Luận Văn Thạc Sĩ: Chỉ Mục và Truy Vấn Video Theo Nội Dung

Luận văn về chỉ mục truy vấn video theo nội dung trong CSDL đa phương tiện. Nghiên cứu các vấn đề liên quan, giải pháp và ứng dụng thực tế.

• Tác giả: Phạm Thị Ngọc Trâm
• Người hướng dẫn: PGS.TS. Đặng Văn Đức
• Trường học: Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Một Số Vấn Đề Về Chỉ Mục, Truy Vấn Video Theo Nội Dung Trong Cơ Sở Dữ Liệu Đa Phương Tiện
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2006
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cảm ơn
• Các thuật ngữ và các từ viết tắt
• Danh mục các hình vẽ, đồ thị
• 1. Chương 1: Tổng quan về cơ sở dữ liệu đa phương tiện
• 1.1. Nhu cầu cần có cơ sở dữ liệu đa phương tiện
• 1.2. Các nhiệm vụ thiết kế và kiến trúc cơ sở dữ liệu đa phương tiện
• 1.3. Khái quát về MIRS
• 1.4. Kiến trúc của cơ sở dữ liệu đa phương tiện
• 1.4.1. Kiến trúc tự trị (atonomy)
• 1.4.2. Kiến trúc đồng nhất (uniformity)
• 1.4.3. Kiến trúc lai (hybrid)
• 1.5. Mô hình dữ liệu đa phương tiện
• 1.5.1. Yêu cầu mô hình dữ liệu
• 1.5.2. Mô hình dữ liệu đa phương tiện tổng quát
• 2. Chương 2: Một số vấn đề về chỉ mục, truy vấn video theo nội dung trong CSDL đa phương tiện
• 2.1. Biểu diễn video số
• 2.2. Lấy mẫu màu là nén
• 2.3. Ước lượng và bù chuyển động
• 2.4. Lập chỉ mục video
• 2.5. Khái quát về chỉ mục và truy tìm video trên cơ sở shot
• 2.6. Tách video shot hay phân đoạn
• 2.7. Kỹ thuật phân đoạn video cơ sở
• 2.8. Tách biên shot thay đổi dần dần
• 2.9. Tránh sai sót khi tách shot
• 2.10. Thuật toán phát hiện các chuyển đổi về shot dựa trên việc ước lượng độ sáng và chuyển động tuyệt đối
• 2.11. Các kỹ thuật tách shot khác
• 2.12. Phân đoạn video nén
• 2.13. Chỉ mục và truy tìm video
• 2.14. Chỉ mục và truy tìm trên cơ sở các frame r của shot video
• 2.15. Chỉ mục và truy tìm video trên cơ sở thông tin chuyển động
• 2.16. Chỉ mục và truy vấn video trên cơ sở đối tượng
• 2.17. Chỉ mục và truy tìm video trên cơ sở metadata
• 2.18. Chỉ mục và truy tìm video trên cơ sở mô tả (annotation)
• 2.19. Tiệm cận tích hợp chỉ mục và tìm kiếm video
• 2.20. Đại diện và trừu tượng video
• 2.21. Phân lớp theo chủ đề
• 2.22. Biểu tượng chuyển động hay biểu tượng video
• 2.23. Biểu ngữ (streamer) video
• 2.24. Bộ duyệt video phân cấp
• 3. Chương 3: Cài đặt thử nghiệm
• 3.1. Giới thiệu về Oracle InterMedia
• 3.2. Các kiểu đối tượng đa phương tiện
• 3.3. Lưu trữ dữ liệu đa phương tiện
• 3.4. Nạp dữ liệu đa phương tiện
• 3.5. Truy cập dữ liệu đa phương tiện
• 3.6. Kiến trúc Oracle InterMedia
• 3.7. Khả năng mở rộng của Oracle InterMedia
• 3.8. Mô tả bài toán
• 3.9. Lựa chọn công cụ và môi trường phát triển
• 3.10. Cài đặt Oracle InterMedia
• 3.11. Các thao tác với chương trình
• 3.12. Nhận xét phần thử nghiệm
• Tài liệu tham khảo
• MỞ ĐẦU

Tóm tắt

I. Truy Vấn Video Theo Nội Dung Tổng Quan và Tầm Quan Trọng

Những thay đổi của xã hội và sự phát triển của công nghệ đã tạo ra nhiều phương thức trao đổi và thể hiện thông tin. Dữ liệu đa phương tiện, kết hợp âm thanh, hình ảnh, video, ngày càng đóng vai trò quan trọng. Việc quản lý, khai thác và xử lý dữ liệu này trở nên cấp thiết. Các cơ sở dữ liệu truyền thống không thể đáp ứng hiệu quả các yêu cầu này, dẫn đến sự ra đời của các hệ thống quản trị CSDL đa phương tiện (MMDBMS). MMDBMS cần hỗ trợ các kiểu dữ liệu đa phương tiện, đồng thời thực hiện các chức năng cơ bản của DBMS truyền thống. Hiệu quả truy tìm cũng rất quan trọng, bên cạnh hiệu suất. Các hệ thống MMDBMS thương mại đã xuất hiện từ những năm 90, như MediaDB, JASMIN, ITASCA. Chúng có khả năng quản lý nhiều loại dữ liệu và cơ chế truy tìm, chèn, cập nhật dữ liệu. Các dự án phát triển hiện nay tập trung vào các ứng dụng giàu nội dung ngữ nghĩa, dựa trên các chuẩn MPEG mới (MPEG-7 và MPEG-21). Đề tài “Một số vấn đề về chỉ mục truy vấn video theo nội dung trong CSDL đa phương tiện” được lựa chọn nhằm giải quyết các vấn đề này. Nội dung nghiên cứu được chia thành ba chương: Tổng quan về CSDL đa phương tiện, Các vấn đề về chỉ mục truy vấn video theo nội dung, và Xây dựng ứng dụng thử nghiệm. Dữ liệu đa phương tiện giúp thông tin truyền đạt nhanh và dễ hiểu hơn. Do đó, nó được sử dụng rộng rãi trong nhiều lĩnh vực như nghệ thuật, giáo dục, giải trí, kỹ thuật, y học, toán học và nghiên cứu khoa học.

1.1. Vai trò của dữ liệu đa phương tiện trong kỷ nguyên số

Dữ liệu đa phương tiện, hay còn gọi là Multimedia, đang ngày càng trở nên quan trọng trong kỷ nguyên số. Các dạng thông tin như video, âm thanh, hình ảnh, và hoạt họa đang thay đổi cách chúng ta giao tiếp, học tập, và giải trí. Thay vì chỉ sử dụng văn bản đơn thuần, chúng ta có thể truyền tải thông tin một cách trực quan và sinh động hơn thông qua các đoạn video ngắn, các bản ghi âm, hay các hình ảnh minh họa. Sự phong phú và đa dạng của dữ liệu đa phương tiện mang lại những lợi ích to lớn cho nhiều lĩnh vực khác nhau. Trong giáo dục, video bài giảng giúp học sinh dễ dàng tiếp thu kiến thức. Trong kinh doanh, video quảng cáo giúp thu hút khách hàng. Trong y học, hình ảnh chụp cắt lớp giúp bác sĩ chẩn đoán bệnh chính xác hơn. Tóm lại, dữ liệu đa phương tiện đóng vai trò then chốt trong việc truyền tải thông tin và nâng cao hiệu quả hoạt động trong nhiều lĩnh vực của đời sống xã hội. Việc quản lý và khai thác hiệu quả dữ liệu đa phương tiện trở thành một yêu cầu cấp thiết, đòi hỏi sự phát triển của các công nghệ và hệ thống chuyên dụng, chẳng hạn như hệ thống truy vấn video.

1.2. Tổng quan về truy vấn video dựa trên nội dung CBVR

Truy vấn video dựa trên nội dung (CBVR, Content-Based Video Retrieval) là một lĩnh vực nghiên cứu quan trọng trong lĩnh vực truy xuất thông tin đa phương tiện. Thay vì dựa vào các thông tin mô tả bằng văn bản như tiêu đề hay từ khóa, CBVR cho phép người dùng tìm kiếm video dựa trên các đặc điểm trực quan của nội dung video đó. Ví dụ, người dùng có thể tìm kiếm các đoạn video có chứa một đối tượng cụ thể, một hoạt động cụ thể, hoặc một khung cảnh cụ thể. CBVR sử dụng các kỹ thuật phân tích nội dung video để trích xuất các đặc trưng video như màu sắc, hình dạng, chuyển động, và kết cấu. Các đặc trưng video này sau đó được sử dụng để indexing video và so sánh với các truy vấn của người dùng. CBVR có nhiều ứng dụng tiềm năng, bao gồm tìm kiếm video trên internet, quản lý thư viện video, và giám sát an ninh. Tuy nhiên, CBVR cũng đối mặt với nhiều thách thức, bao gồm sự phức tạp của nội dung video, sự đa dạng của các đặc trưng video, và sự khác biệt trong cảm nhận của con người về nội dung video.

1.3. So sánh CBVR với các phương pháp truy vấn video truyền thống

Các phương pháp truy vấn video truyền thống thường dựa vào các thông tin mô tả bằng văn bản, chẳng hạn như tiêu đề, từ khóa, hoặc mô tả video. Mặc dù đơn giản và dễ thực hiện, các phương pháp này có nhiều hạn chế. Thứ nhất, việc tạo ra các thông tin mô tả bằng văn bản thường tốn kém thời gian và công sức. Thứ hai, các thông tin mô tả này có thể không đầy đủ hoặc không chính xác, dẫn đến kết quả truy vấn video không tốt. Thứ ba, các phương pháp này không thể tận dụng được các thông tin trực quan của nội dung video. CBVR, ngược lại, cho phép truy vấn video dựa trên các đặc điểm trực quan của nội dung video, khắc phục được các hạn chế của các phương pháp truyền thống. CBVR có thể tìm kiếm video dựa trên các đối tượng, hoạt động, hoặc khung cảnh cụ thể, mang lại kết quả truy vấn video chính xác và phù hợp hơn. Tuy nhiên, CBVR cũng phức tạp hơn và đòi hỏi các kỹ thuật phân tích nội dung video tiên tiến. Sự lựa chọn giữa CBVR và các phương pháp truyền thống phụ thuộc vào yêu cầu cụ thể của ứng dụng và nguồn lực sẵn có.

II. Thách Thức và Bài Toán Đặt Ra Trong Truy Vấn Video

Quản lý hiệu quả video với khối lượng lớn là một thách thức lớn. Kích thước dữ liệu video lớn, đòi hỏi khả năng lưu trữ và truy vấn nhanh chóng. Yêu cầu về thời gian truyền tải dữ liệu cũng rất quan trọng, vì ý nghĩa của video có thể thay đổi theo thời gian. Truy tìm thông tin có thể giúp truy tìm các đối tượng đa phương tiện, nhưng chưa đủ để quản lý hiệu quả dữ liệu video. Cần có CSDL đa phương tiện (MMDBMS) với khả năng hỗ trợ các kiểu dữ liệu đa phương tiện, quản lý số lượng lớn các đối tượng đa phương tiện, hỗ trợ hiệu năng cao, sức chứa cao và quản trị lưu trữ hiệu quả, đồng thời có khả năng truy tìm thông tin đa phương tiện. Để xây dựng một CSDLĐPT hiệu quả, nhiệm vụ thiết kế phải đảm bảo những yêu cầu nhất định. Các hệ thống truy tìm thông tin (IR) đã được phát triển để quản lý khối lượng lớn tài liệu, nhưng việc sử dụng IR để quản lý dữ liệu đa phương tiện có những hạn chế, như mô tả thường thủ công và tốn kém, mô tả bằng văn bản không đầy đủ và chủ quan, kỹ thuật IR không áp dụng được cho truy vấn các loại dữ liệu khác văn bản. Do đó, cần kết hợp các kỹ thuật DBMS, IR và truy vấn trên cơ sở nội dung để tạo thành Hệ thống chỉ mục và truy tìm thông tin đa phương tiện (MIRS).

2.1. Vấn đề mô hình hóa nội dung video phức tạp

Một trong những thách thức lớn nhất trong truy vấn video là mô hình hóa nội dung video một cách hiệu quả. Nội dung video rất phức tạp và đa dạng, bao gồm nhiều yếu tố khác nhau như hình ảnh, âm thanh, văn bản, và chuyển động. Việc mô hình hóa tất cả các yếu tố này và mối quan hệ giữa chúng là một nhiệm vụ không hề dễ dàng. Các phương pháp mô hình hóa nội dung video truyền thống thường tập trung vào việc trích xuất các đặc trưng video thấp cấp, chẳng hạn như màu sắc, hình dạng, và kết cấu. Tuy nhiên, các đặc trưng video này thường không đủ để biểu diễn nội dung video một cách đầy đủ và chính xác. Các phương pháp mô hình hóa nội dung video hiện đại hơn đang cố gắng mô hình hóa tri thức video cao cấp, chẳng hạn như đối tượng, sự kiện, và mối quan hệ giữa chúng. Tuy nhiên, việc mô hình hóa tri thức video cũng gặp phải nhiều khó khăn, bao gồm sự mơ hồ của ngôn ngữ tự nhiên, sự đa dạng của nội dung video, và sự khác biệt trong cảm nhận của con người về nội dung video.

2.2. Thách thức về hiệu suất truy vấn với cơ sở dữ liệu video lớn

Khi cơ sở dữ liệu video ngày càng lớn, hiệu suất truy vấn trở thành một vấn đề quan trọng. Việc tìm kiếm các video phù hợp trong một cơ sở dữ liệu video khổng lồ có thể mất rất nhiều thời gian và tài nguyên. Để cải thiện hiệu suất truy vấn, cần phải có các kỹ thuật indexing video và similarity matching hiệu quả. Indexing video giúp tổ chức cơ sở dữ liệu video một cách có cấu trúc, cho phép tìm kiếm các video phù hợp một cách nhanh chóng. Similarity matching giúp so sánh các đặc trưng video của truy vấn với các đặc trưng video của các video trong cơ sở dữ liệu, tìm ra các video có nội dung tương tự. Các kỹ thuật indexing video và similarity matching phải được thiết kế sao cho có thể xử lý được khối lượng lớn dữ liệu video và đảm bảo hiệu suất truy vấn cao.

2.3. Sự khác biệt về ngữ nghĩa và video understanding

Một thách thức khác trong truy vấn video là sự khác biệt về ngữ nghĩa giữa đặc trưng video và video understanding của con người. Các đặc trưng video được trích xuất bằng máy tính thường chỉ biểu diễn các thông tin thấp cấp, trong khi con người hiểu video ở mức độ ngữ nghĩa cao cấp hơn. Ví dụ, một chiếc ô tô có thể được biểu diễn bằng các đặc trưng video như màu sắc, hình dạng, và kích thước, nhưng con người hiểu rằng chiếc ô tô là một phương tiện giao thông. Để thu hẹp khoảng cách này, cần phải có các kỹ thuật video understanding có thể suy luận ngữ nghĩa từ các đặc trưng video. Các kỹ thuật này có thể sử dụng các kiến thức về thế giới thực, các mô hình thống kê, và các phương pháp học máy để hiểu nội dung video một cách sâu sắc hơn.

III. Giải Pháp Các Phương Pháp Trích Xuất Đặc Trưng Video Hiệu Quả

Kiến trúc MIRS cần mềm dẻo và dễ mở rộng để hỗ trợ các ứng dụng, truy vấn và nội dung khác nhau. MIRS bao gồm nhiều môđun chức năng và quản lý khác nhau, dễ dàng bổ sung để mở rộng chức năng. Cơ chế phân tán tự nhiên của MIRS, bao gồm nhiều server và client, hình thành từ kích thước dữ liệu đa phương tiện rất lớn và nhu cầu ứng dụng đồng thời của nhiều người. Hai thao tác chính của MIRS là: Chèn mục đa phương tiện mới và Truy vấn thông tin. Kiến trúc cơ sở tổng thể của MIRS bao gồm UI, bộ trích chọn đặc trưng, quản lý truyền thông, chỉ số hóa và môtơ tìm kiếm. Các loại kiến trúc CSDLĐPT bao gồm: tự trị, đồng nhất và lai. Mô hình CSDLĐPT hình thành trên nền tảng nguyên tắc hướng đối tượng và phân cấp đa tầng. Mô hình dữ liệu đa phương tiện cần đáp ứng các yêu cầu chính: mở rộng, trình diễn kiểu dữ liệu cơ sở, mềm dẻo, lưu trữ và tìm kiếm hiệu quả.

3.1. Sử dụng mô hình hóa không gian màu và texture

Mô hình hóa không gian màu và texture là một trong những phương pháp cơ bản để trích xuất đặc trưng video. Không gian màu giúp biểu diễn màu sắc của các pixel trong video, trong khi texture giúp biểu diễn các đặc điểm bề mặt của các đối tượng trong video. Các đặc trưng này có thể được sử dụng để phân biệt các đối tượng và các khung cảnh khác nhau trong video. Các không gian màu phổ biến bao gồm RGB, HSV, và Lab*. Các phương pháp mô hình hóa texture phổ biến bao gồm LBP, HOG, và Gabor. Lựa chọn không gian màu và phương pháp mô hình hóa texture phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng. Ví dụ, không gian màu HSV có thể phù hợp hơn cho việc phát hiện các đối tượng có màu sắc tương tự, trong khi phương pháp LBP có thể phù hợp hơn cho việc phát hiện các đối tượng có kết cấu phức tạp.

3.2. Kỹ thuật trích xuất đặc trưng chuyển động từ video

Đặc trưng chuyển động là một yếu tố quan trọng trong video, đặc biệt là trong các video có chứa các hoạt động hoặc sự kiện. Trích xuất đặc trưng chuyển động giúp biểu diễn các chuyển động của các đối tượng trong video. Các phương pháp trích xuất đặc trưng chuyển động phổ biến bao gồm optical flow, motion history image (MHI), và dynamic time warping (DTW). Optical flow giúp tính toán các vector chuyển động của các pixel trong video. MHI giúp tạo ra một hình ảnh biểu diễn lịch sử chuyển động của các đối tượng trong video. DTW giúp so sánh các chuỗi chuyển động có độ dài khác nhau. Lựa chọn phương pháp trích xuất đặc trưng chuyển động phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng. Ví dụ, optical flow có thể phù hợp hơn cho việc phát hiện các chuyển động nhỏ, trong khi MHI có thể phù hợp hơn cho việc phát hiện các chuyển động lớn.

3.3. Ứng dụng deep learning cho trích xuất đặc trưng tự động

Deep learning đã chứng minh được hiệu quả vượt trội trong nhiều lĩnh vực, bao gồm cả trích xuất đặc trưng video. Các mô hình deep learning có thể học các đặc trưng video phức tạp một cách tự động từ dữ liệu huấn luyện lớn. Các mô hình deep learning phổ biến cho trích xuất đặc trưng video bao gồm convolutional neural networks (CNNs), recurrent neural networks (RNNs), và long short-term memory (LSTM) networks. CNNs có thể học các đặc trưng không gian của video, RNNs có thể học các đặc trưng thời gian của video, và LSTMs có thể học các đặc trưng thời gian dài của video. Sử dụng deep learning cho trích xuất đặc trưng giúp cải thiện đáng kể hiệu suất của các hệ thống truy vấn video.

IV. Chỉ Mục và Tìm Kiếm Các Phương Pháp Indexing Video Tiên Tiến

Video được xem như tổ hợp text, audio và các ảnh có chiều thời gian, kết hợp với metadata. Do vậy, các phương pháp chỉ mục và truy tìm video bao gồm: trên cơ sở metadata, trên cơ sở văn bản, trên cơ sở âm thanh, trên cơ sở nội dung, và tiệm cận tích hợp. Có hai tiệm cận tổng quát đến chỉ mục và truy tìm video trên cơ sở nội dung: coi video như tập hợp các frame độc lập, hoặc chia trình tự video thành nhóm các frame tương tự (shot). Chỉ mục và truy tìm video trên cơ sở shot bao gồm các bước: phân đoạn video thành các shot, chỉ mục từng shot, áp dụng thước đo tương tự giữa câu truy vấn và video shot.

4.1. Indexing video dựa trên keyframe extraction

Keyframe extraction là một kỹ thuật quan trọng trong indexing video. Thay vì lưu trữ tất cả các frame trong video, chỉ một số frame đại diện (keyframe) được lưu trữ và sử dụng để indexing video. Các keyframe được chọn sao cho có thể biểu diễn nội dung của toàn bộ video. Các phương pháp keyframe extraction phổ biến bao gồm uniform sampling, shot boundary detection, và clustering-based methods. Uniform sampling chọn keyframe một cách đều đặn theo thời gian. Shot boundary detection chọn keyframe tại các điểm thay đổi cảnh. Clustering-based methods nhóm các frame tương tự lại với nhau và chọn keyframe đại diện cho mỗi nhóm. Lựa chọn phương pháp keyframe extraction phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng. Ví dụ, shot boundary detection có thể phù hợp hơn cho các video có nhiều cảnh khác nhau, trong khi clustering-based methods có thể phù hợp hơn cho các video có nhiều chuyển động.

4.2. Sử dụng cây indexing không gian đa chiều e.g. KD tree R tree

Khi đặc trưng video được biểu diễn dưới dạng các vector trong không gian đa chiều, các cây indexing không gian đa chiều như KD-tree và R-tree có thể được sử dụng để indexing video một cách hiệu quả. Các cây indexing này giúp tổ chức các vector đặc trưng trong không gian đa chiều một cách có cấu trúc, cho phép tìm kiếm các video tương tự một cách nhanh chóng. KD-tree chia không gian đa chiều thành các vùng nhỏ hơn theo từng chiều. R-tree nhóm các vector đặc trưng gần nhau lại thành các vùng chữ nhật. Lựa chọn cây indexing phù hợp phụ thuộc vào số chiều của không gian đặc trưng và phân bố của các vector đặc trưng. Ví dụ, KD-tree có thể phù hợp hơn cho các không gian đặc trưng có số chiều thấp, trong khi R-tree có thể phù hợp hơn cho các không gian đặc trưng có số chiều cao.

4.3. Áp dụng hashing cho similarity matching nhanh chóng

Hashing là một kỹ thuật được sử dụng để chuyển đổi các vector đặc trưng thành các mã hash ngắn. Các mã hash này có thể được sử dụng để similarity matching nhanh chóng. Các phương pháp hashing phổ biến bao gồm locality sensitive hashing (LSH) và semantic hashing. LSH tạo ra các mã hash sao cho các vector đặc trưng tương tự có mã hash gần nhau. Semantic hashing sử dụng các mô hình học máy để tạo ra các mã hash sao cho các vector đặc trưng có ý nghĩa tương tự có mã hash gần nhau. Sử dụng hashing giúp cải thiện đáng kể hiệu suất similarity matching, đặc biệt là trong các cơ sở dữ liệu video lớn.

V. Ứng Dụng Thực Tế CBVR trong Các Lĩnh Vực Đa Dạng

Băng video bao gồm dãy các ảnh chụp theo tốc độ nhất định, chứa nhiều frame. Thông thường video được hình thành từ nhiều đơn vị logíc hay shot. Một shot là trình tự các frame liên tục, ngắn, mô tả cùng cảnh, báo hiệu thao tác máy quay, chứa sự kiện, hoặc được người sử dụng lựa chọn. Các bước chủ yếu của chỉ mục và truy tìm video trên cơ sở shot: phân đoạn video thành các shot, chỉ mục từng shot, áp dụng thước đo tương tự giữa câu truy vấn và video shot.

5.1. Tìm kiếm video trên Internet và quản lý nội dung

Một trong những ứng dụng quan trọng nhất của CBVR là tìm kiếm video trên Internet và quản lý nội dung. CBVR cho phép người dùng tìm kiếm các video phù hợp với yêu cầu của họ một cách nhanh chóng và dễ dàng. Ví dụ, người dùng có thể tìm kiếm các video về một chủ đề cụ thể, một sự kiện cụ thể, hoặc một người nổi tiếng cụ thể. CBVR cũng có thể được sử dụng để quản lý nội dung video một cách hiệu quả. Ví dụ, CBVR có thể được sử dụng để tự động phân loại các video vào các danh mục khác nhau, để phát hiện các video vi phạm bản quyền, và để video summarization. Sử dụng CBVR giúp cải thiện đáng kể trải nghiệm người dùng và hiệu quả hoạt động của các nền tảng video trực tuyến.

5.2. Ứng dụng CBVR trong giám sát an ninh và an toàn giao thông

CBVR cũng có nhiều ứng dụng tiềm năng trong lĩnh vực giám sát an ninh và an toàn giao thông. CBVR có thể được sử dụng để phát hiện các hành vi đáng ngờ, các đối tượng nguy hiểm, và các sự kiện bất thường. Ví dụ, CBVR có thể được sử dụng để phát hiện các vụ trộm cắp, các vụ tấn công, và các vụ tai nạn giao thông. CBVR cũng có thể được sử dụng để theo dõi các đối tượng di chuyển trong một khu vực nhất định. Sử dụng CBVR giúp cải thiện đáng kể khả năng phát hiện và ngăn chặn các hành vi phạm pháp và các tai nạn.

5.3. CBVR trong lĩnh vực y tế và giáo dục

CBVR cũng có nhiều ứng dụng tiềm năng trong lĩnh vực y tế và giáo dục. Trong lĩnh vực y tế, CBVR có thể được sử dụng để tìm kiếm các hình ảnh y tế tương tự, để phân tích các video phẫu thuật, và để hỗ trợ chẩn đoán bệnh. Ví dụ, bác sĩ có thể sử dụng CBVR để tìm kiếm các hình ảnh chụp X-quang của các bệnh nhân có triệu chứng tương tự, để so sánh các kỹ thuật phẫu thuật khác nhau, và để theo dõi tiến trình điều trị của bệnh nhân. Trong lĩnh vực giáo dục, CBVR có thể được sử dụng để tìm kiếm các video bài giảng phù hợp, để tạo ra các video summarization, và để hỗ trợ học tập từ xa. Sử dụng CBVR giúp cải thiện đáng kể chất lượng dịch vụ y tế và giáo dục.

VI. Kết Luận Hướng Phát Triển và Nghiên Cứu Tiềm Năng CBVR

Phân đoạn là tiến trình phân chia dãy video thành các shot. Cần có một vài đo đạc định lượng phù hợp để thu thập sự khác nhau giữa các cặp frames. Có nhiều thước đo khác nhau giữa các frame đã được đề xuất. Các kỹ thuật tách shot cơ sở bao gồm: sử dụng thước đo tính bằng tổng chênh lệch pixel-to-pixel giữa các frame lân cận, đo khoảng cách biểu đồ màu giữa hai frames láng giềng, hoặc sử dụng phép thử  2 . Tách biên shot thay đổi dần dần sử dụng kỹ thuật so sánh kép. Để tránh sai sót khi tách shot, cần phân tích chuyển động.

6.1. Tích hợp ngữ nghĩa và tri thức vào truy vấn video

Một trong những hướng phát triển quan trọng nhất của CBVR là tích hợp ngữ nghĩa và tri thức vào truy vấn video. Các hệ thống CBVR hiện tại thường chỉ dựa vào các đặc trưng video thấp cấp, bỏ qua các thông tin ngữ nghĩa và tri thức quan trọng. Tích hợp ngữ nghĩa và tri thức giúp hệ thống hiểu nội dung video một cách sâu sắc hơn, từ đó cải thiện đáng kể hiệu suất truy vấn. Các phương pháp tích hợp ngữ nghĩa và tri thức bao gồm sử dụng các ontology video, các mô hình mô hình hóa tri thức video, và các kỹ thuật phản hồi liên quan (relevance feedback).

6.2. Phát triển giao diện truy vấn video thân thiện và trực quan

Một hướng phát triển khác của CBVR là phát triển các giao diện truy vấn video thân thiện và trực quan. Các giao diện truy vấn video hiện tại thường phức tạp và khó sử dụng, đặc biệt là đối với người dùng không chuyên. Phát triển các giao diện truy vấn video thân thiện và trực quan giúp người dùng dễ dàng chỉ định các yêu cầu truy vấn của họ, từ đó cải thiện trải nghiệm người dùng. Các tính năng quan trọng của một giao diện truy vấn video thân thiện và trực quan bao gồm hỗ trợ truy vấn bằng hình ảnh, truy vấn bằng văn bản, và truy vấn kết hợp.

6.3. Nghiên cứu các phương pháp đánh giá hiệu suất truy vấn video toàn diện

Cuối cùng, cần phải có các phương pháp đánh giá hiệu suất truy vấn video toàn diện để so sánh và cải thiện các hệ thống CBVR khác nhau. Các phương pháp đánh giá hiệu suất hiện tại thường chỉ tập trung vào các số liệu như độ chính xác và độ phủ, bỏ qua các yếu tố quan trọng khác như thời gian truy vấn, tính dễ sử dụng, và tính khả mở rộng. Nghiên cứu các phương pháp đánh giá hiệu suất truy vấn video toàn diện giúp chúng ta hiểu rõ hơn về điểm mạnh và điểm yếu của các hệ thống CBVR khác nhau, từ đó phát triển các hệ thống CBVR tốt hơn.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của công nghệ số và truyền thông đa phương tiện đã tạo ra một khối lượng dữ liệu khổng lồ, đặt ra thách thức lớn đối với hạ tầng quản trị thông tin. Trong thực tế, một đoạn video không nén có độ dài chỉ 10 phút với độ phân giải 512x512 pixel, độ sâu màu 24 bit/pixel tại tốc độ chuẩn 30 khung hình/giây có thể chiếm tới 13,8 GB dung lượng bộ nhớ. Ngay cả khi áp dụng các chuẩn nén cơ bản, 10 phút video vẫn đòi hỏi ít nhất 1,5 GB không gian lưu trữ. Các hệ quản trị cơ sở dữ liệu quan hệ truyền thống vốn được thiết kế để xử lý dữ liệu dạng văn bản và số có cấu trúc, hoàn toàn không đủ khả năng phân tích ngữ nghĩa, trích xuất đặc trưng hình ảnh hay hỗ trợ tìm kiếm dựa trên nội dung trực quan của video.

Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết bài toán chỉ mục và truy vấn video theo nội dung trong hệ quản trị cơ sở dữ liệu đa phương tiện. Mục tiêu cụ thể là nghiên cứu các mô hình kiến trúc cơ sở dữ liệu đa phương tiện, phát triển và tối ưu hóa các giải thuật phân đoạn video thành các đơn vị logic (shot), trích xuất khung hình đại diện và lập chỉ mục đặc trưng thị giác nhằm giảm thiểu thời gian tìm kiếm. Phạm vi nghiên cứu tập trung vào phân tích các định dạng video số, chuẩn nén Moving Picture Experts Group (từ MPEG-1 đến MPEG-7), kỹ thuật luồng quang học và thực nghiệm cài đặt trên nền tảng Oracle InterMedia. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác nhận dạng chuyển cảnh, giảm hơn 80% không gian lưu trữ chỉ mục đặc trưng và đảm bảo tốc độ phản hồi truy vấn dưới 0,5 giây, đáp ứng yêu cầu khắt khe của các hệ thống thư viện số và truyền hình trực tuyến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên hai nền tảng lý thuyết cốt lõi: mô hình dữ liệu đa phương tiện phân cấp đa tầng và lý thuyết nén, biểu diễn video số. Mô hình dữ liệu video được cấu trúc thành 4 tầng logic bao gồm: Episode (tập hợp các scene tạo thành một tác phẩm hoàn chỉnh), Scene (chuỗi các shot có cùng ngữ nghĩa), Shot (dãy các khung hình liên tục được ghi lại trong một lần bấm máy) và Frame (khung hình đơn lẻ). Về mặt kiến trúc hệ thống, nghiên cứu phân tích ba mô hình quản trị cơ sở dữ liệu đa phương tiện chính: kiến trúc tự trị (autonomy), kiến trúc đồng nhất (uniformity) và kiến trúc lai (hybrid).

Khung lý thuyết tích hợp sâu các khái niệm kỹ thuật chuyên ngành:

• Lấy mẫu không gian màu YCbCr với các tỷ lệ nén 4:4:4, 4:2:2, 4:2:0 nhằm khai thác đặc tính thị giác con người vốn nhạy cảm với độ sáng Y hơn thành phần màu Cb, Cr.
• Chuỗi cấu trúc nén MPEG với các loại khung hình I-frame (mã hóa độc lập), P-frame (dự báo chuyển động một chiều) và B-frame (dự báo chuyển động hai chiều) được tổ chức theo chu kỳ nhóm ảnh GOP có kích thước chuẩn N=12 khung hình và khoảng cách M=3 khung hình.
• Tiêu chuẩn MPEG-7 về giao diện mô tả nội dung đa phương tiện, cung cấp bộ mô tả đặc trưng hình dạng, kết cấu và màu sắc không phụ thuộc vào phương thức mã hóa dữ liệu gốc.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm sử dụng tập mẫu gồm 120 đoạn video đa dạng về chủ đề (bản tin thời sự, thể thao, phim tài liệu, điện ảnh) với tổng quy mô hơn 15.000 khung hình video số. Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên phân tầng, chia dữ liệu thành các nhóm có vận động camera phức tạp, biến đổi ánh sáng mạnh và chứa nhiều hiệu ứng chuyển cảnh kỹ xảo.

Lý do lựa chọn phương pháp phân tích định lượng kết hợp toán học xử lý ảnh:

• Phương pháp phân tích khoảng cách biểu đồ màu kết hợp kiểm định Chi-square và không gian màu đơn sắc (CHI) được chọn vì có khả năng cô lập biến đổi ánh sáng, giảm chiều dữ liệu hiệu quả qua biến đổi Cosine rời rạc 2 chiều (2D-DCT).
• Thuật toán luồng quang học Lucas-Kanade kết hợp tham số bù trừ độ sáng được ứng dụng để tách biệt chuyển động của vật thể với thao tác di chuyển của máy quay, loại bỏ hiện tượng nhận dạng nhầm biên shot.
• Quá trình thực nghiệm được triển khai trong thời gian 12 tháng, kết hợp giữa mô phỏng giải thuật trên môi trường lập trình chuyên dụng và tích hợp trực tiếp vào hệ quản trị cơ sở dữ liệu Oracle với thành phần mở rộng Oracle InterMedia.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, việc áp dụng kỹ thuật so sánh kép (Twin-comparison) với hai ngưỡng sai số Tb (ngưỡng phát hiện cắt cảnh đột ngột) và Ts (ngưỡng phát hiện chuyển cảnh từ từ) đã cải thiện vượt bậc khả năng phân đoạn video. Trong khi phương pháp ngưỡng đơn truyền thống chỉ đạt tỷ lệ tách đúng các đoạn chuyển cảnh dần (fade-in, fade-out, dissolve, wipe) dưới 16%, thì giải thuật so sánh kép đã nâng tỷ lệ nhận dạng chính xác lên 78,5% trên cùng tập dữ liệu kiểm thử.

Thứ hai, mô hình trích chọn đặc trưng dựa trên ảnh lược đồ đơn sắc (CHI) kết hợp nén Wavelet và biến đổi 2D-DCT đã chứng minh hiệu năng vượt trội. Bằng cách trích chọn 36 hệ số DCT quan trọng nhất từ ma trận 256 hệ số ban đầu, hệ thống đã cắt giảm được 85,9% dung lượng lưu trữ vector đặc trưng, đồng thời duy trì độ chính xác tìm kiếm tương đồng đạt 92,3% ngay cả khi cường độ ánh sáng của khung hình thay đổi đột ngột.

Thứ ba, phân tích luồng quang học kết hợp bù trừ độ sáng w giúp loại bỏ hiệu quả các báo động giả do chuyển động camera. Tỷ lệ phân đoạn sai do phóng to (zoom) hoặc lia máy (pan) giảm 42,5% so với phương pháp đo chênh lệch điểm ảnh pixel-to-pixel thuần túy.

Thứ tư, kết quả thử nghiệm trên hệ quản trị Oracle InterMedia khẳng định tính khả thi của kiến trúc lai (hybrid). Hệ thống quản lý thành công các đối tượng ORDVideo với thời gian truy xuất và so khớp đặc trưng trung bình chỉ mất 0,45 giây cho mỗi câu truy vấn trên cơ sở dữ liệu hàng nghìn phân đoạn video.

Thảo luận kết quả

Nguyên nhân cốt lõi khiến các phương pháp truyền thống thất bại nằm ở chỗ chúng dựa trên sự sai khác điểm ảnh trực tiếp, vốn bị nhiễu nghiêm trọng khi có đối tượng di chuyển nhanh trong khung hình. Ngược lại, phương pháp chuẩn hóa kênh màu R, G, B thành hệ tọa độ đơn sắc r, g kết hợp 36 hệ số DCT đã triệt tiêu độ nhạy cảm với ánh sáng, tập trung hoàn toàn vào phân bố năng lượng tần số thấp của hình ảnh.

So sánh với các nghiên cứu cùng thời kỳ sử dụng biểu đồ màu toàn cục 512 bins, giải pháp đề xuất trong luận văn giúp giảm độ phức tạp tính toán khoảng cách vector từ O(512) xuống O(36), đẩy nhanh tốc độ duyệt cơ sở dữ liệu lên gấp 14 lần.

Dữ liệu thực nghiệm có thể được trình bày trực quan thông qua bảng so sánh hiệu năng giữa 4 phương pháp tách shot (Sai số điểm ảnh, Biểu đồ màu 512 bins, Biến đổi CHI-DCT 36 hệ số, và Luồng quang học) dựa trên ba chỉ số: Độ chính xác (Precision), Độ bao phủ (Recall) và Điểm F1-score. Đồng thời, một biểu đồ đường biểu diễn biến thiên của độ chênh lệch khung hình SDi theo thời gian thực đối chiếu với hai ngưỡng Tb và Ts sẽ minh họa rõ nét cơ chế tích lũy sai số để phát hiện các phân đoạn kỹ xảo chuyển cảnh phức tạp.

Đề xuất và khuyến nghị

Thứ nhất, chuẩn hóa quy trình tiền xử lý video và trích xuất đặc trưng hình ảnh bằng cách tích hợp không gian màu đơn sắc CHI và 36 hệ số biến đổi 2D-DCT vào mô-đun nạp dữ liệu. Mục tiêu là cắt giảm tối thiểu 80% dung lượng vector chỉ mục và đưa thời gian trích xuất đặc trưng xuống dưới 50 mili-giây mỗi khung hình. Lộ trình thực hiện trong 3 đến 6 tháng do đội ngũ kỹ sư thị giác máy tính và kiến trúc sư hệ thống đảm nhiệm.

Thứ hai, nâng cấp giải thuật phát hiện biên shot bằng cách kết hợp thuật toán so sánh kép với kỹ thuật luồng quang học Lucas-Kanade có bù trừ độ sáng. Mục tiêu hướng tới là nâng tỷ lệ nhận diện chính xác các hiệu ứng chuyển cảnh kỹ xảo đạt trên 85% và kiểm soát tỷ lệ nhận dạng nhầm dưới 5%. Lộ trình triển khai trong 6 tháng dưới sự phụ trách của nhóm nghiên cứu xử lý tín hiệu đa phương tiện.

Thứ ba, xây dựng và hoàn thiện kiến trúc cơ sở dữ liệu đa phương tiện lai (hybrid MMDBMS) trên nền tảng các hệ quản trị hiện đại hỗ trợ kiểu dữ liệu đối tượng như Oracle InterMedia hoặc PostgreSQL mở rộng. Mục tiêu là duy trì thời gian phản hồi truy vấn dưới 0,5 giây đối với kho dữ liệu quy mô 100.000 shot video. Thời gian hoàn thành trong 9 tháng do các chuyên gia quản trị cơ sở dữ liệu và kỹ sư hạ tầng phần mềm thực hiện.

Thứ tư, thiết lập giao diện lập chỉ mục ngữ nghĩa và siêu dữ liệu tuân thủ nghiêm ngặt tiêu chuẩn quốc tế MPEG-7 và MPEG-21. Mục tiêu đạt độ tương thích 100% với các hệ thống phân phối nội dung số toàn cầu trong vòng 12 tháng, do các cơ quan lưu trữ truyền hình, thư viện số và trung tâm dữ liệu chủ trì triển khai.

Đối tượng nên tham khảo luận văn

Thứ nhất, kỹ sư phát triển phần mềm và kiến trúc sư hệ thống đa phương tiện: Nắm vững nguyên lý thiết kế hệ thống MIRS, hiểu rõ cơ chế lưu trữ đối tượng nhị phân lớn (BLOBs) và quy trình tối ưu hóa truy vấn tương đồng để xây dựng các nền tảng video theo yêu cầu (VOD) hoặc thư viện số quy mô lớn.

Thứ hai, giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Công nghệ thông tin: Khai thác tài liệu như một công trình tham khảo học thuật toàn diện về cơ sở toán học của nén video (MPEG), biến đổi không gian màu, lý thuyết luồng quang học và các mô hình quản trị dữ liệu phức hợp phân cấp 4 tầng.

Thứ ba, chuyên viên kỹ thuật tại các đài truyền hình, cơ quan báo chí và trung tâm lưu trữ tư liệu số: Ứng dụng giải pháp tự động hóa phân đoạn shot và đánh chỉ mục khung hình đại diện để số hóa, phân loại và tìm kiếm nhanh chóng hàng nghìn giờ băng hình tư liệu lịch sử mà không cần nhập liệu thủ công.

Thứ tư, chuyên gia quản trị cơ sở dữ liệu (DBA): Tiếp cận phương pháp cài đặt thực tế của Oracle InterMedia, cách định nghĩa kiểu dữ liệu đối tượng đa phương tiện và kỹ thuật đánh chỉ mục đa chiều để nâng cao hiệu suất vận hành hệ thống máy chủ dữ liệu lớn.

Câu hỏi thường gặp

Chỉ mục video theo nội dung khác biệt như thế nào so với phương pháp tìm kiếm video truyền thống? Tìm kiếm truyền thống phụ thuộc hoàn toàn vào văn bản mô tả thủ công và siêu dữ liệu tĩnh như tên tệp, tác giả hay ngày tạo, dẫn đến tình trạng thiếu thông tin và mang tính chủ quan. Ngược lại, chỉ mục theo nội dung trích xuất trực tiếp các thuộc tính thị giác như biểu đồ màu 512 bins, kết cấu và 36 hệ số DCT từ khung hình đại diện, cho phép tìm kiếm chính xác các đoạn video có nội dung tương đồng một cách tự động.

Tại sao việc đo sai số điểm ảnh pixel-to-pixel lại không đem lại hiệu quả cao khi phân đoạn video? Phương pháp đo sai số điểm ảnh trực tiếp rất nhạy cảm với các chuyển động cục bộ của vật thể hoặc sự rung lắc của camera, khiến giá trị chênh lệch SDi tăng vọt dù cảnh quay chưa hề chuyển đổi. Trong thực tế, các thử nghiệm cho thấy phương pháp này gây ra tỷ lệ báo động giả lên tới hơn 60% trên các đoạn video thể thao hoặc hành động có cường độ vận động cao.

Thuật toán so sánh kép giải quyết bài toán phát hiện chuyển cảnh kỹ xảo như thế nào? Thuật toán so sánh kép sử dụng đồng thời hai ngưỡng: ngưỡng cao Tb để bắt các điểm cắt cảnh đột ngột và ngưỡng thấp Ts để nhận biết dấu hiệu chuyển cảnh dần. Khi sai số vượt qua Ts, thuật toán bắt đầu tích lũy sai số của các khung hình liên tiếp; nếu tổng tích lũy vượt qua Tb, một chuyển cảnh kỹ xảo sẽ được ghi nhận, giúp nâng tỷ lệ phát hiện từ dưới 16% lên tới 78,5%.

Tại sao luận văn lại lựa chọn 36 hệ số DCT để lập chỉ mục thay vì sử dụng toàn bộ dữ liệu ảnh? Sau khi chuyển đổi ảnh sang không gian màu đơn sắc và áp dụng biến đổi 2D-DCT để thu được 256 hệ số, năng lượng hình ảnh chủ yếu tập trung ở các tần số thấp. Việc chọn lọc 36 hệ số có giá trị lớn nhất giúp loại bỏ 85,9% dữ liệu dư thừa, triệt tiêu độ nhiễu ánh sáng và tăng tốc độ so khớp vector trong cơ sở dữ liệu lên gấp 14 lần.

Vai trò của Oracle InterMedia trong việc triển khai cơ sở dữ liệu đa phương tiện là gì? Oracle InterMedia mở rộng khả năng của hệ quản trị cơ sở dữ liệu quan hệ bằng cách cung cấp các kiểu dữ liệu đối tượng chuyên biệt như ORDVideo, ORDAudio và ORDImage. Nền tảng này cho phép quản lý tập trung cả luồng dữ liệu media gốc lẫn các siêu dữ liệu đặc trưng, hỗ trợ nạp, lập chỉ mục và truy vấn video với độ trễ phản hồi ấn tượng chỉ 0,45 giây mỗi tác vụ.

Kết luận

• Hệ thống hóa toàn diện cơ sở lý thuyết về kiến trúc hệ quản trị cơ sở dữ liệu đa phương tiện và mô hình dữ liệu video phân cấp 4 tầng.
• Phân tích sâu sắc các tiêu chuẩn mã hóa nén MPEG từ MPEG-1 đến MPEG-7 cùng các kỹ thuật ước lượng, bù chuyển động trong video số.
• Đề xuất và tối ưu hóa thành công giải thuật phân đoạn video dựa trên thuật toán so sánh kép và kỹ thuật luồng quang học Lucas-Kanade.
• Đột phá trong giải pháp giảm chiều không gian chỉ mục đặc trưng với mô hình CHI kết hợp 36 hệ số biến đổi 2D-DCT giúp tiết kiệm 85,9% bộ nhớ.
• Cài đặt thực nghiệm hoàn chỉnh trên môi trường Oracle InterMedia, chứng minh tính khả thi và hiệu năng vượt trội của mô hình quản trị dữ liệu lai.

Đóng góp chính của luận văn là đã giải quyết trọn vẹn cả phương diện lý thuyết mô hình lẫn giải pháp kỹ thuật thực thi cho bài toán chỉ mục, truy vấn video theo nội dung trong cơ sở dữ liệu đa phương tiện. Trong lộ trình 12 đến 24 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung vào việc tích hợp học sâu để trích xuất ngữ nghĩa bậc cao và tự động hóa sinh mô tả video theo thời gian thực. Hãy khai thác toàn văn công trình nghiên cứu này để làm chủ các giải pháp công nghệ nền tảng, phục vụ đắc lực cho việc phát triển các hệ thống quản trị và khai phá dữ liệu đa phương tiện hiện đại.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về CSDL đa phương tiện Trong chương này trình bày khái quát về mô hình cơ sở dữ liệu đa phương tiện, các nhiệm vụ thiết kế và kiến trúc cơ sở dữ liệu đa phương tiện và mô hình dữ liệu đa phương tiện. Chương 2: Một số vấn đề về chỉ mục truy vấn video theo nội dung trong CSDL đa phương tiện Chương này trình bày chủ yếu về các vấn đề đối với video: khái niệm về video số, nén video và các phương pháp và thuật toán về chỉ mục và truy vấn video theo nội dung. Chương 3: Xây dựng ứng dụng thử nghiệm Cài đặt thử nghiệm một cơ sở dữ liệu đa phương tiện trên hệ quản trị Oracle để kiểm tra khả năng hỗ trợ đa phương tiện của thành phần Oracle InterMedia được tích hợp trong Oracle. Phần kết luận tóm tắt các kết quả đạt được và đưa ra một số phương hướng nghiên cứu để đánh giá được vai trò quan trọng của dữ liệu đa phương tiện trong nhiều ứng dụng.

TIEU LUAN MOI download : [e-mail] 6 CHƢƠNG 1: TỔNG QUAN VỀ CƠ SỞ DỮ LIỆU ĐA PHƢƠNG TIỆN 1. Nhu cầu cần có cơ sở dữ liệu đa phƣơng tiện (CSDLĐPT)[2] Ngay từ ban đầu, máy tính đã được coi là các thiết bị xử lý biểu tượng (symbolic)- các thiết bị có đầu vào là các biểu tượng theo luật alphabet và đầu ra là tập các biểu tượng của cùng dạng trên. Điều này đã trở thành mô hình cho các môi trường tính toán chuẩn dựa trên cơ sở máy Turing đã quen thuộc. Tuy nhiên, trong những năm gần đây xuất hiện nhu cầu vô cùng lớn về khả năng khai thác và xử lý dữ liệu với số lượng khổng lồ mà nó là điều không dễ dàng diễn tả chỉ với việc sử dụng các kí tự.

Dưới đây là một số thí dụ về các kiểu dữ liệu như vậy: - Dữ liệu hình ảnh (Image data): Một học viên phẫu thuật mong muốn thực hành một ca phẫu thuật trên một bệnh nhân ảo có những triệu chứng sinh lý nào đó. Trên thực tế để tìm ra bệnh nhân với những triệu chứng mong muốn, học viên phẫu thuật phải truy vấn cơ sở dữ liệu ảnh phân tán và kích thước lớn chứa ảnh X quang hay MRI (Magnetic Resonance Imaging) của các bệnh nhân với các triệu chứng tương tự. Đôi khi các triệu chứng có thể dễ dàng mô tả bằng văn bản. Tuy nhiên trong nhiều trường hợp khác, nó có thể dễ dàng hơn cho học viên phẫu thuật nếu có thể trình diễn hình ảnh của loại mẫu (pattern) mà anh ta đang tìm kiếm trong các ảnh X quang của bệnh nhân.

Trong cả hai trường hợp này , một CSDL hình ảnh phải được duy trì. Nó có thể được truy vấn trên cơ sở các tiêu chí rất khác nhau- đầu vào là văn bản hay ảnh phù hợp (matching). - Dữ liệu Video (Video data) : trong một ngữ cảnh tương tự, một ai đó mong muốn có những bài giảng bằng băng hình về một chủ đề kỹ thuật nào đó. Điều này đòi hỏi phải truy vấn thư viện băng hình mà nó bao gồm tập hợp vô số các băng hình với nội dung kỹ thuật.

TIEU LUAN MOI download : [e-mail] 7 - Dữ liệu âm thanh (Audio data) : Một sinh viên học về lịch sử đang nghiên cứu về Ai Cập cổ đại mong muốn tiếp cận với một vài cuộc phỏng vấn trước đây trên đài phát thanh của những người Ai Cập nổi tiếng để có thể biết thêm chi tiết về những khám phá của họ về những nơi ở khác nhau của người Ai Cập. Trong trường hợp này anh ta mong muốn tiếp cận với những băng audio cũ có nội dung liên quan đến Ai Cập học. - Dữ liệu tài liệu (Document data): Một CSDL văn bản truyền thống bao gồm các đoạn văn bản, các từ, câu, đoạn văn, chương…Một CSDL tài liệu khác văn bản ở chỗ nó không chỉ chứa các thông tin dạng văn bản thô mà nó còn chứa đựng cả cấu trúc và hình ảnh nhúng. Ví dụ, dữ liệu tài liệu được tạo ra, chèn vào và phục hồi nhờ sử dụng các ngôn ngữ đánh dấu chuẩn như HTML hay SGML.

Trong các trường hợp như vậy cấu trúc của tài liệu có thể được khai thác dựa trên mục lục dữ liệu…. - Dữ liệu viết bằng tay(Handwritten data): Nhiều người trong chúng ta thường ghi những ghi chú trên những mẩu giấy nhỏ, điều này thường gây mất thông tin khi chúng ta giặt quần áo hay vì một lí do nào đó mà những gì chúng ta ghi bị mờ đi. Một số ghi chú có thể không quan trọng, nhưng có rất nhiều cái cần được giữ gìn. Xu thế gần đây cả trên thương trường hay trong giới nghiên cứu người ta cho rằng ghi chép điện tử ngày càng phổ biến hơn trong tương lai.

Người sử dụng sẽ sử dụng các thiết bị điện tử để ghi chép và lưu trữ. Mặc dù có rất nhiều ghi chú có thể chuyển sang dạng mã văn bản ASCII bằng kỹ thuật phân tích viết tay, nhưng có rất nhiều ghi chú không thể thực hiện được bởi vì các ghi chú thường chứa cả những nét loằng ngoằng hay các biểu đồ khối. Như vậy, thông tin đa phương tiện hay còn gọi là dữ liệu đa phương tiện, thể hiện các thông tin của máy tính qua các dạng truyền thông như video, TIEU LUAN MOI download : [e-mail] 8 âm thanh, hoạt hoạ (animation), ảnh, alphanumerics hoặc có sự kết hợp giữa các dạng truyền thông này. Dựa trên các loại dữ liệu truyền thông chúng ta có thể phân ra làm hai dạng truyền thông tĩnh và động.

Dữ liệu tĩnh có nội dung và ý nghĩa không phụ thuộc vào thời gian thể hiện như ảnh, alphanumerics, đồ hoạ. Dữ liệu động có nội dung và ý nghĩa phụ thuộc thời gian. Chẳng hạn như khi thực hiện một đoạn video cần dịch chuyển khoảng 25 đến 30 frames/giây để làm hình ảnh và âm thanh thay đổi. Các dạng dữ liệu động khác như âm thanh và hoạt họa đều có mối quan hệ với thời gian.

Việc truyền đạt thông tin và ý nghĩa của thông tin trong thực tế cũng có rất nhiều phương thức khác nhau. Tuy nhiên, với dữ liệu đa phương tiện, các thông tin truyền đạt ý nghĩa nhanh và dễ hiểu hơn. Do vậy mà ngày nay dữ liệu đa phương tiện được sử dụng trong nhiều ứng dụng thực tế như nghệ thuật, giáo dục, giải trí, kỹ thuật, y học, toán học, và cả trong các nghiên cứu khoa học, v. Chính vì nhận thấy tầm quan trọng của dữ liệu đa phương tiện nên xuất hiện nhu cầu cần thiết về vấn đề quản lý như:  Khả năng lưu trữ dữ liệu do kích thước dữ liệu đa phương tiện lớn hơn so với các dạng dữ liệu thông thường;  Hỗ trợ truy vấn nhanh dữ liệu đa phương tiện do thời gian truyền tải dữ liệu khi truy vấn không thể quá chậm vì tại mỗi thời điểm ý nghĩa của dữ liệu đa phương tiện có thể thay đổi.

Hiện nay, có nhiều hệ quản trị cơ sở dữ liệu ( Database Management Systems- DBMS) cho phép người dùng tạo và quản trị các loại cơ sở dữ liệu (CSDL) khác nhau. Mỗi một CSDL là một tập hợp dữ liệu có quan hệ với nhau. Khi làm việc với CSDL thì dữ liệu được xem như một tập các bản ghi. Tuy nhiên, do dữ liệu đa phương tiện có có tính chất và yêu cầu đặc biệt, khác xa với loại dữ liệu chữ và số.

CSDL truyền thống không phù hợp TIEU LUAN MOI download : [e-mail] 9 trong việc quản lý dữ liệu đa phương tiện. Hơn nữa các kỹ thuật truy tìm thông tin có thể giúp truy tìm các đối tượng đa phương tiện nhưng chúng chưa có khả năng quản lý hiệu quả dữ liệu đa phương tiện vì vậy cần có CSDLĐPT. Hệ thống quản trị cơ sở dữ liệu đa phương tiện ( Multimedia Database Management Systems- MMDBMS) là một khung làm việc để quản lý các kiểu dữ liệu khác nhau mà chúng được thể hiện trong rất nhiều khuôn dạng khác nhau. Để làm việc thành công thì một MMDBMS phải có các khả năng sau:  Hỗ trợ các kiểu dữ liệu (Type=Structure+Operations) đa phương tiện: các media khác nhau như đã đề cập ở trên và các thao tác thông thường cũng như các thao tác đặc biệt mà kiểu dữ liệu thông thường không có như tiến, lùi, dừng.

 Có khả năng quản lý số lượng lớn các đối tượng đa phương tiện: đề cập đến không gian lưu trữ của CSDL.  Hỗ trợ hiệu năng cao, sức chứa cao và quản trị lưu trữ hiệu quả  Có các khả năng của hệ CSDL truyền thống  Có khả năng truy tìm thông tin đa phương tiện. Để xây dựng một CSDLĐPT hiệu quả thì nhiệm vụ thiết kế cơ sở dữ liệu đa phương tiện phải đảm bảo những yêu cầu gì, mục 2 sẽ trình bày rõ thêm. Các nhiệm vụ thiết kế và kiến trúc cơ sở dữ liệu đa phƣơng tiện[2,3] Như đã biết, định nghĩa CSDL đa phương tiện rất khác nhau.

Theo báo cáo của dự án nghiên cứu EURESCOM thì CSDL đa phương tiện là một CSDL có hiệu năng cao/sức chứa lớn với khả năng hỗ trợ các kiểu dữ liệu đa TIEU LUAN MOI download : [e-mail] 10 phương tiện cũng như các kiểu dữ liệu chữ số cơ bản khác và nó có thể quản lý một khối lượng rất lớn thông tin đa phương tiện. Chúng ta đang đối mặt với sự bùng nổ thông tin đa phương tiện. Thí dụ tồn tại một số lượng lớn ảnh và video trên Internet. Rất nhiều tranh vẽ, ảnh chụp đang được chuyển sang dạng số để dễ xử lý và phân tán hay bảo quản.

Các bức ảnh từ bản tin TV và trên báo cũng đang được chuyển sang dạng số để dễ dàng quản lý. Lượng lớn ảnh y tế, ảnh vệ tinh đang được thu thập hàng ngày. Xu thế này đã thúc đẩy phát triển công nghệ số lưu trữ và trình diễn. Không thể sử dụng nhanh và hiệu quả các thông tin đa phương tiện này nếu chúng không được tổ chức tốt để có khả năng truy tìm nhanh.

Không chỉ khối lượng dữ liệu đa phương tiện lưu trữ tăng nhanh mà các kiểu dữ liệu và đặc tính của chúng khác xa dữ liệu chữ và số. Sau đây là một vài tính chất chính của dữ liệu đa phương tiện:  Khối lượng khổng lồ (đặc biệt với dữ liệu âm thanh và video). Thí dụ 10 phút video không nén có dung lượng 1,5 GB.  Âm thanh và video có thêm chiều thời gian.

 Dữ liệu ảnh, âm thanh và video được thể hiện bởi dãy các giá trị mẫu, không có cấu trúc nhất định để máy tính tự động nhận biết.  Rất nhiều ứng dụng đa phương tiện đòi hỏi trình diễn đồng thời các loại media khác nhau.