LVTN Full Final

MỤC LỤC
TÀI LIỆU THAM KHẢO & TRÍCH DẪN

Võ Hồng Phong Luận văn tốt nghiệp
LIỆT KÊ CÁC HÌNH
Hình 2.1a, b, c, d: Các đặc trưng cạnh, đường, bao quanh tâm, đường chéo
Hình 2.2 : Ảnh chia nhỏ tại tọa độ (x,y)
Hình 2.3 : Tổng các giá trị pixel nằm trong vùng A
Hình 2.4 : Ví dụ về các tư thế của hình chữ nhật đặc trưng
Hình 2.5 : Lược đồ cơ bản của AdaBoost
Hình 2.6 : Thuật toán học AdaBoost
Hình 2.7 : Mô hình minh họa tác vụ phát hiện vật thể dùng chuỗi cascade
Hình 2.8 : Dùng chuỗi cascade đã được huấn luyện để phát hiện cửa sổ con phù hợp
Hình 2.9 : Cấu trúc các chuỗi cascade song song
Hình 2.10 : Cấu trúc các chuỗi cascade nối tiếp, với N giai đoạn học huấn luyện
Hình 3.1 : Minh họa quá trình lấy mẫu

Hình 3.2 : Minh họa quá trình học huấn luyện
Hình 3.3 : Minh họa quá trình kiểm thử cơ sở dữ liệu “car_back.xml”
Hình 3.4 : Minh họa quá trình kiểm thử cơ sở dữ liệu “bus_vn_full_22112008.xml”
Hình 3.5 : Minh họa quá trình kiểm thử cơ sở dữ liệu “truck_vn_26112008.xml”
Hình 3.6 : Sơ đồ khối của quá trình nhận dạng xe
Hình 3.7 : Mô hình hóa thuật toán ước lượng khoảng cách
Hình 3.8 : Mô hình camera quan sát trong không gian 3-D
Hình 3.9 : Minh họa kết quả ước lượng khoảng cách
Hình 3.10 : Minh họa kết quả đếm số lượng xe có trong hình
Hình 3.11 : Sơ đồ khối tổ chức phần mềm hệ thống
Hình 3.12 : Sơ đồ khối hệ thống hoàn chỉnh tổ chức phần mềm hệ thống
Hình 3.13 : Mô tả hệ thống phát hiện xe dùng thuật toán Haar
Hình 3.14 : Giao diện chương trình nhận dạng xe
Hình 3.15 : Mẫu camera được sử dụng trong luận văn
Trang 2
LIỆT KÊ CÁC BẢNG
Bảng 2.1 : Các dạng thuật toán học huấn luyện AdaBoost
Bảng 2.2 : Thuật toán phát hiện đồng thời co giãn vùng đặc trưng đối tượng
Bảng 3.1
Bảng 3.1a : Mẫu xe hơi du lịch cá nhân
Bảng 3.1b : Mẫu xe buýt
Bảng 3.1c : Mẫu xe tải
Bảng 3.2 : Cấu trúc file cơ sở dữ liệu đặc trưng của đối tượng xe hơi cá nhân
Bảng 3.3 : Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe hơi cá nhân
Bảng 3.4 : Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe buýt
Bảng 3.5 : Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe tải
Bảng 3.6 : Tổng kết các kết quả kiểm thử cơ sở dữ liệu
Bảng 3.7 : Mã lệnh điển hình của thuật toán phát hiện và nhận dạng xe hơi
Bảng 3.8 : Mã lệnh thực hiện thuật toán ước lượng khoảng cách
Bảng 3.9 : Mã lệnh thực hiện thuật toán đếm xe
Bảng 4.1 : Các kết quả xử lý nhận dạng

Bảng 4.1a : Kết quả xử lý nhận dạng xe buýt
Bảng 4.1b : Kết quả xử lý nhận dạng xe hơi cá nhân
Bảng 4.1c : Kết quả xử lý nhận dạng tải
Bảng 4.2 : Kết quả xử lý nhận dạng xe tổng hợp
Bảng 4.3 : Đánh giá độ chính xác trong nhận dạng của phần mềm luận văn
Trang 3
PHẦN A
GIỚI THIỆU
Trang 4
Đại Học Quốc Gia Tp. Hồ Chí Minh CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập – Tự Do – Hạnh Phúc
--------oOo--------
NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên : VÕ HỒNG PHONG Phái : Nam
Ngày tháng năm sinh : 22/02/1982 Nơi sinh : Khánh Hòa
Chuyên ngành : TỰ ĐỘNG HOÁ Mã số HV : 01506364
I. TÊN ĐỀ TÀI:
NHẬN DẠNG XE TRÊN CƠ SỞ THỊ GIÁC MÁY TÍNH
II. NHIỆM VỤ:
- Phân tích và tổng hợp các phương pháp nhận dạng xe.
- Xây dựng chương trình nhận dạng xe dựa trên công cụ Thị giác máy tính.
III. NGÀY GIAO NHIỆM VỤ: ngày 30 tháng 01 năm 2008
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: ngày 30 tháng 11 năm 2008
V. CÁN BỘ HƯỚNG DẪN: TS. TRƯƠNG ĐÌNH CHÂU
Giáo Viên Hướng Dẫn Chủ Nhiệm Ngành Bộ Môn
Nội dung và đề cương Luận văn Thạc sĩ đã được Hội Đồng Chuyên Ngành thông
qua.
Ngày ….. tháng ….. năm 200…
PHÒNG ĐÀO TẠO SAU ĐẠI HỌC KHOA QUẢN LÝ NGÀNH
Trang 5
LỜI CẢM ƠN
Trước tiên, xin cảm ơn thầy TS Trương Đình Châu vì đã gợi mở, quan
tâm, giúp đỡ cho học viên trong suốt thời gian thực hiện đề tài tốt nghiệp này.
Bên cạnh đó, học viên cũng xin gởi lời cảm ơn đến tất cả những thầy cô
đã trực tiếp giảng dạy trong suốt khóa học; những người bạn đã quan tâm,
động viên và chia sẻ kiến thức cũng như kinh nghiệm chuyên ngành trong quá
trình học tập và rèn luyện vừa qua của học viên.
Cũng xin chân thành cảm ơn sự quan tâm hỗ trợ, tạo điều kiện và hết
lòng động viên về tinh thần lẫn vật chất của các thành viên trong gia đình
trong suốt thời gian qua.
Sau cùng, học viên gởi lời chúc sức khỏe, hạnh phúc đến quý thầy cô,
gia đình và bạn bè.
Trường Đại học Bách Khoa Tp. Hồ Chí Minh

Tháng 11 năm 2008
Học viên
Võ Hồng Phong
Trang 6
LÝ LỊCH TRÍCH NGANG
Họ và tên : VÕ HỒNG PHONG

Phái : Nam
Ngày sinh : 22-02-1982
Nơi sinh : Tp Nha Trang – tỉnh Khánh Hòa
Hộ khẩu TT : 8/C3 Âu Cơ – phường 10 – quận Tân Bình – Tp HCM
Địa chỉ email : vhphong_nt@yahoo.com.vn hoặc vhphong@gmail.com
QUÁ TRÌNH ĐÀO TẠO:

9/2000 – 4/2005 : Sinh viên khoa Điện - Điện tử, bộ môn Kỹ thuật Điện tử - hệ
chính quy - trường ĐH SPKT Tp HCM.
9/2006 đến nay : học viên cao học Khoa Điện – Điện tử, chuyên ngành Tự
động hóa - hệ chính quy – trường ĐH Bách Khoa Tp HCM.
QUÁ TRÌNH CÔNG TÁC:

2005 – 11/2006 : Quản trị mạng tại Công ty Phần mềm Sài gòn (SSP – Saigon
Software Park).
Trang 7
ABSTRACT
Now, in the age of the 21st century, thanks for the high speed development of
Science and Technology, human is inventing and processing many scientific
projects with theirs mega-structures. From the alternatives of machines and engines
instead of human in works which required a high-level of decision and
concentrating, the results, facts and effects is being trusted. These things are really
huge meaning, thus increases values of lives ‘s quality days by days.
In this thesis, issues named “Vehicles Detection and Recognition Based on

Computer Vision”, also have same ways of thinking above. This is one of the most
amazing applications and projects which is resrearched and approached by many sci
entists who working in fields of “Computer Vision” and “Digital Image Processing”
cause of demands in real lives and diversified approaching methods.
This project shows some problems which related to the basic knowledge that
being built on contents within. The author used tools called “OpenCV” to apply
Haar-like features that ran on Visual C++.NET environment and AdaBoost
(Adaptive Boost) algorithms to speed up the detection and recognition processing
on all perspectives and types of vehicles. Results have got a feature called “real-
time effects” in detection and recognition. This is importance for modifying traffics,
controlling lanes, extracting information of vehicles, …
Trang 8
TÓM TẮT LUẬN VĂN THẠC SĨ
Trong thời đại của thế kỷ 21, với sự phát triển nhảy vọt của trình độ Khoa học
kỹ thuật, con người đã tạo nên và phát triển nhiều công trình khoa học mang tính
tầm cỡ. Với sự thay thế dần của máy móc cho con người trong các nhiệm vụ mang
tính chính xác và tập trung cao thì kết quả đạt được đã hoàn toàn được tin cậy và
đánh giá cao. Điều này thực sự có ý nghĩa to lớn và góp phần tăng thêm giá trị và
chất lượng cuộc sống.
Đề tài luận văn này, nhận dạng xe trên cơ sở thị giác máy tính, cũng không
nằm ngoài ý nghĩa đó. Đây là một dạng ứng dụng thú vị mà nhiều nhà khoa học đã,
đang và sẽ không ngừng nghiên cứu vì nhu cầu thực tiễn và đa dạng phương pháp
tiếp cận.
Trong đề tài này sẽ trình bày trong đó các vấn đề liên quan tới kiến thức nền
tảng xây dựng nên luận văn. Học viên đã sử dụng công cụ OpenCV ứng dụng các
đặc trưng Haar-like chạy trên nền tảng Visual C++.NET và thuật toán tăng tốc
AdaBoost nhằm nâng cao tốc độ phát hiện và nhận dạng các hình thái khác nhau
của xe. Kết quả thu được có đặc tính thời gian thực các diễn tiến của quá trình phát
hiện và nhận dạng xe.
Nội dung luận văn gồm 5 chương:
Chương 1: Giới thiệu tổng quan

Chương 2: Cơ sở lý thuyết
Chương 3: Xây dựng hệ thống
Chương 4: Kết quả - Nhận xét – Phân tích
Chương 5: Kết luận và hướng phát triển đề tài
Trang 9
PHẦN B
NỘI DUNG
Trang 10
CHƯƠNG 1
GIỚI THIỆU TỔNG QUAN
1.1 GIỚI THIỆU
Thị giác là giác quan cho phép con người cũng như hầu hết các loài động vật
khác thu thập thông tin nhanh nhất, tinh tế nhất và cũng là kênh thông tin trao đổi
tin cậy giúp đưa ra những quyết định kịp thời và nhanh chóng trong hầu hết các
hoạt động trong thực tế của con người. Vì vậy, với ý nghĩa vô cùng quan trọng đó,
cùng với sự phát triển của khoa học kĩ thuật và ứng dụng của nó trong nhiều lĩnh
vực đã được tiến hành rộng rãi, nhất là trong ứng dụng liên quan tới xử lý ảnh của
đối tượng cụ thể là xe hơi trong cảnh quang giao thông, đặc biệt là trong tình trạng
xe đang chuyển động.
Từ giữa thế kỷ XX đến nay, đặc biệt là từ thập niên 80, ngày càng có nhiều
ứng dụng có chức năng phát hiện vật thể, ví dụ như xe hơi, là một công việc khó
trong lĩnh vực xử lý ảnh. Chức năng này đặc biệt hữu dụng trong rất nhiều môi
trường và lĩnh vực khác nhau (bao gồm an ninh, thị giác người máy, giải trí, điều
tiết giao thông, …). Hàng loạt các cuộc nghiên cứu và thử nghiệm về vấn đề tự
động nhận dạng xe hơi đã được tiến hành mạnh mẽ, song song cùng lúc với sự phát
triển mạnh mẽ của hệ thống giao thông trên thế giới cũng như ở Việt Nam, là một ví
dụ minh chứng bởi tính cụ thể, đa dạng, phức tạp và cấp thiết.
Trang 11
Thông thường, các đặc tính của xử lý và phân tích ảnh chủ yếu bị ảnh hưởng
bởi đặc tính của ảnh tĩnh và ảnh động (video). Các lý do có thể đưa ra là: vị trí
tương quan giữa máy ảnh và đối tượng, xe bị che khuất một phần hoặc toàn phần;
sự kết hợp của các đặc điểm xe cộ, kích thước, màu sắc, ảnh hưởng của cảnh nền
(độ sáng chói, độ tương phản, nhiễu giống đối tượng, …) là rất khác nhau, và nó
ảnh hưởng đến chất lượng của quá trình phát hiện và nhận dạng xe. Còn ảnh hưởng
về mặt chủ quan cũng có thể kể đến như hướng quan sát ghi hình của camera,
hướng ánh sáng, đặc tính kỹ thuật của máy ảnh, camera, tốc độ hệ thống máy xử lý
chủ (máy tính PC hoặc laptop) cũng gây ra ảnh hưởng không nhỏ đến đề tài.
1.2 MỤC ĐÍCH NGHIÊN CỨU
Hệ thống nhận dạng xe dùng trong quan sát giao thông là một ứng dụng quan
trọng trong cuộc sống hiện đại hàng ngày. Với hệ thống như vậy thì một thuật toán
phát hiện và nhận dạng theo thời gian thực là cần thiết khi đầu vào của hệ thống là
một chuỗi hình ảnh video. Việc ứng dụng một thuật toán để giải quyết vấn đề phát
hiện xe là một trong những khâu quan trọng trong hệ thống quan trắc giao thông.
Tác vụ này phát hiện các loại xe trong tầm khoảng cách trung bình và tầm khoảng
cách xa (trên 20m). [9, trang 13 ÷ 15] [12, trang 410 ÷ 411]
1.3 CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU VÀ HƯỚNG NGHIÊN CỨU ĐỀ NGHỊ
Cho đến nay, có rất nhiều các đề tài nghiên cứu về hệ thống phát hiện và nhận
dạng xe mà chủ yếu là thực hiện trong các phòng thí nghiệm Khoa học máy tính của
các trường Đại học trên thế giới [1][2]. Các nghiên cứu này chủ yếu xoay quanh vấn
đề tìm hướng tiếp cận và xây dựng mô hình thuật toán phát hiện và nhận dạng xe
trong việc quan sát giao thông nói chung.
Trang 12
Các đề tài này, phần lớn đã nêu bật được phương pháp “Lưu lượng quang”,
đây là phương pháp điển hình cho việc quan trắc hệ thống các vật thể chuyển động
có quỹ đạo nói chung hoặc hệ thống xe tham gia giao thông nói riêng [1][2][12].
Ngoài ra, còn có phương pháp xử lý trên pixel đặc trưng đối tượng, chủ yếu là phân
tích diện tích và chu vi đường bao điểm ảnh của đối tượng, coi đó là đặc trưng của
loại xe quan sát.
Nhưng bên cạnh đó, chỉ một số ít các đề tài lại ít sử dụng phương pháp phân
tích và dò tìm đặc trưng Haar-like. Do vậy, trong luận văn này, để có thể đáp ứng
tốt các yêu cầu về độ tin cậy, ổn định trong việc quan trắc hệ thống giao thông, thì
học viên đề nghị sử dụng phương pháp Haar-like để phát hiện xe trên cơ sở thuật
toán trích đặc trưng AdaBoost.
1.4 TỔNG QUAN VỀ PHÁT HIỆN VÀ NHẬN DẠNG XE
Bài toán phát hiện và nhận dạng xe hơi cụ thể gồm qua 2 bước.
1.4.1 Phát hiện xe
Phát hiện xe là thuật toán chuyên biệt xuất phát từ thuật toán phát hiện vật thể.
Khi cho một nguồn ảnh đầu vào (có thể là tín hiệu hình từ camera hoặc từ một file
video định dạng AVI), thuật toán xác định xem trong khung hình nhận được đó có
xe đang được kỳ vọng hay không. Nếu có xe thì ngay lập tức chỉ ra vị trí và phạm vi
chiếm chỗ của đối tượng xe đó có trong ảnh. Đây là bước quan trọng đầu tiên trong
hầu hết các ứng dụng phân tích vật thể nói chung và xe tham gia giao thông nói
riêng (ví dụ: nhận dạng kiểu dáng xe, định vị xe trong ảnh, bám theo xe, nhận biết
vị trí và tư thế của xe có trong ảnh,…).
Trang 13
1.4.2 Nhận dạng xe
Với kết quả phát hiện xe ở bước trên, từ đó so sánh với cơ sở dữ liệu đã được
xây dựng sẵn để tiến hành nhận dạng được kiểu dáng xe đó là loại xe nào. Tư thế
quan sát xe từ camera, vị trí của xe so với camera và các thông tin liên quan luôn
được cập nhật tức thời bởi máy tính.
1.5 LÝ DO THỰC HIỆN ĐỀ TÀI
Nắm được ý nghĩa quan trọng của kênh thông tin thu được trong hầu hết các
tình huống dưới dạng hình ảnh. Sự phát triển mạnh mẽ và đa dạng của xã hội với
nhiều nghiên cứu và ứng dụng thuộc lĩnh vực này luôn được tiến hành và áp dụng
rộng rãi trong nhiều ngành nghề và lĩnh vực khoa học kỹ thuật khác nhau trên thế
giới, đặc biệt là phát hiện và nhận dạng xe hơi.
Bài toán phát hiện và nhận dạng xe được nhiều nhóm các nhà khoa học quan
tâm và thực hiện nhưng để đáp ứng được vấn đề xử lý trong thời gian thực là một
vấn đề tương đối khó. Thực tế cho thấy các kết quả còn hạn chế, tốc độ xử lý chậm,
quá trình xử lý nhiều nhóm lệnh trên máy tính chủ khiến cho tốc độ bị trì hoãn mặc
dù không nhiều.
Vì vậy, nghiên cứu ứng dụng đề tài phát hiện và nhận dạng xe xử lý trên cơ sở
thị giác máy tính trong thời gian thực mang tính cấp thiết.
1.6 MỤC TIÊU ĐỀ TÀI
Nghiên cứu ứng dụng phát hiện nhận dạng xe trên cơ sở thị giác máy tính, đáp
ứng trong thời gian thực.
Trang 14
1.7 NHIỆM VỤ LUẬN VĂN
 Phân tích và tổng hợp các phương pháp nhận dạng xe.
 Xây dựng chương trình nhận dạng xe dựa trên công cụ Thị giác máy tính.
1.7.1 Phạm vi thực hiện
 Về lý thuyết: phương pháp phù hợp phát hiện và nhận dạng xe.
 Về ứng dụng: chương trình phần mềm phát hiện và nhận dạng xe.
 Các điều kiện thực hiện: camera ghi hình trực diện từ phía sau đuôi của xe,
cường độ ánh sáng là 300 ÷ 500 lux (độ sáng tiêu chuẩn bình thường) hoặc
ánh sáng ngoài trời ban ngày bình thường.
 Đối tượng là các loại xe với các hình dáng khác nhau (xe hơi cá nhân, xe
buýt, xe tải container). Việc nhận dạng được thực hiện từ phía sau đuôi của
xe.
1.7.2 Dự kiến các lĩnh vực ứng dụng của đề tài
 Giám sát an ninh

 Quan sát và điều tiết giao thông
Trang 15
CHƯƠNG 2
CƠ SỞ LÝ THUYẾT
2.1 CÁC PHƯƠNG PHÁP PHÁT HIỆN HÌNH ẢNH XE
Phát hiện hay phát hiện đối tượng chuyên biệt, ví dụ như xe hơi trong cảnh
quang giao thông, liệu có xuất hiện trong ảnh thu được từ camera (hình động) hay
những tấm hình tĩnh dựa trên sự trợ giúp của máy tính từ lâu đã được con người
nghiên cứu và phát triển bởi nó đóng vai trò là cơ sở chung và là nền tảng để nghiên
cứu và ứng dụng trong các lĩnh vực và các hệ thống khác. Trong quá trình nghiên
cứu và phát triển, thì yêu cầu được đặt lên hàng đầu là yếu tố chính xác và phải thực
hiện nhanh chóng trong thời gian thực. Do vậy, việc này cần có sự phối hợp và bổ
sung chặt chẽ cho nhau của hai lĩnh vực là Xử lý ảnh (Image Processing) và Thị
giác máy tính (Computer Vision).
Có rất nhiều phương pháp và hướng tiếp cận của vấn đề phát hiện xe hơi. Định
vị xe trong một cảnh quang giao thông là phương pháp đơn giản, bởi vì nó chỉ xác
định vị trí hay tọa độ của chiếc xe có trong ảnh đó mà thôi. Việc tiếp theo là nhận
dạng (vehicle recognition) là công việc phức tạp hơn. Tác vụ này sẽ so sánh một
ảnh của xe hơi trong ảnh đầu vào với tất cả các ảnh có trong cơ sở dữ liệu đã được
huấn luyện trước đó và đưa ra ảnh gần nhất.
Trang 16
Có hai hướng tiếp cận chính thường được sử dụng để phát hiện xe: các
phương pháp dựa trên ảnh và các phương pháp dựa trên dạng hình học. Các phương
pháp có thể được liệt kê ra như sau [9, trang 17÷ 25]
2.1.1 Phát hiện dựa trên ảnh
Các phương pháp thuộc nhóm này dựa trên một tập hợp các hình mẫu của đối
tượng và sử dụng cửa sổ trượt để phát hiện xe. Cách làm này khác biệt so với các
phương pháp dựa trên khuôn mẫu (cần thiết phải có sẵn mô hình xe, hình thái xe).
Để trích đặc trưng từ các mẫu ví dụ, cần phải thực hiện việc cho học huấn luyện
dưới dạng thống kê hoặc các thuật toán học máy (machine learning) với đủ nhiều
các mẫu ảnh có chứa đối tượng xe và không chứa đối tượng xe.
Do sự xuất hiện của xe trong ảnh là ngẫu nhiên với nhiều góc quan sát khác
nhau nên thường phải xấp xỉ chúng để tạo nên sự phân biệt của hai đối tượng. Tùy
theo cách tiếp cận xác xuất nào mà sẽ xuất hiện các phương pháp phát hiện tương
ứng. Liệt kê dưới đây là một số các phương pháp thuộc nhóm này:
 Phương pháp EigenObjects (PCA)

 Phương pháp Fisher ‘s Linear Discriminant
 Các phương pháp dựa trên Eigen-space
 Các phương pháp dựa trên mang nơ-ron nhân tạo
 Support Vector Machine – SVM
 Phương pháp Mô hình Markov ẩn (Hidden Markov Model – HMM)
 Phương pháp Sparse Network of Winnows (SNoW)
Do nhóm phương pháp này dựa trên việc huấn luyện sao cho thu được mô
hình đối tượng xe từ một tập dữ liệu tích cực (positive - ảnh có chứa hình xe hơi) và
Trang 17
một tập dữ liệu không tích cực (negative - ảnh không chứa hình đối tượng) nên
chúng có sự tương quan so sánh trực tiếp đến các đặc điểm hình học của một kiểu
xe điển hình.
Nhược điểm của phương pháp này đòi hòi phải luôn có sẵn cơ sở dữ liệu hình
xe rất lớn. Để có thể phát hiện và nhận dạng được xe, máy tính phải luôn dò trong
cơ sở dữ liệu hình này rồi mới đưa ra kết quả.
2.1.2 Phát hiện dựa trên dạng hình học
Khác với nhóm phương pháp vừa nêu ở trên, các phương pháp thuộc nhóm
này quan tâm đến các đặc điểm cấu trúc hình học của xe. Vì vậy chúng còn được
gọi là nhóm tiếp cận dựa trên đặc trưng (feature - based). Tùy theo cách triển khai
vấn đề mà chúng được chia thành hai phân nhóm:
 Các phương pháp Bottom – Up

 Phương pháp dựa trên luồng ánh sáng (hay lưu lượng quang - optical flow)
Nhóm phương pháp Bottom – Up chủ yếu dùng các đặc điểm hình dáng bất
biến của xe đối với ngoại cảnh và nền ảnh để phát hiện ra xe. Rồi tùy vào mối liên
hệ của chúng với nhau mà thiết lập các liên kết giữa các đặc điểm bất biến này ngay
trong ảnh đầu tiên, tiếp theo sẽ dựa vào đó mà tìm chúng trên các ảnh kế tiếp.
Phương pháp của phân nhóm thứ hai, luồng ánh sáng, là phương pháp xử lý
tổng quan ánh sáng theo tuần tự các bước. Thứ nhất, thuật toán tìm đặc trưng quan
trọng của đối tượng (ví dụ như góc của xe) trong hai khung hình liên tiếp nhau. Thứ
hai, dùng thuật toán để hợp nhất tính liên quan đồng nhất giữa các đặc trưng đó
(trong trường hợp này là góc của xe). Bước cuối cùng, các luồng đặc trưng đối
Trang 18
tượng đã được trích xuất khỏi ảnh được tập hợp lại thành một nhóm nếu các khoảng
cách Euclide của các luồng (vị trí đối tượng và hướng chuyển động của đối tượng)
là nhỏ. [1, phần 2.1]
Cụ thể, phương pháp này không chỉ sử dụng các thuật toán học (learning
algorithm) để huấn luyện tạo các bộ phân lớp (cascade) bằng các hình mẫu ví dụ
tích cực (có chứa hình ảnh xe) và các hình mẫu không tích cực (không chứa hình
ảnh xe hơi) được lựa chọn cẩn thận (đây là phương pháp dựa trên ảnh). Các hình
ảnh sau khi được chọn lọc cẩn thận sẽ được quyết định đặc trưng cho từng loại xe
bởi thuật toán học hầu hết có liên quan trực tiếp đến các đặc trưng riêng biệt trên
hình ảnh xe hơi (đặc điểm các chi tiết trên xe, gương, đầu xe, đuôi xe, dàn đèn, các
gờ nổi, …). Kỹ thuật tăng tốc cải thiện tốc độ tìm kiếm dựa trên các bộ phân loại
bằng cách lấy ra các trọng số cho các mẫu ví dụ dùng trong huấn luyện. [1, phần
2.2]
2.2 PHƯƠNG PHÁP ĐƯỢC SỬ DỤNG TRONG LUẬN VĂN
Trong luận văn này, việc phát hiện xe là sự kết hợp giữa một thuật toán tăng
tốc AdaBoost (Adaptive Boost – tăng tốc thích nghi) và đặc tính đáp ứng nhanh của
các đặc trưng Haar. Đây là một phương pháp được xem như là phối hợp của cả hai
phương pháp đã nêu ở trên là : Phương pháp dựa trên ảnh và Phương pháp dựa trên
dạng hình học.
Để thực hiện chức năng phát hiện và nhận dạng xe hơi, học viên đã triển khai
sử dụng thuật toán phát hiện đối tượng (dựa trên các đặc trưng Haar-like và thuật
toán tăng tốc AdaBoost) trên từng frame ảnh thu được từ nguồn tín hiệu hình ảnh
(camera hoặc file video) rồi dựa vào các thuật toán xử lý ảnh và thị giác máy tính để
thi hành các tác vụ lên các xe đã được phát hiện và nhận dạng. Sau đây là phần trình
Trang 19
bày phương thức hoạt động của phương pháp phát hiện xe hơi bằng các đặc trưng
được liệt kê sau đây:
2.2.1 Các đặc trưng Haar-like
Mục đích của việc sử dụng các đặc trưng Haar-like là đảm bảo yêu cầu đáp
ứng thời gian thực. Mỗi một đặc trưng Haar-like bao gồm 2 hoặc 3 khối hình màu
trắng và đen liên kết nhau. (Hình 2.1 a, b, c, d) [1, trang 4] [4, trang 2] [9, trang 33]
Hình 2.1a: Các đặc trưng cạnh
Hình 2.1b: Các đặc trưng đường
Trang 20
Hình 2.1c: Các đặc trưng bao quanh tâm
Hình 2.1d: Đặc trưng đường chéo
Giá trị của đặc trưng Haar-like được xác định bởi độ chênh lệch giữa tổng các
giá trị pixel mức xám nằm trong vùng đen so với vùng trắng.
Cách dùng “ảnh chia nhỏ” (integral image) giúp tính toán nhanh chóng các
đặc trưng Haar-like.
Hình chia nhỏ ở vị trí (x,y) bằng tổng các giá trị pixel phía bên trái của tọa độ
(x,y) bao gồm:
P ( x, y ) = ∑i ( x' , y ' )
x '≤x , y '≤y
(2.1)
Trang 21
Hình 2.2: Ảnh chia nhỏ tại tọa độ (x,y)
Tổng các giá trị pixel trong vùng “A”:
P1 = A1 ; P2 = A2 ; P 3 = A1 + A3
P = A + A1 + A2 + A3 ; (2.2)
A = P + P1 – P2 – P3 ;
Hình 2.3: Tổng các giá trị pixel nằm trong vùng A
Để phát hiện ra xe hơi, ảnh đầu vào được phát hiện bằng một cửa sổ con có
chứa đặc trưng Haar-like. Dựa trên từng đặc trưng Haar-like f j , một bộ phân loại
yếu h j ( x) được quy định như sau:
Trang 22
 1, i f p j f j (x) < p jθ j
h j ( x) =  (2.3)
 0, o t h e r w i s e
2.2.2 Vùng đặc trưng và Số lượng đặc trưng
Mục đích chính của việc sử dụng các đặc trưng thay vì các giá trị pixel ban
đầu như là một đại lượng đầu vào cho thuật toán học huấn luyện là nhằm giảm hoặc
tăng sự sai khác lẫn nhau giữa các đối tượng trong cùng một lớp phân loại, từ đó
làm cho quá trình phân loại được dễ dàng hơn. Các đặc trưng thường để mã hóa các
hiểu biết về miền quan tâm của đối tượng trong ảnh. Tính phức tạp của việc đánh
giá đặc trưng là rất quan trọng trong nhiệm vụ phát hiện đối tượng dựa trên hình
dáng bên ngoài của đối tượng đó trong chuỗi ảnh ngõ vào của hệ thống.
Các đặc trưng của các đối tượng được tính tại mỗi một vị trí và mỗi một tỉ lệ
trong một thời gian không đổi.
Giả thiết rằng, đơn vị cơ bản cho sự xuất hiện cơ bản của đối tượng xuất hiện
trong ảnh có kích thước W ×H điểm ảnh. Đồng thời cũng giả thiết rằng cách tính
nhanh cho tổng các điểm ảnh cho mỗi một hình chữ nhật bên trong cửa sổ lớn (ảnh
đầu vào) ở dạng là hình chữ nhật nằm ngang hoặc nằm nghiêng góc 45o là thông số
r =( x, y , w, h, α) với 0 ≤ x, x + w ≤W ; 0 ≤ y, y + h ≤ H ; x, y ≥ 0 ; w, h >0 ;
α ∈{0 o ,45 o } . Hai ví dụ cho hai trường hợp của hình chữ nhật được cho trong Hình
2.4.
Trang 23
Hình 2.4: Ví dụ về các tư thế của hình chữ nhật đặc trưng
Số lượng đặc trưng xuất phát từ mỗi mẫu là đủ lớn và khác nhau giữa mẫu này
với mẫu khác và được tính theo công thức bên dưới.
Nếu cho X =W / w và Y =H / h thì số lượng đặc trưng đối với kích thước
w × h trong ảnh có kích thước W × H được tính theo công thức bên dưới: [4, phần
2.1]
 X +1   Y +1 
X ×Y ×  W +1 − w ×  ×  H +1 − h × 
 2   2 
Trong trường hợp hình chữ nhật đặc trưng nghiêng 45o thì công thức tính số
lượng đặc trưng:
 X +1   Y +1 
X ×Y ×  W +1 − z ×  ×  H +1 − z ×  với z =w + h
 2   2 
2.2.3 Thuật toán tăng tốc AdaBoost
AdaBoost (Adaptive Boost) là một thuật toán học mạnh, giúp đẩy nhanh việc
tạo ra một bộ phân loại mạnh (strong classifier) bằng cách chọn các đặc trưng tốt
trong một họ các bộ phân loại yếu (weak classifier - bộ phân loại yếu) và kết hợp
chúng lại tuyến tính bằng cách sử dụng các trọng số (Hình 2.5). Điều này thật sự
Trang 24
cải thiện dần độ chính xác nhờ áp dụng hiệu quả một chuỗi các bộ phân loại yếu. [9,
trang 39÷ 47]
Tập huấn luyện Bộ phân

lớp mạnh
AdaBoost
Họ các bộ
phân lớp yếu
Các trọng số
Hình 2.5: Lược đồ cơ bản của AdaBoost
Thuật toán học này ban đầu duy trì một phân bố chuẩn (tương đồng nhau) các
trọng số lên mỗi một mẫu huấn luyện. Trong bước lặp đầu tiên, thuật toán huấn
luyện một bộ phân loại yếu bằng cách dùng một đặc trưng Haar-like đã thực hiện tốt
nhất việc phát hiện các mẫu thử huấn luyện. Trong lần lặp thứ hai, các mẫu thử
dùng cho huấn luyện nhưng bị phân loại nhầm bởi bộ phân loại yếu đầu tiên được
nhận trọng số cao hơn sao cho đặc trưng Haar-like được chọn lần này phải tập trung
khả năng tính toán cho các mẫu thử bị phân loại nhầm này. Sự lặp lại tiếp tục thực
hiện và các kết quả cuối cùng sẽ là một chuỗi cascade các kết hợp tuyến tính của
các bộ phân loại yếu, tạo ra một bộ phân loại mạnh, giúp tạo được độ chính xác
mong muốn. Thuật toán học AdaBoost sau 3 lần lặp được minh họa trong Hình 2.6
là một ví dụ thuật toán AdaBoost sau ba lần lặp. [11]
Trang 25
Hình 2.6: Thuật toán học AdaBoost

Phương pháp AdaBoost có nhiều dạng khác nhau [4, phần 3] :
• Tăng tốc thích nghi rời rạc (Discrete AdaBoost – DAB)

• Tăng tốc thích nghi thực (Real AdaBoost – RAB)
• Tăng tốc thích nghi linh hoạt (Gentle AdaBoost – GAB)
Các phương pháp trên đều được dùng cho việc tính toán độ phức tạp từ các
mẫu phân loại, nhưng khác nhau ở thuật toán học huấn luyện. (Bảng 2.1)
Bảng 2.1: Các dạng thuật toán học huấn luyện AdaBoost
Trang 26
Real AdaBoost
1. Ngõ vào: S = { ( x1 , y1 ), ... , ( x N , y N )} Số các bước lặp lại T
2. Khởi tạo: d n(1) =1 / N cho tất cả n = 1, …, N

3. Do for t =1, …, T
(a) Huấn luyện bộ phân loại bằng bộ mẫu thử đã được đánh trọng số {S , d (t ) }
với giả thiết:
ht : x  {−1,+1} , ví dụ (
ht = L S , d ( t ) . )
(b) Tính sai số huấn luyện cho bộ trọng số ε t của ht :
N
ε t = ∑d n( t ) I ( y n ≠ ht ( xn ) )
n =1
(c) Đặt:
1 1 −εt
αt = log
2 εt
(d) Cập nhật các trọng số:

d n( t +1) = d n(t ) exp { − αt y n ht ( x n )} / Z t
∑
N
Với Zt là hằng số chuẩn hóa, sao cho n =1
d n( t +1) =1
1
Ngừng lệnh if khi ε t = 0 hoặc khi εt 2 và đặt T = t – 1
3
4. Xuất ra:
αt
f T ( x ) = ∑t =1
T
ht ( x )
∑r =1αr
T
Discrete AdaBoost (Freund & Schpire)

1. N mẫu được cho ( x1 , y1 ), ... , ( x N , y N ) với x ∈ℜk , y i ∈{−1,1}
Trang 27
2. Bắt đầu với các trọng số wi =1 / N , i =1,..., N

3. Lặp lại cho m =1,..., M
(a) Phù hợp bộ phân loại f m ( x ) ∈{ −1,1} sử dụng các trọng số wi của tập dữ
liệu huấn luyện ( x1 , y1 ), ... , ( x N , y N )
[
(b) Tính các thông số errm = Ew 1( y ≠ f m ( x ) ) ] , c m = log( (1 − errm ) / errm )
(c) Đặt giá trị ( )

wi ← wi . exp c m .1( yi ≠ f m ( xi ) ) , i = 1,…,N, và chuẩn hóa các
trọng số để ∑wi
i =1
M 
4. Ngõ ra của bộ phân loại sign ∑ c m . f m ( x ) 
m =1 
Gentle AdaBoost
1. Cho N mẫu ( x1 , y1 ), ... , ( x N , y N ) với x ∈ℜk , y i ∈{−1,1}
2. Bắt đầu với các trọng số wi =1 / N , i =1,..., N
3. Lặp lại cho m =1,..., M
(a) Phù hợp hàm đệ quy f m ( x ) bởi trọng số bình phương tối thiểu (least-
squares) của y i đối với x i với trọng số wi
(b) Đặt giá trị wi ←wi . exp ( − yi . f m ( xi ) ) , i = 1,…,N và chuẩn hóa các
trọng số để ∑wi
i =1
M 
4. Ngõ ra của bộ phân loại sign ∑ c m . f m ( x ) 
m =1 
Trong ba phương pháp AdaBoost trên, học viên thực hiện luận văn đã chọn
phương pháp GAB làm phương pháp chính cho quá trình huấn luyện máy.
Trang 28
Bộ phân loại mạnh cuối cùng là sự kết hợp có trọng số của các bộ phân loại
yếu:
H ( x ) =α1h1 ( x ) +α2 h2 ( x ) + α3 h3 ( x ) +... +αN hN ( x )
Quá trình học huấn luyện nhận dạng theo từng chuỗi cascade và các giai đoạn
stage được thể hiện như hình dưới đây, trong đó đối tượng cần được phát hiện là
đường cong đặc, kín, màu xanh da trời (được đặt tên là: Target Concept) [3]
Hình 2.7: Mô hình minh họa tác vụ phát hiện vật thể dùng chuỗi cascade
Trong thực tế, chuỗi cascade các bộ phân loại được triển khai nhằm tăng tốc
độ thực thi của thuật toán phát hiện. Trong giai đoạn đầu của quá trình huấn luyện,
ngưỡng của bộ phân loại yếu được điều chỉnh đủ thấp sao cho xấp xỉ 100% các đối
tượng đích có thể được dò ra trong khi vẫn giữ tỉ lệ nhận dạng sai mẫu không tích
cực gần bằng zero. Sự cân bằng của một ngưỡng thấp gắn liền với tỉ lệ phát hiện sai
mẫu tích cực cao hơn. Một mẫu tích cực ngõ ra từ bộ phân lớp đầu tiên là thông số
đặt ngõ vào cho bộ phân lớp thứ hai, cũng sẽ được điều chỉnh sao cho đạt được tỉ lệ
phát hiện rất cao. Tương tự như thế, một mẫu tích cực xuất ra từ bộ phân lớp thứ hai
lại tiếp tục là thông số đặt ngõ vào cho bộ phân lớp thứ ba, …[11].
Trang 29
Các cửa sổ con là tích cực (phù hợp, dò đúng đối tượng) nếu được cho qua tại
từng bộ phân lớp của chuỗi cascade đã được huấn luyện. Nếu không, một ngõ ra
trên chuỗi sẽ loại bất kì cửa sổ không phù hợp ngay lập tức (Hình 2.8); [9, trang 59]
[10] ; [link 1].
Hình 2.8: Dùng chuỗi cascade đã được huấn luyện để phát hiện cửa sổ con phù hợp
Bằng cách sử dụng cấu trúc gồm các chuỗi cascade song song, tốc độ phát
hiện đối tượng sẽ được cải thiện đáng kể (Hình 2.9) [link 1] .
Trang 30
Hình 2.9: Cấu trúc các chuỗi cascade song song
2.2.4 Giai đoạn huấn luyện của bộ phân loại (stage)
Thuật toán tăng tốc thích nghi được sử dụng làm phương pháp chính để phát
hiện và phát hiện đối tượng xe trong luận văn. Thuật toán tăng tốc là mô hình học
máy hiệu quả được sử dụng nhiều trong các đề tài về nhận dạng trước đây. Mô hình
này chỉ sử dụng các bộ phân loại yếu.
Tác vụ học được dựa trên N mẫu huấn luyện ( x1 , y1 ), ... , ( x N , y N ) với
x ∈ℜk và y i ∈{−1,1} . x i và vectơ có thành tố k. Mỗi thành tố k có chức năng mã
hóa một đặc trưng có liên quan cho tác vụ học. Ngõ ra mong muốn sau khi mã hóa
có hai giá trị là -1 và 1. Trong trường hợp phát hiện đối tượng vật thể, thành tố ngõ
vào x i là một đặc trưng Haar-like. Các giá trị ngõ ra -1 và 1 cho biết ảnh xử lý có
chứa hay là không chứa đối tượng mong muốn.
2.2.5 Tầng phân loại (cascade)
Tầng (đợt) của bộ phân loại bao gồm các cây (tree) giá trị giảm dần sau mỗi
giai đoạn (stage) mà bộ phân loại được huấn luyện để nhận dạng hầu hết các đối
tượng vật thể mong muốn, đồng thời cũng loại bỏ các đối tượng không được huấn
luyện. Ví dụ, trong luận văn này, các bộ phân loại được huấn luyện qua ít nhất 20
giai đoạn (stage). Đến giai đoạn cuối cùng, giá trị false alarm = 0.5 20 ≈9.6 e −07
và độ trùng khít (hit rate) khoảng 0.995 20

≈0.9047 . (Hình 2.10) [4, phần 4]
Trang 31
stage 1 stage 2 stage 3 stage N

..... hit-rate = hN
h h h h h
false-alarms = f N
1-f 1 -f 1-f 1-f
Hình 2.10: Cấu trúc các chuỗi cascade nối tiếp, với N giai đoạn học huấn luyện
 f a l s− ea l a r= m0.5
Giả sử, thiết lập ban đầu với các giá trị 
 h i−t r a t=e 0.9 9 5
 f1 = 0.5
Stage 1: 
 h1 = 0.9 9 5
 f 2 = 0.5 2
Stage 2: 
 h2 = 0.9 9 2 5
 f 3 = 0.53
Stage 3: 
 h3 = 0.9 9 35
…
 f N = 0.5 N
Stage N: 
 hN = 0.9 9 N5
Trang 32
Tại mỗi giai đoạn huấn luyện stage, bộ phân loại tạo ra thông số hit-rate h và
false-alarm rate f mới làm ngõ vào thông số đặt cho giai đoạn huấn luyện kế tiếp
sau.
Ứng với mỗi giai đoạn được huấn luyện sử dụng một trong phương pháp tăng
tốc. Bộ tăng tốc có thể học huấn luyện bởi một một phân loại mạnh dựa trên một tập
hợp các bộ phân loại yếu bằng cách dò lại trọng số các mẫu huấn luyện. Bộ phân
loại yếu được dùng cho giai đoạn đầu của quá trình huấn luyện, dùng để tập hợp và
đúc kết các đặc trưng sơ của tập huấn luyện. Tại mỗi tầng huấn luyện, bộ phân loại
dựa theo các đại lượng đặc trưng vừa được cập nhật tại tầng kế trước (false-alarm,
hit-rate) được thêm vào nhằm tăng thêm tính chính xác trong quá trình tính toán
trọng số đặc trưng. Với việc tăng dần số giai đoạn huấn luyện và số lượng các bộ
phân loại yếu, sẽ là cần thiết để tính ra các thông số false-alarm rate ứng với mỗi
hit-rate đã tính được sẽ làm tăng tính chính xác cho tác vụ phát hiện đối tượng.
Trang 33
2.2.6 Đặc tính co giãn vùng đặc trưng đối tượng
2.2.6.1 Phát biểu bài toán
Không phải lúc nào đối tượng xuất hiện trong ảnh cũng xuất hiện với vị trí tọa
độ hoặc diện tích vị trí chiếm chỗ là không đổi, mà ngược lại, các đối tượng xuất
hiện tại rất nhiều vị trí khác nhau và diện tích chiếm chỗ khác nhau. Do đó, để có
thể phát hiện ra đặc trưng đối tượng trong ảnh với các diện tích chiếm chỗ khác
nhau thì cần một thuật toán phát hiện đối tượng bám theo tính co giãn của đặc trưng
đối tượng. Một trong những ưu điểm của phương pháp đặc trưng Haar-like là dễ
dàng co giãn cửa sổ đặc trưng. Thuật toán này phát hiện đặc trưng với các ảnh chia
nhỏ chứa các các đặc trưng tìm được trong ảnh bắt đầu từ phía trên bên trái và ảnh
chia nhỏ bắt đầu được lớn dần theo hướng qua phải và hướng xuống dưới. Giải
pháp thích hợp để khoanh vùng đặc trưng ảnh là khoanh vùng bao gồm tất cả các
ảnh chia nhỏ chứa đặc trưng vừa tìm được. Khi đối tượng trong ảnh có xu hướng
tăng dần diện tích chiếm chỗ trong ảnh (ví dụ trường hợp đối tượng tiến đến gần
camera) thì lượng ảnh chia nhỏ tăng nhiều hơn để chứa các đặc trưng.
2.2.6.2 Thuật toán
Thuật toán phát hiện đối tượng, đồng thời co giãn vùng cửa sổ đặc trưng sao cho
luôn bám theo đối tượng được viết trong Bảng 2.2.
Trang 34
Bảng 2.2: Thuật toán phát hiện đồng thời co giãn vùng đặc trưng đối tượng [3, trang
11]
window_size = window_size0
scale = 1
objects = {}
while (window_size ≤ image_size) do
classifier_cascade = classifier_cascade0 × scale
dX = scale
dY = scale
for (0 ≤ Y ≤ image_height – window_height) do
for (0 ≤ X ≤ image_height – window_height) do
region_to_test = { 0 ≤ x ≤ X + window_width ;
0 ≤ y ≤ Y + window_width }
if (classifier_cascade(region_to_test) = 1)
then objects = objects ∪ {region_to_test}

end if
X = X + dX
end for
Y = Y + dY
end for
scale = scale × C // C: constant; = 1.1 ; 1.2
end while
Trang 35
CHƯƠNG 3
XÂY DỰNG HỆ THỐNG
3.1 Ý TƯỞNG XÂY DỰNG VÀ HOẠT ĐỘNG CỦA HỆ THỐNG
Từ yêu cầu đặt ra của luận văn, học viên đề xuất và thực hiện hệ thống:
 Một card thu hình nhận tín hiệu video trực tuyến từ camera (hoặc nhập một
file video) và gửi nó đến máy tính có phần mềm phát hiện và nhận dạng xe
được viết bằng ngôn ngữ lập trình thích hợp. Trong trường hợp không thể
cho hệ thống thực hiện tại thực địa cảnh quang giao thông thì có thể quay
video lại cảnh quang giao thông cho máy tính xử lý.
 Sau thời gian tính toán, máy tính sẽ tiến hành phát hiện và nhận dạng xe xuất
hiện trong chuỗi hình ảnh và tiến hành khoanh vùng có chứa đặc trưng xe.
 Trong quá trình nghiên cứu, học viên đã tích hợp thêm thuật toán ước lượng
khoảng cách từ camera đến xe, đếm phân loại các xe,… từ đó người khảo sát
có thể tính toán các thông số liên quan đến xe hoặc cảnh quang giao thông.
3.2 TIẾN HÀNH XÂY DỰNG CƠ SỞ DỮ LIỆU ẢNH XE
3.2.1 Xây dựng cơ sở dữ liệu
Trang 36
3.2.1.1 Thu thập hình ảnh xe
Nhờ vào việc sử dụng các công cụ tìm kiếm trên internet và từ các nguồn ảnh
tin cậy có sẵn, học viên đã sử dụng để sưu tầm các mẫu xe nhằm mục đích xây dựng
cơ sở dữ liệu các phân loại xe để phục vụ cho đề tài. Các nguồn ảnh tích cực đó
được học viên sưu tầm bao gồm các nguồn dữ liệu và địa chỉ:
 Google Image
 Flickr của Yahoo!
 Photobucket.com (trang web chia sẻ ảnh)
 Nguồn ảnh chia sẻ từ các kho ảnh của các trường đại học trên thế giới (MIT,
UIUC, Carnagie Mellon,…)
 Ảnh do học viên chụp từ thực địa cảnh quang giao thông (chiếm phần lớn)
Việc sưu tầm và tìm kiếm ảnh mẫu phục vụ cho công tác học huấn luyện cho
máy tính đòi hỏi tiêu tốn nhiều thời gian. Các mẫu hình ảnh xe được tìm kiếm và
sưu tầm đòi hỏi có sự đồng nhất về tư thế chụp lấy mẫu và các kiểu dáng không quá
khác biệt, cũng như hình dáng không quá giống so với các mẫu xe còn lại. Các xe
được chọn làm ảnh mẫu học huấn luyện phải có vị trí rõ ràng trong ảnh, không bị
che khuất (nếu bị che ít hơn 1 4 diện tích pixel cũng tạm chấp nhận) và có tư thế
đối xứng, nghĩa là không quá nghiêng theo các hướng x, y, z (110% đối với hướng
x và y; 50% đối với hướng z).
 Các ảnh không tích cực (không chứa hình đối tượng) được học viên
lấy từ nguồn dữ liệu có sẵn với các dạng hình phong cảnh thiên nhiên, hình
chân dung, động thực vật, nội thất, kiến trúc,…
Trang 37
3.2.1.2 Phân loại bằng tay cơ sở dữ liệu hình
Các ảnh sau khi được thu thập, sau đó được học viên phân loại riêng biệt theo
từng hình dáng khác nhau của xe (xe hơi du lịch cá nhân, xe buýt, xe tải,…).
Với mỗi cơ sở dữ liệu được tạo thành, học viên đã sử dụng hơn 550 hình tích
cực (hình có chứa đối tượng - positive image) và 6.000 hình không tích cực (không
chứa đối tượng - negative image) dùng cho huấn luyện.
Trong luận văn, các loại xe được phân nhóm tùy theo đặc trưng về hình dáng
cấu trúc bên ngoài và chức năng sử dụng như đã nói ở trên. Các nhóm hình sau khi
phân biệt được đặt riêng rẽ nhằm tạo thuận lợi cho việc huấn luyện xe trên cơ sở các
mẫu phân loại này.
Mẫu hình huấn luyện tiêu biểu cho từng nhóm phân loại xe trình bày trong
Bảng 3.1 a, b, c :
Bảng 3.1:
Bảng 3.1a: Mẫu xe hơi du lịch cá nhân
Bảng 3.1b: Mẫu xe buýt
Trang 38
Bảng 3.1c: Mẫu xe tải
 Các ảnh không tích cực, không chứa đối tượng (negative image) được sưu
tầm dễ dàng từ các nguồn ảnh có sẵn.
3.2.1.3 Tiến hành lấy mẫu, tạo bộ cơ sở dữ liệu huấn luyện

Trong công cụ huấn luyện OpenCV 1.0 của Intel có sẵn lệnh Objectmarker.
Lệnh này dùng để đánh dấu vùng có chứa đặc trưng của đối tượng có trong ảnh
bằng cách dùng hình chữ nhật để đánh dấu khoanh vùng chứa đặc trưng. (Hình 3.1)
Trang 39
Hình 3.1: Minh họa quá trình lấy mẫu

Đường bao chữ nhật màu tím đánh dấu vùng đặc trưng đối tượng cần huấn luyện
3.2.1.4 Tiến hành học huấn luyện cho máy tính
Cũng sử dụng công cụ đã nói ở trên, sử dụng lệnh Createsamples và

Haartrainning để huấn luyện tạo cơ sở dữ liệu đặc trưng và xuất cơ sở dữ liệu đó
ra dạng file .xml phục vụ trong mã lệnh chương trình phần mềm nhận dạng của luận
văn.
Hai lệnh chuẩn, điển hình được học viên thực hiện trong luận văn:
 Tạo file học vector “vector.vec” dùng lệnh:
Trang 40
Mẫu lệnh thi hành
createsamples.exe -info positive/info.txt -vec data/vector.vec

-num 466 –maxxangle 1.1 –maxyangle 1.1 –maxzangle 0.5 -w 20 -h
20
với,
-info positive/info.txt : file chứa thông tin tọa độ của khung chữ nhật bao
đặc trưng đối tượng trong ảnh mẫu.

-vec data/vector.vec : đường dẫn chứa file vector.vec tạo ra ở trên.
-num 466 : bộ huấn luyện gồm 466 ảnh tích cực (có chứa đối tượng).
-w 20 : chiều rộng mẫu ngõ ra (tính theo pixel).
-h 20 : chiều cao mẫu ngõ ra (tính theo pixel).
Các thông số maxxangle , maxyangle , maxzangle quy định các góc xoay tối
đa theo các hướng trong không gian của đối tượng mà đảm bảo đối tượng vẫn được
phát hiện.
 Tiến hành học huấn luyện cho máy tính:
Mẫu lệnh thi hành
haartraining.exe -data data/cascade -vec data/vector.vec -bg

negative/infofile.txt -npos 466 -nneg 3125 -nstages 24 -mem
1200 -mode ALL -w 20 -h 20 –nonsym –minhitrate 0.995 –
maxfalsealarm 0.5 –weighttrimming 0.95
với,
-data data/cascade : đường dẫn chứa các file thông số ngõ ra được cập
nhật(false-alarm , hit-rate) của từng tầng huấn luyện (cascade).
Trang 41
-vec data/vector.vec : đường dẫn chứa file vector.vec đã tạo ra ở trên
-bg negative/infofile.txt : đường dẫn đến file chứa các ảnh không tích cực
-npos 466 : số lượng ảnh tích cực (giống khai báo ở phần trên)
-nneg 3125 : số lượng ảnh không tích cực (thông tin các file này được chứa trong
file infofile.txt)
-nstages 24 : số lượng giai đoạn (stage) huấn luyện
-mem 1200 : dung lượng bộ nhớ cần cho quá trình huấn luyện (MB). Máy tính có
bộ nhớ RAM càng nhiều thì quá trình huấn luyện xảy ra càng nhanh.
-nonsym : khai báo các đối tượng huấn luyện là không có tính đối xứng
–minhitrate 0.995 –maxfalsealarm 0.5 –weighttrimming 0.95: là các
thông số quy chuẩn về độ trùng khít (phù hợp – hit rate) tối thiểu, ngưỡng sai (false
alarm) và trọng số huấn luyện (Hình 3.2). Các giá trị trên là mặc định, hoặc có thể
thay đổi tùy theo “độ khó” của đối tượng và số lượng ảnh mẫu.
Hình 3.2: Hình minh họa quá trình học huấn luyện
Trang 42
Ghi chú: các lệnh trên được chạy trong môi trường hệ điều hành Windows và được
đóng gói trong các file thực thi lệnh định dạng “.bat” nhằm dễ chỉnh sửa và thao
tác.
Theo khuyến cáo của Intel [7], máy tính được dùng cho công tác huấn luyện này đòi
hỏi phải có cấu hình mạnh. Vì vậy, học viên thực hiện xây dựng cơ sở dữ liệu sử
dụng máy tính để bàn với CPU Intel Core 2 Duo E6320 2 x 1.86 GHz, RAM 2GB,
HDD 80GB. Với cấu hình máy này thì mỗi một cơ sở dữ liệu (mỗi một file .xml)
được tạo thành tiêu tốn thời gian liên tục hơn 42 tiếng đồng hồ (gần 2 ngày).
Cơ sở dữ liệu định dạng file .xml sau khi xây dựng có dạng như trong Bảng 3.2.
Bảng 3.2: Cấu trúc file cơ sở dữ liệu đặc trưng của đối tượng xe hơi cá nhân
<?xml version="1.0"?>
<opencv_storage>
<car_front_back type_id="opencv-haar-classifier">
<size>
20 20</size>
<stages>
<_>

<trees>
<_>

<_>

<feature>
<rects>
<_>
11 11 1 8 -1.</_>
<_>
11 11 1 4 2.</_></rects>
<tilted>1</tilted></feature>
<threshold>2.1753159817308187e-003</threshold>
Trang 43
<left_val>-0.7307692170143127</left_val>
<right_val>0.4051173031330109</right_val></_></_>
<_>

<_>

<feature>
<rects>
<_>
12 7 12 1 -1.</_>
<_>
12 7 6 1 2.</_></rects>
<tilted>1</tilted></feature>
<threshold>3.6706560058519244e-004</threshold>
<left_val>-0.7052155137062073</left_val>
<right_val>0.2407480031251907</right_val></_></_>
<_>

<_>

<feature>
…
…
3.2.2 Ghi nhận và thử mẫu cơ sở dữ liệu kết quả
Với mỗi cơ sở dữ liệu đã tạo ra, học viên tiến hành kiểm thử nhiều lần để đánh
giá độ tin cậy nhằm ngày càng nâng cao tỉ lệ phát hiện đúng đối tượng. Do đó, mỗi
một cơ sở dữ liệu có thể được xây dựng ít nhất một lần để đánh giá cơ sở dữ liệu
nào là tin cậy nhất để đưa vào hệ thống.
Trang 44
Quá trình thử cơ sở dữ liệu trên ảnh tĩnh nhằm đánh giá tỉ lệ phát hiện đúng
đối tượng tương ứng với đặc trưng chứa trong các file cơ sở dữ liệu “.xml” tương
ứng.
Để kiểm thử cơ sở dữ liệu, dùng lệnh:
objectdetect.exe --cascade="tên_sơ_sở_dữ_liệu" tên_file
3.2.2.1 Đối với xe hơi cá nhân
 Thử nghiệm trên 1 ảnh
Hình 3.3: Minh họa quá trình kiểm thử cơ sở dữ liệu “car_back.xml”
Kết quả cho thấy xe hơi trong ảnh đã được phát hiện đúng, xe được hình chữ nhật màu
xanh bao quanh.
 Thử nghiệm trên nhiều ảnh tĩnh

Bảng 3.3: Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe hơi cá nhân
Trang 45
Trang 46
Trang 47
Trang 48
Trang 49
Tiến hành kiểm thử tập cơ sở dữ liệu với 150 ảnh tĩnh xe hơi. Kết quả là có
142 ảnh được phát hiện đúng đối tượng xe trong ảnh, đạt tỉ lệ ≈ 95%.
Trang 50
3.2.2.2 Đối với xe buýt
Hình 3.4: Minh họa quá trình kiểm thử cơ sở dữ liệu “bus_vn_full_22112008.xml”
Kết quả cho thấy xe buýt trong ảnh đã được phát hiện đúng
Trang 51
Bảng 3.4: Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe buýt
Trang 52
Trang 53
Tiến hành kiểm thử tập cơ sở dữ liệu với 180 ảnh tĩnh xe buýt. Kết quả là có
173 ảnh được phát hiện đúng đối tượng xe trong ảnh, đạt tỉ lệ ≈ 96%.
3.2.2.3 Đối với xe tải
Hình 3.5: Minh họa quá trình kiểm thử cơ sở dữ liệu “truck_vn_26112008.xml”
Kết quả trên được đánh giá là thành công vì đối tượng xe tải trong ảnh đã được phát hiện
đúng.
Trang 54
Bảng 3.5: Kết quả kiểm thử cơ sở dữ liệu đặc trưng xe tải
Trang 55
Trang 56
Trang 57
Tiến hành kiểm thử cơ sở dữ liệu truck_vn_26112008.xml với hơn 120 ảnh
tĩnh. Kết quả có 115 ảnh được phát hiện đúng, tương ứng với tỉ lệ ≈ 96%.
Bảng 3.6: Tổng kết các kết quả kiểm thử CSDL đặc trưng xe
Số lượng ảnh Số lượng ảnh

Tỉ lệ
Loại xe kiểm thử phát hiện đúng
Xe hơi cá nhân 150 142 95%
Xe buýt 180 173 96%
Xe tải 120 115 96%
3.3 TIẾN HÀNH XÂY DỰNG THUẬT TOÁN
3.3.1 Thuật toán phát hiện xe
Nhờ vào sự hỗ trợ của công cụ OpenCV version 1.0 (áp dụng thư viện mã
nguồn mở về thị giác máy tính trên nền .NET) do Intel phát triển, tác giả sử dụng
thuật toán phát hiện đặc trưng đối tượng là Haar-like với các lệnh
“HaarClassifierCascade” và “cvHaarDetectObjects” để thực hiện chức
năng phát hiện xe, sẵn sàng cho bước tiếp theo là tiến hành nhận dạng ra kiểu dáng
xe đó.
3.3.2 Thuật toán nhận dạng kiểu xe
Trong thực tế, khi con người quan sát một chiếc xe đang lưu thông trên đường,
thì ngay lập tức người đó sẽ nhận biết ngay rằng xe đó xe loại gì, có thể được liệt kê
như: xe hơi cá nhân, xe buýt, xe tải,… Đó là do qua kinh nghiệm, người đó đã chủ
động nhận biết được kiểu dáng xe đó từ các nguồn thông tin tin cậy khác nhau trong
quá khứ. Quá trình này có thể cũng được coi như là người đó đã được “huấn luyện
Trang 58
trước” hình dáng đặc trưng của chiếc xe đó. Vì vậy, khi quan sát chiếc xe, lập tức
người đó sẽ biết được loại xe đó là gì.
Tuy vậy, nhưng máy tính thì không thể giống con người, nghĩa là không thể
nhận biết ngay được là có đối tượng xe với hình dáng đặc trưng cần phát hiện trong
vùng thị trường hay không. Vì vậy, để cho máy tính biết được kiểu dáng của từng
loại xe, ta cần phải cho hệ thống biết được các kiểu dáng xe đó từ trước thông qua
quá trình huấn luyện dựa trên các bộ phân loại mà học viên đã thiết lập qua các mẫu
hình đã được chọn lọc kỹ càng. Mỗi một bộ phân loại các hình ảnh mẫu đối tượng
đó, học viên đã gắn một nhãn tương ứng với tên của cơ sở dữ liệu kiểu dáng xe (xe
hơi cá nhân, xe buýt, xe tải, …).
Bộ phân loại kiểu dáng xe này có chức năng như là một cơ sở dữ liệu chứa các
đặc trưng của từng loại xe. Vì vậy, sau này khi một chiếc xe bất kỳ được phát hiện
trong khung hình hay vùng thị trường của camera, thì lập tức nó được so sánh với
hình ảnh và đặc trưng đã có trong cơ sở dữ liệu này. Nếu các đặc trưng là phù hợp
với đặc trưng có trong cơ sở dữ liệu, thì từ đó mới có thể xuất ra được dòng thông
báo tên kiểu dáng xe được nhận dạng trên từng khung chữ nhật bao đối tượng.
Chương trình nhận dạng xe được thể hiện trong Hình 3.6, thể hiện một chu kỳ
làm việc của hệ thống.
Trang 59
BẮT ĐẦU
LOAD ẢNH TỪ
CAMERA
TIỀN XỬ LÝ
LOAD CƠ SỞ DỮ LIỆU
TIỀN LỌC ẢNH

& XỬ LÝ NHIỄU
DÒ TÌM ĐẶC TRƯNG
KHOANH VÙNG
TRÍCH XUẤT THÔNG

TIN ĐỐI TƯỢNG
NHẬN DẠNG ĐẾM ĐỐI ƯỚC LƯỢNG

XE TƯỢNG KHOẢNG CÁCH
KẾT THÚC
Hình 3.6: Sơ đồ khối của chương trình nhận dạng xe
Trang 60
Mã lệnh chương trình thực thi thuật toán nhận dạng được trình bày trong Bảng
3.7.
Bảng 3.7: Mã lệnh điển hình của thuật toán phát hiện và nhận dạng xe hơi
const char* cascade_name4 = "car_front_back.xml";

CvMemStorage* storage1 = cvCreateMemStorage(0);
cascade1 = (CvHaarClassifierCascade*)cvLoad(cascade_name4, 0, 0, 0);
CvSeq* object1 = cvHaarDetectObjects(gray7, cascade1, storage1, 1.05,
2, CV_HAAR_DO_CANNY_PRUNING, cvSize(20,16));
int i1;
for (i1 = 0; i1 < (object1 ? object1->total : 0); i1++)
{
CvRect* r1 = (CvRect*)cvGetSeqElem(object1, i1);
pt1.x = r1->x;
pt1.y = r1->y;
pt2.x = r1->x + r1->width;
pt2.y = r1->y + r1->height;
cvRectangle(display, pt1, pt2, CV_RGB(255,0,0), 2, 8, 0);
cvPutText(display, "car", cvPoint(pt1.x, pt1.y - 4), &font, ...
... CV_RGB(255, 0, 0));
}
3.3.3 Thuật toán ước lượng khoảng cách
Thuật toán này được học viên áp dụng trên từng đối tượng xe được nhận dạng,
và quá trình được diễn ra theo thời gian thực.
Trong thực tế, mắt người khi đang quan sát chiếc xe, thì người đó sẽ có thể
ước lượng được khoảng cách từ người đó đến chiếc xe dựa theo kinh nghiệm. Có
nghĩa là, mắt người bình thường khi quan sát một chiếc xe, thì dựa vào kích thước
của hình ảnh mà mắt thu nhận được sẽ ước lượng được khoảng cách từ người đó
Trang 61
đến chiếc xe. Ví dụ, với cùng một loại xe, với một chiếc ở xa thì hình ảnh quan sát
được sẽ nhỏ hơn so với hình ảnh của một chiếc xe ở gần (Hình 3.7). Chính vì vậy,
việc ước lượng khoảng cách là cần thiết để có thể áp dụng vào các hệ thống quan sát
giao thông thực tế. [1, phần 3.3]
Hình 3.7: Mô hình hóa thuật toán ước lượng khoảng cách
Chính vì lý do đó, nhằm nâng cao chức năng quan sát của camera trong cảnh
quang giao thông, học viên đã tích hợp vào hệ thống thuật toán ước lượng khoảng
cách giữa camera với chiếc xe đang được phát hiện. Thuật toán này được dùng để
ước lượng khoảng cách giữa camera và đối tượng xe hơi dựa vào thông số liên quan
như: chiều dài tiêu cự của camera, thông số quy đổi từ pixel ra milimet tại mặt
phẳng tiêu cự và độ lớn thực tế điển hình của xe. [2, trang 75, phần 4.5]
Hình 3.8: Mô hình camera quan sát trong không gian 3-D [6, trang 27]
Trang 62
Trong thực tế, ước lượng khoảng cách dựa trên cách tính của thị giác máy tính
được ứng dụng rộng rãi và có tầm quan trọng trong các hệ thống quan trắc trực
tuyến hệ thống giao thông nhằm giúp tăng thêm công cụ hỗ trợ cho hệ thống giám
sát giao thông.
Cụ thể, công thức ước lượng khoảng cách theo lý thuyết được tính theo công
thức: [6, trang 26÷ 28] [link 3, chapter 1-2]
X
−x = f ×
Z
X
⇔ Z=f ×
−x
Với,
f : là chiều dài tiêu cự của camera
Z : là chiều dài ước lượng (cần tìm) giữa camera đến đối tượng
X : là kích thước thực tế của đối tượng (đơn vị chiều dài)
x : là kích thước ảnh của đối tượng (pixel)
Trong thực tế, khoảng cách ước lượng còn cần một thông số quy đổi đơn vị
pixel ra mm trong mặt phẳng tiêu cự chor hoặc cvert . [2, trang 75]
Công thức ước lượng khoảng cách được sử dụng trong luận văn là:
W
Z hor = chor × f × (công thức được sử dụng chính)
w
H
hoặc Z vert = cvert × f ×
h
Do tính đồng nhất, ít biến đổi về mặt kích thước chiều ngang thực tế của mỗi
loại xe; nên trong luận văn, học viên chỉ thực hiện áp dụng công thức ước lượng
khoảng cách dựa theo chiều ngang Z hor .
Với,
Z : (mm), là chiều dài ước lượng (cần tìm) giữa camera đến đối tượng.
Trang 63
chor , cvert : là tham số chuyển đổi từ pixel thành milimet, theo hướng ngang
hoặc thẳng đứng.
f : (mm), là chiều dài tiêu cự của camera.
W, H : (m), là chiều rộng ngang hoặc chiều cao thực tế điển hình của loại xe
quan sát.
w, h : (pixel) là chiều rộng ngang hoặc chiều cao trong ảnh quan sát của xe.
Trong quá trình thực hiện luận văn, học viên cũng đã tiến hành kiểm chứng
thực nghiệm lại công thức này và nhận được kết quả ước lượng khoảng cách camera
đến xe là khá chính xác, với mức độ sai số chấp nhận được.
Mã lệnh thực thi thuật toán ước lượng khoảng cách được ghi trong Bảng 3.8.
Bảng 3.8: Mã lệnh thực hiện thuật toán ước lượng khoảng cách
double Z1;
c_hor = m_chor; // m_chor nhap tu khung edit box
c_vert = m_cvert; // m_cvert nhap tu khung edit box
f = m_focal; // mm, focus length = 2m
W1 = m_car_width; // mm, typical car 's width
H1 = m_car_height;
w1 = pt2.x - pt1.x; // pixel, object 's width
Z1 = (c_hor * f * W1) / w1; // khoang cach tinh theo chieu ngang
CString dist1;
dist1.Format("%0.1f", Z1/1000); // chia 1000 doi mm->m
cvPutText(display, dist1 + "m", cvPoint(pt1.x, pt2.y + 14),&font, ...
... CV_RGB(255,0,0)); // đơn vị mét
Trang 64
Hình 3.9: Minh họa kết quả ước lượng khoảng cách
Chú thích: Khoảng cách của mỗi xe xuất hiện trong khung hình được ghi ngay bên dưới
khung hình chữ nhật bao đối tượng xe đó.
3.3.4 Thuật toán đếm số lượng đối tượng
Thuật toán này được học viên áp dụng cho từng khung hình quan sát cảnh
quang giao thông nhằm đếm số lượng từng loại mẫu xe đã được nhận dạng. Phương
pháp đếm này sẽ cho ra kết quả là số lượng các đối tượng tức thời có trong khung
hình nhằm đánh giá mức độ ổn định của thuật toán phát hiện đối tượng.
Mã lệnh thực thi thuật toán đếm số lượng đối tượng được ghi trong Bảng 3.9.
Trang 65
Bảng 3.9: Mã lệnh thực hiện thuật toán đếm xe
// mã lệnh thuật toán đếm xe theo phân loại

CString count1;
count1.Format("%d", object1->total);
cvPutText(display,count1+"cars",cvPoint(5,220),&font,CV_RGB(255,0,0));
Hình 3.10: Minh họa kết quả đếm số lượng xe có trong khung hình
Chú thích: Kết quả đếm số lượng mỗi loại xe được hiển thị trong mục “COUNTING
RESULTS”
Trang 66
3.4 TIẾN HÀNH XÂY DỰNG PHẦN MỀM
3.4.1 Chuẩn bị hệ thống và các công cụ lập trình thích hợp
Môi trường xây dựng chương trình phát hiện và nhận dạng là:
• Máy tính chạy trên hệ điều hành Windows XP.
• Máy tính có cài bộ Visual Studio 2003 Professional Edition, có tích hợp
.NET Framework version 1.1.
• Sử dụng ngôn ngữ lập trình Visual C++, Visual C#.
• Cài đặt bộ ngôn ngữ thị giác máy tính OpenCV 1.0 (C++) và SharperCV
(C#).
Các lệnh trong của Thị giác máy tính được tích hợp trong chương trình chạy
trên nền .NET Framework nhờ vào các thư viện headfile dạng thư viện .lib ; dạng
headfile .h và .hpp.
3.4.2 Tổ chức chương trình phần mềm hệ thống
CHƯƠNG TRÌNH HỆ THỐNG
ƯỚC LƯỢNG
GIAO TIẾP TRÍCH XUẤT
DÒ TÌM XE KHOẢNG CÁCH,
CAMERA THÔNG TIN
ĐẾM SỐ LƯỢNG ,...
Hình 3.11: Sơ đồ khối tổ chức phần mềm hệ thống
Hệ thống chương trình thực hiện các tác vụ:

• Xử lý chuỗi ảnh video đầu vào.
Trang 67
• Thực thi thuật toán Haar để phát hiện xe.

• Tiến hành nhận dạng kiểu dáng xe dựa theo đặc trưng đã có trong cơ sở dữ
liệu.
• Thực thi các tác vụ bổ trợ khác (đếm thời gian phát hiện đối tượng, ước
lượng khoảng cách, đếm số lượng từng loại xe, …).
• Hiển thị thông tin và các thông số theo thời gian thực lên màn hình và giao
diện.
FILE VIDEO
CAMERA
.AVI
Nguồn hình ảnh

đầu vào
Hình ảnh
Máy tính PC
hoặc laptop
CHƯƠNG TRÌNH HỆ THỐNG
Mã lệnh Mã lệnh
PHÁT HIỆN VÀ TRÍCH XUẤT THÔNG TIN

NHẬN DẠNG XE ĐỐI TƯỢNG XE
Kết quả Kết quả
Kết quả & thông

tin ngõ ra
HIỂN THỊ THÔNG SỐ

HIỂN THỊ DẠNG XE
LIÊN QUAN
Hình 3.12: Sơ đồ khối hệ thống hoàn chỉnh tổ chức phần mềm hệ thống
Hệ thống phần mềm được thực hiện dựa trên hai phần chính:
Trang 68
 Xử lý chuỗi ảnh video nhận được và phát hiện đặc trưng đối tượng xe
dựa trên thuật toán Haar.
 Trích xuất thông tin & dữ liệu của xe có trong ảnh để ước lượng các
thông số liên quan.
3.4.3 Sử dụng thuật toán Haar-like phối hợp với các mã lệnh trên Visual C++
Chương trình sử dụng công cụ OpenCV 1.0 chạy trên nền Visual C++.NET
2003 để phát hiện xe hơi trong ảnh được mô tả như trong Hình 3.13.
Hình 3.13: Mô tả hệ thống phát hiện xe dùng thuật toán Haar
Sau khi phát hiện xe, sẽ tiến hành nhận dạng và khoanh vùng đối tượng xe
được nhận dạng. Các xe được phát hiện sẽ được học viên thực hiện khoanh vùng
đối tượng trong hình chữ nhật để thuận tiện hơn trong các xử lý về sau.
3.4.4 Hoạt động của phần mềm
Trang 69
Các bước hoạt động của chương trình được trình bày tóm tắt như sau (xem
chương trình có ghi kèm trong đĩa CD để thêm thông tin chi tiết)
a) Thu nhận tín hiệu hình ảnh
• Từ camera
capture = cvCaptureFromCAM(CV_CAP_ANY);
• Từ file video
capture = cvCaptureFromFile("MVI_1324.AVI");
b) Phát hiện xe
Dùng lệnh CvHaarClassifierCascade để phát hiện xe
const char* cascade_name1 = "car_frontal_back.xml";

cascade1 = (CvHaarClassifierCascade*)cvLoad(cascade_name1,0,0,0);
CvSeq* object1 = cvHaarDetectObjects(gray4, cascade1, storage, ...
... 1.05, 2, CV_HAAR_DO_CANNY_PRUNING, cvSize(20,20));
CvRect* car = (CvRect*)cvGetSeqElem(object1, i);
Với “car_frontal_back.xml” là file cơ sở dữ liệu chứa các đặc trưng của

nhóm phân loại xe hơi cá nhân đã được huấn luyện của xe với góc nhìn ở phía đuôi
xe.
c) Dùng khung hình chữ nhật bao quanh đối tượng được phát hiện
Với mỗi dạng xe được phát hiện và nhận dạng, dùng hình chữ nhật bao bao
quanh đối tượng. Ứng với mỗi dạng xe thì có màu sắc hình chữ nhật khác nhau.
pt1.x = r1->x;
Trang 70
pt1.y = r1->y;
pt2.x = r1->x + r1->width;
pt2.y = r1->y + r1->height;
cvRectangle(display, pt1, pt2, CV_RGB(255,0,0), 2, 8, 0);
d) Hiển thị dòng chữ tên nhận dạng của phân loại xe được phát hiện
Tên của phân loại xe được nhận dạng được ghi ngay trên khung hình chữ nhật
bao quanh đối tượng để giúp người thực hiện dễ dàng theo dõi.
Tác vụ này là quan trọng giúp cho người tác giả thấy được kết quả nhận dạng
xe.
// hiển thị tên nhận dạng xe

cvPutText(display, "tên_phân_loại_xe", cvPoint(pt1.x, pt1.y), &font,
... CV_RGB(255,0,0));
e) Hiển thị khoảng cách của camera tới xe
Tương tự như bước hiển thị dòng chữ tên nhận dạng, khoảng cách từ camera
đến xe và vận tốc được ghi ngay trên khung hình chữ nhật bao đối tượng.
// hiển thị khoảng cách mỗi xe tới camera, đơn vị là mét

cvPutText(display, dist + "m", cvPoint(pt1.x, pt2.y),&font, ...
... CV_RGB(255, 0, 0));
Trang 71
f) Hiển thị số lượng các đối tượng xe riêng biệt
Thông tin về số lượng tức thời hiện có trong khung hình các loại xe được đếm
và hiển thị theo thời gian thực, được hiển thị tại một vị trí cố định trên cửa sổ
video.
// hiển thị số lượng từng loại xe

cvPutText(display, "obj. count = " + count, cvPoint(5,15), &font, ...
... CV_RGB(255, 0, 0));
3.4.5 Giao diện của chương trình phần mềm hệ thống
Giao diện của chương trình phát hiện, nhận dạng đối tượng xe như trong Hình 3.14.
Hình 3.14: Giao diện chương trình nhận dạng xe
Trang 72
Chú thích
- Mục “RECOGNITION”: thực hiện tác vụ dò tìm và nhận dạng xe.
- Mục “TASKS”: thực hiện các tác vụ đánh số thứ tự các xe cùng dạng, hiển thị thời gian
nhận dạng, thực hiện ước lượng khoảng cách, và thực hiện đếm số lượng từng loại xe xuất
hiện trong khung hình.
- Mục “COUNTING RESULTS”: hiển thị kết quả đếm xe đã nhận dạng.
- Mục “CAMERA PARAMETERS”: cho phép điều chỉnh thông số của camera hoặc thông
số của file video (.AVI).
- Mục “DIMENSIONS”: cho phép điều chỉnh độ rộng (hoặc cao) thực tế điển hình của
từng loại xe CAR, BUS, và TRUCK.
3.5 HỆ THỐNG PHẦN CỨNG VÀ CÁC CÔNG CỤ LIÊN QUAN
3.5.1 Camera
Camera sử dụng trong luận văn là camera kỹ thuật số Nikon E4300 (4 megapixel)
Hình 3.15: Mẫu camera được sử dụng trong luận văn
Camera này dùng để ghi hình cảnh quang giao thông nhằm hỗ trợ cho quá
trình thực hiện luận văn.
Ngoài ra, camera này cũng được học viên dùng để chụp ảnh tĩnh các xe dùng
làm mẫu huấn luyện.
Trang 73
3.5.2 Máy tính cá nhân và các công cụ phần mềm
• Máy tính sử dụng trong luận văn với mục đích làm nền tảng huấn luyện tạo
dựng cơ sở dữ liệu đặc trưng các đối tượng xe.
• Đồng thời, máy tính được cài đặt OpenCV, Visual Studio .NET và nền tảng
lập trình .NET Framework.
Trang 74
CHƯƠNG 4
KẾT QUẢ - NHẬN XÉT VÀ

PHÂN TÍCH
4.1 KẾT QUẢ
 Về mặt ánh sáng

Trong môi trường ánh sáng ngoài trời tại thực địa cảnh quang giao thông,
bình thường với cường độ khoảng 300 ÷ 400 lux, hiệu quả phát hiện xe là
khá tốt.
 Về mặt không gian

Các xe khi quan sát với nhiều góc độ khác nhau theo các phương x, y, z trong
khoảng ± 30o vẫn phát hiện tốt. (Bảng 4.1)
Kết quả thực thi hệ thống
Bảng 4.1: Các kết quả xử lý nhận dạng

Bảng 4.1a: Kết quả xử lý nhận dạng xe buýt
Trang 75
Trang 76
Trang 77
Trang 78
Trang 79
Trang 80
Trang 81
Trang 82
Trang 83
Bảng 4.1b: Kết quả xử lý nhận dạng xe hơi cá nhân
Trang 84
Trang 85
Trang 86
Trang 87
Trang 88
Trang 89
Trang 90
Bảng 4.1 c: Kết quả xử lý nhận dạng xe tải
Trang 91
Bảng 4.2: Kết quả xử lý nhận dạng xe tổng hợp
Chú thích các hình trong Bảng 4.1a, b, c và Bảng 4.2

• Mỗi xe hơi cá nhân được nhận dạng sẽ được khoanh vùng bằng hình chữ nhật màu
đỏ. Tương tự cho xe buýt với khung chữ nhật màu xanh, xe tải với khung chữ nhật
màu vàng.
• Các xe xuất hiện trong hình được đánh số thứ tự (0, 1, …) từ thấp đến cao phụ
thuộc vào thứ tự thời gian xuất hiện trước – sau trong khung hình.
• Mỗi một xe sau khi được phát hiện sẽ được ước lượng khoảng cách từ xe đó đến
camera ghi hình. Khoảng cách được ghi bên dưới mỗi khung chữ nhật bao đối
tượng (đơn vị mét).
• Tổng số lượng xe xuất hiện tức thời trong khung hình được đếm và ghi ngay lập
tức lên khung báo trên giao diện (Mục COUNTING RESULTS).
Do trong quá trình sưu tầm hình ảnh giao thông tại thực địa, ít có các tình
huống 2 hoặc 3 loại xe xuất hiện cùng lúc trong khung hình nên ảnh chụp màn hình
không thể có nhiều các tình huống đó được.
Trang 92
Kết quả đánh giá độ chính xác trong nhận dạng xe trong ảnh động (video)
dùng phần mềm của luận văn so với nhận định cảm quan của học viên (mắt người)
được ghi trong Bảng 4.3.
Bảng 4.3: Đánh giá độ chính xác trong nhận dạng của phần mềm luận văn
Số lượng xe Số lượng xe
Tỉ lệ
Loại xe kiểm thử nhận dạng đúng
Xe hơi cá nhân 47 43 91.5%
Xe buýt 50 48 96%
Xe tải 7 5 71.4%
Hệ thống vẫn có thể phát hiện xe đến khi xe còn kích thước tối thiểu quy định
trong dòng mã lệnh phát hiện.
4.2 NHẬN XÉT
4.2.1 Ưu điểm
• Hệ thống vẫn hoạt động tốt ở điều kiện thử nghiệm cho phép.
• Trên cơ sở hệ thống đã hoàn tất, có thể phát triển, mở rộng thêm với nhiều
ứng dụng hữu ích và lý thú khác phục vụ công tác học tập, nghiên cứu sâu
hơn và ứng dụng thực tiễn.
4.2.2 Khuyết điểm
Trong quá trình thực hiện, luận văn cũng có những thiếu sót mang tính khách
quan và chủ quan:
4.2.2.1 Chủ quan
Trang 93
• Do khó khăn về cơ sở dữ liệu: Tư thế xe trong ảnh càng nghiêng theo các
hướng bất kỳ thì quá trình xây dựng cơ sở dữ liệu từ quá trình máy tính học
huấn luyện kết quả không tốt, khiến cho hệ thống hoạt động không ổn định.
• Hệ thống hiện tại chưa đáp ứng được tính chính xác và ổn định cao trong tác
vụ phát hiện đối tượng có sự biến chuyển của môi trường ngoại cảnh, ví dụ
như có sự thay đổi về thuộc tính về màu sắc, tư thế quan sát của đối tượng,
cường độ sáng, độ phức tạp của nền ảnh.
• Còn nhiều thiếu sót trong khâu chuẩn bị ảnh mẫu nhằm phục vụ tác vụ huấn
luyện.
• Tuy nhiên, hệ thống không tránh khỏi lỗi phát hiện sai đối tượng do bị chói
sáng, ngược sáng, xe bị che khuất bởi các đối tượng không mong muốn khác
(xe máy, một phần của xe khác, cây cối,…). Thực tế cho thấy, hình ảnh thí
nghiệm (tập tin video) được ghi hình trong thời gian từ 7 giờ sáng đến 4 giờ
chiều cho kết quả nhận dạng tốt hơn các thời gian còn lại. Điều này được giải
thích từ độ sáng đủ hoặc ánh nắng góp phần làm rõ đối tượng hơn so với nền
ảnh và làm tăng thêm đặc trưng để nhận dạng.
4.2.2.2 Khách quan
Yếu tố khách quan bao gồm các vấn đề khó khăn trong khi xây dựng hệ thống.
Trang 94
a) Các khó khăn về phương pháp
Đa số các hướng tiếp cận phát hiện vật thể, đặc biệt là xe một cách tự động
hiệu quả nhất hiện nay thường dựa vào việc tìm ra mô hình hoặc bộ phân lớp hoặc
một cơ sở dữ liệu đặc tả tốt nhất hình dáng một chiếc xe. Việc hệ thống có khả năng
hoạt động tốt trong bất kỳ tình huống, điều kiện thu nhận ảnh nào trong bất kỳ tình
huống nào với các tư thế quan sát xe khác nhau là cực kỳ khó khăn, mặc dù đối với
con người, việc này là hoàn toàn đơn giản trong đa số các trường hợp thông thường.
Từ định nghĩa cụ thể cho từng kiểu hình dáng của một chiếc xe cho đến cách
tiếp cận để phát hiện và nhận dạng được xuất phát từ nhiều đặc điểm, với các lý do
sau đây [9, trang 13÷ 15] [12, trang 410÷ 411]:
 Hình dáng xe: hình dáng xe hơi có thể nói là đa dạng cũng như phức tạp đối
với người quan sát hoặc đối với thuật toán phát hiện và nhận dạng. Bên cạnh
đó sự đa dạng về màu sắc cũng là một thách thức đối với quá trình thực hiện
tác vụ phát hiện xe trong cảnh quang giao thông. Ngoài ra, xe còn có tính đa
dạng về hình dáng bên ngoài. Các xe có chức năng khác nhau thì có hình
dáng khác nhau. Ví dụ xe hơi cá nhân (4 hoặc 6 chỗ ngồi) có các đặc trưng
về nắp capô trước và sau (có thể một số dòng xe không có capô sau), xe buýt
thì có chiều cao đặc trưng và phía sau không có nắp capô cũng như là không
có gờ nổi đặc trưng giống như ở xe hơi cá nhân.
Trong một số trường hợp đặc biệt xe được thêm các chi tiết màu sơn, biển
quảng cáo gắn thêm trên xe, các xe bị biến đổi về mặt hình thức dẫn đến sự
biến dạng hoặc che lấp các đặc điểm đặc trưng của xe đều là những khó khăn
trong quá trình xử lý phát hiện.
Trang 95
 Tư thế xe và góc độ quan sát: hệ thống có thể phát hiện ra đối tượng xe trong
cảnh quang giao thông hay không, còn phụ thuộc vào góc độ quan sát và vị
trí đặt camera quan sát xe đó. Xe được nhìn chính diện từ phía trước hoặc
phía sau là các vị trí chứa nhiều thông tin đặc trưng về xe nhất, từ đó camera
gắn với máy tính mới thu thập nhiều thông tin đặc trưng nhất về xe và được
xem là ảnh chuẩn khi huấn luyện để tạo lập cơ sở dữ liệu hoặc để áp dụng
cho tác vụ phát hiện sau này.
Các đặc điểm đặc trưng của xe hầu hết nằm ở phía trước – sau và bên hông
của chiếc xe, nơi mà các kính chắn gió, cửa sổ hông, đèn chiếu trước – sau
đều có mối tương quan tỉ lệ về kích thước, vị trí tương đối của chúng với
nhau.
Tuy nhiên, với tư thế quan sát xe nhìn nghiêng, nhìn từ trên xuống hoặc kết
hợp của các tư thế kể trên vẫn chứa được một phần thông tin đặc trưng của
đối tượng đủ để làm căn cứ cho quá trình phát hiện sau này.
 Sự có mặt của đối tượng khác: các đối tượng xe cần quan sát khi xuất hiện
trong ảnh có thể bị các vật thể khác che chắn một phần hoặc toàn phần, ví dụ
như cây cối, các xe khác, con người,… làm thiếu thông tin đối tượng, kết quả
phân tích, và kết quả phát hiện xe sẽ bị ảnh hưởng ít nhiều.
 Điều kiện ghi nhận ảnh: sự xuất hiện của xe trong các điều kiện chiếu sáng
khác nhau (bao gồm kiểu chiếu sáng, cường độ sáng và màu sắc của nguồn
sáng) cũng như các đặc tính của hệ thống thu thập dữ liệu ảnh (camera, máy
ảnh, hệ thống gương phản xạ, thấu kính, …) góp phần ảnh hưởng không nhỏ
đến kết quả phát hiện xe của hệ thống.
Trang 96
 Nền ảnh và điều kiện của môi trường ghi nhận ảnh: hai vấn đề này là đáng
được qua tâm bởi sự ảnh hưởng của nó đến quá trình phát hiện là không nhỏ.
Khi nền ảnh càng chứa nhiều thành phần (bao gồm nhiều chi tiết rối rắm,
màu sắc, hình dáng phức tạp giống với đối tượng – nhưng không phải đối
tượng - , …) hoặc môi trường không đồng nhất về ánh sáng (ngược sáng, ảnh
bị bóng râm che một phần hoặc toàn phần lên đối tượng) hoặc sự biến đổi
liên tục, xuất hiện rồi biến mất quá nhanh, nhanh hơn tốc độ ghi hình của
camera, thì vấn đề phát hiện càng thêm khó khăn và phức tạp.
 Những yếu tố nêu trên vẫn có giá trị với trường hợp “ảnh” thu được nhờ vào
các phương phát phát hiện khác với hướng tiếp cận khác để thu được kết quả
tin cậy. Khi đó, phụ thuộc và thuộc tính riêng của loại “nguồn sáng” này mà
người ta sẽ sử dụng thêm các phương pháp xử lý mới.
 Sự biến đổi – xuất hiện liên tục và quá nhanh – nhanh hơn tốc độ ghi hình
của camera thì vấn đề phát hiện càng thêm khó khăn và phức tạp. Một số xe
đột ngột xuất hiện trong khung ảnh cũng như biết mất khỏi tầm thị trường
của camera là một trong những khó khăn khó có thể tránh khỏi trong quá
trình thực thi hệ thống. Trong trường hợp này, yêu cầu các xe quan sát phải
có thời gian xuất hiện trong tầm thị trường của camera ít nhất vài giây để
camera có thể quan sát tốt và thực hiện tác vụ phát hiện và nhận dạng.
b) Các khó khăn về tốc độ thực thi và tốc độ hệ thống
Việc lựa chọn cách giải quyết sao cho hệ thống phát hiện bám theo đối tượng
trong phạm vi thị trường của camera, điều kiện cho phép là tốt nhất là một thử thách
khi đã có nhiều cách và phương pháp tiếp cận khác nhau. Bên cạnh đó còn phải kể
đến sự trả giá cho công nghệ (hiệu quả cao nhưng bù lại tốc độ chậm và ngược lại).
Trang 97
4.3 PHÂN TÍCH KẾT QUẢ ĐẠT ĐƯỢC
Với các ưu điểm và khuyết điểm vừa nêu, sau đây là một số hướng giải quyết
khả thi:
 Sau một thời gian tìm hiểu, một vài cách khắc phục lia góc máy (khi ghi hình
video) có thể được khắc phục bằng cách bổ sung các tính năng: cân chỉnh
biểu đồ màu histogram (xử lý cân bằng độ sáng) để có ảnh thích hợp rồi mới
cho chương trình xử lý phát hiện đối tượng trong ảnh. Nhưng nếu bổ sung
tính năng này thì tốc độ đáp ứng của hệ thống sẽ bị giảm rõ rệt. Đó có thể gọi
là sự trả giá để đổi lại cho tính năng tốt.
 Về vấn đề tốc độ hoạt động chung của hệ thống, do phụ thuộc vào nhiều yếu
tố như: tốc độ của thiết bị thu nhận (tốt nếu như tiếp nhận được nhiều hơn 15
khung hình trong một giây); tốc độ phân tích ảnh; tốc độ xử lý và ra quyết
định và tốc độ dịch chuyển của của đối tượng cần phát hiện có trong ảnh…
nên nhìn chung sẽ có nhiều vấn đề cần xem xét thêm tùy vào hướng phát
triển và ứng dụng cụ thể của hệ thống.
 Tính hiệu quả của hệ thống có thể được cải thiện tốt hơn bằng cách lập trình
linh hoạt hơn và tối ưu về mã code, có tính đến các ưu tiên và xử lý tốt các
tình huống sự cố ngoài ý muốn (ngoại cảnh,…), không loại trừ xét đến các số
liệu ghi nhận và thống kê để góp phần khắc phục và hoàn thiện hệ thống.
Trang 98
CHƯƠNG 5
KẾT LUẬN
5.1 KẾT QUẢ ĐẠT ĐƯỢC VÀ Ý NGHĨA
Qua quá trình nghiên cứu, thử nghiệm, và thực hiện đề tài trong thời gian cho
phép với những công cụ lập trình hỗ trợ, học viên đã hoàn thành hệ thống phát hiện
và nhận dạng đối tượng xe với các kết quả cụ thể.
5.1.1 Kết quả đạt được
• Lựa chọn và thực hiện thành công phương pháp phát hiện và nhận dạng xe
với nhiều phương pháp khác nhau đã và đang được nghiên cứu phát triển -
với Visual C++ là ngôn ngữ lập trình mới, theo xu hướng phát triển phần
mềm trên nền tảng .NET Framework phiên bản 1.1 và cao hơn.
• Phối hợp tương đối tốt giữa ngôn ngữ lập trình trên Visual C++ .NET của
Thị giác máy tính với lý thuyết Xử lý ảnh số.
• Tiếp cận thành công các thuật toán Xử lý quang học trong việc ước lượng và
định lượng các thông số trực tuyến của tình trạng giao thông.
Trang 99
• Là cơ hội tốt mà qua đó học viên đã có những tìm hiểu thêm về lĩnh vực xử
lý ảnh số, thị giác máy tính và cách ứng dụng vào thực tế quan sát đối tượng
xe trong cảnh quang giao thông.
5.1.2 Ý nghĩa
• Mô hình hóa được ở mức cơ sở hệ thống quan trắc trực tuyến hệ thống giao
thông sử dụng camera và các công cụ lập trình tiên tiến kèm theo. Từ đó,
người thực hiện có thể dễ dàng tiếp cận được phương thức quản lý và hiệu
chỉnh tình trạng giao thông ở mức hợp lý, phù hợp hơn với ngữ cảnh giao
thông trong nước.
• Hệ thống có thể được phát triển thêm ở cấp độ cao hơn với cách bố trí lệnh
code hợp lý hơn nhằm tăng tốc độ cho hệ thống, bên cạnh đó cũng phải đảm
bảo độ tin cậy và chính xác cho hệ thống, nhằm đáp ứng được nhu cầu
nghiên cứu học thuật và áp dụng nó trong thực tế.
• Hệ thống hóa phương pháp phát hiện và nhận dạng đối tượng nói chung và
đối tượng xe nói riêng sẽ tạo bước phát triển mới cho phương thức quan trắc
giao thông theo hướng hiện đại. Có thể triển khai ở điều kiện giao thông
trong nước, từ đó nâng cao khả năng điều tiết giao thông như các nước có
trình độ cao hơn đã và đang thực hiện.
5.2 HƯỚNG PHÁT TRIỂN
• Có những đối tượng khác nhau trong một số tình huống khác nhau mà ta có
thể chọn lựa phương pháp nhận biết sao cho phù hợp giữa hai phương pháp
nhận dạng dựa trên hình dáng của vật thể hoặc nhận biết theo màu sắc. Tuy
Trang 100
nhiên, có sự kết hợp phù hợp từ hai phương pháp trên dựa vào ảnh thu được
từ camera sẽ giúp hệ thống cải thiện đáng kể khả năng phát hiện đúng đối
tượng, từ đó nâng cao độ tin cậy cho hệ thống.
• Hệ thống cũng có thể phát triển theo hướng nhận dạng đối tượng (object
recognition), nghĩa là khi nhận dạng được hình dáng xe, sẽ tiếp tục “huấn
luyện” trực tuyến để tiếp tục trích xuất ra những đặc trưng chỉ có đối tượng
xe đó mới có (có thể dựa vào bảng số xe, vết lồi lõm riêng,…). Từ đó tiếp tục
quan sát và nhận dạng bám theo đối tượng xe đó. Việc nhận dạng bám theo
xe này trong môi trường giao thông “hỗn loạn” sẽ là một vấn đề thú vị có
nhiều ứng dụng.
• Hệ thống cũng có thể được lập trình theo hướng tích hợp trên vi mạch sử
dụng ngôn ngữ lập trình hệ thống nhúng, hệ thống tích hợp trên vi mạch
(SoC - System on Chip),… sẽ là một ứng dụng mang tính linh hoạt hơn. Bởi
vì khi đó hệ thống không còn nhất thiết phải chạy trên nền tảng máy tính
- .NET Frameworks và các máy tính nữa. Được như vậy, thì đề tài sẽ có tính
ứng dụng linh hoạt cao hơn vào các lĩnh vực thực tế cuộc sống và các hoạt
động đảm bảo an toàn giao thông cho cả hệ thống giao thông cũng như từng
cá thể xe riêng biệt đang tham gia lưu thông trên hệ thống giao thông đó.
• Theo nhận định của bản thân học viên, thì đây là một lĩnh vực hay, lý thú, có
nhiều ứng dụng thực tế và bên cạnh đó vẫn còn nhiều vấn đề cần hoàn thiện
thêm. Vì khả năng thực hiện có hạn và thời gian không nhiều cho luận văn
nên không tránh khỏi sơ sót và nhầm lẫn. Xin Quý Thầy Cô và các anh chị
học viên cũng như các bạn thông cảm. Mong rằng với những ai ham thích và
có hứng thú với hướng nghiên cứu này có thể chia sẻ với học viên để cùng
nhau tiếp tục tìm hiểu, phát triển thêm để nâng cao tính hữu dụng thực tế cho
Trang 101
đề tài. Đó cũng là một trong những mục tiêu chủ chốt và là lợi ích của ngành
học này.
Lời cuối cùng kết lại nội dung quyển luận văn này, học viên xin chân thành cám ơn
đến tất cả các thầy cô, các anh và các bạn đã quan tâm theo dõi.
Trang 102
PHẦN C
PHỤ LỤC
Trang 103
TÀI LIỆU THAM KHẢO VÀ TRÍCH DẪN
[1] Jaesik Choi. Realtime On-Road Vehicle Detection with Optical Flows and Haar-like
feature detector. Computer Science Department ‘s paper report, 2000.
[2] Margrit Betke, Esin Haritaoglu. Real Time Multiple Vehicle Detection and Tracking
from a moving vehicle. Machine Vision and Applications, Springer, 2000.
[3] Vadim Pisarevsky. OpenCV Object Detection Theory and Practice. Intel Corporation,
Software and Solutions Group.
[4] Rainer Lienhart, Alexander Kuranov, Vadim Pisarevsky. Empirical Analysis of
Detection Cascades of Boosted Classifiers for Rapid Object Detection. MRL
Technical Report, December 2002.
[5] Yali Amit. 2D Object Detection and Recognition, Models, Algorithms, and Networks.
The MIT Press, 306 pages, 2002.
[6] Emanuele Trucco, Alessandro Verri. Introductory for Techniques for 3-D Computer
Vision. Prentice Hall, 341 pages, 2002.
[7] Florian Adolf. How to build a cascade of boosted classifiers based on Haar-like
features. 2003.
[8] Intel Corporation. OpenCV with Visual C++.NET 2003. OpenCV user guide.
[9] Julien Meynet. Fast Face Detection Using AdaBoost. 95 pages, 16th July 2003.
[10] Paul Viola, Michael Jones. Rapid Object Detection using a Boosted Cascade of
Simple Features . 2001
[11] Qing Chen. Real-time Vision-based Hand Gesture Recognition Using Haar-like
Features - Technology Conference, IMTC 2007.
[12] David A. Forsyth & Jean Ponce. Computer Vision: A Modern Approach. Prentice
Hall, 693 pages, 2003.
Trang 104
CÁC WEBSITE THAM KHẢO
[link 1] Intel OpenCV Group

http://www.intel.com/research/mrl/research/opencv/
[link 2] SharperCV
http://www.cs.ru.ac.za/research/groups/SharperCV/bin/SharperCV.msi
[link 3] Camera Calibration

Introduction & Chapter 1: Camera Models and Calibration
http://safari.oreilly.com/9780596516130/camera_model
Chapter 2: Calibration
http://safari.oreilly.com/9780596516130/calibration
Chapter 3: Undistortion
http://safari.oreilly.com/9780596516130/undistortion
Chapter 4: Putting Calibration All Together

http://safari.oreilly.com/9780596516130/putting_calibration_all_together
Chapter 5: Rodrigues Transform

http://safari.oreilly.com/9780596516130/rodrigues_transform
Chapter 6: Exercises
http://safari.oreilly.com/9780596516130/exercises-id010
Trang 105

LVTN Full Final

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

LVTN Full Final

Uploaded by

Copyright:

Available Formats

MỤC LỤC

TÀI LIỆU THAM KHẢO & TRÍCH DẪN

LIỆT KÊ CÁC HÌNH

Hình 3.1 : Minh họa quá trình lấy mẫu

LIỆT KÊ CÁC BẢNG

Bảng 4.1 : Các kết quả xử lý nhận dạng

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Giáo Viên Hướng Dẫn Chủ Nhiệm Ngành Bộ Môn

Trường Đại học Bách Khoa Tp. Hồ Chí Minh

LÝ LỊCH TRÍCH NGANG

Họ và tên : VÕ HỒNG PHONG

QUÁ TRÌNH ĐÀO TẠO:

QUÁ TRÌNH CÔNG TÁC:

In this thesis, issues named “Vehicles Detection and Recognition Based on

TÓM TẮT LUẬN VĂN THẠC SĨ

Nội dung luận văn gồm 5 chương:

Chương 1: Giới thiệu tổng quan

GIỚI THIỆU TỔNG QUAN

1.1 GIỚI THIỆU

1.2 MỤC ĐÍCH NGHIÊN CỨU

1.3 CÁC ĐỀ TÀI ĐÃ NGHIÊN CỨU VÀ HƯỚNG NGHIÊN CỨU ĐỀ NGHỊ

1.4 TỔNG QUAN VỀ PHÁT HIỆN VÀ NHẬN DẠNG XE

1.4.1 Phát hiện xe

1.4.2 Nhận dạng xe

1.5 LÝ DO THỰC HIỆN ĐỀ TÀI

1.6 MỤC TIÊU ĐỀ TÀI

1.7 NHIỆM VỤ LUẬN VĂN

1.7.1 Phạm vi thực hiện

1.7.2 Dự kiến các lĩnh vực ứng dụng của đề tài

 Giám sát an ninh

2.1 CÁC PHƯƠNG PHÁP PHÁT HIỆN HÌNH ẢNH XE

2.1.1 Phát hiện dựa trên ảnh

 Phương pháp EigenObjects (PCA)

2.1.2 Phát hiện dựa trên dạng hình học

 Các phương pháp Bottom – Up

2.2 PHƯƠNG PHÁP ĐƯỢC SỬ DỤNG TRONG LUẬN VĂN

Hình 2.1a: Các đặc trưng cạnh

Hình 2.1b: Các đặc trưng đường

Hình 2.1c: Các đặc trưng bao quanh tâm

Hình 2.1d: Đặc trưng đường chéo

Hình 2.2: Ảnh chia nhỏ tại tọa độ (x,y)

Tổng các giá trị pixel trong vùng “A”:

2.2.2 Vùng đặc trưng và Số lượng đặc trưng

2.2.3 Thuật toán tăng tốc AdaBoost

Tập huấn luyện Bộ phân

Hình 2.5: Lược đồ cơ bản của AdaBoost

Hình 2.6: Thuật toán học AdaBoost

• Tăng tốc thích nghi rời rạc (Discrete AdaBoost – DAB)

2. Khởi tạo: d n(1) =1 / N cho tất cả n = 1, …, N

(d) Cập nhật các trọng số:

Discrete AdaBoost (Freund & Schpire)

2. Bắt đầu với các trọng số wi =1 / N , i =1,..., N

(c) Đặt giá trị ( )

Hình 2.9: Cấu trúc các chuỗi cascade song song

2.2.4 Giai đoạn huấn luyện của bộ phân loại (stage)

2.2.5 Tầng phân loại (cascade)

và độ trùng khít (hit rate) khoảng 0.995 20

stage 1 stage 2 stage 3 stage N

1-f 1 -f 1-f 1-f

2.2.6 Đặc tính co giãn vùng đặc trưng đối tượng

2.2.6.1 Phát biểu bài toán

2.2.6.2 Thuật toán

then objects = objects ∪ {region_to_test}

XÂY DỰNG HỆ THỐNG