Xác định tốc độ phương tiện trên đường cao tốc dựa trên thị giác máy tính

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Thêm vào BST

Báo xấu

43
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết trình bày việc đưa ra một hệ thống xác định tốc độ phương tiện sử dụng camera giám sát dựa trên học máy và thị giác máy tính. Hệ thống có tốc độ tính toán nhanh và có độ chính xác cao.

Chủ đề:

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

Lưu

Nội dung Text: Xác định tốc độ phương tiện trên đường cao tốc dựa trên thị giác máy tính

Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải XÁC ĐỊNH TỐC ĐỘ PHƯƠNG TIỆN TRÊN ĐƯỜNG CAO TỐC DỰA TRÊN THỊ GIÁC MÁY TÍNH Dinh Cong Tung1*, Nguyễn Thị Hồng Hoa1, Nhữ Văn Kiên2 1 Trường Đại học Giao thông Vận tải, Số 3 Cầu Giấy, Hà Nội 2 Trường Cao đẳng Thủy Lợi Bắc Bộ * Tác giả liên hệ: Email: tungdc@utc.edu.vn 1. Giới thiệu Giao thông thông minh (ITS) là một hệ thống được sử dụng công nghệ hiện đại, khoa học kỹ thuật công nghệ như những sản phẩm của ngành Tin học, Điện tử viễn thông.... để trợ giúp cho việc quản lý giao thông được dễ dàng và thuận lợi hơn, nhằm giảm thiều sức lao động của con người, hạn chế tai nạn giao thông, ùn tắc giao thông và các vấn đề liên quan khác [1]. Trên thế giới, giao thông thông minh được sử dụng rất nhiều ở những nước phát triển và đang phát triền. Có thể kể đến một vài ứng dụng nổi tiếng như: Ứng dụng trí tuệ nhân tạo giúp ngăn chặn tắc đường của Nhật Bản [2], ứng dụng dự đoán lưu lượng giao thông ở Hàn Quốc [3] hay sử dụng máy thanh toán để thanh toán lệ phí cầu đường [4]. Tại Việt Nam, việc nghiên cứu và phát triền Hệ thống giao thông thông minh là cần thiết, chúng ta cần từng bước phát triển Giao thông thông minh sao cho phù hợp với hiện trạng ở Việt Nam, đặc biệt là các hệ thống giám sát phương tiện. Trên thế giới, đã có những nghiên cứu về việc phát hiện các phương tiện chạy quá tốc độ. Vào năm 2017, các tác giả đã phát hiện tốc độ di chuyển của phương tiện sử dụng mô hình hỗn hợp Gauss trên các khung hình tuần tự của ảnh [5]. Trước hết, tác giả sẽ tách nền bằng mô hình hỗn hợp Gauss ở mỗi khung hình đầu vào. Sau đó, ở mỗi khung, tác giả sẽ tính toán vị trí của đối tượng và trọng tâm của nó. Tiếp theo, nhóm tác giả sẽ xác định tốc độ chuyển động của đối tượng bằng cách tính toán tốc độ dịch chuyển của các pixel ảnh dựa vào trọng tâm đã xác định trước. Cuối cùng, nhóm tác giả sẽ chuyển đổi độ dịch chuyển của pixel thành đơn vị thời gian km/h. Tác giả tính toán độ dịch chuyển theo công thức: v = d / t (cm/s), trong đó, d là khoảng cách di chuyển từ điểm đầu đến điểm cuối, t là thời gian di chuyển. Năm 2016, nhóm tác giả đã đề xuất phát hiện và theo dõi xe đi qua khu vực giám sát, việc theo dõi được dựa trên sự tương quan của các phương tiện trong khung liên tiếp [6]. Sau khi phát hiện phương tiện bằng phương pháp trừ nền, hệ thống sẽ trích xuất thông số của xe như chiều cao, chiều dài, vị trí. Kết quả sẽ cho ta một vector đường viền. Vecto đường viền là một mảng của mảng các điểm. Các Vector này được lưu vào bộ nhớ tạm thời. Việc theo dõi các phương tiện sẽ dựa vào việc so sánh vị trí tương đối của phương tiện trong vector đường viền với vị trí của các phương tiện đã được phát hiện trước đó. Tốc độ được tính như sau: S = . Trong đó: f là tốc độ khung hình của camera, d là chiều dài của vùng giám sát và n là số khung của xe. -326-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Các phương pháp xác định tốc độ bằng cảm biến cũng được sử dụng. Dựa vào các cảm biến được đặt ở khoảng cách cố định, chúng sẽ xác định được phạm vi của các đối tượng đi qua và khoảng thời gian của phương tiện. Dựa vào đó, ta tính được vận tốc bằng khoảng cách chia cho thời gian [7]. Ngoài ra, có nhóm tác giả đã dựa vào những hình ảnh số được thu thập từ trên cao để phát hiện tốc độ xe bằng cách trích xuất các phương tiện và bóng từ hai hình ảnh liên tiếp [8]. Tốc độ được phát hiện bằng cách liên kết các phương tiện tương ứng từ các hình ảnh này dựa trên khoảng cách, thứ tự và kích thước của chúng và sau đó sử dụng khoảng cách giữa các phương tiện tương ứng và độ trễ thời gian để ước tính tốc độ di chuyển . Hơn nữa, ý tưởng sử dụng ánh xạ tọa độ của miền hình ảnh vào miền hiện thực cũng được sử dụng [9]. Trước đó, năm 2009, Liu và Yamazaki đã sử dụng một cặp hình ảnh đa sắc và đa phổ QuickBird để phát hiện tốc độ [10]. Vào năm 2017, Gerat đã sử dụng kết hợp các bộ lọc Kalman và phương pháp tiếp cận quang học để cải thiện vấn đề ước tính tốc độ được chính xác hơn [11]. Ở Việt nam, các tuyến đường cao tốc và một phần các tuyến đường trong đô thị cũng đã được lắp camera giám sát. Tuy nhiên việc xác định tốc độ với các phương tiện đều dựa vào thủ công, sử dụng con người và máy đo tốc độ để chụp từng phương tiện, dẫn đến có thể bỏ sót phương tiện hoặc chụp nhầm rất nhiều. Trong bài báo này chúng tôi đưa ra một hệ thống xác định tốc độ phương tiện sử dụng camera giám sát dựa trên học máy và thị giác máy tính. Hệ thống có tốc độ tính toán nhanh và có độ chính xác cao. 2. Phương pháp 2.1. Xác định phương tiện Trong bài báo này, chúng tôi sẽ xác định phương tiện sử dụng trình phân loại Haar Cascade để xác định phương tiện giao thông. Ý tưởng của phương pháp là kết hợp các bộ phân loại yếu sử dụng đặc trưng Haar-like theo mô hình cascade. Đầu tiên, một hình ảnh được chia nhỏ thành các ảnh con (sub-image), mỗi ảnh được biểu diễn bởi một véc tơ đặc trưng. Mỗi đặc trưng được trích xuất bằng cách sử dụng bộ mặt nạ gọi là đặc trưng Haar- like. Với mỗi mặt nạ, sự chênh lệch giữa tổng của các pixel của các vùng đen và các vùng trắng được coi như là một đặc trưng. Hình 1. Các đặc trưng Haar-like cơ bản. Để tăng độ chính xác cho thuật toán, kỹ thuật Boosting được áp dụng. Ý tưởng của kỹ thuật là kết hợp các bộ phân loại yếu thành một bộ phân loại mạnh. Tiếp theo, kỹ thuật AdaBoost được đưa ra nhằm giải quyết các vấn đề khó khăn của các thuật toán boosting trước đó. AdaBoost sử dụng thêm khái niệm trọng số (weight) để đánh dấu các mẫu khó -327-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải nhận dạng. Trong quá trình huấn luyện, khi mỗi bộ phân loại yếu được tạo ra, thuật toán sẽ tiến hành cập nhật lại trọng số để chuẩn bị cho việc xây dựng bộ phân loại yếu kế tiếp. Cuối cùng, các bộ phân loại yếu sẽ được kết hợp theo mức độ “tốt” của chúng để tạo nên bộ phân loại mạnh. Hình 2. Kết hợp các bộ phân loại yếu thành bộ phân loại mạnh. Trong quá trình huấn luyện, số lượng xử lý trên các đặc trưng Haar-like là rất lớn, dẫn đến việc tính tổng của từng điểm ảnh sẽ khiên thời gian xử lý tăng lên đáng kể. Để khác phục điều này, khái niệm Integral Image được đưa ra để tăng tốc độ tính toán các đặc trưng cơ bản. Integral Image là một mảng 2 chiều với kích thước bằng với kích của ảnh cần tính các đặc trưng Haar-like, với mỗi phần tử của mảng này được tính bằng cách tính tổng của điểm ảnh phía trên bên trái của nó đến vị trí dưới, phải của ảnh: = Trong đó, là Integral Image, là giá trị điểm ảnh. Hình 3.: Giá trị integral image tại điểm (x, y) bằng tổng giá trị của tất cả điểm ảnh phía trên bên trái. Một bài toàn phát hiện đối tượng thường tốn nhiều thời gian, vì nó còn phải xét nhiều đặc trưng của mẫu. Tuy nhiên, không phải mẫu nào cũng khó nhận dạng. Chính vì vậy, mô hình cascade được áp dụng. Mô hình cascade được xây dựng giúp rút ngắn thời gian phát hiện đối tượng và giảm thiểu khả năng nhận diện sai. Mô hình này được phân tầng theo dạng hình cây, với mỗi tầng của cây sẽ là một bộ phân loại. Một mẫu được phát hiện khi nó phải đi qua tất cả các tầng của cây trong mô hình cascade. -328-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Hình 4. Mô hình cascade. 2.2. Xác định tốc độ Trong chương trình này, chúng tôi đang tính toán tốc độ di chuyển của phương tiện theo thời gian là đơn vị giây, và quãng đường dựa trên độ dịch chuyển của pixel. Sau đó, chúng tôi đổi quãng đường dịch chuyển từ đơn vị pixel sang đơn vị mét, khi đó, tốc độ của phương tiện được đo bằng đơn vị mét/giây (m/s). Để đổi từ đơn vị pixel sang mét, ta cần một giá trị là ppm (pixels per metre). Pixels per metre là mật độ của pixels trên mỗi mét. Giá trị này phụ thuộc vào khoảng cách giữa camera so với đối tượng. Ví dụ, một vật cách xa 10 mét sẽ có ít pixel trên mỗi mét hơn là vật cách xa 3 mét. Chúng tôi tính giá trị ppm dựa vào khoảng cách của camera đến một đối tượng. Để tính mật độ pixel trên mét (ppm), chúng tôi dựa vào số lượng pixel theo chiều ngang của hình ảnh và độ dài tính bằng mét theo chiều rộng của khung hình trên hình ảnh mà chúng tôi đang xem. Vì vậy, nhóm nghiên cứu có công thức tính mật độ pixel trên mét (ppm) như sau: ppm = (1) Trong đó, ImageWidth là chiều rộng hình ảnh được tính bằng pixel, FieldOfView là khoảng cách tính bằng mét theo chiều rộng của khung cảnh được xem trong máy ảnh tại một điểm cụ thể. Chúng tôi tính toán ppm trong bài báo này dựa vào một camera đặt ở một vị trí cố định. Khi dịch chuyển hay thay đổi camera, ta phải tính toán lại giá trị ppm. Để xác định khoảng cách, chúng tôi đã tính toán khoảng cách các pixel trong một khung hình xử lý gọi là d_pixels. Sau đó, để đổi khoảng cách này sang đơn vị mét, ta áp dụng công thức: d_meters = (2) Khi đã có khoảng cách di chuyển trong một khung, để tính vận tốc theo đơn vị m/s, ta cần áp dụng công thức: v = d_meters * fps (3) -329-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Trong đó, fps (frame per second) là tốc độ khung hình của video – đại lượng của số khung hình xuất hiện trong một giây của video. Từ đó, chúng tôi có thể tính tốc độ theo đơn vị km/h bằng công thức: (4) speed = v * 3.6 3. Kết quả Mô tả dữ liệu, trong bài báo này chúng tôi sử dụng dữ liệu từ camera lắp trên cao ghi hình trực tiếp các phương tiện trên đường. Các hình ảnh thu được sẽ đưa vào hệ thống nhận dạng phương tiện và tốc độ. Hình 5 là một số mẫu hình ảnh thu được từ camera. Hình 5. Hình ảnh mẫu từ camera. Dữ liệu thu thập về được tiền xử lý và gán nhãn, sau đó chia là 2 phần với 70% số mẫu được dùng để huấn luyện và 30% số mẫu dùng để kiểm thử. Dữ liệu huấn luyện sẽ được huấn luyện bằng Adaboost và 30% được dùng để kiểm thử và thu được kết quả nhận dạng là 99%. Các phương tiện nhận dạng được sẽ được gán ID và đưa vào module xác định tốc độ theo công thức số (4) ở mục 2. Hình 6 minh họa một số kết quả xác định tốc độ của phương tiện. Từ kết quả thực nghiệm cho thấy kết quả xác định tốc độ của chúng tôi khá chính xác so với phương pháp trong [11]. Hình 7 so sánh kết quả của 2 phương pháp, cột màu xanh là phương pháp đề xuất, cột màu đỏ là phương pháp trong [11]. Với tốc độ thấp, kết quả của hai phương pháp không chênh lệch nhau nhiều. Tuy nhiên, khi các phương tiện di chuyển với tốc độ cao thì hai phương pháp đã có sự chênh lệch, phương pháp của chúng tôi ước tính tốc độ di chuyển của phương tiện cao hơn so với phương pháp trong [11]. Độ chính xác của việc ước tính tốc độ cũng bị ảnh hưởng do việc camera lắp đặt trên cao và góc quay có thể chưa chuẩn, hướng phát triển của chúng tôi sẽ xây dựng thêm phương pháp đổi góc nhìn để thu được độ chính xác cao hơn. -330-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Hình 6. Một số kết quả. Hình 7. So sánh tốc độ ước lượng của hai phương pháp -331-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Kết luận Bài báo trình bày một phương pháp xác định tốc độ di chuyển của phương tiện giao thông qua các hình ảnh thu được từ camera giám sát lắp đặt trên cao. Các phương tiện giao thông được nhận dạng bằng phương pháp Adaboost và ước lượng tốc độ dựa trên sự dịch chuyển của các điểm ảnh giữa các khung hình. Với mỗi hình ảnh thu được, các tham số ppm và fps được xử lý phù hợp với vị trí và góc độ camera làm tăng độ chính xác khi ước lượng tốc độ. Hệ thống xác định tốc độ có độ chính xác cao, tương đương với các phương pháp hiện có.Trong tương lai chúng tôi sẽ phát triển hệ thống phát hiện nhiều vi phạm và lưu trữ thông tin phương tiện. Tài liệu tham khảo [1]. World technology (HDKING), Hệ thống giao thông thông minh (ITS), 2020. [2]. Sirintip Yutika, Japan's artificial intelligence to help prevent traffic jams, 2017. [3]. Yeo Jun-suk, Korean tech giants introduce traffic predictions, 2016. [4]. Ben Orchard, Pay the toll to the machine, 2016. [5]. Budi Setiyono, Dwi Ratna Sulistyaningrum, Soetrisno, Farah Fajriyah, Vehicle speed detection based on gaussian mixture model using sequential of images, 2017. [6]. Tarun Kumar and Dharmender Singh Kushwah, An Efficient Approach for Detection and Speed Estimation of Moving Vehicles, 2016. [7]. Pulkit Sharma, Ankita Gupta, Komal Bhadwal, Devika Gupta, Jamini Sharma, Neha Gupta, Speed check and overspeed detector, 2017. [8]. F. Yamazaki, W. Liu, and T. T. Vu. Vehicle extraction and speed detection from digital aerial images, In Geoscience and Remote Sensing Symposium, 2008, IGARSS 2008. IEEE International, volume 3, pages III–1334. [9]. J. Wu, Z. Liu, J. Li, C. Gu, M. Si, and F. Tan. An algorithm for automatic vehicle speed detection using video camera, In Computer Science & Education, 2009, ICCSE’09, IEEE, 4th International Conference on, pages 193–196. [10]. W. Liu and F. Yamazaki. Speed detection of moving vehicles from one scene of quickbird images, In Urban Remote Sensing Event, IEEE, 2009, Joint, pages 1–6. [11]. J. Gerat, D. Sopiak, M. Oravec, and J. Pavlovicov ´ a. Vehicle ´ speed detection from camera stream using image processing methods. In ELMAR, 2017 International Symposium, IEEE, pages 201–204. -332-