(Luận văn thạc sĩ hcmute) sử dụng thuật toán trong vector máy hỗ trợ để nhận dạng trạng thái té ngã sử dụng camera kinect

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRỊNH HỒI ÂN SỬ DỤNG THUẬT TỐN VECTOR MÁY HỖ TRỢ ĐỂ NHẬN DẠNG TRẠNG THÁI TÉ NGÃ SỬ DỤNG CAMERA KINECT NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 S K C0 Tp Hồ Chí Minh, tháng 10/2015 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRỊNH HỒI ÂN SỬ DỤNG THUẬT TỐN VECTOR MÁY HỖ TRỢ ĐỂ NHẬN DẠNG TRẠNG THÁI TÉ NGÃ SỬ DỤNG CAMERA KINECT NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Tp Hồ Chí Minh, tháng 10/2015 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRỊNH HỒI ÂN SỬ DỤNG THUẬT TOÁN VECTOR MÁY HỖ TRỢ ĐỂ NHẬN DẠNG TRẠNG THÁI TÉ NGÃ SỬ DỤNG CAMERA KINECT NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203 Hƣớng dẫn khoa học: TS NGUYỄN THANH HẢI Tp Hồ Chí Minh, tháng 10/2015 Luan van Quyết định giao đề tài Luan van LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: Trịnh Hồi Ân Giới tính: Nam Ngày, tháng, năm sinh: 19/12/1990 Nơi sinh: Tiền Giang Quê quán: Tiền Giang Dân tộc: Kinh Chỗ riêng địa liên lạc: 80, Tổ 3, Ấp 4, Xã Tam Hiệp, Huyện Châu Thành, Tỉnh Tiền Giang Điện thoại quan: Điện thoại nhà riêng: E-mail: hoaiantiengiang@gmail.com II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: Hệ đào tạo: Thời gian đào tạo từ ……/…… đến ……/ …… Nơi học (trƣờng, thành phố): Ngành học: Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ 10/2008 đến 08/2012 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 môn thi tốt nghiệp: PHÂN LOẠI SẢN PHẨM THEO MÀU SẮC Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: 08/2012, Bộ môn Điện Tử Công Nghiệp, Khoa Điện – Điện Tử, Đại học Sƣ Phạm Kỹ Thuật TP.HCM Ngƣời hƣớng dẫn: ThS Tạ Văn Phƣơng III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian 08/2012 – 09/2013 10/2013 – Nơi công tác Công việc đảm nhiệm Công ty TNHH Sonion Việt Nam – Khu Kỹ sƣ phịng nghiên Cơng Nghệ Cao TP.HCM cứu phát triển Trung tâm Nghiên cứu Đào tạo Thiết kế Vi mạch (ICDREC) – ĐHQG TP.HCM i Luan van Kỹ sƣ phụ trách đào tạo LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc cơng bố cơng trình khác Tp Hồ Chí Minh, ngày … tháng … năm 2015 (Ký tên ghi rõ họ tên) ii Luan van LỜI CẢM ƠN Em xin chân thành cảm ơn quý thầy cô trƣờng Đại học Sƣ Phạm Kỹ Thuật TP.HCM, quý thầy cô khoa Điện – Điện Tử giảng dạy, truyền đạt kiến thức quý báu nhƣ giúp đỡ em giải khó khăn gặp phải suốt trình làm luận văn Đặc biệt em xin chân thành cảm ơn TS Nguyễn Thanh Hải giảng viên hƣớng dẫn tận tình giúp đỡ, dạy đề xuất hƣớng giải vấn đề khó khăn q trình nghiên cứu hồn thành đề tài Bên cạnh em xin cảm ơn anh/chị học viên, bạn bè, đồng nghiệp, đóng góp ý kiến, hỗ trợ, cộng tác tạo mọi điều kiện thuận lợi để hoàn thành luận văn Học viên Trịnh Hoài Ân iii Luan van TÓM TẮT Té ngã nguyên nhân gây chấn thƣơng nghiêm trọng tai nạn nguy hiểm ngƣời lớn tuổi Do việc phát sớm té ngã có phƣơng pháp điều trị kịp thời điều quan trọng giúp cứu sống nhiều bệnh nhân Chính lẽ đó, năm gần đây, nhà khoa học nghiên cứu, phát triển nhiều cơng trình, nhiều phƣơng pháp phát nhận dạng té ngã có độ xác cao, phục vụ cho việc chăm sóc sức khỏe ngƣời lớn tuổi đƣợc tốt Trong đề tài này, học viên nghiên cứu giải thuật thiết kế hệ thống phát hiện, cảnh báo té ngã sử dụng phƣơng pháp vector hỗ trợ học máy (Support Vector Machine – SVM) Dữ liệu đƣợc thu thập từ camera Kinect đƣợc đặt vị trí cố định khơng gian cần giám sát Đặc trƣng liệu đƣợc trích xuất phƣơng pháp phân tích thành phần (Principal Component Analysis – PCA) Thuật toán SVM đƣợc sử dụng để huấn luyện nhận dạng trạng thái ngƣời xem có xảy té ngã hay khơng Các kết thí nghiệm đƣợc thực ba ngƣời với trƣờng hợp nhƣ thực tế cho kết tƣơng đối tốt độ tin cậy hệ thống iv Luan van ABSTRACT Falls are the major reason of serious injury and dangerous accident for olderly people It is important to recognize falls early for assistance and treatment to save more patients Therefore, in recent years, scientists have been developing multiple projects with multiple methods of detection and recognition of human falls better In this thesis, subjects were introduced a system for recognition and warning falls using the SVM method Data were collected from the Kinect camera, which is placed at a fixed position in space Features of the data are extracted using the PCA algorithm The SVM was used for training and recognition of the human states to detect the fall whether fall or not fall Experimental results show that the high accuracy of recognition activities the proposed approach produced v Luan van MỤC LỤC Trang tựa TRANG Quyết định giao đề tài LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN ii LỜI CẢM ƠN iii TÓM TẮT iv ABSTRACT v MỤC LỤC vi DANH SÁCH BẢNG ix DANH SÁCH HÌNH x DANH MỤC CÁC TỪ VIẾT TẮT xii Chƣơng TỔNG QUAN .1 1.1 Tổng quan chung lĩnh vực nghiên cứu 1.2 Mục đích đề tài 1.3 Nhiệm vụ giới hạn đề tài 1.3.1 Nhiệm vụ 1.3.2 Giới hạn 1.4 Phƣơng Pháp Nghiên Cứu 1.5 Tóm Tắt Đề Tài Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Té ngã yếu tố ảnh hƣởng đến té ngã .7 2.1.1 Định nghĩa té ngã 2.1.2 Các yếu tố đặc trƣng hoạt động té ngã vi Luan van Chƣơng Kết Quả Thực Hiện 6.2 Hệ thống thơng báo té ngã Mơ hình thực tế hệ thống thông báo té ngã đƣợc mô tả nhƣ hình 6.5 Buzzer Module nguồn SIM 900A Arduino MEGA 2560 R3 Antenna Module SIM 900A Hình 6.5 Hệ thống thơng báo té ngã thực tế Hình 6.6 mơ tả hệ thống gửi tin nhắn thông báo xãy té ngã đến số điện thoại đƣợc cài đặt trƣớc sau có kết phát té ngã giao diện GUI Matlab đƣợc xử lý máy tính Trong hình minh họa tin nhắn đƣợc hiển thị điện thoại có nội dung: “Da xay te nga o nguoi lon tuoi Cap cuu khan cap! SOS” a) Hình 6.6 Gửi tin nhắn thơng báo có té ngã 53 Luan van b) Chƣơng Kết Quả Thực Hiện a) Kết phát té ngã b) Tự động nhắn tin đến số điện thoại cài đặt sẵn Trong hình 6.7 hệ thống tự động gọi điện đến số điện thoại đƣợc cài đặt trƣớc để báo có xảy té ngã sau có kết nhận dạng máy tính a) Hình 6.7 Tự động gọi điện thơng báo b) a) Kết phát té ngã b) Tự động gọi điện đến số điện thoại cài đặt sẵn Song song với việc nhắn tin gọi điện thơng báo module buzzer phát âm thông báo đến ngƣời xung quanh 6.3 Kết nhận dạng sử dụng Euclide Kết nhận dạng Eulicde đƣợc thực đối tƣợng tập mẫu huấn luyện với số lƣợng cần nhận dạng 2400 frame, 1200 frame ảnh cho trạng thái té ngã 1200 frame ảnh cho trạng thái không té ngã, kết đƣợc thể nhƣ sau: Bảng 6.2 Kết nhận dạng với số lƣợng vector đặc trƣng 1000 (41,7%) Trƣờng hợp Số mẫu nhận dạng Tỉ lệ xác (%) Té ngã 1200 64,5 Không té ngã 1200 68,3 54 Luan van Chƣơng Kết Quả Thực Hiện Bảng 6.3 Kết nhận dạng với số lƣợng vector đặc trƣng 2000 (83,3%) Trƣờng hợp Số mẫu nhận dạng Tỉ lệ xác (%) Té ngã 1200 67,7 Không té ngã 1200 70,9 Bảng 6.4 Kết nhận dạng với số lƣợng vector đặc trƣng 2400 (100%) Trƣờng hợp Số mẫu nhận dạng Tỉ lệ xác (%) Té ngã 1200 69,1 Không té ngã 1200 72,8 Kết nhận dạng cho thấy tỉ lệ nhận dạng xác phù hợp với lý thuyết nêu tức số đặc trƣng đƣợc chọn nhiều kết nhận dạng cho tỷ lệ xác cao Hiện nhận dạng đem đến hiệu suất tƣơng đối tốt, chƣa phân tích đánh giá kết đối tƣợng bên tập mẫu Vậy theo nhƣ lý thuyết số lƣợng vector đặc trƣng đƣợc chọn ảnh hƣởng đến kết nhận dạng 6.4 Kết nhận dạng sử dụng SVM Để thực nhận dạng té ngã trƣờng hợp offline phƣơng pháp SVM, ta chọn vào nút Open image, xuất cửa sổ chọn file liệu Sau ảnh cần nhận dạng hiển thị axes giao diện hiển thị kết cần nhận dạng Trƣờng hợp té ngã nhƣ hình 6.8 Ảnh cần nhận dạng đƣợc hiển thị khung Image Detection, khung Skeletal Graph hiển thị phân bố giá trị 20 khớp xƣơng ảnh cần nhận dạng theo trục X, Y, Z Kết nhận dạng đƣợc hiển thị khung Result, trƣờng hợp kết nhận đƣợc đối tƣợng té ngã (Fall) 55 Luan van Chƣơng Kết Quả Thực Hiện Hình 6.8 Kết nhận dạng đối tƣợng bị té ngã Hình 6.9 mơ tả trƣờng hợp khơng té ngã Các hình ảnh đối tƣợng cần nhận dạng đƣợc hiển thị khung Image Detection, Skeltal Graph nhƣ trƣờng hợp té ngã Kết trƣờng hợp không xảy té ngã (Normal) Hình 6.9 Kết nhận dạng đối tƣợng không té ngã 56 Luan van Chƣơng Kết Quả Thực Hiện Kết nhận dạng đƣợc thực 2400 mẫu đƣợc huấn luyện 1200 mẫu liệu bên tập huấn luyện Với mẫu huấn luyện bao gồm 1200 mẫu té ngã 1200 mẫu khơng té ngã đạt độ xác 82,2% (1972/2400) Trong với mẫu ngồi tập huấn luyện bao gồm 600 mẫu té ngã 600 mẫu khơng té ngã đạt độ xác 82,7% (992/1200) đƣợc thể nhƣ bảng 6.5 Bảng 6.5 Kết nhận dạng trạng thái té ngã không té ngã Results Activity Fall Non-fall Recognized Recognized Accuracy fall non-fall (%) 1200 976 224 81,8 New 600 491 109 81,3 Trained 1200 996 204 83,5 New 600 501 99 83 Samples Total Trained Kết sử dụng thuật toán SVM nêu cho thấy độ xác tƣơng đối cao việc nhận dạng mẫu đƣợc huấn luyện Mặc khác việc nhận dạng trạng thái té ngã khơng té ngã có đạt độ xác nhiều hay khơng cịn phụ thuộc vào nhiều yếu tố tập sở liệu chuẩn điều quan trọng Bên cạnh đó, việc phân biệt trạng thái té ngã trạng thái hoạt động ngày khác đƣợc thực để đánh giá độ tin cậy phƣơng pháp đƣợc đề xuất Kết trƣờng hợp thí nghiệm đƣợc thể nhƣ bảng 6.6 Trong 600 mẫu té ngã 300 mẫu tƣơng ứng tƣ đứng, ngồi ghế, khom, nằm sàn đƣợc đƣa vào huấn luyện Sau tiến hành nhận dạng với mẫu Các trƣờng hợp nhận dạng bao gồm: té ngã – đứng, té ngã – ngồi ghế, té ngã – khom, té ngã – nằm Bảng 6.6 Kết nhận dạng té ngã với hoạt động thƣờng ngày khác STT Trƣờng hợp Té ngã – Đứng Số mẫu thử Nhận dạng Độ xác (%) 600 Té ngã 81,9 300 Đứng 83,6 57 Luan van Chƣơng Kết Quả Thực Hiện Té ngã – Ngồi ghế Té ngã – Khom Té ngã – Nằm sàn 600 Té ngã 81,1 300 Ngồi ghế 82,9 600 Té ngã 81,4 300 Khom 82,3 600 Té ngã 80,9 300 Nằm sàn 79,6 58 Luan van Chƣơng Kết Luận Và Hƣớng Phát Triển Chƣơng KẾT LUẬN VÀ KIẾN NGHỊ 7.1 Kết Luận Trong đề tài, liệu hình ảnh đối tƣợng cần nhận dạng đƣợc thu từ camera Kinect Dữ liệu đƣợc trích xuất đặc trƣng sử dụng phƣơng pháp PCA Quá trình nhận dạng đƣợc thực hai phƣơng pháp phƣơng pháp khoảng cách Euclide thuật toán SVM Kết phƣơng pháp khoảng cách Euclide cho thấy việc chọn số lƣợng K vector đặc trƣng cách phù hợp qua trọng Số lƣợng vector đặc trƣng đƣợc chọn lần lƣợt 1000, 2000, 2400 Kết cho thấy số lƣợng vector đặc trƣng 2400 cho kết nhận dạng có độ xác cao Với tỷ lệ nhận dạng trạng thái té ngã 69,1% trạng thái khơng té ngã 72,8% Với thuật tốn SVM, tín hiệu sau đƣợc trích đặc trƣng phƣơng pháp PCA đƣợc huấn luyện thuật toán SVM sau tiến hành nhận dạng trạng thái té ngã khơng té ngã (bình thƣờng) Trong trƣờng hợp nhận dạng tập mẫu huấn luyện tỷ lệ xác trạng thái té ngã 81.8% không té ngã 83,5% Trong trƣờng hợp nhận dạng mẫu tập huấn luyện thì tỷ lệ xác trạng thái té ngã 81.3% không té ngã 83% Kết nhận dạng thuật tốn SVM có độ xác cao chứng minh phƣơng pháp đƣợc đề xuất đắn cho kết cao đƣợc sử dụng trình nhận dạng trạng thái té ngã xảy 7.2 Kiến nghị Một số hƣớng phát triển đề tài để tăng độ xác tính ứng dụng cao hệ thống phát nhận dạng té ngã đƣợc đề xuất nhƣ sau: - Sử dụng phƣơng pháp huấn luyện Hidden Markov Model, Neural Network nhằm nâng cao hiệu suất nhận dạng 59 Luan van Chƣơng Kết Luận Và Hƣớng Phát Triển - Thực hệ thống nhận dạng theo thời gian thực sử dụng hệ thống nhúng board vi xử lý có tốt độ xử lý cao thay cho máy tính, điều khiển thiết bị ngoại vi để báo động, điều khiển robot ứng dụng phát té ngã ngƣời già, ngƣời bệnh nhà sở y tế, bệnh viện - Hiển thị xử lý thời gian thực dựa tảng xử lý ảnh tĩnh 60 Luan van Tài Liệu Tham Khảo TÀI LIỆU THAM KHẢO [1] Public Health Agency of Canada Seniors’ Falls in Canada Second report Her Majesty the Queen in Right of Canada, 2014, pp 12–15 [2] Mary E.Tinetti, M.D Preventing Falls in Elderly Persons The New England Journal of Medicine, vol 348, pp 42 – 49, January 2003 [3] K.R.Tremblay, C.E.Barber Preventing Falls in the Elderly Colorado State University Extension, 2010, pp 69-78 [4] Christopher Kawatsu, Jiaxing Li, C.J Chung Development of a Fall Detection System with Microsoft Kinect International Conference on Robot Intelligence Technology and Applications, 2012, vol 208, pp 623-630 [5] Erik E.Stone, Marjoeie Skubic Falls Detection in Homes of Older Adults Using the Microsoft Kinect IEEE Journal of Biomedical and Health Informatics, vol 19, Issue 1, pp 290-301, March 2014 [6] Wen-Chang C, Ding-Mao J Triaxial Accelerometer-Based Fall Detection Method Using a Self-Constructing Cascade-AdaBoost-SVM Classifier IEEE Journal of Biomedical and Health Informatics, vol.17, Issue 2, pp 411- 419, 2013 [7] Dean M Karantonis MRN, Merryn Mathie, Nigel H.Lovell, Branko G Celler Implementation of a Real-Time Human Movement Classifier Using a Triaxial Accelerometer for Ambulatory Monitoring IEEE Transactions on Information Technology In Biomedicine, vol 10, Issue 1, pp 156 - 167, Jan 2006 [8] Bourke AK, O’Brien JV, Lyons GM Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm Gait & Posture, vol 26, Issue 2, pp 194199, July 2007 [9] Kalache, Dongbo Fu, WHO Global report on Falls Prevention in older Age, World Health Organization, 2007, pp 13 - 19 [10] Alwan M, Rajendran, P.J Kell, S Mack, D Dalal, S Wolfe, M Felder A smart and passive floor-vibration based fall detector for elderly International Conference on Information and Communication Technologies, 2006, pp 1003-1007 61 Luan van Tài Liệu Tham Khảo [11] Zigel Y, Litvak D, Gannot A Method for Automatic Fall Detection of Elderly People Using Floor Vibrations and Sound - Proof of Concept on Human Mimicking Doll Falls IEEE Transactions on Biomedical Engineering, vol 56, Issue 12, pp 2858 – 2867, August 2009 [12] Burchfield Tr,Venkatesan S Accelerometer-based human abnormal movement detection in wireless sensor networks Proceedings of the 1st ACM SIGMOBILE International workshop on Systems and networking support for healthcare and assisted living environments: ACM, 2007, pp 67-79 [13] Ye Z, Li, Y Zhao, Q Liu A Falling Detection System with wireless sensor for the Elderly People Based on Ergnomics International Journal of Smart Home, vol 8, Issue 1, pp 187 – 196, 2014 [14] Amandine DUBOIS, Franỗois CHARPILLET Detecting and preventing falls with depth camera, tracking the body center The 12th European Association for the Advancement of Assistive Technology in Europe, 2013, pp 77 - 82 [15] Rachit Dubey, Bingbing Ni, Pierre Moulin A Depth Camera Based Fall Recognition System for the Elderly Springer-Verlag Berlin Heidelberg, 2012, pp 137 - 142 [16] Amandine Dubois, Francois Charpillet Human Activities Recognition with RGB-Depth Camera using HMM 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2013, pp 4666 - 4669 [17] Orasa Patsadu, Chakarida Nukoolkit, Bunthit Watanapa Human gesture recognition using Kinect camera The 9th International Joint Conference on Computer Science and Software Engineering, 2012, pp 28 - 32 [18] Bogdan Kwolek, Michal Kepski Human fall detection on embedded platform using depth maps and wireless accelerometer Computer Methods and Program in Biomedicine, vol 117, Issue 3, pp 489 – 501, December 2014 [19] Programming with the Kinect for Windows SDK, Microsoft Research, 2014 [20] Jamie Shotton, Andrew Fitzgibbon, Mat Cook, Toby Sharp, Mark Finocchio, Richard Moore, Alex Kipman, Andrew Blake Real-time human pose recognition in 62 Luan van Tài Liệu Tham Khảo parts from single depth images Machine Learning for Computer Vision, vol 411, Issue 2, pp 119 – 135, 2013 [21] Francois Bremond, Bernard Boulay, Monique Thonnat Intelligent Camera for Human Posture Recognition ST Micro Electronics PACA Lab, 2007 [22] Mohamed Elgendi, Flavien Picon, Nadia Magnenat-Thalmann, Derek Abbott Arm movement speed assessment via a Kinect camera: A preliminary study in healthy subjects BioMedical Engineering OnLine, 27 June 2014 [23] Cristianini N, John Shawe-Taylor An introduction to support vector machines and other kernel-based learning methods Cambridge University Press, 2000 [24] Hoai An Trinh, Hai Thanh Nguyen, Truong Quang Phuc, Tran Thanh Mai Support Vector Machine algorithm for human recognition Kinect-Based skeletal data Proceedings of 2015 2nd National Foundation for Science and Technology Development Conference on Information and Computer Science, 2015, pp 202-207 63 Luan van Tài Liệu Tham Khảo PHỤ LỤC Phần phụ lục trình bày giao diện trình thu thập liệu nhận dạng phƣơng pháp SVM Thiết bị dùng thu liệu camera Kinect Xbox 360 đƣợc tích hợp camera màu, camera hồng ngoại, sensor hồng ngoại sử dụng công cụ Kinect for Window SDK version 1.8 kết hợp với phần mềm Matlab Giao diện thu liệu nhƣ hình Giao diện GUI đƣợc xây dựng đơn giản gồm khung axes để hiển thị hình ảnh thu nhận đƣợc từ camera gửi về, nút button để bắt đầu thu nhận liệu số khớp xƣơng thể ngƣời Giao diện chƣơng trình 64 Luan van Tài Liệu Tham Khảo Trong đó, nút điều khiển giao diện đƣợc trình bày: Chức Phím lựa chọn LOG IN Mở giao diện chƣơng trình nhận dạng EXIT Thốt khỏi chƣơng trình Giao diện chƣơng trình nhận dạng Các chức giao diện đƣợc trình bày nhƣ sau: 65 Luan van Tài Liệu Tham Khảo Chức Lựa chọn Open Image Mở file ảnh offline cần nhận dạng Open Video Mở video cần nhận dạng Connect Kết nối Matlab Arduino Exit Thoát khỏi giao diện chƣơng trình Image Detection Hiển thị ảnh đƣợc chọn cần nhận dạng Skeletal graph Hiển thị đồ thị giá trị khớp xƣơng theo trục X, Y, Z ảnh cần nhận dạng Result Hiển thị kết nhận dạng đƣợc 66 Luan van S K L 0 Luan van ... ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRỊNH HỒI ÂN SỬ DỤNG THUẬT TỐN VECTOR MÁY HỖ TRỢ ĐỂ NHẬN DẠNG TRẠNG THÁI TÉ NGÃ SỬ DỤNG CAMERA KINECT NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203... ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRỊNH HỒI ÂN SỬ DỤNG THUẬT TỐN VECTOR MÁY HỖ TRỢ ĐỂ NHẬN DẠNG TRẠNG THÁI TÉ NGÃ SỬ DỤNG CAMERA KINECT NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520203... thống nhận dạng phát trạng thái té ngã sử dụng camera Kinect, áp dụng thuật tốn phân tích thành phần (PCA) để trích xuất đặc trƣng sử dụng phƣơng pháp nhận dạng dựa thuật toán vector máy hỗ trợ