zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Công Nghệ Thông Tin

» Cơ sở dữ liệu

Tính toán lưu lượng giao thông theo thời gian thực từ ảnh carmera giám sát

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:8

Báo xấu

7
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tính toán lưu lượng giao thông là một trong những bước đầu tiên trong quy hoạch đô thị và quản lý cơ sở hạ tầng giao thông. Lưu lượng giao thông thường được đo bằng cách sử dụng các vòng dây cảm ứng lắp ngầm, hoặc đếm bằng phương pháp thủ công. Tuy nhiên, các phương pháp này khó áp dụng trên diện rộng do chi phí cao, mặt đường xuống cấp.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tính toán lưu lượng giao thông theo thời gian thực từ ảnh carmera giám sát

TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH Tính toán lƣu lƣợng giao thông theo thời gian thực từ ảnh carmera giám sát Nguyễn Hồng Quân Trường Đại học Công nghiệp Quảng Ninh E-mail: cdmhongquan@gmail.com Tóm tắt: Tính toán lưu lượng giao thông là một trong những bước đầu tiên trong quy hoạch đô thị và quản lý cơ sở hạ tầng giao thông. Lưu lượng giao thông thường được đo bằng cách sử dụng các vòng dây cảm ứng lắp ngầm, hoặc đếm bằng phương pháp thủ công. Tuy nhiên, các phương pháp này khó áp dụng trên diện rộng do chi phí cao, mặt đường xuống cấp. Chúng tôi tính lưu lượng giao thông bằng cách sử dụng dữ liệu video chất lượng thấp từ camera giám sát. Đầu tiên, chúng tôi huấn luyện thuật toán YOLOv4 để nhận diện cho năm lớp đối tượng (xe con, xe tải, xe buýt, xe contener, xe mô tô). Tiếp theo, để tính toán lưu lượng giao thông, chúng tôi giới thiệu một thuật toán để đếm các phương tiện giao thông dựa trên hướng di chuyển. Kết quả thử nghiệm đối với dữ liệu quan trắc tại thành phố Hồ Chí Minh cho thấy hiệu quả của phương pháp được đề xuất. Trong tương lai, chúng tôi hy vọng sẽ huấn luyện về các bộ dữ liệu lớn và đa dạng hơn bao gồm các điều kiện thời tiết và ánh sáng khác nhau. Từ khoá: Giao thông thông minh, YOLO4, phân loại hình ảnh, tính toán lưu lượng giao thông. 1. GIỚI THIỆU Ngày nay, với tốc độ đô thị hóa cao, số lượng phương tiện giao thông trong mạng lưới đường đô thị đã tăng lên đáng kể. Tổng cục Thống kê cho biết, năm 2021, trên địa bàn cả nước xảy ra 11.454 vụ tai nạn giao thông, bao gồm 7.370 vụ tai nạn giao thông từ ít nghiêm trọng trở lên và 4.084 vụ va chạm giao thông, làm 5.739 người chết, 3.889 người bị thương và 4.109 người bị thương nhẹ [1]. Khi dân số đông cũng đồng nghĩa với số lượng phương tiện tăng, vấn đề nan giải cho tình trạng kẹt xe, tính toán của Viện Chiến lược và Phát triển giao thông vận tải (Bộ Giao thông vận tải) cho thấy riêng TP.HCM mất khoảng 1,3 tỷ USD mỗi năm. Cứ 1 giờ kẹt xe, Thành phố mất 1,2 tỷ đồng, và 2,3 tỷ đồng do ô nhiễm môi trường từ các phương tiện cơ giới. Tại Hà Nội, tình trạng kẹt xe cũng gây thiệt hại 1 - 1,2 tỷ USD/năm [2]. Tắc nghẽn và ùn tắc giao thông gây tổn thất lớn về kinh tế, hậu quả trực tiếp của nó là: lãng phí nhiên liệu, phát thải khí nhà kính tăng cao, tổn thất về thời gian chết cho cộng đồng. Do đó, các yêu cầu về giao thông phải được giải quyết trong một hệ thống giao thông thông minh để đảm bảo giao thông an toàn, đáp ứng và hiệu quả cho tất cả mọi người. Hiểu được hành vi giao thông đường bộ là một thành phần quan trọng của mô hình giao thông thông minh. Ước tính lưu lượng giao thông là bước đầu tiên để xác định các mô hình giao thông đường bộ, góp phần vào quá trình lập mô hình giao thông, quy hoạch đô thị và thiết kế cho tất cả các khía cạnh của mạng lưới giao thông đường bộ [3]. Việc thu thập dữ liệu giao thông thường được thực hiện bằng cách sử dụng vòng dây cảm ứng lắp ngầm dưới lòng đất, hoặc đếm thủ công. Tuy nhiên, các phương pháp này tốn nhiều công sức, tốn kém, khó cài đặt và có thể không chính xác. Ngoài ra, chúng có thể làm hỏng mặt đường, làm giảm chất lượng và tuổi thọ của đường, do đó không thể được sử dụng ở những khu vực rộng lớn. Ngày nay, hệ thống camera giám sát ngày càng phổ biến và được lắp đặt ở nhiều nơi công cộng để cho phép giám sát theo thời gian thực. Khi các hệ thống này được vận hành liên tục, chúng tạo ra một lượng lớn dữ liệu đóng góp vào dữ liệu lớn. Những 200 Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH phát triển gần đây trong nghiên cứu thị giác máy tính đã nâng cao nhu cầu sử dụng hình ảnh, để giải quyết các vấn đề thực tế như: Phát hiện tắc nghẽn giao thông [4], nhận dạng biển số xe tự động [5]. Tuy nhiên, việc ước tính lưu lượng truy cập bằng cách sử dụng thuật toán thị giác máy tính cho bộ dữ liệu camera giám sát vẫn đang trong giai đoạn phát triển rất sớm. Có nhiều khó khăn trong việc lưu trữ, xử lý và phát triển các thuật toán hiệu quả để phân tích dữ liệu từ camera giám sát [3]. Nghiên cứu này nhằm mục đích trả lời câu hỏi nghiên cứu: Có thể ước tính được lưu lượng giao thông từ các camera giám sát giao thông (CGSGT) chất lượng thấp trong thời gian thực không? Chúng tôi tập trung vào một số dữ liệu quan trắc được từ TP. Hồ Chí Minh. Số lượng phương tiện được thu thập cho năm loại phương tiện: ô tô con, xe buýt, xe tải, xe conterner và xe mô tô. Chúng tôi huấn luyện thuật toán [6] để phát hiện và phân loại phương tiện, phát triển thuật toán đo đếm lưu lượng theo thời gian thực. Hình 1. Tắc nghẽn giao thông tại TP. Hồ Chí Minh 2. CÁC CÔNG TRÌNH LIÊN QUAN Gần đây, các tiến bộ trong việc xử lý hình ảnh (Computer Vision) đã đóng góp rất nhiều cho các ứng dụng công nghệ phục vục đời sống. Điển hình là các ứng dụng giám sát giao thông qua dữ liệu trực quan thu được từ camera giám sát và phương tiện bay trên không (Zhang [7], Agarwal [8]). Các công cụ dò tìm đối tượng dựa trên Mạng Nơ ron Convolutional (CNN) đã được áp dụng rộng rãi cho các ứng dụng giám sát phương tiện lưu thông. Các thuật toán này nói chung có thể được chia thành hai nhóm chính, đó là bộ dò một giai đoạn và bộ dò hai giai đoạn. Các công cụ dò tìm một giai đoạn như Single Shot Detector (SSD) và YOLO thường nhanh và dự đoán các hộp giới hạn đối tượng cùng với các lớp trong một đường truyền mạng duy nhất. Ngược lại, phát hiện hai giai đoạn xảy ra trong hai giai đoạn. Đầu tiên, mô hình đề xuất một tập hợp các khu vực quan tâm bằng cách tìm kiếm có chọn lọc hoặc sử dụng Mạng Đề xuất Khu vực (RPN). Sau đó, một bộ phân loại chỉ xử lý các ứng viên khu vực để xác định các đối tượng [9]. Do đó, thuật toán phát hiện hai giai đoạn có xu hướng chậm hơn (các thuật toán họ R-CNN bao gồm R-CNN gốc, Fast R-CNN, Faster R-CNN và Mask R-CNN). Phát hiện, phân loại và theo dõi đối tượng phương tiện là ba nhiệm vụ chính liên quan trong khi xử lý bộ dữ liệu video để ước tính lưu lượng giao thông [3]. Phát hiện đối tượng liên quan đến việc vẽ các hộp giới hạn xung quanh các đối tượng quan tâm để định vị nó trong hình ảnh. Phân loại giúp xác định các đối tượng thành các lớp khác nhau như ―ô tô, xe buýt, xe tải, xe mô tô‖. Vào năm 2015, Redmon et al. đã giới thiệu You Only Look Once (YOLO) như một hệ thống phát hiện đối tượng nhanh chóng, chính xác và theo thời gian thực[10]. Redmon đã phát triển và trải qua một số sửa đổi về kiến trúc cho đến khi sản xuất YOLOv3 vào năm 2018 [11]. Vào năm 2020, YOLOv4 được giới thiệu là một máy dò nhanh hơn và chính xác hơn tất Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022 201
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH cả các máy dò dựa trên CNN hiện có [12]. Tuy nhiên, quá ít sự chú ý đến việc nghiên cứu sử dụng YOLOv4 để phát hiện đối tượng trên xe. Nhiều tác giả cũng đã phát triển các thuật toán Theo dõi đối tượng và phân tích đường chuyển động của một đối tượng qua các khung hình khác nhau. Tùy thuộc vào mục tiêu theo dõi, có hai loại thuật toán theo dõi như: Theo dõi một đối tượng (SOT) và theo dõi nhiều đối tượng (MOT). Trong SOT, một đối tượng duy nhất được theo dõi ngay từ đầu, trong MOT thì một số đối tượng được phát hiện và theo dõi từ khung này sang khung khác [13]. Hai ví dụ nổi tiếng về thuật toán SOT bao gồm: Lọc Kalman và Lọc hạt, trong khi SORT và DeepSORT là hai thuật toán MOT hiện đại nhất [13]. Trong nghiên cứu của [13], sử dụng DeepSORT để theo dõi phương tiện và các đường ảo để đếm giao thông. Tuy nhiên, hướng chuyển động của xe không được xem xét với nhiều luồng giao thông khác nhau. Vì vậy, nghiên cứu này được thực hiện tính toán lưu lượng truy cập trong thời gian thực từ CGSGT xem xét những khoảng trống này. 3. PHƢƠNG PHÁP NGHIÊN CỨU Hình 2. Phương pháp tính toán lưu lượng giao thông theo thời gian thực Nghiên cứu này, chúng tôi tính toán lưu lượng giao thông theo thời gian thực từ dữ liệu CGSGT có chất lượng thấp. Trước hết, chúng tôi phân loại các phương tiện và thu được tốc độ lưu thông dựa trên hướng di chuyển của chúng. Để đạt được mục tiêu này, chúng tôi huấn luyện thuật toán YOLOv4 với tập dữ liệu hình ảnh tùy chỉnh được thu thập từ camera, để phát hiện năm lớp đối tượng là xe con, xe buýt, xe tải, xe conterner và xe mô tô. Sau đó, các trọng số đã được huấn luyện ở trên sẽ được sử dụng cho mô-đun tính toán lưu lượng giao thông (xem Hình 3). Mô-đun tính toán lưu lượng giao thông sẽ đếm các phương tiện dựa trên hướng di chuyển và loại phương tiện từ dữ liệu CGSGT. Do đó, mô-đun này được chia thành ba nhiệm vụ phụ: phát hiện phương tiện, theo dõi phương tiện và ước tính lưu lượng giao thông. Mô-đun phát hiện phương tiện sẽ vẽ một hộp giới hạn xung quanh các đối tượng xe để định vị nó trong một khung, sau đó mô-đun theo dõi chuyển động của một đối tượng xe giữa các khung khác nhau. Thuật toán của chúng tôi có thể dễ dàng áp dụng cho bất kỳ vị trí nào tương tự với rất ít sửa đổi và mở rộng cho các vị trí phức tạp với những thay đổi dựa trên mức độ phức tạp. 3.1. Dữ liệu Chúng tôi thu thập dữ liệu từ các camera giám sát giao thông theo thời gian thực của thành phố Hồ Chí Minh, được công bố công khai trên trang web http://giaothong.hochiminhcity.gov.vn/Map.aspx. Hình 3 mô tả các vị trí gắn CGSGT trên địa bàn Quận 1 và Quận 10, thành phố Hồ Chí Minh. 202 Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH Hình 3. Một số vị trí gắn camera giám sát giao thông ở TP. HCM Trong nghiên cứu điển hình của mình, chúng tôi chọn đại lộ Dương Bá Trạc, Ký Con, Quốc lộ 13, Quốc lộ 1. Tập dữ liệu hình ảnh được sử dụng để huấn luyện YOLOv4, trong khi tập dữ liệu video được sử dụng để xác thực thuật toán đếm luồng lưu lượng truy cập thời gian thực. Tất các các dữ liệu đều thu thập trong thời gian là ban ngày để có chất lượng tốt nhất. Trong tương lai chúng tôi sẽ tính toán lưu lượng cả với thời gian ban đêm. Bảng 1. Dữ liệu ảnh Loại phƣơng Số lƣợng tiện ảnh Xe con 13.200 Xe buýt 152 Xe tải 823 Xe conterner 1214 Xe mô tô 12641 Bảng 2. Dữ liệu video Mô tả Thời gian Thời gian Số bắt đầu kết thúc frame Video 01 10:00:00 11:42:43 69.676 Video 02 07:06:17 08:06:56 86.987 3.2. Phát hiện phƣơng tiện Nền tảng của mô-đun phát hiện phương tiện là bộ YOLOv4 một giai đoạn [6]. Mô hình này đã được huấn luyện dựa trên tập dữ liệu hình ảnh thu được từ CGSGT như được mô tả trong bảng 1, sử dụng triển khai Darknet 14 của thuật toán YOLOv4. Các hình ảnh được chú thích bằng cách sử dụng công cụ LabelImg5 trước khi thực hiện quá trình huấn luyện. Quá trình huấn luyện được thực hiện bằng cách sử dụng máy tính hiệu suất cao của khoa Công nghệ thông tin - Trường Đại học Công nghiệp Quảng Ninh. Tổng thời gian dành cho quá trình huấn luyện là khoảng 15 giờ trên 2 lõi GPU. Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022 203
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH Bảng 3. Độ chính xác của thuật toán phát hiện phương tiện Phương tiện Xe con Xe buýt Xe tải Xe contener Moto Độ chính xác (%) 96.28 91.35 92.75 89.21 82.68 Theo bảng trên, độ chính xác trong việc phát hiện phương tiện là mô tô có độ chính xác là thấp nhất. Điều này có thể giải thích là, trong điều kiện cảnh quay không rõ ràng, thuật toán thường nhầm lẫn giữa người (person) đi bộ và mô tô. Với điều kiện giao thông thực tế tại Tp. Hồ Chí Minh, chúng tôi có thể áp dụng cả hai trường hợp nhận dạng này cho cùng một phương tiện giao thông là mô tô để tính toán lưu lượng giao thông nói tới bởi mục 3.3. Độ chính xác nhận diện xe con là cao nhất do dữ liệu huấn luyện về xe con là cao nhất, có có giá trị là 96,28%. Hình 4. Kết quả nhận dạng loại phương tiện giao thông 3.3. Tính toán lƣu lƣợng giao thông Trong Hình 5, là khung hình để phân tích, nhận dạng đối tượng và đếm các đối tượng di chuyển qua line. Trên khung hình, đó là đường "nhiều làn", nơi có hai làn cho mỗi hướng di chuyển ngược chiều nhau. Tốc độ lưu lượng giao thông có thể được định nghĩa là số lượng xe n trong khoảng thời gian t tại vị trí quan sát i trong mạng lưới giao thông được đưa ra bởi phương trình (1). (1) Trong đó: là tốc độ luồng giao thông là số lượng xe tham gia giao thông là thời gian di chuyển Hình 5. Khung hình phân tích: Tọa độ line (L1[0],L1[1],L2[0],L2[1]) và các đặc trưng của hộp giới hạn đối tượng (tọa độ x, y, rộng w, cao h) Chúng tôi phân tích từng khung hình trong tập hợp khung hình (frame) của cảnh quay. Khi một chiếc xe được phát hiện đi vào một làn cụ thể, nó sẽ được phân loại và theo dõi qua các hộp giới hạn (box) khác nhau. Chúng tôi sử dụng phép tính toán học đơn giản xác định 204 Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH các điểm giao cắt giữa vị trí của hộp giới hạn các đường (line) đã xác định. Khi tâm của các hộp giới hạn vượt qua tọa độ của đường line giới hạn thì đếm được xác định tăng lên 1. Việc đếm cũng thực hiện theo từng hướng di chuyển khác nhau. Thuật toán của chúng tôi ghi số lượng lưu lượng truy cập theo thời gian thực vào một tệp văn bản. Chúng tôi sử dụng thư viện pandas python 6 và matplotlib FuncAnimation 7 để vẽ biểu đồ trực tiếp của luồng lưu lượng. Hình 5 minh họa hệ thống tính toán lưu lượng giao thông theo thời gian thực dựa trên YOLOv4 được huấn luyện tùy chỉnh. Biểu đồ hiển thị lưu lượng giao thông theo thời gian thực được trình bày trong hình 6. Để đánh giá độ chính xác, chúng tôi đã đếm thủ công số lượng phương tiện trong mỗi lớp cho cảnh quay video được phân tích và sử dụng làm giá trị trung thực. Sau đó, giá trị độ chính xác được đo bằng công thức 2. (2) Hình 5. Line giới hạn (màu vàng) trong khung hình để tính toán lưu lượng giao thông Bảng 4 minh họa độ chính xác cho video được xem xét ở các thử nghiệm. Độ chính xác trung bình đối với luồng giao thông ―Phải‖ là 0,726, trong khi ―Trái‖ là 0,806 cho tất cả các loại xe. Việc đếm số phương tiện xe con có độ chính xác lớn hơn cả: đạt được điểm chính xác trung bình là 0,95. Đối với vị trí mà chúng tôi khảo sát, phần lớn các phương tiện giao thông là các hạng xe hơi. Tuy nhiên, độ chính xác phát hiện cho lớp xe contener thấp nhất (điểm chính xác trung bình: 0,67), do số lượng hình ảnh xe contener trong tập dữ liệu huấn luyện thấp hơn. Ngoài ra do xe contener thường dài, thuật toán có thể nhận dạng nhầm lẫn thành 2 xe riêng biệt (đầu kéo và thùng xe). Có một số hạn chế cần được xem xét: ánh sáng có thể thay đổi vào các thời điểm khác trong năm, ban ngày và ban đêm cũng khác nhau. Trong tương lai cần phải tính toán đối với các thay đổi này. Ngoài ra, chúng tôi cũng không theo dõi được các đối tượng xe trong một số khung hình khi hình ảnh kém chất lượng. Kết quả là, một số đối tượng phương tiện bị bỏ sót khi thực hiện thuật toán đếm luồng. Hình 6. Biểu đồ lưu lượng giao thông theo thời gian thực Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022 205
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH Bảng 4. Độ chính xác tính toán lưu lượng giao thông Phƣơng tiện Số lƣợng phƣơng Số lƣợng phƣơng Độ chính xác tiện thực tế tiện phát hiện Trái Phải Trái Phải Trái Phải Xe con 215 168 204 151 0.95 0.9 Xe buýt 25 14 17 8 0.68 0.6 Xe tải 65 48 55 34 0.85 0.7 Xe conterner 21 15 15 10 0.7 0.65 Mô tô 450 684 383 534 0.85 0.78 4. KẾT LUẬN Trong nghiên cứu này, chúng tôi tập trung vào việc tính toán lưu lượng giao thông theo thời gian thực, bằng cách sử dụng CGSGT chất lượng thấp. Chúng tôi đã huấn luyện mô hình YOLOv4 để phát hiện năm lớp đối tượng phương tiện: ô tô, xe buýt, xe contener, xe tải và xe mô tô. Kết quả thử nghiệm của nghiên cứu này cho thấy rằng, mô hình có thể có được độ chính xác cao cho loại xe con (92.5%) ở cả hai chiều đường. Tuy nhiên, vì tập dữ liệu hình ảnh huấn luyện không cân bằng, độ chính xác giảm tương ứng đối với phân lớp còn lại. Trong công việc tương lai, chúng tôi sẽ huấn luyện thuật toán YOLOv4 với bộ dữ liệu lớn và đa dạng. Ngoài ra, chúng tôi hy vọng sẽ áp dụng công việc này cho các đường ngang phức tạp hơn và xem xét trên nhiều làn đường. Các nhà chức trách có thể sử dụng thuật toán của chúng tôi để giám sát luồng giao thông, xác định sự bất thường của giao thông và phát triển các kế hoạch mở rộng giao thông. Ngoài ra, cơ quan điều khiển giao thông có thể đưa ra các quyết định điều chỉnh giao thông tối ưu như: Điều chỉnh luồng giao thông và thay đổi độ nhịp đèn giao thông được tính toán tối ưu dựa trên lưu lượng giao thông thời gian thực. TÀI LIỆU THAM KHẢO [1]. https://cand.com.vn/Giao-thong/nam-2021-so-vu-tai-nan-giao-thong-giam-23-6--i639682/ [2]. https://tuoitre.vn/tphcm-ket-xe-gay-thiet-hai-12-ty-usd-nam-646060.htm [3]. Fedorov, A., Nikolskaia, K., Ivanov, S., Shepelev, V., and Minbaleev, A. (2019). ―Traffic flow estimation with data from a video surveillance camera‖. In: Journal of Big Data 6.1, p. 73. [4]. Kurniawan, J., Syahra, S. G., Dewa, C. K., et al. (2018). ―Traffic Congestion Detection: Learning from CCTV Monitoring Images using Convolutional Neural Network‖. In: Procedia computer science 144, pp. 291–297. [5]. Indira, K., Mohan, K., and Nikhilashwary, T. (2019). ―Automatic license plate recognition‖. In: Recent Trends in Signal and Image Processing. Springer, pp. 67–77. [6]. Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. (2020). ―YOLOv4: Optimal Speed and Accuracy of Object Detection‖. In: arXiv preprint arXiv:2004.10934 [7]. Zhang, J.-S., Cao, J., and Mao, B. (2017). ―Application of deep learning and unmanned aerial vehicle technology in traffic flow monitoring‖. In: 2017 International Conference on Machine Learning and Cybernetics (ICMLC). Vol. 1. IEEE, pp. 189–194. [8]. Agarwal, A., Rana, H., Vats, V., and Saraswat, M. (2020). ―Efficient Traffic Density Estimation Using Convolutional Neural Network‖. In: 2020 6th International Conference on Signal Processing and Communication (ICSC). IEEE, pp. 96–100. [9]. Girshick, R. (2015). ―Fast r-cnn‖. In: Proceedings of the IEEE international conference on computer vision, pp. 1440–1448. [10]. Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). ―You only look once: 206 Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022
TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP QUẢNG NINH Unified, real-time object detection‖. In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779–788. [11]. Redmon, J. and Farhadi, A. (2018). ―Yolov3: An incremental improvement‖. In: arXiv preprint arXiv:1804.02767. [12]. Wang, C.-y. and Liao, H.-y. M. (2020). ―YOLOv4: Optimal Speed and Accuracy of Object Detection‖. [13]. Nam Bui, K. H., Yi, H., and Cho, J. (2020). ―A multi-class multi-movement vehicle counting framework for traffic analysis in complex areas using CCTV systems‖. In: Energies 13.8. Estimated traffic flow in real-time from the video surveillance camera Hong Quan Nguyen Quang Ninh University of Industry Abstract: Traffic flow estimation is one of the first steps in urban planning and traffic infrastructure management. Traffic flow is usually measured using underground inductive loops, or counting by manual methods. However, these methods are difficult to apply on a large scale due to high costs, downtrends. This study addresses the problem of estimating traffic flow using low-quality video data from a surveillance camera. First, we train Yolov4 algorithm to identify the five class objects (cars, trucks, buses, contener cars, motorbikes). Next, to calculate traffic flow, we introduce an algorithm to count vehicles based on the movement direction. Test results for monitoring data in Ho Chi Minh City show the effectiveness of the proposed method. In future research, we hope to train more large and diverse data sets including different weather and light conditions. Keywords: Smart Traffic, Yolo4, image classification, traffic flow estimation. Kỷ yếu Hội nghị KHCN lần 7, tháng 5/2022 207

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.