MỤC LỤC TÀI LIỆU THAM KHẢO & TRÍCH DẪN
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
2 LIỆT KÊ CÁC HÌNH
Hình 2.1a, b, c, d: Các đặc trưng cạnh, đường, bao quanh tâm, đường chéo
a
ng
3 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
PHẦN A
GIỚI THIỆU
Võ Hồng Phong
Luận văn tốt nghiệp
Chuyên ngành :
22/02/1982
TỰ ĐỘNG HOÁ
Nơi sinh :
Mã số HV :
Khánh Hòa
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
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
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 : [email protected] hoặc [email protected]
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).
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
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, …
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
9 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
Luận văn tốt nghiệp
T
r
a
ng
1010 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
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
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,…).
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
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.
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
1515
1.7.2 Dự kiến các lĩnh vực ứng dụng của đề tài
Giám sát an ninh
Quan sát và điều tiết giao thông
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
1616
CHƯƠNG 2
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
1717 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
r
a
ng
1818 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
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
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
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
2121
x
' x
, y
'
i(
x'
, y
'
)
y(2.1)
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
a
ng
2222
2
+ A
3
; (2.2)
A = P + P
1
– P
2
– P
3
; 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 cóchứa đặc trưng Haar-like. Dựa trên từng đặc trưng Haar-like
f
j
, một bộ phân loại
(
x
)
1, i
f
p
j
f
j
(
x
)
p
j j
(2.3)
0, o t h e r w i
đầu vào) ở dạng là hình chữ nhật nằm ngang hoặc nằm nghiêng góc 45
o
là thông số
r x, y, w, h,với
0x, xw W
;
0y, yh H
;x, y0 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 thướcw
h2.1]
X
1
2
H 1 z
Y
1
2với
z w h
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
Võ Hồng Phong
Luận văn tốt nghiệp
T
r
AdaBoost
Bộ phân
lớp mạnh
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]
Copyright: Tài liệu đại học ©