Xử lý hình ảnh đếm số lượng

Ngày đăng: 30/09/2021, 16:01

Bài viết tập trung nghiên cứu vào cách dò tìm đối tượng dựa trên phương pháp trừ nền kết hợp với dò tìm đóm loang (blob). Bên cạnh bài báo còn thực nghiệm các phương pháp khác để so sánh kết quả một cách khách quan nhất. Các kết quả đạt được bao gồm: (1) So sánh hiệu năng của Phương pháp bộ phân mảnh tương thích mức điểm ảnh (PBAS) với hai thuật toán trừ nền cơ bản nhất là phương pháp khác biệt khung hình tĩnh và phương pháp khác biệt khung hình, (2) Đánh giá ảnh hưởng của các tham số trong thuật toán trừ nền đến quá trình nhận dạng, (3) Đánh giá hệ thống với các video đầu vào khác nhau. Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00071 ỨNG DỤNG XỬ LÝ ẢNH ĐỂ ĐẾM SỐ LƯỢNG XE Ô TƠ TRONG NỘI THÀNH ĐÀ NẴNG Đồn Phước Miền1, Tống Thị Kim Quy2, Trần Thế Vũ3, Huỳnh Hữu Hưng4 Khoa Kỹ thuật & Công nghệ, Trường Đại học Trà Vinh Sinh viên cao học, Trường Đại học Bách khoa, Đại học Đà Nẵng Viện Nghiên cứu Đào tạo Việt Anh, Đại học Đà Nẵng Khoa Công nghệ Thông tin, Trường Đại học Bách khoa, Đại học Đà Nẵng , , , TÓM TẮT: Tắc nghẽn giao thông vấn đề lớn cần giải triệt để tất thành phố lớn có thành phố Đà Nẵng Để điều phối mật độ giao thông, trước hết cần phải biết số lượng xe trung bình tham gia lưu thông đoạn đường trọng tâm thành phố Trong báo đề cập đến việc xây dựng ứng dụng đếm số lượng xe ô tô nội thành Đà nẵng Bài báo tập trung nghiên cứu vào cách dị tìm đối tượng dựa phương pháp trừ kết hợp với dị tìm đóm loang (blob) Bên cạnh báo thực nghiệm phương pháp khác để so sánh kết cách khách quan Các kết đạt bao gồm: (1) So sánh hiệu Phương pháp phân mảnh tương thích mức điểm ảnh (PBAS) với hai thuật tốn trừ phương pháp khác biệt khung hình tĩnh phương pháp khác biệt khung hình, (2) Đánh giá ảnh hưởng tham số thuật tốn trừ đến q trình nhận dạng, (3) Đánh giá hệ thống với video đầu vào khác Từ khóa: Phương pháp trừ nền, dị tìm Blob, khung hình tĩnh, khung hình liên tiếp, xử lý ảnh… I GIỚI THIỆU Ngày nay, việc sử dụng xe giới ngày tăng làm cho tình trạng kẹt xe ngày nghiêm trọng Việc tắc nghẽn giao thông làm cho chi phí người tham gia tăng cao, tốn thời gian di chuyển Ùn tắc giao thông khiến cho người điều khiển phương tiện cảm thấy ức chế, mệt mỏi phát sinh số vấn đề vi phạm giao thông như: lấn làn, vượt đèn đỏ Theo thống kê Ủy ban An toàn giao thông quốc gia cho biết tháng đầu năm 2017 nước có gần 13000 vụ tai nạn giao thông đường làm cho 5000 người chết gần 11000 người bị thương Theo đó, bình qn năm Việt Nam có khoảng 8670 người chết ghi nhận trường Nếu theo Bộ Y tế, năm 2015 có khoảng 15386 người chết, nghĩa gần gấp đôi số người chết ghi nhận trường cảnh sát giao thông thống kê [14] Theo thống kê Bộ Giao thơng Vận tải, tính riêng tháng 12/2014, có đến 21.952 xe ơtơ, 194.482 xe mơtơ đăng kí tồn quốc [17] Do đó, việc nghiên cứu phương pháp phát giao thông tự động cần thiết để giúp tạo luồng giao thơng trơn tru, an tồn hiệu quả, dẫn đến việc phân tích giao thơng cách đắn, điều chỉnh việc quản lý phân phối tín hiệu điều khiển phù hợp Các nhà nghiên cứu nước giới quan tâm nhiều đến hệ thống cảnh báo ùn tắc giao thơng Đã có nhiều phương pháp đưa để giải vấn đề ùn tắc thể [1][2][3][5][8] Tuy nhiên có hai phương pháp quan tâm là: dựa vào cảm biến chỗ [2] sử dụng kỹ thuật nhận dạng hình ảnh để phân tích mật độ giao thơng [3] Phương pháp xử lý hình ảnh từ video cách phát đối tượng nghiên cứu cho mục đích ước tính lưu lượng xe lưu lượng giao thơng [1] Các phương pháp phát điểm, phát cạnh sử dụng q trình dị tìm theo dõi xe [7] Có thể nói nghiên cứu quan trọng phát đối tượng ảnh [5] tạo tiền đề cho hệ thống phát đối tượng từ video [9] Trong số cơng trình [10], phương pháp phân biệt hình ảnh phía trước phía sau sử dụng để trích xuất phương tiện di chuyển chế độ định tuyến Một số nghiên cứu [11] [12] chứng minh việc sử dụng vectơ đặc trưng từ vùng hình ảnh hiệu cho mục tiêu phát xe Một số nghiên cứu khác [13] trình bày ước tính kích thước phương tiện xác cách sử dụng tập hợp hàm ánh xạ tọa độ Hơn nữa, số nhà nghiên cứu phát triển loạt thuật toán tăng cường để phát đối tượng cách sử dụng phương pháp học máy phát phân loại đối tượng di chuyển theo loại màu sắc [15] Trong [4] hiển thị tổng quan bước trừ nền: Bước đầu khởi tạo N khung hình thu nhận mà đối tượng đứng yên Sau đó, phát đối tượng chuyển động thực thông qua phát foreground bao gồm phân loại điểm ảnh tiền cảnh cách so sánh hình khung Cuối cần phải trì để cập nhật hình theo thời gian Hai bước cuối thực thi lập lại liên tục suốt thời gian xử lý Mặc dù có nhiều nghiên cứu ngồi nước ứng dụng mạnh mẽ vận hành thực tế, nhiên áp dụng y khuôn vào giao thông Việt Nam Đặc thù giao thông Việt Nam phức tạp, địa hình giao thơng, phương tiện giao thơng, văn hóa giao thơng Đặc biệt phương tiện tham gia giao thông Việt Nam đa dạng như: Xe máy, xe đạp, xe đạp điện, xe ô tô bánh, xe ô tô bánh, xe tải, xe bị, xe cơng nơng, bên cạnh cịn có người bộ, gia súc lưu thơng đường Bài báo tập trung giải vấn đề đếm số lượng xe ô tô lưu thông đường điểm có camera địa bàn thành phố Đà Nẵng 546 ỨNG DỤNG XỬ LÝ ẢNH ĐỂ ĐẾM SỐ LƯỢNG XE Ô TÔ TRONG NỘI THÀNH ĐÀ NẴNG Bài báo bao gồm phần đầu giới thiệu cơng trình nghiên cứu gồm hệ thống sử dụng, phương pháp tiếp cận Tiếp theo phần 2, chúng tơi trình bày chi tiết hệ thống đề xuất Phần kết thực nghiệm trình bày sau cuối phần kết luận II HỆ THỐNG ĐỀ XUẤT Dữ liệu đầu vào hệ thống gồm video thu từ camera đặt góc đường nội thành Đà Nẵng Sau có liệu này, hệ thống tiến hành xử lý để tách khung hình video Mỗi khung hình xử lý phương pháp loại trừ hình nhằm biến đổi hình ảnh gốc (có màu sắc) thành mặt nạ nhị phân chứa hai loại điểm ảnh đen trắng Trong đó, điểm ảnh đen tương ứng với background điểm ảnh trắng tương ứng với foreground Bước sử dụng hình ảnh thu với phương pháp nhận dạng đối tượng để khoanh vùng đối tượng di chuyển Ứng với chiều cao chiều rộng tương ứng loại xe, ta nhận dạng đối tượng có có thỏa mãn u cầu hay khơng? Nếu có, tăng tổng số lượng xe đếm cuối xuất tổng số xe hình Mơ hình đề xuất chúng tơi sau: Hình Mơ hình hệ thống đề xuất 2.1 Tiền xử lý Đầu vào video quay đường với xe lưu thông, video loại file video định dạng Ở bước này, ta tiến hành tách lấy khung hình từ video, biến đổi hình ảnh thành đối tượng hình ảnh số để làm đầu vào cho bước Chương trình đọc file video tách thành frame, frame xử lý tạo thành đối tượng Mat để chứa thông số tương ứng đầu vào cho bước Mat lớp với hai phần liệu: Ma trận tiêu đề (matrix header chứa thơng tin kích cỡ ma trận, phương thức dùng để lưu trữ) trỏ đến ma trận chứa giá trị điểm ảnh 2.2 Loại trừ hình (Background Subtraction – PBAS) Thuật tốn tn theo mơ hình phi tham số, nghĩa điểm ảnh xi mơ hình hóa mảng giá trị quan sát gần nhất[6] Phương pháp bao gồm thành phần mô tả máy trạng thái Là thành phần trung tâm, khối định định điểm ảnh foreground hay khơng dựa hình ảnh hình ( ) Quyết định dựa vào ngưỡng ( ) điểm ảnh Hơn nữa, hình cập nhật theo thời gian phép thay đổi Trong mơ hình này, việc cập nhật dựa tham số học ( ) điểm ảnh Ý tưởng phương pháp hai ngưỡng điểm ảnh tự động thay đổi dựa việc ước tính thay đổi Mục đích phương thức phân đoạn hình để đưa định nhị phân, để xác định điểm ảnh thuộc background hay foreground Quá trình định lấy hình ảnh đầu vào so sánh cách với hình Trong trường hợp này, hình ( ) xác định mảng gồm N giá trị điểm ảnh quan sát gần ( ) * ( ) ( ) ( )+ (1) Đoàn Phước Miền, Tống Thị Kim Quy, Trần Thế Vũ, Huỳnh Hữu Hưng 547 Một điểm ảnh xi định thuộc background giá trị điểm ảnh ( ) gần ngưỡng định định ( ) đến N giá trị background Vì vậy, mặt nạ nhị phân tính sau: () ( ( { )) (2) Ở đây, F = nghĩa foreground Do đó, thấy việc định liên quan đến hai thông số: Khoảng cách ngưỡng ( ) xác định cho điểm ảnh riêng biệt thay đổi tự động Số lượng tối thiểu tham số cố định toàn cục Việc cập nhật hình B cần thiết để tính tốn thay đổi background như: thay đổi ánh sáng, bóng hình di chuyển cối … Vì khu vực foreground khơng thể dùng cho việc cập nhật, hình cập nhật cho điểm ảnh background (ví dụ ( ) ) Cập nhật có nghĩa cho số (chọn cách ngẫu nhiên), tương ứng giá trị hình ( ) thay giá trị điểm ảnh ( ) Nó cho phép giá trị điểm ( ) Trái ảnh "học" vào hình Tuy nhiên, việc cập nhật thực với xác suất lại, cập nhật thực Do đó, tham số ( ) định nghĩa tỉ lệ cập nhật ( ) cao, khả xảy cập nhật ( ) ) điểm ảnh lân cận chọn ngẫu nhiên Chúng ta cập nhật (với xác suất ( ) Như vậy, hình ( ) điểm ảnh lân cận thay giá trị điểm ảnh ( ) Trong chuỗi video, có khu vực với hình động cao (ví dụ: nước, gió ) khu vực có chí khơng có thay đổi (ví dụ: tường) Về mặt ý tưởng, khu vực có thay đổi cao, ngưỡng ( ) nên tăng để không bao gồm đối tượng foreground Trong vùng tĩnh, ( ) nên số thấp sai lệch nhỏ dẫn đến định cho foreground Tóm lại, ngưỡng ( ) cần phải có khả tự động điều chỉnh cho phù hợp Để làm điều này, cần phải có thước đo độ động background thực sau: Đầu tiên, bên cạnh việc lưu mảng giá trị điểm ảnh quan sát gần hình ( ), ta tạo mảng ( ) * ( ) ( )+ khoảng cách định tối thiểu Bất cập nhật ( ) ( ) thực hiện, khoảng cách quan sát tối thiểu ( ( ) ( )) viết vào mảng ( ) ( ) Do đó, lịch sử khoảng cách định nhỏ tạo Trung bình ∑ giá trị ̅ ( ) ( ) thước đo background động Giả sử background hoàn toàn ̅ ( ) Đối với background động hơn, ln có độ lệch (nhỏ) giá trị quan sát đối tĩnh, với giá trị quan sát thế, ̅ ( ) cao Với ước tính background động, ngưỡng định tự điều chỉnh sau: ( )( ( ) { ) ( )( ( ) ) ̅ ( ) (3) Trong đó, , tham số cố định Nó xem điều khiển động cho biến trạng thái ( ) Cho bất biến ̅ không đổi, ngưỡng định ( ) tiếp cận kết ̅ Vì vậy, gia tăng background động (xảy đột ngột) dẫn đến tăng (chậm) ( ) ngưỡng định ( ) cao Việc cập nhật tốc độ độc lập với trạng thái foreground F(xi), cuối cùng, đối tượng sáp nhập vào background tùy thuộc vào tham số "học" T(xi) Để giảm bớt vấn đề, ý tưởng đưa điều khiển động (thứ hai) cho T(xi) Như vậy, xác suất việc "học" background tăng (chậm) điểm ảnh background giảm (chậm) điểm ảnh foreground Vấn đề phân loại foreground sai "học" từ từ vào background vậy, cịn foreground Có thể giả sử điểm ảnh phần lớn phân loại sai foreground khu vực background động cao Như vậy, sức mạnh việc điều chỉnh điều khiển điều chỉnh cách sử dụng ước lượng động ̅ Ta định nghĩa: ( ) { ( ) ( ) ̅ ( ) ̅ ( ) (4) Với , tham số cố định Có tham số khác cho hai trường hợp, ta giả sử phần lớn thời gian, điểm ảnh background (đúng hầu hết trường hợp) Lựa chọn thông số độc lập cho background foreground dẫn đến cân ( ) Hơn nữa, ta định nghĩa cận cận 548 ỨNG DỤNG XỬ LÝ ẢNH ĐỂ ĐẾM SỐ LƯỢNG XE Ô TÔ TRONG NỘI THÀNH ĐÀ NẴNG , giá trị vượt phạm vi ràng buộc Bộ điều khiển đảm bảo trường hợp background động cao (nghĩa ̅ lớn), tham số "học" ( ) không đổi thay đổi nhỏ Trong trường hợp này, việc phát foreground sai không tồn lâu, xác suất để cập nhật ( ) không đạt giá trị nhanh Trong trường hợp lý tưởng khác background hoàn toàn tĩnh, phân loại foreground vững chắc, ( ) tăng lên nhanh chóng, hình kiểm định mà không cần nhiều cập nhật Những hình ảnh đầu vào ( ) hình ảnh màu ba kênh (R,G,B) Ở đây, ta xử lý kênh độc lập chạy ( ) thuật toán luồng song song Kết ( ) toán tử ba phân thức ( ) ( ) Đối với kênh màu, giá trị điểm ảnh, ta sử dụng biên độ gradient Vì vậy, đầu vào ( ) * ( ) ( )+ bao gồm giá trị điểm ảnh ( ) biên độ gradient ( ) điểm ảnh Theo ( ) + (ở phương trình (1)) bao gồm hai phần tương đó, phần tử lịch sử background ( ) * ( ) ứng Để tính khoảng cách phương trình (2), ta dùng phương trình sau: ( ( ) ( )) ̅̅̅̅ | ( ) ( )| | ( ) ( )| (5) Trong đó, ̅̅̅̅ trung bình độ lớn gradient khung hình quan sát cuối Vì vậy, ̅̅̅̅ chiếm tầm quan trọng giá trị điểm ảnh so với cường độ gradient 2.3 Trích xuất đối tượng Kết bước trừ mặt nạ nhị phân khung hình ảnh đầu vào Mặt nạ nhị phân tiếp tục đưa vào khối BlobTracking để thực tối ưu hóa biến đổi hình thái học sau phương pháp dị blob áp dụng lên đầu biến đổi hình thái học để có kết blob đánh nhãn riêng biệt Các phương tiện giao thông (ô tô, xe máy) xác định dựa kích thước chúng ghi nhận Đầu cuối trình khung hình với phương tiện giao thông dựng lại với kết đếm số lượng phương tiện tham gia giao thông Với cửa sổ PBAS kết trình trừ Blob Mask kết trình biến đổi hình thái học, điểm nhiễu bị loại bỏ đáng kể Hình Mặt nạ nhị phân trừ biến đổi hình thái học Sau giai đoạn xử lý nhiễu bước biến đổi hình thái học, mặt nạ nhị phân segmentated tiếp tục đưa vào bước xử lý quan trọng q trình trích xuất đối tượng đánh nhãn để phân biệt đối tượng kết đầu mảng blobs bao gồm blob khung hình Với blob coi lớp đối tượng có thuộc tính phương thức Do phương tiện giao thơng lọc theo kích thước chúng (có kích thước lớn người, động vật) để phục vụ render, có thuộc Đồn Phước Miền, Tống Thị Kim Quy, Trần Thế Vũ, Huỳnh Hữu Hưng 549 tính cần lưu ý area, minx, miny, maxx, maxy Trong area số điểm ảnh biểu diễn cho đối tượng giá trị min, max giới hạn tọa độ đối tượng xét theo mặt phẳng chiều Một điểm ảnh thuộc biên đối tượng phải ln có điểm lân cận điểm ảnh đen, để tìm điểm biên nó, thực quét điểm lân cận điểm bên cạnh điểm ảnh đen xác định trước theo chiều kim đồng hồ Từ ta rút nguyên tắc, với điểm biên ln có điểm ảnh đen liền kề trước theo vòng quét điểm Như vậy, ta có nguyên tắc sau để xác định điểm đen liền kề với sau: Nếu ; lân cận phải (R) phải (DR) của , ln có điểm ảnh đen liền kề lân cận (U) Nếu ; lân cận trái (L) trái (UL) của Nếu ; lân cận (D) trái (DL) , ln có điểm ảnh đen liền kề lân cận phải (R) Nếu lân cận (U) phải (UR) , ln có điểm ảnh đen liền kề lân cận trái (L) , ln có điểm ảnh đen liền kề lân cận (D) 2.4 Đếm xe Để tránh đếm blob tương ứng với đối tượng không mong muốn người, động vật nhiễu thuộc background, ta cần xác định phạm vi kích thước phương tiện giao thông áp dụng lọc để loại bỏ đối tượng khơng mong muốn Thực chất, kích thước đối tượng thể qua giá trị area blob, với area số điểm ảnh cấu thành blob Sau có tập đối tượng mong muốn phương tiện giao thơng, q trình trích xuất đếm số lượng áp dụng để vẽ khung chữ nhật bao quanh đối tượng thị số lượng phương tiện xuất khung hình Tuy nhiên, nêu trước đó, khuyết điểm phương pháp số đối tượng bị chồng lấn q trình trích xuất đối tượng coi đối tượng dẫn đến nhận dạng đếm khơng xác III KẾT QUẢ THỰC NGHIỆM Chúng thực giải pháp đề xuất để nhận dạng xe ơtơ Sau đó, mở rộng tham số để đếm loại phương tiện giao thông khác Đồng thời, tiến hành ba thực nghiệm để đánh giá hiệu việc nhận dạng phương tiện giao thông dựa phương pháp trừ PBAS kết hợp với trích xuất đối tượng dùng kỹ thuật dị biên trình bày Các thử nghiệm bao gồm: (1) So sánh hiệu PBAS với hai thuật toán trừ Static Frame Difference Frame Difference, (2) Đánh giá ảnh hưởng tham số thuật toán trừ đến trình nhận dạng, (3) Đánh giá hệ thống với video đầu vào khác 3.1 Nguồn liệu Camera Trong báo này, đề xuất xây dựng ứng dụng đếm số lượng xe sử dụng camera giao thông nội ô thành phố Đà Nẵng Dữ liệu video báo đề cập từ nguồn camera công cộng địa http://camera.0511.vn/ đọc trực thời gian thực Hình Nguồn liệu Camera 550 ỨNG DỤNG XỬ LÝ ẢNH ĐỂ ĐẾM SỐ LƯỢNG XE Ô TÔ TRONG NỘI THÀNH ĐÀ NẴNG 3.2 Môi trường công cụ sử dụng Chúng sử dụng hệ điều hành Ubuntu phiên 14.04 sau nâng cấp lên phiên 16.04 để cài đặt ứng dụng liên quan Tốc độ Ram máy 8GB, Bộ xử lý Corei5, Ổ cứng SSD 120GB Ngơn ngữ lập trình sử dụng Visual C++ kết hợp với thư viện Opencv3.0 nhận dạng phương tiện giao thông open source [16] 3.3 Thực nghiệm toán nhận dạng xe ôtô Áp dụng bước theo mô hình đề xuất, tiến hành thử nghiệm sử dụng đầu vào video Kết chương trình nhận dạng xe ơtơ khung hình Kết thể hình bên Hình Kết nhận dạng xe ôtô từ video đầu vào 3.4 Thực mở rộng nhận dạng phương tiện giao thông khác Chúng thay đổi thông số kích thước khung hình mong muốn thực bước lọc đối tượng (theo phương pháp Blob Tracking) Ứng với thay đổi đó, ta dễ dàng giới hạn đối tượng mà ta muốn nhận dạng Hình mơ tả cụ thể tham số nhỏ (minArea) lớn (maxArea) đối tượng thỏa mãn yêu cầu tìm kiếm ta Theo đó, với minArea = 400, chương trình demo thực nhận dạng đối tượng tương ứng với kích thước xe máy, xe đạp xe ôtô Trong đó, với minArea = 500, chương trình nhận dạng xe ơtơ Hình Các tham số cấu hình cho việc nhận dạng đối tượng blob Hình Kết nhận dạng mở rộng Đoàn Phước Miền, Tống Thị Kim Quy, Trần Thế Vũ, Huỳnh Hữu Hưng 551 Hình Kết nhận dạng mở rộng xe mô tô bánh 3.5 Đánh giá hiệu thành phần ảnh hưởng tới toán nhận dạng xe So sánh hiệu trừ thuật toán PBAS với static frame difference frame difference Mục đích thử nghiệm để so sánh hiệu thuật toán trừ PBAS với hai thuật toán trừ Static Frame Difference Frame Difference dựa thời gian xử lý, tỷ lệ nhận dạng thành công Việc nhận dạng thực video đầu vào Bảng So sánh hiệu PBAS, Static Frame Difference Frame Difference Frame per second (FPS) Số đối tượng thực Số blob tìm thấy Số đối tượng/blob nhận dạng Tỷ lệ nhận đối tượng xác Tỷ lệ nhận blob xác Static Frame Difference 12.05 143 631 97 67,83 % 15,37 % Frame Difference 14.5 143 125 93 65,03 % 67,88 % PBAS 2.9 143 137 108 75,52 % 78,83 % Thuật tốn Như thấy tính đơn giản phương pháp xây dựng hình mà Static Frame Difference Frame Difference có tốc độ xử lý nhanh hẳn so với PBAS Tuy nhiên, xét độ xác việc nhận dạng PBAS có ưu vượt trội Lưu ý rằng, đặc biệt thuật tốn Static Frame Different có số lượng blob tìm thấy sai lệch lớn so với số lượng đối tượng thực Điều điều kiện thay đổi (như độ sáng…) có sai khác so với tĩnh chọn ban đầu dẫn đến điểm ảnh thuộc khung hình sau bị nhận dạng thành Các trường hợp cịn gọi positive sai Hình Nhận dạng sai Static Frame Difference Do đánh giá hiệu năng, ngồi tỷ lệ nhận đối tượng xác (số đối tượng nhận dạng số đối tượng thực) ta cần quan tâm tới tỷ lệ nhận dạng blob xác với tỷ lệ số lượng blob đối tượng số lượng blob tìm thấy Như thực nghiệm Static Frame Difference có tỷ lệ nhận dạng đối tượng tốt ỨNG DỤNG XỬ LÝ ẢNH ĐỂ ĐẾM SỐ LƯỢNG XE Ô TÔ TRONG NỘI THÀNH ĐÀ NẴNG 552 Frame Diffrence đánh giá chung thi Frame Difference thuật toán tốt số lượng false positive gần khơng có Đánh giá ảnh hưởng tham số thuật toán trừ đến trình nhận dạng Để đánh giá ảnh hưởng tham số, tiến hành thay đổi giá trị N giá trị ngưỡng R Với giá trị N tương ứng 10, 20, 100 Kết cho thấy giá N nhỏ tỷ lệ điểm hình bị xác định sai thành foreground cao dẫn đến số phần bị nhận diện thành đối tượng Còn nêú giá trị N cao ngược lại, điểm ảnh thuộc foreground bị nhận thành dẫn đến tình trạng dối tượng bị nhận dạng thành hai đối tượng bị cắt xén thành hai blob Ngoài ra, N cao hệ thống nhiều thời gian xử lý điểm ảnh phải có số lần so sánh với N nhiều Qua thực nghiệm, cho thấy khoảng giá trị 20

- Xem thêm -

Xem thêm: Ứng dụng xử lý ảnh để đếm số lượng xe ô tô trong nội thành Đà Nẵng,