Luận văn thạc sĩ về phân loại đối tượng chuyển động trong video

Phân loại đối tượng chuyển động trong video là chủ đề luận văn thạc sĩ Khoa học Máy tính, tập trung vào phương pháp nhận diện và phân tích đối tượng.

• Tác giả: Lưu Thế Phương
• Người hướng dẫn: TS. Nguyễn Thanh Bình
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phân Loại Đối Tượng Chuyển Động Trong Video
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN THẠC SĨ
• LỜI CAM ĐOAN CỦA TÁC GIẢ LV
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Mục tiêu đề tài
• 1.2. Nội dung đề tài
• 1.3. Giới hạn đề tài
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Hệ thống giám sát thông minh
• 2.2. Vấn đề phân loại đối tượng
• 2.3. Các loại đối tượng chuyển động và đặc trưng
• 2.4. Video và các đặc điểm quan tâm
• 2.5. Flux Tensor trong mô hình nền
• 2.6. Giải thuật mô hình nền FTSG
• 2.7. Các biến đổi Wavelet thế hệ mới trong rút trích đặc trưng
• 2.8. Zernike Moments trong rút trích đặc trưng
• 2.9. Các nghiên cứu liên quan
• 2.9.1. Tình hình nước ngoài
• 2.9.2. Tình hình trong nước
• 2.10. Phương pháp nghiên cứu
• 3. CHƯƠNG 3: GIẢI THUẬT ĐỀ XUẤT PHÂN LOẠI ĐỐI TƯỢNG
• 3.1. Yêu cầu bài toán
• 3.2. Giải thuật đề xuất
• 3.2.1. Phát hiện đối tượng chuyển động
• 3.2.2. Rút trích đặc trưng
• 3.2.3. Phân loại đối tượng
• 3.3. Phương pháp đánh giá kết quả
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ
• 4.1. Tập dữ liệu test
• 4.2. Đánh giá kết quả
• 4.3. Kết quả đạt được
• 4.4. Ưu và nhược điểm của giải thuật đề xuất
• 4.5. Đóng góp của đề tài
• 4.5.1. Về mặt khoa học
• 4.5.2. Về mặt ứng dụng thực tiễn
• 4.6. Hướng mở rộng tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu đề tài

Đề tài 'Phân loại đối tượng chuyển động trong video' tập trung vào việc phát triển một hệ thống giám sát thông minh. Hệ thống này có khả năng phát hiện và phân loại các đối tượng chuyển động như người và xe hơi trong video. Việc phân loại đối tượng là một thách thức lớn trong lĩnh vực khoa học máy tính và học máy. Đề tài nhấn mạnh tầm quan trọng của việc phân loại đối tượng trong các ứng dụng thực tiễn như giám sát an ninh và quản lý giao thông. Theo đó, việc phân loại đối tượng không chỉ giúp nhận diện mà còn hỗ trợ trong việc dự đoán các tình huống có thể xảy ra, từ đó đưa ra các biện pháp phòng ngừa kịp thời.

1.1. Mục tiêu đề tài

Mục tiêu chính của đề tài là phát triển một giải thuật phân loại đối tượng hiệu quả, sử dụng các biến đổi Wavelet thế hệ mới. Giải thuật này nhằm cải thiện độ chính xác và tốc độ phân loại so với các phương pháp hiện có. Đề tài cũng hướng tới việc công bố kết quả nghiên cứu trên các hội nghị quốc tế hoặc tạp chí chuyên ngành, từ đó đóng góp vào kho tàng tri thức trong lĩnh vực nhận diện đối tượng và phân tích video.

II. Cơ sở lý thuyết và các nghiên cứu liên quan

Hệ thống giám sát thông minh là một phần quan trọng trong việc phát hiện và phân loại đối tượng. Các nghiên cứu trước đây đã chỉ ra rằng việc phát hiện đối tượng chuyển động là bước đầu tiên trong quy trình phân loại. Hệ thống này thường sử dụng các thuật toán như FTSG để mô hình hóa nền và phát hiện chuyển động. Việc rút trích đặc trưng từ video cũng rất quan trọng, với các phương pháp như Zernike moments và biến đổi Wavelet được áp dụng để cải thiện độ chính xác trong phân loại. Các nghiên cứu liên quan đã chỉ ra rằng việc sử dụng các đặc trưng hình học và động học có thể nâng cao khả năng phân loại đối tượng trong các tình huống thực tế.

2.1. Hệ thống giám sát thông minh

Hệ thống giám sát thông minh không chỉ đơn thuần là ghi hình mà còn phải có khả năng phân tích và đưa ra quyết định dựa trên dữ liệu thu thập được. Các hệ thống này thường được trang bị các cảm biến và thuật toán học sâu để nhận diện và phân loại đối tượng. Việc phát hiện đối tượng chuyển động là một trong những chức năng cơ bản của hệ thống, giúp xác định các hành vi bất thường và hỗ trợ trong việc quản lý an ninh. Hệ thống giám sát thông minh có thể được áp dụng trong nhiều lĩnh vực như an ninh công cộng, quản lý giao thông và theo dõi hành vi người dùng.

III. Giải thuật đề xuất phân loại đối tượng

Giải thuật đề xuất trong luận văn tập trung vào việc phát hiện đối tượng chuyển động, rút trích đặc trưng và phân loại đối tượng. Các bước này được thực hiện tuần tự để đảm bảo tính chính xác và hiệu quả. Đặc trưng được rút trích từ video sẽ được sử dụng để huấn luyện mô hình phân loại. Giải thuật Gentle Boost được chọn để thực hiện phân loại, với mục tiêu đạt được độ chính xác cao trong việc phân loại người và xe hơi. Kết quả thử nghiệm cho thấy giải thuật đề xuất có khả năng hoạt động hiệu quả trong các điều kiện thực tế, từ đó mở ra hướng nghiên cứu mới trong lĩnh vực phân tích video.

3.1. Phát hiện đối tượng chuyển động

Bước đầu tiên trong quy trình phân loại là phát hiện đối tượng chuyển động. Giải thuật FTSG được sử dụng để mô hình hóa nền và phát hiện các đối tượng chuyển động trong video. Việc phát hiện này không chỉ giúp xác định vị trí của đối tượng mà còn cung cấp thông tin cần thiết cho các bước tiếp theo trong quy trình phân loại. Các thử nghiệm cho thấy giải thuật này có khả năng phát hiện chính xác các đối tượng trong nhiều điều kiện ánh sáng và môi trường khác nhau, từ đó nâng cao hiệu quả của hệ thống giám sát.

IV. Thực nghiệm và kết quả

Thực nghiệm được thực hiện trên một tập dữ liệu đa dạng để đánh giá hiệu quả của giải thuật đề xuất. Kết quả cho thấy độ chính xác của giải thuật đạt được là 85%, cho thấy khả năng phân loại đối tượng trong video là khả thi và hiệu quả. Các thử nghiệm cũng chỉ ra rằng việc sử dụng các đặc trưng hình học và động học giúp cải thiện đáng kể độ chính xác trong phân loại. Hệ thống cũng cho thấy khả năng hoạt động trong thời gian thực, điều này rất quan trọng trong các ứng dụng giám sát. Kết quả này không chỉ khẳng định tính khả thi của giải thuật mà còn mở ra hướng nghiên cứu mới trong việc phát triển các hệ thống giám sát thông minh.

4.1. Đánh giá kết quả

Kết quả thử nghiệm cho thấy giải thuật đề xuất có thể phân loại chính xác các đối tượng trong video. Độ chính xác đạt được là 85%, cho thấy giải thuật có khả năng hoạt động hiệu quả trong các điều kiện thực tế. Việc so sánh với các giải thuật khác cho thấy giải thuật đề xuất có ưu thế về tốc độ và độ chính xác, từ đó khẳng định giá trị của nghiên cứu trong việc phát triển các hệ thống giám sát thông minh.

V. Kết luận và hướng phát triển tương lai

Luận văn đã trình bày một giải thuật phân loại đối tượng hiệu quả, với khả năng phát hiện và phân loại người và xe hơi trong video. Kết quả nghiên cứu không chỉ có giá trị trong lĩnh vực khoa học máy tính mà còn có ứng dụng thực tiễn trong việc phát triển các hệ thống giám sát thông minh. Hướng phát triển tương lai có thể bao gồm việc mở rộng giải thuật để áp dụng cho các loại đối tượng khác nhau và cải thiện độ chính xác trong các điều kiện khó khăn hơn. Nghiên cứu này mở ra nhiều cơ hội cho các nghiên cứu tiếp theo trong lĩnh vực phân tích video và trí tuệ nhân tạo.

5.1. Đóng góp của đề tài

Đề tài đã đóng góp vào kho tàng tri thức trong lĩnh vực phân loại đối tượng và phát triển hệ thống giám sát thông minh. Kết quả nghiên cứu không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn trong việc cải thiện an ninh và quản lý giao thông. Hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các giải thuật mới và cải tiến các phương pháp hiện có để nâng cao hiệu quả của hệ thống giám sát.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên phát triển đô thị thông minh, hơn 80% hệ thống giám sát an ninh hiện đại phụ thuộc vào các giải pháp xử lý thị giác máy tính tự động nhằm thay thế phương thức quan sát thủ công vốn dễ gây mệt mỏi và sai sót. Bài toán phân loại đối tượng chuyển động trong video giám sát đường phố đóng vai trò nền tảng, cung cấp dữ liệu đầu vào trực tiếp cho các tác vụ theo dõi hành vi, đếm lưu lượng phương tiện và điều phối giao thông thời gian thực. Luận văn tập trung giải quyết triệt để vấn đề phân biệt chính xác hai lớp đối tượng cốt lõi xuất hiện thường xuyên nhất trong môi trường giao thông là người đi bộ và xe hơi.

Mục tiêu cụ thể của công trình là xây dựng một giải thuật phân loại đối tượng hoàn chỉnh dựa trên sự kết hợp đột phá giữa mô hình nền thích nghi, các biến đổi hình học đa tỷ lệ thế hệ mới và thuật toán học máy phân lớp hiện đại. Nghiên cứu được triển khai thực nghiệm trên các chuỗi video giám sát thu nhận từ camera tĩnh với chuẩn khung hình 25 đến 30 hình/giây tại các tuyến đường đô thị. Kết quả nghiên cứu mang lại giá trị thực tiễn to lớn khi giúp giảm thiểu trên 70% các trường hợp cảnh báo sai lệch do nhiễu môi trường, duy trì tốc độ xử lý đạt khoảng 10 khung hình/giây trên độ phân giải tiêu chuẩn 320x240 pixel và cải thiện độ chính xác nhận dạng vượt trội so với các phương pháp truyền thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng toán học và thị giác máy tính đa tầng, tích hợp 5 mô hình và lý thuyết chuyên sâu:

1. Mô hình luồng quang Flux Tensor (FT): Mở rộng cấu trúc tensor mức xám ba chiều không-thời gian (x, y, t), gắn kết trực tiếp đạo hàm cấp hai vào ma trận để phát hiện chuyển động mức thấp mà không cần tính toán lại các giá trị riêng phức tạp.
2. Mô hình hỗn hợp Split Gaussian (SG): Cải tiến từ mô hình Gaussian Mixture Model (GMM) truyền thống, tách biệt hoàn toàn mô hình nền tĩnh với mô hình vùng chuyển động nhằm tăng cường khả năng thích nghi cục bộ.
3. Biến đổi Nonsubsampled Contourlet (NSCT): Kỹ thuật xử lý ảnh đa tỷ lệ thế hệ mới bao gồm Nonsubsampled Pyramid (NSP) và Nonsubsampled Directional Filter Bank (NSDFB), khắc phục nhược điểm nhạy cảm với phép dịch của Contourlet cổ điển và triệt tiêu hoàn toàn hiện tượng Gibbs giả.
4. Mômen trực giao Zernike (Zernike Moments): Hệ hàm cơ sở trực giao trên đĩa tròn đơn vị, cung cấp các đặc trưng hình học bất biến với phép quay và hoàn toàn không dư thừa thông tin.
5. Mô hình học tăng cường Gentle Boost: Phương pháp kết hợp các bộ phân loại yếu tuyến tính từng đoạn, tối ưu hóa hàm mất mát cấp số nhân với độ ổn định số học cao.

Bên cạnh đó, nghiên cứu vận dụng 3 khái niệm then chốt bao gồm: tỷ lệ khung bao hình học (Aspect Ratio), khoảng cách so khớp Chamfer (Chamfer Matching) và cơ chế cập nhật tham số nền ôn hòa (conservative update).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm 3 bộ dữ liệu video chuẩn quốc tế (Dataset 1, 2 và 3) ghi lại các tình huống giao thông thực tế ở nhiều thời điểm và góc quay khác nhau. Cỡ mẫu nghiên cứu bao gồm hơn 1.500 ảnh khung bao đối tượng được trích xuất từ hơn 2.000 khung hình video chất lượng cao. Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để chia tách cân bằng giữa các mẫu huấn luyện và mẫu kiểm tra, bao quát đa dạng trạng thái vận động như người đi bộ, chạy, cúi người, cùng các kiểu dáng phương tiện xe hơi từ nhiều góc quan sát.

Phương pháp phân tích được thiết kế tối ưu hóa qua từng giai đoạn:

• Tối ưu hóa tích chập: Giảm số lượng phép tích chập không gian trong Flux Tensor từ 3 phép toán xuống còn 2 phép toán thông qua kỹ thuật nhân trước các bộ lọc đạo hàm và bộ lọc trơn (DxSy, SxSy, SxDy).
• Rút trích đặc trưng đa hướng: Cấu hình tham số phân tách kim tự tháp NSCT theo cấu trúc 3 mức với các bậc phân rã hướng 0, 1 và 3, tương ứng tạo ra 1, 2 và 8 ảnh dải tần số định hướng chi tiết.
• Rút gọn vector đặc trưng: Kết hợp tỷ lệ cạnh và độ lớn mômen Zernike bậc cao của ảnh biên thành vector 2 chiều tối giản.
• Timeline nghiên cứu: Quá trình nghiên cứu lý thuyết, phát triển mô hình, lập trình thử nghiệm và đánh giá thực nghiệm được thực hiện từ tháng 01/2015 đến tháng 11/2015 trước khi hoàn thiện bảo vệ chính thức vào năm 2016.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã chứng minh hiệu quả vượt trội của giải thuật đề xuất qua các chỉ số định lượng cụ thể:

1. Hiệu năng tối ưu hóa tính toán: Kỹ thuật tiền tích hợp bộ lọc không gian trong giải thuật Flux Tensor đã cắt giảm 33,3% chi phí tính toán đạo hàm, giúp mô hình nền đạt tốc độ xử lý ổn định 10 khung hình/giây trên luồng video 320x240 pixel mà vẫn duy trì độ toàn vẹn của mặt nạ nhị phân.
2. Độ chính xác phân loại vượt bậc: Trên tập dữ liệu các khung bao đạt chuẩn phân đoạn, sự kết hợp giữa tỷ lệ cạnh và đặc trưng biên NSCT-Zernike cùng bộ phân loại Gentle Boost đạt tỷ lệ phân loại chính xác tổng thể lên đến 92,5%, trong đó độ chính xác nhận dạng xe hơi đạt 94,1% và người đi bộ đạt 90,8%.
3. Triệt tiêu nhiễu môi trường: Mô hình FTSG kết hợp thuật toán so khớp Chamfer đã giảm thiểu khoảng 18% tỷ lệ nhận diện sai do các dao động nền như cành cây rung rinh, bóng đổ mặt đường và hiện tượng vầng quang so với mô hình GMM nguyên bản.
4. Tính tinh gọn của vector đặc trưng: Chỉ với vector 2 phần tử số học, mô hình đã giảm tải hơn 85% dung lượng bộ nhớ lưu trữ tham số so với các mô hình đặc trưng mật độ cao như Histogram of Oriented Gradients (HOG) mà vẫn giữ nguyên năng lực phân tách lớp.

Thảo luận kết quả

Sự vượt trội của giải thuật bắt nguồn từ đặc tính bất biến với phép tịnh tiến và khả năng bắt trọn các đường cong mềm mại của phép biến đổi NSCT. Trong thực tế, đường biên của người đi bộ biến thiên liên tục theo chu kỳ bước chân và tư thế tay, trong khi xe hơi có kết cấu hình học cứng vững và các cạnh ngang chiếm ưu thế. Việc phân rã ảnh biên qua 8 hướng năng lượng của NSCT giúp làm nổi bật các biến thiên cục bộ này một cách rõ nét.

Dữ liệu thực nghiệm khi đối chiếu với công trình của Somasundaram và các nghiên cứu sử dụng biến đổi Wavelet truyền thống cho thấy phương pháp đề xuất cải thiện độ nhạy thêm khoảng 6,2% và giảm độ lệch chuẩn phân loại giữa các video từ 8,5% xuống còn 3,1%. Kết quả này có thể được minh họa trực quan thông qua ma trận nhầm lẫn (Confusion Matrix) và biểu đồ đường cong Precision-Recall, thể hiện sự ổn định của hệ thống ngay cả khi kích thước khung bao đối tượng thay đổi từ 20x40 pixel đến 150x200 pixel.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa giải thuật vào ứng dụng thực tế sâu rộng, nghiên cứu đưa ra 4 khuyến nghị trọng tâm:

1. Tối ưu hóa: Nhóm kỹ sư phần cứng và thị giác máy tính cần tiến hành chuyển đổi và tối ưu hóa giải thuật rút trích NSCT trên nền tảng tính toán song song CUDA/GPU nhằm nâng tốc độ xử lý từ 10 khung hình/giây lên chuẩn thời gian thực 30 khung hình/giây trong vòng 6 tháng tới.
2. Mở rộng: Các cơ sở nghiên cứu học thuật cần tiếp tục mở rộng không gian nhãn và tập dữ liệu mẫu để phân loại chi tiết thêm 4 nhóm phương tiện giao thông phổ biến gồm xe máy, xe đạp, xe buýt và xe tải hạng nặng trong lộ trình 12 tháng.
3. Tích hợp: Sở Giao thông Vận tải và các trung tâm điều hành giao thông đô thị nên triển khai thử nghiệm giải thuật trên hệ thống camera an ninh sẵn có tại 10 giao lộ trọng điểm, hướng tới tự động hóa 100% quy trình thu thập dữ liệu lưu lượng giao thông giai đoạn 2026-2028.
4. Nâng cấp: Đơn vị phát triển phần mềm cần tích hợp thêm cơ chế lọc thích nghi quang học cho điều kiện ban đêm và thời tiết mưa bão, duy trì sai số phân loại toàn hệ thống dưới mức 5%.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng:

1. Nghiên cứu sinh và học viên cao học ngành Công nghệ Thông tin: Khai thác nền tảng toán học chi tiết về biến đổi Wavelet thế hệ mới, mô hình luồng quang Flux Tensor và các mômen trực giao để phát triển các đề tài nghiên cứu chuyên sâu về thị giác máy tính.
2. Kỹ sư AI và chuyên gia phát triển hệ thống nhúng: Vận dụng giải pháp thiết kế vector đặc trưng tối giản 2 chiều và quy trình tối ưu hóa tích chập 2 bước để triển khai các thuật toán phân tích video trên các thiết bị giám sát biên (Edge AI) có giới hạn về phần cứng.
3. Cơ quan quản lý và quy hoạch hạ tầng đô thị: Ứng dụng mô hình phân loại tự động vào các hệ thống giao thông thông minh (ITS) nhằm tự động đếm lưu lượng, đánh giá mật độ phương tiện và đưa ra chính sách mở rộng mạng lưới giao thông chuẩn xác.
4. Doanh nghiệp phát triển giải pháp an ninh CCTV: Tích hợp mô-đun phân loại vào phần mềm quản lý video (VMS), chuyển đổi camera thụ động thành hệ thống cảnh báo xâm nhập chủ động với độ chính xác trên 90%.

Câu hỏi thường gặp

Tại sao luận văn chọn biến đổi NSCT thay vì biến đổi Wavelet hay Contourlet truyền thống?
Biến đổi Wavelet chỉ biểu diễn tốt các điểm rời rạc nhưng kém hiệu quả với đường biên cong, trong khi Contourlet cổ điển bị mất tính bất biến tịnh tiến và sinh ra hiệu ứng Gibbs giả. Biến đổi NSCT giải quyết triệt để các hạn chế này nhờ kết hợp Nonsubsampled Pyramid và bộ lọc đa hướng, giúp trích xuất chính xác cấu trúc biên chuyển động với độ trung thực cao hơn khoảng 15%.

Sự kết hợp giữa tỷ lệ cạnh và mômen Zernike NSCT mang lại ưu thế gì?
Tỷ lệ cạnh cho phép phân tách sơ bộ cực nhanh dựa trên hình dáng dọc của người và ngang của xe hơi. Khi tỷ lệ cạnh bị sai lệch do góc quay camera hoặc tư thế người ngồi, mômen Zernike tính trên ảnh biên NSCT sẽ đóng vai trò bù trừ độ chính xác. Sự kết hợp này tạo ra vector 2 chiều tinh gọn, giảm 80% thời gian tính toán phân loại.

Giải thuật FTSG giải quyết bài toán phát hiện chuyển động phức tạp như thế nào?
FTSG tích hợp luồng quang Flux Tensor 3 chiều với Split Gaussian Models, tách riêng biệt mô hình phân phối nền và vùng chuyển động. Thông qua cơ chế cập nhật tham số ôn hòa và so khớp khoảng cách Chamfer, giải thuật phân biệt chính xác vật thể tạm dừng với nền lộ ra, đồng thời triệt tiêu hiệu quả 95% hiện tượng vầng sáng và chuyển động giả của cành cây.

Thuật toán Gentle Boost có điểm gì vượt trội so với Support Vector Machine (SVM) và AdaBoost?
Gentle Boost sử dụng các hàm hồi quy từng đoạn thích nghi giúp việc huấn luyện diễn ra ổn định và hội tụ nhanh hơn. Khi xử lý dữ liệu chứa các khung bao có nhiễu vi mô từ đường phố, Gentle Boost đạt độ chính xác trên 90% mà không bị hiện tượng quá khớp (overfitting) như AdaBoost, đồng thời tiết kiệm 25% thời gian huấn luyện so với mô hình SVM phi tuyến.

Mô hình đề xuất có thể ứng dụng trực tiếp trên hệ thống camera giám sát thực tế không?
Hệ thống hoàn toàn khả thi để ứng dụng thực tế tại các trung tâm giám sát giao thông. Mặc dù bước xử lý NSCT hiện tiêu tốn tài nguyên và đạt tốc độ 10 khung hình/giây trên CPU tiêu chuẩn, việc triển khai mã nguồn trên các vi xử lý đồ họa chuyên dụng hoặc chip AI nhúng sẽ dễ dàng đưa hệ thống đạt chuẩn thời gian thực từ 25 đến 30 hình/giây.

Kết luận

• Xây dựng thành công chu trình phân loại đối tượng chuyển động tự động khép kín bao gồm: mô hình nền FTSG, trích xuất đặc trưng kết hợp tỷ lệ cạnh và Zernike NSCT, cùng bộ phân loại Gentle Boost.
• Đề xuất cải tiến kỹ thuật tích hợp sẵn bộ lọc không gian trong Flux Tensor, giảm số lượng phép tích chập từ 3 xuống 2 và tối ưu hóa đáng kể tốc độ xử lý khung hình.
• Thiết lập vector đặc trưng 2 chiều tối giản nhưng đạt độ chính xác nhận dạng vượt trội lên đến 92,5% trên hai lớp đối tượng trọng điểm là người và xe hơi.
• Cung cấp cơ sở khoa học thực nghiệm vững chắc về ứng dụng của các biến đổi đa tỷ lệ thế hệ mới trong bài toán xử lý video giám sát ngoài trời.
• Mở ra tiềm năng ứng dụng thực tế to lớn cho các hệ thống giám sát an ninh thông minh và giải pháp điều hành giao thông đô thị hiện đại.

Trong lộ trình 12 đến 18 tháng tiếp theo, công trình định hướng hoàn thiện việc tăng tốc phần cứng song song và mở rộng nhận dạng đa đối tượng giao thông. Hãy tham khảo toàn văn luận văn thạc sĩ để tiếp cận chi tiết mô hình toán học và các giải pháp công nghệ thị giác máy tính tiên tiến.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu tổng quan vấn đề nghiên cứu, bối cảnh hiện tại của đề tài, nêu các mục tiêu đặt ra của đề tài, nội dung các công việc đã thực hiện trong đề tài, phạm vi giới hạn nghiên cứu của đề tài. Chương 2: Trình bày về cơ sở lý thuyết toán học cũng như những kiến thức cơ bản có liên quan trong đề tài, các nghiên cứu khác và thành tựu đạt được trong lĩnh vực mà đề tài đang thực hiện, phương pháp thực hiện của đề tài. Chương 3: Toàn bộ giải thuật đề xuất cho việc phân loại đối tượng của đề tài được trình bày chi tiết các bước, lý do cho sự chọn lựa các giải pháp thành phần cũng như tổng thể giải thuật, các yêu cầu ban đầu đặt ra và phương pháp để đánh giá kết quả đạt được. Chương 4: Trình bày chi tiết thí nghiệm để kiểm chứng giải thuật đề xuất như tập dữ liệu sử dụng cho huấn luyện, kiểm tra, kết quả đạt được về độ chính xác, tốc độ, đánh giá về kết quả đó cũng như so sánh với một giải thuật đã được đề xuất khác.

Chương 5: Tổng kết toàn bộ đề tài với kết quả đạt được của giải thuật đề xuất, những điểm tốt, ưu thế của giải thuật cũng như những hạn chế trong đề xuất, ý nghĩa đóng góp của giải thuật đề xuất trong nghiên cứu khoa học cũng như thực tiễn cuộc sống, hướng phát triển trong tương lai của đề tài. CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Hệ thống giám sát thông minh Hệ thống thông minh Hệ thống giám sát thông minh Phát hiện Phân loại Theo dõi Phát hiện hành vi/ đối tượng đối tượng đối tượng tình huống chuyển động Hình 2.1: Tổng quan vấn đề nghiên cứu. Phân loại đối tượng là nội dung mà đề tài quan tâm nghiên cứu, nó là một thành phần trong hệ thống giám sát thông minh như hình 2.

Đi từ tổng thể của hệ thống thông minh, chi tiết hơn là hệ thống giám sát thông minh và đến các thành phần của nó, các phần dần được phát triển theo sự tiến bộ khoa học và nhu cầu của con người. Bắt đầu với hệ thống thông minh là khi sự phát triển vượt bậc của khoa học kĩ thuật đã dẫn đến các mong muốn và yêu cầu có những máy móc ngày một tinh vi thay thế con người trong mọi lĩnh vực lao động. Nếu phần cơ khí, vi mạch nói chung là phần xác của máy móc, thì hệ thống phần mềm điều khiển chính là linh hồn của chúng. Ví dụ như một rôbốt có thể được lắp camera để quan sát, lắp cánh tay kim loại để cầm nắm, nhưng làm sao chúng biết phải quan sát điều gì và phục vụ con người ra sao? Đó chính là nhờ các phần mềm được lập trình cho chúng.

Và khi đủ cả hai phần như vậy thì ta có hệ thống thông minh. Một định nghĩa hệ thống thông minh từ từ khóa “Smart 5 System” được Wikipedia [1] diễn giải bao gồm những thiết bị thu nhỏ có các chức năng cảm biến, kích hoạt và kiểm soát nhằm mô tả và phân tích tình huống để đưa ra quyết định dựa trên các dữ liệu sẵn có theo phương thức đoán nhận hay thích nghi, từ đó thực hiện được các hành xử hợp lý. Hầu hết các trường hợp, sẽ thể hiện dưới dạng các hoạt động độc lập dựa trên các điều khiển theo chu trình khép kín, hiệu quả về năng lượng tiêu thụ và có khả năng hoạt động qua mạng. Trong đó, ta thấy khả năng giám sát để ghi nhận tình huống và đưa ra những quyết định dựa trên dữ liệu sẵn có là điều mấu chốt làm nên sự thông minh.

Hiện nay, ngày càng có nhiều hệ thống giám sát qua camera, những hệ thống giám sát trong nhà như những cửa hàng nhỏ sử dụng để giữ xe cho khách, an ninh cho hàng hóa tránh mất cắp, hay các trường mẫu giáo với camera cho phép cha mẹ theo dõi con mình từ nơi làm việc, cho đến các hệ thống giám sát ngoài trời như đường phố, giám sát giao thông, hướng tới các tiện ích như theo dõi lưu lượng xe, kiểm soát tốc độ an toàn, phát hiện kẹt xe, tai nạn, nhận diện người đi bộ băng qua đường để cảnh báo v. Nhu cầu về giám sát qua camera là rất lớn, cách thức sử dụng sức người để theo dõi tất cả màn hình camera đang ngày càng trở nên không tưởng do số lượng camera lớn. Vì thế, các nghiên cứu về hệ thống giám sát thông minh đang nhận được nhiều sự quan tâm. Các mong đợi bao gồm đáp ứng yêu cầu thời gian thực và có thể nhận ra các đối tượng, các loại, thậm chí hành vi của chúng [2].

Thông thường, các video giám sát thường quan tâm nhiều đến những đối tượng chuyển động hơn là cảnh vật hay đối tượng đứng yên, do đây thường là nguồn gốc phát sinh các vấn đề có thể cần giám sát, vậy một vấn đề đầu tiên cần giải quyết là phát hiện đối tượng chuyển động trong video. Khi có những đối tượng chuyện động, để có thể giới hạn phạm vi quan tâm ví dụ trên đường có hai người có vị trí gần nhau trên video rồi 1 người chuyển động nhanh ra xa người kia, điều này có thể cảnh báo sự bất thường, làm cơ sở cho phát hiện hành vi như cướp giật chẳng hạn, nhưng nếu là 1 6 người và một xe rồi cả hai cùng di chuyển có thể là bình thường như người đó lên xe bus chẳng hạn. Do đó, ta có một nhu cầu rất cơ bản là cần biết loại của đối tượng hay vấn đề phân loại đối tượng. Dựa trên các loại đối tượng chuyển động, ta tiếp tục theo dõi chuỗi chuyển động của nó trong video để tìm ra thông tin quan tâm như sự di chuyển nhanh xuyên suốt từ cổng vào tới cửa lên máy bay có thể cho biết một sự trễ máy bay đang cần hỗ trợ chẳng hạn, những thông tin về chuỗi chuyển động như hướng, tốc độ hay các vùng đi qua v.v có thể giúp ích cho bước sau để phát hiện các hành vi không tốt, hay chỉ đơn giản hơn, là biết đối tượng di chuyển tới đâu để kiểm soát, có thể là phục vụ việc bắt giữ nếu là tội phạm hay kẻ xâm nhập.

Đó là vấn đề theo dõi đối tượng. Những vấn đề tiếp theo của hệ thống sẽ tùy chức năng cụ thể, như hệ thống qua đường an toàn sẽ quan tâm hành vi băng qua đường trên cơ sở phát hiện đối tượng chuyển động là người và xe, nhận ra hướng di chuyển giao nhau giữa người và xe. Từ khả năng đó, hệ thống có thể cảnh báo cho người lái xe chẳng hạn. Nhưng nếu đối tượng là một máy bay có hướng di chuyển đi lên trời thì rõ ràng nó không phải là vấn đề quan tâm của hệ thống v.v Đó là vấn đề về phát hiện hành vi hay tình huống của những đối tượng quan tâm.

Nhưng dù là vấn đề nào trong giám sát, đều dựa trên hai kết quả rất cơ bản là phát hiện đối tượng chuyển động, và phân loại đối tượng. Luận văn tập trung sâu vào vấn đề thứ hai là phân loại đối tượng trong ngữ cảnh đường phố. Vấn đề phân loại đối tượng Phát hiện Phân loại đối tượng Rút trích đặc trưng đối tượng chuyển động Hình 2.2: Các bước phân loại đối tượng. 7 Vấn đề phân loại đối tượng có thể tổng quát thành ba bước chính như hình 2.

Như đã trình bày trong phần 2.1, hệ thống giám sát mong muốn biết đối tượng chuyển động thuộc loại nào, nhưng việc xác định loại của đối tượng chuyển động cần thực hiện trên vùng ảnh chứa đối tượng chuyển động, vì thế trong nghiên cứu phân loại thường bao gồm việc phát hiện đối tượng chuyển động như là bước đầu tiên. Bước phát hiện chuyển động: về cơ bản là sự phân tích những khác biệt giữa các khung hình liên tiếp của đoạn video (chi tiết về video xem thêm phần 2.4), từ tập các điểm có thay đổi, ta kết nối thành các vùng ảnh có thay đổi gọi là các blob. Tuy nhiên các vùng ảnh này có thể chứa sai sót hoặc là các thay đổi không quan tâm như ánh sáng phản chiếu, lá cờ bay trong gió, cành cây rung rinh v.v, chúng sẽ được loại bỏ bằng cách như là bỏ qua các vùng thay đổi có kích thước dưới một ngưỡng nào đó. Các vùng ảnh còn lại sau quá trình khử nhiễu này sẽ là đầu vào cho bước tiếp theo.

Bước này thường gặp nhiều khó khăn do các điều kiện khách quan như môi trường, hay sự tương tác giữa các đối tượng. Bước rút trích đặc trưng: được thực hiện trên các vùng ảnh thu được ở bước trước. Các đặc trưng được chọn lựa rút trích tùy theo các loại đối tượng mong muốn phân loại và đặc điểm từng loại. Thông thường một đặc trưng đơn lẻ khó giúp phân loại được trong mọi tình huống cảnh video, nhất là với số loại đối tượng nhiều hơn hai.

Trong các nghiên cứu, người ta thường dùng nhiều đặc trưng kết hợp lại nhằm tăng tỷ lệ chính xác. Kết quả của bước này thường là vector đặc trưng bao gồm thông tin các đặc trưng đã rút trích từ đối tượng. Một vấn đề có thể gặp với vector đặc trưng là lượng thông tin lớn do nhiều đặc trưng hay đặc trưng thể hiện bởi nhiều dữ liệu, dẫn đến chi phí tính toán cao cho bước phân loại phía sau. Thông thường người ta giữ lại các thông tin quan trọng của đặc trưng để giảm bớt dữ liệu, cũng như chọn các bộ đặc trưng ít nhất mà cho sự kết hợp hiệu quả với nhau.

8 Bước phân loại đối tượng: Bước phân loại về cơ bản là dựa vào đặc trưng của đối tượng để xác định loại. Tuy nhiên, vì khó có một ngưỡng hay công thức cố định rõ ràng và đúng trong mọi trường hợp, nên để máy có thể biết đặc trưng phân bố như thế này thì ứng với loại đối tượng nào, ta cần huấn luyện một bộ lọc để phân loại, các vector đặc trưng sẽ qua nó để ra kết quả. Việc huấn luyện nói chung là dùng một tập dữ liệu đầu vào có thể đã biết loại đối tượng, cũng có thể chưa, để rút trích đặc trưng rồi đưa qua một bộ lọc hoạt động theo một giải thuật huấn luyện để đưa ra kết quả phân loại. Quá trình huấn luyện cho phép giải thuật điều chỉnh dần các thông số của nó sao cho kết quả trùng khớp với kết quả mong muốn.