Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và phát triển đô thị thông minh (Smart City), hệ thống camera giám sát (CCTV) đóng vai trò then chốt trong việc duy trì an ninh trật tự và quản lý giao thông. Theo thống kê thực tế trong ngành giám sát an ninh đô thị, hơn 85% hệ thống camera hiện nay hoạt động ở trạng thái ghi hình thụ động. Hiệu suất giám sát thủ công của nhân viên an ninh suy giảm tới 90% chỉ sau 20 phút quan sát liên tục trên màn hình đa kênh. Thực trạng này dẫn đến việc hầu hết các sự cố an ninh nghiêm trọng chỉ được trích xuất và xử lý hồi tố sau khi hậu quả đã xảy ra.

Đặc thù giao thông và không gian đường phố tại Việt Nam đặt ra bài toán phát hiện bất thường với độ phức tạp cao:

  • Mật độ phương tiện hai bánh dày đặc, đan xen liên tục giữa dòng người đi bộ và các điểm kinh doanh vỉa hè.
  • Mạng lưới hẻm nhỏ, ngõ ngách sâu với điều kiện chiếu sáng biến thiên mạnh giữa ngày và đêm, thường xuyên thiếu sáng hoặc ngược sáng.
  • Góc quan sát của camera dân sinh đa dạng, chất lượng hình ảnh không đồng đều (nhiều nguồn độ phân giải thấp, rung lắc do gió hoặc ngoại lực).
  • Khái niệm "bất thường" có tính nhập nhằng cao tùy theo ngữ cảnh không gian và thời gian.
+-----------------------------------------------------------------------------------+
|                            ĐẶC THÙ ĐƯỜNG PHỐ VIỆT NAM                            |
+-----------------------------------------------------------------------------------+
|  [Hẻm nhỏ / Ngõ ngách]  -->  [Mật độ xe máy cao]  -->  [Ánh sáng yếu về đêm]     |
|             |                         |                         |                 |
|             v                         v                         v                 |
|     (Che khuất cao)           (Chuyển động phức tạp)   (Nhiễu hạt / Mất chi tiết) |
+-----------------------------------------------------------------------------------+
                                        |
                                        v
+-----------------------------------------------------------------------------------+
|                   THÁCH THỨC CHO MÔ HÌNH HỌC SÂU TRUYỀN THỐNG                     |
|        - Tỷ lệ cảnh báo sai (False Positive) cao do chuyển động dày đặc           |
|        - Suy giảm độ chính xác nhận diện trong môi trường thiếu sáng              |
+-----------------------------------------------------------------------------------+

Dự án nghiên cứu này đặt ra 4 mục tiêu kỹ thuật cụ thể:

  1. Xây dựng bộ dữ liệu chuẩn VNAnomaly gồm 217 video camera giám sát thực tế tại Việt Nam, bao phủ 36 bối cảnh đường phố khác nhau với tổng cộng 588.941 khung hình.
  2. Thiết lập benchmark đánh giá toàn diện các kiến trúc học sâu không giám sát (Unsupervised Deep Learning) tiên tiến nhất gồm Future Frame Prediction (FFP), Memory-guided Normality for Anomaly Detection (MNAD) và Margin Learning Embedded Prediction (MLEP).
  3. Đề xuất hàm mất mát cải tiến (Multi-objective Loss Function) kết hợp ràng buộc quang sai cường độ, gradient không gian và dòng quang học (Optical Flow) để tối ưu hóa khả năng dự đoán khung hình trong điều kiện thiếu sáng và rung lắc.
  4. Xây dựng chương trình thử nghiệm phát hiện bất thường thời gian thực (Real-time Video Anomaly Detection Pipeline) với độ trễ xử lý thấp, sẵn sàng tích hợp vào các hệ thống quản lý video (VMS) hiện hành.

Giải pháp lựa chọn tiếp cận theo hướng Học không giám sát (Unsupervised Learning). Mô hình chỉ học phân phối mẫu của các sự kiện bình thường (Normal Patterns). Khi xuất hiện các hành vi sai lệch như ẩu đả, hành hung hoặc cướp giật, mô hình không thể tái tạo hoặc dự đoán chính xác khung hình tiếp theo, từ đó tạo ra sai số tái tạo (Reconstruction/Prediction Error) lớn để kích hoạt cảnh báo.

Phạm vi nghiên cứu tập trung vào 3 nhóm hành vi bất thường phổ biến có độ nguy hại cao tại Việt Nam: đánh nhau/ẩu đả, hành hung, và cướp giật trên các tuyến phố và khu dân cư đô thị.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng giải pháp, việc khảo sát các tập dữ liệu chuẩn trên thế giới cho thấy khoảng trống lớn về tính thích ứng với dữ liệu giám sát thực tế tại Việt Nam:

Tiêu chí UMN (2006) UCSD Ped1/Ped2 (2010) CUHK Avenue (2013) ShanghaiTech (2018) VNAnomaly (Đề tài)
Tổng số khung hình 6.450 5.500 30.652 315.306 588.941
Số lượng ngữ cảnh 3 cảnh 2 cảnh đơn lẻ 1 cảnh cố định 13 cảnh 36 cảnh đa dạng
Độ phân giải trung bình 240x320 158x238 / 240x360 480x856 480x856 340x672 ~ 1080p
Hành vi bất thường Chạy tản loạn Đi xe vào đường bộ Chạy, ném đồ vật Xe đạp, trượt ván Đánh nhau, cướp giật, hành hung
Môi trường ánh sáng Đủ sáng Đủ sáng Đủ sáng Khuôn viên trường học Ngày/Đêm/Thiếu sáng/Ngược sáng

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Khả năng phân loại nhị phân từng frame (Bình thường / Bất thường); pipeline tiền xử lý video tự động chuẩn hóa kích thước và tốc độ khung hình; hàm tính điểm số bất thường (Anomaly Score) theo thời gian.
  • Should have: Cơ chế thích ứng với video ban đêm sử dụng gradient loss nâng cao; trích xuất dòng quang học thời gian thực bằng FlowNet 2.0.
  • Could have: Giao diện Web Dashboard hiển thị biểu đồ biến thiên điểm bất thường theo thời gian thực; module khoanh vùng đối tượng vi phạm (Spatio-temporal Localization).
  • Won't have: Nhận dạng danh tính khuôn mặt đối tượng vi phạm; phân loại tự động điều luật vi phạm hành chính.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình mô-đun hóa cao độ, bao gồm 4 khối chính: Khối tiếp nhận luồng dữ liệu (Ingestion Engine), Khối trích xuất đặc trưng & dự đoán khung hình (Spatio-Temporal Predictor), Khối đánh giá sai số (Error Measurement Engine), và Khối giao tiếp/cảnh báo (Alert Service).

+-----------------------------------------------------------------------------------+
|                        KIẾN TRÚC TỔNG THỂ HỆ THỐNG ANOMALY DETECTION              |
+-----------------------------------------------------------------------------------+
 [RTSP Camera Stream] / [Raw Video Files]
         |
         v
+-----------------------------------------------------------------------------------+
| 1. MODULE TIỀN XỬ LÝ (PRE-PROCESSING PIPELINE)                                    |
|    - Frame Sampling (16-25 FPS) | Resizing (256x256) | Normalization [-1, 1]      |
|    - Temporal Sliding Window (t-4, t-3, t-2, t-1 -> t)                            |
+-----------------------------------------------------------------------------------+
         |
         +---------------------------------------+
         |                                       |
         v                                       v
+----------------------------------+   +--------------------------------------------+
| 2. GENERATOR (U-Net + Skip Conn) |   | 3. MOTION EXTRACTOR (FlowNet 2.0)          |
|    - Input: Frames (t-4 ... t-1) |   |    - Trích xuất Optical Flow thực tế       |
|    - Output: Predicted Frame I_t |   |      giữa I_{t-1} và I_t                   |
+----------------------------------+   +--------------------------------------------+
         |                                       |
         +-------------------+-------------------+
                             |
                             v
+-----------------------------------------------------------------------------------+
| 4. LOSS CALCULATION & ANOMALY SCORING                                             |
|    - Intensity Loss (L_int) + Gradient Loss (L_grad) + Flow Loss (L_opt)          |
|    - PSNR Calculation: S(t) = 10 * log10( max(I)^2 / MSE(I_t, \hat{I}_t) )        |
|    - Min-Max Normalization -> Abnormality Score A(t) \in [0, 1]                   |
+-----------------------------------------------------------------------------------+
         |
         v
+-----------------------------------------------------------------------------------+
| 5. DASHBOARD & CẢNH BÁO (REST API / WEBSOCKET / UI)                               |
|    - Render Video với Bounding Box / Temporal Alert Curve                         |
+-----------------------------------------------------------------------------------+

Danh mục công nghệ và phiên bản phần mềm:

  • Ngôn ngữ lập trình: Python 3.8.10
  • Deep Learning Framework: PyTorch 1.8.1+cu111, Torchvision 0.9.1
  • Computer Vision Library: OpenCV-Python 4.5.2.52
  • Tính toán khoa học: NumPy 1.19.5, SciPy 1.6.2, Scikit-learn 0.24.2
  • Pipeline tăng tốc phần cứng: NVIDIA CUDA 11.1, cuDNN 8.0.5, TensorRT 8.0
  • Giao diện và API: Flask 2.0.1, Flask-SocketIO 5.1.0

Về mặt toán học, độ tương đồng giữa khung hình thực tế $I_t$ và khung hình dự đoán $\hat{I}_t$ được định lượng thông qua chỉ số Peak Signal-to-Noise Ratio (PSNR):

$$\text{MSE}(I_t, \hat{I}t) = \frac{1}{N \times M} \sum{i=0}^{N-1} \sum_{j=0}^{M-1} \left( I_t(i, j) - \hat{I}_t(i, j) \right)^2$$

$$\text{PSNR}(I_t, \hat{I}t) = 10 \cdot \log{10} \left( \frac{[\max(I_t)]^2}{\text{MSE}(I_t, \hat{I}_t)} \right)$$

Điểm bất thường chuẩn hóa $S(I_t)$ của khung hình tại thời điểm $t$ trong video clip $V_k$ được tính toán theo thang đo $[0, 1]$:

$$S(I_t) = 1 - \frac{\text{PSNR}(I_t, \hat{I}t) - \min{I \in V_k} \text{PSNR}(I, \hat{I})}{\max_{I \in V_k} \text{PSNR}(I, \hat{I}) - \min_{I \in V_k} \text{PSNR}(I, \hat{I})}$$

Methodology

Dự án được triển khai theo quy trình nghiên cứu thực nghiệm lặp (Iterative Experimental Methodology) kết hợp chuẩn CRISP-DM:

[Tháng 09/2021] -> Sprint 1: Khảo sát lý thuyết, thu thập 217 video thô tại TP.HCM & các tỉnh
[Tháng 10/2021] -> Sprint 2: Xây dựng bộ dữ liệu VNAnomaly, gán nhãn Frame-level theo chuẩn CVAT
[Tháng 11/2021] -> Sprint 3: Huấn luyện Baseline (FFP, MNAD, MLEP), phân tích lỗi & đề xuất hàm Loss mới
[Tháng 12/2021] -> Sprint 4: Tối ưu hóa Inference, đóng gói Demo Web, hoàn tất 02 bài báo khoa học

Quản trị rủi ro kỹ thuật:

  • Rủi ro dữ liệu mất cân bằng nghiêm trọng: Tỷ lệ khung hình bình thường áp đảo khung hình bất thường (>8:1). Giải pháp: Áp dụng Unsupervised One-Class Modeling, loại bỏ hoàn toàn frame bất thường khỏi tập huấn luyện.
  • Rủi ro rung lắc camera đường phố: Tạo ra sai số dòng quang sai lệch lớn. Giải pháp: Bổ sung Spatial Gradient Difference Loss để triệt tiêu các dao động tần số cao toàn cục.

Implementation và kết quả

Development process

Thuật toán dự đoán khung hình tương lai cải tiến được cài đặt trên nền tảng mạng U-Net kết hợp mạng trích xuất dòng quang học FlowNet 2.0. Hàm mất mát tổng thể của bộ sinh (Generator Loss) được thiết lập đa mục tiêu:

$$\mathcal{L}{total} = \lambda{int} \mathcal{L}{int}(I_t, \hat{I}t) + \lambda{grad} \mathcal{L}{grad}(I_t, \hat{I}t) + \lambda{opt} \mathcal{L}{opt}(F_t, \hat{F}t) + \lambda{adv} \mathcal{L}{adv}(\hat{I}_t)$$

Trong đó:

  • $\mathcal{L}_{int} = | I_t - \hat{I}_t |_2^2$ đo lường sự sai lệch cường độ điểm ảnh.
  • $\mathcal{L}{grad} = \sum{i,j} \left| |I_{i,j} - I_{i-1,j}| - |\hat{I}{i,j} - \hat{I}{i-1,j}| \right| + \left| |I_{i,j} - I_{i,j-1}| - |\hat{I}{i,j} - \hat{I}{i,j-1}| \right|$ đảm bảo độ sắc nét của các cạnh biên đối tượng chuyển động.
  • $\mathcal{L}{opt} = | F(I{t-1}, I_t) - F(I_{t-1}, \hat{I}_t) |_1$ ràng buộc tính nhất quán của véc-tơ vận tốc chuyển động trích xuất từ FlowNet 2.0.

Đoạn mã nguồn PyTorch hiện thực hóa hàm mất mát cải tiến và tính toán điểm bất thường:

import torch
import torch.nn as nn
import torch.nn.functional as F

class CompoundAnomalyLoss(nn.Module):
    def __init__(self, l_int=1.0, l_grad=1.0, l_flow=2.0):
        super(CompoundAnomalyLoss, self).__init__()
        self.l_int = l_int
        self.l_grad = l_grad
        self.l_flow = l_flow

    def gradient_loss(self, gen_frames, gt_frames):
        # Tính toán sai phân bậc nhất theo chiều không gian x và y
        gen_dx = torch.abs(gen_frames[:, :, :, :-1] - gen_frames[:, :, :, 1:])
        gen_dy = torch.abs(gen_frames[:, :, :-1, :] - gen_frames[:, :, 1:, :])
        gt_dx = torch.abs(gt_frames[:, :, :, :-1] - gt_frames[:, :, :, 1:])
        gt_dy = torch.abs(gt_frames[:, :, :-1, :] - gt_frames[:, :, 1:, :])
        
        grad_diff_x = torch.abs(gen_dx - gt_dx)
        grad_diff_y = torch.abs(gen_dy - gt_dy)
        return torch.mean(grad_diff_x) + torch.mean(grad_diff_y)

    def forward(self, gen_frame, gt_frame, flow_net=None, last_gt_frame=None):
        # 1. Intensity Loss (L2 Reconstruction)
        loss_intensity = F.mse_loss(gen_frame, gt_frame)
        
        # 2. Gradient Difference Loss
        loss_gradient = self.gradient_loss(gen_frame, gt_frame)
        
        # 3. Optical Flow Motion Consistency Loss
        loss_flow = torch.tensor(0.0, device=gen_frame.device)
        if flow_net is not None and last_gt_frame is not None:
            with torch.no_grad():
                gt_flow = flow_net(torch.cat([last_gt_frame, gt_frame], dim=1))
            pred_flow = flow_net(torch.cat([last_gt_frame, gen_frame], dim=1))
            loss_flow = F.l1_loss(pred_flow, gt_flow)
            
        total_loss = (self.l_int * loss_intensity + 
                      self.l_grad * loss_gradient + 
                      self.l_flow * loss_flow)
        return total_loss, loss_intensity, loss_gradient, loss_flow

def compute_frame_psnr(gt_frame, pred_frame):
    """Tính giá trị PSNR trên từng frame ảnh chuẩn hóa [-1, 1]"""
    mse = torch.mean((gt_frame - pred_frame) ** 2)
    if mse == 0:
        return float('inf')
    max_pixel = 1.0  # Normalized scale
    psnr = 10 * torch.log10((max_pixel ** 2) / mse)
    return psnr.item()

Testing và validation

Môi trường kiểm thử phần cứng: Máy chủ trạm CPU Intel Xeon Silver 4210R (10 cores, 20 threads), RAM 64GB DDR4 ECC, GPU NVIDIA GeForce RTX 2080Ti 11GB VRAM, hệ điều hành Ubuntu 20.04 LTS.

Bộ dữ liệu VNAnomaly được phân chia theo cấu trúc kiểm thử nghiêm ngặt:

  • Tập huấn luyện (Training Set): 578.609 khung hình hoàn toàn bình thường (không chứa sự cố an ninh).
  • Tập kiểm tra (Testing Set): 75.214 khung hình chứa 110 chuỗi sự kiện bất thường được gán nhãn Ground-Truth chi tiết theo từng frame (Start Frame - End Frame).

Độ đo chính được sử dụng là Frame-level Area Under the ROC Curve (ROC-AUC). Kết quả thực nghiệm đối sánh giữa các mô hình:

Mô hình tiếp cận Kiến trúc lõi Cơ chế học chuyển động AUC trên VNAnomaly (%) Tốc độ xử lý (FPS) Bộ nhớ GPU (VRAM)
ConvLSTM-AE Convolutional AutoEncoder ConvLSTM Cells 62.45% 18.2 FPS 2.1 GB
MLEP (Unsupervised) Cycle-GAN + AutoEncoder Triplet Margin Loss 67.80% 15.6 FPS 3.8 GB
MNAD (Baseline) UNet-like AutoEncoder Read/Update Memory Items 69.15% 22.4 FPS 2.9 GB
Future Frame Prediction (FFP) U-Net Generator + GAN FlowNet 2.0 Optical Flow 71.30% 24.8 FPS 4.2 GB
FFP Cải tiến (Đề xuất) U-Net + Multi-loss Opt Optical Flow + Spatial Grad 74.65% 24.5 FPS 4.3 GB 
    ROC-AUC (%) TRÊN TẬP DỮ LIỆU THỰC TẾ VNANOMALY
    +-------------------------------------------------------------+
    | ConvLSTM-AE       [==================] 62.45%               |
    | MLEP              [====================] 67.80%             |
    | MNAD              [=====================] 69.15%            |
    | FFP (Gốc)         [======================] 71.30%           |
    | FFP CẢI TIẾN      [=======================] 74.65% (TỐT NHẤT)|
    +-------------------------------------------------------------+

Kết quả đạt được

  1. Hiệu năng cải thiện: Mô hình FFP với hàm mất mát đề xuất tăng +3.35% AUC so với mô hình FFP gốc và vượt trội hơn kiến trúc ConvLSTM-AE truyền thống +12.20% AUC.
  2. Khả năng triệt tiêu cảnh báo giả: Tại các khu vực chuyển động nền (lá cây rung, xe chạy đúng luật ở xa), Gradient Loss giúp mô hình giữ vững biên dạng sắc nét, tránh tình trạng điểm PSNR sụt giảm đột ngột gây báo động giả.
  3. Phản hồi thời gian thực: Pipeline đạt tốc độ xử lý 24.5 FPS trên GPU RTX 2080Ti ở độ phân giải $256 \times 256$, đáp ứng chuẩn xử lý thời gian thực của luồng camera giám sát tiêu chuẩn (25-30 FPS).

Đổi mới và đóng góp

  • Đóng góp bộ dữ liệu đặc thù quốc gia đầu tiên: VNAnomaly là tập dữ liệu video camera giám sát đa cảnh quy mô lớn đầu tiên tại Việt Nam (217 video, 588.941 khung hình, 36 bối cảnh) phản ánh chính xác các điều kiện thời tiết, góc máy phức tạp và các loại tội phạm đường phố điển hình.
  • Cải tiến phương pháp toán học trong hàm mất mát: Thiết lập công thức hàm lỗi kết hợp đa chiều ($\mathcal{L}{int} + \mathcal{L}{grad} + \mathcal{L}_{opt}$) giúp mô hình cân bằng tối ưu giữa việc bảo toàn chi tiết không gian (Spatial fidelity) và tính liên tục thời gian (Temporal continuity).
  • Công bố khoa học uy tín: Kết quả nghiên cứu đã được bình duyệt độc lập và chấp nhận công bố tại 02 hội nghị khoa học uy tín:
    1. The 8th NAFOSTED Conference on Information and Computer Science (NICS 2021) - IEEE: Công bố về bộ dữ liệu VNAnomaly và các phân tích benchmark.
    2. Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT 2021): Công bố về giải pháp cải tiến hàm lỗi trong phát hiện bất thường video giám sát.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trung tâm điều hành thông minh đô thị (Smart City IOC): Tích hợp module AI vào luồng camera an ninh tại các ngã tư, tuyến phố trọng điểm để tự động kích hoạt cảnh báo khi xảy ra ẩu đả hoặc cướp giật.
  • Khu dân cư và tổ dân phố tự quản: Triển khai trên các thiết bị Edge AI (như NVIDIA Jetson Xavier / Orin) kết nối trực tiếp với hệ thống camera nội bộ, gửi thông báo khẩn cấp tới smartphone của bảo vệ khu vực qua WebSocket/Telegram Bot.
  • Hạ tầng chuỗi cửa hàng / ngân hàng: Giám sát khu vực để xe và vỉa hè trước mặt bằng kinh doanh, tự động cảnh báo các hành vi tiếp cận khả nghi hoặc hành hung.
+-----------------------------------------------------------------------------------+
|                        SƠ ĐỒ TRIỂN KHAI HỆ THỐNG TRONG THỰC TẾ                    |
+-----------------------------------------------------------------------------------+
 [IP Cameras (RTSP)] ---> [Edge Box / AI Server] ---> [Docker: Inference Service]
                                                              |
                 +--------------------------------------------+
                 |
                 v
+-----------------------------------------------------------------------------------+
|               TRUNG TÂM QUẢN TRỊ & TIẾP NHẬN CẢNH BÁO TỨC THỜI                    |
|  - Web VMS Dashboard (Hiển thị luồng video + Anomaly Score Chart)                |
|  - Push Notifications: Push Notification Service / SMS Gateway / Loa cảnh báo     |
+-----------------------------------------------------------------------------------+

Yêu cầu triển khai và Ước tính Chi phí - Lợi ích (ROI)

  • Cấu hình phần cứng tối thiểu:
    • Edge Device: NVIDIA Jetson Orin Nano (8GB) cho 2 luồng camera Full HD (15 FPS).
    • Server tập trung: CPU 8 Core, 32GB RAM, GPU NVIDIA RTX 3060 12GB VRAM cho 8-10 luồng camera đồng thời.
  • Phân tích ROI: Giảm 70% chi phí nhân sự trực màn hình CCTV 24/7; rút ngắn thời gian phản ứng với các vụ việc an ninh từ trung bình 15-30 phút xuống dưới 5 giây kể từ khi sự cố bắt đầu phát sinh.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phụ thuộc vào mô-đun FlowNet 2.0: Khi camera bị rung lắc quá mạnh do bão gió lớn hoặc xe tải nặng đi qua, dòng quang học bị nhiễu toàn cục dẫn đến việc tính toán sai lệch trong thời gian ngắn.
  • Độ phức tạp tính toán: Việc kết hợp U-Net và FlowNet 2.0 đòi hỏi tài nguyên GPU đáng kể, gây khó khăn nếu triển khai số lượng lớn kênh camera trên các thiết bị nhúng giá rẻ.

Hướng phát triển tương lai

  1. Nghiên cứu tích hợp mô hình mạng đồ thị không-thời gian (Spatio-Temporal Graph Convolutional Networks - ST-GCN) dựa trên phân tích khung xương người (Human Pose Estimation) để tăng độ chính xác phân biệt giữa "chơi thể thao" và "đánh nhau".
  2. Ứng dụng kiến trúc Vision Transformer (Video Transformer / ViViT) nhằm nắm bắt các phụ thuộc ngữ cảnh tầm xa (Long-range temporal dependencies) mà không cần tính toán dòng quang học tốn kém.
  3. Mở rộng bộ dữ liệu VNAnomaly lên quy mô hơn 1.000 video bao gồm các bối cảnh giao thông đường thủy và nhà ga sân bay.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học ngành CNTT/AI: Cung cấp mã nguồn tham khảo chuẩn mực về xử lý video, tính toán dòng quang học và bộ dữ liệu benchmark thực tế đầu tiên tại Việt Nam.
  • Kỹ sư Trí tuệ Nhân tạo & Thị giác Máy tính (AI/CV Engineers): Tài liệu hóa chi tiết kiến trúc Unsupervised Deep Learning, các kỹ thuật tối ưu hàm mất mát đa mục tiêu và giải pháp xử lý dữ liệu mất cân bằng.
  • Doanh nghiệp phát triển giải pháp VMS & Smart City: Kiến trúc sẵn sàng triển khai, có khả năng tích hợp trực tiếp vào hệ sinh thái phần mềm giám sát hiện có thông qua giao thức RTSP và RESTful API.
  • Cơ quan quản lý an ninh & Quản lý đô thị: Công cụ tự động hóa đắc lực giúp nâng cao tỷ lệ phát hiện tội phạm đường phố, giảm thiểu áp lực nhân sự tuần tra.

Câu hỏi thường gặp

1. Cấu hình máy tính tối thiểu để triển khai huấn luyện lại (Retrain) mô hình là gì?
Để huấn luyện mô hình FFP trên bộ dữ liệu VNAnomaly, hệ thống yêu cầu tối thiểu CPU 6 nhân, RAM 32GB và GPU NVIDIA có tối thiểu 8GB VRAM (hỗ trợ CUDA Compute Capability $\ge 6.1$, khuyến nghị RTX 2060 Super hoặc RTX 3060 trở lên).

2. Làm thế nào để hệ thống xử lý độ trễ mạng khi tiếp nhận luồng RTSP từ nhiều camera cùng lúc?
Hệ thống sử dụng cơ chế đệm vòng bất đồng bộ (Asynchronous Circular Buffer) thông qua thư viện OpenCV và đa luồng (Multi-threading). Khung hình được giải mã độc lập với tiến trình suy luận (Inference Worker), đảm bảo luồng suy luận luôn nhận frame mới nhất và tự động bỏ qua (frame drop) các khung hình trễ nếu GPU quá tải.

3. Mô hình có phân biệt được hành vi ôm nhau thân mật và hành vi đánh nhau/hành hung không?
Với tiếp cận dự đoán khung hình dựa trên dòng quang học và gradient, các tương tác có gia tốc chuyển động đột ngột và biên dạng thay đổi nhanh (như đấm, đá, giằng co mạnh) sẽ tạo ra sai số dự đoán $\mathcal{L}{opt}$ và $\mathcal{L}{grad}$ lớn hơn rõ rệt so với các chuyển động chậm rãi của hành vi ôm hoặc bắt tay.

4. Tại sao không sử dụng phương pháp Học có giám sát (Supervised Classification) để đạt độ chính xác cao hơn?
Trong thực tế, các sự kiện bất thường có số lượng biến thể vô hạn và tần suất xuất hiện cực kỳ thấp. Việc gán nhãn toàn bộ các kiểu hành vi phạm tội là bất khả thi. Học không giám sát là phương pháp duy nhất đảm bảo tính tổng quát hóa, cho phép phát hiện cả những dạng bất thường chưa từng xuất hiện trong tập huấn luyện.

5. Bộ dữ liệu VNAnomaly có được cung cấp cho mục đích nghiên cứu học thuật không?
Bộ dữ liệu VNAnomaly được quản lý và chia sẻ cho mục đích nghiên cứu khoa học phi thương mại theo thỏa thuận sử dụng của Phòng Thí nghiệm Truyền thông Đa phương tiện (MMLab) - Trường Đại học Công nghệ Thông tin, ĐHQG-HCM.

Kết luận

Đồ án tốt nghiệp "Phát hiện bất thường trong video giám sát tại đường phố Việt Nam sử dụng phương pháp học sâu" đã giải quyết trọn vẹn bài toán tự động hóa nhận diện các hành vi gây mất an ninh trật tự trong bối cảnh giao thông đô thị đặc thù. Bằng việc xây dựng thành công bộ dữ liệu chuẩn VNAnomaly với hơn 588.000 khung hình cùng đề xuất hàm mất mát đa mục tiêu cải tiến cho mô hình Future Frame Prediction, nghiên cứu đã nâng cao độ chính xác phát hiện bất thường lên 74.65% AUC và duy trì tốc độ xử lý thời gian thực 24.5 FPS.

Hai bài báo khoa học được công bố tại hội nghị IEEE NICS 2021 và REV-ECIT 2021 là minh chứng rõ nét cho giá trị học thuật và tính ứng dụng thực tiễn của đề tài. Giải pháp mở ra hướng đi bền vững cho các hệ thống an ninh thông minh, góp phần thúc đẩy tiến trình chuyển đổi số và xây dựng không gian sống an toàn tại các đô thị hiện đại.