Ứng dụng xử lý ảnh trong giám sát an ninh sử dụng bằng cách kết hợp mô hình

37 Trang 9 TÓM TẮT Hiện nay ngành công nghệ giám sát an ninh đang được các nước áp dụng phổ biến và với nhu cầu có thể bảo vệ được tài sản của chính mình, nên nhóm đã suy nghĩ và quyết

TỔNG QUAN

ĐẶT VẤN ĐỀ

Đa số với xu thế kinh tế ngày càng phát triển, mức sống của người dân ngày càng được nâng cao, giới trung lưu ngày càng nhiều hơn, cùng với đó là nhu cầu đi du lịch, nghỉ dưỡng sau những ngày làm việc bận rộn được quan tâm Khi đi du lịch, nghỉ dưỡng nhiều ngày, nhiều tuần liền xa nhà, thì tâm lý không an tâm về tài sản trong ngôi nhà của họ sẽ nảy sinh làm ảnh hưởng rất nhiều đến chuyến đi, để vứt bỏ tâm lý đó chúng ta cần một giải pháp an ninh để giám sát ngôi nhà của chúng ta mỗi khi đi xa nhà và giải pháp là:

Nếu có trộm thì cần phát hiện và báo tin nhắn cho gia chủ, để thực hiện được điều đó chúng ta sẽ tận dụng camera quan sát để quay lấy hình ảnh, kít Raspberry pi B+ để chạy xử lý code có chuyển động, và module sim 900A thông báo đến gia chủ có người đang chuyển động Để xác định có hoặc không có chuyển động trong một ảnh, người ta dựa vào số pixel của nền và số pixel của đối tượng chuyển động Nếu số pixel của đối tượng chuyển động đủ lớn, ta kết luận có đối tượng chuyển động Để nhận xét một pixel có chuyển động hay không, các phương pháp cũ sử dụng phương pháp trừ nền để tìm các khung nền của ảnh Ảnh thu được của camera sẽ trừ với ảnh nền để tìm những pixel chuyển động Nhưng nhược điểm của phương pháp này là nhạy với nhiễu và di chuyển của camera, ngoài ra phương pháp này còn có nhược điểm khác đó là độ nhạy của điểm ảnh với việc chiếu sáng Và phương pháp này không là lựa chọn tốt đối với những đoạn video có khung cảnh không ổn định ví dụ như khung cảnh ánh sáng luôn bị thay đổi liên tục hay những khung cảnh có độ nhiễu lớn (ví dụ như những cây luôn dao động liên tục khi có gió)

Như vậy để giải quyết phương pháp này nhóm đã sử dụng một phương pháp mới đó là phương pháp mô hình phân phối chuẩn kết hợp, các thông số của mô hình sẽ được update theo thời gian, nhờ đó hệ thống có thể thay đổi tương ứng với những điều kiện khách quan bên ngoài

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 2

Từ đó nhóm đã quyết định đi đến việc thực hiện đề tài với tên gọi “ỨNG DỤNG

XỬ LÝ ẢNH TRONG GIÁM SÁT AN NINH SỬ DỤNG BẰNG CÁCH KẾT HỢP

MÔ HÌNH PHÂN PHỐI CHUẨN”.

MỤC TIÊU

Mục tiêu của đề tài là có thể thi công được một hệ thống giám sát an ninh mang tính ổn định cao, bên cạnh đó hệ thống sử dụng kít Raspberry pi B+ để chạy một chương trình ứng dụng xử lý ảnh, qua đó giúp người làm có thể vận dụng và kết hợp giữa những kiến thức được học về lập trình nhúng vào trong lĩnh vực xử lý ảnh Và với đề tài đã chọn, nhóm hi vọng đây là động lực để nhóm có thể tiếp tục tìm hiểu và bước đầu xây dựng những hệ thống giám sát an ninh khác với mong muốn có thể đáp ứng được nhu cầu của cuộc sống ngày càng được tốt hơn.

NỘI DUNG NGHIÊN CỨU

Nội dung thực hiện bao gồm:

 NỘI DUNG 1: Tìm hiểu nội dung lí thuyết về xử lý ảnh, phương pháp mô hình phân phối chuẩn kết hợp

 NỘI DUNG 2: Tìm hiểu các thiết bị có trong hệ thống bao gồm camera giám sát Bluelover S7, kít Raspberry pi B+, module sim 900A, cùng với thư viện OpenCV

- Cách kết nối với kít Raspberry pi B+

- Tìm hiểu về kít Raspberry pi B+

- Hệ điều hành cho kít Raspberry pi B+

- Cách cài đặt hệ điều hành cho kít Raspberry pi B+

- Cấu tạo của module sim 900A

- Cách kết nối với kít Raspberry pi B+

- Cấu hình module sim900A với kít Raspberry pi B+

- Tìm hiểu về thư viện OpenCV

- Các tính năng của thư viện OpenCV

- Chức năng của các hàm thông dụng thư viện OpenCV

 NỘI DUNG 3: Tiến hành cài đặt Visual studio 2015 cùng với thư viện OpenCV trên máy tính và bắt đầu làm thử nghiệm trên máy tính

 NỘI DUNG 4: Sau khi làm được thử nghiệm trên máy tính nhóm bắt đầu cài đặt hệ điều hành cùng với thư viện OpenCV trên kít Raspberry pi B+

 NỘI DUNG 5: Kết nối camera giám sát với kít Raspberry pi B+, bắt đầu quay lấy hình ảnh viết code xử lý xác định chuyển động

 NỘI DUNG 6: Tiến hành làm thử nghiệm trong điều kiện ánh sáng thường và ánh sáng tối với sự thay đổi giá trị của các thông số quan trọng

 NỘI DUNG 7: Sau khi xác định được chuyển động, nhóm đi đến kết nối module sim 900A với kít Raspberry pi B+, để bắt đầu triển khai chế độ nhắn tin

 NỘI DUNG 8: Sau khi hoàn thiện hệ thống, nhóm lắp khung mica đóng gói kít Raspberry pi B+ cùng với module sim 900A

 NỘI DUNG 9: Kiểm tra tính ổn định của hệ thống

 NỘI DUNG 10: Viết luận văn báo cáo cùng với việc xây dựng power point thuyết trình.

GIỚI HẠN

Đề tài thiết kế hệ thống giám sát an ninh sử dụng phương pháp mô hình phân phối chuẩn kết hợp thì các giới hạn bao gồm:

 Mô hình thi công có kích thước chiều dài 15cm, chiều cao 7 cm

 Thi công được hệ thống đúng với yêu cầu đặt ra

 Sử dụng kít Raspberry pi B+ cùng với module sim 900A

 Công cụ quan sát là camera giám sát Bluelover S7

 Hệ thống có thể lắp đặt được cả ở trong nhà hoặc ở ngoài nhà, nơi có ánh sáng thường hoặc nơi có ánh sáng tối

BỐ CỤC

Với đề tài “ ỨNG DỤNG XỬ LÝ ẢNH TRONG GIÁM SÁT AN NINH SỬ DỤNG BẰNG CÁCH KẾT HỢP MÔ HÌNH PHÂN PHỐI CHUẨN” thì bố cục đồ án xin được trình bày như sau:

Chương này xin đi đến trình bày về việc đặt vấn đề dẫn đến lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, giới hạn, và bố cục của đồ án

 Chương 2: Cơ Sở Lí Thuyết

Chương này xin trình bày lí thuyết về 2 phương pháp đó là phương pháp trừ nền và phương pháp mô hình phân phối chuẩn kết hợp bao gồm trình bày về phần giới thiệu, phương pháp giải quyết, ưu điểm và nhược điểm của 2 phương pháp, thông qua sự trình bày đó nó sẽ giúp chúng ta thấy được sự khác biệt giữa 2 phương pháp này và phương pháp nào sẽ tối ưu hơn khi được ứng dụng trong giám sát an ninh

 Chương 3: Tính Toán Thiết Kế

Chương này xin đi đến trình bày về việc thiết kế sơ đồ khối của hệ thống, cùng với thông tin kỹ thuật về các thiết bị được lựa chọn để lắp ráp hệ thống

 Chương 4: Thi Công Hệ Thống

Chương này xin đi đến trình bày về các bước để lắp ráp và kiểm tra hệ thống, thông tin về phần mềm và thư viện sử dụng, đồng thời sẽ viết tài liệu hướng dẫn sử dụng và các thao tác thực hiện

 Chương 5: Kết Quả Nhận Xét

Chương này xin đi đến trình bày các kết quả thực nghiệm và đưa ra nhận xét dựa trên các kết quả thực nghiệm đã làm được từ đó mới đưa ra lời kiến nghị cho người dùng

 Chương 6: Kết Luận Và Hướng Phát Triển

Chương này xin đi đến trình bày các kết quả đạt được về mặt lí thuyết, thực tiễn, hạn chế, từ đó đưa ra hướng phát triển cho đề tài.

CƠ SỞ LÝ THUYẾT

PHƯƠNG PHÁP TRỪ NỀN

Phương pháp trừ nền hay có thể gọi phương pháp phát hiện tiền cảnh là một kỹ thuật trong lĩnh vực xử lý ảnh và thị giác máy tính khi mà tiền cảnh sẽ được tách ra cho những bước xử lý tiếp theo (ví dụ như nhận dạng đối tượng, nhận dạng cử chỉ, chuyển động v.v) Sau bước tiền xử lý, các bước xử lý tiếp theo sẽ sử dụng kỹ thuật trừ nền này Trừ nền được ứng dụng rộng rãi trong nhiều lĩnh vực như camera giám sát, nhận dạng đối tượng, nhận dạng cử chỉ đối tượng, giao thông để theo dõi lưu lượng xe

Phương pháp trừ nền tính toán mặt nạ phía trước thực hiện một phép trừ giữa khung hiện tại và một mô hình nền, có chứa các phần tĩnh của cảnh

Hình 2.1: Kết quả của phương pháp trừ nền

Và đã có một số đề tài sử dụng phương pháp trừ nền để thi công một hệ thống giám sát ví dụ như đề tài “Lê Hữu Đức, Chu Nguyễn Đức Long và Trần Đình Trọng,

“Phát Hiện Mật Độ Xe Trên Đường Dùng Phương Pháp Trừ Nền”, Đồ Án Tốt Nghiệp Đại Học, Trường Đại Học Sư Phạm Kỹ Thuật TP.HCM, 2015.” Nội dung cuả đề tài là

“ Phát hiện mật độ xe trên đường từ dữ liệu thu bằng camera hoặc máy ảnh lắp đặt trên đường, sử dụng phương pháp trừ nền Với phương pháp này nhóm làm đề tài xác định được lượng xe trên đường qua dữ liệu thu được xử lý khi nào mật độ xe lưu thông ít, khi nào mật độ xe lưu thông đông, từ đó đưa thông tin đã xử lý hiển thị lên màn hình

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 6 và đưa ra thông báo cảnh báo cho các phương tiện khác biết được ở đoạn đường nào có mật độ xe như thế nào để thuận tiện cho việc lưu thông trên đường”[2]

Ngoài ra phương pháp trừ nền còn được sử dụng trong:

 Giám sát giao thông (đếm xe, phát hiện và theo dõi xe)

 Nhìn nhận hành động của con người (chạy, đi bộ, nhảy…v.v)

 Tương tác giữa con người - máy tính (giao diện con người)

 Theo dõi và phát hiện đối tượng chuyển động[6]

2.1.2 Yêu cầu của một hệ thống sử dụng phương pháp trừ nền

Mặc dù đã có rất nhiều các giải thuật trừ nền trong các đề tài xử lý ảnh, nhưng tất cả chúng đều theo một lưu đồ giải thuật đơn giản và với bốn bước chính sau:

Tiền xử lý, mô hình hóa nền, phát hiện đối tượng và hợp lệ hóa dữ liệu Tiền xử lý bao gồm những tác vụ xử lý ảnh đơn giản cho video đầu vào tạo điều kiện cho xử lý những bước tiếp theo Mô hình hóa nền sử dụng những frame video mới để tính toán và cập nhật một mô hình nền Mô hình nền này cung cấp phần mô tả thống kê của toàn bộ cảnh nền Dò tìm đối tượng là xác định những pixel trong frame video không tương ứng với mô hình nền, và đưa ra mặt nạ nhị phân tương ứng với các đối tượng Cuối cùng hợp lệ dữ liệu khảo sát mặt nạ thích hợp này, loại bỏ những pixel không tương ứng với những đối tượng chuyển động thật, và đưa ra mặt nạ cuối cùng

Trong đa số hệ thống thị giác máy tính, những bộ lọc đơn giản thường được sử dụng trong giai đoạn đầu của xử lý để giảm bớt nhiễu camera Những bộ lọc có thể được sử dụng để loại bỏ những nhiễu môi trường nhất thời như mưa và tuyết…v.v Với hệ thống thời gian thực, giảm bớt kích thước frame và tốc độ frame thường được dùng để làm giảm tốc độ xử lý dữ liệu Nếu camera chuyển động hoặc nhiều camera được sử dụng tại các vị trí khác nhau, đăng kí ảnh giữa các frame liên tục và những camera khác nhau là cần thiết trước khi mô hình hóa nền Một vấn đề khác trong tiền xử lý là định dạng dữ liệu được sử dụng bởi các giải thuật trừ nền khác nhau Hầu hết các giải thuật đều xử lý cường độ chiếu sáng Mặc dù vậy ảnh màu, trong không gian màu RGB hoặc HSV, cũng được sử dụng khá phổ biến trong trừ nền Người ta cũng đã chỉ ra rằng khi xác định đối tượng trong vùng độ tương phản thấp và khử bóng sinh ra do đối tượng di chuyển thì sử dụng màu sắc tốt hơn sử dụng độ sáng Ngoài ra, những

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 7 đặc trưng ảnh dựa trên pixel cũng thường được sử dụng kết hợp các biên và thông tin chuyển động

Mô hình hóa nền là vấn đề trọng tâm của bất kỳ giải thuật trừ nền nào Nhiều nghiên cứu đã tập trung để phát triển mô hình hóa nền linh loạt chống lại sự thay đổi của môi trường, nhưng đủ nhạy để xác định mọi chuyển động cần quan tâm

2.1.2.3 Phát hiện đối tượng chuyển động

Phát hiện đối tượng là việc so sánh khung video hiện thời với mô hình nền và xác định các pixel đối tượng từ frame đầu vào đó Ngoại trừ mô hình không có tham biến và mô hình MOG

Một hướng tiếp cận khác là sử dụng độ khác nhau tương đối hơn là độ khác nhau tuyệt đối để nổi bật tương phản trong những vùng tối như là độ bóng

𝐵 𝑡 (𝑋,𝑌) > 𝑇 𝑐 (2.1) Tuy nhiên, kĩ thuật này không thể sử dụng để tăng độ tương phản trong các ánh sáng như cảnh ngoài trời dưới sương mù dày đặc Một hướng tiếp cận khác để đưa ra độ biến thiên không gian là sử dụng hai ngưỡng với hiện tượng trễ Ý tưởng cơ bản là ban đầu xác định các pixel không thuộc nền mà chúng khác biệt tuyệt đối với các ước lượng nền vượt quá một ngưỡng Sau đó vùng đối tượng được phát triển từ các pixel đã được xác định, có thể được thực hiện bởi việc sử dụng giải thuật kết nối các nhóm thành phần

2.1.2.4 Hợp lý hóa dữ liệu

Chúng ta định nghĩa hợp lý hóa dữ liệu là quá trình xử lý, cải tiến mặt nạ xác định đối tượng dựa vào thông tin thu được từ bên ngoài mô hình nền Tất cả các mô hình nền có ba hạn chế chính: thứ nhất, chúng bỏ qua tất cả các mối liên quan giữa các pixel lân cận, thứ hai tốc độ thích nghi có thể không phù hợp với tốc độ chuyển động của các đối tượng, thứ ba những pixel động do đung đưa của các lá cây, hoặc độ bóng do các đối tượng chuyển động dễ gây hiểu lầm là đối tượng thực sự[3]

Nền trừ nền là một quá trình tính toán tầm nhìn giải nén nền trước các đối tượng trong một cảnh đặc biệt Nền trừ là một phương pháp được sử dụng rộng rãi để phát hiện các đốitượng chuyển động trong video từ máy ảnh tĩnh Ảnh tại thời gian t Ảnh nền tại thời gian t

Hình 2.2: Ảnh trừ nền theo thời gian

PHƯƠNG PHÁP MÔ HÌNH PHÂN PHỐI CHUẨN KẾT HỢP

Mô hình phân phối chuẩn kết hợp là một mô hình thống kê được xây dựng từ việc huấn luyện các tham số thông qua dữ liệu học

Hình 2.3: Hàm mật độ của mô hình phân phối chuẩn kết hợp

Về cơ bản, mô hình phân phối chuẩn kết hợp xấp xỉ một hàm mật độ xác suất bằng hợp các hàm mật độ Gauss Hình 2.3 minh họa cho ta những hàm mật độ Gauss với các tham số khác nhau Một cách hình thức, hàm mật độ xác suất của phân phối Gauss 𝑓 𝑁 (x, à, 𝛿 2 ) được cho bởi cụng thức:

Trong đú, à là giỏ trị trung bỡnh, 𝛿 là độ lệch chuẩn Trong trường hợp x là vector gồm D thành phần, hàm mật độ xỏc suất của phõn phối Gauss 𝑓 𝑁 (x, à, ∑) được cho bởi công thức:

Khi đú, à là vector trung bỡnh, ∑ 𝑙à ma trận hiệp phương sai Nếu chọn à = 0 và

𝛿 = 1, công thức (2.4) sẽ trở thành mật độ chuẩn Gauss:

Hình 2.4: Mô hình phân phối chuẩn kết hợp

Cho trước M phân phối Gauss 𝑃 1 , 𝑃 2 , …., 𝑃 𝑀 , hàm mật độ xác suất của mô hình phân phối chuẩn kết hợp được minh họa trong hình 2.4 chính là tổng trọng của M phân phối Gauss theo công thức:

𝑃 𝐺𝑀𝑀 (𝑥⃗) = ∑ 𝑀 𝑖=1 𝑊 𝑖 𝑃 𝑖 (𝑥⃗) (2.7) Trong đó, 𝑊 𝑖 là trọng số của phân phối Gauss thứ i, thỏa ràng buộc 0 ≤ 𝑊 𝑖 ≤ 1 và ∑ 𝑀 𝑖= 1 𝑊 𝑖 = 1 Các trọng số này thể hiện mức độ ảnh hưởng của mỗi phân phối

Gauss đối với mô hình phân phối chuẩn kết hợp Như vậy, Gauss có phương sai và trọng số lớn bao nhiêu thì có mức độ ảnh hưởng lớn bấy nhiêu đối với kết quả của mô hình x

Hình 2.5: Hàm mật độ của mô hình phân phối chuẩn kết hợp có 3 phân phối Gauss

Nguồn: Mô Hình Markov ẩn hợp Gauss,

Như vậy, một mô hình phân phối chuẩn kết hợp có M phân phối Gauss sẽ được đại diện bởi bộ tham số 𝜆 = { 𝑊 𝑖 , ∑ , 𝑖 à 𝑖 }, i € [1, M]

Tùy thuộc vào cách tổ chức của ma trận hiệp phương sai (covariance matrix) Mô hình phân phối chuẩn kết hợp có thể có một số biến thể khác nhau:

 Nodal covariance matrix GMM: Mỗi phân phối Gauss trong mô hình phân phối chuẩn kết hợp có một ma trận hiệp phương sai riêng

 Grand covariance matrix GMM: Mỗi phân phối Gauss trong một mô hình phân phối chuẩn kết hợp dùng chung một ma trận hiệp phương sai

 Global covariance matrix GMM: Mỗi phân phối Gauss trong tất cả các mô hình phân phối chuẩn kết hợp dùng chung một ma trận hiệp phương sai

Ngoài ra, xét về dạng thức, ma trận hiệp phương sai gồm hai loại: full (dạng đầy đủ) và diagonal (dạng ma trận đường chéo) Thông thường, dạng Nodal- Diagonal covariance matrices GMM được sử dụng phổ biến nhất

Trong bộ phân loại dựa trên mô hình thống kê, việc ước lượng các tham số của mô hình được thực hiện thông qua huấn luyện trên một số lượng lớn các dữ liệu học Mục tiêu của bước huấn luyện là nhằm tổng quát hóa, mô hình hóa những đặc điểm chung nhất của tập dữ liệu học Đối với mô hình phân phối chuẩn kết hợp, một trong những kỹ thuật xác định bộ tham số 𝜆 của nó được áp dụng khá phổ biến là thuật toán Expectation Maximization

(EM) Bản thân Expectation Maximization là một thuật toán tổng quát, đem lại các kết quả khác nhau đối với các mô hình khác nhau Ngoài ra, có hai tiêu chí ước lượng khác nhau trong Expectation Maximization

 Maximum likelihood (ML): ước lượng tham số theo hướng cực đại hóa độ tương tự p(X| 𝜆)

 Maximum a posteriori probability (MAP): ước lượng tham số theo hướng cực đại hóa xác suất quyết định p(𝜆|X)

Cho trước vector đặc trưng X, ta có thể dễ dàng tính được độ tương tự p(X| 𝜆) Tuy nhiên, vai trò quyết định lại nằm ở xác suất p(𝜆|X) Sử dụng công thức Bayes, ta có tương quan giữa p(X| 𝜆) và p(𝜆|X): p(𝜆|X) = p(X| 𝜆) p(𝜆)

Trong đó, p(X) là xác suất xuất hiện của vector đặc trưng X, p(𝜆) là tần suất xuất hiện người được mô hình hóa bởi mô hình phân phối chuẩn kết hợp tương ứng Trong luật quyết định Bayes, p(X) độc lập: Như vậy nếu giả định p(𝜆) là đồng nhất cho mọi người, ta có thể quy vai trò quyết định p(𝜆|X) về p(X| 𝜆) và áp dụng Expectation Maximization ước lượng 𝜆 theo hướng Maximum likelihood:

Như vậy, với tập dữ liệu huấn luyện X gồm T mẫu X = {𝑥⃗ 1 , 𝑥⃗ 2 , , 𝑥⃗ 𝑇 ) ,Các trọng số, trung bình và phương sai của mô hình phân phối chuẩn kết hợp ở mỗi bước lặp sẽ là:

𝑡=1 ,𝜆) - à̅ 𝑖 2 (2.12) Trong đú 𝛿 2 𝑖 , 𝑥 𝑡 , à 𝑖 , là cỏc thành phần tương ứng trong cỏc vector 𝛿̅ 𝑖 2 , 𝑥⃗ 𝑡 , à⃗⃗ 𝑖 Xỏc suất P(i| 𝑥⃗ 𝑡 , 𝜆) cho bởi công thức ∶

Trong quá trình xây dựng mô hình phân phối chuẩn kết hợp, có hai vấn đề phát sinh là: số phân phối Gauss M của mô hình, và bộ tham số khởi đầu 𝜆 0 trước khi tiến hành thuật toán Expectation Maximization Hiện tại, vẫn chưa có giải pháp tối ưu trên lý thuyết cho việc chọn M và 𝜆 0 Thông thường, M sẽ được chọn qua thực nghiệm, còn 𝜆 0 sẽ được khởi tạo bằng thuật toán K-means nhằm đem lại khả năng cao hơn cho việc đạt tối ưu toàn cục, đồng thời đẩy nhanh tốc độ hội tụ trong huấn luyện[10]

2.2.3 Ưu điểm và nhược điểm của phương pháp mô hình phân phối chuẩn kết hợp

 Ngưỡng khác nhau được chọn cho mỗi điểm ảnh

 Giá trị của pixel thay đổi theo thời gian

 Đối tượng được phép trở thành một phần của nền mà không phá hủy các mô hình nền hiện tại

 Sử dụng mô hình phân phối chuẩn kết hợp để loại bỏ nhiễu, bóng khi không cần thiết, và có thể phát hiện nhanh đối tượng khi vào hoặc ra khỏi vùng quan sát[4]

 Khởi tạo Gaussian là quan trọng

 Có rất nhiều thông số, nên được lựa chọn thông minh[6]

 Hệ thống bắt buộc phải sử dụng camera tĩnh

Chương 3 TÍNH TOÁN VÀ THIẾT KẾ

GIỚI THIỆU

Với đề tài đã chọn thì yêu cầu linh kiện thiết bị của hệ thống chỉ bao gồm kít Raspberry pi B+, module sim 900A, camera giám sát Bluelover S7, adapter cấp nguồn, cùng với dây kết nối, vì đây là những linh kiện thiết bị đã có sẵn nên nhóm sẽ tận dụng trực tiếp, và nhóm sẽ tiến hành lắp ráp các thiết bị thành một khối, sau đó viết code xử lý để đưa ra kết quả đúng như yêu cầu đã đặt ra, và hệ thống sau khi thi công hoàn chỉnh phải lấy được hình ảnh về ổn định và rõ nét, tối ưu hóa tốc độ xử lý của kít Raspberry pi B+ để có thể phát hiện chuyển động trong thời gian ngắn, tiến hành thông báo cho gia chủ khi có người đột nhập vào nhà.

TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG

3.2.1 Thiết kế sơ đồ khối hệ thống Để có thể thi công được một hệ thống hoàn thiện, trước tiên ta phải có một cách nhìn tổng quan về các kết nối giữa các thiết bị trong hệ thống, và nhóm xin đưa ra sơ đồ khối cho sự kết nối đó như sau:

Hình 3.1: Sơ đồ khối của hệ thống

CHƯƠNG 3 TÍNH TOÁN VÀ THIẾT KẾ

Bảng 3.1 Kết nối dây giữa kít Raspberry pi B+ với các thiết bị

Tên linh kiện Kết nối dây với kít Raspberry pi B+

Với hệ thống trên thì camera giám sát Bluelover S7 sẽ được kết nối với kít Raspberry pi B+ thông qua cổng USB của kít, module wifi sẽ được kết nối từ cổng LAN của module vào cổng Ethernet Lan của kít bằng cáp RJ45, module sim 900A sẽ được kết nối với kít theo phương thức truyền nhận UART, cả hai thiết bị này sẽ nối chung chân GND, chân TXD của module sim 900A sẽ được kết nối với chân RXD của kít, và chân RXD của module sim 900A sẽ được kết nối với chân TXD của kít

3.2.2 Tính toán và thiết kế

Trong phần này nhóm sẽ đưa ra các thiết bị đã được nhóm lựa chọn để lắp ráp hệ thống, đi kèm với đó là các thông số kỹ thuật cho từng thiết bị

Trong hệ thống của đề tài camera được sử dụng để quan sát là loại Bluelover S7

Hình 3.2: Camera quan sát Bluelover S7

- Chức năng: Tích hợp micro, Zoom 4x

Trong đề tài này camera quan sát sẽ quay hình ảnh tại nơi ta muốn lắp đặt, sau đó sẽ đưa dữ liệu hình ảnh về kít Raspberry pi B+ để xử lý

Trong hệ thống của đề tài kít Raspberry pi được sử dụng để chạy code xử lý là loại Raspberry pi B+

- Thẻ nhớ: Sử dụng MicroSD

CHƯƠNG 3 TÍNH TOÁN VÀ THIẾT KẾ

- Video: HDMI hỗ trợ phiên bản 1.3/1.4 và Composite RCA (PAL and NTSC)

- Audio: Cổng ra 3.5 và HDMI

- Camera: Connector 15-pin MIPI Camera Serial Interface (CSI-2)

- Display: Connector Display Serial Interface (DSI)

Trong hệ thống kít Raspberry pi B+ sẽ nhận dữ liệu hình ảnh từ camera giám sát quay được, sau đó xử lý bằng code chương trình được viết trên ngôn ngữ lập trình python trong thư viện OpenCV cài đặt trên kít, rồi gửi kết quả xử lý tới khối module sim 900A

Trong hệ thống của đề tài module sim được sử dụng để thực hiện chức năng nhắn tin là loại module sim 900A

Hình 3.4: Module sim 900A Thông số kỹ thuật:

- Tự động kích hoạt module sim khi cấp nguồn

Trong hệ thống module sim 900 A có chức năng nhắn tin thông báo đến chủ nhà khi có người đột nhập vào nhà

Trong hệ thống của đề tài adapter được sử dụng là adapter 5V 1A USB

- Điện áp vào: 100 ~ 240V 50/60HZ (AC)

- Jack cắm ngõ ra: USB

Trong hệ thống adapter được sử dụng để cấp nguồn cho kít Raspberry pi B+ cùng với module sim 900A hoạt động.

THI CÔNG HỆ THỐNG

GIỚI THIỆU

Để có thể thi công được một hệ thống hoàn chỉnh, trong phần này nhóm sẽ trình bày các bước như lắp ráp, lập trình…v.v, có thể giúp người đọc thao tác dễ dàng trong khi muốn thi công và sử dụng hệ thống.

THI CÔNG HỆ THỐNG

Vỏ hộp của hệ thống được ghép từ những miếng mica với các kích thước khác nhau:

 Mặt nắp = Mặt đáy = chiều dài ( 15cm ) x chiều rộng ( 11cm )

 Mặt cạnh trước = chiều dài ( 15cm ) x chiều rộng ( 7cm )

 Mặt cạnh phải = chiều dài ( 11cm ) x chiều rộng ( 7cm )

Sau khi thi công hoàn thành vỏ hộp ta bắt đầu lắp kít Raspberry pi B+ và module sim 900A vào bên trong rồi giữ cố định bằng ốc

Bảng 4.1 Danh sách các linh kiện

Tên linh kiện Số lượng

 Tự động kích hoạt module sim khi cấp nguồn

4.2.2 Kết nối và kiểm tra

Bước 1: Kết nối dây, từ cổng LAN của module wifi vào cổng Ethernet LAN của kít Raspberry pi B+ bằng cáp RJ45

Bước 2: Kết nối camera giám sát Bluelover S7 với kít Raspberry pi B+ thông qua cổng USB của kít

Bước 3: Kết nối giữa kít Raspberry pi B+ với module sim 900A theo phương thức truyền nhận UART (GND từ kít được kết nối với GND module sim, TXD của kít được kết nối với RXD của module sim, RXD của kít được kết nối với TXD của module sim, tất cả các kết nối giữa kít Raspberry pi B+ với module sim 900A đều bằng ba dây bus cái)

Bước 1: Kiểm tra kết nối giữa camera giám sát Bluelover S7 và module wifi với kít Raspberry pi B+

Bước 2: Kiểm tra kết nối giữa module sim 900A với kít Raspberry pi B+

Sau khi các bước lắp đặt và kiểm tra đã hoàn thành, thì ta bắt đầu cấp nguồn cho kít Raspberry pi B+ cùng với module sim 900A để cho cả hệ thống hoạt động.

ĐÓNG GÓI HỆ THỐNG

Hình 4.1: Hệ thống sau khi hoàn thành

CHƯƠNG 4 THI CÔNG HỆ THỐNG

Nguyên lý hoạt động của hệ thống:

Khi cấp nguồn cho thiết bị kít Raspberry pi B+ và module sim 900A sau đó camera giám sát Bluelover S7 của hệ thống sẽ quay lấy hình ảnh rồi đưa dữ liệu vào kít Raspberry pi B+ để xử lý, code xử lý đã được viết trên ngôn ngữ lập trình python, sau khi xử lý xong và có phát hiện chuyển động thì kít Raspberry pi B+ sẽ gửi tín hiệu đến module sim 900A để module sim 900A bắt đầu triển khai chế độ nhắn tin.

LẬP TRÌNH HỆ THỐNG

4.4.1.1 Lưu đồ giải thuật xử lý hệ thống Đ

Hình 4.2: Lưu đồ giải thuật xử lý hệ thống

Xác định Pixel trắng Đếm số Pixel trắng

Thông báo có chuyển động thông qua module sim

 Ban đầu ta chọn n frame tầm khoảng 50 frame để học các thông số model ( means và variances), ở đây ta lấy ví dụ là cứ mỗi pixel sẽ được mô tả với 5 hàm Gauss, và ứng với mỗi hàm Gauss sẽ có 1 means và 1 variances

 Thay đổi giá trị thông số model, ở bước này ứng với mỗi hàm Gauss sẽ có 1 means và variances Khi có một giá trị mới tới thì giá trị của means và variances cũng sẽ thay đổi theo và thông số means, variances được biểu thị bằng công thức sau:

Giỏ trị means: à 𝑖,𝑡+1 = (1-p)à 𝑖,𝑡 + p𝑋 𝑡+1 (4.1) Giỏ trị variances: 𝛿 2 𝑖,𝑡+1 = (1-p)𝛿 2 𝑖,𝑡 + p(𝑋 𝑡+1 − à 𝑖,𝑡+1 ) 2 (4.2)

 Sau khi ta đã lấy được hình ảnh về thông qua một camera quan sát và được đưa vào xử lý thông qua code đã lập trình xác định được hình ảnh chuyển động thì ngay sau đó ta tiến hành xác định pixel trắng.

 Sau khi xác định được pixel trắng thì ta tiến hành đếm số pixel trắng này, xem trong video chuyển động có bao nhiêu điểm pixel trắng

 Và sau khi đếm được số lượng điểm pixel trắng thì ta chọn một ngưỡng cụ thể để so sánh, nếu số lượng pixel trắng này mà thỏa ngưỡng đã cho thì ta xem đó như là một dấu hiệu đưa ra module sim 900A để thông báo có người chuyển động Và nếu như trong trường hợp số điểm ảnh pixel trắng chưa đúng với ngưỡng đã chọn thì hệ thống sẽ quay lại bước thay đổi model

4.4.1.2 Lưu đồ giải thuật gửi tin nhắn Đ

Hình 4.3: Lưu đồ thực hiện gửi tin nhắn

Thực hiện gửi tin nhắn Count = 0

Theo như lưu đồ thì trước tiên ta cho biến đếm count = 0 có nghĩa là chưa có chuyển động, khi xuất hiện có chuyển động thì lúc này biến đếm count sẽ đếm tăng lên

1 và cứ thế cứ mỗi frame mà có chuyển động thì biến đếm count sẽ tăng lên 1, nhưng không phải lúc nào có sự chuyển động thì đều gửi tin nhắn tới cho chủ nhà, vì sẽ có những chuyển động ảo ví dụ như sự thay đổi ánh sáng, gió thổi làm rung bay lá cây, hay có một chú chim nhỏ bay ngang qua tầm quan sát của camera…v.v, thì lúc này sẽ có nhiều tin nhắn được gửi tới thông báo là có chuyển động nhưng thực chất đây là những chuyển động ảo từ đó sẽ làm cho gia chủ càng phân tâm và lo lắng hơn, nên nhóm đã có ý tưởng là cứ 1s tức sẽ có 30 frame, và nếu trong 30 frame này đều có sự chuyển động thì sẽ gửi tin nhắn cho chủ nhà một lần

Nếu trong vòng 1s mà chưa có đủ 30 frame có chuyển động thì ta quay lại bước xác định có chuyển động hay không

4.4.2 Phần mềm và thư viện lập trình cho hệ thống

Raspbian là một bản phân phối mã nuồn mở, được xây dựng dựa trên Debian, nhưng được tối ưu để phù hợp với phần cứng của kít Raspberry pi Hiện nay, raspbian vẫn đang là một trong những bản phân phối phổ biến và được cộng đồng hỗ trợ nhiều nhất dành cho Raspberry pi, với hơn 35000 gói phần mềm có sẵn

Raspbian sử dụng môi trường Desktop (Desktop Evironments) là MATE Nó được phát triển từ giao diện GNOME 2, cung cấp một giao diện người dùng (GUI) hoàn chỉnh bằng cách sử dụng một toolkit và thư viện để xây dựng các thành phần đồ họa

Hình 4.4: Giao diện đồ họa của Raspbian

Linux là hệ điều hành: Một dãy chương trình cho bạn khả năng tương tác với máy tính, cũng chạy chương trình khác

Linux làm theo hệ điều hành UNIX Kể từ đầu, Linux đã được thiết kế như là hệ thống đa tác vụ, đa người dùng

Python là một ngôn ngữ lập trình hướng đối tượng, chạy được trên nhiều hệ điều hành khác nhau như Windows, Linux, Unix, Mac Nó Đơn giản như các shellscript nhưng lại thực sự là ngôn ngữ để phát triển ứng dụng cấp siêu cao (very-high-level- language)

Python cho phép bạn chia nhỏ chương trình thành các module (tương tự java) mà có thể chạy độc lập không cần chương trình gốc

Cú pháp của Python rõ ràng và ngắn gọn hơn nhiều so sánh với các ngôn ngữ khác như C/C++, Perl v.v, nó được đánh giá là ngôn ngữ có số lần gõ phím ít nhất khi viết chương trình tương tự với các ngôn ngữ khác như C/C++, Java v.v

Ngôn ngữ Python được phát triển theo GNU, hoàn toàn miễn phí, và có mã nguồn mở, điều này có nghĩa là bạn có thể dùng python để phát triển các ứng dụng của mình mà không cần phải trả bất kỳ 1 khoản chi phí nào Điều này hoàn toàn không có ở các ngôn ngữ khác như VC++, Delphi, VB, v.v

OpenCV là một thư viện mã nguồn mở phục vụ cho việc nghiên cứu hay phát triển về thị giác máy tính Tối ưu hóa và xử lý các ứng dụng trong thời gian thực Giúp cho việc xây dựng các ứng dụng xử lý ảnh, thị giác máy tính …v.v, một cách nhanh hơn OpenCV có hơn 500 hàm khác nhau, được chia làm nhiều phần phục vụ các công việc như: xử lý hình ảnh y tế, an ninh, camera quan sát, nhận diện, robots…v.v.

OpenCV rất đa dạng, nó hỗ trợ rất nhiều hệ điều hành như: Window, Linux và MacOSX

Những tính năng đặc trưng của thư viện OpenCV:

- Image and Video I/O: Nếu sử dụng những hàm này có trong thư viện OpenCV nó sẽ giúp ta đọc được dữ liệu ảnh từ file hoặc trực tiếp từ video Ta cũng có thể tạo các file ảnh và video với các hàm này

- Thị giác máy và các thuật toán xử lý ảnh: Sử dụng những giao diện này, bạn có thể thực hành với rất nhiều chuẩn thị giác máy mà không cần phải có mã nguồn của chúng

- Modul thị giác máy ở cấp độ cao: OpenCV gồm một vài tác dụng ở cấp độ cao Thêm vào nhận dạng mặt, dò tìm, theo dõi Nó bao gồm luồng thị giác ( sử dụng camera di động để xác định cấu trúc 3D), kích cỡ camera và âm thanh nổi

VIẾT TÀI LIỆU HƯỚNG DẪN SỬ DỤNG, THAO TÁC

4.5.1 Viết tài liệu hướng dẫn sử dụng

Bước 1: Kết nối giữa các thiết bị module wifi, module sim 900A, camera giám sát Bluelover S7 với kít raspberry pi B+

Bước 2: Sau khi ta kết nối xong giữa các thiết bị thì ta bắt đầu cấp nguồn cho kít

Raspberry pi B+ với module sim 900A thông qua 2 adapter 5V

Bước 3: Rồi dùng máy tính truy cập vào chương trình trên kít Raspberry pi B+ để chạy chương trình hệ thống, trong bước này ta có thể truy cập bằng 2 cách

Cách 1:Dùng laptop truy cập thông qua Remote Desktop

Hình 4.5: Màn hình truy cập vào Remote Desktop

Cách 2: Dùng 1 màn hình máy vi tính, cùng với bàn phím và chuột máy tính

Bước 3: Lúc này hệ thống đã hoạt động, camera giám sát đã quay lấy được hình ảnh, kít Raspberry pi B+ đã xử lý phát hiện có chuyển động, và module sim 900A cũng đã gửi tin nhắn phát hiện có chuyển động đến gia chủ, nhưng để có thể quan sát và phát hiện có chuyển động tốt nhất, tùy vào vị trí lắp đặt camera giám sát ở nơi có điều kiện ánh sáng thường hay nơi có ánh sáng tối, mà ta có thể tùy chọn giá trị cho 3 thông số History, Shadowdetection, Varthreshold của hệ thống

Bước 4: Khi muốn ngừng hoạt động của hệ thống ta dùng máy tính truy cập vào chương trình của hệ thống rồi shutdown chương trình trước

Hình 4.6: Màn hình shutdown chương trình hệ thống chạy trên kít

Sau đó ngắt nguồn của hệ thống bao gồm cả 2 thiết bị kít raspberry pi B+ và module sim 900A

Hình 4.7: Sau khi ngắt nguồn của hệ thống

Kết nối giữa các thiết bị

Trước tiên ta sẽ kết nối giữa các thiết bị lại với nhau bao gồm kít Raspberry Pi B+, module sim 900A, module wifi, camera giám sát Bluelover S7

Cấp nguồn cho kít raspberry pi B+ và module sim 900A

Sau khi kết nối xong các thiết bị lại với nhau, thì ta bắt đầu cấp nguồn cho kít Raspberry pi B+ cùng với module sim 900A bằng 2 adapter nguồn 5v

Truy cập vào chương trình hệ thống

Sau khi kít raspberry pi B+ và module sim 900A được cấp nguồn, thì ta bắt đầu truy cập vào chương trình hệ thống, được viết trong kít raspberry pi B+ bằng laptop thông qua giao diện Remote Desktop

Chạy chương trình hệ thống

Sau khi truy cập vào chương trình hệ thống thành công, thì ta bắt đầu chạy chương trình đã được viết

Tắt laptop để chương trình chạy độc lập

Và sau khi chương trình hệ thống đã chạy thì ta có thể tắt laptop và chương trình vẫn chạy bình thường

Ngừng hoạt động hệ thống ta truy cập vào chương trình rồi Shutdown chương trình trước

Trước khi ngừng hoạt động ta truy cập vào chương trình hệ thống có trong kít bằng laptop một lần nữa để tắt chương trình hoạt động trước, bằng cách nhấn vào vị trí

Shutdown giống như hình dưới

Và sau khi shutdown thành công chương trình của hệ thống, thì ta ngắt nguồn 2 thiết bị kít Raspberry pi B+ và module sim 900A

- Kết nối các thiết bị

- Cấp nguồn cho hệ thống

- Truy cập vào chương trình để chạy chương trình

- Có thể thoát khỏi truy cập chương trình để chương trình chạy độc lập

- Muốn ngừng hoạt động thì ta lại truy cập vào chương trình rồi shutdown chương trình trước sau đó ngắt nguồn hệ thống.

KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ

THIẾT LẬP MÔI TRƯỜNG THỰC NGHIỆM

Đề tài đã chọn khu vực phòng trọ làm địa điểm thực nghiệm, vì đây là địa điểm thường xuyên xảy ra những vụ mất trộm, nếu không có sự giám sát an ninh tốt, từ đó đã dẫn đến sự lo âu nhiều cho những người muốn thuê trọ Đây chỉ là địa điểm giả định, cho nên hệ thống sau khi thi công xong thì có thể lắp đặt tại nhà ở, văn phòng công ty…v.v Ở đây nhóm đã tiến hành làm thực nghiệm trong điều kiện ánh sáng thường (lắp đặt camera ở ngoài phòng) và trong điều kiện ánh sáng tối (lắp đặt camera trong phòng và tắt đèn) Sau khi lắp đặt camera chúng tôi bắt đầu cho 1 người chuyển động, rồi đến

2 người cùng chuyển động, và đến 3 người cùng chuyển động, sau đó kết hợp thay đổi giá trị của 3 thông số History, Shadowdetecion, Varthreshold

 History: Ảnh hưởng tốc độ cập nhật của ảnh

 Shadowdetection: Ảnh hưởng đến tốc độ đánh dấu bóng

 Varthreshold: Ảnh hưởng đến tốc độ nhiễu

Các thiết bị và phần mềm hỗ trợ thực nghiệm:

 Phần mềm sử dụng Microsoft visual studio 2015

 Thư viện sử dụng OpenCV.

KẾT QUẢ THỰC NGHIỆM

- Trong điều kiện ánh sáng thường:

Hình 5.1: Ảnh ngõ vào trong điều kiện ánh sáng thường

Bảng 5.1 Kết quả sau khi làm thực nghiệm trong điều kiện ánh sáng thường

History Varthreshold Shadowdetection Kết quả Số pixel trắng

CHƯƠNG 5 KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ

Như vậy với bảng kết quả trên, thì kết quả được lấy ở vị trí frame thứ 600 cùng với 1 video ngõ vào và với các giá trị thông số khác nhau trong từng trường hợp, thì nó đã cho ta thấy được sự khác biệt về chất lượng của kết quả quan sát được, kết quả quan sát ở trường hợp có giá trị thông số lần lượt là 500, 50, True thì rõ nét hơn so với những trường hợp còn lại

- Trong điều kiện ánh sáng tối:

Hình 5.2: Ảnh ngõ vào trong điều kiện ánh sáng tối

Bảng 5.2 Kết quả sau khi làm thực nghiệm trong điều kiện ánh sáng tối

History Varthreshold Shadowdetection Kết quả Số pixel trắng

Như vậy với bảng kết quả trên, thì kết quả được lấy ở vị trí frame thứ 600 cùng với 1 video ngõ vào và với các giá trị thông số khác nhau trong từng trường hợp, thì nó đã cho ta thấy được sự khác biệt về chất lượng của kết quả quan sát được, kết quả quan sát ở trường hợp có giá trị thông số lần lượt là 500, 50, True thì rõ nét hơn so với những trường hợp còn lại.

ẢNH HƯỞNG TỪ CÁC THÔNG SỐ

Để hệ thống có thể hoạt động tốt nhất nên nhóm đã tiến hành làm thực nghiệm với trong điều kiện ánh sáng thường và trong ánh sáng tối kết hợp với sự thay đổi giá trị của ba thông số đó là History, Shadowdetection, Varthreshold để ta có thể quan sát tốt nhất từ đó ta mới đưa ra kết luận là trong điều kiện ánh sáng như thế nào thì ta cần phải chọn thông số với giá trị như thế nào là phù hợp

Nhóm đã bắt đầu tiến hành làm thực nghiệm với việc chỉnh từng thông số với các giá trị khác nhau trong hai điều kiện ánh sáng thường và ánh sáng tối cụ thể là:

 Giá trị Shadowdetection: True, False

Qua kết quả thực nghiệm thì kết quả đã nói lên, trong cả hai điều kiện ánh áng thường và ánh sáng tối nếu tất cả giá trị của ba thông số trên đều tăng lên thì kết quả có tốc độ cập nhật nhanh hơn, ít bị nhiễu và bóng hơn, kết quả quan sát được rõ hơn Và kết quả thực nghiệm xin được tổng kết rõ hơn thông qua bảng so sánh sau:

Bảng 5.3 Nhận xét kết quả thực nghiệm

THÔNG SỐ GIÁ TRỊ ÁNH SÁNG

Cập nhật ảnh chậm, vẫn còn điểm chấm màu trắng và màu xám của ảnh cũ

Cập nhật ảnh nhanh hơn, nhưng có lúc thì vẫn xuất hiện ảnh củ nhưng xác suất xuất hiện ít chỉ khoảng 1->

2 lần, vẫn còn điểm chấm màu trắng và chấm màu xám

Cập nhật ảnh nhanh hơn, ít điểm chấm màu trắng và màu xám

Cập nhật ảnh nhanh hơn, vẫn còn xuất hiện điểm chấm màu trắng và chấm màu xám

Cập nhật ảnh nhanh hơn, vẫn còn xuất hiện điểm chấm màu trắng và chấm màu xám nhưng ít hơn ở giá trị 300

Cập nhật ảnh nhanh hơn, vẫn còn xuất hiện điểm chấm màu trắng và chấm màu xám nhưng ít hơn

Cập nhật ảnh nhanh hơn, vẫn còn xuất hiện điểm chấm màu trắng và chấm màu xám nhưng ít hơn nhiều so với các giá trị trước

1 Ảnh hưởng nhiễu nhiều các điểm màu trắng và màu xám nhòe lên nhau Ảnh hưởng nhiễu nhiều các điểm chấm màu trắng và chấm màu xám nhòe lên nhau theo từng khối chữ nhật

Nhiễu ít hơn, nhưng vẫn còn điểm chấm màu trắng và màu xám nhiều

Nhiễu ít hơn, nhưng vẫn còn điểm chấm màu trắng và chấm màu xám nhiều

Nhiễu ít hơn, nhưng vẫn còn điểm chấm màu trắng ít và màu xám nhiều

Nhiễu ít hơn, nhưng điểm chấm màu trắng vẫn còn ít và màu xám thì nhiều các điểm màu xám này gộp lại một chỗ nằm trong vùng gần ảnh chuyển động

Nhiễu ít hơn đồng thời điểm chấm màu trắng và màu xám cũng đã giảm đi đáng kể

Nhiễu ít hơn đồng thời điểm chấm màu trắng và màu xám cũng đã giảm đi nhiều hơn

Nhiễu ít hơn đồng thời điểm chấm màu trắng và màu xám cũng đã giảm đi nhiều hơn chỉ còn lại 2-> 3 điểm chấm màu trắng hoặc xám

Nhiễu ít hơn đồng thời điểm chấm màu trắng và màu xám cũng đã giảm đi nhiều hơn ở giá trị 60 gần như là không có, khoảng lâu chỉ có 1-> 2 điểm chấm màu trắng hoặc xám

Nhiễu ít hơn đồng thời điểm chấm màu trắng và màu xám cũng đã giảm đi nhiều hơn chỉ còn lại 2 -> 3 chấm lâu lâu mới xuất hiện

Nhiễu ít hơn đồng thời điểm chấm màu trắng và màu xám cũng đã giảm đi nhiều hơn

Kết quả thì rõ hơn ít bị điểm chấm trắng ,nhưng lại xuất hiện điểm chấm màu xám nhưng ít

Kết quả quan sát rõ, giảm được số lượng điểm chấm màu trắng và chấm màu xám ngoài ảnh chuyển động hơn ở giá trị False

Vẫn còn điểm chấm trắng nhiều và thường nhóm lại 1 chỗ đi theo hình ảnh người có chuyển động

Kết quả quan sát rõ ít điểm chấm màu trắng và chấm màu xám ngoài ảnh chuyển động hơn

Ngoài ra ở đây thông qua kết quả thực nghiệm, thì bảng 5.3 đã nói cho thấy dù cho làm trong ánh sáng thường hay trong ánh sáng tối thì đều gặp chung 1 rắc rối đó là luôn bị nhiễu mặc dù nhóm đã thay đổi giá trị thông số làm giảm nhiễu nhiều lần, và với mục đích là để có thể làm giảm nhiễu vào mức tối đa, cho nên nhiễu được xem là nguyên nhân gây ra sự không chính xác cho việc quan sát và phát hiện đối tượng chuyển động Song đôi khi các nhiễu trong video được quan sát không được loại bỏ, được coi là một đối tượng chuyển động do đó đưa ra kết quả đầu ra không chính xác cho xử lý ở các module tiếp theo

Như vậy nhóm đã làm thí nghiệm với cùng một video, và nhóm cũng đã kiểm tra tính ổn định của hệ thống trong phòng và bên ngoài phòng với nhiều đối tượng chuyển động và nhiều thông số điều khiển khác nhau từ đó nhóm xin đưa ra kiến nghị lựa chọn giá trị thông số trong từng điều kiện ánh sáng cụ thể như sau :

 Trong điều kiện ánh sáng thường:

Hình 5.3: Giá trị thông số lựa chọn trong điều kiện ánh sáng thường

 Với hình 5.3 ta có 3 thông số theo kiến nghị thì giá trị cho ba thông số lần lượt là : 500, 30, True và kết quả như sau:

Hình 5.4: Kết quả lựa chọn giá trị cho thông số trong điều kiện ánh sáng thường

Với hình 5.4 ta thấy kết quả gần như là tối ưu nhất, các pixel chuyển động tập trung nhiều vào người chuyển động đồng thời kết quả ít bị nhiễu, như vậy việc xác định phát hiện chuyển động gần như là chính xác

 Trong điều kiện ánh sáng tối:

Hình 5.5: Giá trị thông số lựa chọn trong điều kiện ánh sáng tối

 Với hình 5.5 ta có 3 thông số theo kiến nghị thì giá trị cho ba thông số lần lượt là : 500, 60, True và kết quả như sau:

Hình 5.6: Kết quả lựa chọn giá trị cho thông số trong điều kiện ánh sáng tối

Với hình 5.6 ta thấy kết quả gần như là tối ưu nhất, các pixel chuyển động tập trung nhiều vào người chuyển động đồng thời kết quả ít bị nhiễu, số pixel chuyển động vẫn còn chưa tương ứng với người chuyển động, nhưng việc xác định phát hiện chuyển động cũng gần như là chính xác

Định dạng
Số trang	63
Dung lượng	3,13 MB