Chương 1: Tổng quan Chương này trình bày tổng quan về đề tài đã thực hiện, bao gồm mục tiêu, nhiệm vụ, các công việc thực hiện và tình hình nghiên cứu. Bên cạnh đó giới thiệu về bối cảnh công nghệ hiện tại, lý do lựa chọn đề tài này để thực hiện và các văn bản liên quan đến đề tài. Chương 2: Cơ sở lý thuyết 3 do an Chương này trình bày về các cơ sở lý thuyết sinh viên nghiên cứu và vận dụng để thực hiện đề tài. Các kiến thức liên quan đến phần cứng hệ thống nhúng, giải thuật tiền xử lý ảnh, phát hiện, nhận diện và dò đối tượng trong ảnh.
Chương 3: Thiết kế hệ thống Chương này trình bày việc thiết kế hế thống gồm phần cứng và phần mềm. Phần cứng gồm những khối, đơn vị nào được kết nối với nhau như thế nào; và phần mềm sử dụng những giải thuật nào, các hàm hỗ trợ ra sao. Chương 4: Thực hiện hệ thống và đánh giá kết quả Trong chương này trình bày về những kết quả thực hiện được về mô hình phần cứng lẫn chương trình phần mềm. Đồng thời đánh giá độ chính xác hoạt động cũng như tốc độ xử lý của hệ thống.
Chương 5: Kết luận và hướng phát triển Dựa trên những gì thực hiện được, sinh viên trình bày nhận định của bản thân về đề tài đã thực hiện. Từ đó đề ra định hướng phát triển đề tài trong tương lai. 4 do an Chương 2: CƠ SỞ LÝ THUYẾT 2. CẤU TRÚC DỮ LIỆU VÀ GIẢI THUẬT, HỌC MÁY 2.
Cây quyết định Cây quyết định là một công cụ hỗ trợ quyết định sử dụng mô hình giống cây gồm các quyết định và các hậu quả khả thi của nó. Đây cũng là một cách để biểu diễn một thuật toán chỉ bao gồm các câu lệnh điều kiện. Cây quyết định thường được sử dụng trong các hoạt động nghiên cứu, đặc biệt trong việc phân tích quyết định, để giúp xác định một chiến lược rất có thể sẽ đạt được mục đích, và nó cũng là một công cụ phổ biến trong lĩnh vực Học máy. Cây quyết định là một cấu trúc giống như lưu đồ mà mỗi nút nội bộ của nó biểu diễn một “thử nghiệm” với một thuộc tính, mỗi nhánh biểu diễn đầu ra của thử nghiệm đó, và mỗi nút lá biểu diễn cho nhãn của một lớp.
Các đường từ gốc đến lá biểu diễn cho các quy tắc phân loại. Quang cảnh Nắng Râm Mưa Độ ẩm Gió Cao Thấp Mạnh Nhẹ Hoãn Chơi Chơi Hoãn Chơi Hình 2.1: Ví dụ sử dụng cây quyết định 2. AdaBoost AdaBoost, viết ngắn gọn cho Adaptive Boosting là một thuật toán học máy được tổng quát hóa bởi Yoav Freund và Robert Schapire giúp họ dành được giải thưởng Godel Prize năm 2003 cho công trình này. AdaBoost có thể được sử dụng kết hợp với các thuật toán học máy khác để cải thiện hiệu suất phân loại.
Đầu ra của các thuật toán học tập khác (bộ học yếu) được kết hợp thành tổng trọng số để biểu diễn đầu ra 5 do an cuối cùng của bộ phân loại được tăng cường. AdaBoost có tính thích nghi vì các bộ học tiếp theo được điều chỉnh theo hướng có lợi cho những trường hợp bị phân loại sai bởi các bộ phân loại trước đó. AdaBoost nhạy cảm với nhiễu. Trong một số bài toán nó có thể ít nhạy cảm hơn với vấn đề quá mức so với các thuật toán học máy khác.
AdaBoost sử dụng cây quyết định làm các bộ học yếu. Khi được sử dụng với bộ học dựa trên cây quyết định, thông tin thu được tại mỗi giai đoạn của thuật toán AdaBoost là độ kém linh hoạt tương ứng với mỗi mẫu huấn luyện được đưa vào thuật toán phát triển cây để có xu hướng tập trung vào các ví dụ khó phân loại hơn. Huấn luyện bộ phân loại AdaBoost đề câp đến một phương pháp cụ thể để huấn luyện một bộ phân loại được tăng cường có dạng: 𝑇 𝐹𝑇 (𝑥) = ∑ 𝑓𝑡 (𝑥) (2.1) 𝑡=1 với mỗi hàm 𝑓𝑡 là một bộ học yếu có dữ liệu đầu vào là 𝑥 và trả về giá trị xác định lớp (nhãn) của đối tượng. Mỗi bộ học yếu tạo ra một đường hypothesis ℎ(𝑥𝑖 ) với mỗi tập huấn luyện.
Tại vòng lặp thứ 𝑡, một bộ học yếu được chọn và được gán một hệ số ∝𝑡 sao cho tổng lỗi trong quá trình huấn luyện 𝐸𝑡 của kết quả ở tầng thứ 𝑡 của bộ phân loại tăng cường được giảm thiểu.2) 𝑖 𝐸(𝐹) là hàm sai số và 𝑓𝑡 (𝑥 ) =∝𝑡 ℎ(𝑥) là một bộ học yếu được cân nhắc thêm vào bộ phân loại cuối cùng. Gán trọng số Tại mỗi lần lặp của quá trình huấn luyện, một trọng số 𝑤𝑖,𝑡 được gán cho mỗi mẫu trong tập huấn luyện tương ứng sai số hiện tại 𝐸(𝐹𝑡−1 (𝑥𝑖 )) khi huấn luyện sử dụng mẫu đó. Việc sử dụng trọng số giúp quá trình huấn luyện phát triển các cây quyết định (bản chất của AdaBoost) tách các tập mẫu có trọng số cao. Tiền xử lý ảnh 2.
Chuyển đổi ảnh xám 6 do an Các hệ thống xử lý và hiển thị ảnh màu kỹ thuật số hiện nay sử dụng hệ màu RGB hay BGR với mỗi điểm ảnh là sự phối màu của ba màu cơ bản : đỏ, lam, lục. Ngoài ra còn một số hệ màu thông dụng khác như HSL và HSV, CMYK. Chúng ta có thể dùng ma trận ba chiều để biểu diễn ảnh màu kỹ thuật số. Ma trận ảnh màu số có ba chiều tương ứng với độ rộng, độ cao và màu sắc của ảnh.
Việc xử lý ảnh màu gây tốn tài nguyên tính toán do phải xử lý ma trận ba chiều. Do đó trong một số bài toán, chúng ta sẽ chuyển ảnh màu thành ảnh xám, tức sử dụng ma trận hai chiều biểu diễn và xử lý ảnh đó. Giá trị của mỗi phần tử trong ma trận ảnh xám tương ứng với mức xám của điểm ảnh đó. Điểm ảnh càng xám thì giá trị của phần tử đó càng cao.
Xét ảnh màu RGB, dễ thấy rằng phương pháp trung bình là phương pháp đơn giản nhất để chuyển đổi thành ảnh xám: (𝑅 + 𝐺 + 𝐵) 𝑌= (2.3) 3 Tuy nhiên do mắt người nhạy với màu xanh lục và màu đỏ hơn màu xanh da trời nên việc sử dụng phương pháp trung bình khiến chúng ta dễ đánh giá sai ảnh xám. Thay vào đó, việc chuyển đổi ảnh xám được thực hiện dựa trên khuyến nghị ITU BT.601 của Liên minh Viễn thông quốc tế (ITU): 𝑌 = 0. Cân bằng lược đồ ảnh Lược đồ ảnh là một đồ thị thống kê tần suất xuất hiện của các mức sáng khác nhau trong ảnh. Trục hoành của lược đồ là độ sáng của điểm ảnh, trục tung của lược đồ là số lần xuất hiện của mức sáng đó trong ảnh.
Cân bằng lược đồ là một phương pháp xử lý hình ảnh trong việc điều chỉnh độ tương phản của hình ảnh. Cân bằng lược đồ được thực hiện bằng việc trải rộng hiệu quả các giá trị cường độ có tần suất thường xuyên nhất trên lược đồ. Thông qua điều chỉnh này, mức độ sáng của ảnh có thể được phân bố tốt hơn trên lược đồ.2: Lược đồ ảnh sau khi cân bằng có độ phân bố các mức sáng tốt hơn. 7 do an Lược đồ được cân bằng bằng thuật toán như sau: (1) Tạo lược đồ của ảnh: 𝐻(𝑖).
(4) Ánh xạ mức sáng kết quả theo 𝐻 ′ : 𝐼′ (𝑥, 𝑦) = 𝐻′(𝐼(𝑥, 𝑦)), với 𝐼(𝑥, 𝑦) là ảnh gốc, 𝐼′(𝑥, 𝑦) là ảnh sau khi cân bằng. Các phương pháp trích đặc trưng ảnh 2. Đặc trưng Haar Trong toán học và xử lý ảnh số, hàm wavelet họ Haar là một chuỗi các hàm có dạng hình vuông cùng nhau tạo thành một họ Wavelet. Phân tích Wavelet tương tự với phân tích Fourier ở chỗ nó cho phép một hàm mục tiêu trong một khoảng thời gian được biểu diễn dưới dạng cơ sở trực giao.
Chuỗi Haar được đề xuất vào năm 1909 bởi Alfréd Haar. Wavelet họ Haar là một trong những wavelet đơn giản nhất. Nhược điểm kỹ thuật của sóng con Haar là nó không liên tục. Tuy nhiên, tính chất này có thể là một lợi thế cho việc phân tích các tín hiệu có sự chuyển đổi đột ngột, chẳng hạn như giám sát lỗi công cụ trong máy.
Hàm sóng gốc 𝜓(𝑡) của wavelet họ Haar có dạng sau: 1 1, 0 ≤ 𝑡 < 2 𝜓(𝑡) = 1 (2.3: Dạng sóng wavelet họ Haar 8 do an 2. Đặc trưng giống Haar Được giới thiệu trong phương pháp Viola – Jones nhằm phát hiện đối tượng có trong ảnh theo thời gian thực (sẽ được đề cập chi tiết ở những phần sau), các đặc trưng giống Haar cơ bản được mô tả như hình 2. Theo thời gian đã phát triển thêm các đặc trưng giống Haar khác. Dễ thấy rằng tên gọi “giống Haar” vì chúng ta xem xét sự thay đổi sự thay đổi đột ngột mức xám giữa các điểm ảnh lân cận và tìm mối tương quan giữa chúng để xác định các thành phần chính của vật thể.
Đặc trưng giống Haar có phần tương tự như các hạt nhân chập (convolutional kernel). Mỗi đặc trưng giống Haar là một giá trị đơn lẻ thu được bằng việc trừ đi tổng số điểm ảnh trong hình chữ nhật màu trắng cho tổng số điểm ảnh trong hình chữ nhật màu đen. Trong những phần tiếp theo của báo cáo, đặc trưng Haar được đề cập đến chính là đặc trưng giống Haar này.4: Các đặc trưng giống Haar cơ bản 2. Đặc trưng LBP Đặc trưng LBP, viết tắt cho Local Binary Pattern – Mẫu nhị phân cục bộ, là một phương pháp mô tả đặc trưng ảnh được dùng để giải quyết bài toán phân loại trong thị giác máy tính.
LBP là một đặc trưng mạnh mẽ cho việc phân loại kết cấu. Trên một số tập dữ liệu, việc kết hợp LBP với Histogram of Oriented Gradients (HOG) cải thiện đáng kể việc phát hiện đối tượng trong ảnh.5 mô tả 3 ví dụ được dùng để định nghĩa một kết cấu và tính toán một mẫu LBP. 9 do an Hình 2.5: Một mẫu LBP Một toán tử LBP được mô tả bằng toán học như sau: 𝑃−1 𝐿𝐵𝑃(𝑥𝑐 , 𝑦𝑐 ) = ∑ 2𝑝 𝑠(𝑖𝑝 − 𝑖𝑐 ) (2.6) 𝑝=0 với (𝑥𝑐 , 𝑦𝑐 ) là điểm ảnh trung tâm có mức xám 𝑖𝑐 , và 𝑖𝑛 là mức xám của pixel lân cận. 𝑠 là hàm dấu được định nghĩa: 1, 𝑛ế𝑢 𝑥 ≥ 0 𝑠(𝑥 ) = { (2.7) 0, 𝑛ế𝑢 𝑘ℎá𝑐 Vector đặc trưng LBP trong dạng đơn giản nhất được tạo ra theo cách thức sau: (1) Chia cửa sổ được kiểm tra thành các ô (ví dụ các ô các có kích thước 3x3 điểm ảnh) (2) Với mỗi điểm ảnh trong ô, so sánh điểm ảnh đó với từng 8 điểm ảnh lân cận theo thứ tự thuận hoặc nghịch chiều kim đồng hồ.