Bối cảnh và vấn đề nghiên cứu

Trong xã hội hiện đại, cấu trúc gia đình có xu hướng thu hẹp số lượng thành viên cùng chung sống, trong khi áp lực công việc và đời sống cá nhân khiến thời gian chăm sóc lẫn nhau bị hạn chế. Thực trạng này dẫn đến việc người cao tuổi thường xuyên phải ở nhà một mình trong nhiều giờ, tiềm ẩn nguy cơ gặp phải các sự cố khẩn cấp về sức khỏe hoặc tai nạn sinh hoạt như té ngã mà không có sự trợ giúp kịp thời. Bên cạnh đó, các rủi ro về xung đột hoặc hành vi bạo lực trong môi trường gia đình cũng đặt ra yêu cầu cấp thiết về một giải pháp giám sát an ninh chủ động.

Khóa luận tốt nghiệp ngành Hệ thống Thông tin của tác giả Lê Anh Thư (Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh, năm 2024), dưới sự hướng dẫn của PGS.TS. Nguyễn Đình Thuận, đã triển khai đề tài: "Xây dựng ứng dụng di động tích hợp với camera giám sát tại nhà để phát hiện mối nguy hiểm tiềm ẩn qua mô hình học sâu" (Tên tiếng Anh: "Building a Mobile Application Integrated with Home Surveillance Camera to Detect Potentially Dangerous Hazards Through Deep Learning Models"). Nghiên cứu tập trung phát triển hệ sinh thái phần mềm mang tên HomeCamera nhằm phát hiện sớm các bất thường và hỗ trợ cứu hộ kịp thời.

Mục tiêu nghiên cứu của đề tài được tác giả xác định thông qua ba nhiệm vụ chính:

  1. Tận dụng công nghệ camera hiện đại để ghi nhận hình ảnh và video theo thời gian thực, hỗ trợ theo dõi không gian nhà ở khi vắng người hoặc giám sát người cao tuổi, giúp giảm thiểu hậu quả thông qua việc phát hiện sớm các tình huống nguy hiểm khi người thân không có mặt.
  2. Vận dụng các kỹ thuật xử lý hình ảnh, khuôn mặt và âm thanh để nhận diện hình dáng, tư thế cùng các hành động bất thường của con người, bao gồm cả những biểu hiện vận động phức tạp.
  3. Tích hợp tính năng điều khiển, tương tác trực tiếp với thiết bị camera giám sát, hỗ trợ thu phát giọng nói hai chiều và gửi thông báo cảnh báo tức thời đến thiết bị di động của người dùng.

Đối tượng nghiên cứu của khóa luận là các thuật toán học máy và học sâu ứng dụng trong phân tích hành vi con người, bao gồm các hành vi sinh hoạt thường ngày, dấu hiệu vận động bất thường ở người cao tuổi, nguy cơ té ngã và các hành vi bạo lực thông qua dữ liệu hình ảnh từ camera.

Phạm vi nghiên cứu được giới hạn trong các khía cạnh kỹ thuật cụ thể:

  • Thuật toán học sâu và học máy phân loại: Mạng nơ-ron tích chập (CNN), Mạng bộ nhớ dài-ngắn hạn (LSTM), Mô hình biến đổi (Transformer), Bộ phân loại vector hỗ trợ (SVC) kết hợp với kỹ thuật ước lượng tư thế OpenPose.
  • Thuật toán phát hiện đối tượng: YOLO phiên bản 8 (YOLOv8) và YOLO-NAS.
  • Nguồn dữ liệu thực nghiệm: Bộ dữ liệu về hành vi té ngã (Fall human dataset) và bộ dữ liệu về tình huống bạo lực thực tế (Real life violence situation dataset).
  • Môi trường phát triển và triển khai: Hệ điều hành Android (phía máy khách người dùng), ngôn ngữ lập trình Python và Java, công nghệ giao tiếp thời gian thực WebRTC trên nền máy chủ Mediasoup.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết thông qua việc khảo sát các hệ thống thương mại hiện hữu và tổng hợp các mô hình toán học, thị giác máy tính liên quan:

  1. Khảo sát hệ thống camera giám sát hiện có: Tác giả phân tích tính năng, ưu điểm và hạn chế của bốn ứng dụng phổ biến trên thị trường:

    • EZVIZ: Ưu điểm giao diện thân thiện, video HD, lưu trữ đám mây, cảnh báo chuyển động, bảo mật nhiều lớp; nhược điểm là chi phí duy trì lưu trữ định kỳ, phụ thuộc internet và tiềm ẩn rủi ro lộ dữ liệu đám mây.
    • Yoosee: Ứng dụng miễn phí sử dụng giao thức Cloudlink P2P, hỗ trợ tiếng Việt, quét mã QR; nhược điểm gồm lỗ hổng mã hóa yếu, chất lượng truyền tải không ổn định và tính tương thích thiết bị hạn chế.
    • Wyze: Cung cấp video Full HD, lưu trữ đám mây miễn phí 14 ngày, đàm thoại hai chiều, tích hợp trợ lý ảo (Alexa, Google Assistant); nhược điểm là phụ thuộc băng thông mạng và ít tùy chọn lưu trữ cục bộ ngoài thẻ nhớ microSD.
    • Arlo: Hệ thống camera không dây độ phân giải cao (lên đến 4K), chống chịu thời tiết, quan sát ban đêm có màu; nhược điểm là chi phí thiết bị cao và yêu cầu gói thuê bao dịch vụ để dùng đầy đủ tính năng.

  2. Khung lý thuyết thị giác máy tính và học sâu:

    • Phát hiện đối tượng (Object Detection): Bao gồm hai nhiệm vụ song song là phân loại đối tượng (gán nhãn lớp) và định vị đối tượng (tính toán tọa độ hộp giới hạn - bounding box). Tác giả so sánh hai trường phái: Two-shot object detection (như Faster R-CNN, sử dụng mạng đề xuất vùng Region Proposal Network, độ chính xác cao nhưng độ trễ lớn) và Single-shot object detection (như YOLO, dự đoán trực tiếp tọa độ và xác suất lớp trên lưới ảnh trong một lượt truyền thuận, đạt tốc độ xử lý thời gian thực).
    • Thuật toán YOLOv8: Do Ultralytics phát hành năm 2023, đạt tốc độ xử lý 455 FPS trên GPU Tesla V100 và độ chính xác mAP đạt 57 trên tập dữ liệu COCO. Kiến trúc gồm mạng trích xuất đặc trưng mới CSPNet (Backbone), mạng kim tự tháp đặc trưng FPN (Neck) và hàm mất mát SIOU (Head).
    • Thuật toán YOLO-NAS: Phát triển bởi Deci thông qua công nghệ tìm kiếm kiến trúc thần kinh AutoNAC, tích hợp các khối lượng tử hóa QSP, QCI và cơ chế lượng tử hóa 8-bit kết hợp nhằm tối ưu hóa sự cân bằng giữa độ trễ và độ chính xác.
    • Mô hình ước lượng tư thế kết hợp phân loại chuỗi: Kỹ thuật trích xuất 25 điểm khung xương khớp cơ thể (keypoints) từ OpenPose nhằm triệt tiêu nhiễu nền, sau đó làm đầu vào cho các bộ phân loại:
      • Mạng LSTM: Cấu trúc gồm Input Gate ($i_t$), Forget Gate ($f_t$), Output Gate ($o_t$) và Cell State ($C_t$) giúp duy trì thông tin qua các bước thời gian, giải quyết triệt để hiện tượng tiêu biến đạo hàm (vanishing gradient) khi mô hình hóa hành động kéo dài.
      • Mạng CNN: Sử dụng các lớp tích chập (Convolutional Layer) với hàm kích hoạt phi tuyến ReLU, các lớp gộp (Pooling Layer) giảm chiều không gian và lớp kết nối đầy đủ (Fully Connected) để phân loại hành động dựa trên ma trận tọa độ khớp.
      • Transformer nhận diện hình ảnh và hành động: Vision Transformer (ViT) xử lý các mảnh ảnh (patches) thông qua cơ chế tự chú ý (Self-Attention); Transformer AcT (Action Transformer) xử lý chuỗi token biểu diễn tọa độ khung xương để nắm bắt mối quan hệ phụ thuộc dài hạn giữa các khung hình video.
      • Bộ phân loại vector hỗ trợ (SVC): Thuật toán học máy tìm kiếm siêu phẳng (hyperplane) có khoảng cách lề (margin) cực đại giữa các lớp dữ liệu, sử dụng hàm nhân RBF (Radial Basis Function Kernel) để phân tách phi tuyến.
    • Công nghệ truyền thông thời gian thực WebRTC: Hoạt động dựa trên các API tiêu chuẩn gồm getUserMedia (thu nhận luồng âm thanh/video từ phần cứng), RTCPeerConnection (quản lý kết nối truyền dữ liệu P2P được mã hóa SRTP) và RTCDataChannel (truyền thông điệp tùy ý). Nghiên cứu sử dụng Mediasoup làm máy chủ định tuyến đa luồng (SFU) để điều phối luồng phát.

  3. Phương pháp nghiên cứu thực tế:

    • Phương pháp thực nghiệm kỹ thuật: Xây dựng hệ thống hoàn chỉnh kết nối từ camera IP, máy chủ xử lý đến ứng dụng di động.
    • Xử lý dữ liệu: Chuẩn hóa kích thước khung hình, cải thiện chất lượng ảnh, trích xuất điểm khung xương bằng OpenPose, áp dụng kỹ thuật kiểm định chéo (Cross-validation) và các giải pháp giảm thiểu hiện tượng quá khớp (overfitting).
    • Độ đo đánh giá: Độ chính xác tổng thể (Accuracy), Độ nhạy/Độ bao phủ (Recall), Độ chuẩn xác (Precision) và Điểm F1 (F1-Score).

Thiết kế và triển khai

Hệ thống HomeCamera được thiết kế theo mô hình kiến trúc phân tầng, phân bổ nhiệm vụ xử lý qua 4 giai đoạn triển khai (Phrase) cụ thể:

  1. Phân rã các giai đoạn triển khai:

    • Phase 1: Huấn luyện, đánh giá thực nghiệm các mô hình học sâu và lựa chọn mô hình có hiệu năng tối ưu nhất để đưa vào dự báo.
    • Phase 2: Thiết kế ca sử dụng (Usecase), xây dựng lược đồ cơ sở dữ liệu và cấu trúc các thành phần xử lý logic nghiệp vụ.
    • Phase 3: Xây dựng hệ thống máy chủ trung gian tích hợp giao thức WebRTC thông qua thư viện Mediasoup.
    • Phase 4: Lập trình giao diện và chức năng ứng dụng người dùng cuối trên nền tảng Android, tích hợp cơ chế tiếp nhận cảnh báo nguy hiểm.

  2. Thiết kế phần mềm và cơ sở dữ liệu:

    • Các ca sử dụng chính (Usecase): Ca sử dụng xem video trực tiếp (Bảng 3.1), ca sử dụng xem kết quả phát hiện hành động (Bảng 3.2) và ca sử dụng phát hiện hành động tự động (Bảng 3.3).
    • Mô hình lớp và cơ sở dữ liệu:
      • Bảng User: Lưu trữ thông tin định danh người dùng, thông tin tài khoản và cấu hình xác thực (Bảng 3.4).
      • Bảng Camera: Lưu trữ thông tin kết nối, địa chỉ IP, trạng thái hoạt động cùng các phương thức điều khiển thiết bị (Bảng 3.6 và Bảng 3.7).
      • Bảng Detected Result: Lưu trữ các bản ghi nhận diện hành vi bất thường, bao gồm thời điểm, đường dẫn hình ảnh bằng chứng, loại nguy cơ và độ tin cậy kèm các hàm xử lý dữ liệu tương ứng (Bảng 3.8 và Bảng 3.9).
    • Biểu đồ tuần tự (Sequence Diagram): Thiết kế luồng tương tác cho quy trình Đăng nhập/Đăng ký tài khoản (Hình 3.5), quy trình Xem video trực tiếp và quy trình Truy xuất lịch sử phát hiện nguy hiểm (Hình 3.6).

  3. Triển khai máy chủ và đường ống truyền nhận (Server Pipeline):

    • Máy chủ WebRTC được cấu hình để tiếp nhận luồng video từ thiết bị IP Camera trong gia đình.
    • Một giao diện lập trình ứng dụng (API) được thiết lập để đọc luồng video từ camera IP, chuyển từng khung hình vào mô hình học sâu đã huấn luyện sẵn nhằm quét hành vi té ngã hoặc bạo lực theo thời gian thực (Hình 3.9 và Hình 3.10).
    • Khi phát hiện biến cố té ngã vượt ngưỡng tin cậy, hệ thống tự động lưu giữ hình ảnh sự kiện làm bằng chứng (Hình 3.8) và gửi gói tin thông báo tức thì đến ứng dụng di động.

  4. Triển khai ứng dụng di động Android:

    • Ứng dụng đóng vai trò là giao diện giao tiếp gián tiếp giữa người dùng và camera giám sát.
    • Các màn hình chức năng được hoàn thiện gồm: Màn hình Đăng nhập và Đăng ký (Hình 3.11), Màn hình Trang chủ quản lý (Hình 3.12), Màn hình Xem luồng video camera trực tiếp (Hình 3.13) và Màn hình Trang cá nhân của người dùng (Hình 3.14).

Nội dung chính theo từng chương

CHƯƠNG 1: GIỚI THIỆU VÀ MÔ TẢ ĐỀ TÀI

Chương này trình bày tính cấp thiết của đề tài bắt nguồn từ nhu cầu bảo vệ người già đơn thân và ngăn chặn bạo lực gia đình trong xã hội hiện đại. Tác giả xác định tên đề tài song ngữ, mục tiêu nghiên cứu gồm 3 nhiệm vụ trọng tâm, đồng thời giới hạn phạm vi công nghệ (Android, WebRTC, YOLOv8, YOLO-NAS, CNN, LSTM, Transformer, SVC, tập dữ liệu Fall human và Real life violence situation). Kiến trúc đề tài được khái quát hóa thành quy trình 4 giai đoạn (Hình 1.1) làm kim chỉ nam cho toàn bộ quá trình phát triển hệ thống.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

Tác giả phân tích toàn diện bối cảnh thị trường thông qua việc mổ xẻ ưu - nhược điểm của các giải pháp EZVIZ, Yoosee, Wyze, Arlo, từ đó xác định các yêu cầu kỹ thuật tất yếu cho ứng dụng giám sát (ghi hình, xem trực tiếp độ trễ thấp, phát hiện chuyển động, quản lý đa camera, bảo mật mã hóa, đàm thoại hai chiều).

Nội dung trọng tâm của chương đi sâu vào cơ chế hoạt động của các thuật toán thị giác máy tính: phân biệt cơ chế đề xuất vùng của Faster R-CNN với xử lý lưới đơn của YOLO; chi tiết hóa các cải tiến kiến trúc của YOLOv8 (Backbone CSPNet, Neck FPN, Head SIOU) và YOLO-NAS (công nghệ AutoNAC, khối QSP/QCI). Chương này cũng diễn giải công thức toán học và nguyên lý hoạt động của các cổng trong đơn vị LSTM; cấu tạo các tầng trong mạng CNN; cơ chế Self-Attention trong Vision Transformer và Transformer AcT; cùng nguyên lý phân tách lề cực đại của SVC. Đồng thời, tác giả phân tích chi tiết giao thức WebRTC (getUserMedia, RTCPeerConnection, RTCDataChannel) và kiến trúc P2P/Mediasoup phục vụ truyền tải video thời gian thực.

CHƯƠNG 3: NỘI DUNG VÀ PHƯƠNG PHÁP

Chương 3 trình bày chi tiết bản thiết kế kỹ thuật của hệ thống HomeCamera. Tác giả mô tả chi tiết mô hình đề xuất tổng thể và phương pháp tiền xử lý dữ liệu. Toàn bộ tiến trình phát triển phần mềm được cụ thể hóa qua 4 giai đoạn: từ khâu thử nghiệm mô hình học sâu, đến thiết kế ca sử dụng (Usecase xem video trực tiếp, xem kết quả phát hiện, phát hiện hành động), thiết kế cơ sở dữ liệu (các bảng User, Camera, Detected Result), biểu đồ lớp (Class Diagram - Hình 3.4), biểu đồ tuần tự (Sequence Diagram - Hình 3.5, 3.6).

Giai đoạn xây dựng máy chủ trung gian WebRTC được diễn giải qua kiến trúc kết nối Mediasoup, tích hợp API phân tích luồng từ IP Camera và cơ chế tự động trích xuất, lưu trữ khung hình khi xảy ra sự cố té ngã. Cuối cùng, chương 3 trình bày chi tiết các giao diện ứng dụng Android đã được lập trình hoàn chỉnh.

CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ

Chương này tập trung vào quy trình thực nghiệm và kiểm định hiệu năng mô hình. Tác giả trình bày các kỹ thuật tiền xử lý: chuẩn hóa định dạng ảnh, nâng cao chất lượng ảnh đầu vào, áp dụng kỹ thuật kiểm định chéo K-Fold (Cross-Validation - Hình 4.3) và các giải pháp chống quá khớp (overfitting). Hiệu năng nhận diện được đánh giá qua 4 độ đo định lượng: Accuracy, Precision, Recall và F1-Score.

Tác giả tiến hành so sánh đối chiếu hiệu năng giữa các thuật toán trên hai bộ dữ liệu thực nghiệm:

  • Bộ dữ liệu hành vi bạo lực (Real life violence situation) - Bảng 4.1 và Bảng 4.3.
  • Bộ dữ liệu tư thế té ngã (Fall human) - Bảng 4.2.

Các phát hiện thực nghiệm ghi nhận trong chương cho thấy: Phương pháp kết hợp ước lượng khung xương qua OpenPose rồi đưa qua các bộ phân loại tuần tự (CNN, LSTM, Transformer AcT, SVC) gặp rào cản lớn về tốc độ xử lý trên phần cứng CPU (mất từ vài giây cho mỗi khung hình), không đáp ứng được yêu cầu thời gian thực. Ngược lại, YOLOv8 thể hiện ưu thế vượt trội về tốc độ phát hiện, khả năng nhận diện đa đối tượng trong không gian phức tạp và độ chính xác phân loại hộp giới hạn, giúp hệ thống vận hành ổn định trên luồng video trực tiếp.

CHƯƠNG 5: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN

Chương tổng kết đánh giá mức độ hoàn thành so với các mục tiêu ban đầu của đồ án, đồng thời nêu rõ các điểm hạn chế tồn đọng về mặt tài nguyên tính toán và đề xuất các hướng mở rộng kỹ thuật trong tương lai.

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả kỹ thuật và đóng góp học thuật - ứng dụng thực tiễn cụ thể:

  1. Kết quả thực nghiệm mô hình:
    • Thiết lập quy trình tiền xử lý, trích xuất đặc trưng tư thế người thông qua OpenPose và thực nghiệm so sánh đa mô hình phân loại (CNN, LSTM, Transformer, SVC, YOLOv8).
    • Chứng minh sự chênh lệch hiệu năng giữa hai nhóm phương pháp tiếp cận đối với bài toán nhận diện hành động bất thường trong video giám sát:
Phương pháp / Mô hình Đặc trưng đầu vào Cơ chế nhận diện Tốc độ xử lý trên CPU Khả năng đáp ứng thời gian thực
OpenPose + CNN 25 điểm khung xương (Keypoints) Trích xuất đặc trưng không gian qua các lớp tích chập Mất vài giây / khung hình Kém (nghẽn cổ chai tại bước trích xuất khung xương)
OpenPose + LSTM Chuỗi tọa độ khung xương theo thời gian Học phụ thuộc chuỗi không gian - thời gian Rất chậm trên CPU do tính toán tuần tự Không đáp ứng được thời gian thực
OpenPose + Transformer AcT Chuỗi vector token khớp cơ thể Cơ chế Self-Attention đa đầu bắt quan hệ dài hạn Chậm trên CPU do khối lượng tính toán ma trận lớn Không đáp ứng được thời gian thực
OpenPose + SVC Vector tọa độ và góc khớp đã chuẩn hóa Phân tách siêu phẳng với hàm nhân RBF Nhanh hơn các mạng sâu nhưng phụ thuộc OpenPose Hạn chế, trễ ở khâu tiền xử lý tư thế
YOLOv8 Toàn bộ khung hình video gốc Mạng tích chập đầu-cuối (Single-shot detection) Tối ưu hóa cao trên CPU/GPU, đạt tới 455 FPS (Tesla V100) Tối ưu, đáp ứng trực tiếp luồng stream thời gian thực

  1. Kết quả xây dựng ứng dụng thực tế:

    • Triển khai thành công hệ thống HomeCamera với ứng dụng di động Android kết nối với camera giám sát qua giao thức WebRTC, khắc phục triệt để vấn đề độ trễ truyền dữ liệu video.
    • Xây dựng thành công cơ chế lưu trữ tự động bằng chứng hình ảnh khi phát hiện sự cố té ngã và cảnh báo tức thời tới điện thoại người dùng.

  2. Đóng góp của tác giả tự nêu:

    • Khóa luận chứng minh tính khả thi của việc ứng dụng các kỹ thuật dự đoán của mô hình học sâu và học máy tích hợp trực tiếp vào ứng dụng di động để theo dõi hành vi thường ngày.
    • Cung cấp một giải pháp công nghệ hoàn chỉnh từ phần cứng camera, máy chủ WebRTC đến ứng dụng người dùng cuối, giải quyết bài toán thực tế về bảo vệ sức khỏe người cao tuổi và giám sát an ninh gia đình.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các nội dung được tác giả trình bày trong văn bản khóa luận, các mặt hạn chế và định hướng phát triển được xác định như sau:

  • Hạn chế của đề tài:

    • Gánh nặng tính toán: Việc vận hành các mô hình học sâu đòi hỏi lượng lớn tài nguyên phần cứng. Các mô hình kết hợp dựa trên OpenPose gặp tình trạng nghẽn cổ chai về tốc độ suy luận khi chạy trên CPU thông thường, gây khó khăn cho việc xử lý nhiều luồng video cùng lúc.
    • Phụ thuộc hạ tầng mạng: Việc duy trì truyền tải dữ liệu trực tiếp độ trễ thấp thông qua WebRTC đòi hỏi đường truyền internet ổn định; chất lượng kết nối mạng yếu sẽ ảnh hưởng trực tiếp đến tính liên tục của luồng giám sát.
    • Rủi ro an ninh và quyền riêng tư: Quá trình truyền phát và lưu trữ dữ liệu hình ảnh giám sát trong không gian sinh hoạt gia đình tiềm ẩn các thách thức về bảo mật thông tin nếu xảy ra sự cố trên hệ thống mạng.

  • Hướng nghiên cứu tiếp:

    • Tiếp tục tối ưu hóa kiến trúc mô hình và tinh chỉnh các siêu tham số (hyperparameters) nhằm gia tăng độ chính xác và giảm thiểu tiêu hao tài nguyên tính toán.
    • Mở rộng tập dữ liệu huấn luyện với đa dạng các góc quay camera, điều kiện ánh sáng và bối cảnh thực tế phức tạp để nâng cao khả năng tổng quát hóa của hệ thống.
    • Hoàn thiện thêm các tính năng tương tác hai chiều và nâng cao mức độ bảo mật cho dữ liệu truyền thông lượng lớn trên thiết bị di động.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn phù hợp cho sinh viên, học viên và các nhà phát triển thuộc các chuyên ngành Hệ thống Thông tin, Khoa học Máy tính, Kỹ thuật Phần mềm và Trí tuệ Nhân tạo Ứng dụng.

Công trình mang lại giá trị tham khảo rõ nét ở hai khía cạnh:

  1. Tài liệu tham khảo kiến trúc hệ thống: Đồ án cung cấp bức tranh toàn diện về việc tích hợp một mô hình thị giác máy tính vào một sản phẩm ứng dụng di động thực tế, từ khâu thiết kế ca sử dụng, lược đồ cơ sở dữ liệu, biểu đồ tuần tự đến việc triển khai máy chủ truyền phát WebRTC (Mediasoup) độ trễ thấp.
  2. Tài liệu tham khảo thực nghiệm thị giác máy tính: Khóa luận tổng hợp hệ thống lý thuyết chi tiết và so sánh thực nghiệm giữa phương pháp phát hiện đối tượng đơn giai đoạn (YOLOv8, YOLO-NAS) với phương pháp trích xuất khung xương kết hợp phân loại (OpenPose kết hợp CNN, LSTM, Transformer, SVC), giúp người làm đề tài tương tự có căn cứ thực tế để lựa chọn kiến trúc phù hợp với ràng buộc phần cứng.

Câu hỏi thường gặp

1. Ứng dụng HomeCamera được thiết kế nhằm giải quyết những tình huống nguy hiểm cụ thể nào? Ứng dụng HomeCamera được thiết kế để giám sát người cao tuổi sống một mình hoặc theo dõi nhà ở khi vắng người, tập trung phát hiện sớm các biểu hiện bất thường gồm nguy cơ té ngã, các vấn đề sức khỏe nghiêm trọng và các hành vi bạo lực xảy ra trong gia đình để kịp thời gửi cảnh báo đến người thân.

2. Vì sao tác giả lựa chọn thuật toán YOLOv8 thay vì các mô hình kết hợp OpenPose với CNN hoặc LSTM cho bài toán thực tế? Mặc dù OpenPose kết hợp với CNN hoặc LSTM có khả năng biểu diễn tư thế chi tiết và nắm bắt quan hệ thời gian, nhưng quá trình ước lượng khung xương và phân loại tuần tự đòi hỏi tài nguyên tính toán rất lớn, làm thời gian xử lý trên CPU kéo dài tới vài giây cho mỗi khung hình. Trong khi đó, YOLOv8 là mô hình Single-shot tối ưu, cho tốc độ xử lý vượt trội (lên tới 455 FPS trên GPU Tesla V100), khả năng nhận diện đa đối tượng và các vật thể nhỏ/góc khuất tốt, đáp ứng yêu cầu phân tích video thời gian thực.

3. Công nghệ nào được tác giả sử dụng để truyền tải video trực tiếp từ camera về ứng dụng với độ trễ thấp? Tác giả sử dụng công nghệ WebRTC (Web Real-Time Communication) kết hợp với máy chủ Mediasoup. Công nghệ này cho phép ứng dụng di động và thiết bị camera kết nối, truyền tải luồng dữ liệu hình ảnh/âm thanh trực tiếp với độ trễ thấp và chất lượng kết nối cao.

4. Những bộ dữ liệu nào đã được sử dụng để huấn luyện và đánh giá các mô hình trong nghiên cứu? Nghiên cứu sử dụng hai bộ dữ liệu thực nghiệm chuyên biệt: Bộ dữ liệu về hành vi té ngã của con người (Fall human dataset) và Bộ dữ liệu về các tình huống bạo lực trong đời thực (Real life violence situation dataset).

5. Hệ thống HomeCamera quản lý dữ liệu thông qua những thực thể cơ sở dữ liệu chính nào? Theo lược đồ thiết kế của đề tài, cơ sở dữ liệu hệ thống tập trung vào ba thực thể chính: thực thể người dùng (User - quản lý tài khoản và định danh), thực thể camera (Camera - quản lý kết nối, địa chỉ IP và trạng thái thiết bị) và thực thể kết quả nhận diện (Detected Result - lưu trữ thời điểm, hình ảnh bằng chứng và loại hành vi nguy hiểm được phát hiện).

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Anh Thư đã giải quyết trọn vẹn bài toán xây dựng hệ thống giám sát an ninh thông minh tại nhà nhằm hỗ trợ bảo vệ người cao tuổi và cảnh báo các mối nguy tiềm ẩn. Bằng việc thực nghiệm so sánh giữa các kiến trúc học sâu (YOLOv8, YOLO-NAS, CNN, LSTM, Transformer, SVC) và tích hợp giao thức truyền thông WebRTC, công trình đã chứng minh tính khả thi của việc đưa các mô hình thị giác máy tính vào vận hành thời gian thực trên ứng dụng di động Android. Toàn bộ thiết kế phần mềm, cấu trúc dữ liệu và kết quả đánh giá thực nghiệm trong khóa luận cung cấp một tài liệu kỹ thuật có giá trị tham khảo cao cho các nghiên cứu ứng dụng trí tuệ nhân tạo vào hệ thống giám sát đời sống.