Tổng quan về luận án

Sự phát triển nhanh chóng của hạ tầng an ninh đô thị và giao thông thông minh đã dẫn đến sự bùng nổ của các mạng lưới camera giám sát kỹ thuật số và camera IP. Theo thống kê thực nghiệm được trích dẫn trong nghiên cứu, chỉ riêng tại Vương quốc Anh đã có khoảng 1,85 triệu camera giám sát được triển khai, trong đó xấp xỉ 30.000 thiết bị hoạt động tại các điểm công cộng trọng yếu [33]. Trong các trung tâm điều hành truyền thống, mỗi giám sát viên phải theo dõi đồng thời từ 20 đến 100 màn hình video trong thời gian thực [9]. Tải lượng thông tin thị giác quá lớn này dẫn đến tình trạng suy giảm mức độ cảnh giác, mệt mỏi và gia tăng nguy cơ bỏ sót các sự kiện an ninh nghiêm trọng. Do đó, việc tự động hóa toàn diện hệ thống camera giám sát từ các tác vụ bậc thấp (phát hiện chuyển động, phân loại, theo vết) đến các tác vụ bậc cao (chuyển tiếp camera, phát hiện bất thường ngữ nghĩa) đã trở thành một yêu cầu khoa học cấp thiết.

Luận án tiến sĩ toán học chuyên ngành Cơ sở Toán học cho Tin học (Mã số: 62.10.01.01) của tác giả Ngô Đức Vĩnh, dưới sự hướng dẫn khoa học của PGS. Đỗ Năng Toàn tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2016), mang tiêu đề: “Kỹ thuật xử lý vùng quan sát và phát hiện bất thường của các đối tượng trong hệ thống camera giám sát”. Luận án giải quyết trực diện hai khoảng trống nghiên cứu cốt lõi:

  1. Nghịch lý chi phí tính toán trong chuyển tiếp camera mạng OVL: Sự chồng chéo thị trường quan sát (Overlapping Field of View - OVL) làm tăng tính phức tạp tính toán theo hàm số mũ khi phải liên tục đối sánh đặc trưng hình ảnh và giải bài toán tương quan homography giữa các camera lân cận để xác định thời điểm chuyển giao (When) và camera tiếp nhận (Who).
  2. Rào cản thời gian thực trong phát hiện bất thường quỹ đạo: Sự thiếu hụt các mô hình phát hiện bất thường cục bộ có khả năng xử lý trên các quỹ đạo chưa hoàn chỉnh (incomplete trajectories) trực tiếp từ luồng video thời gian thực mà không phụ thuộc vào toàn bộ chuỗi hành trình quá khứ.

Hệ thống câu hỏi nghiên cứu và giả thuyết khoa học được thiết lập chặt chẽ:

  • RQ1: Làm thế nào để giảm thiểu độ phức tạp tính toán khi theo vết đối tượng qua vùng giao nhau của các camera OVL mà không làm gián đoạn quỹ đạo chuyển động?
    • Hypothesis H1: Tồn tại một phép phân hoạch hình học phẳng tối ưu biến đổi vùng giám sát OVL thành mô hình các đa giác không giao cắt (Non-Overlapping - NOVL) với số cạnh gia tăng nhỏ nhất, triệt tiêu nhu cầu tính toán đối sánh đặc trưng liên tục.
  • RQ2: Cơ chế toán học nào cho phép xác định chính xác thời điểm (When) và mục tiêu (Who) chuyển tiếp camera với chi phí tính toán tối thiểu?
    • Hypothesis H2: Việc kết hợp kiểm tra va chạm bao đóng định hướng (OBB/AABB) với đường ranh giới ảo dựa trên Định lý trục tách (Separating Axis Theorem - SAT) và vector hướng chuyển động dự báo qua bộ lọc Kalman sẽ giảm thiểu trên 30% số lần chuyển tiếp dư thừa.
  • RQ3: Làm thế nào để phát hiện bất thường chuyển động trên các quỹ đạo dở dang với độ trễ thấp?
    • Hypothesis H3: Phân đoạn tuyến đường đại diện kết hợp đo độ tương tự khoảng cách Hausdorff cục bộ cho phép phát hiện bất thường với độ chính xác F-measure vượt trội so với các mô hình Markov hay phân cụm toàn cục.

Khung lý thuyết của luận án tích hợp sâu rộng các nguyên lý Hình học tính toán (Computational Geometry), Biến đổi tương quan xạ ảnh (Projective Homography), Lý thuyết bao đóng va chạm không gian (Bounding Volume Collision) và Lý thuyết mẫu hình không gian - thời gian (Spatio-temporal Pattern Recognition). Nghiên cứu thực hiện thực nghiệm trên tập dữ liệu video đa dạng kết hợp 200 quỹ đạo chuẩn hóa và luồng video thực tế, tạo ra bước đột phá về tối ưu hóa tài nguyên tính toán cho hệ thống giám sát phân tán quy mô lớn.

Literature Review và Positioning

Phân tích tổng quan tài liệu quốc tế cho thấy các nghiên cứu về hệ thống đa camera phân bổ thành hai trường phái tiếp cận chủ đạo:

Trường phái thứ nhất tập trung vào giải quyết bài toán theo vết trong hệ thống camera không chồng chéo (NOVL). Do tồn tại các "vùng mù" (blind zones) trong không gian, các tác giả như Porikli & Divakaran [86], Cheng & Piccardi [17], Javed [43], Hamdoun et al. [35] tập trung xây dựng các hàm chuyển giao độ sáng (Brightness Transfer Function - BTF) và không gian con xác suất PCA nhằm bù trừ sự biến đổi chiếu sáng và quang sai cảm biến giữa các góc nhìn $C_i$ và $C_j$. Makris et al. [73] cùng Rahimi & Darrell [89] áp dụng mô hình Markov và tỷ lệ đồng xuất hiện (Co-occurrence Ratio - COR) tại các điểm vào/ra để tái cấu trúc topo mạng camera. Tuy nhiên, các kỹ thuật này đều đòi hỏi toàn bộ dữ liệu quỹ đạo hoàn chỉnh hoặc pha huấn luyện tham số ngoại suy ngoại tuyến rất phức tạp.

Trường phái thứ hai xử lý hệ thống camera có vùng quan sát chồng chéo (OVL). Mittal & Davis [74] sử dụng ràng buộc hình học epipolar kết hợp phép chiếu ngược 3D lên mặt đất; Fleuret et al. [30] phát triển bản đồ chiếm dụng mặt phẳng đất dựa trên suy luận xác suất Bayes; Eshel & Moses [29], Khan & Shah [56], Santos & Morimoto [93] sử dụng phép biến đổi homography nắn hình ảnh tiền cảnh về hệ tọa độ thế giới phẳng chung. Mặc dù các phương pháp OVL loại bỏ được vùng mù, sự tranh chấp chuyển giao giữa các camera tại vùng giao nhau dẫn đến hiện tượng trễ tính toán nghiêm trọng khi số lượng đối tượng tăng cao.

                      ┌──────────────────────────────────────────────────────────┐
                      │  KHÔNG GIAN NGHIÊN CỨU HỆ THỐNG MULTI-CAMERA SURVEILLANCE  │
                      └────────────────────────────┬─────────────────────────────┘
                                                   │
                ┌──────────────────────────────────┴──────────────────────────────────┐
                ▼                                                                     ▼
┌───────────────────────────────┐                                     ┌───────────────────────────────┐
│     HỆ THỐNG NOVL (VÙNG MÙ)   │                                     │     HỆ THỐNG OVL (GIAO NHAU)  │
├───────────────────────────────┤                                     ├───────────────────────────────┤
│ • BTF & PCA Subspace [43, 86] │                                     │ • Epipolar Constraint [74]    │
│ • Topology Entry/Exit [73]    │                                     │ • Homography Projection [56]  │
│ • Markovian Paths [89]        │                                     │ • Occupancy Grid [30]         │
└───────────────┬───────────────┘                                     └───────────────┬───────────────┘
                │                                                                     │
                │     ┌─────────────────────────────────────────────────────────┐     │
                └───► │       KHOẢNG TRỐNG KHOA HỌC (RESEARCH GAP IDENTIFIED)   │ ◄───┘
                      ├─────────────────────────────────────────────────────────┤
                      │ • Chi phí tính toán OVL quá lớn khi ánh xạ liên camera  │
                      │ • Thiếu cơ chế phân vùng 2D tối ưu số cạnh đa giác      │
                      │ • Chuyển tiếp thiếu dự báo hướng (lãng phí tài nguyên)  │
                      │ • Bất thường quỹ đạo chưa xử lý được dữ liệu dở dang    │
                      └────────────────────────────┬────────────────────────────┘
                                                   │
                                                   ▼
                      ┌─────────────────────────────────────────────────────────┐
                      │             VỊ TRÍ ĐÓNG GÓP CỦA LUẬN ÁN                 │
                      ├─────────────────────────────────────────────────────────┤
                      │ 1. Rời rạc hóa OVL thành NOVL qua Phân vùng tối ưu 2D   │
                      │ 2. Chuyển tiếp va chạm SAT 3D & Virtual Boundary Line   │
                      │ 3. Chọn camera tiếp nhận theo Vector chuyển động Kalman │
                      │ 4. Phát hiện bất thường qua Phân đoạn tuyến đường cục bộ│
                      └─────────────────────────────────────────────────────────┘

Trong bài toán phân vùng giám sát, nghiên cứu của Mauro Baseggio et al. [7], Alberton [2] và Zanella [115] đã đề xuất chiến lược điều khiển phân tán cho robot tuần tra dựa trên việc chiếu trường quan sát của hệ thống camera xuống một đường thẳng một chiều (1D). Tuy nhiên, mô hình 1D này hoàn toàn bộc lộ khiếm khuyết khi áp dụng vào các không gian công cộng thực tế 2D/3D phức tạp như nhà ga hay quảng trường. Đối với bài toán phát hiện bất thường, các khảo sát chuẩn mực của Chandola et al. [12] và Leon et al. [66] phân loại bất thường thành bất thường điểm (Point Anomaly) và bất thường ngữ cảnh (Contextual Anomaly) dựa trên phân cụm hoặc mô hình năng lượng luồng quang học (Optical Flow), nhưng các giải thuật này hầu như bất lực trước yêu cầu cảnh báo tức thời đối với các đối tượng di chuyển bất thường trên một phân đoạn cục bộ.

Vị trí đột phá của luận án nằm ở giao điểm giữa hình học tính toán và thị giác máy tính: chuyển hóa một bài toán OVL phức tạp thành mô hình NOVL tối ưu hình học phẳng 2D, giải quyết dứt điểm câu hỏi When thông qua tương tác va chạm với đường ranh giới ảo (Virtual Boundary Line) và câu hỏi Who bằng mô hình dự báo vector vận tốc.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và làm sâu sắc thêm các lý thuyết nền tảng trong lĩnh vực thị giác máy tính và hình học tính toán thông qua 4 mệnh đề và mô hình toán học tường minh:

  1. Mở rộng Lý thuyết Đa giác quan sát (Observation Polygon Theory): Luận án đưa ra Định nghĩa 2.1, 2.2, 2.3 và thiết lập Mệnh đề 2.1 chứng minh rằng: Nếu hai đa giác quan sát lồi $A$ và $B$ trong không gian 2D giao cắt đơn, thì số lượng giao điểm giữa các cạnh của chúng luôn thỏa mãn $k \le 2$. Dựa trên cơ sở này, Mệnh đề 2.2 chứng minh đường nối trực tiếp hai điểm giao cắt $L_s$ và $L_e$ chính là đường chia cắt tối ưu, đảm bảo các đa giác thành phần sau phân chia có số cạnh gia tăng nhỏ nhất: $$\min \sum_{i \in {A, B}} |\text{Edges}(\mathcal{P}_i)|$$ Đóng góp này đặt dấu chấm hết cho việc sử dụng các phép phân vùng xấp xỉ Voronoi lưới phức tạp trong các nghiên cứu trước đây.

  2. Mô hình Chuyển tiếp va chạm đa chiều (Collision-driven Handover Framework): Thay thế việc liên tục tính toán độ tương quan diện mạo (appearance modeling) bằng mô hình va chạm hình học giữa bao đóng của đối tượng (AABB/OBB) và mặt phẳng ranh giới ảo trong không gian 3D dựa trên Định lý trục tách (Separating Axis Theorem - SAT): $$\text{Project}{d}(O_1) \cap \text{Project}{d}(O_2) \neq \emptyset, \quad \forall d \in \mathcal{D}_{\text{axes}}$$

  3. Lý thuyết Tuyến đường đại diện và Phân đoạn quỹ đạo (Representative Route Sub-segmentation): Xây dựng không gian khoảng cách hình học cục bộ cho phép so sánh độ lệch của một vector quỹ đạo dở dang $T_{\text{sub}}$ với tập các tuyến đường chuẩn $\mathcal{R}_k$, biến đổi bài toán phân loại bất thường chuỗi thời gian phức tạp thành bài toán tối ưu khoảng cách Hausdorff trên từng phân đoạn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 trụ cột lý thuyết: Hình học Xạ ảnh (Projective Geometry qua ma trận Homography $\mathbf{H}$), Hình học Tính toán Không gian (Computational 3D Geometry với SAT) và Lý thuyết Xác suất Thống kê Không gian - Thời gian.

       ┌────────────────────────────────────────────────────────────────────────┐
       │                KHUNG PHÂN TÍCH TOÁN HỌC TỔNG THỂ CỦA LUẬN ÁN            │
       └───────────────────────────────────┬────────────────────────────────────┘
                                           │
         ┌─────────────────────────────────┼─────────────────────────────────┐
         ▼                                 ▼                                 ▼
┌─────────────────────────┐     ┌─────────────────────────┐     ┌─────────────────────────┐
│     MODULE 1: HÌNH HỌC  │     │   MODULE 2: CHUYỂN TIẾP │     │    MODULE 3: PHÂN TÍCH  │
│   PHÂN VÙNG QUAN SÁT    │     │      CAMERA (WHEN/WHO)  │     │   BẤT THƯỜNG QUỸ ĐẠO    │
├─────────────────────────┤     ├─────────────────────────┤     ├─────────────────────────┤
│ • Đa giác lồi 2D        │     │ • Homography $\mathbf{H}$│    │ • Sub-trajectory Filter │
│ • Giao cắt đơn ($k \le 2$)│   │ • Trục tách SAT 3D      │     │ • Representative Route  │
│ • Đường cắt tối ưu      │     │ • Đường ranh giới ảo    │     │ • Segment Hausdorff     │
│   $L_s - L_e$           │     │ • Vector hướng Kalman   │     │   Distance Matching     │
└───────────┬─────────────┘     └────────────┬────────────┘     └────────────┬────────────┘
            │                                │                               │
            └────────────────────────────────┼───────────────────────────────┘
                                             ▼
       ┌────────────────────────────────────────────────────────────────────────┐
       │  HỆ THỐNG GIÁM SÁT TỰ ĐỘNG THỜI GIAN THỰC TỐI ƯU HÓA TÀI NGUYÊN TÍNH TOÁN │
       └────────────────────────────────────────────────────────────────────────┘

Biên giới áp dụng (Boundary conditions): Các thuật toán phân vùng giả định các camera có thị trường quan sát cố định và mặt phẳng quan sát xấp xỉ mặt phẳng đất (ground plane assumption). Các đa giác quan sát đơn lẻ là đa giác lồi, các trường hợp đa giác lõm được quy hoạch phân rã thành tập hợp các đa giác lồi thành phần trước khi thực thi giải thuật.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan khoa học thực chứng (Positivism) và phương pháp luận diễn dịch - quy nạp toán học kết hợp kiểm chứng thực nghiệm. Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng 1 - Toán học thuần túy: Chứng minh các định lý, xây dựng thuật toán phân vùng đa giác (partitionTwoPolygon) và thuật toán chọn lựa camera (CameraSelectionAlgorithm).
  • Tầng 2 - Mô phỏng và Thực nghiệm không gian: Kiểm chứng sự va chạm 3D và các phép chiếu trục tách trên các chuỗi tọa độ thực tế.
  • Tầng 3 - Ứng dụng dòng video thực tế: Triển khai trên hệ thống phần cứng camera giám sát thu thập luồng hình ảnh thời gian thực, đo lường độ chính xác và tải lượng xử lý của CPU.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các bước thu thập, xử lý và thẩm định nghiêm ngặt:

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│ TRỪ NỀN & GMM   │ ──► │  THEO VẾT &     │ ──► │ KIỂM TRA VA CHẠM│ ──► │ PHÂN ĐOẠN TUYẾN │
│ Tách đối tượng  │     │  DỰ BÁO KALMAN  │     │ SAT & HANDOFF   │     │ ĐƯỜNG & ANOMALY │
└─────────────────┘     └─────────────────┘     └─────────────────┘     └─────────────────┘
  1. Thu nhận dữ liệu: Video stream từ các camera phân tán được đồng bộ hóa khung hình.
  2. Phát hiện chuyển động và tiền xử lý: Kết hợp kỹ thuật trừ nền thích nghi Gaussian Mixture Model (GMM) và luồng quang học để trích xuất đối tượng chuyển động khỏi nhiễu môi trường (ánh sáng thay đổi, rung lắc camera).
  3. Trích xuất đặc trưng và Bao đóng: Xác định khung bao đối tượng dưới dạng trục song song AABB (Axis Aligned Bounding Boxes) và chuyển đổi sang OBB (Oriented Bounding Boxes) qua ma trận Homography hiệu chuẩn.
  4. Triangulation & Reliability: Kiểm tra chéo độ chính xác phát hiện đối tượng trên đa khung hình, đánh giá độ ổn định của thuật toán qua các độ đo thống kê tiêu chuẩn (Precision, Recall, F-measure).

Data và phân tích

  • Mẫu dữ liệu thực nghiệm 1 (Quỹ đạo chuẩn hóa): Tập dữ liệu gồm 200 quỹ đạo di chuyển bình thường của các đối tượng trong khu vực kiểm soát để xây dựng mô hình tuyến đường đại diện. Thực hiện đo kiểm trên các quỹ đạo kiểm thử đơn lẻ (ví dụ: Quỹ đạo số 254) để đánh giá độ nhạy phát hiện bất thường.
  • Mẫu dữ liệu thực nghiệm 2 (Video giám sát thực tế): Dữ liệu video từ hệ thống camera lắp đặt tại các khu vực giao thông và hành lang quản lý thực tế, đo lường độ chính xác phân loại hành vi bất thường (đi ngược chiều, rẽ sai quy định, dừng đỗ trái phép).
  • Công cụ và Kỹ thuật phân tích: Toàn bộ thuật toán được cài đặt, tối ưu hóa trên nền tảng C++/OpenCV, tích hợp bộ thư viện tính toán ma trận và xử lý đồ họa chuyên dụng, chạy trên các cấu hình máy tính tiêu chuẩn nhằm chứng minh khả năng triển khai biên (edge computing) với tài nguyên hữu hạn.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Tối ưu hóa hình học phân vùng triệt tiêu chi phí ánh xạ liên camera: Việc chứng minh và áp dụng phép chia cắt bằng đoạn thẳng nối hai giao điểm $L_s - L_e$ giúp số cạnh của đa giác quan sát tăng ít nhất, chuyển đổi thành công hệ thống OVL phức tạp thành mô hình NOVL tương đương. Kết quả thực nghiệm cho thấy thời gian xử lý chu kỳ giám sát giảm hơn 40% so với phương pháp đối sánh biểu đồ màu liên camera truyền thống.

  2. Độ chính xác chuyển tiếp camera đạt mức gần như tuyệt đối với cơ chế SAT: Nhờ ứng dụng đường ranh giới ảo và định lý trục tách SAT 3D, hệ thống loại bỏ hoàn toàn các lỗi kích hoạt chuyển tiếp giả mạo do bóng của đối tượng hoặc các biến dạng hình học ở rìa thấu kính camera. Giá trị Precision chuyển tiếp tại các camera thành phần duy trì ổn định ở mức trên 92-95%.

  3. Lựa chọn camera tiếp nhận chính xác dựa trên Vector hướng: Thuật toán lựa chọn camera mục tiêu dựa trên hướng di chuyển dự đoán loại bỏ hoàn toàn hiện tượng "rung giật chuyển tiếp" (ping-pong handoff effect) – tình trạng hệ thống liên tục chuyển giao qua lại giữa 2 camera khi đối tượng di chuyển sát mép ranh giới.

  4. Khả năng phát hiện bất thường thời gian thực trên quỹ đạo dở dang: Nghiên cứu chứng minh rằng không cần chờ đối tượng hoàn thành toàn bộ hành trình mới có thể phân loại bất thường. Bằng cách phân đoạn các tuyến đường đại diện, hệ thống phát hiện hành vi đi sai tuyến (như kiểm tra quỹ đạo số 254) ngay tại 1/3 chặng đường đầu tiên với độ tin cậy thống kê cao ($p < 0.01$).

Kịch bản thực nghiệm Kỹ thuật truyền thống (MDT/HMM) Kỹ thuật đề xuất của Luận án Mức độ cải thiện
Xử lý vùng giao nhau OVL Đối sánh màu sắc/BTF đa camera Phân vùng đa giác $L_s-L_e$ + Ranh giới ảo Giảm ~45% tải tính toán CPU
Chuyển tiếp camera (Handoff) Bảng tra cứu tĩnh / COR Va chạm SAT 3D + Vector Kalman Triệt tiêu lỗi Ping-pong Handoff
Phát hiện quỹ đạo bất thường Phân cụm toàn bộ quỹ đạo Phân đoạn tuyến đường đại diện Cảnh báo sớm ngay khi sai lộ trình 
                       ┌─────────────────────────────────────────────────────────┐
                       │   SO SÁNH ĐỘ PHỨC TẠP TÍNH TOÁN & HIỆU NĂNG THEO VẾT    │
                       └────────────────────────────┬────────────────────────────┘
                                                    │
                 ┌──────────────────────────────────┴──────────────────────────────────┐
                 ▼                                                                     ▼
┌─────────────────────────────────────────┐                           ┌─────────────────────────────────────────┐
│     PHƯƠNG PHÁP ĐỐI SÁNH TRUYỀN THỐNG   │                           │     PHƯƠNG PHÁP ĐỀ XUẤT CỦA LUẬN ÁN     │
├─────────────────────────────────────────┤                           ├─────────────────────────────────────────┤
│ • Chi phí tính toán: $\mathcal{O}(N^2)$ │                           │ • Chi phí tính toán: $\mathcal{O}(1)$   │
│ • Đối sánh BTF & Đặc trưng màu liên tục │                           │ • Kiểm tra va chạm đa giác SAT 3D       │
│ • Dễ phát sinh Handoff Ping-pong        │                           │ • Phân vùng tối ưu $L_s - L_e$          │
│ • Độ trễ xử lý khung hình cao           │                           │ • Đáp ứng thời gian thực (Real-time)    │
└─────────────────────────────────────────┘                           └─────────────────────────────────────────┘

Implications đa chiều

  • Về mặt lý thuyết: Luận án thiết lập một cầu nối phương pháp luận chặt chẽ giữa Toán học giải tích/Hình học tổ hợp và Thị giác máy tính ứng dụng.
  • Về mặt thực tiễn: Cung cấp một kiến trúc phần mềm hoàn chỉnh cho các trung tâm điều hành giao thông đô thị và an ninh sân bay, cho phép tận dụng hạ tầng camera cũ mà không cần đầu tư nâng cấp hệ thống siêu máy chủ đắt đỏ.
  • Về mặt chính sách: Cung cấp cơ sở khoa học định lượng để các cơ quan quản lý nhà nước xây dựng tiêu chuẩn kỹ thuật quốc gia về thiết kế, lắp đặt góc quay và vị trí camera an ninh công cộng nhằm tối ưu hóa tầm quan sát và hiệu quả xử lý dữ liệu.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra 3 giới hạn khoa học mang tính điều kiện biên:

  1. Mặt phẳng quan sát phẳng đơn giản: Các chứng minh hình học hiện giả định bề mặt di chuyển của đối tượng là mặt phẳng 2D đồng nhất. Trong các địa hình đồi núi, cầu thang đa tầng hoặc không gian 3D phức tạp, ma trận homography đơn thuần sẽ phát sinh sai số.
  2. Mật độ bít kín cực cao (Severe Occlusion): Khi mật độ đám đông vượt quá ngưỡng cho phép, việc trích xuất khung bao AABB/OBB của từng cá thể sẽ bị suy giảm chất lượng, ảnh hưởng đến độ chính xác của phép kiểm tra trục tách SAT.
  3. Camera di động: Toàn bộ khung phân tích thiết kế cho hệ thống camera giám sát tĩnh (Fixed cameras).

Chương trình nghiên cứu tương lai (Future Agenda):

  • Mở rộng thuật toán phân vùng đa giác cho hệ thống camera PTZ (Pan-Tilt-Zoom) và camera gắn trên thiết bị bay không người lái (UAV).
  • Ứng dụng mạng nơ-ron tích chập sâu (Deep CNNs) kết hợp với các bộ lọc hình học của luận án để tăng cường độ bền vững khi tái định danh trong điều kiện thời tiết khắc nghiệt.
  • Nghiên cứu mô hình phân đoạn tuyến đường động (Dynamic Route Sub-segmentation) tự thích ứng với các thay đổi hạ tầng giao thông theo thời gian thực.

Tác động và ảnh hưởng

Nghiên cứu của NCS. Ngô Đức Vĩnh tạo ra tác động học thuật và ứng dụng thực tiễn sâu rộng:

  • Giá trị học thuật: Các công trình trích xuất từ luận án đã được công bố trên các tạp chí chuyên ngành uy tín như Chuyên san Tạp chí Công nghệ Thông tin và Truyền thông (2014, 2015), Tạp chí Khoa học và Công nghệ - Viện Hàn lâm KH&CN Việt Nam (2013), và Kỷ yếu Hội nghị Quốc gia FAIR (2013). Các bài báo này mở ra hướng nghiên cứu mới về tối ưu hóa hình học cho hệ thống thị giác phân tán.
  • Chuyển giao công nghệ và Đô thị thông minh: Mô hình phân vùng và phát hiện bất thường quỹ đạo cung cấp giải pháp lõi cho các dự án Smart City tại Việt Nam, đặc biệt trong bài toán giám sát luồng phương tiện giao thông và kiểm soát an ninh tại các mục tiêu trọng điểm.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Thị giác máy tính: Tiếp cận một khung lý thuyết toán học mẫu mực về xử lý hình học đa giác quan sát và tối ưu hóa chuyển tiếp camera.
  • Kỹ sư R&D Hệ thống Nhúng & AI: Nắm bắt giải thuật kiểm tra va chạm SAT và phân đoạn tuyến đường siêu nhẹ để triển khai trực tiếp thuật toán AI lên các dòng camera biên (Edge AI Camera) với chi phí phần cứng tối thiểu.
  • Cơ quan Quản lý Giao thông & An ninh Đô thị: Sở hữu phương pháp luận khoa học để quy hoạch vị trí lắp đặt camera, giảm thiểu điểm mù và tự động hóa 100% công tác cảnh báo vi phạm, giảm tải sức lao động cho giám sát viên.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết nào của luận án mang tính độc đáo nhất về mặt toán học?

Đó là việc phát biểu và chứng minh Mệnh đề 2.1 và Mệnh đề 2.2 về phép phân vùng tối ưu của hai đa giác quan sát lồi giao cắt đơn. Luận án đã chứng minh chặt chẽ rằng đoạn thẳng nối hai giao điểm $L_s - L_e$ là đường cắt duy nhất giúp các đa giác sau phân chia có số cạnh gia tăng nhỏ nhất, giải quyết trọn vẹn bài toán quy đổi hệ thống OVL phức tạp thành NOVL tối ưu.

2. Kỹ thuật chuyển tiếp camera của luận án cải tiến vượt bậc so với các nghiên cứu quốc tế như thế nào?

So với phương pháp đối sánh không gian con xác suất BTF của Javed et al. [43] hay tối ưu hóa hàm hiệu dụng lý thuyết trò chơi của Li & Bhanu [70], phương pháp của luận án không yêu cầu tính toán ma trận diện mạo phức tạp. Bằng cách sử dụng đường ranh giới ảo kết hợp Định lý trục tách SAT 3D và vector hướng chuyển động Kalman, hệ thống giải quyết đồng thời câu hỏi When và Who với độ phức tạp tính toán chỉ là $\mathcal{O}(1)$ tại thời điểm va chạm.

3. Phát hiện thực nghiệm nào bất ngờ nhất trong bài toán phát hiện bất thường?

Phát hiện rằng việc phân đoạn tuyến đường đại diện cho phép nhận diện hành vi bất thường (đi sai làn, chuyển hướng trái phép) ngay từ giai đoạn đầu của quỹ đạo chuyển động với độ chính xác tương đương khi phân tích toàn bộ quỹ đạo đã hoàn tất, giúp rút ngắn thời gian cảnh báo từ hàng chục giây xuống mức mili-giây.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có khả thi không?

Hoàn toàn khả thi. Luận án cung cấp chi tiết từng bước giải thuật phân vùng (partitionTwoPolygon), thuật toán chọn camera và các tham số hình học cụ thể, cho phép các nhà nghiên cứu độc lập lập trình lại toàn bộ hệ thống trên nền tảng OpenCV tiêu chuẩn.

5. Tầm nhìn phát triển nghiên cứu 10 năm tiếp theo được định hình ra sao?

Hướng tới tích hợp các mô hình toán học hình học của luận án với các kiến trúc Deep Learning hiện đại (như Vision Transformers và Graph Neural Networks) để tạo ra các hệ thống giám sát tự trị có khả năng tự cấu hình topo mạng camera động.

Kết luận

Luận án tiến sĩ của tác giả Ngô Đức Vĩnh đã giải quyết xuất sắc các bài toán nền tảng trong hệ thống camera giám sát thông minh thông qua 5 đóng góp cốt lõi:

  1. Đề xuất kỹ thuật phân vùng cố định tối ưu hình học dựa trên đường nối hai giao điểm $L_s - L_e$, giảm thiểu số cạnh đa giác và triệt tiêu tính toán dư thừa trong vùng giao OVL.
  2. Xây dựng mô hình chuyển tiếp camera bằng đường ranh giới ảo và phép kiểm tra va chạm đa chiều dựa trên Định lý trục tách SAT, trả lời chính xác câu hỏi When.
  3. Thiết lập thuật toán lựa chọn camera tiếp nhận thông minh dựa trên vector hướng chuyển động dự báo, giải quyết triệt để câu hỏi Who và hiện tượng ping-pong handoff.
  4. Phát triển kỹ thuật phân đoạn tuyến đường đại diện cho phép phát hiện bất thường cục bộ thời gian thực trên các quỹ đạo dở dang.
  5. Kiểm chứng thực nghiệm toàn diện trên cả dữ liệu mô phỏng và luồng video thực tế, chứng minh tính khả thi vượt trội khi triển khai trong các hệ thống an ninh quy mô lớn.

Công trình không chỉ đóng góp những luận điểm toán học vững chắc cho chuyên ngành Cơ sở Toán học cho Tin học mà còn mở ra hướng tiếp cận thực tiễn mang tính ứng dụng cao cho kỷ nguyên chuyển đổi số và xây dựng đô thị thông minh.