ĐẠI HỌC QUỐC GIA TP.HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
--------------------------
ĐỒNG NGỌC MINH CÔNG
XÂY DỰNG HỆ THỐNG PHÁT HIỆN LÀN ĐƯỜNG
VÀ VẬT CẢN
Chuyên ngành: Kỹ thuật điện tử
Mã số: 60 52 02 03
LUẬN VĂN THẠC SĨ
TP.HỒ CHÍ MINH, tháng 7 năm 2018
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG –HCM
Cán bộ hướng dẫn khoa học: TS. Trần Hoàng Linh
Cán bộ chấm nhận xét 1: TS. Bùi Trọng Tú
Cán bộ chấm nhận xét 2: TS. Nguyễn Minh Sơn
Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa,
ĐHQG Tp. HCM ngày 13 tháng 07 năm 2018.
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)
1. Chủ tịch: PGS. TS. Hoàng Trang
2. Thư ký: TS. Trương Quang Vinh
3. Phản biện 1: TS. Bùi Trọng Tú
4. Phản biện 2: TS. Nguyễn Minh Sơn
5. Ủy viên: TS. Lê Chí Thông
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý
chuyên ngành sau khi luận văn đã được sửa chữa (nếu có).
CHỦ TỊCH HỘI ĐỒNG
TRƯỞNG KHOA…………
ĐẠI HỌC QUỐC GIA TP.HCM
TRƯỜNG ĐẠI HỌC BÁCH
KHOA
CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT
NAM Độc lập - Tự do - Hạnh phúc
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: Đồng Ngọc Minh Công
MSHV:1570363
Ngày, tháng, năm sinh: 23/08/1991
Nơi sinh: TP.HCM
Chuyên ngành: Kỹ thuật điện tử
Mã số : 60 52 02 03
I. TÊN ĐỀ TÀI: Xây dựng hệ thống phát hiện làn đường và vật cản.
II. NHIỆM VỤ VÀ NỘI DUNG:
Tìm hiểu cơ sở lý thuyết về giải thuật phát hiện làn đường, lý thuyết
mạng neuron, giải thuật dựa trên mạng neuron tích chập (CNN).
Xây dựng hệ thống mô phỏng trên visual studio để huấn luyện cho bộ cơ
sở dữ liệu dùng trong CNN.
Xây dựng hệ thống trên visual studio để mô phỏng giải thuật phát hiện
làn đường và vật cản.
III. NGÀY GIAO NHIỆM VỤ : 04/09/2017
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 03/12/2017
V. CÁN BỘ HƯỚNG DẪN: TS. Trần Hoàng Linh
Tp. HCM, ngày 13 tháng 07 năm 2018
CÁN BỘ HƯỚNG DẪN
(Họ tên và chữ ký)
CHỦ NHIỆM BỘ MÔN ĐÀO TẠO
(Họ tên và chữ ký)
TRƯỞNG KHOA….………
(Họ tên và chữ ký)
LỜI CÁM ƠN
Được sự phân công của nhà trường, khoa điện – điện tử và sự đồng ý của giáo
viên hướng dẫn của thầy TS. Trần Hoàng Linh, em đã thực hiện luận văn thạc sĩ
chuyên ngành kỹ thuật điện tử với đề tài “Xây dựng hệ thống phát hiện làn
đường và vật cản”. Qua trang viết này em xin gửi lời cảm ơn tới những người đã
giúp đỡ em trong thời gian học tập, nghiên cứu luận văn thời gian qua.
Trước hết, em xin được tỏ lòng biết ơn và gửi làm cảm ơn chân thành đến cô
Trương Công Dung Nghi và thầy Trần Hoàng Linh. Cô là người đã trực tiếp hướng
dẫn và tận tình chỉ bảo trong công việc nghiên cứu, tìm kiếm tài liệu, xử lý và phân
tích vấn đề của luận văn. Nhờ cô và thầy mà em có thể hoàn thành luận văn cao
học.
Ngoài ra, em cũng xin chân thành cảm ơn quý đồng nghiệp, gia đình và bạn bè
đã luôn động viên và hỗ trợ em trong suốt quá trình nghiên cứu và hoàn thành luận
văn này.
TÁC GIẢ
Đồng Ngọc Minh Công
TÓM TẮT
Tai nạn giao thông đường bộ đã trở thành một trong những vấn đề nghiêm trọng
nhất trên thế giới hiện nay. Cùng với sự tiến bộ về công nghệ, những hệ thống mới
được phát minh và tích hợp vào trong các phương tiện, đặc biệt là xe hơi đã làm
giảm đi số lượng các vụ tai nạn giao thông. Trong đó, hệ thống ADAS (Advanced
Driving Assistant System) đã hỗ trợ người lái một cách hiệu quả hơn. Luận văn này
xin giới thiệu một số giải thuật trong lĩnh vực xử lý ảnh được áp dụng trong hệ
thống nhằm có thể phát hiện làn đường và vật cản, từ đó có thể áp dụng vào trong
việc đưa ra các cảnh báo cho người lái, hay xa hơn nữa là có thể tích hợp vào công
nghệ xe tự hành đã và đang ngày càng phát triển.
ABSTRACT
Traffic safety is one of the most important issues which every country is facing.
With the advancement of technology, many modern systems have been invented
and integrated into automobile industry. The Advanced Driver Assistance System
(ADAS) is known at most as an outstanding system to support drivers. Reducing the
ratio of accidents and saving lives are principal objectives in the context of this
system. In the driving assistance system, obstacle and lane detection is the key
components of collision avoidance. Therefore, in this thesis, I woud like to
introduce the versatile methodologies which are used in order to detecting the lanes
and obstacles.
LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết
quả trong đề tài này là trung thực và chưa công bố dưới bất kỳ hình thức nào trước
đây. Tất cả những tham khảo và kế thừa cho việc thực hiện luận văn này đã được
cảm ơn và các thông tin trích dẫn trong luận văn đã được chỉ rõ nguồn gốc rõ ràng
và được phép công bố.
TP.HCM, ngày
tháng
năm 2018
Học viên thực hiện
Đồng Ngọc Minh Công
MỤC LỤC
CHƯƠNG I: GIỚI THIỆU ..................................................................................1
1.1
Tổng quan ....................................................................................................1
1.2
Mục tiêu của đề tài.......................................................................................2
1.3
Phạm vi đề tài .............................................................................................. 2
1.4
Tình hình nghiên cứu trong và ngoài nước .................................................2
CHƯƠNG II: PHÁT HIỆN LÀN ĐƯỜNG ........................................................5
2.1
Một số giải thuật về phát hiện làn đường. ...................................................5
2.2
Xác định vùng cần xử lý ..............................................................................9
2.3
Phát hiện các dấu làn đường ......................................................................11
2.3.1
Chuyển đổi không gian màu ............................................................... 11
2.3.2
Lọc nhiễu và phát hiện cạnh ............................................................... 12
2.3.3
Biến đổi Hough ...................................................................................13
2.3.4
Loại bỏ các đoạn sai và định vị làn đường .........................................16
CHƯƠNG III: PHÁT HIỆN VẬT CẢN ...........................................................19
3.1
Tổng quan về Deep Learning ....................................................................20
3.1.1
Neuron ................................................................................................ 20
3.1.2
Mạng neuron (Neuron network) .........................................................21
3.2
Mạng neuron tích chập – Convolutional Neuron Network (CNN) ...........22
3.2.1
Cấu trúc ............................................................................................... 22
3.2.2
Đặc điểm nhận dạng ...........................................................................22
3.2.3
Tích chập (Convolution) .....................................................................23
3.2.4
Pooling ................................................................................................ 25
3.2.5
Chuẩn hóa ........................................................................................... 27
3.2.6
Kết nối đầy đủ – Fully Connect .......................................................... 27
3.2.7
Truyền ngược – Backpropagation ......................................................28
3.3
Áp dụng giải thuật YOLO vào phát hiện vật cản ......................................33
3.3.1
Giới thiệu về giải thuật YOLO ........................................................... 33
3.3.2
Cấu trúc YOLO ...................................................................................34
3.3.3
Tóm tắt giải thuật YOLO ....................................................................34
3.3.4
Chi tiết các bước phát hiện đối tượng trong YOLO ........................... 37
3.4
Đưa ra cảnh báo .........................................................................................53
CHƯƠNG IV: KẾT QUẢ MÔ PHỎNG – NHẬN XÉT .................................55
4.1
Kết quả mô phỏng......................................................................................55
4.1.1
Phát hiện làn đường ............................................................................55
4.1.2
Phát hiện vật cản .................................................................................57
4.1.3
Kết quả tổng hợp phát hiện làn đường và vật cản và cảnh báo ..........59
4.2
Nhận xét .....................................................................................................61
4.3
Hướng phát triển đề tài ..............................................................................62
TÀI LIỆU THAM KHẢO ..................................................................................63
MỤC LỤC HÌNH ẢNH VÀ BẢNG BIỂU
Hình 1. 1: Mô hình cho hệ thống lái tự động ..............................................................1
Hình 1. 2: Sơ đồ tổng quát của đề tài .........................................................................2
Hình 1. 3: Kết quả mô phỏng HOG-SVM ...................................................................3
Hình 1. 4: Kết quả phát hiện làn đường với RANSAC ................................................3
Hình 1. 5: Xử lý trong hệ thống Mobile eye ................................................................4
Hình 1. 6: Chức năng cảnh báo va chạm trong Mobile eye .......................................4
Hình 2. 1: Mô tải giải thuật line segment ...................................................................5
Hình 2. 2: Mô tả về RANSAC ......................................................................................6
Hình 2. 3: Giải thuật gradient constraint ...................................................................8
Hình 2. 4: Các bước tổng thể của giải thuật đề xuất ..................................................9
Hình 2. 5: Xác định vùng ROI ...................................................................................10
Hình 2. 6: Sơ đồ tổng quát khối phát hiện dấu làn đường........................................11
Hình 2. 7: Hình ảnh về chuyển đổi không gian màu.................................................12
Hình 2. 8: Kết quả lọc cạnh ......................................................................................13
Hình 2. 9: Mô hình trong biến đổi Hough ................................................................14
Hình 2. 10: Kết quả từ biến đổi Hough .....................................................................15
Hình 2. 11: Sơ đồ giải thuật loại bỏ các làn không chính xác..................................17
Hình 2. 12: Kết quả áp dụng giải thuật loại bỏ các làn không chính xác ................18
Hình 3. 1: Mô hình của một neuron ..........................................................................20
Hình 3. 2: Cấu trúc tổng quát mạng neuron .............................................................21
Hình 3. 3: Cấu trúc mạng neuron tích chập cơ bản .................................................22
Hình 3. 4: Trích xuất các đặc điểm nhận dạng của ảnh ...........................................23
Hình 3. 5: Cách thức thực hiện tích chập .................................................................23
Hình 3. 6: Kết quả tích chập của một bộ lọc ............................................................24
Hình 3. 7: Kết quả tích chập của toàn bộ bức ảnh ...................................................25
Hình 3. 8: Cách thức thực hiện pooling ....................................................................26
Hình 3. 9: Kết quả pooling ........................................................................................26
Hình 3. 10: Một đơn vị tinh chỉnh .............................................................................27
Hình 3. 11: Xử lý trong lớp kết nối đầy đủ ...............................................................28
Hình 3. 12: Mô hình tính toán tuyền ngược đa lớp...................................................29
Hình 3. 13: Mô hình tính toán tuyền ngược đa lớp có bias ......................................32
Hình 3. 14: Sơ đồ giải thuật R-CNN .........................................................................33
Hình 3. 15: Các đặc điểm nhận dạng đối tượng .......................................................33
Hình 3. 16: Sơ đồ tổng quát giải thuật YOLO ..........................................................34
Hình 3. 17: Cấu trúc YOLO ......................................................................................34
Hình 3. 18: Các vùng được phân chia ......................................................................35
Hình 3. 19: Các khung bao nhận dạng đối tượng.....................................................35
Hình 3. 20: Tỉ số IOU ...............................................................................................36
Hình 3. 21: Mô hình YOLO nhận dạng toàn bộ bức ảnh..........................................36
Hình 3. 22: Trích xuất thông tin đối tượng theo từng khung bao của mỗi cell ........39
Hình 3. 23: Xác suất nhận dạng đối tượng ...............................................................40
Hình 3. 24: Xác định thông tin nhận dạng của đối tượng theo mỗi khung bao........41
Hình 3. 25: Số lượng khung bao cho toàn bộ ảnh ....................................................43
Hình 3. 26: Các bước chọn lọc khung bao phù hợp cho việc nhận dạng .................44
Hình 3. 27: Thông tin khung bao của lớp đối tượng.................................................45
Hình 3. 28: So sánh khung bao nhận dạng ...............................................................46
Hình 3. 29: Khung bao được loại bỏ khi xác suất bằng 0 ........................................47
Hình 3. 30: Khung bao được giữ lại .........................................................................48
Hình 3. 31: Kết quả giả thuật NMS ..........................................................................49
Hình 3. 32: Kết quả thực hiện cho lớp đối tượng cuối cùng.....................................50
Hình 3. 33: Chọn lọc cho khung bao số 3 .................................................................51
Hình 3. 34: Kết quả phát hiện mỗi đối tượng ...........................................................52
Hình 3. 35: Khu vực cảnh báo nguy hiểm .................................................................53
Hình 3. 36: Những điểm được chọn để kiểm tra đối tượng ......................................54
Hình 4. 1: Một số kết quả phát hiện làn đường ........................................................56
Hình 4. 2: Kết quả phát hiện vật cản ........................................................................58
Hình 4. 3: Kết quả mô phỏng của đề tài ...................................................................60
Bảng 4. 1: Kết quả định lượng nhận dạng vật cản ...................................................59
Bảng 4. 2 Kết quả đáp ứng thời gian xử lý của hệ thống .........................................61
CHƯƠNG I: GIỚI THIỆU
1.1 Tổng quan
Luận văn này xin trình bày việc ứng dụng các giải thuật trong lĩnh vực xử lý
ảnh và trong lĩnh vực máy học để có thể xây dựng được một hệ thống có thể thực
hiện nhiệm vụ phát hiện làn đường và vật cản trong giao thông.
Cốt lõi của phương pháp tiếp cận của luận văn dựa trên việc:
Áp dụng các giải thuật xử lý ảnh, trong đó cụ thể là các giải thuật phát hiện
cạnh nhằm có thể phát hiện được làn đường của xe đang lưu thông.
Ứng dụng giải thuật dựa trên mạng neuron tích chập (Convolutional Neural
Network - CNN) trong việc phát hiện vật cản đang có mặt trên đường.
Trong những năm gần đây, các nghiên cứu về hệ thống hỗ trợ lái xe (ADAS)
và đặc biệt là hệ thống xe tự hành đã nhận được sự quan tâm rất lớn. Một trong
những mục tiêu chính của các nghiên cứu trong lĩnh vực này nhằm hỗ trợ người lái
và cung cấp một số chức năng hiện đại, an toàn và thông minh hơn. Với hệ thống
ADAS hoặc hệ thống xe tự hành thì việc phát hiện làn đường và vật cản một cách
chính xác là chìa khóa của hệ thống.
Nhận dạng làn
đường, vật thể
Điều khiển
Hình ảnh cần
xử lý
Ước lượng vị trí,
khoảng cách
Hình 1. 1: Mô hình cho hệ thống lái tự động
Trang 1
1.2 Mục tiêu của đề tài
Phát hiện làn đường và vật cản là một yếu tố quyết định trong hệ thống hỗ
trợ lái xe. Do đó, việc tích hợp các giải thuật phát hiện làn đường và vật cản có
thể thực hiện một cách chính xác thành một hệ thống và có thể đưa ra cảnh báo
là mục tiêu của đề tài. Từ đó có thể ứng dụng trong việc đưa ra cảnh báo va
chạm hoặc hỗ trợ lái xe tốt hơn và xa hơn nữa là hệ thống xe tự hành.
Phát hiện vật cản
Ảnh ngõ
vào
Cảnh báo
Phát hiện làn
đường
Hình 1. 2: Sơ đồ tổng quát của đề tài
1.3 Phạm vi đề tài
Đề tài được thực hiện với đáp ứng ngõ vào là video và ngõ ra cũng sẽ là một video
đã được đánh dấu làn đường theo những đoạn đường thằng mà xe đang chạy và
khoanh vùng những vật cản đang có trên đường lưu thông. Sau đó đưa ra cảnh báo
khi có vật cản trong vùng nguy hiểm đã được thiết lập trước đó. Hệ thống sẽ được
thiết kế hoạt động trên các bộ cơ sở dữ liệu video từ các nguồn trên internet.
1.4 Tình hình nghiên cứu trong và ngoài nước
Một số những nghiên cứu trước đây cũng đã phần nào góp phần cung cấp nhiều giải
thuật tốt đối với việc áp dụng trong việc phát hiện làn đường và vật cản. Tuy nhiên,
một số đề tài chỉ đưa ra các giải pháp riêng biệt mà không tích hợp cả hai giải thuật
việc phát hiện làn đường và vật cản lại với nhau.
Thái Văn Chánh [18] thực hiện việc phát hiện vật cản và ước lượng khoảng cách sử
dụng thông tin 3D dựa trên giải thuật HOG-SVM. Đề tài chỉ dừng lại ở việc phát
hiện vật cản mà không có phần phát hiện và đánh dấu làn đường. Thêm vào đó là sự
khác biệt về giải thuật thì đề tài trước là HOG-SVM mà không phải là sử dụng
CNN. Do đó kết quả sẽ có thể sẽ không có được độ chính xác cao.
Trang 2
Hình 1. 3: Kết quả mô phỏng HOG-SVM
Chenyi Chen và các cộng sự [1] ứng dụng giải thuật máy học để có thể huấn luyện
trong việc tự điều khiển có thể áp dụng trong hệ thống xe tự hành. Đề tài này đã kết
hợp việc phát hiện làn đường và vật cản đồng thời huấn luyện các kiểu sơ đồ làn
đường để xe có thể tự điều chỉnh hướng. Giải thuật của họ được mô phỏng thông
quả việc điều khiển tự động xe trong một trò chơi điện tử, tương tự như cách thức
vận hành của một hệ thống lái xe tự động trong thực tế. Đối với đề tài này, đã cho
thấy được tìm năng trong việc áp dụng máy học vào trong thực tế. Việc chưa đưa ra
kết quả trong thực tế đã làm hạn chế đến đề tài.
Mohamed Aly [2] nhận dạng làn đường theo trong vùng nội ô. Đề tài này cung cấp
việc xử lý nhận dạng làn đường một cách nhanh chóng và cũng có độ chính xác
tương đói. Việc phát hiện làn đường dựa trên thuật toán tập hợp mẫu ngãu nhiên
(Random Sample Consensus – RANSAC). Đề tài đã cho ra một số kết quả tốt trong
việc phát hiện làn đường.
Hình 1. 4: Kết quả phát hiện làn đường với RANSAC
Một số các đề tài bên trên đã thực hiện việc phát hiện làn đường và vật cản. Tuy
nhiên hầu như những hệ thống dựa trên các giải thuật trong lĩnh vực thị giác máy
Trang 3
tính đều chỉ được tích hợp sẵn trên những phương tiện các những nhà sản xuất xe.
Và công ty Mobileye có trụ sở tại Israel đã đưa ra sản phẩm trên thị trường có thể
gắn trực tiếp trên xe theo từng nhu cầu của người dùng. Sản phẩm của Mobileye
dựa trên một camera đơn được gắn phía trước xe. Đi kèm với camera này là một
màn hình hiển thị nhỏ sẽ hiển thị các thông tin về biển báo tốc độ, khoảng cách với
các xe phía trước và đưa ra các cảnh báo. Với điều kiện lý tưởng là các vạch kẻ
đường có thể nhìn thấy được, không bị che khuất bởi các điều kiện như: bóng tối,
mưa, tuyết … và theo như nhà sản xuất công bố thì hệ thống có với độ chính xác lên
đến 99%.
Hình 1. 5: Xử lý trong hệ thống Mobile eye
Hình 1. 6: Chức năng cảnh báo va chạm trong Mobile eye
Trang 4
CHƯƠNG II: PHÁT HIỆN LÀN ĐƯỜNG
2.1 Một số giải thuật về phát hiện làn đường.
Một số giải thuật phát hiện làn đường đã được đề xuất như: line segment
detection, RANSAC, gradient constraint.
Giải thuật line segment detection [6]: dùng để đánh dấu lại các làn đường
thông qua việc tập hợp các điểm ảnh có những điểm tương đồng về hướng
của các đoạn thẳng và ghép chúng lại thành một làn đường hoàn chỉnh.
a) Ảnh gốc
b) Hướng đoạn thẳng
c) Kết quả
Hình 2. 1: Mô tải giải thuật line segment
Giải thuật RANSAC [7]: dùng để dánh dấu lại các đoạn thẳng dựa trên việc
xác định số lượng tập hợp qua các điểm được lựa chọn ngẫu nhiên nằm trong
vùng có khả năng thuộc đoạn thẳng cần xác định. Giải thuật RANSAC được
mô tả ngắn gọn thông qua hình 2.2.
.
(a) Khởi tạo mô hình RANSAC
Trang 5
Đầu tiên, ta chọn các điểm nhẫu nhiên là hai điểm màu đỏ. Sau đó, xác định mô
hình mà ta cần xét, ở đây là mô hình đường thẳng.
b) Khoảng cách từ mô hình tới các điểm cần xét
Tiếp theo là xác định khoảng cách từ mô hình tới các điểm lân cận. Và ta sẽ xác
định một vùng nhất định để tìm ra nhiều điểm nhất nằm trong vùng này là những
điểm màu xanh lá cây.
(c) Có 3 điểm thoả điều kiện
d) Có 15 điểm thoả điều kiện
Hình 2. 2: Mô tả về RANSAC
Trang 6
Cuối cùng giải thuật sẽ chọn ra hai điểm mà những vùng trong nó có nhiều điểm
nhất và sẽ vẽ đường thẳng qua hai điểm đó.
Gradient constraint [20]: giải thuật này đánh dấu các đoạn thẳng thông qua
việc phân tích hướng, vị trí của những điểm ảnh có khả năng thuộc làn
đường.
a) Ảnh sau phát hiện cạnh
b) Xác định vùng xử lý
Trang 7
c) Đánh dấu làn đường
Hình 2. 3: Giải thuật gradient constraint
Đề tài này sẽ giới thiệu một phương pháp phát hiện làn đường thông qua các
thuật toán phát hiện cạnh và biến đổi Hough.
Giải thuật có thể gồm nhiều bước xử lý nhưng có thể tóm gọn thành hai bước chính.
Bước thứ nhất là quá trình tiền xử lý, nhằm xác định vùng cần xử lý chính. Bước
thứ hai là phát hiện làn đường dựa trên gồm các bước lọc nhiễu, phát hiện cạnh dò
tìm và đánh dấu các làn đường dựa trên giải thuật biến đổi Hough. Sơ đồ khối của
giải thuật được mô tả trong hình 2.4. Nếu điều kiện đường xá thay đổi do thời tiết,
các vật thể trên đường sẽ có rất nhiều các tín hiệu nhiễu, do đó làm giảm đi độ chính
xác trong các điều kiện thực tế.
Trang 8
Begin
Begin
Ảnh ngõ
vào
Tiền
xử lý
Xử lý
chính
Xác định vùng xử lý
Phát hiện các dấu làn
đường
Loại bỏ các đoạn sai và
đánh dấu lại làn đường.
End
End
Hình 2. 4: Các bước tổng thể của giải thuật đề xuất
2.2 Xác định vùng cần xử lý
Xác định vùng cần được xử lý (Region of interest: ROI) sẽ giúp cho ta có
một số lợi ích như: các làn đường cần xử lý sẽ luôn nằm trong vùng đã được xác
định trước khi mà vị trí và hướng của camera trên xe luôn được cố định. Vùng này
được trình bày trong hình 2.5b. Do đó, chúng ta không cần phải xử lý hết toàn bộ
bức ảnh mà chỉ trong vùng này thôi. Bên cạnh đó, việc chỉ xử lý làn đường trong
vùng ROI chứ không phải toàn bộ bức ảnh sẽ giúp giảm đi ảnh hưởng của nhiễu do
mưa, sương mù hoặc các dạng thời tiết xấu khác. Hơn nữa, thì sự phức tạp trong
việc tính toán xử lý cũng được giảm một cách đáng kể.
Trang 9
Thông thường, vùng ROI này sẽ được trích lọc khoảng một phần hai hoặc
một phần ba kích thước theo chiều cao của ảnh. Tuy nhiên, trong một số tình huống
các phần phía xa của ROI bị ảnh hưởng thêm rất nhiều các yếu tố như lề đường, giải
phân cách, rào chắn… Do đó, trong đề tài này em xin đề xuất việc chia vùng ROI
này thành các vùng khác nhau, nhỏ hơn để xử lý. Cụ thể ta sẽ chia ROI này thành
hai phần riêng biệt là vùng ROI xa và ROI gần. Trong đó, ta sẽ chỉ xử lý một phần
hai vùng ROI có vị trí gần xe nhất. Còn vùng ROI gần sẽ được xử lý toàn bộ.
(a)
Ảnh cần xử lý
(b) Xác định vùng ROI
(c) Ảnh của ROI xa
(d) Ảnh của ROI gần
Hình 2. 5: Xác định vùng ROI
Trang 10
- Xem thêm -