Nghiên Cứu Ứng Dụng HOG Trong Nhận Dạng Đối Tượng Cho Luận Văn Thạc Sĩ Ngành Công Nghệ Thông Tin

Nghiên cứu ứng dụng HOG trong nhận dạng đối tượng, luận văn thạc sĩ ngành công nghệ thông tin, tập trung vào phương pháp xử lý hình ảnh hiệu quả.

• Tác giả: Trần Đình Nam
• Người hướng dẫn: TS. Bùi Ngọc Dũng
• Trường học: Trường Đại Học Giao Thông Vận Tải
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Ứng Dụng HOG Trong Nhận Dạng Đối Tượng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: TP.Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG ĐỐI TƯỢNG
• 1.1. Giới thiệu về nhận dạng đối tượng
• 1.2. Một số phương pháp nhận dạng đối tượng
• 1.3. Đánh giá các phương pháp
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG
• 2.1. Một số phương pháp trích chọn đặc trưng
• 2.2. Đặc trưng HOG
• 2.3. Một số bộ phân loại
• 3. CHƯƠNG 3: NHẬN DẠNG PHƯƠNG TIỆN Ô TÔ BẰNG HOG VÀ SVM
• 3.1. Dữ liệu huấn luyện
• 3.2. Tổng quan hệ thống
• 3.3. Tính toán các đặc trưng
• 3.4. Huấn luyện dữ liệu
• 3.5. Kết quả
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nhận dạng đối tượng

Chương này giới thiệu tổng quan về nhận dạng đối tượng, một lĩnh vực quan trọng trong công nghệ thông tin và thị giác máy tính. Nhận dạng đối tượng liên quan đến việc xác định và phân loại các đối tượng trong ảnh hoặc video. Các yếu tố ảnh hưởng đến nhận dạng đối tượng bao gồm tư thế, góc chụp, sự biến dạng của đối tượng, và vị trí. Các ứng dụng của nhận dạng đối tượng rất đa dạng, từ hệ thống giám sát an ninh đến công nghệ robot và nhận dạng vân tay.

1.1. Giới thiệu về nhận dạng đối tượng

Nhận dạng đối tượng là quá trình xác định và phân loại các đối tượng trong ảnh hoặc video. Đây là một bài toán phức tạp do sự đa dạng của các yếu tố ảnh hưởng như tư thế, góc chụp, và sự biến dạng của đối tượng. Các ứng dụng của nhận dạng đối tượng bao gồm hệ thống giám sát an ninh, nhận dạng vân tay, và công nghệ robot.

1.2. Các yếu tố ảnh hưởng đến nhận dạng đối tượng

Các yếu tố ảnh hưởng đến nhận dạng đối tượng bao gồm tư thế, góc chụp, sự biến dạng của đối tượng, và vị trí. Tư thế và góc chụp có thể làm thay đổi đáng kể hình ảnh của đối tượng, trong khi sự biến dạng và vị trí có thể ảnh hưởng đến độ chính xác của hệ thống nhận dạng.

II. Các phương pháp trích chọn đặc trưng

Chương này tập trung vào các phương pháp trích xuất đặc trưng trong xử lý ảnh, đặc biệt là phương pháp HOG (Histogram of Oriented Gradients). HOG là một kỹ thuật trích xuất đặc trưng dựa trên hướng gradient của ảnh, được sử dụng rộng rãi trong nhận dạng đối tượng. Các phương pháp khác như Local Binary Pattern (LBP) và Scale-Invariant Feature Transform (SIFT) cũng được thảo luận.

2.1. Phương pháp HOG

Phương pháp HOG là một kỹ thuật trích xuất đặc trưng dựa trên hướng gradient của ảnh. Phương pháp này bao gồm các bước tính toán gradient, gán hướng cho gradient, tính toán histogram cho từng cell và chuẩn hóa các khối. HOG được sử dụng rộng rãi trong nhận dạng đối tượng do khả năng bất biến với sự thay đổi ánh sáng và góc nhìn.

2.2. Các phương pháp trích xuất đặc trưng khác

Ngoài HOG, các phương pháp trích xuất đặc trưng khác như Local Binary Pattern (LBP) và Scale-Invariant Feature Transform (SIFT) cũng được sử dụng trong nhận dạng đối tượng. LBP dựa trên việc so sánh giá trị pixel với các pixel lân cận, trong khi SIFT tập trung vào việc tìm các điểm đặc trưng bất biến với sự thay đổi tỷ lệ và góc quay.

III. Nhận dạng phương tiện ô tô bằng HOG và SVM

Chương này trình bày việc áp dụng phương pháp HOG và Support Vector Machine (SVM) trong nhận dạng phương tiện ô tô. Dữ liệu huấn luyện được thu thập từ các video, sau đó trích xuất đặc trưng bằng HOG và phân loại bằng SVM. Kết quả thực nghiệm cho thấy hiệu quả của phương pháp này trong việc nhận dạng ô tô.

3.1. Dữ liệu huấn luyện

Dữ liệu huấn luyện được thu thập từ các video, bao gồm các hình ảnh ô tô và các phương tiện khác. Dữ liệu này được sử dụng để huấn luyện mô hình SVM dựa trên các đặc trưng trích xuất bằng phương pháp HOG.

3.2. Phân loại bằng SVM

Support Vector Machine (SVM) được sử dụng để phân loại các đối tượng dựa trên các đặc trưng trích xuất bằng HOG. SVM là một phương pháp phân loại hiệu quả, đặc biệt trong các bài toán nhận dạng đối tượng với dữ liệu có số chiều lớn.

Nội dung chính

Tổng quan nghiên cứu

Nhận dạng đối tượng là một lĩnh vực quan trọng trong công nghệ thị giác máy tính và học máy, với ứng dụng rộng rãi trong giám sát an ninh, quản lý giao thông, và tương tác người-máy. Theo ước tính, việc phát triển các hệ thống nhận dạng đối tượng chính xác và hiệu quả đang là thách thức lớn do sự biến đổi đa dạng về tư thế, ánh sáng, và môi trường thu nhận dữ liệu. Luận văn tập trung nghiên cứu ứng dụng kỹ thuật Histogram of Oriented Gradient (HOG) trong nhận dạng phương tiện ô tô, nhằm nâng cao độ chính xác và tốc độ xử lý trong các hệ thống nhận dạng đối tượng thực tế.

Mục tiêu cụ thể của nghiên cứu là phân tích và đánh giá các phương pháp trích chọn đặc trưng, đặc biệt là HOG, kết hợp với các bộ phân loại như Support Vector Machine (SVM) để xây dựng chương trình nhận dạng xe ô tô từ ảnh trích xuất trong video. Phạm vi nghiên cứu tập trung vào dữ liệu hình ảnh thu thập từ các nguồn video tại Việt Nam trong giai đoạn 2018-2019, với hơn 6.470 ảnh huấn luyện được sử dụng để phát triển và kiểm thử mô hình.

Nghiên cứu có ý nghĩa quan trọng trong việc cải thiện hiệu quả nhận dạng đối tượng trong các ứng dụng thực tiễn như giám sát giao thông, quản lý bãi đỗ xe, và hệ thống an ninh thông minh. Việc áp dụng HOG giúp trích xuất đặc trưng hình dạng và cạnh sắc nét của phương tiện, từ đó tăng cường độ chính xác phân loại và giảm thiểu sai số do biến đổi môi trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: kỹ thuật trích chọn đặc trưng và phương pháp phân loại học máy.

1. Kỹ thuật trích chọn đặc trưng HOG (Histogram of Oriented Gradient):
   HOG là phương pháp trích xuất đặc trưng dựa trên phân bố cường độ và hướng cạnh trong ảnh. Ảnh được chia thành các cell nhỏ (3x3 pixel), mỗi cell tính histogram hướng gradient với 9 bin, sau đó các cell được nhóm thành block (2x2 cell) để chuẩn hóa nhằm giảm ảnh hưởng của ánh sáng và tương phản. Vector đặc trưng HOG tổng hợp từ các block này đại diện cho hình dạng đối tượng, rất phù hợp với nhận dạng phương tiện giao thông.

2. Bộ phân loại Support Vector Machine (SVM):
   SVM là thuật toán phân loại tuyến tính dựa trên lý thuyết học thống kê, tìm siêu phẳng tối ưu phân tách hai lớp dữ liệu với khoảng cách biên lớn nhất. SVM được lựa chọn do khả năng xử lý hiệu quả dữ liệu có chiều cao và độ chính xác cao trong phân loại ảnh ô tô và không phải ô tô.

Ngoài ra, luận văn cũng tham khảo các phương pháp trích chọn đặc trưng khác như Gabor, Local Binary Pattern (LBP), Scale-Invariant Feature Transform (SIFT) để so sánh và đánh giá hiệu quả của HOG trong bài toán nhận dạng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập ảnh gồm 6.470 ảnh, bao gồm ảnh xe ô tô và ảnh không phải xe, thu thập từ các bộ dữ liệu chuẩn trên internet và video thực tế. Ảnh có kích thước chuẩn 64x64 pixel, được xử lý tiền xử lý như chuyển đổi màu sắc sang hệ YCrCb để tăng hiệu quả trích chọn đặc trưng.

Phương pháp phân tích gồm các bước:

• Tiền xử lý ảnh: lọc nhiễu, chuẩn hóa kích thước, chuyển đổi màu sắc.
• Trích chọn đặc trưng HOG: chia ảnh thành các cell 3x3, tính histogram gradient, chuẩn hóa block 2x2.
• Huấn luyện mô hình SVM với vector đặc trưng HOG.
• Kiểm thử mô hình trên tập dữ liệu kiểm thử độc lập.

Quá trình nghiên cứu được thực hiện trong năm 2019 trên máy tính cấu hình Intel Core i7, RAM 8GB, sử dụng ngôn ngữ Python để triển khai thuật toán và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả trích chọn đặc trưng HOG:
   Đặc trưng HOG thể hiện rõ ràng các cạnh và hình dạng của xe ô tô trong ảnh, giúp phân biệt tốt với các đối tượng khác. Mỗi ảnh 64x64 pixel được chia thành 21x21 cell, tạo ra vector đặc trưng có chiều cao, giúp mô hình phân loại nhận dạng chính xác.

2. Độ chính xác phân loại với SVM:
   Mô hình SVM huấn luyện trên vector đặc trưng HOG đạt độ chính xác phân loại khoảng 90-95% trên tập kiểm thử, vượt trội so với các phương pháp phân loại khác như k-láng giềng gần nhất hay phân loại Bayes trong cùng điều kiện dữ liệu.

3. Ảnh hưởng của không gian màu:
   Sử dụng hệ màu YCrCb cho phép trích xuất đặc trưng HOG hiệu quả hơn so với RGB hay HSV, do đặc trưng màu sắc của xe ô tô được biểu diễn rõ ràng hơn, giúp tăng độ chính xác nhận dạng lên khoảng 5-7%.

4. Tốc độ xử lý:
   Với cấu hình máy tính hiện tại, quá trình trích chọn đặc trưng và phân loại cho mỗi ảnh mất trung bình dưới 0.1 giây, phù hợp cho các ứng dụng nhận dạng thời gian thực trong giám sát giao thông.

Thảo luận kết quả

Kết quả cho thấy HOG là phương pháp trích chọn đặc trưng phù hợp với bài toán nhận dạng phương tiện ô tô nhờ khả năng mô tả chi tiết hình dạng và cạnh sắc nét. Việc kết hợp HOG với SVM giúp tăng độ chính xác phân loại so với các bộ phân loại khác, đồng thời giảm thiểu sai số do biến đổi ánh sáng và tư thế xe.

So sánh với các nghiên cứu trước đây, kết quả này tương đồng với báo cáo của ngành về hiệu quả của HOG trong nhận dạng đối tượng có hình dạng rõ ràng. Việc sử dụng hệ màu YCrCb cũng được chứng minh là tối ưu hơn trong việc trích xuất đặc trưng màu sắc liên quan đến xe ô tô.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác phân loại giữa các bộ phân loại (SVM, k-NN, Bayes) và biểu đồ thể hiện ảnh hưởng của không gian màu đến hiệu quả nhận dạng. Bảng tổng hợp số liệu về thời gian xử lý và độ chính xác cũng giúp minh họa rõ ràng hiệu quả của phương pháp.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng xe ô tô dựa trên HOG và SVM:
   Áp dụng mô hình đã huấn luyện vào các hệ thống giám sát giao thông tại các thành phố lớn nhằm nâng cao hiệu quả quản lý và kiểm soát phương tiện. Thời gian thực hiện: 6-12 tháng, chủ thể: các cơ quan quản lý giao thông và công ty công nghệ.

2. Mở rộng tập dữ liệu huấn luyện:
   Thu thập thêm dữ liệu ảnh xe ô tô trong nhiều điều kiện ánh sáng, tư thế và môi trường khác nhau để tăng tính đa dạng và độ chính xác của mô hình. Thời gian: 12 tháng, chủ thể: các viện nghiên cứu và trường đại học.

3. Nâng cao hiệu quả xử lý bằng kỹ thuật tăng tốc phần cứng:
   Sử dụng GPU hoặc FPGA để tăng tốc quá trình trích chọn đặc trưng và phân loại, đáp ứng yêu cầu xử lý thời gian thực trong các hệ thống giám sát lớn. Thời gian: 6 tháng, chủ thể: các doanh nghiệp công nghệ.

4. Phát triển giao diện người dùng và tích hợp hệ thống:
   Xây dựng phần mềm giao diện thân thiện, tích hợp mô hình nhận dạng vào hệ thống camera giám sát hiện có, hỗ trợ cảnh báo tự động khi phát hiện xe ô tô. Thời gian: 6 tháng, chủ thể: các công ty phần mềm và đơn vị vận hành.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Thị giác Máy tính:
   Luận văn cung cấp kiến thức chuyên sâu về kỹ thuật trích chọn đặc trưng HOG và ứng dụng SVM trong nhận dạng đối tượng, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phát triển hệ thống giám sát và an ninh:
   Tham khảo để áp dụng các phương pháp nhận dạng đối tượng chính xác, nâng cao hiệu quả giám sát an ninh và quản lý giao thông.

3. Doanh nghiệp công nghệ phát triển phần mềm nhận dạng hình ảnh:
   Sử dụng làm tài liệu tham khảo để xây dựng các sản phẩm nhận dạng phương tiện, cải tiến thuật toán và tối ưu hóa hiệu suất.

4. Cơ quan quản lý giao thông và an ninh công cộng:
   Áp dụng kết quả nghiên cứu để triển khai các hệ thống giám sát thông minh, hỗ trợ công tác quản lý và xử lý vi phạm giao thông.

Câu hỏi thường gặp

1. HOG là gì và tại sao được chọn trong nhận dạng xe ô tô?
   HOG là kỹ thuật trích xuất đặc trưng dựa trên phân bố hướng gradient trong ảnh, giúp mô tả hình dạng và cạnh sắc nét của đối tượng. Nó được chọn vì khả năng chịu biến đổi ánh sáng và tư thế tốt, phù hợp với đặc điểm hình học của xe ô tô.

2. SVM hoạt động như thế nào trong phân loại ảnh?
   SVM tìm siêu phẳng tối ưu phân tách hai lớp dữ liệu sao cho khoảng cách biên giữa các điểm dữ liệu và siêu phẳng là lớn nhất, từ đó phân loại chính xác ảnh xe ô tô và không phải xe.

3. Tại sao sử dụng hệ màu YCrCb thay vì RGB?
   Hệ màu YCrCb tách biệt thành phần sáng và màu sắc, giúp trích xuất đặc trưng màu sắc hiệu quả hơn, giảm ảnh hưởng của ánh sáng và tăng độ chính xác nhận dạng.

4. Dữ liệu huấn luyện có ảnh hưởng thế nào đến kết quả?
   Tập dữ liệu đa dạng và đủ lớn giúp mô hình học được nhiều đặc trưng khác nhau của xe ô tô, từ đó tăng độ chính xác và khả năng tổng quát hóa khi nhận dạng trên dữ liệu mới.

5. Mô hình có thể áp dụng trong thời gian thực không?
   Với cấu hình máy tính hiện tại và tối ưu thuật toán, mô hình có thể xử lý ảnh trong khoảng dưới 0.1 giây mỗi ảnh, phù hợp cho các ứng dụng nhận dạng thời gian thực trong giám sát giao thông.

Kết luận

• Luận văn đã nghiên cứu và ứng dụng thành công kỹ thuật HOG kết hợp SVM trong nhận dạng phương tiện ô tô với độ chính xác đạt khoảng 90-95%.
• Phương pháp trích chọn đặc trưng HOG thể hiện ưu thế vượt trội trong việc mô tả hình dạng và cạnh sắc nét của xe ô tô.
• Sử dụng hệ màu YCrCb giúp tăng hiệu quả trích xuất đặc trưng và cải thiện độ chính xác phân loại.
• Mô hình có khả năng xử lý nhanh, phù hợp cho các ứng dụng nhận dạng thời gian thực trong giám sát giao thông.
• Đề xuất mở rộng nghiên cứu với dữ liệu đa dạng hơn và áp dụng kỹ thuật tăng tốc phần cứng để nâng cao hiệu suất.

Tiếp theo, cần triển khai thử nghiệm thực tế tại các điểm giám sát giao thông, đồng thời phát triển phần mềm tích hợp để ứng dụng rộng rãi. Mời các nhà nghiên cứu và doanh nghiệp quan tâm hợp tác phát triển và ứng dụng kết quả nghiên cứu này.

Trích đoạn nội dung tài liệu

Đặt vấn đề Trong các ứng dụng nhận dạng đối tƣợng, các kỹ thuật trích chọn đặc trƣng luôn đƣợc quan tâm nghiên cứu. Các mô hình phân lớp hiện nay đều đã đƣợc xây dựng hoàn chỉnh và có độ chính xác cao. Chính vì vậy việc lựa chọn các đặc trƣng tốt sẽ làm tăng tốc độ tính toán và độ chính xác cho hệ thống nhận dạng. Mỗi một loại đối tƣợng lại có những đặc trƣng khác nhau, do đó việc nghiên cứu các kỹ thuật đặc trƣng phù hợp với đối tƣợng cần nhận dạng đã và đang nhận đƣợc sự quan tâm của các nhà nghiên cứu phát triển.

Xuất phát từ nhu cầu thực tiễn, luận văn nghiên cứu các kỹ thuật xử lý ảnh, các kỹ thuật trích trọn đặc trƣng, các phƣơng pháp phân loại để xây dựng ứng dụng nhận dạng đối tƣợng. Đối tƣợng nghiên cứu - Bài toán nhận dạng đối tƣợng, nhận dạng đƣợc một số đối tƣợng cụ thể. - Nghiên cứu học máy và ứng dụng trong nhận dạng. phạm vi nghiên cứu - Nghiên cứu các phƣơng pháp trích trọn đặc trƣng, tập trung nghiên cứu đặc trƣng HOG (histogram of gradient) trong nhận dạng đối tƣợng.

- Nghiên cứu một số phƣơng pháp phân loại dựa trên các đặc trƣng HOG để nhận dạng chính xác đối tƣợng. Mục đích nghiên cứu - Nghiên cứu các phƣơng pháp trích trọn đặc trƣng trong nhận dạng đối tƣợng. - Nghiên cứu các phƣơng pháp phân loại. - Xây dựng đƣợc chƣơng trình nhận dạng xe ô tô.

Phƣơng pháp nghiên cứu - Đọc hiểu tài liệu, khảo sát các nghiên cứu đã có. - Tiến tới, đề xuất áp dụng phƣơng pháp HOG (Histogram of oriented gradient) cho việc phân loại xe ô tô với các phƣơng tiện khác trong ảnh trích xuất từ video. - Phân tích, đánh giá các kết quả đạt đƣợc từ chƣơng trình thực nghiệm. Bố cục của luận văn Chƣơng 1.

Tổng quan về nhận dạng đối tƣợng 1. Giới thiệu về nhận dạng đối tƣợng 1. Một số phƣơng pháp nhận dạng đối tƣợng 1. Đánh giá các phƣơng pháp Chƣơng 2.

Các phƣơng pháp trích chọn đặc trƣng 2. Một số phƣơng pháp trích chọn đặc trƣng 2. Đặc trƣng HOG 2. Một số bộ phân loại Chƣơng 3.

Nhận dạng phƣơng tiện ô tô bằng HOG và SVM 3. Dữ liệu huấn luyện 3. Tổng quan hệ thống 3. Tính toán các đặc trƣng 3.

Huấn luyện dữ liệu 3. Kết quả Kết luận và hƣớng phát triển Tài liệu tham khảo 2 CHƢƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG ĐỐI TƢỢNG 1. Giới thiệu về nhận dạng đối tƣợng 1. Định nghĩa bài toán nhận dạng đối tƣợng Nhận dạng đối tƣợng (Object recognition) lĩnh vực thuộc “machine learning” nghiên cứu việc tìm một đối tƣợng trong một ảnh hay video cho trƣớc, đó là việc phát hiện lớp đối tƣợng cụ thể với các lớp đối tƣợng khác của hệ thống.

Hệ thống nhận dạng mặt ngƣời Hình 1. Minh họa về nhận dạng mặt ngƣời Sự phát triển khoa học kỹ thuật công nghệ đã thúc đẩy cho việc đƣa bài toán nhận dạng đối tƣợng vào ứng dụng thực tiễn với mức độ tinh vi ngày càng cao, ta có thể thấy rất nhiều ứng dụng trong nhận dạng đối tƣợng phổ biến hiện nay nhƣ: các camera theo dõi trong các trung tâm lớn, hệ thống nhận dạng tội phạm, nhận dạng vân tay, công nghệ robot,…Vì vậy, nhận dạng đối tƣợng là một lĩnh vực đang rất đƣợc quan tâm và có tính ứng dụng cao. Các yếu tố ảnh hƣởng đến nhận dạng đối tƣợng Bài toán nhận dạng đối tƣợng đã đƣợc nghiên cứu từ những năm 70, ngƣời đầu tiên là Kanade [18]. Tuy nhiên, đây là một bài toán khó nên những nghiên cứu hiện tại vẫn chƣa đạt đƣợc kết quả mong muốn.

Có thể kể đến những khó khăn của bài toán nhận dạng đối tƣợng nhƣ sau: 3 1. Tƣ thế, góc chụp Ảnh chụp khuôn mặt có thể thay đổi rất nhiều bởi vì góc chụp giữa camera và khuôn mặt. Chẳng hạn nhƣ: chụp thẳng, chụp xéo bên trái hay xéo bên phải , chụp từ trên xuống, chụp từ dƣới lên, v. Với các tƣ thế khác nhau, các thành phần trên khuôn mặt nhƣ mắt, mũi, miệng có thể bị khuất một phần hoặc thậm chí khuất hết.

Đối tƣợng Độ chính xác của nhận dạng đối tƣợng bị ảnh hƣởng rất lớn bởi các đối tƣợng tham gia vào các giai đoạn xây dựng tập huấn luyện và thử nghiệm. Nguyên nhân là do các đối tƣợng khác nhau sẽ có mô hình chuyển động khác nhau, kéo theo đó là các hành động sẽ có những chi tiết khác nhau vào những thời điểm khác nhau. Độ chính xác đạt đƣợc thấp nhất khi tập huấn luyện đƣợc xây dựng trên một đối tƣợng tại một thời điểm và thử nghiệm đƣợc thực hiện trên một đối tƣợng khác trong một thời điểm khác. Độ chính xác của nhận dạng đối tƣợng đạt đƣợc cao nhất khi mô hình huấn luyện và thử nghiệm đƣợc thực hiện trên cùng một đối tƣợng.

Tiếp theo đó độ chính xác giảm khi thực hiện trên một nhóm các đối tƣợng hay trên một đối tƣợng nhƣng vào những thời điểm khác nhau. Để giảm bớt sự ảnh hƣởng của độ nhạy đối tƣợng lên kết quả nhận dạng ngƣời ta sử dụng mô hình nhận dạng chéo, trong đó giai đoạn huấn luyện gồm hai phần: mô hình ban đầu đƣợc huấn luyện offline và mô hình thích ứng đƣợc cập nhật online. Trong giai đoạn online, thuật toán sẽ chọn những kết quả nhận dạng đối tƣợng mới có độ tin cậy cao để tạo ra tập huấn luyện mới và cập nhật mô hình nhận dạng để giảm bớt ảnh hƣởng từ độ nhạy đối tƣợng. Sự biến dạng của đối tƣợng Biến dạng của đối tƣợng có thể làm ảnh hƣởng đáng kể lên các thông số của đối tƣợng đó.

Chẳng hạn, cùng một khuôn mặt một ngƣời, nhƣng có thể sẽ rất khác khi họ cƣời hoặc sợ hãi,v. Vị trí Tập huấn luyện đƣợc xây dựng dựa trên các dữ liệu thu thập đƣợc từ nhiều nguồn khác nhau, có thể từ camera giám sát, camera hành trình, điện thoại thông minh…Vị trí từ đối tƣợng đến điểm quan sát vì thế sẽ không giống nhau và có thể thay đổi theo thời gian, điều này ảnh hƣởng không nhỏ đến kết quả nhận dạng tại những thời điểm khác nhau. Sự không đầy đủ của tập huấn luyện Để mô hình phân loại có thể hoạt động chính xác thì tập huấn luyện cần đƣợc xây dựng sao cho càng nhiều các đối tƣợng khác nhau càng tốt. Tuy nhiên việc thu thập dữ liệu để xây dựng một tập huấn luyện đa dạng, chứa nhiều loại đối tƣợng với độ tuổi, hình dạng, môi trƣờng ngoại cảnh khác nhau là việc làm hết sức khó khăn.

Để có thể giải quyết một phần vấn đề này thì phƣơng pháp học tập bán giám sát đƣợc áp dụng. Trong nhiều trƣờng hợp dữ liệu không dán nhãn khi đƣợc kết hợp với dữ liệu dán nhãn giúp tăng độ chính xác của việc nhận dạng. Hơn nữa việc thu thập dữ liệu không dán nhãn có thể đƣợc thực hiện dễ dàng hơn so với dữ liệu dán nhãn. Các ứng dụng nhận dạng đối tƣợng Ứng dụng của bài toán nhận dạng đối tƣợng có rất nhiều và đã đƣợc triển khai tƣơng đối hiệu quả trong thực tế.

Có thể kể đến một số ứng dụng điển hình sau đây: - Hệ thống tƣơng tác ngƣời - máy: thay thế việc tƣơng tác giữa ngƣời và máy theo những cách truyền thống nhƣ: bàn phím, chuột,v.Thay vào đó là sử dụng các giao tiếp trực quan: biểu cảm khuôn mặt, dấu hiệu, cử chỉ bằng tay. - Hệ thống theo dõi nhân sự trong một đơn vị: giám sát giờ ra vào của từng nhân viên và chấm công. - Trong lĩnh vực chăm sóc sức khỏe: các hệ thống theo dõi sức khỏe, hoạt động, nghỉ ngơi; giám sát phát hiện ngƣời bị ngã với ngƣời già và trẻ nhỏ, theo dõi giấc ngủ… 5 - Hệ thống phát hiện tội phạm: camera đƣợc đặt tại một số điểm công cộng nhƣ: siêu thị, nhà sách, trạm xe buýt, sân bay,v. Khi phát hiện đƣợc sự xuất hiện của các đối tƣợng là tội phạm, hệ thống sẽ gởi thông điệp về cho trung tâm xử lý.

- Các hệ thống bảo mật dựa trên thông tin trắc sinh học: mặt ngƣời, vân tay, v. thay vì xác nhận mật khẩu, khóa,v. - Phần mềm nhận dạng chữ in, đặc biệt dành riêng cho ngôn ngữ tiếng Việt, dịch vụ Nhận dạng chữ in. - Công nghệ nhận dạng quản lý giao thông quản lý hình ảnh của xe và biển số xe thay đổi (không khớp với cơ sở dữ liệu), giám sát bãi đỗ xe, phƣơng tiện giao thông tại các khu vực nhạy cảm nhƣ các sân bay, bến cảng.

Kiến trúc của một hệ thống nhận dạng đối tƣợng Hệ thống nhận dạng đối tƣợng đƣợc trình bày trong luận văn sử dụng dữ liệu đầu vào là các video trích xuất từ camera và qua các bƣớc sau: tiền xử lý, trích chọn đặc trƣng, huấn luyện và phân lớp hành động.2 mô tả kiến trúc một hệ thống nhận dạng đối tƣợng. Dữ liệu Hoạt động đầu vào Tiền xử lý Trích chọn Huấn luyện/ đặc trƣng phân lớp Hình 1. Kiến trúc hệ thống nhận dạng đối tƣợng Các mẫu dữ liệu thu thập từ camera đƣợc gán nhãn để làm dữ liệu huấn luyện cho hệ thống. Dữ liệu kiểm thử đƣợc tiến hành phân lớp bằng bộ phân lớp đƣợc huấn luyện.

Kết quả thu đƣợc là các hoạt động đƣợc gán nhãn. Dƣới đây trình bày nhiệm vụ của các bƣớc trong mô hình. Tiền xử lý Dữ liệu đầu vào của hệ thống nhận dạng là các video đƣợc thu nhận từ camera, điện thoại có chức năng quay phim, máy ghi hình, máy quay…Các video này thƣờng có chất lƣợng không cao (bị lẫn các yếu tố gây nhiễu, bị mất các chi tiết, không đủ độ sáng, thay đổi góc nhìn…) nguyên nhân có thể do thiết bị thu không đảm bảo, do ngƣời thực hiện hoặc bản thân quá trình sao chép lƣu trữ gặp lỗi gây ra. Để các bƣớc trong mô hình nhận dạng hoạt động có hiệu quả cần trải qua quá trình tiền xử lý để nâng cao chất lƣợng dữ liệu đầu vào.

Bản chất của video là các khung hình tuần tự, vì vậy công đoạn tiền xử lý video có thể đƣa về việc tiền xử lý đối với các khung hình tuần tự - chính là các hình ảnh. Mục tiêu của bƣớc tiền xử lý là ảnh sẽ đƣợc cải thiện về độ tƣơng phản, làm trơn, khử nhiễu, khử bóng, khử độ lệch,v.v… đƣa dữ liệu trở về trạng thái tốt nhất cho các công đoạn tiếp theo.