Khóa Luận Tốt Nghiệp: Phát Hiện Bất Thường Trong Video Giám Sát Sử Dụng Deep Learning

• Tác giả: Vũ Ngọc Tú
• Người hướng dẫn: TS. Nguyễn Tấn Trần Minh Khang
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh - Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phát hiện bất thường trong video giám sát tại đường phố Việt Nam sử dụng phương pháp học sâu
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Động lực nghiên cứu
• 1.2. Phát biểu bài toán. Các thách thức
• 1.3. Mục tiêu và phạm vi nghiên cứu
• 1.4. Đóng góp của khóa luận
• 1.5. Cấu trúc báo cáo khóa luận
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Phát hiện bất thường
• 2.2. Phân loại
• 2.3. Các bộ dữ liệu hiện có cho bài toán phát hiện bất thường
• 2.3.1. Bộ dữ liệu đơn cảnh
• 2.3.2. Bộ dữ liệu đa cảnh
• 2.4. Các hướng tiếp cận hiện tại cho bài toán phát hiện bất thường
• 2.4.1. Hướng tiếp cận dựa trên đặc trưng handcrafted
• 2.4.2. Mô-đun trích xuất đặc trưng truyền thống
• 2.4.3. Hướng tiếp cận dựa trên học sâu
• 2.4.4. Hướng tiếp cận học không giám sát
• 3. CHƯƠNG 3: XÂY DỰNG BỘ DỮ LIỆU CHO BẤT THƯỜNG TẠI ĐƯỜNG PHỐ TRONG VIỆT NAM
• 3.1. Lý do xây dựng bộ dữ liệu
• 3.2. Thu thập và tiền xử lý
• 3.2.1. Thu thập dữ liệu
• 3.2.2. Tiền xử lý dữ liệu
• 3.3. Quy tắc tổ chức và gán nhãn dữ liệu
• 3.3.1. Quy trình thu thập và gán nhãn
• 3.4. Phân tích bộ dữ liệu
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Dữ liệu thực nghiệm
• 4.1.1. Mô tả cơ bản
• 4.1.2. Mô tả chi tiết
• 4.2. Mô tả thực nghiệm
• 4.2.1. Mô tả quá trình thực nghiệm
• 4.2.2. Cấu hình thực nghiệm
• 4.2.3. Phương pháp đánh giá
• 4.3. Kết quả thực nghiệm và đánh giá
• 4.3.1. Kết quả thực nghiệm
• 4.3.2. Trực quan hóa kết quả
• 4.3.3. Đánh giá kết quả
• 5. CHƯƠNG 5: ĐỀ XUẤT PHƯƠNG PHÁP CẢI TIẾN, THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 5.1. Cải tiến đề xuất để cải thiện kết quả phát hiện bất thường trên video giám sát
• 5.2. Đề xuất hàm độ lỗi cho phương pháp Future Frame Prediction
• 5.3. Phương pháp phát hiện bất thường cơ sở của phương pháp
• 5.4. Đề xuất chỉnh sửa phương pháp phát hiện bất thường
• 5.5. Đánh giá kết quả đề xuất
• 5.6. Trực quan kết quả
• 6. CHƯƠNG 6: CHƯƠNG TRÌNH MINH HỌA
• 6.1. Xây dựng ứng dụng demo cho bài toán phát hiện bất thường
• 6.2. Cách sử dụng hệ thống
• 7. CHƯƠNG 7: HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A: BÀI BÁO
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT

Tóm tắt

I. Giới thiệu và động lực nghiên cứu

Khóa luận tập trung vào phát hiện bất thường trong video giám sát sử dụng Deep Learning, một lĩnh vực quan trọng trong Khoa học máy tính. Nghiên cứu này xuất phát từ nhu cầu thực tế trong việc xây dựng thành phố thông minh tại Việt Nam, nơi các hệ thống giám sát thông minh đang được triển khai rộng rãi. Phát hiện bất thường trong video giám sát giúp nhận diện các sự kiện như đánh nhau, trộm cắp, cướp giật, từ đó hỗ trợ công tác quản lý và an ninh. Với sự gia tăng dân số và các hoạt động đa dạng tại các đô thị, việc tự động hóa quá trình này là cần thiết để giảm chi phí nhân công và nâng cao hiệu quả.

1.1. Bài toán phát hiện bất thường

Bài toán phát hiện bất thường trong video giám sát đặt ra nhiều thách thức do sự đa dạng trong hành vi con người và góc quay của camera. Nghiên cứu này nhằm xây dựng một mô hình dựa trên Deep Learning để tự động phát hiện các sự kiện bất thường, đồng thời xây dựng bộ dữ liệu về các sự kiện này tại Việt Nam.

II. Phương pháp và kỹ thuật sử dụng

Khóa luận sử dụng các kỹ thuật học sâu như mạng nơ-ron tích chập (CNN) và mạng tự mã hóa (Autoencoder) để trích xuất đặc trưng từ video. Các phương pháp tiên tiến như Future Frame Prediction (FFP) và Memory-guided Normality for Anomaly Detection (MNAD) được áp dụng để cải thiện độ chính xác của mô hình. Nghiên cứu cũng đề xuất các cải tiến trong hàm độ lỗi và quy trình phát hiện bất thường để tối ưu hóa hiệu suất.

2.1. Trích xuất đặc trưng và mô hình học sâu

Các kỹ thuật trích xuất đặc trưng như HOG và SIFT được sử dụng để phân tích hành vi trong video. Mạng nơ-ron tích chập (CNN) và mạng tự mã hóa (Autoencoder) được triển khai để học các đặc trưng phức tạp từ dữ liệu video.

2.2. Cải tiến phương pháp phát hiện bất thường

Nghiên cứu đề xuất các cải tiến trong hàm độ lỗi của Future Frame Prediction (FFP) và quy trình phát hiện bất thường của MNAD để nâng cao độ chính xác và hiệu quả của mô hình.

III. Kết quả và đánh giá

Khóa luận đã xây dựng bộ dữ liệu VNAnomaly gồm 217 video giám sát từ các camera tại Việt Nam. Các mô hình FFP, MNAD, và MLEP được thử nghiệm trên bộ dữ liệu này, cho kết quả khả quan với độ chính xác cao. Nghiên cứu cũng đề xuất các cải tiến giúp tăng hiệu suất của mô hình, đồng thời phát triển một ứng dụng demo để minh họa quá trình phát hiện bất thường.

3.1. Bộ dữ liệu VNAnomaly

Bộ dữ liệu VNAnomaly được thu thập từ các camera giám sát tại Việt Nam, bao gồm các sự kiện bất thường như đánh nhau, cướp giật. Dữ liệu được tiền xử lý và gán nhãn để phục vụ cho việc huấn luyện mô hình.

3.2. Đánh giá kết quả thực nghiệm

Các mô hình FFP, MNAD, và MLEP được đánh giá dựa trên các chỉ số như ROC-AUC và confusion matrix. Kết quả cho thấy các mô hình này có khả năng phát hiện bất thường hiệu quả trên bộ dữ liệu VNAnomaly.

IV. Ứng dụng và hướng phát triển

Nghiên cứu này có tiềm năng ứng dụng cao trong các hệ thống giám sát thông minh tại Việt Nam, đặc biệt trong bối cảnh xây dựng thành phố thông minh. Các kết quả đạt được đã được công bố tại các hội nghị quốc gia và quốc tế, mở ra hướng phát triển mới trong lĩnh vực phân tích video và an ninh.

4.1. Ứng dụng thực tế

Mô hình phát hiện bất thường có thể được tích hợp vào các hệ thống camera giám sát để tự động cảnh báo các sự kiện bất thường, giúp giảm thiểu chi phí nhân công và nâng cao hiệu quả quản lý.

4.2. Hướng phát triển tương lai

Nghiên cứu đề xuất hướng phát triển tiếp theo là mở rộng bộ dữ liệu và cải tiến các mô hình học sâu để tăng độ chính xác và khả năng ứng dụng trong các tình huống thực tế phức tạp hơn.