Tài liệu: Đề tài nckh ứng dụng xử lý ảnh trong hệ thông tiện nghi trên ô tô

Chuyên khảo phân tích Đề tài nckh ứng dụng xử lý ảnh trong hệ thông tiện nghi trên ô tô, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Lê Bá Trắc
• Người hướng dẫn: Th.S Vũ Đình Huấn
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật ô tô
• Đề tài: Ứng dụng xử lý ảnh trong hệ thống tiện nghi trên ô tô
• Loại tài liệu: Báo cáo tổng kết đề tài nghiên cứu khoa học sinh viên
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Xử Lý Ảnh Trong Hệ Thống Ô Tô

Xử lý ảnh là một lĩnh vực quan trọng trong khoa học kỹ thuật hiện đại, đặc biệt là ứng dụng trong các hệ thống tiện nghi trên ô tô. Đề tài nghiên cứu khoa học này tập trung vào việc ứng dụng công nghệ xử lý ảnh để phát hiện và nhận diện khuôn mặt người dùng nhằm điều khiển tự động các tiện nghi trên xe. Với sự phát triển không ngừng của công nghệ, xử lý ảnh số đã trở thành một phần không thể thiếu trong các ứng dụng thông minh. Đặc biệt, việc kết hợp xử lý ảnh với kit Raspberry Pi đã mở ra nhiều khả năng ứng dụng mới trong lĩnh vực ô tô hiện đại.

1.1. Giới Thiệu Về Xử Lý Ảnh

Xử lý ảnh là quá trình xử lý dữ liệu hình ảnh bằng thuật toán và phần mềm máy tính. Nó bao gồm các kỹ thuật như nén ảnh, cải thiện chất lượng hình ảnh, và nhất là nhận diện khuôn mặt trong ứng dụng hiện đại. Các vấn đề chính trong xử lý ảnh bao gồm phát hiện cạnh, phân đoạn ảnh, và trích xuất đặc trưng.

1.2. Các Bước Cơ Bản Trong Xử Lý Ảnh

Quá trình xử lý ảnh diễn ra theo các bước: thu thập ảnh thô, tiền xử lý để cải thiện chất lượng, trích xuất đặc trưng quan trọng, và cuối cùng là phân tích và ra quyết định. Trong đề tài này, các bước này được áp dụng để nhận diện khuôn mặt và điều khiển ghế ô tô tự động.

II. Công Nghệ Nhận Diện Khuôn Mặt Với AdaBoost Và Haar Like

Để thực hiện nhận diện khuôn mặt, đề tài sử dụng giải thuật AdaBoost kết hợp với đặc trưng Haar-Like. Đây là một phương pháp hiệu quả và nhanh chóng trong việc phát hiện và nhận diện khuôn mặt trên ảnh thực tế. Giải thuật AdaBoost là một trong những công nghệ tiên tiến nhất trong lĩnh vực thị giác máy tính, cho phép hệ thống học từ nhiều bộ phân loại yếu để tạo thành một bộ phân loại mạnh mẽ. Đặc trưng Haar-Like giúp xác định các đặc điểm hình học cơ bản trên khuôn mặt như vị trí mắt, mũi, và miệng.

2.1. Giải Thuật AdaBoost

Giải thuật AdaBoost hoạt động bằng cách kết hợp nhiều bộ phân loại đơn giản để tạo thành một bộ phân loại mạnh mẽ. Nó tập trung vào những mẫu dữ liệu khó phân loại bằng cách tăng trọng số cho các mẫu bị phân loại sai. Phương pháp này rất hiệu quả trong nhận diện khuôn mặt với độ chính xác cao.

2.2. Đặc Trưng Haar Like

Đặc trưng Haar-Like là những mẫu hình ảnh đơn giản được sử dụng để phát hiện các đặc điểm khuôn mặt. Chúng dựa trên sự khác biệt về độ sáng giữa các vùng ảnh liền kề. Khi kết hợp với AdaBoost, đặc trưng Haar-Like cho phép phát hiện khuôn mặt nhanh chóng với tỷ lệ dương tính giả thấp.

III. Cấu Hình Hệ Thống Với Raspberry Pi 4 Và OpenCV

Kit Raspberry Pi 4 được sử dụng làm trung tâm xử lý chính trong hệ thống nhận diện khuôn mặt điều khiển ghế ô tô. Với khả năng xử lý đa luồng và hỗ trợ các ngôn ngữ lập trình phổ biến, Raspberry Pi 4 là lựa chọn lý tưởng cho ứng dụng này. Thư viện OpenCV được tích hợp để thực hiện các tác vụ xử lý ảnh phức tạp, bao gồm phát hiện khuôn mặt từ dữ liệu video thời gian thực. Hệ điều hành Raspbian cung cấp môi trường ổn định để chạy các chương trình Python.

3.1. Thông Số Kỹ Thuật Raspberry Pi 4

Raspberry Pi 4 được trang bị bộ xử lý Broadcom ARMv8 64-bit, 4GB RAM, và kết nối WiFi 802.11ac. Các thông số này cho phép thiết bị xử lý xử lý ảnh và nhận diện khuôn mặt một cách hiệu quả. Cổng USB, HDMI, và GPIO cung cấp khả năng kết nối với các cảm biến và thiết bị ngoài như webcam và relay điều khiển.

3.2. Thư Viện OpenCV Và Python

Thư viện OpenCV được viết bằng ngôn ngữ Python cho phép dễ dàng cài đặt các thuật toán xử lý ảnh phức tạp. OpenCV cung cấp các hàm sẵn có để phát hiện khuôn mặt sử dụng Haar Cascades, làm giảm đáng kể thời gian phát triển. Kết hợp với Python, người phát triển có thể nhanh chóng prototyping và triển khai ứng dụng.

IV. Ứng Dụng Thực Tế Điều Khiển Ghế Ô Tô Qua Nhận Diện Khuôn Mặt

Ứng dụng cuối cùng của đề tài này là sử dụng kết quả nhận diện khuôn mặt để điều khiển tự động vị trí ghế ô tô. Hệ thống sẽ lưu trữ đặc trưng khuôn mặt của từng người dùng và khi nhận diện được khuôn mặt, nó sẽ tự động điều chỉnh vị trí ghế về các tham số được lưu trước đó. Quy trình này sử dụng module relay 4 kênh để điều khiển các động cơ của ghế. Màn hình LCD 7 inch hiển thị giao diện người dùng và thông tin trạng thái hệ thống, làm cho quá trình sử dụng trở nên thân thiện và tiện lợi.

4.1. Quy Trình Nhận Diện Và Lưu Trữ Đặc Trưng

Khi hệ thống khởi động, nó sẽ phát hiện khuôn mặt từ webcam và trích xuất các đặc trưng khuôn mặt sử dụng thư viện Dlib. Các đặc trưng này được mã hóa và so sánh với cơ sở dữ liệu người dùng đã được lưu trước đó. Nếu có sự khớp với khoảng cách Euclide dưới ngưỡng định sẵn, hệ thống sẽ xác định danh tính người dùng.

4.2. Điều Khiển Ghế Qua Module Relay

Sau khi nhận diện khuôn mặt thành công, module relay 4 kênh sẽ nhận lệnh từ Raspberry Pi để điều khiển các động cơ điều chỉnh ghế. Hệ thống lưu trữ các tham số vị trí ghế cho mỗi người dùng và tự động điều chỉnh ghế về các tham số này. Màn hình LCD 7 inch hiển thị thông tin về người dùng được nhận diện và trạng thái điều chỉnh ghế.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan 3  Chương 2: Cơ sở lý thuyết.  Chương 3: Xây dựng hệ thống.  Chương 4: Thiết kế và thi công hệ thống.  Chương 5: Thực nghiệm.

 Chương 6: Kết luận và kiến nghị. 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về xử lý ảnh 2.1 Giới thiệu xử lý ảnh Xử lý ảnh không còn là đề tài quá mới, nó được áp dụng từ trong các hoạt động thường ngày cho đến việc nâng cao sản xuất. Nó không những giúp ích cho cá nhân hay gia đình, mà còn ứng dụng cả trong Chính trị, Y tế, Giáo dục,… Xử lý tín hiệu là một môn học trong kỹ thuật điện tử, viễn thông và trong toán học. Liên quan đến nghiên cứu và xử lý tín hiệu kỹ thuật số và analog, giải quyết các vấn đề về lưu trữ, các thành phần bộ lọc, các hoạt động khác trên tín hiệu.

Các tín hiệu này bao gồm truyền dẫn tín hiệu, âm thanh hoặc giọng nói, hình ảnh, và các tín hiệu khác,… Trong số các phương pháp xử lý tín hiệu kể trên, lĩnh vực giải quyết với các loại tín hiệu mà đầu vào là một hình ảnh và đầu ra cũng là một hình ảnh, sản phẩm đầu ra được thực hiện trong một quá trình xử lý, đó chính là quá trình xử lý ảnh. Nó có thể được chia thành xử lý hình ảnh tương tự và xử lý hình ảnh kỹ thuật số. Để có 1 bức ảnh số ta có qúa trình thực hiện như sau: Chụp ảnh từ một máy ảnh là một quá trình vật lý. Ánh sáng mặt trời sử dụng như một nguồn năng lượng.

Một dãy cảm biến được sử dụng cho việc thu lại của hình ảnh. Vì vậy, khi ánh sáng mặt trời rơi trên người đối tượng, sau đó số lượng ánh sáng phản xạ của đối tượng được cảm nhận từ các cảm biến, và một tín hiệu điện áp liên tục được tạo ra bởi số lượng dữ liệu cảm biến đó. Để tạo ra một hình ảnh kỹ thuật số, chúng ta cần phải chuyển đổi dữ liệu này thành một dạng kỹ thuật số. Điều này liên quan đến việc lấy mẫu và lượng tử hóa.

Kết quả của việc lấy mẫu và lượng tử hóa sau một quá trình xử lý là một hình ảnh kỹ thuật số.2 Những vấn đề trong xử lý ảnh 2.1 Điểm ảnh (Picture Element) Là đơn vị cơ bản nhất để tạo nên một bước ảnh kỹ thuật số. Địa chỉ của điểm ảnh được xem như là một tọa độ (x,y) nào đó. Một bức ảnh kỹ thuật số, có thể được tạo ra bằng cách chụp hoặc bằng một phương pháp đồ họa nào khác, được tạo nên từ hàng ngàn hoặc hàng triệu pixel riêng lẻ. Bức ảnh càng chứa nhiều pixel thì càng chi tiết.

Một triệu pixel thì tương đương với 1 megapixel 2.2 Ảnh số Ảnh số là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật. Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng 5 cao thì càng thể hiện rõ nét các đặt điểm của tấm hình càng làm cho tấm ảnh trở nên thực và sắc nét hơn. Một hình ảnh là một tín hiệu hai chiều, nó được xác định bởi hàm toán học f(x, y) trong đó x và y là hai tọa độ theo chiều ngang và chiều dọc.

Các giá trị của f(x, y) tại bất kỳ điểm nào là cung cấp các giá trị điểm ảnh (pixel) tại điểm đó của một hình ảnh.3 Phân loại ảnh [2] Mức xám của điểm ảnh là cường độ sáng, gán bằng một giá trị tại điểm đó. Các mức ảnh xám thông thường: 16, 32, 64, 128, 256. Mức đước sử dụng thông dụng nhất là 265, tức là dùng 1byte để biểu diễn mức xám. Trong đó:  Ảnh nhị phân: Là ảnh có 2 mức trắng và đen, chỉ có 2 giá trị 0 và 1 và chỉ sử dụng 1 bit dữ liệu trên 1 điểm ảnh;  Ảnh đen trắng: Là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác nhau;  Ảnh màu: Là ảnh kết hợp của 3 màu cơ bản lại với nhau để tạo ra một thế giới màu sinh động.

Người ta thường dùng 3byte để mô tả mức màu, tức là có khoảng 16,7 triệu mức màu.4 Quan hệ giữa các điểm ảnh [3] Lân cận điểm ảnh: được nói một cách hài hước như là hàng xóm của cái điểm ảnh. Có 2 loại lân cận cơ bản là lân cận 4 và lân cận 8.1: Lân cận 4 và lân cận 8 4 điểm ảnh lân cận 4 theo cột và hàng với tọa độ lần lượt là (x+1, y), (x-1, y), (x,y+1), (x, y-1) ký hiệu là tập N4(p). 4 điểm ảnh lân cận 4 theo đường chéo có tọa độ lần lượt là (x+1, y+1), (x+1, y+1), (x-1, y+1), (x-1, y-1) ký hiệu là tập ND(p). Tập 8 điểm ảnh lân cận 8 là hợp của 2 tập trên: N8(p) = N4(p) + ND(p) (2.1) 6 Liên kết ảnh [3] [4]: Các mối liên kết của ảnh được xem như là mối liên kiết của 2 điểm ảnh gần nhau, có 3 loại liên kết: liên kết 4, liên kết 8, lên kết m(liên kết hỗn hợp).

Trong ảnh đa mức xám, ta có thể đặt V chứa nhiều giá trị như V={tập con}. Liên kết 4: hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là liên kết 4 của nhau nếu q thuộc về tập N4(p). Liên kết 8: hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là liên kết 8 của nhau nếu q thuộc về tập N8(p). Liên kết m: hai điểm ảnh p và q có giá trị thuộc về tập V được gọi là Liên kết M của nhau nếu thõa 1 trong 2 điều kiện sau: q thuộc về tập N4(p), q thuộc về tập ND(p) và giao của hai tập N4(p), N4(q) không chứa điểm ảnh nào có giá trị thuộc V.5 Lọc nhiễu [2] [3] Ảnh thu nhận được thường sẽ bị nhiễu nên cần phải loại bỏ nhiễu.

Các toán tử không gian dùng trong kỹ thuật tăng cường ảnh được phân nhóm theo công dụng: làm trơn nhiễu, nổi biên. Để làm trơn nhiễu hay tách nhiễu, người ta sử dụng các bộ lọc tuyến tính (lọc trung bình, thông thấp) hoặc lọc phi tuyến (trung vị, giả trung vị, lọc đồng hình). Từ bản chất của nhiễu (thường tương ứng với tần số cao) và từ cơ sở lý thuyết lọc là: bộ lọc chỉ cho tín hiệu có tần số nào đó thông qua, để lọc nhiễu người ta thường dùng lọc thông thấp (theo quan điểm tần số không gian) hay lấy tổ hợp tuyến tính để san bằng (lọc trung bình). Để làm nổi cạnh (ứng với tần số cao), người ta dùng các bộ lọc thông cao, lọc Laplace.

Phương pháp lọc nhiễu. Chia làm 2 loại: lọc tuyến tính, lọc phi tuyến. Làm trơn nhiễu bằng lọc tuyến tính [2]: Khi chụp ảnh có thể xuất hiện nhiều loại nhiễu vào qúa trình xử lý ảnh, nên ta cần phải lọc nhiễu. Gồm các phương pháp cơ bản lọc trung bình, lọc thông thấp,… Ví dụ lọc trung bình: Với lọc trung bình, mỗi điểm ảnh được thay thế bằng trung bình trọng số của các điểm lân cận.

Làm trơn nhiễu bằng lọc phi tuyến [2]: Các bộ lọc phi tuyến cũng hay được dùng trong kỹ thuật tăng cường ảnh. Một số phương pháp lọc cơ bản bộ lọc trung vị, lọc ngoài,… Với lọc trung vị, điểm ảnh đầu vào sẽ được thay thế bởi trung vị các điểm ảnh còn lọc giả trung vị sẽ dùng trung bình cộng của hai giá trị “trung vị” (trung bình cộng của max và min). Lọc trung vị: Kỹ thuật này đòi hỏi giá trị các điểm ảnh trong cửa sổ phải xếp theo thứ tự tăng hay giảm dần so với giá trị trung vị. Kích thước cửa số thường được chọn sao cho số điểm ảnh trong cửa sổ là lẻ.

7 Lọc ngoài: Giả thiết có ngưỡng nào đó cho các mức nhiễu (có thể dựa vào lược đồ xám). Tiến hành so sánh giá trị độ xám của một điểm ảnh với trung bình số học 8 lân cận của nó. Nếu sai lệch lớn hơn ngưỡng, điểm ảnh này được coi như nhiễu. Trong trường hợp đó, thay thế giá trị của điểm ảnh bằng giá trị trung bình 8 lân cận vừa tính được.6 Phương pháp phát hiện biên [2] Biên là một trong những vấn đền ta cần quan tâm trong xử lý ảnh.

Vì ở giai đoạn phân đoạn ảnh chủ yếu dựa vào biên.2: Hình tách biên Điểm biên: Một điểm ảnh được coi là điểm biên nếu có sự thay đổi nhanh hoặc đột ngột về mức xám (hoặc màu). Ví dụ trong ảnh nhị phân, điểm đen gọi là điểm biên nếu lân cận nó có ít nhất một điểm trắng. Đường biên (đường bao: boundary): tập hợp các điểm biên liên tiếp tạo thành một đường biên hay đường bao. Ý nghĩa của đường biên trong xử lý: ý nghĩa đầu tiên của đường biên là một loại đặc trưng cục bộ tiêu biểu trong phân tích, nhận dạng ảnh.

Thứ hai, người ta sử dụng biên làm phân cách các vùng xám (màu) cách biệt. Ngược lại, người ta cũng sử dụng các vùng ảnh để tìm đường phân cách. Tầm quan trọng của biên: để thấy rõ tầm quan trọng của biên, xét ví dụ sau: khi người họa sỹ muốn vẽ một danh nhân, họa sỹ chỉ cần vẽ vài đường nứt tốc họa mà không cần vẽ một cách đầy đủ. Như vậy, phát hiện biên một cách lý tưởng là phát hiện được tất cả các đường biên trong các đối tượng.

Định nghĩa toán học của biên ở trên là cơ sở cho các kỹ thuật phát hiện biên. Điều quan trọng là sự biến thiên giữa các điểm ảnh thường nhỏ, trong khi đó biến thiên độ sáng của điểm biên thường là khá lớn khi qua biên. Xuất phát cơ sở này người ta thường sử dụng hai phương pháp phát hiện biên như sau: Tách biên theo đạo hàm bậc một [2]: Có 2 phương pháp cơ bản là: một là tạo gradient của hai hướng và trực giao trong ảnh, hai là dùng tập đạo hàm có hướng. Tách biên theo đạo hàm bậc hai [2]: được thực hiện trên một số dạng vi phân bậc 2 để làm xuất hiện 8 biên.

Có hai dạng của phương pháp đạo hàm bậc hai đã được nghiên cứu là: phương pháp Lapplace và đạo hàm trực tiếp. Bộ tách biên Canny [1]: phương pháp phát hiện này được sử dụng phổ biến vì nó có nhiều ưu điểm hơn các phương pháp khác. Các bước thực hiện: Làm phẳng dùng bộ lọc Gauss; Sau đó, Gradient cục bộ của biên độ và hướng được tính. Tìm điểm ảnh có biên độ lớn nhất dùng kỹ thuật nonmaximal suppression; Các điểm ảnh đỉnh (tìm được từ bước 2) được chia làm hai ngưỡng T1 và T2, T1 < T2.