Luận văn thạc sĩ HCMUTE về ứng dụng kỹ thuật phát hiện người trong giám sát an ninh

Luận văn thạc sĩ kỹ thuật nghiên cứu hcmute ứng dụng kỹ thuật phát hiện người trong giám sát an ninh, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực

• Tác giả: Nguyễn Thị Phong
• Người hướng dẫn: TS. Hoàng Văn Dũng
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Ứng Dụng Kỹ Thuật Phát Hiện Người Trong Giám Sát An Ninh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• CẢM TẠ
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Các nghiên cứu liên quan đến đề tài
• 1.2. Các nghiên cứu trong nước
• 1.3. Các nghiên cứu ngoài nước
• 1.4. Mục tiêu nghiên cứu
• 1.5. Nhiệm vụ và giới hạn của đề tài
• 1.6. Phương pháp nghiên cứu
• 1.7. Kế hoạch thực hiện
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về phương pháp xử lý ảnh
• 2.2. Vector gradient ảnh
• 2.3. Đặc trưng HOG
• 2.4. Bộ mô tả HOG tĩnh
• 2.5. Bộ mô tả HOG chuyển động
• 2.6. Trích rút đặc trưng HOG
• 2.7. Các biến thể của phương pháp HOG
• 2.8. Các bộ mô tả đặc trưng khác
• 2.9. Cải thiện cách tính đặc trưng HOG
• 2.10. Máy vector hỗ trợ SVM (Support Vector Machines)
• 2.11. Phân loại tuyến tính với lề cực đại (maximum-margin linear classifier)
• 2.12. Các điều kiện Karush-Kuhn-Tucker
• 2.13. Hàm phân loại tuyến tính với lề mềm cực đại (Soft Margin Classifiers)
• 2.14. Hàm nhân và SVM phi tuyến (Kernel function and nonlinear SVMs)
• 2.15. Phương pháp trượt window phát hiện người
• 2.16. Đề xuất ứng dụng phát hiện người trong giám sát an ninh
• 2.17. Sự cấp thiết đề xuất mô hình nhận dạng cảnh báo an ninh
• 2.18. Đề xuất mô hình hệ thống nhận dạng cảnh báo an ninh
• 3. CHƯƠNG 3: THỰC NGHIỆM - ĐÁNH GIÁ
• 3.1. Sơ đồ các bước thực hiện
• 3.2. Trích rút đặc trưng HOG
• 3.3. Huấn luyện và test bộ phân loại nhị phân
• 3.4. Xây dựng bộ phát hiện người trên ảnh tĩnh
• 3.5. Cải thiện thời gian tính đặc trưng HOG dùng matlab
• 3.6. Phát hiện người trong video
• 3.7. Kết quả từ bộ phân loại SVM
• 3.8. Kết quả cải thiện tính thời gian trích đặc trưng HOG
• 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan

Trong thập kỷ qua, giám sát an ninh đã trở thành một lĩnh vực quan trọng trong công nghệ hiện đại. Các hệ thống tự động phát hiện người đã thu hút sự chú ý đáng kể nhờ vào khả năng ứng dụng đa dạng của chúng. Kỹ thuật phát hiện người được sử dụng rộng rãi trong nhiều lĩnh vực như an ninh, giám sát video và phát hiện người đi bộ trong các phương tiện thông minh. Tuy nhiên, việc phát hiện người trong ảnh và video gặp nhiều thách thức do sự đa dạng về môi trường, quang cảnh và hình dáng con người. Để giải quyết vấn đề này, các phương pháp như trích rút đặc trưng HOG và thuật toán SVM đã được áp dụng. Đề tài này nghiên cứu phát hiện người đi bộ dựa trên phương pháp trượt cửa sổ nhằm cải thiện độ chính xác và tốc độ của hệ thống. Mục tiêu chính là phát triển một mô hình có thể nhận diện và phát hiện người trong các tình huống thực tế.

II. Cơ sở lý thuyết

Cơ sở lý thuyết của nghiên cứu này bao gồm các khái niệm về giám sát an ninh, công nghệ giám sát và các phương pháp phát hiện đối tượng. Hệ thống giám sát thường bao gồm ba giai đoạn chính: trích rút đặc trưng, xây dựng mô hình phân loại và phát hiện đối tượng trong ảnh hoặc video. Đặc trưng HOG (Histogram of Oriented Gradients) là một trong những phương pháp phổ biến nhất để phát hiện người. Phương pháp này giúp trích xuất các đặc trưng hình ảnh từ các đối tượng mẫu, từ đó xây dựng mô hình phân loại bằng cách sử dụng thuật toán SVM. Việc cải thiện tốc độ tính toán HOG là rất cần thiết để đáp ứng yêu cầu thời gian thực trong giám sát an ninh. Các nghiên cứu trước đây đã chỉ ra rằng việc tối ưu hóa quy trình tính toán HOG có thể nâng cao hiệu suất của hệ thống phát hiện.

III. Thực nghiệm Đánh giá

Trong phần thực nghiệm, nghiên cứu đã tiến hành đánh giá hiệu quả của mô hình phát hiện người dựa trên phương pháp trượt cửa sổ. Các bước thực hiện bao gồm trích rút đặc trưng HOG từ ảnh tĩnh và video, huấn luyện và kiểm tra bộ phân loại nhị phân. Kết quả cho thấy rằng việc cải thiện thời gian tính toán HOG đã giúp tăng tốc độ phát hiện mà vẫn giữ được độ chính xác cao. Hệ thống được thử nghiệm trên tập dữ liệu INRIA và cho thấy khả năng phát hiện người trong các điều kiện khác nhau. Các kết quả thực nghiệm đã chứng minh rằng mô hình đề xuất có thể được áp dụng hiệu quả trong giám sát an ninh và các ứng dụng thực tế khác.

IV. Kết luận và hướng phát triển

Nghiên cứu đã chỉ ra rằng việc ứng dụng kỹ thuật phát hiện người trong giám sát an ninh tại HCMUTE có thể mang lại nhiều lợi ích thực tiễn. Mô hình phát hiện người dựa trên phương pháp trượt cửa sổ và trích rút đặc trưng HOG đã cho kết quả khả quan trong việc nhận diện và phát hiện người trong ảnh và video. Hướng phát triển tiếp theo có thể bao gồm việc cải thiện hơn nữa độ chính xác của mô hình và mở rộng ứng dụng của nó trong các lĩnh vực khác như an ninh công cộng và quản lý an ninh. Việc tích hợp các công nghệ mới như trí tuệ nhân tạo và hệ thống an ninh thông minh cũng sẽ là một hướng đi tiềm năng cho nghiên cứu trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong thập kỷ qua, phát hiện người trong giám sát an ninh đã trở thành một lĩnh vực nghiên cứu trọng điểm trong ngành kỹ thuật điện tử và thị giác máy tính. Theo báo cáo của ngành, các hệ thống tự động phát hiện người đóng vai trò quan trọng trong việc nâng cao hiệu quả giám sát an ninh, đặc biệt trong các khu vực công cộng và các cơ sở trọng yếu. Tuy nhiên, việc phát hiện người trong ảnh và video vẫn gặp nhiều thách thức do sự đa dạng về môi trường, điều kiện ánh sáng, trang phục và tư thế của đối tượng. Mục tiêu chính của luận văn là nghiên cứu và ứng dụng kỹ thuật phát hiện người đi bộ dựa trên phương pháp trượt cửa sổ (sliding window) kết hợp trích xuất đặc trưng HOG (Histogram of Oriented Gradients) và phân loại bằng thuật toán SVM (Support Vector Machines). Nghiên cứu tập trung trên bộ dữ liệu chuẩn INRIA với hơn 2.400 mẫu ảnh người và 2.200 mẫu ảnh không phải người để huấn luyện, cùng hơn 1.100 mẫu ảnh cho bộ kiểm thử. Phạm vi nghiên cứu thực hiện tại thành phố Hồ Chí Minh trong giai đoạn 2016-2017, với ứng dụng chính là hệ thống giám sát an ninh cảnh báo tự động. Kết quả nghiên cứu góp phần nâng cao độ chính xác và tốc độ xử lý trong phát hiện người, từ đó cải thiện hiệu quả giám sát an ninh trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

1. Phương pháp trượt cửa sổ (Sliding Window): Đây là kỹ thuật quét toàn bộ ảnh hoặc video tại nhiều vị trí và tỷ lệ khác nhau để phát hiện sự hiện diện của người. Mỗi cửa sổ con được phân tích độc lập nhằm xác định có người hay không.

2. Đặc trưng HOG (Histogram of Oriented Gradients): HOG là bộ mô tả đặc trưng dựa trên phân bố hướng gradient trong các vùng nhỏ của ảnh. Ảnh được chia thành các cell 8x8 pixel, mỗi cell tính histogram hướng gradient với 9 bin, các cell được nhóm thành block 2x2 để chuẩn hóa. Vector đặc trưng cuối cùng có kích thước 3780 phần tử cho mỗi cửa sổ 64x128 pixel. HOG giữ lại thông tin biên cục bộ, phù hợp cho mô tả hình dáng người.

3. Thuật toán SVM (Support Vector Machines): SVM là thuật toán phân loại nhị phân với mục tiêu tìm siêu phẳng phân tách tối ưu giữa hai lớp dữ liệu (người và không người). Luận văn sử dụng SVM tuyến tính với lề mềm để xử lý dữ liệu có nhiễu, đồng thời áp dụng hàm nhân tuyến tính và phi tuyến để nâng cao hiệu quả phân loại.

Các khái niệm chính bao gồm: vector gradient ảnh, chuẩn hóa gamma và tỉ lệ tương phản, histogram hướng gradient, siêu phẳng phân tách, vector hỗ trợ, hàm nhân kernel, và kỹ thuật loại bỏ không cực đại (Non-Maximum Suppression) để xử lý các phát hiện trùng lặp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu INRIA chuẩn gồm 2.416 mẫu ảnh người (positive) và 2.215 mẫu ảnh không người (negative) dùng để huấn luyện, cùng 1.126 mẫu ảnh người và 1.131 mẫu ảnh không người dùng để kiểm thử. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên từ bộ dữ liệu chuẩn nhằm đảm bảo tính đại diện và đa dạng.

Quá trình nghiên cứu gồm các bước:

• Tiền xử lý ảnh: chuyển ảnh sang ảnh xám, chuẩn hóa gamma để giảm ảnh hưởng ánh sáng.
• Trích xuất đặc trưng HOG cho từng cửa sổ 64x128 pixel theo phương pháp sliding window.
• Huấn luyện bộ phân loại SVM tuyến tính trên vector đặc trưng HOG.
• Cải tiến phương pháp tính toán HOG bằng kỹ thuật tổng tích lũy gradient nhằm tăng tốc độ xử lý.
• Áp dụng bộ phát hiện người vào hệ thống nhận dạng cảnh báo an ninh.
• Đánh giá hiệu quả bằng các chỉ số độ chính xác, tốc độ xử lý và tỷ lệ phát hiện sai trên bộ dữ liệu kiểm thử.

Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 10 năm 2017, trong đó giai đoạn xây dựng và huấn luyện mô hình diễn ra từ tháng 6 đến tháng 8, phần viết luận văn và báo cáo từ tháng 9 đến tháng 10.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phát hiện người: Bộ phân loại SVM tuyến tính kết hợp đặc trưng HOG đạt tỷ lệ phát hiện chính xác trên 90% trên bộ dữ liệu kiểm thử INRIA, với tỷ lệ phát hiện sai (False Positive Rate) dưới 10%. Kết quả này tương đương hoặc vượt trội so với các phương pháp truyền thống sử dụng HOG gốc.

2. Tăng tốc độ tính toán HOG: Phương pháp cải tiến tính toán HOG dựa trên tổng tích lũy gradient giúp giảm thời gian trích xuất đặc trưng xuống khoảng 40-50% so với phương pháp gốc, cho phép xử lý ảnh và video gần như thời gian thực.

3. Hiệu quả phát hiện trên video: Ứng dụng bộ phát hiện người trên video giám sát cho thấy khả năng nhận dạng người đi bộ trong các cảnh quay có điều kiện ánh sáng và phông nền đa dạng, với tỷ lệ phát hiện thành công trên 85% trong các thử nghiệm thực tế tại một số địa phương.

4. Loại bỏ phát hiện trùng lặp: Kỹ thuật Non-Maximum Suppression hiệu quả trong việc giảm các phát hiện trùng lặp, giúp hệ thống đưa ra cảnh báo chính xác và rõ ràng hơn, giảm thiểu sai số do nhiều cửa sổ phát hiện cùng một đối tượng.

Thảo luận kết quả

Nguyên nhân chính giúp đạt được độ chính xác cao là nhờ việc sử dụng đặc trưng HOG, vốn giữ lại thông tin biên cục bộ và hình dáng người, kết hợp với thuật toán SVM có khả năng phân loại tốt trong không gian đặc trưng cao chiều. Việc cải tiến phương pháp tính HOG bằng tổng tích lũy gradient không chỉ tăng tốc độ xử lý mà còn giữ nguyên độ chính xác, phù hợp với yêu cầu xử lý thời gian thực trong giám sát an ninh.

So sánh với các nghiên cứu trong nước và quốc tế, kết quả của luận văn tương đồng với các công trình sử dụng HOG và SVM, đồng thời cải thiện về mặt tốc độ xử lý nhờ kỹ thuật tính toán nhanh. Ví dụ, các nghiên cứu trước đây thường gặp hạn chế về tốc độ do tính toán HOG lặp lại nhiều lần trên ảnh tỉ lệ khác nhau, trong khi phương pháp tổng tích lũy gradient giải quyết hiệu quả vấn đề này.

Dữ liệu có thể được trình bày qua biểu đồ ROC thể hiện độ nhạy và độ đặc hiệu của bộ phân loại, cùng bảng so sánh thời gian xử lý trước và sau cải tiến tính HOG, minh họa rõ ràng hiệu quả của phương pháp đề xuất.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát an ninh tự động: Áp dụng bộ phát hiện người dựa trên HOG và SVM trong các hệ thống camera giám sát tại các khu vực công cộng nhằm nâng cao khả năng cảnh báo sớm các hành vi bất thường. Thời gian thực hiện trong vòng 6-12 tháng, chủ thể thực hiện là các cơ quan an ninh và đơn vị công nghệ thông tin.

2. Nâng cao tốc độ xử lý bằng phần cứng chuyên dụng: Đề xuất sử dụng các thiết bị xử lý đồ họa (GPU) hoặc FPGA để tăng tốc độ tính toán đặc trưng HOG, hướng tới xử lý video độ phân giải cao và đa luồng. Thời gian nghiên cứu và triển khai khoảng 12 tháng, do các đơn vị nghiên cứu công nghệ và doanh nghiệp công nghệ thực hiện.

3. Mở rộng mô hình phát hiện đa đối tượng: Phát triển thêm các bộ phân loại để nhận dạng các đối tượng khác như xe cộ, vật thể nguy hiểm, kết hợp với phát hiện người để tạo hệ thống giám sát toàn diện. Thời gian thực hiện 18 tháng, do các nhóm nghiên cứu chuyên sâu về thị giác máy tính đảm nhiệm.

4. Tích hợp trí tuệ nhân tạo nâng cao: Áp dụng các mô hình học sâu (deep learning) kết hợp với đặc trưng HOG để cải thiện độ chính xác và khả năng nhận dạng trong điều kiện phức tạp như che khuất, ánh sáng yếu. Thời gian nghiên cứu 24 tháng, do các viện nghiên cứu và trường đại học thực hiện.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, thị giác máy tính: Luận văn cung cấp kiến thức chuyên sâu về kỹ thuật trích xuất đặc trưng HOG và thuật toán SVM, phù hợp để phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phát triển hệ thống giám sát an ninh: Các kỹ sư và nhà phát triển phần mềm có thể ứng dụng phương pháp phát hiện người trong các sản phẩm giám sát, camera thông minh.

3. Cơ quan an ninh và quản lý đô thị: Tham khảo để triển khai các giải pháp giám sát tự động, nâng cao hiệu quả quản lý an ninh trật tự tại các khu vực đông dân cư.

4. Doanh nghiệp công nghệ và startup: Tận dụng kết quả nghiên cứu để phát triển các sản phẩm công nghệ giám sát, cảnh báo an ninh có tính cạnh tranh trên thị trường.

Câu hỏi thường gặp

1. Phương pháp trượt cửa sổ hoạt động như thế nào trong phát hiện người?
   Phương pháp này quét toàn bộ ảnh tại nhiều vị trí và tỷ lệ khác nhau bằng các cửa sổ kích thước cố định (64x128 pixel), sau đó trích xuất đặc trưng HOG và phân loại bằng SVM để xác định sự hiện diện của người. Ví dụ, trong một cảnh video, cửa sổ sẽ trượt qua từng vùng ảnh để phát hiện người đi bộ.

2. Đặc trưng HOG có ưu điểm gì so với các phương pháp khác?
   HOG giữ lại thông tin biên cục bộ và hình dáng đối tượng thông qua phân bố hướng gradient, giúp mô tả chính xác hình dạng người. So với các đặc trưng như Haar hay SIFT, HOG có độ nhạy cao với hình dáng và tư thế người, phù hợp cho phát hiện người đi bộ.

3. Làm thế nào để tăng tốc độ tính toán đặc trưng HOG?
   Luận văn áp dụng kỹ thuật tổng tích lũy gradient (integral histogram) giúp tính toán histogram hướng gradient nhanh hơn bằng cách lưu trữ các giá trị cộng dồn, giảm thiểu việc tính toán lặp lại trên các vùng ảnh khác nhau. Kết quả cho thấy thời gian xử lý giảm gần một nửa.

4. SVM được sử dụng như thế nào trong phân loại?
   SVM xây dựng siêu phẳng phân tách tối ưu giữa hai lớp dữ liệu (người và không người) dựa trên vector đặc trưng HOG. Thuật toán sử dụng lề mềm để xử lý dữ liệu có nhiễu, đảm bảo độ chính xác cao trong phân loại.

5. Hệ thống có thể áp dụng trong điều kiện ánh sáng yếu hoặc che khuất không?
   Mặc dù phương pháp HOG và SVM có độ chính xác cao trong điều kiện ánh sáng và phông nền đa dạng, nhưng khi đối tượng bị che khuất hoặc ánh sáng yếu, hiệu quả giảm. Do đó, cần kết hợp thêm các kỹ thuật nâng cao như học sâu hoặc cảm biến bổ sung để cải thiện.

Kết luận

• Nghiên cứu đã phát triển thành công hệ thống phát hiện người đi bộ dựa trên phương pháp trượt cửa sổ, đặc trưng HOG và phân loại SVM với độ chính xác trên 90%.
• Phương pháp cải tiến tính toán HOG bằng tổng tích lũy gradient giúp tăng tốc độ xử lý gần 50%, phù hợp với yêu cầu xử lý thời gian thực.
• Ứng dụng bộ phát hiện người vào hệ thống giám sát an ninh cảnh báo tự động có hiệu quả cao trong thực tế.
• Luận văn đề xuất các hướng phát triển mở rộng như tích hợp học sâu, phát hiện đa đối tượng và sử dụng phần cứng chuyên dụng.
• Các bước tiếp theo bao gồm triển khai thử nghiệm thực tế quy mô lớn và nghiên cứu nâng cao khả năng phát hiện trong điều kiện phức tạp.

Để tiếp tục phát triển và ứng dụng công nghệ này, các nhà nghiên cứu và doanh nghiệp được khuyến khích hợp tác triển khai các giải pháp giám sát an ninh thông minh, góp phần nâng cao an toàn xã hội.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN THỊ PHONG ỨNG DỤNG KỸ THUẬT PHÁT HIỆN NGƯỜI TRONG GIÁM SÁT AN NINH NGÀNH: KỸ THUẬT ĐIỆN TỬ SKC007447 Tp. Hồ Chí Minh, tháng 10/2017 Luan van BỘGIÁO BỘ GIÁODỤC DỤCVÀ VÀĐÀO ĐÀOTẠO TẠO TRƢỜNGĐẠI TRƢỜNG ĐẠIHỌC HỌCSƢ SƢPHẠM PHẠMKỸ KỸTHUẬT THUẬT THÀNHPHỐ THÀNH PHỐHỒ HỒCHÍ CHÍMINH MINH CHUYÊN ĐỀ LUẬN LUẬN VĂN VĂN THẠC SĨ THẠC SĨ NGUYỄN HỌ VÀ TÊN HỌC THỊNGUYỄN VIÊN: PHONG THỊ PHONG NGHIÊN CỨU KỸ ỨNG DỤNG KỸTHUẬT THUẬTNHẬN PHÁTDẠNG HIỆN ÁP DỤNG NGƢỜI TRONG HỆ THỐNG TRONG GIÁMGIÁM SÁT SÁT AN AN NINH NINH NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 NGÀNH: KỸ THUẬT ĐIỆN TỬ Tp. Hồ Chí Minh, tháng 10/2017 Luan van BỘ GIÁO BỘ GIÁO DỤC DỤC VÀ VÀ ĐÀO ĐÀO TẠO TẠO TRƢỜNG ĐẠI TRƢỜNG ĐẠI HỌC HỌC SƢ SƢ PHẠM PHẠM KỸ KỸ THUẬT THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN THỊ PHONG ỨNG DỤNG KỸ THUẬT PHÁT HIỆN NGƢỜI TRONG GIÁM SÁT AN NINH NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Hƣớng dẫn khoa học: TS. HOÀNG VĂN DŨNG CHUYÊN ĐỀ LUẬN VĂN THẠC SĨ HỌ VÀ TÊN HỌC VIÊN: NGUYỄN THỊ PHONG Tp.

Hồ Chí Minh, tháng 10/2017 Luan van Luan van Luan van LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƢỢC: Họ & tên: Nguyễn Thị Phong Giới tính: Nữ Ngày, tháng, năm sinh: 16/04/1974 Nơi sinh: Quảng Ngãi Quê quán: Quảng Ngãi Dân tộc: Kinh Chỗ ở riêng hoặc địa chỉ liên lạc: 5/3F đƣờng 297 – Khu phố 4 – Phƣờng Phƣớc Long B – Quận 9 – Tp.Hồ Chí Minh Điện Thoại: [phone] E-mail: cntdphong@gmail. QUÁ TRÌNH ĐÀO TẠO: 1. Đại học: Hệ đào tạo: chính quy Thời gian đào tạo từ 1994 đến 1999.

Nơi học (trƣờng, thành phố): Đại học sƣ phạm kỹ thuật Tp.HCM Ngành học: Kỹ thuật điện – điện tử Tên đồ án, luận án hoặc môn thi tốt nghiệp: Truyền thông tin bằng mật mã RSA. Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: 2/1999 tại trƣờng Đại học sƣ phạm kỹ thuật Tp. Ngƣời hƣớng dẫn: Th.S Trần Vĩnh An.Hệ đào tạo: Chính qui .Thời gian đào tạo từ /2004 đến / 2006 Nơi học (trƣờng, thành phố): Trƣờng Đại học Sƣ Phạm Kỹ Thuật TPHCM. Ngành học: Giáo dục học.

Tên luận văn: Tổ ch c dạy học theo định hƣớng năng lực thực hiện cho môn học Kỹ thuật số tại trƣờng Trung học Kỹ thuật Nghiệp vụ Th đ c. Ngày & nơi bảo vệ luận văn: 22/10/2006. Ngƣời hƣớng dẫn: TS.Hệ đào tạo: Chính qui Thời gian đào tạo từ 4 /2016 đến 10/2017 Nơi học (trƣờng, thành phố): Trƣờng Đại học Sƣ Phạm Kỹ Thuật TPHCM. Ngành học: Kỹ thuật điện tử.

Tên luận văn: ng dụng kỹ thuật phát hiện ngƣời trong giám sát an ninh. Ngày & nơi bảo vệ luận văn: 22/10/2017 Ngƣời hƣớng dẫn: TS. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm 1999-2003 Trƣờng Kỹ thuật nghiệp vụ Đƣờng sắt II Giáo viên 2004-nay Trƣờng Cao đẳng công nghệ Th đ c Giảng viên ii Luan van LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên c u c a tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác.

Hồ Chí Minh, ngày 20 tháng 9 năm 2017 (Ký tên và ghi r họ tên) Nguyễn Thị Phong iii Luan van CẢM TẠ Em xin chân thành cám ơn quý Thầy, Cô trong khoa Điện – Điện Tử đã trang bị cho em một kiến th c nền tảng giúp em có thể hoàn thành tốt luận văn này. Cám ơn các bạn trong lớp KDT16A đã chia sẻ kinh nghiệm và kiến th c trong suốt khóa học c ng nhƣ trong lúc làm luận văn. Đặc biệt em xin chân thành cảm ơn Thầy hƣớng dẫn, T.S Hoàng Văn D ng và T.S Lê Mỹ Hà đã hỗ trợ em trong lúc thực hiện luận văn này. Học viên Nguyễn Thị Phong iv Luan van TÓM TẮT Phát hiện đối tƣợng là xác định sự hiện diện c a đối tƣợng cụ thể c ng nhƣ xác định vị trí c a đối tƣợng.

Ba giai đoạn cơ bản trong một hệ thống phát hiện đối tƣợng gồm trích rút các đặc trƣng cụ thể từ các đối tƣợng mẫu; Xây dựng mô hình phân loại đối tƣợng theo mẫu và xây dựng bộ phát hiện, nhận dạng chính xác các đối tƣợng đang ở vị trí nào trong ảnh hoặc video. Phát hiện ngƣời là một ch đề thu hút sự chú ý nghiên c u bởi các ng dụng đa dạng c a nó. Đề tài này nghiên c u phát hiện ngƣời đi bộ (upright people) dựa theo phƣơng pháp trƣợt cửa sổ (sliding window) để phát hiện ngƣời trên ảnh tĩnh và video. Trích rút các đặc trƣng HOG (Histogram of Oriented Gradients) từ các đối tƣợng mẫu; dùng thuật toán SVM (Support Vector Machines) để thực hiện phân loại.

Để tăng tốc độ hệ thống, dùng phƣơng pháp bộ mô tả đặc trƣng HOG cải thiện tính nhanh bộ mô tả đặc trƣng HOG. Cuối cùng, đề xuất ng dụng bộ phát hiện ngƣời vào mô hình hệ thống nhận dạng cảnh báo an ninh. Luận văn gồm bốn chƣơng: Chƣơng 1: Tổng quan. Chƣơng 2: Cơ sở lý thuyết.

Chƣơng 3: Thực nghiệm - Đánh giá. Chƣơng 4: Kết luận và hƣớng phát triển. v Luan van ABSTRACT Object detection is to determine the presence of a particular object as well as locate the object. The three basic stages in an object detection system including extraction of specific features from the sample objects; Build an object classification model depending on a samples and build a detector that find exactly where objects are in the image or video.

Human detection is a topic that attracts attention researched by its various applications. This topic explores detecting upright people based on the sliding window method to detect people on still images and videos. Extract HOG (Histogram of Oriented Gradients) features from samples of objects; Use the SVM (Support Vector Machines) algorithm to perform the classifier. To speed up the system, use the improved HOG feature descriptor method to compute the HOG feature descriptor.

Finally, the proposed people detector is suggested into applications for security alert identification system. The thesis consists of four chapters: Chapter 1: Overview. Chapter 2: Theoretical basis. Chapter 3: Experiment - Evaluations.

Chapter 4: Conclusions and Development. vi Luan van MỤC LỤC LÝ LỊCH KHOA HỌC. i LỜI CAM ĐOAN. ii CẢM TẠ.

iv MỤC LỤC. vi DANH SÁCH CÁC HÌNH. ix DANH SÁCH CÁC CHỮ VIẾT TẮT. x CHƢƠNG 1: TỔNG QUAN .Các nghiên c u liên quan đến đề tài .Các nghiên c u trong nƣớc .Các nghiên c u ngoài nƣớc .Mục tiêu nghiên c u .Nhiệm vụ và giới hạn c a đề tài .Nhiệm vụ c a đề tài.

Giới hạn c a đề tài .Phƣơng pháp nghiên c u .Kế hoạch thực hiện. 6 CHƢƠNG 2: CƠ SỞ LÝ THUYẾT .Tổng quan về phƣơng pháp xử lý ảnh .Vector gradient ảnh .Vector gradient ảnh .Đặc trƣng HOG .Bộ mô tả HOG tĩnh .Bộ mô tả HOG chuyển động .Trích rút đặc trƣng HOG. 15 vii Luan van 2. Các biến thể c a phƣơng pháp HOG.

Các bộ mô tả đặc trƣng khác. Cải thiện cách tính đặc trƣng HOG. Máy vector hỗ trợ SVM (Support Vetor Machines). Phân loại tuyến tính với lề cực đại (maximum-margin linear classifier).

Các điều kiện Karush-Kuhn-Tucker. Hàm phân loại tuyến tính với lề mềm cực đại (Soft Margin Classifiers). Hàm nhân và SVM phi tuyến (Kernel function and nonlinear SVMs). Phƣơng pháp trƣợt window phát hiện ngƣời.

Đề xuất ng dụng phát hiện ngƣời trong giám sát an ninh .Sự cấp thiết đề xuất mô hình nhận dạng cảnh báo an ninh. Đề xuất mô hình hệ thống nhận dạng cảnh báo an ninh. 41 CHƢƠNG 3: THỰC NGHIỆM - ĐÁNH GIÁ. Sơ đồ các bƣớc thực hiện.

Trích rút đặc trƣng HOG. Huấn luyện và test bộ phân loại nhị phân. Xây dựng bộ phát hiện ngƣời trên ảnh tĩnh. Cải thiện thời gian tính đặc trƣng HOG dùng matlab.

Phát hiện ngƣời trong video. Kết quả từ bộ phân loại SVM. Kết quả cải thiện tính thời gian trích đặc trƣng HOG. KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN.

62 TÀI LIỆU THAM KHẢO. 64 viii Luan van DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Sơ đồ các bƣớc cơ bản trong xử lý ảnh .2: Đạo hàm theo hƣớng vector u.3: Ví dụ về pixel cần tính vector gradient .4: Sơ đồ tổng quan về trích rút đặc trƣng HOG tĩnh hoặc HOG chuyển động qua một cửa sổ phát hiện và SVM phân loại đối tƣợng .5: Sơ đồ tổng quan về trích rút đặc trƣng HOG tĩnh .6: Sơ đồ tổng quan về trích rút đặc trƣng HOG chuyển động .7: Ví dụ cửa sổ nhận dạng cao 128 pixel x rộng 64 pixel .8: Ví dụ về (a) ảnh xám; (b) ảnh gradient X; (c)ảnh gradient Y .9: Tính góc và biên độ theo X-gradient và Y-gradient .10: Mô tả 9 bin hƣớng c a HOG (a) và ví dụ về HOG c a một cell ảnh (8x8 pixels) .11: Ví dụ về HOG c a một block ảnh (2x2 cells) .12: Ảnh (a) và hình dung (Visualization) HOG c a ảnh: (b) kích thƣớc cell 8x8 pixel, (c) kích thƣớc cell 16x16 pixel .13: Mô tả toàn bộ quá trình trích rút đặc trƣng HOG .14: Các biến thể c a bộ mô tả HOG tĩnh. (a) Bộ mô tả R-HOG với các block 3 × 3 cells. (b) Bộ mô tả C-HOG với cell trung tâm đƣợc chia thành các phần nhỏ theo góc nhƣ trong shape contexts.

(c) Bộ mô tả C-HOG với một cell đơn trung tâm .15: Hai biến thể cƣờng độ gradient (GShapeC) và biên hiện có (E-ShapeC) chỉ dùng 1bin hƣớng C .16: Mô tả hiệu quả c a HOG tốt hơn so với các phƣơng pháp trƣớc đó. (a) thực hiện trên tập dữ liệu c a MIT; (b) thực hiện trên tập dữ liệu c a INRIA23 Hình 2.17: Xử lý gradient theo hƣớng c a ảnh đối với phƣơng pháp tổng tích l y 24 ix Luan van Hình 2.18: Sơ đồ cải thiện tính đặc trƣng HOG .19: Có vô số đƣờng thẳng có thể phân chia tuyến tính, tuy nhiên với đƣờng phân chia H5, đã có một điểm bị phân loại nhầm .20: Không thể phân chia các lớp dữ liệu một cách tuyến tính. Ánh xạ dữ liệu trong không gian ban đầu vào một không gian mới nhiều chiều hơn .21: Việc phân tách dữ liệu trở nên dễ dàng hơn trong không gian mới .22: Các siêu phẳng phân chia tập mẫu thành hai lớp và support vector trong SVM .23: Các siêu phẳng H+ và H- trong SVM .24: Mô tả phƣơng pháp trƣợt window .25: Ví dụ hai window phát hiện gần nhau.26: Ví dụ về loại bỏ không cực đại (Non-Maximum Suppression) .27: Minh họa hình chóp tỉ lệ, mỗi m c mô tả một tỉ lệ so với ảnh gốc .