Giới thiệu dự án

Trong bối cảnh đô thị hóa và phát triển kinh tế nhanh chóng, nhu cầu bảo vệ tài sản cá nhân và an ninh nhà ở, phòng trọ, văn phòng trở nên cấp thiết. Theo các khảo sát thực tế trong ngành giám sát an ninh, các vụ đột nhập trái phép thường diễn ra khi chủ sở hữu vắng nhà kéo dài (như đi công tác, du lịch). Các hệ thống camera an ninh truyền thống (CCTV thông thường) chủ yếu đóng vai trò ghi hình thụ động (passive recording), đòi hỏi người dùng phải liên tục theo dõi màn hình hoặc chỉ xem lại video sau khi sự cố mất mát đã xảy ra.

+-------------------------------------------------------------------------------+
|                             HỆ THỐNG AN NINH THỰC TẾ                          |
+------------------------------------+------------------------------------------+
|  Camera quan sát thụ động          |  Hệ thống xử lý ảnh thời gian thực       |
|  - Chỉ lưu trữ video thẻ nhớ/đầu ghi|  - Trích xuất khung hình tự động (GMM)   |
|  - Báo động giả do nhiễu môi trường|  - Phân tách tiền cảnh & khử bóng đổ     |
|  - Không có cảnh báo tức thời      |  - Cảnh báo SMS lập tức qua SIM900A      |
+------------------------------------+------------------------------------------+

Vấn đề thực tiễn và điểm nghẽn kỹ thuật

Các phương pháp phát hiện chuyển động cổ điển như trừ nền tĩnh ($Background\ Subtraction$) dựa trên công thức $B(x, y, t) = I(x, y, t - 1)$ bộc lộ nhiều hạn chế nghiêm trọng:

  • Độ nhạy sáng cao: Rất dễ bị kích hoạt sai (false alarm) khi cường độ ánh sáng môi trường thay đổi đột ngột (bật/tắt đèn, ánh nắng chiếu qua cửa sổ).
  • Nhiễu động môi trường: Không thể phân biệt được chuyển động của con người với các dao động lặp lại như lá cây đung đưa, rèm cửa lay động do gió hay bóng đổ của vật thể.
  • Tính thích nghi kém: Không tự cập nhật mô hình nền khi có sự biến đổi cảnh quan theo thời gian.

Mục tiêu của đồ án

Đề tài "Ứng dụng xử lý ảnh trong giám sát an ninh sử dụng bằng cách kết hợp mô hình phân phối chuẩn" (Ngành Công nghệ Kỹ thuật Điện tử - Truyền thông, Trường Đại học Sư phạm Kỹ thuật TP.HCM) hướng tới 4 mục tiêu cốt lõi:

  1. Nghiên cứu và hiện thực hóa giải thuật mô hình phân phối chuẩn kết hợp (Gaussian Mixture Model - GMM) trong bài toán phân tách tiền cảnh (Foreground Detection) và loại bỏ bóng đổ (Shadow Detection).
  2. Xây dựng và tối ưu hóa hệ thống nhúng xử lý ảnh thời gian thực trên bo mạch Raspberry Pi Model B+.
  3. Tích hợp module truyền thông GSM/GPRS SIM900A qua giao tiếp UART để gửi tin nhắn cảnh báo SMS tức thời đến số điện thoại gia chủ khi phát hiện đột nhập.
  4. Đánh giá thực nghiệm hiệu năng hệ thống dưới hai điều kiện chiếu sáng: ánh sáng tiêu chuẩn và ánh sáng yếu/tối, từ đó xác lập bộ thông số tối ưu cho mô hình.

Phương pháp tiếp cận và phạm vi nghiên cứu

  • Phương pháp tiếp cận: Sử dụng mô hình GMM xấp xỉ phân phối xác suất màu của từng điểm ảnh thông qua tổng trọng số của $M$ phân phối Gauss ($M = 3 \div 5$). Các tham số được cập nhật liên tục theo thời gian thực để thích ứng với biến đổi môi trường.
  • Chỉ tiêu định lượng kỳ vọng: Phát hiện chính xác chuyển động mục tiêu trong vòng 1 giây (đạt chuỗi 30 khung hình liên tiếp có chuyển động tại tốc độ 30 fps), khử hoàn toàn bóng giả và gửi tin nhắn cảnh báo trong vòng 3 - 5 giây qua mạng di động.
  • Phạm vi và giới hạn: Hệ thống được thiết kế dạng module khép kín kích thước nhỏ gọn (15cm x 11cm x 7cm), ứng dụng camera tĩnh cố định góc quan sát tại cửa ra vào phòng trọ hoặc nhà ở dân dụng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Để lựa chọn giải thuật tối ưu cho hệ thống nhúng hạn chế về tài nguyên phần cứng, đồ án tiến hành so sánh kỹ thuật giữa các giải pháp phát hiện chuyển động phổ biến:

Tiêu chí phân tích Trừ nền cố định ($Frame\ Differencing$) Luồng quang học ($Optical\ Flow$) Mô hình phân phối chuẩn kết hợp ($GMM$)
Độ phức tạp tính toán Thấp ($O(N)$) Rất cao ($O(N^2)$) Trung bình ($O(M \cdot N)$)
Khả năng khử bóng đổ Kém (coi bóng là vật thể) Trung bình Tốt (tách pixel bóng xám)
Độ thích nghi ánh sáng Rất kém, sinh lỗi liên tục Trung bình Tự cập nhật trọng số và phương sai
Xử lý nền động (lá cây/nước) Hoàn toàn thất bại Nhận diện được hướng Lọc hiệu quả nhờ nhiều thành phần Gauss
Triển khai trên Pi B+ Rất mượt nhưng không tin cậy Không khả thi (quá tải CPU) Tối ưu hóa tốt đạt thời gian thực

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Trích xuất khung hình từ camera USB Bluelover S7, phân đoạn tiền cảnh bằng GMM, đếm số pixel trắng vượt ngưỡng phát hiện, gửi lệnh AT qua UART đến module SIM900A để kích hoạt gửi SMS.
  • Should have (Nên có): Cơ chế lọc nhiễu chuyển động ảo dựa trên bộ đếm 30 khung hình liên tục, tính năng bật/tắt khử bóng (ShadowDetection).
  • Could have (Có thể mở rộng): Tinh chỉnh động các siêu tham số History và VarThreshold theo thời gian trong ngày.
  • Won't have (Chưa thực hiện): Nhận diện khuôn mặt tội phạm hoặc quay quét camera tự động (PTZ).

Thiết kế kiến trúc hệ thống

+-----------------------------------------------------------------------------------+
|                              KIẾN TRÚC PHẦN CỨNG VÀ DỮ LIỆU                        |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  +--------------------+         USB Video        +-----------------------------+  |
|  | Camera Bluelover S7| -----------------------> |      Raspberry Pi Model B+  |  |
|  | (5.0 MP, USB 2.0)  |                          | - CPU ARM1176JZF-S @ 700MHz |  |
|  +--------------------+                          | - 512MB SDRAM, OS: Raspbian |  |
|                                                  | - OpenCV C++/Python Engine  |  |
|  +--------------------+         UART (Tx/Rx)     |   * GMM Background Model    |  |
|  |   Module SIM900A   | <----------------------- |   * Morphological Filter    |  |
|  | (GSM/GPRS 900MHz)  |   (GPIO 14 & GPIO 15)    |   * Threshold & Blob Count  |  |
|  +--------------------+                          +-----------------------------+  |
|            |                                                    |                 |
|       GSM Network                                          RJ45 / Wi-Fi           |
|            v                                                    v                 |
|  [Điện thoại người dùng]                                [Remote Desktop / GUI]    |
+-----------------------------------------------------------------------------------+

Ngăn xếp công nghệ và thông số phần cứng

  • Bo mạch điều khiển trung tâm: Raspberry Pi Model B+ (Kiến trúc ARM11, vi xử lý ARM1176JZF-S 700MHz, bộ nhớ 512MB SDRAM, 40 chân GPIO, hệ điều hành Raspbian Wheezy/Jessie nhân Linux).
  • Cảm biến thu hình: Webcam Bluelover S7 (Độ phân giải 5.0 Megapixels, giao tiếp USB 2.0 UVC Driver, hỗ trợ zoom số 4x).
  • Module truyền thông: SIMCom SIM900A (Dải tần GSM/GPRS 900/1800 MHz, tập lệnh chuẩn AT Command Hayes, điện áp hoạt động 5V DC).
  • Môi trường phần mềm: Ngôn ngữ lập trình Python kết hợp nền tảng thị giác máy tính OpenCV (Open Source Computer Vision Library).

Thiết kế giao tiếp phần cứng và giao thức UART

Giao tiếp giữa Raspberry Pi B+ và module SIM900A được thực hiện thông qua cổng nối tiếp bất đồng bộ phần cứng (Hardware Serial UART) với cấu hình: Baudrate 9600 bps, 8 Data bits, No Parity, 1 Stop bit.

Raspberry Pi B+ (40 Pin GPIO)               Module SIM900A
+----------------------------+             +-----------------+
| Pin 8  (GPIO 14 - TXD)    | ----------> | RXD             |
| Pin 10 (GPIO 15 - RXD)    | <---------- | TXD             |
| Pin 6  (GND)              | ----------- | GND             |
+----------------------------+             +-----------------+

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình tạo mẫu nhanh (Prototyping Methodology) gồm 3 giai đoạn:

  1. Giai đoạn 1 - Thiết kế thuật toán trên PC: Thử nghiệm giải thuật GMM, tinh chỉnh tham số trên môi trường Microsoft Visual Studio kết hợp thư viện OpenCV với dữ liệu video thu trước.
  2. Giai đoạn 2 - Triển khai mã nguồn lên Raspberry Pi: Chuyển đổi mã nguồn sang Python/OpenCV trên hệ điều hành Raspbian, tối ưu hóa mức chiếm dụng bộ nhớ RAM và xung nhịp CPU ARM11.
  3. Giai đoạn 3 - Đóng gói phần cứng và thực nghiệm: Thiết kế vỏ hộp mica cách điện kích thước $15 \times 11 \times 7\text{ cm}$, ghép nối nguồn nuôi 5V độc lập và kiểm thử thực địa tại phòng trọ.

Implementation và kết quả

Chi tiết giải thuật mô hình phân phối chuẩn kết hợp (GMM)

Mỗi điểm ảnh tại vị trí tọa độ $(x, y)$ trong chuỗi khung hình được mô tả dưới dạng một biến ngẫu nhiên đa chiều $\vec{x}$ trong không gian màu. Hàm mật độ xác suất của mô hình GMM gồm $M$ thành phần phân phối chuẩn Gauss được biểu diễn bằng phương trình:

$$P_{GMM}(\vec{x}) = \sum_{i=1}^{M} W_i \cdot \mathcal{N}(\vec{x} \mid \vec{\mu}_i, \Sigma_i)$$

Trong đó:

  • $W_i$ là trọng số của phân phối Gauss thứ $i$ ($0 \le W_i \le 1$ và $\sum_{i=1}^{M} W_i = 1$).
  • $\vec{\mu}_i$ là vector giá trị trung bình đại diện cho màu sắc chủ đạo của nền.
  • $\Sigma_i = \sigma_i^2 \mathbf{I}$ là ma trận hiệp phương sai dạng đường chéo (Diagonal Covariance Matrix).

$$\mathcal{N}(\vec{x} \mid \vec{\mu}_i, \Sigma_i) = \frac{1}{(2\pi)^{D/2} |\Sigma_i|^{1/2}} \exp\left( -\frac{1}{2} (\vec{x} - \vec{\mu}_i)^T \Sigma_i^{-1} (\vec{x} - \vec{\mu}_i) \right)$$

Cơ chế cập nhật tham số trực tuyến (Online Update Parameter)

Khi khung hình mới $X_{t+1}$ xuất hiện, nếu điểm ảnh khớp với một phân phối Gauss hiện có (khoảng cách Mahalanobis $< 2.5\sigma$), các tham số được cập nhật theo cơ chế thích nghi với tốc độ học $\rho$:

$$\mu_{i, t+1} = (1 - \rho)\mu_{i, t} + \rho X_{t+1}$$

$$\sigma_{i, t+1}^2 = (1 - \rho)\sigma_{i, t}^2 + \rho (X_{t+1} - \mu_{i, t+1})^2$$

# Đoạn mã cấu hình bộ trích xuất tiền cảnh GMM và vòng lặp phân tích
import cv2
import serial
import time

# Khởi tạo bộ trừ nền GMM (MOG2) với các siêu tham số tối ưu
history_val = 500
var_threshold_val = 50
detect_shadows = True

bg_subtractor = cv2.createBackgroundSubtractorMOG2(
    history=history_val, 
    varThreshold=var_threshold_val, 
    detectShadows=detect_shadows
)

# Khởi tạo giao tiếp nối tiếp UART với SIM900A
ser = serial.Serial('/dev/ttyAMA0', baudrate=9600, timeout=1)

def send_alert_sms(phone_number, message):
    ser.write(b'AT+CMGF=1\r')  # Cấu hình chế độ Text Mode
    time.sleep(0.5)
    ser.write(f'AT+CMGS="{phone_number}"\r'.encode())
    time.sleep(0.5)
    ser.write(f'{message}\x1A'.encode())  # Ký tự kết thúc Ctrl+Z
    time.sleep(3.0)

cap = cv2.VideoCapture(0)
consecutive_motion_frames = 0
FRAME_THRESHOLD = 30
PIXEL_WHITE_THRESHOLD = 1800

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    fg_mask = bg_subtractor.apply(frame)
    # Lọc điểm ảnh nhị phân: chỉ lấy pixel tiền cảnh thực sự (giá trị 255), loại bỏ bóng (giá trị 127)
    _, fg_thresh = cv2.threshold(fg_mask, 250, 255, cv2.THRESH_BINARY)
    white_pixel_count = cv2.countNonZero(fg_thresh)
    
    if white_pixel_count >= PIXEL_WHITE_THRESHOLD:
        consecutive_motion_frames += 1
    else:
        consecutive_motion_frames = 0
        
    # Kích hoạt báo động khi chuyển động liên tục đạt 30 frame (~1 giây)
    if consecutive_motion_frames >= FRAME_THRESHOLD:
        send_alert_sms("0987654321", "CANH BAO: Phat hien dot nhap tai phong tro!")
        consecutive_motion_frames = 0  # Reset bộ đếm sau khi gửi

Thử nghiệm và đánh giá thực nghiệm

Quá trình kiểm thử được tiến hành độc lập tại khung hình thứ 600 trên cùng tập video đầu vào với các tổ hợp siêu tham số khác nhau:

Kết quả thử nghiệm trong điều kiện ánh sáng thường (Ban ngày / Đủ sáng)

Trường hợp History VarThreshold ShadowDetection Số pixel trắng (Tiền cảnh) Đánh giá trực quan
1 100 16 True 4.283 Nhiễu hạt rải rác xung quanh vật thể
2 500 16 True 4.491 Tiền cảnh rõ nhưng còn viền nhiễu
3 900 16 True 4.606 Tốc độ thích nghi nền chậm khi di chuyển
4 500 1 True 36.753 Nhiễu nặng toàn khung hình (vỡ ngưỡng)
5 (Tối ưu) 500 50 True 4.228 Biên dạng người cực nét, khử sạch bóng
6 500 100 True 3.282 Khuyết một phần thân người chuyển động
7 500 16 False 4.979 Dính bóng đổ dưới sàn nhà thành tiền cảnh

Kết quả thử nghiệm trong điều kiện ánh sáng tối (Ban đêm / Tắt đèn)

Trường hợp History VarThreshold ShadowDetection Số pixel trắng (Tiền cảnh) Đánh giá trực quan
1 100 16 True 4.752 Nhiễu cảm biến camera do thiếu sáng
2 500 16 True 5.832 Xuất hiện vệt sáng ảo
3 900 16 True 7.625 Tích tụ nhiễu nền kéo dài
4 500 1 True 30.586 Nhiễu trắng diện rộng
5 (Tối ưu) 500 50 True 1.872 Loại bỏ hoàn toàn nhiễu tối, bắt trúng người
6 500 100 True 1.764 Mất chi tiết biên dạng đối tượng
7 500 16 False 5.832 Bóng đen bị nhận nhầm thành đối tượng

Đổi mới và đóng góp

Đổi mới kỹ thuật nổi bật

  1. Cơ chế lọc chuyển động ảo 2 tầng (Two-Stage False Alarm Filter):
    • Tầng 1 (Spatial Filter): Sử dụng GMM kết hợp tính năng ShadowDetection = True để gán nhãn pixel bóng đổ thành mức xám ($127$), sau đó áp dụng phép phân ngưỡng nhị phân loại bỏ bóng, chỉ giữ lại tiền cảnh thực sự ($255$).
    • Tầng 2 (Temporal Filter): Áp dụng thuật toán đếm chuỗi 30 khung hình liên tiếp ($Consecutive\ Motion\ Frames$). Chuyển động nhất thời do gió, chớp đèn, hoặc côn trùng bay qua camera ($< 1$ giây) bị loại bỏ hoàn toàn, giảm hơn 92% tỷ lệ báo động giả so với hệ thống trừ nền thông thường.
  2. Khả năng tự thích nghi thời gian thực trên phần cứng thấp: Hệ thống chứng minh giải thuật GMM với $History = 500$ và $VarThreshold = 50$ hoàn toàn có thể chạy ổn định trên vi xử lý ARM 700MHz đơn nhân với RAM 512MB mà không gây hiện tượng tràn bộ nhớ (Memory Leak) hay treo hệ điều hành.
+-------------------------------------------------------------------------------+
|                       SO SÁNH CÁC CHỈ SỐ KỸ THUẬT QUAN TRỌNG                  |
+------------------------------------+------------------------------------------+
|  Chỉ số                            |  Phương pháp cũ  |  Hệ thống GMM Đồ án   |
+------------------------------------+------------------+-----------------------+
|  Tỷ lệ kích hoạt báo động sai      |  ~35% - 48%      |  < 4.5%               |
|  Độ trễ phát hiện và phát tín hiệu|  Không cảnh báo  |  1.0s (sau 30 frames) |
|  Thời gian nhận tin nhắn SMS       |  N/A             |  3.2s - 4.8s          |
|  Khả năng khử bóng đổ              |  0% (Nhận nhầm)  |  Hoàn toàn loại bỏ    |
+------------------------------------+------------------+-----------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Phòng trọ sinh viên và người đi làm: Lắp đặt phía trên cửa ra vào phòng trọ. Khi người thuê khóa cửa ra ngoài đi làm, hệ thống giám sát liên tục không gian phòng. Khi phát hiện cửa bị cạy mở hoặc có người lạ bước vào, SMS cảnh báo được gửi ngay lập tức.
  • Kho hàng mini và văn phòng công ty: Giám sát ngoài giờ hành chính mà không phụ thuộc vào kết nối Internet (hệ thống sử dụng mạng viễn thông GSM độc lập qua SIM900A).
+-------------------------------------------------------------------------------+
|                             QUY TRÌNH TRIỂN KHAI THỰC ĐỊA                     |
+-------------------------------------------------------------------------------+
|                                                                               |
|  [Lắp ráp phần cứng] -> [Cấp nguồn đôi 5V] -> [Remote Desktop khởi động mã]   |
|                                                              |                |
|                                                              v                |
|  [Bảo vệ độc lập]   <- [Ngắt kết nối PC]   <- [GMM hiệu chuẩn nền 50 frames] |
+-------------------------------------------------------------------------------+

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit Analysis)

  • Tổng chi phí phần cứng: Dưới 1.500.000 VNĐ (Raspberry Pi B+: ~700.000 VNĐ, SIM900A: ~350.000 VNĐ, Camera Bluelover S7: ~200.000 VNĐ, Vỏ mica và nguồn phụ kiện: ~150.000 VNĐ).
  • So sánh thị trường: Chi phí chỉ bằng 25% - 30% so với một hệ thống báo động thông minh chuyên dụng sử dụng cảm biến PIR và đầu ghi NVR thương mại, trong khi khả năng phân biệt chuyển động trực quan qua camera vượt trội hơn cảm biến nhiệt hồng ngoại.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hạn chế phần cứng: Raspberry Pi Model B+ sử dụng chip đơn nhân 700MHz, bộ nhớ RAM 512MB khiến tốc độ khung hình bị giới hạn ở mức phân giải thấp (QVGA/VGA).
  • Phương thức truyền thông: Tin nhắn SMS văn bản chỉ thông báo sự kiện, chưa thể gửi kèm hình ảnh chụp khuôn mặt kẻ đột nhập đến điện thoại gia chủ.
  • Góc quay camera: Camera Bluelover S7 cố định góc nhìn, chưa thể chủ động xoay theo quỹ đạo di chuyển của đối tượng.

Hướng phát triển và nâng cấp

  1. Nâng cấp vi điều khiển lên Raspberry Pi 3/Pi 4 (kiến trúc Quad-Core 64-bit) để tích hợp các mô hình học sâu hiện đại như MobileNet-SSD hoặc YOLO-Tiny nhằm phân loại chính xác đối tượng là "Người", "Vật nuôi" hay "Xe cộ".
  2. Tích hợp giao thức MQTT / Telegram Bot API qua kết nối 3G/4G/Wi-Fi để gửi hình ảnh snapshot kẻ đột nhập trong thời gian thực.
  3. Bổ sung cơ cấu chấp hành động cơ servo Pan-Tilt điều khiển hướng camera bám theo đối tượng (Object Tracking).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử - Viễn thông, Công nghệ Thông tin: Nguồn tài liệu tham khảo thực nghiệm trực quan về việc tích hợp thuật toán xử lý ảnh kinh điển (GMM) lên nền tảng phần cứng nhúng Linux thực tế.
  • Kỹ sư phát triển hệ thống nhúng (Embedded IoT Engineers): Mẫu kiến trúc tích hợp giữa xử lý dữ liệu truyền thông nối tiếp AT Command trên vi điều khiển/SoC và luồng xử lý video song song.
  • Người dùng dân dụng: Tiếp cận giải pháp an ninh chi phí thấp, tính cơ động cao, không yêu cầu đường truyền cáp quang Internet cố định.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu bo mạch Raspberry Pi Model B+ (hoặc tương đương) cài đặt hệ điều hành Raspbian, thẻ nhớ MicroSD tối thiểu 8GB Class 10, Webcam USB chuẩn UVC, module SIM900A gắn thẻ SIM di động còn tài khoản thoại/SMS và nguồn cấp 5V-2A ổn định.

2. Vì sao hệ thống không dùng cảm biến PIR mà lại dùng xử lý ảnh GMM?

Cảm biến hồng ngoại thụ động (PIR) chỉ phát hiện biến thiên bức xạ nhiệt trong một góc hẹp và rất dễ kích hoạt sai do luồng gió nóng hoặc vật nuôi. Xử lý ảnh bằng GMM cho phép giám sát không gian trực quan, khoanh vùng chuyển động chính xác theo số lượng điểm ảnh và hỗ trợ loại bỏ hoàn toàn bóng đổ.

3. Khi mất mạng Internet hệ thống có hoạt động được không?

Hệ thống hoàn toàn độc lập với mạng Internet cáp quang. Mọi tác vụ phân tích hình ảnh diễn ra cục bộ (Edge Computing) trên Raspberry Pi và thông tin báo động được gửi qua mạng sóng di động GSM của module SIM900A.

4. Chi phí bảo trì và bảo dưỡng hệ thống như thế nào?

Hệ thống vận hành tiêu thụ điện năng cực thấp (< 5W). Chi phí duy trì duy nhất là cước duy trì thuê bao di động gửi tin nhắn SMS hàng tháng (ước tính dưới 20.000 VNĐ/tháng).

5. Làm thế nào để camera phân biệt được bóng người và người thật trong GMM?

Thuật toán GMM phân tích không gian màu sắc và độ sáng. Khi có bóng đổ, màu sắc tổng thể của nền không thay đổi mà chỉ có cường độ sáng giảm đi. Khi bật ShadowDetection = True, OpenCV sẽ gán nhãn các điểm ảnh này ở mức xám $127$ thay vì mức trắng $255$ của tiền cảnh thực, cho phép loại bỏ bóng dễ dàng bằng bước lọc ngưỡng nhị phân.

Kết luận

Đồ án tốt nghiệp "Ứng dụng xử lý ảnh trong giám sát an ninh sử dụng bằng cách kết hợp mô hình phân phối chuẩn" đã giải quyết trọn vẹn bài toán phát hiện đột nhập tự động trong hệ thống an ninh dân dụng. Bằng cách kết hợp linh hoạt nền tảng thuật toán GMM khử bóng thông minh với bo mạch nhúng Raspberry Pi B+ và module viễn thông SIM900A, hệ thống đạt độ tin cậy cao, loại bỏ hiệu quả các báo động giả từ môi trường chiếu sáng phức tạp. Kết quả nghiên cứu không chỉ mang giá trị học thuật vững chắc trong việc tối ưu hóa giải thuật thị giác máy tính trên hệ thống nhúng mà còn mở ra tiềm năng thương mại hóa các sản phẩm an ninh IoT giá rẻ phục vụ đời sống xã hội.