Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và tự động hóa an ninh, các hệ thống giám sát hình ảnh đang đối mặt với sự bùng nổ mạnh mẽ về mặt quy mô khi số lượng camera quan sát tại các đô thị tăng trưởng hơn 25% mỗi năm. Tuy nhiên, hơn 80% hệ thống giám sát truyền thống hiện nay vẫn phụ thuộc hoàn toàn vào việc theo dõi thủ công của con người. Điều này dẫn đến sự suy giảm nghiêm trọng về độ tập trung, gia tăng sai sót do mệt mỏi và làm chi phí nhân sự vận hành đội ngũ an ninh tăng cao từ 40% đến 60%. Hơn nữa, việc chỉ ghi hình thụ động khiến hệ thống không thể ngăn chặn kịp thời các hành vi nguy hiểm như trộm cắp, phá hoại tài sản hay đột nhập trái phép trước khi hậu quả xảy ra.

Nhằm giải quyết triệt để những thách thức trên, đề tài tập trung nghiên cứu và xây dựng khung giải thuật nhận dạng hành vi con người tự động dựa trên quỹ đạo chuyển động trong hệ thống giám sát thông minh. Mục tiêu cốt lõi của nghiên cứu là thiết kế quy trình xử lý thị giác máy tính khép kín, bao gồm ba giai đoạn: phát hiện đối tượng chuyển động, theo vết đối tượng trong điều kiện tương tác phức tạp và phân tích, dự đoán ý đồ hành vi cũng như phát hiện các hành vi bất thường.

Phạm vi nghiên cứu được thực nghiệm trong khoảng thời gian từ tháng 01/2013 đến tháng 06/2013 tại khuôn viên Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh. Dữ liệu không gian thực tế được ánh xạ vào một mô hình khu dân cư hoàn chỉnh gồm 10 địa điểm chức năng trọng yếu như nhà dân, ngân hàng, máy ATM, cửa hàng điện thoại, siêu thị và các lối ra vào. Kết quả nghiên cứu mang lại giá trị khoa học vững chắc khi mô hình hóa thành công chuỗi hành vi không gian - thời gian, đồng thời mở ra giải pháp thực tiễn giúp cắt giảm đến 70% khối lượng công việc giám sát thủ công và nâng cao năng lực phản ứng an ninh trong thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa chặt chẽ giữa các nền tảng toán học xác suất, thị giác máy tính và trí tuệ nhân tạo. Mô hình lý thuyết trung tâm là Mô hình Markov Ẩn (Hidden Markov Model - HMM), một công cụ thống kê mạnh mẽ cho phép mô hình hóa các chuỗi quan sát biến thiên theo thời gian khi trạng thái thực sự của hệ thống không thể quan sát trực tiếp. Cấu trúc HMM bao gồm 5 thành phần cốt lõi: tập trạng thái ẩn, tập ký hiệu quan sát, ma trận xác suất chuyển trạng thái, ma trận xác suất phát xạ và vector phân phối xác suất ban đầu. Ba bài toán nền tảng của HMM được giải quyết triệt để thông qua các thuật toán kinh điển: thuật toán Forward-Backward cho bài toán đánh giá xác suất chuỗi quan sát, thuật toán Viterbi cho bài toán giải mã chuỗi trạng thái tối ưu và thuật toán Baum-Welch cho bài toán học máy ước lượng tham số.

Bên cạnh HMM, lý thuyết trừ nền không gian riêng (Eigenbackground Subtraction) dựa trên Phân tích thành phần chính (PCA) được ứng dụng để mô hình hóa khung cảnh nền. Phương pháp này biểu diễn nền động thông qua không gian riêng $M$ chiều được rút trích từ ma trận hiệp phương sai của $N$ ảnh mẫu, giúp hệ thống thích ứng tốt với sự thay đổi của ánh sáng. Ngoài ra, khung lý thuyết phân cấp hành vi dựa trên lý thuyết ngữ cảnh và quỹ đạo không gian định nghĩa hành vi con người như một chuỗi hành động có tính hướng đích, được lượng hóa qua các khái niệm: Foreground/Background, Blob đối tượng, vector chuyển động và ngưỡng xác suất bất thường.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu video thực nghiệm được thu thập trực tiếp bằng camera độ phân giải tiêu chuẩn, ghi nhận các chuỗi chuyển động liên tục của con người trong điều kiện ánh sáng tự nhiên ngoài trời. Cỡ mẫu nghiên cứu bao gồm 6 đối tượng di chuyển đồng thời với nhiều kịch bản tương tác phức tạp như đi đơn lẻ, đi thành nhóm, che khuất nhau và tách nhóm, trải dài trên hàng trăm khung hình video liên tiếp. Phương pháp chọn mẫu là chọn mẫu phi xác suất có chủ đích (purposive sampling), tập trung vào các tình huống mang tính thách thức cao trong giám sát an ninh thực tế nhằm kiểm định khả năng phân tách blob và nhận diện dị thường.

Lý do lựa chọn phương pháp phân tích kết hợp giữa Eigenbackground Subtraction, hàm lượng giá Matching Blobs và mô hình HMM xuất phát từ tính ưu việt của cấu trúc này. Eigenbackground Subtraction cho phép giảm thiểu đáng kể hiện tượng nhiễu nền và bóng đổ so với phương pháp trừ nền tĩnh đơn giản. Trong khi đó, việc kết hợp độ tương quan mức xám $C_o$ và góc chuyển hướng $\alpha_i$ với hệ số trọng số $\beta = 0.5$ trong thuật toán Matching Blobs giúp duy trì định danh đối tượng chính xác ngay cả khi xảy ra hiện tượng che khuất cục bộ. Toàn bộ quy trình nghiên cứu, xây dựng thuật toán và kiểm thử thực nghiệm được thực hiện xuyên suốt trong thời gian 6 tháng, bảo đảm tính logic và độ tin cậy khoa học cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã chứng minh hiệu quả vượt trội của khung giải thuật đề xuất thông qua 4 phát hiện khoa học quan trọng:

  • Phát hiện và phân đoạn đối tượng chính xác cao: Thuật toán Eigenbackground Subtraction tách thành công 100% các vùng chuyển động (foreground) thành các blob rõ nét, triệt tiêu hầu hết các lỗ trống (cavities) bên trong đối tượng và loại bỏ hiệu quả bóng đổ trong môi trường ánh sáng phức tạp.
  • Theo vết bền vững trong điều kiện che lấp và hợp nhất nhóm: Hệ thống xử lý xuất sắc các tình huống tương tác đa đối tượng phức tạp. Điển hình trong kịch bản thử nghiệm, khi Đối tượng 1 và Đối tượng 4 sát nhập thành nhóm 100, sau đó tiếp tục nhập chung với Đối tượng 2, thuật toán Matching Blobs vẫn lưu trữ chính xác trạng thái lịch sử. Khi nhóm tách ra, hệ thống nhận diện chính xác 100% định danh ban đầu của từng đối tượng mà không xảy ra hiện tượng mất dấu hay tráo đổi ID.
  • Dự báo đích đến với xác suất định lượng rõ ràng: Mô hình HMM phản ánh độ nhạy rất cao với hướng di chuyển của đối tượng. Khi một người di chuyển hướng về phía lối ra, xác suất dự báo hành vi tương ứng tăng dần đều theo thời gian thực từ mức ban đầu 0.15 lên đạt ngưỡng từ 0.85 đến 0.98 ngay trước khi đối tượng rời khỏi khung hình.
  • Phát hiện bất thường với độ tin cậy tuyệt đối: Giải thuật nhận diện dị thường đã phát hiện chính xác 100% các hành vi xâm nhập trái phép (như hành động bước qua bồn hoa cấm) và hành vi lảng vãng, di chuyển lặp đi lặp lại nhiều lần quanh một khu vực trọng yếu mà không hướng tới mục đích rõ ràng.

Thảo luận kết quả

Sự thành công của mô hình theo vết bắt nguồn từ việc thiết kế hàm lượng giá đa tham số, kết hợp giữa đặc trưng tương quan ảnh và vector hướng chuyển động. Khi hai người đi sát nhau tạo thành một blob lớn, hệ thống không xem đó là sự mất mát thông tin mà kích hoạt cơ chế quản lý nhóm, ghi nhớ ma trận màu sắc và vận tốc tức thời. Nhờ vậy, khi phân tách, hàm lượng giá so sánh giữa blob tách rời với các thành viên trong nhóm luôn đạt giá trị cực tiểu chính xác cho đúng đối tượng gốc.

Dữ liệu nghiên cứu được trực quan hóa sinh động thông qua hệ thống biểu đồ đường hai chiều (2D line charts) biểu diễn sự biến thiên xác suất của các hành vi theo trục thời gian $t$. Các đường cong xác suất thể hiện rõ xu hướng tăng trưởng tiệm cận 1.0 khi đối tượng tiến gần đến mục tiêu và giảm dần về 0 khi đối tượng rời xa khu vực đó. Bên cạnh đó, các bảng thống kê ma trận chuyển trạng thái và ma trận kiểm thử được thiết lập chi tiết, cho thấy sự tương quan chặt chẽ giữa lý thuyết toán học và thực tế chuyển động.

So với các nghiên cứu cùng thời chỉ sử dụng phương pháp theo vết dựa trên đường bao (contour-based) hoặc trừ nền đơn lẻ, giải pháp tích hợp PCA và HMM trong luận văn giúp giảm hơn 25% tỷ lệ lỗi mất dấu đối tượng và nâng cao độ chính xác nhận dạng hành vi dài hạn lên mức vượt trội.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, nghiên cứu đưa ra 4 nhóm giải pháp mang tính ứng dụng thực tiễn cao:

  • Mở rộng kiến trúc xử lý sang mạng lưới đa camera (Multi-camera Surveillance Network): Đội ngũ kỹ sư thị giác máy tính cần nghiên cứu triển khai giải thuật đồng bộ không gian - thời gian cho hệ thống từ 8 đến 12 camera phân tán. Mục tiêu là triệt tiêu điểm mù không gian, duy trì theo vết đối tượng liên tục trên toàn bộ khuôn viên khu đô thị với độ phủ giám sát đạt trên 95% trong lộ trình 12 tháng.
  • Tối ưu hóa thuật toán cho phần cứng biên (Edge AI Optimization): Các nhà phát triển hệ thống nhúng cần thực hiện rút gọn ma trận đặc trưng không gian riêng và lượng tử hóa tham số HMM. Giải pháp này hướng tới việc nâng tốc độ xử lý khung hình đạt trên 30 khung hình/giây (FPS) với độ trễ dưới 50 mili-giây trên các thiết bị camera thông minh độc lập trong vòng 6 tháng tới.
  • Tích hợp mô hình học sâu nhận dạng cử chỉ chi tiết (Deep Learning Integration): Trung tâm nghiên cứu và phát triển công nghệ an ninh nên kết hợp mô hình quỹ đạo HMM hiện tại với các mạng nơ-ron tích chập (CNN) hiện đại để phân tích cử động tay, chân và tư thế cơ thể. Đích đến là nâng độ chính xác nhận dạng các hành vi vi mô phức tạp (như vấp ngã, ẩu đả, cạy khóa) lên mức trên 92% trong thời gian 9 tháng.
  • Xây dựng và chuẩn hóa bộ dữ liệu hành vi giám sát thực tế (Benchmark Dataset): Các viện nghiên cứu và trường đại học chuyên ngành cần phối hợp xây dựng kho dữ liệu mở gồm hơn 500 video chuẩn hóa về các tình huống an ninh đặc thù tại Việt Nam trong vòng 6 tháng, tạo tiền đề vững chắc cho việc huấn luyện và kiểm thử các giải thuật thế hệ mới.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng chính:

  • Học viên cao học và Nghiên cứu sinh ngành Khoa học Máy tính & Trí tuệ Nhân tạo: Tài liệu cung cấp cơ sở lý thuyết hoàn chỉnh về mô hình HMM, các biến đổi đại số tuyến tính trong PCA/Eigenbackground và phương pháp thiết kế nghiên cứu thị giác máy tính chuẩn mực, phục vụ trực tiếp cho việc làm luận văn và công bố quốc tế.
  • Kỹ sư thị giác máy tính và Lập trình viên AI (Computer Vision Engineers): Tham khảo trực tiếp giải thuật Matching Blobs, công thức hàm lượng giá kết hợp vector hướng và cơ chế xử lý hợp nhất - phân tách nhóm đối tượng để áp dụng vào các sản phẩm camera an ninh thương mại.
  • Chuyên gia thiết kế giải pháp Tòa nhà thông minh & Khu đô thị (Smart City/Building Architects): Nắm bắt nguyên lý vận hành của hệ thống giám sát tự động để hoạch định kiến trúc an ninh thông minh, giúp giảm thiểu từ 60% đến 80% chi phí nhân lực trực ban màn hình và nâng cao năng lực kiểm soát rủi ro.
  • Nhà quản lý hạ tầng an ninh và Cơ quan điều hành trật tự công cộng: Có thêm cơ sở khoa học để đánh giá, thẩm định và phê duyệt các dự án đầu tư nâng cấp hệ thống camera giao thông, camera an ninh công cộng tại các địa bàn trọng điểm.

Câu hỏi thường gặp

Mô hình HMM đóng vai trò gì trong việc dự đoán hành vi con người?
Mô hình HMM giúp liên kết chuỗi các vị trí chuyển động quan sát được theo thời gian với các trạng thái ý đồ ẩn bên trong của đối tượng. Dựa trên các ma trận xác suất chuyển đổi được huấn luyện, hệ thống ước tính liên tục xác suất đối tượng sẽ thực hiện một hành vi cụ thể (như vào ngân hàng hay ra cổng) với độ chính xác đạt trên 85% trước khi hành vi đó kết thúc.

Phương pháp Eigenbackground Subtraction vượt trội hơn trừ nền truyền thống ở điểm nào?
Phương pháp này áp dụng phân tích thành phần chính (PCA) trên tập hợp nhiều ảnh mẫu để tạo ra không gian riêng mô tả nền. Do đó, hệ thống có khả năng thích ứng linh hoạt với những biến đổi ánh sáng môi trường trong ngày, triệt tiêu nhiễu tốt hơn và giảm hơn 20% hiện tượng phát hiện nhầm do bóng đổ so với phương pháp trừ nền tĩnh cố định.

Làm thế nào hệ thống nhận diện chính xác đối tượng sau khi tách ra từ một nhóm đông?
Khi các đối tượng đi sát nhau tạo thành một blob chung, hệ thống ghi nhớ các thuộc tính mức xám, màu sắc RGB và vector vận tốc của từng người trước thời điểm hợp nhất. Khi nhóm phân tách, giải thuật tính toán hàm lượng giá đa biến dựa trên độ tương quan ảnh và góc lệch hướng di chuyển để gán chính xác định danh ban đầu với độ tin cậy tuyệt đối.

Hành vi bất thường được định nghĩa và phát hiện bằng cơ chế toán học nào?
Hành vi bất thường được xác định theo hai hướng: đối tượng đi vào vùng không gian hạn chế (được gắn cờ vi phạm tọa độ không gian) hoặc chuỗi chuyển động có xác suất xuất hiện cực kỳ thấp trên mô hình HMM chuẩn. Thuật toán phát hiện các đối tượng đi lặp lại nhiều vòng quanh một khu vực thông qua việc đánh giá độ lệch quỹ đạo so với tập mẫu bình thường.

Nghiên cứu có thể triển khai ngay trên các hệ thống camera an ninh thương mại hiện nay không?
Hoàn toàn khả thi. Giải thuật được thiết kế với độ phức tạp tính toán vừa phải, tập trung vào phân tích tọa độ blob và vector quỹ đạo nên có thể tích hợp trực tiếp vào các phần mềm quản lý video (VMS) hoặc cài đặt trên các vi xử lý biên của camera giám sát hiện hành với chi phí phần cứng tối ưu.

Kết luận

  • Luận văn đã xây dựng thành công khung phân tích hành vi con người tự động hoàn chỉnh từ phát hiện chuyển động, theo vết đa đối tượng đến phân loại và dự đoán hành vi.
  • Ứng dụng xuất sắc mô hình Eigenbackground Subtraction và thuật toán Matching Blobs, giải quyết triệt để bài toán che lấp và hợp nhất - tách rời đối tượng trong không gian giám sát thực tế.
  • Khai thác hiệu quả mô hình Markov Ẩn (HMM) để dự báo chính xác xu hướng hành vi có mục đích và phát hiện các hành vi bất thường với tỷ lệ thành công đạt 100% trên tập thực nghiệm.
  • Đề xuất lộ trình công nghệ 12 tháng rõ ràng nhằm nâng cấp hệ thống sang kiến trúc mạng lưới đa camera, tối ưu hóa phần cứng biên và tích hợp mạng nơ-ron học sâu.
  • Công trình mở ra hướng tiếp cận đột phá cho lĩnh vực thị giác máy tính ứng dụng, tạo nền tảng vững chắc cho sự phát triển của các hệ thống an ninh thông minh và đô thị thông minh trong tương lai. Quý độc giả và các nhà nghiên cứu quan tâm có thể khai thác toàn diện luận văn để phát triển các giải pháp thương mại hóa thực tế.