Đang tải... (xem toàn văn)
Nhận diện chuyển động và phát hiện tốc độ của phương tiện
ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA CÔNG NGHỆ THÔNG TIN - - BÁO CÁO THỊ GIÁC MÁY TÍNH Đề tài: Nhận diện chuyển động phát tốc độ phương tiện GVHD : TS Huỳnh Hữu Hưng LỚP 15TCLC1 : Đà Nẵng, 04/2019 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 LỜI CẢM ƠN Có thể nói Cơng nghệ thơng tin nước ta giới phát triển với tốc độ nhanh Công nghệ thông tin giúp đỡ người giải vấn đề cách hiệu quả, giúp cải thiện đời sống người Ở nước, Cơng nghệ thơng tin đóng vai trò quan trọng thúc đẩy phát triển chung đất nước Đề tài Nhận diện chuyển động phát tốc độ mơn học Thị giác máy tính hướng tới nhận diện tốc độ phương tiện tuyến đường, với liệu đầu vào camera giao thông Đây đề tài thiết thực, hỗ trợ cho việc điều phối giao thông, đồng thời giúp sinh viên áp dụng kiến thức học vào thực hành thực tế Qua mơn học, chúng em tìm hiểu thêm nhiều kiến thức bổ ích Học máy lĩnh vực phát triển mạnh có nhiều ứng dụng sống, đồng thời có hội ứng dụng kiến thức để tạo sản phẩm thực tế Chúng em xin bày tỏ lòng biết ơn chân thành tới TS Huỳnh Hữu Hưng hướng dẫn giúp đỡ chúng em trình thực đề tài Trong trình thực đề tài, chúng em tránh khỏi sơ suất, kính mong thầy thơng cảm cho chúng em Chúng em xin chân thành cảm ơn Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 MỤC LỤC PHẦN I: CÁC NGHIÊN CỨU LIÊN QUAN I Đặt vấn đề II Những nghiên cứu trước Nghiên cứu số 1: Nghiên cứu số 2: Nghiên cứu số 3: Nghiên cứu số 4: Nghiên cứu số 5: .10 III KẾT LUẬN: 11 PHẦN II: GIẢI PHÁP ĐỀ XUẤT 12 I Trình bày giải pháp 12 II.Các công đoạn cần làm 13 1.Các công cụ môi trường triển khai: 13 Tạo Region of Interest 14 Thuật toán YOLO .16 Tính tốn tốc độ dựa khung hình giây 16 III Flow chart 16 PHẦN III: THỰC NGHIỆM VÀ KẾT QUẢ 16 TỔNG KẾT 17 Kết luận 17 Hướng phát triển 17 TÀI LIỆU THAM KHẢO 17 P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Trong q trình tìm hiểu triển khai đề tài, chúng em hỗ trợ giúp đỡ nhau, nhiên để hiệu quả, số cơng việc phân chia sau: Tên Cơng việc - Cài đặt mơ hình training liệu - Tổng hợp class vật thể Phan Hồng Việt - Train mơ hình thuật tốn nhận diện vật thể - Viết báo cáo, làm slide - Cài đặt thuật toán Kalman theo dõi tốc độ phương tiện Trần Thanh Huy - Tính tốn thời gian xe - Tính tốn tốc độ - Viết báo cáo, làm slide - Thu thập liệu phương tiện - Phân vùng ROI Trương Huỳnh Mai Nhi - Vẽ đường ranh giới làm mốc tính tốc độ - Viết báo cáo, làm slide Bảng phân công công việc PHẦN I: CÁC NGHIÊN CỨU LIÊN QUAN P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 I Đặt vấn đề - Xã hội ngày phát triển, dân số ngày đông, vấn đề giao thông tai nạn giao thông ùn tắc giao thông, đặc biệt giao thông đường bộ, số vụ giao thông không ngừng tăng quy mô số lượng vấn đề đáng quan tâm hàng đầu Do đó, kỷ ngun cơng nghiệp 4.0, cần thiết việc giám sát giao thông lớn hết - Đề tài Nhận diện chuyển động phát tốc độ xe phần quan trọng việc điều phối giao thơng Qua nhanh chóng phát xe tốc độ quy định cảnh báo vấn đề ùn tắc giao thông Để từ kịp thời có biện pháp xử lý trường hợp cụ thể II Những nghiên cứu trước Hiện có số nghiên cứu đề tài giao thông, đặc biệt giám sát nhận diện giao thông P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Nghiên cứu số 1: Đây nghiên cứu ông Andrews Sobral nhận diện phương tiện qua phương pháp Haar Cascades Thuật tốn huấn luyện 526 hình ảnh xe nhìn từ phía sau Hình ảnh lấy từ CSDL Brad Phillip Paul Updike Thông tin chi tiết xem tại: Huấn luyện trình phân loại OpenCV Haar riêng bạn http://coding-robin.de/2013/07/22/train-your-own-opencv-haar-classifier.html https://github.com/mrnugget/opencv-haar-classifier-training Tài liệu liên quan: Oliveira, M.; Santos, V Automatic Detection of Cars in Real Roads using Haar-like Features (PDF) số nguồn khác: http://lars.mec.ua.pt/public/Media/ResearchDevelopmentProjects/HaarFeatures_Road Films/HaarFeaturesTests/CarsRear/ http://lars.mec.ua.pt/public/Media/ResearchDevelopmentProjects/HaarFeatures_Road Films/HaarFeaturesTests/ P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Nghiên cứu số 2: Đo tốc độ sử dụng OpenCV Kalman Filter – Ronit Sinha: Nghiên cứu sử dụng OpenCV Kalman Filter để nhận diện theo dõi xe từ luồng trực tuyến Camera giao thông Dưới ảnh chụp hình chương trình hoạt động: Một xe quãng đường định, tốc độ đươc tính tốn đo đạc với giới hạn tốc độ Nếu xe vượt tốc độ cho phép, chương trình chụp hình cho thấy tốc độ xe hình ảnh xe Ngồi ra, hệ thống đếm số lượng xe qua đoạn đường khoảng thời gian định P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Thơng tin chi tiết xem tại: https://github.com/ronitsinha/speed-detector? fbclid=IwAR3F3BCnbA0PbCj1_Q0I8LFdZIKbt48g6l7HkRhexPmoqb5e4DERIwC1zqY Thuật toán theo dõi nhiều vật thể Srini Ananthakrishnan: https://github.com/srianant/kalman_filter_multi_object_tracking Nghiên cứu số 3: Nhận diện vật thể thuật toán YOLO: YOLO (‘You only look once”) thuật toán nhận diện phổ biến nhờ độ xác cao thời gian thực, đạt đến 45 khung hình giây Phiên thu gọn mạng, Fast YOLO, xử lý lên đến 155 khung hình giây đạt độ xác cao Đầu vào loạt hình ảnh có hình dạng (m, 608, 608, 3) Đầu danh sách hộp giới hạn với lớp công nhận Mỗi hộp giới hạn thể số (p_c, b_x, b_y, b_h, b_w, c)như giải thích Nếu bạn mở rộng cthành vectơ 80 chiều, hộp giới hạn biểu thị 85 số P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Kiến trúc YOLO hộp neo sử dụng là: IMAGE (m, 608, 608, 3) -> DEEP CNN -> ENCODING (m, 19, 19, 5, 85) Mỗi ô cung cấp cho bạn hộp Tổng cộng, mơ hình dự đốn: 19x19x5 = 1805 hộp cách nhìn lần vào hình ảnh (một lần chuyển tiếp qua mạng)! Đó cách nhiều hộp Lọc đầu thuật toán xuống số lượng đối tượng phát nhỏ nhiều Thông tin chi tiết xem tại: https://github.com/tejaslodaya/car-detection-yolo Nghiên cứu số 4: Nghiên cứu nhận diện phương tiện hướng ông Junsheng Fu Thư viện môi trường bao gồm OpenCV3, Python3.5, tensorflow, CUDA8 OS: Ubuntu 16.04 Có hướng đi: SVM tuyến tính mạng Neural - SVM tuyến tính: + Thực phương pháp HOG để trích xuất tập hình ảnh huấn luyện để tạo thành hàm phân loại SVM tuyến tính + Dùng phép biến đổi màu histogram màu để thực phương pháp HOG cho vecto đặc trưng hình ảnh + Bình thường hóa tính chọn ngẫu nhiên hình ảnh để đào tạo thử nghiệm + Thực kỹ thuật cửa sổ trượt sử dụng hàm phân loại SVM để tìm kiếm phương tiện hình ảnh + Chạy luồng video tạo đồ nhiệt để thực nhận diện liên tục theo khung hình để loại bỏ ngoại lệ theo dõi phương tiện phát + Vẽ khung giới hạn cho phương tiện phát P a g e | 22 Thị giác máy tính - Nhận diện chuyển động tính tốc độ xe 15TCLC1 Mạng Neural: Trái ngược với công việc trước phát đối tượng với trình phân loại để phát vật thể, mạng neural phương pháp sử dụng hồi quy để tách biệt khung giới hạn xác suất nhận diện lớp vật thể Một mạng neural dự đoán khung giới hạn xác suất nhận diện lớp vật thể qua lần đánh giá Các bước thực hiện: + Giảm kích thước hình ảnh 448x448 + Chạy mạng neural lên hình ảnh + Đặt giới hạn xác suất nhận diện kết P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Thông tin chi tiết xem tại: https://github.com/JunshengFu/vehicle-detection? fbclid=IwAR0ePleRt_yeJ3JnSZFG5hZUCN0Rg8CFTTYOkt60QJQNkQgiGkO1m2Lhh qk Nghiên cứu số 5: Nghiên cứu đo tốc độ xe Greg Barbu Yêu cầu: Đây chủ yếu phần mềm triển khai nên phần cứng yêu cầu đơn giản: Raspberry Pi Model 2, Camera Pi Phần mềm cần thiết dễ dàng: Raspian, OpenCV, Python Các bước: Cài đặt Raspian Raspberry Pi Tại thời điểm này, Raspian Jessie phiên nên dùng cho dự án Cài đặt OpenCV Python Pi Cách cài đặt xem chi tiết tại: http://www.pyimagesearch.com/2015/10/26/how-to-installopencv-3-on-raspbian-jessie/ Hệ thống sử dụng Python 3.4.1 Opencv 3.1.0 Mơ hình Raspberry Pi B Sao chép chương trình Carspeed.py vào thư mục / home / pi Chương trình dựa thuật tốn phát chuyển động tìm thấy trang web pyimagesearch.com với sửa đổi để phát tốc độ Chương trình khơng phát chuyển động, tính tốn P a g e | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 thời gian cho xe di chuyển ngang qua góc nhìn camera, cần biết xe bao xa Đây cách chương trình thực hiện: - Phát chuyển động cách sử dụng logic trình bày trang web pyimagesearch.com - Bắt đầu hẹn - Theo dõi đối tượng chuyển động đến phía đối diện khung - Tính tốc độ - Lưu hình ảnh phương tiện dán nhãn với tốc độ tính tốn Thơng tin chi tiết xem tại: https://gregtinkers.wordpress.com/2016/03/25/car-speeddetector/?fbclid=IwAR2yraw1KJHlFT7m1h6drYMzGD6DFCSkfKUERYdS76pYtnPYtkd9lG-4Tc III KẾT LUẬN: Qua nghiên cứu trên, ta nhận thấy điểm chung nghiên cứu là: Nhận diện vật thể qua phương pháp MOG thư viện mã nguồn mở YOLO Đo đạc tốc độ dựa điểm mốc có sẵn khung hình thời gian phương tiện đạt đến điểm mốc Từ đó, đề tài chúng em định thực tương tự nghiên cứu trước nâng cấp tính chất PHẦN II: GIẢI PHÁP ĐỀ XUẤT I Trình bày giải pháp • Bài tốn nhận dạng xe: Ở toán mục tiêu từ video cụ thể phải nhận diện phương tiện Đây tốn khó phương tiện giao thơng có nhiều chủng loại, lưu thơng thực tế có nhiều trường hợp xảy P a g e 10 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 xe chạy nhiều chiều khác nhau, xe che khuất xe kia, có xe chở hai, có xe chở nhiều hàng hóa khác Làm để nhận xe cộ cách tối ưu bước định đến độ xác tốn lớn • Bài tốn tính tốc độ: sau nhận diện đối tượng xe, tiến hành tính toán tốc độ Yêu cầu đặt cho toán tính xác, sai số khơng đáng kể Hiện công nghệ thông tin phát triển, nhiều thuật tốn hay có tính ứng dụng cao tạo ra, nên việc giải toán nhận diện xe trở nên khả thi xác Một giải pháp ứng dụng học máy để nhận diện xe Thuật toán YOLO hệ thống nhận diện vật thể dựa CSDL Pascal VOC 2012 Nó nhận diện đươc 80 class vật thể gồm chim, chó, người, xe cộ,… Các hệ thống trước sử dụng lại hàm phân loại định vị có sẵn thư viện để thực nhận diện Họ phân vùng tồn hình ảnh, vùng sáng lên nhận diện vật thể Thuật toán YOLO sử dụng cách tiếp cận khác, ta sử dụng mạng neural tồn hình ảnh Mạng chia hình ảnh thành nhiều vùng dự đốn xác suất vùng đó, từ đưa trọng số dự đoán vật thể vùng P a g e 11 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Giải thuật Kalman, hay gọi Kalman filter, phương pháp để theo dấu vật thể dựa chuỗi phân tích vị trí vật theo thời gian Đầu tiên hệ thống nhận phép đo từ vị trí phương tiện so với hình Hệ thống khởi tạo vị trí cho phương tiện dựa phép đo Sau khoảng thời gian gọi Δ t xe nhận đo lường cảm biến, giả sử vận tốc không đổi, từ tính tốn vị trí vận tốc * t Bước gọi Dự đoán Để đào tạo cho mơ hình nói trên, cần số lượng lớn hình ảnh loại phương tiện Để giải vấn đề này, nhóm em sử dụng nguồn hình ảnh ghi từ số camera giao thông thành phố Đà Nẵng II Các công đoạn cần làm Các công cụ môi trường triển khai: 1.1 Cơng cụ xử lý hình ảnh OpenCV OpenCV (Open Computer Vision) thư viện mã nguồn mở hàng đầu cho xử lý thị giác máy tính, machine learning, xử lý ảnh OpenCV đươc viết C/C++, có tốc độ tính tốn nhanh, sử dụng với ứng dụng liên quan đến thời gian thực OpenCV có interface cho C/C++, Python, Java hỗ trợ cho Window, Linux, MacOS lẫn Android, iOS OpenCV có cộng đồng 47 nghìn người dùng số lượng download vượt triệu lần OpenCV có nhiều ứng dụng: Nhận dạng ảnh Xử lý hình ảnh Phục hồi hình ảnh/video Thực tế ảo Các ứng dụng khác P a g e 12 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Trong đề tài này, OpenCV sử dụng chủ yếu việc đọc file ảnh, file video, cắt ảnh hiển thị video cho người dùng xem 1.2 Thư viện học máy YOLO YOLO mã nguồn mở nhận diện vật thể Thư viện xây dựng sẵn 80 class tối ưu hố để chạy máy tính có cài đặt Python, OpenCV, Tensorflow đặc biệt hỗ trợ mạnh cho máy tính có xử lý đồ hoạ GPU 1.3 Ngơn ngữ lập trình Python Python ngơn ngữ lập trình bậc cao, mã nguồn mở, dùng cho nhiều mục đích, có dùng nghiên cứu liệu, học máy Trong đề tài này, Python ngôn ngữ dùng để viết chương trình nhận dạng tính tốn tốc độ Tạo Region of Interest Vùng quan tâm (Region Of Interest, viết tắt ROI RoI) vùng ảnh ta áp dụng xử lý / biến đổi bỏ qua vùng lại Đơi khơng phải lúc ta xử lý tồn ảnh Do đó, để tiết kiệm chi phí tính tốn, ta thu hẹp vùng quan tâm từ tồn ảnh vùng diện tích nhỏ phần ảnh gốc Tạo mảng chứa toạ độ điểm nằm vùng cần xử lý Sau bơi đen vùng chứa điểm đó, phần lại vùng cần quan tâm Ta có kết sau: Hình ảnh video chưa chọn vùng RoI P a g e 13 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Hình ảnh từ video sau chọn vùng RoI: Thuật toán YOLO P a g e 14 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Dựa vào liệu train từ trước YOLO (Pre-train YOLO model) bao gồm 80 classes có class xe máy, người,… Có số hướng tiếp cận để giải vấn đề, đồng thời lần chạy tốn nhiều thời gian - Chia ảnh thành nhiều box, box detect object box Vị trí object toạ độ box - Thay chia thành box, sử dụng thuật toán để lựa chọn region ứng viên (ví dụ thuật tốn Selective Search), vùng ứng viên tưởng vùng liên thông với kênh màu RGB, sau với vùng ứng viên này, dùng model để phân loại object - Chúng ta có số mơ hình xây dựng theo kiểu RCNN, Fast RCNN rõ ràng, nhược điểm phương pháp tốn nhiều tài ngun để tính tốn cho mội vùng ảnh,và khơng thể chạy realtime thiết bị yếu Tính tốn tốc độ dựa khung hình giây Các bước thực hiện: - Vẽ đường ranh giới để làm mốc đo đạc tốc độ phương tiện # Draw line used for speed detection cv2.line(frame,(0, Y_THRESH),(640, Y_THRESH),(255,0,0),2) - Khi phương tiện xuất khung hình, hệ thống lưu lại thời điểm phương tiện qua - Cho đến phương tiện vượt qua mốc ranh giới, hệ thống tính tốn số lượng khung hình hai thời điểm để đưa ước lượng thời gian vật thể xuất # Check if tracked object has reached the speed detection line if trace_y = Y_THRESH - and not vehicle.passed: vehicle.passed = True P a g e 15 | 22 Thị giác máy tính - Nhận diện chuyển động tính tốc độ xe 15TCLC1 Dựa vào đo đạc thực tế, hệ thống có sẵn khoảng cách điểm bắt đầu khung hình cột mốc đo đạc tốc độ Từ ta có vật tốc xe theo cơng thức: V=S/T P a g e 16 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 III Triển khai công việc Phân Chia Cơng Việc Trong q trình tìm hiểu triển khai đề tài, chúng em hỗ trợ giúp đỡ nhau, nhiên để hiệu quả, số công việc phân chia sau: Tên Cơng việc - Cài đặt mơ hình training liệu - Tổng hợp class vật thể Phan Hoàng Việt - Train mơ hình thuật tốn nhận diện vật thể - Viết báo cáo, làm slide - Cài đặt thuật toán Kalman theo dõi tốc độ phương tiện Trần Thanh Huy - Tính tốn thời gian xe - Tính tốn tốc độ - Viết báo cáo, làm slide - Thu thập liệu phương tiện - Phân vùng ROI Trương Huỳnh Mai Nhi - Vẽ đường ranh giới làm mốc tính tốc độ - Viết báo cáo, làm slide Bảng phân công công việc P a g e 17 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Các bước thực Để đào tạo mơ hình học máy nhận dạng phương tiện tính tốc độ xe, cần thực nhiều bước theo thứ tự sau: Thu thập liệu -> Xử lý liệu -> Đào tạo mơ hình -> Nhận dạng-> Tính tốc độ xe Các bước giải toán P a g e 18 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 PHẦN III: THỰC NGHIỆM VÀ KẾT QUẢ I Kết thực nghiệm Nhận diện chuyển động xe: Sau trình huấn luyện ta thu mơ hình nhận dạng xe Để đánh giá khả nhận dạng xe mơ hình, chúng em thử cho mơ hình nhận dạng 60 giây video trích xuất từ camera giám sát có chứa xe nhiều góc, kích thước lớn nhỏ khác Tính tốn tốc độ xe: Sau trình huấn luyện ta thu mơ hình tính vận tốc xe II Đánh giá kết Nhận diện chuyển động xe: Kết nhận dạng xe mơ hình cao mà xe lưu thông đường phố có nhiều khác biệt màu sắc, kích thước, số lượng người ngồi xe hay loại hàng hóa chở xe, bị ảnh hưởng nhiều yếu tố khác bị che khuất, bóng cây… Qua thực nghiệm nhận thấy mơ hình cho kết nhận dạng cao mà xe khơng bị che khuất, có kích thước vừa phải Đối với số trường hợp xe không nhận dạng chủ yếu bị che khuất phần, kích thước hình ảnh xe q nhỏ Tính tốn tốc độ xe: Độ xác hệ thống tính tốc độ cao, nhiên chưa đủ tin cậy để ứng dụng vào tốn u cầu độ xác cao Mặc dù vậy, kết triển khai toán ta thấy có nhiều khả quan ứng dụng vào tốn u cầu độ xác khơng lớn, đưa số chấp nhận Từ hệ thống đơn giản này, ta cải tiến để nâng cao khả nhận dạng xe độ xác tốn Kết tốn phụ thuộc nhiều vào tình hình giao thơng, thời tiết, địa điểm thực nhiều yếu tố khác Mật độ lưu thông phương tiện giao thơng lớn độ xác giảm dần Cũng tương tự thời tiết diễn biến xấu hay địa điểm đếm xe có nhiều vật cản che khuất hay có nhiều bóng Bên cạnh thuật tốn chưa ổn định yếu tố ảnh hưởng đến kết P a g e 19 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 TỔNG KẾT Kết luận Sau trình triển khai đề tài, hệ thống nhận dạng tính tốc độ xe, nhiên độ xác chưa cao Sự thiếu xác xuất phát từ nhiều nguyên nhân khác thiếu liệu đào tạo nên mơ hình nhận dạng có hiệu suất khơng cao, thuật tốn tính vận tốc xe chưa tối ưu, hay nguyên nhân khách quan khác vật cản che khuất, thời tiết, Hệ thống đạt hiệu suất cao nhận diện xe đường chiều, đường rộng xe mật độ xe không cao Hướng phát triển Để cải thiện độ xác, ta tiến hành thu thập thêm nhiều liệu hơn, đa dạng Từ giúp mơ hình nhận dạng xe xác Ngồi để nhận diện tính tốn vận tốc xe hiệu quả, ta cần cải thiện thuật toán nhận dạng tính tốn Sau có hệ thống nhận diện xe có hiệu suất ổn định, ta ứng dụng vào tốn khác lớn thực tế để giải vấn đề giao thông TÀI LIỆU THAM KHẢO https://github.com/mrnugget/opencv-haar-classifier-training https://github.com/srianant/kalman_filter_multi_object_tracking https://github.com/tejaslodaya/car-detection-yolo https://github.com/JunshengFu/ https://gregtinkers.wordpress.com P a g e 20 | 22 ... tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Hình ảnh từ video sau chọn vùng RoI: Thuật toán YOLO P a g e 14 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 Dựa vào liệu... -> Nhận dạng-> Tính tốc độ xe Các bước giải toán P a g e 18 | 22 Thị giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 PHẦN III: THỰC NGHIỆM VÀ KẾT QUẢ I Kết thực nghiệm Nhận diện chuyển. .. giác máy tính Nhận diện chuyển động tính tốc độ xe 15TCLC1 thời gian cho xe di chuyển ngang qua góc nhìn camera, cần biết xe bao xa Đây cách chương trình thực hiện: - Phát chuyển động cách sử