Luận văn thạc sĩ vnu uet 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 video mjpeg 001

Luận văn thạc sĩ VNU UET nghiên cứu phương pháp xác định chuyển động dựa trên đặc tính mắt người, tối ưu hóa mã hóa video MJPEG 001.

• Tác giả: Nguyễn Ngọc Sinh
• Người hướng dẫn: PGS.TS Trần Xuân Tú
• Trường học: Đại học Quốc gia Hà Nội - Đại học Công nghệ
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử Truyền thông
• Đề tài: 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 video MJPEG
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MÃ HÓA VIDEO TRONG XU THẾ IOT VÀ CƠ HỘI CHO MÃ HÓA MJPEG
• 1.1. Tổng quan mã hóa video
• 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
• 3. CHƯƠNG 3: MÔ PHỎNG VÀ ĐÁNH GIÁ PHƯƠNG ÁN ĐỀ XUẤT
• DANH MỤC VIẾT TẮT
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG
• DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN VĂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phương Pháp Xác Định Chuyển Động Trong Mã Hóa Video MJPEG

Phương pháp xác định chuyển động trong mã hóa video MJPEG dựa trên đặc tính của mắt người là một lĩnh vực nghiên cứu quan trọng. Mã hóa video MJPEG, với khả năng nén hiệu quả, đã trở thành lựa chọn phổ biến trong các ứng dụng IoT. Việc hiểu rõ về cách mắt người nhận thức hình ảnh giúp tối ưu hóa quá trình mã hóa, từ đó nâng cao chất lượng video và giảm thiểu dung lượng lưu trữ.

1.1. Đặc Tính Của Mắt Người Trong Nhận Thức Hình Ảnh

Mắt người có khả năng nhận diện và phân biệt các sắc thái màu xám khác nhau. Điều này cho phép loại bỏ những thông tin không cần thiết trong quá trình mã hóa video, từ đó giảm thiểu dung lượng mà không làm giảm chất lượng hình ảnh.

1.2. Tầm Quan Trọng Của Mã Hóa Video MJPEG

Mã hóa video MJPEG là một trong những phương pháp nén video phổ biến nhất hiện nay. Nó cho phép truyền tải video với chất lượng cao trong khi vẫn tiết kiệm băng thông, đặc biệt trong các ứng dụng IoT.

II. Vấn Đề Và Thách Thức Trong Mã Hóa Video MJPEG

Mặc dù mã hóa video MJPEG mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức cần giải quyết. Các vấn đề như độ trễ trong truyền tải, chất lượng hình ảnh sau khi nén, và khả năng xử lý của thiết bị là những yếu tố quan trọng cần xem xét.

2.1. Độ Trễ Trong Truyền Tải Video

Độ trễ là một trong những vấn đề lớn nhất trong mã hóa video. Việc nén video có thể làm tăng độ trễ, ảnh hưởng đến trải nghiệm người dùng, đặc biệt trong các ứng dụng yêu cầu thời gian thực.

2.2. Chất Lượng Hình Ảnh Sau Khi Nén

Chất lượng hình ảnh là yếu tố quyết định trong mã hóa video. Việc nén quá mức có thể dẫn đến mất mát thông tin quan trọng, làm giảm chất lượng video. Cần có các phương pháp tối ưu để duy trì chất lượng hình ảnh.

III. Phương Pháp Xác Định Chuyển Động Trong Mã Hóa Video MJPEG

Phương pháp xác định chuyển động dựa trên đặc tính của mắt người là một giải pháp hiệu quả để loại bỏ dư thừa về mặt thời gian trong mã hóa video MJPEG. Phương pháp này không chỉ giúp tăng tỷ lệ nén mà còn cải thiện chất lượng hình ảnh.

3.1. Kỹ Thuật Phân Tách Chuyển Động

Kỹ thuật phân tách chuyển động giúp xác định các khối hình ảnh động và tĩnh, từ đó tối ưu hóa quá trình mã hóa. Việc này giúp giảm thiểu dung lượng lưu trữ mà không làm giảm chất lượng video.

3.2. Ứng Dụng Của Phương Pháp Trong Thực Tế

Phương pháp xác định chuyển động đã được áp dụng thành công trong nhiều ứng dụng thực tế, từ giám sát an ninh đến truyền hình trực tiếp. Điều này chứng tỏ tính khả thi và hiệu quả của phương pháp trong môi trường thực tế.

IV. Kết Quả Nghiên Cứu Về Phương Pháp Xác Định Chuyển Động

Nghiên cứu cho thấy rằng phương pháp xác định chuyển động dựa trên đặc tính của mắt người có thể đạt được tỷ lệ nén gấp đôi so với mã hóa MJPEG truyền thống. Điều này không chỉ giúp tiết kiệm băng thông mà còn cải thiện chất lượng hình ảnh.

4.1. Tỷ Lệ Nén So Với Các Phương Pháp Khác

Phương pháp này cho thấy tỷ lệ nén cao hơn so với các phương pháp mã hóa khác như MJPEG với thuật toán xác định chuyển động Zipfian. Điều này chứng tỏ tính ưu việt của phương pháp trong việc tối ưu hóa mã hóa video.

4.2. Đánh Giá Chất Lượng Hình Ảnh

Chất lượng hình ảnh sau khi áp dụng phương pháp xác định chuyển động vẫn được duy trì ở mức cao, đảm bảo trải nghiệm người dùng tốt nhất. Các chỉ số như PSNR cho thấy sự cải thiện rõ rệt trong chất lượng hình ảnh.

V. Kết Luận Và Tương Lai Của Phương Pháp Xác Định Chuyển Động

Phương pháp xác định chuyển động dựa trên đặc tính của mắt người không chỉ mang lại lợi ích về tỷ lệ nén mà còn mở ra nhiều cơ hội mới trong lĩnh vực mã hóa video. Tương lai của phương pháp này hứa hẹn sẽ tiếp tục phát triển và cải tiến.

5.1. Triển Vọng Phát Triển Trong Nghiên Cứu

Nghiên cứu về phương pháp xác định chuyển động sẽ tiếp tục được mở rộng, với mục tiêu cải thiện hơn nữa hiệu quả mã hóa video. Các công nghệ mới như AI có thể được tích hợp để nâng cao khả năng phân tích hình ảnh.

5.2. Ứng Dụng Trong Các Lĩnh Vực Khác

Phương pháp này có thể được áp dụng không chỉ trong mã hóa video mà còn trong các lĩnh vực khác như nhận diện hình ảnh, giám sát an ninh, và truyền thông đa phương tiện. Điều này mở ra nhiều cơ hội mới cho nghiên cứu và phát triển.

Nội dung chính

Tổng quan nghiên cứu

Kỷ nguyên Internet kết nối vạn vật (IoT) và mô hình tính toán phân tán rộng khắp đang chứng kiến sự bùng nổ của hàng triệu thiết bị camera giám sát trong các mạng cảm biến không dây (WSN). Tuy nhiên, các thiết bị này thường xuyên đối mặt với rào cản nghiêm trọng về giới hạn năng lượng nguồn pin, dung lượng bộ nhớ và băng thông truyền dẫn. Các chuẩn nén video tiên tiến như H.264/AVC hay H.265/HEVC dù có thể đạt tỷ lệ nén dữ liệu từ 100 đến gần 200 lần so với video gốc nhưng lại đòi hỏi năng lực tính toán cực lớn cùng mức tiêu thụ điện năng vượt quá khả năng đáp ứng của các nút cảm biến độc lập. Ngược lại, chuẩn mã hóa MJPEG truyền thống có ưu điểm nổi bật về sự gọn nhẹ và độ phức tạp thấp, song tỷ lệ nén lại rất hạn chế do hoàn toàn không khai thác việc loại bỏ dư thừa về mặt thời gian giữa các khung hình liên tiếp.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Điện tử (Mã số: 60520203) của học viên Nguyễn Ngọc Sinh, dưới sự hướng dẫn khoa học của PGS.TS Trần Xuân Tú tại Phòng thí nghiệm Trọng điểm Hệ thống Tích hợp Thông minh (SIS Laboratory) thuộc Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội, đã giải quyết thấu đáo thách thức này. Mục tiêu trọng tâm của đề tài là xây dựng một phương pháp xác định chuyển động dựa trên đặc tính của mắt người đối với thành phần xám (Luminance) nhằm loại bỏ triệt để dư thừa thời gian trong mã hóa video MJPEG. Được hoàn thành và bảo vệ xuất sắc vào năm 2016, công trình mang lại giải pháp công nghệ mang tính đột phá khi nâng tỷ lệ nén của MJPEG lên gấp 2 lần ở cùng mức chất lượng hình ảnh, đồng thời cắt giảm độ phức tạp tính toán xuống 3 lần so với các thuật toán ước lượng chuyển động thông thường, tạo tiền đề vững chắc cho việc ứng dụng camera năng lượng thấp trong các hệ thống IoT thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết nén video số và mô hình hệ thống thị giác con người (Human Visual System - HVS). Quá trình nén video kinh điển tập trung vào việc loại bỏ 4 dạng dư thừa thông tin cơ bản: dư thừa nhận thức, dư thừa không gian, dư thừa thời gian và dư thừa thống kê. Trong đó, việc loại bỏ dư thừa thời gian đóng vai trò then chốt nhất để gia tăng hệ số nén.

Hệ thống thị giác của con người có khả năng phân biệt khoảng 10 triệu màu sắc khác nhau, tuy nhiên đối với thành phần độ chói hay ảnh xám, mắt người chỉ có thể nhận biết được từ 30 đến 32 mức sắc thái riêng biệt. Dựa trên đặc tính sinh lý này, điểm ảnh xám biểu diễn bằng 8-bit (tương ứng 256 mức xám) có thể được phân loại trạng thái động hoặc tĩnh thông qua ngưỡng nhạy cảm thị giác tương đương mức 5-bit (32 mức xám). Luận văn xây dựng công thức xác định ngưỡng sai khác mức xám với giá trị ngưỡng cố định bằng 8. Mọi biến thiên cường độ xám giữa hai khung hình liên tiếp nhỏ hơn ngưỡng này sẽ được quy về trạng thái tĩnh đối với cảm nhận thị giác.

Toàn bộ quy trình nén kết hợp kỹ thuật biến đổi Cosin rời rạc (Discrete Cosine Transform - DCT) trên các khối ma trận kích thước 8x8 điểm ảnh, ma trận lượng tử hóa và thuật toán mã hóa Entropy bao gồm mã hóa Huffman kết hợp mã hóa độ dài chạy (Run-length) theo thứ tự quét Zigzag. Mô hình đồng bộ khung tham chiếu vi sai (DPCM) được thiết kế khép kín nhằm kiểm soát sai số lượng tử và cho phép cấu hình chu kỳ nhóm ảnh (GOP) linh hoạt.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp thực nghiệm định lượng mô phỏng trên nền tảng hệ điều hành CentOS 6.5 x32, sử dụng bộ trình biên dịch GCC 4.4.7 tích hợp cùng thư viện xử lý ảnh chuẩn libjpeg-6b. Phần cứng đo đạc sử dụng vi xử lý Intel Core 2 Duo E4400 tốc độ 2.0 GHz kết hợp các tập lệnh tính toán thời gian thực.

Cỡ mẫu nghiên cứu bao gồm 6 tập dữ liệu video chuẩn quốc tế ở định dạng CIF (độ phân giải 352x288 điểm ảnh, tốc độ chuẩn 30 khung hình/giây). Phương pháp chọn mẫu có chủ đích được áp dụng để phân chia dữ liệu thành 3 nhóm kịch bản chuyển động rõ rệt: Nhóm A đại diện cho chuyển động thấp và hậu cảnh tĩnh (gồm các video Akiyo, Container, Hall Monitor); Nhóm B đại diện cho mức độ chuyển động trung bình (video Foreman, News); Nhóm C đại diện cho các chuyển động nhanh, phức tạp và liên tục (video thể thao Soccer).

Phương pháp phân tích dựa trên việc đo đạc hai tiêu chí cốt lõi: Tỷ số tín hiệu cực đại trên nhiễu (PSNR tính theo đơn vị dB thông qua phần mềm MATLAB) để đo chất lượng hình ảnh khôi phục và Tỷ lệ nén (Compression Ratio) trên từng dải tham số lượng tử (QP) chạy từ 5 đến 90. Lý do lựa chọn phương pháp phân tích này là nhằm đảm bảo tính khách quan tuyệt đối khi so sánh hiệu năng của thuật toán đề xuất với các phương pháp tiền nhiệm trên cùng một hệ quy chiếu chất lượng hình ảnh và độ phức tạp phần cứng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm đo đạc chi tiết trên toàn bộ các chuỗi video mẫu đã chỉ ra 3 phát hiện khoa học quan trọng:

• Tỷ lệ nén vượt trội so với các chuẩn cùng cấu trúc: Ở cùng một mức chất lượng hình ảnh sau giải mã (PSNR dao động trong khoảng từ 30 dB đến 45 dB) và trên toàn bộ dải hệ số lượng tử QP từ 5 đến 90, phương pháp đề xuất luôn đạt tỷ lệ nén cao gấp 2 lần (tăng 100%) so với chuẩn MJPEG truyền thống. Đồng thời, giải pháp này luôn duy trì hiệu suất nén cao hơn phương pháp nén sai khác đơn thuần (diff) và phương pháp nén MJPEG tích hợp thuật toán Zipfian (modi).
• Tối ưu hóa mạnh mẽ trên các khung hình Inter: Đối với các chuỗi video có tỷ lệ khối tĩnh cao như Akiyo hay Hall Monitor, tỷ lệ nén của các khung hình dự đoán (Inter frame) đạt mức kỷ lục, gấp từ vài chục lần đến gần 100 lần so với khung hình nén nội bộ ban đầu (Intra frame). Ngay cả đối với chuỗi video có độ biến động cao như Soccer, khung hình Inter vẫn đạt tỷ lệ nén cao gấp 1.5 lần so với khung hình Intra.
• Tiết giảm tối đa tài nguyên tính toán: Về độ phức tạp thuật toán trên từng khối 8x8 điểm ảnh, phương pháp đề xuất chỉ tiêu tốn tối đa 64 phép tính cộng hoặc trừ, hoàn toàn không sử dụng phép nhân và phép dịch bit. Trong khi đó, thuật toán Zipfian đòi hỏi 200 phép cộng/trừ cùng 20 phép dịch bit; quá trình biến đổi DCT thuận đòi hỏi tới 928 phép cộng và 192 phép nhân. Độ phức tạp tính toán của phương pháp mới giảm khoảng 3 lần so với Zipfian và giảm hơn 10 lần so với biến đổi DCT truyền thống.

Thảo luận kết quả

Hiệu quả đột phá của phương pháp bắt nguồn từ cơ chế phân tách chuyển động chính xác ở cấp độ khối. Khi một khối 8x8 có tỷ lệ điểm ảnh biến đổi vượt ngưỡng dưới 10% (tức không quá 6 điểm ảnh biến động trên tổng số 64 điểm), khối đó được phân loại là khối tĩnh. Đối với khối tĩnh, toàn bộ dữ liệu sai khác được gán thẳng bằng 0, cho phép hệ thống bỏ qua hoàn toàn hai công đoạn tiêu tốn nhiều tài nguyên nhất là biến đổi DCT và ma trận lượng tử hóa. Khối tĩnh được mã hóa trực tiếp thông qua hệ số DC sai biệt và gán toàn bộ hệ số AC bằng 0.

Trong các biểu đồ đường cong đặc tính tỷ lệ nén theo chất lượng hình ảnh (Rate-Distortion Curves), đồ thị của phương pháp đề xuất luôn nằm ở góc trên bên phải so với đồ thị của MJPEG truyền thống. Điều này chứng minh rằng tại bất kỳ mức chất lượng PSNR nào, dung lượng chuỗi bit đầu ra luôn đạt mức nhỏ nhất. Bên cạnh đó, việc giải mã cục bộ chỉ thực hiện trên các khối động đã giúp triệt tiêu hoàn toàn sự tích lũy sai số lượng tử ở vùng nền tĩnh. Nhờ đó, hệ thống cho phép kéo dài chu kỳ GOP không giới hạn khi bối cảnh không có chuyển động, giúp loại bỏ hiện tượng suy giảm chất lượng hình ảnh theo thời gian.

Đề xuất và khuyến nghị

Nhằm chuyển hóa các kết quả nghiên cứu vào thực tiễn phát triển công nghệ IoT và hệ thống giám sát thông minh, luận văn đưa ra 4 khuyến nghị then chốt:

• Ứng dụng giải pháp tiền xử lý nén thích nghi cho camera mạng cảm biến không dây: Khuyến nghị các doanh nghiệp công nghệ triển khai thuật toán này trực tiếp lên các camera giám sát an ninh dùng pin hoặc năng lượng mặt trời. Mục tiêu đạt được là tiết kiệm ít nhất 50% băng thông truyền dẫn không dây và giảm 40% công suất tiêu thụ điện năng của toàn hệ thống trong khung thời gian triển khai từ 3 đến 6 tháng.
• Thiết kế vi mạch tích hợp chuyên dụng (ASIC/FPGA IP Core): Đề xuất các viện nghiên cứu vi mạch hiện thực hóa bộ phân tách chuyển động 5-bit mức xám thành phần cứng chuyên dụng. Mục tiêu kỹ thuật là tối ưu diện tích chip dưới 0.1 mm2 và đạt tốc độ xử lý trên 60 khung hình/giây cho độ phân giải cao trong lộ trình từ 6 đến 12 tháng.
• Phát triển cơ chế thích nghi ngưỡng động theo độ rọi môi trường: Các kỹ sư xử lý ảnh cần tích hợp thuật toán tự động cân chỉnh ngưỡng nhạy cảm thị giác khi cường độ sáng môi trường thay đổi đột ngột (như ngày và đêm). Mục tiêu nâng độ chính xác phân tách khối động lên trên 95% trong thời gian 9 tháng nghiên cứu thử nghiệm.
• Mở rộng tích hợp vào các chuẩn nén thế hệ mới: Đề xuất cộng đồng học thuật ứng dụng nguyên lý phân tách vùng tĩnh dựa trên thị giác mức xám vào giai đoạn tiền ước lượng chuyển động của các chuẩn nén hiện đại như HEVC hoặc VVC. Mục tiêu giúp giảm 30% thời gian tính toán vector chuyển động trên các thiết bị xử lý biên (Edge AI) trong vòng 12 đến 18 tháng tới.

Đối tượng nên tham khảo luận văn

Công trình luận văn là tài liệu khoa học giá trị cao cho 4 nhóm đối tượng chuyên môn:

• Kỹ sư phát triển hệ thống nhúng và thiết bị IoT: Nắm vững giải pháp nén video tiêu thụ năng lượng siêu thấp để ứng dụng trực tiếp vào các dòng vi điều khiển hoặc chip xử lý ARM Cortex tiết kiệm điện. Ứng dụng thực tế bao gồm thiết kế camera quan sát nông nghiệp thông minh, giám sát cháy rừng và phao quan trắc biển xa bờ.
• Nhà nghiên cứu và học viên cao học ngành Kỹ thuật Điện tử - Viễn thông: Tiếp cận phương pháp luận khoa học trong việc kết hợp đặc tính sinh lý học thị giác người (HVS) với các thuật toán xử lý tín hiệu số. Tài liệu cung cấp cơ sở vững chắc để phát triển các đề tài mở rộng về tối ưu hóa mã hóa video trên nền tảng HEVC hay AV1.
• Doanh nghiệp sản xuất thiết bị an ninh và nhà thông minh (Smart Home): Cung cấp giải pháp kỹ thuật giúp cắt giảm từ 30% đến 50% chi phí phần cứng xử lý và chi phí thuê băng thông máy chủ đám mây khi vận hành hệ thống chuông cửa màn hình và camera an ninh không dây.
• Kiến trúc sư thiết kế vi mạch và phần cứng số: Khai thác cấu trúc thuật toán tối giản (chỉ sử dụng tối đa 64 phép toán trừ cơ bản) để thiết kế các khối IP Core xử lý video tốc độ cao, tiêu tốn ít diện tích logic và điện năng trên chip FPGA/ASIC.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn chuẩn MJPEG thay vì các chuẩn nén phổ biến như H.264 để cải tiến?
Chuẩn H.264 đòi hỏi thuật toán ước lượng chuyển động phức tạp với hàng ngàn phép tính trên mỗi khối điểm ảnh, tiêu thụ nguồn năng lượng lớn và yêu cầu dung lượng bộ nhớ đệm cao. Điều này khiến H.264 không thể triển khai trên các nút camera cảm biến không dây hạn chế tài nguyên. MJPEG có ưu thế vượt trội về tính gọn nhẹ và xử lý độc lập từng khung hình. Việc cải tiến MJPEG giúp tăng gấp đôi tỷ lệ nén mà vẫn giữ nguyên mức tiêu thụ năng lượng cực thấp của hệ thống.

Đặc tính thị giác của mắt người đối với thành phần xám được lượng hóa thành công thức như thế nào?
Mắt người có thể phân biệt 10 triệu màu sắc nhưng chỉ nhận diện được khoảng 30 đến 32 mức độ xám khác nhau. Khi ánh xạ ảnh xám 8-bit chuẩn (256 mức) về giới hạn 5-bit (32 mức), độ chênh lệch giữa hai mức biểu diễn tương ứng với công thức 2 lũy thừa của 8 trừ 5, cho ra giá trị ngưỡng bằng 8. Mọi biến thiên cường độ sáng nhỏ hơn 8 mức được hệ thống coi là nhiễu không đáng kể đối với mắt người và được phân loại vào trạng thái tĩnh.

Làm cách nào để bộ giải mã đồng bộ dữ liệu khung tham chiếu mà không làm suy giảm chất lượng hình ảnh?
Luận văn áp dụng sơ đồ giải mã khung tham chiếu khép kín cục bộ tại bộ mã hóa. Bộ mã hóa chỉ thực hiện giải lượng tử và biến đổi DCT ngược đối với các khối động nhằm khôi phục chính xác khung tham chiếu giống hệt phía bộ giải mã. Đối với các khối tĩnh, dữ liệu được giữ nguyên từ khung hình liền trước mà không trải qua quá trình nén mất mát, loại bỏ hoàn toàn sai số lượng tử tích lũy và duy trì chỉ số PSNR ổn định.

Thuật toán đề xuất giúp tiết kiệm bao nhiêu phép tính so với các kỹ thuật ước lượng chuyển động khác?
Trên mỗi khối 8x8 điểm ảnh, thuật toán đề xuất chỉ tiêu tốn tối đa 64 phép tính trừ, không cần phép nhân hay dịch bit. So với thuật toán Zipfian tiêu tốn 200 phép cộng/trừ và 20 phép dịch bit, giải pháp này giảm hơn 3 lần số phép toán. So với phép biến đổi DCT thuận cần 928 phép cộng và 192 phép nhân, mức tiết kiệm tài nguyên tính toán của khối tĩnh đạt tới hơn 90%.

Phương pháp có duy trì được hiệu quả khi áp dụng cho các video có cảnh chuyển động nhanh và liên tục không?
Trong các chuỗi video có độ vận động cao như video thể thao Soccer, tỷ lệ khối động tăng lên khiến nhiều khối phải xử lý qua bước DCT và lượng tử hóa. Dẫu vậy, kết quả thực nghiệm chứng minh tỷ lệ nén của các khung hình Inter vẫn đạt gấp 1.5 lần so với khung hình Intra, đồng thời chất lượng hình ảnh PSNR vẫn hoàn toàn tương đương với phương pháp nén sai khác truyền thống.

Kết luận

• Đề xuất và hiện thực hóa thành công thuật toán phân tách chuyển động dựa trên ngưỡng nhạy cảm 5-bit mức xám của hệ thống thị giác con người.
• Tăng tỷ lệ nén lên gấp 2 lần so với chuẩn MJPEG truyền thống trên toàn bộ các dải tham số lượng tử từ QP 5 đến 90 mà không làm suy giảm chất lượng PSNR.
• Giảm độ phức tạp tính toán xuống 3 lần so với thuật toán Zipfian, chỉ tiêu tốn tối đa 64 phép toán số học đơn giản trên mỗi khối kích thước 8x8 điểm ảnh.
• Cho phép điều chỉnh chu kỳ GOP linh hoạt và loại bỏ hoàn toàn hiện tượng tích lũy sai số lượng tử ở các khu vực hậu cảnh tĩnh của video.
• Công trình đã công bố các bài báo khoa học chất lượng cao tại hội nghị quốc tế uy tín IEEE APCCAS 2014 và ICDV 2013, xuất sắc đạt giải thưởng bài báo sinh viên xuất sắc (Outstanding Student Paper Award).

Đóng góp lớn nhất của luận văn là giải quyết triệt để bài toán cân bằng giữa độ phức tạp tính toán và tỷ lệ nén video, mở ra hướng đi tối ưu cho các thiết bị camera thế hệ mới trong mạng cảm biến không dây IoT. Kế hoạch nghiên cứu tiếp theo trong giai đoạn 12 đến 24 tháng tới tập trung vào việc đóng gói phần cứng trên chip FPGA và tích hợp nguyên lý thị giác này vào chuẩn nén video HEVC/H.265.

Quý độc giả, nhà nghiên cứu và các kỹ sư hệ thống có thể tham khảo toàn văn luận văn thạc sĩ tại thư viện Đại học Quốc gia Hà Nội và kết nối trực tiếp với nhóm nghiên cứu tại Phòng thí nghiệm SIS để cùng hợp tác phát triển, ứng dụng các giải pháp nén video tiên tiến cho hạ tầng IoT thông minh.

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. LUAN VAN CHAT LUONG download : add [e-mail] 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.

Để có LUAN VAN CHAT LUONG download : add luanvanchat@agmail.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] LUAN VAN CHAT LUONG download : add luanvanchat@agmail.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. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.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.