Phát hiện chuyển động dùng mạng neural hopfield

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA TPHCM LÊ NGỌC THIÊN PHÁT HIỆN CHUYỂN ĐỘNG DÙNG MẠNG NEURAL HOPFIELD CHUYÊN NGÀNH: KỸ THUẬT ĐIỆN TỬ LUẬN VĂN THẠC SĨ TP.HỒ CHÍ MINH, tháng 07 năm 2008 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : PGS TS DƯƠNG HOÀI NGHĨA (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm 2008 TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM PHÒNG ĐÀO TẠO SĐH ĐỘC LẬP – TỰ DO – HẠNH PHÚC Tp HCM, ngày 16 tháng 07 năm 2007 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: LÊ NGỌC THIÊN Phái: Nam Ngày, tháng, năm sinh: 12/06/1983 Nơi sinh: Phú Yên Chuyên ngành: Kỹ thuật điện tử MSHV: 01406329 I- TÊN ĐỀ TÀI: PHÁT HIỆN CHUYỂN ĐỘNG DÙNG MẠNG NEURAL HOPFIELD II- NHIỆM VỤ VÀ NỘI DUNG - Trình bày q trình phân tích chuyển động người máy tính - Trình bày ứng dụng mạng neural Hopfield phát chuyển động - Xây dựng giải thuật phát chuyển động dựa vào mạng Hopfield - Đánh giá kết phát hiện, nhận dạng theo dõi đối tượng dùng mạng Hopfield so với dùng phương pháp khác III- NGÀY GIAO NHIỆM VỤ: 16/07/2007 IV- NGÀY HOÀN THÀNH NHIỆM VỤ: 01/07/2008 V- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: PGS TS DƯƠNG HỒI NGHĨA CÁN BỘ HƯỚNG DẪN CN BỘ MƠN (Học hàm, học vị, họ tên chữ ký) QL CHUYÊN NGÀNH Nội dung đề cương luận văn thạc sĩ Hội đồng chuyên ngành thông qua Ngày……tháng 07 năm 2008 TRƯỞNG PHÒNG ĐT-SĐH TRƯỞNG KHOA QL CHUYÊN NGÀNH Lời cám ơn Con xin cảm ơn cha mẹ kính yêu lo lắng, hỗ trợ cho suốt thời gian từ lúc học Đại Học học Cao Học Xin chân thành cảm ơn Thầy Dương Hồi Nghĩa tận tình bảo, truyền đạt kinh nghiệm kiến thức quý báu suốt trình thực luận văn vừa qua Xin gởi lời cảm ơn đến tất anh chị bạn bè lớp CH Kỹ Thuật Điện Tử Khóa 2006 quan tâm giúp đỡ suốt hai năm học Cảm ơn tất cả! TĨM TẮT LUẬN VĂN Luận văn trình bày ứng dụng mạng neural Hopfield để giải vấn đề phát đối tượng chuyển động ảnh Nhược điểm phương pháp phát trước định pixel thuộc cảnh tĩnh hay thuộc đối tượng chuyển động phụ thuộc vào thông tin pixel mà không xét đến quan hệ với pixel lân cận Mơ hình phát chuyển động dùng mạng Hopfield khắc phục nhược điểm cách xét đến mối quan hệ pixel với pixel lân cận Luận văn trình bày mơ hình để theo dõi người chuyển động chuỗi ảnh dựa vào kỉ thuật thống kê mơ hình màu đối tượng Luận văn gồm có sáu chương Chương I giới thiệu chung Chương II giới thiệu vấn đề phân tích chuyển động người Chương III giới thiệu số phương pháp phát đối tượng chuyển động ưu nhược điểm chúng Chương IV trình bày ứng dụng mạng Hopfield để giải vấn đề phát chuyển động Chương V trình bày cách phân đoạn, loại bỏ bóng mơ hình màu đối tượng Chương VI kết luận hướng phát triển đề tài ABSTRACT This thesis presents the application of Hopfield neural network to detecting moving objects problem The main drawback of some existed approachs is the labeling of a pixel as changed or unchanged according to its own information, where its neighbors pixels information is ignored The Hopfield model overcomes this drawback by take into accounts the information of the neighbors pixels This thesis also presents a model to tracking moving people in images by using color histogram technique The thesis is organized as follows Chapter I is introduction Chapter II is a rewiev of Human Motion Analysis Chapter III is about the detecting moving object problems, some known techniques and the drawback of them Chapter IV is the application of Hopfield network to solving detecting moving problem Chapter V is how to segment moving objects, ignore moving shadow and build color model of detected people Chapter is conclusion Mục lục Trang CÁC THUẬT NGỮ TRONG LUẬN VĂN i Chương GIỚI THIỆU CHUNG .1 1.1 LÝ DO CHỌN ĐỀ TÀI 1.2 MỤC ĐÍCH NGHIÊN CỨU .1 1.3 ĐỐI TƯỢNG NGHIÊN CỨU 1.4 BỐ CỤC ĐỀ TÀI 1.5 Ý NGHĨA ĐỀ TÀI Chương TỔNG QUAN VỀ PHÂN TÍCH CHUYỂN ĐỘNG NGƯỜI 2.1 GIỚI THIỆU .3 2.2 NHỮNG ỨNG DỤNG CỦA HMA 2.2.1 Hệ thống giám sát 2.2.2 Chẩn đoán nhận dạng dựa vào chuyển động 2.3 PHÁT HIỆN CHUYỂN ĐỘNG (DETECTION) .5 2.3.1 Phân tách vùng chuyển động .5 2.3.2 Phân loại đối tượng 2.4 THEO DÕI ĐỐI TƯỢNG 11 2.4.1 Theo dõi đối tượng dựa vào mơ hình .12 2.4.2 Theo dõi dựa theo vùng .14 2.4.3 Theo dõi dùng đường viền tích cực 15 2.4.4 Theo dõi dựa vào đặc tính 16 2.5 NHẬN DẠNG HÀNH ĐỘNG 17 2.5.1 Nguyên tắc nhận dạng 17 2.5.2 Nhận dạng hành động 19 2.5.3 Diễn tả hành động từ ngữ 21 2.6 NHỮNG VẤN ĐỀ CẦN GIẢI QUYẾT 22 2.6.1 Quá trình phân tách 22 2.6.2 Xử lý che lấp đối tượng .22 2.6.3 Theo dõi dùng mơ hình 3D 23 2.6.4 Sử dụng hệ thống nhiều camera .23 2.6.5 Nhận dạng hành động 23 2.6.6 Đánh giá hiệu hệ thống xử lý 24 Chương GIẢI THUẬT PHÁT HIỆN CHUYỂN ĐỘNG 25 3.1 GIỚI THIỆU .25 3.2 MƠ HÌNH CẢNH NỀN 25 3.2.1 Giới thiệu chung 25 3.2.2 Lựa chọn đặc tính ảnh 26 3.2.3 Các mơ hình cảnh 30 3.3 MƠ HÌNH ẢNH SAI BIỆT 34 3.3.1 Giới thiệu chung 34 3.3.2 Mơ hình kiểm định giả thuyết 35 3.3.3 Mơ hình tiên đốn 35 3.3.4 Mơ hình bóng 36 3.4 ĐÁNH GIÁ CÁC PHƯƠNG PHÁP 38 3.4.1 Ảnh hưởng thuộc tính ảnh 38 3.4.2 So sánh mơ hình cảnh với mơ hình ảnh sai biệt 42 Chương MẠNG HOPFIELD VÀ ỨNG DỤNG 43 4.1 GIỚI THIỆU MẠNG HOPFIELD 43 4.2 HÀM TÍNH NĂNG LƯỢNG MẠNG HOPFIELD 45 4.3 ỨNG DỤNG MẠNG HOPFIELD TRONG PHÁT HIỆN CHUYỂN ĐỘNG 45 4.3.1 Giới thiệu giải thuật 45 4.3.2 Ứng dụng giải thuật vào trình phát chuyển động 46 4.3.3 Gán trọng số liên kết ngõ vào bên ngồi vào hàm tính lượng .50 4.3.4 Tóm tắt giải thuật .51 4.4 KẾT QUẢ ÁP DỤNG MẠNG HOPFIELD 52 4.4.1 Áp dụng mạng Hopfield vào mơ hình cảnh 52 4.4.2 Áp dụng mạng Hopfield vào phương pháp ảnh sai biệt 53 4.4.3 Thời gian tối ưu mạng Hopfield 54 Chương PHÂN TÍCH ĐỐI TƯỢNG CHUYỂN ĐỘNG 56 5.1 GIỚI THIỆU CHUNG 56 5.2 PHÂN ĐOẠN VÀ LỰA CHỌN ĐỐI TƯỢNG .56 5.2.1 Biểu đồ thống kê theo chiều ngang (Horizontal projection histogram) 57 5.2.2 Biểu đồ thống kê theo chiều dọc (Vertical projection histogram) .58 5.3 THEO DÕI ĐỐI TƯỢNG CHUYỂN ĐỘNG 60 5.3.1 Giới thiệu 60 5.3.2 Theo dõi dựa vào thông tin không gian .61 5.3.3 Theo dõi dùng mơ hình màu 63 5.3.4 Kỹ thuật so sánh mẫu (Template matching) 65 Chương KẾT QUẢ NGHIÊN CỨU VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI .66 6.1 GIỚI THIỆU .66 6.2 CÁC CHƯƠNG TRÌNH PHÁT HIỆN CHUYỂN ĐỘNG 66 6.2.1 Chương trình phát chuyển động dùng mạng Hopfield 67 6.2.2 Chương trình theo dõi đối tượng dùng mơ hình cảnh .69 6.3 CÁC KẾT QUẢ NGHIÊN CỨU 71 6.3.1 Phát chuyển động file video thu sẵn 71 6.3.2 So sánh với phương pháp phát chuyển động khác 72 6.3.3 Kết theo dõi đối tượng chuyển động 73 6.4 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 75 TÀI LIỆU THAM KHẢO CÁC THUẬT NGỮ TRONG LUẬN VĂN Cảnh (Background): Trong lĩnh vực phân tích ảnh động, cảnh ảnh vật thể khơng thay đổi vị trí qua frame ảnh liên tiếp Cảnh gồm ảnh cối, đường xá, trường học, bãi đỗ xe,…Riêng trường hợp dao động coi cảnh chuyển động phải loại bỏ phát đối tượng chuyển động Mơ hình cảnh (Background model): Là phương pháp xây dựng ảnh để phát đối tượng chuyển động Ảnh chứa đối tượng chuyển động đem trừ cho cảnh để tách đối tượng chuyển động Ảnh xây dựng từ ảnh xám, ảnh màu R,G,B, ảnh gradient,… Tiền cảnh (Foreground): dùng đối tượng chuyển động nói chung cần phát ảnh Ảnh sai biệt, ảnh vi sai (Difference Image): Là ảnh thu cách từ hai nhiều ảnh liên tiếp cho Ảnh sai biệt thường sử dụng làm sở để phân loại pixel thuộc cảnh tĩnh thuộc đối tượng chuyển động dựa vào so sánh độ xám, tính histogram,… Blobs: Sau so sánh phát chuyển động ta thường thu ảnh nhị phân với pixel =1 thể đối tượng chuyển động, pixel = thể cảnh tĩnh Tập hợp pixel = biểu diễn phần chuyển động đối tượng gọi blobs - Trang - Chương GIỚI THIỆU CHUNG 1.1 LÝ DO CHỌN ĐỀ TÀI Phân tích vật thể chuyển động chuỗi ảnh động lĩnh vực nghiên cứu quan trọng xử lý ảnh Những thành tựu nghiên cứu từ lĩnh vực ứng dụng nhiều sống hệ thống phân tích ảnh chụp từ vệ tinh, hệ thống giám sát theo dõi qua hình ảnh dùng camera, hệ thống thị giác cho robot di động,…Các phương pháp dùng để phân tích chuyển động đối tượng phong phú đa dạng dùng phương pháp thống kê, mơ hình Markov ẩn, lọc Kalman,…Trong phương pháp sử dụng mạng neural phân tích chuyển động hướng nghiên cứu nhiều tiềm Với mong muốn tìm hiểu sâu lĩnh vực mẻ Việt Nam, người nghiên cứu chọn đề tài “Phát chuyển động dùng mạng Neural Hopfield” làm đề tài tốt nghiệp bậc Thạc Sĩ 1.2 MỤC ĐÍCH NGHIÊN CỨU Thơng qua đề tài này, người nghiên cứu muốn tìm hiểu trình cần thiết để phát hiện, nhận dạng đối tượng chuyển động theo dõi nhận dạng hành động đối tượng qua chuỗi ảnh động, phương pháp phổ biến để thực nhiệm vụ Đồng thời, người nghiên cứu muốn ứng dụng ưu điểm mạng neural, cụ thể mạng Hopfield vào phát đối tượng chuyển động so sánh với số phương pháp khác 1.3 ĐỐI TƯỢNG NGHIÊN CỨU Riêng lĩnh vực phân tích đối tượng chuyển động chia làm nhiều lĩnh vực nhỏ khác phân tích ảnh màu, ảnh hồng ngoại, ảnh thu từ camera di động, qua hệ thống camera,…Người nghiên cứu chọn hướng phân tích đối tượng chuyển động dựa vào ảnh màu thu từ camera đặt cố định Chương Giới thiệu chung - Trang 66 - Chương KẾT QUẢ NGHIÊN CỨU VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 6.1 GIỚI THIỆU Các giải thuật phát phân tích đối tượng chuyển động người nghiên cứu thực phần mềm Matlab R2006b Nhược điểm Matlab khả chạy ứng dụng thời gian thực nhiên công cụ xử lý ảnh hỗ trợ tốt Để khắc phục nhược điểm thời gian thực xử lý ảnh mạng Hopfield đề cập chương 4, ảnh quan sát thay xử lý trực tiếp từ camera ghi lại thành file ảnh liên tiếp Ảnh phát đối tượng chuyển động ghi lại thành file video avi để thuận tiện theo dõi Phần cứng hệ thống gồm camera đặt cố định vùng cần theo dõi Camera nối với laptop, cấu hình Celeron 1.5 GHz, hệ điều hành Window XP Các ảnh thu trực tiếp từ camera thiết lập độ phân giải cố định 240 x 320 pixels Các chương trình phát chuyển động theo dõi đối tượng chuyển động trình bày phần 6.2 Các kết thí nghiệm phát chuyển động trình bày phần 6.3 Phần 6.4 đưa số hướng nghiên cứu phát triển từ đề tài 6.2 CÁC CHƯƠNG TRÌNH PHÁT HIỆN CHUYỂN ĐỘNG Đối với giải thuật phát chuyển đông dùng mạng neural Hopfield, bị ảnh hưởng yếu tố thời gian tính tốn nên người nghiên cứu xây dựng chương trình xử lý dựa file ảnh ngõ vào thu sẵn mà không xử lý trực tiếp ảnh từ camera Hơn nữa, ảnh kết phát chuyển động lưu lại, thuận tiện để so sánh kết với phương pháp khác Để đánh giá hiệu theo dõi đối tượng dùng mơ hình màu, phần 6.2.3 người nghiên cứu xây dựng chương trình theo dõi chuyển động trực tiếp từ camera dùng phương pháp thống kê Chương Kết nghiên cứu hướng phát triển đề tài - Trang 67 - độ xám gradient để tạo mơ hình Hình ảnh theo dõi đối tượng thể giao diện chương trình 6.2.1 Chương trình phát chuyển động dùng mạng Hopfield Lưu đồ chương trình phát chuyển động dùng mạng Hopfield biểu diễn hình 6.1 Chương trình viết thành M-file test1.m, với ngõ vào khai báo folder chứa ảnh cần phát chuyển động Khi vào vòng lặp, ảnh xử lý phát chuyển động dùng mạng Hopfield chương Để dễ theo dõi, kết thúc vòng lặp ảnh kết ghi lại thành file video avi Hình 6.1 Lưu đồ chương trình phát chuyển động dùng mạng Hopfield Để so sánh kết phát chuyển động dùng mạng Hopfield, ta dùng hai mơ hình phát chuyển động dùng mơ hình dùng dịng quang học (optical Chương Kết nghiên cứu hướng phát triển đề tài - Trang 68 - flow) có sẵn chương trình Matlab Hai mơ hình xây dựng Simulink hình 6.2 hình 6.3 Hình 6.2 Mơ hình phát xe dùng ước lượng cảnh Hình 6.3 Mơ hình phát xe dùng optical flow Mặc dù mục đích mơ hình dùng phát ô tô xa lộ ta hồn tồn thay video chứa đối tượng chuyển động khác thu từ camera vào xử lý Kết so sánh phát chuyển động dùng mạng Hopfield với hai mơ hình trình bày phần sau Chương Kết nghiên cứu hướng phát triển đề tài - Trang 69 - 6.2.2 Chương trình theo dõi đối tượng dùng mơ hình cảnh Chương trình theo dõi đối tượng dùng mơ hình cảnh xử lý ảnh trực tiếp thu từ camera Chương trình biểu diễn hình 6.4, gồm hai pha: pha A làm nhiệm vụ tạo cảnh ban đầu pha B theo dõi đối tượng chuyển động dựa vào cảnh vừa tạo pha A Cảnh xây dựng dựa vào độ xám giá trị gradient ảnh xám Các ảnh vi sai (là ảnh liên tiếp trừ cho nhau) dùng để thống kê giá trị trung bình độ lệch pixel, dùng cho tính phân bố xác suất pha B Cảnh giá trị trung vị ảnh ngõ vào pha A Hình 6.4 Chương trình theo dõi chuyển động dùng mơ hình cảnh Chương Kết nghiên cứu hướng phát triển đề tài - Trang 70 - Để dễ dàng theo dõi kết theo dõi đối tượng điều chỉnh tham số đối tượng cần phát hiện, người nghiên cứu xây dựng giao diện chương trình theo dõi đối tượng chuyển động hình 6.5 hình 6.6 Hai chức chương trình gồm: tạo cảnh ban đầu (pha A) hình 6.5 thực theo dõi đối tượng (pha B) hình 6.6 Hình 6.5 Quá trình khởi tạo cảnh ban đầu Hình 6.6 Quá trình theo dõi đối tượng chuyển động Chương Kết nghiên cứu hướng phát triển đề tài - Trang 71 - 6.3 CÁC KẾT QUẢ NGHIÊN CỨU 6.3.1 Phát chuyển động file video thu sẵn Để đánh giá hiệu chương trình phát chuyển động dùng mạng neural Hopfield phần 6.2.1, người nghiên cứu ghi file ảnh chứa đối tượng chuyển động để đưa vào chương trình Kết biểu diễn trình bày hình 6.7 Frame Frame Frame 14 Frame 20 Hình 6.7 Kết phát chuyển động dùng mạng Hopfield, frame ảnh thu với tốc độ frame/s Chương Kết nghiên cứu hướng phát triển đề tài - Trang 72 - Từ kết phát chuyển động ta thấy rằng, so với phương pháp dùng ngưỡng động histogram ảnh blobs ngõ từ mạng Hopfield loại bỏ phần lớn nhiễu dao động gây ra, hình dạng đối tượng khơng bị vỡ Đó kết cực tiểu hóa hàm lượng mạng Hopfield Quá trình tối ưu mạng Hopfield giống kết áp dụng lọc tích cực ảnh Tuy nhiên, nhược điểm phương pháp so với mơ hình cảnh phát phần di chuyển đối tượng Do khó phát đối tượng đối tượng di chuyển chậm di chuyển vào gần rời xa camera trường hợp đối tượng bên trái frame hình 6.7 Ngồi ra, kết phát chuyển động bị ảnh hưởng tốc độ thu nhận ảnh camera Nếu cài đặt tốc độ thu nhận ảnh cao, không phát chuyển động đối tượng thay đổi vị trí qua frame liên tiếp Ngược lại tốc độ thu nhận ảnh thấp, có tượng phát từ đối tượng thành hai đối tượng đối tượng thay đổi vị trí lớn Vì vậy, lựa chọn tốc độ thu nhận ảnh yêu cầu quan trọng (các frame ảnh hình 6.7 thu với tốc độ frame/s) 6.3.2 So sánh với phương pháp phát chuyển động khác Để đánh giá hiệu phát chuyển động dùng mạng Hopfield, ta so sánh ảnh kết dùng mạng Hopfield hình 6.7 với ảnh kết dùng mơ hình cảnh hình 6.2 mơ hình optical flow hình 6.3 Ảnh phát mơ hình cảnh biểu diễn hình 6.8, kết mơ hình optical flow biểu diễn hình 6.9 (a) Ảnh blobs (b) Ảnh kết Hình 6.8 Kết phát chuyển động dùng mơ hình cảnh Chương Kết nghiên cứu hướng phát triển đề tài - Trang 73 - (a) Ảnh blobs (b) Ảnh kết Hình 6.9 Kết phát chuyển động dùng mơ hình optical flow Ta thấy hai mơ hình có phát sai chuyển động thành đối tượng chuyển động Điều ta dễ dàng thấy quan sát ảnh blobs chúng có chứa blobs phát sai Như ta thấy hiệu phát chuyển động mô hình mạng Hopfield cho kết chấp nhận 6.3.3 Kết theo dõi đối tượng chuyển động Để đánh giá hiệu theo dõi đối tượng chuyển động giải thuật dùng cảnh phần 6.2.2, người nghiên cứu sử dụng ảnh kết phát chuyển động tài liệu [2] làm ảnh đầu vào chương trình Kết biểu diễn hình 6.10, đường bao màu vàng kết phát chuyển động từ giải thuật W4 tài liệu [2] đường bao màu đỏ kết phát chương trình Một số thống kê số lần phát đối tượng chuyển động trình bày bảng 6.1 Bảng 6.1 Thống kê số lần phát đối tượng chuỗi ảnh hình 6.10 Phương pháp W4, [2] Giải thuật cảnh Tổng số frame Đối tượng Đối tượng Số lần phát ảnh (áo đen) (áo hồng) sai 100 87 82 100 87 80 Chương Kết nghiên cứu hướng phát triển đề tài - Trang 74 - Hình 6.10 So sánh kết phát đối tượng chuyển động Ta nhận thấy hiệu phát chuyển động hai phương pháp tương đương W4 cho đường bao đối tượng vừa với chiều cao đối tượng độ rộng khung bao lại lớn, ảnh hưởng bóng chuyển động Còn giải thuật Chương Kết nghiên cứu hướng phát triển đề tài - Trang 75 - cảnh cho kết độ rộng khung bao vừa với đối tượng chiều cao khung lại rộng so với W4 6.4 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI Thông qua đề tài “PHÁT HIỆN CHUYỂN ĐỘNG DÙNG MẠNG NEURAL HOPFIELD”, người nghiên cứu tìm hiểu cách thức ứng dụng hàm tính lượng mạng Hopfield áp dụng trình tối ưu mạng Hopfield vào phát đối tượng chuyển động ảnh Đây hướng nghiên cứu lĩnh vực xử lý ảnh động, với mục tiêu làm tăng hiệu trình phân tích chuyển động Sử dụng mạng Hopfield vừa giúp loại bỏ nhiễu khơng mong muốn, vừa giữ hình dạng đối tượng chuyển động Ngoài ra, người nghiên cứu cịn xây dựng giải thuật dị tìm theo dõi đối tượng dùng thống kê mơ hình màu đối tượng, giúp xác định đối tượng dễ dàng Trong tương lai, đề tài phát triển theo hướng sau đây: • Áp dụng giải thuật mạng Hopfield cho trình phát chuyển động dùng mơ hình để khắc phục nhược điểm phương pháp ảnh sai biệt Mơ hình màu phải xây dựng thành phần màu R,G,Bvà thành phần gradient để tăng tối đa hiệu phát đối tượng chuyển động • Tất giải thuật mạng Hopfield luận văn thực phần mềm nên thời gian thực thi lâu nên không đảm bảo thời gian thực, áp dụng vào hệ thống giám sát Do đó, hướng nghiên cứu đáng lưu ý áp dụng giải thuật phát chuyển động dùng mạng Hopfield nói riêng giải thuật phân tích đối tượng chuyển động nói chung lên phần cứng FPGA để áp dụng xây dựng hệ thống giám sát Chương Kết nghiên cứu hướng phát triển đề tài Tài liệu tham khảo [1] R.T Collins et al., A system for video surveillance and monitoring: VSAM final report, CMU-RI-TR-00-12, Technical Report, Carnegie Mellon University, 2000 [2] I Haritaoglu, D Harwood, L.S Davis, W4: real-time surveillance of people and their activities, IEEE Trans on Pattern Analysis and Machine Intelligence, 22 (8) (2000), p.809830 [3] C.R Wren, A Azarbayejani, T Darrell, A P Pentland, Pfinder: real-time tracking of the human body, IEEE Trans on Pattern Analysis and Machine Intelligence, 19 (7) (1997), p.780-785 [4] S.J McKenna et al., Tracking groups of people, Computer Vision and Image Understanding, 80 (1) (2000),p 42-56 [5] A.J Lipton, H Fujiyoshi, R S Patil, Moving target classification and tracking from real-time video Proc of IEEE Workshop on Applications of Computer Vision 1998, p.814 [6] J Barron, D Fleet, S Beauchemin, Performance of optical flow techniques, International Journal of Computer Vision, 12 (1) (1994) p.42-77 [7] R Cutler, L.S Davis, Robust real-time periodic motion detection, analysis, and applications, IEEE Trans on Pattern Analysis and Machine Intelligence, 22 (8) (2000) p.781-796 [8] A Selinger, L Wixson, Classifying moving objects as rigid or non-rigid without correspondences Proc of DAPRA Image Understanding Workshop, Vol 1, 1998, p.341358 [9] M Isard, A Blake, Condensation—conditional density propagation for visual tracking, International Journal of Computer Vision, 29 (1) (1998) p.5-28 [10] I.A Karaulova, P.M Hall, A.D Marshall, A hierarchical model of dynamics for tracking people with a single video camera British Machine Vision Conference 2000, p.352-361 [11] C Bregler, Learning and recognizing human dynamics in video sequences Proc of IEEE CS Conf on Computer Vision and Pattern Recognition 1997, p.568-574 [12] A Elgammal, D Harwood, L S David, Nonparametric background model for background subtraction Proc of the Sixth European Conference on Computer Vision, 2000 [13] A Mohan, C Papageorgiou, T Poggio, Example-based object detection in images by components, IEEE Trans on Pattern Recognition and Machine Intelligence, 23 (4) (2001), p.349-361 [14] L Zhao, C Thorpe, Recursive context reasoning for human detection and parts identification Proc of IEEE Workshop on Human Modeling, Analysis and Synthesis, June 2000 [15] S Ioffe and D Forsyth, Probabilistic methods for finding people, International Journal of Computer Vision, 43 (1) (2001), p.45-68 [16] C.R Wren, B.P Clarkson, A Pentland, Understanding purposeful human motion Proc of Intl Conf on Automatic Face and Gesture Recognition France, March 2000 [17] A.M Elgammal, L.S Davis, Probabilistic framework for segmenting people under occlusion Proc of International Conference on Computer Vision, 2001 [18] C Stauffer, W Grimson, Adaptive background mixture models for real-time tracking Proc of IEEE CS Conf on Computer Vision and Pattern Recognition, Vol 2, 1999, p.246-252 [19] D Meyer, J Denzler and H Niemann, Model based extraction of articulated objects in image sequences for gait analysis Proc of IEEE Intl Conf on Image Processing 1997, p.78-81 [20] T Horprasert, D Harwood and L.S Davis, A robust background subtraction and shadow detection, Computer Vision Lab, University of Maryland, College Park, MD 20742 [21] Y Kuno, T Watanabe, Y Shimosakoda, S Nakagawa, Automated detection of human for visual surveillance system Proc of Intl Conf on Pattern Recognition 1996, p.865-869 [22] A.J Lipton, Local application of optic flow to analyse rigid versus non-rigid motion In the website http://www.eecs.lehigh.edu/FRAME/Lipton/iccvframe.html [23] S.A Niyogi, E.H Adelson, Analyzing and recognizing walking figures in XYT Proc of IEEE Conf on Computer Vision and Pattern Recognition 1994, p.469-474 [24] S Ju, M Black, Y Yaccob, Cardboard people: a parameterized model of articulated image motion Proc of IEEE Intl Conf on Automatic Face and gesture Recognition 1996, p.38-44 [25] K Rohr, Towards model-based recognition of human movements in image sequences, CVGIP: Image Understanding, 59 (1) (1994), p.94-115 [26] S Wachter, H.H Nagel, Tracking persons in monocular image sequences, Computer Vision and Image Understanding, 74 (3) (1999), p.174-192 [27] M Isard, A Blake, Contour tracking by stochastic propagation of conditional density Proc of European Conference on Computer Vision 1996, p.343-356 [28] N Paragios, R Deriche, Geodesic active contours and level sets for the detection and tracking of moving objects, IEEE Trans on Pattern Analysis and Machine Intelligence, 22 (3) (2000), p.266-280 [29] N Peterfreund, Robust tracking of position and velocity with Kalman snakes, IEEE Trans on Pattern Analysis and Machine [30] J Segen, S Pingali, A camera-based system for tracking people in real time Proc of Intl Conf on Pattern recognition 1996, p.63-67 [31] D.S Jang, H.I Choi, Active models for tracking moving objects, Pattern Recognition, 33 (7) (2000), p.1135-1146 [32] Q Cai, J.K Aggarwal, Tracking human motion using multiple cameras Proc of 13th Intl Conf on Pattern Recognition 1996, p.68-72 [33] A Utsumi, H Mori, J Ohya, M Yachida, Multiple-view-based tracking of Multiple humans Proc of Intl Conf on Pattern Recognition 1998, p.597-601 [34] Y Guo, G Xu, S Tsuji, Understanding human motion patterns Proc of Intl Conf on Pattern Recognition 1994, p.325-329 [35] M Rosenblum, Y Yacoob, L Davis, Human emotion recognition from motion using a radial basis function network architecture Proc of IEEE Workshop on Motion of Non-Rigid and Articulated Objects Austin, 1994, p.43-49 [36] R Polana, R Nelson, Low level recognition of human motion Proc of IEEE CS Workshop on Motion of Non-Rigid and Articulated Objects Austin, TX, 1994, p.77-82 [37] A.F Bobick, J Davis, Real-time recognition of activity using temporal templates Proc of IEEE CS Workshop on Applications of Computer Vision 1996, p.39-42 [38] O Chomat, J.L Crowley, Recognizing motion using local appearance International Symposium on Intelligent Robotic Systems, University of Edinburgh, 1998 [39] J Yamato, J Ohya, K Ishii, Recognizing human action in time-sequential images using hidden Markov model Proc of IEEE Conf on Computer Vision and Pattern Recognition 1992, p.379-385 [40] S Intille, A Bobick, Representation and visual recognition of complex, multi-agent actions using belief networks, Technical Report 454, Perceptual Computing Section, MIT Media Lab, 1998 [41] P Remagnino, T Tan, K Baker, Agent orientated annotation in model based visual surveillance Proc of Intl Conf on Computer Vision 1998, p.857-862 [42] Kojima et al., Generating natural language description of human behaviors from video images Proc of Intl Conf on Pattern Recognition 2000, p.728-731 LÍ LỊCH TRÍCH NGANG Họ tên: LÊ NGỌC THIÊN Ngày, tháng, năm sinh: 12 / 06 / 1983 Nơi sinh: Phú Yên Địa liên lạc: ĐH Kiến Trúc TP Hồ Chí Minh, 196 Pasteus Q3, TP.HCM Q TRÌNH ĐÀO TẠO Thời gian Từ năm 2001- 2006 Quá trình đào tạo Học đại học, chuyên ĐH Sư Phạm Kỹ Thuật ngành Điện – Điện Tử Từ năm 2006 – 2008 Nơi đào tạo TP HCM Học Thạc Sĩ, chuyên ĐH Bách Khoa TP HCM ngành Điện – Điện Tử QUÁ TRÌNH CƠNG TÁC Thời gian Q trình cơng tác Nơi công tác Từ năm 6/ 2006- 9/ 2006 Kỹ sư phần mềm Công ty phần mềm TMA Từ năm 2006 – Giảng Viên ĐH Kiến Trúc TP HCM ... TÀI: PHÁT HIỆN CHUYỂN ĐỘNG DÙNG MẠNG NEURAL HOPFIELD II- NHIỆM VỤ VÀ NỘI DUNG - Trình bày q trình phân tích chuyển động người máy tính - Trình bày ứng dụng mạng neural Hopfield phát chuyển động. .. bit truyền thấp 2.3 PHÁT HIỆN CHUYỂN ĐỘNG (DETECTION) Hầu hệ thống phân tích chuyển động người bắt đầu việc phát chuyển động Phát chuyển động thực phân tách đối tượng chuyển động khỏi phần lại... Chương GIẢI THUẬT PHÁT HIỆN CHUYỂN ĐỘNG, trình bày số phương pháp thông dụng dùng phát chuyển động đối tượng chuỗi ảnh động Chương MẠNG HOPFIELD VÀ ỨNG DỤNG, trình bày tổng quan mạng Hopfield phương