Luận Văn Thạc Sĩ Về Thuật Toán Phát Hiện Chuyển Động

Luận văn thạc sĩ nghiên cứu vnu uet thuật toán phát hiện chuyển động, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực toán học.

• Tác giả: Đào Ngọc Anh
• Người hướng dẫn: PGS. Ngô Diên Tập
• Trường học: Trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Điện tử - Viễn thông
• Đề tài: Thuật Toán Phát Hiện Chuyển Động
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2010
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• MỞ ĐẦU
• 1. CHƯƠNG 1: THUẬT TOÁN PHÁT HIỆN CHUYỂN ĐỘNG
• 1.1. Bộ lọc Kalman
• 1.2. Mô hình hỗn hợp nền thích nghi thời gian thực

Tóm tắt

I. Tổng Quan Về Thuật Toán Phát Hiện Chuyển Động Trong Xử Lý Hình Ảnh

Thuật toán phát hiện chuyển động là một lĩnh vực quan trọng trong xử lý hình ảnh, giúp nhận diện và theo dõi các đối tượng di chuyển trong video. Các ứng dụng của nó rất đa dạng, từ giám sát an ninh đến phân tích hành vi trong video. Việc phát hiện chuyển động không chỉ đơn thuần là nhận diện sự thay đổi trong hình ảnh mà còn yêu cầu các phương pháp phức tạp để xử lý và phân tích dữ liệu hình ảnh. Trong bối cảnh công nghệ ngày càng phát triển, các thuật toán này đã trở nên mạnh mẽ và hiệu quả hơn, nhờ vào sự hỗ trợ của các công nghệ như học sâu và trí tuệ nhân tạo.

1.1. Khái Niệm Cơ Bản Về Phát Hiện Chuyển Động

Phát hiện chuyển động là quá trình xác định sự thay đổi trong một chuỗi hình ảnh. Điều này thường được thực hiện bằng cách so sánh các khung hình liên tiếp để tìm ra các điểm ảnh khác biệt. Các thuật toán như bộ lọc Kalman và mô hình hỗn hợp nền thích nghi là những phương pháp phổ biến trong lĩnh vực này.

1.2. Lịch Sử Phát Triển Của Thuật Toán Phát Hiện Chuyển Động

Lịch sử phát triển của thuật toán phát hiện chuyển động bắt đầu từ những năm 1960 với sự ra đời của bộ lọc Kalman. Kể từ đó, nhiều phương pháp mới đã được phát triển, bao gồm mô hình hỗn hợp nền và các kỹ thuật học sâu, giúp cải thiện độ chính xác và tốc độ xử lý.

II. Vấn Đề Và Thách Thức Trong Phát Hiện Chuyển Động

Mặc dù thuật toán phát hiện chuyển động đã đạt được nhiều thành tựu, nhưng vẫn còn nhiều thách thức cần phải giải quyết. Các vấn đề như ánh sáng thay đổi, nền phức tạp và sự xuất hiện của nhiều đối tượng di chuyển đồng thời có thể làm giảm hiệu suất của các thuật toán hiện tại. Ngoài ra, việc xử lý video thời gian thực cũng đặt ra yêu cầu cao về tốc độ và độ chính xác.

2.1. Ảnh Hưởng Của Ánh Sáng Đến Phát Hiện Chuyển Động

Ánh sáng thay đổi có thể gây ra những sai lệch trong việc phát hiện chuyển động. Các thuật toán cần phải có khả năng thích nghi với các điều kiện ánh sáng khác nhau để đảm bảo độ chính xác cao.

2.2. Thách Thức Từ Nền Phức Tạp

Nền phức tạp với nhiều yếu tố như cây cối, tường và các đối tượng khác có thể làm khó khăn cho việc phát hiện chuyển động. Các thuật toán cần phải có khả năng phân biệt giữa nền và đối tượng di chuyển để đạt được kết quả chính xác.

III. Phương Pháp Phát Hiện Chuyển Động Hiệu Quả

Có nhiều phương pháp khác nhau để phát hiện chuyển động, mỗi phương pháp có những ưu điểm và nhược điểm riêng. Bộ lọc Kalman, mô hình hỗn hợp nền và các thuật toán học sâu là những phương pháp phổ biến nhất. Việc lựa chọn phương pháp phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng.

3.1. Bộ Lọc Kalman Trong Phát Hiện Chuyển Động

Bộ lọc Kalman là một trong những phương pháp phổ biến nhất để theo dõi chuyển động. Nó cho phép ước lượng trạng thái của một đối tượng dựa trên các phép đo không chính xác và có độ không chắc chắn.

3.2. Mô Hình Hỗn Hợp Nền Thích Nghi

Mô hình hỗn hợp nền thích nghi sử dụng nhiều phân bố Gauss để mô hình hóa nền. Phương pháp này cho phép phát hiện chuyển động trong các điều kiện ánh sáng thay đổi và nền phức tạp.

IV. Ứng Dụng Thực Tiễn Của Thuật Toán Phát Hiện Chuyển Động

Thuật toán phát hiện chuyển động có nhiều ứng dụng thực tiễn trong các lĩnh vực như an ninh, giám sát, và phân tích hành vi. Các hệ thống giám sát an ninh sử dụng thuật toán này để phát hiện các hoạt động đáng ngờ, trong khi các ứng dụng trong lĩnh vực giao thông giúp theo dõi và phân tích lưu lượng xe cộ.

4.1. Ứng Dụng Trong An Ninh

Trong lĩnh vực an ninh, thuật toán phát hiện chuyển động được sử dụng để giám sát các khu vực nhạy cảm, giúp phát hiện kịp thời các hành vi đáng ngờ và tăng cường an ninh.

4.2. Ứng Dụng Trong Giao Thông

Các hệ thống giao thông thông minh sử dụng thuật toán phát hiện chuyển động để theo dõi lưu lượng xe, giúp tối ưu hóa việc điều phối giao thông và giảm thiểu ùn tắc.

V. Kết Luận Và Tương Lai Của Thuật Toán Phát Hiện Chuyển Động

Thuật toán phát hiện chuyển động đã có những bước tiến đáng kể trong những năm qua. Tuy nhiên, vẫn còn nhiều thách thức cần phải giải quyết để cải thiện độ chính xác và hiệu suất. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều đổi mới, đặc biệt là với sự phát triển của công nghệ học sâu và trí tuệ nhân tạo.

5.1. Xu Hướng Phát Triển Trong Nghiên Cứu

Nghiên cứu hiện tại đang tập trung vào việc cải thiện độ chính xác và tốc độ của các thuật toán phát hiện chuyển động thông qua việc áp dụng các kỹ thuật học sâu và trí tuệ nhân tạo.

5.2. Tương Lai Của Ứng Dụng Phát Hiện Chuyển Động

Với sự phát triển không ngừng của công nghệ, các ứng dụng của thuật toán phát hiện chuyển động sẽ ngày càng mở rộng, từ an ninh đến giao thông và nhiều lĩnh vực khác.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên phát triển của các hệ thống thị giác máy tính và giám sát an ninh thông minh, phát hiện chuyển động từ chuỗi video đóng vai trò là nền tảng cốt lõi cho mọi tác vụ nhận dạng và theo dõi đối tượng. Một luồng video tiêu chuẩn ngoài trời thường hoạt động ở tốc độ 30 khung hình trên giây, tạo ra áp lực tính toán liên tục lên hệ thống xử lý thời gian thực. Thách thức lớn nhất trong việc phát hiện chuyển động là hiện tượng nền không tĩnh hoàn toàn, điển hình như cành cây rung rinh, mặt nước gợn sóng hay sự thay đổi cường độ ánh sáng đột ngột. Các kỹ thuật truyền thống như trừ nền đơn giản hoặc bộ lọc Kalman thường bộc lộ hạn chế lớn khi môi trường xuất hiện các chuyển động lặp lại đa mốt hoặc có vật thể đứng yên tạm thời.

Đề tài luận văn thạc sĩ chuyên ngành Kỹ thuật điện tử mã số 605270 do học viên Đào Ngọc Anh thực hiện dưới sự hướng dẫn khoa học của PGS. Ngô Diên Tập tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội đã tập trung nghiên cứu, phân tích và cải tiến các thuật toán phát hiện chuyển động dựa trên mô hình hóa nền. Mục tiêu trọng tâm của nghiên cứu là xây dựng và cài đặt hoàn chỉnh thuật toán mô hình hóa nền sử dụng từ điển hai lớp thích nghi thời gian thực, khắc phục triệt để các nhược điểm về tốc độ và tài nguyên bộ nhớ. Nghiên cứu được triển khai thử nghiệm trên các chuỗi dữ liệu video thực tế trong khoảng thời gian từ năm 2009 đến tháng 10 năm 2010. Kết quả nghiên cứu mang lại bước đột phá với việc tối ưu hóa kích thước cấu trúc dữ liệu lưu trữ từ 36 byte xuống 24 byte cho mỗi từ mã, đồng thời nâng cao tốc độ xử lý khung hình từ 27 khung hình trên giây lên 41 khung hình trên giây, tạo tiền đề vững chắc cho việc ứng dụng trên các thiết bị nhúng và hệ thống thương mại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự kế thừa và phát triển của bốn trụ cột lý thuyết kinh điển trong lĩnh vực xử lý ảnh và thị giác máy tính:

1. Bộ lọc Kalman (1960): Ứng dụng lý thuyết ước lượng trạng thái tối ưu theo xác suất tiên nghiệm. Mô hình giả thiết hệ thống tuyến tính với nhiễu đo là nhiễu trắng phân phối Gauss. Hệ số khuếch đại Kalman được sử dụng để cân bằng giữa thông tin trạng thái quá khứ và giá trị đo đạc mới nhằm dự đoán vị trí đối tượng.
2. Mô hình hỗn hợp Gauss thích nghi (Mixture of Gaussians - MOG): Mỗi điểm ảnh được mô hình hóa bằng một tổ hợp gồm 3 đến 5 phân phối Gauss. Tỷ lệ trọng số trên độ lệch chuẩn được dùng để xếp hạng và chọn lọc các phân phối đại diện cho nền, cho phép xử lý các nền động có tính lặp lại.
3. Mô hình không tham số thích nghi (Non-parametric Background Model): Kỹ thuật ước lượng mật độ xác suất hàm lõi (Kernel Density Estimation - KDE) loại bỏ các giả định về dạng phân bố cố định, cho phép thích nghi nhanh với các biến động phức tạp ngoài trời.
4. Mô hình từ điển (Codebook Model): Lý thuyết lượng tử hóa không gian màu và mức sáng, biểu diễn lịch sử điểm ảnh thành các từ mã gồm các vector màu và tập biến thời gian.

Các khái niệm chính được làm rõ bao gồm: điểm ảnh nền vĩnh viễn, nền tạm thời, từ mã, từ điển hai lớp và độ lệch tuyệt đối trung vị.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm các chuỗi video chuẩn với độ phân giải tiêu chuẩn, trong đó có chuỗi dữ liệu 900 khung hình liên tục trong 30 giây để phân tích biến động mức xám đa mốt. Phương pháp chọn mẫu là chọn mẫu theo chuỗi thời gian liên tục kết hợp cơ chế lấy mẫu ngẫu nhiên có cửa sổ trượt. Cỡ mẫu huấn luyện ban đầu sử dụng khoảng 150 đến 300 khung hình đầu tiên để khởi tạo từ điển nền.

Phương pháp phân tích được lựa chọn là phân tích định lượng kết hợp tối ưu hóa thuật toán. Nhóm tác giả lựa chọn giải pháp mức xám thay vì không gian màu RGB đa chiều nhằm loại bỏ các phép tính dấu phẩy động phức tạp và căn thức bậc hai. Quá trình thực thi được triển khai bằng ngôn ngữ C/C++ trên nền tảng thư viện thị giác máy tính mã nguồn mở OpenCV, tích hợp các cấu trúc tối ưu như ma trận nhiều chiều, ảnh cấu trúc và thư viện giao diện người dùng mức cao. Tiến độ nghiên cứu được hoàn thành và nghiệm thu vào ngày 08 tháng 10 năm 2010.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử thuật toán đã mang lại 4 phát hiện quan trọng:

1. Tối ưu hóa dung lượng bộ nhớ từ mã: Mô hình từ điển hai lớp trên không gian mức xám chỉ yêu cầu 24 byte cho mỗi từ mã (gồm 4 biến nguyên 4 byte và 2 biến thực 4 byte), giảm 33,33% dung lượng lưu trữ so với cấu trúc 36 byte của mô hình RGB truyền thống.
2. Đột phá về tốc độ xử lý thời gian thực: Tốc độ xử lý của thuật toán đề xuất đạt mức 41 khung hình trên giây, tăng 51,85% so với mức 27 khung hình trên giây của phương pháp phân lớp thích nghi màu sắc.
3. Khả năng nén và mô hình hóa nền hiệu quả: Kết quả thực nghiệm trên các đoạn video 5 phút (khoảng 9.000 khung hình ở tốc độ 30 khung hình trên giây) cho thấy môi trường ngoài trời phức tạp chỉ cần trung bình 6,5 từ mã cho mỗi điểm ảnh. Trong khi đó, môi trường trong nhà ổn định chỉ cần từ 1 đến 2 từ mã.
4. Triệt tiêu nhiễu nền và phát hiện sai: Phân tích biểu đồ histogram từ chuỗi 900 khung hình xác nhận phân bố mức xám thực tế có tính chất đa mốt rõ rệt. Cơ chế lọc từ mã với chu kỳ ngưỡng bằng một nửa số mẫu huấn luyện đã loại bỏ hoàn toàn các vật thể chuyển động xuất hiện trong pha học nền.

Thảo luận kết quả

Nguyên nhân chính giúp thuật toán đề xuất vượt trội về hiệu năng là việc loại bỏ hoàn toàn việc tính khoảng cách màu vector trong không gian 3 chiều và các phép chuẩn hóa hình học. Thay vào đó, thuật toán chỉ thực hiện so sánh giới hạn độ sáng và cập nhật giá trị cực tiểu, cực đại bằng phép trung bình hóa có trọng số với hệ số alpha xấp xỉ 10 và beta từ 0,9 đến 1,0.

Dữ liệu so sánh giữa các phương pháp có thể được trình bày một cách trực quan thông qua bảng đối sánh hiệu năng hệ thống:

Tiêu chí kỹ thuật	Mô hình hỗn hợp Gauss	Mô hình từ điển màu sắc	Mô hình từ điển mức xám đề xuất
Không gian biểu diễn	RGB / 3 đến 5 phân phối	Không gian màu RGB	Không gian mức xám
Dung lượng 1 từ mã	Không áp dụng	36 byte	24 byte
Tốc độ xử lý	Dưới 20 khung hình/giây	27 khung hình/giây	41 khung hình/giây
Mô hình hóa ánh sáng chậm	Kém	Hạn chế	Rất tốt

Đồng thời, hiệu quả phân tách nền có thể được minh họa bằng biểu đồ biến thiên cường độ sáng theo thời gian, thể hiện rõ vùng giới hạn ổn định giúp hệ thống không bị hiện tượng khóa chết khi nền thay đổi chậm. So với mô hình không tham số đòi hỏi hàng nghìn mẫu lưu trữ trong bộ nhớ đệm, mô hình đề xuất duy trì tính gọn nhẹ tuyệt đối, phù hợp với các hệ thống giám sát phân tán.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, 4 nhóm giải pháp cụ thể được đề xuất nhằm ứng dụng và hoàn thiện thuật toán:

1. Tích hợp tập lệnh tối ưu hóa phần cứng: Kỹ sư phát triển phần mềm thị giác máy tính cần ứng dụng thư viện tăng tốc đồ họa và tập lệnh song song trên vi xử lý Intel trong lộ trình 3 đến 6 tháng tới, hướng tới mục tiêu nâng tốc độ xử lý video độ phân giải cao từ 41 khung hình trên giây lên trên 60 khung hình trên giây.
2. Nâng cấp mô-đun lọc bóng đổ thích nghi: Nhóm nghiên cứu thuật toán cần bổ sung cơ chế phân tích tỷ lệ độ chói và sắc độ trong giai đoạn 6 đến 12 tháng, đặt mục tiêu giảm tỷ lệ cảnh báo sai tại các vùng tối xuống dưới 2%.
3. Tự động hóa tham số môi trường: Nhóm phát triển hệ thống cần thiết kế mô-đun tự động căn chỉnh ngưỡng học nền alpha và hệ số cập nhật beta dựa trên độ lệch chuẩn của toàn khung hình, hoàn thành trong vòng 9 tháng nhằm loại bỏ việc cấu hình thủ công.
4. Thương mại hóa trong camera giám sát giao thông: Doanh nghiệp công nghệ an ninh cần tiến hành đóng gói thuật toán vào các thiết bị camera thông minh trong thời hạn 12 đến 18 tháng, phục vụ tự động đếm lưu lượng phương tiện và phát hiện dừng đỗ sai quy định với độ chính xác trên 95%.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu học thuật và kỹ thuật giá trị dành cho 4 nhóm đối tượng trọng tâm:

1. Kỹ sư thị giác máy tính và AI nhúng: Khai thác cấu trúc dữ liệu từ điển 24 byte và mã nguồn tối ưu trên OpenCV để xây dựng các giải pháp xử lý biên trên phần cứng giới hạn bộ nhớ.
2. Học viên cao học và nghiên cứu sinh ngành Điện tử - Viễn thông: Sử dụng toàn bộ hệ thống cơ sở lý thuyết so sánh giữa bộ lọc Kalman, mô hình hỗn hợp Gauss và mô hình không tham số làm nền tảng phát triển đề tài nghiên cứu.
3. Doanh nghiệp phát triển giải pháp an ninh và giao thông thông minh: Ứng dụng giải thuật tách nền tốc độ 41 khung hình trên giây để nâng cấp phần mềm quản trị camera giám sát diện rộng.
4. Lập trình viên C/C++ và đồ họa ứng dụng: Tham khảo phương pháp quản lý con trỏ bộ nhớ trực tiếp trên cấu trúc ma trận ảnh để tối ưu hóa hiệu năng ứng dụng đồ họa thực tế.

Câu hỏi thường gặp

Tại sao mô hình hỗn hợp Gauss gặp khó khăn khi nền ngoài trời biến động nhanh?
Mô hình hỗn hợp Gauss sử dụng từ 3 đến 5 phân phối Gauss để mô hình hóa mỗi điểm ảnh. Khi lá cây hoặc mặt nước chuyển động nhanh trong chu kỳ 30 giây với 900 khung hình, phổ mức xám trải rộng khiến các phân phối Gauss bị dàn trải, dẫn đến việc nhận định sai giữa nền động và vật thể chuyển động thực sự.

Mô hình từ điển hai lớp giải quyết vấn đề thay đổi độ sáng chậm như thế nào?
Mô hình sử dụng lớp từ điển đệm kết hợp với các ngưỡng thời gian tồn tại và chu kỳ làm tươi. Khi độ sáng môi trường thay đổi chậm, các giá trị mức xám mới được cập nhật dần dần vào mô hình nền chính thức thông qua phép trung bình hóa biên độ sáng với bước điều chỉnh alpha khoảng 10.

Vì sao việc chuyển sang xử lý mức xám lại tăng tốc độ từ 27 lên 41 khung hình/giây?
Xử lý mức xám giúp cắt giảm 3 thành phần màu vector, giảm kích thước từ mã từ 36 byte xuống 24 byte. Hệ thống loại bỏ hoàn toàn các phép toán căn bậc hai và chuẩn hóa vector trong không gian màu 3 chiều, giúp CPU thực thi các vòng lặp kiểm tra nhanh hơn 51,85%.

Cơ chế lọc ngưỡng thời gian giúp loại bỏ vật thể trong giai đoạn học nền ra sao?
Trong giai đoạn học nền, mỗi từ mã được gán một biến lưu trữ khoảng thời gian dài nhất không được truy cập. Nếu giá trị này vượt quá ngưỡng lọc bằng một nửa tổng số khung hình huấn luyện, từ mã đó sẽ bị coi là vật thể chuyển động ngẫu nhiên và bị xóa khỏi mô hình nền vĩnh cửu.

Cấu trúc dữ liệu nào trong OpenCV được sử dụng để tối ưu hóa việc truy xuất điểm ảnh?
Nghiên cứu sử dụng cấu trúc ma trận và cấu trúc ảnh nguyên thủy trong OpenCV, cho phép lập trình viên truy cập dữ liệu trực tiếp qua con trỏ bộ nhớ và độ rộng bước nhảy của dòng thay vì gọi các hàm macro, từ đó đạt tốc độ xử lý điểm ảnh tối đa.

Kết luận

Nghiên cứu của luận văn mang lại 5 đóng góp học thuật và thực tiễn nổi bật:

• Hệ thống hóa sâu sắc tiến trình phát triển của các thuật toán phát hiện chuyển động từ bộ lọc Kalman, mô hình hỗn hợp Gauss đến mô hình từ điển.
• Thiết kế thành công cấu trúc từ điển hai lớp tối ưu trên không gian mức xám với kích thước nhỏ gọn 24 byte.
• Đạt tốc độ xử lý thời gian thực vượt trội 41 khung hình trên giây, đáp ứng hoàn hảo các luồng video 30 khung hình trên giây.
• Xây dựng chương trình mô phỏng hoàn chỉnh trên nền tảng thư viện C/C++ OpenCV với kiến trúc module hóa linh hoạt.
• Cung cấp giải pháp kỹ thuật có tính ứng dụng cao cho các hệ thống giám sát an ninh và điều hành giao thông thông minh.

Trong giai đoạn 6 đến 12 tháng tới, các nhóm nghiên cứu nên tiếp tục tích hợp các mô hình học sâu nhẹ để phân loại chi tiết đối tượng sau khi tách nền. Hãy kết nối và áp dụng ngay các giải pháp thuật toán từ luận văn để tối ưu hóa hiệu năng cho các dự án thị giác máy tính của bạn.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Lĩnh vực xử lý tín hiệu, cụ thể là xử lý hình ảnh đã phát triển từ lâu với đa dạng các lĩnh vực nhƣ tăng cƣờng chất lƣợng ảnh, tách thành phần nền, dự đoán, theo dõi chuyển động, nhận dạng đối tƣợng,… Với sự phát triển mạnh mẽ trong công nghệ phần cứng máy tính và sự hỗ trợ của các hệ thống mô phỏng, thƣ viện mã nguồn mở thƣ viện xử lý đồ họa đã cho phép thực hiện nhiều thuật toán phức tạp đòi hỏi số lƣợng tính toán lớn đƣợc nghiên cứu, đánh giá, cải tiến và áp dụng trong thực tế. Trong đó, các phƣơng pháp phát hiện chuyển động là một lớp ứng dụng liên quan tới khá nhiều các kĩ thuật trong xứ lý ảnh nhƣ tăng cƣờng chất lƣợng ảnh, mô hình hóa nền – tách nền, theo dõi chuyển động, dự đoán chuyển động,… Do thời gian nghiên cứu và khuôn khổ nội dung Luận văn có hạn nên chúng ta sẽ đi vào tập trung nghiên cứu các thuật toán phát hiện chuyển động dựa trên việc mô hình hóa nền đƣợc trình bày chủ yếu trong chƣơng 1. Các phƣơng pháp mô hình hóa sẽ đƣợc trình bày theo thứ tự phát triển tăng dần. Thứ nhất là mô hình sử dụng bộ lọc Kalman để dự đoán trong việc ƣớc lƣợng nền thích nghi.

Thứ hai là mô hình nền hỗn hợp thích nghi sử dụng K phân bố Gauss để mô hình hóa nền có các chuyển động nhỏ, phức tạp với các tham số mô hình. Thứ ba là mô hình nền không tham số sử dụng các ƣớc lƣợng hàm lõi cho phép thích nghi tốt với thay đổi của môi trƣờng, loại bỏ các yếu tố tham số của mô hình. Thứ tƣ là mô hình nền sử dụng từ điển cho phép mô hình hóa nền phức tạp trong khoảng thời gian dài và thích nghi thời gian thực. Và cuối cùng là mô hình cải tiến của mô hình nền sử dụng từ điển nhằm tăng tốc độ xử lý khung hình và khắc phục vấn đề thích nghi với thay đổi nhỏ trong thời gian dài của mô hình trƣớc đó.

Tiếp đó, ở chƣơng 2 sẽ đi tìm hiểu thƣ viện xử lý đồ họa mã nguồn mở OpenCV. Chúng ta chủ yếu đề cập tới các khái niệm, nguyên mẫu hàm cần thiết cho việc xây dựng chƣơng trình thực hiện mô hình hóa nền sử dụng từ điển nhƣ: khởi thủy cấu trúc dữ liệu, các hàm xử lý đồ họa ngƣời dùng mức cao, các thuật toán xử lý hình ảnh phổ biến… Cuối cùng, ở chƣơng 3 sẽ mô tả quá trình, kết quả xây dựng chƣơng trình, những lƣu ý cụ thể khi cài đặt. Chƣơng trình nguồn thu đƣợc có thể dùng để nghiên cứu thuật toán hoặc sử dụng trong các ứng dụng thƣơng mại liên quan tới nhận dạng chuyển động. LUAN VAN CHAT LUONG download : add [e-mail] 1 Chƣơng 1.

THUẬT TOÁN PHÁT HIỆN CHUYỂN ĐỘNG 1.1 Bộ lọc Kalman Đƣợc giới thiệu năm 1960, bộ lọc Kalman đã đƣợc chú ý đặc biệt trong lĩnh vực xử lý tín hiệu. Bộ lọc Kalman,với các điều kiện ràng buộc, cho phép chúng ta xây dựng một mô hình trạng thái với cực đại xác suất trƣớc mà không cần giữ giá trị của nhiều giá trị đo trƣớc đó. Thay vì phải lƣu lại các giá trị này, chúng ta chỉ cập nhật mô hình trạng thái hệ thống và chỉ giữ lại mô hình để sử dụng ở bƣớc tiếp theo[6]. Trƣớc khi tìm hiểu chi tiết về ý nghĩa thực tế của bộ lọc này, chúng ta hãy phân tích các giả thiết cũng là điều kiện ràng buộc khi sử dụng của bộ lọc.

Có 2 giả thiết quan trọng về mặt lý thuyết khi xây dựng bộ lọc Kalman đó là:  Hệ thống đƣợc mô hình hóa là tuyến tính. Có nghĩa là trạng thái của hệ thống tại thời điểm k có thể đƣợc mô hình hóa nhƣ là tích của một số ma trận (ta sẽ không định nghĩa tƣờng minh các ma trận này) với trạng thái tại thời điểm (k-1).  Ồn trong phép đo là ồn trắng và có phân bố Gauss. Nghĩa là ồn sẽ không tƣơng quan trong miền thời gian và biên độ của nó có thể đƣợc mô hình hóa thông qua giá trị trung bình và phƣơng sai.

Ý nghĩa của phép “cực đại hóa xác suất trƣớc của các phép đo đã thực hiện” có nghĩa là một mô hình mới đƣợc xây dựng sau khi thực hiện một phép đo đƣợc tính toán dựa trên mô hình trƣớc đó với độ không chắc của nó và phép đó mới cũng cùng với độ không chắc chắn của nó. Và mô hình nào đƣợc tìm ra có xác suất cao nhất thì đƣợc gọi là mô hình đƣợc chọn. Với mục đích này, bộ lọc Kalman với 2 điều kiện ràng buộc là cách tốt nhất để kết hợp dữ liệu từ các nguồn khác nhau hoặc từ cùng một nguồn tại các thời điểm khác nhau. Khi có thông tin mới thì chúng ta quyết định thay đổi trên cơ sở thông tin đã có và thông tin mới sử dụng phép lấy trung bình theo trọng số giữa các giá trị này.

Giả sử ta thực hiện 2 phép đo xác định vị trí của x. Do có ồn nên chúng ta có 2 kết quả đo không chắc chắn – theo quan điểm Gauss – là x1 và x2. Bởi vì có độ không chắc chắn Gauss trong phép đo nên chúng có giá trị trung bình và với phƣơng sai chuẩn ζ1 và ζ2. Phƣơng sai ở đây mang thông tin về độ không LUAN VAN CHAT LUONG download : add [e-mail] 2 chắc chắn của phép đo.

Phân bố xác suất mô tả của phép đo là hàm phân bố Gauss. Trong trƣờng hợp này i = 1,2. Chúng ta kì vọng rằng mật độ xác suất cho giá trị của x cho bởi hai phép đo này sẽ tỉ lệ với. Nhƣ ta đã biết thì tích của 2 phân bố Gauss là một phân bố Gauss tƣơng đƣơng với giá trị trung bình và phƣơng sai chuẩn đƣợc tính nhƣ sau: Do phân bố Gauss cực đại tại giá trị trung bình, mà ta có thể xác định giá trị này một cách dễ dàng thông qua việc tính đạo hàm của p12(x) theo x và cho đạo hàm này bằng 0.

Vì hàm phân bố xác suất p(x) luôn khác 0 nên biểu thức trên tƣơng đƣơng với biểu thƣc trong dấu ngoặc bằng 0. Giải biểu thức đó theo x cho ta mối quan hệ hết sức quan trọng: Nhƣ vậy, giá trị trung bình là trung bình theo trọng số của hai giá trị trung bình của hai phép đo; với trọng số xác định độ không chắc chắn liên quan giữa 2 phép đo. Nếu độ không chắc chắn ζ2 của phép đo thứ 2 đặc biệt lớn thì giá trị trung bình thu đƣợc sẽ gần với giá trị trung bình của x 1 với độ chính xác hơn. Với giá trị trung bình có đƣợc, chúng ta thay vào trong biểu thức xác suất p12(x) và tính đƣợc độ không chắc chắn tƣơng ứng là: LUAN VAN CHAT LUONG download : add [e-mail] 3 Công thức này nói lên rằng: chúng ta có thể tạo ra một phép đo mới với giá trị trung bình và độ không chắc chắn tƣơng ứng bằng cách kết hợp các phép đo trƣớc đó.

Tính chất này của hai phép đo Gauss có nghĩa là: nếu chúng ta có M phép đo thì có thể kết hợp hai phép đo đầu, sau đó kết hợp phép đo thứ 3 với kết quả hai phép đo đó và cứ nhƣ vậy đến hết. Cuối cùng ta sẽ thu đƣợc kết quả là phép đo tƣơng đƣơng của M phép đo đó mong muốn. Giả sử với mỗi phép đo có , chúng ta có thể tính trạng thái của ƣớc lƣợng hiện tại nhƣ sau: Bƣớc thứ 1, chúng ta có. Ta có biểu thức ƣớc lƣợng: Giản ƣớc biểu thức trên ta có: Tƣơng tự nhƣ vậy ta có: Nhƣ vậy, các công thức trên cho phép chúng ta có thể tách biệt hoàn toàn thông tin cũ với thông tin mới.

Đặt hệ số cập nhật là K: Khi đó sẽ thu đƣợc dạng biểu thức đệ quy đơn giản hơn: Ở phần trƣớc, chúng ta nói đến là việc thực hiện nhiều phép đo đối với một đối tƣợng x cố định mà chƣa đề cập đến vấn đề là đối tƣợng đó có thể LUAN VAN CHAT LUONG download : add [e-mail] 4 chuyển động trong quá trình đo. Trƣờng hợp này chúng ta sẽ gọi là pha dự đoán. Trong suốt pha dự đoán này, chúng ta sử dụng các thông tin đã biết để dự đoán về kết quả phép đo mới mà hệ thống sẽ diễn ra. Trong thực tế, pha dự đoán đƣợc hoàn thành ngay sau khi một phép đo mới đƣợc thực hiện nhƣng trƣớc khi phép đo mới đƣợc đƣa vào ƣớc lƣợng trạng thái hệ thống.

Ví dụ nhƣ khi chúng ta đo vị trí của một ô tô tại thời điểm t và sau đó là (t+dt). Nếu ô tô đó đang chuyển động với vận tốc v thì chúng ta không thể kết hợp phép đo đó một cách trực tiếp. Đầu tiên, chúng ta cần tiến tịnh tiến mô hình của chúng ta về phía trƣớc dựa trên cơ sở những thông tin đã biết tại thời điểm t vì thế chúng ta có một mô hình không chỉ của hệ thống tại thời điểm t mà cả (t+dt) ngay trƣớc khi thông tin mới đƣợc kết hợp. Theo cách này, thông tin mới nhận đƣợc tại thời điểm (t+dt) phù hợp với cả mô hình cũ và mô hình tại thời điểm (t+dt) của hệ thống.

Có 3 loại chuyển động mà chúng ta sẽ xét đến:  Chuyển động tự thân của đối tượng: đây là loại chuyển động mà chúng ta có thể xác định trạng thái hệ thống trực tiếp từ lần đo trƣớc. Nếu chúng ta đã đo hệ thống tại vị trí x với tốc độ v tại thời điểm t thì sau đó tại thời điểm (t+dt) chúng ta kì vọng hệ thống sẽ ở vị trí (x+v*dt).  Chuyển động được điều khiển: là loại chuyển động do tác động của các yếu tố bên ngoài. Ví dụ phổ biến nhất của loại vận động này là chúng ta biết về yếu tố tác động gây ra vận động đó.

Ví dụ nhƣ hệ thống rô-bốt với phần điểu khiển là hệ thống ra lệnh cho nó. Rõ ràng trong trƣờng hợp này, nếu rô-bốt đã ở vị trí x và chuyển động với vận tốc v tại thời điểm (t+dt) thì chúng ta kì vọng nó sẽ di chuyển không chỉ tới (x+v*dt) mà có thể xa hơn.  Chuyển động ngẫu nhiên: là các chuyển động mà chúng ta không biết hoặc không điều khiển đƣợc. Nhƣ giả thiết trƣớc kia thì chuyển động ngẫu nhiên ở đây cũng có phân bố Gauss hay ít nhất là có thể đƣợc mô hình hóa bởi phân bố này.