(Luận văn) nghiên cứu nhận dạng một số trạng thái khung xương và ứng dụng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC QUY NHƠN NGUYỄN ANH TÚ lu an n va NGHIÊN CỨU NHẬN DẠNG MỘT SỐ to ie gh tn TRẠNG THÁI KHUNG XƯƠNG p VÀ ỨNG DỤNG d oa nl w Chuyên ngành: Khoa học máy tính lu nf va an Mã số: 8480101 z at nh oi lm ul Người hướng dẫn: TS Lê Thị Kim Nga z m co l gm @ an Lu n va ac th si LỜI CAM ĐOAN Tôi xin cam đoan nội dung luận văn với đề tài “Nghiên cứu nhận dạng số trạng thái khung xương ứng dụng” thân thực giúp đỡ, hướng dẫn trực tiếp TS Lê Thị Kim Ngatrường Đại học Quy Nhơn Các số liệu, kết thực nghiệm trình bày luận văn hoàn toàn trung thực dựa khảo sát chưa cơng bố cơng trình nghiên cứu khác Trong luận văn có sử dụng số thư viện chuẩn lu an thuật toán tác giả xuất cơng khai miễn phí mạng n va Internet Những tư liệu tham khảo sử dụng luận văn có nguồn gốc tn to trích dẫn rõ ràng, đầy đủ tháng 07 năm 2019 p ie gh Bình Định, ngày d oa nl w Học viên an lu nf va Nguyễn Anh Tú z at nh oi lm ul z m co l gm @ an Lu n va ac th si LỜI CẢM ƠN Trong trình nghiên cứu luận văn cịn gặp nhiều khó khăn nhận quan tâm giúp đỡ quý thầy cô, bạn bè người thân Và nguồn động lực giúp tơi hồn thành đề tài Xin gửi lời cảm ơn chân thành lòng biết ơn sâu sắc đến quý Thầy (Cô) người nuôi dưỡng chắp cánh ước mơ cho thân đến với đường nghiên cứu khoa học đầy đam mê, đặc biệt TS Lê Thị Kim Nga - Trường Đại học Quy Nhơn Với tri thức tâm huyết mình, lu an bảo tận tình chu thân hồn thành tốt cơng việc va n Và xin cảm ơn cán nhân viên phòng Đào tạo Sau đại học, tn to Trường Đại học Quy Nhơn tạo điều kiện tốt cho suốt p ie gh trình học tập trường Cuối cùng, cho gửi lời biết ơn vơ hạn đến gia đình, đến bạn bè oa nl w tất người thân yêu bên cạnh động viên thân d suốt thời gian học tập nghiên cứu lu nf va an Kính chúc q Thầy (Cơ), anh chị em lớp cao học ngành Khoa học Máy tính khóa 20 sức khỏe, hạnh phúc thành đạt lm ul Xin chân thành cảm ơn! z at nh oi Bình Định, ngày tháng năm 2019 Học viên z gm @ m co l Nguyễn Anh Tú an Lu n va ac th si MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC HÌNH DANH MỤC CÁC BẢNG MỞ ĐẦU 1.1 Lý chọn đề tài 1.2 Tổng quan tình hình nghiên cứu đề tài lu an 1.3 Mục đích nhiệm vụ nghiên cứu n va 1.4 Đối tượng phạm vi nghiên cứu tn to 1.5 Phương pháp nghiên cứu gh CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG TRẠNG THÁI CỦA CON p ie NGƯỜI 1.1 Nhận dạng đối tượng oa nl w 1.2 Bài toán nhận dạng trạng thái thể d 1.3 Các liệu mô tả trạng thái người an lu 1.3.1 Haarcascade - Viola Jones nf va 1.3.2 Hình ảnh tích phân tương ứng 10 lm ul 1.3.3 Phương pháp phát 11 1.3.4 Dòng quang - Lucas Kanade 12 z at nh oi 1.4 Phương pháp trích chọn đặc trưng khung xương 14 1.4.1 Phân đoạn đối tượng 15 z 1.4.2 Theo vết đối tượng 16 @ gm 1.4.2.1 Theo vết dựa điểm 17 l 1.4.2.2 Theo vết dựa kernel 18 m co 1.4.2.3 Theo vết dựa hình chiếu 18 an Lu 1.4.2.4 Ước lượng tư 19 1.4.2.5 Đánh giá 21 n va ac th si 1.4.3 Biểu diễn đặc trưng 22 1.4.3.1 Đặc trưng dạng số 22 1.4.3.2 Đặc trưng nhị phân 25 1.4.3.3 Đánh giá 26 1.5 Một số tiếp cận nhận dạng trạng thái khung xương 27 1.5.1 Phương pháp dựa vào đặc trưng 27 1.5.2 Phương pháp dựa vào mơ hình 29 1.5.2.1 Máy vector hỗ trợ (Support Vector Machine -SVM) 29 1.5.2.2 Mơ hình Markov ẩn (HMM) 32 lu 1.5.2.3 Mạng nơron nhân tạo (Artificial Neural Network - ANN) 34 an n va 1.6 Một số ứng dụng nhận dạng khung xương 35 2.1 Trích chọn đặc trưng khung xương 36 gh tn to CHƯƠNG 2: NHẬN DẠNG TRẠNG THÁI KHUNG XƯƠNG 36 p ie 2.2 Nhận dạng khung xương 38 2.2.1 Phân cụm 38 nl w 2.2.2 Mơ hình Markov 39 d oa 2.2.2.1 Xây dựng mơ hình trạng thái khung xương 43 an lu 2.2.2.2 Phát bất thường 44 nf va 2.2.3 Thuật toán hồi quy [27] 44 2.3 Kết luận chương 47 lm ul CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG 48 z at nh oi 3.1 Phát biểu toán 48 3.1.1 Vài nét võ cổ truyền Việt Nam võ cổ truyền Bình Định 48 z 3.1.2 Tổng quan camera Kinect 49 @ 3.1.3 Phân tích tốn 50 gm l 3.2 Chi tiết thực 52 co 3.3 Cài đặt thử nghiệm 54 m 3.3.1 Mô tả liệu 54 an Lu 3.3.2 Môi trường cài đặt 55 n va ac th si 3.3.3 Quy trình thực 55 3.4 Đánh giá 56 KẾT LUẬN 60 DANH MỤC TÀI LIỆU THAM KHẢO 62 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (bản sao) lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC CÁC TỪ VIẾT TẮT Chữ tắt Dạng đầy đủ API Application Programming Interface CBIR Content-Based Image Retrieval HMM Hidden Markov Model SVM Support Vector Machine lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC CÁC HÌNH Hình 1.1 Các đặc điểm haar ánh xạ khn mặt 10 Hình 1.2 Ma trận hình ảnh đầu vào 10 Hình 1.3 Mơ hình thể người sử dụng khớp 11 Hình 1.4 Lade kanade sử dụng kim tự tháp Gaussian 14 Hình 1.5 Ví dụ phân đoạn đối tượng 16 Hình 1.6 Các dạng biểu diễn đối tượng khác nhau, phục vụ cho mục đích theo vết: điểm, kernel, hình chiếu 17 lu an Hình 1.7 Các phương pháp theo vết: (a) theo vết điểm, (b) theo vết Kernel, n va (c) theo vết dựa hình chiếu 17 tn to Hình 1.8 Theo vết xử lý che khuất dựa hình chiếu 19 gh Hình 1.9 Tái cấu trúc đối tượng chiều từ chuỗi ảnh hình chiếu 21 p ie Hình 1.10 Mơ hình đối tượng chuyển động với vị trí đầu chi 21 w Hình 1.11 Một ví dụ mii, với dòng chuỗi ảnh đầu vào, oa nl chuỗi hình chiếu đối tượng trước sau canh giữa, cuối d mii 23 an lu Hình 1.12 Ví dụ ảnh chuyển động tích lũy 24 nf va Hình 1.13 Ví dụ hai hành động có ma trận xếp hạng 24 lm ul Hình 1.14 Các vectơ hướng tương ứng với luồng quang học 25 Hình 1.15 Một số đặc trưng quan hệ hình học 26 z at nh oi Hình 1.16 Mẫu mơ hình trạng thái hoạt động 31 Hình 1.17 Tham số xác suất mơ hình Markov ẩn 32 z Hình 1.18 Mơ hình hmm tương ứng với mơ hình HMM hoạt @ gm động 33 l Hình 2.1 Hình vẽ thể tọa độ khung xương [28] 37 m co Hình 2.2 Hình vẽ thể tương quan đặc trưng hành vi khác an Lu 38 Hình 2.3 Mơ hình hmm sử dụng giải pháp đề xuất 43 n va ac th si Hình 3.1 Camera Kinect hãng Microsoft 50 Hình 3.2 Cơ chế hoạt động Kinect 50 Hình 3.3 Tư phịng thủ 51 Hình 3.4 Tư công 51 Hình 3.5 Giải pháp đề xuất 52 Hình 3.6 Màn hình khởi động chương trình nhận dạng tư võ 56 Hình 3.7 Hộp thoại để nhập tư võ cần kiểm tra 57 Hình 3.8 Tư phòng thủ nhận dạng với sample index = 50 57 Hình 3.9 Tư công nhận dạng với sample index = 800 58 lu Hình 3.10 Tư phịng thủ bị nhận dạng không với sample index = 4758 an n va Hình 3.11 Tư cơng bị nhận dạng không với sample index = 61959 p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si DANH MỤC CÁC BẢNG Số bảng Tên bảng Trang Tổng hợp đặc trưng trạng thái hoạt động 1.1 28 nghiên cứu lu an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si 51 vào toán cụ thể nhận dạng võ Đầu vào tập liệu bao gồm nhiều liệu đặc trưng khung xương lấy từ camera Kinect Đầu kết nhận dạng tư phịng thủ hay cơng Một số hình ảnh võ sư thực tư võ mà camera Kinect thu được: lu an n va p ie gh tn to nl w d oa Hình 3.3 Tư phòng thủ nf va an lu z at nh oi lm ul z m co l gm @ an Lu Hình 3.4 Tư cơng n va ac th si 52 3.2 Chi tiết thực Quá trình xử lý hệ thống đề xuất thực hình sau: Trích đặc trưng Tiền xử lý Tọa độ khớp xương Khung xương thể Hình chiếu đối tượng Vị trí tương đối khớp xương so với Kết lu an n va Phân lớp gh tn to Huấn luyện p ie Xây dựng mơ hình w oa nl Hình 3.5 Giải pháp đề xuất d Võ sư đứng trước camera Kinect thực động tác võ thuật lu nf va an Khi đó, thể võ sư chuyển động thể tư đặc trưng động tác võ Khi tư đặc trưng thực vùng quan lm ul sát camera Kinect, ghi nhận lại thơng tin hình với camera Kinect z at nh oi chiếu đối tượng, tức hình ảnh với thông tin màu chiều sâu so z Những thơng tin hình chiếu tiến hành xử lý qua SDK @ gm Kinect Hệ thống thực phân tích liệu cường độ điểm ảnh l thông tin chiều sâu có sở đối sánh với liệu thể m co người để thực xác định vị trí khớp thể người Những tính an Lu hỗ trợ từ SDK Kinect, từ ta tận dụng để trích n va ac th si 53 rút thông tin khung xương thể người, cụ thể danh sách điểm khơng gian ba chiều mà điểm có ngữ nghĩa tương ứng vị trí khớp cụ thể người thực Vì võ sư thực tư võ thuật đặc trưng võ cổ truyền, sau bước ta thu khung xương tương ứng thể tư võ thuật đặc trưng Đây thông tin quan trọng ta cần sử dụng để tiến hành xử lý để nhận dạng trạng thái mong muốn đầu cho chương trình thực nghiệm lu Các khung xương tiến hành trích đặc trưng phục vụ nhận dạng, an cụ thể ngữ cảnh ta quan tâm đến việc tính tốn va n thơng số thể mối tương quan vị tri tương đối khớp so với gh tn to khung xương cụ thể Với khung xương, mối ie tương quan cục thể trạng thái tư mà người thực p Ví dụ đơn giản người thực cú đá, chân giơ cao, nl w tức góc đùi thân người gần với góc vng góc d oa bẹt, hay người đứng thẳng, khoảng cách cổ tay với hông an lu nhỏ… Việc hệ thống chuẩn bị để thực tính tốn đặc trưng nf va cục làm sở cho trình nhận dạng lm ul Q trình bước vào việc xây dựng cách thức qua z at nh oi định Thông thường gồm hai pha huấn luyện phân lớp Pha huấn luyện thực trước để tạo mơ hình tối ưu dựa tập liệu Pha phân lớp sử dụng kết mơ hình pha huấn luyện để thực z tính tốn phân lớp mẫu liệu khung xương đầu vào để kết @ m co cảnh l gm luận trạng thái khung xương, tức kết luận tư võ thuật ngữ an Lu n va ac th si 54 3.3 Cài đặt thử nghiệm 3.3.1 Mô tả liệu Trong phạm vi luận văn, chương trình thử nghiệm thuật toán với liệu võ tư chuyên gia võ thực Tập liệu thu thập hoàn cảnh khác ánh sáng Đầu tiên, camera Kinect thu liệu võ sư thực võ, lưu tọa độ khung xương Dữ liệu khung xương gồm nhiều tọa độ khung xương, ví dụ: lu { an "label" : "0", va n "pts" : [[-0.087300, 1.093939, 3.552938], [-0.067549, 0.901092, 3.556866], 0.243352, 3.254435], [-0.245599, 0.244564, 3.280856], [0.143021, 0.317668, 3.323363], [-0.269326, 0.321952, 3.370727], p 0.499814, 3.467083], [-0.268952, 0.511849, 3.503349], ie gh tn to [0.137912, [0.154809, oa nl w [0.098227, 0.764474, 3.493724], [-0.241813, 0.764521, 3.505061], [0.064611, 0.513281, 3.551035], [-0.066139, 0.447102, 3.489933], [0.010604, d an lu 0.371766, 3.474647], [-0.142414, 0.371786, 3.478189], [0.047762, - nf va 0.172601, 3.560989], [-0.131570, -0.164736, 3.541538], [0.036005, - lm ul 0.511460, 3.567841], [-0.097587, -0.513426, 3.570682], [0.027939, - } Trong đó: z at nh oi 0.592127, 3.510415], [-0.112569, -0.585533, 3.513849]] z - label 1, tương ứng với trạng thái defend (phòng co l gm - pts tọa độ khung xương @ thủ) attack (tấn công) m - [-0.087300, 1.093939, 3.552938] : điểm khung an Lu xương với tọa độ [x,y,z] n va ac th si 55 Chương trình phân tích liệu khung xương, cụ thể sử dụng thuật toán định (cây hồi quy) để nhận dạng khung xương đưa thông báo trạng thái (phịng thủ cơng) hiển thị hình ảnh 3.3.2 Môi trường cài đặt Ở luận văn này, để cài đặt thử nghiệm thành cơng chương trình, tơi sử dụng môi trường cài đặt sau: * Cấu hình phần cứng: Máy tính kết nối với camera Kinect để thu liệu: Intel core i7, RAM lu 8GB, nhớ SSD 128 GB an Camera Kinect dung sdk Kinect 1.8, đặt độ cao 1m, cách xa 1-3m va n Máy tính chạy chương trình thực nghiệm: Intel core i5, RAM 4GB, *Ngôn ngữ môi trường cài đặt: Hệ điều hành Windows 10 Ngôn ngữ lập trình Visual C++ mơi p ie gh tn to nhớ SSD 128GB nl w trường Visual Studio 2015, thư viện mã nguồn mở OPENCV d oa 3.3.3 Quy trình thực an lu Nhiệm vụ chương trình trích chọn đặc trưng khung xương từ nf va liệu khung xương Các đặc trưng so sánh với tập khung z at nh oi công lm ul xương (các võ) biết, từ nhận dạng tư phịng thủ hay Quy trình thực gồm hai phần: - Phần thứ nhất: Trích chọn đặc trưng đưa vào sở liệu học Dữ z liệu thu thập liệu khung xương thu từ camera kinect @ l gm - Phần thứ hai: Nhận dạng hiển thị hình ảnh Chương trình phân co tích liệu khung xương, cụ thể sử dụng thuật toán định (cây hồi m quy) để nhận dạng khung xương đưa thơng báo trạng thái (phịng thủ an Lu cơng) hiển thị hình ảnh n va ac th si 56 3.4 Đánh giá Trong luận văn tiến hành thử nghiệm với liệu thu thập trường Đại học Quy Nhơn Tập liệu thu thập nhiều hoàn cảnh khác ánh sáng Tập liệu bao gồm 15083 mẫu khung xương Tập liệu chia làm phần: phần học phần test Ở luận văn này, sử dụng 14083 mẫu khung xương để học 1000 mẫu khung xương để test Kết cho Thuật toán thực xác 980/1000 mẫu khung xương, tỉ lệ 98% Một số hình ảnh thử nghiệm chương trình lu Bước Khởi động chương trình, chương trình thực việc tải an liệu Ở liệu mẫu 15083 mẫu khung xương lấy từ file va n 36dongtacvo.json p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul Hình 3.6 Màn hình khởi động chương trình nhận dạng tư võ Bước Bấm OK Chương trình hiển thị hộp hội thoại sau z m co l gm @ an Lu n va ac th si 57 Hình 3.7 Hộp thoại để nhập tư võ cần kiểm tra lu an Bước Nhập số thứ tự liệu cần test tư võ phịng thủ hay va n cơng vào ô Sample index Sau nhấn vào nút Process để chương trình - True label: nhãn gán sẵn với tư - Predict label: kết nhận dạng chương trình p ie gh tn to tiến hành nhận dạng Một hộp thoại ra: nl w Nếu kết Predict label trùng với True label tư võ kiểm d oa tra, chương trình cho kết nhận dạng võ nf va an lu z at nh oi lm ul z l gm @ m co Hình 3.8 Tư phịng thủ nhận dạng với sample index = 50 an Lu n va ac th si 58 lu Hình 3.9 Tư công nhận dạng với sample index = 800 an n va Nếu kết Predict label khơng trùng với True label tư võ tn to kiểm tra, chương trình cho kết nhận dạng võ không p ie gh d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ Hình 3.10 Tư phịng thủ bị nhận dạng không với sample index = 47 an Lu n va ac th si 59 lu an n va Hình 3.11 Tư cơng bị nhận dạng không với sample index = 619 p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si 60 KẾT LUẬN Bài toán nhận dạng khung xương đặt từ lâu với hàng loạt đề tài khoa học xác lập, cơng trình nghiên cứu công bố, ứng dụng triển khai Bài tốn ln đặt nhiều thách thức khó khăn Các khó khăn chứng tỏ phương pháp giải tóan xác định khung xương người tránh khỏi số khiếm khuyết định Mỗi hướng tiếp cận đưa lu đạt thành định, hướng có an thành cơng, hạn chế Vì tốn tốn khơng có lời giải tối va n ưu cho trường hợp Tuy nhiên, tính cấp thiết từ yêu cầu thực tế mà gh tn to đề tài hấp dẫn nhà khoa học, chuyên gia nghiên cứu ứng dụng Đặc biệt Việt Nam, nơi mà hệ thống nhận dạng, hệ ie p thống giám sát chưa phát triển mạnh Những ứng dụng chủ yếu nl w phần mềm kèm với thiết bị chuyên dụng đắt tiền d oa Trong nội dung nghiên cứu đề tài “Nghiên cứu nhận dạng số trạng an lu thái khung xương ứng dụng” thân tìm hiểu thuật tốn nhận dạng nf va trạng thái khung xương áp dụng thuật toán để giải toán sau: z at nh oi lm ul đặt Qua nghiên cứu, kết mà luận văn đạt Khái quát toán nhận dạng khung xương nói chung tốn nhận dạng tư võ nói riêng, đồng thời hệ thống để lại số cách tiếp cận z @ nhận dạng khung xương l gm Trình bày số kỹ thuật phát khung xương, phương pháp trích chọn đặc trưng dựa vào thuật toán hồi quy để nhận dạng khung xương co m Cài đặt thử nghiệm thuật toán nhận dạng khung xương ứng dụng an Lu việc nhận dạng khung xương vào nhận dạng tư võ Chương trình thử n va ac th si 61 nghiệm liệu thu thập camera Kinect *Kiến nghị hướng nghiên cứu Nhận dạng khung xương đề tài đã, tiếp tục nhiều nhà nghiên cứu nước nghiên cứu có nhiều ứng dụng to lớn, có tầm quan trọng khoa học, thực tiễn Những hạn chế việc nhận dạng xác khung xương người cịn khó khăn Hướng nghiên cứu luận văn tiếp tục nghiên cứu sâu thuật toán tiền xử lý, nhận dạng khung xương để nâng cao hiệu lu thuật toán an n va p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si 62 DANH MỤC TÀI LIỆU THAM KHẢO [1] I Cohen and H Li, "Inference of Human Postures by Clasification of 3D Human Body Shape," in IEEE International Workshop on Analysis and Modeling of Faces and Gestures, IOCV 2003, 2003 [2] H.-C Mo, J.-J Leou and C.-S Lin, "Human Behavior Analysis Using Multiple 2D Features and Multicategory Support Vector Machine," MVA 2009 APR Conference on Machine Vision Applications, lu Yokohama, 2009 an [3] Z L Haiyong Zhao, "Human Action Recognition Based on Non-linear va n SVM Decision Tree," pp 7: 2461-2468, 2011 gh tn to [4] T.-L Le, M.-Q Nguyen and T.-T.-M Nguyen, "Human posture p ie recognition using human skeleton," IEEE, pp 340-345, 2013 [5] O Patsadu, C Nukoolkit and B Watanapa, "Human gesture recognition oa nl w using Kinect camera," in 2012 Ninth International Joint Conference on Computer Science and Software Engineering, Bangkok, 2012 d an lu [6] S Saha, S Ghosh, A Konar and A K Nagar, "Gesture recognition from 2013 Fifth International Conference lm ul the nf va Indian classical dance using Kinect," in CICSYN '13 Proceedings of on Computational z at nh oi Intelligence, Communication Systems and Networks, Kolkata, 2013 [7] J C S Jacques Jr., L Dihl, C R Jung, M R Thielo R Keshet, S R Musse, " HUMAN UPPER BODY IDENTIFICATION FROM z gm @ IMAGES" Hewlett-Packard Brasil Ltda using incentives of Brazilian Informatics Law (Law n 8.2.48 of 1991) l co [8] Greg Mori, Xiaofeng Ren, Alexei A Efros and Jitendra Malik, " m Recovering Human Body Configurations: Combining Segmentation an Lu and Recognition" n va ac th si 63 [9] Richard Yi Da Xu, Michael Kemp, " MULTIPLE CURVATURE BASED APPROACH TO HUMAN UPPER BODY PARTS DETECTION WITH CONNECTED ELLIPSE MODEL FINE-TUNING" [10] Paul Viola, Michael Jones , " Rapid Object Detection using a Boosted Cascade of Simple Features" [11] Jean-Yves Bouguet, “Pyramidal Implementation of the Lucas Kanade Feature Tracker Description of the algorithm” [12] Stauffer, C., & Grimson, W E L (1999), “Adaptive Background Mixture lu Models for Real-time Tracking,” IEEE Computer Society Conference on an Computer Vision and Pattern Recognition, IEEE, vol va n [13] Polana, R., & Nelson, R (1994), “Low Level Recognition of Human to gh tn Motion,” In Proceedings of the 1994 IEEE Workshop on Motion of ie Non-Rigid and Articulated Objects, IEEE, pp 77-82 p [14] Comaniciu, D., Ramesh, V., & Meer, P (2003), “Kernel-based Object oa nl w Tracking,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(5), pp 564-577 d an lu [15] Cheng, H Y., & Hwang, J N (2009), “Adaptive Particle Sampling and nf va Adaptive Appearance for Multiple Video Object Tracking,” Signal lm ul Processing, Elsevier, 89(9), pp 1844-1849 z at nh oi [16] Kim, W., Lee, J., Kim, M., Oh, D., & Kim, C (2010), “Human Action Recognition using Ordinal Measure of Accumulated Motion,” EURASIP journal on Advances in Signal Processing, vol z "Continuous gm @ [17] Panahandeh, G., Mohammadiha, N., Leijon, A., & Handel, P (2013), Hidden Markov Model for Pedestrian Activity l m Measurement, 62(5), pp 1073-1083 co Classification and Gait Analysis", IEEE T Instrumentation and an Lu n va ac th si 64 [18] Yoo, J H., Hwang, D., Moon, K Y., & Nixon, M S (2008), "Automated human recognition by gait using neural network",In Image Processing Theory, Tools and Applications, 2008 IPTA 2008 First Workshops on, IEEE, pp 1-6 [19] Dikovski, B., Madjarov, G., & Gjorgjevikj, D (2014), "Evaluation of different feature sets for gait recognition using skeletal data from Kinect", Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2014 37th International Convention lu on, pp 1304-1308 an [20].TS Lê Thị Kim Nga (2017), “Bài giảng Xử lý ảnh”, Trường Đại học Qui va n Nhơn gh tn to [21].PGS.TS Đỗ Năng Toàn (2010), “Bài giảng Xử lý ảnh”, Hà Nội: Học ie viện Cơng nghệ bưu viễn thơng p [22].Nguyễn Tường Thành, Nguyễn Đăng Tuyên, Lê Dũng, Phạm Thành nl w Công(2016), “Ứng dụng Camera Kinect xây dựng mơ hình d oa chấm điểm động tác võ cổ truyền Việt Nam”, Tạp chí khoa học an lu công nghệ, Đại học Đà Nẵng nf va [23] Hồ Viết Hà, Trần Anh Vũ, Ngô Văn Sỹ, Huỳnh Hữu Hưng, Đặng Văn lm ul Đàng(2016), “Phân tích dáng dựa thông tin độ sâu”, Kỷ yếu z at nh oi Hội nghị Khoa học Quốc gia lần thứ IX ―Nghiên cứu ứng dụng Công nghệ thông tin (FAIR'9)‖; Cần Thơ, ngày 4-5/8/2016 [24] Phạm Nguyên Khang, Huỳnh Nhật Minh, Võ Trí Thức, Phạm Thế Phi, z “Nhận dạng ngôn ngữ dấu hiệu với camera Kinect đặc trưng Gist”, @ co nghệ thông tin(2015): 113 – 120 l gm Tạp chí Khoa học – Trường Đại học Cần Thơ, Số chuyên đề: Công m [25] Đ T Nghị P N Khang, “Phương pháp đánh giá hiệu giải thuật an Lu học có giám sát,” Giáo trình nguyên lý máy học, Cần Thơ, Đại n va ac th si 65 học Cần Thơ, 2012 [26] Trần Công Án, Lữ Minh Phúc, Đỗ Thanh Đức, Ngơ Bá Hùng, Lê Đình Chiến, Phạm Thị Xuân Diễm, Sơn Búp Pha Nguyễn Hữu Vân Long, “Phát té ngã cho người cao tuổi gia tốc kế mơ hình học sâu long short-term memory”, Cần Thơ, Đại học Cần Thơ, 2017 [27] Lê Thị Kim Nga, Huỳnh Lê Anh Vũ, Nguyễn Thị Kim Phượng (2017), Một kỹ thuật định vị đối tượng không cấu trúc ảnh dựa vào tiếp cận hồi quy, Hội thảo Quốc gia CNTT&TT 2017 lu [28] Lê Thị Kim Nga, Arist QNU, “Nghiên cứu nhận dạng hành vi”, Hội thảo an Viện nghiên cứu ứng dụng khoa học cơng nghệ tầm nhìn va n cách mạng cơng nghiệp 4.0, Bình Định, ngày 27 tháng năm 2019 p ie gh tn to d oa nl w nf va an lu z at nh oi lm ul z m co l gm @ an Lu n va ac th si