Tổng quan nghiên cứu

Trong kỷ nguyên đô thị thông minh và chuyển đổi số, dữ liệu giám sát video từ hệ thống camera đường phố đang gia tăng với tốc độ bùng nổ, ghi nhận trung bình từ 24 đến 30 khung hình trên giây (fps) liên tục suốt 24/7. Việc tìm kiếm thủ công một đối tượng hoặc phương tiện cụ thể trong hàng nghìn giờ video không chỉ tiêu tốn hơn 70% thời gian và nhân lực của lực lượng điều hành mà còn tiềm ẩn nguy cơ sai sót cao. Nhằm giải quyết điểm nghẽn này, luận văn Thạc sĩ ngành Công nghệ Thông tin tại Học viện Khoa học và Công nghệ (hoàn thành năm 2020) đã tập trung giải quyết bài toán tự động hóa quá trình tra cứu và so khớp hình ảnh truy vấn với các khung hình trích xuất từ camera đường phố.

Mục tiêu cụ thể của nghiên cứu là xây dựng và đánh giá mô hình tra cứu ảnh dựa trên nội dung (CBIR), khai thác các độ đo tương tự toán học kết hợp cùng biểu đồ tần suất mức xám (Grayscale Histogram) để xác định sự xuất hiện của đối tượng mục tiêu. Phạm vi thực nghiệm của đề tài được triển khai trên tập dữ liệu video ghi nhận thực tế từ hệ thống camera giám sát giao thông đô thị với quy mô 100 khung hình đại diện và 25 kịch bản thử nghiệm độc lập. Nghiên cứu mang lại ý nghĩa thực tiễn to lớn khi thiết lập nền tảng thuật toán có độ phức tạp thấp, giúp rút ngắn hơn 65% thời gian phản hồi truy vấn so với các phương pháp quét toàn phần, đồng thời hỗ trợ đắc lực cho công tác quản lý trật tự giao thông và an ninh đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết truy xuất hình ảnh dựa trên nội dung (Content-Based Image Retrieval - CBIR), trong đó các đặc trưng thị giác cấp thấp của ảnh được trích xuất tự động để làm cơ sở so sánh độ tương đồng. Khung lý thuyết của luận văn tích hợp hai trục lý thuyết trọng tâm:

  1. Lý thuyết không gian màu và lượng tử hóa tín hiệu ảnh: Mô hình xử lý quá trình chuyển đổi từ không gian màu RGB 24-bit (chứa xấp xỉ 16,7 triệu giá trị màu) sang không gian thang độ xám 8-bit với 256 mức xám chuẩn hóa từ 0 đến 255. Bên cạnh đó, nghiên cứu đối sánh với không gian màu HSV thông qua kỹ thuật lượng tử hóa 162 bin màu (18 mức Hue, 3 mức Saturation, 3 mức Value) và mô hình trừ màu CMY nhằm làm rõ sự đánh đổi giữa độ giàu thông tin và chi phí tính toán.
  2. Lý thuyết phân bố xác suất và biểu đồ Histogram: Biểu đồ mức xám được định nghĩa như một hàm rời rạc phản ánh phân bố xác suất của các mức xám trong toàn bộ ảnh. Hàm mật độ xác suất của mức xám thứ k được xác định theo tỷ lệ giữa số lượng pixel mang mức xám đó trên tổng số điểm ảnh của khung hình.

Các khái niệm cốt lõi được vận hành trong nghiên cứu bao gồm: Pixel và ma trận ảnh số đa chiều, Lược đồ tương quan màu (Color Correlogram), Lược đồ chuyển động video (Motion Histogram phân chia không gian 360 độ thành 8 hướng góc từ 0 đến 7) và các hàm khoảng cách toán học như độ đo Euclid, khoảng cách Hamming nhị phân cùng khoảng cách Hamming mờ.

Phương pháp nghiên cứu

  • Cỡ mẫu nghiên cứu: Tập dữ liệu thực nghiệm gồm 100 khung hình video (frames) trích xuất trực tiếp từ các đoạn video ghi nhận bằng camera giao thông đường phố thực tế.
  • Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu phân tầng có chủ đích. Các đoạn video được phân đoạn tự động dựa trên thuật toán phát hiện chuyển động, sau đó trích xuất các khung hình đại diện chứa nhiều mức độ phức tạp khác nhau về mật độ phương tiện, điều kiện ánh sáng và góc chụp.
  • Phương pháp và lý do lựa chọn phân tích: Nghiên cứu sử dụng phương pháp phân tích định lượng so sánh khoảng cách hình học. Thuật toán trích xuất vector đặc trưng biểu đồ mức xám 256 chiều của ảnh truy vấn và của từng khung hình trong video, sau đó áp dụng độ đo khoảng cách Euclid để tính toán sai số chênh lệch. Lý do lựa chọn giải pháp này là vì thuật toán có cấu trúc tính toán tuyến tính đơn giản, không đòi hỏi hạ tầng phần cứng GPU chuyên dụng đắt đỏ, đảm bảo tốc độ phản hồi nhanh trong các bài toán giám sát thời gian thực.
  • Timeline nghiên cứu: Toàn bộ quy trình thu thập dữ liệu, xây dựng module thuật toán, lập trình giao diện thực nghiệm và kiểm thử 25 kịch bản truy vấn được thực hiện đồng bộ trong giai đoạn nghiên cứu năm 2019-2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh 25 kịch bản truy vấn độc lập trên tập dữ liệu 100 khung hình camera đường phố đã mang lại các kết quả định lượng cụ thể:

  1. Khả năng khớp ảnh chính xác cao trong điều kiện chuẩn: Trong 25 lần thực nghiệm, hệ thống đã nhận diện và trích xuất trùng khớp hoàn toàn khung hình chứa đối tượng mục tiêu ở hơn 60% tổng số kịch bản kiểm thử (điển hình tại các lượt thực nghiệm số 5, 7, 10, 20 và 25).
  2. Hiệu năng xếp hạng Top-5 kết quả: Khi cấu hình hệ thống xuất ra danh sách 5 khung hình có độ tương tự cao nhất theo thứ tự khoảng cách Euclid tăng dần, độ chính xác (Precision) trung bình đạt khoảng 72% đến 80%, trong khi độ bao phủ (Recall) duy trì ổn định ở mức trên 68% đối với các đối tượng có độ tương phản rõ rệt.
  3. Tiết kiệm tài nguyên xử lý dữ liệu: Việc chuyển đổi từ ảnh màu đa kênh sang biểu đồ mức xám 256 bin giúp cắt giảm hơn 66,7% dung lượng bộ nhớ đệm cần thiết cho việc lưu trữ vector đặc trưng so với xử lý trực tiếp trên 3 kênh màu RGB.
  4. Tỷ lệ sai lệch trong môi trường nhiễu: Hệ thống ghi nhận tỷ lệ không khớp hoặc độ tương đồng thấp trong khoảng 16% đến 20% các lần thử nghiệm (tiêu biểu ở lần 12 và lần 15), chủ yếu xuất phát từ hiện tượng tương đồng lược đồ xám giữa các đối tượng có cấu trúc hình học hoàn toàn khác biệt.

Thảo luận kết quả

Các kết quả thực nghiệm có thể được hệ thống hóa rõ ràng thông qua bảng đối chiếu chỉ số Precision - Recall qua 25 chu kỳ chạy và biểu đồ đường biểu diễn sự biến thiên của khoảng cách Euclid giữa ảnh truy vấn và các khung hình ứng viên. Dữ liệu thực nghiệm cho thấy khi khoảng cách Euclid tiến gần về giá trị 0, mức độ trùng khớp thị giác giữa hai hình ảnh đạt tới trên 95%.

Nguyên nhân cốt lõi giúp hệ thống đạt tốc độ xử lý nhanh nằm ở tính chất bất biến cục bộ của biểu đồ mức xám đối với các phép biến đổi hình học đơn giản như tịnh tiến hay co giãn đối tượng. Tuy nhiên, nguyên nhân dẫn đến sai lệch tại các lần chạy số 12 và 15 là do lược đồ mức xám chỉ biểu diễn tần suất xuất hiện của các pixel mà lược bỏ hoàn toàn thông tin phân bố không gian và quan hệ vị trí tương hỗ giữa các điểm ảnh. Khi đối tượng mục tiêu di chuyển vào vùng bóng râm hoặc bị che khuất một phần bởi phương tiện khác, phân bố mức xám bị méo mó đáng kể.

So với các nghiên cứu sử dụng mạng nơ-ron học sâu phức tạp (CNN) có độ chính xác đạt trên 90% nhưng đòi hỏi tài nguyên tính toán lớn, phương pháp dựa trên Histogram mức xám và khoảng cách Euclid trong luận văn này thể hiện ưu thế vượt trội về tính gọn nhẹ và khả năng triển khai tức thì trên các thiết bị camera giám sát thế hệ cũ tại các đô thị đang phát triển.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao hiệu năng của hệ thống tra cứu ảnh camera đường phố trong thực tế, 4 giải pháp trọng tâm được đề xuất như sau:

  • Tích hợp không gian màu đa chiều và cấu trúc không gian: Nhóm kỹ sư phần mềm cần tiến hành tích hợp lược đồ tương quan màu (Color Correlogram) kết hợp không gian màu HSV 162 bin cùng thông tin phân đoạn biên cạnh. Mục tiêu đặt ra là nâng độ chính xác Precision của hệ thống lên trên 85% trong khung thời gian triển khai 6 tháng tới.
  • Tối ưu hóa bộ lọc chuyển động tiền xử lý: Đội ngũ phát triển thuật toán cần nâng cấp mô-đun đọc video bằng cách ứng dụng lược đồ chuyển động 8 hướng nhằm loại bỏ hơn 40% các khung hình tĩnh hoặc không có sự thay đổi cảnh trước khi thực hiện đo khoảng cách Euclid, hoàn thành trong thời gian 3 tháng.
  • Mở rộng quy mô cơ sở dữ liệu mẫu: Trung tâm điều hành giám sát giao thông nên phối hợp xây dựng kho dữ liệu chuẩn hóa từ 100 khung hình hiện tại lên hơn 10.000 khung hình, bao quát đa dạng điều kiện thời tiết thực tế (mưa phùn, ban đêm, chói sáng), hướng tới mục tiêu duy trì tỷ lệ nhận diện ổn định trên 90% trong vòng 9 tháng.
  • Phát triển kiến trúc lai kết hợp mạng nơ-ron rút gọn: Các đơn vị nghiên cứu và doanh nghiệp công nghệ cần kết hợp thuật toán lọc thô bằng Histogram với các mô hình học sâu siêu nhẹ (như MobileNet) để vừa đảm bảo độ chính xác ngữ nghĩa cao, vừa duy trì tốc độ xử lý trên 25 khung hình/giây trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị tham khảo chuyên sâu cho 4 nhóm đối tượng cụ thể:

  1. Học viên cao học và sinh viên chuyên ngành Công nghệ Thông tin, Khoa học Máy tính: Tài liệu cung cấp hệ thống cơ sở toán học tường minh về xử lý ảnh số, các công thức chi tiết về khoảng cách Euclid, Hamming, Goodall và phương pháp đánh giá hệ thống thông tin qua chỉ số Precision/Recall.
  2. Kỹ sư thị giác máy tính (Computer Vision Engineers): Học hỏi giải pháp xây dựng luồng xử lý trích xuất frame từ video camera, phương pháp chuẩn hóa biểu đồ tần suất và kỹ thuật tối ưu hóa mã nguồn xử lý ảnh mức độ thấp với chi phí phần cứng tối thiểu.
  3. Cán bộ quản lý và vận hành hệ thống giao thông thông minh (ITS): Nắm bắt nguyên lý tự động hóa quy trình trích xuất phương tiện vi phạm, từ đó rút ngắn từ 50% đến 70% thời gian rà soát dữ liệu camera an ninh trên các tuyến đường trọng điểm.
  4. Các đơn vị phát triển giải pháp Đô thị thông minh (Smart City): Sử dụng khung nghiên cứu làm tài liệu tham khảo để thiết kế các module lọc dữ liệu thô phân tán tại các trạm camera biên trước khi truyền dữ liệu về máy chủ trung tâm.

Câu hỏi thường gặp

Hệ thống tra cứu ảnh trong luận văn hoạt động dựa trên nguyên lý cốt lõi nào?

Hệ thống vận hành theo quy trình trích xuất đặc trưng nội dung (CBIR). Ảnh truy vấn ban đầu được chuyển đổi sang thang độ xám 8-bit để tính biểu đồ Histogram 256 mức. Video camera đường phố được phân tách thành từng khung hình và tính toán biểu đồ tương tự. Cuối cùng, thuật toán đo khoảng cách Euclid giữa các biểu đồ để tự động xếp hạng và xuất ra các khung hình có mức độ tương đồng cao nhất.

Vì sao nghiên cứu lựa chọn lược đồ mức xám thay vì sử dụng toàn bộ không gian màu RGB?

Việc chuyển đổi từ không gian màu RGB 24-bit sang thang độ xám 8-bit giúp giảm kích thước vector dữ liệu từ xấp xỉ 16,7 triệu tổ hợp màu xuống còn 256 mức phân bố. Giải pháp này giúp cắt giảm hơn 60% khối lượng tính toán trên CPU, tăng tốc độ quét hàng trăm khung hình video mà vẫn giữ lại được đặc trưng tương phản và hình thái cốt lõi của vật thể.

Vai trò của khoảng cách Euclid trong thuật toán đối sánh khung hình là gì?

Khoảng cách Euclid đóng vai trò là thước đo định lượng sai biệt hình học giữa hai vector biểu đồ mức xám. Giá trị khoảng cách càng nhỏ tiệm cận 0 chứng minh sự phân bố độ sáng và mật độ điểm ảnh giữa ảnh truy vấn và khung hình camera càng đồng nhất. Kết quả này là cơ sở toán học tin cậy để sắp xếp chính xác danh sách 5 kết quả tương đồng nhất cho người dùng.

Hạn chế lớn nhất của phương pháp tra cứu bằng Histogram mức xám là gì?

Hạn chế chính của phương pháp là không lưu giữ vị trí không gian của các điểm ảnh và khá nhạy cảm với sự biến đổi ánh sáng môi trường. Do đó, hai bức ảnh có nội dung hình học khác nhau nhưng có cùng tỷ lệ phân bố sáng tối vẫn có thể tạo ra biểu đồ giống nhau, dẫn tới khoảng 16% đến 20% trường hợp trả về kết quả chưa chính xác trong thực nghiệm.

Làm thế nào để mở rộng thuật toán ứng dụng vào các hệ thống camera giao thông thực tế?

Để ứng dụng thực tế trên quy mô hàng nghìn camera, hệ thống cần bổ sung thuật toán Motion Histogram 8 hướng để loại bỏ hơn 70% khung hình tĩnh nhằm tiết kiệm băng thông. Đồng thời, việc tích hợp bổ sung không gian màu HSV 162 bin hoặc kết hợp mạng nơ-ron tích chập nhẹ sẽ giúp nâng độ chính xác toàn hệ thống lên trên 85% trong điều kiện thời tiết phức tạp.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về truy vấn ảnh dựa trên nội dung (CBIR), không gian màu và các độ đo tương tự toán học.
  • Đề xuất quy trình chuyển đổi ảnh sang thang xám 256 mức kết hợp biểu đồ Histogram và khoảng cách Euclid giúp tối ưu hóa đáng kể tốc độ xử lý dữ liệu.
  • Hoàn thành xây dựng phần mềm thực nghiệm và kiểm thử thành công trên 100 khung hình trích xuất từ camera đường phố với 25 kịch bản truy vấn độc lập.
  • Chứng minh tính khả thi của giải pháp với độ chính xác đạt trên 72% ở các khung hình chuẩn, đồng thời chỉ rõ giới hạn của phương pháp khi thiếu thông tin không gian điểm ảnh.
  • Thiết lập lộ trình nâng cấp hệ thống trong 6 đến 12 tháng tới thông qua việc tích hợp đa đặc trưng màu sắc HSV, phân đoạn chuyển động và cơ sở dữ liệu mở rộng.

Đóng góp lớn nhất của công trình là đề xuất giải pháp kỹ thuật gọn nhẹ, hiệu quả cao trong bài toán tra cứu tự động hình ảnh từ video giám sát giao thông mà không phụ thuộc vào hạ tầng điện toán đắt tiền. Để tiếp tục phát triển công trình nghiên cứu hoặc ứng dụng thử nghiệm giải pháp vào hệ thống giám sát thực tế, quý độc giả và các nhà nghiên cứu hãy tham khảo toàn văn tài liệu luận văn và kết nối với tác giả để triển khai các mô hình nâng cao trong tương lai.