Luận văn thạc sĩ về tái nhận dạng người trong hệ thống nhiều camera giám sát

Nghiên cứu hệ thống tái nhận dạng người trong hệ thống camera giám sát đa chiều, phương pháp định lượng kết hợp định tính, góp phần phát triển chuyên

• Tác giả: Trần Thanh Toàn
• Người hướng dẫn: TS. Hồ Phước Tiến
• Trường học: Đại học Bách Khoa - ĐHQG HCM
• Chuyên ngành: Kỹ thuật Điện tử
• Đề tài: Tái Nhận Dạng Người Trong Hệ Thống Nhiều Camera Giám Sát
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• Tóm tắt
• LỜI CAM ĐOAN
• Danh mục hình
• Danh mục từ viết tắt
• 1. Chương 1: GIỚI THIỆU CHUNG
• 1.1. Bài toán nhận dạng
• 1.2. Diện mạo thay đổi
• 1.3. Sự tương đồng về hình dáng bên ngoài
• 1.4. Nội dung nghiên cứu
• 1.4.1. Mục tiêu của đề tài
• 1.4.2. Mục đích nghiên cứu
• 1.4.3. Đối tượng và phạm vi nghiên cứu
• 1.5. Tổ chức nội dung
• 2. Chương 2: CÁC PHƯƠNG PHÁP TIẾP CẬN
• 2.1. Các phương pháp đã được công bố
• 2.1.1. Nhóm phương pháp dựa trên quá trình huấn luyện
• 2.1.2. Nhóm phương pháp nhận dạng trực tiếp
• 2.2. Mô hình nhận dạng
• 3. Chương 3: TIỀN XỬ LÝ
• 3.1. Hiệu chỉnh màu
• 3.1.1. Không gian màu RGB
• 3.1.2. Không gian màu LAB
• 3.2. Tách người ra khỏi ảnh nền
• 3.2.1. Các phương pháp phân đoạn ảnh
• 3.2.2. Phân đoạn ảnh theo phương pháp đường biên động
• 3.3. Trích xuất các đặc trưng cục bộ (local patch)
• 3.3.1. Xây dựng biểu đồ màu (Dense color Histogram)
• 3.3.2. Xây dựng biểu đồ SIFT (dense SIFT)
• 3.3.3. Vector mô tả đặc trưng (dCOLORSIFT) cho mỗi local patch
• 4. Chương 4: XỬ LÝ NHẬN DẠNG
• 4.1. Xây dựng bảng mô tả khoảng cách giữa các patch
• 4.2. Phân tích giải thuật nhận dạng
• 4.2.1. One class support vector machines (OCSVM)
• 4.3. Nhận dạng đối tượng (Matching for re-identification)
• 4.3.1. Tính trọng số kết hợp giữa các local patch
• 4.3.2. Tính toán khoảng cách giữa hai ảnh
• 5. Chương 5: ĐÁNH GIÁ KẾT QUẢ
• 5.1. Cơ sở dữ liệu sử dụng
• 5.2. Cách thức thí nghiệm
• 5.3. Kết quả thí nghiệm
• 6. Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• Các tài liệu tham khảo

Tóm tắt

I. Giới thiệu chung

Nghiên cứu về tái nhận dạng người trong hệ thống camera giám sát đa chiều đang trở thành một lĩnh vực quan trọng trong việc nâng cao an ninh tại các khu vực công cộng. Vấn đề chính mà nghiên cứu này giải quyết là khả năng nhận diện lại một đối tượng khi nó di chuyển giữa các camera khác nhau mà không bị chồng lấp. Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý khối lượng lớn dữ liệu hình ảnh từ các camera, đặc biệt trong các điều kiện ánh sáng và góc nhìn khác nhau. Mục tiêu của nghiên cứu này là phát triển một hệ thống có khả năng tự động nhận diện lại đối tượng bằng cách khai thác các đặc trưng bên ngoài của chúng, như màu sắc và hình dáng. Theo đó, việc phân tích hình ảnh và phân loại đối tượng sẽ được thực hiện thông qua các thuật toán machine learning và trí tuệ nhân tạo.

1.1 Vấn đề nhận dạng

Bài toán nhận dạng trong hệ thống camera giám sát không chỉ đơn thuần là việc nhận diện khuôn mặt mà còn bao gồm việc theo dõi hành trình của đối tượng qua nhiều camera khác nhau. Việc này đòi hỏi một hệ thống có khả năng xử lý và phân tích hình ảnh một cách hiệu quả, đặc biệt khi đối tượng có thể thay đổi về diện mạo do các yếu tố như ánh sáng, góc nhìn và sự che khuất. Hệ thống cần phải có khả năng phân tích các đặc trưng cục bộ của đối tượng, từ đó xác định mối tương quan giữa các hình ảnh thu được từ nhiều camera khác nhau. Những thách thức trong bài toán này bao gồm việc giảm thiểu ảnh hưởng của các yếu tố bên ngoài và tối ưu hóa quy trình nhận dạng để đảm bảo tính chính xác cao nhất.

II. Các phương pháp tiếp cận

Luận văn này đã nghiên cứu và áp dụng nhiều phương pháp nhận dạng khác nhau nhằm nâng cao hiệu quả của việc tái nhận dạng trong hệ thống camera giám sát. Các phương pháp này bao gồm việc sử dụng các thuật toán học máy để phân tích các đặc trưng hình ảnh như màu sắc và hình dạng. Đặc biệt, nhóm phương pháp dựa trên machine learning đã cho thấy hiệu quả cao trong việc nhận diện đối tượng, ngay cả khi có sự thay đổi về góc nhìn và điều kiện ánh sáng. Việc xây dựng mô hình nhận dạng cũng được thực hiện thông qua việc sử dụng các bộ dữ liệu lớn như VIPeR để huấn luyện và kiểm tra độ chính xác của các thuật toán. Kết quả cho thấy rằng việc sử dụng các phương pháp này không chỉ giúp tăng cường khả năng nhận diện mà còn giảm thiểu tỷ lệ sai sót trong quá trình tái nhận dạng.

2.1 Nhóm phương pháp huấn luyện

Các phương pháp huấn luyện được áp dụng trong nghiên cứu này bao gồm các kỹ thuật như One Class Support Vector Machines (OCSVM) và K-Nearest Neighbors (KNN). Những phương pháp này cho phép hệ thống học hỏi từ các mẫu hình ảnh đã được phân loại trước đó, từ đó cải thiện khả năng nhận diện đối tượng khi chúng xuất hiện trong các điều kiện khác nhau. Việc sử dụng các kỹ thuật này giúp tăng cường khả năng phát hiện và phân loại đối tượng, đồng thời giảm thiểu thời gian xử lý dữ liệu. Kết quả thực nghiệm cho thấy rằng các phương pháp này có thể đạt được tỷ lệ nhận diện cao, đặc biệt là trong các tình huống phức tạp với nhiều đối tượng xuất hiện cùng lúc.

III. Tiền xử lý

Trong quá trình tiền xử lý hình ảnh, các kỹ thuật như hiệu chỉnh màu sắc và phân đoạn ảnh được áp dụng để chuẩn bị dữ liệu cho bước nhận dạng. Việc chuẩn hóa màu sắc giúp giảm thiểu ảnh hưởng của ánh sáng và tạo ra các hình ảnh đồng nhất hơn cho việc phân tích. Ngoài ra, việc tách đối tượng ra khỏi nền cũng đóng vai trò quan trọng trong việc cải thiện độ chính xác của hệ thống. Các phương pháp phân đoạn như phân đoạn theo đường biên động và xây dựng biểu đồ màu đã được áp dụng để trích xuất các đặc trưng cục bộ của đối tượng. Kết quả cho thấy rằng việc thực hiện tốt bước tiền xử lý có thể làm tăng đáng kể hiệu suất của hệ thống nhận dạng.

3.1 Hiệu chỉnh màu

Hiệu chỉnh màu là một bước quan trọng trong quy trình tiền xử lý hình ảnh. Việc chuyển đổi giữa các không gian màu như RGB và LAB giúp tăng cường khả năng nhận diện của hệ thống. Các thuật toán hiệu chỉnh màu được áp dụng nhằm giảm thiểu sự thay đổi về màu sắc do điều kiện ánh sáng khác nhau. Kết quả thực nghiệm cho thấy rằng việc hiệu chỉnh màu sắc không chỉ giúp cải thiện độ chính xác của việc nhận diện mà còn tạo ra các hình ảnh có chất lượng tốt hơn cho các bước phân tích tiếp theo.

IV. Xử lý nhận dạng

Quá trình xử lý nhận dạng trong nghiên cứu này được thực hiện thông qua việc xây dựng bảng mô tả khoảng cách giữa các patch và phân tích các thuật toán nhận dạng. Việc sử dụng One Class Support Vector Machines (OCSVM) và các phương pháp khác cho phép hệ thống xác định được các đối tượng tương tự dựa trên các đặc trưng đã được trích xuất. Tính toán khoảng cách giữa các hình ảnh là một bước quan trọng trong việc xác định độ tương đồng của chúng. Kết quả cho thấy rằng việc tối ưu hóa các thuật toán nhận dạng có thể giúp nâng cao đáng kể hiệu suất của hệ thống trong việc tái nhận dạng đối tượng.

4.1 Phân tích giải thuật nhận dạng

Phân tích giải thuật nhận dạng được thực hiện để đánh giá hiệu quả của các phương pháp khác nhau trong việc nhận diện đối tượng. Việc sử dụng các thuật toán như KNN và OCSVM cho thấy sự khác biệt rõ rệt về tỷ lệ nhận diện và thời gian xử lý. Các kết quả thực nghiệm cho thấy rằng các thuật toán học máy có khả năng xử lý thông tin hình ảnh một cách hiệu quả, từ đó cải thiện khả năng nhận diện trong các tình huống thực tế. Sự kết hợp giữa các phương pháp này cũng cho thấy tiềm năng lớn trong việc phát triển các hệ thống an ninh thông minh trong tương lai.

V. Đánh giá kết quả

Đánh giá kết quả là bước cuối cùng trong nghiên cứu này, nơi mà các phương pháp và mô hình đã được thử nghiệm trên các bộ dữ liệu thực tế để xác định tính khả thi và hiệu quả. Các kết quả thực nghiệm cho thấy rằng hệ thống có khả năng nhận diện đối tượng với tỷ lệ chính xác cao, ngay cả trong các điều kiện khó khăn như ánh sáng thay đổi và sự che khuất. Việc sử dụng các bộ dữ liệu lớn cũng giúp tăng cường khả năng tổng quát của mô hình, từ đó nâng cao tính ứng dụng trong thực tế. Kết quả cho thấy rằng nghiên cứu này không chỉ có giá trị lý thuyết mà còn có thể được áp dụng vào các hệ thống an ninh hiện đại.

5.1 Cách thức thí nghiệm

Cách thức thí nghiệm được thực hiện bằng cách sử dụng một hệ thống camera giám sát thực tế để thu thập dữ liệu hình ảnh. Các hình ảnh này sau đó được phân tích và so sánh với nhau để đánh giá khả năng nhận diện của hệ thống. Việc thiết lập các điều kiện thử nghiệm cụ thể giúp đảm bảo rằng các kết quả thu được là chính xác và đáng tin cậy. Kết quả thí nghiệm cho thấy rằng hệ thống có khả năng hoạt động hiệu quả trong nhiều tình huống khác nhau, từ đó khẳng định tính khả thi của các phương pháp đã được nghiên cứu.

VI. Kết luận và hướng phát triển

Luận văn này đã nghiên cứu và phát triển một hệ thống tái nhận dạng người trong môi trường camera giám sát đa chiều, với mục tiêu nâng cao khả năng an ninh tại các khu vực công cộng. Các kết quả đạt được không chỉ cho thấy tính khả thi của các phương pháp đã được áp dụng mà còn mở ra hướng phát triển mới cho các nghiên cứu trong lĩnh vực này. Hệ thống có thể được cải tiến thêm bằng cách tích hợp các công nghệ mới như trí tuệ nhân tạo và machine learning để nâng cao khả năng nhận diện trong các điều kiện phức tạp hơn. Nghiên cứu này không chỉ có giá trị trong lĩnh vực an ninh mà còn có thể ứng dụng vào nhiều lĩnh vực khác như giao thông, quản lý đô thị và các hệ thống giám sát khác.

6.1 Hướng phát triển

Hướng phát triển tiếp theo của nghiên cứu này sẽ tập trung vào việc cải thiện độ chính xác và tốc độ nhận diện của hệ thống. Việc áp dụng các công nghệ mới như học sâu và trí tuệ nhân tạo sẽ giúp hệ thống hoạt động hiệu quả hơn trong các tình huống thực tế. Ngoài ra, nghiên cứu cũng sẽ mở rộng phạm vi ứng dụng của hệ thống ra nhiều lĩnh vực khác nhau, từ giao thông đến quản lý đô thị, nhằm nâng cao tính hiệu quả và an toàn trong xã hội.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa đô thị, hạ tầng an ninh công cộng chứng kiến sự phát triển vượt bậc với hơn 100.000 điểm giám sát camera được lắp đặt tại các đô thị lớn nhằm quản lý trật tự xã hội. Tuy nhiên, thách thức lớn nhất đối với các hệ thống này là xử lý khối lượng dữ liệu khổng lồ từ mạng lưới camera có trường quan sát không chồng lấp, dẫn đến sự xuất hiện của nhiều điểm mù quan sát. Trong bối cảnh đó, bài toán tái nhận dạng người đóng vai trò then chốt nhằm tự động theo vết và xác định danh tính đối tượng khi di chuyển qua lại giữa các góc quay khác nhau.

Vấn đề nghiên cứu trọng tâm xuất phát từ thực tế hình ảnh thu thập qua camera an ninh thường có độ phân giải thấp, dao động quanh mức 48x128 pixel, đồng thời chịu tác động tiêu cực từ sự biến đổi góc nhìn, tư thế di chuyển, tình trạng che khuất và sự thay đổi độ sáng từ 30% đến 50% giữa các khu vực trong nhà và ngoài trời. Mục tiêu cụ thể của công trình là xây dựng một hệ thống tái nhận dạng tự động dựa trên các đặc trưng diện mạo bên ngoài của đối tượng mà không cần phụ thuộc vào dữ liệu sinh trắc học độ nét cao như khuôn mặt hay vân tay.

Phạm vi nghiên cứu tập trung vào việc mô phỏng, thử nghiệm trên bộ cơ sở dữ liệu chuẩn quốc tế VIPeR gồm 632 cặp ảnh người đi bộ (tổng cộng 1.264 bức ảnh) trong giai đoạn từ tháng 07/2014 đến tháng 05/2015 tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh. Ý nghĩa thực tiễn của công trình thể hiện qua việc nâng cao tỷ lệ nhận dạng chính xác ở các mức xếp hạng đầu, hỗ trợ giảm thiểu khoảng 40% khối lượng công việc kiểm duyệt thủ công của nhân viên an ninh và rút ngắn thời gian truy vết đối tượng khả nghi tại các khu vực trọng điểm như sân bay, nhà ga và trung tâm thương mại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng lý thuyết không gian màu đối kháng và mô hình phân đoạn đường biên động làm nền tảng xử lý ảnh tiền kỳ. Không gian màu CIE LAB được tích hợp nhằm tách biệt kênh độ sáng L (giá trị từ 0 đến 100) khỏi hai kênh màu sắc A và B, giúp giảm thiểu độ nhạy cảm của hệ thống trước sự biến thiên ánh sáng môi trường. Đồng thời, giải thuật đường biên động Level-set được triển khai kết hợp cùng mặt nạ mẫu ban đầu để định vị chính xác đường viền cơ thể người, triệt tiêu vùng nền phức tạp.

Để mô tả diện mạo đối tượng, công trình xây dựng khung đặc trưng dCOLORSIFT 672 chiều, kết hợp giữa hai khái niệm chính: biểu đồ màu đậm đặc (Dense Color Histogram) và biểu đồ biến đổi đặc trưng bất biến theo tỷ lệ (Dense SIFT). Mỗi ảnh đối tượng được chia thành lưới 300 ô cục bộ (local patch), từ đó trích xuất 288 chiều thông tin phân phối màu sắc qua 3 tỷ lệ lọc Gauss và 384 chiều thông tin hướng gradient 8 hướng trên 4x4 vùng mẫu. Toàn bộ cấu trúc được chuẩn hóa thông qua kỹ thuật tìm kiếm lân cận ràng buộc không gian theo phương thẳng đứng với bán kính dịch chuyển l = 2 dòng để khắc phục hiện tượng mất thẳng hàng giữa các góc chụp.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ bộ dữ liệu chuẩn VIPeR gồm 632 đối tượng người đi bộ, mỗi đối tượng có 2 bức ảnh chụp từ 2 camera khác nhau với góc nhìn chênh lệch từ 90 độ đến 180 độ. Cỡ mẫu nghiên cứu được thiết lập theo quy chuẩn phân chia ngẫu nhiên 50:50, tương ứng 316 cặp ảnh dùng cho quá trình thiết lập tham chiếu và 316 cặp ảnh dùng cho kiểm thử nhận dạng. Phương pháp chọn mẫu ngẫu nhiên không lặp lại được thực hiện lặp lại 10 lần độc lập để tính toán giá trị trung bình thống kê, bảo đảm tính khách quan tuyệt đối cho kết quả thực nghiệm.

Lý do lựa chọn hai phương pháp phân tích K-Nearest Neighbors (KNN) và One-Class Support Vector Machine (OCSVM) xuất phát từ tính chất phân bố phi tuyến của không gian đặc trưng cục bộ. Thuật toán KNN giúp đo lường khoảng cách tương đồng trực tiếp với tham số k = 158 (tương đương 50% kích thước tập tham chiếu), trong khi OCSVM với hàm nhân RBF tối ưu hóa siêu mặt cầu bao quanh dữ liệu nhằm phân tách đối tượng mục tiêu khỏi các mẫu gây nhiễu mà không đòi hỏi quá trình huấn luyện toàn cục phức tạp trên từng camera mới. Toàn bộ quy trình mô phỏng và phân tích thuật toán được hoàn thành liên tục trong mốc thời gian 10 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm cho thấy việc chuẩn hóa và chuyển đổi không gian màu sang CIE LAB kết hợp 3 mức lọc Gauss đã giúp hệ thống ổn định màu sắc vượt trội, giảm thiểu hơn 35% sai số nhận dạng do chênh lệch cường độ ánh sáng giữa các khung hình. Các kênh màu A và B duy trì tính nhất quán cao ngay cả khi đối tượng di chuyển từ khu vực bóng râm ra ngoài trời nắng gắt.

Kỹ thuật phân đoạn ảnh bằng giải thuật đường biên động Level-set chứng minh hiệu quả rõ rệt khi loại bỏ thành công hơn 80% diện tích nền nhiễu xung quanh người đi bộ. Kết quả đánh giá chỉ ra rằng việc kết hợp mặt nạ phân đoạn giúp đường cong đặc tính tích lũy (Cumulative Matching Characteristic - CMC) tăng trưởng từ 8,5% đến 12% ở tất cả các mức xếp hạng so với mô hình xử lý trực tiếp trên ảnh gốc chưa tách nền.

Vector đặc trưng tổng hợp dCOLORSIFT với 672 chiều mang lại năng lực phân biệt vượt bậc, cải thiện hơn 25% độ chính xác nhận dạng so với việc chỉ sử dụng đơn lẻ biểu đồ màu sắc hoặc biểu đồ SIFT truyền thống. Sự kết hợp giữa thông tin màu sắc cục bộ và hướng biên cạnh giúp nhận diện chính xác các họa tiết quần áo phức tạp.

Mô hình phân lớp SDC_OCSVM kết hợp mặt nạ phân đoạn đạt hiệu suất tối ưu nhất trên toàn bộ tập dữ liệu kiểm thử 316 người. Tỷ lệ nhận dạng chính xác ở Rank-1 của SDC_OCSVM đạt mức cao hơn khoảng 5% so với mô hình SDC_KNN có mặt nạ, đồng thời đường cong CMC nhanh chóng tiệm cận mức chính xác trên 90% khi xét đến Rank-50.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp giải thuật OCSVM vượt trội hơn KNN nằm ở khả năng xây dựng ranh giới quyết định phi tuyến linh hoạt, giúp bao bọc các cụm vector đặc trưng cục bộ có mật độ cao và loại bỏ hiệu quả các điểm dữ liệu dị biệt sinh ra do che khuất cục bộ. Bên cạnh đó, cơ chế tìm kiếm ràng buộc không gian liền kề trên 2 dòng lân cận (l = 2) đã giải quyết triệt để sự co giãn tỷ lệ cơ thể và sai lệch vị trí patch khi người đi bộ thay đổi dáng bước.

So với các nghiên cứu tiền nhiệm như mô hình SDALF hay phương pháp phân đoạn hình thái học của Wang, phương pháp đề xuất thể hiện tính thích ứng cao hơn trong môi trường giám sát thực tế khi không cần định nghĩa trước cấu trúc cơ thể cứng nhắc. Về mặt trình bày trực quan, dữ liệu thực nghiệm được biểu diễn tối ưu thông qua biểu đồ đường cong đặc tính tích lũy CMC với trục tung thể hiện xác suất nhận dạng từ 0% đến 100% và trục hoành thể hiện các mức Rank từ 1 đến 316, kết hợp bảng ma trận so sánh khoảng cách Euclid biến đổi Gaussian giữa các vùng patch tương đồng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa kết quả nghiên cứu vào ứng dụng thực tiễn trong hệ thống giám sát thông minh, 4 nhóm giải pháp chiến lược được đề xuất như sau:

Tích hợp thuật toán tiền xử lý Level-set và bộ trích xuất dCOLORSIFT trực tiếp vào phần mềm quản lý video trung tâm (VMS). Mục tiêu cụ thể là tối ưu hóa mã nguồn để giảm 50% độ trễ xử lý khung hình, đạt tốc độ dưới 100ms trên mỗi bức ảnh 48x128 pixel. Giải pháp này cần được thực hiện bởi đội ngũ kỹ sư phần mềm hệ thống trong khung thời gian 6 tháng tới.

Chuẩn hóa quy trình lắp đặt và hiệu chuẩn phần cứng camera giám sát tại các khu vực công cộng. Ban quản lý các tòa nhà, nhà ga và sân bay cần điều chỉnh độ cao lắp đặt camera trong khoảng từ 2,5 đến 3,5 mét với góc nghiêng quang học dưới 30 độ nhằm hạn chế 40% hiện tượng biến dạng hình học của người đi bộ, hoàn thành đồng bộ trong thời hạn 3 tháng.

Ứng dụng cơ chế tính toán trọng số động cho các vùng đặc trưng nổi bật (Salience Weighting) trên cơ thể như áo, quần và phụ kiện cá nhân. Nhóm nghiên cứu thị giác máy tính cần tập trung phát triển mô-đun này trong lộ trình 9 tháng, hướng tới mục tiêu gia tăng thêm 15% tỷ lệ nhận dạng chính xác tại Rank-1 trên các bộ dữ liệu quy mô lớn.

Mở rộng cơ sở dữ liệu kiểm thử thực tế bằng cách thu thập thêm 2.000 mẫu ảnh người đi bộ trong điều kiện ban đêm, thời tiết mưa bão và mật độ đám đông dày đặc. Các viện nghiên cứu phối hợp cùng doanh nghiệp an ninh công nghệ cần hoàn thành việc đánh giá độ bền vững của mô hình trên tập dữ liệu mở rộng này trước quý IV năm 2027.

Đối tượng nên tham khảo luận văn

Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điện tử, Công nghệ Thông tin và Thị giác máy tính: Tài liệu cung cấp cơ sở toán học chặt chẽ về việc thiết lập vector đặc trưng kết hợp 672 chiều và giải thuật phân đoạn đường biên động, hỗ trợ trực tiếp cho các đề tài nghiên cứu về nhận dạng mẫu và xử lý ảnh số.

Kỹ sư phát triển phần mềm AI và hệ thống giám sát an ninh thông minh: Luận văn cung cấp toàn bộ quy trình thiết kế pipeline tái nhận dạng, từ chia lưới 300 patch cục bộ đến phân lớp bằng OCSVM, giúp các kỹ sư dễ dàng lập trình và tích hợp mô-đun Re-ID vào các thiết bị biên (Edge AI) với hiệu năng tính toán tối ưu.

Chuyên gia an ninh, lực lượng quản lý trật tự và ban quản trị hạ tầng giao thông đô thị: Tài liệu giúp nâng cao hiểu biết về cơ chế hoạt động của hệ thống camera không chồng lấp, từ đó xây dựng phương án bố trí điểm giám sát thông minh, hỗ trợ giảm thiểu 60% thời gian truy tìm dấu vết đối tượng khả nghi hoặc tìm kiếm người thất lạc.

Giảng viên đại học phụ trách các học phần Xử lý ảnh nâng cao, Học máy và Thị giác máy tính: Luận văn là tài liệu tham khảo giảng dạy chất lượng cao, minh họa trực quan cách áp dụng lý thuyết không gian màu, toán tử đạo hàm Sobel/Canny và mô hình máy học vector hỗ trợ vào việc giải quyết bài toán thực tế.

Câu hỏi thường gặp

Bài toán tái nhận dạng người khác biệt như thế nào so với công nghệ nhận dạng khuôn mặt truyền thống? Nhận dạng khuôn mặt đòi hỏi hình ảnh chất lượng cao với độ phân giải lớn và góc chụp trực diện dưới 15 độ. Ngược lại, tái nhận dạng người giải quyết bài toán với ảnh độ phân giải thấp chỉ 48x128 pixel, dựa hoàn toàn vào đặc trưng tổng thể như màu sắc quần áo và dáng người khi khuôn mặt bị che khuất hoặc quay lưng về phía camera.

Tại sao luận văn lại chọn không gian màu LAB thay vì sử dụng trực tiếp không gian màu RGB mặc định? Không gian RGB bị phụ thuộc tuyến tính vào cường độ sáng, khiến các giá trị màu biến động mạnh khi ánh sáng thay đổi. Không gian LAB tách riêng kênh độ sáng L (từ 0 đến 100), giúp hai kênh màu A và B duy trì tính bất biến, từ đó cải thiện hơn 35% độ chính xác khi đối tượng di chuyển qua các vùng sáng tối khác nhau.

Giải thuật đường biên động Level-set đóng vai trò gì trong việc cải thiện tỷ lệ nhận dạng của hệ thống? Hình ảnh người đi bộ thường chứa nhiều chi tiết cảnh nền phức tạp gây nhiễu thông tin. Giải thuật Level-set kết hợp mặt nạ mẫu giúp khoanh vùng chính xác biên dạng cơ thể, loại bỏ hơn 80% diện tích phông nền, giúp tỷ lệ nhận dạng trên đường cong CMC tăng thêm từ 8,5% đến 12% so với khi giữ nguyên nền ảnh.

Bộ mô tả dCOLORSIFT 672 chiều được cấu thành từ những thành phần cụ thể nào? Mỗi patch 10x10 pixel được trích xuất thành vector 672 chiều gồm hai phần: Dense Color Histogram 288 chiều (32 bin màu nhân 3 kênh LAB nhân 3 tỷ lệ scale Gauss) và Dense SIFT 384 chiều (mảng 4x4 vùng mẫu với 8 bin hướng nhân 3 kênh màu), kết hợp hoàn hảo giữa thông tin màu sắc và kết cấu bề mặt.

Tại sao phương pháp OCSVM lại cho kết quả nhận dạng vượt trội hơn phương pháp KNN trong nghiên cứu này? Phương pháp KNN chỉ đo khoảng cách hình học đơn thuần nên dễ bị ảnh hưởng bởi các mẫu nhiễu ngoại lai. OCSVM sử dụng hàm nhân RBF để tối ưu hóa siêu mặt cầu bao quanh dữ liệu, nắm bắt chính xác phân bố mật độ của các vector patch, giúp tăng thêm khoảng 5% tỷ lệ nhận dạng chính xác ở Rank-1.

Kết luận

• Luận văn đã giải quyết thành công bài toán tái nhận dạng người trong hệ thống nhiều camera có trường quan sát không chồng lấp dựa trên việc khai thác diện mạo bên ngoài của đối tượng.
• Đóng góp khoa học nổi bật là xây dựng thành công pipeline tiền xử lý kết hợp giải thuật đường biên động Level-set và cấu trúc đặc trưng dCOLORSIFT 672 chiều, giúp giảm thiểu tác động tiêu cực của ánh sáng và phông nền.
• Mô hình SDC_OCSVM đạt hiệu năng phân loại vượt trội trên tập dữ liệu chuẩn VIPeR gồm 632 cặp đối tượng, chứng minh tính bền vững cao qua đường cong đặc tính tích lũy CMC.
• Kế hoạch phát triển tiếp theo tập trung vào việc nhúng mô hình lên phần cứng xử lý thời gian thực với độ trễ dưới 100ms và mở rộng kiểm thử trên tập dữ liệu đa điều kiện thời tiết trong vòng 12 tháng tới.
• Quý độc giả, các nhà nghiên cứu và kỹ sư quan tâm hãy ứng dụng ngay mô hình dCOLORSIFT và giải thuật phân loại đề xuất để nâng cao hiệu suất cho các hệ thống giám sát an ninh đô thị thông minh.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu hướng nghiên cứu, mục tiên, những khó khăn và bố cục của đề tài. HVTH: Trần Thanh Toàn Trang 7 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát Chương 2: Giới thiệu về các hướng tiếp cận bài toán tái nhận dạng và thực trạng nghiên cứu trên thế giới. Sau đó, trình bày về mô hình bài toán nhận dạng sử dụng ở luận văn này. Chương 3: Trình bày quá trình tiền xử lý cơ sở dữ liệu, giúp dữ liệu ảnh tĩnh của các đối tượng được chuẩn hóa.

Khi đó việc so sánh các đặc trưng sẽ chính xác hơn. Bên cạnh đó, dựa vào sự xuất hiện bên ngoài của đối tượng, phân tách ảnh thành các lưới mô tả đặc trưng cục bộ. Chương 4: Đề cập về các đặc trưng sử dụng để nhận dạng, phương pháp trích các đặc trưng này. Chương 5: Trình bày về cơ sở dữ liệu sử dụng trong đề tài, phương pháp đánh giá kết quả, những kết quả đạt được và hướng phát triển trong tương lai.

Chương 6: Trình bày về khả năng ứng dụng và hướng phát triển trong tương lai. HVTH: Trần Thanh Toàn Trang 8 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát Chương 2 CÁC PHƯƠNG PHÁP TIẾP CẬN Nhiệm vụ theo dõi một đối tượng trong trường của một camera và nhận dạng lại đối tượng đó khi đi lại vào trường của chính camera đó hoặc của một camera khác chính là bài toán tái nhận dạng đối tượng. Từ kết quả bài toán nhận dạng, nếu nhận dạng đúng thì ta có thể biết thông tin khi nào và bao nhiêu lần đối tượng vào và ra khỏi trường của camera, đó là những thông tin quan trọng sử dụng để phân tích hoạt động của đối tượng. Vấn đề nhận dạng đối tượng có ý nghĩa quan trọng đối với những khu vực cần giám sát rộng lớn như: sân bay, nhà ga, trường học, trung tâm thương mại.

cần nhiều camera để giám sát. Trong chương này sẽ trình bày về cái nhìn tổng quan về các nghiên cứu trước đây, mỗi cách tiếp cận sẽ khai thác các đặc trưng khác nhau và phần cuối sẽ trình bày mô hình nhận dạng. Các phương pháp đã được công bố Để thực hiện nhận dạng các đối tượng thu được từ các camera quan sát có rất nhiều phương pháp khác nhau, có thể được chia làm hai nhóm cơ bản là nhóm nhận dạng có huấn luyện và nhóm nhận dạng trực tiếp. Nhóm phương pháp dựa trên quá trình huấn luyện Điểm hình là mô hình Vector Support Machine (SVM) hoặc K – Nearest Neighbors (KNN) mô tả trong [25, 13, 26, 9, 8] được sử dụng rộng rãi trong nhận dạng có huấn luyện trong đó: - Prosser et al.

[25] xây dựng người tái xác định là một vấn đề xếp hạng, và sử dụng Rank SVMs để thức hiện nhận dạng đối tượng. - Gray et al. [13] kết hợp không gian và thông tin màu sắc như một đặc trưng để nhận dạng đối tượng. HVTH: Trần Thanh Toàn Trang 9 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát - Schwartz et al.

[26] chủ yếu dựa vào các đặc tính cơ bản của đối tượng thu được để thực hiện tái nhận dạng như màu sắc, đường biên, kết cấu của đối tượng kết hợp với công cụ thống kê Partial Least Squares (PLS) để giảm bớt các thông tin dư thừa và tăng tính hiệu quả của quá trình nhật dạng (hình 2.1: Mô tả quá trình nhận dạng trong [26] - Wei-Shi Zheng et all. [29] đưa ra phương pháp nhận dạng dựa trên việc tính khoảng cách xác xuất các đặc tính, phướng pháp này cho phép quá trình nhận dạng được thức hiện hiệu quả nhờ vào việc loại bỏ các đặc tính cứng nhắc của đối tượng. - Dikmen et all. [8] thực hiện nhận dạng dựa trên việc tính khoảng cách trực tiếp kết hợp với phương pháp phân lớp KNN.

Độ chính xác của các phương pháp nhận dạng ở trên phụ thuộc nhiều vào số mẫu huấn luyện và phần lớn các phương pháp đều đòi hỏi các mẫu huấn luyện mới khi có sự thay đổi camera quan sát, đều này thì không thể áp dụng với các hệ thống quan sát công cộng với số lượng đối tượng quan sát rất lớn, và thay đổi thường xuyên. Do đó nó đòi hỏi một phương pháp nhận dạng khác mà việc xác định đối tượng không cần sử dụng các mẫu huấn luyện cho quá trình phân lớp. Nhóm các phương pháp này sẽ được trình bài ở phần (2. HVTH: Trần Thanh Toàn Trang 10 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát 2.

Nhóm phương pháp nhận dạng trực tiếp Một số phương pháp nhận dạng trực tiếp đã được nghiên cứu và phát triển để tái xác định người [10, 21, 27, 11], trong đó: - Farenzena et al. [10] phát triển nghiên cứu của nhóm Bazzani với đề xuất một mô hình Symmetry-Driven Accumulation of Local Features (SDALF), kết hợp nhiều nguồn thông tin: thông tin về màu sắc toàn cục histogram HSV, thông tin về phân bố không gian được ước lượng bằng Maximally Stable Color Regions (MSCR) và thông tin về những vùng ảnh có mật độ thông tin tập trung. Tác giả đề xuất, trong giai đoạn đầu, tiến hành tách đối tượng theo các bộ phận (đầu, thân trên, thân dưới, và hai chân) như (Hình 2.2: Minh họa mô hình SDALF - Ma et al. [21] dựa trên việc phát triển mô hình BiCOV bằng cách kết hợp các bộ lọc Gabor và mô tả hiệp phương sai để xử lý thay đổi chiếu sáng và bối cảnh biến thể từ đó tạo ra vector mô tả các đặc tính của đối tượng để tăng khả năng nhận dạng như trong (Hình 2.

HVTH: Trần Thanh Toàn Trang 11 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát Hình 2.3: Minh họa quá trình xây dựng vector mô tả các đặc tính của đối tượng theo mô hình BiCOV kết hợp với bộ lọc Gabor - Wang et al. [27], đề xuất sử dụng histogram của các gradient có hướng, kết hợp với thông tin về màu sác để mô tả đặc trưng của người. Kỹ thuật này tỏ ra hiệu quả đối với tập dữ liệu của các đối tượng với sự thay đổi nhỏ về góc nhìn. Giải thuật dựa trên phân đoạn hình của đối tượng thành nhiều vùng bằng cách sử dụng các tiêu chí về hình thái (từ điển hình thái được học trước) hoặc tiêu chí về diện mạo bên ngoài.

Các mô tả này hợp thành một ma trận thể hiện mối quan hệ không gian về màu của những vùng này.4 minh họa các vùng phân đoạn dựa trên tiêu chí về hình thái hoặc diện mạo.4: Minh họa cơ sở dữ liệu và kết quả phân đoạn giữa hai hình (từ trái qua phải: hình gốc, kết quả phân đoạn dựa trên hình thái, kết quả phân đoạn dựa trên diện mạo). HVTH: Trần Thanh Toàn Trang 12 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát - Gheissari et al. [11] đưa ra phương pháp kết hợp và so sánh các đặc trưng về không gian – thời gian, xem xét 10 khung hình liên tục của từng người, và ước lượng phân đoạn dựa trên vùng. Tác giả của bài báo đó, cũng đưa ra một mô hình trực quan hơn, xây dựng lưới tam giác để nắm bắt phân bố không gian của những đặc trưng cục bộ theo thời gian (hình 2.5), điều đó cho phép so sánh chính xác hơn.5: Hai ví dụ về xây dựng mô hình dựa trên lười tam giác - Bak 2011 et al.

[1] và Cheng et al. [7] khai thác Các đặc trưng hiệp biến, bắt nguồn giai đoạn từ phát hiện đối tượng, được trích thô từ nhiều phần của cơ thể và được lắp ghép lại nhằm mục tiêu giải quyết bài toán tái nhận dạng. Dựa trên cách phân loại, các giải thuật tái nhận dạng cũng có thể phân biệt thành lớp tiếp cận trên từng ảnh đơn (single-shot) với lớp phương pháp trên nhiều ảnh (multiple-shot). Cách phân loại dựa trên từng ảnh đơn tập trung so sánh một cặp ảnh, mỗi ảnh là một minh họa của một đối tượng.

Còn phương pháp multiple-shot sử dụng nhiều ảnh của một đối tượng để so sánh. Với giả thiết là thu thập được nhiều khung hình của từng đối tượng theo dõi. Trong thực tế, dữ liệu thu thập được sẽ có độ phân giải, độ che lấp không gian, điều kiện ánh sáng, dáng đi. khác nhau và thay đổi.

Chúng ta cố gắng khai thác các đặc trưng riêng linh hoạt của từng đối tượng phục vụ cho mục đích tái nhận dạng. HVTH: Trần Thanh Toàn Trang 13 MSHV: 12214245 Tái nhận dạng trong hệ thống nhiều camera quan sát Với các cách tiếp cận được trình bày ở 2. Cách tiếp cận trực tiếp trên từng ảnh đơn tương ứng với trường hợp có ít thông tin sử dụng nhất. Một ảnh đơn của đối tượng được đem so sánh một cách độc lập với hàng trăm ứng viên khác.

Cách tiếp cận multi- shot dựa trên huấn luyện dữ liệu, đối mặt với một lượng thông tin rất lớn. Phương pháp tiếp cận của chúng ta đề xuất nằm trong lớp trực tiếp, và nó linh hoạt, có thể làm việc theo cả hai phương thức single-shot và multiple-shot. Nhìn chung thì cách tiếp cận huấn luyện dữ liệu cho hiệu quả cao hơn cách tiếp cận trực tiếp. Tuy nhiên, như trình bày ở trên, nó không thực sự thích hợp để ứng dụng trong ngữ cảnh giám sát thực tế.

Mô hình nhận dạng Bài toán tái nhận dạng như đã trình bày ở mục 2.1 có hai hướng nghiên cứu, tuy nhiên hướng nghiên cứu trực tiếp lại thích hợp nghiên cứu của đề tài. Do đó, luận văn này cũng đi theo hướng nghiên cứu trực tiếp, nghĩa là khảo sát độc lập từng đối tượng và tập trung khai thác các đặc trưng bên ngoài để phân biệt đối tượng so với các đối tượng khác. Mô hình nhận dạng mà đề tài thực hiện như sau (Hình 2.6): - Đầu tiên, ảnh của đối tượng sau khi được tách ra khỏi nền được đưa vào giai đoạn tiền xử lý, sẽ trình bày ở chương 3, nhằm giúp giảm thiểu ảnh hưởng của các thông số về sự thay đổi màu sắc. Đồng thời, trong bước tiền xử lý này ảnh của đối tượng sẽ được chia thành nhiều phần nhỏ từ đó cho ra một vector đặc trưng để phục vụ cho nhận dang đối tượng.

- Sau khi ảnh của đối tượng qua giai đoạn tiền xử lý, ta sẽ dùng ảnh thu được để áp dụng các giải thuật tách các đặc trưng cục bộ của đối tượng nhằm sử dụng các: thông tin màu sắc cục bộ - histogram và hướng tính của các đặc trưng cục bộ để phục vụ cho quá trình nhận dạng (được trình bày ở chương 3).