Theo Dõi Đối Tượng Dựa Trên Giải Thuật Di Truyền và Tối Ưu Hoá Bầy Đàn

Tài liệu nghiên cứu Theo dõi đối tượng dựa trên giải thuậ t di truyền và tối ưu hoá bầy đàn, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Vũ Tuấn Anh
• Người hướng dẫn: PGS. Phạm Ngọc Hùng
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Theo Dõi Đối Tượng Bằng Giải Thuật Di Truyền và Tối Ưu Hóa Bầy Đàn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Giải Thuật Di Truyền và Tối Ưu Bầy Đàn 55 ký tự

Trong bối cảnh học máy phát triển mạnh mẽ, Trí tuệ nhân tạo ngày càng đóng vai trò quan trọng. Thị giác máy tính, một lĩnh vực liên ngành, tập trung vào việc xây dựng hệ thống máy móc có khả năng "nhìn" và "hiểu" như con người. Ứng dụng của thị giác máy tính rất đa dạng: tự động hóa công nghiệp, viễn thám, giám sát giao thông, y học, an ninh... Vấn đề phát hiện, nhận dạng và theo dõi đối tượng trong ảnh/video là một thách thức lớn. Các nghiên cứu liên tục được thúc đẩy nhờ sự tiến bộ trong mô hình toán học, nhận thức tri giác và giải thuật thông minh. Tuy nhiên, ở Việt Nam, lĩnh vực này còn khá mới mẻ do thiếu thiết bị và nghiên cứu chuyên sâu. Đề tài "Theo dõi đối tượng dựa trên Giải Thuật Di Truyền và Tối Ưu Hóa Bầy Đàn" hướng đến việc giải quyết bài toán này, góp phần nâng cao hiệu quả và giảm chi phí trong các hệ thống giám sát.

1.1. Lịch Sử Phát Triển và Ứng Dụng Giải Thuật Di Truyền

Ý tưởng về Giải thuật di truyền (GA) xuất hiện từ những năm 50-60 của thế kỷ 20, với tiên phong là Fraser. John Henry Holland là người triển khai ý tưởng này, và năm 1975, ông công bố nền tảng toán học của GA trong cuốn sách "Adaptation in Natural and Artificial System". GA mô phỏng cơ chế chọn lọc tiến hóa trong tự nhiên. Trong mỗi thế hệ, một tập hợp các cá thể mới được tạo ra bằng cách lai ghép các cá thể thích nghi nhất từ thế hệ trước, kết hợp với đột biến ngẫu nhiên. GA có ứng dụng rộng rãi trong nhiều lĩnh vực như tối ưu hóa, học máy, và giải quyết các bài toán phức tạp.

1.2. Tối Ưu Hóa Bầy Đàn PSO và Cơ Chế Hoạt Động

Tối Ưu Hóa Bầy Đàn (PSO) là một thuật toán metaheuristic, lấy cảm hứng từ hành vi xã hội của chim hoặc cá. PSO sử dụng một quần thể các hạt, mỗi hạt đại diện cho một giải pháp tiềm năng cho bài toán tối ưu hóa. Mỗi hạt di chuyển trong không gian tìm kiếm, chịu ảnh hưởng bởi vị trí tốt nhất mà nó đã tìm thấy (pbest) và vị trí tốt nhất mà toàn bộ quần thể đã tìm thấy (gbest). Bằng cách này, các hạt chia sẻ thông tin và hướng tới vùng không gian tìm kiếm có khả năng chứa giải pháp tối ưu. PSO có ưu điểm là đơn giản, dễ cài đặt và có thể tìm kiếm các giải pháp tốt trong thời gian ngắn. Đây là một công cụ mạnh mẽ trong nhiều bài toán thực tế.

II. Thách Thức Trong Theo Dõi Đối Tượng Thời Gian Thực 59 ký tự

Bài toán theo dõi đối tượng trong video thời gian thực đặt ra nhiều thách thức. Đầu vào là các khung hình video liên tục. Việc phát hiện đối tượng chuyển động (Object Detection) quyết định độ chính xác của hệ thống giám sát thông minh. Hiệu quả và tính chính xác của khối xử lý này ảnh hưởng trực tiếp đến đầu vào và đầu ra của các khối xử lý tiếp theo. Các yếu tố như điều kiện ánh sáng, góc nhìn, kích thước đối tượng và sự thay đổi hình dạng có thể gây khó khăn cho việc theo dõi. Ngoài ra, việc xử lý các tình huống phức tạp như đối tượng bị che khuất, đối tượng di chuyển nhanh hoặc có nhiều đối tượng tương tác với nhau đòi hỏi các giải thuật mạnh mẽ và hiệu quả về mặt tính toán.

2.1. Các Phương Pháp Phát Hiện Đối Tượng Chuyển Động

Việc phát hiện đối tượng chuyển động có thể được thực hiện bằng nhiều phương pháp khác nhau. Alper Yilmaz, Omar Javed và Mubarak Shah đã phân loại các hướng tiếp cận này thành: phát hiện điểm quan trọng, phân đoạn ảnh, mô hình nền và phân loại có giám sát. Mô hình nền (background modeling) là một phương pháp phổ biến, xây dựng mô hình về khung cảnh tĩnh và sau đó phát hiện các thay đổi để xác định đối tượng chuyển động. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của video và yêu cầu về độ chính xác, tốc độ.

2.2. Hạn Chế Của Các Phương Pháp Theo Dõi Truyền Thống

Các phương pháp theo dõi truyền thống thường gặp phải các hạn chế khi đối diện với các điều kiện phức tạp. Chẳng hạn, các phương pháp dựa trên mô hình nền có thể gặp khó khăn khi ánh sáng thay đổi đột ngột hoặc khi có sự xuất hiện của các đối tượng mới trong nền. Các phương pháp dựa trên đặc trưng có thể bị ảnh hưởng bởi sự thay đổi hình dạng của đối tượng hoặc khi đối tượng bị che khuất một phần. Việc lựa chọn và kết hợp các phương pháp theo dõi khác nhau có thể giúp cải thiện độ tin cậy và độ chính xác của hệ thống.

III. Ứng Dụng Giải Thuật Di Truyền Phát Hiện Đối Tượng 58 ký tự

Luận văn này tập trung vào việc ứng dụng Giải Thuật Di Truyền (GA) và Tối Ưu Hóa Bầy Đàn (PSO) để cải thiện độ chính xác và hiệu quả của bước phát hiện đối tượng. Trong phương pháp này, mỗi cá thể trong quần thể GA đại diện cho một tập hợp các tham số của thuật toán phát hiện đối tượng. Hàm mục tiêu (fitness function) đánh giá hiệu quả của các tham số này, dựa trên độ chính xác và tốc độ phát hiện. Quá trình tiến hóa của GA giúp tìm ra các tham số tối ưu, từ đó nâng cao hiệu suất của thuật toán phát hiện đối tượng.

3.1. Mã Hóa Tham Số Phát Hiện Đối Tượng Bằng Chuỗi Gen

Các thông số của bài toán tìm kiếm phải được mã hoá thành một chuỗi hữu hạn các ký tự trên một tập hữu hạn các ký tự. Chuỗi này tương tự như các chuỗi gen của các cơ thể sinh vật. Có rất nhiều cách để mã hóa tập thông số. Một cách đơn giản là chúng ta có thể mã hoá thành các chuỗi bit trên tập ký tự {0, 1}. Mỗi một chuỗi đại diện cho một điểm tìm kiếm trong không gian. GA xuất phát với một quần thể các chuỗi được khởi tạo một cách ngẫu nhiên sau đó sẽ sản sinh các quần thể tiếp theo thông qua việc sử dụng lựa chọn ngẫu nhiên như một công cụ.

3.2. Hàm Mục Tiêu Đánh Giá Hiệu Quả Phát Hiện Đối Tượng

Hàm mục tiêu (fitness function) đóng vai trò quan trọng trong việc đánh giá chất lượng của mỗi cá thể trong quần thể GA. Hàm mục tiêu cần phải phản ánh chính xác mục tiêu của bài toán, trong trường hợp này là tối ưu hóa độ chính xác và tốc độ phát hiện đối tượng. Hàm mục tiêu có thể được xây dựng dựa trên các độ đo như độ chính xác (precision), độ phủ (recall), và thời gian xử lý. Việc thiết kế một hàm mục tiêu phù hợp là yếu tố then chốt để GA có thể tìm ra các giải pháp tối ưu.

IV. Kết Hợp Tối Ưu Bầy Đàn Điều Chỉnh Tham Số GA 58 ký tự

Để tăng cường khả năng tìm kiếm và tránh rơi vào cực trị địa phương, luận văn đề xuất kết hợp Tối Ưu Hóa Bầy Đàn (PSO) để điều chỉnh các tham số của Giải Thuật Di Truyền (GA), như tỷ lệ lai ghép và tỷ lệ đột biến. PSO giúp tìm kiếm các giá trị tham số phù hợp cho GA, từ đó cải thiện hiệu quả của quá trình tiến hóa. Sự kết hợp này tạo ra một hệ thống lai mạnh mẽ, tận dụng ưu điểm của cả GA và PSO.

4.1. Vai Trò Của PSO Trong Việc Tối Ưu Tham Số GA

PSO có khả năng tìm kiếm không gian tham số hiệu quả hơn GA trong một số trường hợp. Việc sử dụng PSO để điều chỉnh các tham số quan trọng của GA như tỷ lệ lai ghép (crossover rate) và tỷ lệ đột biến (mutation rate) giúp GA thích nghi tốt hơn với bài toán cụ thể và tránh rơi vào các cực trị địa phương. PSO có thể coi như một "bộ điều khiển" cho GA, hướng dẫn quá trình tiến hóa của GA theo hướng tối ưu.

4.2. Thuật Toán Lai GA PSO Cải Thiện Khả Năng Tìm Kiếm

Thuật toán lai GA-PSO hoạt động bằng cách sử dụng PSO để tìm kiếm các giá trị tham số tốt nhất cho GA. Sau đó, GA sử dụng các tham số này để tiến hành quá trình tiến hóa. Quá trình này có thể được lặp lại nhiều lần, với PSO tiếp tục điều chỉnh các tham số của GA dựa trên kết quả của quá trình tiến hóa. Bằng cách này, thuật toán lai GA-PSO có thể tận dụng ưu điểm của cả hai thuật toán, cải thiện khả năng tìm kiếm và đạt được kết quả tốt hơn so với việc sử dụng GA hoặc PSO độc lập.

V. Thử Nghiệm và Đánh Giá Hiệu Quả Thuật Toán 54 ký tự

Để đánh giá hiệu quả của thuật toán đề xuất, luận văn thực hiện thử nghiệm trên dữ liệu video thực tế, đặc biệt là hình ảnh phương tiện giao thông chụp từ máy bay không người lái (UAV). Các kết quả thử nghiệm cho thấy thuật toán kết hợp Giải Thuật Di Truyền và Tối Ưu Hóa Bầy Đàn có độ chính xác cao hơn so với các phương pháp truyền thống. Ngoài ra, thuật toán cũng cho thấy khả năng xử lý tốt trong các điều kiện ánh sáng khác nhau và khi đối tượng bị che khuất một phần.

5.1. Bộ Dữ Liệu Thử Nghiệm và Tiêu Chí Đánh Giá

Dữ liệu thử nghiệm bao gồm một tập hợp các video ghi lại cảnh giao thông từ trên không bằng máy bay không người lái (UAV). Các video này chứa nhiều phương tiện giao thông khác nhau, với các điều kiện ánh sáng và góc nhìn khác nhau. Các tiêu chí đánh giá hiệu quả bao gồm độ chính xác (precision), độ phủ (recall), và thời gian xử lý trên mỗi khung hình. Các tiêu chí này được sử dụng để so sánh hiệu suất của thuật toán đề xuất với các thuật toán phát hiện đối tượng khác.

5.2. So Sánh Kết Quả Với Các Phương Pháp Phát Hiện Khác

Kết quả thử nghiệm cho thấy thuật toán kết hợp GA và PSO vượt trội hơn so với các phương pháp phát hiện đối tượng truyền thống như các phương pháp dựa trên mô hình nền (background subtraction) và các phương pháp dựa trên đặc trưng (feature-based methods). Thuật toán đề xuất có độ chính xác cao hơn và khả năng xử lý tốt hơn trong các điều kiện ánh sáng và góc nhìn khác nhau. Điều này chứng tỏ tính hiệu quả của việc kết hợp GA và PSO trong bài toán phát hiện đối tượng.

VI. Kết Luận và Hướng Phát Triển Nghiên Cứu Tương Lai 58 ký tự

Luận văn đã trình bày một phương pháp tiếp cận hiệu quả để theo dõi đối tượng dựa trên sự kết hợp giữa Giải Thuật Di Truyền và Tối Ưu Hóa Bầy Đàn. Kết quả thử nghiệm cho thấy thuật toán đề xuất có độ chính xác cao và khả năng xử lý tốt trong các điều kiện khác nhau. Trong tương lai, có thể mở rộng nghiên cứu bằng cách áp dụng thuật toán cho các loại đối tượng khác nhau và tích hợp với các kỹ thuật học sâu để cải thiện hiệu suất hơn nữa. Ứng dụng tiềm năng bao gồm giám sát giao thông thông minh, an ninh và quốc phòng.

6.1. Tổng Kết Những Đóng Góp Của Luận Văn

Luận văn đã đóng góp vào lĩnh vực theo dõi đối tượng bằng cách đề xuất một phương pháp mới dựa trên sự kết hợp giữa GA và PSO. Phương pháp này đã được chứng minh là hiệu quả hơn so với các phương pháp truyền thống trong việc phát hiện và theo dõi đối tượng trong video. Luận văn cũng cung cấp một phân tích chi tiết về các ưu và nhược điểm của thuật toán đề xuất, cũng như các hướng phát triển nghiên cứu trong tương lai.

6.2. Hướng Mở Rộng và Ứng Dụng Thực Tế Tiềm Năng

Trong tương lai, nghiên cứu có thể được mở rộng bằng cách áp dụng thuật toán cho các loại đối tượng khác nhau, chẳng hạn như người đi bộ hoặc động vật. Ngoài ra, việc tích hợp với các kỹ thuật học sâu (deep learning) có thể giúp cải thiện hiệu suất của thuật toán và cho phép xử lý các tình huống phức tạp hơn. Các ứng dụng thực tế tiềm năng bao gồm giám sát giao thông thông minh, hệ thống an ninh và quốc phòng, và các ứng dụng trong lĩnh vực y tế và nông nghiệp.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Trong thập niên đầu của thế kỷ 21, học máy được nghiên cứu và phát triển mạnh mẽ, đánh dấu bước ngoặt quan trọng thay đổi nền tảng nghiên cứu của Trí tuệ nhân tạo. Học máy liên quan đến việc xây dựng các chương trình máy tính có thể tự động thu thập tri thức, cải thiện khả năng của mình thông qua các kinh nghiệm, và việc nghiên cứu các nguyên lý của quá trình học [1]. Các kết quả và công nghệ của học máy được thể hiện qua các ứng dụng đa dạng trong thực tế trong các lĩnh vực như: xử lý ngôn ngữ tự nhiên, thị giác máy tính, tìm kiếm và nhận dạng, robotics, khai phá dữ liệu, v. Thị giác máy tính, một lĩnh vực nghiên cứu liên ngành, liên quan đến việc nghiên cứu các lĩnh vực khoa học và công nghệ về các hệ thống máy móc có khả năng nhìn và hiểu như hệ thống thị giác con người [2].

Đây là một lĩnh vực được quan tâm nghiên cứu rộng rãi trong một vài thập niên gần đây bởi những ứng dụng thực tế đa dạng của nó. Một số ứng dụng có thể kể đến là: tự động hóa trong dây chuyền sản xuất công nghiệp, viễn thám, giám sát giao thông, bảo mật bằng sinh trắc học, y học, an ninh, web 3D, giải trí, v. Vấn đề phát hiện, nhận dạng, phân tách và hiểu ngữ nghĩa của đối tượng trong ảnh/video đã được nghiên cứu rộng rãi trong trong lĩnh vực thị giác máy tính hàng thập kỷ qua [2]. Các nghiên cứu được nhanh chóng phát triển nhờ những tiến bộ trong một số lĩnh vực liên quan như: việc phát triển các mô hình toán học phức tạp, các nghiên cứu chuyên sâu về nhận thức tri giác (cognitive vision), năng lực của các hệ thống tính toán, các giải thuật thông minh, cũng như đòi hỏi của kiểm thử trên các bộ dữ liệu lớn.

Tuy nhiên vấn đề này vẫn còn khá mới mẻ ở Việt Nam bởi thiếu các thiết 2 bị hỗ trợ và nghiên cứu làm chủ công nghệ. Và đây cũng là một hướng phát triển mở nhiều hứa hẹn và đồng thời cũng nhiều thách thức. Hiện nay ở Việt Nam các hệ thống theo dõi – giám sát hầu hết là không tự động, chủ yếu vẫn dựa vào con người. Tuy nhiên trong tương lai không xa, khi kinh tế và khoa học kỹ thuật phát triển thì các hệ thống giám sát này cũng sẽ phát triển theo.

Với mong muốn tham gia vào hướng nghiên cứu còn mới này và giúp các hệ thống giám sát đạt hiệu quả cao hơn và giảm được chi phí con người chúng tôi thực hiện đề tài “Theo dõi đối tượng dựa trên giải thuật di truyền và tối ưu hoá bầy đàn”. Vấn đề phát hiện đối tượng đang được nghiên cứu và có nhiều ứng dụng trong cuộc sống. Các đối tượng được phát hiện nhờ những thông tin trong một khung hình ảnh. Có rất nhiều hướng tiếp cận để giải quyết vấn đề trên.

Các tác giả Alper Yilmaz, Omar Javed và Mubarak Shah đã phân loại các hướng tiếp cận này được trình bày trong [3]. Có thể phân loại các giải thuật phát hiện đối tượng thành các hướng tiếp cận như: phát hiện điểm quan trọng (interest point detector) [4] [5], phân đoạn ảnh (segmentation) [6] [7] [8], mô hình nền (background modeling) [9] [10] [11] và phân loại có giám sát (supervised classifier) [12] [13]. Việc lựa chọn phương pháp áp dụng phải dựa vào tình huống cụ thể, đối với trường hợp có ảnh nền không thay đổi việc phát hiện đối tượng chuyển động có thể bằng các phương pháp trừ nền. Các giải thuật này sẽ được trình bày sau đây.

Hướng giải quyết là xây dựng mô hình nền, sau đó sử dụng mô hình này cùng với khung hình hiện tại để rút ra được các vật thể chuyển động. Để có thể tiếp cận cần phải xây dựng được mô hình nền. Có nhiều phương pháp được xây dựng dựa trên mô hình nền bởi các tác giả. Anurag Mittal [12] dùng mô hình ước lượng mật độ nhân thích ứng (Adaptive Kernel Density Estimation) cho kết quả tốt tuy nhiên khó khăn về không gian lưu trữ, tính toán phức tạp, tốc độ không đáp ứng thời gian thực.

Stauffer sử dụng mô hình trộn Gaussian (Mixture of Gaussian) [14] 3 để xây dựng mô hình nền, nhằm phát hiện được các đối tượng chuyển động, xác định xem những đối tượng này có đúng là những đối tượng ta cần phát hiện hay không. Đây là các khó khăn cần khắc phục. Trong các lĩnh vực về phát hiện phần đầu của người thì Wei Qu, Nidhal Bouaynaya và Dan Schonfeld [15] đề ra hướng tiếp cận bằng cách kết hợp mô hình màu da cùng với mô hình màu tóc (skin and hair color model). Những màu này được phát hiện dựa vào mô hình Gauss.

Sau đó bằng cách áp dụng phương pháp so khớp mẫu (template matching) để đạt được mục đích phát hiện phần đầu người đáp ứng thời gian thực. Khó khăn trong hướng tiếp cận này thường gặp ở việc thu thập dữ liệu huấn luyện màu da và màu tóc, độ chính xác dể bị ảnh hưởng bởi độ sáng của môi trường. Việc phát hiện đối tượng có thể được thực hiện bằng các phương pháp học máy. Các phương pháp này có thể kể đến như: mạng nơ-ron (Neural Network), cây quyết định (Decision Tree), máy hỗ trợ vectơ (Support Vector Machine - SVM).

Điểm chung của các phương pháp này đều phải trải qua giai đoạn huấn luyện trên một tập dữ liệu. Tập dữ liệu này phải đủ lớn, bao quát hết được các trạng thái của đối tượng. Sau đó các đặc trưng sẽ được rút trích ra trên bộ dữ liệu huấn luyện này. Việc lựa chọn đặc trưng sử dụng đóng vai trò quan trọng ảnh hưởng đến hiệu quả của các phương pháp học máy.

Một số đặc trưng thường được sử dụng như: đặc trưng về màu sắc, đặc trưng về góc cạnh, đặc trưng histogram, v. Sau khi đã có được đặc trưng, ta sẽ đánh nhãn lớp cụ thể cho các đặc trưng đó để sử dụng trong việc huấn luyện. Trong quá trình huấn luyện, các phương pháp học máy sẽ sinh ra một hàm để ánh xạ những đặc trưng đầu vào tương ứng với nhãn lớp cụ thể. Sau khi đã huấn luyện xong thì các phương pháp học máy trên sẽ được dùng để phân lớp cho những đặc trưng mới.

Đặc điểm của phương pháp này là độ chính xác cao. Tuy nhiên nó gặp phải khó khăn trong việc thu thập dữ liệu huấn luyện ban 4 đầu, tốn thời gian và chi phí cho quá trình học máy. Luận văn này nhằm mục đích nghiên cứu, xây dựng giải thuật theo dõi tự động các đối tượng có trong video. Giải thuật theo dõi cần có độ chính xác tốt, đồng thời chi phí tính toán thấp phục vụ các ứng dụng thời gian thực.

Do đó, luận văn tập trung đi sâu vào việc khảo sát các đặc trưng của video, đặc trưng ảnh, đặc trưng của đối tượng chuyển động, đặc trưng nền, v. từ đó áp dụng các thuật toán phù hợp, kết hợp với các thuật toán học máy phù hợp để đưa ra kết quả tối ưu, rút ngắn thời gian tính toán và chi phí bộ nhớ, để từ đó hệ thống phù hợp với thời gian thực hơn. Đầu vào của bài toán theo dõi đối tượng là các khung hình video. Qua quá trình xử lý phát hiện đối tượng chuyển động (Object Detection ) sẽ đưa ra các đối tượng trong khung hình.

Khối phát hiện đối tượng chuyển động có thể coi là quyết định độ chính xác của hệ thống giám sát thông minh bằng hình ảnh, vì hiệu quả, tính chính xác của khối xử lý này sẽ ảnh hưởng đến đầu vào và đầu ra của khối xử lý tiếp theo. Luận văn này sẽ đưa và các kỹ thuật tối ưu hiệu quả như giải thuật di truyền và tối ưu bày đàn để tăng độ chính xác và hiệu quả của bước phát hiện đối tượng. Và cuối cùng là quá trình xử lý để theo dõi đối tượng (Object Tracking) đó là việc tìm ra đường chuyển động của đối tượng, dự đoán chuyển động, xử lý nhập nhằng trong chuyển động. Hiện nay, trên thế giới các hệ thống theo dõi - giám sát thông minh bằng hình ảnh đã được phát triển và đã chứng minh được hiệu quả nhất định trên một số lĩnh vực như giám sát hoạt động con người, giám sát giao thông, v.

Từ các hình ảnh thu được từ những nơi được quan sát, ta có thể phát hiện được chuyển động của các đối tượng trong các khung hình, xác định được đối tượng đó là người, phương tiện hay vật thể gì. Nhiều hệ thống đã được nghiên cứu và phát triển. Chẳng hạn, với bài toán giám sát giao thông có thể cho chúng ta biết được số lượng phương tiện lưu thông qua đoạn đường được theo dõi, đưa ra thông tin về tốc độ chuyển động, 5 đường đi của đối tượng được theo dõi v. Tuy nhiên, các hệ thống vẫn gặp phải một số tồn tại như hiệu quả của việc quan sát luôn phụ thuộc vào điệu kiện môi trường quan sát, kiểu chuyển động của đối tượng hay các lý do khách quan khác.

Vì vậy, với khả năng cá nhân, tôi mong muốn làm chủ các công nghệ theo dõi đối tượng, từ đó xây dựng các ứng dụng phù hợp với môi trường Việt Nam, phục vụ an ninh - quốc phòng, đem lại các lợi ích về kinh tế cho đất nước. Luận văn này được cấu trúc các phần như sau. Chương 2 tiếp theo là một định nghĩa cơ bản được sử dụng trong luận văn, bao gồm: lý thuyết trích xuất đặc trưng, giải thuật phân hoạch mờ, giải thuật di truyền và giải thuật tối ưu bầy đàn. Chương 3 trình bày cách tiếp cận giải quyết bài toán theo dõi đối tượng của luận văn.

Cách tiếp cận này được ứng dụng giải quyết với đối tượng cụ thể là phương tiện giao thông chụp từ ảnh UAV, các kết quả thử nghiệm chỉ ra ở chương 4. Cuối cùng là các kết luận, định hướng mở rộng được đưa ra ở chương 5 và danh sách các tài liệu tham khảo. 6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Phân hoạch mờ Ngày nay, xã hội đã phát triển đồng thời sự tiến bộ của khoa học công nghệ, các suy luận lôgic nguyên thuỷ (hay lôgic rõ) với hai giá trị đúng sai hay 1, 0 riêng biệt đã không giải quyết được hết các bài toán phức tạp nảy sinh trong thực tế.

Ví dụ, một bộ phim thế nào được gọi là hay hay không hay, một bức ảnh đẹp hay không đẹp. Những bài toán như vậy ngày xuất hiện càng phổ biến trong lĩnh vực điều khiển tự động cũng như khoa học máy tính.