Chương 1: Tổng quan đề tài. Chương này trình bày về lý do chọn dé tài, mục tiêu, nội dung và giới hạn của đê tài. e Chương 2: Cơ sở lý thuyết. Chương này trình bày tổng quát về các cơ sở lý thuyết dùng trong khóa luận.
e Chương 3: Giải pháp đề xuất. Chương nay trình bày chỉ tiết các giải pháp nhóm đưa ra dé giải quyết bài toán. © Chương 4: Kết quả thực nghiệm. Chương nay trình bày các kết qua dat được của nhóm.
e Chương 5: Kết luận và hướng phát triển. Chương này đưa ra kết luận của nhóm sau khi thực hiện khóa luận, cũng như đưa ra hướng phát triển khóa luận của nhóm. Việc sử dụng camera để giám sát Xã hội ngày càng phát triển, hệ lụy dẫn đến phát sinh nhiều hành vi bất thường gây ảnh hưởng trực tiếp đến an ninh xã hội: trộm cướp, đánh nhau, phá hoại tài sản,. Tần suất các hành vi này diễn ra ngày càng nhiều, do đó cần phải tiến hành nhiều biện pháp dé đảm bảo an ninh tại những nơi đông đúc như trung tâm mua sắm, nhà hàng, khách sạn, bệnh viện, nhà ga,.
Trong những năm qua, một trong các giải pháp được dé xuất là dùng camera giám sát dé trực tiếp theo dõi, quản lý ở các khu vực đông người. Các loại camera giám sát này chủ yếu là ghi hình và truyền trực tiếp đến nơi quan sát, ở đây sẽ có nhân viên giám sát an ninh trực tiếp theo dõi. Nhược điểm của giải pháp này là nhân viên an ninh phải quan sát trên hệ thống liên tục, đưa ra các cảm quan cá nhân rồi mới đánh giá các hành vi đang diễn ra. Với số lượng camera cần quan sát quá lớn, nhân viên an ninh không thể giám sát chỉ tiết và khó có thé đưa ra các nhận định đúng dé đảm bảo an ninh.1 Nhân viên giám sát dang theo dõi các camera dé phát hiện sự bat thường [1] Dé khắc phục các hạn chế trên, nhiều chuyên gia trong lĩnh vực công nghệ thông tin đưa ra các giải pháp giúp camera có thé nhận diện các hành vi này dé xử lý và sau đó đưa ra cảnh báo cho nhân viên giám sát.
Một trong các giải pháp được nghiên cứu rộng rãi đó là áp dụng thị giác máy tính vào các hệ thống camera giám sát. Dữ liệu từ camera được thu về, sau đó sẽ áp dụng các công nghệ xử lý ảnh số, xử lý video số, áp dụng thuật toán phát hiện các hành vi dựa trên thị giác máy tính để trích xuất các đặc điểm của hành động sau đó đưa ra cảnh báo. Các hành động này được xác định bởi các đặc điểm sau: e Xuất hiện các khung hình chuyền động nhanh bat thường. e Hành động, tư thé con người thay đổi bất thường: vung tay, khom lưng, chạy nhanh, tế ngã,.
Hiện nay, cùng với sự phát triển mạnh mẽ của trí tuệ nhân tạo, các nghiên cứu áp dụng mô hình máy học vào camera an ninh ngày càng nhiều. Với giải pháp hiện đại này, camera được huấn luyện dé trở nên thông minh, sau đó nó có thé tự động ghi nhận, xử lý và đưa ra cảnh báo một cách tự động. Điều này giảm bớt sự phục thuộc vào con người, giúp cho việc quản lý an ninh trở nên dễ dàng hơn. Lĩnh vực trí tuệ nhân tạo 2.
Trí tuệ nhân tao (Artificial Intelligence — AI) Trí tuệ nhân tạo tức là trí thông minh của máy móc do con người sáng tạo và lập trình ra, đặc biệt dành cho các siêu máy tính, robot, hay các thiết bị điện tử có khả năng tính toán. Đây là một lĩnh vực quan trọng trong khoa học máy tính, được ưu tiên nghiên cứu và phát triển hàng đầu trong nền công nghiệp 4.0 hiện nay trên thế giới. Nhờ có trí tuệ nhân tạo, máy tính đạt được khả năng suy nghĩ, phân tích, lập luận giải quyết các van dé, thậm chí có thé giao tiếp trực tiếp với con người do có thé tự học hỏi ngôn ngữ và tiếng nói. Một vài sản phẩm công nghệ nổi tiếng sử dụng trí tuệ nhân tạo có thể kế đến như robot ASIMO (hình 2.2), chương trình Alpha Go chuyên giải cờ vây (hình 2.2 Robot ASIMO, một trong những sản phẩm trí tuệ nhân tạo vào những năm 2000 [2] Hình 2.3 AlphaGo — Chương trình AI giải cờ vay cua Google [3] 2.
Học máy (Machine Learning) Học máy hay máy học (Machine Learning - ML) là một lĩnh vực con của Trí tuệ nhân tạo, có khả năng “học hỏi” dựa trên dữ liệu đưa vào sau đó có thể phân tích, trích xuất các đặc trưng từ dữ liệu dựa trên các thuật toán phân tích cú pháp dữ liệu và đưa ra quyết định đưa ra dự đoán từ dữ liệu mà máy đã học hỏi. Vì vậy, con người không phải lập trình thủ công bang hàng loạt các chỉ dẫn cụ thé mà máy tính có thé sử dụng các thuật toán do con người viết cùng với một số lượng lớn dữ liệu dé thé học được cách hoàn thành tác vụ. Các kĩ thuật ML giúp máy tính có thể tìm được những thông tin đặc trưng có giá trị an rất sâu trong bộ dữ liệu mà việc lập trình thông thường không thể thực hiện được. Với các kĩ thuật máy học hiện đại có thể áp dụng vào rất nhiều lĩnh vực trong đời sống: phân tích được về thị trường chứng khoán, chân đoán trong y khoa, dự đoán giá nhà đất, phân loại thư rác (hình 2.
Delete all spam messages now (messages that have been in Spam more than 30 days will be aul deleted) Mr Collins Belly Attention Funds Owner, - Attention Funds Own Anti-Fraud Unit ICPC PAYMENT NOTIFICATION - ICP€ NIGERIA (An » Zipeem Per raggiungere i tuoi progetti, scopri le rego Anti-Fraud Unit ICPC PAYMENT NOTIFICATION - ICPC NIGERIA (An » UsTrendy Indie Fashion New Arrivals Just Added! - This message was YOU'RE-APPROVED YOUR Roof is Covered FREE!! » WORK @ HOME (PLEASE REPLY) Woburn FULL TIME - 2 Rem Office Re:Confirm deposit - DEPC INHERITAN Mr.Sambo Ngene Message From Mr. Director, Fore: » Congratulations! Here is your chance to win a brand new Ford! » Jocelyn Weir Do not regret skipping these jobs - Jul 27, 20° Registered_Offender_List. SEX-Offender living near-YOU!! {Find-Out} Hình 2.4 Phân loại email spam — Một ứng dụng cua ML [4] 2. Học sâu (Deep Learning) Học sâu (Deep Learning - DL) là một tập con của học máy, lay cam hứng từ cách hoạt động của não bộ con người.
Các kĩ thuật học sâu sử dụng mạng neuron (nơ- ron) nhân tạo giúp các mô hình máy học giải quyết các bài toán tưởng chừng không thé thực hiện được: phân loại hàng nghìn vật thé khác nhau trong một bức ảnh, tự động tạo chú thích cho ảnh, tự động bắt chước giọng nói và giao tiếp với con người, thậm chí có thê tự động sáng tác thơ văn và âm nhạc. DL có thé coi là một sự phát triển phức tạp và tinh vi từ các thuật toán máy học. Khác với việc trích xuất các đặc trưng một cách thủ công của ML, DL sẽ tự trích xuất các đặc trưng mà nó cho là phù hợp. Một bai toán có thê gặp trong thực tế là dé máy tính nhận biết được được biển báo STOP, DL sẽ tự trích xuất các đặc trưng phù hợp như màu sắc, hình dáng, các kí tự,.
Trong khi đó với ML, con người sẽ phải xác định các đặc trưng rôi kiêm tra kêt quả đâu ra mà máy tính dự đoán có đúng yêu cầu đặt ra hay không và điều chỉnh lại các đặc trưng cần trích xuất nếu không phải. Machine Learning Deep Learning «đo — 44 — BR Feature extraction + Classification Output Hình 2.5 Sự khác nhau giữa May học va DL [5] MACHINE LEARNING DEEP 0001/3À.6 Sự phát triển cua lĩnh vực AI và mối quan hệ giữa các lĩnh vực liên quan [4] 2. Tổng quan về mạng neuron 2. Neuron sinh học Một neuron sinh học gồm có thân neuron, tua gai thần kinh, sợi trục thần kinh, trong đó: e Thân neuron là nơi xử lý các tín hiệu được đưa vao.
e Tua gai thần kinh là nơi nhận các xung điện vào trong neuron. ¢ Soi trục thần kinh là nơi đưa tín hiệu ra ngoài sau khi được xử lý bởi neuron. e Khớp thần kinh là vị trí nằm giữa tua gai thần kinh và sợi trục thần kinh. Đây là điêm liên kêt dau ra của neuron nay với đâu vào của neuron khác.
Neuron nhân tạo Neuron nhân tạo là một mô hình toán học mô phỏng neuron sinh học trong hệ thông thân kinh con người. Dựa vào câu tạo của một neuron sinh học, các nhà khoa học đã đưa ra kiên trúc của một neuron nhân tạo như sau: Đầu ra Hàm tổng Hàm kích hoạt Xn) Trọng số liên kết Danh sách đầu vào Hình 2.7 Mô hình toán học của một neuron nhân tạo [6] Trong đó: e Danh sách đâu vào: là các thuộc tính đâu vào của một neuron. Sô lượng thuộc tính đâu vao thường nhiêu hơn một. Dữ liệu dau vào thường là một vector nhiêu chiêu hoặc nhiêu neuron tang trước kêt nôi tới một neuron tâng sau.
10 e Trọng sô liên kêt: các liên kêt thê hiện độ mạnh yêu qua một giá tri được gọi là trọng sô liên kêt. Kêt hợp với các đâu truyên, tín hiệu đên các neuron nhân tạo khác sẽ được tính bằng w;X;. e Hàm tông: tông các tích của các đầu vào với trọng số liên kết mô phỏng các khớp kết nối. Sau đó đi qua hàm tính tông dé tính ra giá trị trước khi đưa vào hàm kích hoạt.
e Hàm kích hoạt: được sử dụng dé tính toán giá trị của đầu ra dựa vào giá trị của hàm tông. Lịch sử phát triển mạng neuron nhân tạo Vào năm 1943, nhà vật lý thần kinh học Warren McCulloch cùng nhà toán học Walter Pitts đã nghiên cứu, phân tích và mô phỏng các tế bào thần kinh đơn giản hóa (idealized artificial neurons) và chỉ ra chúng có thé thực hiện các phép tính logic. Sau đó, họ đã thực hiện mô phỏng một mạng thần kinh đơn giản trên một mạch điện. Vào năm 1949, Donald Hebb đã viết cuén sách “Organization of Behavior” (Sự tô chức của hành vi), đưa ra lý thuyết về sự truyền tín hiệu giữa các tế bào thần kinh bằng khớp thần kinh.
Điểm nhắn của cuốn sách là khớp thần kinh nao càng được sử dụng nhiều dé truyền tín hiệu thì càng mạnh lên, tức là càng dễ truyền tín hiệu những lân sau đó. Vào năm 1959, David Hubel và Torsten Wiesel đã xuất bản cuốn sách “Receptive fields of single neurons in the cat’s striate cortex”, miêu tả về phản ứng của các tế bao thần kinh thị giác trên loài mèo, cũng như cách loài mèo ghi nhớ và nhận diện hình dạng trên kiên trúc vỏ não của nó. lãi Electrical signal from brain Recording electrode ——.