Phát hiện và bám đuổi cá bằng phương pháp GMM kết hợp Frame-Differencing

Trong bài báo này, thuật toán với sự kết hợp giữa Mô hình hỗn hợp Gauss và Frame Differencing (CGMMFD) được đề xuất. Phương pháp này được mong đợi cho kết quả khả quan đối với các tình huống bám đuổi khác nhau. Cũng trong bài báo này, các tiêu chí đánh giá được xây dựng cụ thể để đánh giá sự hiệu quả của mỗi phương pháp cho từng trường hợp cụ thể. Mời các bạn cùng tham khảo!

Hội Thảo Quốc GiaGia 2015 vềvề Điện Truyền NghệThông ThôngTin Tin(ECIT (ECIT2015) 2015) Hội Thảo Quốc 2015 ĐiệnTử, Tử, TruyềnThông Thôngvà vàCông Công Nghệ Phát bám đuổi cá phương pháp GMM kết hợp Frame-Differencing Nguyễn Đình Minh Nhật, Huỳnh Nhƣ Kiên, Võ Ngọc Nhân Phạm Văn Tuấn Trung Tâm Xuất Sắc, Trƣờng Đại Học Bách Khoa – Đại Học Đà Nẵng Đà Nẵng, Việt Nam Email: pvtuan@dut.udn.vn Trung Tâm Xuất Sắc, Trƣờng Đại Học Bách Khoa – Đại Học Đà Nẵng Đà Nẵng, Việt Nam Email: ndmnhat71@gmail.com, vongocnhan4292@gmail.com, nhukienhuynh6392@gmail.com bám đuổi Mean shift (MS) [6, 7] lọc Particle (PF) [8, 9] Hai phƣơng pháp chứng minh thích hợp cho việc bám đuổi vật thể có hình dạng thay đổi Tóm tắt— Phát bám đuổi cá (FDT) bước quan trọng nghiên cứu hải dương học, đặc biệt việc dự đoán thay đổi chất lượng nguồn nước biến động số lượng cá quần thể Trong báo này, thuật toán với kết hợp Mơ hình hỗn hợp Gauss Frame Differencing (CGMMFD) đề xuất Phương pháp mong đợi cho kết khả quan tình bám đuổi khác Cũng báo này, tiêu chí đánh giá xây dựng cụ thể để đánh giá hiệu phương pháp cho trường hợp cụ thể Các kết thực nghiệm phương pháp cho xác bám đuổi lớn khí so với bốn phương pháp khác Trừ nền, Mơ hình hỗn hợp Gauss, Bám đuổi Mean shift Lọc particle Trong khí phương pháp có khó khăn để bám đuổi cá vài trường hợp định phương pháp đề xuất hoạt động tốt cho tình khác Trong vài trƣờng hợp định, vài số bốn phƣơng pháp cho hiệu suất phát bám đuổi cá cao Tuy nhiên, không phƣơng pháp phù hợp cho tất trƣờng hợp đặt Do đó, báo này, phƣơng pháp CGMMFD đƣợc đề xuất Phƣơng pháp kết hợp GMM, lọc Kalman Frame-Differencing FrameDifferencing đƣợc sử dụng kĩ thuật phát vị trí cá cho khung hình mà GMM Đặc biệt khoảng từ 10 đến 15 khung hình mơ hình chƣa đƣợc hoàn thành GMM Đối với vấn đề bóng xuất hiện, GMM tạo nhiều khối mà cá Trong trƣờng hợp này, khối gần với tọa độ trọng tâm trƣớc cá đƣợc chọn nhƣ khối thật cá Nhƣ vậy, tất vấn đề xảy hệ thống FDT đƣợc khắc phục phƣơng pháp CGMMFD Từ khóa—Phát bám đuổi cá, CGMMFD, Mean Shift, Lọc particle I GIỚI THIỆU Phần lại báo đƣợc trình bày nhƣ sau Trong phần II, phƣơng pháp CGMMFD đƣợc giới thiệu Phần III cho thấy kết thực nghiệm phân tích đánh giá phƣơng pháp dựa kết phƣơng pháp MB, GMM, MS, PF phƣơng pháp đƣợc đề xuất CGMMFD ngữ cảnh bám đuổi khác Trong năm gần đây, bám đuổi vật thể nhận đƣợc nhiều quan tâm Đối với ứng dụng Phát bám đuổi cá, Lọc Alpha-Beta and Lọc Kalman [1] kĩ thuật phổ biến đƣợc sử dụng cho bám đuổi vật thể Phƣơng pháp bám đuổi khối đƣợc sử dụng để bám đuổi cá Do đó, phƣơng pháp đƣợc sử dụng ứng dụng thống kê số lƣợng cá [2] Đối với việc phát cá tự động [3], phƣơng pháp dựa vào thuật tốn phân loại thuộc tính Haar-like xếp lớp đƣợc tạo cách sử dụng ảnh dƣới nƣớc từ thiết bị điều khiển từ xa dƣới điều kiện khảo sát đại dƣơng II Kết thực nghiệm cho thấy hai phƣơng pháp GMM Ƣớc lƣợng trung bình (MB) khơng thích hợp cho trƣờng hợp cá đứng yên Trong đó, Bám đuổi Mean shift Lọc particle tạo hiệu bám đuổi khơng cao xuất bóng cá video Do đó, bốn phƣơng pháp khơng hiệu áp dụng vào ứng dụng FDT Từ đó, nghiên cứu này, kết hợp GMM Frame-Differencing với Lọc Kalman đƣợc kiểm nghiệm Phƣơng pháp cho kết đầy khả quan tất trƣờng hợp Các chi tiết giải thuật đƣợc trình bày phần Trong hệ thống FDT này, vấn đề gây khó khăn xuất bóng cá, cá không di chuyển cá di chuyển với vận tốc khác Để giải vấn đề trên, báo này, bốn phƣơng pháp bám đuổi mà đƣợc sử dụng rộng rãi nhiều ứng dựng bám đuổi thời gian thực đƣợc kiểm thử Phƣơng pháp kết hợp Trừ lọc Kalman Trong đó, ảnh đƣợc tạo phƣơng pháp ƣớc lƣợng trung bình (MB) Trong phƣơng pháp thứ hai, Mơ hình hỗn hợp Gauss (GMM) [3] đƣợc sử dụng để phát cá, sau đó, lọc Kalman [4, 5] bám đuổi cá Độ xác hai phƣơng pháp phụ thuộc nhiều vào chất lƣợng đƣợc tạo Phƣơng pháp thứ ba thứ tƣ ISBN: 978-604-67-0635-9 SỰ KẾT HỢP GIỮA GMM VÀ FRAME-DIFFERENCING A Thuật toán Frame-Differencing Phát vật thể chuyển động từ chuỗi khung hình đƣợc thực rộng rãi thuật toán Frame-Differencing Nguyên lý phƣơng pháp phát vận thể 443 443 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) chuyển động từ khác khung hình khung hình quy ƣớc Phƣơng pháp thiết lập giá trị ngƣỡng sau trừ hai khung hình xem điểm ảnh nhƣ phần mục tiêu chuyển động miễn khác điểm ảnh lớn giá trị ngƣỡng Trong báo này, Frame-Differencing phát cá máy quay đƣợc đặt cố định Phƣơng pháp gồm có hai bƣớc phát chuyển động phát cá ( ) | ( ( ) )| ) ( ) ( ( { ) ) ( ( { ) ) ( ( ) ) (7) Kết thuật toán hứa hẹn Tuy nhiên, kết phụ thuộc nhiều vào bƣớc nhảy L Nếu bƣớc nhảy nhỏ (ví dụ L=5) kết phép giao hai ảnh nhị phân Ik-L(x,y) Ik+L(x,y) cá mà khối nhỏ đƣợc hiểu nhiễu Mặt khác, bƣớc nhảy L q lớn có khả cá khung hình thứ k-L k+L trùng vị trí với khung hình thứ k Điều dẫn tới khơng phát đƣợc cá nhƣ đƣợc trình bày hình (L=30) (1) Sau đó, giá trị ngƣỡng T đƣợc thiết lập cho ảnh Dk(x,y) để tạo ảnh nhị phân Ik(x,y): ( ( ) Hình minh họa ngun tắc thuật tốn FrameDifferencing Hình 2a, 2b, 2c lần lƣợt khung hình thứ k10, k, k+10 với bƣớc nhảy 10 Các kết trừ hai khung hình đƣợc thể hình 2d 2e Và, kết thuật three-frame difference đƣợc thể hình 2f 1) Phát chuyển động Trong bƣớc phát chuyển động, khác khung hình thứ k Fk(x,y) khung hình thứ k+1 Fk+1(x,y) đƣợc tính ảnh Dk(x,y): ( ) (2) a) b) c) Hình Sự minh họa cho Frame-Differencing ) lớn giá trị Khi giá trị điểm ảnh ảnh ( ngƣỡng T điểm ảnh đƣợc xem vật thể Ngƣợc lại đƣợc xem Sau đó, khối có diện tích lớn ngƣỡng S (S=50 báo này) đƣợc xem nhƣ vật thể di chuyển Tuy nhiên, trình tạo lỗi phát chuyển động cá đứng yên đồng thời xuất nhiễu khung hình nhƣ ánh sáng thay đổi, hồ lắc lƣ dẫn đến nƣớc dao động…Do đó, khu vực có diện tích lớn diện tích hình chữ nhật bao quanh khối thu đƣợc từ khung hình trƣớc 2.25 lần đƣợc xem xét Vì vậy, khởi tạo vị trí ban đầu cá cần thiết d) e) f) Hình Minh họa Phát cá Frame-Differencing a) Mặc dù có độ phức tạp thấp hiệu phát cao nhƣng phƣơng pháp cho thấy số hạn chế Các giá trị ngƣỡng T S thƣờng đƣợc chọn thủ công tùy theo trƣờng hợp thực nghiệm Nếu giá trị T q lớn khơng phát đƣợc chuyển động Ngƣợc lại, phát nhiều chuyển động thực tế có (trƣờng hợp nhiễu xuất hiện) d ) | ( ) ( )| ( ) ( ) { ( ( ) ) ( ( ) ) | ( ( ) ) { ( ( ( )| ) ) c) e f Hình Khơng phát cá L lớn B Trường hợp bóng xuất khởi tạo vị trí ban đầu Nhƣ đƣợc đề cập trên, bốn phƣơng pháp bám đuổi MB, GMM, MS PF cho hiệu bám đuổi khơng cao xuất bóng (khi cá bơi gần mặt nƣớc hay gần thành hồ gƣơng) Sự xuất bóng dẫn tới phát cá sai Do vậy, kĩ thuật so sánh đơn giản đƣợc đề xuất để khắc phục vấn đề Cụ thể, bƣớc BlobAnalysis, số lƣợng khối tối đa đƣợc ấn định Sau đó, khung hình xét, khối gần với vị trí cá khung hình trƣớc đƣợc chọn Trong hầu hết trƣờng hợp, khối bóng vị trí xa đóm cá Vì vậy, lỗi xuất bóng gây đƣợc loại bỏ Nguyên lý đơn giản đƣợc minh họa hình 4a: 2) Phát cá Trong bƣớc phát cá, thuật toán Three-Frame Difference [10] đƣợc áp dụng Bƣớc thứ thật tốn trừ ba khung hình khác theo lần lƣợt, với bƣớc nhảy khung hình L, sau ta lấy hiệu hai kết tìm đƣợc để phát đƣợc cá Cụ thể, khung hình thứ k trừ khung hình thứ k-L cho ảnh nhị phân Ik-L(x,y) Tƣơng tự, khung hình k+L trừ khung hình k cho ảnh nhị phân Ik+L(x,y) Tiếp theo, ảnh Ik-L(x,y) giao với ảnh Ik+L(x,y) tạo ảnh kết thuật tốn Quy trình thuật tốn đƣợc tóm tắt theo phƣơng trình dƣới đây: ( b) (3) (4) (5) a b Hình Bounding box and Centroid of Current Frame (6) 444 444 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) trọng Mean Square Error (MSE) Phƣơng sai (Var) đƣợc giới thiệu: cách tính, lý sử dụng hai số liệu đƣợc sử dụng để đánh giá thực thuật toán nhƣ Tiếp theo, phần III.B đánh giá năm thuật toán bám đuổi kết luận đƣợc rút Loài cá đƣợc sử dụng báo cá ngựa vằn Các đoạn phim cá ngựa vằn đƣợc quay lại dƣới định dạng avi khoảng thời gian 10 giây Tốc độ quay 15 khung hình giây Kích thƣớc khung hình 640x480 Nƣớc đƣợc sử dụng nƣớc sinh hoạt đƣợc thêm vào chất ô nhiễm với nồng độ khác Nhƣ đƣợc minh họa hình 4b, khoảng cách d1 (khoảng cách từ tọa độ trọng tâm trƣớc tới khối cá) ngắn khoảng cách d2 (khoảng cách từ tọa độ trọng tâm trƣớc tới khối bóng) Bằng cách áp dụng phƣơng pháp này, vấn đề bóng xuất đƣợc giải cách hiệu Một vấn đề GMM cần đƣợc giải khung hình video, ƣớc tính hình chƣa đƣợc hồn thành Điều làm cho vị trí cá khơng đƣợc phát Vấn đề nghiêm trọng cá không di chuyển khung hình Thuật tốn Frame-Differencing, nhƣ đƣợc trình bày trƣớc, khơng hiệu khơng có vị trí cá khung hình trƣớc Do đó, thật cần thiết để khởi tạo vị trí ban đầu cho cá khung hình Trong phƣơng pháp đƣợc đề xuất này, bƣớc khởi tạo đƣợc thực cách vẽ đƣờng bao quanh cá (Bounding Box) Sau đó, trọng tâm cá đạt đƣợc cách tính trọng tâm hình chữ nhật Bƣớc khởi tạo đƣợc minh họa hình dƣới đây: A Phương pháp đánh giá Trong đề tài này, nhóm nghiên cứu đánh giá chất lƣợng thuật toán Phát Bám đuổi cá cách so sánh kết bám đuổi từ thuật toán với liệu Ground Truth tƣơng ứng Do vậy, liệu phải đƣợc xây dựng trƣớc cho tất video Sau đó, hai đại lƣợng phổ biến thống kê Mean Square Error (MSE) Phƣơng sai (Var) đƣợc chọn để đánh giá kết 1) Cơ sở liệu Ground Truth Để đánh giá đƣợc phƣơng pháp Phát Bám đuổi cá, so sánh quỹ đạo kết bám đuổi với liệu Ground Truth đƣợc xây dựng từ trƣớc Do đó, việc xây dựng liệu phần thiết yếu đề tài nhằm đánh giá đƣợc chất lƣợng thuật toán Ở đây, video đƣợc chọn dựa xuất kết hợp tình điển hình đề tài Thơng qua việc đánh giá chất lƣợng bám đuổi cá theo tình trên, kiểm nghiệm tính hiệu thuật tốn phải giải tình khác nhau, từ dạng thơng thƣờng đến dạng tình lạ Cụ thể, video kết hợp tình xảy nhƣ màu sắc cá (Fish Color), Nồng độ (Concentration), Tốc độ bơi cá (Velocity), Số lƣợng bóng xuất (Illusion), Thứ tự mẫu video (Sample) tức kết hợp đƣợc quay lần nhằm đảm bảo tính khách quan Bảng I dƣới minh họa cho việc chọn video theo tình vừa trình bày Hình Bƣớc khởi tạo C Chi tiết thuật tốn Sơ đồ thuật tốn đƣợc trình bày phía dƣới cho thấy bổ sung cho GMM Frame-Differencing Sự thực thi phƣơng pháp đƣợc trình bày phần III Fish Color BẢNG I: VIDEO TÌNH HUỐNG Concentration Velocity Illusions Order B (Black) C (Clean) F (Fast) (Top) O (Orange) P (Pollution) I (Immobile) (Top-Right) S (Slow) 3( Right) (None) Ví dụ, tình video mà xuất cá màu đen (B), di chuyển chậm (S) mơi trƣờng nƣớc (C), khơng xuất bóng cá (4), mẫu video thứ (1), đƣợc ký hiệu BCS41 Các video tình khác đƣợc ký hiệu tƣơng tự Theo Bảng 1, có tổng cộng 2x2x3x4x3 = 144 video, chẳng hạn OPF11, OCI43, BPS33… Bộ liệu thực nghiệm cho video đƣợc làm tay, đó, cơng việc khó lịng thực đƣợc với video dài Nhóm nghiên cứu định sử dụng video có thời lƣợng 10 giây nghiên cứu Sau xây dựng đƣợc liệu này, so sánh kết bám đuổi cho thuật tốn để đánh giá cách hiệu thuật tốn Có đƣợc điều liệu thực nghiệm có tính xác cao, theo khung hình Hình Sơ đồ thuật toán CGMMFD III KẾT QUẢ THỰC NGHIỆM VÀ PHÂN TÍCH Phần tập trung miêu tả tiêu chí đƣợc sử dụng cho phần đánh giá Cụ thể, phần III.A miêu tả việc xây dựng Ground Truth Ground Truth bao gồm đầy đủ trƣờng hợp, tình khác Sau đó, hai số liệu thống kê quan 2) Tiêu chí đánh giá a) Mean Square Error 445 445 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Chỉ số MSE đƣợc tính cơng thức dƣới đây: ∑( ) Normal (8) Fast với tọa độ trọng tâm cá phát bám đuổi đƣợc khung hình thứ i, tọa độ trọng tâm chuẩn đƣợc lấy từ liệu Ground Truth khung hình, m tổng số khung hình video Immobi le Illusion MSE Var MSE Var MSE Var MSE Var 60.9 17.8 369.5 217.4 38351.0 3180.4 9805.7 817.2 2113.2 1182.4 1464.7 828.4 116607.1 3358.8 25872.8 2852.1 106.1 32.9 5524.0 2399.5 198.9 58.3 3635.9 1654.6 182.4 51.9 6735.9 2739.8 256.2 15.6 3888.3 1162.1 155.1 53.9 283.8 113.0 120.2 28.4 260.9 94.1 Từ bảng trên, ta thấy thuật tốn nhóm nghiên cứu đề xuất (CGMMFD) cho giá trị thấp thuật tốn cho hầu hết nhóm video Vì vậy, thuật tốn giải tốt tình xảy nghiên cứu Trong CGMMFD cho kết MSE Var thấp cách ổn định, thuật tốn khác tốt cho vài tình nhƣng lại khơng tốt cho tình khác Trong thống kê, số MSE cho biết trung bình bình phƣơng lỗi sai, tức độ khác biệt kết với giá trị mong muốn đạt đƣợc Trong trƣờng hợp này, số MSE cho thấy độ lệch (hoặc khoảng cách) từ tọa độ trọng tâm tính từ thuật tốn với tọa độ chuẩn Nói chung, số MSE nhỏ đồng nghĩa với việc xảy lỗi bám đuổi, tức thuật toán cho kết tốt Phần báo trình bày kết phân tích chi tiết cho nhóm tình Một điểm đáng lƣu ý biểu đồ dƣới đây, số đƣợc hiển thị dạng log kết MSE Var Bởi giá trị thay đổi từ vài đơn vị hàng trăm nghìn đơn vị, gây khó khăn cho việc hiển thị biểu đồ Tuy nhiên, số đánh giá trung bình lỗi sai, dẫn đến việc sai số lớn vài khung hình ảnh hƣởng nghiêm trọng tới số cuối Chẳng hạn, hầu hết khung hình đạt kết bám đuổi tốt, với độ lệch vài đơn vị, xuất sai số lớn 1000 đơn vị khung hình tạo thành số MSE khoảng 1000 thay vài đơn vị Điều xảy tổng số khung hình chƣa thật lớn, vào khoảng 150 khung hình cho 10 giây Dó đó, số MSE khơng thể xác định thuật tốn bám đuổi cho chất lƣợng tốt thuật toán khác, sử dụng MSE Để giải vấn đề này, nhóm nghiên cứu sử dụng thêm số khác, Phƣơng sai, để đánh giá cách tối ƣu 1) Nhóm video Bình thường Trong video này, cá bơi với vận tốc chậm, không thay đổi vận tốc đột ngột Bóng cá không xuất video Kết chi tiết đƣợc hiển thị Hình Hình dƣới b) Phương sai Phƣơng sai đƣợc tính công thức: ∑( ̅) (9) với d độ lệch (khoảng cách) trọng tâm cá phát đƣợc với trọng tâm chuẩn từ liệu thực nghiệm, ̅ giá trị trung bình d; m tổng số khung hình video Phƣơng sai (Var) cho thấy độ phân tán lỗi sai Một giá trị nhỏ số cho thấy lỗi sai tập trung gần nhau, gần giá trị trung bình chúng Ngƣợc lại, số phƣơng sai cao lỗi sai phân tán Tóm lại, thuật tốn Phát Bám đuổi đạt hiệu tốt nghĩa phải cho thấy hai số MSE Var có giá trị thấp Hình MSE nhóm video Bình thƣờng B Kết đánh giá Trong phần này, nhóm nghiên cứu trình bày phân tích so sánh từ kết thuật tốn khác cho video tình cách tổng quan Các video đƣợc nhóm thành nhóm theo tiêu chí đặc trƣng nhằm tiện cho việc phân tích nhƣ sau: Bình thƣờng (Normal) video tình mà cá bơi chậm, khơng có bóng, Nhanh (Fast) video mà cá bơi với tốc độ nhanh, Bất động (Immobile) tình mà cá khơng di chuyển, Bóng (Illusion) video có xuất bóng cá Trong đánh giá tổng quan này, số MSE Var đƣợc lấy từ kết trung bình cho video nhóm Bảng II minh họa cho giá trị trung bình MSE Var thuật toán khác Ƣớc lƣợng trung bình (MB), GMM, Mean Shift (MS), Lọc Particle (PF) thuật toán đƣợc đề xuất (CGMMFD) tƣơng ứng với nhóm video Hình Phƣơng sai nhóm video Bình thƣờng Trong nhóm video này, MB thuật toán cho kết MSE Var tốt Trong đó, thuật tốn cịn lại khơng cho thấy ƣu đáng kể Kết phản ánh tính chất thuật tốn Với di chuyển với tốc độ không thay đổi đột ngột khơng có bóng, kết tạo trung bình cho kết tốt, hệ việc phát bám BẢNG II: HIỆU SUẤT HỆ THỐNG MB GMM MS PF CGM MFD 446 446 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thơng Tin (ECIT 2015) đuổi cá cho độ xác cao, MSE thấp Lỗi sai xảy cá đôt ngột bơi ngƣợc hƣớng di chuyển, tạo thành lỗi bám đuổi đối thời gian ngắn lọc Kalman Trong Hình 8, Phƣơng sai thuật toán ứng với video đặc trƣng đƣợc chọn hiển thị Kết Var nhóm cho thấy chất lƣợng tốt thuật toán MB, với số thấp Ngƣợc lại, thuật toán GMM lại cho kết tệ thuật toán số MSE Var Trong kết MSE Var CGMMFD cho thấy ổn định hầu hết số video nằm khoảng dƣới (tức 100 đơn vị) Tóm lại, thuật tốn MB xem thuật tốn phù hợp cho video nhóm Bình thƣờng, cịn thuật tốn CGMMFD cho thấy chất lƣợng bám đuổi ổn định tƣơng đối tốt Hình 10 Phƣơng sai video Bất động Hình 10 cho thấy giá trị Var từ thuật tốn có giá trị tƣơng đối thấp, đặc biệt hơn, vài video tình huống, chúng thấy đƣợc giá trị bé 10 đơn vị (giá trị âm thang log) Điều xảy cá hầu nhƣ không di chuyển, dẫn đến kết bám đuổi hầu nhƣ khơng cho lỗi sai thuật tốn nhƣ MS, PF CGMMFD Nhƣng video mã OPI21, số Var lại cao đột biến, lý video này, cá có di chuyển đột ngột khoảng thời gian nhỏ sau thời gian dài bất động, điều gây sai lêch kết bƣớc Phát cá, làm cho thuật tốn GMM có kết Var cao bất thƣờng 2) Nhóm video Bất động Khi cá nằm yên tác động độc chất môi trƣờng nƣớc Các thuật toán Phát Bám đuổi cá gặp phải đồng thời thuận lợi bất lợi Nhóm video bao gồm trƣờng hợp mà cá di chuyển Kết chi tiết đƣợc trình bày Hình 10 Tóm lại, trƣờng hợp Bất động cá đƣợc giải tốt cách dùng thuật toán Mean Shift, lọc Particle CGMMFD, nhƣng khơng thể GMM MB 3) Nhóm video Nhanh Trong video này, cá di chuyển với vận tốc nhanh bình thƣờng, đồng thời, lúc di chuyển cạnh hồ, cá gây bóng ảnh ảo khu vực Tốc độ cá gây ảnh hƣởng hầu nhƣ giống thuật tốn Hình 11 cho thấy, khơng có nhiều sai biệt kết MSE từ thuật tốn tƣơng ứng với video tình Thuật toán Mean Background cho kết khả quan video nhƣ đề cập từ trƣớc: cá di chuyển nhanh, tạo đạt chất lƣợng cao hơn, từ kết Phát cá tốt Bên cạnh đó, cá di chuyển nhanh tạo điều kiện thích hợp cho phƣơng pháp Frame Differencing Vì thế, thuật tốn CGMMFD hiệu trƣờng hợp Trái lại kết MSE Mean Shift lọc Particle lại không tốt Lý video này, tốc độ cá di chuyển nhanh, histogram thay đổi nhiều hơn, làm cho hai thuật toán bám trƣợt trọng tâm cá Nhƣng nhìn chung hai thuật tốn hữu dụng chúng cho giá trị MSE thấp, vào khoảng 100 hầu hết video nhóm Hình MSE video Bất động Kết MSE thuật toán GMM MB cao (trên10000 đơn vị) cho thấy thuật toán khơng thể giải đƣợc tình xảy nhóm video Điều cá khơng di chuyển, di chuyển ít, thuật tốn GMM xem cá khơng thể trích xuất đƣợc khối cá, dẫn đến sai số cực lớn liên tục Tƣơng tự, thuật toán MB khơng thể tạo ảnh xác, thuật toán này, ảnh đƣợc tạo phụ thuộc vào độ dài video di chuyển cá Kết phát đƣợc cá trừ nền, dẫn đến sai số bám đuổi Trong đó, kết bám đuổi từ thuật toán Mean Shift, lọc Particle, CGMMFD lại đạt chất lƣợng khả quan Với Mean Shift lọc Particle, hai thuật tốn bám đuổi đƣợc xác histogram [8],[9] trƣờng hợp thay đổi Bên cạnh đó, thuật tốn đƣợc đề xuất CGMMFD cho kết MSE Var thấp cách tƣơng đối ổn định nhờ có bƣớc khởi tạo với phát bất động Nhƣ vậy, tốc độ cao cá ảnh hƣởng tƣơng đối tới kết thuật toán kể Do đó, nhóm video này, khơng có thuật tốn thật tối ƣu thuật toán 447 447 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Tuy nhiêm, trƣờng hợp xuất bóng cá này, thuật tốn đƣợc đề xuất CGMMFD cho kết MSE Var chấp nhận đƣợc, với giá trị tƣơng đối thấp Nói chung, trƣờng hợp nhóm video có xuất hiên bóng cá số MSE Var có xu hƣớng tăng với tất năm thuật toán Tuy nhiên, thuật tốn CGMMFD có lợi nhờ độ đơn giản thuật tốn, tính ổn định kết MSE Var tất cá video Hình 11 MSE video nhanh Hình 14 Phƣơng cho video có bóng IV KẾT LUẬN Trong nghiên cứu này, chúng to nâng cao chất lƣợng việc Phát Bám đuổi cá cách khai thác thuật toán GMM lọc Kalman, với Frame-Differencing Sau xây dựng thuật tốn trên, chúng tơi tiến hành kiểm thử chất lƣợng hai số MSE Var đƣợc tạo từ thuật toán đề xuất CGMMFD với bốn thuật toán khác Kết cho thấy, thuật tốn chúng tơi đề xuất cho kết khả quan việc Phát Bám đuổi cá nhờ cho giá trị MSE Var thấp Có đƣợc điều thuật tốn bao gồm hai thuật tốn khác nhƣng bổ sung cho cách hợp lý GMM FD Tuy nhiên, phƣơng pháp chƣa thể giải việc Phát Bám đuổi cá mơi trƣờng thời gian thực cần ảnh khung hình Do đó, nghiên cứu tiếp theo, nhóm tập trung tìm cách kết hợp khác hiệu hơn, nhằm nâng cao chất lƣợng việc Phát Bám đuổi cá cách ổn định hiệu suất cao Hình 12 Phƣơng video nhanh 4) Nhóm video có Bóng Một điều hiển nhiên xuất bóng (ảnh ảo cá) video mặt nƣớc (trƣờng hợp 1), góc bên phải bể cá (trƣờng hợp 2) hay ảnh hai vị trí nhƣ (trƣờng hợp 3), làm tăng số MSE Var cách đáng kể Các loại bóng ảnh hƣởng nghiêm trọng đến thuật tốn Mean Shift lọc Particle, bóng làm sai lệch kết histogram hai thuật toán này, từ gây bám đuổi sai đối tƣợng, tức thay bám theo cá thật hai thuật toán dễ dàng bị bám lệch sang bóng cá LỜI CẢM ƠN Nghiên cứu đƣợc hỗ trợ thức Bộ Khoa học Cơng nghệ, nằm dự án nghiên cứu cấp năm 20142015 Nhóm nghiên cứu xin chân thành cảm ơn nhóm nghiên cứu TRT3DCS trƣờng ĐH Bách Khoa Đà Nẵng trình nghiên cứu THAM KHẢO [1] [2] Hình 13 MSE cho video có bóng [3] Bên cạnh đó, trƣờng hợp bóng cá, MSE Var thuật toán MB cao, xuất đến bóng cá, tạo xác định sai lệch đối tƣợng để bám đuổi tƣơng tự nhƣ trƣờng hợp thuật toán Mean Shift lọc Particle [4] [5] 448 448 Vinaykumar, M.,Jatoth, R.K " Performance evaluation of Alpha-Beta and Kalman filter for object tracking." (2014) Fier, R., Albu, A.B., Hoeberechts, M., " Automatic fish counting system for noisy deep-sea videos", 14-19 Sept 2014, pp 1-6 Stauffer, C., Grimson, W (1999) “Adaptive Background Mixture Models for Real-Time Tracking” IEEE Computer Society Conf on Computer Vision and Pattern Recognition, 246-252 Ramsey Faragher (September, 2012) “Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation” C Ridder, O Munkelt, and H Kirchner, “Adaptive background estimation and foreground detection using Kalman filtering”, In Proc ICAM, 1995 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) [6] Ning J., Zhang L., Zhang D., and Wu C.; (2010) “Robust Mean Shift Tracking with Corrected Background-Weighted Histogram” [7] Comaniciu D., Ramesh V., and Meer P.: “Real-Time Tracking of NonRigid Objects Using Mean Shift” Proc IEEE Conf Computer Vision and Pattern Recognition, Hilton Head, SC, USA, June, 2000, pp 142149 [8] K Nummiaro, E Koller-Meier, L V Gool “A Color-based Particle Filter.” In First International Workshop on Generative- Model- Based Vision, 2002 [9] M Fotouhi, A R Gholami, and S Kasaei (2011) “Particle Filter-Based Object Tracking Using Adaptive Histogram.” [10] Singla Nishu.: Motion Detection Based on Frame Difference Method International Journal of Information & Computation Technology Volume 4, Number 15 (2014), pp 1559-1565 449 ... f Hình Khơng phát cá L lớn B Trường hợp bóng xuất khởi tạo vị trí ban đầu Nhƣ đƣợc đề cập trên, bốn phƣơng pháp bám đuổi MB, GMM, MS PF cho hiệu bám đuổi không cao xuất bóng (khi cá bơi gần mặt... nƣớc Các thuật toán Phát Bám đuổi cá gặp phải đồng thời thuận lợi bất lợi Nhóm video bao gồm trƣờng hợp mà cá di chuyển Kết chi tiết đƣợc trình bày Hình 10 Tóm lại, trƣờng hợp Bất động cá đƣợc... (MSE) Phƣơng sai (Var) đƣợc chọn để đánh giá kết 1) Cơ sở liệu Ground Truth Để đánh giá đƣợc phƣơng pháp Phát Bám đuổi cá, so sánh quỹ đạo kết bám đuổi với liệu Ground Truth đƣợc xây dựng từ trƣớc