Luận văn thạc sĩ kỹ thuật điều khiển và tự động hóa phân loại xe sử dụng mã hóa tuyến tính cục bộ llc

Luận văn thạc sĩ kỹ thuật điều khiển và tự động hóa phân loại xe sử dụng mã hóa tuyến tính cục bộ LLC, ứng dụng công nghệ hiện đại trong tự động hóa.

• Tác giả: Nguyễn Thanh Minh
• Người hướng dẫn: PGS. Huỳnh Thái Hoàng
• Trường học: Đại học Bách Khoa - Đại học Quốc gia TP. HCM
• Chuyên ngành: Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Phân Loại Xe Sử Dụng Mã Hóa Tuyến Tính Cục Bộ LLC
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Giới thiệu

Đề tài 'Luận Văn Thạc Sĩ: Phân Loại Xe Bằng Mã Hóa Tuyến Tính Cục Bộ LLC Trong Điều Khiển Và Tự Động Hóa' tập trung vào việc phát triển một hệ thống phân loại xe sử dụng mã hóa tuyến tính cục bộ LLC. Hệ thống này được thiết kế nhằm cải thiện độ chính xác và hiệu suất trong việc nhận diện và phân loại các loại xe từ hình ảnh thu được từ camera giám sát. Việc phân loại xe không chỉ có ý nghĩa khoa học mà còn mang lại giá trị thực tiễn cao trong việc quản lý giao thông, giảm thiểu ùn tắc và tai nạn giao thông. Hệ thống này có thể được áp dụng trong nhiều lĩnh vực như hệ thống thu phí tự động, điều khiển giao thông và giám sát an ninh.

1.1 Ý nghĩa khoa học và thực tiễn

Nghiên cứu này không chỉ đóng góp vào lý thuyết về phân loại xe mà còn cung cấp giải pháp thực tiễn cho các vấn đề giao thông hiện nay. Việc áp dụng mã hóa tuyến tính cục bộ LLC giúp giảm thiểu độ phức tạp tính toán và thời gian xử lý, từ đó nâng cao hiệu quả của hệ thống giám sát giao thông. Hệ thống này có khả năng phân biệt nhiều loại xe trong các điều kiện ánh sáng khác nhau, đảm bảo tính chính xác và thời gian xử lý nhanh chóng.

1.2 Tổng quan về các nghiên cứu liên quan

Nghiên cứu về phân loại ảnh đã được thực hiện rộng rãi trong những năm gần đây. Các phương pháp như mô hình túi từ Bow và SVM đã được áp dụng để cải thiện độ chính xác trong phân loại. Tuy nhiên, những phương pháp này thường yêu cầu tính toán phức tạp và thời gian huấn luyện lâu. Đề tài này sẽ trình bày một phương pháp mới, sử dụng mã hóa tuyến tính cục bộ LLC, nhằm tối ưu hóa quy trình phân loại và giảm thiểu thời gian xử lý.

II. Cơ sở lý thuyết

Chương này sẽ trình bày các khái niệm cơ bản liên quan đến phân loại ảnh và các phương pháp mã hóa hiện có. Mô hình túi từ Bow là một trong những phương pháp phổ biến nhất trong phân loại ảnh, nhưng nó có những hạn chế nhất định về độ chính xác và hiệu suất. Mã hóa tuyến tính cục bộ LLC được giới thiệu như một giải pháp thay thế hiệu quả hơn, cho phép gán các mô tả đặc trưng vào hệ trục tọa độ cục bộ, từ đó tạo ra biểu diễn đặc trưng cuối cùng. Phương pháp này không chỉ cải thiện độ chính xác mà còn giảm thiểu độ phức tạp tính toán.

2.1 Mô hình túi từ Bow

Mô hình túi từ Bow là một phương pháp phổ biến trong phân loại ảnh, cho phép trích xuất các đặc trưng từ hình ảnh mà không cần quan tâm đến vị trí của chúng. Tuy nhiên, phương pháp này thường yêu cầu sử dụng các bộ phân loại phi tuyến như SVM để đạt được độ chính xác cao. Việc áp dụng mã hóa tuyến tính cục bộ LLC có thể cải thiện đáng kể hiệu suất của mô hình này, cho phép sử dụng bộ phân loại tuyến tính mà vẫn đạt được kết quả tốt.

2.2 Mã hóa tuyến tính cục bộ LLC

Mã hóa tuyến tính cục bộ LLC là một phương pháp mã hóa mới, cho phép gán các mô tả đặc trưng vào hệ trục tọa độ cục bộ. Phương pháp này sử dụng các ràng buộc về vị trí để tối ưu hóa quá trình mã hóa, từ đó tạo ra các biểu diễn đặc trưng chính xác hơn. Việc tích hợp các hệ trục tọa độ này giúp cải thiện độ chính xác của phân loại, đồng thời giảm thiểu thời gian huấn luyện và nhận dạng, rất phù hợp cho các ứng dụng thời gian thực.

III. Thiết kế phần mềm ứng dụng phân loại xe

Chương này sẽ trình bày chi tiết về thiết kế phần mềm ứng dụng phân loại xe, bao gồm cấu trúc chương trình và các công nghệ được sử dụng. Phần mềm được xây dựng dựa trên nền tảng OpenCV và MFC, cho phép xử lý hình ảnh một cách hiệu quả. Hệ thống sẽ được huấn luyện bằng các hình ảnh mẫu để có thể nhận diện và phân loại các loại xe trong thời gian thực. Việc thiết kế giao diện người dùng cũng được chú trọng để đảm bảo tính thân thiện và dễ sử dụng.

3.1 Cấu trúc chương trình

Cấu trúc chương trình được thiết kế theo mô hình phân lớp, bao gồm các thành phần chính như xử lý hình ảnh, huấn luyện mô hình và giao diện người dùng. Sử dụng OpenCV cho phép thực hiện các thao tác xử lý hình ảnh một cách nhanh chóng và hiệu quả. Hệ thống sẽ được tối ưu hóa để đảm bảo khả năng xử lý thời gian thực, đáp ứng nhu cầu giám sát giao thông hiện nay.

3.2 Thiết lập thông số và chuẩn bị dữ liệu huấn luyện

Để đảm bảo độ chính xác của hệ thống, việc thiết lập các thông số và chuẩn bị dữ liệu huấn luyện là rất quan trọng. Dữ liệu huấn luyện sẽ bao gồm các hình ảnh của nhiều loại xe khác nhau, được thu thập từ các nguồn khác nhau. Hệ thống sẽ được huấn luyện để nhận diện và phân loại các loại xe trong các điều kiện ánh sáng khác nhau, đảm bảo tính chính xác và hiệu suất cao.

IV. Kết quả

Chương này sẽ trình bày các kết quả đạt được từ việc áp dụng phương pháp mã hóa tuyến tính cục bộ LLC trong phân loại xe. Các kết quả sẽ được so sánh với các phương pháp truyền thống như mô hình túi từ Bow để đánh giá hiệu quả của phương pháp mới. Kết quả huấn luyện và phân loại sẽ được phân tích chi tiết, từ đó rút ra những nhận xét và kết luận về tính khả thi của phương pháp này trong thực tế.

4.1 Kết quả huấn luyện

Kết quả huấn luyện cho thấy rằng phương pháp mã hóa tuyến tính cục bộ LLC có thể đạt được độ chính xác cao trong việc phân loại xe. Thời gian huấn luyện cũng được giảm thiểu đáng kể so với các phương pháp truyền thống. Việc sử dụng bộ phân loại tuyến tính giúp cải thiện hiệu suất của hệ thống, cho phép nhận diện xe trong thời gian thực một cách hiệu quả.

4.2 Kết quả phân loại

Kết quả phân loại cho thấy rằng hệ thống có khả năng phân biệt nhiều loại xe trong các điều kiện ánh sáng khác nhau. So với phương pháp mô hình túi từ Bow, phương pháp mã hóa tuyến tính cục bộ LLC cho thấy sự cải thiện rõ rệt về độ chính xác và thời gian xử lý. Điều này chứng tỏ rằng phương pháp mới có thể được áp dụng rộng rãi trong các hệ thống giám sát giao thông hiện đại.

V. Kết luận

Luận văn đã trình bày một phương pháp mới trong việc phân loại xe sử dụng mã hóa tuyến tính cục bộ LLC. Phương pháp này không chỉ cải thiện độ chính xác mà còn giảm thiểu thời gian xử lý, rất phù hợp cho các ứng dụng thời gian thực. Kết quả nghiên cứu cho thấy rằng việc áp dụng phương pháp này có thể mang lại nhiều lợi ích trong việc quản lý giao thông và giám sát an ninh. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng hệ thống để nhận diện các loại phương tiện khác nhau và cải thiện khả năng hoạt động trong các điều kiện khó khăn.

5.1 Kết quả đạt được

Luận văn đã đạt được những kết quả đáng kể trong việc phát triển hệ thống phân loại xe. Phương pháp mã hóa tuyến tính cục bộ LLC đã chứng minh được tính hiệu quả và khả năng ứng dụng trong thực tế. Hệ thống có thể hoạt động hiệu quả trong các điều kiện khác nhau, đảm bảo tính chính xác và thời gian xử lý nhanh chóng.

5.2 Hướng phát triển của đề tài

Trong tương lai, nghiên cứu có thể mở rộng để bao gồm việc nhận diện các loại phương tiện khác nhau và cải thiện khả năng hoạt động trong các điều kiện ánh sáng yếu. Việc tích hợp thêm các công nghệ mới như học sâu có thể giúp nâng cao hơn nữa hiệu suất của hệ thống phân loại xe.

Trích đoạn nội dung tài liệu

Chương 1: Trình bày giới thiệu tổng quan về bài toán phân loại ảnh. Ứng dụng rộng rãi đa dạng của phân loại ảnh trong cuộc sống, từ đó nêu lên ý nghĩa khoa học và ý nghĩa thực tiễn của đề tài luận văn. Thông qua những tài liệu nghiên cứu được 17 trong và ngoài nước, tác giả đặt ra mục tiêu và phương pháp thực hiện cho luận văn của mình, và cuối cùng là tóm tắt sơ lược nội dung trình bày của luận văn. Chương 2: Tóm lược lý thuyết được sử dụng trong luận văn: giải thuật SIFT dùng để trích xuất đặc trưng trong ảnh, mô hình Bow và giải thuật K-means dùng để tạo từ điển kết hợp giải thuật LLC để tạo bộ mô tả cho các đặc trưng của ảnh, cuối cùng là bộ phân loại SVM tuyến tính dùng cho việc huấn luyện và phân loại ảnh.

Chương 3: Mô tả cách thiết kế phần mềm ứng dụng phân loại xe dựa trên lý thuyết nghiên cứu ở chương 2. Trong đó sẽ giới thiệu sơ lược về tính năng của ứng dụng, cách cấu hình và sử dụng thư viện mã nguồn mở OpenCV chuyên về xử lý ảnh tích hợp với bộ thư viện giao diện tương tác MFC của Microsoft trên IDE Visual Studio. Chương 4: Trình bày kết quả ứng dụng và so sánh giữa việc kết hợp giải thuật LLC vào mô hình Bow với mô hình Bow truyền thống dựa trên thông tin về thời gian huấn luyện, độ chính xác trung bình, và thời gian nhận dạng một ảnh đầu vào. Chương 5: Kết luận dựa kết quả đạt được từ lý thuyết và thực nghiệm, cuối cùng đưa ra định hướng phát triển.

18 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về phân loại ảnh Lĩnh vực phân loại ảnh hiện nay đang được quan tâm nghiên cứu và ứng dụng rất nhiều. Phân loại ảnh được sử dụng trong nhiều ứng dụng như: nhận dạng khuôn mặt, vật thể, cảnh vật… Dùng trong phân tích nội dung video: nhận dạng hoạt động, sự kiện, tổng hợp… Dùng trong quản lý thông tin thị giác: đánh dấu, tìm kiếm khôi phục ảnh… và rất nhiều các ứng dụng như tự nhận diện khuôn mặt trong ảnh (Facebook, Google+), nhận diện ảnh và truyền thông xã hội (Kooaba). Ngày nay số lượng ảnh càng ngày càng lớn, việc phân loại ảnh bằng cách thủ công, tức là nhìn vào nội dung tấm ảnh sau đó gán chúng vào một hay nhiều lớp cụ thể nào đó không còn hiệu quả nữa. Hệ thống quản lý tập tin ảnh gồm nhiều ảnh cho nên việc làm này sẽ tốn rất nhiều thời gian, công sức và do đó là không khả thi.

Do vậy mà phải có các phương pháp phân loại tự động. Một trong những mô hình phân loại ảnh tự động phổ biến được sử dụng rộng rãi hiện này là Bow.2 Mô hình túi từ Bow 2.1 Giới thiệu Mô hình túi từ Bow là mô hình rất phổ biến trong các ứng dụng nhận dạng. Mô hình Bow mượn từ bài toán phân loại văn bản. Trong một văn bản có chứa rất nhiều từ, tương tự trong một bức ảnh có nhiều đặc trưng và mỗi đặc trưng được xem như là một từ.

(Nguồn: internet) Hình 2-1 Tương quan giữa hình ảnh và văn bản 19 Và trong mỗi loại văn bản khác nhau lại chứa những từ, cụm từ mang ngữ nghĩa đặc trưng mà khi đọc lên con người ta có thể biết được nó là loại văn bản gì. Điều đó cũng tương tự cho những đặc trưng trong một bức ảnh. (Nguồn: Recognizing and Learning Object Categories: Year 2007, Li Fei Fei) Hình 2-2 Sự khác nhau giữa hai loại văn bản Dựa vào tần số xuất hiện của các từ chuyên biệt cho từng loại văn bản, người ta có thể phân loại cho văn đó. Tương tự cho việc phân loại ảnh.

Sự khác nhau giữa các biểu đồ biểu diễn tần số xuất hiện của các đặc trưng được dùng làm đầu vào cho quá trình phân loại. (Nguồn: Recognizing and Learning Object Categories: Year 2007, Li Fei Fei) Hình 2-3 Biểu đồ tần số của các ảnh mô hình Bow 20 Mô hình túi từ gồm các bước cơ bản sau: + Đầu tiên là trích xuất các đặc trưng trong tất cả các bức ảnh. (Nguồn: Recognizing and Learning Object Categories: Year 2007, Li Fei Fei) Hình 2-4 Trích xuất đặc trưng của ảnh + Sau đó gom tất cả các đặc trưng lại với nhau, tạo thành bộ từ điển chung: (Nguồn: Recognizing and Learning Object Categories: Year 2007, Li Fei Fei) Hình 2-5 Tạo bộ từ điển từ những đặc trưng của các ảnh + Biểu diễn mỗi ảnh bằng biểu đồ tần số xuất hiện của các đặc trưng trong ảnh: (Nguồn: Recognizing and Learning Object Categories: Year 2007, Li Fei Fei) Hình 2-6 Biểu đồ tần số dùng để phân loại ảnh + Cuối cùng là dùng biểu đồ này đưa qua bộ phân loại để huấn luyện và tiến hành phân loại.2 Mô hình Hệ thống phân loại ảnh cơ bản Bow được mô tả bởi mô hình sau: 21 Hình 2-7 Mô hình Bow Để phát hiện và trích xuất các đặc trưng người ta có rất nhiều lựa chọn: Harris- Affine, Hessian-Affine, MSER, IBR &EBR, Salient region detector, SIFT, HOG (Histogram of Oriented Gradients), SUFT, CENTRIST, filter-based. Đề tài luận văn đã chọn SIFT với độ ổn định, chính xác cao, ít bị ảnh hưởng bởi góc nhìn, ảnh bị xoay.

Hình 2-8 Bước trích xuất đặc trưng Từ những đặc trưng đó ta sẽ tạo thành bộ từ điển với số lượng từ được định nghĩa trước, có rất nhiều giải thuật làm được điều này: K-means clustering, Vocabulary tree, Gaussian Mixture model, Randomized clustering forest, Information loss minization, Latent mixture model, Compact codebooks. Với những cụm dữ liệu lớn, 22 giải thuật K-means thường được tin dùng vì tính toán đơn giản, hội tụ nhanh để đạt tối ưu địa phương. Giải thuật này cũng được tin dùng trong đề tài luận văn. Hình 2-9 Nhóm các đặc trưng lại thành cụm Hình 2-10 Dùng một đặc trưng đại diện cho một cụm Từ mỗi tấm ảnh cần nhận dạng được trích xuất rất nhiều đặc trưng, mỗi đặc trưng này cần được mã hóa dựa vào bộ từ điển.

Phương pháp mã hóa được sử dụng trong mô hình Bow truyền thống là lượng tử vec-tơ VQ. Mỗi đặc trưng sẽ được biểu diễn bằng một vec-tơ có số phần từ bằng số từ trong từ điển, và tất cả các phần tử đều bằng 0 trừ phần tử ở vị trí k, tương ứng với vị trí đặc trưng K trong từ điển giống với đặc 23 trưng của ảnh đưa vào nhất. Việc tìm kiếm đặc trưng của ảnh đầu vào tương ứng với đặc trưng nào trong từ điển sẽ dùng giải thuật Brute Force Matcher. (Nguồn: internet) Hình 2-11 Vec-tơ lượng tử biểu diễn thông qua bộ từ điển Với hình trên là những vec-tơ mã hóa cho 3 đặc trưng đầu vào có đặc điểm tương tự, giống với đặc trưng thứ ba, thứ nhất, và thứ hai theo thứ tự trong từ điển.

Đây gọi là mã hóa đặc trưng. Một bức ảnh sẽ có nhiều đặc trưng, mỗi đặc trưng được mã hóa theo từ điển, ta cần tổng hợp các mã này lại để biểu diễn chung cho một tấm ảnh. Có nhiều cách để tổng hợp. Ta có thể dùng phép tính tổng, phép lấy giá trị lớn nhất, hoặc hỗn hợp giữa hai phương pháp.

(Nguồn: internet) Hình 2-12 Kết hợp các vec-tơ lượng tử Dưới đây là ví dụ về phép tính tổng: (Nguồn: Locality-constrained Linear Coding for Image Classification, Jiniun Wang) 24 Hình 2-13 Vec-tơ thể hiện tần số xuất hiện các từ trong từ điển Những vec-tơ thể hiện tần số này sẽ là dữ liệu đầu vào cho các bộ phân loại. Có thể sử dụng nhiều phương pháp như: bộ SVM tuyến tính hoặc phi tuyến, Nearest- neighbor, Boosting, Naive Bayes, Hierarchical Baysian. (Nguồn: internet) Hình 2-14 Phân loại dựa vào các vec-tơ tần số Nhiều bài báo và nghiên cứu cho thấy phương pháp Bow kết hợp bộ SVM phi tuyến sẽ cho ra kết quả phân loại cao, tuy nhiên thời gian xử lý sẽ lâu do tính toán phức tạp. Đề tài này sẽ cải tiến khâu tổng hợp các mã đặc trưng sử dụng giải thuật mã hóa tuyến tính cục bộ LLC để có thể sử dụng bộ SVM tuyến tính để giảm thời gian huấn luyện, nhận dạng, và nâng cao độ chính xác.3 SIFT Một thuật toán tiêu biểu và có hiệu quả khá cao là dựa theo các đặc trưng cục bộ bất biến trong ảnh: SIFT do David Lowe đưa ra từ năm 2004 và đến nay đã có nhiều cải tiến trong thuật toán.

Đặc trưng được trích chọn trong SIFT là các điểm đặc biệt 25 (keypoint), các điểm này kèm theo các mô tả về nó và một vec-tơ có lấy keypoint làm điểm gốc. Có bốn giai đoạn chính được thực hiện trong thuật toán để trích xuất các điểm đặc biệt và các đặc trưng của nó bao gồm: a. Dò tìm cực trị trong không gian đo (Scale-space Extrema Detection): Bước đầu tiên này sẽ áp dụng hàm sai khác Gaussian (DoG - Deffirence of Gaussisan) để tìm ra các điểm có khả năng làm điểm đặc trưng tiềm năng (candidate keypoints), đó là những điểm rất ít phụ thuộc (bất biến) vào sự thu phóng ảnh và xoay ảnh. Lọc và trích xuất các điểm đặc biệt (Keypoint localization): Từ những điểm tiềm năng ở trên sẽ lọc và lấy ra tập các điểm đặc trưng tốt nhất (keypoints).

Gán hướng cho các điểm đặc trưng (Oriented Assignment): Mỗi điểm đặc trưng sẽ được gán cho một hoặc nhiều hướng dựa trên hướng gradient của ảnh. Mọi phép toán xử lý ở các bước sau này sẽ được thực hiện trên những dữ liệu ảnh mà đã được biến đổi tương đối so với hướng đã gán, kích cỡ và vị trí của mỗi điểm đặc trưng. Nhờ đó, tạo ra một sự bất biến trong các phép xử lý này. Bộ mô tả điểm đặc trưng (Keypoint Description): Các hướng gradient cục bộ được đo trong ảnh có kích cỡ cụ thể nào đó trong vùng lân cận với mỗi điểm đặc trưng.

Sau đó, chúng sẽ được biễu diễn thành một dạng mà cho phép mô tả các tầng quan trọng của quá trình bóp méo hình dạng cục bộ và sự thay đổi về độ sáng. Tập các điểm đặc biệt thu được thường phụ thuộc rất ít vào các phép biến đổi cơ bản như xoay, phóng to, thu nhỏ, tăng giảm cường độ sáng… Vì vậy có thể xem đây là các đặc trưng mang tính cục bộ của ảnh. Để đối sánh và nhận dạng hai ảnh thì ta tìm tập keypoint giống nhau trong hai ảnh, dựa vào hướng và tỉ lệ để có thể biết đối tượng trong ảnh gốc đã xoay, thu phóng bao nhiêu so với ảnh đem đối sánh. Cách tiếp cận của thuật toán này dựa vào điểm bất biến cục bộ của ảnh, chúng được trích xuất ra, được định hướng và mô tả sao cho hai keypoint ở hai vùng khác nhau thì khác nhau.