Ứng dụng mạng neuron nhận dạng đối tựợng trong chuỗi ảnh động

Đại Học Quốc Gia TP Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - HOÀNG MẠNH HÀ ỨNG DỤNG MẠNG NEURON NHẬN DẠNG ĐỐI TƯNG TRONG CHUỖI ẢNH ĐỘNG CHUYÊN NGÀNH : KỸ THUẬT VÔ TUYẾN VÀ ĐIỆN TỬ MÃ SỐ NGÀNH : 2.07.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, Tháng Năm 2004 Đại Học Quốc Gia TP Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - HOÀNG MẠNH HÀ ỨNG DỤNG MẠNG NEURON NHẬN DẠNG ĐỐI TƯNG TRONG CHUỖI ẢNH ĐỘNG CHUYÊN NGÀNH : KỸ THUẬT VÔ TUYẾN VÀ ĐIỆN TỬ MÃ SỐ NGÀNH : 2.07.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, Tháng Năm 2004 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : PGS.TS Vũ Đình Thành Cán chấm nhận xét : TS Hoàng Minh Trí Cán chấm nhận xét : TS Hoàng Đình Chiến Luận văn thạc só bảo vệ : HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày 16 tháng năm 2004 Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA ⎯⎯⎯⎯⎯⎯⎯⎯ CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập – Tự Do – Hạnh Phúc ⎯⎯⎯⎯⎯⎯⎯⎯ NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : Hoàng Mạnh Hà Phái : Nam Ngày, tháng, năm sinh : 27-7-1977 Nơi sinh : Ninh Bình Chuyên ngành : Kỹ thuật vô tuyến & điện tử Mã số : 2.07.01 I- TÊN ĐỀ TÀI : Ứng Dụng Mạng Neuron Nhận Dạng Đối Tượng Trong Chuỗi Ảnh Động II- NHIỆM VỤ VÀ NỘI DUNG: • Nghiên cứu phương pháp phân tích nhận dạng ảnh: phân đoạn ảnh, phép biến đổi hình học, việc mô tả đối tượng ảnh, lý thuyết việc nhận dạng, lý thuyết mạng neuron nhân tạo • Triển khai thực chương trình ứng dụng mạng neuron nhân tạo vào việc nhận dạng đối tượng chuỗi ảnh động III- NGÀY GIAO NHIỆM VỤ: IV- NGÀY HOÀN THÀNH NHIỆM VỤ: V- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: PGS.TS Vũ Đình Thành CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ NGÀNH Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày PHÒNG ĐÀO TẠO SĐH tháng năm 2004 KHOA QUẢN LÝ NGÀNH LỜI CẢM ƠN Tôi chân thành gửi lời cảm ơn đến thầy, cô trường đại học Bách Khoa TP Hồ Chí Minh nhiều năm qua tận tình truyền đạt cho kiến thức quý báu kinh nghiệm thiết thực để vận dụng sống, công việc việc nghiên cứu khoa học Đặc biệt, chân thành cảm ơn thầy PGS.TS Vũ Đình Thành tận tình hướng dẫn, khích lệ, động viên suốt trình thực luận văn tốt nghiệp Tôi xin cảm ơn ý kiến đóng góp bạn lớp VTĐT13 cho đề tài nghiên cứu TÓM TẮT Các nội dung thực đề tài bao gồm: • Nghiên cứu phương pháp phân tích nhận dạng ảnh như: việc phân đoạn ảnh, phép biến đổi hình học, việc mô tả đối tượng ảnh, lý thuyết việc nhận dạng, lý thuyết mạng neuron nhân tạo • Triển khai thực chương trình ứng dụng mạng neuron nhân tạo vào việc nhận dạng đối tượng chuỗi ảnh động Quá trình hoạt động hệ thống tóm tắt sau: Chuỗi ảnh với đối tượng chuyển động đưa vào hệ thống Từ chuỗi ảnh đó, hệ thống tìm lại ảnh (background) Từ ảnh tìm này, hệ thống thực việc phân đoạn để lấy đối tượng ảnh cần quan tâm Sau thực số phép biến đổi hình học, chuẩn hoá, Các đặc tính đối tượng ảnh trích đưa vào mạng neuron huấn luyện trước để nhận dạng cho kết cuối Thêm nữa, hệ thống huấn luyện tăng cường gặp mẫu có thay đổi so với mẫu huấn luyện trước Abstract The content of this thesis include of: • Research on image analytics methods and image recognition: image segmentation, morphology, image object description, theory of recognition and neural network • Perform a application program: use neuron network to recognize object from moving image sequence Performance process of recognition system: At first, background is found out from moving image sequence Next, the system extracts image objects in each image by segmentation Then, morphology of the image object is corrected Then, position, size and orientation of the object are normalized Then shape and color characteristic are extracted They are the input data of the trained neural network to recognize The neural network is reinforcedly trained if the system finds the object has modified shape MUÏC LUÏC trang Mở Đầu .3 Chương PHÂN ĐOẠN ẢNH VÀ CÁC PHÉP BIẾN ĐỔI HÌNH HỌC 1.1 PHÂN ĐOẠN ẢNH 1.1.1 Phân Đoạn Dựa Trên Đường Biên .7 Phương pháp watershed .8 1.1.2 Phaân Đoạn Dựa Trên Miền Mở Rộng miền Hợp miền Phaân chia mieàn 1.1.3 Phân Đoạn Dựa Trên Ngưỡng 10 1.1.4 Phân Đoạn Dựa Vào Chuyển Động 14 1.2 CÁC PHƯƠNG PHÁP XỬ LÝ HÌNH HỌC 18 1.2.1 Phép Nở Rộng Và Co Hẹp 19 1.2.2 Pheùp Mở Và Đóng 20 Chương MÔ TẢ ĐỐI TƯNG ẢNH VÀ NHẬN DẠNG 22 2.1 MÔ TẢ ĐỐI TƯNG ẢNH 22 2.1.1 Mô Tả Đường Nét 22 Signature 22 Mô tả chuỗi Fourier 23 Mã chuỗi xích (chain code) 25 2.1.2 Mô Tả Mieàn 27 Texture 27 Moment 28 2.2 NHẬN DẠNG 29 2.2.1 Mẫu-Lớp Mẫu 30 2.2.2 Phân Lớp 31 2.2.2.1 Phân lớp dựa vào khoảng cách nhỏ 32 2.2.2.2 Phân lớp theo phương pháp tìm kiếm khối 33 2.2.2.3 Phân lớp dựa vào công cụ xác suất thống kê 33 2.2.2.4 Phân lớp sử dụng mạng neuron 36 2.2.3 Nhận Dạng Theo Cấu Trúc 36 Phương pháp sử dụng mẫu tượng trưng 36 Phương pháp phân tích cú pháp 37 Chương MẠNG NEURON NHÂN TAÏO 38 3.1 GIỚI THIỆU 38 3.1.1 Bộ Não Con Người Và Neuron Sinh Hoïc 39 3.1.2 So Sánh Khả Năng Làm Việc Của Bộ Não Người Và Máy Tính 41 3.2 MẠNG NEURON NHÂN TẠO 43 3.2.1 Mô Hình Neuron Nhân Tạo 43 3.2.2 Mạng Neuron Nhân Tạo 45 3.2.2.1 Maïng Perceptron 49 3.2.2.2 Maïng Lan truyeàn 50 3.2.2.3 Maïng Kohonen 53 3.2.2.4 Maïng Hopfield 56 3.2.3 Một Số Vấn Đề Liên Quan Đến Mạng Neuron Nhân Tạo 57 • Khả tính toán biểu diễn liệu mạng neuron 57 • Việc xác định cấu trúc mạng tối ưu 57 • Số lượng mẫu huấn luyện mạng 57 • Quá khớp 58 Chương THỰC HIỆN CHƯƠNG TRÌNH 59 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Tìm AÛnh Neàn 61 Phân Đoạn 63 Xử Lý Hình Hoïc 65 Chuẩn Hoá 67 Trích Đặc Tính Màu Saéc 69 Trích Đặc Tính Hình Dạng 72 Maïng Neuron 76 • Cấu trúc maïng neuron 77 • Huấn luyện mạng neuron 77 4.8 Quyết Định Kết Quả, Thống Kê Số Lượng Đối Tượng Và Quyết Định Huấn Luyện Tăng Cường Cho Mạng Neuron 83 4.9 Sử Dụng Thêm Một Đặc Tính Khác Để Tăng Số Lớp Mẫu 84 Chương KẾT QUẢ VÀ NHẬN XÉT 88 5.1 KEÁT QUẢ VÀ NHẬN XÉT 88 5.1.1 Chương Trình Nhận Dạng Sử Dụng Đặc Tính Signature Và Đặc Tính Màu Sắc 88 5.1.2 Sử Dụng Ma Trận Đặc Tính Trong Chương Trình Nhận Dạng 95 5.2 HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 100 Trang MỞ ĐẦU Ngày nay, nhằm mục đích giải phóng người, nhà khoa học cố gắng tạo cỗ máy có khả bình thường người như: khả hai chân, khả “nghe”, khả “nhìn”,… Nói có nghóa cho dù ngày siêu máy tính thực hàng tỉ phép tính giây, cỗ máy có khả giống khả người nhà khoa học cần phải có khoảng thời gian (có thể dài) Một yếu tố làm cho người có khả nhờ vào chế xử lý song song mạng neuron thần kinh Thấy tính ưu việt này, nhiều mô hình mô chế hoạt động mạng neuron thần kinh đề xuất chúng có nhiều ứng dụng vớiù kết khả quan Các mô hình mô theo mạng neuron thần kinh hay gọi mạng neuron nhân tạo có nhiều ứng dụng Một ứng dụng cho kết tốt ứng dụng mạng neuron nhân tạo vào việc nhận dạng Tổng quát nói rằng, nhận dạng trình “hiểu” thông tin mà vật tượng môi trường cung cấp đến “giác quan” Tuy nhiên, để “hiểu” thông tin mà môi trường cung cấp, chủ thể trình nhận dạng cần phải có sở “tri thức” định, hay nói cách khác phải huấn luyện trước với “mẫu” thông tin vật tượng Từ đó, đánh giá mức độ tương đồng thông tin nhận từ môi trường với thông tin huấn luyện trước để “nhận ra” thông tin gì, HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 92 chuỗi ảnh Đối tượng có hình dạng bị thay đổi (ben chưa hạ xuống) so với mẫu huấn luyện Hình 5.2 mẫu có hình dạng bị thay đổi Khi đó, kết nhận dạng thu ngõ mạng neuron sau: Ở có ghi chú: chương trình này, để đảm bảo kết nhận dạng xác, chuỗi signature trích từ đối tượng đưa vào mạng dạng: chuỗi signature không bị đảo chiều chuỗi signature bị đảo chiều Đối với chuỗi signature không bị đảo chiều: Ngõ mạng neuron Kết mong muốn (t) 0 0 0 Kết (a) 0.9900 0.0000 0.0000 0.0002 0.0013 0.0000 0.2937 Tổng trị tuyệt đối sai số: ∑a i =1 HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà i Tên tương ứng Xe Xe Xe Xe Xe Xe Xe − t i = 0.3052 Ben RoMooc Bê Tông Buyt Hơi Đua Hàng Trang 93 Đối với chuỗi signature bị đảo chiều: Ngõ maïng neuron Kết mong muốn (t) 0 0 0 Kết (a) 0.9046 0.0000 0.0000 0.0000 0.0029 0.0000 0.7777 Tổng trị tuyệt đối sai số: ∑a i =1 i Tên tương ứng Xe Xe Xe Xe Xe Xe Xe Ben RoMooc Bê Tông Buyt Hơi Đua Hàng − t i = 0.8760 Theo kết này, ta thấy tổng trị tuyệt đối sai số lớn Tuy nhiên, với kết đối tượng nhận dạng, loại “Xe Ben” Nếu đối tượng tồn ảnh liên tiếp chuỗi ảnh hệ thống huấn luyện tăng cường với mẫu Phần trình bày đồ thị hội tụ trình huấn luyện Quá trình huấn luyện tăng cường thực nhanh, cần hệ 10 Training-Blue Goal-Black 10 10 10 10 Performance is 0.00850099, Goal is 0.01 -1 -2 -3 Epochs Hình 5.3 trình huấn luyện tăng cường HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 94 Sau hệ thống huấn luyện tăng cường, mẫu xuất lần chuỗi ảnh kết việc nhận dạng sau: Ngõ mạng neuron Kết chuỗi signature không đảo (a) 0.9960 0.0000 0.0000 0.0001 0.0033 0.0000 0.0181 Kết chuỗi signature có đảo (a) 0.9912 0.0000 0.0000 0.0000 0.0078 0.0000 0.0682 Kết mong muốn (t) 0 0 0 Tên tương öùng Xe Xe Xe Xe Xe Xe Xe Ben RoMooc Bê Tông Buyt Hơi Đua Hàng Theo kết này, ta thấy tổng trị tuyệt đối sai số giảm đáng kể Cụ thể, tổng trị tuyệt đối sai số chuỗi signature không đảo: ∑ − t i = 0.0255 , tổng trị tuyệt đối sai số chuỗi i =1 signature có ñaûo: ∑ − t i = 0.0848 i =1 Về tốc độ xử lý: tốc độ xử lý nhận dạng chương trình khoảng từ đến giây/frame tùy thuộc vào số đối tượng frame diện tích đối tượng Tốc độ đo chạy chương trình máy tính có vi xử lý celeron 850MHz, tốc độ bus 100MHz kích thước frame 120 × 160 Tuy có kết nhận dạng tốt nêu trên, hệ thống nhận dạng số giới hạn sau đây: HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 95 - Hệ thống làm việc xác cảnh (background) cố định có thay đổi nhỏ - Việc nhận dạng dựa vào đặc tính signature màu sắc, thông tin cấu trúc bên đối tượng chưa thể rõ Từ dẫn tới việc số lớp mẫu bị giới hạn - Hệ thống không tách biệt đối tượng chúng chồng lấp lên background đối tượng có màu sắc giống - Điều kiện chiếu sáng thay đổi nhiều có ảnh hưởng đến đặc tính màu sắc, đặc tính hình dạng bị ảnh hưởng góc độ chiếu sáng làm cho bóng đối tượng rõ Hệ thống hoạt động tốt khoảng định điều kiện chiếu sáng bao gồm hai mặt cường độ chiếu sáng góc độ chiếu sáng 5.1.2 Sử Dụng Ma Trận Đặc Tính Trong Chương Trình Nhận Dạng Trong trường hợp sử dụng ma trận đặc tính chương trình nhận dạng, đề cập phần chương 4, ma trận đặc tính mô tả đối tượng cách đầy đủ so với việc sử dụng signature, số lớp mẫu gia tăng Cụ thể, việc huấn luyện mạng neuron thực với 17 vật mẫu, vật mẫu chụp góc độ khác nhau, kết hợp với việc đảo chiều ảnh sinh 17 × × = 170 mẫu Ngoài ra, việc huấn luyện mạng thực với ma trận đặc tính mẫu cộng thêm nhiễu HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 96 Hình 5.4 ảnh 17 vật mẫu HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 97 Mạng neuron có cấu trúc: - Số ngõ vào : 35 × 35 = 1225 - Số ngõ : 17 với số lớp mẫu - Số neuron lớp ẩn : 17 - Hàm truyền : logsig Hình thể việc huấn luyện mạng neuron với 170 mẫu nguyên thủy sau kết hợp mẫu nguyên thủy với mẫu có nhiễu với mức nhiễu 20% Performance is 0.0099583, Goal is 0.01 Performance is 0.00966894, Goal is 0.01 10 10 Training-Blue Goal-Black Training-Blue Goal-Black 10 10 -1 10 -1 10 -2 10 -2 10 -3 -3 10 100 200 300 400 500 861 Epochs 600 700 (a) 800 10 20 40 60 80 100 120 193 Epochs 140 160 180 (b) Hình 5.5 trình huấn luyện mạng neuron (a): huấn luyện với 170 mẫu nguyên thủy (b): huấn luyện với mẫu nguyên thủy mẫu có nhiễu Sau huấn luyện xong, mạng neuron kiểm tra với mẫu cộng thêm nhiễu với mức nhiễu tăng dần từ 0% đến 100% Đồ thị biểu thị tỉ lệ phần trăm mẫu nhận dạng sai theo mức nhiễu HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 98 % 100 90 80 70 60 50 40 30 20 10 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Mức nhiễu Hình 5.6 tỉ lệ mẫu nhận dạng sai theo mức nhiễu Việc nhận dạng thử nghiệm số ảnh ảnh vật mẫu chụp tư điều kiện chiếu sáng khác số kết quả: (1) (2) (3) (a) (b) (c) Hình 5.7 số kết (a): ảnh mẫu huấn luyện (b): ảnh đối tượng cần nhận dạng (c): ảnh đối tượng chuẩn hoá (1): kết nhận dạng cho dù đối tượng bị xoay (2): kết nhận dạng sai cường độ sáng khác so với ảnh mẫu (3): kết nhận dạng sai đối tượng tư mà hệ thống chưa học HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 99 Từ kết nêu ta thấy: việc huấn luyện mạng neuron thực với số lớp mẫu gia tăng đáng kể so với trường hợp sử dụng signature Kết việc nhận dạng không bị ảnh hưởng vị trí chiều hướng đối tượng ảnh Việc nhận dạng với mẫu có điều kiện chiếu sáng gần với mẫu học kết nhận dạng xác Tuy nhiên, cường độ sáng ảnh đối tượng thay đổi nhiều so với ảnh mẫu huấn luyện trước ảnh hưởng đến kết nhận dạng Và đối tượng có tư khác biệt so với ảnh mẫu huấn luyện trước làm cho kết nhận dạng không xác Từ ‘tư thế’ có nghóa góc độ thu nhận ảnh không gian chiều, việc xoay ảnh túy, việc chuẩn hoá chiều hướng tác dụng HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 100 5.2 HƯỚNG PHÁT TRIỂN ĐỀ TÀI Để khắc phục giới hạn nêu sử dụng số giải pháp sau đây: Để gia tăng số lớp mẫu, đặc tính signature ma trận đặc tính, hệ thống nhận dạng cần sử dụng thêm số đặc tính khác để mô tả đối tượng xác sử dụng kết hợp nhiều đặc tính Sau số đề xuất: • Sử Dụng Đặc Tính Moment x ( xi , y i ) y Hình 5.8 minh họa việc dọc theo đường bao để có chuỗi giá trị moment Tại điểm ( xi , y i ) đường bao đối tượng, moment bậc theo trục x y tính theo biểu thức: Mxi = ∑∑ ( y − y i ) bw( x, y ) x y My i = ∑∑ ( x − xi ) bw( x, y ) x Moment toång: (5.1) y M i = Mxi + Myi Ở đây, bw( x, y ) ảnh chứa đường biên đối tượng chuẩn hóa vị trí, chiếu hướng Việc dùng ảnh biên đối tượng có lý do: Lý thứ vừa chứa đựng thông tin hình dạng thông tin kết cấu cạnh HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 101 bên đối tượng Lý thứ việc dùng ảnh cạnh, biên bị ảnh hưởng điều kiện chiếu sáng việc dùng trực tiếp ảnh mức xám hay ảnh RGB đối tượng Hình minh họa chuỗi moment tổng M i vài ảnh biên của đối tượng 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 50 100 150 50 100 150 50 100 150 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.9 0.8 0.7 0.6 0.5 0.4 0.3 (a) (b) Hình 5.9 minh họa đặc tính moment đối tượng (a): Ảnh với cạnh, biên đối tượng (b): Chuỗi Moment bậc M i tương ứng • Sử Dụng Các Phép Biến Đổi Ảnh Phép biến đổi wavelet sử dụng việc trích đặc tính ảnh đối tượng Phép biến đổi wavelet có tính nén liệu Kích thước chiều ma trận hệ số xấp xỉ hệ số chi tiết phép biến đổi wavelet giảm nửa so với kích thước ảnh Hơn phép biến đổi wavelet bảo toàn thông tin HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 102 không gian Như vậy, việc trích đặc tính đối tượng ảnh thông qua biến đổi wavelet phù hợp Ngoài phép biến đổi ảnh khác như: Fourier, Gabor… sử dụng (a) (b) (c) Hình 5.10 biến đổi wavelet với hàm wavelet db3 (a): ảnh đối tượng (size: 332x170) (b): trị tuyệt đối hệ số xấp xỉ (size 168x87) (c): trị tuyệt đối hệ số chi tiết (size 168x87) HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà Trang 103 Ngoài vấn đề thêm đặc tính đối tượng làm cho việc nhận dạng xác gia tăng số lớp mẫu Các vấn đề phân tách đối tượng bị chồng lên nhau, màu đối tượng background trùng nhau, ảnh hưởng bóng; giải cách sử dụng phương pháp tương quan, việc tìm trùng khớp mẫu đối tượng ảnh Việc thực cách thiết lập hàm tương quan ảnh mẫu w( x, y ) ảnh xét f ( x, y ) : c( s, t ) = ∑∑ f ( x, y ) w( x − s, y − t ) x (5.2) y thiết lập hệ số tương quan: γ ( s, t ) = ∑∑ [ f ( x, y) − f ( x, y)][w( x − s, y − t ) − w ] x y 1/ ⎧ ⎫ 2 ⎨∑∑ [ f ( x, y ) − f ( x, y )] ∑∑ [ w( x − s, y − t ) − w ] ⎬ x y ⎩ x y ⎭ (5.3) với w trị trung bình w( x, y ) , f ( x, y ) trị trung bình f ( x, y ) Việc hình dung việc chập cửa sổ trượt w( x, y ) chứa ảnh mẫu lên ảnh f ( x, y ) để tìm đối tượng ảnh: x s t ( s, t ) w( x − s, y − t ) f ( x, y ) y Hình 5.11 việc trượt cửa sổ tìm đối tượng lên ảnh HD : PGS.TS Vũ Đình Thành TH : Hoàng Mạnh Hà TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] Xử lý ảnh số PGS.TSKH Nguyễn Kim Sách Phân tích đặc điểm đối tượng ảnh Đỗ Hồng Tuấn Giải thuật di truyền xử lý ảnh Nguyễn Đức Chí Nhận dạng số loại nhiễu ảnh Nguyễn Đức Hoàng Nhận dạng chữ viết Đậu Trọng Hiển Nghiên cứu ứng dụng mạng neuron nhận dạng tiếng việt Lê Thị Kim Anh Xác nhận chữ ký trực tuyến Lê Anh Hào Áùp dụng mạng neuron kỹ thuật xử lý ảnh Nguyễn Quang Thi Digital Image Processing Rafael C Gonzalez, Richard E Woods Feature extraction, image segmentation, And surface fitting: the development of a 3D scene reconstruction system Eric D Lester Hand Gesture Recognition Using Neural Networks Klimis Symeonidis Model-based Segmentation of 4D MR Images of the Heart Wolfgang Sörgel [13] [14] [15] Object Extraction From Infrared Images Anupam Garg Pattern recognition and complex systems Dirk Van Dyck Segmentation of medical image volumes Claes Lundström [16] [17] [18] [19] Shared weights neural networks in image analysis D de Ridder Vision Techniques and Autonomous Navigation for an Unmanned Mobile Robot Jin Cao Learning to Recognize Human Action Sequences Chen Yu and Dana H Ballard Discovering and learning to recognize objects Paul Fitzpatrick [20] [21] [22] [23] [24] The “feature CMAC”: A neuron network based vision system for robotic control J Carusone and G.M.T D’Eleuterio A neuron network based artificial vision system for licence plate recognition Sorin Draghici Knowledge-based Training of Artificial Neuron Networks for Autonomous Robot Driving A Pomerleau Real Time Object Recognition for Teaching Neuron Networks Fitratullah Khan and Alberto Cervanta” Object recognition in robot foodball using a one dimensional image Hatice Köse and H Levent Akin [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] 2D-object recognition with spiral architecture Xiangjian He View based 3D object recognition Chan Wai Keong Spin-Images: A Representation for 3-D Surface Matching Andrew Edie Johnson Unsupervised Statistical Models For General Object Recognition Peter Carbonetto Discriminative Techniques For Bottom-Up Object Recognition Owen Carmichael Soft Detection of Features for Unsupervised Object Recognition R White Effcient Graph-Based Image Segmentation Pedro F Felzenszwalb Pictorial Structures for Object Recognition Pedro F Felzenszwalb Learning Models for Object Recognition Pedro F Felzenszwalb Representation and Detection of Shapes in Images Pedro F Felzenszwalb Representation and Detection of Deformable Shapes Pedro F Felzenszwalb Matlab Image Processing Toolbox Matlab Neural Network Toolbox Lý Lịch Trích Ngang Họ Và Tên : Hoàng Mạnh Hà Ngày, tháng, năm sinh: 27-7-1977 Nơi sinh : Ninh Bình Địa liện lạc: 83/1 kp1, phường Phú Mỹ, Q7, TP.HCM QUÁ TRÌNH ĐÀO TẠO: Từ năm 1995 đến 2000: học đại học ngành Điện - Điện tử trường đại học Bách Khoa TP.HCM Từ năm 2002 đến 2004: học cao học ngành Kỹ Thuận Vô Tuyến & Điện Tử trường đại học Bách Khoa TP.HCM QUÁ TRÌNH CÔNG TÁC: Từ năm 2000 đến 2002: giảng dạy trường THKT & NV Nguyễn Hữu Cảnh ... : Ứng Dụng Mạng Neuron Nhận Dạng Đối Tượng Trong Chuỗi Ảnh Động II- NHIỆM VỤ VÀ NỘI DUNG: • Nghiên cứu phương pháp phân tích nhận dạng ảnh: phân đoạn ảnh, phép biến đổi hình học, việc mô tả đối. .. mô tả đối tượng ảnh, lý thuyết việc nhận dạng, lý thuyết mạng neuron nhân tạo • Triển khai thực chương trình ứng dụng mạng neuron nhân tạo vào việc nhận dạng đối tượng chuỗi ảnh động III- NGÀY... mạng neuron nhân tạo vào việc nhận dạng đối tượng chuỗi ảnh động Quá trình hoạt động hệ thống tóm tắt sau: Chuỗi ảnh với đối tượng chuyển động đưa vào hệ thống Từ chuỗi ảnh đó, hệ thống tìm lại ảnh