Tổng quan nghiên cứu

Trong bối cảnh công nghệ thông tin và kỹ thuật số phát triển vượt bậc, nhu cầu tự động hóa công tác giám sát an ninh tại các khu vực trọng yếu đang trở thành yêu cầu cấp thiết. Các hệ thống camera giám sát truyền thống tạo ra luồng dữ liệu khổng lồ với tốc độ từ 25 đến 30 khung hình trên giây (fps) ở độ phân giải tiêu chuẩn như CIF (352x288 pixel), nhưng phụ thuộc tới hơn 90% vào sự theo dõi thủ công của con người. Điều này dẫn đến sự suy giảm độ chính xác và chậm trễ trong việc xử lý các tình huống khẩn cấp. Vấn đề cốt lõi của nghiên cứu là giải quyết các thách thức kỹ thuật phức tạp trong xử lý chuỗi video thực tế, nơi các yếu tố nhiễu môi trường như sự thay đổi đột ngột của cường độ ánh sáng, hiện tượng bóng đổ của vật thể, rung lắc ngoại cảnh và sự che khuất lẫn nhau giữa các đối tượng thường xuyên làm sai lệch kết quả phân đoạn hình ảnh.

Mục tiêu cụ thể của luận văn là nghiên cứu, hoàn thiện và xây dựng một quy trình tính toán tự động toàn diện bao gồm: phát hiện chính xác đối tượng chuyển động, đánh dấu theo dõi liên tục qua thời gian thực, xử lý hiện tượng chồng chéo che khuất, phát hiện các vật thể bị bỏ rơi hoặc biến mất, và phân loại chính xác các nhóm đối tượng mục tiêu. Phạm vi nghiên cứu tập trung vào các luồng video thu nhận từ hệ thống camera cố định và camera giám sát có khả năng quay quét, khảo sát trong điều kiện môi trường thực tế tại Việt Nam vào giai đoạn năm 2008 đến năm 2009. Kết quả nghiên cứu mang ý nghĩa khoa học và thực tiễn sâu sắc, cung cấp giải pháp thuật toán giúp giảm thiểu trên 85% tỷ lệ cảnh báo giả, tối ưu hóa độ phức tạp tính toán để có thể triển khai hiệu quả trên các thiết bị phần mềm nhúng với độ trễ xử lý dưới 0.5 giây.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng của các lý thuyết xử lý ảnh số, thị giác máy tính và phân tích chuỗi thời gian. Khung lý thuyết trọng tâm bao gồm mô hình trừ nền thích ứng (Adaptive Background Subtraction) kết hợp bộ lọc phản hồi xung vô hạn (IIR) và mô hình hỗn hợp Gaussian tương thích (Adaptive Gaussian Mixture Model - GMM). Mô hình GMM biểu diễn xác suất xuất hiện giá trị màu của từng điểm ảnh qua chuỗi thời gian bằng một hàm mật độ xác suất gồm K phân phối Gaussian (thông thường K được chọn từ 3 đến 5 phân phối). Trọng số và phương sai của từng phân phối được cập nhật liên tục với ngưỡng độ lệch chuẩn xác định ở mức 2.5 để tự động thích nghi với những biến đổi động của môi trường như lá cây rung hay bề mặt nước gợn sóng.

Các khái niệm chuyên ngành then chốt được chuẩn hóa và ứng dụng trong toàn bộ mô hình bao gồm:

  1. Vector màu và hệ số góc định hướng không gian RGB: Đo lường sự đồng hướng giữa vector điểm ảnh hiện thời và vector điểm ảnh nền để nhận diện bóng đổ khi tỷ số tích vô hướng tiến sát giá trị 1.0.
  2. Đồ thị hai phía (Bi-partite Graph): Ký hiệu $G(m,n)$, dùng để mô hình hóa mối quan hệ tương ứng giữa $m$ đối tượng ở khung hình trước và $n$ đối tượng mới xuất hiện ở khung hình hiện tại.
  3. Tín hiệu khoảng cách hình chiếu (Projection Distance Signal): Biểu diễn hình học biên dạng đối tượng thông qua chuỗi khoảng cách Euclidean từ trọng tâm khối đến các điểm biên, được lượng tử hóa trên thang độ xám từ 0 đến 255 mức.
  4. Lược đồ màu chuẩn hóa hai tầng: Phân chia đối tượng thành nửa trên và nửa dưới để bảo toàn đặc trưng nhận dạng khi xảy ra hiện tượng che khuất một phần.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm các chuỗi video chuẩn hóa quốc tế kết hợp cùng tập dữ liệu ghi hình thực tế tại các môi trường trong nhà và ngoài trời với tốc độ 25 đến 30 fps. Cỡ mẫu nghiên cứu bao gồm hơn 1.500 khung hình thực nghiệm liên tục và một cơ sở dữ liệu mẫu hình chiếu gồm 24 mẫu đặc trưng chuẩn, đại diện cho các tư thế chuyển động đa dạng của 3 nhóm đối tượng: người đi bộ đơn lẻ, nhóm người và phương tiện giao thông. Phương pháp chọn mẫu có chủ đích được áp dụng nhằm thu thập đầy đủ các trường hợp thử nghiệm khắc nghiệt như thay đổi độ sáng đột ngột trên 50% diện tích khung hình, bóng đổ dài và hiện tượng che khuất hoàn toàn giữa hai người di chuyển ngược chiều.

Lý do lựa chọn phương pháp phân tích dựa trên sự kết hợp giữa mô hình trừ nền thích ứng tham số hóa và ma trận khoảng cách L1 của tín hiệu hình chiếu là nhằm cân bằng tối ưu giữa độ chính xác nhận dạng và hiệu năng tính toán. Thay vì sử dụng các phương pháp luồng quang học (Optical Flow) đòi hỏi cấu hình phần cứng chuyên biệt đắt đỏ, giải pháp này tối ưu hóa độ phức tạp thuật toán, đảm bảo khả năng thực thi mượt mà trên các kiến trúc hệ thống nhúng trong suốt giai đoạn thực nghiệm từ năm 2008 đến năm 2009.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã đạt được các kết quả thực nghiệm nổi bật qua việc triển khai và kiểm chứng các thuật toán đề xuất:

Thứ nhất, giải pháp phát hiện bóng đổ và lọc nhiễu dựa trên tính chất hướng vector RGB và điều kiện cường độ sáng đã loại bỏ thành công hơn 90% các điểm ảnh bóng đổ gây biến dạng vùng chuyển động. Đối với hiện tượng ánh sáng thay đổi đột ngột trên 50% diện tích khung hình, thuật toán so khớp gradient nhị phân giữa ảnh hiện thời và ảnh nền đã giúp hệ thống tự động tái khởi tạo nền trong vòng dưới 3 khung hình, ngăn chặn hiện tượng vỡ khối phân đoạn.

Thứ hai, thuật toán theo dõi đối tượng trên đồ thị hai phía $G(m,n)$ kết hợp đối sánh khoảng cách trọng tâm và tỷ lệ diện tích đã duy trì bám vết chính xác trong 94% các trường hợp chuyển động thông thường. Khi xảy ra va chạm che khuất, việc ứng dụng lược đồ màu chuẩn hóa 2 tầng (nửa thân trên và nửa thân dưới) với ma trận khoảng cách L1 đã nâng độ chính xác tái nhận diện đối tượng sau khi tách rời lên mức 92.5%, giảm tỷ lệ hoán đổi định danh xuống dưới 8%.

Thứ ba, mô hình phân loại dựa trên tín hiệu khoảng cách hình chiếu chuẩn hóa độ dài cố định $C$ kết hợp cơ chế tích lũy đa giả thuyết đã cải thiện độ chính xác phân loại tổng thể lên khoảng 88% đến 91.5%, tăng 15% đến 20% so với phương pháp phân loại chỉ dựa trên khung hình đơn lẻ.

Thứ tư, phương pháp xác định vật thể bị bỏ rơi hoặc biến mất thông qua tỷ số cường độ màu trung bình giữa vùng lõi $A_R$ và vùng biên bao quanh $A_S$ với ngưỡng chênh lệch 0.12 đã đạt độ nhạy phát hiện 88.6% đối với các sự kiện dừng đỗ trái phép hoặc mất cắp hiện vật.

Thảo luận kết quả

Các kết quả nghiên cứu có thể được trực quan hóa rõ ràng thông qua một bảng ma trận nhầm lẫn (Confusion Matrix) thể hiện tỷ lệ nhận dạng giữa 3 lớp đối tượng: người (đạt độ chính xác 91.7%), xe cộ (đạt 93.2%) và nhóm người (đạt 85.4%). Đồng thời, một biểu đồ đường biểu diễn sự biến thiên của tín hiệu khoảng cách hình chiếu theo góc quét từ 0 đến 360 độ sẽ minh họa rõ nét sự khác biệt về hình học: tín hiệu của phương tiện giao thông có dạng hình hộp với các đoạn phẳng kéo dài, trong khi tín hiệu của con người có các đỉnh nhọn đặc trưng ứng với phần đầu và các chi.

+-----------------------------------------------------------------------+
|              MA TRẬN ĐỐI SÁNH HIỆU NĂNG PHÂN LOẠI ĐỐI TƯỢNG            |
+----------------------+--------------------+---------------------------+
| Loại đối tượng       | Độ chính xác (%)   | Sai số nhận dạng (%)      |
+----------------------+--------------------+---------------------------+
| Người đơn lẻ         | 91.7%              | 8.3% (nhầm với nhóm nhỏ)  |
| Phương tiện (Xe cộ)  | 93.2%              | 6.8% (nhầm với nhóm đông) |
| Nhóm người           | 85.4%              | 14.6% (nhầm với xe cộ)    |
+----------------------+--------------------+---------------------------+

Nguyên nhân chính giúp hệ thống đạt hiệu năng vượt trội là nhờ cơ chế cập nhật nền có chọn lọc và việc chuẩn hóa tín hiệu hình chiếu về miền đơn vị $[0, 1]$, giúp thuật toán duy trì tính bất biến đối với phép tịnh tiến và thay đổi tỷ lệ kích thước. Khi so sánh với thuật toán W4 nổi tiếng trong ngành hoặc các kỹ thuật vi phân thời gian 2 khung hình truyền thống, phương pháp đề xuất không chỉ khắc phục triệt để hiện tượng rỗng ruột đối tượng mà còn giảm chi phí tính toán xuống khoảng 3 đến 4 lần so với các mô hình luồng quang học phức tạp. Ý nghĩa thực tiễn của phát hiện này là mở ra khả năng thương mại hóa các hệ thống phân tích video thông minh chạy trực tiếp trên các vi xử lý nhúng có tài nguyên bộ nhớ hạn chế.

Đề xuất và khuyến nghị

Nhằm phát huy tối đa giá trị thực tiễn của các phương pháp phát hiện chuyển động và tối ưu hóa hệ thống cho các ứng dụng an ninh thời gian thực, nghiên cứu đưa ra 4 khuyến nghị hành động cụ thể:

  1. Tối ưu hóa kiến trúc thuật toán trên phần cứng chuyên dụng: Đẩy mạnh việc chuyển đổi mã nguồn các phép toán trừ nền thích ứng và trích xuất đặc trưng hình học sang các tập lệnh xử lý song song trên chip DSP và vi điều khiển nhúng chuyên dụng. Mục tiêu nâng tốc độ xử lý đạt từ 30 đến 45 fps ở độ phân giải tiêu chuẩn, hoàn thành trong khung thời gian 6 đến 12 tháng do các nhóm kỹ sư phát triển phần mềm nhúng đảm trách.
  2. Mở rộng quy mô cơ sở dữ liệu mẫu hình chiếu: Tăng cường thu thập và gán nhãn ngoại tuyến kho dữ liệu mẫu hình chiếu từ 24 mẫu hiện tại lên hơn 500 mẫu đa dạng, bổ sung đầy đủ các góc quan sát nghiêng, các tư thế ngồi, cúi, mang vác hành lý và nhiều chủng loại xe cơ giới khác nhau. Mục tiêu nâng độ chính xác nhận dạng đa góc nhìn lên trên 95%, thực hiện trong lộ trình 12 đến 18 tháng bởi các phòng thí nghiệm thị giác máy tính.
  3. Tích hợp mạng nơ-ron tích chập và mô hình học sâu: Nghiên cứu bổ sung các lớp mạng nơ-ron học sâu dạng rút gọn vào bước phân loại sau khi đã tách vùng chuyển động thành công, nhằm duy trì độ ổn định phân loại trên 96% ngay cả trong điều kiện thời tiết mưa tuyết hoặc sương mù dày đặc, triển khai trong giai đoạn 2 năm bởi các đơn vị phát triển giải pháp an ninh cao cấp.
  4. Thử nghiệm và chuyển giao hệ thống giám sát tự động tại đô thị: Ứng dụng mô hình phát hiện đối tượng dời đi và biến mất vào hệ thống quản lý giao thông đô thị và bảo tàng quốc gia để tự động phát hiện phương tiện dừng đỗ trái phép quá thời gian quy định (ví dụ trên 3 phút) hoặc bảo vệ hiện vật trưng bày. Thử nghiệm trên 10 đến 15 nút giao thông trọng điểm trong vòng 2 năm do các cơ quan quản lý nhà nước phối hợp doanh nghiệp công nghệ thực hiện.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cao cho 4 nhóm đối tượng chính sau:

  1. Kỹ sư phát triển phần mềm nhúng và IoT: Cung cấp giải pháp thiết kế thuật toán thị giác máy tính tinh gọn, cho phép triển khai trực tiếp các tính năng phát hiện chuyển động và cảnh báo an ninh trên các dòng vi xử lý ARM, DSP mà không cần máy chủ GPU đắt đỏ, giúp tiết kiệm hơn 60% chi phí đầu tư hạ tầng phần cứng.
  2. Nhà nghiên cứu và học viên cao học ngành Xử lý ảnh và Trí tuệ nhân tạo: Cung cấp hệ thống tài liệu tổng quan toàn diện về các chuẩn mã hóa video từ MPEG-1, MPEG-2 đến H.264, đồng thời làm tài liệu nền tảng về mô hình trừ nền GMM, đồ thị hai phía trong bám vết và các kỹ thuật khử bóng trong không gian màu RGB.
  3. Doanh nghiệp phát triển giải pháp camera giám sát thông minh: Hỗ trợ xây dựng các tính năng thương mại hữu ích như cảnh báo đồ vật vô chủ tại sân bay, phát hiện xâm nhập vùng cấm, đếm lưu lượng phương tiện giao thông tự động 100% theo thời gian thực ở tốc độ xử lý 25 đến 30 fps.
  4. Giảng viên và sinh viên ngành Công nghệ thông tin: Sử dụng làm học liệu mẫu cho các môn học Thị giác máy tính, Xử lý tín hiệu số và Đồ họa đa phương tiện, minh họa cách thức giải quyết một bài toán công nghệ từ mô hình toán học đến cài đặt phần mềm hoàn chỉnh.

Câu hỏi thường gặp

1. Phương pháp trừ nền thích ứng có ưu điểm gì vượt trội so với phương pháp vi phân thời gian?

Phương pháp vi phân thời gian chỉ so sánh 2 đến 3 khung hình liên tiếp nên thường xuyên bị lỗi "rỗng ruột" khi đối tượng có màu đồng nhất hoặc mất dấu hoàn toàn khi đối tượng tạm dừng di chuyển. Ngược lại, phương pháp trừ nền thích ứng duy trì và cập nhật liên tục mô hình nền $B_n(x)$ với hệ số học $\alpha$, giúp phát hiện trọn vẹn toàn bộ diện mạo đối tượng và duy trì bám vết chính xác ngay cả khi vật thể đứng yên trong một khoảng thời gian dài.

2. Làm thế nào hệ thống loại bỏ được bóng đổ của vật thể mà không làm mất chi tiết đối tượng?

Hệ thống tận dụng tính chất quang học trong không gian màu RGB. Điểm ảnh bóng đổ có hướng vector màu gần như trùng khớp với điểm ảnh nền tương ứng (tích vô hướng $d_x$ tiến sát ngưỡng $\tau \approx 1.0$) nhưng có giá trị độ chói thấp hơn nền. Bằng việc kiểm tra đồng thời cả 2 điều kiện này, thuật toán loại bỏ chính xác trên 90% các điểm ảnh bóng đổ mà không làm suy hao các điểm ảnh thực sự thuộc về vùng chuyển động của đối tượng.

3. Cơ chế giải quyết xung đột khi nhiều đối tượng che khuất lẫn nhau diễn ra như thế nào?

Khi phát hiện đối tượng biến mất do bị che khuất, hệ thống không xóa định danh mà gán vào một nhóm che khuất chung. Khi các đối tượng tách rời, hệ thống so khớp đối tượng mới với các đối tượng trước đó dựa trên ma trận khoảng cách L1 của lược đồ màu chuẩn hóa 2 tầng (trên và dưới). Cách tiếp cận này đảm bảo nhận dạng đúng danh tính từng cá nhân với độ chính xác đạt trên 92% mà không phụ thuộc vào vị trí không gian tức thời.

4. Tại sao cần chuẩn hóa tín hiệu khoảng cách hình chiếu trong quá trình phân loại đối tượng?

Do khoảng cách từ đối tượng đến camera thay đổi liên tục khiến kích thước vùng biên dạng trên khung hình bị co giãn, tín hiệu khoảng cách ban đầu sẽ có độ dài không đồng nhất. Thuật toán tiến hành lấy mẫu lại để đưa tín hiệu về độ dài cố định $C$ và chuẩn hóa biên độ về miền $[0, 1]$. Quá trình này giúp ma trận phân loại đạt được tính bất biến đối với phép tịnh tiến vị trí và tỷ lệ khoảng cách, duy trì độ chính xác nhận dạng trên 88%.

5. Hệ thống phân biệt giữa hành lý bị bỏ quên và hiện vật bị mất cắp bằng cách nào?

Khi một vùng chuyển động duy trì trạng thái tĩnh vượt quá ngưỡng thời gian cảnh báo, hệ thống sẽ trích xuất cường độ màu trung bình của vùng lõi $A_R$ và vùng bao quanh $A_S$. Nếu tỷ số giữa $A_R$ và $A_S$ chênh lệch nhỏ hơn ngưỡng 0.12 (tức màu vùng lõi tương đồng với nền xung quanh), hệ thống xác định đó là đối tượng dời đi (vật thể bị bỏ lại). Ngược lại, sự khác biệt lớn về màu sắc xác nhận hiện vật tại vị trí đó đã biến mất.

Kết luận

  • Luận văn đã xây dựng thành công một khung kiến trúc hoàn chỉnh cho bài toán phát hiện, theo dõi và phân loại đối tượng chuyển động trong chuỗi video giám sát thời gian thực.
  • Đề xuất và thực nghiệm thành công giải pháp khử bóng đổ trong không gian màu RGB và kỹ thuật phân đoạn gradient giúp khắc phục triệt để hiện tượng thay đổi ánh sáng đột ngột trên 50% khung hình.
  • Ứng dụng hiệu quả mô hình đồ thị hai phía $G(m,n)$ kết hợp lược đồ màu chuẩn hóa hai tầng, nâng tỷ lệ bám vết và phân tách đối tượng sau che khuất đạt độ chính xác 92.5%.
  • Sáng tạo phương pháp phân loại đối tượng dựa trên tín hiệu khoảng cách hình chiếu chuẩn hóa bất biến tỷ lệ, kết hợp cơ chế tích lũy đa giả thuyết đạt độ tin cậy trên 91.5%.
  • Tối ưu hóa toàn bộ quy trình xử lý với độ trễ thấp dưới 0.5 giây, tương thích hoàn toàn với các luồng video chuẩn 25 đến 30 fps trên nền tảng phần mềm nhúng.

Trong lộ trình tiếp theo từ 12 đến 24 tháng tới, các hướng phát triển chính bao gồm việc mở rộng tập dữ liệu mẫu hình chiếu lên trên 500 mẫu và tích hợp các kỹ thuật học sâu tiên tiến nhằm nâng cao khả năng thích ứng trong mọi điều kiện thời tiết phức tạp. Các tổ chức an ninh, doanh nghiệp công nghệ và nhà nghiên cứu quan tâm có thể khai thác và ứng dụng ngay giải pháp thuật toán này để nâng cao năng lực tự động hóa cho các hệ thống giám sát thông minh hiện đại.