Luận Văn Thạc Sĩ Về Phương Pháp Xác Định Chuyển Động Dựa Trên Đặc Tính Của Mắt Người

Luận văn thạc sĩ phân tích phương pháp xác định chuyển động dựa trên đặc tính của mắt người đối với thành phần xám trong việc, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• Tác giả: Nguyễn Ngọc Sinh
• Người hướng dẫn: PGS.TS Trần Xuân Tú
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử Truyền thông
• Đề tài: Phương Pháp Xác Định Chuyển Động Dựa Trên Đặc Tính Mắt Người Trong Mã Hóa Video MJPEG
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MÃ HÓA VIDEO TRONG XU THẾ IOT VÀ CƠ HỘI CHO MÃ HÓA MJPEG
• 1.1. Tổng quan mã hóa video
• 1.2. Mã hóa video trong xu thế IoT
• 1.3. MJPEG trong mạng cảm biến không dây
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: PHƯƠNG PHÁP XÁC ĐỊNH CHUYỂN ĐỘNG DỰA TRÊN ĐẶC TÍNH CỦA MẮT NGƯỜI ĐỐI VỚI THÀNH PHẦN XÁM TRONG VIỆC LOẠI BỎ DƯ THỪA VỀ MẶT THỜI GIAN CỦA MÃ HÓA MJPEG
• 2.1. Dư thừa mặt thời gian
• 2.2. Các kỹ thuật loại bỏ dư thừa về mặt thời gian
• 2.3. Dự đoán bằng khung hình liền kề trước
• 2.4. Dự đoán bằng mô hình ước lượng chuyển động của các khối
• 2.5. Đồng bộ khung tham chiếu giữa mã hóa và giải mã
• 2.6. Kỹ thuật loại bỏ dư thừa thời gian đề xuất dựa trên phân tách chuyển động
• 2.7. Thuật toán xác định chuyển động
• 2.8. Đặc tính của mắt người đối với thành phần xám và khả năng áp dụng cho phân tách chuyển động
• 2.9. Phương pháp xác định chuyển động dựa trên đặc tính của mắt người đối với thành phần xám trong việc loại bỏ dư thưa về mặt thời gian của mã hóa MJPEG
• 2.10. Nguyên lý hoạt động
• 2.11. Kết luận chương 2
• 3. CHƯƠNG 3: MÔ PHỎNG VÀ ĐÁNH GIÁ PHƯƠNG ÁN ĐỀ XUẤT
• 3.1. Thông số đánh giá
• 3.2. Tỷ lệ nén
• 3.3. Chất lượng hình ảnh giải mã PSNR
• 3.4. Mô phỏng và đánh giá kết quả
• 3.5. Kịch bản mô phỏng
• 3.6. Kết quả mô phỏng
• DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN VĂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Mã hóa video trong xu thế IoT và cơ hội cho mã hóa MJPEG

Mã hóa video là quá trình giảm thiểu và loại bỏ các thành phần dư thừa trong video, giúp lưu trữ và truyền tải hiệu quả hơn. Trong bối cảnh IoT, việc sử dụng camera trong mạng cảm biến không dây trở nên phổ biến. Tuy nhiên, các camera này thường bị giới hạn về năng lực tính toán, năng lượng và băng thông. Do đó, việc áp dụng các phương pháp nén video tiên tiến như MJPEG là cần thiết. MJPEG, với khả năng nén video hiệu quả, có thể đáp ứng yêu cầu của các ứng dụng IoT. Việc phân tích các chuẩn mã hóa video hiện có cho thấy MJPEG có những lợi thế nhất định, nhưng cũng tồn tại một số hạn chế cần khắc phục.

1.1 Tổng quan mã hóa video

Nén video có thể chia thành hai dạng chính: nén mất mát và nén không mất mát. Nén mất mát cho phép tỷ lệ nén cao hơn, trong khi nén không mất mát giữ nguyên chất lượng video. Dữ liệu dư thừa trong video được phân loại thành bốn loại: dư thừa về khả năng nhận thức, không gian, thời gian và thống kê. Đặc biệt, việc loại bỏ dư thừa về mặt thời gian là chìa khóa để tăng tỷ lệ nén. Các phương pháp mã hóa video hiện nay như H.264 và HEVC đã cải thiện đáng kể tỷ lệ nén và chất lượng hình ảnh, nhưng yêu cầu hệ thống có năng lực tính toán cao hơn.

1.2 Mã hóa video trong xu thế IoT

Trong thời đại IoT, camera đóng vai trò quan trọng trong việc giám sát và an ninh. Tuy nhiên, các camera trong mạng cảm biến không dây thường gặp khó khăn do giới hạn về năng lực tính toán và băng thông. Việc áp dụng các phương pháp nén video hiệu quả là cần thiết để đảm bảo thông tin được truyền tải kịp thời. Giải pháp đề xuất là thực hiện giai đoạn tiền xử lý tại các cảm biến, giúp giảm tải cho hệ thống và đảm bảo hiệu suất cao trong việc truyền tải video.

II. Phương pháp xác định chuyển động dựa trên đặc tính của mắt người

Phương pháp xác định chuyển động dựa trên đặc tính của mắt người là một trong những giải pháp hiệu quả để loại bỏ dư thừa về mặt thời gian trong mã hóa video MJPEG. Đặc tính của mắt người cho phép nhận biết và phân tách các màu xám, từ đó giúp tối ưu hóa quá trình mã hóa. Việc áp dụng phương pháp này không chỉ giúp tăng tỷ lệ nén mà còn đảm bảo chất lượng video sau mã hóa. Các kỹ thuật loại bỏ dư thừa thời gian hiện có được phân tích và so sánh, từ đó đưa ra phương án đề xuất phù hợp cho các mạng cảm biến không dây.

2.1 Dư thừa mặt thời gian

Dư thừa mặt thời gian trong video là vấn đề quan trọng cần giải quyết để tăng tỷ lệ nén. Các khung hình liên tiếp thường có nhiều thành phần giống nhau, do đó việc loại bỏ dữ liệu giống nhau giữa các khung hình là cần thiết. Các kỹ thuật hiện tại như dự đoán bằng khung hình liền kề và mô hình ước lượng chuyển động đã được áp dụng, nhưng vẫn cần cải tiến để đạt hiệu quả cao hơn.

2.2 Thuật toán xác định chuyển động

Thuật toán xác định chuyển động dựa trên đặc tính của mắt người cho phép phân tách các khối tĩnh và động trong video. Phương pháp này giúp tối ưu hóa quá trình mã hóa bằng cách chỉ mã hóa các khối động, trong khi các khối tĩnh có thể được xử lý đơn giản hơn. Điều này không chỉ giảm thiểu độ phức tạp tính toán mà còn tăng tốc độ mã hóa, phù hợp với yêu cầu của các ứng dụng IoT.

III. Mô phỏng và đánh giá phương án đề xuất

Mô phỏng và đánh giá phương án mã hóa video đề xuất là bước quan trọng để xác định hiệu quả của phương pháp. Các thông số đánh giá như tỷ lệ nén và chất lượng hình ảnh được sử dụng để so sánh với các phương pháp mã hóa khác. Kết quả cho thấy phương pháp đề xuất có thể đạt tỷ lệ nén gấp đôi so với MJPEG truyền thống, đồng thời đảm bảo chất lượng video tương đương. Điều này chứng tỏ rằng phương pháp xác định chuyển động dựa trên đặc tính của mắt người có giá trị thực tiễn cao trong các ứng dụng IoT.

3.1 Thông số đánh giá

Các thông số đánh giá như tỷ lệ nén và PSNR (Peak Signal to Noise Ratio) được sử dụng để đo lường hiệu quả của phương pháp mã hóa. Tỷ lệ nén cao cho thấy khả năng loại bỏ dữ liệu dư thừa tốt, trong khi PSNR đảm bảo chất lượng hình ảnh sau mã hóa. Việc lựa chọn thông số đánh giá phù hợp là rất quan trọng để có cái nhìn tổng quan về hiệu quả của phương pháp.

3.2 Kết quả mô phỏng

Kết quả mô phỏng cho thấy phương pháp đề xuất không chỉ đạt tỷ lệ nén cao mà còn duy trì chất lượng video tốt. So với các phương pháp mã hóa khác, phương pháp này cho thấy sự vượt trội về hiệu suất, đặc biệt trong các tình huống có ít chuyển động. Điều này khẳng định giá trị và tính khả thi của phương pháp trong thực tế.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của Internet vạn vật (IoT) và mạng cảm biến không dây, việc sử dụng camera làm "đôi mắt" cho các hệ thống giám sát, an ninh ngày càng phổ biến. Tuy nhiên, các camera trong mạng cảm biến không dây thường bị giới hạn về năng lực tính toán, năng lượng và băng thông, gây khó khăn trong việc áp dụng các chuẩn mã hóa video tiên tiến đòi hỏi tài nguyên lớn. Theo ước tính, các phương pháp mã hóa video tiên tiến như H.264/AVC và HEVC có thể đạt tỷ lệ nén lên đến 100-200 lần so với video gốc, nhưng không phù hợp với các thiết bị hạn chế tài nguyên.

Luận văn tập trung nghiên cứu và đề xuất một phương pháp mã hóa video MJPEG cải tiến, tận dụng đặc tính nhận thức của mắt người đối với thành phần xám để loại bỏ dư thừa về mặt thời gian trong video. Mục tiêu chính là tăng tỷ lệ nén của mã hóa MJPEG mà vẫn giữ được chất lượng hình ảnh tương đương, phù hợp với các camera trong mạng cảm biến không dây. Phạm vi nghiên cứu tập trung vào các video CIF kích thước 352x288 pixel, với tốc độ 30 khung hình/giây, mô phỏng trên nhiều kịch bản video khác nhau từ ít đến nhiều chuyển động.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả mã hóa video trong môi trường giới hạn tài nguyên, giúp giảm băng thông truyền tải và tiêu thụ năng lượng, đồng thời duy trì chất lượng hình ảnh phục vụ các ứng dụng IoT và giám sát an ninh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Dư thừa trong mã hóa video: Bao gồm dư thừa về khả năng nhận thức, không gian, thời gian và thống kê. Việc loại bỏ dư thừa về mặt thời gian là chìa khóa để tăng tỷ lệ nén.
• Mã hóa MJPEG: Mã hóa từng khung hình riêng biệt bằng JPEG, đơn giản nhưng tỷ lệ nén thấp do không loại bỏ dư thừa thời gian.
• Đặc tính của mắt người đối với thành phần xám: Mắt người chỉ phân biệt khoảng 30 sắc thái xám, trong khi ảnh số thường có 256 mức xám. Tính chất này cho phép giảm dữ liệu không cần thiết trong phân tách chuyển động.
• Phân tách chuyển động dựa trên đặc tính mắt người: Xác định điểm ảnh chuyển động khi sự thay đổi thành phần xám vượt ngưỡng nhận biết của mắt, từ đó phân chia khung hình thành các khối tĩnh và động để xử lý khác nhau.

Ba khái niệm chính được sử dụng là: dư thừa thời gian, phân tách chuyển động, và đặc tính nhận thức của mắt người đối với ảnh xám.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng gồm các video CIF với tốc độ 30 fps, thuộc các nhóm có mức độ chuyển động khác nhau như Akiyo (ít chuyển động), Foreman (trung bình), và Soccer (nhiều chuyển động). Mô phỏng được thực hiện trên hệ điều hành CentOS 6.5 với CPU Intel Core 2 Duo E4400.

Phương pháp phân tích bao gồm:

• Xây dựng thuật toán phân tách chuyển động dựa trên ngưỡng sai khác thành phần xám phù hợp với khả năng nhận biết của mắt người.
• Mã hóa các khối tĩnh bằng cách bỏ qua các bước biến đổi DCT và lượng tử hóa, chỉ mã hóa sai khác DC.
• Mã hóa các khối động theo quy trình JPEG truyền thống.
• Đảm bảo đồng bộ khung tham chiếu giữa mã hóa và giải mã để duy trì chất lượng và tính nhất quán.
• Đánh giá hiệu quả qua các chỉ số tỷ lệ nén, PSNR và độ phức tạp tính toán.

Timeline nghiên cứu kéo dài trong năm 2016, bao gồm giai đoạn phân tích lý thuyết, thiết kế thuật toán, mô phỏng và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Tỷ lệ nén tăng gấp đôi so với MJPEG truyền thống: Phương pháp đề xuất đạt tỷ lệ nén trung bình gấp 2 lần MJPEG truyền thống trên các video mẫu, đặc biệt hiệu quả với các video có nhiều khối tĩnh. Ví dụ, video Akiyo đạt tỷ lệ nén cao nhất do ít chuyển động, trong khi video Soccer có tỷ lệ nén thấp hơn do nhiều chuyển động liên tục.

2. Chất lượng hình ảnh tương đương (PSNR): Ở cùng mức PSNR, phương pháp đề xuất cho tỷ lệ nén cao hơn các phương pháp loại bỏ dư thừa thời gian khác như nén sai khác MJPEG và MJPEG với thuật toán Zipfian. PSNR trung bình đạt khoảng 40-45 dB, đảm bảo chất lượng hình ảnh tốt cho các ứng dụng giám sát.

3. Độ phức tạp tính toán thấp hơn so với thuật toán Zipfian: Số phép tính cộng/trừ trên mỗi khối 8x8 của phương pháp đề xuất chỉ khoảng 64, thấp hơn 3 lần so với thuật toán Zipfian (200 phép tính). Điều này giúp tăng tốc độ mã hóa, phù hợp với giới hạn năng lực tính toán của camera mạng cảm biến không dây.

4. Linh động GOP và đồng bộ khung tham chiếu: Phương pháp cho phép sử dụng GOP linh động không giới hạn, giúp tăng tỷ lệ nén mà không làm giảm chất lượng video. Đồng thời, việc lược giản giải mã khối tĩnh giúp giảm tải cho bộ giải mã.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp đạt hiệu quả cao là việc tận dụng đặc tính nhận thức của mắt người đối với thành phần xám, chỉ coi điểm ảnh có sự thay đổi vượt ngưỡng nhận biết là chuyển động. Điều này giúp giảm đáng kể dữ liệu cần mã hóa cho các khối tĩnh, từ đó tăng tỷ lệ nén mà không ảnh hưởng đến chất lượng hình ảnh.

So với các phương pháp dựa trên thuật toán xác định chuyển động truyền thống, phương pháp đề xuất đơn giản hơn nhiều về mặt tính toán nhưng vẫn đảm bảo khả năng bám theo chuyển động tốt. Kết quả mô phỏng cho thấy phương pháp phù hợp với các video có đặc điểm chuyển động khác nhau, từ ít đến nhiều chuyển động.

Dữ liệu có thể được trình bày qua biểu đồ tỷ lệ nén và PSNR theo giá trị QP, cũng như bảng so sánh số phép tính giữa các phương pháp, giúp minh họa rõ ràng hiệu quả và độ phức tạp của phương pháp đề xuất.

Đề xuất và khuyến nghị

1. Triển khai phương pháp trên các camera mạng cảm biến không dây: Tập trung vào các thiết bị có giới hạn năng lực tính toán và năng lượng, nhằm giảm băng thông truyền tải và tiêu thụ năng lượng, nâng cao hiệu quả hoạt động hệ thống.

2. Phát triển thêm kỹ thuật loại bỏ dư thừa thời gian cho các chuẩn mã hóa tiên tiến hơn: Nghiên cứu áp dụng đặc tính nhận thức của mắt người vào các chuẩn như HEVC để tăng hiệu quả mã hóa trong môi trường IoT.

3. Tối ưu thuật toán phân tách chuyển động để giảm độ trễ mã hóa: Đảm bảo khả năng mã hóa thời gian thực cho các ứng dụng giám sát an ninh và truyền hình trực tiếp.

4. Xây dựng công cụ đánh giá và mô phỏng mở rộng: Phát triển phần mềm mô phỏng tích hợp để đánh giá hiệu quả mã hóa trên nhiều loại video và điều kiện mạng khác nhau, hỗ trợ việc triển khai thực tế.

Các giải pháp trên nên được thực hiện trong vòng 1-2 năm tới, phối hợp giữa các nhóm nghiên cứu và nhà sản xuất thiết bị IoT.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và phát triển công nghệ mã hóa video: Có thể ứng dụng phương pháp đề xuất để phát triển các thuật toán mã hóa hiệu quả cho môi trường giới hạn tài nguyên.

2. Nhà sản xuất thiết bị camera IoT và mạng cảm biến không dây: Tận dụng giải pháp mã hóa để cải thiện hiệu suất truyền tải và tiết kiệm năng lượng cho sản phẩm.

3. Chuyên gia trong lĩnh vực truyền thông và mạng viễn thông: Hiểu rõ các kỹ thuật loại bỏ dư thừa thời gian và áp dụng trong thiết kế hệ thống truyền tải video hiệu quả.

4. Sinh viên và học viên cao học ngành Công nghệ Kỹ thuật Điện tử Truyền thông: Nắm bắt kiến thức chuyên sâu về mã hóa video, đặc tính nhận thức của mắt người và ứng dụng trong công nghệ truyền thông.

Mỗi nhóm đối tượng có thể sử dụng luận văn làm tài liệu tham khảo để phát triển nghiên cứu, cải tiến sản phẩm hoặc học tập chuyên sâu.

Câu hỏi thường gặp

1. Phương pháp đề xuất có phù hợp với các video có nhiều chuyển động không?
   Phương pháp vẫn hoạt động hiệu quả nhưng tỷ lệ nén giảm do nhiều khối động cần mã hóa đầy đủ. Ví dụ, video Soccer có tỷ lệ nén thấp hơn video ít chuyển động như Akiyo.

2. Làm thế nào để xác định ngưỡng sai khác thành phần xám phù hợp?
   Ngưỡng được tính dựa trên khả năng phân biệt khoảng 30 sắc thái xám của mắt người, tương đương với 5-bit dữ liệu, giúp phân biệt điểm ảnh chuyển động chính xác.

3. Phương pháp có thể áp dụng cho các chuẩn mã hóa video khác ngoài MJPEG không?
   Có thể mở rộng sang các chuẩn tiên tiến hơn như HEVC, tuy nhiên cần nghiên cứu thêm để tích hợp đặc tính nhận thức mắt người vào các thuật toán phức tạp hơn.

4. Độ phức tạp tính toán của phương pháp so với MJPEG truyền thống như thế nào?
   Phương pháp có độ phức tạp cao hơn MJPEG truyền thống nhưng thấp hơn nhiều so với các thuật toán xác định chuyển động phức tạp như Zipfian, phù hợp với giới hạn tài nguyên của camera IoT.

5. Phương pháp có hỗ trợ mã hóa thời gian thực không?
   Với độ phức tạp thấp và khả năng linh động GOP, phương pháp có thể đáp ứng yêu cầu mã hóa thời gian thực trong các ứng dụng giám sát và an ninh.

Kết luận

• Đã đề xuất thành công phương pháp xác định chuyển động dựa trên đặc tính của mắt người đối với thành phần xám, giúp loại bỏ dư thừa thời gian trong mã hóa video MJPEG.
• Phương pháp đạt tỷ lệ nén gấp đôi so với MJPEG truyền thống, đồng thời giữ chất lượng hình ảnh tương đương với PSNR trung bình 40-45 dB.
• Độ phức tạp tính toán thấp hơn nhiều so với các thuật toán xác định chuyển động phức tạp, phù hợp với giới hạn tài nguyên của camera trong mạng cảm biến không dây.
• Cho phép linh động GOP không giới hạn, giúp tăng hiệu quả mã hóa và giảm tải cho bộ giải mã.
• Đề xuất mở rộng nghiên cứu áp dụng kỹ thuật này cho các chuẩn mã hóa tiên tiến hơn như HEVC trong tương lai.

Để tiếp tục phát triển, cần triển khai thực tế trên các thiết bị IoT, tối ưu thuật toán cho mã hóa thời gian thực và mở rộng ứng dụng cho các chuẩn mã hóa video hiện đại. Độc giả và nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm dựa trên nền tảng này nhằm nâng cao hiệu quả mã hóa video trong môi trường giới hạn tài nguyên.

Trích đoạn nội dung tài liệu

Chương 1 MÃ HÓA VIDEO TRONG XU THẾ IOT VÀ CƠ HỘI CHO MÃ HÓA MJPEG 1.1 Tổng quan mã hóa video Nén hay mã hóa video là việc giảm thiểu và loại bỏ các thành phần dư thừa trong video qua đó giúp cho lưu trữ video trên ổ đĩa và truyền qua mạng một cách hiệu quả. Nén video có thể chia ra làm hai dạng chính: nén mất mát và nén không mất mát. Nén không mất mát là phương pháp nén mà video được giải mã giống với video trước khi mã hóa. Phương pháp này cho chất lượng hình ảnh cao nhất nhưng phải đánh đổi bằng việc tỷ lệ nén ở mức độ thấp.

Nén mất mát có nghĩa là video sau khi được giải mã có sai khác với video gốc. Ưu điểm của phương pháp này là tỷ lệ nén cao hơn rất nhiều so với nén không mất mát. Trong nén mất mát, các dữ liệu mất mát là những dữ liệu dư thừa, dữ liệu này thường là mắt người không thể hoặc ít có khả năng cảm nhận. Dữ liệu dư thừa được chia làm 4 loại chính: dư thừa về khả năng nhận thức (perceptual redundancies), dư thừa về mặt không gian (spatial redundancies), dư thừa về mặt thời gian (temporal redundancies), dư thừa về mặt thống kê (statistical redundancies).

Dư thừa về mặt nhận thức là những chi tiết của bức ảnh mà mắt người không thế cảm nhận được. Bất cứ dữ liệu nào mà mắt người không thể cảm nhận được đều có thể loại bỏ được. Loại bỏ dư thừa về khả năng nhận thức được thực hiện bởi quá trình lấy mẫu các thành phần màu. Dư thừa về mặt thời gian: Video là tập hợp chuỗi các khung hình liên tiếp, những khung hình liên tiếp có tỷ lệ lớn các thành phần giống nhau.

Do đó, việc loại bỏ dữ liệu giống nhau (dư thừa về mặt thời gian) giữa các khung hình giúp tăng tỷ lệ giá trị không và lân cận không. Trong các mã hóa video, xác định và loại bỏ dư thừa về mặt thời gian chính là chìa khóa chính để tăng tỷ lệ nén lên nhiều lần. Dư thừa về mặt không gian là sự thay đổi trong cấp độ của ảnh. Độ nhậy cảm của mắt người tỷ lệ nghịch với tần số của tín hiệu, điều này có nghĩa là khả năng phân biệt sự thay đổi của mắt người cũng giảm dần đối với các tần số cao.

Tính chất này của mắt người được gọi là tích hợp không gian (spatial integration). Dựa vào đặc tính này các phương pháp mã hóa video có thể loại bỏ hoặc giảm các tần số cao mà không ảnh hưởng đến cảm nhận của mắt người. Việc này được thực hiện bởi hai quá trình: biến đổi sang miền tần số và lượng tử hóa. z 11 Dư thừa về mặt thống kê: Các giá trị sau lượng tử, véc-tơ chuyển động và các dữ liệu khác được mã hóa bằng các chuỗi nhị phân tại bước cuối cùng của nén video.

Phương pháp đơn giản nhất để mã hóa các giá trị này là sử dụng phương pháp mã hóa có độ dài cố định - fixed length codes. Tuy nhiên, do đặc tính của video là các giá trị không tuân theo quy luật phân bố đồng đều. Vậy nên, việc mã hóa có độ dài cố định sẽ cho kết quả chuỗi mã hóa có kích thước lớn hơn nhiều so với khả năng có thể. Sử dụng mã hóa có độ dài thay đổi (variable length codes) là giải pháp cho những trường hợp các ký hiệu (symbol) có phân bố không đồng đều.

Những ký hiệu có tỷ lệ xuất hiện lớn hơn sẽ được biểu diễn bởi những đoạn bit có kích thước nhỏ hơn. Trong nén video, loại bỏ dư thừa này được thực hiện bởi mã hóa Entropy (Entropy Coding). Sự hiệu quả của một phương pháp mã hóa video được đánh giá dựa trên hai phương diện chính: tỷ lệ nén trên cùng một chất lượng ảnh (khả năng loại bỏ các tín hiệu dư thừa) và tốc độ mã hóa. Phần lớn việc lựa chọn phương pháp mã hóa phụ thuộc vào yêu cầu về thời gian mã hóa của từng ứng dụng: mã hóa thời gian thực hay chấp nhận độ trễ của mã hóa để đạt tỷ lệ nén cao.1: Tỷ lệ nén của một số chuẩn mã hóa video thông dụng.1 so sánh tỷ lệ nén giữa một số chuẩn mã hóa video thông dụng hiện nay.

Áp dụng các phương pháp nén video giúp tiết kiệm ít nhất 20 lần dung lượng lưu trữ cũng như băng thông khi truyền tải. Tỷ lệ nén này có thể tăng lên đến gần 200 lần đối với chuẩn mã hóa video tiên tiến nhất hiện nay là H.2 trình bày lịch sử phát triển của các chuẩn mã hóa video từ những năm 1990.2 việc phát triển các chuẩn mã hóa video cũng như phương pháp được xây dựng bởi một số tổ chức lớn như: ITU-T, ISO, SMPTE, On2/Google. Theo thời gian, càng ngày càng nhiều chuẩn mã hóa mới được phát minh.2 có 16 chuẩn mã hóa video phổ biến đã và đang được sử dụng cho tới này. Những chuẩn mới hơn, tiên tiến hơn cho kết quả tốt hơn cả về chất lượng lẫn tỷ lệ nén.2: Sơ đồ lịch sử phát triển của nén video từ 1990 [1].

những ưu điểm đó, các chuẩn mã hóa mới cũng yêu cầu các hệ thống có năng lực tính toán cao hơn và tiêu thụ năng lượng nhiều hơn.261 [4] là một chuẩn mã hóa video cho hội nghị truyền hình được công bố bởi ITU vào năm 1990. Chuẩn này được thiết kế cho dữ liệu ở các tốc độ bằng cấp số nhân của 64Kbit/s. Cùng với công bố chuẩn H.261, sơ đồ mã hóa Hybrid cũng được hoàn thiện và giới thiệu. Sau này, sơ đồ Hybrid trở thành sơ đồ mã hóa cho các chuẩn mã hóa tiên tiến khác như H.

Trong sơ đồ Hybrid, các khung hình mã hóa được chia ra làm hai loại khung hình intra và khung hình inter. Khung hình inter là các khung hình mà dữ liệu được mã hóa phụ thuộc vào các khung hình khác (reference frame - khung hình tham chiếu) trong video. Dữ liệu mã hóa của các khung hình inter được tính toán từ quá trình phỏng đoán liên ảnh (Inter Prediction). Các khung hình tham chiếu này có thể xuất hiện trước hoặc sau khung hình hiện tại trong thứ tự sắp xếp của video.

Khung hình intra là những khung hình mà dữ liệu mã hóa được nội suy từ chính trong khung hình. Dữ liệu nội suy được thực hiện bởi quá trình phỏng đoán nội ảnh (Intra Prediction).264/AVC [5] [6] là kết quả của sự phối hợp giữa hai tổ chức lớn là ITU và MPEG.264 được đặt tên bởi ITU-T, trong khi đó ISO/IEC gọi là MPEG-4 Part 10/AVC.264/AVC được thiết kế nhằm vượt qua những hạn chế của các chuẩn mã hóa video trước đó như đạt tỷ lệ nén gấp đôi với cùng chất lượng ảnh, giảm lỗi do quá trình truyền tải qua mạng.265/HEVC [7] [8] chuẩn mã hóa tiên tiến nhất hiện nay được thiết kế cho video có độ phân giải cao như fullHD, 2K, 4K, và có thể đạt được tỷ lệ nén gấp đôi so với H. Ngoài ra, một số chuẩn mã hóa video khác như MPEG1, MPEG2, H262, H263 đã được trình bày tại báo cáo [9] z 13 1.2 Mã hóa video trong xu thế IoT IoT và mô hình tính toán phân tán rộng khắp (ubicomp) là xu thế tất yếu khi mà các vấn đề tiên quyết như: hiệu năng và kích thước CPU, năng lượng, băng thông đã và đang được giải quyết. Trong thời đại IoT, camera sẽ được nhúng xung quanh môi trường sống của con người và đóng vai trò là đôi mắt cho mô hình IoT.

Những camera này sẽ giúp thực hiện các ứng dụng khác nhau như an ninh, giám sát giao thông, nông nghiệp. Mạng cảm biến không dây là một phần cơ bản trong mô hình IoT. Nó được sử dụng trong những trường hợp cần sử dụng các cảm biến một cách linh động, ẩn giấu đối với người dùng cuối và đặc biệt sử dụng cho những khu vực xa và nguy hiểm, không thể cung cấp năng lượng một cách liên tục và thường xuyên. Khi camera tham gia vào các mạng cảm biến không dây thì bắt buộc bị giới hạn về mặt năng lực tính toán, năng lượng, bộ nhớ và băng thông.

Trong khi đó, thông tin truyền tải giữa camera và trung tâm gần nhất vẫn phải đảm bảo yêu cầu thời gian thực. Điều này đặt ra một thách thức lớn trong việc áp dụng các chuẩn nén video tiên tiến và hiệu quả cho các camera trong mạng cảm biến không dây. Một giải pháp đã được đề xuất cho việc xử lý dữ liệu trong các mạng cảm biến không dây là chỉ thực hiện giai đoạn tiền xử lý hay xử lý thô tại các cảm biến. Dữ liệu sau tiền xử lý sẽ được truyền về và thực hiện công việc xử lý phức tạp tại các trung tâm có năng lực tính toán cao hơn và không bị giới hạn về năng lượng.

Đối với các camera trong mạng cảm biến không dây thì phương án tiền xử lý là phương án khả thi có thể đáp ứng được yêu cầu về thời gian thực mặc dù bị giới hạn về năng lực tính toán và năng lượng. Tiền xử lý ở đây có nghĩa là sử dụng các thuật toán nén video đơn giản.3 trình bày mô hình chi tiết. Các video từ camera sẽ được nén bằng các thuật toán nén video đơn giản và truyền về các trung tâm xử lý. Tại đây, các video đã được mã hóa tại các camera sẽ được giải mã và thực hiện mã hóa lại bằng các phương pháp/chuẩn mã hóa tiên tiến.

Như vậy, vừa có thể đảm bảo được tính chất thời gian thực của hệ thống vừa đảm bảo yêu cầu hiệu quả khi lưu trữ và truyền tải.3: Giải pháp tiền xử lý cho camera trong mạng cảm biến không dây.3 Mã hóa video MJPEG Mã hóa MJPEG là phương pháp mã hóa các khung hình trong video một cách riêng lẻ thành các chuỗi bit JPEG. MJPEG được đánh giá là phương pháp mã hóa video đơn giản, yêu cầu ít năng lực tính toán nhất do không sử dụng bất kỳ kỹ thuật nào để loại bỏ dư thừa về mặt thời gian. Cũng chính vì vậy mà tỷ lệ nén của MJPEG đạt được là thấp nhất so với các phương pháp mã hóa video khác như H.1 Mã hóa ảnh JPEG Mã hóa JPEG [10] được xây dựng dựa trên việc loại bỏ những dư thừa về mặt: khả năng nhận thức, không gian và thống kê thông qua các quá trình biến đổi cosin rời rạc (DCT - Discrete Cosine Transform), lượng tử hóa và mã hóa Entropy.4 trình bày các bước để mã hóa và giải mã các khung hình trong MJPEG. Quá trình “biến đổi không gian màu (color transform) ” sẽ chuyển đổi không gian màu của ảnh gốc sang không gian màu YCbCr.

Sau đó thực hiện “lấy mẫu (downsampling) ” cho các thành phần màu Cb và Cr.