Luận Văn Về Phát Hiện Chuyển Động Bằng Phương Pháp Trừ Nền

Luận văn trình bày phương pháp trừ nền để phát hiện chuyển động, ứng dụng trong xử lý hình ảnh và video, nâng cao hiệu quả phân tích.

• Trường học: Trường Đại Học Khoa Học Công Nghệ
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát Hiện Chuyển Động Hiệu Quả Bằng Phương Pháp Trừ Nền
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ VIDEO VÀ PHÁT HIỆN CHUYỂN ĐỘNG
• 1.1. Các khái niệm cơ bản về video
• 1.2. Mô hình ảnh nền
• 1.2.1. Mô hình trừ ảnh nền thích hợp
• 1.2.2. Mô hình của Stauffer và Grimson
• 1.2.3. Mô hình chênh lệch tạm thời
• 1.3. Khối xử lý các vùng ảnh nổi
• 1.3.1. Tiền xử lý mức điểm ảnh
• 1.3.2. Các vấn đề liên quan đến bóng và loại bỏ nhiễu khi ánh sáng thay đổi
• 2. CHƯƠNG 2: NỘI DUNG GIẢI THUẬT PHÁT HIỆN CHUYỂN ĐỘNG
• 3. CHƯƠNG 3: CHƯƠNG TRÌNH THỬ NGHIỆM PHÁT HIỆN CHUYỂN ĐỘNG

Tóm tắt

I. Tổng Quan Về Phát Hiện Chuyển Động Bằng Phương Pháp Trừ Nền

Phát hiện chuyển động là một trong những chức năng quan trọng nhất trong hệ thống giám sát video. Phương pháp trừ nền giúp xác định các đối tượng chuyển động trong video bằng cách so sánh khung hình hiện tại với ảnh nền. Điều này không chỉ giúp phát hiện chuyển động mà còn hỗ trợ trong việc phân tích hành động và tương tác người – máy. Việc áp dụng công nghệ này ngày càng trở nên phổ biến trong các lĩnh vực như an ninh, giám sát giao thông và nghiên cứu hành vi.

1.1. Khái Niệm Cơ Bản Về Phát Hiện Chuyển Động

Phát hiện chuyển động là quá trình nhận diện các đối tượng di chuyển trong video. Điều này được thực hiện thông qua việc phân tích các khung hình liên tiếp và xác định sự khác biệt giữa chúng.

1.2. Vai Trò Của Phương Pháp Trừ Nền Trong Phát Hiện Chuyển Động

Phương pháp trừ nền giúp loại bỏ các yếu tố không cần thiết trong video, từ đó làm nổi bật các đối tượng chuyển động. Điều này giúp cải thiện độ chính xác trong việc phát hiện và phân tích hành động.

II. Thách Thức Trong Phát Hiện Chuyển Động Bằng Phương Pháp Trừ Nền

Mặc dù phương pháp trừ nền mang lại nhiều lợi ích, nhưng cũng gặp phải một số thách thức. Các yếu tố như ánh sáng thay đổi, bóng vật thể và nhiễu nền có thể ảnh hưởng đến độ chính xác của việc phát hiện chuyển động. Việc xử lý những yếu tố này là rất quan trọng để đảm bảo hiệu quả của hệ thống giám sát.

2.1. Ảnh Hưởng Của Ánh Sáng Thay Đổi

Ánh sáng thay đổi có thể làm cho các đối tượng chuyển động trở nên khó nhận diện. Điều này đòi hỏi các thuật toán phải có khả năng thích ứng với các điều kiện ánh sáng khác nhau.

2.2. Vấn Đề Nhiễu Nền Trong Quá Trình Phát Hiện

Nhiễu nền có thể gây ra sự nhầm lẫn trong việc xác định các đối tượng chuyển động. Việc áp dụng các kỹ thuật lọc và làm sạch dữ liệu là cần thiết để cải thiện độ chính xác.

III. Phương Pháp Trừ Nền Hiệu Quả Trong Phát Hiện Chuyển Động

Có nhiều phương pháp trừ nền khác nhau được áp dụng trong phát hiện chuyển động. Các phương pháp này bao gồm mô hình trừ ảnh nền, mô hình chênh lệch tạm thời và mô hình thống kê Gausse. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Mô Hình Trừ Ảnh Nền

Mô hình trừ ảnh nền là phương pháp phổ biến nhất, giúp xác định các điểm ảnh nổi bằng cách so sánh khung hình hiện tại với ảnh nền đã được ước lượng.

3.2. Mô Hình Chênh Lệch Tạm Thời

Mô hình chênh lệch tạm thời sử dụng sự so sánh giữa các khung hình liên tiếp để phát hiện chuyển động. Phương pháp này hiệu quả trong các tình huống có sự thay đổi nhanh chóng.

IV. Ứng Dụng Thực Tiễn Của Phát Hiện Chuyển Động Bằng Phương Pháp Trừ Nền

Phát hiện chuyển động bằng phương pháp trừ nền có nhiều ứng dụng thực tiễn trong các lĩnh vực như an ninh, giám sát giao thông và nghiên cứu hành vi. Các hệ thống giám sát hiện đại sử dụng công nghệ này để cải thiện độ chính xác và hiệu quả trong việc theo dõi và phân tích hành động.

4.1. Ứng Dụng Trong An Ninh

Trong lĩnh vực an ninh, hệ thống giám sát sử dụng phương pháp trừ nền để phát hiện các hành vi đáng ngờ và cảnh báo kịp thời.

4.2. Ứng Dụng Trong Giám Sát Giao Thông

Phát hiện chuyển động cũng được áp dụng trong giám sát giao thông, giúp theo dõi lưu lượng xe và phát hiện các vi phạm giao thông.

V. Kết Luận Về Phát Hiện Chuyển Động Bằng Phương Pháp Trừ Nền

Phát hiện chuyển động bằng phương pháp trừ nền là một công nghệ quan trọng trong hệ thống giám sát hiện đại. Mặc dù còn nhiều thách thức, nhưng với sự phát triển của công nghệ, các phương pháp này ngày càng trở nên hiệu quả hơn. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến trong việc giám sát và phân tích hành động.

5.1. Tương Lai Của Công Nghệ Phát Hiện Chuyển Động

Công nghệ phát hiện chuyển động sẽ tiếp tục phát triển, với các thuật toán ngày càng tinh vi hơn, giúp cải thiện độ chính xác và khả năng xử lý trong các điều kiện khác nhau.

5.2. Hướng Nghiên Cứu Tiếp Theo

Nghiên cứu tiếp theo sẽ tập trung vào việc phát triển các phương pháp mới, cải thiện khả năng phát hiện và giảm thiểu các yếu tố gây nhiễu trong quá trình giám sát.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa và tự động hóa, hệ thống giám sát hình ảnh đóng vai trò xương sống trong công tác bảo vệ an ninh mục tiêu, quản lý trật tự xã hội và điều hành giao thông thông minh. Một đoạn video tiêu chuẩn với tốc độ khung hình 25 đến 30 hình/giây sẽ tạo ra khoảng 90.000 đến 108.000 khung hình chỉ trong 1 giờ ghi hình. Khối lượng dữ liệu khổng lồ này khiến việc giám sát thủ công liên tục 24/24 giờ trở nên bất khả thi đối với con người, dễ dẫn đến tình trạng bỏ sót các sự cố an ninh nghiêm trọng khi nhân viên trực lơ là. Do đó, bài toán phát hiện chuyển động tự động trên dòng video giám sát theo thời gian thực được đặt ra như một yêu cầu cấp thiết của ngành công nghệ thông tin và thị giác máy tính.

Luận văn thạc sĩ tập trung giải quyết vấn đề trích xuất chính xác đối tượng chuyển động trong môi trường quan sát phức tạp, chịu ảnh hưởng của biến đổi ánh sáng, bóng đổ vật thể và nhiễu nền. Mục tiêu cụ thể của đề tài là xây dựng một giải thuật phát hiện chuyển động cải tiến dựa trên phương pháp trừ nền kết hợp độ đo Entropy và các phép toán hình thái học, từ đó phát triển phần mềm cảnh báo xâm nhập tự động có độ chính xác cao.

Phạm vi nghiên cứu được triển khai thực nghiệm trên các luồng video giám sát thực tế chuẩn độ phân giải 640x480 pixel với tốc độ 24 đến 30 khung hình/giây. Ý nghĩa khoa học và thực tiễn của nghiên cứu được thể hiện rõ nét qua việc tối ưu hóa hiệu năng: giảm tải hơn 60% chi phí tính toán cập nhật nền, kiểm soát tỷ lệ dương tính giả dưới 5% và duy trì khả năng cảnh báo thời gian thực với độ trễ tính toán gần như triệt tiêu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp đa tầng giữa lý thuyết thị giác máy tính, lý thuyết thông tin và hình thái học toán học:

• Lý thuyết phân tích chuỗi khung hình video và các đặc trưng thị giác: Dòng video được cấu trúc thành các đơn vị cơ sở gồm lia (shot) và cảnh (scene). Bốn đặc trưng cốt lõi được ứng dụng để phân tích đối tượng bao gồm màu sắc (Color Histogram lượng tử hóa 255/N mức), kết cấu bề mặt (Texture dựa trên ma trận đồng thời và đặc trưng Tamura), hình dạng hình học (Shape với bất biến mô men và chu vi) và trường chuyển động (Motion Vector).
• Lý thuyết mô hình hóa ảnh nền: Kế thừa các nguyên lý từ mô hình trừ nền cơ bản, mô hình trừ nền trung bình trượt và mô hình hỗn hợp Gauss (Gaussian Mixture Model) của Stauffer và Grimson. Trong đó, mỗi điểm ảnh được mô hình hóa như một quá trình ngẫu nhiên với hàm mật độ xác suất phân phối Gauss để thích ứng với biến động môi trường.
• Lý thuyết thông tin Shannon và đại lượng Entropy: Sử dụng đại lượng Entropy cấp xám để đo mức độ bất định và sự biến đổi ngẫu nhiên về màu sắc giữa khung hình hiện tại và khung nền. Khi sự chênh lệch vượt ngưỡng xác định (ngưỡng Entropy lớn hơn 1), khối ảnh được xác định là chứa chuyển động thực tế.
• Hình thái học toán học (Mathematical Morphology): Ứng dụng hai phép toán cơ bản là co ảnh (Erosion) và giãn ảnh (Dilation) với cấu trúc nguyên tố ma trận 3x3 nhằm khử triệt để nhiễu cục bộ và khôi phục đường biên hoàn chỉnh của vật thể.

Phương pháp nghiên cứu

Để kiểm chứng tính đúng đắn của mô hình lý thuyết, phương pháp nghiên cứu thực nghiệm được thiết kế chặt chẽ:

• Nguồn dữ liệu và cỡ mẫu: Bộ dữ liệu kiểm thử bao gồm hơn 3.000 khung hình video trích xuất từ các camera giám sát an ninh thực tế đặt tại hành lang, cổng ra vào và khu vực ngoài trời. Kích thước khung hình chuẩn hóa ở mức 640x480 pixel với tốc độ 24 khung hình/giây.
• Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu có chủ đích, tập trung thu thập các kịch bản quan sát đa dạng: chuyển động đơn lẻ, chuyển động đồng thời của nhiều đối tượng, đối tượng di chuyển với vận tốc thay đổi, hiện tượng bóng đổ chuyển động cùng người và điều kiện ánh sáng thay đổi đột ngột giữa trời nắng và bóng râm.
• Lý do lựa chọn phương pháp phân tích: Thay vì quét toàn bộ từng điểm ảnh trên toàn khung hình gây nghẽn tài nguyên tính toán, giải thuật chia khung hình thành các khối pixel cục bộ (kích thước khối delta = 4), sau đó đánh giá độ biến thiên thông qua Entropy và lọc hình thái học. Cách tiếp cận này giúp giảm thiểu độ phức tạp tính toán nhưng vẫn duy trì độ chính xác ở mức điểm ảnh đơn lẻ.
• Quy trình triển khai: Quá trình nghiên cứu thực hiện qua 3 giai đoạn: Khởi tạo mô hình nền qua 50 khung hình đầu tiên, huấn luyện tín hiệu ổn định với tham số huấn luyện p = 1, và thử nghiệm trích xuất đối tượng với chu kỳ cập nhật nền 3 khung hình/lần.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và đo đạc thực nghiệm trên hệ thống phần mềm đã mang lại các phát hiện khoa học quan trọng:

• Tối ưu hóa tài nguyên khởi tạo và cập nhật mô hình nền: Khởi tạo nền thích ứng trong 50 khung hình đầu tiên ($K = 50$) cho phép xây dựng khung nền tham chiếu sạch. Đặc biệt, sau khung hình thứ 200, việc chuyển đổi cơ chế từ cập nhật liên tục từng khung hình sang chu kỳ cập nhật cách quãng 3 khung hình/lần (hoặc 5 khung hình/lần trong môi trường ánh sáng ổn định) giúp giảm 66,7% tải xử lý CPU mà vẫn đảm bảo độ bao phủ đối tượng đạt 98,5%.
• Hiệu quả vượt trội của bộ lọc Entropy cấp khối: Việc thiết lập ngưỡng Entropy $T = 1$ kết hợp tham số ngưỡng chuyển động cấp xám $\beta = 8$ và $\sigma = 20$ đã giúp cô lập chính xác các vùng chuyển động tiềm năng. Cơ chế này loại bỏ hơn 85% các vùng ảnh tĩnh không cần xử lý, giúp tập trung tài nguyên vào các khối chuyển động thực.
• Khử nhiễu và xử lý bóng đổ đạt độ chính xác cao: Phép toán co và giãn ảnh với cấu trúc nguyên tố 3x3 qua 2 vòng lặp (iterations = 2) đã loại bỏ hoàn toàn các chấm nhiễu rời rạc. Đồng thời, thuật toán kiểm tra hướng vector màu RGB và so sánh độ lệch độ sáng đã bóc tách chính xác bóng đổ của vật thể, ngăn chặn hiện tượng dính liền bóng vào đối tượng làm sai lệch diện tích nhận dạng.
• Đảm bảo tính thời gian thực: Tốc độ xử lý của giải thuật đạt mức ổn định từ 24 đến 30 khung hình/giây trên phần cứng máy tính tiêu chuẩn, đáp ứng hoàn hảo tiêu chí cảnh báo tức thì khi có đối tượng vượt qua ranh giới giám sát.

Thảo luận kết quả

Kết quả nghiên cứu chứng minh rằng việc kết hợp phương pháp trừ nền với đánh giá Entropy khối đã giải quyết triệt để nhược điểm của các phương pháp truyền thống. Phương pháp chênh lệch tạm thời thường bị rỗng ruột đối với các vật thể chuyển động có màu sắc đồng nhất, trong khi phương pháp luồng quang học (Optical Flow) lại có độ phức tạp tính toán quá cao, không thể vận hành mượt mà trên các máy tính thông thường.

Dữ liệu phân tích hiệu năng có thể được mô tả trực quan qua biểu đồ cột so sánh thời gian thực thi (tính bằng mili-giây) giữa thuật toán đề xuất với thuật toán trừ nền cơ bản và thuật toán hỗn hợp Gauss GMM. Ngoài ra, một bảng đối chiếu chi tiết về độ chính xác nhận dạng đối tượng trong các điều kiện môi trường khác nhau sẽ làm nổi bật khả năng thích nghi của hệ thống. Nguyên nhân thành công của giải thuật nằm ở cơ chế huấn luyện tín hiệu ổn định và so sánh chính xác hai lớp nền, giúp mô hình nền thích ứng nhanh với sự thay đổi của ánh sáng môi trường mà không hấp thụ nhầm các đối tượng chuyển động chậm vào nền.

Đề xuất và khuyến nghị

Dựa trên các kết quả thực nghiệm đạt được, nghiên cứu đưa ra 4 giải pháp và khuyến nghị mang tính ứng dụng cao:

• Tối ưu hóa chu kỳ học nền đa tầng theo ngữ cảnh: Nhóm kỹ sư phần mềm thị giác máy tính cần lập trình tính năng tự động điều chỉnh chu kỳ cập nhật nền từ 3 khung hình lên 5 đến 10 khung hình/lần dựa trên cảm biến phân tích mức độ biến động ánh sáng, hướng đến mục tiêu duy trì tốc độ khung hình ổn định trên 30 khung hình/giây trong lộ trình 3 tháng.
• Tích hợp mô-đun phát hiện bóng đổ và khử nhiễu tự thích ứng: Đơn vị phát triển hệ thống an ninh cần đóng gói thuật toán so sánh góc vector RGB thành thư viện chuyên dụng, kiểm soát tỷ lệ báo động giả dưới mức 3% tại các khu vực giám sát ngoài trời, hoàn thiện triển khai trong vòng 6 tháng.
• Chuyển giao và nhúng giải thuật lên thiết bị biên (Edge AI): Đội ngũ kỹ sư phần cứng và hệ thống nhúng nên tiến hành tối ưu hóa mã nguồn C++ và OpenCV để tích hợp giải thuật trực tiếp lên các vi xử lý của camera IP thông minh, cho phép xử lý đồng thời từ 4 đến 8 luồng video độc lập trong vòng 9 tháng tới.
• Xây dựng bộ dữ liệu benchmark chuẩn hóa đa môi trường: Các viện nghiên cứu và phòng thí nghiệm công nghệ cần phối hợp xây dựng cơ sở dữ liệu kiểm thử gồm 50.000 khung hình có gán nhãn chi tiết về thời tiết, ánh sáng và mật độ chuyển động để phục vụ công tác huấn luyện và đánh giá mô hình trong thời gian 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thực tiễn cho 4 nhóm đối tượng chuyên môn:

• Học viên cao học và nghiên cứu sinh ngành Khoa học máy tính: Tài liệu cung cấp cơ sở toán học tường minh về biến đổi Entropy, mô hình phân phối Gauss và các phép toán hình thái học, là tài liệu tham khảo giá trị cho các đề tài phát triển thuật toán thị giác máy tính và nhận dạng mẫu.
• Kỹ sư phát triển phần mềm giám sát an ninh: Tiếp cận trực tiếp cấu trúc mã nguồn tối ưu viết bằng C++ kết hợp thư viện OpenCV, dễ dàng ứng dụng vào việc xây dựng module phát hiện xâm nhập và cảnh báo mục tiêu tự động cho trụ sở, kho bãi hoặc nhà riêng.
• Chuyên gia quản lý và phát triển hệ thống giao thông thông minh: Ứng dụng nguyên lý bóc tách blob đối tượng để đếm lưu lượng phương tiện, phát hiện xe dừng đỗ sai quy định và phân tích mật độ giao thông trên các tuyến đường trọng điểm với độ phân giải tiêu chuẩn.
• Doanh nghiệp tích hợp giải pháp an ninh và quốc phòng: Nắm bắt phương án công nghệ hiệu quả chi phí, cho phép tận dụng hạ tầng camera sẵn có với tốc độ 24 đến 30 khung hình/giây để thiết lập hệ thống bảo vệ chu vi tự động hoạt động liên tục 24/7 mà không cần đầu tư phần cứng máy chủ đắt đỏ.

Câu hỏi thường gặp

• Phương pháp đề xuất trong luận văn có ưu thế gì vượt trội so với phương pháp luồng quang học (Optical Flow)?
  Phương pháp luồng quang học đòi hỏi năng lực tính toán rất lớn do phải giải hệ phương trình vi phân cho từng điểm ảnh, khó đạt tốc độ thời gian thực trên camera tiêu chuẩn. Trong khi đó, giải thuật trừ nền kết hợp Entropy phân chia xử lý theo khối, giảm hơn 60% thời gian xử lý và vận hành mượt mà ở mức 24 đến 30 khung hình/giây trên phần cứng thông thường.

• Tại sao luận văn lại áp dụng giá trị Entropy ở cấp độ khối ảnh thay vì kiểm tra từng điểm ảnh?
  Đại lượng Entropy đo lường mức độ hỗn loạn của vector mức xám trong từng khối ảnh kích thước delta = 4. Khi khối có Entropy vượt ngưỡng $T = 1$, vùng đó mới được xác định là chứa chuyển động thực. Cơ chế này loại bỏ ngay 85% diện tích nền tĩnh, giảm thiểu đột biến số phép tính so với việc quét duyệt từng điểm ảnh trên khung hình 640x480 pixel.

• Hệ thống xử lý hiện tượng bóng đổ của người và vật thể như thế nào để tránh báo động giả?
  Giải thuật ứng dụng nguyên lý so sánh vector màu RGB giữa khung hình hiện tại và ảnh nền. Vì điểm ảnh bóng đổ có cùng hướng vector với nền nhưng có độ sáng thấp hơn, hệ thống sử dụng ngưỡng đo góc lệch để bóc tách triệt để phần bóng, giúp hình bao đối tượng không bị biến dạng và giảm sai số diện tích xuống dưới 5%.

• Chu kỳ cập nhật mô hình ảnh nền được thiết lập ra sao để cân bằng giữa độ chính xác và tốc độ?
  Mô hình nền được khởi tạo qua 50 khung hình đầu tiên ($K = 50$). Sau 200 khung hình huấn luyện ổn định, hệ thống tự động giãn chu kỳ cập nhật thành 3 khung hình học nền 1 lần với hệ số làm mịn $\alpha = 8$. Việc này giúp hệ thống vẫn thích nghi kịp thời với biến đổi ánh sáng tự nhiên mà tiết kiệm đáng kể tài nguyên CPU.

• Giải thuật có hoạt động chính xác khi có nhiều đối tượng chuyển động với vận tốc khác nhau không?
  Có. Nhờ sự kết hợp giữa phân tích liên kết khối (blobs), thuật toán dán nhãn độc lập và phép toán hình thái học co giãn với ma trận 3x3, hệ thống tách biệt rõ ràng từng cá thể chuyển động, trích xuất chuẩn xác trọng tâm và diện tích của từng đối tượng trong cùng một khung cảnh phức tạp.

Kết luận

• Nghiên cứu đã hệ thống hóa toàn diện cơ sở lý thuyết về phân tích chuỗi video, đặc trưng hình ảnh và các phương pháp phát hiện chuyển động kinh điển trong thị giác máy tính.
• Đề xuất thành công giải thuật cải tiến tích hợp 3 mô-đun: Mô hình hóa nền tối ưu qua 50 khung hình khởi tạo, Cảnh báo chuyển động dựa trên Entropy khối với ngưỡng $T = 1$, và Trích xuất đối tượng bằng phép toán hình thái học 3x3.
• Giải quyết triệt để hai bài toán khó trong giám sát thực tế là khử nhiễu môi trường và loại bỏ bóng đổ vật thể thông qua phân tích vector màu RGB, duy trì hoạt động ổn định trên chuẩn video 640x480 pixel.
• Tối ưu hóa chu kỳ học nền 3 khung hình/lần, giúp tiết kiệm hơn 60% chi phí tính toán và đảm bảo xử lý thời gian thực với tốc độ 24 đến 30 khung hình/giây.
• Kế hoạch tiếp theo tập trung vào việc nhúng giải thuật lên các dòng camera IP độc lập trong vòng 6 đến 9 tháng tới, mở ra hướng đi bền vững cho các giải pháp giám sát an ninh thông minh. Hãy kết nối và ứng dụng ngay giải thuật này vào các dự án thị giác máy tính thực tế để tối ưu hóa hiệu năng giám sát cho doanh nghiệp của bạn!

Trích đoạn nội dung tài liệu

Chương 1 KHÁI QUÁT VỀ VIDEO VÀ PHÁT HIỆN CHUYỂN ĐỘNG 1. Các khái niệm cơ bản về video [3] Video là tập hợp các khung hình, mỗi khung hình là một ảnh. Shot (lia) là đơn vị cơ sở của video. Một lia là một đơn vị vật lý của dòng video, gồm các chuỗi các khung hình liên tiếp, không thể chia nhỏ hơn, ứng với một thao tác camera đơn.

Scene (cảnh) là các đơn vị logic của dòng video, một cảnh gồm các lia liên quan về không gian và liền kề về thời gian, cùng mô tả một nội dung ngữ nghĩa hoặc một tình tiết.1: Cấu trúc phân đoạn video Khi phim được chiếu, các khung hình lần lượt được hiển thị ở tốc độ nhất định. Tốc độ thường thấy ở các định dạng video khác nhau là 30 và 25 hình/s. Như vậy một giờ video sẽ có số khung hình tương ứng là 108000 hoặc là 90000. Dù là video ở định dạng nào thì nó cũng có dung lượng rất lớn và nếu xử lý với tất cả các khung hình thì thật không hiệu quả.

Phân đoạn là quá trình phân tích và chia nội dung hình ảnh video thành các đơn vị cơ sở gọi là các lia (shot). Việc lấy mẫu chính là chọn gần đúng một khung video đại diện cho mỗi lia (hoặc nhiều hơn tùy theo mức độ phức tạp của nội dung hình ảnh của lia) và được gọi là các khung - khóa. Khung – khóa là khung hình đại diện mô tả nội dung chính của shot. Quá trình phân đoạn dữ liệu video tiến hành phân tích, phát hiện sự chuyển đổi từ lia này sang lia khác hay chính là sự phát hiện ranh giới giữa các lia (đó chính là 4 đo sự khác nhau giữa các khung hình liền kề).

Trong hình dưới đây là ví dụ về sự chuyển đổi giữa các lia: Hình 1.2: Chuyển đổi Lia giữa khung hình thứ 3 và thứ 4 Một số thuộc tính đặc trưng của video: Video có 4 đặc trưng chính đó là: Color (màu), Texture (kết cấu), Shape (hình dạng), Motion (chuyển động). Màu (Color) Màu là một thuộc tính quan trọng của ảnh. Biểu đồ màu, biểu diến sự phân bố màu, là một đặc trưng màu phổ biến nhất hiện nay. Biểu đồ màu không phụ thuộc vào sự quay, dịch chuyển ảnh cũng như chiều nhìn ảnh.

Tính hiệu quả của nó lại phụ thuộc vào hệ màu và phương pháp định lượng được dùng. Có một vấn đề với biểu đồ màu là nó không biểu diễn thông tin về không gian phân bố các điểm ảnh, do đó hai ảnh có cùng biểu đồ màu có thể có nội dung rất khác nhau.3: Bốn khung hình khác nhau song có cùng một biểu đồ màu 1. Kết cấu (Texture) Đây là một đặc trưng quan trọng của bề mặt, nơi xảy ra việc lặp lại mẫu cơ bản. Có hai dạng biểu diễn texture phổ biến: biểu diễn dạng ma trận đồng thời và biểu diễn Tamura.

Ma trận đồng thời mô tả hướng và khoảng cách giữa các điểm ảnh, nhờ đó các thống kê có nghĩa có thể được trích chọn. Ngược lại, người ta thấy rằng entropy và mô men chênh lệch nghịch đảo lại có khả năng phân biệt tốt nhất. Biểu diễn Tamura được thúc đẩy nhờ các nghiên cứu về tâm lý trong việc thu nhận trực giác của 5 con người và nó bao gồm các đại lượng đo tính thô, độ tương phản, hướng, tính trơn, tính cân đối và độ ráp. Các đặc trưng Tamura rất hấp dẫn trong việc hiểu nội dung ảnh vì nó biểu đạt trực quan.

Ngoài ra còn có một số các dạng biểu diễn khác như trường ngẫu nhiên Markov, biến đổi Gabor, biến đổi gợn sóng,. Hình dáng (Shape) Các đặc trưng hình dáng có thể được biểu diễn sử dụng phân tích hình dáng truyền thống như bất biến mô men, mô tả Fourier, mô hình học tự động quay lui và các thuộc tính hình học. Các đặc trưng này có thể được phân chia thành đặc trưng toàn cục và đặc trưng cục bộ. Đặc trưng toàn cục là đặc trưng thuộc tính thu được từ toàn bộ hình dáng ảnh, chẳng hạn như chu vi, tính tròn, mô men trung tâm, hướng trục chính.

Đặc trưng cục bộ là đặc trưng thu được từ việc thao tác với một phần của ảnh, không phụ thuộc vào toàn bộ ảnh. Chuyển động (Motion) Motion là thuộc tính quan trọng của video. Thông tin về chuyển động có thể được sinh ra bằng các kỹ thuật ghép khối hoặc luồng ánh sáng. Các đặc trưng chuyển động như mô men của trường chuyển động, biểu đồ chuyển động hoặc là các tham số chuyển động toàn cục có thể được trích chọn từ vectơ chuyển động.

Các đặc trưng mức cao phản ánh di chuyển camera như quét camera (pan), nghiêng (tilt), phóng to (zoom out), thu nhỏ (zoom in) cũng có thể được trích chọn. Phát hiện đối tượng chuyển động là gì? Đó là quá trình đưa ra vết các đối tượng chuyển động từ các khung hình video. Quá trình này thực chất là quá trình xử lý chuỗi ảnh liên tiếp trong một đoạn video để phát hiện ra các đối tượng chuyển động trong một đoạn hình ảnh theo mô hình dưới đây: 6 Các khung hình video PHÁT HIỆN CÁC VÙNG ẢNH NỔI (FOREGROUND DETECTION) XỬ LÝ CÁC VÙNG ẢNH NỔI (FOREGROUND PROCESSING) Các đối tượng chuyển động, các tính chất của chúng Hình 1.4: Tổng quan các khối xử lý trong bài toán phát hiện đối tượng 7 1. Thiết kế các khối xử lý Mô hình tổng quan khối xử lý cho cả bài toán phát hiện đối tượng chuyển động Khởi tạo và cập nhật 1 Các khung hình Video Ảnh nền MÔ HÌNH ẢNH NỀN (Mô hình trừ ảnh nền, Mô hình chênh lệch tạm thời, Mô hình Gause) Cập nhật PHÁT HIỆN ĐIỂM ẢNH NỔI Biểu đồ điểm ảnh nổi và khung ảnh hiện tại TIỀN XỬ LÝ MỨC ĐIỂM ẢNH (Loại nhiễu, Phát hiện bóng vật thể, Phát hiện ánh sáng thay đổi 2 đột ngột) Vùng điểm ảnh nổi đã làm sạch PHÂN TÍCH SỰ LIÊN KẾT CÁC KHỐI Các khối đã được đánh dấu TIỀN XỬ LÝ MỨC VÙNG ẢNH NỔI (Kết hợp các vùng ảnh liên kết với nhau, loại bỏ các vùng nhỏ không liên quan) Các khối đã được lọc, làm sạch ĐƯA RA TÍNH CHẤT CỦA ĐỐI TƯỢNG (Diện tích đối tượng, Vết của đối tượng và các Tâm của khổi, Biểu đồ màu, Viền tính chất của chúng của đổi tượng) Hình 1.5: Mô hình chi tiết các khối xử lý 8 1.

Khối phát hiện các vùng ảnh nổi Trong phần thiết kế xử lý cho khối phát hiện vùng ảnh nổi ta sử dụng một mô hình ảnh nền (Background Model) nhằm tích hợp các phương pháp trừ ảnh nền, mô hình chênh lệch tạm thời và mô hình thống kê Gausse nhằm giải quyết vấn đề phát hiện các vùng ảnh nổi. Khởi tạo và cập nhật Các khung hình Video B. MÔ HÌNH ẢNH NỀN Ảnh nền (Mô hình trừ ảnh nền, Mô hình chênh lệch tạm thời, Mô hình Gause) Cập nhật A. PHÁT HIỆN ĐIỂM ẢNH NỔI Biểu đồ điểm ảnh nổi và khung ảnh hiện tại Hình 1.6: Khối phát hiện vùng ảnh nổi Sơ đồ trên chỉ ra các khối xử lý nhằm phát hiện các vùng ảnh nổi.

Trong đó mô hình trừ ảnh nền với các phương thức khởi tạo và cập nhật các khung hình ảnh nền nhằm đưa đầu vào: các ảnh nền cho quá trình xử lý phát hiện điểm ảnh nổi. Sau khi đã có các ảnh nền, thao tác xử lý bên trong khối phát hiện điểm ảnh nổi đơn giản chỉ là thực hiện việc trừ ảnh, lấy khung hình hiện tại so sánh với ảnh nền để đưa ra một biểu đồ các điểm ảnh nổi lên từ ảnh hiện tại. Biểu đồ điểm ảnh này với khung ảnh hiện tại sẽ là đầu vào của quá trình xử lý tiếp theo Trong sơ đồ xử lý này, khối xử lý mô hình ảnh nền được coi là khối xử lý quan trọng nhất. Khối này sẽ thực hiện tích hợp các phương pháp xử lý khác nhau như đã trình bày ở trên nhằm đưa ra một mô hình ảnh nền phục vụ cho bước xử lý tiếp theo.

Cụ thể các mô hình được sử dụng trong khối xử lý này là: 9 - Tương hợp mô hình trừ ảnh nền - Tương hợp mô hình pha trộn Gausse - Mô hình chênh lệch tạm thời Các mô hình này sẽ được thực hiện dưới dạng các thư viện xử lý, tích hợp vào trong hệ thống. Khi gặp các điều kiện quan sát khác nhau, hệ thống có thể linh động sử dụng các thư viện xử lý này để đưa ra hiệu quả cao nhất. Dưới đây là một số cơ sở lý thuyết về các mô hình được đề cập ở trên. Mô hình trừ ảnh nền thích hợp Thuật toán trừ ảnh nền thích hợp được thực hiện như sau: Gọi I n (x) là cường độ của điểm ảnh tại vị trí x và tại thời điểm khung hình thứ n trong chuỗi các khung hình video I (n  [0,255]).

Gọi Bn (x) là giá trị cường độ của ảnh nền tương ứng cho vị trí x được ước lượng qua chuỗi hình ảnh từ I 0 đến I n1. Theo phương pháp trừ ành thì điểm ảnh tại vị trí x trong khung hình video hiện tại thuộc lớp ảnh nổi khi nó thõa mãn : | I n ( x)  Bn ( x) | Tn ( x ) (1.1) Trong công thức này Tn (x ) biểu diễn một ngưỡng được ước lượng qua các khung hình từ I 0 đến I n1. Công thức trên được sử dụng để tạo ra bản đồ các vùng ảnh nổi lên. Biểu diễn các điểm ảnh bởi một ma trận trong đó các điểm ảnh nổi lên sẽ có giá trị là một và các điểm ảnh nền sẽ có giá trị là 0 cho mỗi điểm ảnh.

Điểm ảnh nền Bn (x) ban đầu được khởi tạo với khung hình đầu tiên là B0  I 0. Do sự thay đổi của khung cảnh thu được nên khung ảnh nền và ngưỡng liên tục được cập nhật theo công thức sau: Bn ( x)  (1   ) I n ( x), x  BG Bn1 ( x)   Bn ( x)  (1   ) I n ( x), x  FG (1.3) 10 Trong đó ký hiệu BG là vùng ảnh nền và FG là vùng ảnh nổi lên trên.  và  thuộc khoảng [0.0],  là số điểm ảnh khác nhau từ khung hình được so sánh với ảnh nền. 10100001000110000100010111  01000010111100111100110101   11100010010110100100110011    01000100101001000100111110 01001011011110110000000000   10001010101000100100101101  10001000100100110001001001    Ma trận minh họa cho thao tác trừ ảnh.

một đại diện cho điểm ảnh nổi, 0 đại diện cho điểm ảnh nền Hình minh họa dưới đây mô tả cho kết quả thuật toán trừ ảnh này: Hình 1.