Tổng quan nghiên cứu

Lĩnh vực nhận dạng hành động người (Human Action Recognition - HAR) đang chứng kiến sự tăng trưởng vượt bậc với hơn 80% ứng dụng tập trung vào các hệ thống camera giám sát an ninh, tương tác người - máy (HCI), robot thông minh và chăm sóc sức khỏe. Sự xuất hiện của các dòng camera cảm biến chiều sâu giá thành hợp lý như Microsoft Kinect và Asus Xtion PROLIVE đã mở ra bước ngoặt lớn, cho phép trích xuất thông tin khung xương 3D (3D Skeleton) chuẩn xác ngay cả trong các môi trường phức tạp, loại bỏ các hạn chế cố hữu về điều kiện ánh sáng, màu sắc trang phục và góc quay của luồng video RGB truyền thống.

Tuy nhiên, bài toán biểu diễn và nhận dạng hành động người dựa trên khung xương vẫn đối mặt với những thách thức nghiêm trọng. Phương pháp truyền thống Cov3DJ biểu diễn hành động qua ma trận hiệp phương sai vị trí khớp 3D dù có ưu điểm tính toán nhanh nhưng lại sử dụng toàn bộ các khớp trên cơ thể, dẫn đến lãng phí 40% đến 50% tài nguyên tính toán cho các khớp không hoạt động và gây nhiễu tín hiệu. Đồng thời, việc chỉ sử dụng vị trí tĩnh mà bỏ qua động học vận tốc làm giảm độ phân biệt giữa các hành động tương đồng. Trong khi đó, các mô hình học sâu hiện đại lại đòi hỏi tài nguyên phần cứng tính toán hiệu năng cao và tập dữ liệu mẫu cực lớn.

Mục tiêu cụ thể của luận văn là nghiên cứu, thiết kế và tối ưu hóa phương pháp biểu diễn hành động người thông qua hai cải tiến trọng tâm: đề xuất hai chiến lược tự động chọn lọc các khớp xương giàu thông tin nhất và tích hợp thông tin vận tốc khớp cùng với vị trí không gian ba chiều. Nghiên cứu được triển khai tại Viện Quốc tế MICA thuộc Trường Công nghệ Thông tin và Truyền thông - Đại học Bách khoa Hà Nội trong giai đoạn 2018 - 2019. Kết quả thực nghiệm khẳng định phương pháp đề xuất giúp nâng cao 6.17% độ chính xác so với mô hình Cov3DJ gốc và đạt chỉ số F1-score 0.64 trên các bộ dữ liệu chuẩn quốc tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết thị giác máy tính và biểu diễn đặc trưng không - thời gian, kết hợp giữa các mô hình toán học giải tích và học máy thống kê. Ba trụ cột lý thuyết chính bao gồm:

Thứ nhất, lý thuyết mô tả ma trận hiệp phương sai không - thời gian (Spatial-Temporal Covariance Descriptors). Ma trận hiệp phương sai Cov3DJ cho phép tóm tắt sự biến thiên tọa độ của các khớp xương 3D qua chuỗi thời gian thành một ma trận đối xứng xác định dương, có khả năng bất biến với tỉ lệ cơ thể và tốc độ thực hiện hành động.

Thứ hai, mô hình phân cấp thời gian (Temporal Hierarchy Representation). Mô hình này chia chuỗi hành động thành nhiều tầng lớp thời gian khác nhau nhằm nắm bắt cả thông tin cục bộ ngắn hạn lẫn ngữ cảnh toàn cục dài hạn của từng động tác.

Thứ ba, thuật toán phân loại máy vectơ hỗ trợ (Support Vector Machine - SVM). Nghiên cứu ứng dụng cả mô hình SVM phân tách tuyến tính và phi tuyến với hàm nhân tối ưu nhằm xác định siêu phẳng phân lớp cực đại, đảm bảo khả năng tổng quát hóa cao.

Các khái niệm then chốt được chuẩn hóa bao gồm: Tọa độ khớp xương 3D (3D Joint Positions), Vận tốc khớp (Joint Velocities), Khớp giàu thông tin (Informative Joints), và Ma trận hiệp phương sai phân cấp thời gian (Temporal Hierarchy Covariance Descriptor).

Phương pháp nghiên cứu

Luận văn kết hợp phương pháp nghiên cứu thực nghiệm định lượng và phân tích mô hình hóa toán học. Cụ thể:

Nguồn dữ liệu và cỡ mẫu: Thực nghiệm được tiến hành trên hai bộ dữ liệu chuẩn quốc tế. Bộ dữ liệu MSRAction3D gồm 567 chuỗi hành động bao gồm 20 loại hành động khác nhau do 10 đối tượng thực hiện với 20 khớp xương 3D. Bộ dữ liệu CMDFall gồm hơn 50 đối tượng với hàng trăm kịch bản mô phỏng té ngã và hoạt động sinh hoạt thường ngày.

Phương pháp chọn mẫu: Nghiên cứu áp dụng giao thức kiểm thử chéo đối tượng (Cross-Subject Evaluation Protocol), trong đó tập dữ liệu được chia theo tỷ lệ chuẩn với 50% đối tượng cho huấn luyện và 50% đối tượng độc lập hoàn toàn cho kiểm thử nhằm đảm bảo tính khách quan và khả năng thích ứng thực tế.

Lý do lựa chọn phương pháp phân tích: Ma trận hiệp phương sai kết hợp vận tốc được lựa chọn vì khả năng nén chiều đặc trưng vượt trội, giảm thiểu độ phức tạp thuật toán so với mạng nơ-ron sâu nhưng vẫn giữ trọn vẹn đặc trưng động học. Thuật toán SVM được chọn làm bộ phân loại do độ ổn định cao trên các tập dữ liệu có kích thước vừa và nhỏ, hạn chế tối đa hiện tượng quá khớp (overfitting). Toàn bộ quá trình thu thập, xử lý và đánh giá được hoàn thiện trong timeline 12 tháng năm 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình đánh giá thực nghiệm đa chiều đã mang lại 4 phát hiện quan trọng có ý nghĩa khoa học và thực tiễn cao:

Thứ nhất, việc áp dụng chiến lược lựa chọn khớp giàu thông tin giúp loại bỏ từ 30% đến 50% các khớp không liên quan trong từng loại hành động mà không làm suy giảm chất lượng biểu diễn, đồng thời giảm đáng kể chi phí tính toán.

Thứ hai, trên bộ dữ liệu chuẩn MSRAction3D, mô hình cải tiến kết hợp giữa vị trí và vận tốc khớp đạt mức tăng trưởng độ chính xác thêm 6.17% so với phương pháp Cov3DJ nguyên bản, vượt trội hơn nhiều phương pháp biểu diễn thủ công cùng thời điểm.

Thứ ba, trên bộ dữ liệu phức tạp CMDFall, phương pháp đề xuất đạt chỉ số F1-score ấn tượng ở mức 0.64, vượt trội hơn hẳn các mạng học sâu tiên tiến như ResTCN với F1-score chỉ đạt 0.39 và mô hình mạng tái phát LSTM với F1-score xấp xỉ 0.35.

Thứ tư, phương pháp thể hiện tính ổn định cao với thời gian xử lý đạt ngưỡng thời gian thực, xử lý mượt mà trên 30 khung hình mỗi giây (FPS) trên cấu hình phần cứng máy tính thông thường mà không cần trang bị GPU chuyên dụng đắt tiền.

Thảo luận kết quả

Kết quả vượt trội của phương pháp bắt nguồn từ nguyên lý chọn lọc khớp động học. Trong hầu hết các hành động của con người, chỉ có một nhóm khớp nhất định tham gia vận động chính (ví dụ: hành động vẫy tay chủ yếu huy động khớp cổ tay, khuỷu tay và vai, trong khi các khớp chân gần như đứng yên). Việc ép buộc mô hình tính toán toàn bộ 20 khớp như Cov3DJ cũ đã vô tình đưa vào các thành phần nhiễu tĩnh. Khi loại bỏ các khớp không mang thông tin, ma trận hiệp phương sai trở nên cô đọng và có tính phân biệt cao hơn.

Các kết quả thực nghiệm được minh họa rõ nét thông qua biểu đồ cột so sánh chỉ số F1-score giữa phương pháp đề xuất với các kiến trúc học sâu ResTCN và LSTM. Đồng thời, bảng ma trận nhầm lẫn (Confusion Matrix) trên 20 hành động của tập MSRAction3D cho thấy tỷ lệ nhận dạng đúng của các hành động phức tạp liên quan đến chi trên đạt trên 92%, chứng minh việc bổ sung đạo hàm vận tốc đã mô tả chính xác gia tốc và hướng chuyển động của cơ thể.

So với các nghiên cứu học sâu đương thời vốn yêu cầu hàng triệu tham số huấn luyện, giải pháp biểu diễn dựa trên hiệp phương sai phân cấp thời gian chứng minh rằng phương pháp trích xuất đặc trưng hình học kết hợp động học vẫn mang lại hiệu năng phân loại vượt trội và tiết kiệm năng lượng tối đa cho các hệ thống nhúng.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 khuyến nghị và lộ trình triển khai cụ thể:

Thứ nhất, triển khai tích hợp mô hình vào hệ thống camera giám sát an ninh thông minh tại các khu vực công cộng. Mục tiêu đạt tốc độ xử lý trên 30 FPS với độ trễ dưới 50 mili-giây trên phần cứng CPU tiêu chuẩn. Chủ thể thực hiện là các doanh nghiệp công nghệ an ninh và giải pháp đô thị thông minh trong thời gian 6 đến 12 tháng.

Thứ hai, phát triển module cảnh báo té ngã tự động cho các thiết bị hỗ trợ chăm sóc người cao tuổi và bệnh nhân tại bệnh viện. Mục tiêu nâng cao chỉ số F1-score nhận dạng té ngã lên trên 0.85 và giảm tỷ lệ báo động giả xuống dưới 5%. Chủ thể thực hiện gồm các viện nghiên cứu y sinh và cơ sở y tế trong lộ trình 12 đến 18 tháng.

Thứ ba, nghiên cứu xây dựng mô hình lai (Hybrid Framework) kết hợp giữa trích xuất đặc trưng ma trận hiệp phương sai với mạng nơ-ron tích chập đồ thị (GCN). Mục tiêu cải thiện thêm 5% đến 8% độ chính xác đối với các hành động tương tác đa người phức tạp. Chủ thể thực hiện là các nhóm nghiên cứu học thuật tại các trường đại học trong giai đoạn 24 tháng.

Thứ tư, xây dựng và chuẩn hóa cơ sở dữ liệu khung xương 3D phản ánh đặc thù vóc dáng và thói quen sinh hoạt của người Việt Nam. Mục tiêu thu thập tối thiểu 1.000 chuỗi hành động từ 100 đối tượng đa dạng lứa tuổi. Chủ thể thực hiện là các phòng thí nghiệm thị giác máy tính phối hợp với các tổ chức khoa học trong thời gian 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị thực tiễn và học thuật sâu sắc cho 4 nhóm đối tượng chính:

Nhóm học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính và Hệ thống thông tin: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp xây dựng đặc trưng không - thời gian, kỹ thuật phân cấp chuỗi và ứng dụng toán học giải tích trong xử lý ảnh và thị giác máy tính.

Nhóm kỹ sư phần mềm và chuyên gia phát triển AI thị giác: Nắm bắt kiến trúc trích xuất đặc trưng nhẹ, phương pháp tối ưu hóa bộ phân loại SVM và cách thức tiền xử lý dữ liệu cảm biến chiều sâu để ứng dụng vào các sản phẩm thương mại chạy trên thiết bị biên.

Nhóm doanh nghiệp công nghệ phát triển giải pháp tương tác người - máy (HCI) và trò chơi điện tử: Tiếp cận giải pháp điều khiển không chạm thông qua nhận diện cử chỉ cơ thể với độ trễ thấp và độ chính xác cao.

Nhóm nhà quản lý và chuyên gia phát triển hệ thống y tế thông minh: Tham khảo mô hình phát hiện té ngã và hành vi bất thường nhằm xây dựng các giải pháp giám sát an toàn cho bệnh nhân và người cao tuổi một cách tự động, bảo mật tính riêng tư.

Câu hỏi thường gặp

Dữ liệu khung xương 3D có ưu điểm gì vượt trội so với luồng video màu RGB truyền thống? Dữ liệu khung xương 3D loại bỏ hoàn toàn các yếu tố gây nhiễu từ môi trường như cường độ ánh sáng, bóng đổ, màu sắc trang phục hay hậu cảnh phức tạp. Đồng thời, cấu trúc dữ liệu dạng tọa độ khớp giúp giảm hơn 90% dung lượng lưu trữ so với luồng video và đảm bảo tuyệt đối tính riêng tư cho người dùng.

Tại sao phương pháp Cov3DJ cải tiến lại đạt độ chính xác cao hơn Cov3DJ nguyên bản? Cov3DJ cải tiến đã khắc phục hai điểm nghẽn lớn: tự động loại bỏ các khớp không hoạt động để triệt tiêu nhiễu dữ liệu, đồng thời tích hợp thêm thông tin vận tốc động học bên cạnh tọa độ vị trí tĩnh. Nhờ đó, độ chính xác tổng thể tăng thêm 6.17% trên tập thử nghiệm MSRAction3D.

Vì sao phương pháp ma trận hiệp phương sai lại vượt trội hơn các mô hình học sâu trên tập dữ liệu CMDFall? Các mô hình học sâu như ResTCN hay LSTM đòi hỏi lượng dữ liệu mẫu khổng lồ để hội tụ. Với các tập dữ liệu có kích thước vừa phải như CMDFall, học sâu dễ gặp hiện tượng quá khớp dẫn đến F1-score thấp chỉ đạt 0.39, trong khi mô hình toán học giải tích kết hợp SVM tối ưu hóa biên phân lớp hiệu quả hơn, đạt F1-score 0.64.

Mô hình nhận dạng trong luận văn có thể triển khai trên phần cứng máy tính thông thường không? Hoàn toàn khả thi. Do sử dụng phương pháp tính toán ma trận hiệp phương sai gọn nhẹ và bộ phân loại SVM tuyến tính hoặc phi tuyến cơ bản, mô hình không đòi hỏi GPU chuyên dụng hiệu năng cao mà vẫn đạt tốc độ xử lý thời gian thực trên 30 FPS với CPU phổ thông.

Những độ đo đánh giá nào đã được sử dụng để kiểm chứng độ tin cậy của mô hình? Nghiên cứu sử dụng hệ thống độ đo toàn diện chuẩn quốc tế bao gồm Độ chính xác (Accuracy), Độ chuẩn xác (Precision), Độ thu hồi (Recall) và Điểm F1 (F1-score). Việc áp dụng linh hoạt các độ đo này trên từng tập dữ liệu giúp đánh giá khách quan khả năng nhận dạng và cân bằng giữa các lớp hành động.

Kết luận

Tổng kết lại các đóng góp khoa học và giá trị ứng dụng nổi bật của luận văn:

  • Đề xuất thành công 2 chiến lược tự động phát hiện và chọn lọc các khớp xương giàu thông tin nhất cho từng loại hành động, tối ưu hóa đáng kể không gian đặc trưng.
  • Thiết kế bộ mô tả ma trận hiệp phương sai phân cấp thời gian mới, kết hợp chặt chẽ giữa thông tin tọa độ vị trí 3D và vận tốc động học của khớp xương.
  • Đạt mức tăng trưởng 6.17% độ chính xác so với phương pháp gốc trên tập dữ liệu MSRAction3D và vượt trội hơn các mô hình học sâu ResTCN, LSTM trên tập CMDFall với F1-score 0.64.
  • Giải quyết triệt để bài toán nhận dạng hành động người thời gian thực với chi phí tính toán thấp, dễ dàng ứng dụng trên các hệ thống nhúng và thiết bị biên.
  • Toàn bộ kết quả nghiên cứu đã được nghiệm thu xuất sắc tại Đại học Bách khoa Hà Nội năm 2019 và công bố trên kỷ yếu hội thảo khoa học quốc tế uy tín.

Trong giai đoạn tiếp theo từ năm 2024 đến 2026, hướng nghiên cứu sẽ tiếp tục mở rộng sang bài toán nhận dạng hành động tương tác nhóm và tích hợp mô hình trên các thiết bị Internet vạn vật (IoT). Hãy liên hệ với nhóm tác giả tại Viện MICA - Đại học Bách khoa Hà Nội để trao đổi học thuật và hợp tác chuyển giao công nghệ.