Tổng quan luận án

Luận án tiến sĩ "Feature Extraction and Human-Human Interaction Recognition for Video Surveillance" (Trích chọn đặc trưng và nhận diện tương tác giữa người với người cho giám sát video) được thực hiện bởi nghiên cứu sinh Nguyễn Thúy Ngọc dưới sự hướng dẫn của Phó Giáo sư Atsuo Yoshitaka tại Trường Khoa học Thông tin, Viện Khoa học và Công nghệ Tiên tiến Nhật Bản (JAIST), hoàn thành vào tháng 6 năm 2016.

Tính cấp thiết và khoảng trống nghiên cứu

Dữ liệu video kỹ thuật số ghi nhận sự gia tăng về khối lượng lưu trữ ngoại tuyến và truyền tải trên Internet. Theo thống kê năm 2016 từ YouTube, mỗi ngày có khoảng 5 tỷ lượt xem video, mỗi phút có 300 giờ video được tải lên và tổng lượng người dùng đạt mức trên 1 tỷ người. Các phân tích thị giác máy tính của Ivan Laptev (2008) chỉ ra khoảng 35% pixel màn hình trong phim ảnh, chương trình truyền hình và video YouTube thuộc về con người; trong khi trên nền tảng Flickr, tỷ lệ này chiếm khoảng 25%. Ngược lại, dữ liệu từ máy quay đeo trên người góc nhìn thứ nhất chỉ ghi nhận khoảng 4% pixel con người, chứng minh rằng dữ liệu video thương mại có độ tập trung lớn vào hình ảnh con người do chủ ý của người quay và biên tập. Cùng với sự phổ biến của hệ thống giám sát an ninh (chẳng hạn tại Vương quốc Anh năm 2009 có khoảng 1 triệu camera giám sát được lắp đặt), nhu cầu xây dựng các thuật toán tự động phân tích hành vi và nhận diện hoạt động con người trở nên cần thiết.

Trong lĩnh vực nhận diện hành động, các phương pháp hiện hữu chủ yếu khai thác đặc trưng cục bộ không - thời gian được thiết kế thủ công (hand-designed features như SIFT, HOF, HOG3D) hoặc dựa trên tư thế người (human poses) và khung khớp xương (human joints). Tuy nhiên, việc trích xuất tư thế và khớp xương đòi hỏi các bước tiền xử lý phức tạp, phụ thuộc vào chất lượng thuật toán phát hiện và theo dõi người – vốn dễ suy giảm độ chính xác trong môi trường thực tế do tắc nghẽn (occlusion), góc quay thay đổi và ánh sáng biến thiên. Ngoài ra, chưa có bộ mô tả đặc trưng cục bộ thủ công 3D nào đạt hiệu quả cao trên mọi tập dữ liệu. Mặt khác, các nghiên cứu trước đây phần lớn tập trung vào bài toán phân loại trên các đoạn video đã cắt sẵn (pre-segmented clips) mà chưa giải quyết bài toán định vị tương tác người - người theo thời gian (temporal localization) trên chuỗi video liên tục.

Mục tiêu nghiên cứu

  1. Xây dựng phương pháp học đặc trưng không giám sát (unsupervised feature learning) dựa trên mạng tích chập kết hợp thuật toán Phân tích Không gian con Độc lập (Independent Subspace Analysis - ISA) nhằm trích xuất biểu diễn bất biến phân tầng trực tiếp từ dữ liệu video thực tế mà không cần thiết kế thủ công.
  2. Xây dựng quy trình trích xuất khối video (video block extraction) sử dụng kỹ thuật trừ khung hình (frame differencing) để tập trung lấy mẫu thông tin tiền cảnh (foreground), nâng cao khả năng phân biệt các tương tác tương đồng.
  3. Tích hợp tầng gộp (pooling layer) nhằm giảm thiểu đóng góp của các đặc trưng tầng thấp và đạt được tính bất biến với phép dịch chuyển (translation invariance).
  4. Phát triển giải pháp định vị tương tác theo trục thời gian (temporal localization) trên các chuỗi video liên tục dựa trên kỹ thuật cửa sổ trượt (sliding window) kết hợp triệt tiêu phi cực đại (non-maximum suppression).

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Nhận diện và định vị các tương tác phức tạp giữa hai người (human-human interactions) trong môi trường video thực tế.
  • Phạm vi dữ liệu:
    • Video giám sát từ tập dữ liệu UT-Interaction (gồm 6 lớp tương tác: shake-hands, hug, kick, point, punch, push) thu hình ở hai bối cảnh bãi đỗ xe và bãi cỏ.
    • Video phim ảnh từ tập dữ liệu Hollywood2 (gồm 12 lớp hành động và tương tác thu thập từ 69 bộ phim Hollywood).

Tổng quan tài liệu và vị trí của luận án

Luận án hệ thống hóa các công trình nghiên cứu trong lĩnh vực nhận diện hoạt động con người theo hai nhóm tiếp cận chính:

Các phương pháp đặc trưng cục bộ (Local feature methods)

  • Đặc trưng không - thời gian (Spatio-temporal features):
    • Laptev và cộng sự (2005) đề xuất bộ phát hiện điểm đặc trưng Harris3D mở rộng từ toán tử Harris trong ảnh sang miền không - thời gian thông qua ma trận moment bậc hai.
    • Dollar và cộng sự (2005) phát triển bộ phát hiện Cuboids sử dụng bộ lọc không gian Gaussian và bộ lọc thời gian Gabor để tăng mật độ điểm đặc trưng.
    • Willems và cộng sự (2008) giới thiệu Hessian3D dựa trên định thức ma trận Hessian kết hợp cấu trúc video tích phân (integral video) để tăng tốc độ tính toán.
    • Wong và cộng sự (2007) áp dụng phân tích ma trận không âm (NMF) để trích xuất điểm đặc trưng dựa trên cấu trúc thông tin toàn cục.
  • Đặc trưng quỹ đạo (Trajectory features):
    • Matikainen và cộng sự (2009) theo dõi điểm đặc trưng bằng thuật toán KLT và phân cụm quỹ đạo thành từ điển quỹ đạo (trajectons).
    • Messing và cộng sự (2009) trích xuất điểm Harris3D, theo dõi qua KLT và biểu diễn vận tốc lượng tử hóa theo tọa độ log-polar.
    • Sun và cộng sự (2009) theo dõi quỹ đạo thông qua việc khớp các bộ mô tả SIFT qua các khung hình liên tiếp.
    • Wang và cộng sự (2011, 2013) phát triển phương pháp quỹ đạo dày đặc (Dense Trajectories) kết hợp dòng quang học dày đặc và các bộ mô tả HOG, HOF, MBH (Motion Boundary Histogram).
  • Bộ mô tả đặc trưng (Feature descriptors):
    • Dollar và cộng sự (2005) nghiên cứu các bộ mô tả dựa trên độ sáng, gradient và dòng quang học kết hợp PCA.
    • Laptev và cộng sự (2008) kết hợp biểu đồ hướng gradient (HOG) và biểu đồ dòng quang học (HOF) trên lưới không - thời gian $N \times N \times M$.
    • Scovanner và cộng sự (2007) mở rộng SIFT sang miền 3D (3D-SIFT) với hàm trọng số Gaussian.
    • Klaser và cộng sự (2008) xây dựng HOG3D dựa trên đa diện đều lồi và cấu trúc video tích phân.
    • Willems và cộng sự (2008) phát triển ESURF dựa trên các đáp ứng sóng con Haar (Haar-wavelets) dọc theo ba trục $x, y, t$.
  • Mô hình mã hóa (Encoding methods): Mô hình túi các từ thị giác (Bag-of-Features - BOF) lượng tử hóa cứng với thuật toán $k$-means; các phương pháp lượng tử hóa mềm như Kernel codebook (van Gemert và cộng sự, 2008), Fisher vector (Perronnin và cộng sự, 2010; Sanchez và cộng sự, 2013) sử dụng mô hình hỗn hợp Gaussian (GMM), và Bossa encoding (Avila và cộng sự, 2013).

Các phương pháp biểu diễn toàn cục (Global representation methods)

  • Mặt nạ hình dạng và bóng chuyển động (Shape mask and silhouette): Yamato và cộng sự (1992) dùng lưới nhị phân trên bóng người kết hợp mô hình Markov ẩn (HMM); Bobick và Davis (2001) đề xuất mẫu hình thời gian gồm ảnh năng lượng chuyển động (MEI) và ảnh lịch sử chuyển động (MHI); Blank và cộng sự (2005) biểu diễn hình dạng không - thời gian thông qua phương trình Poisson; Weinland và cộng sự (2010) sử dụng tập mẫu bóng phân biệt (silhouette exemplars).
  • Dòng quang học và hình dạng (Optical flow and shape): Efros và cộng sự (2003) phân tách dòng quang học mờ thành 4 kênh ($F_x^+, F_x^-, F_y^+, F_y^-$); Ahad và cộng sự (2012) áp dụng 4 kênh dòng quang học để khắc phục hiện tượng ghi đè chuyển động trong MHI; Danafar và Gheissari (2007) chia cơ thể người thành các lát cắt ngang; Tran và cộng sự (2014) dùng lưới chữ nhật kết hợp bóng người và dòng quang học.
  • Dựa trên bộ phận cơ thể (Body part based): Raptis và cộng sự (2012) dùng tập hợp poselets để xác định khung hình khóa (key frames); Kong và cộng sự (2014) xây dựng mô hình phân tầng kết hợp đặc trưng toàn cục và cục bộ của từng bộ phận cơ thể; Meng và cộng sự (2012) cùng Kiwon và cộng sự (2014) sử dụng thông tin vị trí khớp xương 3D và thuật toán Multiple Instance Learning.

Khoảng trống nghiên cứu luận án tập trung giải quyết

Các nghiên cứu trước đây đòi hỏi can thiệp thủ công trong việc lựa chọn đặc trưng hoặc phụ thuộc vào việc phát hiện bộ phận cơ thể vốn thiếu ổn định trong môi trường thực tế. Luận án lựa chọn hướng tiếp cận học biểu diễn không giám sát từ dữ liệu video thô bằng mạng tích chập ISA 3 tầng để tự động nắm bắt các đặc trưng bất biến phân tầng, đồng thời mở rộng nghiên cứu sang bài toán định vị tương tác trên các chuỗi video liên tục mà không cần phân đoạn trước.


Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

  1. Phân tích thành phần độc lập (ICA): Mô hình thống kê biểu diễn một bản vá ảnh $\mathbf{x}'$ dưới dạng tổ hợp tuyến tính của các biến ẩn độc lập $\mathbf{s}$: $$\mathbf{x}' = \mathbf{A}\mathbf{s} \iff \mathbf{s} = \mathbf{W}\mathbf{x}'$$ với giả định các thành phần trong vector $\mathbf{s}$ có phân phối phi Gaussian và độc lập thống kê với nhau.
  2. Phân tích không gian con độc lập (ISA): Mở rộng từ ICA bằng cách nới lỏng giả định độc lập. Các thành phần $\mathbf{s}$ được chia thành các bộ $\kappa$-tuple (không gian con kích thước $\kappa$). Các thành phần bên trong cùng một không gian con có thể phụ thuộc lẫn nhau, nhưng giữa các không gian con khác nhau thì độc lập. Mạng ISA gồm 2 tầng:
    • Đáp ứng của đơn vị thứ $l$ ở tầng 1: $y_l = \sum_{j=1}^n W_{lj} x_j'$
    • Đáp ứng của đơn vị thứ $i$ ở tầng 2: $f_i = \sqrt{\sum_{l=1}^k V_{il} y_l^2} = \sqrt{\sum_{l=1}^k V_{il} \left(\sum_{j=1}^n W_{lj} x_j'\right)^2}$ Trong đó, ma trận $\mathbf{V} \in \mathbb{R}^{m \times k}$ cố định cấu trúc không gian con: $V_{il} = 1$ nếu $(i-1)\kappa + 1 \le l \le i\kappa$, ngược lại $V_{il} = 0$.
  3. Học tham số trong ISA: Tối ưu hóa ma trận trọng số $\mathbf{W}$ qua thuật toán hạ độ dốc chiếu theo lô (batch projected gradient descent): $$\min_{\mathbf{W}} \sum_{t=1}^T \sum_{i=1}^m \sqrt{\sum_{l=1}^k V_{il} \left(\sum_{j=1}^n W_{lj} x_j^t\right)^2} \quad \text{với điều kiện } \mathbf{W}\mathbf{W}^T = \mathbf{I}$$ Bước chiếu trực giao được thực hiện qua phép biến đổi: $\text{proj}_U(\mathbf{W}) = (\mathbf{W}\mathbf{W}^T)^{-\frac{1}{2}}\mathbf{W}$.

Phương pháp nghiên cứu

  • Tiền xử lý dữ liệu: Loại bỏ thành phần một chiều (DC component - giá trị trung bình mức xám) và làm trắng dữ liệu (whitening) thông qua phân tích suy biến trị riêng (EVD) của ma trận hiệp phương sai $\mathbf{\Sigma} = \mathbb{E}{\mathbf{x}\mathbf{x}^T} = \mathbf{U}\mathbf{D}\mathbf{U}^T$, chuyển đổi dữ liệu thành $\mathbf{x}_{\text{white}} = \mathbf{U}\mathbf{D}^{-\frac{1}{2}}\mathbf{U}^T\mathbf{x}$.
  • Mô hình Mạng tích chập ISA 3 tầng: Kết hợp phép tích chập không - thời gian với các khối ISA/PCA nhằm khắc phục độ phức tạp tính toán bậc 3 $O(d^3)$ của phép nghịch đảo ma trận trong ISA chuẩn khi áp dụng lên dữ liệu video.
  • Biểu diễn video và phân loại: Sử dụng mô hình Bag-of-Features lượng tử hóa các đặc trưng học được thành biểu đồ tần suất từ thị giác, phân loại bằng máy vector hỗ trợ (Support Vector Machine - SVM).
  • Định vị thời gian: Sử dụng phương pháp cửa sổ trượt với nhiều kích thước độ dài khác nhau dọc theo chuỗi video liên tục với bước nhảy cố định (stride = 10 khung hình), sau đó áp dụng triệt tiêu phi cực đại (NMS) để loại bỏ các cửa sổ chồng lấn.

Nguồn tư liệu và dữ liệu thực nghiệm

Luận án sử dụng hai bộ dữ liệu chuẩn quốc tế:

  1. UT-Interaction dataset: Gồm 20 chuỗi video liên tục độ phân giải $720 \times 480$, 30 fps, chia thành Set 1 (bãi đỗ xe) và Set 2 (bãi cỏ có gió, nền động).
  2. Hollywood2 dataset: Gồm 1.707 đoạn video (823 video tập huấn luyện, 884 video tập kiểm tra) trích xuất từ 69 bộ phim Hollywood thuộc 10 bối cảnh khác nhau.

Nội dung chính theo từng chương

Chương 1: Introduction (Mở đầu)

Chương 1 thiết lập cơ sở thực tiễn và lý luận cho đề tài. Tác giả phân tích sự bùng nổ của dữ liệu video trực tuyến và sự phổ biến của hệ thống camera giám sát. Chương này phân loại hoạt động con người theo 4 cấp độ phức tạp dựa trên nghiên cứu của Aggarwal và cộng sự (2011): cử chỉ (gestures), hành động đơn lẻ (actions), tương tác (interactions: người - người, người - vật thể), và hoạt động nhóm (group activities).

Tác giả phân chia dữ liệu video thành hai nhóm: video phi thực tế (unrealistic - môi trường kiểm soát, một người, nền tĩnh) và video thực tế (realistic - nhiều góc quay, ánh sáng thay đổi, nền phức tạp). Các thách thức nghiên cứu chính được phân tích chi tiết gồm: biến thiên nội lớp (intra-class variations do vóc dáng, tốc độ thực hiện), biến thiên liên lớp (inter-class variations giữa các hành vi gần giống nhau như đấm và đẩy), và các thông số môi trường (ánh sáng, nền lộn xộn, tắc nghẽn, chuyển động của camera, góc nhìn). Chương 1 xác định hai nhiệm vụ giải quyết trong luận án là phân loại tương tác và định vị tương tác theo thời gian.

Chương 2: Related Work (Các nghiên cứu liên quan)

Chương 2 cung cấp bức tranh tổng quan về các phương pháp nhận diện hoạt động trong video, phân tích ưu và nhược điểm của từng trường phái:

  • Phương pháp đặc trưng cục bộ: Phân tích các bộ phát hiện điểm chú ý không - thời gian (Harris3D, Cuboids, Hessian3D, NMF), các phương pháp trích xuất quỹ đạo chuyển động (KLT, Trajectons, Dense Trajectories), các bộ mô tả (HOG/HOF, 3D-SIFT, HOG3D, ESURF) và các kỹ thuật mã hóa (BOF, Fisher Vector, Kernel Codebook, Bossa). Điểm mạnh của nhóm này là không phụ thuộc vào cấu trúc toàn cục và tránh được lỗi từ các bước tiền xử lý theo dõi người, nhưng việc thiết kế thủ công không đảm bảo tính bao quát trên mọi tập dữ liệu.
  • Phương pháp biểu diễn toàn cục: Đánh giá các phương pháp dựa trên bóng và mặt nạ hình dạng (MEI/MHI, mô hình Poisson), dòng quang học mờ của Efros, và các phương pháp dựa trên bộ phận cơ thể (poselets, cấu trúc khớp xương). Nhóm phương pháp này nắm bắt tốt cấu trúc tổng thể nhưng nhạy cảm với tắc nghẽn và đòi hỏi thuật toán phát hiện người có độ chính xác cao.

Chương 3: Datasets (Bộ dữ liệu thực nghiệm)

Chương 3 trình bày lịch sử phát triển của các bộ dữ liệu nhận diện hoạt động (Bảng 3.1) từ mức độ đơn giản (Weizmann, KTH) đến phức tạp hơn (UT-Tower, MSR Action) và các bộ dữ liệu thực tế từ web/phim ảnh (Hollywood2, UCF Sports, UCF50, HMDB51, UT-Interaction).

Tên tập dữ liệu Mức độ phức tạp Loại dữ liệu video Loại hoạt động Nguồn dữ liệu
Weizmann [6] Thấp Phi thực tế Hành động đơn lẻ Video tự quay (trong nhà/ngoài trời)
KTH [84] Thấp Phi thực tế Hành động đơn lẻ Video tự quay (trong nhà/ngoài trời)
UT-Tower [13] Trung bình Thực tế Hành động đơn lẻ Video tự quay khoảng cách xa
MSR Action [112] Trung bình Thực tế Hành động đơn lẻ Video tự quay ngoài trời
Hollywood2 [62] Cao Thực tế Hành động / Tương tác Phim điện ảnh Hollywood
UCF Sports [78] Cao Thực tế Hành động thể thao Truyền hình thể thao / Web
HMDB51 [49] Cao Thực tế Hành động đa dạng Phim / YouTube / Web
UT-Interaction [81] Cao Thực tế Tương tác người - người Video tự quay giám sát an ninh

Chương này mô tả chi tiết thông số kỹ thuật của hai bộ dữ liệu dùng để đánh giá mô hình:

  • UT-Interaction: Gồm 20 chuỗi video, độ dài trung bình 1 phút/chuỗi, tốc độ 30 fps, độ phân giải $720 \times 480$ pixel, chiều cao người trung bình 200 pixel, hơn 15 loại trang phục. Chia làm Set 1 (chuỗi 1-10, nền bãi đỗ xe) và Set 2 (chuỗi 11-20, nền bãi cỏ có gió chuyển động). Cấu trúc các chuỗi gồm: 2 đối tượng thực hiện đơn lẻ (chuỗi 1-4, 11-13); có người đi bộ không liên quan (chuỗi 5-8, 14-17); có 2 cặp đối tượng tương tác đồng thời (chuỗi 9-10, 18-20). Phương pháp kiểm thử phân loại sử dụng 120 phân đoạn tương tác (60 đoạn/Set) qua kiểm định chéo 10 lượt (10-fold leave-one-out cross validation) đo bằng Độ chính xác (Accuracy), Độ chuẩn xác (Precision) và Độ thu hồi (Recall).
  • Hollywood2: Gồm 12 lớp hành động, 823 mẫu huấn luyện, 884 mẫu kiểm tra, thu thập từ 69 phim với 10 loại bối cảnh, đo lường bằng Độ chuẩn xác trung bình (Average Precision - AP) và Mean AP (mAP).
Lớp hành động (Hollywood2) Số mẫu tập huấn luyện Số mẫu tập kiểm tra
Answer phone 66 64
Drive a car 85 102
Eat 40 33
Fight person 54 70
Get out car 51 57
Shake hands 32 45
Hug person 64 66
Kiss 114 103
Run 135 141
Sit down 104 108
Sit up 24 37
Stand up 132 146
Tổng số mẫu 823 884

Chương 4: Interaction Recognition using Hierarchical Invariant Features (Nhận diện tương tác sử dụng đặc trưng bất biến phân tầng)

Chương 4 mô tả cấu trúc chi tiết của mô hình mạng tích chập ISA 3 tầng:

  1. Trích xuất khối video tiền cảnh: Nhận thấy việc lấy mẫu ngẫu nhiên tạo ra nhiều khối video chứa phông nền không có chuyển động, tác giả thiết kế quy trình áp dụng phép trừ khung hình để phát hiện các pixel động. Từ mỗi video huấn luyện, lấy mẫu ngẫu nhiên $N = 500$ khối video, tính toán mức năng lượng (tổng cường độ pixel động trong khối), sắp xếp và chỉ giữ lại $M$ khối video có mức năng lượng cao nhất làm dữ liệu huấn luyện cho mạng ISA.
  2. Cấu trúc mạng ISA tích chập 3 tầng:
    • Tầng 1 (ISA1): Nhận đầu vào là các khối video kích thước nhỏ $w_1 \times h_1 \times t_1$ đã được chuyển đổi thành vector cột $\mathbf{x}'$, trừ giá trị trung bình DC và làm trắng bằng PCA. Thuật toán ISA1 học ma trận trọng số $\mathbf{W}_1$ và cấu trúc không gian con $\mathbf{V}_1$. Các bộ lọc học được có dạng tương tự sóng Gabor 3D, có tính chọn lọc theo hướng, tần số và bất biến với pha.
    • Tầng 2 (ISA2): Trích xuất các khối video độc lập có kích thước lớn hơn $w_2 \times h_2 \times t_2$. Mỗi khối tầng 2 được xem như tập hợp của $m$ khối nhỏ kích thước tầng 1 chồng lấn lên nhau. Phép tích chập giữa các bộ lọc của tầng 1 với khối tầng 2 tạo ra đáp ứng đầu vào cho tầng ISA2 để học các biểu diễn phân tầng ở mức khái niệm cao hơn.
    • Tầng gộp (Pooling Layer): Thực hiện phép gộp trên các đáp ứng để giảm số chiều của đặc trưng tầng thấp, tạo tính bất biến đối với phép tịnh tiến cục bộ trước khi chuyển sang tầng tiếp theo.
  3. Mô hình nhận diện: Sử dụng các đặc trưng học được để xây dựng biểu diễn Bag-of-Features cho từng đoạn video và phân loại bằng bộ phân loại máy vector hỗ trợ (SVM).

Chương 5: Interaction Temporal Localization based on Sliding Window Approach (Định vị tương tác theo thời gian dựa trên phương pháp cửa sổ trượt)

Chương 5 phát triển kỹ thuật định vị tương tác trên 20 chuỗi video liên tục của tập dữ liệu UT-Interaction:

  • Cửa sổ trượt theo thời gian: Thiết lập các cửa sổ phát hiện với các độ dài thời gian khác nhau (dựa trên phân bố độ dài thực tế của từng lớp tương tác trong Set 1 và Set 2), trượt dọc theo chuỗi video liên tục với bước nhảy cố định 10 khung hình.
  • Trích xuất đặc trưng và chấm điểm: Với mỗi cửa sổ thời gian, mạng tích chập ISA 3 tầng trích xuất đặc trưng phân tầng trên một lưới dày đặc (dense grid), sau đó đưa qua bộ phân loại SVM để gán điểm số xác suất cho từng lớp tương tác.
  • Hậu xử lý bằng triệt tiêu phi cực đại (Non-Maximum Suppression - NMS): Áp dụng NMS trên các cửa sổ được chấm điểm nhằm loại bỏ các cửa sổ có điểm số thấp hơn và đảm bảo các khoảng thời gian tương tác được giữ lại không bị chồng lấn.
  • Tiêu chuẩn đánh giá: Một khoảng thời gian phát hiện được coi là True Positive (dương tính thật) nếu độ chồng lấn (Intersection over Union - IoU) giữa khoảng phát hiện và nhãn gán chuẩn (ground truth) đạt trên 50%.

Chương 6: Conclusion and Perspective (Kết luận và hướng phát triển)

Chương 6 tổng kết các kết quả đạt được về mặt mô hình học đặc trưng và định vị thời gian, đồng thời nêu các hạn chế kỹ thuật hiện tại và vạch ra các hướng nghiên cứu mở rộng trong tương lai.


Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

  1. Mô hình tích chập ISA phân tầng cho dữ liệu video: Đề xuất kiến trúc mạng tích chập 3 tầng tích hợp thuật toán Phân tích Không gian con Độc lập (ISA) và PCA, giải quyết rào cản tính toán bậc ba của thuật toán ISA gốc trên dữ liệu video nhiều chiều, cho phép học các đặc trưng biểu diễn phân tầng, bất biến với pha và dịch chuyển không gian trực tiếp từ dữ liệu video thô mà không cần gán nhãn thủ công.
  2. Quy trình trích xuất khối video có định hướng năng lượng: Xây dựng phương pháp lấy mẫu khối video kết hợp phép trừ khung hình, chứng minh việc tối ưu hóa tỷ lệ lấy mẫu vùng tiền cảnh giúp cải thiện khả năng phân biệt các tương tác có chuyển động cục bộ tinh vi.
  3. Thực nghiệm định vị tương tác trên chuỗi video liên tục: Triển khai phương pháp định vị tương tác theo trục thời gian trên chuỗi video giám sát chưa cắt phân đoạn (UT-Interaction dataset), thiết lập kết quả thực nghiệm cho bài toán định vị thời gian của các tương tác người - người phức tạp.

Kết quả thực nghiệm chính

  • Phương pháp học đặc trưng bằng mạng tích chập ISA 3 tầng đạt kết quả cân bằng trên cả hai tập dữ liệu UT-Interaction (Set 1 và Set 2) và Hollywood2 mà không cần điều chỉnh cấu trúc đặc trưng thủ công theo từng tập dữ liệu.
  • Phép trừ khung hình trong quy trình trích xuất khối video làm tăng tỷ lệ khối chứa chuyển động tiền cảnh, mang lại hiệu năng phân loại cao hơn so với việc lấy mẫu ngẫu nhiên thông thường.
  • Kết quả định vị tương tác theo thời gian trên UT-Interaction bước đầu xác định được các khoảng thời gian xảy ra tương tác với tiêu chuẩn chồng lấn trên 50%, dù vẫn còn tồn tại các trường hợp phát hiện nhầm khi có sự xuất hiện của người đi bộ ngẫu nhiên hoặc các cặp tương tác đồng thời.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  1. Độ chính xác của định vị thời gian: Kết quả định vị tương tác theo thời gian trên chuỗi video liên tục còn bị ảnh hưởng ở các phân đoạn có nhiều người đi bộ không liên quan hoặc có hai cặp đối tượng thực hiện tương tác cùng lúc.
  2. Định vị không gian: Phương pháp hiện tại mới chỉ giải quyết bài toán định vị theo trục thời gian (xác định khung hình bắt đầu và kết thúc) mà chưa thực hiện định vị không - thời gian đồng thời (chưa xác định hộp bao không gian bounding box của vùng tương tác theo thời gian thực).
  3. Tốc độ xử lý: Việc trích xuất đặc trưng trên lưới dày đặc cho từng cửa sổ trượt với bước nhảy 10 khung hình vẫn đòi hỏi tài nguyên tính toán đáng kể khi triển khai trên chuỗi video dài.

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình để giải quyết bài toán định vị không - thời gian đầy đủ (spatio-temporal localization) cho các tương tác người - người.
  • Nghiên cứu tối ưu hóa tốc độ tính toán của mạng tích chập ISA để đáp ứng yêu cầu xử lý trực tuyến trong các hệ thống giám sát thời gian thực.
  • Tích hợp thêm các tín hiệu ngữ cảnh môi trường và xử lý chuyên sâu cho các tình huống có nhiều cặp tương tác diễn ra đồng thời trong cùng một khung cảnh.

Giá trị tham khảo

  • Đối với nghiên cứu sinh và học viên cao học ngành Thị giác máy tính / Trí tuệ nhân tạo: Luận án là tài liệu tham khảo chi tiết về cơ sở toán học của thuật toán Phân tích Thành phần Độc lập (ICA) và Phân tích Không gian con Độc lập (ISA), phương pháp kết hợp mô hình thống kê hình ảnh với kiến trúc mạng nơ-ron tích chập để học biểu diễn bất biến phân tầng.
  • Đối với kỹ sư phát triển hệ thống giám sát an ninh: Cung cấp phương pháp luận và quy trình xử lý thực tế cho bài toán phân tích hành vi, nhận diện tương tác bạo lực/bất thường (đấm, đá, đẩy) và kỹ thuật định vị sự kiện trên chuỗi video liên tục.
  • Phần nội dung có giá trị tham khảo chuyên sâu: Chương 2 (Hệ thống hóa toàn diện các bộ mô tả đặc trưng cục bộ và toàn cục), Chương 4 (Chi tiết toán học về thuật toán hạ độ dốc chiếu, làm trắng dữ liệu và cấu trúc mạng ISA tích chập 3 tầng), và Chương 5 (Quy trình thiết lập cửa sổ trượt và triệt tiêu phi cực đại cho chuỗi video).

Câu hỏi thường gặp

1. Thuật toán Phân tích Không gian con Độc lập (ISA) khác với Phân tích Thành phần Độc lập (ICA) như thế nào?

Trong mô hình ICA, tất cả các thành phần biến ẩn $\mathbf{s}$ đều được giả định là độc lập thống kê tuyệt đối với nhau. Ngược lại, mô hình ISA nới lỏng giả định này bằng cách chia các thành phần thành các nhóm không gian con (subspaces hay $\kappa$-tuples). Các thành phần bên trong cùng một không gian con được phép phụ thuộc lẫn nhau, nhưng giữa các không gian con khác nhau vẫn duy trì tính độc lập. Nhờ đó, ISA học được các bộ lọc có tính bất biến với pha trong khi vẫn duy trì tính chọn lọc theo hướng và tần số.

2. Tại sao tác giả không áp dụng trực tiếp thuật toán ISA chuẩn lên dữ liệu video thô mà phải kết hợp với mạng tích chập?

Thuật toán huấn luyện ISA yêu cầu ràng buộc trực giao $\mathbf{W}\mathbf{W}^T = \mathbf{I}$, do đó trong quá trình tối ưu hóa phải thực hiện phép chiếu $\text{proj}_U(\mathbf{W}) = (\mathbf{W}\mathbf{W}^T)^{-\frac{1}{2}}\mathbf{W}$. Phép tính căn bậc hai nghịch đảo ma trận này đòi hỏi giải bài toán phân tích trị riêng với độ phức tạp tính toán tăng theo hàm bậc ba $O(d^3)$ của số chiều đầu vào. Video có số chiều không - thời gian rất lớn khiến ISA chuẩn xử lý rất chậm. Việc kết hợp với mạng tích chập cho phép huấn luyện ISA trên các khối video kích thước nhỏ, sau đó dùng phép tích chập để quét trên các vùng video lớn hơn, giúp giảm chi phí tính toán và học được đặc trưng phân tầng.

3. Quy trình trích xuất khối video bằng phép trừ khung hình (frame differencing) giải quyết vấn đề gì?

Trong video thực tế, phần lớn diện tích khung hình thuộc về phông nền tĩnh. Việc lấy mẫu ngẫu nhiên thông thường sẽ chọn phải nhiều khối video chỉ chứa thông tin phông nền, gây lãng phí tính toán và giảm hiệu quả nhận diện. Quy trình của tác giả sử dụng phép trừ khung hình để xác định các pixel chuyển động, lấy mẫu $N = 500$ khối video ngẫu nhiên, tính tổng năng lượng pixel động và giữ lại $M$ khối có năng lượng cao nhất. Điều này đảm bảo dữ liệu huấn luyện mạng ISA tập trung vào các vùng tiền cảnh chứa chuyển động của con người.

4. Tập dữ liệu UT-Interaction được phân chia và đánh giá như thế nào trong bài toán phân loại và định vị thời gian?

Tập dữ liệu UT-Interaction gồm 20 chuỗi video chia đều thành Set 1 (bãi đỗ xe) và Set 2 (bãi cỏ).

  • Đối với bài toán phân loại: Tác giả trích xuất 120 phân đoạn tương tác (60 đoạn/Set) dựa trên bounding box và khoảng thời gian chuẩn, thực hiện kiểm định chéo 10-fold leave-one-out (mỗi lượt dùng 54 đoạn huấn luyện, 6 đoạn kiểm tra), đánh giá bằng Accuracy, Precision và Recall.
  • Đối với bài toán định vị thời gian: Tác giả sử dụng nguyên vẹn chuỗi video liên tục, thực hiện kiểm định chéo 10-fold leave-one-out (mỗi lượt huấn luyện trên 9 chuỗi, kiểm tra trên 1 chuỗi). Một tương tác được coi là phát hiện đúng nếu nhãn dự đoán chính xác và khoảng thời gian phát hiện chồng lấn (IoU) với nhãn chuẩn trên 50%.

Kết luận

Luận án tiến sĩ của Nguyễn Thúy Ngọc đã giải quyết bài toán nhận diện và định vị thời gian tương tác giữa người với người trong video giám sát thực tế thông qua việc đề xuất kiến trúc mạng tích chập ISA 3 tầng học đặc trưng bất biến phân tầng không giám sát. Nghiên cứu đóng góp quy trình trích xuất khối video dựa trên năng lượng chuyển động tiền cảnh, đồng thời thiết lập phương pháp thực nghiệm định vị tương tác trên các chuỗi video giám sát liên tục bằng kỹ thuật cửa sổ trượt và triệt tiêu phi cực đại. Các kết quả thực nghiệm trên hai bộ dữ liệu chuẩn UT-Interaction và Hollywood2 đã chứng minh tính khả thi của mô hình học đặc trưng phân tầng trực tiếp từ dữ liệu video thô trong phân tích hành vi con người.