Tên đề tài: “Ứng dụng thị giác máy tính vào hệ thống giao thông thông minh”

Tác giả: Vũ Lê Quỳnh Phương, Khóa: 2017

Ngành: Hệ thống thông tin; Mã số: 62480104. Nhóm ngành: Máy tính và công nghệ thông tin

Người hướng dẫn chính: PGS.TS. Phạm Nguyên Khang - Trường Đại học Cần Thơ

Người hướng dẫn phụ: TS. Trần Nguyễn Minh Thư - Trường Đại học Cần Thơ

1. Tóm tắt nội dung luận án

Hệ thống giao thông thông minh góp phần tự động hóa quản lý giao thông thông qua ba giai đoạn: thu thập, xử lý dữ liệu và cung cấp thông tin cho người tham gia và nhà quản lý. Luận án sử dụng dữ liệu từ camera giám sát để giải quyết hai bài toán chính: ước lượng mật độ và lưu lượng giao thông – hai chỉ số then chốt trong tối ưu hóa điều tiết giao thông. Để tiếp cận vấn đề một cách hiệu quả, luận án được chia thành ba bài toán thành phần: (1) phân loại tình trạng giao thông, nhằm nhận biết các khu vực tắc nghẽn và làm cơ sở cải thiện độ chính xác của bài toán ước lượng mật độ; (2) ước lượng mật độ giao thông thông qua phát hiện và đếm phương tiện tại một khu vực trong thời gian thực, hỗ trợ cảnh báo sớm và quyết định điều hành; và (3) ước lượng lưu lượng giao thông bằng cách theo dõi, đếm phương tiện di chuyển qua một điểm trong khoảng thời gian nhất định, đồng thời tính toán tốc độ lưu thông.

2. Những kết quả mới của luận án

Tập dữ liệu: Trong lĩnh vực giao thông thông minh, các tập dữ liệu sẵn có chưa phản ánh đặc thù giao thông tại Việt Nam: đường hẹp, nhiều xe thô sơ.... Do đó, luận án đã thu thập dữ liệu từ camera giám sát tại Kiên Giang và Đà Nẵng, với nhiều vị trí, thời điểm và điều kiện thời tiết khác nhau. Hai loại tập dữ liệu được sử dụng: (1) tập dữ liệu phân lớp tình trạng giao thông gồm ba lớp: “kẹt xe”, “đường đông”, “đường thông thoáng”; (2) tập dữ liệu phát hiện đối tượng gồm ba nhãn: “0” (xe ưu tiên), “1” (xe hai bánh), “2” (xe bốn bánh).

Phân loại tình trạng giao thông: Để hỗ trợ cho bài toán ước lượng mật độ giao thông, luận án đề xuất hướng tiếp cận phân loại tình trạng giao thông dựa trên kỹ thuật học sâu với việc tinh chỉnh mạng RepVGG. Kết quả thực nghiệm trên dữ liệu thực tế cho thấy mô hình đạt độ đo trung bình điều hòa 94,5% với tốc độ xử lý 94,25 FPS. Ngoài ra, mô hình được so sánh với các kỹ thuật học máy khác và chứng minh tính khả thi trên cùng tập dữ liệu.

Ước lượng mật độ giao thông: Luận án đề xuất hai hướng tiếp cận chính trong bài toán ước lượng mật độ giao thông, gồm: tiếp cận trực tiếp và tiếp cận kết hợp.

Ở hướng tiếp cận trực tiếp, mật độ giao thông được ước lượng thông qua việc phát hiện và đếm số lượng phương tiện trong ảnh giao thông, sử dụng các mô hình học sâu một giai đoạn (YOLO) và hai giai đoạn (Faster R-CNN). Số lượng phương tiện đếm được là cơ sở để xác định mật độ giao thông tại thời điểm quan sát.

Tuy nhiên, trong các tình huống giao thông đông đúc, hiện tượng chồng lấp phương tiện làm giảm độ chính xác của các mô hình phát hiện. Do đó, hướng tiếp cận kết hợp được đề xuất nhằm khắc phục hạn chế này. Phương pháp kết hợp sử dụng mô hình phân loại ảnh để xác định tình trạng giao thông, sau đó ước lượng mật độ dựa trên kết quả phân loại. Cách tiếp cận này giúp tăng cường khả năng xử lý trong thời gian thực và cải thiện hiệu quả hệ thống trong điều kiện phương tiện chồng lấp, điển hình như trong tình huống ùn tắc. Kết quả thực nghiệm cho thấy tốc độ xử lý được nâng cao từ 0,67 FPS lên 11,64 FPS.

Ước lượng lưu lượng giao thông: Để ước lượng lưu lượng giao thông, luận án đề xuất các mô hình theo dõi đối tượng chuyển động dựa trên những cách tiếp cận khác nhau của kỹ thuật học sâu. Mô hình đề xuất có khả năng ước lượng lưu lượng giao thông chính xác và theo thời gian thực. Kết quả thực nghiệm cho thấy mô hình đạt sự cân bằng giữa độ chính xác và tốc độ xử lý, với tốc độ thực thi 2,98 FPS và sai số trung bình 2,18%.

3. Các ứng dụng/khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu

Các mô hình có thể triển khai tại trung tâm điều hành để theo dõi tình trạng giao thông thời gian thực, hỗ trợ cơ quan chức năng đưa ra quyết định điều tiết như phân luồng, chuyển hướng hoặc cảnh báo kịp thời nhằm giảm ùn tắc. Đồng thời, hệ thống có thể cung cấp thống kê mật độ xe, phục vụ phân tích xu hướng và dự báo giao thông, cũng như hỗ trợ nhận dạng phương tiện, đặc biệt là xe ưu tiên, trong các ứng dụng như ưu tiên giao lộ tự động và xử lý vi phạm.

Dữ liệu hiện tại chưa bao quát thời gian ban đêm và còn hạn chế về phương tiện ưu tiên, cần được mở rộng nhằm nâng cao chất lượng của mô hình.

INFORMATION OF THESIS

Thesis title: Application of computer vision into intelligent transportation systems

- Major: Information System                                    Code: 62 48 01 04

- Full name of PhD student: Vu Le Quynh Phuong  Year: 2017

- Scientific supervisor:   Assoc. Prof. Dr. Pham Nguyen Khang

                                      Dr. Tran Nguyen Minh Thu

- Educational institution: CanTho University

1. Content of thesis summary

Intelligent Transportation Systems (ITS) contribute to the automation of traffic management through three stages: data collection, data processing, and information dissemination to road users and authorities. This dissertation leverages data from surveillance cameras to address two key problems: traffic density estimation and traffic flow estimation—two critical indicators for optimizing traffic regulation. To approach these problems efficiently, the dissertation is structured into three sub-problems: (1) traffic condition classification, which identifies congested areas and serves as a foundation to improve the accuracy of traffic density estimation; (2) real-time traffic density estimation by detecting and counting vehicles in a given area, supporting early warnings and operational decisions; and (3) traffic flow estimation by tracking and counting vehicles passing through a point within a given time period, along with calculating traffic speed.

2. The novel aspects from the thesis

Dataset: In the field of intelligent transportation systems, existing datasets do not adequately reflect the specific characteristics of traffic in Vietnam, such as narrow roads and a high prevalence of rudimentary vehicles. Therefore, this dissertation collected data from surveillance cameras in KienGiang and DaNang, covering various locations, time periods, and weather conditions. Two types of datasets were used: (1) a traffic condition classification dataset with three categories: "traffic jam," "heavy traffic," and "light traffic"; and (2) an object detection dataset with three labels: "0" (priority vehicles), "1" (two-wheels vehicles), and "2" (four-wheels vehicles).

Traffic Condition Classification: To support the problem of traffic density estimation, this dissertation proposes a traffic condition classification approach based on deep learning by fine-tuning the RepVGG network. Experimental results on real-world data show that the model achieved a harmonic mean (F1-score) of 94.5% with a processing speed of 94.25 FPS. Additionally, the model was compared with other machine learning techniques and demonstrated its feasibility on the same dataset.

Traffic Density Estimation: This dissertation proposes two main approaches for traffic density estimation: the direct approach and the hybrid approach.

In the direct approach, traffic density is estimated by detecting and counting the number of vehicles in traffic images using both one-stage deep learning models (YOLO) and two-stage models (Faster R-CNN). The number of vehicles detected serves as the basis for determining traffic density at a given time.

However, in congested traffic scenarios, vehicle occlusion reduces the accuracy of detection models. To address this limitation, a hybrid approach is proposed. This method employs an image classification model to determine the traffic condition and then estimates traffic density based on the classification result. This approach enhances real-time processing capabilities and improves system performance in occlusion-prone conditions, such as traffic jams. Experimental results show that processing speed improved from 0.67 FPS to 11.64 FPS.

Traffic Flow Estimation: The dissertation proposes object tracking models based on various deep learning approaches to estimate traffic flow. The proposed models are capable of estimating traffic flow with high accuracy and in real time. Experimental results demonstrate that the models achieve a balance between accuracy and processing speed, with 2.98 FPS and an average error of 2.18%.

3. Application prospect and suggestions for further study

The proposed models can be deployed in traffic control centers to monitor real-time traffic conditions, supporting authorities in making traffic management decisions such as lane assignment, rerouting, or issuing timely alerts to mitigate congestion. Additionally, the system can provide vehicle density statistics to support trend analysis and traffic forecasting, as well as assist in vehicle recognition—particularly for priority vehicles—in applications such as automated intersection prioritization and traffic violation processing.

Currently, the dataset does not cover nighttime conditions and contains limited samples of priority vehicles. Therefore, further data expansion is necessary to enhance the model’s quality.

• Xem chi tiết nội dung luận án
• Xem thông tin đăng tải tại Website Bộ giáo dục và Đào tạo. (Nhập tên NCS vào ô tìm kiếm)