Nghiên cứu thuật toán nhận dạng người đi đường, xe và chướng ngại vật cho ô tô chạy tự động

Nội dung text: Nghiên cứu thuật toán nhận dạng người đi đường, xe và chướng ngại vật cho ô tô chạy tự động

1. NGHIÊN CỨU THUẬT TOÁN NHẬN DẠNG NGƯỜI ĐI ĐƯỜNG, XE VÀ CHƯỚNG NGẠI VẬT CHO Ô TÔ CHẠY TỰ ĐỘNG. RESEARCH ALGORITHM IDENTIFYING PEDESTRIANS, VEHICLES AND OBSTACLES FOR AUTONOMOUS VEHICLE Phan Tiến Vương1, Lê Thanh Phúc2 1Trường Cao Đẳng Giao Thông Vận Tải Tp.HCM 2Trường Đại học Sư phạm Kỹ thuật Tp.HCM TÓM TẮT Nhận dạng người đi đường, xe và chướng ngại vật là một đề tài hỗ trợ cảnh báo cho người lái xe và cho hệ thống giao thông thông minh. Mô hình nhận người đi đường với giả định tỉ lệ kích thước người trong ảnh không đổi. Nhận dạng người đi đường dùng giải thuật máy học SVM với đặc trưng HOG. Mô hình nhận xe với tỉ lệ kích thước xe trong ảnh thay đổi. Nhận dạng xe và chướng ngại vật dùng Cascade of boosting với đặc trưng HOG.Tính toán khoảng cách dựa trên khung ROI nhận dạng trong ảnh. Đề tài nghiên cứu sử dụng Webcam làm bộ phận thu hình ảnh chính được gắn trên xe ô tô xử lý bằng phần mềm Matlab và chạy thực nghiệm trên đường cho kết quả nhận dạng tốt. Đề tài đã xây dựng được một chương trình nhận dạng người đi đường, xe và chướng ngại vật. Từ khóa: Nhận dạng người đi đường, Nhận dạng người, xe, nhận dạng chướng ngại vật, đặc trưng HOG, Cascade of boosting, máy học SVM. ABSTRACT Pedesttrian detection, vehicle detection and object recognition are applied to support drivers in warning them and to intelligent transportation system. The system which detects pedestrian is based on an assumption that the sizes of pedesttrian images are fixed. Pedesttrian dectection process employs Support Vector Machine- Histograms of Oriented Gradients And the system identifies vehicles when the sizes of those in the images are changeable. Vehicle detection and object recognition process employs Cascade of boosting -Histograms of Oriented Gradients. Measuring the distance based on regions of interest. This research uses webcam built in cars as the major camera and works with Matlab. Practical experiments on the streets have achieved good acquisition results.The research also creates a programme identifying pedestrians, vehicles and obstacles. Keywords: Pedesttrian detection, vehicle detection, object recognition, Histograms of Oriented Gradient, Cascade of boosting, Support Vector Machine. 1. Giới thiệu vực xe chạy tự động phải kể đến hãng Google Tình trạng giao thông ngày càng phức tạp, vào 10/2010 chiếc Toyota Prius được chạy thử an toàn đã trở thành vấn đề được đặt lên hàng nghiệm thành công. Tiếp theo sau đó là những đầu trong ngành công nghiệp sản xuất xe hơi. phiên bản xe chạy tự động được cải tiến để Với một loạt các phát minh từ túi khí cho đến hoàn chỉnh hơn. Trong hệ thống xử lý điều hệ thống tự động cảnh báo va chạm được ra khiển xe chạy tự động sử dụng các thiết bị đời, giúp người lái xe và hành khách được bảo camera, lidar và radar nhận dạng các đối đảm an toàn hơn. Các hãng xe luôn hướng tới tượng. Việc sử dụng camera với các thuật toán sản xuất những chiếc xe thông minh hơn, được xử lý nhận dạng trở nên vượt trội. điều khiển tự động phục vụ tất cả mọi người Có nhiều nghiên cứu về nhận dạng người đi kể cả người không có khả năng lái xe. đường, xe và chướng ngại vật với mục đích và Năm 2013 hãng xe Toyota ra mắt xe chạy các phương pháp khác nhau. Trong đó điển tự động Lexus AASRV. Tuy nhiên trong lĩnh hình Navneet Dalal and Bill Triggs đã nghiên cứu phương pháp sử dụng các đặc trưng
2. Histograms of Oriented Gradients-HOG để thành ảnh mức xám và sử dụng bộ lọc ảnh nhận dạng người và sử dụng máy vector hỗ trợ Gaussian hoặc bộ lọc ảnh Square root. để phân loại [1]. Từ đó trên thế giới có rất Bộ lọc Gaussian nhiều nghiên cứu dựa trên đặc trưng HOG xy22 1 2 nhận dạng người đi đường, nhận dạng xe và 2 G x, ye 2 (1) các loại đồ vật được ra đời. Năm 2009 VA 2  Prisacariu, I D Reid cải thiện tốc độ xác định Bộ lọc Square root  các đặc trưng HOG của máy tính “fast HOG-a II (2) real-time GPU implementation of HOG”. Năm sq 2 2012, Jon Arróspide, Luis Salgado and Javier Với: I là ảnh đầu vào,  trọng số. Marinas xây dựng phương pháp nhận dạng xe dựa trên các đặc trưng HOG bộ lọc Gaussian Tập hợp mẫu Tập hợp mẫu [2]. Các phương pháp khác nhận dạng người ảnh dương ảnh âm và xe có những ưu điểm riêng nhưng phương pháp nhận dạng dựa trên đặc trưng HOG có khả năng nhận dạng tốt nhất. Trích xuất đặc Trích xuất đặc Nghiên cứu này trình bày thuật toán xử lý trưng HOG trưng HOG ảnh nhận dạng đối tượng người đi đường, xe và chướng ngại vật cho ô tô chạy tự động. Trong đó nhận dạng người đi đường dựa trên Phân loại máy học Nhập ảnh trên đặc trưng Histogram of Oriented vector SVM nhận dạng Gradients kết hợp với máy học vector SVM. Nhận dạng xe và chướng ngại vật dựa trên đặc trưng Histogram of Oriented Gradients kết hợp Nhận dạng ảnh Trích xuất với bộ phân lớp Cascade. Kết hợp với việc xác đặc trưng định khoảng cách từ camera đến đối tượng HOG Kết quả nhận dạng nhận dạng. 2. Nội dung nghiên cứu Hình 1. Sơ đồ nhận dạng người đi đường. 2.1 Phương pháp nhận dạng người đi  Tính Gradient, Chia hướng và gom đặc đường trưng tại mỗi nhóm cell Phương pháp nhận dạng người đi đường Gradient là một vectơ f(x, y) có các thành dựa trên đặc trưng Histogram Of Oriented phần biểu thị tốc độ thay đổi mức xám của Gradient-HOG kết hợp phân loại máy học điểm ảnh (theo hai hướng x, y trong bối cảnh vector SVM. Với hai tập hợp mẫu ảnh dương xử lý ảnh hai chiều) tức: chứa người đi đường trong ảnh và tập mẫu ảnh GI 1 0 1 (3) âm không chứa người đi đường trong ảnh. x   GI 1 0 1 ' (4) Tập hợp mẫu ảnh dương 3500 ảnh, tập hợp y   mẫu ảnh âm 4000 ảnh và có cùng kích thước  Chia hướng không gian xác định 96x160 pixel. Tập hợp mẫu ảnh được phân gradient tại các pixel loại với máy học vector SVM làm cơ sở dữ liệu nhận dạng ảnh. Tại tọa độ của mỗi pixel chứa giá trị cường độ và hướng. 2.1.1 Đặc trưng Histogram Of Oriented cường độ: GGG 22 (5) Gradient xy Thuật toán rút trích đặc trưng Histogram Of G Hướng:  =arctan x (6) Oriented Gradient-HOG là thuật toán xác định Gy tập vector của ảnh. Thuật toán HOG được mô Các pixel được gom thành một cell có kích tả qua các sau [3]: thước 8x8 pixel theo hướng từ [0, ).  Nhập ảnh, chuẩn hóa Gamma và colour  Tính đặc trưng cho block Ảnh mẫu nhận dạng có kích thước 96x160 Một block được chọn gồm nhiều cell trong pixel. Ảnh đầu vào là ảnh RGB được chuyển bài toán sử dụng block gồm 2x2 cell và ngoài
3. ra có các dạng block chồng lấp lên nhau. Sau đó các block được chuẩn hóa qua chuẩn ma trận.Có bốn quan tắc chuẩn hóa đối với bài toán nhận dạng người sử dụng chuẩn L1-norm. v L1-norm: f (7) (||ve || ) 1 Trong đó: - v: Là các vector chưa chuẩn hóa - ||v||: Là chuẩn của ma trận v. - ||v||1: Là tổng của cột thứ nhất. - e: Là một hằng số. Hình 3. Phân loại tập vector mẫu ảnh dương  Tính vector đặc trưng cho cửa sổ và mẫu ảnh âm. Sau khi chuẩn hóa block các vector của mỗi Lề của siêu phẳng là d+ + d- . Trong trường block có các giá trị khác nhau được xác định hợp tuyến tính này vector hỗ trợ tìm các siêu số block co trong một ảnh. Vector đặc trưng phẳng phân cách với lề (margin) lớn nhất. Giả của các block được gom thành một tập vector sử tất cả dữ liệu huấn luyện thỏa điều kiện: đặc trưng cho ảnh. xi .w b1 , với yi= +1 (8) x .w b1 , với y = -1 (9) i i Kết hợp (8) và (9) yx( .w b) 1 0 (10) ii Khi dấu bằng trong (8) xảy ra, ta có các điểm nằm trên siêu phẳng H : x .w b 1 và 1 i a) b) khoảng cách đến gốc tọa độ là |1 –b| /|| w ||. Hình 2. Xác định đặc trưng HOG cho mẫu Tương tự, các điếm nằm trên siêu phắng H2: ảnh dương x .w b 1có khoảng cách đến gốc tọa độ là a)Hình gốc, b)Hình ảnh xác định đặc trưng i HOG |-1-b|/ ||W||. Vì thế, d+ = d- =1/||W|| và độ lớn lề 2.1.2 Máy hỗ trợ vector SVM tuyến tính là 2/||w||. Như vậy, ta có thể tìm cặp siêu phẳng SVM tuyến tính thực hiện phân chia hai sao cho độ lớn lề là lớn nhất theo phương trình tập dữ liệu theo siêu phẳng tuyến tính. Giả sử (9) [4]. ta có tập huấn luyện vector mẫu ảnh dương và 2.2 Phương pháp nhận dạng xe và chướng tâp vector mẫu ảnh âm {xi,yi}, i=1, ,l, d ngại vật yi 1,1, xRi . Ta muốn phân chia các Nhận dạng xe và chướng ngại vật sử dụng mẫu ảnh dương ra khỏi các mẫu ảnh âm. Các mẫu ảnh dương nằm trong vùng có y = +1 hay đặc trưng HOG kết hợp phân loại Cascade of vùng H2 và các mẫu ảnh âm nằm trong vùng boosting. Tập hợp các mẫu ảnh dương chứa y= - 1 tương ứng với vùng H1 đối tượng và tập hợp mẫu ảnh âm không chứa đối tượng được tạo thành cơ sở dữ liệu. Với thuật toán AdaBoost tạo dữ liệu mẫu và phân Các điểm xi nằm trên siêu phẳng thỏa mãn loại với bộ phân lớp Cascade. w.x+b = 0. Và |b|/||w|| là khoảng cách từ siêu phẳng đến gốc tọa độ, trong đó ||w|| là độ lớn của w. Đặt d+ (d.) là khoảng cách ngắn nhất từ siêu phẳng đến mẫu tích cực (thụ động) gần nhất.
4. Mẫu ảnh dương Mẫu ảnh âm Thuật toán AdaBoost với đặc trưng HOG trainCascadeObjectDetector function fx Hình 6. Mẫu ảnh chướng ngại vật 2.2.1 Thuật toán AdaBoost Bộ phân lớp Cascade AdaBoost (Adaptive Boost) là một thuật Vision.CascadeObjectDetector toán học mạnh, giúp đẩy nhanh việc tạo ra một bộ phân loại mạnh (strong classifier) bằng Giai đoạn 1 2 N cách chọn các đặc trưng tốt trong một họ gồm h h - N hitrate = h các phân loại yếu (weak classifier – bộ phân . loại yếu) và kết hợp chúng lại tuyến tính bằng falsealarms = fN 1 cách sử dụng các trọng số. Trong nghiên cứu 1 1 Không ph-ải đối tượ-ng này sử dụng thuật toán tăng tốc thích nghi linh hoạt (Gentle AdaBoost - GAB). Nhận dạng đối tượng Nhập ảnh Bảng 1. Gentle AdaBoost [5] So sánh dữ liệu mẫu nhận dạng 1. Cho N mẫu x1,, , yx 1, y NN với Hình 4. Sơ đồ nhận dạng xe và chướng ngại xy  k ,1,1  vật i 2. Bắt đầu với các trọng số wi=1/N, Số lượng mẫu ảnh dương 1500 hình và ảnh i=1, ,N âm 3000 hình. Trong đó hình ảnh âm được 3. Lặp lại cho m=1, ,M chụp và thu thập trên internet. Để nhận dạng (a) Phù hợp với hàm đệ quy fxm bởi tốt kích thước ảnh mẫu được chia thành ba trọng số bình phương tối thiểu (least- loại. Kích thước ảnh mẫu xe 20x20 pixel nhận squares) của yi đối với xi với trọng số dạng ở khoảng cách xa, kích thước ảnh mẫu xe w 64x64 pixel nhận dạng ở khoảng tầm trung và i (b) Đặt giá trị w w.exp y . f x , kích thước ảnh mẫu xe 128x128 pixel nhận i i i m i dạng ở khoảng cách gần. Mẫu ảnh nhận dạng i = 1, , N, và chuẩn hóa các trọng số của đề tài tập trung vào xe ô tô con và xe du để lịch.  wi 1 i Đối với chướng ngại vật trên đường chủ Ngõ ra của bộ phân loại yếu là cọc tiêu đường, nên đề tài chọn ảnh mẫu M nhận dạng là các loại cọc tiêu đường. Số lượng sign  cmm. f x m 1 ảnh mẫu dương 100 hình và ảnh mẫu âm 1000 hình. Kích thước ảnh mẫu chướng ngại vật 2.2.2 Bộ phân lớp Cascade 32x64 pixel. Quá trình huấn luyện, bộ phân loại phải duyệt qua tất cả các đặc trưng HOG của các mẫu trong tập mẫu ảnh âm và mẫu ảnh dương. Qua 20 giai đoạn tạo dữ liệu nhận dạng và a) b) định dạng file xml. Bảng 2. Thuật toán phân lớp Cascade[5] 1. Gọi: c) F là giá trị false alarm và d là độ chính Hình 5. Tập hợp mẫu ảnh xe xác của weak classifier ở mỗi stage a) Ảnh xe 20x20pixel, b) Ảnh xe 64x64 pixel, Ftarget: Giá trị max false alarm. c) Ảnh xe 128x128 pixel. P, N là số lượng mẫu positive và
5. negative. Pi, Ni là tập positive và negative cho bộ y phân lớp ở tầng thứ i. f Fi, Di: Giá trị false alarm và độ chính xác của cascade trước khi đến tầng thứ (x,y) i. x Tâm quang 2. Khởi tạo i=0; F0=1.0; D0 = 1.0 (x0,y0) 3. Lặp: while Fi >Ftarget Trục quang học i = i+1; Huấn luyện bộ phân loại hi từ tập Pi và Mặt phẳng ảnh h Ni với detection rate d và max false alarm f. Thêm hi vào cây phân lớp. P Dùng cây phân lớp hiện có để tính Fi: d Duyệt qua N mẫu negative cho đến khi nào tìm đủ n mẫu mà cây phân lớp hiện Hình 7. Mô hình chuyển đổi tọa độ [6] n có phân loại sai. ( F ) i N Tuy nhiên khi ảnh hiện thị là tọa độ pixel, N :=  giả sử O1 (u0, v0) là tọa độ pixel giao với trục quang học và mặt phẳng ảnh. Kích thước vật Nếu Fi >Ftarget N = { số mẫu sai ở stage hiện tại phân loại lý của một điểm ảnh tương ứng với trục x và sai }. trục y trên mặt phẳng ảnh là dx và dy. Việc P = { số mẫu positive mà stage hiện tại chuyển đổi được xác định theo công thức sau: phân loại dúng } x y uu 0 ; vv 0 (12) 2.3 Đo khoảng cách từ camera tới đối tượng dx dy Hình ảnh trong không gian là hình ảnh ba x u u0 dx (13) chiều được chiếu lên một camera CCD của y v v0 d y mặt phẳng hình ảnh hai chiều, phép chiếu này thường được sử dụng để mô tả sự chuyển đổi Tại xy00 0 thế vào công thức (3.1) ta có: hình học. Với P là một điểm trên đối tượng d hv/ tan v a arctan 0 / y (14) mục tiêu; d là khoảng cách từ trung tâm quang đến điểm P. Dựa trên mối quan hệ hình học (với ax f/ dx , ay f/ dy ) (3.1) trên, công thức (11) cho thấy cách tính toán Trong đó: v là tọa độ pixel trên trục y và có khoảng cách d [6]. thể được trả lại từ quá trình phát hiện đối tượng. Kỹ thuật camera calibration xác định d hy/ tan y f arctan 0 / (11) thông số trong của webcam Logitech C920 kich thước anh 480x640 pixel với: ax=636.2, Trong đó: ay=6535.63, u0=321.5, v0=237.07. f : Là tiêu cự của máy ảnh. : Góc nghiêng camera là. Đo khoảng các người đi đường với h=1.2 h : Là chiều cao trung tâm quang học. m, =0, kích thước ảnh 640x480 pixel. Từ khung ROI nhận dạng người đi đương xác (x0, y0) : Là giao điểm của mặt phẳng ảnh và trục quang học. định khoảng cách người đi đường trong ảnh. (x, y) : Tọa độ chiếu của điểm P trên mặt Bảng 3. Kết quả đo khoảng cách người đi bộ phẳng ảnh. Khoảng cách đo Khoảng cách thực tế 5 m 4.97m 7 m 7.3 m 10 m 10.24 m 12 m 12.32 m 15 m 15.43 m Khoảng cách người trong ảnh càng xa là cho độ chính xác giảm. Với kích thước file
6. mẫu ảnh người đi đường cố định nên không đường đứng quá gần nhau, che lấp nhau dẫn nhận dạng người ở khoảng cách xa được. đến việc nhận dạng thành một người. 3.2 Thực nghiệm nhận dạng xe Nhận dạng xe với Thuật toán tốt đối tượng a) 5 m b) 7m c) 10 m d) 15m xe không bị nhần lẫn với các đối tượng khác. Hình 8. Kết quả đo khoảng cách người đi đường 3. Kết quả Nghiên cứu thử nghiệm trên 200 ảnh người đi đường cho kết quả nhận dạng đạt 91%. Tuy nhiên vẫn có một số phát hiện nhần lẫn với Hình 11. Nhận dạng một xe người điều khiển xe gắn máy. Thử nghiệm trên Việc nhận dạng tốt nhiều xe ở khoảng cách 200 ảnh tĩnh cho kết quả nhận dạng đạt 93 %. xa và trong góc khuất. Khả năng nhận dạng xe khá tốt, hệ thống nhận dạng chính xe trong ảnh thay đổi từ lớn đến nhỏ. Thử nghiệm trên 50 ảnh cho kết quả nhận dạng đạt 84%. Khả năng nhận dạng chướng ngại vật khá tốt, hệ thống nhận dạng chính chướng ngại vật trong ảnh Thực nghiệm dùng webcam Logitech C920 Hình 12. Nhận dạng nhiều xe ở khoảng cách gắn trên xe ô tô và chạy trên đường. Webcam xa. có nhiệm vụ thu thập hình ảnh và hình ảnh từ webcam sẽ được chuyển vào máy tính. Máy tính lúc này sẽ thực hiện việc so sánh và xử lý các hình ảnh thông qua phần mềm Matlab, sau đó nó sẽ xuất hình ảnh nhận dạng trên Guide giao diện. Hình 13. Nhận dạng nhiều xe ở khoảng cách gần. 3.1 Thực nghiệm nhận dạng người đi đường Phương pháp nhận dạng tốt với việc nhận 3.3 Thực nghiệm nhận dạng chướng ngại dạng một người đi đường. vật Các cọc tiêu đường được nhận dạng chính xác. Tuy nhiên, do tỉ lệ cọc tiêu trong ảnh ở cuối nhỏ, bị chồng lấp và mẫu nhận dạng chưa đầy đủ nên chưa nhận dạng được. Hình 9. Nhận dạng một người đi đường Hình 14. Nhận dạng cọc tiêu đường 3.4 . Thực nghiệm đo khoảng cách Do hạn chế về thiết bị camera nên khoảng Hình 10. Nhận dạng nhiều người đi đường cách đo còn giới hạn. Tỉ lệ người trong ảnh ở Nhận dạng nhiều người đi đường có sự khoảng cách xa rất nhỏ nên xác định khoảng trùng lặp vùng nhận dạng khi hai người đi cách ở khoảng 20m trở lại. Mẫu ảnh nhận đường đứng gần nhau. Hình 10 hai người đi
7. người phải có kích thước pixel nhỏ để nhận Bảng 4. So sánh các phương pháp nhận dạng dạng chính xác. người đi đường [6]. Phương pháp F1 measure(%) HC Surf RBF-SVM 96.2 Gabor RBF-SVM 87 Haar RBF-SVM 91 Haar-Like Boosted 95.43 Hình 15. Thực nghiệm do khoảng cách người cascade đi đường. HOGBoosted cascade 93.7 Luận văn (HOG+SVM) 91.11 Việc tính toán khoảng cách xe trong nghiên nghiên cứu này với độ chính xác khoảng 120m Nhận dạng xe và chướng ngại vật với bộ trở lại. phân lớp Cascade of boosting classifiers với đặc trưng HOG sử dụng hai độ đo là tỉ lệ phát hiện đúng (detection rate) và tỉ lệ phát hiện sai (false rate). số ảnh nhận dạng đ ng etection rate tổng số ả mẫu dương (18) Hình 16. Thực nghiệm do khoảng xe trong số ảnh nhận dạng sai a se rate ảnh. tổng số ảnh mẫu âm (19) 3.5 Đánh giá Bảng 5. Đánh giá phương pháp nhận dạng xe Để đánh giá độ chính xác của phương pháp với mẫu ảnh xe 20x20 pixel [7]. nhận dạng người đi đường luận văn sử dụng độ chính xác độ chính xác (precision) và độ Phương pháp Detection False rate bao phủ (recall). rate TP PCA+ICA 95% 0.002% Độ chính xác: Precision= (15) AdaBoost+Haar 97.5% 0.0018% TP+ FP TP like Độ bao phủ: Recall = (16) PDBNN 96.6% 0.0078% TP+ FN Proposed System 96.3% 0.0013% Tiêu chí đánh giá F1 measure là sự kết hợp của 2 tiêu chí đánh giá Precision và Recall. Luận văn 96.4% 0.0002% (CBC+HOG) precision recall F 2 (17) 4. Kết luận precision recall Qua quá trình nghiên cứu đề tài đã cơ bản Trong đó: hoàn thành được yêu cầu đặt ra.Tuy nhiên, kết True Positive (TP) là tỉ lệ đo số mẫu ảnh quả đạt được còn một số hạn chế về thiết bị. dương được phân đúng loại dương. Sau đây là một số nội dung thực hiện được ở False Positive (FP) là tỉ lệ đo số số mẫu đề tài. ảnh dương được sai phân loại âm. - Ứng dụng được phần mền Matlab vào True Negative (TN) là tỉ lệ đo số mẫu thu thập và xử lý hình ảnh, nhận dạng người đi ảnh âm được phân đúng loại âm. đường, xe và chướng ngại vật. False Negative (FN) là tỉ lệ đo số số mẫu - Đo khoảng cách từ camera đến người đi ảnh âm được phân sai loại dương. đường, xe. Nhận dạng người đi đường bằng thuật toán - Người thực hiện còn học hỏi, tích lũy máy học vector SVM với đặc trưng HOG cho được một số kiến thức về xử lý ảnh và điều kết quả trong bảng sau: khiển tự động. Đề tài vẫn chưa áp dụng cho xe tham gia giao thông thực tế. Vì vậy để áp dụng được
8. vào trong thực tế giao thông thì cần áp dụng và - Nghiên cứu chế tạo thiết bị cảnh báo thực hiện tiếp một số nội dung sau đây: sớm va chạm người, xe và chướng ngại vật. - Nghiên cứu thuật toán xử lý ảnh nhận - Nghiên cứu thuật toán kết hợp xử lý ảnh, dạng người đi đường, xe và chướng ngại vật điều khiển tự động với hệ thống lái để tránh vào ban đêm. được các vật cản trên đường. - Nghiên cứu thuật toán xác định khoảng cách người đi đường, xe và chướng ngại vật sử dụng hai camera TÀI LIỆU THAM KHẢO [1] Navneet Dalal and Bill Triggs, Histograms of Oriented Gradients for Pedesttrian Detection, Computer Vision and Pattern Recognition, vol.1, pp.886 - 893, 2005. [2] Jon Arróspide, Luis Salgado and Javier Marinas, HOG-like gradient-based descriptor for visual vehicle detection, Intelligent Vehicles Symposium, pp. 223 – 228, 2012. [3] Navneet DALAL, Finding People in Images and Videos,Institut National Polytechnique de Grenoble, Institut National Polytechnique De Grenoble, pp. 14, 2006. [4] TS Nguyễn Thanh Hải, Giáo trình Xử lý ảnh, Đại học Quốc Gia Tp Hồ Chí Minh, trang 161, 2014. [5] Chin-Teng Lin, Sheng-Chih Hsu, Ja-Fan Lee, Chien-Ting Yang, Boosted Vehicle Detection Using Local and Global Features, Journal of Signal and Information Processing, vol.4, pp. 243- 252, 2013. [6] Sheng-Chih Hsu, Ja-Fan Lee, Chien-Ting Yang, Boosted Vehicle Detection Using Local and Global Features, Intelligent Vehicles Symposium, pp. 750 – 755, 2004. [7] Boguslaw Cyganek, Object Detection and Recognition in Digital Images Theory and Practice, AGH University of Science and Technology, Poland, pp. 215, 2013.
9. BÀI BÁO KHOA HỌC THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ Bài báo khoa học của học viên có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam. Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh. ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN! Thực hiện theo MTCL & KHTHMTCL Năm học 2016-2017 của Thư viện Trường Đại học Sư phạm Kỹ thuật Tp. Hồ Chí Minh.