Mô hình lưới phân loại cho phát hiện đối tượng từ hình ảnh camera

Mục tiêu của nghiên cứu này là để tăng hiệu năng của hệ thống phát hiện đối tượng trong khi vẫn giữ được tính ổn định, độ chính xác cũng như tốc độ trực tuyến của việc phát hiện đối tượng từ Camera.

TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 19, Số (2021) MÔ HÌNH LƯỚI PHÂN LOẠI CHO PHÁT HIỆN ĐỐI TƯỢNG TỪ HÌNH ẢNH CAMERA Nguyễn Đăng Bình Khoa Cơng nghệ Thơng tin, Trường Đại học Khoa học, Đại học Huế Email: ndbinh@husc.edu.vn Ngày nhận bài: 11/6/2021; ngày hoàn thành phản biện: 16/6/2021; ngày duyệt đăng: 02/11/2021 TĨM TẮT Mơ hình lưới phân loại cho thấy lựa chọn đáng quan tâm để phát đối tượng từ hình ảnh camera Bằng cách áp dụng phân loại đơn cho vùng cụ thể hình ảnh Mục tiêu nghiên cứu để tăng hiệu hệ thống phát đối tượng giữ tính ổn định, độ xác tốc độ trực tuyến việc phát đối tượng từ Camera Đóng góp nghiên cứu mơ hình lưới phân loại ý tưởng liên kết phân loại ngoại tuyến với phân loại trực tuyến lưới theo cách tiếp cận thích nghi nhằm gia tăng ổn định phát đối tượng môi trường đối tượng thay đổi Kết thực nghiệm cho thấy kết phân loại độ xác cao với diện đối tượng không di chuyển, đối tượng có kích thước tư khác mơi trường phức tạp Từ khóa: phát đối tượng, học trực tuyến, lưới phân loại MỞ ĐẦU Với ngày gia tăng số lượng camera giám sát nhu cầu hệ thống giám sát đồng liệu trực quan hình ảnh đòi hỏi thực tế ngày gia tăng Một bước nhiều ứng dụng hệ thống giám sát thông minh xác định đối tượng, hướng tới giám sát trực quan; phát đối tượng từ camera môi trường thực Để đảm bảo phát đối tượng xác mà không cần can thiệp người phát triển cách tiếp cận khác mà cho phép kết hợp với thơng tin khung cảnh cụ thể thời điểm khác Cách tiếp cận bật phổ biến áp dụng kỹ thuật cửa sổ trượt [1, 2, 3, 4, 5, 7, 8] Mỗi vùng ảnh hình ảnh định thử nghiệm cho dù phù hợp với mơ hình ước tính trước hay không, cuối tất vùng ảnh phù hợp thông báo kết Thông thường, mục tiêu phương pháp xây dựng mô hình chung mà áp dụng cho tất 11 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera kịch có thể, tốn phát đối tượng khác [7, 8, 12] Các nghiên cứu làm tốn nhiều công sức nhiều thời gian để chuẩn bị mẫu Thêm vào mẫu chuẩn bị từ trước nên áp dụng vào khung cảnh để phát đối tượng khơng phát huy hiệu quả, muốn hiệu phải huấn luyện lại với mẫu cập nhật bổ sung thích nghi mẫu khung cảnh Điều phải có mơ hình mới, lưới phân loại với cách tiếp cận học máy sở kết hợp học ngoại tuyến trực tuyến Đóng góp báo gồm: (1) Mơ hình lưới phân loại dựa kết hợp học trực tuyến ngoại tuyến với chiến lược cập nhật có hiệu nhằm gia tăng ổn định phát đối tượng môi trường đối tượng thay đổi; (2) Xây dựng mô thực nghiệm với liệu benchmark dùng rộng rãi so sánh nghiên cứu cơng bố cơng khai Phần cịn lại báo tổ chức sau: Trong phần 2, đề cập đến vấn đề nghiên cứu liên quan Trong phần 3, giới thiệu mơ hình lưới phân loại dựa liên kết học ngoại tuyến trực tuyến dùng cho phát đối tương Phần đưa đánh giá thực nghiệm phương pháp đề xuất Cuối cùng, kết luận mục ĐÁNH GIÁ MỘT SỐ NGHIÊN CỨU LIÊN QUAN Để cải thiện sức mạnh phân loại tiếp tục giảm số lượng mẫu huấn luyện phân loại thích nghi sử dụng thuật tốn học trực tuyến áp dụng [11] Vì vậy, hệ thống thích nghi thay đổi mơi trường (ví dụ, thay đổi điều kiện ánh sáng) biến đổi mà không cần phải xử lý mơ hình ban đầu Trong thực tế, theo cách phức tạp toán giảm phân loại huấn luyện hiệu Các hệ thống thích nghi có nhược điểm: liệu chưa gán nhãn đưa vào mơ hình xây dựng Cách tiếp cận điển hình tự huấn luyện [14], huấn luyện đồng thời [4, 13], học bán giám sát [8] Các phương pháp bán giám sát, thường sử dụng kết hợp thông tin cho trước khai phá mẫu từ liệu có sẵn để hình thành nên phân loại Phương pháp tự huấn luyện hay huấn luyện đồng thường gặp hạn chế ràng buộc lý thuyết đảm bảo thực tế dựa vào phản hồi phân loại hành, hai kết phân loại không đáng tin cậy Các phân loại hữu hiệu tránh vấn đề huấn luyện sử dụng lưới phân loại [6, 9, 10] Ngược lại với kỹ thuật cửa sổ trượt, phân loại lượng hóa với vị trí khác ảnh, ý tưởng lưới phân loại huấn luyện phân loại riêng biệt cho vị trí khác hình ảnh Như vậy, phức tạp nhiệm vụ phân loại xử lý phân loại đơn độ phức tạp giảm đáng kể Mỗi phân loại phân biệt đối tượng cần phát từ ảnh vị trí cụ thể ảnh 12 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 19, Số (2021) Bằng cách sử dụng hệ thống phân loại trực tuyến thích nghi với thay đổi điều kiện môi trường, làm giảm phức tạp phân loại MƠ HÌNH LƯỚI PHÂN LOẠI 3.2 Lưới phân loại Ý tưởng lưới phân loại khai thác kiến thức phân loại sẵn có cho trước với camera cố định Bằng cách sử dụng thơng tin này, tồn nhiệm vụ phát đối tượng đơn giản hóa để lấy mẫu từ đầu vào hình ảnh sử dụng cố định lưới lồng vào (cả vị trí tỉ lệ), phần tử lưới i=1 N tương ứng với phân loại Ci Điều minh họa Hình Như vậy, nhiệm vụ phân loại thực theo phân loại Ci đơn giản hóa phân biệt với ảnh với phần tử lưới cụ thể từ đối tượng cần quan tâm Hơn nữa, camera cố định cho phép ước tính mặt phẳng ảnh nền, tiếp tục giúp giảm số lượng phân loại lưới phân loại Do đơn đơn giản hóa phân loại phức tạp áp dụng Đặc biệt, biểu diễn dựa lưới thích hợp cho phân loại trực tuyến gọn nhỏ, đánh giá lượng hóa cập nhật hiệu Hình Ý tưởng lưới phân loại theo nguyên tắc chia để trị Ảnh chia thành vùng với lưới chồng lấp cao vị trí tỉ lệ, phần tử lưới có phân loại riêng chịu trách nhiệm phát đối tượng vùng Tại thời điểm t chiến lược cập nhật cố định sử dụng cho mẫu dương mẫu âm phân loại Cit-1 Cho tập biểu diễn mẫu dương gán nhãn X+, sau sử dụng  x, + , x  X + Để cập nhật phân loại mẫu dương theo định nghĩa Xác suất mà đối tượng xuất mẫu xi cho p( xi , object ) = # pi ; #pi số đối tượng xuất vùng cụ thể t khoản thời gian Δt Do đó, cập nhật mẫu âm với mẫu tương ứng cho phân loại tương ứng với lưới thiết lập  xi , t , − , x  X + xác với phần lớn thời gian với xác suất p(xi = object) Với tiếp cận này, xác suất cập nhật sai cho mẫu cụ thể thật thấp 13 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera 3.2 Bộ phân loại dựa kết hợp học ngoại tuyến trực tuyến Kết hợp Boosting ngoại tuyến để lựa chọn đặc trưng với Boostring trực tuyến để lựa chọn đặc tính cho phép kết hợp thông tin từ liệu cho trước với thông tin mà thông tin khơng có sẵn huấn luyện phân loại ngoại tuyến Kết hợp minh họa Hình Hình Mơ hình kết hợp học ngoại tuyến trưc tuyến: mơ tả hoạt động thuật tốn Boosting ngoại truyến Boosting trực tuyến lựa chọn đặc trưng L eoj ff −line =  Dt (n).I (h j ( xl )  yl ) ; Thuật toán 1: Huấn luyện ngoại tuyến l =1 Vào: Tập mẫu huấn luyện S = ( x1 , y1 ), , ( xL , yL ) | y i −1, +1 Ra: Chọn J phân loại yếu tốt để khởi tạo chọn chọn t với đặc trưng phù hợp H ( x) == sign( t =1t ht ( x)) T Phương pháp: Khởi tạo trọng số D1 (i) = Chọn  t = ln ; L − etoff −line ; etoff −line Cập nhật phân bố trọng số for t = 1, 2,…, T Dt +1(l ) = Đối với đặc trưng j huấn luyện phân loại yếu hj: X → Y với lỗi phân bố Dt Dt ( l ) Zt exp(− t ) h( xl ) = yl   exp( t ) h( xl )  yl end for Thuật toán 2: Huấn luyện trực tuyến kết hợp với huấn luyện ngoại tuyến 14 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Vào: - Mẫu huấn luyện x, y , y  − 1,+1; wrong - Khởi tạo corr =1; t , j = t ,, j - Khởi tạo trọng số λ = Ra: H ( x) = sign( t =1t ht ( x)) else twrong = twrong + ; ,, j ,, j et , j = ( off −line et , j + eton, j−line end for j + = arg (et , j ) ; et = et , j + ; j Phương pháp: for j = 1,2,…, J ht , j = update (ht , j x, y ,  ) ; corr if ht , j ( x) = y then corr ; t , j = t , j +  ); T for t = 1,2,…,T Tập 19, Số (2021) ht = ht , j + ;   2.(1 − e ) ht ( xi ) = yi  t  − et  ;  =  x    t = ln   ht ( xi )  yi  et   2.en 10 end for 3.3 Áp dụng mơ hình kết hợp học ngoại tuyến học trực tuyến cho lưới phân loại Với ý tưởng xây dựng hệ thống phát đối tượng dựa lưới phân loại Cụ thể, áp dụng phương pháp học liên kết Boosting trực tuyến với học ngoại tuyến để huấn luyện phân loại với việc sử dụng quy tắc cập nhật cố định có xác minh dựa vào phân loại đối tượng huấn luyện trước Dựa vào đó, hệ thống phát đối tượng dựa lưới phân loại bao gồm giai đoạn đánh giá cập nhật mơ tả Hình Hình Lưới phân loại Mỗi phần tử lưới phân loại độc lập, có kích thước cố định Để thích ứng với thay đổi khung cảnh, phân loại cập nhật quy tắc cập nhật kết hợp với việc xác minh mẫu sử dụng phân loại dược huấn luyện trước Để khai thác thông tin có sẵn cho trước, báo đề xuất cách tiếp cận liên kết Boosting ngoại tuyến trực tuyến với Boosting ngoại tuyến dùng để khởi tạo phân loại với đặc trưng phù hợp với tốn cụ thể Q trình lựa chọn đặc trưng cho phép xử lý tình thay đổi cách hiệu cách 15 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera chuyển đổi đặc trưng khác lựa chọn đặc trưng phù hợp cho toán thực tế Vì vậy, phát triển thuật tốn Boosting ngoại tuyến [2] thành thuật tốn Boosting ngoại tuyến có lựa chọn đặc trưng mơ tả Thuật tốn 1, thay lựa chọn phân loại yếu tốt vịng lặp chọn J phân loại yếu tốt vòng lặp Hơn nữa, để giữ cho thông tin từ Boosting ngoại tuyến lựa chọn đặc trưng, báo cải tiến thuật toán Boosting trực tuyến [3] cho lựa chọn đặc trưng Thuật tốn Ở việc tính lỗi sửa đổi tính tốn lại lỗi kết hợp dựa lỗi ngoại tuyến lỗi trực tuyến −line et , j = (etoff + eton, j−line ) Bằng cách sử dụng Thuật toán 2, học trực tuyến, hệ ,j thống dựa lưới phân loại có khả phát thích nghi cao ổn định với thay đổi đối tượng môi trường hạn chế Roth cộng [6] giải Để xây dựng phát nói cần thực bước sau: Huấn luyện phân loại ngoại tuyến trước: Cho tập cố định X+ mẫu đối tượng cần huấn luyện Bước ta huấn luyện phân loại sử dụng thuật tốn boosting ngoại tuyến Với đặc tính fj chọn ta ước tính phân phối Dl+ tương ứng lỗi e+off −line trình huấn luyện, lỗi giữ cố định suốt trình huấn luyện trực tuyến sau Cập nhật phân loại trực tuyến: Phân phối Dl- mẫu đối tượng cập nhật thông qua vùng ảnh phân phối Dl+ giữ cố định Dựa vào hai phân phối Dl+ Dl- ta xây dựng mơ hình phân biệt đối tượng/ khơng đối tượng cho phân loại yếu tượng ứng với đặc tính Hình thể phân phối Dl+ Dl- Lựa chọn đặc tính trực tuyến: q trình lựa chọn đặc tính, lỗi huấn luyện tính tốn Như trình bày phần trước, phân loại yếu có lỗi nhỏ chọn Cuối cùng, ta phân loại mạnh H(x) Ta sử dụng H(x) để đánh giá khung hình mới, H(x) trả kết lớn ngưỡng cho trước (ví dụ: lớn 0) đối tượng, ngược lại khơng phải đối tượng 16 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 19, Số (2021) Hình Với đặc tính fj, ngưỡng  tính Hình Quy tắc cập nhật toán dựa hai phân phối Dl+ Dl- Phát đối tượng chiến lược cập nhật Trong giai đoạn đầu, hệ thống huấn luyện cách đồng thể Hình Cho lưới có n phân loại Gj hoạt động vùng ảnh Xj phân loại C khởi động theo phương thức trượt cửa sổ trừ ảnh B Để bắt đầu huấn luyện đồng bộ, phân loại Gj phân loại khởi động với phân loại huấn luyện ngoại tuyến (Thuật toán 1) Các phân loại lưới Gj phân loại C thao tác trừ ảnh đồng thời với Một phân lớp đáng tin cậy phân loại Gj sử dụng để cập nhật phân loại C với trừ đại diện vị trí j Ngược lại, phân lớp có độ tin cậy C vị trí j tạo mẫu cập nhật cho phân loại Gj Thông tin cho trước phân loại ngoại truyến thu giữ thông tin chung gây số lượng nhỏ cập nhật đủ khả thích nghi với phân loại khung cảnh hình ảnh Hình Giai đoạn khởi tạo lưới: lưới phân loại phía bên trái đồng huấn luyện với phân loại độc lập hoạt động hình ảnh loại bỏ bên phải Bộ phân loại C sử dụng sinh liệu mẫu dương cập nhật mẫu âm cập nhật cho phân loại lưới (Thuật toán 2) Cập nhật đối tượng dương lan rộng cho tất phân loại lưới cập nhật mẫu âm thực phân loại cụ thể lưới 17 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera Hình Hình ảnh minh họa giai đoạn phát cập nhật đồng thời phân loại lưới THỰC NGHIỆM VÀ KẾT QUẢ Để minh chứng điểm mạnh cách tiếp cận đề xuất, nghiên cứu thực thực nghiệm, đối tượng người Nghiên cứu lựa chọn số liệu công bố công khai dùng cho lượng hóa kết nghiên cứu để tiến hành thực nghiệm Từ thí nghiệm lợi ích phương pháp đề xuất rõ ràng Đối với thực nghiệm phát người bộ, Mỗi phần loại có 20 chọn, chọn gồm 10 phân loại yếu Để tăng vững cập nhật mẫu âm, hệ thống thu thập chồng lấp bốn vùng hình ảnh hoạt động bốn khoản thời gian khác 4.1 Thực nghiệm 1: Bộ liệu PETS Trong thực nghiệm này, nghiên cứu sử dụng liệu PETS (http://www.cvg.reading.ac.uk/PETS2006/data.html) công bố công khai số liệu năm 2006 bao gồm 308 khung hình (720 × 576 pixel), có 1.714 người Nghiên cứu so sánh cách tiếp cận với phương pháp tiên tiến khác, cụ thể mơ hình đối tượng biến dạng Felzenszwalb cộng năm 2008 [7] Biểu đồ hướng tiếp cận Gradients Dalal Triggs năm 2005 [5] Cả hai phương pháp sử dụng cố định phân loại huấn luyện ngoại tuyến dựa kỹ thuật cửa sổ trượt Ngoài ra, báo so sánh phương pháp tiếp cận cho lưới phân loại phương pháp 18 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 19, Số (2021) Roth cộng [6] Phương pháp tiếp cận lưới phân loại sử dụng thông tin để tạo lưới, loại bỏ tất đối tượng dương phát sai cho cửa sổ trượt dựa phát nhỏ 75% lớn 125% kích thước groundtruth để đảm bảo so sánh cơng Hình RPC: Recall-precision cho PETS2006 chuỗi phát tiên tiến khác so với tiếp cận phương pháp đề xuất Các kết thể Hình 8, thấy cách tiếp cận phương pháp đề xuất phân loại ổn định phát đối tượng liệu cách tiếp cận phân loại lưới ban đầu, coi sở cho phương pháp đề xuất Ngồi ra, Bảng 1, cung cấp thơng tin recall, độ xác cho giá trị F-Measure tốt Kết minh họa phát đối tượng thể Hình Bảng So sánh Recall Precision So Sánh Phương pháp Recall Precision F-Measure Felzenszwalb cộng (FS) [7] 0.73 0.88 0.79 Dalal Triggs (DT) [5] 0.50 0.88 0.64 Roth cộng (CG) [6] 0.78 0.79 0.78 Phương pháp đề xuất (Proposed) 0.86 0.96 0.90 19 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera Hình Minh họa kết phát phương pháp tiếp cận liệu PETS 4.2 Thực nghiệm 2: Bộ liệu Caviar Bộ liệu Caviar hiển thị hành lang trung tâm mua sắm từ hai góc khác Góc bên hơng hành lang, góc thứ hai nhìn trực diện (https://groups.inf.ed.ac.uk/vision/CAVIAR/CAVIARDATA1/) Vì nghiên cứu báo quan tâm đến trình phát người với tỷ lệ thay đổi nên tập trung vào liệu Dữ liệu có dạng MPEG JPEG có độ phân giải 384x288 Đối với thực nghiệm lựa chọn tập liệu phức tạp để đánh giá ShopAssistant2cor có chưa số lượng lớn người (1265) Có 370 khung hình vơi kích thước hình ảnh 384 x 128 Để tiến hành thực nghiệm với phương pháp tiếp cận dựa lưói phân loại liệu Caviar, tham số sau khởi tạo: Kích thước vùng ảnh: 32 x 64 Số chọn dùng để huấn luyện trực tuyến cho phân loại là: 10 Số phân loại yếu chọn 20 Hình 10 RPC: Recall-precision cho Caviar Dataset Kết chuỗi liệu Caviar thể Hình 10 Bảng Một lần thấy lưới phát thích nghi tốt hơn phát đối tượng chung [5, 7], đặc biệt Recall Kết minh họa phát đối tượng thể Hình 11 20 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 19, Số (2021) Bảng So sánh Recall Precision So Sánh Phương pháp Recall Precision F-Measure Felzenszwalb cộng (DPM-FS) [7] 0.62 0.90 0.74 Dalal Triggs (HOG-DT) [5] 0.41 0.91 0.57 Roth cộng (CG-OOL) [6] 0.78 0.87 0.82 Phương pháp đề xuất 0.92 0.93 0.92 Hình 11 Minh họa kết phát đối tượng người liệu Caviar KẾT LUẬN Trong báo này, phương pháp lưới phân loại cho toán phát đối tượng ảnh từ camera đề xuất; Ở với phân loại lưới huấn luyện kết hợp học ngoại tuyến học trực tuyến Nghiên cứu kết hợp với phân loại huấn luyến trước cách cẩn thận dùng để xác minh kiểm tra mẫu trước cập nhật Tiếp tục giữ mấu dương đại diện cố định tạo tập mẫu âm ước tính từ mơ hình Thực nghiệm mơ hình lưới phân loại tiến hành hai liệu PETS2006 CAVIAR Các kết thực nghiệm, đánh giá so sánh với phương pháp khác liệu cho thấy phương pháp đề xuất cho tốn phát đối tượng có độ xác cao, thời gian đảm bảo thực trực tuyến, thích nghi với nhiều mơi trường vấn đề thất lạc đối tượng hệ thống phát đối tượng giải Hướng tiếp cận 21 Mô hình lưới phân loại cho phát đối tượng từ hình ảnh camera báo phát triển thành mơ hình lưới phân loại với nhiều đối tượng phát khác nhằm đáp ứng toán thực tế TÀI LIỆU THAM KHẢO [1] Agarwal S., Awan A., Roth D (2004) Learning to detect objects in images via a sparse, partbased representation IEEE Trans on Pattern Analysis and Machine Intelligence, 26 (11), 1475– 1490 [2] Freund Y and Schapire R (1999) A short introduction to boosting Journal of Japanese Society for Artificial Intelligence, 771–780 [3] Grabner H and Bischof H (2006) On-line boosting and vision In Proc IEEE Conf on Computer Vision and Pattern Recognition, 260–267 [4] Blum A., Mitchell T (1998) Combining labeled and unlabeled data with co-training” In: Proc Conf on Computational Learning Theory, 92–100 [5] Dalal N., Triggs B (2005) Histograms of oriented gradients for human detection In: Proc IEEE Conf on Computer Vision and Pattern Recognition, 886–893 [6] Roth P M., Sternig S., Grabner H., Bischof H (2009).Classifier grids for robust adaptive object detection In: Proc IEEE Conf on Computer Vision and Pattern Recognition, 2727-2734 [7] Felzenszwalb P., McAllester D., Ramanan D (2008) A discriminatively trained, multiscale, deformable part model In: Proc IEEE Conf on Computer Vision and Pattern Recognition, 1-8 [8] Goldberg A B., Li M., Zhu X Online manifold regularization: A new learning setting and empirical study In: Proc European Conf on Machine Learning and Knowledge Discovery in Databases, 393–407 [9] Grabner H., Roth P M., Bischof H (2007) Is pedestrian detection really a hard task In: Proc Tenth IEEE International Workshop on PETS, 1-9 [10] Stalder S., Grabner H., Gool L (2009) Exploring context to learn scene specific object detectors”, In: Proc IEEE Int’l Workshop on Performance Evaluation of Tracking and Surveillance, 63-70 [11] Javed O., Ali S., Shah M (2005) Online detection and classification of moving objects using progressively improving detectors In: Proc IEEE Conf on Computer Vision and Pattern Recognition, 696–701 [12] Leibe B., Leonardis A., Schiele B (2008), Robust object detection with interleaved categorization and segmentation International Journal of Computer Vision, 77 (1–3), 259–289 [13] Levin A., Viola P., Freund Y (2003) (2003) Unsupervised improvement of visual detectors using co-training”, In: Proc ICCV, 626–633 [14] Li L J., Wang G., Fei-Fei L (2007) Optimol: automatic online picture collection via incremental model learning In: Proc IEEE Conf on Computer Vision and Pattern Recognition, 1–8 22 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 19, Số (2021) GRID CLASSIFIER MODEL FOR OBJECT DETECTION FROM CAMERA IMAGES Nguyen Dang Binh Faculty of Information Technology, University of Sciences, Hue University Email: ndbinh@husc.edu.vn ABSTRACT The grid classifier approach has proven to be a viable option for detecting objects in camera images Each specific region on the image is classified using a single classifier The goal of this work is to improve the object detection system's performance while maintaining the stability, accuracy, and online speed of object identification via a camera This paper's contribution is a grid classifier model based on the idea of combining the off-line and on-line classifiers in a grid in an addaptive method to improve object detection stability when the environment and object change Experimental results show high accuracy classification results in the presence of non-moving objects, objects of different sizes and postures in complex environments Keywords: object detection, on-line learning, grid classifiers Nguyễn Đăng Bình Sinh ngày 08/11/1974 Thừa Thiên Huế Năm 1996, ông tốt nghiệp Đại học ngành Toán - Tin Trường Đại học Sư phạm, Đại học Huế Ơng nhận thạc sỹ Cơng nghệ thông tin Trường Đại học Bách Khoa Hà Nội năm 2022; nhận học vị Tiến sĩ ngành Công nghệ thông tin Viện Công nghệ Kyushu, Nhật Bản, hoàn thành nghiên cứu Sau tiến sĩ Viện Thị giác Đồ họa máy tính năm 2008 Đại học Cơng nghệ Graz, Cộng hịa Áo Hiện ơng công tác khoa Công nghệ Thông tin, Trường Đại học Khoa học, Đại học Huế Lĩnh vực nghiên cứu: Học máy, Thị giác máy tính, Nhận dạng Xử lý ảnh số 23 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera 24 ... nhật đối tượng dương lan rộng cho tất phân loại lưới cập nhật mẫu âm thực phân loại cụ thể lưới 17 Mô hình lưới phân loại cho phát đối tượng từ hình ảnh camera Hình Hình ảnh minh họa giai đoạn phát. .. nhiều môi trường vấn đề thất lạc đối tượng hệ thống phát đối tượng giải Hướng tiếp cận 21 Mơ hình lưới phân loại cho phát đối tượng từ hình ảnh camera báo phát triển thành mơ hình lưới phân loại. .. tưởng lưới phân loại huấn luyện phân loại riêng biệt cho vị trí khác hình ảnh Như vậy, phức tạp nhiệm vụ phân loại xử lý phân loại đơn độ phức tạp giảm đáng kể Mỗi phân loại phân biệt đối tượng