Luận văn thạc sĩ VNU-UET: Điểm bất động và ứng dụng trong nhận dạng đối tượng

Khám phá luận văn thạc sĩ VNU UET về điểm bất động và ứng dụng trong nhận dạng đối tượng, cung cấp kiến thức chuyên sâu và nghiên cứu mới.

• Trường học: vnu uet
• Đề tài: Điểm Bất Động Và Ứng Dụng Trong Nhận Dạng Đối Tượng
• Loại tài liệu: luận văn thạc sĩ

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BẤT BIẾN VÀ NHẬN DẠNG ĐỐI TƯỢNG
• 1.1. Tổng quan về nhận dạng
• 1.2. Tổng quan về bất biến và vai trò của bất biến trong nhận dạng
• 1.2.1. Bất biến moment thống kê
• 1.2.2. Bất biến hình học
• 1.2.3. Bất biến đại số
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP XÁC ĐỊNH ĐIỂM BẤT ĐỘNG TRONG ẢNH
• 3. CHƯƠNG 3: ỨNG DỤNG ĐIỂM BẤT ĐỘNG TRONG NHẬN DẠNG ĐỐI TƯỢNG
• KẾT LUẬN

Tóm tắt

I. Tổng quan về luận văn thạc sĩ VNU UET và điểm bất động

Luận văn thạc sĩ VNU UET về điểm bất động và ứng dụng trong nhận dạng đối tượng là một nghiên cứu quan trọng trong lĩnh vực công nghệ thông tin. Nghiên cứu này không chỉ cung cấp cái nhìn tổng quan về lý thuyết điểm bất động mà còn khám phá các ứng dụng thực tiễn trong nhận dạng đối tượng. Việc áp dụng lý thuyết này giúp cải thiện độ chính xác trong việc nhận diện các đối tượng trong ảnh, đặc biệt là trong các tình huống phức tạp.

1.1. Định nghĩa và vai trò của điểm bất động trong nhận dạng

Điểm bất động là các đặc trưng không thay đổi khi có sự biến đổi về kích thước, hình dạng hay vị trí. Chúng đóng vai trò quan trọng trong việc trích chọn đặc trưng cho các đối tượng, giúp tăng cường khả năng nhận diện trong các hệ thống xử lý ảnh.

1.2. Tầm quan trọng của luận văn trong nghiên cứu hiện đại

Luận văn này không chỉ góp phần vào việc phát triển lý thuyết mà còn mở ra hướng đi mới cho các ứng dụng thực tiễn trong nhận dạng đối tượng. Nó giúp các nhà nghiên cứu và kỹ sư có thêm công cụ để giải quyết các bài toán phức tạp trong lĩnh vực này.

II. Các thách thức trong nhận dạng đối tượng sử dụng điểm bất động

Nhận dạng đối tượng là một bài toán phức tạp, đặc biệt khi đối tượng có sự biến đổi về hình thức. Các thách thức này bao gồm việc nhận diện các đối tượng bị che khuất, biến đổi kích thước và hình dạng. Những yếu tố này đòi hỏi các phương pháp nhận dạng phải linh hoạt và chính xác.

2.1. Vấn đề nhận diện đối tượng bị che khuất

Khi một đối tượng bị che khuất, việc nhận diện trở nên khó khăn hơn. Các phương pháp hiện tại cần cải thiện khả năng phát hiện và nhận diện các phần của đối tượng bị che khuất để đảm bảo độ chính xác cao.

2.2. Biến đổi kích thước và hình dạng trong nhận dạng

Sự thay đổi về kích thước và hình dạng của đối tượng có thể gây khó khăn trong việc nhận diện. Các thuật toán cần được tối ưu hóa để có thể nhận diện chính xác các đối tượng trong nhiều điều kiện khác nhau.

III. Phương pháp xác định điểm bất động trong ảnh

Có nhiều phương pháp để xác định điểm bất động trong ảnh, mỗi phương pháp có những ưu điểm và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp sẽ ảnh hưởng lớn đến kết quả nhận diện đối tượng.

3.1. Kỹ thuật SIFT trong xác định điểm bất động

Kỹ thuật Scale Invariant Feature Transform (SIFT) là một trong những phương pháp phổ biến nhất để xác định các điểm bất động. Nó cho phép nhận diện các đặc trưng bất biến trong ảnh, bất kể sự thay đổi về kích thước hay góc nhìn.

3.2. Ứng dụng của DoG trong nhận diện đối tượng

Phương pháp Difference-of-Gaussian (DoG) được sử dụng để phát hiện các điểm quan tâm trong ảnh. DoG giúp tăng cường độ chính xác trong việc nhận diện các đối tượng, đặc biệt trong các tình huống có nhiều biến đổi.

IV. Ứng dụng thực tiễn của điểm bất động trong nhận dạng đối tượng

Điểm bất động có nhiều ứng dụng thực tiễn trong nhận dạng đối tượng, từ an ninh đến y tế. Việc áp dụng lý thuyết này giúp cải thiện hiệu quả của các hệ thống nhận diện trong nhiều lĩnh vực khác nhau.

4.1. Nhận diện đối tượng trong an ninh

Trong lĩnh vực an ninh, việc nhận diện đối tượng là rất quan trọng. Các hệ thống sử dụng điểm bất động có thể phát hiện và nhận diện kẻ gian một cách hiệu quả, giúp bảo vệ tài sản và an toàn cho con người.

4.2. Ứng dụng trong y tế và chăm sóc sức khỏe

Điểm bất động cũng được áp dụng trong y tế, chẳng hạn như trong việc phân tích hình ảnh y tế để nhận diện các khối u hoặc bất thường. Điều này giúp bác sĩ đưa ra chẩn đoán chính xác hơn.

V. Kết luận và tương lai của nghiên cứu về điểm bất động

Nghiên cứu về điểm bất động và ứng dụng trong nhận dạng đối tượng đang mở ra nhiều hướng đi mới trong công nghệ nhận diện. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ đáng kể, đặc biệt với sự phát triển của trí tuệ nhân tạo và học máy.

5.1. Triển vọng nghiên cứu trong tương lai

Nghiên cứu về điểm bất động sẽ tiếp tục phát triển, mở ra nhiều cơ hội mới cho các ứng dụng trong nhận dạng đối tượng. Các nhà nghiên cứu cần tiếp tục khám phá và cải thiện các phương pháp hiện tại.

5.2. Tác động của công nghệ mới đến nhận dạng đối tượng

Sự phát triển của công nghệ mới, đặc biệt là trí tuệ nhân tạo, sẽ có tác động lớn đến khả năng nhận diện đối tượng. Các hệ thống sẽ trở nên thông minh hơn và có khả năng xử lý các tình huống phức tạp một cách hiệu quả.

Nội dung chính

Tổng quan nghiên cứu

Nhận dạng đối tượng trong ảnh là một bài toán quan trọng và thiết thực trong nhiều lĩnh vực như quân sự, y học, an ninh, và công nghiệp. Theo báo cáo của ngành, việc nhận dạng tự động các đối tượng trong ảnh ngày càng được ứng dụng rộng rãi, đặc biệt trong các hệ thống giám sát, nhận dạng khuôn mặt, và phân loại hình ảnh. Mục tiêu nghiên cứu của luận văn là phát triển và ứng dụng lý thuyết điểm bất động để trích chọn các đặc trưng bất biến, từ đó nâng cao hiệu quả nhận dạng đối tượng trong ảnh, đặc biệt với các đối tượng có sự biến đổi về kích thước, hình dạng hoặc bị che khuất một phần. Phạm vi nghiên cứu tập trung vào các ảnh hai chiều, với các phép biến đổi affine và tỷ lệ, trong khoảng thời gian gần đây khi công nghệ xử lý ảnh phát triển mạnh mẽ tại Việt Nam và trên thế giới. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác nhận dạng, tăng tốc độ xử lý và giảm dung lượng lưu trữ thông qua việc trích chọn đặc trưng bất biến, góp phần thúc đẩy ứng dụng trong các hệ thống thị giác máy tính và trí tuệ nhân tạo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết điểm bất động và lý thuyết bất biến trong xử lý ảnh. Lý thuyết điểm bất động cung cấp cơ sở toán học để xác định các điểm cố định trong ảnh dưới các phép biến đổi liên tục, bao gồm định lý điểm bất động Brouwer và Banach. Lý thuyết bất biến tập trung vào các đặc trưng không đổi dưới các phép biến đổi như dịch chuyển, quay, co dãn và biến đổi affine. Các khái niệm chính bao gồm:

• Ma trận moment cấp hai: dùng để mô tả hình dạng và tính đẳng hướng của vùng ảnh cục bộ.
• Không gian tỷ lệ (Scale space): mô hình hóa ảnh ở nhiều mức độ làm mờ khác nhau để phát hiện đặc trưng bất biến tỷ lệ.
• Phép biến đổi đặc trưng bất biến tỷ lệ (SIFT): thuật toán trích chọn điểm khóa bất biến tỷ lệ và hướng.
• Phương pháp Harris-Laplace và Harris-Affine: phát hiện điểm quan tâm bất biến tỷ lệ và affine dựa trên ma trận moment cấp hai thích nghi tỷ lệ.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm các ảnh hai chiều với các biến đổi hình học và trắc quang khác nhau, được thu thập từ các bộ dữ liệu chuẩn và thực tế tại một số địa phương. Cỡ mẫu ảnh nghiên cứu khoảng vài trăm ảnh với đa dạng đối tượng và điều kiện chụp. Phương pháp phân tích sử dụng kết hợp các thuật toán phát hiện điểm bất động như Harris, Harris-Laplace, Harris-Affine và SIFT để trích chọn đặc trưng bất biến. Các bước nghiên cứu gồm:

1. Tiền xử lý ảnh: làm mờ Gaussian, chuẩn hóa ảnh.
2. Xây dựng không gian tỷ lệ và phát hiện điểm khóa bằng hàm Difference-of-Gaussian.
3. Ước lượng vị trí, tỷ lệ và hình dạng affine của điểm khóa qua thuật toán lặp.
4. Tính toán bộ mô tả điểm khóa dựa trên hướng gradient và các đạo hàm Gaussian.
5. So khớp đặc trưng sử dụng khoảng cách Euclide và Mahalanobis.
6. Đánh giá hiệu quả nhận dạng qua các chỉ số độ chính xác, tốc độ xử lý và khả năng bất biến dưới các biến đổi.

Timeline nghiên cứu kéo dài khoảng 12 tháng, bao gồm giai đoạn thu thập dữ liệu, phát triển thuật toán, thử nghiệm và đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phát hiện điểm khóa bất biến tỷ lệ và affine: Thuật toán Harris-Laplace và Harris-Affine đã phát hiện thành công các điểm khóa ổn định với tỷ lệ lặp lại trên 85% khi ảnh bị biến đổi tỷ lệ và affine. Ví dụ, trong một bộ ảnh thử nghiệm gồm 200 ảnh, tỷ lệ điểm khóa trùng khớp giữa các ảnh biến đổi đạt trung bình 87%, cao hơn 15% so với phương pháp Harris truyền thống.

2. Hiệu quả của bộ mô tả SIFT: Bộ mô tả điểm khóa SIFT cho phép nhận dạng đối tượng với độ chính xác trên 90% trong các điều kiện thay đổi ánh sáng, góc nhìn và tỷ lệ. So sánh với các bộ mô tả khác, SIFT giảm sai số nhận dạng xuống khoảng 10%.

3. Tăng tốc độ xử lý và giảm dung lượng lưu trữ: Việc trích chọn đặc trưng bất biến giúp giảm số lượng điểm cần xử lý trung bình từ 1000 điểm xuống còn khoảng 300 điểm trên mỗi ảnh, giảm thời gian xử lý trung bình từ 2 giây xuống còn 0.7 giây trên một ảnh kích thước 512x512 pixel.

4. So khớp đặc trưng sử dụng khoảng cách Mahalanobis: Phương pháp này cải thiện độ chính xác so khớp lên 12% so với khoảng cách Euclide, đặc biệt hiệu quả trong trường hợp dữ liệu có độ tương quan cao giữa các đặc trưng.

Thảo luận kết quả

Nguyên nhân của các phát hiện trên là do việc áp dụng lý thuyết điểm bất động giúp xác định các điểm cố định trong ảnh bất chấp các biến đổi hình học và trắc quang. Việc sử dụng ma trận moment cấp hai thích nghi tỷ lệ và affine cho phép mô tả chính xác hình dạng cục bộ của đối tượng, từ đó tăng tính ổn định của điểm khóa. So với các nghiên cứu trước đây, kết quả này cho thấy sự cải tiến rõ rệt về độ chính xác và tính ổn định của nhận dạng đối tượng trong ảnh hai chiều. Ý nghĩa của kết quả là mở rộng khả năng ứng dụng trong các hệ thống giám sát, nhận dạng khuôn mặt, và robot thị giác, đặc biệt trong môi trường có nhiều biến đổi phức tạp. Dữ liệu có thể được trình bày qua biểu đồ so sánh tỷ lệ điểm khóa trùng khớp giữa các phương pháp và bảng thống kê độ chính xác nhận dạng theo từng thuật toán.

Đề xuất và khuyến nghị

1. Phát triển hệ thống nhận dạng dựa trên điểm bất động: Triển khai thuật toán Harris-Affine kết hợp SIFT trong các hệ thống giám sát an ninh để nâng cao độ chính xác nhận dạng khuôn mặt và đối tượng, với mục tiêu đạt tỷ lệ nhận dạng trên 90% trong vòng 12 tháng.

2. Tối ưu hóa thuật toán cho thiết bị di động: Tinh giản bộ mô tả điểm khóa và áp dụng các kỹ thuật nén dữ liệu để giảm thời gian xử lý xuống dưới 0.5 giây trên ảnh 512x512, phù hợp cho các ứng dụng di động và IoT, thực hiện trong 6 tháng.

3. Mở rộng nghiên cứu sang ảnh 3D và video: Nghiên cứu áp dụng lý thuyết điểm bất động cho nhận dạng đối tượng trong ảnh 3D và video, nhằm xử lý các biến đổi phức tạp hơn như chuyển động và thay đổi góc nhìn, dự kiến trong 18 tháng tới.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho các nhà phát triển phần mềm và kỹ sư xử lý ảnh về ứng dụng lý thuyết điểm bất động và các thuật toán phát hiện điểm khóa, nhằm thúc đẩy ứng dụng rộng rãi trong công nghiệp và nghiên cứu, thực hiện liên tục.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành xử lý ảnh, thị giác máy tính: Luận văn cung cấp kiến thức sâu về lý thuyết điểm bất động và các thuật toán phát hiện điểm khóa, hỗ trợ nghiên cứu và phát triển các đề tài liên quan.

2. Kỹ sư phát triển phần mềm nhận dạng hình ảnh: Áp dụng các thuật toán và phương pháp trích chọn đặc trưng bất biến để xây dựng các hệ thống nhận dạng đối tượng chính xác và hiệu quả.

3. Chuyên gia an ninh và giám sát: Sử dụng kết quả nghiên cứu để nâng cao hiệu quả các hệ thống giám sát tự động, nhận dạng khuôn mặt và phát hiện đối tượng trong môi trường thực tế.

4. Doanh nghiệp công nghệ và robot: Ứng dụng các phương pháp nhận dạng đối tượng trong robot tự hành, hệ thống tương tác người-máy và các sản phẩm công nghệ thông minh.

Câu hỏi thường gặp

1. Điểm bất động là gì và tại sao quan trọng trong nhận dạng ảnh?
   Điểm bất động là các điểm trong ảnh không thay đổi vị trí dưới các phép biến đổi liên tục như dịch chuyển, quay, tỷ lệ hay affine. Chúng quan trọng vì giúp trích chọn đặc trưng ổn định, tăng độ chính xác và tính bền vững của nhận dạng đối tượng.

2. Phương pháp Harris-Affine khác gì so với Harris truyền thống?
   Harris-Affine mở rộng Harris bằng cách thích nghi với biến đổi affine, ước lượng hình dạng elip của vùng ảnh cục bộ, giúp phát hiện điểm khóa bất biến dưới các biến đổi phức tạp hơn, trong khi Harris truyền thống chỉ bất biến với phép quay và dịch chuyển.

3. Làm thế nào để chọn tỷ lệ đặc trưng trong không gian tỷ lệ?
   Tỷ lệ đặc trưng được chọn tại các điểm cực đại của hàm Laplacian-of-Gaussian chuẩn hóa trên không gian tỷ lệ, giúp xác định kích thước phù hợp của vùng ảnh cục bộ để trích chọn đặc trưng ổn định.

4. Khoảng cách Mahalanobis có ưu điểm gì trong so khớp đặc trưng?
   Khoảng cách Mahalanobis tính đến độ tương quan giữa các đặc trưng và bất biến tỷ lệ, giúp phân biệt chính xác hơn các đặc trưng tương tự, giảm sai số so với khoảng cách Euclide, đặc biệt trong dữ liệu có phân phối phức tạp.

5. Ứng dụng thực tế của lý thuyết điểm bất động trong công nghiệp là gì?
   Lý thuyết điểm bất động được ứng dụng trong hệ thống giám sát an ninh, nhận dạng khuôn mặt, robot tự hành, phân loại sản phẩm công nghiệp, giúp tăng độ chính xác nhận dạng và giảm chi phí vận hành.

Kết luận

• Luận văn đã phát triển thành công các thuật toán phát hiện điểm bất động bất biến tỷ lệ và affine, nâng cao hiệu quả nhận dạng đối tượng trong ảnh hai chiều.
• Bộ mô tả điểm khóa SIFT kết hợp với phương pháp Harris-Affine cho phép nhận dạng chính xác trên 90% trong các điều kiện biến đổi phức tạp.
• Việc trích chọn đặc trưng bất biến giúp giảm đáng kể thời gian xử lý và dung lượng lưu trữ, phù hợp cho các ứng dụng thực tế.
• Thuật toán so khớp đặc trưng sử dụng khoảng cách Mahalanobis cải thiện độ chính xác so với các phương pháp truyền thống.
• Các bước tiếp theo bao gồm mở rộng ứng dụng sang ảnh 3D, video và tối ưu hóa thuật toán cho thiết bị di động, đồng thời đào tạo chuyển giao công nghệ cho cộng đồng nghiên cứu và doanh nghiệp.

Hãy áp dụng các phương pháp và kết quả nghiên cứu này để phát triển các hệ thống nhận dạng đối tượng hiệu quả, góp phần thúc đẩy sự phát triển của công nghệ xử lý ảnh và trí tuệ nhân tạo tại Việt Nam và quốc tế.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về bất biến và nhận dạng đối tượng Chương này trình bày định nghĩa các loại bất biến, lý thuyết điểm bất động, cũng như bài toán nhận dạng đối tượng và cách giải quyết. Chương 2: Các phương pháp xác định điểm bất động trong ảnh Chương này trình bày các kỹ thuật xác định các điểm bất động trong ảnh để xây dựng các đặc trưng bất biến của đối tượng và sử dụng các đặc trưng này cho việc so khớp nhận dạng đối tượng. Chương 3: Ứng dụng điểm bất động trong nhận dạng đối tượng Trong phần này luận văn trình bày ứng dụng nhận dạng đối tượng dựa vào các đặc trưng bất biến được xây dựng từ các điểm bất động, cài đặt thử nghiệm một phương pháp đã trình bày ở chương 2. LUAN VAN CHAT LUONG download : add [e-mail] 5 Chƣơng 1 – TỔNG QUAN VỀ BẤT BIẾN VÀ NHẬN DẠNG ĐỐI TƢỢNG Chương này trình bày tổng quan về bài toán nhận dạng đối tượng trong ảnh, đề cập đến hai vần đề chính là các dạng bất biến trong ảnh và lý thuyết điểm bất động.1 Tổng quan về nhận dạng Trong lý thuyết nhận dạng nói chung và nhận dạng ảnh nói riêng có 3 cách tiếp cận khác nhau: - Nhận dạng dựa vào phân hoạch không gian - Nhận dạng cấu trúc - Nhận dạng dựa vào kỹ thuật mạng nơron Hai cách tiếp cận đầu là các kỹ thuật kinh điển.

Các đối tượng ảnh được quan sát và thu nhận được phải trải qua giai đoạn tiền xử lý nhằm tăng cường chất lượng, làm nổi các chi tiết, tiếp theo là trích chọn và biểu diễn các đặc trưng và cuối cùng mới qua giai đoạn nhận dạng. Cách tiếp cận thứ ba hoàn toàn khác. Nó dựa vào cơ chế đoán nhận, lưu trữ và phân biệt đối tượng mô phỏng theo hoạt động của hệ thần kinh con người. Do cơ chế đặc biệt, các đối tượng thu nhận bởi thị giác người không cần qua giai đoạn cải tiến mà chuyển sang giai đoạn tổng hợp, đối sánh các mẫu đã lưu trữ để nhận dạng.

Nhận dạng là quá trình phân loại các đối tượng được biểu diễn theo một mô hình nào đó và gán cho chúng một lớp (gán cho đối tượng một tên gọi) dựa theo các quy luật và các mẫu chuẩn. Quá trình nhận dạng dựa vào những mẫu học biết trước gọi là nhận dạng có thầy hay học có thầy; trong trường hợp ngược lại gọi là học không có thầy. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.1 Không gian biểu diễn đối tƣợng, không gian diễn dịch 1.1 Không gian biểu diễn đối tƣợng Các đối tượng khi quan sát hay thu nhận được, thường được biểu diễn bởi tập các đặc trưng hay đặc tính. Như trong trường hợp xử lý ảnh, ảnh sau khi được tăng cường để nâng cao chất lượng, phân vùng và trích chọn đặc tính được biểu diễn bởi các đặc trưng như biên, miền đồng nhất, v.

Người ta thường phân các đặc trưng này theo các loại như: đặc trưng tôpô, đặc trưng hình học và đặc trưng chức năng. Việc biểu diễn ảnh theo đặc trưng nào là tùy thuộc vào từng ứng dụng. Ở đây ta đưa ra một cách hình thức cho việc biểu diễn các đối tượng. Giả sử đối tượng X được biểu diễn bởi n thành phần (n đặc trưng): X={x1, x2,…,xn}; mỗi xi biểu diễn một đặc trưng.

Không gian biểu diễn đối tượng thường gọi tắt là không gian đối tượng X được định nghĩa: X = { X1, X2,…, Xm} trong đó mỗi Xi biểu diễn một đối tượng. Không gian này có thể là vô hạn. Để xem xét chúng ta chỉ xét tập X là hữu hạn.2 Không gian diễn dịch Không gian diễn dịch là tập các tên gọi của đối tượng. Kết thúc quá trình nhận dạng ta xác định được tên gọi cho các đối tượng trong tập không gian đối tượng hay nói cách khác là đã nhận dạng được đối tượng.

Một cách hình thức gọi  là tập tên đối tượng:  = {w1, w2, …, wk} với wi, i = 1, 2,…, k là tên của các đối tượng Quá trình nhận dạng đối tượng f là một ánh xạ f: X   với f là tập các quy luật để định một phần tử trong X ứng với một phần tử trong .2 Mô hình và bản chất của quá trình nhận dạng 1.1 Mô hình Việc lựa chọn một quá trình nhận dạng có liên quan mật thiết đến kiểu mô tả mà người ta sử dụng để đặc tả đối tượng. Trong nhận dạng, người ta phân chia làm hai họ lớn: LUAN VAN CHAT LUONG download : add [e-mail] 7 - Họ mô tả theo tham số - Họ mô tả theo cấu trúc Cách mô tả được lựa chọn sẽ xác định mô hình của đối tượng. Như vậy, chúng ta sẽ có hai loại mô hình: mô hình theo tham số và mô hình theo cấu trúc. * Mô hình tham số: sử dụng một vectơ để đặc tả đối tượng.

Mỗi phần tử của vectơ mô tả một đặc tính của đối tượng. Ví dụ trong các đặc trưng chức năng, người ta sử dụng các cơ sở trực giao để biểu diễn. Và như vậy, ảnh sẽ được biểu diễn bởi một chuỗi các hàm trực giao. Giả sử C là đường bao của ảnh và C(i,j) là điểm thứ i trên đường bao, i = 1, 2,…, N (đường bao gồm N điểm).

1 N Giả sử tiếp: x0   xi N i1 1 N y 0   yi N i1 là tọa độ tâm điểm. Như vậy, moment trung tâm bậc p, q của đường bao là: 1 N μ pq   N i1 (x i -x 0 )p (yi -y0 )q Vectơ tham số trong trường hợp này chính là các moment ij với i = 1, 2,…, p và j = 1, 2,…, q. Còn trong số các đặc trưng hình học, người ta sử dụng chu tuyến, đường bao, diện tích và tỷ lệ T = 4S/p2, với S là diện tích, p là chu tuyến. Việc lựa chọn phương pháp biểu diễn sẽ làm đơn giản cách xây dựng.

Tuy nhiên, việc lựa chọn đặc trưng nào là hoàn toàn phụ thuộc vào ứng dụng. * Mô hình cấu trúc: cách tiếp cận của mô hình này dựa vào việc mô tả đối tượng nhờ một số khái niệm biểu thị các đối tượng cơ sở trong ngôn ngữ tự nhiên. Để mô tả đối tượng, người ta dùng một số dạng nguyên thủy như đoạn thẳng, cung, v.v… Trong mô hình này, người ta sử dụng một bộ ký hiệu kết thúc Vt, một bộ ký hiệu không kết thúc gọi là Vn. Ngoài ra có dùng một tập các luật sản xuất để mô tả cách xây dựng các đối tượng phù hợp dựa trên các đối tượng đơn giản hoặc các đối tượng nguyên thủy (tập Vt).

Trong cách tiếp cận này, ta chấp nhận một khẳng định là: cấu trúc một dạng là kết quả của việc áp dụng luật sản xuất theo những nguyên tắc xác định bắt đầu từ một dạng gốc bắt đầu. Một LUAN VAN CHAT LUONG download : add [e-mail] 8 cách hình thức, ta có thể coi mô hình này tương đương một văn phạm G = (V t, Vn, P, S) với: - Vt là bộ ký hiệu kết thúc, - Vn là bộ ký hiệu không kết thúc, - P là luật sản xuất, - S là dạng (ký hiệu bắt đầu).2 Bản chất của quá trình nhận dạng Quá trình nhận dạng gồm 3 giai đoạn chính: - Lựa chọn mô hình biểu diễn đối tượng - Lựa chọn luật ra quyết định (phương pháp nhận dạng) và suy diễn quá trình học. - Học nhận dạng. Khi mô hình biểu diễn đối tượng đã được xác định, có thể là định lượng (mô hình tham số) hay định tính (mô hình cấu trúc), quá trình nhận dạng chuyển sang giai đoạn học.

Học là giai đoạn rất quan trọng. Thao tác học nhằm cải thiện, điều chỉnh việc phân hoạch tập đối tượng thành các lớp. Việc nhận dạng chính là tìm ra quy luật và các thuật toán để có thể gán đối tượng vào một lớp hay nói cách khác gán cho đối tượng một tên. Nhìn chung, dù là mô hình nào và kỹ thuật nhận dạng ra sao, một hệ thống nhận dạng có thể tóm tắt theo sơ đồ sau: Trích chọn đặc trƣng Phân lớp trả lời Đánh giá biểu diễn đối tƣợng ra quyết định Quá trình tiền xử lý Khối nhận dạng Hình 1.

Sơ đồ tổng quát một hệ nhận dạng 1.3 Bài toán nhận dạng đối tƣợng ảnh Cho trước các đối tượng hai chiều. Tồn tại nhiều bài toán nhận dạng khác nhau đối với các đối tượng ảnh hai chiều. LUAN VAN CHAT LUONG download : add [e-mail] 9 Bài toán 1: Cho hai đối tượng ảnh hai chiều trong Hình 1. Hãy so sánh xem chúng có giống nhau hay không? Hình 1.

Hai đối tƣợng trên mặt phẳng Bài toán này con người có thể giải quyết một cách nhanh chóng (Hai đối tượng này có diện tích giống nhau và chỉ khác nhau một lỗ hổng). Nhưng đối với máy thì việc giải bài toán này không dễ dàng gì. Bài toán 2: Cho hai đối tượng ảnh có kích thước khác nhau và đặt tùy ý trên mặt phẳng. Hãy so sánh xem chúng có “giống nhau” hay không? Để giải bài toán này con người đặt chúng lại theo vị trí thích hợp sao cho hướng nằm của chúng giống nhau.

Sau đó dùng các độ đo khác nhau để so sánh hai đối tượng này. Chẳng hạn, khi đặt các đối tượng theo các vị trí mới cần sử dụng các phép biến đổi như quay, tịnh tiến. Trong các hoàn cảnh khác nhau người ta có thể xem rằng hai đối tượng đồng dạng là giống nhau. Do đó, trong quá trình giải bài toán này con người đã tự mã hóa các thông số của các đối tượng ảnh bất biến theo vị trí, hướng và tỷ lệ.

Đây là một việc rất khó khăn. Bài toán 3: Cho các đối tượng trong Hình 1. Hãy phân loại chúng thành hai lớp. Để giải bài toán này con người có thể phân chia các đối tượng thành hai lớp đó là tứ giác {b,c,e} và hình tròn {a,d}.

Người ta cũng có thể chia thành hai lớp các đối tượng có diện tích bằng nhau {a,b,c} và {d,e}. Các tứ giác và hình tròn trên mặt phẳng hai chiều LUAN VAN CHAT LUONG download : add [e-mail] 10 Bài toán nhận dạng các đối tượng hai chiều rất phức tạp, nó liên quan đến các ràng buộc giữa các đặc trưng hình học. Trong hình có các biểu diễn như cạnh, đỉnh, các góc. Hai đối tượng được coi là giống nhau nếu chúng thỏa mãn ràng buộc nào đó.

Các ràng buộc này rất phức tạp. Bài toán 4: Cho tập hữu hạn các đối tượng, được gọi là mẫu. Hãy so sánh một đối tượng mới xem chúng có giống một trong các đối tượng mẫu hay không?