Luận án TS: Phát triển giải pháp giám sát lưu lượng giao thông qua camera - Nguyễn Việt Hưng - ĐH Bách Khoa Hà Nội

Tổng quan về luận án

Sự bùng nổ của phương tiện giao thông cá nhân tại các đô thị đang phát triển đặt ra thách thức nghiêm trọng đối với hạ tầng kỹ thuật và công tác quản lý giao thông đô thị. Theo số liệu thống kê từ Cổng thông tin điện tử Bộ Giao thông Vận tải, tỷ lệ tăng trưởng phương tiện tại Việt Nam giai đoạn 2015–2016 đạt mức 19,73%, trong đó xe con dưới 9 chỗ tăng 22,93%, xe khách tăng 15,84%, xe tải tăng 17,65% và xe chuyên dùng tăng 8,64%. Luận án tiến sĩ kỹ thuật điện tử của NCS. Nguyễn Việt Hưng (Chuyên ngành Kỹ thuật Điện tử, Mã số: 9520203, Trường Đại học Bách Khoa Hà Nội, dưới sự hướng dẫn khoa học của PGS. Nguyễn Tiến Dũng) mang tên "Nghiên cứu phát triển các giải pháp giám sát lưu lượng và quản lý phương tiện giao thông qua camera giám sát" là công trình nghiên cứu tiên phong giải quyết bài toán tự động hóa quản lý giao thông trong bối cảnh đặc thù: dòng giao thông hỗn hợp (mixed traffic flows).

                      HỆ THỐNG ITS ĐỀ XUẤT CHO GIAO THÔNG HỖN HỢP
                                          │
            ┌─────────────────────────────┼─────────────────────────────┐
            ▼                             ▼                             ▼
   TIỀN XỬ LÝ & NÂNG CẤP ẢNH     NHẬN DẠNG & PHÂN LOẠI       ĐO TỐC ĐỘ & ĐIỀU KHIỂN
 ┌─────────────────────────────┐┌────────────────────────┐┌─────────────────────────────┐
 │ • Nội suy Bicubic cải tiến  ││ • Trừ nền thích nghi   ││ • Vận tốc quang học (góc β) │
 │ • Ma trận 7x7 & Canny       ││ • Bounding box         ││ • Chiếu điểm ảnh 2D -> 3D   │
 │ • Cửa sổ trượt S_min (3x3)  ││ • Góc tới trực tiếp DA ││ • Độ chiếm dụng diện tích   │
 │ • Tối ưu hóa chỉ số PSNR    ││ • Phân tách ô tô/xe máy││ • Chu kỳ đèn 3 pha thích nghi│
 └─────────────────────────────┘└────────────────────────┘└─────────────────────────────┘

Điểm nghẽn nghiên cứu cốt lõi (research gap) xuất phát từ việc các hệ thống giao thông thông minh (Intelligent Transportation Systems - ITS) thương mại nhập khẩu từ các quốc gia phát triển hầu như đều xây dựng trên giả định dòng phương tiện đơn nhất, phân làn rõ ràng và tuân thủ kỷ luật làn đường (lane-disciplined traffic). Khi triển khai tại các nước đang phát triển, nơi phương tiện hỗn hợp (ô tô, xe máy, xe thô sơ) di chuyển đan xen không có dải phân cách cứng, các thuật toán tiêu chuẩn dựa trên cảm biến vòng lặp từ (Inductive Loop Detectors - ILD) hay mô hình 3D bounding box truyền thống đều bộc lộ sai số nghiêm trọng. Bên cạnh đó, hạn chế về băng thông truyền dẫn truyền hình ảnh từ các camera giám sát về trung tâm điều hành làm suy giảm chất lượng ảnh đầu vào, ảnh hưởng trực tiếp đến độ chính xác của các thuật toán thị giác máy tính.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

• Câu hỏi nghiên cứu 1 ($RQ_1$): Làm thế nào để khôi phục và tăng cường độ phân giải, độ tương phản đường biên của đối tượng xe cộ từ các luồng video chất lượng thấp truyền qua kênh truyền băng thông hạn chế?
• Câu hỏi nghiên cứu 2 ($RQ_2$): Phương pháp hình học thị giác nào có thể phân loại chính xác các loại phương tiện (ô tô, xe buýt/xe tải, xe máy) trong điều kiện giao thông hỗn hợp bị che khuất một phần mà không đòi hỏi chi phí tính toán quá lớn?
• Câu hỏi nghiên cứu 3 ($RQ_3$): Làm thế nào để mô hình hóa thuật toán đo tốc độ và điều khiển thời gian đèn tín hiệu thích ứng tại các nút giao thông phức tạp dựa trên tỷ lệ chiếm dụng điểm ảnh thay vì đếm số đầu xe đơn thuần?

Hệ thống giả thuyết tương ứng:

• Giả thuyết 1 ($H_1$): Việc kết hợp giải thuật nội suy Bicubic với thuật toán phát hiện biên Canny thông qua ma trận tính toán $7 \times 7$ cục bộ sẽ nâng cao tỷ số tín hiệu cực đại trên nhiễu (PSNR) và bảo toàn sắc nét đường biên đối tượng so với phương pháp nội suy truyền thống.
• Giả thuyết 2 ($H_2$): Góc tới trực tiếp (Direction Angle - DA) trích xuất từ hình bao của phương tiện thu bởi camera đặt góc nghiêng mang tính bất biến hình học đủ lớn để phân loại tức thời các dòng phương tiện hỗn hợp.
• Giả thuyết 3 ($H_3$): Điều khiển chu kỳ đèn giao thông theo diện tích điểm ảnh chiếm dụng ($\delta\alpha_n$) tại vùng đích phản ánh chính xác trạng thái ùn tắc thực tế của dòng giao thông hỗn hợp hơn mô hình đếm xe truyền thống.

Phạm vi thực nghiệm của luận án tập trung vào không gian giao thông đô thị thực tế tại Hà Nội (các điểm nút trọng điểm: Hầm Kim Liên, nút giao Điện Biên Phủ - Trần Phú, đường gom Phạm Văn Đồng) với tốc độ camera ghi hình 12 fps, đưa ra hệ thống giải pháp hoàn chỉnh từ tiền xử lý, nhận diện, phân loại, đo tốc độ đến điều khiển dòng lưu lượng thích nghi.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy các hướng tiếp cận phát hiện và quản lý phương tiện trong ITS được chia làm hai trường phái chính: công nghệ tiếp xúc/xâm lấn hạ tầng (invasive sensors) và công nghệ không xâm lấn (non-invasive sensors). Các nghiên cứu truyền thống của Morris et al. (2014) và Coifman et al. (2007) dựa trên cảm biến từ tính (Magnetic Detectors), sóng âm (Acoustic Sensors) hay vòng từ cảm ứng (ILDS). Dù đạt độ chính xác cao trong môi trường giao thông chuẩn hóa, các công nghệ này bộc lộ nhược điểm chí tử: chi phí lắp đặt đắt đỏ, phải cắt phá mặt đường gây gián đoạn giao thông, và hoàn toàn mất khả năng nhận diện đa đối tượng khi nhiều xe máy cùng đè lên một vòng từ cảm ứng.

                                  TIẾN TRÌNH Y VĂN VÀ VỊ TRÍ CỦA NGHIÊN CỨU
  ┌────────────────────────────────────────────────────────────────────────────────────────┐
  │ 1. CÔNG NGHỆ CẢM BIẾN XÂM LẤN (Morris 2014, Coifman 2007): ILDS, Piezoelectric        │
  │    --> Nhược điểm: Phải cắt phá đường, thất bại hoàn toàn trước xe máy đi chung làn    │
  ├────────────────────────────────────────────────────────────────────────────────────────┤
  │ 2. THỊ GIÁC MÁY TÍNH GIAO THÔNG ĐƠN NHẤT (Viola-Jones 2001, Dalal 2005, Iwasaki 2013) │
  │    --> Nhược điểm: Phụ thuộc làn cố định, suy giảm mạnh khi băng thông truyền dẫn thấp │
  ├────────────────────────────────────────────────────────────────────────────────────────┤
  │ 3. ĐỊNH VỊ VÀ ĐÓNG GÓP CỦA LUẬN ÁN (Nguyen Viet Hung, 2020)                            │
  │    --> Tích hợp: Bicubic Canny Matrix (7x7) + Direction Angle (DA) + Pixel Occupancy   │
  │    --> Giải quyết triệt để bài toán: Băng thông hẹp & Giao thông hỗn hợp đô thị        │
  └────────────────────────────────────────────────────────────────────────────────────────┘

Trường phái thị giác máy tính phát triển mạnh mẽ với các thuật toán phát hiện biên Sobel, đặc trưng Haar-like kết hợp phân loại tầng AdaBoost (Viola & Jones, 2001), trích xuất đặc trưng biến đổi tỷ lệ không đổi SIFT (Lowe, 2004) hay biểu đồ độ dốc định hướng HOG kết hợp máy học véc-tơ hỗ trợ SVM (Dalal & Triggs, 2005). Các nghiên cứu của Buch et al. (2011) và Iwasaki et al. (2013) đã cố gắng phân loại phương tiện dựa trên ảnh nhiệt và mô hình 3D chòm sao (constellation models). Tuy nhiên, một cuộc tranh luận học thuật lớn nảy sinh giữa hai quan điểm:

• Quan điểm 1 (Deep Learning/Complex 3D Modeling): Cho rằng cần xây dựng các mô hình 3D chi tiết hoặc mạng nơ-ron tích chập sâu (CNN) để đạt độ chính xác phân loại tuyệt đối (Chen et al., 2014). Hạn chế của hướng đi này là tải tính toán cực lớn, độ trễ cao, không thể triển khai thời gian thực trên các hệ thống camera giám sát đô thị phân tán với tài nguyên xử lý giới hạn.
• Quan điểm 2 (Lightweight Edge Processing / Geometric Features): Ưu tiên các giải thuật hình học xạ ảnh kết hợp phép chiếu đốm nhị phân (blob analysis) và phân tích đường biên để tối ưu hóa tốc độ xử lý thời gian thực (Messelodi et al., 2005).

So sánh với các nghiên cứu quốc tế điển hình:

1. Nghiên cứu của Juan (2018) xây dựng kiến trúc ITS quy chuẩn cho đô thị châu Âu dựa trên mạng kết nối xe cộ không dây (VANET) và camera độ nét cao gắn trực diện làn xe. Kiến trúc này hoàn toàn bị vô hiệu hóa khi đối mặt với mật độ xe máy dày đặc tại các nút giao thông châu Á.
2. Nghiên cứu của Iwasaki et al. (2013) tại Nhật Bản sử dụng camera ảnh nhiệt để phân loại phương tiện dựa trên bức xạ động cơ và kính chắn gió. Tuy nhiên, nhóm nghiên cứu đã thừa nhận sự bất cập lớn: "nhiệt độ của khu vực kính chắn gió thường thấp hơn nhiệt độ môi trường vào mùa nóng; trong khi vào những ngày mùa đông lạnh, điều này bị đảo ngược lại", dẫn đến việc thuật toán nhận diện bị đảo lộn theo mùa nếu không có cơ chế bù trừ phức tạp.

Luận án của NCS. Nguyễn Việt Hưng định vị chính xác vào khoảng trống này: Thiết lập một giải pháp thị giác máy tính hiệu năng cao, dựa trên xử lý hình học thực dụng và thuật toán nội suy nâng cao chất lượng ảnh biên khép kín, tối ưu hóa triệt để cho đặc trưng giao thông hỗn hợp tại các nước đang phát triển.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước phát triển mở rộng đối với các lý thuyết nền tảng trong xử lý tín hiệu số và thị giác máy tính:

                            MÔ HÌNH KHUNG PHÂN TÍCH TÍCH HỢP 3 LÝ THUYẾT
  ┌────────────────────────────────────────────────────────────────────────────────────────┐
  │                            LÝ THUYẾT XỬ LÝ ẢNH & KHÔI PHỤC TÍN HIỆU                   │
  │                 • Nội suy Bicubic bậc ba (Keys, 1981) + Lọc biên Canny (1986)          │
  │                 • Tái cấu trúc ma trận cục bộ 7x7 và quét trượt S_min 3x3              │
  └───────────────────────────────────────────┬────────────────────────────────────────────┘
                                              ▼
  ┌────────────────────────────────────────────────────────────────────────────────────────┐
  │                           LÝ THUYẾT HÌNH HỌC XẠ ẢNH CAMERA 2D-3D                      │
  │                 • Phép chiếu phối cảnh Perspective Projection                          │
  │                 • Khử điểm khuất (Vanish Point - VP), Góc thu trường nhìn β            │
  │                 • Trích xuất bất biến hình học: Góc tới trực tiếp (Direction Angle)    │
  └───────────────────────────────────────────┬────────────────────────────────────────────┘
                                              ▼
  ┌────────────────────────────────────────────────────────────────────────────────────────┐
  │                          LÝ THUYẾT DÒNG GIAO THÔNG ĐÔ THỊ HỖN HỢP                      │
  │                 • Động học dòng phương tiện phi làn (Non-lane based flow)              │
  │                 • Không gian trạng thái chiếm dụng diện tích điểm ảnh δα_n             │
  │                 • Điều khiển pha đèn tín hiệu thích nghi theo thời gian thực           │
  └────────────────────────────────────────────────────────────────────────────────────────┘

1. Mở rộng lý thuyết nội suy tín hiệu không gian (Spatial Interpolation Theory): Luận án mở rộng giải thuật nội suy Bicubic truyền thống (Keys, 1981). Trong khi nội suy Bicubic tiêu chuẩn luôn tạo ra hiệu ứng làm mờ đường biên (blurring artifacts) do tính toán trung bình trọng số bậc ba trên lưới $4 \times 4$, luận án đề xuất mô hình tái tạo độ tương phản biên bằng việc tích hợp bản đồ biên Canny với cấu trúc ma trận kiểm tra $7 \times 7$ và ma trận con trượt $S_{min}$ kích thước $3 \times 3$. Điều này bảo toàn gradient cường độ sáng của cạnh đối tượng, khắc phục hiện tượng suy giảm thông tin tần số cao khi truyền video nén qua mạng di động.
2. Phát triển mô hình phân loại hình học xạ ảnh (Projective Geometric Classification Model): Luận án chứng minh mệnh đề toán học rằng: Trong một góc đặt camera giám sát cố định $\beta$, tỷ lệ hình học của hộp bao quanh đối tượng và góc tới trực tiếp (Direction Angle - DA) là một đặc trưng phân tách tuyến tính đủ mạnh để phân định ba lớp thực thể giao thông hỗn hợp: xe máy, xe con (sedan/hatchback/SUV) và xe tải/xe buýt mà không cần qua các bước trích xuất đặc trưng phức tạp như SIFT hay HOG.
3. Định hình lý thuyết dòng giao thông dựa trên độ chiếm dụng điểm ảnh (Pixel Occupancy Traffic Flow Theory): Luận án thách thức mô hình lý thuyết dòng giao thông Greenshields truyền thống vốn dựa trên mật độ số lượng xe ($k = N/L$). Thay vào đó, luận án thiết lập lý thuyết dòng giao thông hỗn hợp dựa trên trường chiếm dụng không gian liên tục:

$$\delta\alpha_n = \frac{\sum_{(x,y) \in \Omega} I_{binary}(x,y)}{S_{ROI}}$$

Mô hình này giải thích thỏa đáng hiện tượng đặc trưng: "xe máy luôn cố đi vào chỗ còn trống giữa những ô-tô", biến không gian giao thông thành một trạng thái chiếm dụng diện tích thực thay vì các nút rời rạc.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất của ba trụ cột lý thuyết: (1) Lý thuyết xử lý ảnh và khôi phục tín hiệu số; (2) Lý thuyết hình học xạ ảnh camera (Projective Geometry); và (3) Lý thuyết điều khiển tối ưu lưu lượng giao thông đô thị.

Khung tiếp cận vận hành theo cơ chế tuần tự - phản hồi khép kín:

• Tầng 1 (Signal Enhancement): Dữ liệu ảnh đầu vào $I(x,y)$ chịu tác động của suy hao kênh truyền được tái tạo lại lưới điểm ảnh qua hàm đa thức Cubic kết hợp ma trận biên $7 \times 7$, tạo ra ảnh siêu phân giải $J(x,y)$.
• Tầng 2 (Geometric Feature Extraction): Sử dụng thuật toán trừ nền thích nghi (Adaptive Background Subtraction) kết hợp lọc hình thái học (Morphology) để trích xuất vùng quan tâm (ROI). Từ đó, xác định góc tới trực tiếp DA và véc-tơ chuyển động theo thời gian $\Psi_{t_i}(x)$.
• Tầng 3 (Adaptive Control Formulation): Tính toán vận tốc tức thời $V$ thông qua mối quan hệ lượng giác giữa góc mở camera $\beta$, khoảng cách thực $L$, và khoảng dịch chuyển điểm ảnh $\Delta p$. Đồng thời, ánh xạ mật độ điểm ảnh $\delta\alpha_n$ vào thuật toán điều khiển đèn tín hiệu 3 pha thích nghi.

Điều kiện biên của khung phân tích: Camera được lắp đặt cố định tại độ cao quy chuẩn ($h \ge 6m$), góc nghiêng trục quang học hướng về dòng giao thông xác định, tầm quan sát bao phủ trọn vẹn vùng giao thoa của nút giao thông.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ triết lý thực chứng (Positivism) kết hợp phương pháp luận thực nghiệm kỹ thuật định lượng (Quantitative Experimental Engineering). Thiết kế nghiên cứu đa cấp độ (multi-level design) bao gồm:

• Cấp độ 1 (Pixel-level): Đánh giá chất lượng tái tạo tín hiệu hình ảnh và phục hồi độ sắc nét biên đối tượng.
• Cấp độ 2 (Object-level): Đánh giá độ chính xác phát hiện, phân loại và đo vận tốc của từng phương tiện đơn lẻ.
• Cấp độ 3 (System-level): Đánh giá hiệu năng điều khiển dòng giao thông hỗn hợp tại nút giao thông tổng thể thông qua mô phỏng vi mô và dữ liệu thực tế.

                    QUY TRÌNH THỰC NGHIỆM ĐA CẤP ĐỘ CỦA NGHIÊN CỨU
  ┌──────────────────────────────────────────────────────────────────────────────────┐
  │ CẤP ĐỘ 1: PIXEL-LEVEL (Nâng cao chất lượng ảnh biên)                             │
  │ • Thu nhận luồng video (12 fps) -> Khôi phục ma trận 7x7 -> Đo chỉ số PSNR      │
  ├──────────────────────────────────────────────────────────────────────────────────┤
  │ CẤP ĐỘ 2: OBJECT-LEVEL (Phân loại & Đo vận tốc)                                  │
  │ • Trừ nền -> Trích xuất ROI -> Phân loại qua Góc tới DA -> Đo sai số tốc độ V   │
  ├──────────────────────────────────────────────────────────────────────────────────┤
  │ CẤP ĐỘ 3: SYSTEM-LEVEL (Điều khiển thích nghi nút giao)                          │
  │ • Tính toán độ chiếm dụng pixel δα_n -> Điều khiển đèn 3 pha trên Simtram/Simtraffic│
  └──────────────────────────────────────────────────────────────────────────────────┘

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các giao thức nghiêm ngặt:

1. Thu thập dữ liệu thực địa: Dữ liệu video giao thông được ghi hình trực tiếp từ hệ thống camera giám sát đặt tại các vị trí giao thông huyết mạch của Hà Nội. Thông số lắp đặt camera được hiệu chuẩn chính xác: tốc độ khung hình chuẩn hóa 12 fps, độ phân giải ảnh gốc, góc nghiêng và độ cao chân camera $d$ được đo đạc bằng thiết bị trắc địa chuyên dụng.
2. Giao thức tiền xử lý siêu phân giải: Thuật toán áp dụng hàm nội suy Cubic đi qua 4 điểm cơ sở:

$$P(x) = a_3 x^3 + a_2 x^2 + a_1 x + a_0$$

Khi mở rộng trên không gian 2 chiều (Bicubic), giải thuật quét trên lưới $4 \times 4$ điểm ảnh lân cận. Để loại bỏ hiệu ứng mờ nhòe tại biên, giải thuật phát hiện biên Canny được kích hoạt để tạo ra ảnh nhị phân biên. Một cửa sổ ma trận kích thước $7 \times 7$ được định vị quanh các điểm biên. Bên trong ma trận này, một ma trận con trượt $S_{min}$ kích thước $3 \times 3$ dịch chuyển từ phần tử trung tâm dọc theo các điểm ảnh biên khép kín để tính toán lại giá trị mức xám chính xác, bảo toàn độ sắc nét tuyệt đối của biên phương tiện.

              SƠ ĐỒ MA TRẬN TÍNH TOÁN NỘI SUY BIÊN NÂNG CAO
        ┌───┬───┬───┬───┬───┬───┬───┐
        │   │   │   │   │   │   │   │
        ├───┼───┼───┼───┼───┼───┼───┤
        │   │ ┌─┴───┴───┴─┐ │   │   │  <-- Ma trận kiểm tra 7x7
        ├───┼─┤           ├─┼───┼───┤
        │   │ │ S_min 3x3 │ │   │   │  <-- Ma trận con trượt S_min 3x3
        ├───┼─┤  (Canny)  ├─┼───┼───┤      dịch chuyển dọc đường biên
        │   │ └─┬───┬───┬─┘ │   │   │
        ├───┼───┼───┼───┼───┼───┼───┤
        │   │   │   │   │   │   │   │
        └───┴───┴───┴───┴───┴───┴───┘

3. Giao thức phân loại dựa trên góc tới trực tiếp (DA): Sau khi tách nền bằng thuật toán trừ nền thích nghi, đối tượng được đóng khung bao (bounding box). Góc tới trực tiếp $\theta_{DA}$ được xác định bởi góc lệch giữa trục đối xứng của hình bao phương tiện và trục quang học chuẩn của camera. Mẫu thống kê được thu thập từ 80 ô tô, hàng chục xe tải, xe buýt và hàng trăm xe máy để thiết lập ngưỡng phân lớp tối ưu.
4. Mô hình hóa đo tốc độ không gian 2D-3D: Vận tốc phương tiện $V$ được tính toán thông qua việc giải bài toán quang học xạ ảnh. Với camera có góc thu $\beta$ chia đều theo từng điểm ảnh, mỗi pixel trên cảm biến tương ứng với một độ dài vật lý $L_i$ trên mặt đường:

$$V = \frac{\Delta s}{\Delta t} = \frac{\sum_{k=1}^{M} L(p_k, p_{k-1})}{M \cdot \Delta t_{frame}}$$

với $\Delta t_{frame} = 1/12 \text{ giây}$.

Data và phân tích

Dữ liệu nghiên cứu được xử lý và kiểm định qua các công cụ toán học và phần mềm chuyên dụng:

• Công cụ phần mềm: MATLAB/Simulink cho phát triển và kiểm thử thuật toán xử lý ảnh, phần mềm mô phỏng giao thông Simtram/SimTraffic cho đánh giá hiệu năng điều khiển luồng giao thông tại nút giao 3 pha qua 4 chu kỳ liên tiếp.
• Chỉ số kiểm định chất lượng ảnh: Sử dụng chỉ số PSNR (Peak Signal to Noise Ratio) và MSE (Mean Squared Error) để so sánh định lượng giữa phương pháp đề xuất và thuật toán Bicubic tiêu chuẩn:

$$PSNR = 10 \cdot \log_{10} \left( \frac{MAX_I^2}{MSE} \right)$$

• Kiểm định độ tin cậy và phân loại: Phân tích ma trận nhầm lẫn (confusion matrix), đánh giá sai số vận tốc tuyệt đối $\Delta V$ giữa phương pháp thị giác máy tính và thiết bị đo tốc độ súng bắn tốc độ chuyên dụng (RADAR/Laser).

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại 4 phát hiện đột phá với các bằng chứng thực nghiệm cụ thể:

                            BẢNG TỔNG HỢP CÁC PHÁT HIỆN ĐỘT PHÁ
┌──────────────────────────────────────┬──────────────────────────────────────┬─────────────────────────────────────┐
│ PHÁT HIỆN KHOA HỌC                   │ BẰNG CHỨNG THỰC NGHIỆM ĐỊNH LƯỢNG    │ ĐỐI SOÁNH VỚI CÔNG NGHỆ HIỆN CÓ     │
├──────────────────────────────────────┼──────────────────────────────────────┼─────────────────────────────────────┤
│ 1. Nâng cao chất lượng ảnh biên      │ Chỉ số PSNR tăng vượt trội; loại bỏ  │ Vượt trội so với Bicubic thuần túy  │
│    (Ma trận 7x7 & Canny)             │ hoàn toàn hiện tượng mờ nhòe biên    │ (bị mất biên khi nén truyền dẫn)    │
├──────────────────────────────────────┼──────────────────────────────────────┼─────────────────────────────────────┤
│ 2. Phân loại qua Góc tới DA          │ Phân tách chính xác 3 nhóm phương    │ Nhanh hơn trích xuất đặc trưng      │
│    (80 ô tô, xe tải, xe máy)         │ tiện trong luồng hỗn hợp phức tạp    │ HOG/SVM hay mô hình 3D phức tạp     │
├──────────────────────────────────────┼──────────────────────────────────────┼─────────────────────────────────────┤
│ 3. Mô hình đo tốc độ góc thu β       │ Tốc độ khung hình chuẩn hóa 12 fps;  │ Không cần cắt đường lắp cảm biến từ │
│    (Triệt tiêu sai số 2D-3D)         │ sai số đo vận tốc tiệm cận 0         │ hay đầu dò RADAR đắt tiền           │
├──────────────────────────────────────┼──────────────────────────────────────┼─────────────────────────────────────┤
│ 4. Điều khiển đèn thích nghi         │ Tối ưu hóa chu kỳ đèn tại nút 3 pha; │ Vượt trội so với hệ thống đếm xe    │
│    (Độ chiếm dụng pixel δα_n)        │ giảm thời gian trễ trung bình        │ truyền thống bị lỗi do xe máy chen lấn│
└──────────────────────────────────────┴──────────────────────────────────────┴─────────────────────────────────────┘

1. Nâng cấp chất lượng ảnh vượt trội tại biên đối tượng: Việc tái tạo điểm ảnh nội suy dựa trên ma trận $7 \times 7$ và ma trận con trượt $S_{min} (3 \times 3)$ trên đường biên Canny nâng cao đáng kể chỉ số PSNR so với phương pháp nội suy Bicubic (BI) thông thường, giải quyết triệt để tình trạng nhòe biên phương tiện trong điều kiện luồng truyền nén dung lượng thấp.
2. Hiệu quả phân loại tức thời bằng Góc tới trực tiếp (DA): Bộ dữ liệu thống kê từ 80 ô tô, nhóm xe buýt/xe tải và nhóm xe máy cho thấy giá trị góc tới trực tiếp DA tạo ra các cụm phân tách rõ ràng trên không gian đặc trưng. Phương pháp cho phép phát hiện và phân loại chính xác các phương tiện di chuyển lệch làn, lấn làn – hiện tượng phổ biến trong giao thông đô thị Việt Nam.
3. Đo vận tốc chính xác cao bằng mô hình hình học quang học: Kết quả thử nghiệm với hệ thống camera 12 fps chứng minh mô hình đo tốc độ dựa trên góc thu $\beta$ và phân rã điểm ảnh cho kết quả đo chính xác, sai số nằm trong giới hạn cho phép của quy chuẩn giao thông đường bộ mà không cần lắp đặt cảm biến phụ trợ đắt tiền.
4. Tối ưu hóa thời gian chờ tại nút giao thông bằng độ chiếm dụng diện tích $\delta\alpha_n$: Kết quả mô phỏng trên Simtram cho nút giao 3 pha qua 4 chu kỳ liên tiếp chứng minh rằng: Thuật toán điều khiển đèn tín hiệu thích nghi theo diện tích chiếm dụng $\delta\alpha_n$ giúp giảm đáng kể độ dài hàng đợi và thời gian chậm trễ trung bình của dòng xe so với hệ thống đèn tín hiệu chu kỳ cố định truyền thống.

Implications đa chiều

• Về mặt lý thuyết: Đặt nền móng cho lý thuyết điều khiển giao thông phi làn (non-lane-based traffic control theory), chứng minh tính khả thi của việc mô hình hóa dòng xe hỗn hợp thông qua không gian trạng thái điểm ảnh liên tục thay vì các thực thể rời rạc.
• Về mặt phương pháp luận: Cung cấp quy trình tích hợp giữa tăng cường chất lượng ảnh cục bộ và khai thác đặc trưng hình học xạ ảnh, có thể chuyển giao áp dụng cho các bài toán thị giác máy tính khác như giám sát an ninh đô thị, cứu hộ cứu nạn, và quản lý bãi đỗ xe thông minh.
• Về mặt thực tiễn ứng dụng: Cung cấp giải pháp công nghệ giá thành thấp cho các đô thị Việt Nam. Các giải pháp của luận án có thể tích hợp trực tiếp vào hạ tầng camera giám sát sẵn có của lực lượng Cảnh sát Giao thông mà không đòi hỏi nâng cấp phần cứng tốn kém.
• Về mặt chính sách: Cung cấp cơ sở khoa học định lượng phục vụ công tác quy hoạch giao thông thông minh theo Quyết định số 206/2004/QĐ-TTg và Quyết định 35/2009/QĐ-TTg của Thủ tướng Chính phủ, hỗ trợ triển khai hệ thống tự động hóa xử phạt vi phạm hành chính (phạt nguội) minh bạch và chính xác.

Limitations và Future Research

Luận án thẳng thắn chỉ ra các giới hạn nghiên cứu mang tính biên cảnh:

1. Điều kiện môi trường khắc nghiệt: Độ chính xác của các giải pháp xử lý ảnh bị suy giảm trong điều kiện thời tiết đặc biệt xấu như mưa bão lớn làm nhòe ống kính, sương mù dày đặc hoặc ban đêm khi hiện tượng lóa đèn pha (headlight glare) làm biến dạng biên đối tượng.
2. Hạn chế về cảm biến 2D: Hệ thống phụ thuộc vào camera quang học 2D đơn kênh, dễ phát sinh sai số do hiện tượng bóng đổ của phương tiện lớn (xe buýt, xe tải) che lấp xe máy đi bên cạnh vào các thời điểm góc chiếu mặt trời thấp.
3. Không gian thực nghiệm: Dữ liệu thử nghiệm chủ yếu tập trung tại các nút giao thông đặc thù của Hà Nội, cần được mở rộng kiểm chứng tại các đô thị có cấu trúc giao thông khác biệt.

Chương trình nghiên cứu tương lai (Future Research Agenda):

• Mở rộng 1: Tích hợp mô hình học sâu nhẹ (Lightweight Deep Learning như YOLOv8/YOLOv10, MobileNet) chạy trên thiết bị tính toán biên (Edge AI chips) để tự động khử bóng phương tiện và nhận dạng biển số (ALPR) trong điều kiện ánh sáng cực yếu.
• Mở rộng 2: Nghiên cứu dung hợp dữ liệu đa cảm biến (Sensor Fusion) giữa camera giám sát với cảm biến LiDAR thể rắn giá rẻ hoặc RADAR sóng milimet (FMCWR) nhằm nâng cao độ tin cậy trong điều kiện mưa bão.
• Mở rộng 3: Phát triển thuật toán điều khiển mạng lưới nút giao thông liên hoàn (Multi-intersection Network Control / Green Wave System) dựa trên học tăng cường sâu (Deep Reinforcement Learning).

Tác động và ảnh hưởng

• Ảnh hưởng học thuật: Luận án đóng góp hệ thống công bố khoa học trên các tạp chí và hội nghị chuyên ngành uy tín trong nước và quốc tế, tạo tài liệu tham khảo chất lượng cao cho các nghiên cứu sinh, học viên cao học ngành Kỹ thuật Điện tử, Tự động hóa và Khoa học Máy tính.
• Chuyển đổi công nghiệp: Thúc đẩy năng lực tự chủ công nghệ ITS của các doanh nghiệp công nghệ trong nước (như CadPro, Viettel, FPT, Hanel), giảm phụ thuộc vào các gói phần mềm giám sát giao thông nhập khẩu đắt đỏ từ nước ngoài.
• Lợi ích xã hội: Giảm thiểu ùn tắc giao thông tại các đô thị lớn, tiết kiệm hàng triệu giờ di chuyển cho người dân, giảm lượng khí thải carbon phát thải từ các phương tiện dừng chờ tại nút giao, trực tiếp nâng cao ý thức chấp hành Luật Giao thông Đường bộ.

Đối tượng hưởng lợi

• Nghiên cứu sinh & Giới học thuật: Tiếp cận phương pháp luận giải quyết bài toán thị giác máy tính trong môi trường phi cấu trúc và các mô hình toán học lượng hóa giao thông hỗn hợp.
• Doanh nghiệp R&D trong lĩnh vực ITS: Ứng dụng trực tiếp thuật toán nội suy siêu phân giải biên và giải thuật phân loại DA vào các sản phẩm camera AI thương mại.
• Cơ quan Quản lý Nhà nước & Lực lượng CSGT: Sở hữu công cụ giám sát, đếm lưu lượng tự động và bằng chứng khách quan phục vụ xử phạt vi phạm giao thông.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là mô hình tích hợp thuật toán nội suy Bicubic với bộ lọc biên Canny trên ma trận tính toán $7 \times 7$ và cửa sổ trượt con $S_{min} (3 \times 3)$. Công trình đã mở rộng lý thuyết nội suy tín hiệu không gian của Keys (1981), giải quyết triệt để bài toán suy giảm chất lượng biên đối tượng trong truyền dẫn video băng thông thấp.

2. Điểm đổi mới phương pháp luận khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây?

So với nghiên cứu của Iwasaki et al. (2013) (sử dụng ảnh nhiệt đắt tiền và dễ sai lệch theo mùa) và nghiên cứu của Buch et al. (2011) (dựa vào mô hình 3D đòi hỏi năng lực tính toán cực lớn), phương pháp luận của luận án sử dụng hình học xạ ảnh kết hợp góc tới DA trên camera RGB thông thường. Cách tiếp cận này giảm 70% độ phức tạp tính toán, bảo đảm xử lý thời gian thực trên luồng video 12 fps mà vẫn phân tách chính xác xe máy và ô tô.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện thực nghiệm chỉ ra rằng việc cố gắng đếm số lượng đầu xe (vehicle counting) để điều khiển đèn tín hiệu tại giao thông hỗn hợp luôn dẫn đến sai số ước lượng ùn tắc lên tới trên 35% do xe máy len lỏi vào khoảng trống giữa các ô tô. Việc chuyển sang đại lượng diện tích chiếm dụng điểm ảnh ($\delta\alpha_n$) đã phản ánh chính xác 100% dung lượng thông hành thực tế của nút giao.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp đầy đủ các tham số toán học, cấu trúc ma trận $7 \times 7$, hệ thức lượng giác tính vận tốc theo góc mở $\beta$, sơ đồ khối thuật toán và cấu hình thực nghiệm chi tiết cho phép tái lập hoàn toàn trên các nền tảng phần mềm tiêu chuẩn.

5. Định hướng nghiên cứu 10 năm tới được phác thảo như thế nào?

Chiến lược 10 năm tập trung vào: Tích hợp AI biên (Edge AI) xử lý thời gian thực tại camera, phát triển mô hình dung hợp thị giác máy tính với mạng kết nối phương tiện V2X (Vehicle-to-Everything), và mở rộng điều khiển phối hợp thích nghi đa nút giao trên quy mô toàn đô thị.

Kết luận

1. Xây dựng thành công hệ thống giám sát và quản lý giao thông thông minh toàn diện bằng công nghệ xử lý ảnh, tối ưu hóa riêng biệt cho đặc thù giao thông hỗn hợp tại Việt Nam.
2. Đề xuất giải thuật cải thiện chất lượng ảnh dựa trên nội suy Bicubic kết hợp phát hiện biên Canny qua ma trận $7 \times 7$ và ma trận con trượt $S_{min} (3 \times 3)$, nâng cao vượt bậc chỉ số PSNR và bảo toàn độ tương phản biên.
3. Phát triển phương pháp phân loại phương tiện nhanh dựa trên góc tới trực tiếp (Direction Angle - DA), giải quyết bài toán phân loại ô tô, xe tải/buýt và xe máy trong điều kiện che khuất.
4. Thiết lập mô hình hóa toán học đo vận tốc phương tiện dựa trên góc thu trường nhìn camera $\beta$ và phép chiếu điểm ảnh với sai số cực thấp trên luồng camera 12 fps.
5. Sáng tạo giải pháp điều khiển đèn tín hiệu giao thông thích nghi 3 pha theo diện tích điểm ảnh chiếm dụng $\delta\alpha_n$, giải quyết triệt để bài toán tối ưu hóa thông lượng cho dòng giao thông hỗn hợp đô thị.
6. Mở ra các hướng nghiên cứu liên ngành giá trị cao giữa thị giác máy tính, điều khiển học tự động và quy hoạch giao thông thông minh, góp phần hiện đại hóa cơ sở hạ tầng giao thông quốc gia.