I. Tổng Quan Ứng Dụng Đo Độ Entropy Trong Giám Sát Video
Phát hiện hành vi bất thường có ứng dụng rộng rãi trong thực tiễn, từ an ninh đến y tế và điều hành sản xuất. Nó cung cấp cơ sở để phản ứng kịp thời với các sự cố không mong muốn. Trong số các hành vi bất thường, té ngã là một trong những rủi ro nguy hiểm, đặc biệt đối với người lớn tuổi sống một mình. Do đó, việc tự động phát hiện té ngã trở thành nền tảng quan trọng để xây dựng các ứng dụng chăm sóc sức khỏe và cảnh báo sớm. Nhiều phương pháp tiếp cận đã được phát triển để phát hiện té ngã, bao gồm sử dụng thiết bị đeo, cảm biến môi trường và thị giác máy tính. Luận văn này đề xuất phương pháp tiếp cận dựa trên phân tích video từ camera giám sát, sử dụng độ đo entropy để xác định các đặc trưng của hành vi té ngã. Phương pháp này có tiềm năng ứng dụng cao trong các hệ thống giám sát an ninh, đặc biệt là trong việc phát hiện bất thường thời gian thực. Các nghiên cứu trước đó cho thấy việc sử dụng camera an ninh và các kỹ thuật xử lý ảnh có thể mang lại hiệu quả cao trong việc dự đoán hành vi. Luận văn được chia thành 3 chương: Tổng quan, Đề xuất ứng dụng độ đo entropy, và Đề xuất áp dụng SVM cho bài toán phân lớp.
1.1. Các Phương Pháp Tiếp Cận Phát Hiện Hành Vi Bất Thường
Các hệ thống phát hiện hành vi bất thường có thể được chia thành ba nhóm chính: dựa trên thiết bị đeo, dựa trên môi trường và dựa trên thị giác máy tính. Cách tiếp cận dựa trên thiết bị đeo cho phép phát hiện mọi lúc, mọi nơi, nhưng có thể gặp khó khăn trong việc phát hiện các vận động không lặp lại. Cách tiếp cận dựa trên môi trường sử dụng các cảm biến trong môi trường sống để phát hiện sự thay đổi. Cách tiếp cận dựa trên thị giác máy tính sử dụng camera và các thuật toán xử lý ảnh để phân tích hành vi, có khả năng áp dụng rộng rãi, dễ dàng và phù hợp trong ngữ cảnh sử dụng camera phổ biến hiện nay. Nó cũng có chi phí tiết kiệm hơn so với các phương pháp khác. Theo Tổ chức Y tế Thế giới [1], 30% người cao tuổi trải qua ít nhất một lần ngã mỗi năm, và tỷ lệ này tăng theo độ tuổi.
1.2. Tầm Quan Trọng Của Phát Hiện Té Ngã ở Người Lớn Tuổi
Phát hiện té ngã ở người lớn tuổi là vô cùng quan trọng vì những hậu quả nghiêm trọng mà nó có thể gây ra nếu không được xử lý kịp thời. Khi chúng ta già đi, cơ thể trải qua nhiều thay đổi về thể chất và trở nên dễ bị ngã hơn. Thời gian phản ứng chậm hơn, tầm nhìn kém hơn, và thuốc men có thể ảnh hưởng đến sự cân bằng. Tình trạng thiếu nhân lực chăm sóc đang trở thành một vấn đề ngày càng gia tăng trên toàn thế giới. Do đó, việc có một hệ thống có thể hỗ trợ phát hiện người cao tuổi bị ngã là rất quan trọng. Một hệ thống như vậy có thể cung cấp cảnh báo sớm cho người chăm sóc hoặc dịch vụ khẩn cấp, giúp giảm thiểu các biến chứng do ngã gây ra.
II. Thách Thức Trong Phát Hiện Hành Vi Bất Thường Qua Camera
Việc phát hiện hành vi bất thường qua camera đối mặt với nhiều thách thức, bao gồm sự thay đổi về ánh sáng, góc nhìn, và sự phức tạp của môi trường. Các thuật toán phải có khả năng xử lý dữ liệu video trong thời gian thực và đưa ra cảnh báo chính xác. Ngoài ra, việc xây dựng một hệ thống phát hiện hiệu quả đòi hỏi một lượng lớn dữ liệu huấn luyện và các kỹ thuật học máy tiên tiến. Một trong những khó khăn lớn nhất là phân biệt giữa hành vi bình thường và bất thường. Ví dụ, một người chạy nhanh có thể được coi là bất thường trong một môi trường yên tĩnh, nhưng lại là bình thường trong một công viên. Do đó, hệ thống cần có khả năng học hỏi và thích nghi với các ngữ cảnh khác nhau. An ninh và quyền riêng tư cũng là những vấn đề quan trọng cần được xem xét khi triển khai các hệ thống giám sát video.
2.1. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Phân Tích Hành Vi
Độ chính xác của việc phân tích hành vi qua camera có thể bị ảnh hưởng bởi nhiều yếu tố, bao gồm chất lượng video, độ phân giải của camera, điều kiện ánh sáng, và góc nhìn. Ngoài ra, các yếu tố như sự che khuất (occlusion), sự thay đổi về trang phục, và sự xuất hiện của các đối tượng lạ cũng có thể gây khó khăn cho việc phân tích. Các thuật toán xử lý ảnh và học máy cần phải được thiết kế để giảm thiểu ảnh hưởng của các yếu tố này và đảm bảo độ chính xác cao. Việc sử dụng các kỹ thuật tiền xử lý ảnh như cải thiện độ tương phản và loại bỏ nhiễu có thể giúp cải thiện chất lượng video và tăng cường độ chính xác của việc phân tích.
2.2. Vấn Đề An Ninh và Quyền Riêng Tư Trong Giám Sát Video
Việc sử dụng camera giám sát đặt ra những câu hỏi quan trọng về an ninh và quyền riêng tư. Cần đảm bảo rằng dữ liệu video được thu thập và lưu trữ một cách an toàn và chỉ được sử dụng cho mục đích hợp pháp. Ngoài ra, cần có các biện pháp để bảo vệ quyền riêng tư của người dân, chẳng hạn như che mặt hoặc làm mờ các khu vực nhạy cảm trong video. Việc tuân thủ các quy định về an ninh và quyền riêng tư là rất quan trọng để duy trì sự tin tưởng của công chúng và đảm bảo tính hợp pháp của các hệ thống giám sát video.
III. Phương Pháp Đo Độ Entropy Để Trích Xuất Đặc Trưng Từ Video
Độ đo entropy là một công cụ mạnh mẽ để định lượng sự hỗn loạn hoặc bất định trong một hệ thống. Trong xử lý ảnh, entropy có thể được sử dụng để đo lường sự phân bố cường độ pixel trong một hình ảnh. Hình ảnh có entropy cao có xu hướng có nhiều chi tiết và sự thay đổi, trong khi hình ảnh có entropy thấp có xu hướng đồng nhất hơn. Luận văn này đề xuất sử dụng độ đo entropy để trích xuất các đặc trưng từ video và phát hiện hành vi bất thường. Cụ thể, entropy được tính toán cho từng khung hình video, và sự thay đổi của entropy theo thời gian được sử dụng để xác định các sự kiện bất thường. Theo Shannon [6], entropy đo mức độ không chắc chắn liên quan đến việc lựa chọn một sự kiện.
3.1. Tính Toán Dữ Liệu Entropy Từ Chuỗi Khung Hình Video
Việc tính toán dữ liệu entropy từ chuỗi khung hình video bao gồm việc chia video thành các khung hình riêng lẻ và sau đó tính toán entropy cho từng khung hình. Có nhiều phương pháp khác nhau để tính toán entropy, bao gồm thuật toán entropy Shannon, entropy Rényi, và entropy Tsallis. Lựa chọn thuật toán phù hợp phụ thuộc vào ứng dụng cụ thể và các đặc tính của dữ liệu video. Độ đo entropy mức pixel cho 24 khung hình (Hình 1.2) có thể cung cấp thông tin hữu ích về sự thay đổi trong video. Các khung hình từ 1 đến 24 (Hình 1.3) cho thấy sự biến đổi entropy theo thời gian.
3.2. Sử Dụng Thuật Toán Entropy Shannon Để Phân Tích Video
Thuật toán entropy Shannon là một phương pháp phổ biến để tính toán entropy trong xử lý ảnh. Thuật toán này dựa trên việc tính toán phân bố xác suất của các giá trị pixel trong một hình ảnh. Công thức tính entropy Shannon như sau: H = - Σ p(i) log2 p(i), trong đó p(i) là xác suất của giá trị pixel i. Các kết quả cho thấy rằng entropy có thể giúp xác định các giai đoạn khác nhau của hành vi (ví dụ: trước, trong và sau khi ngã). Ví dụ, entropy từ khung hình 34 đến 57 (Hình 1.5) cho thấy sự biến đổi khi sự kiện xảy ra.
IV. Ứng Dụng Học Máy SVM Để Phân Lớp Hành Vi Từ Entropy
Sau khi entropy được tính toán cho từng khung hình video, các giá trị entropy có thể được sử dụng làm đầu vào cho một bộ phân lớp học máy để phân loại hành vi. Support Vector Machine (SVM) là một thuật toán học máy mạnh mẽ có thể được sử dụng để phân loại dữ liệu phi tuyến tính. SVM hoạt động bằng cách tìm một siêu phẳng (hyperplane) tối ưu để phân tách các lớp dữ liệu khác nhau. Trong luận văn này, SVM được sử dụng để phân loại các khung hình video thành hai loại: bình thường và té ngã. Theo Zerrouki và Houacine, SVM có thể được sử dụng để phân loại tư thế và sử dụng những dự đoán này làm đầu vào cho mô hình Markov ẩn để phân loại chuỗi video.
4.1. Xây Dựng Mô Hình Phân Lớp SVM Với Dữ Liệu Entropy
Việc xây dựng mô hình phân lớp SVM bao gồm việc chuẩn bị dữ liệu huấn luyện, lựa chọn các tham số phù hợp cho SVM, và huấn luyện mô hình trên dữ liệu huấn luyện. Dữ liệu huấn luyện bao gồm các khung hình video được gán nhãn là bình thường hoặc té ngã. Các tham số của SVM, chẳng hạn như kernel và tham số chính quy hóa, cần được điều chỉnh để đạt được hiệu suất tốt nhất. Quy trình xây dựng mô hình phát hiện té ngã được minh họa trong Hình 2.1.
4.2. Đánh Giá Hiệu Năng Mô Hình Phát Hiện Hành Vi SVM
Hiệu năng của mô hình phát hiện hành vi SVM được đánh giá bằng cách sử dụng dữ liệu kiểm tra. Dữ liệu kiểm tra bao gồm các khung hình video chưa được sử dụng trong quá trình huấn luyện. Các chỉ số hiệu năng phổ biến bao gồm độ chính xác (accuracy), độ thu hồi (recall), và độ chính xác (precision). Ma trận nhầm lẫn (confusion matrix) cũng được sử dụng để phân tích các lỗi phân loại của mô hình (Hình 2.5). Đánh giá mô hình huấn luyện với 50 epoch (Hình 2.7) cho thấy kết quả ban đầu của mô hình (Hình 2.8) và ma trận nhầm lẫn (Hình 2.9).
V. Kết Quả Nghiên Cứu Ứng Dụng Entropy và SVM Trong An Ninh
Nghiên cứu này trình bày kết quả thực nghiệm về việc áp dụng độ đo entropy và SVM để phát hiện hành vi bất thường qua camera. Kết quả cho thấy rằng phương pháp này có thể đạt được độ chính xác cao trong việc phát hiện té ngã. Việc sử dụng entropy giúp trích xuất các đặc trưng quan trọng từ video, và SVM giúp phân loại các khung hình video một cách hiệu quả. Các mô hình phát hiện hành vi té ngã được so sánh trong Bảng 3.3. Kết quả thực nghiệm mô hình trên các clip (Bảng 3.2) cho thấy tiềm năng của phương pháp trong các ứng dụng an ninh thực tế.
5.1. Đánh Giá Độ Chính Xác Trong Các Tình Huống Thực Tế
Để đánh giá độ chính xác trong các tình huống thực tế, mô hình được kiểm tra trên một tập dữ liệu video đa dạng, bao gồm các tình huống khác nhau về ánh sáng, góc nhìn, và hoạt động nền. Kết quả cho thấy rằng mô hình có khả năng hoạt động tốt ngay cả trong các điều kiện khó khăn. Các clip video khác nhau cho thấy kết quả thực nghiệm mô hình trên các clip (Bảng 3.2) và cho thấy tiềm năng ứng dụng cao trong các hệ thống giám sát an ninh.
5.2. So Sánh Với Các Phương Pháp Phát Hiện Bất Thường Khác
Để đánh giá hiệu quả của phương pháp đề xuất, nó được so sánh với các phương pháp phát hiện bất thường khác, chẳng hạn như phương pháp dựa trên mô hình Markov ẩn và phương pháp dựa trên mạng neural tích chập. Kết quả cho thấy rằng phương pháp đề xuất có thể đạt được độ chính xác tương đương hoặc cao hơn so với các phương pháp khác, đồng thời có chi phí tính toán thấp hơn. Các mô hình phát hiện hành vi té ngã (Bảng 3.3) được so sánh về độ chính xác và hiệu quả.
VI. Triển Vọng Và Ứng Dụng Rộng Rãi Của Đo Độ Entropy
Nghiên cứu này đã chứng minh tiềm năng của việc sử dụng độ đo entropy và SVM để phát hiện hành vi bất thường qua camera. Trong tương lai, phương pháp này có thể được cải thiện bằng cách sử dụng các kỹ thuật học sâu tiên tiến và tích hợp với các hệ thống giám sát an ninh hiện có. Ứng dụng của độ đo entropy không chỉ giới hạn trong lĩnh vực an ninh, mà còn có thể được mở rộng sang các lĩnh vực khác, chẳng hạn như y tế, giao thông, và bán lẻ. Nó cũng có tiềm năng ứng dụng trong các hệ thống phát hiện gian lận.
6.1. Tích Hợp Với Các Hệ Thống Giám Sát An Ninh Thông Minh
Việc tích hợp phương pháp phát hiện hành vi bất thường dựa trên entropy và SVM với các hệ thống giám sát an ninh thông minh có thể giúp tăng cường khả năng phát hiện và phản ứng với các sự kiện bất thường. Hệ thống có thể tự động gửi cảnh báo cho người quản lý an ninh hoặc lực lượng chức năng khi phát hiện thấy hành vi đáng ngờ. Nó có thể giúp cải thiện hiệu quả của các hệ thống giám sát hiện có và đảm bảo an ninh tốt hơn.
6.2. Mở Rộng Ứng Dụng Trong Các Lĩnh Vực Y Tế và Giao Thông
Ứng dụng của độ đo entropy không chỉ giới hạn trong lĩnh vực an ninh, mà còn có thể được mở rộng sang các lĩnh vực khác, chẳng hạn như y tế và giao thông. Trong lĩnh vực y tế, nó có thể được sử dụng để phát hiện các dấu hiệu sớm của bệnh tật hoặc để theo dõi tình trạng của bệnh nhân. Trong lĩnh vực giao thông, nó có thể được sử dụng để phát hiện các hành vi nguy hiểm, chẳng hạn như lái xe khi say rượu hoặc vượt đèn đỏ. Các ứng dụng tiềm năng của độ đo entropy là rất lớn và có thể đóng góp vào việc cải thiện chất lượng cuộc sống.
