«
Home
«
Kết quả tìm kiếm
Nghiên cứu phát triển thuật toán đo tốc độ của xe ô tô
Tóm tắt
Xem thử
dlib.hust.edu.vn
Tải xuống
- TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP ĐO TỐC ĐỘ XE Ô TÔ ..4 1.1.Tổngquanvềcácphươngphápgiámsátphươngtiệngiaothông ThựctrạngcủahệthốnggiaothôngởViệtNam GiảipháphệthốngITSởphươngTây TổngquanvềsựpháttriểncủahệITS Hướngtiếpcậncủaluậnvăn Phươngpháppháthiệnchuyểnđộng Phươngphápđotốcđộphươngtiện CHƯƠNG 2.
- 14 2.1.Sơlượcvềlýthuyếtxửlýảnh Đặtvấnđề Kháiniệmxửlýảnh Cácgiaiđoạnxửlýảnh Thunhậnảnh Tiềnxửlý Phânđoạnảnh Biểudiễnảnh Nhậndạngvànộisuyảnh Cơsởtrithức Mộtsốứngdụngphổbiếncủaxửlýảnhtronggiaothông Nhậndạngbiểnsốxe Pháthiện,cảnhbáobiểnbáovàđèntínhiệu Pháthiện,cảnhbáovậtcảnvàdựbáotắcđường Thuậttoánápdụngđểpháthiệnvàtheodõiđốitượng Thuậttoáncựcđạihóakỳvọng MôhìnhhỗnhợpGaussian(GMM)trongxửlýảnh NhậndiệnBlob Ghinhãnthànhphầnđượckếtnối CHƯƠNG 3.
- Nguyễn Thị Thảo III DANH MỤC CÁC CHỮ VIẾT TẮT CAMShift:ContinuouslyAdaptiveMeanShiftDoG :DifferenceofGaussianDoH :DeterminantoftheHessianEM :ExpectationMaximizationGMM :GaussianMixtureModelHOG :HistogramofOrientedGradientITS :IntelligentTrafficSystemKLT :Kanade-Lucas-TomasiLoG :LaplacianoftheGaussian IV MỤC LỤC HÌNH ẢNH TrangHình1.1.HìnhảnhtắcđườngtạiHàNội Hình1.2.Trungtâmquảnlýgiaothông(TMS)ởAthens Hình1.3.HệthốnggiámsátgiaothôngởHồngKông Hình1.4.Hệthốnggiámsátgiaothôngsửdụngsóngradar Hình1.5.Hệthốnggiámsátgiaothôngđalànbằngxửlýảnh Hình1.6.Ảnhđãđượcthựcnghiệmởtrên1tuyếnđườngcủaHàNội(hầmKimLiên Hình2.1.Cácgiaiđoạnxửlýảnh Hình2.2.Quátrìnhthunhậnvàsốhóaảnhthực.
- Hình2.3.Vídụvềquátrìnhthuảnhgiaothông Hình2.4.Quátrìnhphânđoạnframeảnhtừvideo Hình2.5.Quátrìnhnhậndạngkítựtrênbiểnsốxe Hình2.6.Ứngdụngxửlýảnhtrongnhậndạngbiểnsốxe Hình2.7.Ứngdụngxửlýảnhpháthiệnđènđỏvàbiểnbáogiaothông Hình2.8.Ứngdụngxửlýảnhpháthiệnvậtcản Hình2.9.Ứngdụngxửlýảnhpháthiệnvàdựbáotắcđường Hình2.10.VídụEM:Cácthànhphầnhỗnhợpvàdữliệu Hình2.11.Hàmlikehoodcủa2giátrịtrungbìnhcủathànhphầnhỗnhợpθ1vàθ Hình2.12.Quátrìnhnhậndạngblob Hình3.1.VídụhiểnthịvideotrongMatlab Hình3.2.Vídụnângcaochấtlượngảnhmầuđadải Hình3.3.Vídụphântíchảnhpháthiệnbiên Hình3.4.Vídụtáicấutrúcảnhdựatrêndữliệuhìnhchiếu Hình3.5.Xácđịnhđộtròncủacácđốitượngtrongảnh Hình3.6.PhânđoạnảnhsửdụngbộlọcGabor VHình3.7.Mộtvàivídụcủaứngdụngthịgiácmáy Hình3.8.Đốichiếucácđiểmtươngđồnggiữa2frameảnh Hình3.9.Ghinhậndựatrênthuộctínhđượcsửdụngđểổnđịnhvideo.
- Mục tiêu nghiên cứu của luận văn Mụctiêucủađềtàilàpháttriểnmộthệthốngcóthểđếmsốlượngxeđiquamộtđiểmxácđịnh,vàcũngphânloạitừngloạixethôngquakíchthướcxe,ướclượngvậntốcchuyểnđộngcủaxe.Ngoàira,tácgiảmuốnpháttriểnhệthốnggiámsátgiaothôngngoàikhảnăngtrên,cònphảixácđịnhđượchướngcủachúng,và 2cáclànđườngmàphươngtiệnđangthamgia.Hệthốnghoạtđộngmàkhôngcầnbấtkỳđầuvàocósẵnnàovàcókhảnăngtựđộnghiệuchỉnhcamerabằngcáchpháthiệnđiểmnhấntrongchuỗiframecủavideo.Hệthốngnếuđượcpháttriểntốtcóthểlàmviệctrongthờigianthựcvàdođónócóthểtriểnkhaitrongthựctếứngdụnggiámsátgiaothông.3.
- 3Ứngdụngnàylàrấthữuíchchocáccảnhbáovàkiểmsoátvịtrígiaothôngvớiđiềukiệnphứctạp.Trongkhinguồnnhânlựccònhạnchế,việcgiámsáttừxabằnggiảiphápnàysẽhỗtrợcáclựclượngcảnhsátmàkhôngcầnrahiệntrường.Sựchuyểnđộngthờigianthựcđượctheodõibởicamerasẽchuyểnđếntrạmgiám sát. Các dữ liệu đầu vào sẽ được tự động xử lý và hiển thị thông tin củaphươngtiện.Ngoàira,hệthốngnàycũngcóthểgiúpngườidùngtheodõidựbáotìnhtrạnggiaothông.Quatươngtácvớicáchệthốngmáytính,cáclựclượngcảnhsátkịpthờicóthểđưaragiảiphápgiảiquyếtcácvấnđề.4.
- TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP ĐO TỐC ĐỘ XE Ô TÔ 1.1.
- Giải pháp hệ thống ITS ở phương Tây TrongkhiđóởcácnướcphươngTây,đểgiảiquyếtnhữngvấnđềđó,mộthệthốnggiámsátgiaothôngtựđộngđượcsửdụng.Hệthốngnàysẽgiúpchoviệcđiềukhiểngiaothôngtrởnênthuậntiệnvàantoàngiúpngườisửdụngcónhữnghiệuchỉnhphùhợplàmgiảmtìnhtrạngtắcđường[1].Hình1.2và1.3làhệthốnggiámsátgiaothôngthôngminhtạimộtsốnướcpháttriển.Hình 1.2.
- Hệ thống giám sát giao thông sử dụng sóng radar Nhiềunghiêncứuvàứngdụngthựchiệnpháthiệnxevàxácđịnhtốcđộcủachúngcũngđãđượcthựchiện. Cáchpháthiệnxedựavàosựkhácnhaucủacáckhunghình(Ferrier,RowevàBlake camerakhônghiệuchỉnh(PumrinvàDailey quỹđạo dichuyển(Melovàcáccộngsự quanghìnhhọc(Jianpingvàcáccộngsự vàảnhăngtensố(Fumiovàcộngsự,2008 [8.
- Wen và Fumio, 2009 [9.
- Phương pháp trừ nền Cóhàngtrămcácnghiêncứugầnđâynhằmpháttriểnphươngpháptrừnền,chiathànhcácnhánhkhácnhau,tuynhiên,trongsốđócáchướngtiếpcậnnhiềunhấtlàphươngpháphỗnhợpGaussianvìưuđiểmphùhợpvớinhữngứngdụngngoàitrời.
- chọn kiểu đặc trưng (đặc trưng màu sắc, đường biên, stereo,chuyểnđộngvàđườngvân).Pháttriểnphươngpháptrừnềntậptrungvàocáctìnhhuốngquantrọngtrongchuỗivideo:nhiễuảnh,cameratựdịchchuyển,khẩuđộđốitượng, đối tượng chèn thêm vào nền, đối tượng đang di chuyển thì dừng lại, vàbóng.Mô hình Gauss hỗn hợp: Stauffer[23]đãđưaraphươngpháptrộncácmôhìnhnềnlạiđểgiảiquyếtvấnđềánhsángthayđổi,cáchànhđộnglặplại,sựlộnxộntừkhungcảnhthựctế.Mụcđíchlàchứngminhmộtmôhìnhnềnđơnthìkhôngthểxửlýđượccáckhunghìnhliêntụctrongmộtthờigiandài.SửdụngphươngphápphatrộnphântánGaussđểbiểudiễnmỗiđiểmảnhtrênmộtmôhình.Theoluậnđiểmđó,thựchiệnvàtíchhợpphươngphápnàyvàotronghệthốnggiámsát.PhươngpháptiếpcậntrênmôhìnhđiểmảnhbằngviệcxemxétgiátrịđiểmảnhquansátvớivàimôhìnhGaussđơn.1.2.2.
- Phương pháp đo tốc độ phương tiện Tốcđộcủaxetrongmỗiframeđượctínhtoándựavàovịtrícủaxetrongmỗiframe,dođócôngviệckếtiếplàtìmrahộpgiớihạnđối tượng(blobsboundingbox)vàquỹtâm(centroid).Quỹtâmcủađốitượnglàphầnquantrọngđểtìmhiểukhoảngcáchcủaxeđangdichuyểntrongcáckhunghình(frame)liêntiếpvàdođókhitốcđộkhunghìnhcủasựdichuyểnđượcbiếtđếnthìviệctínhtoántốcđộtrởnêncóthể.
- Côngthứctínhvậntốc v=s/t.Sửdụng quãng đượcphươngtiệndi chuyểnđượctrongcặpframe(xvày),thờigiandichuyểngiữacặpframenàylà(y-x)/23giây.Kết luận chương 1 Trongchương1tácgiảđãgiớithiệutổngquanvềcácphươngphápgiámsátphươngtiệngiaothôngphổbiếnhiệnnaytừđóđiđếnlựachọnhướngnghiêncứuvàbàitoánphùhợpvớiđiềukiệnthựctếtạiViệtNam.Bêncạnhđótácgiảcũngđềratínhcấpthiếtvàmụctiêucủađềtài.
- Đặt vấn đề Conngườithunhậnthôngtinquacácgiácquan,trongđóthịgiácđóngvaitròquantrọngnhất.Nhữngnămtrởlạiđâycùngvớisựpháttriểncủaphầncứngmáytính,xửlýảnhpháttriểnmộtcáchmạnhmẽvàcónhiềuứngdụngtrongcuộcsống.Xửlýảnhđóngmộtvaitròquantrọngtrongtươngtácngườimáy.Xửlýảnhsốkhôngchỉnhằmnângcaochấtlượngcủaảnhmàcòncóthểphântíchảnhđểphụcvụmộtnhiệmvụchuyênbiệtnàođó.2.1.2.
- Khái niệm xử lý ảnh Hiệnnaytrênthếgiới,nghiêncứuứngdụngxửlýảnhđanglàhướngnghiêncứucủanhiềulĩnhvực[24].Cácthiếtbịhiệnnayứngdụngcôngnghệxửlýảnhtrongđiềukhiểnngàycàngnhiềuvàngàycàngchothấysựưuviệt củanó.Quátrìnhxửlýảnhđượcxemnhưlàquátrìnhthaotácảnhđầuvàonhằmchorakếtquảmongmuốn.Kếtquảđầuracủamộtquátrìnhxửlýảnhcóthểlàmộtảnh“tốthơn”hoặcmộtkếtluận.Hìnhdướiđâymôtảcácbướccơbảncủamộtquátrìnhxửlýảnh.
- ThunhậnảnhTiềnxửlýảnhPhânđoạnảnhBiểudiễnvàmôtảNhậndạng,nộisuyCơsởtrithức 152.2.
- Thu nhận ảnh Ảnhđượcthutừnhiềunguồnkhácnhau[24]:máyảnh,máyquayphim,máyquét,ảnhvệtinhv.v…Sauđóảnhthuđượcđượcbiếnđổivềcáccấutrúcđượclưutrữtrongmáytính,cóthểhiểnthịracácthiếtbịngoạivinhưlàmáyin,mànhình…Hình 2.2.
- Quátrìnhthunhậnảnhlàquátrìnhbiếnđổithôngtinđốitượngtừdạngquangnăngthànhdạngđiệnnăngvàsốhóadướidạngmatrậnchứathôngtincủaảnh. 16Hình 2.3.
- Tiền xử lý Tiềnxửlýảnhlàquátrìnhsửdụngcáckỹthuậtxửlýảnhđểlàmảnhtốtlêntheomụcđíchsửdụng.Mụcđíchcủatiềnxửlýảnhlà.
- Điều chỉnh độ chiếu sáng để khắc phục hậu quả của việc chiếu sángkhôngđều.-Giảmnhỏthànhphầnnhiễucủaảnhtứclàcácđốitượngxuấthiệnngoàiýmuốn.-Hiệuchỉnhgiátrịđộsánggiữanềnvàđốitượng.-Chuẩnhoáđộlớn,màu,dạngcủaảnh.-Điềuchỉnhbộlọcđểkhuyếchđạivànéncáctầnsố.2.2.3.
- Phân đoạn ảnh Làquátrìnhphânchianộidungcácđốitượngcầnkhảosátrakhỏiảnh.Phânchiacácđốitượngtiếpgiápnhauhoặcphântáchcácđốitượngriêngbiệtthànhcácđốitượngcon.Hình2.4môtảquátrìnhphânmảnhđốitượngquantâm. 17Hình 2.4.
- Biểu diễn ảnh Đầu raảnhsauphânđoạnchứacácđiểmảnhcủa vùng ảnh (ảnh đãphânđoạn) cộng với mã liên kết với các vùng lận cận. Việc biến đổi các số liệu nàythànhdạngthíchhợplàcầnthiếtchoxửlýtiếptheobằngmáytính[24].Việcchọncáctínhchấtđểthểhiệnảnhgọilàtríchchọnđặctrưng(FeatureSelection)gắnvớiviệctáchcácđặctínhcủaảnhdướidạngcácthôngtinđịnhlượnghoặclàmcơsởđểphânbiệtlớpđốitượngnàyvớiđốitượngkháctrongphạmviảnhnhậnđược.Vídụ,trongnhậndạngkýtựtrênphongbìthư,chúngtamiêutảcácđặctrưngcủatừngkýtựgiúpphânbiệtkýtựnàyvớikýtựkhác.2.2.5.
- Nhận dạng và nội suy ảnh Nhận dạng ảnh là quá trình xácđịnhảnh. Quá trình này thường thu đượcbằngcáchsosánhvớimẫuchuẩnđãđượchọc(hoặclưu)từtrước.Nộisuylàphánđoántheoýnghĩatrêncơsởnhậndạng[24].Vídụ,mộtloạtchữsốvànétgạchngangtrênphongbìthưcóthểđượcnộisuythànhmãđiệnthoại.Cónhiềucáchphânloạiảnhkhácnhauvềảnh.Theolýthuyếtvềnhậndạng,cácmôhìnhtoánhọcvềảnhđượcphântheohailoạinhậndạngảnhcơbản:-Nhậndạngtheothamsố-Nhậndạngtheocấutrúc 18Mộtsốđốitượngnhậndạngkháphổbiếnhiệnnayđangđượcápdụngtrongkhoahọcvàcôngnghệlà:nhậndạngkýtự(chữin,chữviếttay,chữkýđiệntử),nhậndạngvănbản(Text),nhậndạngvântay,nhậndạngmãvạch,nhậndạngmặtngườiv.v…Hình 2.5.
- Cơ sở tri thức Như đã nói ở trên, ảnh là một đối tượng khá phức tạp về đường nét, độsángtối,dunglượngđiểmảnh,môitrườngđểthuảnhphongphúkéotheonhiễu.Trongnhiềukhâuxửlývàphântíchảnhngoàiviệcđơngiảnhóacácphươngpháptoánhọcđảmbảotiệnlợichoxửlý,ngườitamongmuốnbắtchướcquytrìnhtiếpnhậnvàxửlýảnhtheocáchcủaconngười[24].Trongcácbướcxửlýđó,nhiềukhâuhiệnnayđãxửlýtheocácphươngpháptrítuệconngười.Vìvậy,ởđâycáccơsởtrithứcđượcpháthuy.2.3.
- Phát hiện, cảnh báo biển báo và đèn tín hiệu Việcứngdụngxửlýảnhpháthiệnbiểnbáogiaothôngvàđèngiaothôngcóý nghĩa rất lớn trong việc phát triển các xe tự hành. Hệ thống camera gắn trênphươngtiệntựhành(xekhôngngườilái)giốngnhưgiácquangiúpchođốitượngdichuyểnchínhxácvàđảmbảoantoànchongườisửdụng.Tuynhiên,cácphươngtiệnnhưthếnàyvẫnđangtrongquátrìnhthửnghiệmvàtrongtươnglaicóthểsẽđượcápdụngnếuhệthốngbiểnbáovàđènbáophùhợp.Hình 2.7.
- Phát hiện, cảnh báo vật cản và dự báo tắc đường Tươngtựnhưbàitoánpháthiệnbiểnbáogiaothôngvàđèngiaothông,việcứngdụngxửlýảnhpháthiệnvậtcảngiúpchochúngtacóthểpháttriểncôngnghệtựláivàcácxetựhành.Ngườingồitrênxecóthểkhôngcầmláinhưnghệthốngcameragắntrênphươngtiệngiúppháthiệnvàtránhđượcvậtcản.Hình 2.8.
- Thuật toán cực đại hóa kỳ vọng Thuậttoáncựcđạihóakỳvọng(tiếngAnhhayđượcgọilàEMviếttắtcủaExpectation-Maximization)làmộtkỹthuậtđượcdùngrộngrãitrongthốngkêvàhọcmáyđểgiảibàitoántìmhợplýcựcđạihoặchậunghiệmcựcđại(MAP)của 21mộtmôhìnhxácsuấtcócácbiếnẩn.EMsởdĩđượcgọivậymộtphầndothuậttoánnàybaogồmviệcthựchiệnliêntiếptạimỗivònglặp2quátrình(E):tínhkỳvọngcủahàmhợplýcủagiátrịcácẩnbiếndựatheoướclượngđangcóvềcácthamsốcủamôhìnhvà(M):ướclượngthamsốcủamôhìnhđểcựcđạihóagiátrịcủahàmtínhđượcở(E).Cácgiátrịtìmđượcở(E)và(M)tạimỗivònglặpsẽđượcdùngchoviệctínhtoánởvònglặpkếtiếp[25.
- Bản chất toán học của thuật toán cực đại hóa kỳ vọng EMlàmộtthuậttoántốiưucótínhlặpdùngđểướclượngcácbiếnđượcquansátΘxácđịnhbởicácthamsốU.Tuynhiên,takhôngbiếtđượcmộtvàibiếntiềmẩnJ.Trongthựctế,tamuốntốiưuxácxuấthậunghiệmcủacácthamsốΘxácđịnhbởidữliệuU,cóbiếnẩnJ.
- (2.1)Luân phiên ước lượng tham số Θ và biến ẩn J, ta cần một trong hai đạilượngtrên(biếnẩnvàthamsố)đểướclượnggiátrịcủacáicònlại.Ýtưởngnàyđãcótừlâu,tuynhiên,thayvìviệctìmcácbiếnẩntốtnhấtJ∈J đượcxácđịnhbởisựướclượngcácbiếnquansátđượcΘởmỗilầnlặplại,EMtínhtoánsựphânbốtrênkhônggian J. 22Hình 2.10.
- Ví dụ EM: Các thành phần hỗn hợp và dữ liệu Tronghình2.10ởtrên,dữliệubaogồmbamẫuđượcvẽtừmỗithànhphầnhỗnhợp,đượcthểhiệnởtrênnhưcáctamgiácvàhìnhtròn.Trungbìnhcủacácthànhphầnhỗnhợplà-2và2tươngứng.Hình 2.11.
- Hàm likehood của 2 giá trị trung bình của thành phần hỗn hợp θ1 và θ2 Chúývấnđềướclượnghỗnhợpđượcthểhiệnởhình2.10,vớimụctiêulàướclượng2giátrịtrungbìnhθ1vàθ2đượcxácđịnhbởi6mẫuđượcvẽtừsựtrộnlẫnnhưngkhôngbiếthỗnhợpnàomỗimẫuđượcvẽ.Khônggiantrạngtháilà2 23chiềuvàhàmlikehoodđượcthểthểhiệntronghình2.11.Haimôhìnhnàyđượcđặttươngứngở(−2,2)và(2,−2).Dođó,tacóthểchuyểnđổi2thànhphầnhỗnhợpmàkhôngảnhhưởng tớichấtlượngcủagiảipháp. Bêncạnhđóhàm likehihoodđượctínhbằngtíchphântấtcảcácliênkếtdữliệucóthểcó,vàvìvậychúngtacóthểtìmmộtgiảiphápkhảnăngcựcđạimàkhôngphảigiảiquyếtcácvấnđềtươngứng.Tuynhiên,dùchỉcó6mẫu,vẫnyêucầuviệctínhtổngtrênkhônggiancủa64liênkếtdữliệucóthểcó.
- Tìm một giới hạn tối ưu EMcốgắngtìmnhữnggiớihạntốtnhất,đượcđịnhnghĩalàgiớihạnB(Θ;Θt)chạmtớihàmlogP(U,Θ)ởướclượnghiệntạiΘt.Bằngtrựcgiác,việctìmgiớihạntốtnhấtởmỗivònglặpsẽbảođảmrằngtathuđượcmộtượclượngđượctốiưuΘt+1khitatốiđagiớihạnđốivớiΘ.TừkhitabiếtB(Θ;Θt)làcácgiớihạnthấphơn,giớihạntốiưuởΘtcóthểđượctìmbằngviệctốiđagiớihạn.
- Mô hình hỗn hợp Gaussian (GMM) trong xử lý ảnh 2.4.2.1.KháiniệmGMMMôhìnhhỗnhợpGaussian(GaussianMixtureModel-GMM)làmộthàmthamsốmậtđộxácsuấtđượcbiểudiễnnhưlàmộttổngtrọngsốcủacácmậtđộGaussianthànhphần.GMMđượcsửdụngrộngrãinhưlàmộtmôhìnhthamsốcủaphânphốixácsuấtcủacácphépđoliêntụchaytínhnăngtrongmộthệthốngsinhtrắchọc.CácthamsốGMMđượcđánhgiátừviệchuấnluyệndữliệusửdụngthuậttoán lặpcựcđạihóakỳvọng(ExpectationMaximization–EM)hoặctốiđahậunghiệm(MaximumAPosteriori–MAP).MộtmôhìnhGMMlàtổngthànhphầncủamthànhphầnmậtđộGaussianđượcchobởicôngthức:21P(x.
- )mi i iiN x Trongđó:m:sốvùng,sốthànhphầni:trọngsốvới11mii GMMđốivớiảnhsố 25Nếumỗiđiểmảnhđượctạotừmặtphẳngdướiánhsáng,mộtGaussianđơnđủđểmôhìnhgiátrịđiểmảnhtrongkhitínhtoánnhiễuthuđược.Nếuchỉánhsángthayđổitheo thờigian, mộtGaussianđơn,tươngthíchtrên mỗiđiểmảnh làđủ.Trongthựctế,nhiềumặtphẳngthườngxuấthiệntrongcáckhốicụtcủa1điểmảnhvàđiềukiệnánhsángthayđổi.Vìvậy,Gaussianđatươngthíchlàcầnthiết.TasửdụngmộthỗnhợpcủaGaussiantươngthíchđểxấpxỉtiếntrìnhnày[23].TiếntrìnhnềnsẽtínhtoáncácthamsốcủaGaussian.Cácgiátrịđiểmảnhkhông trùngvớitiếntrìnhnền củađiểmảnh đượcgộplạibằngcácsửdụngcácthànhphần được kết nối. Cuối cùng, các thành phầnnày đượctheo dấuqua cácframe.Tiếntrìnhđiểmảnhlàviệcxácđịnhgiátrịđiểmảnhtheothờigian.Đâylàmộtchuỗithờigiancủagiátrịđiểmảnh.
- Giátrịcủađiểmảnhmớiđượcthểhiệnbởimộttrongcácthànhphầnchínhcủamôhìnhhỗnhợpvàđượcsửdụngđểcậpnhậtmôhình.Mỗitiếntrìnhđiểmảnhbiếnđổitheothờigian,vìvậytasửdụngphươngphápxấpxỉđểxửlýmỗiquansátmớinhưmộttậpmẫuvàsửdụngnhữngđịnhluậthọccănbảnđểtíchphândữliệumới. 26TathựchiệnxấpxỉgiátrịtrungbìnhKtrựctuyến.Mỗigiátrịmới,Xt, đượckiểmtralạiphânbốGaussianKtồntại,chotớikhikếtquảphùhợpgiátrịđiểmảnhtrong2.5độlệchcơsở.NếukhôngcóphânbốKnàogiốngvớigiátrịđiểmảnhhiệntại.phânbốcókhảnăngxảyraítnhấtlàphânbốvớigiátrịhiệntạinhưgiátrịtrungbình,sựbiếnđổicaolúcđầu,vàtrọnglượngthấp.TrọnglượngcủaphânbốKởthờigiant,ωk,t đượcđiềuchỉnhtheonhưsau.
- Tlàđơnvịcủaphầnnhỏnhấtcủadữliệuđượcgiảithíchbởinền.Điềunàytạoracácphânbốtốtnhấtchotớikhimộtphầnchắcchắn,T,củadữliệuhiệntạiđượcgiảithích.NếuTcógiátrịnhỏ,môhìnhnềnthườnglàmộtmốivàviệcchỉsửdụngphânbốcókhảnăngnhấtsẽtiếtkiệmtiếntrình.NếuTcaohơn,phânbốđamôhìnhtạorabởicácchuyểnđộngnềncótínhlặplạicóthểdẫntớinhiềuhơnmộtmàucótrongmôhìnhnền.Điềunàytạorahiệuứngtrongsuốtchophépnềnchấpnhận2hoặcnhiềuhơnmàukhácbiệt.2.4.3.
- Nhận diện Blob Trong computer vision, phương phápnhậndiệnđốmmàu nhằm mục đíchnhậndiệncácvùngtrongảnhsốkhácbiệttrongthuộctính.Bloblàmộtvùngcủaảnhcóthuộctínhlàkhôngđổihoặcgầnnhưkhôngđổi[28].TấtcảcácđiểmtrongBlobcóthểđượcxácđịnhtrongmộtvàitrườnghợplàtươngtựnhau.Có2lớpchínhcủabộnhậndiệnđốmmàu:i.
- Quá trình nhận dạng blob Biến đổi Laplace của Gaussian Bộnhậndiệnđầu tiên và thông dụng nhấtdựa trên Laplacecủa Gaussian(LoG).Đưamộtảnhđầuvàof(x,y),ảnhnàyđượctíchchậpbởinhânGaussian.
- (2.14)Đượctínhtoán,tạoracácphảnhồidươngmạnhchocácđốmmàutốikíchthước vàphảnhồiâmmạnhchođốmmàusángtươngtựkíchthước.Mộtvấnđềchínhkhiápdụngtoántửnàyởmộtphạmviduynhấtđólàcácphảnhồitoántửphụthuộcrấtnhiềuvàomốiquanhệgiữakíchthướccủacáccấutrúcđốm màutrongmiềnảnhvàkíchthướccủanhânGaussiandùngcholàmmịntrước.Đểtựđộngthuđượccácđốmmàucủakíchthướckhác(khôngrõ)trongmiềnảnh,mộtcáchtiếpcậnđaphạmvilàcầnthiết.MộtcáchđơngiảnđểcóđượcsựnhậndiệnđốmmàuđaphạmvivớiviệclựachọnphạmvitựđộnglàđểxácđịnhcáctoántửLaplaceđượcchuẩnhóaphạmvi.
- (2.15)Vàđểpháthiệncựcđại/cựctiểuphạmvikhônggian,đólànhữngđiểmmàđồngthờilàcựcđại/cựctiểucụcbộcủa vềcảkhônggianvàquymô.Nhưvậy,domộtảnhđầuvàohaichiềurờirạc mộtkhoảngphạmvirờirạckhônggianbachiều đượctínhvàmộtđiểmđượccoilàmộtsáng(tối)đốmmàunếugiátrịtạithờiđiểmnàylàlớnhơn(nhỏhơn)sovớigiátrịnótrongtấtcả26điểmlâncậnnó.Vìvậy,sựlựachọnđồngthờicácđiểmquantrọng vàquymôđượcthựchiệntheo .
- LaplacecủatoántửGauss cũngcóthểđượctínhnhưmộttrườnghợpgiớihạncủasựkhácbiệtgiữahaihìnhảnhGaussđượclàmmịn PhươngphápnàyđượcgọilàsựkhácbiệtcủaphươngphápGauss(DoG)gầnđúng.Bêncạnh vấnđềchuyên mônnhỏ,tuynhiên,toántử nàyvềbản chấttươngtựnhưcácLaplacevàcóthểđượcxemnhưlàmộtxấpxỉcủacáctoántửLaplacian.TrongmộtkiểudángtươngtựnhưđốivớicácmáynhậndiệnđốmmàuLaplace,đốmmàucóthểđượcpháthiệntừcáccựctrịkhônggianphạmvicủacácsaiphâncủaGauss.
- Các yếu tố quyết định của Hessian Bằng cách xem xét các yếu tố quyết định quy mô bình thường hóa củaHessian,cũngđượcgọilàtoántửMonge–Ampère HLbiểuthịmatrậnHessiancủaLvàsauđóviệcpháthiệncựcđạikhônggianphạmvicủatoántửnàythuđượcmộtbộdòđốmmàusaiphânđơngiảnkhácvớilựachọnquymôtựđộng Các điểmđốmmàu( vàquymô.
- cũng được xác định từ mộtđịnhnghĩahìnhhọctoántửsaiphândẫnđếncácmôtảđốmmàumàlàhiệpbiếnvớisựtiếndịch,quayvàthuphóngtronglĩnhvựchìnhảnh.Xétvềlựachọnquymô,cácđốmmàuđượcxácđịnhtừcựctrịkhônggianphạmvicủacácyếutốquyếtđịnhcủaHessian(DoH)cũngcótínhchấtlựachọnquymôtốthơnmộtchútdướibiếnđổiaffinephi-EuclidehơntoántửLaplacianthườngđượcsửdụng.Trongdạngđơngiản, các yếu tố quyết định quy mô bình thường hóa của Hessian tính từ HaarwaveletđượcsửdụngnhưlàcáctoántửđiểmquantrọngcơbảntrongmôtảSURFchomatchingảnhvànhậndiệnđốitượng.MộtphântíchchitiếtvềcáctínhchấtlựachọncủacácyếutốquyếtđịnhcủacáctoántửHessianvàbộdòđiểmquantâmquymôkhônggiangầnkhác.Yếutố 30quyếtđịnhcủacáctoántửHessianthựchiệntốthơnsovớicáctoántửLaplacianhoặcxấpxỉviphâncủaGaussianchoảnhdựatrênmatching bằngcáchsửdụngSIFTgiốngnhưmôtảhìnhảnh.
- Thuật toán Linderberg’s watershed dựa trên phát hiện đốm màu mức độ xám Vớimụcđíchpháthiệncácđốmmàumứcxám(cựctrịcụcbộvớimứcđộ)từmộttươngtựđầunguồn,Lindebergpháttriểnmộtthuậttoándựatrêntiềnphânloạiđiểmảnh,kếtnốikhuvựccáchkháccócườngđộnhưnhau,thứtựgiảmdầncủacácgiátrịcườngđộ.Sauđó,sosánhnàyđượcthựchiệngiữacáclánggiềnggầnnhấtcủamộttronghaiđiểmảnhhoặckhuvựcđượckếtnối.Đểđơngiản,chúngtahãyxemxétcáctrườnghợppháthiệncácđốmmàumứcđộxámsángvàđểchocáckýhiệu"điểmlâncậncaohơn"cho"điểmảnhlâncậncógiátrịmứcđộxámcaohơn".Sauđó,ởbấtcứgiaiđoạnnàotrongthuậttoán(thựchiệngiảmdầnbậccủacácgiátrịcườngđộ)đượcdựatrêncácquytắcphânloạisau:i.
- Nếumộtkhuvựckhôngcóvùnglâncậncaohơn,thìnólàmộttốiđacụcbộvàsẽlànguyênnhâncủamộtđốmmàu.ii.
- Nếu nó có ít nhất một điểm lân cận cao hơn, đó là nền, thì nó có thểkhôngphảilàmộtphầncủabấtkỳđốmmàunàovàphảilànền.iii.
- Nếunócónhiềuhơnmộtđiểmlâncậncaohơnvànếunhữngđiểmlâncậncaohơnlàbộphậncủacácđốmmàukhácnhau,thìnókhôngthểlàmộtphầncủabấtkỳđốmmàunào,vàphảicónền.iv.
- Cònlại,nócómộthoặcnhiềuhơncácđiểmlâncậncaohơn,đólàtấtcảcácbộphậncủađốmmàugiốngnhau.Thìnócũngphảilàmộtphầncủađốmmàuđó.2.4.4.
- Tìm hiểu về bộ công cụ xử lý ảnh và thị giác máy tính trong MATLAB Bộcôngcụxửlýảnh (ImageProcessing Toolbox) cungcấptậphợp toàndiệncáctàiliệuthamkhảotiêuchuẩncủathuậttoán,cáchàm,vàcácứngdụngchoviệcxửlýảnh, phântíchảnh,hiểnthịvàpháttriển thuậttoán.Bộcôngcụgiúpngườisửdụngthựchiệncácbướcnhưphântíchhìnhảnh,phânvùngảnh,nângcaochấtlượngảnh,giảmnhiễu,biếnđổihìnhhọc,vànhậndạngảnh.Thịgiácmáytính(ComputerVisionSystemToolbox)cungcấpchongườidùngcácthuậttoán,cáchàm,vàcácứngdụngchoviệcthiếtkếvàmôphỏngthịgiácmáytínhvàxửlývideo.Ngườidùngcóthểpháthiệnđốitượng,theodõi,pháthiện và trích xuất thuộc tính, đối chiếu thuộc tính, hiệu chỉnh camera, phát hiệnchuyểnđộng.Bộcôngcụcũngcungcấpcáchàmxửlývideo.3.1.1.
- Ví dụ hiển thị video trong Matlab MatlabcũnghỗtrợcácảnhđabăngthôngđịnhdạngBIPvàBIL.Mứcđộtruyxuấttậptinvàoraởcấpthấpchophépngườidùngpháttriểncácchươngtrìnhlàmviệcvớibấtkỳđịnhdạngdữliệu.3.1.1.2.NângcaochấtlượngảnhKỹthuậtnângcaohìnhảnhtrongImageProcessingToolboxchophépngườidùngtăngtỷlệtíntạpvàlàmnổibậtcáctínhnănghìnhảnhbằngcáchthayđổimàusắchoặccườngđộcủamộthìnhảnh.Bộcôngcụbaogồmcácbộlọcchuyêndụngvàchứcnănglọcđachiềuđểxửlýcácloạihìnhảnh.Sửdụngcácbộlọcđượcđịnhnghĩatrướcvàcáchàmngườidùngcóthể.
- 34-Lọcvớicáctoántửhìnhthái;-Xóanhòevàlàmsắcnétảnh;-Loạibỏnhiễuvớicácbộlọctuyếntính,trungvị,hoặclọcthíchnghi;-Thểhiệnbiểuđồcânbằng;-Hiệuchỉnhgiátrịgamma;-Hiệuchỉnhđộtươngphản.Hình 3.2.
- Ví dụ nâng cao chất lượng ảnh mầu đa dải 3.1.1.3.PhântíchảnhPhântíchảnhlàquátrìnhchiếtxuấtthôngtincóýnghĩatừhìnhảnh.Chẳnghạnnhưviệctìmkiếmhìnhdạng,đếmcácđồvật,xácđịnhmàusắc,hoặcđolườngthuộc tính đối tượng. Image Processing Toolbox cung cấp một bộ toàn diện cácthuậttoánchuẩnvàchứcnăngtrựcquantiêuchuẩnchoviệcphântíchhìnhảnhnhưphântíchthốngkê,tríchxuấtthuộctính,vàđolường.Hình 3.3.
- Ví dụ tái cấu trúc ảnh dựa trên dữ liệu hình chiếu 3.1.1.5.ThốngkêảnhThốngkêảnhchophépngườidùngphântíchnhữngđặcđiểmchungcủamộthìnhảnhbằngcách:-Tínhtoángiátrịtrungbìnhhoặcđộlệchchuẩn;-Xácđịnhcácgiátrịcườngđộdọctheomộtđoạnthẳng;-Hiểnthịmộtbiểuđồhìnhảnh;-Vẽbiểuđồhistogramgiátrịcườngđộsáng.Hình 3.5.
- Xác định độ tròn của các đối tượng trong ảnh PhânđoạnảnhThuậttoánphânđoạnảnhxácđịnhranhgiớikhuvựctrongmộthìnhảnh.Ngườidùngcóthểkhámphánhiềucáchtiếpcậnkhácnhauđểphânvùngảnh,baogồmcảphươngpháptiếntriển,xácđịnhngưỡngtựđộng,phươngphápdựabiên,vàphươngphápdựatrênhìnhthái.Vídụnhưbiếnđổiwatershedthườngđượcsửdụngđểphânmảnhđốitượngkếtnối.Hình 3.6.
- Phân đoạn ảnh sử dụng bộ lọc Gabor 3.1.1.7.ĐịnhdanhảnhvàbiếnđổihìnhhọcĐịnhdanhảnhrấtquantrọngtrongcáclĩnhvựcviễnthám,ảnhytế,vàứngdụngkháctrongđóhìnhảnhphảiphùhợpđểchophépphântíchđịnhlượnghoặcsosánh chất lượng. Image Processing Toolbox hỗ trợ định danh hình ảnh dựa trêncườngđộchophéptựđộngsắpxếpthẳnghìnhảnhsửdụngcườngđộkiểutươngđối.3.1.2.
- Computer Vision Toolbox 3.1.2.1.Thịgiácmáytínhlàgì?Conngườisửdụngđôimắtvàbộnãocủahọđểxemvàtrựcquancảmnhậnthếgiớixungquanhchúngta.Thịgiácmáytính(ComputerVision)làngànhkhoahọcnhằmmụcđíchcungcấpkhảnăngtươngtựchomáymóchoặcmáytính.Thịgiácmáytínhlàmộtmônhọcnghiêncứulàmthếnàođểtáitạolại,giảithíchvàhiểuđượcmộtcảnh3Dtừhìnhảnh2Dcủanódựatrêncáctínhchấtcủacáccấutrúchiểnthịảnhtrongbốicảnhđó.Thịgiácmáytínhcóliênquanvớiviệckhaitháctựđộng,phântíchvàhiểubiếtvềthôngtinhữuíchtừmộthìnhảnhhaymộtchuỗicáchìnhảnh.Nóliênquanđếnpháttriểncủacơsởlýthuyếtvàthuậttoánđểđạtđượcsựhiểubiếttrựcquantựđộng[27.
- 37Cácứngdụngcủathịgiácmáylàrấtnhiềuvàbaogồmcáclĩnhvựcnhư.
- Phát hiện và trích xuất ảnh Thuộctínhlàmộtphầnthúvịcủamộthìnhảnh,chẳnghạnnhưmộtgóc,mộtđốm,cạnh,hoặcđường.Tríchxuấtthuộctínhchophépngườidùnglấyđượcmột 38tậphợpcácvector,còngọilàmôtảảnh,từmộttậphợpcácthuộctínhđượcpháthiện.BộcôngcụthịgiácmáytínhcủaMATLABcungcấpkhảnăngđểpháthiệnthuộctínhvàtríchxuấtchúng.
- Pháthiệngóc(phươngphápShi&Tomasi,Harris,vàFAST.
- PháthiệnBRISK,MSER,vàSURFchođốmvàvùngảnh.
- TríchxuấtBRISK,FREAK,SURF,vàlâncậnđiểmảnhđơn.
- Hiểnthịthuộctínhvịtrí,quymôvàhướng.b.
- Đối chiếu Đốichiếulàsosánhhaibộmôtảthuộctínhthuđượctừcáchìnhảnhkhácnhauđểcungcấpđiểmtươngđồnggiữacáchìnhảnh.Thịgiácmáytính(ComputerVisionToolbox)cungcấpchứcnăngchoviệcđốichiếubaogồm:-ThiếtlậpđốichiếuvạnluậtbaogồmcảSAD,SSD,vàbìnhthườnghóatươngquanchéo;-KhoảngcáchHammingchocácthuộctính;-PhươngphápđốiNNR(NearestNeighborRatio),NN(NearestNeighbor)vàThreshold;-Hỗtrợđalõiđểthựchiệnnhanhhơntrênbộthuộctínhlớn.Hãyxemmộtvídụtronghình3.8dướiđây:Hình 3.8.
- Đối chiếu các điểm tương đồng giữa 2 frame ảnh 39Thuộc tính phát hiện được chỉ ra bởi các vòng tròn màu đỏ (bên trái) vàthánhgiá màuxanhlácây(bênphải),cácđườngmàu vàng chỉ ra các đối chiếuthuộctínhtươngứnggiữahaihìnhảnh.PhươngphápthốngkêmạnhRANSACcũngcóthểđượcsửdụngđểlọcgiátrịngoạilaitrongtậpthuộctínhđượcđốikhiướclượngbiếnđổihìnhhọchaymatrậncơbản.Nórấthữuíchkhisửdụngkếthợpđốichiếuthuộctínhvàghinhậnhìnhảnh,pháthiệnđốitượng,hoặcứngdụnghìnhảnhlậpthể.c.
- Ghi nhận ảnh dựa vào thuộc tính Ghinhậnảnhlàviệcchuyểnđổihìnhảnhtừmáyảnhkhácnhauđểsửdụngmộtđồngphốihợpthốngnhấtcủahệthống.ComputerVisionToolboxhỗtrợmộtcáchtiếpcậntựđộngđểđăngkýhìnhảnhbằngcáchsửdụngthuộctính,đặcđiểm.Chẳnghạnnhưbaogồmghépvideo,ổnđịnhvideo,vàhìnhảnhnhiệt.Pháthiệntríchxuấtthuộctínhvàđốichiếulàbướcđầutiêntrongghinhậnhìnhảnhdựatrênthuộctính.NgườidùngcóthểloạibỏcácgiátrịngoạilaitrongbộthuộctínhđượcđốichiếubằngcáchsửdụngthốngkêRANSACđểtínhtoánhìnhhọcchuyểnđổigiữacáchìnhảnhvàsauđóápdụngcácbiếnđổihìnhhọcsắpxếphaihìnhảnh.Hình 3.9.
- Tronghình3.9,bộcôngcụpháthiệnđiểmthừatronghaikhunghìnhliêntiếpcủavideosửdụngcácthuộctínhgóc(ảnhtrên);cácđốichiếugiảđịnhđược 40xácđịnhvớinhiềugiátrịngoạilai(phíadướibêntrái),vàgiátrịngoạilaiđượcloạibỏbằngcáchsửdụngphươngphápRANSAC(dướibênphải).d.
- Phát hiện đối tượng, chuyển động và nhận dạng Pháthiệnđốitượngvànhậndạngđốitượngđượcsửdụngđểxácđịnhvịtrí,xác định và phân loại các đối tượng trong hình ảnh và video. Computer VisionToolboxcungcấpmộttoànbộcácthuậttoánvàcáccôngcụđểpháthiệnđốitượngvàsựnhậndạng.Ngườidùngcóthểpháthiệnhoặcnhậnramộtđốitượngtrongmộthìnhảnhbằngcáchhuấnluyệnmộtđốitượngphânloạisửdụngcácthuậttoánnhậndạngmẫuđểtạoracácphânloạidựatrêndữliệuhuấnluyệntừcáclớpđốitượngkhácnhau.Bộphânloạichấpnhậndữliệuhìnhảnhvàgáncácđốitượnghoặclớpnhãnthíchhợp.
- Phát hiện đối tượng dựa trên chuyển động Cácthuậttoánpháthiệnđốitượngchuyểnđộngdựatrênsửdụngkhaithácchuyển động và kỹ thuật phân mảnh nhỏ như luồng quang và mô hình hỗn hợpGaussian(GMM)pháthiệnnềnđểxácđịnhvịtrídichuyểncácđốitượngtrongmộtcảnh.Phântíchvùngđượcsửdụngđểxácđịnhđốitượngquantâmbằngcáchtínhtoánthuộctínhcủađốmảnhđầuracủamộtthuậttoánphânmảnhhoặctríchxuấtchuyểnđộngnhưtrừnền.Hình 3.10.
- Theo dõi đối tượng ComputerVisionToolboxcungcấpcácthuậttoántheodõivideo,chẳnghạnnhư sự thay đổi trung bình liên tục thích nghi (CAMShift) và Kanade-Lucas-Tomasi(KLT).Ngườidùngcóthểsửdụngcácthuậttoánđểtheodõimộtđốitượngduynhấthoặcnhưxâydựngcáckhốitrongmộthệthốngtheodõiphứctạphơn.BộcôngcụcũngcungcấpmộtkhuônkhổchonhiềuđốitượngtheodõibaogồmLọcKalmanvàthuậttoánHungarychogiaođốitượngpháthiện.ThuậttoánKLTtheodõimộttậphợpcácđiểmthuộctínhtừkhungvàcóthểđượcsửdụngtrongổnđịnhvideo,ướclượngchuyểnđộngcamera,vàứngdụngtheodõiđốitượng.Hình 3.11.
- Đối tượng được nhận dạng và theo dõi trong 2 frame ảnh Tronghìnhtrên,chúngtacóthểnhìnthấynhữngđiểmthuộctínhđượcpháthiện(trái)vàtheodõiđốitượngsửdụngthuậttoánKLT(bênphải.
- Theo dõi đa đối tượng Computer Vision Toolbox cung cấp một khuôn khổ mở rộng để theo dõinhiềuđốitượngtrongmộtdòngvideovàbaogồmnhữngđiềusauđâyđểtạođiềukiệnchotheodõinhiềuđốitượng:-ThuậttoánlọcKalmanđượcsửdụngđểdựbáovịtrícủađốitượng,giảmnhiễutrongvùngpháthiệnđốitượngvàgiúpnhiềuđốitượngliênkếtvớicáctheodõitươngứngcủachúng;-ThuậttoánHungarygánđiểmnhậndiệnđốitượngđểtheodõi;-Dichuyểnđốitượngpháthiệnsửdụngphântíchblobvàpháthiệntiềncảnh;-Khảnăngchúthíchđểhìnhdungvịtríđốitượngvàthêmnhãnđốitượng. 42.
- Ước lượng chuyển động Uớclượngchuyểnđộnglàquátrìnhxácđịnhsựchuyểnđộngcủacáckhốigiữacáckhunghìnhvideoliềnkề.Bộcôngcụcungcấpmộtloạtcácthuậttoánướclượngchuyểnđộng,chẳnghạnnhưdòngquanghọc,đốichiếukhối,vàkhớpmẫu.Cácthuậttoántạoracácvectorchuyểnđộng,trongđóliênquanđếntoànbộhìnhảnh,cáckhốihoặcđiểmảnhcánhân.Đốivớikhốivàmẫuphùhợp,cácsốliệuđánhgiáchoviệctìmkiếmphùhợpnhấtbaogồmMSE,MAD,MaxAD,SAD,vàSSD.Hình 3.12.
- Ước lượng chuyển động của các xe được phát hiện Xử lý video, hiển thị và đồ họa ComputerVisionToolboxcungcấpcácthuậttoánvàcáccôngcụchoxửlývideo.Ngườidùngcóthểđọcvàghitừcácđịnhdạngvideophổbiến,ápdụngcácthuậttoánxửlývideophổbiếnnhưxóanhòevàchroma-resampling,vàhiểnthịkếtquảbằngvănbảnvà đồhọavàovideo.XửlývideotrongMATLABsửdụnghệthốngđốitượng,tránhsửdụngquánhiềubộnhớbằngcáchtruyềndữliệuchoquátrìnhxửlýmộtkhunghìnhtạimộtthờiđiểm.Hình 3.13.
- Xóa nhòe video trong Matlab Video I/O 43ComputerVisionToolboxcóthểđọcvàghicácfileđaphươngtiệntrongmộtloạtcácđịnhdạng,baogồmAVI,MPEG,vàWMV.NgườidùngcóthểghivideođếnvàđitừcácnguồnMMStrênInternethaymộtmạngnộibộ.Ngườidùngcó thể thu video trực tiếp từ web-camera, khung grabbers,DCAM-camera tươngthích, và các thiết bị hình ảnh khác sử dụng Image Acquisition Toolbox. NgườidùngSimulinkcóthểsửdụngmôitrườngMatlabnhưlànguồnvàovàhiểnthịvideo.
- Hiển thị video Bộcôngcụbaogồmmộttrìnhxemvideochophépngườidùng:-Xemvideoin-the-loopnhưcácdữliệuđangđượcxửlý;-Xembấtkỳtínhiệuvideotrongsơđồmãhoặckhối;-Sửdụngnhiềungườixemvideocùngmộtlúc;-Đóngbăngmànhìnhvàđánhgiákhunghiệntại;-Thôngtinđiểmảnhhiểnthịchomộtkhuvựctrongkhung;-Dichuyểnvàphóngtođểkiểmtragầnkhimôphỏngđangchạy;-Bắtđầu,dừng,tạmdừngvàbướcquamôphỏngSimulinktừngkhunghìnhtạimộtthờigian.Hình 3.14.
- Quá trình hiển thị video khi xử lý Đồ họa 44Thêmhìnhảnhvàovideogiúpsựhìnhdungthôngtinchínhxáchơn.Ngườidùngcóthểchènvănbảnđểhiểnthịsốđốitượnghoặcđểtheodõicácthôngtinquantrọngkhác.Ngườidùngcóthểchènhìnhảnh,chẳnghạnnhưđánhdấu,đườngvàđagiácđểđánhdấucáctínhnăngpháthiện,phânđịnhđốitượng,hoặcnổibậtcáctínhnăngquantrọngkhác.Bộcôngcụvănbảnvàđồhọavàocáchìnhảnhhoặcvideoriêngcủamìnhchứkhôngphảilàviệcduytrìmộtlớpriêngbiệt.Ngườidùngcóthểkếthợphainguồnvideotrongmộthỗnhợpcóthểlàmnổibậtđốitượnghoặcmộtvùngtrọngđiểm.Hình 3.15.
- Quá trình thêm đồ họa vào video khi xử lý Thêmnhữngyếutốcóthểgiúpngườidùnghìnhdungthôngtinđượctríchxuấtvàgỡlỗithiếtkếcủangườidùng.3.2.
- Quy trình nghiên cứu về đếm và ước lượng vận tốc xe Mục tiêu chính của chương là áp dụng thuật toán nghiên cứu nhằm ướclượng vận tốc và đếm số lượng phương tiện trên làn xe cho trước. Để đạt đượcnhữngmụctiêunày,tácgiảtrìnhbàycácbướcnghiêncứuđượcápdụng,sauđótậptrungvàophântíchtổngquanvềthuậttoán.Cuốicùng,làxâydựngchươngtrìnhmôphỏngbằngphầnmềmMATLAB.Phầnnàytrìnhbàyquytrìnhnghiêncứuvềđếmvàướclượngvậntốcxe,baogồmthuthậpdữliệu,phântíchdữliệu,đưarathuậttoánđếmvàướclượngtốcđộđốitượng.Dữliệuđầuvàolàvideotừcamerađượcthiếtđặttrênđườngcaotốc.Các dữ liệu video được phân tích xử lý bằng cách thực hiện thuật toán trongComputuerVisioncủaMATLAB.
- 45Hình 3.16.
- Thu thập dữ liệu Thuthậpdữliệulàbướcđầutiêncủanghiêncứu,nógiữmộtvaitròquantrọng.Videophảiđượcổnđịnhvàkhôngrungđểđưavàogiaiđoạnphântích,đểcóđượcnhữngđộchínhxáccaochochươngtrình.
- Cài đặt camera Ngườidùngnênđặtcameraởđộcaotừ9~15mtìnhtừmặtđườngcaotốcsẽchohiệusuấttốtnhất.Dướiđâylàhướngdẫnthiếtlậpcơbảnchochươngtrìnhđếmxeđạtkếtquảtốtnhất.Tuynhiên,chứcnăngđếmxevẫncóthểlàmviệctrongđiềukiệnítlýtưởnghơn.-Tránhcácvịtrícameralàquáthấphoặcquácao,chiềucaothíchhợpsẽlà9~15métdựatrênmôitrườngứngdụngkhácnhau.Cảhaihướngpháthiệncầnvịtrímáyảnhcaohơn;Hình 3.17.
- Thiết lập góc hướng của camera -Tránhbấtkỳbóngcây,xâydựngvàđèngiaothônghiểnthịvàokhuvựcpháthiện.Điềunàycóthểgâyrathốngkêsailệchvàcảnhbáogiả;Hình 3.19.
- Xử lý dữ liệu Dữ liệu video được ghi lại bằng máy ảnh được tiến hành xử lý trongMATLABquabốnbướcbaogồmtríchxuấtkhunghình,tiềnxửlý,xửlývàtínhtoánkếtquả.Thứnhất,dữliệuvideođượcdùngđểtríchxuấtcáckhunghìnhvideo.Sauđó,tiềnxửlýcáckhungđểtạorabộpháthiệnnềnbằngcáchhuấnluyện.Saukhixácđịnhđượcnền,chúngtathựchiệnphéptrừnềnvàsửdụngthuậttoánGMMđểpháthiệntiềncảnhvàchuyểnđổihìnhảnhnhịphân.Sauđó,bằngcáchsửdụngthuậttoánpháthiệnblobchúngtacóthểxácđịnhđượccácđốitượngvàcóđượctọađộcủađốitượng.Cuốicùng,cáchiểnthịthôngsốquátrìnhvàkếtquả.Quytrìnhxửlýtrongquátrìnhphântíchdữliệunhưtronghình3.21.Hình 3.21.
- Lưu đồ quy trình xử lý video Quátrìnhgiámsátgiaothôngbaogồmbốnphần:o Mô-đunForegroundDetectoro Mô-đunPháthiệnxeo Mô-đunĐếmo Mô-đunƯớclượngvậntốc.Pháthiệnđốitượngchuyểnđộngo Chụpvideo 48o Trừnềnpháthiệnxeo Chuyểnđổitiềncảnhsanghìnhảnhnhịphâno Tìmracácđốmmàuxuấthiệntrongảnhnhịphâno Vẽhìnhchữnhậtbaoquanh(xe)o Khởitạo,đếm,phânloạicácvùnga.
- Bộ lọc hình thái Quá trình phân mảnh nền là không hoàn hảo và thường bao gồm nhiễukhôngmongmuốn.Vídụnàysửdụnghìnhtháihọcmởđểloạibỏnhiễuvàđểlấpđầynhữngkhoảngtrốngtrongcácđốitượngpháthiện. 51Hình 3.22.
- Ảnh nền sau khi thực hiện trừ nền với GMM chưa qua lọc nhiễu Đâylàmãcodeđểloạibỏnhiễuvàlấpđầykhoảngtrốngtrongcácđốitượngđượcpháthiện.se=strel('square',3);%morphologicalfilterfornoiseremovalforeground=step(foregroundDetector,frame);filteredForeground=imopen(foreground,se);Hình 3.23.
- Phát hiện xe Tácgiảsửdụngđốitượngvision.BlobAnalysistrongComputerVisioncủaMATLABđểtheodõiđốitượngvàtìmkiếmvùngliênkếttươngứngvớimộtđốitượngdichuyển.ĐốitượngBlobAnalysisđưaratínhtoánthốngkêchomỗivùngkếtnốitrongảnhnhịphân.H = vision.BlobAnalysis (Name, Value) trả về phân tích của đối tượngđốm.HtrảvềcácgiátrịngườidùngquantâmthỏamãnđiềukiệnthộctínhName 53vàValue.Vídụđốitượngcóvùngliênkếtlớnhơn350pixelsẽđượclọcra,cácđốitượngnhỏhơnsẽbịloạibỏ:blobAnalysis=vision.BlobAnalysis('BoundingBoxOutputPort',true,...'AreaOutputPort',false,'CentroidOutputPort',false,...'MinimumBlobArea returnblobarea minimumblobinpixelsis350Hình 3.24.
- Đếm đối tượng Trongphầnnàytácgiảthựchiệnxửlýcácđốmđượclọcra(thựcchấtlàcácphươngtiện)vớicácthamsốtọađộ.Hình3.25trìnhbàysơđồkhốicủathuậttoánđếmđốitượng.Đểđếmđượcđốitượngtácgiảsửdụngcạnhdướicủahộpđánhdấu.Khinóđiquamộtkhoảngđiểmnhấtđịnhsẽtínhlà1đốitượng.Bêncạnhđókhitínhkíchthướccủahợpđánhdấubaoquanhđốitượngcóthểphânloạiđượccácloạixenhưxeô-tôcon,xetải.
- 54Hình 3.25.
- Sơ đồ khối thuật toán đếm Đểđếmđượcđốitượngtácgiảsửdụngcạnhdướicủahộpđánhdấu.Khinóđiquamộtkhoảngđiểmnhấtđịnhsẽtínhlà1đốitượng.Bêncạnhđókhitínhkíchthướccủahợpđánhdấubaoquanhđốitượngcóthểphânloạiđượccácloạixenhưxeô-tôcon,xetải…g.
- Ước lượng vận tốc ô-tô Cũnggiốngnhưbàitoánpháthiệnđốitượnggiaothông,khixácđịnhđượcphươngtiệnchúngtasẽthựchiệntínhquãngđườngdichuyểncủađốitượngbằng 55pixel(s2-s1)vàđếmsốkhungframetrảiqua.Thờigianchuyểnđộngthựcsẽđượctínhtheosốkhungframe.speed.
- Hình 3.26.
- Quá trình mô phỏngĐểkiểmtrakếtquả,tiếnhànhmôphỏngtrênfilevideothuđượctừcameratĩnhtrênđườngcaotốc.Hình3.27thểhiệnhìnhảnhthuđược.Đặcđiểmcủacácvideođưavàomôphỏng:-Địnhdạngvideo.avihoặc.mp4;-Cácphươngtiệnlàô-tôdichuyểntrênmộtlànđường;-Mậtđộphươngtiệnthayđổitùythuộcvàotừngvideođầuvào;-Cameracóthểlàcameratĩnhhoặcđộng;Hình 3.27.
- Hình ảnh thu được từ video -PháthiệnnềnsửdụngtrừnềnvàthuậttoánGMM. Hình 3.28.
- Trường hợp 2: Kết quả với video đầu vào khác nhau Trongđềtàinày,tácgiảđãlựachọnmẫuvideocóchấtlượngtốtnhấtvềđộsáng,độổnđịnh,khôngcórungđộng,vàtốcđộxekhôngquácao.Dođókhithựchiệnvớivideovớiđiềukiệnxấuthìlỗilàkhôngthểtránhkhỏi.Vídụ,vớiôtôtốcđộchậm,chươngtrìnhcóthểđếmchínhxácsốlượngxe,cònvớixechạytốcđộcao,chươngtrìnhkhôngthểđếmchínhxácđược,dođóviệctínhtoánvậntốcxegặp khó khăn. Ở ví dụ khác, với 2 xe chạy gần nhau với cùng một vận tốc thìchươngtrìnhkhôngthểphânbiệtvàsẽtính2xelà1.Cụ thể khi thực hiện mô phỏng trên video “Traffic3.mp4” thu được từcameratĩnh.Kếtquảmôphỏngđạtyêucầuchínhxáctrên92%.Chươngtrìnhđếmđượcsốlượngxecũngnhưướclượngtốcđộchuyểnđộngcủacácphươngtiện“ảo”.Hình 3.33.
- Video này được thu từcamera động cónềnthayđổivà chuyển động theo thờigian.Kếtquảmôphỏngkhôngđạtyêucầu.Chươngtrìnhkhôngđếmđượcđúngsốlượngxecũngnhưướclượngtốcđộchuyểnđộngcủacácphươngtiện“ảo”.
- 60 Hình 3.34.
- 61-Cókhảnăngtheodõivàphânloạixetừnglàntrênđườngcaotốc.
- 62KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI Đềtàinghiêncứuđãápdụngthuậttoántrừnềnvàphânmảnhảnhsửdụngtoántửhìnhthái,pháthiệnnềnvàsửdụngGMMthíchnghi.Hệthốnggiámsátgiaothôngđãđượcxâydựngnhằmpháthiện,đếmvàtheodõiđốitượngchuyểnđộngđồngthờiđưaravậntốcxemộtcáchkháhiệuquả.Videođưavàochươngtrìnhghilạiquátrìnhchuyểnđộngcủacácđốitượngcóvậntốcnhỏnênđộổnđịnhcủavideocao.Khithiếtlậptrêncaotốcvậntốcthựccủacácđốitượngcóthếrấtlớn.Ngoàira,cácyếutốnhưthờitiếtcũngcóthểảnhhưởngđếnchấtlượngvideovàlàmkếtquảcủachươngtrìnhsailệch.Điềunàycầnđượcthửnghiệmvàpháttriểnthêmtrongthờigiantới.Nhìnchung,đềtàiđãhoànthànhcơbảncácmụctiêuđềravàđưarasơđồthuậttoánnhằmgiámsátphươngtiệngiaothông.Từnhữngkếtquảkểtrên,chúngtacầnphảicóthêmthờigiannghiêncứuđểhoànthiệnsảnphẩm.Việcgiảmthờigianxửlýlàđiềuđòihỏitrướctiênkhipháttriểnđềtài,bởivìtốcđộxửlýảnhhưởnglớnđếnkếtquảchươngtrìnhvàcácphánquyếtchongườidùng.Bêncạnhđósốlượngphươngtiệntrongvideocònít,nếumuốngiảiquyếttriệtđểbàitoánthựctếthìcácvideođưavàoxửlýcầnphảiđadạnghơn,sốlượngphươngtiệnnhiềuhơn,tốcđộdichuyểnnhanhhơnnữa
Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem
Tóm tắt