] gây đắt đỏ về kinh tế, khó triển khai ở các nước
đang phát triển. Phương pháp sử dụng một camera để mô hình hóa góc quét
như [5] chưa đại diện được cho góc quét theo từng điểm ảnh thu được trên từng
khung hình. Ngoài ra, phương pháp sử dụng camera kết hợp với phương pháp
nhận diện phương tiện cũng được sử dụng như trong [115], đo tốc độ phương
tiện bằng từ trường do xe đi qua thay đổi kết hợp với camera và nhận dạng biển
số phương tiện. Nhưng phương pháp này cần tín hiệu đồng bộ và gây tốn kém.
Nghiên cứu này đưa ra phương pháp mới nhằm xác định vị trí và ước lượng
khoảng cách di chuyển của phương tiện từ thông số của camera. luận án đề xuất
tính toán độ dịch chuyển của phương tiện từ các mô hình toán học theo các
điểm ảnh.
Biên ảnh là một bộ các điểm ảnh đại diện để nhận biết và phân tách các đối
tượng trong khung hình. Giải thuật Canny sau khi được giới thiệu ở trong [99]
được biết đến như là giải thuật tốt nhất để tìm biên ảnh dựa theo bốn bước cơ
bản sau:
- Làm mờ hoặc giảm nhiễu ảnh trên cơ sở Gaussian Blur:
(2.8)
2σ2
(2.9)
Phương trình ở trên có thể tính được theo phương x và phương y. S ở đây là
ảnh mờ kết quả từ phép biến đổi theo ảnh gốc I.
- Dẫn xuất chuẩn được tính toán bởi:
(2.10)
(cid:21)
(2.11) = (cid:20)gx gy
(cid:21)
(2.12) (cid:20)gx gy
(cid:20)gx ∗ I gy ∗ I - Xác định độ lớn đường và đường định hướng:
Độ lớn đường:
x + S2 y
(cid:113)(cid:0)S2 (cid:1), (2.13)
Đường định hướng:
(2.14)
- Cuối cùng là xét ngưỡng Hysteresis để quét các điểm ảnh Gradient trong
một trường quét để quyết định các điểm ảnh cạnh cuối cùng.
nếu |∇S| (x, y) > |∆S| (x|, y|)
(2.15)
các trường hợp còn lại
Phương pháp nội suy dùng để nâng cao độ phân giải của ảnh sẽ cần tới các
điểm ảnh gốc ở xung quanh, đây chính là cơ sở của phương pháp nội suy các
giá trị điểm ảnh mới. Mỗi một phương pháp đều có cách tính khác nhau nhưng
nhìn chung các điểm ảnh mới có giá trị không rõ, chung chung, và không có khả
năng phân biệt tại các vị trí biên hay các vị trí cần phân tách các đối tượng
trong khung hình. Hình 2.2 cho thấy ví dụ về ảnh có độ phân giải cao và ảnh
có độ phân giải thấp hơn. Trong nghiên cứu này chỉ xét tới việc xử lý trên ảnh
xám và phương pháp mà Robert G. Keys đã giới thiệu về giải thuật BI dựa trên
cơ sở từ giải thuật ở trong [10].
Giải thuật CI được tính toán dựa trên các phép tính và đồ thị như ở Hình 3.
Điểm ảnh thứ 4 là điểm ảnh nội suy được tính toán từ các điểm ảnh gốc 1, 3, 5
và 7. Phương trình bậc 3 đi qua bốn điểm ảnh này sẽ chứa giá trị của điểm ảnh
4 như phương trình 2.16
Giải thuật BI được ứng dụng trong 2D có cơ sở từ giải thuật 1D Cubic ở trong
Hình 2.3, điểm ảnh nội suy sẽ được xác định từ các điểm ảnh ở xung quanh theo
phương dọc và phương ngang của khung hình.
(2.16)
Giải thuật BI được mô tả trong Hình 2.4 có hệ số nội suy L = 2, các điểm 1,
2, 3 và 4 được xác định từ các hàm Cubic 1D trong trục x. Điểm ảnh nội suy
3 (cid:88)
3 (cid:88)
BI p(x, y) sử dụng các điểm ảnh Cubic 1D làm cơ sở được giới thiệu trong công thức 2.17, ở đây aij là điểm ảnh gốc.
(2.17)
i=0
j=0
Trong thực tế, ảnh nội suy sử dụng giải thuật Bicubic điển hình bị nhòe các
vùng phân biệt đối tượng bởi giải thuật nội suy bị ảnh hưởng do BA. Để loại
bỏ hiệu ứng này, bản đồ biên được đề xuất để nâng cao chất lượng ảnh nội suy
và các điểm ảnh biên xung quanh sẽ được tính toán loại nhằm khôi phục độ sâu
tạo ra độ tương phản giúp mắt người có thể phân biệt được các đối tượng trong
khung hình. Hình 2.5 minh họa cho một ảnh gốc và một ảnh sau khi nội suy có
cùng kích thước độ phân giải. Trong Hình 2.5 dễ nhận thấy nếu các điểm ảnh
có đồng mức màu thì các điểm ảnh nội suy và điểm ảnh gốc không khác nhau
nhiều đối với các điểm ảnh đang trong độ dốc diễn tả sự khác nhau giữa các đối
tượng trong khung hình. Thì các điểm ảnh nội suy và điểm ảnh gốc khác nhau
rõ rệt, các điểm ảnh gốc luôn có giá trị sâu hơn và cao hơn đối với các điểm ảnh
nội suy, lý do là bởi điểm ảnh nội suy mang giá trị được tập hợp từ các điểm
ảnh xung quanh nó. Tuy nhiên cũng vị trí mà điểm ảnh nội suy lại có giá trị lớn
hơn hoặc thấp hơn so với ảnh gốc. Đấy là vấn đề đối với cục bộ một đường, do
điểm nội suy ảnh hưởng từ xung quanh.
Phương pháp đề xuất dựa vào ảnh biên của ảnh được tính toán từ phương
pháp Canny để xác định được các vùng tương phản nhau. Ảnh biên là ảnh có
thể xác định được các vùng màu tương đồng, do đó việc phân tích ảnh biên để
cải thiện chất lượng ảnh cho phù hợp với mắt người là cần thiết để nâng cao
chất lượng của hình sau khi nội suy.
Sau khi nội suy BI ảnh thu được là ảnh G, ảnh thu được là ảnh có kích thước
lớn hơn ảnh đầu vào J như trong Hình 2.10. Ảnh G được đưa vào để tính ra các
đường biên ở ảnh C. Sau khi tính toán được ảnh C thì xảy ra hai trường hợp:
đường cong trong ảnh biên là đường cong kín và đường không không kín. Do
đó, có hai phương pháp để thực hiện với từng trường hợp:
- Xác định đường cong kín, phương pháp đề xuất sử dụng một ma trận vuông
có kích thước 2 × 2 quét trực tiếp lên các điểm biên được thể hiện trong Hình
2.6 là vị trí của ma trận khi quét được ghi lại.
Trên cơ sở xác định được đường cong là kín, độ tương phản giữa các vùng
phân tách đối tượng trong khung hình được xác định bằng đường viền có thể
được tính toán lại bởi các điểm ảnh ở ngoài và ở trong dọc theo biên ảnh.
Ma trận được minh họa trong Hình 2.7 được dùng để xác định các điểm ảnh
cần được tính toán lại cho phù hợp với độ tương phản và tương đồng với các
điểm ảnh ở xung quanh. Ma trận có kích thước 7 × 7 được sử dụng khi chạy lần
lượt với các điểm ảnh biên ở trong ảnh, vị trí của phần tử (4, 4) sẽ dịch chuyển
trùng với các điểm ảnh biên. Sau khi xác định được các điểm ảnh cần được tính
toán lại các điểm ảnh này sẽ sử dụng các phương pháp được trình bày ở trong
[116, 117, 118].
Cách tính các điểm ảnh lân cận biên đối với một đường cong kín được mô tả
như trong Hình 2.8. Hình 2.8(a) là phương pháp nội suy tuyến tính ứng dụng
cho dữ liệu một chiều, điểm ảnh nội suy (x, y) được phát triển từ nội suy tuyến tính từ hai điểm ảnh gốc là (x1, y1) và (x2, y2). Giá trị điểm ảnh x được tính trong phương trình 2.18. Phương pháp nội suy song tuyến tính ứng dụng cho dữ
liệu hai chiều, điểm ảnh nội suy (x, y) được tính như trong phương trình 2.20:
(2.18)
(2.19)
(2.20)
(a) Nội suy tuyến tính
(b) Nội suy song tuyến tính
Với đường cong không kín, sử dụng thêm một ma trận Smin có kích thước 3 × 3 ở trung tâm của ma trận 7 × 7 được minh họa trong Hình 2.9 để xác định
được những điểm ảnh cần tính toán lại từ những điểm ảnh gốc dọc theo đường
cong không kín.
Bằng cửa sổ quét theo các điểm ảnh biên, mỗi bộ 3 điểm ảnh biên liền nhau
sẽ được phân bổ để tính toán lại các điểm ảnh nội suy BI, như được mô tả cho
đường cong kín ở bên trên.
Điểm ảnh nội suy cần cải thiện giá trị theo phương pháp đề xuất sẽ cải thiện
được độ phân giải giữa các đối tượng trong ảnh qua giải thuật tính toán đường
biên ảnh nó sẽ làm giảm hiệu ứng gây mờ BA.
Sơ đồ khối của phương pháp đề xuất được minh họa trong Hình 2.10, trong đó I và Idown là ảnh gốc và ảnh đã giảm kích thước mỗi chiều xuống một nửa. Ảnh Idown này sau đó được nâng kích thước lên với hệ số ×2 ở mỗi chiều sử
dụng giải thuật BI trờ thành ảnh G. Giải thuật đề xuất sủ dụng bản đồ biên
theo phương pháp Canny ở nghiên cứu [99] để từ đó thay đổi giá trị điểm ảnh ở
vùng biên này cho phù hợp và giảm thiểu được hiệu ứng mờ ảnh hưởng từ các
khối lân cận. Trong nghiên cứu này luận án lựa chọn hệ số tỷ lệ ×2 để giới hạn
lại bài toán. Do hệ số 2 phù hợp với kích thước nhân đôi mỗi chiều của ảnh gốc
cần nội suy tăng kích thước, ảnh mới sẽ có số điểm ảnh gấp 4 lần ảnh gốc. Giới
hạn ×2 để có thể quan sát kĩ giải thuật Bicubic hoạt động và cũng là cơ sở cho các hệ số tăng 2n.
Mô hình mô phỏng
Nguồn dữ liệu mô phỏng được thu thập từ camera giám sát trên chính đoạn
đường cần quan tâm ở đây là nút giao Hầm Kim Liên.
Nguồn video này được tách ra thành các khung hình để từ đó thực hiện các
nghiên cứu.
Phương pháp mô phỏng
Kịch bản mô phỏng
Dữ liệu được thu thập trong điều kiện ánh sáng ban ngày, trời hanh khô và
không mưa.
Các đoạn video thu thập được tách ra thành các khung hình để kiểm thử
phương pháp đề xuất.
Chuỗi ảnh được lấy từ video đưa vào giải thuật đề xuất, phương pháp đánh
giá được thực hiện dựa trên chỉ số PSNR (Peak Signal-to-Noise Ratio) giữa ảnh
được thực hiện bằng phương pháp đề xuất và phương pháp BI có cùng độ phân
giải.
Hình 2.11 minh họa cho giải thuật nội suy được trình bày ở Hình 2.10. Ảnh
gốc I được giảm kích thước 2 lần mỗi chiều và được chuyển thành ảnh xám Idown. Ảnh Idown tiếp theo được đưa vào để tính toán nội suy thành ảnh G và ảnh biên Canny C. Ảnh C và ảnh G này chính là đầu vào để xử lý của phương
pháp đề xuất.
Khung hình
Giải thuật nội suy Bicubic (PSNR, dB)
Phương pháp đề xuất (PSNR, dB)
1
27, 4586
28, 3432
2
29, 2633
29, 9893
3
29, 4240
31, 3964
4
29, 7181
31, 0746
5
29, 1698
30, 6485
Trong Bảng 2.1 thể hiện kết quả so sánh PSNR giữa phương pháp Bicubic
truyền thống và phương pháp đề xuất. Kết quả thể hiện trong bảng khá cải
thiện so với giải thuật BI, nhằm mục đích cải thiện chất lượng của ảnh nâng cao
độ tương phản và giảm hiệu ứng BA trong ảnh nội suy nâng cao độ phân giải.
Phương pháp đề xuất tăng độ tương phản giữa các đối tượng trong ảnh thu
nhận được so với phương pháp nội suy gốc Bicubic. Giá trị PSNR giữa phương
pháp đề xuất và Bicubic nhỉnh hơn cho thấy chất lượng của ảnh theo phương
pháp đề xuất gần giống với ảnh gốc hơn.
Phương pháp nâng cao chất lượng ảnh này có thể áp dụng trong nhiều lĩnh
vực để nhằm mục tiêu cải thiện độ tương phản giữa các đối tượng trong ảnh.
Hệ thống sử dụng một camera CCD có kích thước khung hình là 640 × 480
điểm ảnh và có tốc độ 30f ps (khung hình trên giây) được lắp đặt ở độ cao 6.25m
từ mặt đường tới vị trí lắp đặt camera, góc quét của camera so với phương ngang là 300 độ được thể hiện trong Hình 2.1.
Nhận dạng phương tiện giao thông di chuyển trên đường theo thiết lập camera
ở trên được thực hiện theo phương pháp trừ nền được giới thiệu ở trong [111],
các phương tiện được nhận dạng theo các điểm ảnh nhị phân được mô tả trong
Hình 2.13 bên dưới. Phương pháp này loại bỏ các giá trị điểm ảnh giống nhau
giữa các cặp khung hình tại từng vị trí điểm ảnh, các điểm ảnh có giá trị khác
nhau giữa các cặp khung hình sẽ được lưu lại và chuyển thành ảnh nhị phân.
Do đó, các đối tượng chuyển động trong góc thu của camera sẽ tạo ra các vị trí
mới liên tục giữa các khung hình và hệ thống có thể nhận dạng được đó là các
phương tiện đang chuyển động.
Việc phân loại phương tiện giao thông chủ yếu dựa vào các tính chất vật lý
của đối tượng. Trong bộ dữ liệu phương tiện thu nhận được, chủ yếu được thống
kê theo tiêu chí về kích cỡ đường bao quanh đối tượng. Tuy nhiên, đối tượng có
thể bị giảm tỉ lệ khi được ghi lại trong khung hình của camera. Do đó, yếu tố
góc của đường bao là giữ nguyên được tính chất của các đối tượng. Hình 2.14(a)
(a) Ảnh gốc thu được từ camera
(b) Ảnh nhị phân nhận dạng ra các đối tượng chuyển động
mô tả góc a được dùng để phân loại các đối tượng trong khung hình. Góc a được
tính theo công thức:
(cid:19)
(2.21) (cid:18) width length
(a) Mô hình thu nhận góc tới
(b) Góc tới được tính ở xe máy
Trong Hình 2.15 là bộ dữ liệu các ô tô nhận dạng được, trong này gồm có
nhiều loại xe theo thống kê như sau: sedan (xe 4 chỗ), mini-van (dòng xe nhỏ),
SUV (xe thể thao đa dụng) và pickup (xe bán tải), đường bao hình chữ nhật
chính là đường bao của đối tượng sau khi thực hiện phương pháp trừ nền để tìm
ra các đối tượng chuyển động trong khung hình thu được.
Hình 2.16 mô tả đường bao được dung làm cơ sở để phân loại phương tiện.
Trong hình này, bộ dữ liệu của 80 phương tiện bao gồm các loại xe ô tô 4 chỗ, xe
thể thao đa dụng, xe nhỏ và xe bán tải. Theo thống kê từ kết quả thực nghiệm, thì các phương tiện này có góc a nằm trong khoảng 39, 920 độ tới 49, 420 độ và do đó đặc trưng này được dung để phân loại phương tiện được thể hiện ở trong
Bảng 2.2.
Góc tới nhỏ nhất Góc tới lớn nhất Góc tới trung bình
39, 920
49, 420
45, 920
Từ dữ liệu thống kê này, cho thấy góc tới lớn nhất thuộc về các dòng xe 4
chỗ, tiếp theo là dòng xe nhỏ, góc tới của dòng xe thể thao đa dụng nhỏ hơn và
dòng xe bán tải có góc tới là nhỏ nhất.
Tiếp theo, Hình 2.17 thể hiện thống kê kết quả của 7 mẫu xe lớn gồm xe buýt và xe tải. Góc tới trực tiếp của những loại xe này nằm trong phạm vi từ 31, 310 độ tới 41, 080 độ được đưa ra trong Bảng 2.3:
Góc tới nhỏ nhất Góc tới lớn nhất Góc tới trung bình
31, 310
41, 080
37, 080
Mục tiêu trong nghiên cứu này chính là phân loại được cả xe máy và ô-tô từ
luồng giao thông hỗn hợp. Trong Hình 2.18 mô tả bộ dữ liệu 80 xe máy đã được
nhận dạng, đường bao của chúng được thống kê lại để tính góc tới trực tiếp.
Bản thân xe máy cũng không có kích thước đồng đều vì có nhiều loại phương
tiện xe máy tham gia giao thông. Do đó, đặc trưng chung về góc tới trực tiếp
của xe máy có thể giúp phân loại giữa xe máy và ô tô.
Trong Hình 2.14(b) thể hiện đường bao để nhận phân loại được phương tiện
tương tự như đã làm với ô tô ở trên. Tuy nhiên, góc tới trong trường hợp xe máy thu được nằm trong khoảng từ 20, 710 độ tới 27, 770 độ, giá trị trung bình góc tới đối với xe máy là: 23, 680 độ được thể hiện như trong Bảng 2.4. Hình 2.19 cho thấy bộ dữ liệu góc tới của 80 xe máy được nhận dạng. Cơ sở của phép thống
kê này được thực hiện từ các giá trị đường bao quanh xe máy nhận dạng được.
Góc tới nhỏ nhất Góc tới lớn nhất Góc tới trung bình
20, 710
27, 770
23, 680
Bảng 2.5 tổng hợp lại góc tới của các phương tiện đã được tính toán từ nguồn
dữ liệu thu được. Dựa vào dữ liệu thống kê này, phương pháp đề xuất phân loại
phương tiện được thực hiện có thể được sử dụng làm phương pháp phân loại
nhanh cho các hệ thống phân loại phương tiện giao thông.
Phương tiện
Ô-tô
Xe tải và xe Buýt
Xe máy
Góc tới
49, 920 − 39.920
41, 080 − 31, 310
27, 770 − 20, 710
Phương tiện
Số phương tiện đầu vào
Số phương tiện phân loại được Độ chính xác
Ô-tô
50
50
100%
Xe Máy
55
51
92, 72%
Bảng 2.6 thống kê lại phương pháp được sử dụng trên đoạn dữ liệu vào có số
phương tiện ô-tô là 50 và có 55 phương tiện xe máy, số phương tiện phân loại
được và độ chính xác của phương pháp được thống kê ở trong Bảng 2.6.
Phương pháp phân loại phương tiện được đề xuất có độ chính xác của xe
máy thấp hơn xe ô-tô bởi các xe máy đi quá gần nhau, sẽ bị nhận dạng làm một
phương tiện, đo đó góc tới của phương tiện này sẽ khác với đặc trưng đã được
thống kê của xe máy. Một lý do nữa đó chính là khi xe máy chở hàng cồng kềnh
sẽ thay đổi trực tiếp góc tới thu nhận được. Do đó, phương pháp này phù hợp
với việc phân loại nhanh các phương tiện giao thông đang di chuyển trên đường.
Bản chất của camera ảnh là một hệ thấu kính. Hệ thống kính này có tính
chất theo như nguồn [119] được thể hiện ở trong Hình 2.20. Hiện tượng quang
học ứng dụng trên máy ảnh được mô tả như sau: Các vật thể lần lượt là A, B
và C các vật thể này được ngắm qua lỗ ngắm O. Trục chính đi qua O là pháp
tuyến với màn s. Khoảng cách giữa các vật thể là không giống nhau.
Các vị trí của vật thể theo tia tới đi qua O đến màn s. Ảnh thu được trên
màn s là ảnh của các vật thể dựa vào hiện tượng quang học trong thấu kính.
Tính chất của ảnh này là ảnh thật và ngược chiều với vật thể. Vật thể gần lỗ
ngắm hơn thì ảnh to hơn các vật thể khác ở xa hơn. Lỗ ngắm này được đại diện
cho một hệ thấu kính trên máy ảnh, trong trường hợp này ảnh thu được sẽ nằm
trên tiêu cự f của máy ảnh.
Các phương trình tính toán tọa độ của vật thể trong ảnh:
và y = f (2.22)
Từ Hình 2.21 cho thấy ảnh của vật thu được trên màn hoặc trên cảm biến
luôn cách tâm O một khoảng chính bằng tiêu cự f . Chính bởi các đặc điểm này
mà ảnh thu được luôn là ảnh phẳng, không hiển thị độ sâu, nên cần thiết phải
mô hình hóa được độ sâu của ảnh dựa vào thông số đường đi.
Luận án đã mô hình hóa vị trí lắp đặt camera trên đường trong Hình 2.22
đây là cơ sở để tính toán các vị trí tọa độ của phương tiện.
Camera có các thông số như sau:
góc ngẩng của camera là (α + δ).
trùng với C.
camera nhất có thể thu được).
Từ các khoảng cách tính toán được, có thể thực hiện đo tốc độ đối với phương
tiện.
Ý nghĩa hình học các đối tượng từ góc thu của camera được thể hiện trong
Hình 2.23.
Kiểm tra mô hình của đường theo một điểm giao, điểm giao này có nhiệm
vụ quan trọng trong việc xác định vị trí của phương tiện trên đường theo chiều
rộng của đường.
Trong trường hợp này, điểm khuất (Vanish Point - VP) chính là phần đường
ở rất xa so với vùng camera có thể quan sát rõ, điều này phụ thuộc vào độ phân
giải của camera. Để vẽ được điểm khuất trong giới hạn nghiên cứu chỉ áp dụng
phương pháp này trên con đường thẳng. Ý nghĩa của điểm khuất quan trọng
trong việc phân tích chiều ngang của khung hình.
Mô hình của camera được đề xuất dựa trên các điều kiện:
được VP và đoạn đường đang xét rất nhỏ so với đường cong của trái đất.
kính 1 khoảng là f) do khoảng cách f rất nhỏ so với vị trí phương tiện tới
camera.
Phân tích ảnh I: ảnh I là hình ảnh thu được từ camera giám sát. Ảnh I có
kích thước m × n, kích thước này chính là số lượng các điểm ảnh trên cảm
biến. Kích thước điểm ảnh theo hàng hoặc theo cột cũng chính là ánh xạ
góc quét của camera lên các điểm ảnh.
Ống kính của camera là dạng hình tròn, cảm biến camera dạn hình chữ nhật,
góc quét của camera ứng với đường chéo của ảnh. Các dữ liệu khác đã được nhà
sản xuất loại bỏ đi do không phù hợp với mắt đặc biệt là vùng viền của ảnh ở
dạng tròn trên thấu kính.
Từ góc quét và kích thước ma trận điểm ảnh, nghiên cứu đã tính toán được
từng vị trí điểm ảnh, chính là khoảng chia góc từ góc quét của camera. Mỗi
điểm ảnh có kích thước là một đơn vị, lưới ma trận được tạo thành từ các điểm
ảnh có kích thước bằng nhau, các điểm ảnh này cách tâm của hệ thấu kính một kích thước là f. Điểm O là tâm của hệ thấu kính trên camera O(cid:48) là tâm rơi trên sensor hình ảnh. Do đó, tại điểm góc tạo bởi O(cid:48)OA theo Hình 2.22 công thức tổng quát tính góc của đối tượng trong ảnh đối tâm của thấu kinh (cảm biến)
2
2
sẽ là:
(cid:12) (cid:12) (cid:12)j − (cid:114)(cid:12) (cid:12) (cid:12)i − (cid:12) (cid:12) (cid:12) (cid:12) (cid:12) (cid:12)
Góc của điểm A = tan (2.23)
Từ đây theo tính chất đường tròn, hình chữ nhật và các tính chất lượng giác
ta có thể tính được các điểm ảnh trong ảnh I có kích thước m × n tương ứng với
một góc quét của camera.
Xét các điểm ảnh của đối tượng theo chiều dọc khung hình mục đích là để
xác định độ dài khoảng cách di chuyển của đối tượng. Gọi ∆p là kích thước một
điểm ảnh trên cảm biến:
(2.24)
Từ góc α và góc δ đã biết, vị trí của điểm A trên ảnh thu được nằm cách tâm
Nếu điểm A (i, j) với i ≥ thì:
(cid:18) (cid:19)(cid:19)(cid:19)
(2.25) (cid:18) (i − m/2)∆p f
nếu điểm A (i, j) với i < thì:
(cid:18) (cid:18) (cid:19)(cid:19)(cid:19)
(2.26) (cid:18) i∆p f
Hướng nghiên cứu ở đây sử dụng phương pháp trừ nền để tìm ra sự khác
nhau giữa các ảnh từ đó phát hiện ra đối tượng chuyển động trong video.
Trong [30] [28] đã tổng hợp lại đưa ra mô hình nền cho nhiều đối tượng, được
biểu diễn như sau:
K (cid:88)
(cid:32) (cid:33) (cid:88)
(2.27)
i=1
i,t
Trong nghiên cứu này đã sử dụng thêm phương pháp phân loại phương tiện
được giới thiệu trong [C1] để phân loại phương tiện dựa vào góc của phương
tiện nhận dạng được.
Trong các dữ liệu mô phỏng trước camera được sử dụng có loại 3, 9, 10, 12, 15
khung hình/giây. Trong nghiên cứu này, dữ liệu của camera giám sát thu thập
được có 12 khung hình trong một giây (f ps). Ta có bản đồ khung hình như sau:
Từ bản đồ khung hình, có thể tính được khoảng thời gian giữa hai khung
hình liên tiếp nhau là 1/12 giây. Khi các phương tiện ở khoảng cách xa tiến gần
vào camera, có thể sử dụng các cặp khung hình liên tiếp nhau hoặc không liên
tiếp để tính toán độ dịch chuyển của phương tiện ∆s trong khoảng thời gian ∆t,
từ đó tính toán được vận tốc trung bình v của phương tiện theo công thức:
(2.28)
án đề xuất chỉ xét một điểm của phương tiện của trọng tâm đường bao quanh
phương tiện khi phương tiện đi từ xa tới gần.
Trong khung hình, điểm ảnh là đơn vị nhỏ nhất có thể chia được, nên luận án
đã sử dụng phương pháp mô hình hóa để xác định được vị trí của phương tiện
thu được từ camera trong khung hình. Phương pháp này có thể mô hình hóa
được cả kích thước của vật thể từ xa tới gần. Từ kịch bản mô phỏng và nguồn
dữ liệu của camera thu được, các phương tiện có hướng di chuyển từ phía dưới lên phía trên của khung hình (từ vị trí ở đáy khung hình mmax, vị trí mà m lớn nhất trong khung hình).
Thời gian đối tượng đã đi vào khung hình nhưng chưa số hóa được thành điểm ảnh đại diện i(x, y) là t0 và thời gian đối tượng đi vào khung hình và bắt đầu được số hóa tại điểm ảnh i(x, y) là t1. i(x, y) là điểm ảnh đại diện cho một đoạn đường. Thời gian và quãng đường này là rất nhỏ so với thời gian và quãng
đường phương tiện di chuyển nên luận án thống nhất không xét tới.
Mô hình mô phỏng Nguồn dữ liệu mô phỏng được thu thập từ camera giám
sát trên chính đoạn đường cần quan tâm ở đây là nút giao Điện Biên Phủ -
Trần Phú ở TP. Hà Nội được trích xuất tại Trung tâm điều khiển giao thông
của Phòng CSGT TP. Hà Nội tại thời điểm buổi sáng, mật độ phương tiện giao
thông không cao.
Phương pháp mô phỏng Các bước thực hiện của phương pháp đề xuất được
trình bày trong Hình 2.25 mô tả thứ tự thực hiện các bước trong nghiên cứu
này.
Phương tiện ô-tô được phát hiện bằng phương pháp trừ nền, kết quả phát
hiện phương tiện được thực hiện dựa trên ảnh nhị phân thu được. Phương tiện
phát hiện được thể hiện bằng đường bao quanh đối tượng. Phương pháp phân
loại được sử dụng để nhận dạng ra ô-tô được trình bày trong [C1], sau đó tiến
hành xác định trọng tâm của các ô-tô này dựa trên đường bao đó và tiến hành
tính toán độ dịch của trọng tâm này xuyên suốt các khung hình.
Thông số của camera của nút giao thông Điện Biên Phủ - Trần Phú dựa theo
Bảng 2.7.
Chiều cao camera so với mặt đường
6,15 mét
Góc ngẩng của camera
78,7 độ
Góc quét của camera theo chiều dọc
37,4 độ
Tiêu cự của camera
4 mm
Độ phân giải camera
600 × 800 điểm ảnh
Kịch bản mô phỏng
Giới hạn mô phỏng trong nghiên cứu này là chỉ áp dụng đối với ô-tô vì xe
máy đi quá gần nhau, khi phát hiện phương tiện sẽ không tìm được trọn vẹn
phương tiện, nên việc xác định trọng tâm xe máy sẽ ảnh hưởng tới sai số của
vận tốc.
Nghiên cứu cũng giới hạn chỉ đo tốc độ của ô-tô tại một luồng đường nên chỉ
thực hiện phát hiện và đo tốc độ phương tiện trên luồng này, nhằm mục đích
giảm tải thời gian tính toán. Trong khung hình thu được chỉ xét tới vùng được
kẻ màu đỏ được minh họa trong Hình 2.26 vì đây là vùng phù hợp với kịch bản.
Trong Hình 2.26 các phương tiện đang đừng chờ đèn đỏ trong vùng bao màu
đỏ không được nhận ra vì luận án sử dụng phương pháp trừ nền để tìm ra các
phương tiện chuyển động trong bài toán ước lượng tính toán vận tốc phương
(a) Ảnh gốc và vùng quan tâm
(b) Các Phương tiện nhận dạng được trong ảnh nhị phân
tiện.
Một số phương tiện ô tô sau khi phát hiện và phân loại được thể hiện ở trong
Hình 2.27.
Kết quả mô phỏng đo tốc độ của phương pháp đề xuất được thể hiện trong
Hình 2.28.
Trong Hình 2.28 thể hiện tốc độ phương tiện ô-tô theo 20 kết quả đo. Tốc độ
phương tiện đo được được đem đánh giá với tốc độ GPS (sử dụng mô-đun thu
tín hiệu GPS Ublox LEA 5H). Lý do lựa chọn GPS làm tham chiếu là bởi: trong
giao thông đô thị các phương tiện di chuyển không đều, tốc độ có thể tăng giảm
trong khoảng thời gian ngắn. Việc xác định vận tốc bằng công-tơ-mét trên ô-tô
sẽ gây khó khăn trong xác định chính xác tại thời điểm đo với đồng hồ kim và
đồng hồ điện tử khi xe trong trạng thái tăng tốc và giảm tốc. Theo thống kê từ
Hình 2.28 thì sai số của phương pháp lớn nhất là 91,94% của phương tiện #15
và 99,39% với phương tiện #13. Nghiên cứu này đã mô hình hóa được khoảng
cách giữa các điểm ảnh của khung hình thu được từ vị trí lắp đặt camera và các
thuộc tính của camera.
Phương pháp được trình bày trong luận án có ý nghĩa khoa học và thực tiễn.
Phương pháp này phát huy điểm mạnh trên đường cao tốc hoặc khi các phương
tiện không phải dừng đỗ, vì khi đó tốc độ của phương tiện tại đoạn đường đo
sẽ ít thay đổi.
Trong các hệ thống Giao thông thông minh việc phân loại và thống kê được
phương tiện giao thông đang di chuyển trên một tuyến đường hoặc một nút giao
thông chính là cơ sở để điều khiển các hoạt động của luồng phương tiện đó.
Dữ liệu thu được từ hệ thống camera giám sát trên đường được truyền tải về
các trung tâm giám sát và điều khiển giao thông. Nhằm đáp ứng không giao lưu
trữ và đường truyền tín hiệu mà độ phân giải các camera này ở mức vừa phải
thông thường sẽ nằm trong khoảng (800×600 điểm ảnh → 2048×1536 điểm ảnh).
Do đó, luận án đã đề xuất một phương pháp dựa trên giải thuật nội suy Bicubic
để cải thiện nâng cao chất lượng của ảnh sau khi nội suy tăng độ phân giải. Nội
suy Bicubic sẽ gây ra hiệu ứng mờ ảnh hưởng từ các khối lân cận trong phạm
vi nghiên cứu này sử dụng hệ số nội suy bằng 2. Nhận dạng các vật thể trong
ảnh phụ thuộc vào biên ảnh, biên ảnh chính là đường phân chia các đối tượng
trong ảnh. Chính bởi vậy các điểm ảnh được nội suy ở gần biên nằm trong ma
trận giá trị gốc 4 × 4 sẽ bị ảnh hưởng bởi các giá trị xung quanh. Các điểm ảnh
này cần được tính toán lại cho phù hợp với từng đối tượng. Kết quả của phương
pháp này đã được công bố trong [C3].
Công nghệ xử lý ảnh phát hiện các phương tiện trong dòng giao thông hỗn
hợp để nhận dạng đối tượng và tiến hành phân loại đối tượng. Các đối tượng
này sau đó được phân loại theo phương pháp xét góc tới của phương tiện nhận
diện được đã được trình bày ở trong [C1]. Phương pháp này có thể kết hợp với
các phương pháp khác để nâng cao và cải thiện độ chính xác trong phân loại
phương tiện giữa ô-tô và xe máy.
Luận án cũng đề xuất một mô hình dựa trên đặc trưng hình học của camera
giám sát giao thông để đo tốc độ của phương tiện giao thông trên đường. Từ
thông số lắp đặt camera và thông số của camera ảnh I(x, y) thu được qua camera
giám sát có thể tính toán được độ dịch chuyển của các phương tiện phát hiện
được trong khung hình được trình bày trong [J2] Nghiên cứu cũng mở ra các
phương pháp xác định thời gian chụp để có thể nâng cao độ chính xác của giải
pháp này khi đo tốc độ phương tiện trên đường cao tốc trong tương lai.
Một hệ thống ITS có nhiệm vụ giám sát và thực thi các tác vụ điều khiển
giao thông một cách tự động theo lưu lượng phương tiện di chuyển tăng đột
biến hay có những thay đổi trong thời gian ngắn cần các hệ thống điều khiển
phù hợp hơn với thực tại. Trong các nghiên cứu và các đề xuất phương hướng
phát triển giám sát và quản lý lưu lượng phương tiện giao thông đặc biệt là điều
khiển đèn tín hiệu giao thông thì chưa có các đề xuất dành cho các nước đang
phát triển với đặc trưng dòng phương tiện giao thông hỗn hợp cùng tham gia
lưu thông trên đường. Do đó, trong nội dung chương này luận án tập trung vào
việc điều khiển lưu lượng giao thông tại một nút giao thông có hệ thống đèn tín
hiệu và camera giám sát hoạt động. Dựa vào mật độ phương tiện giao thông và
lượng phương tiện di chuyển trên đường vào giờ cao điểm mà đề xuất thời gian
hoạt động của đèn tín hiệu giao thông được điều khiển thích nghi phù hợp với
lưu lượng phương tiện một cách tự động.
Hệ thống giám sát lưu lượng được luận án tách làm hai nội dung chính: Giám
sát lưu lượng phương tiện dựa vào mật độ phương tiện và giám sát lưu lượng
phương tiện dựa vào số lượng và chủng loại phương tiện giao thông đầu vào. Nội
dung đầu tiên phù hợp với bối cảnh không thể thống kê được lượng phương tiện
do đường quá đông, góc nhìn của camera bị hạn chế và số lượng camera giám
sát ít. Nội dung thứ thứ hai có thể sử dụng ở nhiều nơi, nhưng cần các vùng
đệm với mục đích thống kê lượng phương tiện và nhận biết chủng loại phương
tiện. Sau khi có được số liệu thống kê về số lượng và chủng loại phương tiện
chuẩn bị đi vào nút giao thông, có thể tính toán ước lượng số lượng phương tiện
tham gia giao thông vừa đủ để các phương tiện này đi qua nút giao thông được
an toàn. Từ đó đề xuất thời gian đèn tín hiệu giao thông hoạt động cho phù
91
hợp với lưu lượng phương tiện trên đường.
Hệ thống giám sát giao thông (Traffic Monitoring System – TMS) là một nhân
tố quan trọng trong hệ thống giao thông thông minh (Intelligent Transportation
System - ITS), đặc biệt là tại các nước đang phát triển như Việt Nam có dòng
giao thông hỗn hợp bao gồm: ô tô, xe máy và các phương tiện giao thông khác.
Lưu lượng giao thông trong ngày thay đổi tùy theo từng thời điểm, do đó nghiên
cứu phát triển một hệ thống TMS phù hợp với điều kiện giao thông ở Việt Nam
có khả năng điều khiển theo lưu lượng phương tiện là việc làm vô cùng cần thiết.
Hệ thống TMS sử dụng một camera giám sát từ đằng sau luồng phương tiện
đang di chuyển cho tới vạch dừng đèn đỏ của nút giao thông, vùng này đặt là
vùng L dùng để xác định mật độ phương tiện và mật độ chỗ trống. Thời gian
hoạt động của đèn tín hiệu giao thông thích nghi với sự thay đổi của mật độ
lưu lượng phương tiện theo từng thời điểm. Nguồn dữ liệu đầu vào là một chuỗi
ảnh liên tiếp được đại diện bởi các đoạn videos có góc quay phù hợp với kịch
bản của phương pháp đề xuất, có thể xác định các chỗ trống giữa các phương
tiện và xác định mật độ phương tiện xuất hiện trong dữ liệu thu được. Phương
pháp điều khiển lưu lượng phương tiện này đơn giản nhưng hiệu quả đối với các
nút giao thông có dòng phương tiện hỗn hợp hơn các phương pháp khác.
Cho đến nay, ước lượng lưu lượng phương tiện giao thông hoàn toàn chỉ dựa
trên việc xác định số lượng xe đi qua từng đoạn đường trong một khoảng thời
gian do đó việc thiết lập thời gian tương ứng của các đèn tín hiệu giao thông
cũng hoàn toàn dựa vào các thông số này. Tại những nước phát triển, đường
phố được phân làn và phân luồng cố định, các phương tiện cá nhân chủ yếu
là ô-tô nên phương pháp trên hoàn toàn phù hợp và có thể ứng dụng rộng rãi.
Còn ở các nước đang phát triển như Việt Nam với dòng xe hỗn hợp bao gồm
xe máy ô-tô và các phương tiện khác, việc ước lượng lưu lượng giao thông trở
thành một vấn đề phức tạp hơn nhiều, bởi vì xe máy có thể di chuyển len lỏi
giữa những xe ô-tô khi có đủ không gian hoặc khoảng trống được mô phỏng
như trong [120] hoặc xe máy có thể đi sát lại gần nhau với tốc độ chậm hoặc
khi dừng đèn đỏ, cùng với khoảng trống đó khi di chuyển với tốc độ trung bình
tham gia giao thông khoảng 20km đến 30km thì không thể được. Nên việc một
lượng lớn phương tiện có thể dừng trong một phạm vi nhỏ hẹp cũng là đặc trưng
giao thông ở Việt Nam. Do đó, phân tích giao thông dựa trên việc đếm số lượng
phương tiện hoàn toàn không phù hợp với thực tế tại Việt Nam. Ngoài ra, phân
loại xe cũng là một nhiệm vụ thách thức như phương pháp đề xuất ở trong
[121]. Việc phân loại xe có thể giúp người giám sát và hệ thống tính toán kích
thước của từng loại xe để có thể ước lượng được khoảng trống mà các phương
tiện cần để có thể di chuyển qua. Tuy nhiên phương pháp này mô phỏng và ước
tính lưu lượng phương tiện hỗn hợp trong bối cảnh khuôn viên trường đại học
nên phương pháp này chưa phù hợp với thực tế.
Phương pháp trình bày trong [122] sử dụng phương pháp tiếp cận của một
hệ thống điều khiển đồng bộ được miêu tả tại vị trí các cột đèn giao thông hoạt
động và các nút giao lân cận như các sóng xanh nhằm cải thiện và nâng cao sự
thông suốt của các tuyến đường chính nhằm tiết kiệm thời gian và chi phí đi lại
trên đường hoặc cũng có thể giám sát tốc độ và kiểm soát lưu lượng bằng cách
giản thời gian hoạt động giữa các cụm đèn tín hiệu giao thông ở trên cùng một
tuyến. Tuy nhiên, phương pháp này ước lượng thời gian hoạt động đối với các
hệ thống đèn giao thông ở các nút giao thông, chỉ đồng bộ mà không điều chỉnh
thích nghi các đèn tín hiệu giao thông một cách triệt để.
Một phương pháp khác trong [123] sử dụng Vehicular Ad Hoc Networks
(VANET) để ước lượng thời gian dừng xe cho mỗi cặp đèn giao thông. Phương
pháp này không đáng tin cậy vì dữ liệu từ các kịch bản mô phỏng không thể
phản ứng ngay lập tức với luồng lưu lượng tang lên nhanh chóng tăng trong
một thời gian ngắn. Phương pháp này cũng không đề cập đến trường hợp khi
xe tăng tốc hoặc giảm tốc độ tại thời điểm đèn tín hiệu thay đổi. Đèn chuyển
từ đỏ sang vàng rồi tới xanh thì phương tiện phải mất một khoảng thời gian để
tăng tốc và giữ tốc độ ổn định.
Việc kiểm soát lưu lượng và giám sát luồng giao thông tự động đã được các
nhà nghiên cứu ưu tiên tìm hiểu lưu lượng giao thông bằng cách sử dụng các
camera gắn trên đường để phân tích lưu lượng phương tiện giao thông thay vì
các phương pháp truyền thống thường sử dụng các thiết bị cảm biến để tính xe
như ở trong [124]. Tuy nhiên các phương pháp này không tính cả thời gian trễ
cho các xe đang dừng đợi ở một khoảng cách xa vạch dừng và cần thời gian để
phương tiện di chuyển tới vạch dừng khi đèn tín hiệu bắt đầu chuyển đổi từ đỏ
sang xanh. Thời gian trễ trong trường hợp này nhỏ nhưng đáng kể so với thời
gian của từng chu kì đèn tín hiệu giao thông.
Phương pháp được trình bày trong [125] yêu cầu bổ sung các thiết bị nhận
dạng là hoàn toàn không thể thực hiện được đối với các nước đang phát triển
hoặc với các nước có lưu lượng giao thông hỗn hợp, chỉ có thể được áp dụng
cho các nước phát triển bằng từng đường ôtô trong làn. Hầu hết thời gian, thiết
bị nhận dạng trên đường và thiết bị nhận dạng ở khu vực vạch dừng sẽ hoạt
động hiệu quả. Phương pháp này sử dụng bộ điều khiển logic mờ (Fuzzy Logic
Controller - FLC) để tính toán thời gian hoạt động của đèn tín hiệu thích hợp
cho một nút giao thông thông qua các phương tiện dừng trên đèn đỏ. Thời gian
có thể ước tính bằng các thiết bị nhận dạng được đặt đủ xa để có thể tính chiều
dài của mỗi làn. Nghiên cứu này cũng không giải quyết vấn đề độ nhạy và cách
thiết lập thiết bị nhận dạng, khi thiết bị nhận dạng nằm giữa hai ô tô đang
dừng. Bộ FLC đã được áp dụng để sử dụng hai cameras, khoảng cách giữa hai
máy ảnh là 0, 8m trong [126]. Phương pháp này là tốn kém và cần sự hỗ trợ của
cơ sở hạ tầng và các hệ thống phụ trợ như điện. Và mục đích của việc thiết lập
các camera này chủ yếu là để xác định vị trí của thiết bị nhận dạng phía dưới
và phía trên.
Nhiều phương pháp sử dụng một camera để giám sát mật độ lưu thông của
các phương tiện đang dừng chờ đèn đỏ và di chuyển khi đèn xanh bật lên như
trong [127]. Các camera trong phương pháp này được sử dụng để giám sát mật
độ giao thông của các phương tiện dừng chờ ở vạch dừng khi đèn đỏ, các cameras
này được lắp theo hướng vuông góc với mặt đường để phát hiện các khu vực
trống. Tuy nhiên, phương pháp này không tính đến chiều dài hàng đợi của dòng
xe đang chờ đèn đỏ trước vạch dừng, vì vậy nó không phù hợp với kịch bản
đường giao thông ở Việt Nam.
Hệ thống Giám sát giao thông (Traffic Monitoring System – TMS) đề xuất
trong [C2] đã sử dụng một camera CCD được gắn để theo dõi từ phía sau các
phương tiện di chuyển, vùng quan sát chính là vùng mà các phương tiện bắt
đầu xuất hiện trong khung hình của camera tới vạch dừng chờ đèn đỏ, vùng
này được đặt là vùng L. Thời gian hoạt động của đèn giao thông có thể được
điều chỉnh thích ứng với lưu lượng giao thông được tính toán ước lượng dựa trên
video được ghi lại từ camera giám sát trên đường, khoảng trống giữa các phương
tiện được sử dụng để xác định mật độ phương tiện xuất hiện trong khung hình
của máy ảnh. Tuy nhiên, phương pháp này tập trung vào khu vực L để ước tính
mật độ xe trong khoảng trước vạch dừng đèn đỏ với vạch dừng. Do đó, trong
kịch bản thực tế giao thông ở Việt Nam với đặc trung là dòng lưu lượng phương
tiện hỗn hợp, việc điều khiển thời gian của tín hiệu đèn giao thông chỉ theo L
có thể chưa hoàn toàn triệt để.
Nghiên cứu này đề xuất một ý tưởng mới dựa trên phân tích lưu lượng phương
tiện từ dữ liệu thu được bao gồm cả xác định chiều dài hàng đợi của tất cả các
phương tiện trong dòng xe đã vượt qua đèn giao thông, cũng như trước vạch
dừng đèn đỏ để ước lượng lưu lượng xe và từ đó tính toán thời gian hoạt động
cho các đèn tín hiệu đèn giao thông tương ứng. Dựa trên diện tích mặt đường
được bao phủ bởi các phương tiện đang di chuyển trên đó mật độ lưu lượng
phương tiện giao thông sẽ được ước tính và thời gian đèn giao thông sẽ được
cập nhật tương ứng. Phương pháp này hoàn toàn cho phép tái sử dụng cơ sở hạ
tầng của ngành giao thông Việt Nam, không đòi hỏi phải thực hiện các thiết bị
hỗ trợ như thiết bị nhận dạng, máy ảnh có chức năng thu âm stereo.
Việc triển khai hệ thống dựa trên việc thiết lập mô hình camera với các tham
số quan tâm, được mô tả trong Hình 3.1. Trong mô hình này, độ cao từ mặt
đất tới camera, góc lệch của camera với trục đứng và góc quét của camera được
biểu thị bằng h, α và 2δ tương ứng. Ngoài ra, k là khoảng cách từ camera hướng
tới bề mặt đường theo trục quay.
Mô hình hệ thống đề xuất được thiết kế để theo dõi lưu lượng giao thông của
các phương tiện đang di chuyển trên làn đường chung cho các phương tiện dựa
trên việc xác định vùng trống trên đường bị chiếm dụng bởi các phương tiện
trong khung nhìn thu nhận được từ các camera và đoạn giao nhau của nút giao
thông. Lưu lượng phương tiện lúc này được đánh giá thông qua tỉ số vùng bị
phương tiện chiếm dụng với toàn bộ phần đường mà các phương tiện có thể di
chuyển.
Như được minh họa trong Hình 3.2, đoạn đường A, B, C và D lần lượt là các
luồng đường đi vào ngã tư. Các thông số ∆α và L biểu thị chiều dài hàng đợi
của các phương tiện ở phía bên kia và phía trước đèn giao thông và β lần lượt
biểu thị chiều rộng của đường ngang giữa hai đèn giao thông đối diện. Hình 3.3
thể hiện một kịch bản giao thông thực tế một tuyến đường ở Việt Nam với đặc
trưng dòng phương tiện hỗn hợp điển hình, nơi L, ∆α và β đã được thể hiện
tương ứng trên hình. Để xử lý hiệu quả hơn, khoảng cách vùng ∆α được chia ra nhỏ hơn tương ứng với ba vùng được biểu hiện bởi ∆αn, ∆αm và ∆α∞. Trong khi ∆α∞ được định nghĩa là vùng từ điểm khuất đến vô cùng và vùng là không có phương tiện di chuyển được, Dvehicle = ∆αn + ∆αm là vùng bên kia vạch dừng đèn đỏ từ điểm khuất tới vạch dừng đèn đỏ của bên đó (đường B như trong
Hình 3.2) đây được coi là vùng mà phương tiện còn có thể được phát hiện. Điểm
khuất là vùng xa nhất mà có thể phát hiện được phương tiện di chuyển trong dữ liệu thu nhận được. Sử dụng camera, khoảng cách của vùng ∆αn tương ứng với khoảng 50% độ dài của vùng Dvehicle đây được coi là vùng phát hiện phương tiện giao thông tốt nhất.
Phương pháp đề xuất bao gồm hai bước chính:
hình thu nhận được ký hiệu bởi Aoccupied
đường giao nhau ký hiệu bởi Atraced
Các thông số của nút giao thông được thống kê từ trước, ví dụ như khoảng
cách chiều rộng đường được đo đạc trực tiếp hay khoảng cách mà camera có thể
giám sát, từ đó có căn cứ tính được thời gian đèn vàng hoạt động.
Từ nguồn dữ liệu cơ sở của hệ thống quản lý giao thông, các phương tiện
được nhận dạng từ phương pháp trừ nền thích nghi từ dữ liệu vùng chuyển động
trong chuỗi ảnh của nghiên cứu [30]. Phương pháp đề xuất mô hình hóa từng
điểm ảnh như là phương pháp Mixture of Gauss và sử dụng một phép xấp trực
tiếp để cập nhật mô hình và sau đó phân loại điểm ảnh dựa trên phân phối
Gauss tương ứng một cách hiệu quả nhất.
Hình 3.5(c) thể hiện Aoccupied được thống kê từ luồng phương tiện đã di chuyển qua và được đánh dấu bằng màu xanh lá. Hình 3.5(a) và 3.5(b) thể hiện ảnh
gốc và ảnh nhị phân được xác định bởi phương pháp được giới thiệu trong [128] và Aoccupied được xác định bởi bộ dữ liệu nhị phân mà các phương tiện di chuyển
(a) Nút giao thông ngả đường A khi đèn đỏ bắt đầu
(b) Nút giao thông ngả đường A khi đèn đỏ kết thúc
(c) Nút giao thông ngả đường A khi đèn xanh bắt đầu
(d) Nút giao thông ngả đường A khi đèn xanh kết thúc
qua khung hình trong một khoảng thời gian 2 chu kì đèn tín hiệu.
Việc tìm ra vùng xanh lá, là khoảng trống mặt đường nơi các phương tiện có
thể di chuyển được là rất quan trọng trong việc xác định mật độ giao thông và xác định các tham số L, ∆αn và β được biểu diễn trong Hình 3.3:
đỏ ở đường A như ở Hình 3.2. Vùng L được ước lượng dựa trên tỉ số điểm
ảnh chỗ trống và điểm ảnh bị chiếm dụng của vùng có thể chiếm dụng màu
xanh lá.
hay không, hay vùng này còn có khả năng chứa thêm phương tiện nữa hay
không. Một khi phương tiện trong vùng này bị đầy liên tục, tồn tại hàng
đợi từ vùng β đi vào đây thì đó là lúc cần thiết ngắt luồng phương tiện đi
(a) Khung hình gốc
(b) Ảnh nhị phân từ ảnh gốc
(c) Vùng Aoccupied được đánh dấu màu xanh lá
vào ngả đường B.
đèn vàng. Khi các phương tiện còn di chuyển trong vùng này mà các luồng
khác bật đèn xanh để phương tiện di chuyển vào đây thì sẽ gây ra xung
đột. Ngoài ra vùng β còn bị ảnh hưởng bởi chiều rộng các đường trong nút
giao thông, phải tính toán cẩn thận sao cho các phương tiện tại các thời
gian cuối của đèn xanh có đủ thời gian vượt qua nút giao thông an toàn.
Bằng việc tìm ra vùng xe có thể di chuyển màu xanh lá, vùng cần phát hiện
phương tiện giao thông di chuyển sẽ thu nhỏ lại, tốc độ xử lý sẽ nhanh hơn.
Trong hệ thống này, chiều cao và góc nhìn của camera sẽ được thống kê thành
các tham số chuẩn hóa để có thể áp dụng cho các nút giao thông khác nhau
rộng rãi.
Nghiên cứu này phù hợp hơn ý tưởng được đề xuất ở trong [129] do có thể áp
dụng trong giao thông hỗn hợp trong bài toán nghiên cứu giám sát luồng lưu
lượng phương tiện giao thông, tuy nhiên cần một vài thay đổi để có thể hoạt
động với nhiều làn đường và đặc tính giao thông hỗn hợp tại Việt Nam. Giao
thông ở Việt Nam có đặc trưng dòng phương tiện hỗn hợp, các phương tiện đi
xen kẽ lẫn nhau và đi rất gần nhau khiến cho các hệ thống và các thiết bị phát
hiện phương tiện như ở trong [C1] không thể áp dụng được. Đặc biệt khi dừng
chờ đèn đỏ các phương dừng sát vào nhau, giữa xe máy với ô-tô, xe máy với
xe máy và các phương tiện giao thông khác. Trong trường phân rõ các làn cụ
thể và có thể tính toán chính xác lượng phương tiện di chuyển qua trong một
khoảng thời gian, thì có thể tính toán được lưu lượng phương tiện. Công thức
tính hệ số thời gian đỉnh (Peak Hour Factor – PHF) được tính theo:
(3.1)
Thể tích theo giờ Lưu lượng đỉnh theo giờ
với, V là số phương tiện đi qua trong một giờ (số phương tiện/giờ), V10 số phương tiện đi qua trong 10 phút. Vận tốc trung của các phương tiện trong vùng L tính
theo đơn vị m được xác định bởi:
(3.2)
i=1
i=1
n (cid:88)
với, S = là tốc độ trung bình tính bằng (km/h), Le = độ dài của vùng cần giám sát (km), ti = thời gian phương tiện thứ i di chuyển hết vùng quan sát tính bằng
giờ (h), n = số phương tiện đi qua vùng giám sát và cuối cùng là: ta =
i=1
là thời gian di chuyển hết vùng quan sát L tính bằng giờ (h).
Cần chú ý rằng L(m) là khoảng cách từ điểm thấp nhất trong khung hình
của camera tới vạch vừng đèn đỏ trong nút giao thông được mô tả như ở trong
Hình 3.2. Lúc này lưu lượng phương tiện được tính bởi:
(3.3)
với, D = mật độ phương tiện (số phương tiện/km), V = số phương tiện đi qua
trong một giờ (số phương tiện/giờ) và cuối cùng là S = vận tốc trung bình
Lưu lượng phương tiện giao thông có thể được tính bởi đơn vị nhỏ hơn kilo-
mét (kilo-meters). Trong trường hợp đó, camera có vùng quan sát rõ ràng hơn,
chiều dài vùng quan sát lúc này sẽ nằm trong khoảng 50 ∼ 100 mét.
(3.4)
Tham số Headway được định nghĩa là thời gian giữa những phương tiện đi
qua hoàn toàn một điểm trên một làn đường hoặc đường và đây cũng là phép
đo các phương tiện đi qua tại một điểm. Tham số Headway có thê dễ dàng tính
toán với bộ đếm thời gian các phương tiện đi qua một điểm với nhau, được diễn
giải như sau:
(3.5) khoảng cách(m/phương tiện) tốc độ(m/s)
Việc xác định mật độ lưu lượng phương tiện tương ứng với chiều dài hàng
đợi của phương tiện giao thông khi đèn đỏ, dữ liệu này có thể ước lượng được
độ dài hàng đợi là lưu lượng phương tiện giao thông đang đổ vào nút giao thông
thông tại pha đang giám sát. Trong tình huống thực tế trong nút giao thông,
camera sẽ được kích hoạt định kỳ cho từng chu kỳ thời gian t để phương tiện di
chuyển và sau đó bắt đầu ước tính hàng đợi xe.
Kịch bản mô phỏng được biểu diễn trong Hình 3.6 là nút giao thông ngã tư
gồm có bốn ngả đưởng, tổng cộng có 10 làn phương tiện di chuyển trên 4 ngả
đường này. Hệ thống sử dụng 4 camera giám sát các ngả đường A, B, C và D từ
khoảng cách L được mô tả như trong Hình 3.2. Trong nút giao thông thực tế,
ngả đường A → B là luồng đường có mật độ phương tiện qua lại cao hơn cả,
đây là trục di chuyển chính. Tất cả các ngả đường được điều khiển di chuyển
bằng hệ thống đèn tín hiệu giao thông đồng bộ với các chu kì từ các ngả đi vào.
Kích thước chiều rộng thực tế của các ngả đường trong nút giao thông này là: d1 = 10m, d1(cid:48) = 8, 4m, d2 = 6, 4m, d3 = 7m, d4 = 14m, ∆αn = 68m, β = 41m và L = 10m, nguồn dữ liệu thu được từ camera có kích thước khung hình là
Hình 3.7 mô tả các khung hình được trích xuất từ nguồn dữ liệu giám sát
giao thông ghi lại từ camera được đặt trên đường, được dùng để kiểm tra giải
thuật đề xuất cho giao thông ở Việt Nam với đặc điểm là luồng giao thông hỗn
hợp.
Thời gian đèn vàng hoạt động chính là giữa đèn đỏ và đèn xanh, thời gian
đèn vàng hoạt động ảnh hưởng tới các phương tiện cuối cùng di chuyển trong
vùng giao cắt của nút giao thông. Trong kịch bản này, tốc độ trung bình của
dòng phương tiện khi đi qua nút giao thông này vào khoảng 20km/h. Giá trị này
đã được tham chiếu bằng kết quả từ việc tham gia giao thông tại nút giao thông
này vào giờ cao điểm, chu kì thời gian đèn vàng hoạt động trong nút giao thông
này sẽ cần tối thiểu là 7 giây, là khoảng thời gian cần thiết để các phương tiện
băng qua vùng β được an toàn.
Hình 3.8 minh họa giải thuật của hệ thống đề xuất. Đầu tiên là ước lượng
thời gian trung bình các phương tiện đi qua vùng β, sau đó là ước lượng vùng
trống và vùng mà phương tiện chiếm dụng khi đèn đỏ ở vùng L. Tiếp theo là xem xét vùng ∆αn để xác định khoảng trống, từ đó ước lượng số lượng phương tiện đi vào. Cuối cùng là tổng hợp các dữ liệu trên ra quyết định cập nhật thời
gian đèn tín hiệu hoạt động cho phù hợp.
Hình 3.9 minh hoạt mật động phương tiện chiếm dụng mặt đường được bao
bởi đường L. Dòng phương tiện được giám sát trong 35 giây bao gồm 23 giây
đèn xanh (từ khung hình thứ nhất tới khung hình thứ 69), tiếp theo là 3 giây
đèn vàng (từ khung hình thứ 70 tới khung hình thứ 78) và cuối cùng là 9 giây
đèn đỏ (khung hình thứ 79 tới khung hình thứ 111). Vùng được bao bởi đường
thứ 9 tương đương thời gian đèn xanh. Khi đèn đỏ, vùng L đạt đỉnh ở khung
hình thứ 81 tương đương trong giây đầu của đèn đỏ. Sau đó mật độ phương
tiện giảm dần, lý do là bởi nghiên cứu sử dụng phương pháp trừ nền để nhận
dạng đối tượng do đó khi các phương tiện dừng lại trong thời gian đủ lâu thì
các phương tiện đó bị coi là nền vì không chuyển động. Đó là lý do mà mật độ
phương tiện giảm xuống dần trong thời gian đèn đỏ hoạt động.
Khi đèn tín hiệu chuyển sang đỏ, các phương tiện phải dừng trước vạch dừng.
Khi đó, ứng dụng trừ nền đã mô tả ở phần trước. Theo phương pháp [30] vùng
nền có các phương tiện đang dừng trên đó sẽ được xác định. Hình 3.9 biểu diễn
mật độ phương tiện trong vùng L xác định thời gian đạt đỉnh của vùng này.
Khảo sát khu vực bị giới hạn bởi ∆αn như được mô tả trong Hình 3.10. Trong đồ thị này, giá trị đỉnh nằm ở khung hình thứ 63, tương đương với những giây
cuối của đèn xanh từ luồng A → B. Điều này cho thấy ngưỡng lưu lượng của
luồng này đã đầy, cần thiết ngắt dòng phương tiện đang di chuyển vào đây.
Trong trường hợp này, thông tin về khu vực bị giới hạn bởi vùng β sẽ được phân
tích và làm cơ sở để điều khiển luồng phương tiện. Như được minh họa trong
Hình 3.10, tỷ lệ phần trăm của khu vực trống chỉ còn vài phần trăm ở khung
hình thứ 63 và 64. Tại những giây cuối của đèn xanh mật độ phương tiện của
vùng này vẫn gần đạt đỉnh, các phương tiện vẫn chủ yếu chưa di chuyển được
hết. Trong thời gian tiếp từ khung hình thứ 70 tới 78 tại thời điểm đèn vàng,
chuẩn bị sang đèn đỏ, khu vực này mật độ phương tiện vẫn rất cao, ảnh hưởng
cả thời gian đèn đỏ tiếp theo bởi lượng phương tiện trong vùng này vẫn còn
nhiều. Hình 3.11 minh họa về tỷ lệ các phương tiện chiếm dụng đường, so với
vùng trống. Tại thời điểm khung hình thứ 38, tương đương đèn xanh ở giây thứ
12 thì vùng này đạt đỉnh chứa các phương tiện tương đương với khoảng 93% lúc này các phương tiện đang di chuyển về vùng ∆αn. Khi kết thúc đèn xanh và đèn vàng chuyển sang đèn đỏ, vùng này vẫn còn hơn 50% diện tích bị chiếm
dụng bởi các phương tiện. Do đó, khi này phương tiện từ các luồng khác đổ vào
sẽ gây ra xung đột giao thông. Nên cần thiết phải ngắt lượng phương tiện đi từ
luồng A → B từ sớm hơn để tránh xảy ra xung đột giao thông.
Theo mô hình nút giao thông mô phỏng được đưa ra trong Hình 3.6, hệ thống
đã ước tính thời gian hoạt động phù hợp từ dữ liệu đầu vào được mô phỏng và
thể hiện ở các hình vẽ lưu lượng và Bảng dữ liệu 3.1, thời gian hoạt động của
đèn tín hiệu cho cả hai chiều của các luồng A → B và C → D sẽ được cập nhật
tương ứng cho phù hợp với thực tế. Ngoài ra cũng cần lưu ý, thời gian hoạt động
tối thiểu của mỗi đèn sao cho người đi bộ băng qua đường được an toàn, trong
kịch bản với kích thước thực tế đã đo, thời gian cho người đi bộ di chuyển qua
các ngả đường đều hoàn toàn phù hợp.
Mô hình mô phỏng
Nguồn dữ liệu mô phỏng được thu thập từ camera giám sát trên chính đoạn
đường cần quan tâm ở đây là nút giao đường gom Phạm Văn Đồng đối gần Bộ
Công An được trích xuất tại Trung tâm điều khiển giao thông của Phòng CSGT
TP. Hà Nội. Được trình bày trong Hình 3.6.
Phương pháp mô phỏng
Sử dụng phương pháp xác định ước lượng thời gian đèn tín hiệu hoạt động
phù hợp vào lúc cao điểm được đề xuất trước đó trong Hình 3.8.
Kịch bản mô phỏng
Nút giao thông này là một đoạn đường gom trên đường Phạm Văn Đồng; các
phương tiện di chuyển qua nút giao thông này theo hiệu lệnh của đèn hiệu và
của CSGT.
Các pha di chuyển trong nút giao thông tuần tự theo đèn tín hiệu và xác định
các vùng trống và vùng đầy do việc di chuyển của các phương tiện di chuyển từ
pha này sang pha khác.
Kết quả mô phỏng
Bảng 3.1 thể hiện thời gian ước lượng phù hợp với thực tế của nút giao thông
trong điều kiện dữ liệu phương tiện thu được từ camera gắn trên đường. Trên
cơ sở % các vùng bị phương tiện giao thông chiếm dụng và % các vùng trống có
thể đánh giá và ước lượng thời gian hoạt động phù hợp của đèn tín hiệu. Thời
gian của các luồng sẽ phải đồng bộ với nhau, nên các luồng khác cũng hoạt động
tương tự như luồng A → B. Phương pháp cập nhật thời gian đèn tín hiệu giao
thông dựa trên ước lượng các vùng bị chiếm dụng bởi phương tiện có hiệu quả
vượt trội so với việc sử dụng phương pháp ước lượng phương tiện theo độ dài
hàng đợi đã được đề xuất trong nghiên cứu [C2]. Trong nghiên cứu [C2] chỉ
ước tính mật độ phương tiện trong vùng bao bởi L, do đó thiếu thông tin để
tham chiếu với các điều kiện cần có khi một luồng phương tiện cần di chuyển
phải đảm bảo như: vùng trống mà các phương tiện đi vào có thể chứa được hết
hay không, thời gian an toàn để các phương tiện di chuyển qua một nút giao
thông và cuối cùng ước lượng mật độ lưu lượng dòng phương tiện đang có. Do
đó, đề xuất này có thể khắc phục các điểm còn hạn chế trong nghiên cứu [C2].
Thời gian Thời gian Thời gian Thời gian Thời gian Thời gian
Luồng
đèn xanh
đèn xanh
đèn đỏ
đèn đỏ
đèn vàng
đèn vàng
hiện tại
đề xuất
hiện tại
đề xuất
hiện tại
đề xuất
A → B
40
33
85
3
7
99
G → H
80
70
75
3
7
80
D → I
35
30
85
3
7
99
C → J
35
30
85
3
7
99
Nghiên cứu này đã đề xuất một phương pháp hiệu quả để ước lượng lưu lượng
phương tiện giao thông nhằm mục đích điều khiển luồng di chuyển tại một nút
giao thông với tính chất dòng phương tiện hỗn hợp. Phương pháp này phù hợp
với các nước đang phát triển do đặc trưng dòng phương tiện giao thông hỗn hợp
đặc biệt là số lượng hoạt động của xe máy. Do đó, trong đề xuất này việc tập
trung vào giải quyết mật độ phương tiện dựa trên vùng bị chiếm dụng bởi các
phương tiện và vùng trống còn lại là cơ sở để xác định lưu lượng trong vùng cần phân tích. Bằng các đề xuất giám sát các vùng ∆αn và β phương pháp này thực sự phát huy sức mạnh để điều khiển một nút giao thông hoạt động mà tránh
được các xung đột giao thông mà cơ quan quản lý luôn muốn hạn chế. Phương
pháp đề xuất hứa hẹn có thể giải quyết mọi nút giao thông nếu xác định được
các loại phương tiện chủ yếu ngay từ đầu để tham chiếu cơ sở phân tích đưa ra
quyết định phù hợp cho từng luồng giao thông.
Trong những năm gần đây, nghiên cứu lưu lượng dòng phương tiện giao thông
trên đường là một việc được quan tâm nhiều nhằm dự đoán tình hình giao thông.
Đã có nhiều các nghiên cứu tập trung vào vấn đề này tuy nhiên các nghiên cứu
đó hầu hết lại dựa trên đặc tính giao thông của các nước phát triển, nơi mà dòng
phương tiện giao thông chỉ có ô tô là chính. Còn tại các nước đang phát triển
thì dòng phương tiện hỗn hợp gồm nhiều chủng loại phương tiện chạy trên cùng
một làn đường. Đặc trưng dòng phương tiện di chuyển ở các quốc gia đang phát
triển có những đặc điểm rất rõ ràng: nhiều chủng loại phương tiện, một luồng
di chuyển có ít làn đường và không có giải phân cách cứng giữa các làn đường
của một luồng. Các nghiên cứu tập trung chủ yếu dựa vào các mô hình cơ bản
được đề xuất trong [130]. Wardrop đã mô hình dòng lưu lượng phương tiện là
cơ sở để Lighthill và Whitham thực hiện mô hình [131]. Tuy nhiên các mô hình
cơ bản về lưu lượng phương tiện này chỉ tập trung ở một làn đường và chỉ có
một loại phương tiện di chuyển là ô-tô. Dòng phương tiện này có đặc điểm là đi
nối tiếp nhau trong một làn đường có định và hầu như không có sự thay đổi di
chuyển từ làn này sang làn khác. Với đặc trưng này thì lưu lượng dòng phương
tiện được tập trung với các thông số: số lượng phương tiện N đi qua một vị trí x
trong một khoảng thời gian t. Ngoài ra, nghiên cứu còn mở rộng tính toán được
khoảng cách giữa các phương tiện và độ dài phương tiện để thống kê được lưu
lượng chi tiết tại điểm giao thông đó.
Các nghiên cứu hiện tại chưa tập trung vào khai thác lưu lượng dòng phương
tiện giao thông để điều khiển đèn tín hiệu giao thông. Đặc biệt ở các nước đang
phát triển có dòng phương tiện giao thông đông đúc và gồm nhiều loại phương
tiện cùng di chuyển trên một làn đường. Các nghiên cứu chưa tập trung khai
thác khía cạnh này để điều khiển đèn tín hiệu giao thông. Giám sát lưu lượng
và mật độ phương tiện giao thông chủ yếu dược chia thành các cấp từ lớn tới
nhỏ: mô hình vĩ mô, mô hình vi mô, mô hình tế bào và cuối cùng là mô hình
người đi bộ được liệt kê trong [132]. Cũng có thể lai giữa phương pháp vĩ mô và
vi mô thành phương pháp vi vĩ mô được giới thiệu trong [133]. Mô hình vĩ mô
còn có tên gọi là mô hình thủy động lực, thường được ứng dụng để mô tả giống
như sự di chuyển của chất lỏng hay chất khí. Còn mô hình vi mô thì nhắm tới
từng phương tiện di chuyển trong vùng quan tâm: tốc độ, gia tốc, vị trí tại các
thời điểm. Cần thiết có nhiều tham số hơn để xác định bằng mô hình này.
Trong nội giới hạn nghiên cứu chỉ tập trung vào một nút giao thông nên sẽ
sử dụng mô hình vĩ mô để xét năng lực của vùng cần quan tâm.
Trên cơ sở của nghiên cứu [134] đặt nhiều nền móng cho việc mô hình giao
thông hỗn hợp, nghiên cứu [135] đã tập trung đi sâu vào phân tích ưu nhược
điểm của các mô hình lưu lượng trong giao thông hỗn hợp. Đây cũng chính là
cơ sở để đánh giá các mô hình hiện tại có khả năng ứng dụng vào giao thông
hỗn hợp. Một số mô hình có tiềm năng ứng dụng ở các nút giao thông. Trong
nghiên cứu [136] cũng đã tập trung vào thống kê các mô hình toán ứng dụng
trong giao thông hỗn hợp.
Bên cạnh đó các nghiên cứu về giao thông hỗn hợp cho tới nay chưa có ứng
dụng nào tập trung áp dụng thông số “mật độ phương tiện trên đường” để điều
khiển đèn tín hiệu giao thông. Từ các nghiên cứu cơ bản về mối quan hệ giữa
“mật độ” và “độ che phủ” trên cơ sở độ dài phương tiện Độ che phủ = Mật độ
phương tiện × Độ dài phương tiện trung bình như trong [137] phương pháp cơ
bản này chỉ áp dụng ở đặc trưng giao thông đồng nhất nơi mà các phương tiện
di chuyển trên cùng một làn không khác biệt về chủng loại. Phương pháp này
chỉ khai thác độ dài phương tiện để ước lượng độ bao phủ trên một làn đường.
Nghiên cứu [138] bước đầu quan tâm đến thông số độ rộng của một làn đường
và độ rộng của phương tiện giao thông đang di chuyển trên làn đường đó. Tuy
nhiên, các tính toán lại chủ yếu tập trung vào các vị trí của phương tiện trên
đường và vị trí tương đối của hai phương tiện liền kề nhau. Trong [139, 140] đã
mô hình hóa được cách tính Diện tích bao phủ = (cid:80) i(ti)AO AT
trong đó (ti)AO là thời gian mà phương tiện thứ i chiếm trong thời gian s và AO là diện tích bị chiếm bởi các phương tiện. ai là diện tích vùng bị chiếm tính theo m2 trong khoảng thời gian ti. A là diện tích cả đoạn đường giám sát tính theo m2, và T là thời tổng thời gian tính bằng giây phương tiện di chuyển trên đó.
Các nghiên cứu [141, 142, 143] các nghiên cứu này đã tập trung mô hình
hóa và cố gắng đưa ra tính toán việc có khả năng các phương tiện di chuyển
được vào các chỗ còn trống hay không. Các mô hình chủ yếu dựa vào kiểu hình
macroscopic để giám sát luồng phương tiện.
Trong nghiên cứu [136] đã nói về các đặc trưng của dòng giao thông hỗn hợp.
Dòng giao thông hỗn hợp có nhiều chủng loại phương tiện di chuyển trong cùng
một luồng và hầu như chia sẻ các làn đường với nhau. Nên các phương tiện có
kích thước lớn di chuyển trong vùng đó tạo ra các chỗ trống giữa các phương
tiện có kích thước lớn, chỗ trống này lại đủ chỗ để phương tiện có kích thước
nhỏ hơn đi vào. Có thể được minh họa bằng Hình 3.12.
Hành vi của người lái xe máy cũng đã được nghiên cứu trong [144], nghiên
cứu này đã thống kê hành vi của người lái xe máy từ 11 chiếc xe trong thời gian
1 tháng. Tuy đây không hoàn toàn giống với giao thông ở các nước đang phát
triển nhưng cũng cho thấy được phần nào suy nghĩ của người điều khiển xe máy.
Một số nghiên cứu đã tập trung ứng dụng công nghệ xử lý ảnh để điều khiển
giao thông tuy nhiên cách tiếp cận vấn đề khác với cách tiếp cận của nghiên cứu
này. Điển hình một số nghiên cứu ứng dụng công nghệ xử lý ảnh để điều khiển
giao thông là sử dụng 4 cameras hướng về phía nút giao thông, trong tầm nhìn
có thể giám sát được đèn tín hiệu của pha đó như nghiên cứu [145, 146] mặc dù
ứng dụng vào giao thông hỗn hợp nhưng cách tính density của nghiên cứu này
chỉ tập trung vào điểm ảnh đối tượng có được. Nghiên cứu cũng không chỉ ra
rõ ràng cách tính thời gian hoạt động cho mỗi pha. Góc đặt camera trong các
nghiên cứu này là góc chéo nhưng tác giả lại dùng phương pháp xử lý mật độ
điểm ảnh để điều khiển đèn tín hiệu gây ra sự không chính xác.
Giải pháp được đề xuất ở [147, 148] thì không ứng dụng công nghệ xử lý ảnh
nhưng lại sử dụng thêm cảm biến để nhận biết hàng đợi tại nút giao thông để
từ đó đưa ra gợi ý về thời gian hoạt động của đèn tín hiệu giao thông. Phương
án này hoàn toàn không khả thi tại các dòng giao thông hỗn hợp.
Nghiên cứu [149, 150, 151, 152] sử dụng công nghệ xử lý ảnh để điều khiển
đèn tín hiệu giao thông, tuy nhiên các phương pháp này chỉ dựa vào phương tiện
thu được trong hình. Mật độ phương tiện tìm được trong hình và vùng đường
thực tế phương tiện di chuyển chưa được thiết lập. Các nghiên cứu này chưa tập
trung giải thích cách xét thời gian hoạt động của một pha đèn tín hiệu. Dữ liệu
thu được từ các phương pháp này tập trung ở góc nhìn hướng vào đuôi dòng
phương tiện đang di chuyển, tuy đặc trưng của dòng phương tiện là giao thông
đồng nhất nhưng các phương án này chưa tập trung khai thác về diện tích bao
phủ, các giải pháp tính toán thời gian hoạt động của đèn tín hiệu giao thông
chưa thật sự hiệu quả.
Nội dung nghiên cứu trong phần này tập trung vào một nút giao thông hỗn
hợp mà các phương tiện đầu vào có thể được thống kê và phân loại làm căn cứ
điều khiển đèn tín hiệu giao thông.
Vùng nhận dạng phương tiện ở đây là vùng giám sát đoạn đường đi vào một
ngã tư, bản chất là để thống nhất đếm được lượng phương tiện đầu vào của một
nút giao thông để từ đó có cơ sở tính toán điều khiển đèn tín hiệu giao thông
hoạt động cho phù hợp. Được thể hiện trong Hình 3.13, minh họa phương pháp
đề xuất nhằm giám sát được số lượng và chủng loại phương tiện đi vào vùng giám sát, d1 là chiều rộng của đường, ldensity là độ dài đoạn đường sẽ giám sát lưu lượng cho tới vị trí vạch dừng.
Trong nội dung này tập trung vào hai đề xuất lấy dữ liệu đầu vào gồm có:
Cảm ứng điện từ, công nghệ này được ứng dụng ở trước đoạn đường cần theo
dõi quan tâm. Việc ứng dụng công nghệ cảm ứng điện từ vào giao thông hỗn hợp
là điều khó khăn nếu chỉ sử dụng một bộ phát hiện để phát hiện cả luồng giao
thông. Để ứng dụng trong nội dung này, cần thiết phải cải thiện đường thành
các dải phân cách cứng và chỉ đủ để một phương tiện di chuyển qua tại một thời
điểm. Các làn phân cách này được thực thi giống với việc chia làn ở trạm thu
phí. Bằng cách này việc đếm số lượng phương tiện và chủng loại phương tiện sẽ
được thực hiện phù hợp với giao thông hỗn hợp.
Có thể thu thập dữ liệu bằng cách khác là sử dụng một camera chiếu vuông
góc thẳng với mặt đường tại chính vùng quan tâm. Việc thiết lập chiều cao và
độ rộng góc quay sẽ thu được vùng quan tâm trên đường.
Theo [132] lưu lượng phương tiện được tính bởi: q = N/T , trong đó N là số
lượng phương tiện, T là thời gian giám sát. Space mean speed and time mean
speed calculated in [153, 154] theo các tham số có được:
(3.6)
i=1
với L là độ dài đoạn đường giám sát, ti là thời gian phương tiện thứ i đi qua vùng giám sát L, mà ti = L/ui, do đó:
(3.7)
i=1
i=1
i=1
trong đó, ui là vận tốc của phương tiện thứ i, N là số phương tiện đi qua một điểm trong thời gian giám sát. Vận tốc trung bình phương tiện di chuyển qua
N (cid:88)
vùng quan sát trong một khoảng thời gian và được biểu diễn như sau:
(3.8)
i=1
Lúc này, mật độ phương tiện k theo [132, 134, 153, 154] được tính bằng: k = N/L . Lúc này mối quan hệ giữa k, q và us là: q = kus lúc này giá trị k được biểu diễn lại như sau:
(3.9)
mặc dù vậy trong thực tế vẫn cần thiết phải xác định được hai thông số là: vận
tốc của phương tiện và kích thước của phương tiện để tính toán được mật độ
phương tiện.
Hình 3.14 là mối quan hệ giữa q và k cho thấy lưu lượng phương tiện q đạt cực
đại khi mà mật độ phương tiện đi trong vùng giám sát ở ngưỡng cho phép, nếu
mật độ phương tiện quá lớn thì lưu lượng phương tiện sẽ giảm đi. Cơ sở của tính
toán độ chiếm dụng trên đường ρ (occupancy) được phát triển cơ bản từ các (cid:80) ti T
nghiên cứu được giới thiệu trong [155, 156] được tính toán như sau: ρ = , trong đó thì ti là thời gian phương tiện i chuyển trong vùng giám sát, T là tổng thời gian giám sát. Đây là nền móng cho các nghiên cứu sau này. Bởi lẽ, mô hình
đưa ra chỉ xác định mật độ phương tiện ở một làn đường của một luồng, hay
nói cách khác các phương tiện di chuyển nối tiếp nhau và được phân loại giống
nhau. Bởi thế việc giám sát vùng bị chiếm dụng bởi các phương tiện không đồng
nhất (heterogeneous) được mô tả như trong nghiên cứu [154] như sau:
(cid:88)
i
(3.10)
n (cid:88)
(cid:88)
j=1
(3.11)
i AT Đây là mô hình sử dụng cho nhóm phương tiện đã được thống kê. Trong đó, j là danh mục các loại phương tiện; i là loại phương tiện thuộc danh mục j; aj là diện tích chiếu ngang của xe rơi vào vùng phát hiện phương tiện (m2); T là tổng
thời gian giám sát đoạn đường (s); A là diện tích của cả đoạn đường giám sát (m2); n là tổng số phương tiện trong danh mục phân loại giao thông hỗn hợp.
Tại các nút giao thông, hầu hết được điều khiển bằng hệ thống đèn tín hiệu
giao thông. Do đó, cần thiết phải thiết lập mối quan hệ giữa lưu lượng phương
tiện, mật độ phương tiện và thời gian đèn tín hiệu giao thông hoạt động.
Kiểu giao thông đồng nhất có thể tính toán được các thông số cần thiết từ
số lượng phương tiện đi vào vùng quan sát, kích thước vùng quan sát và khoảng
thời gian quan sát. Từ các thông số này có thể tính toán được: mật độ, diện tích
bao phủ, độ dài hàng đợi, chỗ trống, chỗ trống an toàn and chỗ trống bị chiếm
dụng. Tuy nhiên, có thể sử dụng mô hình đèn tín hiệu của giao thông đồng nhất
để lập luận cho phương thức điều khiển đèn tín hiệu giao thông như trong [157]
gồm tính toán thời gian đèn vàng, chu kì đèn tín hiệu, và thời gian đèn cho các
pha.
Xác định thời gian đèn vàng nhỏ nhất,
(3.12)
trong đó, τ là thời gian đèn vàng nhỏ nhất, W là chiều rộng của nút giao thông
(3.13)
i=1
φ (cid:88)
gian bị lỡ ở mỗi chu kì (s) được tính như sau: L =
i=1
ở pha i, li là thời gian bị lỡ ở pha i, R là tổng thời gian đèn đỏ trong chu kì; Yi là giá trị lớn nhất của tỉ số tiếp cận đến bão hòa cho tất cả các làn pha i (ví dụ: qij/Sj), φ số pha, qij là lưu lượng mỗi làn ở pha i, Sj lưu lượng bão hòa trên nhóm làn j. Gte là tổng thời gian đèn xanh mỗi chu kì = C˘L, trong đó C là độ dài chu kì thực tế sử dụng (thường được tính bằng cách làm tròn C0 với 5 giá trị gần nhất). Gei là thời gian đèn xanh hoạt động ở pha i được tính toán bởi
(3.14)
đây là cách tính toán dựa hoàn toàn vào lưu lượng phương tiện tham gia vào
nút giao thông ở mỗi pha để tính thời gian hoạt động hợp lý của đèn tín hiệu
giao thông.
Hình 3.15 trong [132] mô tả một đèn tín hiệu giao thông của một pha hoạt
động, các phương tiện dừng lại trước đèn đỏ và bắt đầu di chuyển khi đèn chuyển
sang xanh theo cơ chế FIFO (First In First Out). Trong biểu đồ này cũng cho
thấy sự ảnh hưởng khi các phương tiện nối nhau trong hàng đợi bắt đầu di
chuyển khi đèn chuyển xanh. Mô tả đoạn đường giám sát có độ dài x = L trong
thời gian t. Mỗi một mũi tên đi vào vùng 1 là đại diện của một phương tiện. Khi
phương tiện bắt đầu đi vào vùng 1 mất một khoảng thời gian để phương tiện tới
khu vực đèn tín hiệu, trong trường hợp đèn tín hiệu màu xanh thì phương tiện
đi thẳng qua luôn. Còn trong trường hợp đèn đỏ thì phương tiện dừng lại và khi
bắt đầu đèn xanh thì các phương tiện bắt đầu di chuyển. Vùng 1 thể hiện các
phương tiện đang di chuyển, vùng 2 thể hiện các phương tiện dừng chờ đèn đỏ
nối tiếp nhau, vùng 3 thể hiện khi đèn xanh các phương tiện lần lượt di chuyển.
Trong nghiên cứu này, đoạn đường dẫn luồng đi vào nút giao thông đã được
lên phương án để tính toán được số lượng phương tiện vào, phân loại phương
tiện và tính toán được thông số mật độ và độ chiếm dụng mặt đường để làm cơ
sở tính toán thời gian hoạt động phù hợp của đèn tín hiệu giao thông.
Giao thông không đồng nhất có đặc trưng là nhiều chủng loại phương tiện có
kích thước khác nhau cùng chạy chung một làn trên một luồng đường. Do đó,
việc thống kê phân loại phương tiện phải đi cùng với kích thước phương tiện đó.
Bảng 3.2 thống kê kích thước các chủng loại phương tiện.
Chủng loại
Chiều dài (m) Chiều rộng (m) Diện tích (m2)
Ô-tô (sedan)
3,72
1,44
5,39
Xe buýt
10,1
2,43
24,74
Xe tải
7,5
2,35
17,62
Xe 16 chỗ
6,1
2,1
12,81
Xe tải rơ-moóc
7,4
2,2
16,28
Xe ba bánh
3,2
1,4
4,48
Xe máy
1,87
0,64
1,2
Xe đạp
1,9
0,45
0,85
Xe đẩy
2,7
0,95
2,56
Từ kích thước của phương tiện xem xét đánh giá độ an toàn của tốc độ
phương tiện đang chạy đối với các phương tiện khác. Ví dụ: vướng gương nên
phương tiện phải đi cách nhau một khoảng ít nhất là bao nhiêu? Có cảm giác an
toàn, ... Trong nghiên cứu này chỉ tập trung vào kích thước thực tế của phương
tiện, do đó mật độ phương tiện giao thông và thông số diện tích bao phủ có đặc
điểm là trong AO có thể vẫn còn chỗ trống, nhưng thực chất các chỗ trống này
không an toàn cho phương tiện đi vào.
Về bản chất nút giao thông sử dụng đèn giao thông là một tính năng của làn
sóng (Làn sóng là một thuật ngữ chỉ các đợt sóng ở đây là một đợt các phương
tiện cùng di chuyển). Một làn sóng có thể coi như là một đường bao giữa hai
vùng có mật độ phương tiện khác nhau trên cùng một làn hay một luồng đường,
ví dụ: tại một nút giao thông có đèn tín hiệu hoạt động, một vụ tai nạn trên
đường hay một đoạn đường bị nghẽn nút cổ chai.
Bởi vậy, nhiệm vụ chính của đèn tín hiệu giao thông tại một nút giao thông
là tạo ra các làn sóng để đảm bảo an toàn cho các phương tiện đi vào nút giao
thông và làm gián đoạn các phương tiện di chuyển vào một luồng đang có lượng
phương tiện dày đặc.
Chính bởi lẽ đó, trong trường hợp số lượng phương tiện đầu vào đếm được
việc hoạch định thời gian hoạt động của các chu kì đèn tín hiệu là hoàn toàn
n (cid:88)
khả thi và tương ứng như sau:
(3.15)
i=1
Tuy nhiên, kích thước của vùng đích (vùng đích là vùng mà các phương tiện
muốn đi vào, tương đương như pha đích nhưng pha đích) là kích thước cố định
xuyên suốt thời gian các phương tiện di chuyển trong nút giao thông. Do đó,
các phương tiện này không thể di chuyển hoàn toàn sang vùng đích trong một
lần mà được chia nhỏ ra bởi đèn xanh và đèn đỏ tại từng pha. Lúc này, số lượng
phương tiện có thể chứa ở vùng đích chính bằng diện tích bao phủ của vùng
tổng số pha (cid:88)
đích đối với số lượng phương tiện di chuyển vào đó được tổng hợp lại như sau:
(cid:88)
p=1
i
(3.16)
Mật độ chiếm dụng đoạn đường A được tính bởi độ chiếm dụng mặt đường ai của mỗi phương tiện nhân với thời gian chiếm dụng ti trong thời gian di chuyển trong A ở tất cả các pha.
Dưới đây là mô hình sa bàn mô phỏng một nút giao thông được nhóm nghiên
cứu thực hiện. Trong đó, các tham số kích thước của đường và của đoạn cần
giám sát được đo đạc và khảo sát từ thực tế. Theo như hiện trạng thực tế của
nút giao thông được mô phỏng thì hoạt động của nút giao thông này bao gồm
ba pha, được thể hiện trong Hình 3.16 bên dưới:
Kịch bản mô phỏng được thể hiện trong Hình 3.17, như sau:
Luồng giao thông chính cần giám sát là A → B, các chu kì đèn khác sẽ bị
tác động bởi luồng này. Chiều rộng của các luồng đường là: d1=10m, d1’=8,4m,
d3=7m, d4=14m. Chiều rộng đường của pha đi từ A → B là 41m, đoạn đường giám sát bên A có độ dài lAOcc=10m. Vùng đích có thể chia làm nhiều khoảng
phục vụ nhiều khoảng thời gian mà lưu lượng phương tiện tăng dần tới giảm
dần. Vùng B với độ dài 20m này được giám sát bằng camera.
Phương thức đưa ra kết quả, tập trung khai thác vùng làn đi vào B, tính
toán AOcc bởi tổng luồng B bằng luồng A + C + D. tập trung đánh giá density
hai AOcc để xác định thời gian hoạt động của đèn tín hiệu giao thông. Xác định ldensity xác định mật độ phương tiện đang di chuyển trong vùng quan tâm, từ đó tín toán được chi tiết các thông số. Xác định lAOcc là vùng được xác định để tính toán AOcc, thông số này rất quan trọng bởi khi dừng trước đèn đỏ các
phương tiện trong kiểu giao thông hỗn hợp sẽ di chuyển theo cách điền vào các
chỗ trống.
Chủng loại
Chu kì 1 Chu kì 2 Chu kì 3 Chu kì 4
Ô-tô (sedan)
35
39
36
36
Xe buýt
4
3
7
4
Xe tải
0
0
0
0
Xe 16 chỗ
0
0
1
0
Xe tải rơ-moóc
0
0
0
0
Xe ba bánh
0
0
0
0
Xe máy
76
80
62
114
Xe đạp
2
0
0
0
Xe đẩy
0
0
0
0
Từ Bảng 3.3, dữ liệu được đưa vào phần mềm mô phỏng SiMTraM 1 là phần mềm được sử dụng chủ yếu trong các nghiên cứu để mô phỏng giao thông hỗn
1https://www.civil.iitb.ac.in/tvm/SiMTraM_Web/html
hợp trên thế giới.
Kết quả mô phỏng cho thấy, thống kê được số lượng phương tiện và chủng
loại phương tiện di chuyển vào một vùng đích tại một nút giao thông, trong giao
thông hỗn hợp hay không đồng nhất về chủng loại phương tiện đều có thể xác
định được thời gian đèn tín hiệu hoạt động cho phù hợp được trình bày trong
Bảng 3.4.
Đèn xanh Đèn xanh Đèn đỏ Đèn đỏ Đèn vàng Đèn vàng
hiện tại
đề xuất
hiện tại
đề xuất
hiện tại
đề xuất
40
32
99
87
03
07
Các nghiên cứu trước vẫn chưa xử lý bài toán điều khiển đèn tín hiệu trong
giao thông hỗn hợp bằng mô hình toán học và chưa phù hợp với điều kiện giao
thông của các nước đang phát triển. Nghiên cứu này có thể triển khai và ứng
dụng được rộng rãi tại các quốc gia này.
Phương án được nghiên cứu ở đây dành cho các nút giao thông có thể thống
kê và phân loại phương tiện chuẩn bị đi vào một nút giao thông từ các pha của
nút. Các số liệu thực tế có thể dự đoán được tình hình và khả năng chứa của
pha đích. Từ đó có thể ước lượng được thời gian hoạt động phù hợp của đèn
tín hiệu theo thời gian thực nâng cao khả năng điều khiển của đèn tín hiệu giao
thông.
Giám sát lưu lượng phương tiện giao thông là những chức năng quan trọng
nhất của một hệ thống giao thông thông minh. Việc ứng dụng công nghệ xử lý
ảnh để giám sát điều khiển luồng phương tiện ưu tiên quan trọng trong việc tự
động hoá quản lý.
Hệ thống giám sát và điều khiển dòng phương tiện được thực hiện trong kịch
bản tại một nút giao thông, dựa vào dòng phương tiện để điều khiển thời gian
hoạt động của đèn tín hiệu giao thông cho phù hợp. Trong nghiên cứu [J1] luận
án đã đề xuất phương pháp xác định đường giao thông mà các phương tiện di chuyển và xác định các tham số ∆α (∆α∞, ∆αm và ∆αn ), β và L để xác định mật độ các phương tiện đang xuất hiện tại các vùng mà dòng phương tiện đang
hướng vào. Việc ước lượng các tham số trên sẽ điều khiển được thời gian hoạt
động của đèn tín hiệu, tránh gây ra các xung đột giao thông.
Trong trường hợp số lượng và chủng loại phương tiện có thể được giám sát
ngay từ đầu, luận án đề xuất hướng quản lý lưu lượng dựa trên mật độ bao phủ
của từng phương tiện trên đường nhằm mục đích ước lượng đoạn đường cần
giám sát có khả năng chứa được bao nhiêu phương tiện. Từ đó có thể đề xuất
ra thời gian hoạt động cho đèn tín hiệu giao thông ở một nút giao thông cần
giám sát [J3].
Một số kết quả đạt được của luận án:
1. Đề xuất thuật toán cải thiện chất lượng ảnh dựa trên giải thuật Bicubic
nhằm mục đích nâng cao chất lượng của ảnh sau khi nội suy. Thuật toán
thực hiện tính toán ảnh biên từ ảnh nội suy sau đó tính lại các vị trí điểm
ảnh ở cận biên của đối tượng để tăng độ tương phản và phù hợp cho đối
tượng. Quanh các đường biên của đối tượng trong ảnh, thuật toán sử dụng
các ma trận 7 × 7, 3 × 3 để xác định vị trí các điểm ảnh cần tính toán lại
sau đó sử dụng các giải thuật nội suy tuyến tính để đưa điểm ảnh nội suy
gần với các điểm ảnh gốc ở xung quanh thuộc về cùng một đối tượng.
2. Đề xuất phương pháp phân loại phương tiện dựa vào góc tới của phương
tiện. Góc tới được thực hiện dựa trên hình chữ nhật cơ sở bao quanh đối
tượng giao thông phát hiện được. Theo thống kê kết quả mô phỏng của
phương pháp đề xuất, góc tới thu được của xe máy và ô-tô khác biệt với
nhau đủ cơ sở để phân loại phương tiện.
3. Đề xuất mô hình tính toán tốc độ phương tiện giao thông dựa vào đặc trưng
cơ sở mô hình hoá được diện tích thực tế của từng điểm ảnh ∆p = , hình học của camera giám sát trên đường. Mô hình được thực hiện dựa trên f tan δ m/2
là cơ sở của lưới được quét trên đường. Từ đó tính toán được diện tích mà
các pixel đại diện cho một vùng ở trên đường do đó có thể thực hiện tính
toán sự dịch chuyển của phương tiện qua các điểm ảnh này tương ứng để
tính tốc độ phương tiện từ các cặp điểm ảnh thu được.
4. Đề xuất phương pháp thực hiện giám sát và điều khiển luồng phương tiện
cho dòng phương tiện giao thông hỗn hợp dựa vào camera giám sát theo kịch
bản đề xuất. Phương pháp thực hiện bằng cách xác định vùng di chuyển của
phương tiện hay chính là phần đường xe chạy. Tiếp đó sẽ xác định mật độ
phương tiện chiếm dụng trên đường nhằm mục đích xác định mật độ vùng
trống với phần bị chiếm dụng để xác định vùng giám sát đã đầy phương
124
tiện hay chưa. Các tham số chính được đề xuất để đánh giá ở đây là: ∆α
(∆α∞, ∆αm và ∆αn ), β và L tương ứng với vùng các phương tiện dừng chờ đèn đỏ, phần đường giao nhau của nút giao thông và vùng luồng phương
tiện sẽ di chuyển vào. Từ việc giám sát các tham số này có thể tính toán
thời gian đèn giao thông hoạt động cho phù hợp.
Luận án đề xuất các hướng phát triển tiếp theo như sau:
ảnh theo hướng Super-Resoulution để cải thiện chất lượng ảnh thu được từ
camera giao thông.
định thời gian bắt hình (shutter time) của camera ảnh hưởng tới thời gian
của khung hình kế tiếp nhằm mục đích xác định thời gian bắt hình và thời
gian còn lại của một khung hình.
mục đích đồng bộ hoá dữ liệu và đồng bộ trong điều khiển dòng phương
tiện.
I. CÁC CÔNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN
ĐÃ ĐĂNG
Conferences:
[C1 ] Nguyen Viet Hung, Nguyen Hoang Dung, Le Chung Tran, Thang Manh
Hoang & Nguyen Tien Dzung (2016); Vehicle Classification by Estimation of
the Direction Angle in a Mixed Traffic Flow, IEEE International Conference
on Communications and Electronics (IEEE - ICCE), pp. 365 - 368.
[C2 ] Nguyen Viet Hung, Nguyen Hoang Dung, Le Chung Tran, Thang Manh
Hoang & Nguyen Tien Dzung (2016); A Traffic Monitoring System for a
Mixed Traffic Flow Via Road Estimation and Analysis, IEEE International
Conference on Communications and Electronics (IEEE - ICCE), pp. 375 -
378.
[C3 ] Nguyen Viet Hung, Nguyen Thi Thu Hien, Phan Thanh Vinh, Nguyen
Thi Thao & Nguyen Tien Dzung (2017); An Utilization of Edge Detection in
a Modified Bicubic Interpolation Used for Frame Enhancement in a Camera-
based Traffic Monitoring, IEEE International Conference on Information
and Communications (IEEE - ICIC), pp. 316 - 319.
Journals:
[J1 ] Nguyen Viet Hung, Nguyen Tien Dzung (2017); A Traffic Monitoring
based on Vehicle Density Estimation and Analysis for a Mixed Traffic Flow
in a Transport Cross-road, Journal of Science & Technolgoy - Technical
Universities, No. 120, 6/2017, pp. 92 - 98.
[J2 ] Nguyễn Việt Hưng, Nguyễn Thị Thảo, Đỗ Huy Khôi, Nguyễn Tiến
Dũng (2017); Mô Hình Hóa Phương Pháp Đo Tốc Độ Ô Tô Dựa Trên Xử
Lý Ảnh, Tạp chí Khoa học và Công nghệ, Đại học Thái Nguyên, ISSN 1859
126
- 2171, Tập 169 số 09 năm 2017, pp. 39 - 44.
II: CÁC CÔNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN
ĐANG CHỜ KẾT QUẢ PHẢN BIỆN
[J3 ] Nguyen Viet Hung, Nguyen Tien Dzung (2019); Traffic Density Based
Modeling According to Vehicle Sizes
128
STT
Nhóm phương tiện
Chú thích
Số trục bánh xe
1
Xe gắn máy
Xe gắn máy
2
2
Xe ô-tô chở khách
Tất cả ô-tô chở người
2, 3 hoặc 4
3
Xe hai trục và moóc
2, 3 hoặc 4
Xe bán tải, xe chở người loại nhỏ có hoặc không kéo theo moóc một trục hoặc hai trục
4
Xe khách
Xe khách
2 hoặc 3
5
Xe tải hai trục, sáu bánh
Xe tải hai trục
2
6
Xe tải ba trục
3
Xe tải ba trục, xe kéo ba trục không có moóc
7
Xe tải bốn trục trở lên
Xe tải bốn, năm, sáu, bảy trục
4 trở lên
8
Xe tải bốn trục trở xuống
3 hoặc 4
Xe tải, xe kéo hai trục kéo một hoặc hai moóc
9
Xe tải năm trục
5
Xe kéo hai trục kéo moóc 3 trục, xe kéo ba trục kéo moóc 2 trục, xe tải ba trục kéo moóc hai trục
10
Xe hơn sáu trục
Kết hợp
6 trở lên
11
Xe năm trục trở xuống
Kết hợp
4 hoặc 5
12
Xe tải sáu trục
Kết hợp
6
13
Xe tải bảy trục trở lên
Kết hợp
7 trở lên
139
