Tăng hiệu quả phát hiện dị thường trên ảnh UAV ứng dụng trong công tác tìm kiếm cứu nạn

Bài viết đề xuất một phương pháp tăng hiệu quả phát hiện mục tiêu của thuật toán RX khi kết hợp với các phương pháp trích rút đặc trưng SIFT và SURF, kết quả thử nghiệm trên bộ dữ liệu mẫu cho kết quả khác biệt rõ rệt, nhất là các trường hợp ảnh bị can nhiễu.

Nguyễn Văn Phương, Đào Khánh Hoài, Tống Minh Đức TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN Nguyễn Văn Phương*, Đào Khánh Hồi+, Tống Minh Đức* * Khoa Cơng nghệ thông tin, Học viện Kỹ thuật Quân + Viện Cơng trình đặc biệt, Học viện Kỹ thuật Qn Tóm tắt: Hoạt động tìm kiếm cứu nạn bao gồm việc tìm kiếm giải cứu người, phương tiện bị mắc kẹt tình khó khăn Trong thời gian gần đây, thiết bị ứng dụng nhiều quân dân phương tiện bay khơng người lái (UAV), thực nguồn lực lớn cho sứ mệnh tìm kiếm cứu nạn Tuy nhiên, với số lượng lớn ảnh thu từ thiết bị này, kết hợp với độ phân giải cao khu vực rộng lớn rào cản không nhỏ để phát mắt thường Tự động phát mục tiêu giải pháp phù hợp Để tránh bỏ sót mục tiêu, tăng hiệu phát thuật toán cần thiết Trong nghiên cứu đề xuất phương pháp tăng hiệu phát mục tiêu thuật toán RX kết hợp với phương pháp trích rút đặc trưng SIFT SURF, kết thử nghiệm liệu mẫu cho kết khác biệt rõ rệt, trường hợp ảnh bị can nhiễu.1 Từ khóa: Phát dị thường, SIFT, SURF, ảnh UAV, tìm kiếm cứu nạn I MỞ ĐẦU Nghiên cứu khả sống sót người sau tai nạn máy bay cho thấy rằng, người bị nạn có khả sống sót nhỏ 10% việc cứu hộ bị trễ ngày, tỉ lệ sống sót lên tới 60% việc cứu hộ thực kịp thời vòng tiếng [1] Sự khẩn cấp tương tự áp dụng tình tìm kiếm cứu nạn hàng hải hay đất liền Thêm vào đó, việc xác định nhanh chóng vị trí bị nạn góp phần làm giảm chi phí thời gian cho Đơn vị Tìm kiếm - Cứu nạn Điều nói lên rằng, thời gian tìm người bị nạn tổ chức giải cứu quan trọng định đến thành công chiến dịch đó.2 Trong thời gian gần đây, thiết bị ứng dụng rộng rãi quân dân thiết bị bay khơng người lái (UAV) [2,3], thực nguồn lực lớn cho sứ mệnh tìm kiếm cứu nạn [4,5] thiết bị mang cảm biến để thu thập hình ảnh có độ phân giải cao với phạm vi hoạt động rộng lớn, địa hình đa dạng mà khơng cần q nhiều nhân lực chi phí cho q trình tìm kiếm Tuy Tác giả liên hệ: Nguyễn Văn Phương, Email: phuongnv.dl@gmail.com Đến tòa soạn: 02/7/2019, chỉnh sửa: 22/8/2019, chấp nhận đăng: 30/8/2019 SỐ 02 (CS.01) 2019 nhiên, cảm biến thu liệu phải quét khu vực rộng lớn dung lượng liệu lớn rào cản việc tìm kiếm thủ cơng mắt thường Đơi tìm kiếm thủ cơng khơng đảm bảo độ tin cậy, tốn nhiều thời gian dẫn đến làm giảm khả sống sót nạn nhân Các kỹ thuật tự động phát mục tiêu ảnh UAV [6,7,8,9] hỗ trợ đẩy nhanh trình Tự động phát mục tiêu dựa đặc trưng hình học sử dụng để tiếp cận vấn đề này, nhiên, đặc trưng hình học đối tượng quan tâm khơng xác định rõ hầu hết tình tìm kiếm cứu nạn góc chụp thiết bị thu, đối tượng cần tìm kiếm bị che lấp phần địa hình, bị che lấp phần mật độ dày đặc bị chìm phần nước Trực tiếp tìm người gặp nạn lý tưởng, số trường hợp, đồ vật kèm quần áo, chăn mền, lều trại, vật dụng cá nhân, mảnh vỡ phương tiện, … cung cấp số thơng tin hữu ích Vì vậy, phát dị thường (hoặc ngoại lai) cung cấp cách tiếp cận phù hợp cho vấn đề Dị thường ảnh UAV xác định điểm ảnh cụm điểm ảnh có màu bật khác biệt nhiều so với điểm ảnh lân cận, điểm ảnh thưa thớt đại diện cho ảnh Nói chung, dấu hiệu dị thường nhỏ mặt không gian tồn với xác suất thấp cảnh ảnh Nhóm nhà nghiên cứu Đại học Boston, Mỹ năm 2012, 2013 2015 [6,7,8] tập trung nghiên cứu số kỹ thuật phát ngoại lai màu ảnh UAV ứng dụng cho cơng tác tìm kiếm cứu nạn Đầu tiên, kỹ thuật kiểm nghiệm giả thuyết nhị phân để phát điểm ảnh dị thường [6] Trong kỹ thuật này, tác giả áp dụng quy tắc Neyman–Pearson dựa việc tính toán hàm mật độ xác suất phi tham số liệu để đưa định Kỹ thuật thứ hai [7], M Ramachandran W Moik đề xuất sử dụng thuật toán KMean để phân điểm ảnh thành cụm Tất điểm ảnh cụm xác định bình thường số lượng tâm cụm lân cận bao quanh vùng xác định bán kính R (tính từ tâm cụm xét) lớn Ngược lại, tất điểm ảnh nằm cụm xét điểm ảnh dị thường Kỹ thuật thứ ba [8], khoảng trống phân tích thành phần (PCAG) Máy dò dị thường xác định khoảng trống cụm dọc theo vectơ có độ biến thiên lớn nhất, tìm kiếm vùng lớn dọc theo vectơ riêng để tách tập hợp điểm ảnh dị thường Kỹ TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THÔNG TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN thuật thứ tư [6,7,8], tác giả kiểm nghiệm khả phát dị thường ảnh UAV thuật toán RX [10] số biến thể RX như: Biến đổi phân tách eigen dựa cửa sổ kép (DWEST), phát mục tiêu dựa cửa sổ không gian lồng (NSWTD) phát mục tiêu dựa cửa sổ lồng vào (MW-NSWTD) Kết nghiên cứu cho thấy ảnh chụp từ UAV đáp ứng cho cơng tác tìm kiếm cứu nạn Hiệu suất phát điểm ảnh ngoại lai (những điểm ảnh chứa thơng tin hữu ích hỗ trợ cho cơng tác tìm kiếm cứu nạn) thuật tốn tập liệu mẫu lớn 95% Trong nghiên cứu [9], tác giả khảo sát khả phát dị thường màu RX [10] số biến thể tám khơng gian màu khác ảnh UAV Kết cho thấy rằng, sử dụng không gian màu phù hợp cho kết khả quan, hỗ trợ phát đối tượng chứa thơng tin cho cơng tác tìm kiếm cứu nạn Toán tử phát dị thường RX [10] Reed Xiaoli công bố vào năm 1990 thường coi chuẩn [11] để phát dị thường ảnh đa phổ siêu phổ Trong nghiên cứu [6,7,8,9], RX kiểm nghiệm ảnh UAV chứng minh tính hiệu Tuy nhiên, RX có số hạn chế: thứ nhất, liệu ảnh phải tuân theo mơ hình Gaussian đa biến Tuy nhiên, điều xảy thực tế cảnh ảnh đa dạng chứa nhiều lớp đối tượng khác [12,13] Thứ hai, để đưa liệu gần với phân bố chuẩn, RX tính tốn cục cửa sổ, ma trận hiệp phương sai ước lượng từ số lượng nhỏ mẫu liệu có số chiều lớn dẫn đến nghịch đảo chúng thường không ổn định (cần chuẩn tắc hóa để giảm lỗi thống kê) [15] Thứ ba, RX có tỷ lệ dương tính giả cao, phát điểm ảnh dị thường vùng cục quanh điểm ảnh xét khơng phải tồn cục (một đơn lẻ đồng cỏ đồng cục coi dị thường cục bộ, tồn ảnh có khu rừng) [12,14,16,17] Tăng hiệu thuật toán phát điểm ảnh dị thường để tránh bỏ sót dấu hiệu cần tìm kiếm điều cần thiết Trong nghiên cứu này, đề xuất biện pháp để tăng hiệu phát dị thường toán tử dò tìm dị thường RX cách kết hợp RX với phương pháp khử nhiễu, trích rút đặc trưng SIFT phương pháp trích rút đặc trưng SURF, nội dung cụ thể trình bày phần 2, phần trình bày kết kiểm nghiệm thực tế ảnh chụp từ UAV II GIẢI PHÁP TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV Như giới thiệu phần mở đầu, RX thuật toán chuẩn cho toán phát dị thường màu ảnh UAV Để tăng hiệu suất phát dị thường RX, phải khắc phục điểm hạn chế Qua q trình nghiên cứu thấy rằng, nguyên nhân chủ yếu dẫn đến hiệu suất phát dị thường RX giảm tỷ lệ dương tính giả cao [12,14,16,17] Tỷ lệ dương tính giả cao hai nguyên nhân chính: thứ nhất, để đáp ứng yêu cầu giả thuyết thứ (giả thuyết ), RX tính tốn cục thơng qua cửa sổ, lấy điểm xét làm trung tâm nên không xét đến mối tương quan điểm ảnh toàn cảnh, làm cho tỷ lệ dương tính giả cao (một đơn lẻ đồng cỏ đồng cục coi dị thường cục bộ, toàn ảnh SỐ 02 (CS.01) 2019 có khu rừng) Thứ hai, trình thu nhận hình ảnh cảm biến thường có nhiễu thêm vào (nhiễu ánh sáng, nhiễu khí quyển, nhiễu tín hiệu chuyển đổi cảm biến, ) Trong đó, RX hoạt động lọc [13] dẫn đến điểm ảnh nhiễu đưa vào lớp dị thường làm cho tỷ lệ dương tính giả cao Để giảm tỷ lệ dương tính giả tính tốn RX cục gây ra, nhà nghiên cứu tính tốn RX theo phương pháp tồn cục (GRX) [13,18] Tuy nhiên, phương pháp tính tốn RX tồn cục nhiều trường hợp phạm vào giả thuyết , bỏ lỡ điểm ảnh dị thường phân biệt khơng đủ xác [19] Trong nghiên cứu này, đề xuất phương pháp giảm tỷ lệ dương tính giả cách loại bỏ bớt nhiễu trước tính tốn RX Để giảm bớt nhiễu ảnh, trước tính tốn RX chúng tơi khử nhiễu cách tích chập ảnh gốc với tốn tử Gaussian Blur , gọi bước làm mịn ảnh trước tính tốn RX Dựa vào tính chất điểm ảnh dị thường có màu sắc bật có khác biệt lớn so với điểm ảnh xung quanh chúng thưa thớt, đại diện cho ảnh, sử dụng số cơng cụ để định vị Tập điểm ảnh định vị không chứa tất điểm ảnh dị thường có thêm điểm ảnh bình thường chúng điểm ảnh có màu sắc bật (có thể có giá trị lớn nhỏ nhất) vùng cục bộ, điểm ảnh gọi tập điểm đặc trưng Từ điểm ảnh đặc trưng, sử dụng RX để tính tốn điểm xung quanh phạm vi định để tìm điểm ảnh dị thường thực sự, điểm ảnh lại bỏ qua coi điểm ảnh bình thường Như vậy, thay phải tính tốn RX cho tồn điểm ảnh, tính tốn RX cho tập hợp nhỏ điểm ảnh xung quanh điểm đặc trưng, từ giảm nhiễu bị gán vào tập giá trị dị thường làm giảm tỷ lệ dương tính giả Qua nghiên cứu hai phương pháp trích rút điểm ảnh đặc trương bất biến cục SIFT [20] [21] thấy rằng, cụm điểm ảnh dị thường nằm cạnh có điểm ảnh chọn điểm đặc trưng Điều hoàn toàn phù hợp điểm ảnh dị thường có màu sắc bật khác biệt so với điểm ảnh xung quanh, SIFT SURF tìm điểm có giá trị lớn nhỏ vùng cục làm điểm ảnh đặc trưng Như vậy, SIFT SURF cơng cụ phù hợp để tìm tập điểm ảnh đặc trưng phù hợp với mục đích Sau tìm tập hợp điểm đặc trưng, điểm đặc trưng, chúng tơi tính tốn RX cho số điểm ảnh xung quanh điểm đặc trưng thông qua cửa sổ giới hạn gọi cửa sổ W, điểm ảnh nằm cửa sổ W gán ln cho lớp bình thường mà khơng phải tính tốn W có tâm điểm ảnh đặc trưng xét, W phải bao hết toàn bộ điểm ảnh dị thường (nếu có) xung quanh điểm đặc trưng Nhưng W không lớn, lớn q tương đương với việc tính tốn RX cho tồn điểm ảnh (Xem Hình 1) TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG 10 Nguyễn Văn Phương, Đào Khánh Hồi, Tống Minh Đức (2) Hình Các chấm màu xanh điểm đặc trưng, điểm ảnh cửa sổ W tính tốn phân loại, cửa sổ lớn khu vực cục để tính vector trung bình ma trận hiệp phương sai K giai đoạn tính toán RX Các bước để tăng hiệu phát dị thường RX thể Hình Đầu tiên, ảnh đầu vào trải qua bước làm mịn từ ảnh gốc dùng để trích rút điểm ảnh đặc trưng Ảnh sau làm mịn, kết hợp với tập điểm ảnh đặc trưng sử dụng để tính tốn RX Phần sau giới thiệu toán tử phát dị thường RX, phương pháp trích rút đặc trưng SIFT SURF Trong r vector phổ điểm ảnh, (N tổng số điểm ảnh) vector phổ trung bình khu vực quan tâm, L số kênh phổ (mỗi kênh phổ nguồn lượng thu nhận phản xạ vật dải sóng tới cảm biến thiết bị thu Ví dụ, ảnh màu RGB có kênh phổ, kênh R nhận phản xạ ánh sáng với bước sóng khoảng từ 0,63-0,69 , kênh G nhận phản xạ ánh sáng với bước sóng khoảng từ 0,25-0,60 kênh B nhận phản xạ ánh sáng với bước sóng khoảng từ 0,45-0,52 ), ) ma trận hiệp phương sai kênh phổ Q trình dò tìm dị thường RX dựa khai thác khác biệt tín hiệu phổ điểm ảnh đầu vào điểm ảnh xung quanh Công thức (2) giống với công thức đo khoảng cách Mahalanobis Trong báo này, thực hai phiên thuật tốn RX, là: - Global-RX (GRX): ma trận hiệp phương sai quang phổ K phổ trung bình tồn cục xác định tồn hình ảnh tất dải phổ áp dụng cho phương trình (2) - Local-RX (LRX): đánh giá điểm ảnh cách riêng lẻ, ma trận hiệp phương sai K phổ trung bình cục xác định cục cửa sổ xung quanh điểm ảnh xét Hình Sơ đồ bước nhằm tăng hiệu phát dị thường RX A Toán tử phát dị thường RX Thuật toán RX thuật toán chuẩn phát dị thường, ban đầu phát triển Read Xiaoli [10] cho ảnh đa phổ siêu phổ, mơ tả hai giả thiết Thứ nhất, ảnh phân phối chuẩn Gaussian với trung bình khơng ma trận hiệp phương sai chưa biết, ước tính tổng thể cục từ liệu (N(0,K)) Thứ hai, giả thiết mục tiêu kết hợp tuyến tính tín hiệu mục tiêu nhiễu xung quanh Vì vậy, vector phổ tượng trưng cho phân phối chuẩn với giá trị trung bình tín hiệu mục tiêu (hoặc nhiều mục tiêu) nhiễu cộng ma trận hiệp phương sai giả thiết (1) Trong đó, mẫu tín hiệu dạng vector hàng gồm N phần tử, đại diện cho J ảnh tương quan (N>J) chứa tín hiệu quang học với hình dạng biết trước vị trí khơng biết trước vector nhiễu tạp dư, vector cường độ tín hiệu khơng biết trước gồm j phần tử, j= 1, 2, , J Khi đó, tốn tử dò tìm dị thường RX sau: SỐ 02 (CS.01) 2019 B Phương pháp trích rút đặc trưng SIFT SIFT (Scale-invariant Feature Transform) thuật tốn trích rút đặc trưng cục bất biến ảnh David Lowe [20] công bố vào năm 2004 Đặc trưng trích chọn SIFT điểm đặc biệt (keypoint), điểm kèm theo mơ tả vectơ có 128 phần tử Có bốn giai đoạn để thực thuật tốn bao gồm: Phát cực trị không gian tỷ lệ (Scale-space Extrema Detection); Lọc trích xuất điểm đặc biệt (Keypoint localization); Gán hướng cho điểm đặc trưng (Oriented Assignment) Bộ mô tả điểm đặc trưng (Keypoint Description) Gia đoạn đầu tiên, thuật toán áp dụng hàm sai khác Gaussian (DoG - Deffirence of Gaussisan) để tìm điểm có khả làm điểm đặc trưng tiềm (candidate keypoints), đểm phụ thuộc (bất biến) vào thu phóng ảnh xoay ảnh Sau áp dụng hàm DoG thu lớp kết khác (scale), bước tìm cực trị lớp kết theo miền cục Cụ thể điểm lớp kết so sánh với điểm lân cận lớp 18 điểm lân cận hai lớp liền kề Nếu điểm xét có giá trị lớn nhỏ so với 26 điểm đó, điểm cực trị có tiềm điểm đặc trưng Gia đoạn thứ hai, số lượng cực trị lớn, số chúng khơng cần thiết Ở giai đoạn loại bỏ điểm có độ tương phản (nhạy cảm với nhiễu) tính đặc trưng cục điểm khác có xu hướng đường biên đối tượng Bước thực gồm công đoạn: TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THÔNG 11 TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN - Phép nội suy lân cận cho vị trí điểm tiềm năng; - Loại trừ điểm có tính tương phản kém; Mỗi hình vng mô tả vector chiều: (5) - Loại bỏ điểm dư thừa theo biên Giai đoạn thứ ba, để xác định hướng biên độ cho điểm đặc trưng sử dụng công thức: Như vậy, vector mô tả đặc trưng 64 chiều (4 4) gọi SURF – 64, xem Hình Ngồi có phiên khác dựa cách chia hình vng SURF – 36, SURF – 128 (3) (4) đó, L(x, y) ảnh làm mịn tỉ lệ nhỏ nhất, m(x, y) độ lớn vector định hướng, hướng vector định hướng (biểu diễn qua góc ) Giai đoạn cuối cùng, xây dựng mô tả điểm đặc trưng: cách sử dụng cửa sổ có kích thước 16 16 có tâm điểm đặc trưng xét, sau tính tốn nhóm thành tiểu vùng 4 Mỗi tiểu vùng chia thành hướng, độ lớn hướng định lượng tổng hướng gần với hướng xét Như vậy, đặc tả vector đặc trưng gồm có 4 8=128 chiều C Phương pháp trích rút đặc trưng SURF SURF (Speed Up Robust Feature) phương pháp phát mơ tả hình ảnh mạnh mẽ Herbert Bay cộng công bố vào năm 2006 [21], SURF lấy cảm hứng từ SIFT, nhiên phiên tiêu chuẩn, SURF nhanh nhiều so với SIFT chống lại biến đổi hình ảnh khác tốt SIFT SURF dựa tổng xấp xỉ đặc trưng Haar wavelet 2D sử dụng hiệu cho ảnh tích hợp (Integral Image) Giai đoạn SURF dò tìm điểm bật, dò SURF xây dựng dựa ma trận Hessian kết hợp với việc sử dụng ảnh tích hợp để giảm thời gian tính tốn đặc trưng Nếu SIFT xấp xỉ việc tính Laplacian hàm Gaussian (LoG) việc tính DoG SURF xấp xỉ việc tính đạo hàm cấp hai hàm Gaussian hộp lọc (box filters) Việc xác định vị trí hệ số tỉ lệ tương ứng điểm đặc trưng dựa định thức ma trận Hessian Vị trí tỉ lệ điểm đặc trưng xác định phép loại cực đại vùng 3 [21] Giai đoạn thứ hai, gán hướng cho điểm bật, phải xác định vùng hình xung quanh điểm đặc trưng vừa tìm được, gán giá trị hướng cho điểm đặc trưng Kích thước hình tròn phụ thuộc vào hệ số tỉ lệ tương ứng không gian ảnh mà điểm đặc trưng tìm Hình 4 hình vng xung quanh điểm đặc trưng III THỰC NGHIỆM PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV A Kịch thử nghiệm Dữ liệu ảnh UAV thu chụp tình tìm kiếm cứu nạn thực tế Việt Nam không phát hành công khai Để kiểm nghiệm kết nghiên cứu, tiếp cận theo hai cách: thứ nhất, sử dụng ba ảnh công bố nghiên cứu "Một số kỹ thuật phát dị thường ảnh UAV ứng dụng cơng tác tìm kiếm cứu nạn" [9] Ảnh thứ thể Hình 4, chụp địa hình đồng bằng máy ảnh Canon IXUS 127 HS độ cao 190m, độ phân giải mặt đất 63mm/1 điểm ảnh; ảnh thứ hai ảnh thứ ba thể Hình Hình 6, chụp địa hình rừng thưa địa hình vùng biển ven bờ máy ảnh Sony DSC-WX220 độ cao 200m, độ phân giải mặt đất 64mm/1 điểm ảnh Mỗi ảnh có kích thước 1000 1000 điểm ảnh cấy ba mẫu dị thường khác tùy theo địa hình khác Cảnh chụp địa hình đồng (chúng gọi Ảnh 1) cảnh chụp địa hình rừng thưa (chúng tơi gọi Ảnh 2) cấy ba mẫu áo có màu sắc kích cỡ khác ảnh Cảnh chụp vùng biển ven bờ (chúng gọi Ảnh 3) cấy hai mẫu áo phao cứu sinh có màu sắc khác phao cứu sinh Giai đoạn cuối cùng, xây dựng vùng hình vng xung quanh điểm đặc trưng men theo vector hướng vừa ước lượng giai đoạn thứ hai, vùng hình vng chia nhỏ thành 4 hình vng để ghi nhận thông tin miền không gian ảnh lân cận Haar wavelet rút trích tồn khơng gian điểm ảnh tác động hai hướng ngang dọc cộng dồn giá trị hình vng Các giá trị tuyệt đối cộng dồn để lấy thông tin độ lớn thay đổi cường độ sáng ảnh SỐ 02 (CS.01) 2019 TẠP CHÍ KHOA HỌC CƠNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 12 Nguyễn Văn Phương, Đào Khánh Hồi, Tống Minh Đức Hình Cảnh chụp khu vực đồng cấy ba mẫu áo có kích cỡ màu sắc khác (Ảnh 1) Hình Ảnh chụp khu vực bố trí số quần áo có kích thước vào màu sắc khác Hình Cảnh chụp khu vực rừng thưa cấy ba mẫu áo có kích cỡ màu sắc khác (Ảnh 2) Thứ hai, khu vực Học viện Kỹ thuật Quân Láng - Hòa Lạc, Thạch Thất, Hà Nội, chúng tơi bố trí số quần, áo có màu sắc kích cỡ khác nhau; số miếng nhựa dẻo (mô số mảnh vỡ phương tiện); bố trí áo phao cứu sinh hồ nước Sử dụng thiết bị bay DJI Inspire gắn camera X3 model FC350, bay độ cao 254m có độ phân giải mặt đất 4cm/1 điểm ảnh Hình hình ảnh chụp khu vực bố trí số quần, áo (chúng tơi gọi Ảnh 4), Hình hình ảnh chụp khu vực bố trí số mảnh nhựa dẻo xem mảnh vỡ phương tiện (chúng gọi Ảnh 5) Hình hình ảnh chụp khu vực bố trí áo phao cứu sinh (chúng tơi gọi Ảnh 6) Hình Ảnh chụp khu vực bố trí số mảnh nhựa dẻo xem mảnh vỡ phương tiện Hình Cảnh chụp khu vực biển ven bờ cấy hai mẫu áo phao cứu sinh phao cứu sinh (Ảnh 3) Hình Ảnh chụp khu vực bố trí áo phao cứu sinh Để kiểm tra khả chống lại nhiễu phương pháp đề xuất, thêm 5% 10% nhiễu Gaussian vào tất sáu ảnh (xem Hình 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20 21) SỐ 02 (CS.01) 2019 TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THƠNG 13 TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN Hình 12 Ảnh thêm vào 5% nhiễu Gaussian Hình 10 Ảnh thêm vào 5% nhiễu Gaussian Hình 13 Ảnh thêm vào 10% nhiễu Gaussian Hình 11 Ảnh thêm vào 10% nhiễu Gaussian Như vậy, có sáu ảnh địa hình khác cấy dải địa hình mẫu vật khác nhau; sáu ảnh thu từ việc thêm vào 5% nhiễu Gaussian vào sáu ảnh gốc; sáu ảnh thu từ việc thêm vào 10% nhiễu Gaussian vào sáu ảnh gốc Tổng có tất mười tám ảnh để kiểm tra phương pháp đề xuất Tương ướng với ảnh vậy, chúng tơi chạy thuật tốn: RX tồn cục (GRX), RX cục (LRX), thuật tốn đề xuất kết hợp làm mịn ảnh, SIFT sau tính tốn RX (SIFT-RX) thuật tốn chúng tơi đề xuất kết hợp làm mịn ảnh, SURF sau tính tốn RX (SURF-RX) Hiệu suất phát dị thường thuật toán tính diện tích đường cong ROC (Receiver Operating Characteristic) Hình 14 Ảnh thêm vào 5% nhiễu Gaussian Hình 15 Ảnh thêm vào 10% nhiễu Gaussian SỐ 02 (CS.01) 2019 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 14 Nguyễn Văn Phương, Đào Khánh Hồi, Tống Minh Đức Hình 16 Ảnh thêm vào 5% nhiễu Gaussian Hình 17 Ảnh thêm vào 10% nhiễu Gaussian Hình 19 Ảnh thêm vào 10% nhiễu Gaussian Hình 20 Ảnh thêm vào 5% nhiễu Gaussian Hình 21 Ảnh thêm vào 10% nhiễu Gaussian Hình 18 Ảnh thêm vào 5% nhiễu Gaussian SỐ 02 (CS.01) 2019 B Kết tính tốn Trong trường hợp tính tốn thuật toán ảnh gốc (ảnh chưa thêm nhiễu vào), nhìn vào Bảng I Hình 22 thấy, hiệu suất phát dị thường thuật toán LRX cho kết tốt GLX (trung bình LRX vượt GRX 1,65% hiệu suất phát dị thường) Hiệu suất phát điểm ảnh dị thường thuật tốn LRX cao (trung bình chung 99,20%), khó khăn để xây dựng thuật toán vượt trội hẳn hiệu suất phát dị thường LRX đạt gần đến giới hạn (100%) Tuy nhiên, phương pháp đề suất SIFT-RX SURF-RX vượt LRX 0,56% 0,59% hiệu suất phát dị thường TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THÔNG 15 TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN Bảng I Hiệu suất phát dị thường thuật toán ảnh gốc (ảnh chưa thêm nhiễu) SURFRX 0,9970 SIFTRX 0,9986 0,9937 0,9963 0,9981 0,9982 Ảnh 0,9520 0,9783 0,9988 0,9991 Ảnh 0,9469 0,9882 0,9933 0,9940 Ảnh 0,9623 0,9927 0,9968 0,9974 Ảnh 0,9999 0,9994 0,9999 0,9999 Trung bình 0,9755 0,9920 0,9976 0,9979 GRX LRX Ảnh 0,9981 Ảnh 0,9987 Bảng II Hiệu suất phát dị thường thuật toán ảnh gốc thêm 5% nhiễu Gaussian GRX LRX SIFTRX Ảnh 0,9842 0,9833 0,9909 SURFRX 0,9900 Ảnh 0,9844 0,9809 0,9954 0,9957 Ảnh 0,9214 0,9659 0,9987 0,9978 Ảnh 0,9390 0,9793 0,9923 0,9929 Ảnh 0,9486 0,9851 0,9967 0,9974 Ảnh 0,9963 0,9945 0,9994 0,9994 Trung bình 0,9623 0,9815 0,9956 0,9955 Hình 23 Biểu đồ so sánh hiệu suất phát dị thường thuật toán sáu ảnh gốc thêm vào 5% nhiễu Gaussian Trong trường hợp tính tốn thuật toán ảnh gốc thêm vào 5% nhiễu Gaussian, nhìn vào Bảng II Hình 23 thấy, hiệu suất phát dị thường thuật tốn giảm so với tính tốn ảnh gốc (tương ứng với thuật toán GRX, LRX, SIFT-RX, SURF-RX, hiệu suất phát dị thường giảm trung bình là: 1,32%, 1,05%, 0,19%, 0,16%) Lúc này, LRX thuật toán tốt GRX Phương pháp chúng tơi đề suất có khoảng cách rõ ràng hiệu suất phát dị thường so với LRX Hiệu suất phát dị thường trung bình SIFT-RX SURF-RX vượt LRX 1,41% 1,40% Bảng III Hiệu suất phát dị thường thuật toán ảnh gốc thêm 10% nhiễu Gaussian SURFRX 0,9149 SIFTRX 0,9884 0,9244 0,8941 0,9962 0,9962 Ảnh 0,8785 0,9464 0,9963 0,9980 Ảnh 0,9223 0,9684 0,9949 0,9947 Ảnh 0,9390 0,9793 0,9923 0,9929 Ảnh 0,9469 0,9882 0,9933 0,9940 Trung bình 0,9307 0,9466 0,9954 0,9957 GRX LRX Ảnh 0,9433 Ảnh 0,9892 Hình 22 Biểu đồ so sánh hiệu suất phát dị thường thuật toán sáu ảnh gốc SỐ 02 (CS.01) 2019 TẠP CHÍ KHOA HỌC CƠNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 16 Nguyễn Văn Phương, Đào Khánh Hoài, Tống Minh Đức Bảng IV Thời gian thực thi thuật tốn (s) Hình 24 Biểu đồ so sánh hiệu suất phát dị thường thuật toán sáu ảnh gốc thêm vào 10% nhiễu Gaussian Trong trường hợp tính tốn thuật toán ảnh gốc thêm vào 10% nhiễu Gaussian, nhìn vào Bảng III Hình 24 thấy, hiệu suất phát dị thường thuật toán LRX GRX giảm đáng kể so với tính tốn ảnh gốc (hiệu suất phát dị thường hai thuật toán giảm trung bình 4,5%) Trong đó, SIFT-RX SURF-RX giảm trung bình 0,2% hiệu suất phát dị thường so với tính tốn ảnh gốc LRX thuật toán tốt GRX Phương pháp chúng tơi đề suất thực có khoảng cách rõ ràng hiệu suất phát dị thường so với LRX Hiệu suất phát dị thường trung bình SIFT-RX SURF-RX tốt LRX 4,88% 4,91% Như vậy, từ kết kiểm nghiệm thấy rằng, phương pháp đề xuất cho hiệu suất phát dị thường ảnh UAV tốt RX Đặc biệt trường hợp ảnh có nhiễu, nhiễu thêm vào q trình thu nhận hình ảnh từ thiết bị Xét thời gian tính tốn, nhìn vào Bảng IV thấy, thuật tốn GRX có thời gian tính tốn nhanh nhất, sau đến LRX, SIFT-RX chậm Thời gian tính tốn trung bình SURF-RX chậm GRX lần, chậm LRX 2.5 lần Thời gian tính tốn trung bình SIFT-RX chậm GRX 6.5 lần, chậm LRX 5.4 lần Điều hoàn toàn hợp lý trước thực thi SIFT-RX SURF-RX phải trải qua giai đoạn làm mịn ảnh, trích rút điểm đặc trưng SỐ 02 (CS.01) 2019 3,80 SIFTRX 13,82 SURFRX 9,14 3,17 3,80 11,84 9,19 Ảnh + 10% nhiễu 3,18 3,80 12,20 9,39 Ảnh 3,13 3,79 25,38 9,73 Ảnh + 5% nhiễu 3,10 3,78 22,21 9,92 Ảnh + 10% nhiễu 3,13 3,79 21,09 9,91 Ảnh 3,07 3,76 8,97 9,72 Ảnh + 5% nhiễu 3,09 3,76 8,23 9,78 Ảnh + 10% nhiễu 3,23 3,78 8,70 9,48 Ảnh 3,53 4,52 28,77 10,53 Ảnh + 5% nhiễu 3,61 4,30 25,53 10,63 Ảnh + 10% nhiễu 3,58 4,28 21,58 10,56 Ảnh 2,27 2,70 21,73 6,90 Ảnh + 5% nhiễu 2,34 2,81 19,15 6,76 Ảnh + 10% nhiễu 2,32 2,72 16,34 6,81 Ảnh 4,79 5,75 43,71 14,73 Ảnh + 5% nhiễu 4,81 5,76 41,15 14,60 Ảnh + 10% nhiễu 4,77 5,75 37,82 14,18 Trung bình 3,34 4,02 21,57 10,08 GRX LRX Ảnh 3,17 Ảnh + 5% nhiễu IV KẾT LUẬN Trong cơng tác tìm kiếm cứu nạn việc nâng cao hiệu suất phát đối tượng cần tìm kiếm dấu hiệu chứa đựng thông tin đối tượng cần tìm kiếm mang ý nghĩa quan trọng Việc rút ngắn thời gian, làm giảm phí tổn tài chính, sức lực, tinh thần, đồng thời nâng cao hội cứu nạn Kết khảo sát đánh giá kỹ thuật phát dị thường ảnh UAV thực nghiên cứu tiếp cận khoa học dựa toán tử phát dị thường RX phương pháp kết hợp làm mịn ảnh, tìm kiếm tập điểm ảnh đặc trưng sau tính tốn RX mang lại hiệu cao Qua kết kiểm nghiệm tập ảnh UAV có cấy mẫu vật bố trí mẫu vật địa hình cho thấy phương pháp đề xuất cho hiệu suất phát dị thường tốt RX Đặc biệt, trường hợp ảnh có nhiễu (nhiễu thêm vào hồn tồn phù hợp với điều kiện chụp ảnh tình tìm kiếm cứu nạn), phương pháp chúng tơi đề xuất có hiệu suất phát dị thường tốt RX bị ảnh hưởng nhiễu Tuy nhiên, có điểm yếu thời gian tính tốn chậm RX LỜI CẢM ƠN Nghiên cứu tài trợ kinh phí từ đề tài nghiên cứu khoa học cấp quốc gia mã số VT-UD.04/16-20 thuộc Chương trình KHCN vũ trụ Nhóm tác giả cảm ơn ủng hộ đồng hành Ban chủ nhiệm Chương trình KHCN vũ trụ TẠP CHÍ KHOA HỌC CƠNG NGHỆ THƠNG TIN VÀ TRUYỀN THÔNG 17 TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN [21] H Bay, A Ess, T Tuytelaars, and L Gool, “Surf - speeded up TÀI LIỆU THAM KHẢO [1] X Đồng, Tổ chức hoạt động Trung tâm VNMCC Tổ [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] chức Cospas-Sarsat Đài thông tin vệ tinh mặt đất Cospas-Sarsat Việt Nam, (2014) Nghị định số 36/2008/NĐ-CP ngày 28-3-2008 phủ quản lý tàu bay không người lái phương tiện bay siêu nhẹ, (2018) V T T Bách, Tàu bay không người lái số khái niệm bản, Tổng công ty Quản lý bay Việt Nam Available online at https://vatm.vn/tau-bay-khong-nguoi-lai-va-mot-so-khai-niem-coban-n5358.html, (2019) S Grogan, R Pellerin, and M Gamache, The use of unmanned aerial vehicles and drones in search and rescue operations – a survey, in Conference: PROLOG 2018, (2018) pp 1–12 H Shakhatreh, A H Sawalmeh, A I Al-Fuqaha, Z Dou, E K Almaita, I M Khalil, N S Othman, A Khreishah, and M Guizani, Unmanned aerial vehicles (uavs): A survey on civil applications and key research challenges, in IEEE Access, vol 7, (2019) pp 1–63 T Bolukbasi and P Tran, Outline color identification for search and rescue, Technical Reportof Department of Electrical and Computer Engineering, Boston University, no ECE-2012-07, (2012) M Ramachandran and W Moik, Outline color identification for search and rescue, Technical Reportof Department of Electrical and Computer Engineering, Boston University, no ECE-2013-03, (2013) T Marshall and L N Perkins, Color outline detection for search and rescue, Technical Reportof Department of Electrical and Computer Engineering, Boston University, no ECE-2015-01, (2015) N Phương and K Hoài, Một số kỹ thuật phát dị thường ảnh uav ứng dụng cơng tác tìm kiếm cứu nạn, Các cơng trình nghiên cứu phát triển cơng nghệ thơng tin truyền thông, vol V-1, no 39, (2018) pp 1–8 I S Reed and X Yu, Adaptive multiple-band cfar detection of an optical pattern with unknown spectral distribution, IEEE transactions on acoustics speech and signal processing, vol 38, no 10, (1990) pp 1760–1770 T E Smetek and K W Bauer, Finding hyperspectral anomalies using multivariate outlier detection, in Aerospace Conference, (2007) A Banerjee, P Burlina, and C Diehl, A support vector method for anomaly detection in hyperspectral imagery, IEEE Transactions on Geoscience and Remote Sensing, vol 44, no 8, (2006) p 2282–2291 C.-I Chang and S.-S Chiang, Anomaly detection and classification for hyperspectral imagery, IEEE Transactions on Geoscience and Remote Sensing, vol 40, no 6, (2002) p 1314– 1325 P Gurram and H Kwon, Support-vector-based hyperspectral anomaly detection using optimized kernel parameters, IEEE Geoscience and Remote Sensing Letters, vol 8, no 6, (2011) p 1060–106 N M Nasrabadi, “Penalized spectral matched filter for target detection in hyperspectral imagery,” 2007 IEEE International Geoscience and Remote Sensing Symposium, (2007) pp 4830– 4833 D W J Stein, S G Beaven, L E Ho, E M Winter, A P Schaum, and A D Stocker, Anomaly detection from hyperspectral imagery, IEEE Signal Process Mag., vol 19, no 1, (2002) p 58–69 S Matteoli, T Veracini, M Diani, and G Corsini, Models and methods for automated background density estimation in hyperspectral anomaly detection, IEEE Transactions on Geoscience and Remote Sensing, vol 51, no 5, (2013) p 2837– 2852 M T Eismann, Hyperspectral Remote Sensing SPIE., (2012) L Wang, Z Li, and J Sun, “Improved rx algorithm with global statistics,” Applied Mechanics and Materials, vol 446-447, (2014) pp 942–945 D Lowe, “Distinctive image features from scaleinvariant keypoints,” Int J Comput Vision, vol 60, no 2, (2004) p 91– 110 SỐ 02 (CS.01) 2019 robust features,” Computer Vision – ECCV 2006, (2006) pp 404– 417 EFFICACY IMPROVEMENT OF ANOMALY DETECTION ON UAV IMAGES FOR SEARCH AND RESCUE Abstract: Search and rescue activities include finding and rescuing people and vehicles that stuck in difficult situations Recently, a device which widely used in both military and civilian is the Unmanned Aerial Vehicle (UAV) It becomes a very important device for the search and rescue mission However, the large number of highresolution images obtained from this device and the large search area are a large barrier to detect with the naked eye Automatic detection of goals is the right solution To avoid missed goals, increasing the detection efficiency of the algorithms is necessary In this paper, we propose a method to increase the target detection efficiency of the RX algorithm when combined with extraction feature methods by SIFT and SURF The test results on the sample data set show markedly different results, especially in the case of the image have interfered Keywords: Anomaly detection, SIFT, SURF, UAV images, Search and rescue Nguyen Van Phương, Tốt nghiệp trường Học viện Kỹ thuật Quân 2003, nhận thạc sĩ Học viện Kỹ thuật Quân 2009 Hiện nghiên cứu sinh Khoa Công nghệ Thông tin, Học viện Kỹ thuật Quân Lĩnh vực nghiên cứu: GIS, xử lý ảnh viễn thám quang học E-mail: phuongnv.dl@gmail.com Đào Khánh Hoài, Nhận học vị Tiến sĩ năm 2005 Hiện công tác Học viện Kỹ thuật Quân Lĩnh vực nghiên cứu: GIS, xử lý ảnh vệ tinh, UAV, đo ảnh thị giác máy tính E-mail: geogroup2008@gmail.com Tống Minh Đức, Tốt nghiệp trường Học viện Kỹ thuật Quân năm 2000 Nhận tiến sĩ Trường Đại học tổng hợp kỹ thuật Điện (LETI) - Nga năm 2007 Hiện giảng viên Khoa Công nghệ Thông tin – Học viện Kỹ thuật Quân Lĩnh vực nghiên cứu: Xử lý ảnh, nhận dạng đối tượng, An toàn bảo mật thơng tin E-mail: ductm@mta.edu.vn TẠP CHÍ KHOA HỌC CƠNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 18 ... 0,59% hiệu suất phát dị thường TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 15 TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN Bảng I Hiệu suất phát. ..TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV ỨNG DỤNG TRONG CƠNG TÁC TÌM KIẾM CỨU NẠN thuật thứ tư [6,7,8], tác giả kiểm nghiệm khả phát dị thường ảnh UAV thuật toán RX [10]... tế ảnh chụp từ UAV II GIẢI PHÁP TĂNG HIỆU QUẢ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH UAV Như giới thiệu phần mở đầu, RX thuật toán chuẩn cho toán phát dị thường màu ảnh UAV Để tăng hiệu suất phát dị thường