Nghiên cứu và xây dựng giải thuật nhận dạng hình trạng người ứng dụng cho việc xây dựng phòng điều trị thông minh

Nghiên cứu và xây dựng giải thuật nhận dạng hình trạng người ứng dụng cho việc xây dựng phòng điều trị thông minh Nghiên cứu và xây dựng giải thuật nhận dạng hình trạng người ứng dụng cho việc xây dựng phòng điều trị thông minh Nghiên cứu và xây dựng giải thuật nhận dạng hình trạng người ứng dụng cho việc xây dựng phòng điều trị thông minh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - Nguyễn Thị Thanh Mai NGHIÊN CỨU VÀ XÂY DỰNG GIẢI THUẬT NHẬN DẠNG HÌNH TRẠNG NGƯỜI ỨNG DỤNG CHO VIỆC XÂY DỰNG PHỊNG ĐIỀU TRỊ THƠNG MINH Chuyên ngành : Công nghệ thông tin LUẬN VĂN THẠC SĨ KHOA HỌC CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC : TS Lê Thị Lan Hà Nội – Năm 2013 ii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu trích dẫn có nguồn gốc Các kết trình bày luận án trung thực chưa cơng bố cơng trình khác Tác giả luận án Nguyễn Thị Thanh Mai iii LỜI CẢM ƠN Lời đầu tiên, xin gửi lời cảm ơn sâu sắc chân thành tới TS Lê Thị Lan, người chị, người thầy tận tình hướng dẫn, bảo động viên tơi suốt trình nghiên cứu viết luận án để tơi hồn thành luận án Xin chân thành cảm ơn đồng nghiệp Viện nghiên cứu Quốc tế MICA, Trường Đại học Bách Khoa Hà Nội, tập thể nhóm thực Đề tài Nghị định thư tạo điều kiện giúp đỡ tơi q trình thực luận án Cuối xin bày tỏ lòng biết ơn sâu sắc tới gia đình người bạn động viên, chia sẻ, ủng hộ chỗ dựa tinh thần giúp tập trung nghiên cứu hồn thành luận án Nguyễn Thị Thanh Mai iv MỤC LỤC DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT .3 DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ MỞ ĐẦU .7 CHƯƠNG I GIỚI THIỆU I.1 Giới thiệu chung I.2 Cấu trúc luận văn 10 CHƯƠNG II TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NHẬN DẠNG HÌNH TRẠNG NGƯỜI .11 II.1 Cách tiếp cận không gian hai chiều 12 II.2 Cách tiếp cận không gian ba chiều 19 II.3 Nhận xét 24 CHƯƠNG III XÂY DỰNG MƠ ĐUN NHẬN DẠNG HÌNH TRẠNG NGƯỜI 25 III.1 Phân tích thiết kế hệ thống 25 III.2 Thực thi hệ thống 25 III.2.1 Tiền xử lý 26 III.2.2 Trích chọn đặc trưng 29 III.2.3 Giảm số chiều liệu 31 III.2.4 Phân lớp .35 CHƯƠNG IV THỬ NGHIỆM VÀ ĐÁNH GIÁ .39 IV.1 Cơ sở liệu thử nghiệm 39 IV.1.1 Thiết lập phòng thu 39 IV.1.2 Lựa chọn lớp hình trạng 41 IV.1.3 Cơ sở liệu hình trạng người 42 IV.1.4 Cơ sở liệu video chứa kiện bất thường .44 IV.1.5 Bố trí thư mục quy tắc đặt tên file sở liệu 45 IV.2 Tham số thử nghiệm 46 IV.3 Độ đo đánh giá 46 IV.4 Kết thử nghiệm 47 IV.4.1 Thử nghiệm sở liệu ảnh hình trạng người 47 IV.4.2 Thử nghiệm sở liệu video chứa kiện bất thường 53 IV.5 Nhận xét 60 CHƯƠNG V KẾT LUẬN 62 TÀI LIỆU THAM KHẢO 64 DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT ANN Artificial neural networks BOW Bag-of-Words C-SVC C-Support Vector Classification KNN K-Nearest Neighbor RBF Radial Basis Funtion RGB Red Green Blue SIFT Scale Invariance Feature Transform SIFT Scale-invariant feature transform SURF Speeded-Up Robust Features SVM Support Vector Machine USM Unsharp masking DANH MỤC CÁC BẢNG Bảng II.1-1: Tỉ lệ nhận dạng thành cơng cho hình trạng 18 Bảng II.2-1: Bảng ma trận kết nhận dạng phân lớp .23 Bảng IV.3-1: Bảng tính tốn giá trị TP, FP, FN .47 Bảng IV.4-1: Bảng thông tin sở liệu huấn luyện lấy từ sở liệu hình trạng người 49 Bảng IV.4-2: Bảng thông tin sở liệu thử nghiệm luyện lấy từ sở liệu hình trạng người 49 Bảng IV.4-3: Ma trận kết thử nghiệm phụ thuộc liệu sở liệu hình trạng người 50 Bảng IV.4-4: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm phụ thuộc liệu sở liệu hình trạng người .51 Bảng IV.4-5: Ma trận kết thử nghiệm độc lập liệu sở liệu hình trạng người 52 Bảng IV.4-6: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm độc lập liệu sở liệu hình trạng người .53 Bảng IV.4-7: Bảng thông tin sở liệu huấn luyện hình trạng người có kiện bất thường .55 Bảng IV.4-8: Bảng thông tin sở liệu thử nghiệm luyện hình trạng người có kiện bất thường .56 Bảng IV.4-9: Ma trận kết thử nghiệm phụ thuộc liệu sở liệu hình trạng người có kiện bất thường 57 Bảng IV.4-10: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm phụ thuộc liệu sở liệu hình trạng người có kiện bất thường 58 Bảng IV.4-11: Ma trận kết thử nghiệm độc lập liệu sở liệu hình trạng có kiện bất thường .59 Bảng IV.4-12: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm độc lập liệu sở liệu hình trạng người có kiện bất thường 60 DANH MỤC CÁC HÌNH VẼ Hình I.1-1: Sơ đồ khối chức hệ thống phát kiện dựa thông tin ảnh Hình II.1-1: Đường biên hình trạng khác người trích chọn (Haritaoglu, Harwood et al 1998) 13 Hình II.1-2: Minh họa số ảnh chuỗi video thử nghiệm khả nhận dạng hệ thống Ghost 14 Hình II.1-3: Sơ đồ tổng quan hệ thống 15 Hình II.1-4: Các hình trạng người hướng nhìn xem xét 16 Hình II.1-5: Một số ví dụ theo dõi đối tượng nhận dạng hình trạng điều kiện khác 17 Hình II.2-1: Mơ hình khơng gian ba chiều hình trạng người ngồi hình chiếu tương ứng ảnh hai chiều .19 Hình II.2-2: Đường biên hình chiếu mơ hình người khơng gian ba chiều (đường màu trắng liền nét) đường biên đối tượng người ảnh hai chiều .20 Hình II.2-3: Mơ hình nhận dạng hệ thống nhận dạng hình trạng sử dụng Kinect 22 Hình II.2-4: Vị trí 20 khớp xương sử dụng làm đặc trưng vị trí người với Kinect thu sở liệu 23 Hình III.1-1: Thiết kế kiến trúc hệ thống với pha học pha thử nghiệm .25 Hình III.2-1: Các bước xử lý hệ thống thuật toán tương ứng lựa chọn 26 Hình III.2-2: Hai bước bước làm nét ảnh Bước 1: Phát cạnh sinh ảnh đường biên Bước 2: tăng mức độ tương phản đường biên 28 Hình III.2-3: a) Ảnh gốc ảnh sau qua phép tiền xử lý: b) Ảnh sau xám hóa; c) Ảnh sau chuẩn hóa mức xám; d) Ảnh sai làm nét .28 Hình III.2-4: Các điểm khóa phát 31 Hình III.2-5: Biểu diễn đối tượng ảnh sử dụng mơ hình BOW 33 Hình III.2-6: Từ điển BOW với kích thước 256 lưu trữ file XML 34 Hình III.2-7: Mơ tả biểu diễn liệu SVM không gian, mẫu liệu biểu diễn không gian điểm đen trắng 35 Hình III.2-8: Ánh xạ liệu từ không gian gốc sang không gian đặc trưng cho phép phân chia liệu siêu phẳng .36 Hình III.2-9: Siêu phẳng tách với khoảng cách lề cực đại 37 Hình IV.1-1: Bố trí phịng giả lập vị trí camera lắp đặt 39 Hình IV.1-2: Vùng quan sát camera lắp đặt phòng giả lập Viện MICA, từ trái qua phải: camera 1, camera 2, camera .40 Hình IV.1-3: Minh họa số ảnh sở liệu thu đề tài 43 Hình IV.1-4: Một số hình ảnh người sở liệu video chứa kiện bất thường 44 Hình IV.4-1: Một vùng ảnh chứa người đánh dấu tay sử dụng công cụ Object Marker 48 Hình IV.4-2: a) Các kết phân vùng sai b) Các kết phân vùng không chứa đầy đủ thể người bị loại bỏ 54 Hình IV.4-3: Một số ảnh sở liệu hình trạng người có kiện bât thường 55 MỞ ĐẦU Bài tốn nhận dạng hình trạng người thu hút nhiều quan tâm nhà nghiên cứu ứng dụng mà kết đem lại ứng dụng giám sát, ứng dụng điều khiển, ứng dụng phân tích hiểu hành vi người … Nghiên cứu đề tài nhằm mục đích thử nghiệm phương pháp nhận dạng hình trạng tồn thể người Kết nhận dạng hình trạng người xây dựng đề tài sử dụng bước xử lý nhận dạng kiện, phân tích hành vi người bệnh từ hỗ trợ bác sĩ người nhà chăm sóc giám sát bệnh nhân bệnh viện Đề tài nghiên cứu phương pháp nhận dạng hình trạng người tồn giới từ đề xuất thử nghiệm phương pháp nhận dạng hình trạng người có khả nhận dạng bốn lớp hình trạng người ảnh người đứng, người ngồi, người nằm, người cúi vùng người phát ảnh sử dụng đặc trưng SURF mơ hình máy học SVM Kết đề tài bao gồm:  Báo cáo luận văn  Cơ sở liệu hình trạng người  Mơ đun chương trình nhận dạng hình trạng người dựa điểm đặc biệt trích chọn vùng chứa người phát ảnh  Bài báo tham gia Hội thảo Quốc tế Commantel 2013 tổ chức vào tháng 1/2013 có tên “Human posture recognition using human skeleton provided by Kinect” Bảng IV.4-4: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm phụ thuộc liệu sở liệu hình trạng người Kích thước từ điển 256 512 1024 2048 Hình trạng Độ đo Người cúi Người nằm Người ngồi Người đứng Tỉ lệ lỗi (%) 0 0 Độ nhạy (%) 100 100 100 100 Tỉ lệ lỗi (%) 0 0 Độ nhạy (%) 100 100 100 100 Tỉ lệ lỗi (%) 0 0 Độ nhạy (%) 100 100 100 100 Tỉ lệ lỗi (%) 0 0 Độ nhạy (%) 100 100 100 100 51 Bảng IV.4-5: Ma trận kết thử nghiệm độc lập liệu sở liệu hình trạng người Hình trạng dự đốn Kích thước từ điển 256 512 1024 2048 Hình trạng thực tế Hình trạng thực tế Hình trạng thực tế Hình trạng thực tế Người cúi Người nằm Người ngồi Người đứng Người cúi 60 0 Người nằm 60 0 Người ngồi 0 60 Người đứng 0 58 Người cúi 60 0 Người nằm 57 0 Người ngồi 0 60 Người đứng 0 60 Người cúi 60 0 Người nằm 60 0 Người ngồi 58 Người đứng 0 60 Người cúi 60 0 Người nằm 58 0 Người ngồi 0 60 Người đứng 0 60 52 Bảng IV.4-6: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm độc lập liệu sở liệu hình trạng người Thử nghiệm Bộ tham số Bộ tham số Bộ tham số Bộ tham số Độ đo Hình trạng Người cúi Người nằm Người ngồi Người đứng Trung bình FAR (%) 0 3.23 0.81 Sentivity (%) 100 100 100 96.67 99.17 FAR (%) 4.76 0 1.19 Sentivity (%) 100 95 100 100 98.75 FAR (%) 3.23 0 0.81 Sentivity (%) 100 100 96.67 100 99.17 FAR (%) 3.23 0 0.81 Sentivity (%) 100 96.67 100 100 99.17 Thời gian nhận dạng trung bình hệ thống ảnh thử nghiệm 218ms IV.4.2 Thử nghiệm sở liệu video chứa kiện bất thường Thử nghiệm sở liệu video chứa kiện bất thường nhằm đánh giá khả mơ đun nhận dạng hình trạng người xây dựng đề tài nhận dạng hình trạng có video chứa kiện bất thường ghép nối với mô đun phát theo dõi người xây dựng đề tài Nghị định thư - “Nghiên cứu, ứng dụng CNTT xây dựng hệ thống giám sát, hỗ trợ chăm sóc bệnh nhân phịng điều trị thơng minh” (như trình bày chương I) Mơ đun nhận dạng hình trạng người nhận kết phân vùng từ mô đun phát theo dõi đối tượng vùng ảnh chữ nhật chứa người ảnh tiến hành nhận dạng vùng ảnh 53 Để huấn luyện thử nghiệm hệ thống, tập liệu huấn luyện thử nghiệm xây dựng Bằng cách cho video chạy qua mô đun phát theo dõi đối tượng ảnh, khung hình kết phát phân vùng người ảnh (nếu có) lưu lại thành file ảnh Với video chứa kiện bất thường chạy qua mô đun phát theo dõi đối tượng trả tập ảnh chứa kết phân vùng người khung hình video Từ tập ảnh kết phân vùng, ảnh lựa chọn để lấy tập ảnh chứa hình trạng cần quan tâm Các ảnh phân vùng sai: ảnh phân vùng chứa người ảnh có chứa người khơng đầy đủ tồn thể bị loại bỏ (Hình IV.4-2) Tập ảnh sau lựa chọn chia làm hai tập tách biệt để dùng huấn luyện thử nghiệm Có ba lớp hình trạng xem xét bao gồm: người đứng, người ngồi người nằm Một số hình ảnh lấy từ sở liệu Hình IV.4-3 a) b) Hình IV.4-2: a) Các kết phân vùng sai b) Các kết phân vùng không chứa đầy đủ thể người bị loại bỏ 54 Hình IV.4-3: Một số ảnh sở liệu hình trạng người có kiện bât thường Bảng IV.4-7 số ảnh cho lớp hình trạng tổng số ảnh sở liệu huấn luyện lấy từ sở liệu video chứa kiện bất thường Bảng IV.4-7: Bảng thông tin sở liệu huấn luyện hình trạng người có kiện bất thường Lớp hình trạng Số ảnh Người nằm 868 Người ngồi 136 Người nằm 600 Tổng số ảnh 1604 Tổng số ảnh có sở liệu huấn luyện nhận dạng hình trạng người có kiện bất thường gồm 1604 ảnh Số mô tả SURF trích chọn tập liệu 82165 mô tả Tập đặc trưng biểu diễn lại từ điển BOW với số lượng 256, 512, 1024 2048 từ Có hai thử nghiệm tiến hành cho sở liệu ảnh lấy từ tập video chứa kiện bất thường thử nghiệm độc lập liệu thử nghiệm phụ thuộc liệu Trong thử nghiệm phụ thuộc liệu, tập ảnh thử nghiệm lấy ảnh 10 55 người có sở liệu huấn luyện thử nghiệm độc lập liệu, ảnh lấy ảnh người (1 nam nữ) không nằm sở liệu huấn luyện, riêng với thử nghiệm q trình tách ảnh khơng có hình trạng ngồi với người nằm ngồi sở liệu Bảng IV.4-8 thông tin hai tập ảnh dùng hai thử nghiệm Bảng IV.4-8: Bảng thông tin sở liệu thử nghiệm luyện hình trạng người có kiện bất thường Thử nghiệm phụ thuộc liệu Thử nghiệm độc lập liệu Lớp hình trạng Số ảnh Lớp hình trạng Số ảnh Người nằm 693 Người nằm 129 Người ngồi 96 Người ngồi Người đứng 580 Người đứng 120 Tổng số ảnh 1369 Tổng số ảnh 249 Ma trận kết tỉ lệ lỗi, độ nhạy hệ thống thử nghiệm sở liệu hình trạng người lấy từ kiện bất thường bảng 56 Bảng IV.4-9: Ma trận kết thử nghiệm phụ thuộc liệu sở liệu hình trạng người có kiện bất thường Hình trạng dự đốn Kích thước từ điển 256 512 1024 2048 Hình trạng thực tế Hình trạng thực tế Hình trạng thực tế Hình trạng thực tế Người nằm Người ngồi Người đứng Người nằm 676 16 Người ngồi 88 Người đứng 25 554 Người nằm 673 19 Người ngồi 87 Người đứng 12 567 Người nằm 666 26 Người ngồi 89 Người đứng 573 Người nằm 672 20 Người ngồi 90 Người đứng 578 57 Bảng IV.4-10: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm phụ thuộc liệu sở liệu hình trạng người có kiện bất thường Hình trạng Kích thước từ điển 256 512 1024 2048 Độ đo Người nằm Người ngồi Người đứng Trung bình Tỉ lệ lỗi (%) 3.57 1.12 4.15 2.95 Độ nhạy (%) 97.69 91.67 95.52 95 Tỉ lệ lỗi (%) 1.75 1.14 4.71 2.53 Độ nhạy (%) 97.25 90.63 97.76 95.2 Tỉ lệ lỗi (%) 1.04 5.45 2.16 Độ nhạy (%) 96.24 92.71 98.79 95.9 Tỉ lệ lỗi (%) 0.3 4.3 1.53 Độ nhạy (%) 97.11 93.75 99.66 96.8 58 Bảng IV.4-11: Ma trận kết thử nghiệm độc lập liệu sở liệu hình trạng có kiện bất thường Hình trạng dự đốn Kích thước từ điển 256 512 1024 2048 Hình trạng thực tế Hình trạng thực tế Hình trạng thực tế Hình trạng thực tế Người nằm Người ngồi Người đứng Người nằm 102 27 Người ngồi 0 Người đứng 112 Người nằm 116 13 Người ngồi 0 Người đứng 118 Người nằm 98 31 Người ngồi 0 118 Người nằm 92 37 Người ngồi 0 Người đứng 119 Người đứng 59 Bảng IV.4-12: Tỉ lệ nhận dạng lỗi độ nhạy hệ thống thử nghiệm độc lập liệu sở liệu hình trạng người có kiện bất thường Kích thước từ điển 256 512 1024 2048 Hình trạng Trung bình Độ đo Ngườ i nằm Người ngồi Người đứng Tỉ lệ lỗi (%) 6.42 NA 19.42 12.92 Độ nhạy (%) 79.07 NA 93.33 86.2 Tỉ lệ lỗi (%) 1.69 NA 9.92 5.81 Độ nhạy (%) 89.92 NA 98.33 94.13 Tỉ lệ lỗi (%) NA 20.81 11.4 Độ nhạy (%) 75.97 NA 98.33 87.15 Tỉ lệ lỗi (%) 1.08 NA 23.72 12.4 71.32 99.17 85.24 Độ nhạy (%) Thời gian nhận dạng trung bình hệ thống ảnh thử nghiệm 151ms IV.5 Nhận xét Kết thử nghiệm hệ thống cho thấy, sở liệu hình trạng người với lớp hình trạng: người đứng, người nằm, người ngồi người cúi thu với tư cố định người, hệ thống cho kết nhận dạng tốt Trong thử nghiệm phụ thuộc liệu, kích thước từ điển cho kết nhận dạng nhau, hệ thống cho độ nhạy 100% khơng có trường hợp bị phát sai Trong thử nghiệm độc lập liệu, với kích thước từ điển 256, 1024 2048 hệ thống cho độ nhạy 99.17% tỉ lệ lỗi 0.81% Với kích thước từ điển 512, hệ thống đạt độ nhạy 60 98.75 % tỉ lệ lỗi 1.19 Như vậy, thử nghiệm kích thước từ điển 512 cho kết nhận dạng kích thước từ điển cịn lại cho độ nhạy tỉ lệ lỗi Với sở liệu hình trạng người có kiện bất thường, xuất người thời điểm lớp hình trạng đa dạng độ nhạy hệ thống giảm tỉ lệ nhận dạng lỗi tăng lên so với việc nhận dạng sở liệu với lớp hình trạng có tư người cố định Trong thử nghiệm phụ thuộc liệu với 10 người có sở liệu lớp hình trạng: người đứng, người ngồi người nằm Với kích thước từ điển 256, 512, 1024, 2048, kích thước từ điển lớn, độ nhạy hệ thống tăng tỉ lệ nhận dạng lỗi giảm Kích thước từ điển 256, độ nhạy hệ thống 95%, tỉ lệ nhận dạng lỗi 2.95% Kích thước từ điển 512, độ nhạy hệ thống 95.2%, tỉ lệ nhận dạng lỗi 2.53% Kích thước từ điển 1024, độ nhạy hệ thống 95.9%, tỉ lệ nhận dạng lỗi 2.16% Kích thước từ điển 2048, độ nhạy hệ thống 96.8%, tỉ lệ nhận dạng lỗi 1.53% Đây kết khả quan kích thước từ điển 2048 cho kết nhận dạng tốt Khi thử nghiệm độc lập liệu với người nằm sở liệu huấn luyện sở liệu hình trạng người có kiện bất thường, xuất người nằm sở liệu khác với người nằm sở liệu, hệ thống chưa học với đặc trưng trích chọn từ người nằm ngồi sở liệu huấn luyện nên độ nhạy hệ thống giảm tỉ lệ lỗi tăng lên so với thử nghiệm phụ thuộc liệu Kích thước từ điển 256 hệ thống đạt độ nhạy 86.2% tỉ lệ lỗi 12.92% Kích thước từ điển 512 hệ thống đạt độ nhạy 94.13% tỉ lệ lỗi 5.81% Khi tăng kích thước từ điển lên 1024, độ nhạy hệ thống 87.15%, tỉ lệ nhận dạng lỗi 11.4% Tiếp tục tăng kích thước từ điển lên 2048, độ nhạy hệ thống đạt độ nhạy 85.24% tỉ lệ lỗi lúc 12.4% Kích thước từ điển cho kết tốt thử nghiệm 512 61 CHƯƠNG V KẾT LUẬN Đề tài nghiên cứu phương pháp nhận dạng hình trạng người tồn giới từ đề xuất thử nghiệm phương pháp nhận dạng hình trạng người ảnh hai chiều sử dụng đặc trưng SURF phân lớp SVM kết hợp với mơ hình BOW để giảm số chiều liệu Hệ thống xây dựng đề tài có khả nhận dạng lớp hình trạng người bao gồm: người đứng, người ngồi, người nằm người cúi sở liệu xây dựng phòng điều trị giả lập Kết thử nghiệm hai sở liệu hình trạng người (người có tư cố định) bao gồm lớp hình trạng: người đứng, người ngồi, người nằm người cúi sở liệu hình trạng người có kiện bất thường người bệnh với lớp hình trạng: người đứng, người nằm người ngồi cho thấy mơ đun có khả ứng dụng hệ thống phát kiện bất thường người bệnh Trong tương lai, từ kết nghiên cứu đề tài, hệ thống phát triển thêm theo hướng sau đây: Nhận dạng video thay ảnh tĩnh Vì đặc trưng SURF quan tâm tới tập điểm bất biến mà không quan tâm tới mối quan hệ không gian chúng nên để tăng thêm độ xác hệ thống nghiên cứu bổ sung thêm thơng tin mối quan hệ không gian đặc trưng để nâng cao khả nhận dạng hệ thống Trong trình thực luận văn, tác giả luận văn có tham gia xây dựng sở liệu thử nghiệm hệ thống nhận dạng hình trạng người sử dụng điện thoại thông tin 20 khớp xương người lấy từ Kinect với phân lớp SVM để nhận dạng lớp hình trạng: người đứng, người nằm, người ngồi người cúi Kết nghiên cứu trình bày báo (Le, Nguyen et al 2013) Hệ thống nhận dạng sử dụng thông tin khung xương thu Kinect nhận dạng tốt với lớp hình trạng người đứng, người ngồi người cúi nhiên lại khó nhận dạng hình trạng người nằm người nằm, Kinect khó phát khung xương người Trong thời gian tới, 62 xem xét việc kết hợp thông tin thu Kinect với thông tin người ảnh màu hai chiều, tận dụng lợi điểm phương pháp để thử nghiệm nhận dạng hình trạng người 63 TÀI LIỆU THAM KHẢO [1.] Arthur, D and S Vassilvitskii (2007) K-means++: the advantages of careful seeding Proceeding SODA '07 Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, USA [2.] Boulay, B., F Bremond, et al (2003) Human Posture Recognition in Video Sequence IEEE International Workshop on VS-PETS, Visual Surveillance and Performance Evaluation of Tracking and Surveillance [3.] Chella, A., H Dindo, et al (2006) People Tracking and Posture Recognition for Human-Robot Interaction International Workshop on Vision Based HumanRobot Interaction Palermo, Italy [4.] Constantin, D (2012) Mobile Plant Classification The faculty of Computer Science Institute for Anthropomatics [5.] Cortes, C and V Vapnik (1995) "Support Vector Networks." Journal Machine Learning 20(3): 273 - 297 [6.] Delamarre, Q and O Faugeras (1999) 3D articulated models and multi-view tracking with silhouettes IEEE International Conference on ComputerVision [7.] Goldmann, L., M Karaman, et al (2004) Human Body Posture Recognition Using MPEG-7 Descriptors Proceedings of the first ACM international workshop on Analysis and retrieval of tracked events and motion in imagery streams [8.] Haritaoglu, I., D Harwood, et al (1998) Ghost: A Human Body Part Labeling System Using Silhouettes International Conference on Pattern Recognition [9.] Harris, C and M S hens (1988) A combined corner and edge detector, Alvey Vision Conference [10.] Le, T.-L., M.-Q Nguyen, et al (2013) Human posture recognition using human skeleton provided by Kinect The International Conference of Computing, Management and Telecomunications 2013 Ho Chi Minh, Viet Nam [11.] Lindeberg, T (1990) "Scale-space for discrete signals." IEEE Transactions on Pattern Analysis and Machine Intelligence 12(3): 234 - 254 [12.] Lowe, D (1999) Object recognition from local scale-invariant features The International Conference on Computer Vision [13.] MacQueen, J (1967) Some Methods for classification and Analysis of Multivariate Observations Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability [14.] Mikolajczyk, K and C Schmid (2001) Indexing based on scale invariant interest points ICCV 2001 Eighth IEEE International Conference on Computer Vision 1: 525 - 531 64 [15.] Patsadu, O., C Nukoolkit, et al (2012) Human Gesture Recognition Using Kinect Camera Computer Science and Software Engineering (JCSSE), 2012 International Joint Conference Bangkok, Thailand [16.] Zhang, D and G Lu (2003) "Evaluation of MPEG-7 shape descriptors against other shape descriptors." Journal Multimedia Systems 9(1): 15-30 65 ... nghiên cứu phương pháp nhận dạng hình trạng người tồn giới từ đề xuất thử nghiệm phương pháp nhận dạng hình trạng người có khả nhận dạng bốn lớp hình trạng người ảnh người ? ?ứng, người ngồi, người. .. chung Một hình trạng người hiểu tư phần thể người như: tư đầu, tư bàn tay … toàn thể người Nhận dạng hình trạng người phát phân lớp hình trạng người vào lớp khác Bài tốn nhận dạng hình trạng người. .. nghiên cứu ứng dụng mà kết đem lại ứng dụng giám sát, ứng dụng điều khiển, ứng dụng phân tích hiểu hành vi người … Nghiên cứu đề tài nhằm mục đích thử nghiệm phương pháp nhận dạng hình trạng toàn