CHƯƠNG 7 CÁC GIẢI PHÁP TỐI ƯU HÓA HỆ THỐNG
7.3. GIẢI PHÁP CAMERA CHO HỆ THỐNG GIAO THÔNG THÔNG MINH
7.3.2 Phương pháp xử lý video giao thông
Để đánh giá tình trạng tắc nghẽn trên một đoạn đường qua camera quan sát, chúng tôi thực hiện các phương pháp xử lý ảnh tự động trên video giao thông bao gồm:
(i) Tính toán phân luồng xe dựa trên chiều chuyển động của các phương tiện giao thông.
(ii) Xác định hướng lưu thông chính để tập trung phân tích các bước tiếp theo.
(iii) Xác định vận tốc di chuyển trung bình của các phương tiên giao thông.
(iv) Xác định mật độ phương tiện (mật độ sử dụng lòng đường).
(v) Hệ thống tự huấn luyện để đƣa ra nhận định chính xác về tình trạng giao thông.
Video giao thông
Tiền xử lý ảnh
Tính toán motion vector
Xác định dòng xe và chiều chuyển động Tính toán vận tốc
trung bình
Xác định mật độ xe
Fuzzy logic
Cảnh báo tình trạng giao thông Canny edge
detection
50 - Tiền xử lý ảnh để lọc bỏ nhiễu
Để đưa ra cảnh báo về tình trạng giao thông, giải thuật được thực hiện qua các bước nhƣ sơ đồ trong Hình 50: tiền xử lý ảnh để lọc bỏ nhiễu; Phân tích chuyển động của các luồng xe bằng cách tính toán motion vector. Từ kết quả phân tích chuyển động, chiều và làn xe đƣợc xác định tự động. Trên chiều và làn xe chuyển động chính, vận tốc trung bình và mật độ đƣợc ƣớc lƣợng dựa trên motion vector của các nhóm điểm ảnh và canny edge detection. Hai thông số vận tốc trung bình và mật độ xe đƣợc đƣa vào hệ thống logic mờ (fuzzy logic) để đƣa ra cảnh báo về tình trạng giao thông.
51 - Xác định tự động giải phân cách sau 900 frame ảnh (30 giây)
Một số kết quả xử lý ảnh ban đầu trên camera gắn tại ngã tư đường Nguyễn Văn Cừ và đường Nguyễn Trãi (như trong Hình 51). Với vị trí camera cố định, sau 30 giây ghi hình giải phân cách giữa 2 chiều xe đã đƣợc hệ thống xác định chính xác. Sau đó việc cập nhật giải phân các sẽ được thực hiện liên tục theo thời gian thực. Lưu lƣợng xe và tốc độ trung bình dòng xe trên mỗi chiều (vùng đƣợc xác định tự động) tại các thời điểm cũng được tính toán tương ứng.
a. Phương pháp xác định chuyển động
Phương pháp xác định chuyển động (motion estimation) là một trong những phương pháp then chốt của các ứng dụng nén và xử lý video. Phương pháp tính toán các chuyển động từ chuỗi ảnh thu được. Chuyển động thông thường được hiện thị bằng vector chuyển động (x,y). Vector chuyển động thể hiện độ dịch chuyển của một pixel hoặc một nhóm các pixels từ một điểm hiện tại do chuyển động.
Đối với các ứng dụng nén ảnh, thông tin về chuyển động đƣợc sử dụng để tìm vùng giống nhau nhất trên các khung ảnh cho phép biểu diễn thông tin trên các khung ảnh một cách hiệu quả nhất. Ứng dụng trong giao thông là việc tìm ra các chuyển động Vùng tập trung chủ yếu nhằm xác định tình trạng giao thông
trên video giao thông và từ đó tính toán chuyển động thực tế của các phương tiện cũng nhƣ mật độ giao thông.
Bock matching là phương pháp phổ biến nhất của dự đoán chuyển động. Block matching tính toán vector chuyển động cho toàn bộ khối điểm ảnh thay vì từng điểm ảnh (Hình 52 và 53). Các vector chuyển động đƣợc tính toán các khối (macroblock) trên ảnh. Điều này làm giảm đáng kể việc tính toán và cho kết quả chính xác hơn khi mà các đối tượng thường được biểu diễn bằng một nhóm điểm ảnh. Thông thường mỗi macroblock (8x8 hoặc 16 × 16 điểm ảnh) trong khung mới được so sánh với các vùng chuyển dịch của các kích thước tương tự từ các khung giải mã trước đó, và dịch chuyển mà kết quả trong các lỗi tối thiểu được chọn là nhà vector chuyển động tốt nhất cho macroblock đó. Block matching có thể mất khá nhiều thời gian tính toán nếu phân tích tất cả các vị trí thay đổi của mỗi macroblock.
Ví dụ, để phân tích sự thay đổi lên đến ± 15 pels trong hướng nằm ngang và thẳng đứng đòi hỏi 31 × 31 = 961 vị trí, trong đó mỗi vị trí cần đến 16 × 16 = 256 phép tính sự khác biệt cho một macroblock định. Điều này đƣợc gọi là block matching tìm kiếm đầy đủ.
52 - Tìm kiếm vector chuyển động
Tính toán chuyển động đƣợc thực hiện bằng cách xác định các nhóm điểm ảnh từ frame ảnh tham khảo (reference frame) giống nhất nhóm điểm ảnh trên frame ảnh hiện tại (current frame). Vector chuyển động (x,y) bao gồm chuyển động trên phương đứng và phương ngang. Một số phương pháp khác nhau có thể được sử dụng để tính mức độ giống nhau giữa các nhóm điểm ảnh. Phương pháp phổ biến là tính toán tổng sai số bình phương:
N
x N
y
y x R y x C
1 1
, 2
,
Để có thể tiết kiệm đáng kể việc tính toán, block matching đƣợc thực hiện với phân cấp, trong đó ƣớc tính gần đúng chuyển động thu đƣợc từ tìm kiếm đầy đủ bằng cách sử dụng một hình ảnh ở độ phân giải thấp, và sau đó đƣợc ƣớc tính và tìm kiếm trên một vùng nhỏ trên hình ảnh có độ phân giải đầy đủ. Giảm độ phân giải 2 lần mỗi hướng làm giảm số điểm ảnh của macroblock và số lượng các điểm ảnh phải tìm xuống 4 lần. Điều này giúp giảm việc tính toán xuống 16 lần. Phương pháp adaptive block matching đƣợc sử dụng cho phép tìm ra các block giống nhau và tính toán vector chuyển động một cách nhanh nhất.
54 - Adaptive block matching
Kết quả ƣớc lƣợng vector chuyển động cho video giao thông tại ngã tƣ Thủ Đức trình bày trong Hình 55 cho kết quả ƣớng lƣợng chính xác và phù hợp với điệu kiện xe cộ tại Việt Nam khi mật độ phương tiện giao thông khá dày và chồng chéo.
55 - Kết quả tính toán motion vector trong vùng chính
b. Phương pháp xác định cạnh
Canny edge detector là một phương pháp xác định cạnh (edge) tối ưu với khả năng xác định tốt các cạnh thực trên ảnh, đƣa vị trí chính xác và giảm tối thiểu cạnh giả.
Canny edge detection tối ƣu bằng cách tính toán bốn nhóm mũ (theo chiều ngang, dọc và chéo) và thực hiện tương đối bằng đạo hàm bậc nhất của hàm Gaussian.
Bước 1: Làm mờ ảnh f(x,y) bởi bộ lọc Gaussia G
m n G m n f m n
g , , ,
2 2 2
2 exp 2
2 1
m n
G
Bước 2: Tính toán độ dốc gradient của ảnh
m n g m n g m n M , m2 , n2 , và góc
m , n tan1 gn m , n / gm m , n
Bước 3: kiểm tra độ lớn tương đối của điểm ảnh cạnh với 2 điểm ảnh bên cạnh làm mỏng cạnh và điều chỉnh ngƣỡng để lọc nhiễu và sau cùng là nối các điểm gãy của cạnh để tạo sự liên tục.
56 - Kết quả canny edge detection c. Logic mờ
Logic mờ (fuzzy logic) là một mô hình phù hợp với mối quan hệ giữa đầu vào và đầu ra dựa trên định lý xác suất. Nó có thể xử lý các tình huống mà có những điều không chắc chắn tham gia, chẳng hạn nhƣ vấn đề mà phụ thuộc vào cảm giác của con người và kinh nghiệm. Do đó, nó phù hợp cho các cảnh báo giao thông, khi mà những người khác nhau có thể cảm thấy khác nhau trong những tình hình ùn tắc tương tự.
Sau khi tính toán và ƣớc lƣợng đƣợc thông tin giao thông về mật độ xe và vận tốc trung bình tại các vị trí mong muốn, hai thông số này đƣợc đƣa vào hệ thống logic mờ để xử lý và đƣa ra cảnh báo. Tùy vào vị trí lắp đặt camera, góc quay, độ zoom và kể cả loại camera đều ảnh hưởng đến các thông số tính toán. Do đó tại đây việc huấn luyện hệ thống đƣợc thực hiện cho phép hệ thống có khả năng đƣa ra các nhận định và cảnh báo chính xác cho tình trạng giao thông. Việc huấn luyện đƣợc thực hiện dựa trên nhận định về tình hình của các chuyên gia trên video giao thông.
57 - Fuzzy Logic với đầu vào là mật độ giao thông và vận tốc trung bình Có hai phần chính của quá trình logic mờ: 1) nhân tố đầu vào và đầu ra chức năng, chúng tôi có thể đánh giá và xác định phạm vi cho phù hợp với logic đầu vào / ra, và 2) các quy tắc mờ đƣợc thiết kế trên các thông số đầu vào và các hàm (hình thang, hình tam giác, Bell, Gausian,...) để giải quyết các vấn đề cụ thể. Các phương pháp xử lý ảnh sẽ bước đầu phân tích video, xác định giải phân cách và các hướng xe lưu thông. Sau đó phương pháp tính toán mật độ xe và vận tốc trung bình của dòng xe trên mỗi chiều. Các thông số này đƣợc hệ thống huấn luyện để đƣa ra các
nhận định về tình trạng giao thông (ví dụ với 4 trạng thái nhƣ: 1-thông thoáng (>25km/h), 2-chậm (10-25km/h), 3-kẹt (3-10km/h), 4-tắc (<3km/h), và tình trạng kéo dài trong thời gian bao lâu sẽ đƣợc thể hiện).