Đang tải... (xem toàn văn)
Bài viết tập trung vào giải pháp thuộc nhóm thứ ba. Cụ thể, camera được đặt tại ngã ba, ngã tư hoặc trên đường và được nối với máy tính. Từ video thu được cần phát hiện phương tiện giao thông, phân loại thành ôtô, xe máy, bám được chuyển động của phương tiện, từ đây tính số lượng và quỹ đạo của luồng giao thông.
Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT Tập V-1, Số 15 (35), tháng 6/2016 Giải pháp thống kê phƣơng tiện giao thông sử dụng camera Vehicle Counting Solution using Video Camera Trần Nguyên Ngọc, Hoàng Anh Tuấn, Từ Minh Phƣơng Abstract: This paper proposes a solution for vehicle counting using camera as a sensor We also present a novel texture feature that is a modified version of the well-known Local Binary Pattern (LBP) feature The experimental results are evaluated on a data set collected in the intersection of Ly Tu Trong – Pasteur, Ho Chi Minh City at various times The proposed solution achived an accuracy of car counting from 90% to 97%, and accuracy of motorcycle counting over 75% during the day and over 50 % at night Keywords: Local Binary Pattern; Object detection; Vehicle Counting; Computer vision I ĐẶT VẤN ĐỀ Thống kê phân loại phương tiện giao thông ô tô, xe máy lưu thơng đường tốn có ứng dụng quan trọng quản lý giao thông, giúp giám sát tình hình, thực điều hành giao thơng theo thời gian thực, cung cấp thông tin phục vụ quy hoạch hạ tầng giao thông ngắn dài hạn Có ba cách tiếp cận cho thống kê phương tiện giao thông đường theo thời gian thực Cách thứ sử dụng cảm biến áp suất chôn mặt đường cho phép phát xe nhờ áp suất xe lên cảm biến Phương pháp có độ ổn định cao, hoạt động nhiều điều kiện thời tiết Tuy nhiên, phương pháp xác trường hợp xe đường, khó áp dụng cho giao thơng Việt Nam Cách thứ hai sử dụng cảm biến siêu âm [1] động ô tô, xe máy tạo dựa theo tần số đặc trưng cho loại xe Phương pháp nhóm nhà nghiên cứu Đại học Giao thông vận tải thực hiện, cho độ xác khơng cao mật độ giao thơng lớn, hướng nghiên cứu tìm cách kết hợp với đếm xe hồng ngoại, nhiên hệ thống tương đối phức tạp Cách tiếp cận thứ ba sử dụng kỹ thuật xử lý ảnh nhận dạng để phát phương tiện giao thông từ camera lắp đặt đường giao lộ Phương pháp phụ thuộc nhiều vào điều kiện thời tiết, ánh sáng, song dễ lắp đặt giải ba vấn đề: phát hiện, phân loại, bám chuyển động để xác định quỹ đạo phương tiện, nhờ cung cấp thêm thông tin bổ sung so với hai nhóm phương pháp [2] Yếu tố chủ yếu định thành công giải pháp loại phát triển giải thuật xử lý ảnh cho phép phát bám xác, phụ thuộc vào điều kiện thời tiết [3] Trong báo này, tập trung vào giải pháp thuộc nhóm thứ ba Cụ thể, camera đặt ngã ba, ngã tư đường nối với máy tính Từ video thu cần phát phương tiện giao thông, phân loại thành ôtô, xe máy, bám chuyển động phương tiện, từ tính số lượng quỹ đạo luồng giao thơng Các thao tác phải thực thời gian thực CPU thông dụng, điều kiện ánh sáng ban ngày ban đêm có đèn đường, với mật độ giao thông thực tế dầy đặc Tp Hồ Chí Minh Hà Nội Khác với giải pháp phát bám xe có, theo vùng ảnh chứa phương tiện xác định dựa vùng chuyển động [4-7], phương pháp coi phát tơ, xe máy tốn phát đối tượng từ ảnh tĩnh (object detection), sử dụng khung hình liên tiếp video để bám đối tượng nhằm tăng độ xác Phương tiện giao thơng - 55 - Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT phát dựa việc phân loại vùng ảnh nằm cửa sổ trượt thành loại phương tiện vùng biểu diễn đối tượng cửa sổ đặc trưng phù hợp [8] Đóng góp nghiên cứu đề xuất cải tiến đặc trưng LBP (Local Binary Pattern) [11], qua tăng độ xác sử dụng với phân loại cho cửa sổ trượt Đóng góp quan trọng khác xác lập bước xử lý kết hợp để bám chuyển động gán nhãn đối tượng II CÁC NGHIÊN CỨU LIÊN QUAN Bài toán phát bám phương tiện giao thông từ camera đặt đường nghiên cứu từ nhiều năm với số hệ thống sử dụng thực tế [2] Tính chung hệ thống dạng phát phương tiện giao thông Một số hệ thống có thêm khả phân loại phương tiện, chẳng hạn thành xe máy, xe đạp, ô tô con, ô tô tải v.v., bám phương tiện để xác định chuyển động thẳng hay rẽ [4,7] Trong hệ thống dạng này, phần quan trọng phần phát phương tiện giao thông Cách tiếp cận chung cho phát phương tiện giao thông phát vùng chuyển động, kết hợp với phân loại vùng chuyển động thành loại phương tiện khác Nhiều phương pháp phát vùng chuyển động sử dụng dùng moving map [7], sử dụng mô hình Gausian Mixture Model (GMM) để sinh hình [4], hay kết hợp GMM sinh hình với xóa bóng cho trường hợp trời nắng [5] Vấn đề lớn phát vùng chuyển động giảm ảnh hưởng điều kiện chiếu sáng nhiễu vùng Một số giải pháp đề xuất cho vấn đề sử dụng ngưỡng động có khả thay đổi theo ánh sáng [3] Sau tách vùng chuyển động, bước phân loại vùng chuyển động thành loại phương tiện giao thông phương tiện (do nhiễu) Phương pháp thường dùng cho bước sử dụng mơ hình 3D dựng sẵn loại xe sau so khớp với hình viền vùng chuyển động phát bước trước [4,7] Một phương pháp khác sử dụng dùng dạng đặc trưng ảnh thông dụng HOG kết hợp với thuật toán phân loại Tập V-1, Số 15 (35), tháng 6/2016 SVM [5] Khó khăn sử dụng phương pháp phân biệt phương tiện giao thơng theo nhóm gần Giải pháp cho vấn đề giải [6] cách sử dụng đồ thị AND-OR Giải pháp chọn phương pháp cho phép tránh khó khăn thường gặp giải pháp phát vùng chuyển động phương tiện di chuyển gần gây chồng lấn khung hình, thích hợp với điều kiện Việt Nam Nội dung nghiên cứu trình bày theo trình tự sau: mục trình bày đặc điểm bố trí hệ thống camera thu nhận hình ảnh yêu cầu cụ thể toán; mục đề xuất giải pháp cải tiến đặc trưng mô tả đối tượng hình ảnh cần phát hiện; mục mơ tả giải pháp bám gán nhãn đối tượng; mục tổng hợp số kết thực nghiệm đánh giá III ĐẶC ĐIỂM HÌNH ẢNH ĐỐI TƢỢNG Xuất phát từ nhu cầu thực tế, nghiên cứu xây dựng sở hạ tầng hệ thống camera gắn nút giao thông Tp Hồ Chí Minh Các camera bố trí độ cao 618 cm so với mặt đường, ngã tư vị trí ưu tiên tập trung thống kê lưu lượng giao thơng Tại đó, có camera đặt góc ngã tư, đảm bảo cho phép quan sát toàn hướng di chuyển tới phía camera, camera đặt nghiêng góc 20 độ so với phương ngang Hình Bố trí camera đường Cộng hòa Bài tốn đặt cho nhóm nghiên cứu thống kê phương tiện giao thông di chuyển theo hướng - 56 - Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT khác nhau, từ tổng hợp làm sở dự báo vận tốc, lưu lượng giao thông thành phố Tập V-1, Số 15 (35), tháng 6/2016 Bƣớc Tại ô, so sánh điểm ảnh với điểm ảnh khác xung quanh (số lượng điểm ảnh lân cận thay Hình 3) Hình LBP kiểu sử dụng điểm ảnh lân cận Bƣớc Quy đổi kết so sánh thành chuỗi bit thông tin đại diện (xem Hình 4) Hình Hình ảnh thu từ camera ngã tư Pasteur - Lý Tự Trọng Do đặc điểm bố trí thiết bị có, hình ảnh đối tượng gồm dạng bản: dạng thẳng trực diện với camera dạng hướng tới camera lệch bên sườn trái IV XÂY DỰNG BỘ MÔ TẢ ĐỐI TƢỢNG Trong dạng mô tả đặc trưng đối tượng phục vụ cho giải pháp phát nhanh đối tượng ảnh đa phần hướng tới mô tả đặc trưng (Descriptor) phục vụ cho kỹ thuật cửa sổ trượt Haar-like [8], HOG [12], LBP [11]…Để đảm bảo tính tốn khơng q phức tạp cho phép chạy đồng thời nhiều tìm kiếm (Detector) ảnh tĩnh, nhóm nghiên cứu cải tiến mơ tả đặc trưng LBP Trong đó, mơ tả đặc trưng LBP phản ảnh mối tương quan mức xám điểm ảnh (hoặc vùng ảnh) với điểm ảnh (hoặc vùng ảnh) lân cận Thực chất việc áp dụng mô tả cho phép ánh xạ ảnh đối tượng sang ảnh khác có khả bất biến cao trước thay đổi mức sáng, số biến dạng hình học [11] Trong nghiên cứu [10] việc áp dụng LBP cho việc nhận dạng đối tượng hình ảnh tiến hành theo trình tự sau: Bƣớc Chia cửa sổ vùng ảnh cần xem xét thành vng Hình Quy đổi kết thành chuỗi bit Bƣớc Tính lược đồ histogram giá trị đại diện vừa tính bước Bƣớc Chuẩn hóa histogram khoảng giá trị quy định trước Bƣớc Tập hợp tất histogram tất ô cửa sổ tạo thành vector đặc trưng cửa sổ Hình Cách xác định Vector đặc trưng LBP Bƣớc Sử dụng cho thuật toán học máy, mơ hình cascade với thuật tốn huấn luyện AdaBoost để phân biệt kết thu bước Chi tiết bước mô tả [8] Trong toàn bước thực trên, việc xác định chuỗi bit quy đổi dựa lựa chọn so sánh chênh lệch mức xám điểm ảnh bước 2,3 có ý - 57 - Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT nghĩa quan trọng Lưu ý rằng, đặc trưng LBP mở rộng kích thước số lượng điểm ảnh lân cận Ví dụ đặc trưng LBP4,1 sử dụng điểm ảnh lân cận, đặc trưng LBP16,2 sử dụng 16 điểm ảnh lân cận với bán kính Tổng qt hóa đặc trưng LBPP,R sử dụng P điểm ảnh lân cận tương đương với vùng khơng gian có bán kính điểm ảnh R, vùng khơng gian bao gồm tập điểm ảnh lân cận tạo thành hình tròn Từ đặc trưng LBPP,R tạo 2P giá trị đầu ra, tương ứng với 2P pattern nhị phân biểu diễn P điểm ảnh tập điểm ảnh lân cận Từ thấy đặc trưng LBP mang nhiều thơng tin, hồn tồn sử dụng tập 2P pattern để mơ tả thơng tin ảnh Tuy nhiên điểm ảnh nằm gần tính tốn đặc trưng LBP dẫn đến việc mối quan hệ điểm ảnh lân cận xác định lại để đưa vào thông tin chuỗi thông tin, việc tối ưu hóa lượng thơng tin làm tăng khả mô tả đối tượng Cụ thể, chúng tơi nhận thấy với cách trích chọn đặc trưng LBP tính tốn hai điểm ảnh sát mối quan hệ chúng tính lại lần (xem Hình 6) Tập V-1, Số 15 (35), tháng 6/2016 Hình Mơ tả quan hệ điểm ảnh sử dụng cho tính tốn đặc trưng LBP Với cách mô tả giá trị thay cho mức xám điểm ảnh minh họa Hình Hình Cải tiến cách tính giá trị điểm ảnh mô tả đặc trưng LBP Với việc sử dụng mô tả xem xét việc phản ánh thông tin mối quan hệ điểm ảnh lân cận toàn vùng ảnh nhận thấy không tồn quan hệ trùng lặp bổ sung thêm quan hệ Trong hình 9a, 9b tách xem xét mối quan hệ điểm ảnh C1, C2, …C9 mơ tả 9a quan hệ bị xét lại hai lần, 9b sử dụng lần bổ sung thêm quan hệ C1-C6; C1-C8; C1-C9; C2-C7; C3-C4; C3-C8; C4C9; C6-C7 Hình Quan hệ điểm C1, C2 xác định lần Vì thế, nghiên cứu đề xuất cải tiến cách thức mô tả quan hệ điểm lân cận để trích chọn đặc trưng dạng LBP cách lựa chọn so sánh tương quan điểm ảnh có so sánh với điểm ảnh trung tâm C, lại quan hệ so sánh điểm lân cận C Việc lựa chọn cần tuân theo nguyên tắc không tồn quan hệ so sánh mà cạnh nối biểu thị quan hệ điểm ảnh song song với Ví dụ hình quan hệ C-g0 với quan hệ g1-g3 có biểu diễn song song với nhau, ta chọn hai quan hệ Hình 9.a Mối quan hệ điểm ảnh sử dụng mô tả truyền thống - 58 - Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT Tập V-1, Số 15 (35), tháng 6/2016 Hình 9.b Mối quan hệ điểm ảnh sử dụng mô tả cải tiến V CÁC KỸ THUẬT BÁM ĐỐI TƢỢNG Sau có dò tìm đối tượng, để thống kê số lượng phương tiện tham gia giao thông đoạn video cần thực bám đối tượng xác định trường hợp: xuất đối tượng mới, đối tượng rời khỏi thị trường camera, xác định liên hệ đối tượng hai khung hình liên tiếp.Trong nghiên cứu sử dụng thuật toán OpticalFlow [14] để bám chuyển động thuật toán Hungarian [13] để tiến hành gán nhãn đối tượng hai khung hình liên tiếp Các bước tiến hành sau: Bƣớc Phát đối tượng khung hình i+1 phương pháp nhận dạng sử dụng mô tả đặc trưng trình bày mục IV Bƣớc Tính tốn khoảng cách Euclid đối tượng khung hình i i+1 với giả thiết chúng nằm mặt phẳng tọa độ Sau đó, sử dụng thuật toán Hungarian để gán cặp Bƣớc Với đối tượng khung hình i mà khơng gán với đối tượng khung hình i+1 phải dự đốn vị trí chúng phương pháp OpticalFlow Bƣớc Với đối tượng khung hình i+1 mà khơng gán với đối tượng khung hình I đối tượng xuất Thông tin đối tượng sử dụng để xác định tiếp vị trí chúng khung hình Hình 10 Mơ tả q trình bám gán nhãn đối tượng V KẾT QUẢ THỰC NGHIỆM Để đánh giá hiệu thuật tốn đề xuất nhóm nghiên cứu tiến hành thử nghiệm với hai loại đối tượng xe máy xe ô tô điều kiện ánh sáng ban ngày ban đêm, đồng thời với phương tiện giao thông tiếp tục phân loại theo hướng chuyển động xây dựng đặc trưng cho loại riêng biệt Các mẫu huấn luyện thu thập theo nhóm phương tiện: xe máy, xe ô tô (gồm con, xe buýt xe bán tải), thời gian (ban ngày, tối) hướng di chuyển (ngang, dọc), nhóm khoảng 6000 mẫu (xem Hình 11, 12) Hình ảnh thu từ camera đặt trực tiếp đường, camera thuộc dòng IP sử dụng đồng loại Messoa Model: NCR878HP5-MES, tốc độ thu nhận hình ảnh 30 hình/giây Đối với loại xe ô tô lựa chọn vùng đầu xe để huấn luyện chung cho nhận dạng Sau tiến hành huấn luyện thuật tốn Adaboost sử dụng công cụ OpenCV 2.4.6 Để đánh giá kết việc nhận dạng đối tượng có hai tiêu chí sử dụng độ xác độ nhạy Độ xác xác định tỷ lệ nhận dạng tổng số đối tượng nhận dạng - 59 - Các công trình nghiên cứu, phát triển ứng dụng CNTT-TT được, độ nhạy liên quan đến tỷ lệ nhận dạng tổng số đối tượng thực tế Hình 11 Mẫu huấn luyện xe máy Tập V-1, Số 15 (35), tháng 6/2016 Bảng Kết phát đối tượng tập ảnh tĩnh Kết Bảng cho thấy đặc trưng LBP cải tiến cho kết với độ nhạy gần tương đương với đặc trưng Haar, LBP truyền thống, có độ xác vượt trội đa số trường hợp Chẳng hạn, độ xác phát tơ vào buổi sáng dùng Haar, LBP, LBP cải tiến 87.39, 89.66, 94.11 Tức cải tiến đề xuất cho phép tăng độ xác tới gần 5% Kết Bảng cho thấy, độ xác đạt 90% độ nhạy tương đối thấp, nhiều trường hợp xuống 60% Điều dẫn tới việc thống kê lưu lượng giao thông thiếu xác, ví dụ, với độ nhạy khoảng 70%, độ xác 90% (trên 70% tìm được) ta đếm khoảng 63% (0.63=0.7x0.9) số lượng phương tiện thực tế (kể trường hợp nhầm lẫn vị trí đối tượng khung hình khác nhau) Hình 12 Mẫu huấn luyện xe ô tô Kết thực nghiệm tập ảnh tĩnh (là ảnh tách từ video thu từ camera thời điểm khác nhau) gồm 1249 ảnh chụp buổi sáng; 1076 ảnh chụp buổi trưa; 3063 ảnh tối, với ba loại đặc trưng: đặc trưng Haar sử dụng [7], đặc trưng LBP nguyên [9], đặc trưng LBP cải tiến tóm tắt Bảng Tuy nhiên, để tăng độ nhạy đa phần cần điều chỉnh tham số huấn luyện phải giảm độ xác Do chúng tơi kết hợp thêm giải pháp bám đối tượng đề xuất mục V để tăng độ tin cậy hệ thống thống kê phương tiện giao thông Về thực chất, việc bám đối tượng cho phép kết hợp kết phát đối tượng từ nhiều khung hình để bổ sung thêm thơng tin thiếu Trong trường hợp phương tiện bị bỏ sót khung hình có khả phát bổ sung nhờ bám từ khung hình lân cận - 60 - Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT Chúng tiếp tục áp dụng đặc trưng LBP cải tiến cho toán thống kê phương tiện cách so sánh kết đếm người với kết máy tính, liệu sử dụng nghiên cứu trích từ video thu nhận ngày 23/5/2014 ngày thứ có mật độ giao thơng tương đối đông so với ngày khác Kết cụ thể tóm tắt Bảng 2, chúng tơi sử dụng khái niệm độ tin cậy, xác định dựa phần trăm sai lệch kết thống kê máy tính đưa kết khảo sát trực tiếp người Kết cho thấy việc thống kê lưu lượng xe ô tô tương đối tốt, với xe máy trình gán nhãn bám đối tượng đặc biệt xe di chuyển cạnh đơi lúc gặp khó khăn Kết Bảng cho thấy việc thống kê xe máy vào ban ngày có xu hướng tốt ban đêm, tơ ngược lại, điều nảy sinh lý vào buổi tối việc bám chuyển động xe máy gặp nhiều khó khăn đặc điểm thuật tốn OpticalFlow sử dụng nhiều thơng tin cường độ sáng điểm keypoint đầu xe máy, đó, tơ có hai đèn pha nên khoảng sáng hai đèn thuận tiện cho việc lựa chọn keypoint Trong nghiên cứu chúng tơi tìm cách cải tiến vấn đề Bảng Thống kê số lượng phương tiện video Tập V-1, Số 15 (35), tháng 6/2016 cứu “Xây dựng Hệ thống thị giác máy tính hỗ trợ thống kê phương tiện giao thơng theo thời gian thực” Ngồi việc thử nghiệm ngã tư Pasteur-Lý Tự Trọng, tuyến đường chiều Cộng Hòa, hệ thống thử nghiệm số ngã tư Bangkok Thái Lan, tương lai nhóm nghiên cứu tổng hợp kết thống kê hình ảnh với kết thu hệ thống định vị GPS thông tin di chuyển gắn phương tiện giao thông xe Bus, Taxi để hình thành đồ lưu lượng giao thơng, ngồi tiếp tục bổ sung tập liệu huấn luyện hiệu chỉnh thuật toán để đảm bảo tính bền vững hệ thống điều kiện thời tiết khác TÀI LIỆU THAM KHẢO [1] LÊ HÙNG LÂN, “ Nghiên cứu thiết kế, chế tạo thiết bị, phương tiện hệ thống tự động kiểm tra, giám sát, điều hành phục vụ cho an tồn giao thơng đường bộ”, Báo cáo Đề tài Nghiên cứu Khoa học Phát triển công nghệ cấp nhà nước (2008) mã số: KC.03.05/06-10 [2] N BUCH, S VELASTIN, AND J ORWELL, “A review of computer vision techniques for the analysis of urban traffic” Intell Transp Syst IEEoE Trans., vol 12, no 3, pp 920–939, 2011 [3] J D GANGODKAR, P KUMAR, AND A MITTAL, “Robust Segmentation of Moving Vehicles Under Complex Outdoor Conditions”, Intell Transp Syst IEEE Trans., vol 13, no 4, pp 1738–1752, Dec 2012 [4] N BUCH, J ORWELL, AND S A VELASTIN, “Detection and classification of vehicles for urban traffic scenes”, 5th Int Conf Vis Inf Eng (VIE 2008), pp 182–187, 2008 [5] Z CHEN, T ELLIS, AND S A VELASTIN, “Vehicle detection, tracking and classification in urban traffic,” in Intelligent Transportation Systems (ITSC), 2012 15th International IEEE Conference on, 2012, pp 951– 956 LỜI CẢM ƠN Kết nghiên cứu tài trợ Công ty FPT Software JSC khuôn khổ chương trình nghiên [6] Y LI, B LI, B TIAN, AND Q YAO, “Vehicle Detection Based on the and - or Graph for Congested Traffic Conditions,” Intell Transp Syst IEEE Trans., vol 14, no 2, pp 984–993, Jun 2013 - 61 - Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT [7] MESSELODI, C MODENA, AND M ZANIN, “A computer vision system for the detection and classification of vehicles at urban road intersections,” Pattern Anal Appl., vol 8, pp 17–31, 2005 [8] P VIOLA AND M JONES, “Robust Real-time Object Detection,” in International Journal of Computer Vision, 2001 [9] M HEIKKILA AND M PIETIKAINEN, “A texturebased method for modeling the background and detecting moving objects,” Pattern Anal Mach Intell IEEE Trans., vol 28, no 4, pp 657–662, Apr 2006 Tập V-1, Số 15 (35), tháng 6/2016 Transactions on Pattern Analysis and Intelligence, vol 24, pp 971-987, 2002 Machine [12] N DALAL AND B TRIGGS, “Histograms of oriented gradients for human detection,” in Proc IEEE Int Conf on Computer Vision and Pattern Recognition, 2005, vol 1, pp 886-893 [13] H.W KUHN, “On the origin of the Hungarian Method”, History of mathematical programming; a collection of personal reminiscences, North Holland, Amsterdam, pp 77–81, 1991 [14] C TOMASI AND T KANADE, "Detection and [10] ZHANG, LUN, ET AL "Face detection based on multi-block lbp representation” Advances in Biometrics Springer Berlin Heidelberg, 2007 11-18 Tracking of Point Features" Pattern Recognition 37, pp 165–168, 2004 [11] T OJALA, M PIETIKAINEN, AND T MAENPAA, "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", IEEE Nhận ngày: 05/05/2015 SƠ LƢỢC VỀ TÁC GIẢ TRẦN NGUYÊN NGỌC TỪ MINH PHƢƠNG Tốt nghiệp ĐH năm 2005, bảo vệ luận án tiến sỹ “Phân tích hệ thống, điều khiển xử lý thơng tin” năm 2007 Rostov – LB Nga Hiện công tác khoa CNTT Học viện Kỹ thuật Quân Hướng nghiên cứu: xử lý ảnh, học máy, an tồn thơng tin Email: ngoctn@mta.edu.vn HOÀNG ANH TUẤN Tốt nghiệp Trường ĐH Bách khoa Hà Nội năm 2007 chuyên ngành Toán-Tin ứng dụng Tốt nghiệp ĐH trường Bách khoa Taskent năm 1993, bảo vệ tiến sỹ Viện hàn lâm khoa học Uzbekistant, Taskent, năm 1995 Được phong chức danh Phó giáo sư năm 2007 Từ năm 2000 đến công tác khoa CNTT, Học viện Cơng nghệ Bưu Viễn thông Hiện Trưởng khoa, khoa CNTT Học viện Cơng nghệ Bưu Viễn thơng Hướng nghiên cứu: ứng dụng học máy, tin sinh học E-mail: phuong.tu@gmail.com Hiện công tác TT nghiên cứu Phát triển sản phẩm công ty FPT- Software Hướng nghiên cứu: Học máy xử lý ảnh Email: tuanha2@fsoft.com.vn - 62 - ... giao thông từ camera đặt đường nghiên cứu từ nhiều năm với số hệ thống sử dụng thực tế [2] Tính chung hệ thống dạng phát phương tiện giao thơng Một số hệ thống có thêm khả phân loại phương tiện, ... v.v., bám phương tiện để xác định chuyển động thẳng hay rẽ [4,7] Trong hệ thống dạng này, phần quan trọng phần phát phương tiện giao thông Cách tiếp cận chung cho phát phương tiện giao thông phát... thông dụng HOG kết hợp với thuật toán phân loại Tập V-1, Số 15 (35), tháng 6/2016 SVM [5] Khó khăn sử dụng phương pháp phân biệt phương tiện giao thơng theo nhóm gần Giải pháp cho vấn đề giải