Nghiên cứu phương pháp định danh lại

Nghiên cứu phương pháp định danh lại Nghiên cứu phương pháp định danh lại Nghiên cứu phương pháp định danh lại luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN MẠNH TUÂN NGHIÊN CỨU PHƯƠNG PHÁP ĐỊNH DANH LẠI Chuyên ngành : Kỹ thuật điện tử LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS VÕ LÊ CƯỜNG HÀ NỘI - 2018 LỜI CẢM ƠN Sau thời gian làm việc tích cực, em hồn thành đề tài luận văn tốt nghiệp Để nhờ công sức lớn quý thầy cô giúp đỡ tạo điều kiện cho em Em xin gửi lời cảm ơn chân thành đến thầy Võ Lê Cường hướng dẫn em nhiệt tình trình thực Xin cám ơn thầy cô Viện Điện tử viễn thông tạo điều kiện, hỗ trợ thiết bị góp phần khơng nhỏ việc hồn thành luận văn cách tốt đẹp Cuối em cảm ơn tồn thể q thầy trường đại học Bách Khoa Hà Nội truyền đạt kiến thức lại cho em suốt thời gian học trường để sau trường góp phần nhỏ cho phát triển đất nước Học viên thực LỜI NÓI ĐẦU Thực tế việc sử dụng camera để giám sát, theo dõi ngày phổ biến Tuy nhiên việc theo dõi, giám sát thực chủ yếu người, điều làm giảm hiệu công việc tốn chi phí nhân cơng giám sát Từ nhu cầu địi hỏi phát triển hệ thống có khả tự động xử lý thông tin camera cung cấp Việc nhận dạng lại người từ hình ảnh nhiều camera khác không trùng lặp tầm nhìn mục tiêu tốn tái định danh Các phương pháp nhận dạng truyền thống nhận dạng khn mặt, nhận dạng mắt địi hỏi phải có hình ảnh có độ phân giải đủ lớn, hay nhận dạng vân tay đòi hỏi phải tiếp xúc trực tiếp với đối tượng Hướng nghiên cứu tái định danh sử dụng thơng tin vẻ bề ngồi (quần, áo, phụ kiện, dáng người, màu tóc ), hướng đi, tốc độ di chuyển đối tượng thu từ camera (thường với độ phân giải không cao) để nhận dạng Chính sử dụng thơng tin dễ bị thay đổi đối tượng, bị ảnh hưởng môi trường, sai khác kỹ thuật nên kết tái định danh khơng thể đạt độ xác phương án nhận dạng truyền thống Do tái định danh thường ứng dụng phương pháp khác sử dụng được, tạo gợi ý ban đầu cho hệ thống giám sát để bám bắt đối tượng Tác giả mong muốn đưa nghiên cứu lý thuyết tiếp cận gần với thực tế, áp dụng kết nghiên cứu có sẵn để giải tốn thực tế Do đó, mục tiêu đề tài nghiên cứu phương pháp tất bước cần thiết để xây dựng lên hệ thống tái định danh hoàn chỉnh Hà Nội, tháng 12/2018 Học viên thực TÓM TẮT LUẬN VĂN Đề tài hướng tới mục tiêu xây dựng hệ thống tái định danh có hai camera Để thực mục tiêu, đề tài tiến hành nghiên cứu đánh giá phương pháp tách người khỏi đám đông, phương pháp tách người khỏi nền, phương pháp trích xuất đặc trưng, phương pháp so khớp đặc trưng Đề tài sâu phân tích thử nghiệm phương pháp trích xuất đặc trưng so khớp đặc trưng coi phương pháp tái định danh Cịn với phương pháp tách người khỏi đám đơng phương pháp tách người khỏi nền, đề tài giới thiệu sử dụng thư viện có sẵn ngơn ngữ lập trình để thực chức bước tương ứng Cụ thể, đề tài chia thành chương: Chương trình bày tổng quan tái định danh Đưa khái niệm, tầm quan trọng, ý nghĩa, khó khăn thách thức tái định danh Đồng thời đưa số nghiên cứu liên quan tới phương pháp tái định danh Chương xây dựng ứng dụng tái định danh hệ thống hai camera Nội dung chương trình bày bước cho hệ thống tái định danh bao gồm: tách người khỏi khung hình, loại bỏ khỏi hình người, trích xuất đặc trưng, tìm kiếm mảnh ghép bật, ước lượng độ giống hai khung hình Đi sâu phân tích phương pháp thực bước để xây dựng ứng dụng tái định danh sử dụng hai camera hai góc quan sát khác cho khu vực thời điểm Chương trình bày kết thử nghiệm Tiến hành thử nghiệm phương pháp tái định danh dựa sở liệu VIPeR ETHZ Sau xây dựng thử nghiệm ứng dụng tái định danh Đưa nhận xét hướng phát triển phương pháp MỤC LỤC LỜI CẢM ƠN LỜI NÓI ĐẦU TÓM TẮT LUẬN VĂN MỤC LỤC DANH MỤC CÁC KÍ HIỆU, THUẬT NGỮ, TỪ VIẾT TẮT .6 DANH SÁCH BẢNG BIỂU DANH SÁCH HÌNH VẼ MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN VỀ TÁI ĐỊNH DANH 10 1.1 Khái niệm tái định danh .10 1.2 Ý nghĩa tái định danh 11 1.3 Những khó khăn thách thức tái định danh 12 1.4 Một số nghiên cứu tái định danh 13 1.5 Kết luận 16 CHƯƠNG 2: TÁI ĐỊNH DANH TRONG HỆ THỐNG HAI CAMERA 18 2.1 Mô tả hệ thống tái định danh sử dụng hai camera giám sát .18 2.2 Phát tách chọn hình người khỏi đám đơng 19 2.2.1 Phương pháp trích xuất đặc trưng HOG 20 2.2.2 Phương pháp phân loại SVM 25 2.3 Tái định danh 26 2.3.1 Loại bỏ .27 2.3.2 Trích xuất đặc trưng cục 32 2.3.3 Tìm kiếm mảnh ghép tương ứng 39 2.3.4 Đánh giá độ bật cho mảnh ghép .41 2.3.5 Ước lượng độ giống hai khung ảnh 43 2.6 Kết luận 44 CHƯƠNG 3: KẾT QUẢ THỬ NGHIỆM .46 3.1 Thử nghiệm tách người khỏi đám đông .46 3.2 Thử nghiệm giai đoạn loại bỏ khung hình người .47 3.3 Thử nghiệm tái định danh sở liệu VIPeR 49 3.3.1 Giới thiệu sở liệu VIPeR 49 3.3.2 Phương pháp đánh giá hiệu thuật toán 49 3.3.3 Kịch thử nghiệm sở liệu VIPeR .50 3.3.4 Các kết thử nghiệm sở liệu VIPeR 52 3.3.5 So sánh với phương pháp tái định danh khác sở liệu VIPeR 55 3.4 Thử nghiệm tái định danh sở liệu ETHZ 55 3.4.1 Giới thiệu sở liệu thử nghiệm ETHZ 55 3.4.2 Kịch thử nghiệm sở liệu ETHZ 57 3.4.3 Các kết thử nghiệm sở liệu ETHZ 57 3.4.4 So sánh với phương pháp tái định danh khác sở liệu ETHZ 60 3.5 Thực nghiệm tái định danh camera 62 3.6 Kết luận chương 66 KẾT LUẬN 67 TÀI LIỆU THAM KHẢO 68 DANH MỤC CÁC KÍ HIỆU, THUẬT NGỮ, TỪ VIẾT TẮT Bin Ngăn chứa CMC Cumulative Matching Characteristic DoG Different of Gaussian Gradient Biểu đồ hướng GMM Gaussian Mixture Model Histogram Lược đồ màu sắc HOG Histogram of Oriented Gradients KNN K-Nearest Neighbour Lab Hệ màu gần với khả cảm nhận mắt người Match Mức độ phù hợp Machine learning Máy học OCSVM One Class Support Vector Machines SIFT Scale Invariant Feature Transform SVM Support Vector Machines DANH SÁCH BẢNG BIỂU Bảng 1: Kết thử nghiệm phương pháp phát người HOG .47 Bảng 2: So sánh hiệu phương pháp tái định danh .55 Bảng 3: So sánh kết tái định danh với phương pháp khác .61 DANH SÁCH HÌNH VẼ Hình 1: Một người theo dấu nhiều camera khơng trùng lặp tầm nhìn 10 Hình 2: Bài tốn phục hồi danh tính .11 Hình 3: Tìm người đám đơng 11 Hình 4: Minh họa sở liệu kết phân đoạn hai hình (từ trái qua phải: hình gốc, kết phân đoạn dựa hình thái, kết phân đoạn dựa diện mạo) 14 Hình 5: Minh họa mơ hình SDALF 15 Hình 6: Minh họa mảnh ghép cục thu từ đối tượng 16 Hình 1: Cách hoạt động hệ thống giám sát dùng hai camera 18 Hình 2: Quy trình hoạt động hệ thống tái định danh dùng liệu từ camera 19 Hình 3: Các bước để tách hình người khỏi đám đơng 20 Hình 4: Minh họa mẫu cửa sổ tìm kiếm kích thước 64x128 [8] 21 Hình 5: Minh họa kích thước 8x8 cửa sổ tìm kiếm [8] 22 Hình 6: Minh họa cho bin HOG 22 Hình 7: Minh họa cho việc cộng thêm nhân thêm vào giá trị điểm [8] 23 Hình 8: Minh họa cho thay đổi giá trị vector gradient có thay đổi ánh sáng [8] .24 Hình 9: Hình ảnh minh họa cho gộp ô để tạo nên khối có chồng lấp [8] 25 Hình 10: Phát người dùng đặc trưng HOG phương pháp SVM .26 Hình 11: Chu trình tái định danh 27 Hình 12: Một số điểm hấp dẫn thuộc khu vực trích xuất .28 Hình 13: Những cặp điểm giống chủ yếu đến từ 29 Hình 14: Minh họa kết thuật tốn tách Grabcut [5] 29 Hình 15: Minh họa trình Grabcut [5] .31 Hình 16: Thử nghiệm thực tế phương pháp tách Grabcut .32 Hình 17: Ví dụ ảnh histogram ảnh [19] 33 Hình 18: Biểu đồ mơ việc tính toán DoG ảnh từ ảnh kề mờ [10] 35 Hình 19: Mỗi điểm ảnh so sánh với 26 láng giềng [10] 36 Hình 20: Quá trình lựa chọn điểm hấp dẫn a Ảnh gốc, b Các điểm hấp dẫn phát hiện, c Ảnh sau loại bỏ điểm hấp dẫn có độ tương phản thấp, d Ảnh sau loại bỏ điểm hấp dẫn dọc theo cạnh [10] 37 Hình 21: Biểu diễn vector đặc trưng [10] .38 Hình 22: Các điểm mang đặc trưng SIFT trích xuất biểu diễn [10] .38 Hình 23: Ví dụ cho việc tìm tìm kiếm mảnh ghép tương ứng 41 Hình 24: Đánh giá mức độ bật 42 Hình 25: Minh họa phân bố mảnh ghép bật .43 Hình 26: Minh họa việc so khớp mảnh ghép 44 Hình 1: Kết giai đoạn tách người khỏi khung hình 46 Hình 2: Minh họa loại bỏ khung hình tách từ video 48 Hình 3: Minh họa loại bỏ ảnh sở liệu VIPeR 48 Hình 4: Một số hình ảnh sở liệu VIPeR .49 Hình 5: Ví dụ đường cong CMC số thuật tốn 50 Hình 6: Chu trình thử nghiệm sở liệu VIPeR 52 Hình 7: Kết tái định danh chưa dùng kNN OCSVM để đánh giá độ bật mảnh ghép 53 Hình 8: Kết tái định danh có sử dụng kNN để đánh giá độ bật mảnh ghép 54 Hình 9: Kết tái định danh có sử dụng OCSVM để đánh giá độ bật mảnh ghép 54 Hình 10: Tập ảnh người thứ 1(a), 14(b), 23(c) sở liệu ETHZ 57 Hình 11: Kết tái định danh sở liệu ETHZ SEQ1 .58 Hình 12: Kết tái định danh sở liệu ETHZ SEQ2 .59 Hình 13: Kết tái định danh sở liệu ETHZ SEQ3 .60 Hình 14: Kịch hệ thống tái định danh camera .62 Hình 15: Hai khung hình lấy từ camera hai góc khác 63 Hình 16: Khung màu đỏ camera thể người muốn tìm camera 63 Hình 17: Các người camera đóng khung tỉ lệ xác so với người cần tìm 63 Hình 18: Kết thực nghiệm video khác .65 MỞ ĐẦU Tái định danh hiểu trình nhận dạng lại người từ hình ảnh/video họ thu từ camera khác Tái định danh ngày có nhiều ứng dụng, đặc biệt hệ thống camera giám sát công cộng Các camera hệ thống giám sát hàng trăm địa điểm, hàng trăm đến hàng nghìn người ngày nên việc xác định tìm kiếm đối tượng cần truy vấn cách thủ cơng khó khăn tốn nhiều thời gian, cơng sức Do đó, tốn tái định danh hướng tới hệ thống hoàn toàn tự động ngày trọng Các phương pháp nhận dạng truyền thống nhận dạng mặt người, nhận dạng vân tay, nhận dạng võng mạc phân biệt người khác lại cần hình ảnh có độ phân giải cao phải tiếp xúc trực tiếp với thiết bị nhận dạng Trong thực tế, phần lớn hình ảnh thu từ video cơng cộng lại có độ phân giải thấp khó đáp ứng yêu cầu liệu đầu vào phương pháp nhận dạng truyền thống Bài toán tái định danh áp dụng để sử dụng hình ảnh mà phương pháp nhận dạng khác khơng thể sử dụng, tránh bỏ qua lượng lớn video Mặc dù, phần lớn trường hợp, tái định danh khơng thể phân biệt xác người với người lại giúp ích nhiều việc theo dấu người camera công cộng tạo liệu ban đầu cho phương pháp nhận dạng khác Luận văn tập trung xây dựng hệ thống tái định danh người hệ thống camera với góc nhìn khơng chồng lấp gồm hai bước Đầu tiên, hình ảnh thu từ camera trích xuất thành khung ảnh đối tượng Tiếp theo, khung ảnh đối tượng đưa vào giai đoạn tái định danh cách chia nhỏ thành mảnh ghép cục đặc tả thông tin màu sắc, đường nét Bài tốn tái định danh giải thơng qua trình tìm kiếm so sánh mảnh ghép cục bộ, nhằm ước lượng độ tương đồng đối tượng cần truy vấn 3.3.5 So sánh với phương pháp tái định danh khác sở liệu VIPeR Ở bảng 3.2 thể kết tái định danh số phương pháp khác Các phương pháp thử nghiệm sở liệu VIPeR dùng kịch giống giống kịch trình bày phần Kết cho thấy phương pháp tái định danh chọn có hiệu phương pháp liệt kê bảng Bảng 2: So sánh hiệu phương pháp tái định danh Phương pháp Rank = Rank = Rank = 10 Rank=20 LMNN [16] 6,23 19,65 32,63 52,25 ITML [16] 11,61 31,39 45,76 63,86 PRDC [16] 15,66 38,42 53,86 70,09 aPRDC [4] 16,14 37,72 50,98 65,95 PCCA [1] 19,27 48,89 64,91 80,28 ELF [6] 12,00 31,00 41,00 58,00 SDALF [11] 19,87 38,89 49,37 65,73 CPS [7] 21,84 44,00 57,21 71,00 eBiCov[2] 20,66 42,00 56,18 68,00 eLDFV [3] 22,34 47,00 60,04 71,00 SDC_kNN 25,95 47,78 64,24 72,77 SDC_OCSVM 26,9 47,15 63,92 76,36 3.4 Thử nghiệm tái định danh sở liệu ETHZ 3.4.1 Giới thiệu sở liệu thử nghiệm ETHZ Trong sở liệu VIPeR, có ảnh (1 camera A, camera B) để miêu tả người Điều thường không phù hợp với ứng dụng tái định danh cần phải có tập ảnh đa dạng mơ tả người Do đó, Đề tài tiến hành thử nghiệm sở liệu khác phù hợp với ứng dụng tái định danh dựa camera thu hình ảnh liên tục Hiện nay, sở liệu ETHZ thường sử dụng với mục 55 đích Bộ sở liệu ETHZ tập ảnh người trích từ video chứa nhiều người Mỗi người mô tả nhiều ảnh khác thể cho điều kiện khác (môi trường thay đổi, độ sáng thay đổi, hình dạng thay đổi, độ phân giải ) Các ảnh trích xuất chuyển kích thước 64x32 điểm ảnh Bộ sở liệu ETHZ chia thành SEQ: SEQ1 có 83 người với 4857 ảnh SEQ2 có 35 người với 1936 ảnh SEQ3 có 28 người với 1762 ảnh Chính đa dạng ảnh người nên sở liệu ETHZ thích hợp cho phương pháp tái định danh địi hỏi khai thác thơng tin từ nhiều ảnh, khung hình video Hình 3.10 số ví dụ sở liệu ETHZ Ở hình 3.10(a) người có đặc trưng bật khỏi với dáng hình gần khơng đổi Hình 3.10(b) độ sáng tối tương phản ảnh người có thay đổi lớn Hình 3.10(c) hình người gần lẫn vào với Mỗi người đểu mô tả nhiều ảnh với nhiều góc quan sát khác 56 Hình 10: Tập ảnh người thứ 1(a), 14(b), 23(c) sở liệu ETHZ 3.4.2 Kịch thử nghiệm sở liệu ETHZ Vì sở liệu ETHZ có SEQ nên ta tiến hành thử nghiệm SEQ với kịch Tất ảnh SEQ trích xuất đặc trưng cho mảnh ghép để tìm tập hợp vector dColorSIFT Từ vector ta tiến hành tìm kiếm mảnh ghép tương ứng Tập mảnh ghép đưa vào trình tìm kiếm đặc trưng bật hai phương pháp kNN OCSVM Sau đó, ảnh người, ta lấy ảnh để làm ảnh tìm kiếm, với ảnh lại cho vào tập ảnh truy vấn Mỗi ảnh tập ảnh truy vấn so khớp với ảnh tập tìm kiếm để tìm ảnh giống Cả trình lặp lại 10 lần lấy kết trung bình để vẽ đồ thị CMC 3.4.3 Các kết thử nghiệm sở liệu ETHZ 57 ETHZ SEQ1 kNN Mức độ phù hợp % 100 80 72,33 88,46 87,38 86,02 84,27 81,87 78,57 60 40 20 0 Rank Mức độ phù hợp % ETHZ SEQ1 OCSVM 100 80 88,28 87,19 85,91 84,22 81,94 78,73 72,48 60 40 20 0 Rank Hình 11: Kết tái định danh sở liệu ETHZ SEQ1 Hình 3.11 cho kết thử nghiệm tái định danh sở liệu ETHZ SEQ1 Trong trình tái định danh, ta sử dụng phương pháp kNN OCSVM để đánh giá độ bật cho mảnh ghép Kết thu Rank 77,12% với phương pháp kNN 76,13% với phương pháp OCSVM Ở Rank kết xác tới 90% 58 ETHZ SEQ2 kNN 100 Múc độ phù hợp % 90 80 90,11 89,11 87,9 86,57 84,39 81,26 74,22 70 60 50 40 30 20 10 0 Rank ETHZ SEQ2 OCSVM 100 Mức độ phù hợp % 90 90,01 88,82 87,73 86,11 83,9 80,93 80 74,11 70 60 50 40 30 20 10 0 Rank Hình 12: Kết tái định danh sở liệu ETHZ SEQ2 Hình 3.12 cho kết thử nghiệm tái định danh sở liệu ETHZ SEQ2 Trong trình tái định danh, ta sử dụng phương pháp kNN OCSVM để đánh giá độ bật cho mảnh ghép Kết thu Rank 74,22% với phương pháp kNN 74,11% với phương pháp OCSVM Ở Rank kết xác tới 90% 59 ETHZ SEQ3 kNN 100 Mức độ phù hợp % 98 97,18 96 98,74 98,43 97,91 96,02 94,12 94 92 90 89,42 88 Rank ETHZ SEQ3 OCSVM 100 Mức độ phù hợp % 98 97,06 96 98,62 98,25 97,77 96,03 94,07 94 92 90 89,46 88 Rank Hình 13: Kết tái định danh sở liệu ETHZ SEQ3 Hình 3.13 cho kết thử nghiệm tái định danh sở liệu ETHZ SEQ3 Kết thu Rank 86,21% với phương pháp kNN 85,11% với phương pháp OCSVM Ở Rank kết xác tới 95% 3.4.4 So sánh với phương pháp tái định danh khác sở liệu ETHZ 60 Bảng 3: So sánh kết tái định danh với phương pháp khác Phương pháp SEQ.1 PLS [15] 79 85 86 87 88 89 90 RPLM [14] 77 83 87 90 91 92 92 SDALF [11] 65 73 77 79 81 82 84 eBiCov [2] 74 80 83 85 87 88 89 eLDFV [3] 83 87 90 91 92 93 94 SDC_kNN 72 79 84 86 87 88 SDC_OCSVM 72 79 84 86 87 88 Phương pháp 82 82 SEQ.2 PLS [15] 74 79 81 83 84 85 87 RPLM [14] 65 77 81 82 86 89 90 SDALF [11] 64 74 79 83 85 87 89 eBiCov [2] 71 79 83 86 88 90 91 eLDFV [3] 79 85 88 90 92 93 94 SDC_kNN 74 81 84 87 88 89 90 SDC_OCSVM 74 81 84 86 88 89 90 Phương pháp SEQ.3 PLS [15] 77 81 82 84 85 87 89 RPLM [14] 83 90 92 94 96 96 97 SDALF [11] 76 83 86 88 90 92 93 eBiCov [2] 82 87 90 92 93 94 95 eLDFV [3] 91 94 96 97 97 97 97 SDC_kNN 89 94 96 97 98 98 99 SDC_OCSVM 89 94 96 97 98 98 99 61 Ở bảng 3.3 thể kết tái định danh số phương pháp khác Các phương pháp thử nghiệm sở liệu ETHZ, dùng kịch giống giống kịch trình bày phần Kết cho thấy phương pháp tái định danh chọn có hiệu đa số phương pháp liệt kê bảng 3.5 Thực nghiệm tái định danh camera Sau thử nghiệm phương pháp, đề tài tiến hành xây dựng ứng dụng để thực nghiệm quy trình tái định danh camera Kịch ứng dụng mơ tả hình 3.14: Camera Chọn người A cần tìm camera Camera Người Người giống với người A đóng khung Người n Hình 14: Kịch hệ thống tái định danh camera Có camera quay khu vực hai góc khác nhau, hình ảnh camera chiếu đồng thời lên hình với khung hình cạnh (hình 3.15), người sử dụng muốn tìm người camera đóng khung người khung hình camera (hình 3.16), ứng dụng tự động tìm kiếm người camera 2, kết thu người tìm thấy đóng khung với mức độ phù hợp ghi phía khung (hình 3.17) 62 Hình 15: Hai khung hình lấy từ camera hai góc khác Hình 16: Khung màu đỏ camera thể người muốn tìm camera Hình 17: Các người camera đóng khung tỉ lệ xác so với người cần tìm 63 Trong video thực nghiệm Hình 3.18, camera bên trái đối tượng cần theo dõi với tỉ lệ giống ghi phía bên hình, camera bên phải tất đối tượng mà chương trình phát được, mức độ phù hợp ghi phía đối tượng Đa số trường hợp, người có mức độ phù hợp người cần tìm Tuy nhiên số trường hợp người có mức độ phù hợp lại khơng phải người cần tìm 64 Hình 18: Kết thực nghiệm video khác 65 3.6 Kết luận chương Chương trình bày chi tiết trình thử nghiệm bước ứng dụng tái định danh Quy trình bao gồm: tách hình người khỏi đám đơng, loại bỏ khỏi khung hình người, tách hình thành mảnh ghép nhỏ, trích xuất đặc trưng cho mảng ghép, tìm kiếm mảnh ghép tương ứng, tìm kiếm mảnh ghép bật, so khớp giống ảnh thông qua việc so khớp mảnh ghép Cuối xây dựng ứng dụng đơn giản áp dụng phương pháp tái định danh Trong trình thực hiện, số phương pháp lựa chọn chưa thực hiệu nên em dự định phát triển đề tài theo hướng sau:  Thử nghiệm thêm số phương pháp tách khỏi khung hình nhằm đạt hiệu loại bỏ cao  Thử nghiệm kích thước khác mảnh ghép cục để tìm kích thước tối ưu mảnh ghép  Thử nghiệm bổ sung thêm đặc trưng thay đặc trưng khác nhằm tìm đặc trưng phù hợp  Nghiên cứu phương pháp so khớp nhiều ảnh với nhiều ảnh nhằm đưa kết xác 66 KẾT LUẬN Sau khoảng thời gian tích cực nghiêm túc thực luận văn, em đạt số kết sau:  Nắm khái niệm tái định danh, ý nghĩa quan trọng tái định danh nhiều ứng dụng thực tế, khó khăn thách thức mà tái định danh gặp phải  Có nhìn tổng quan nghiên cứu lĩnh vực tái định danh Biết hướng tiếp cận tái định danh nay, hiệu thuật toán tái định danh đề xuất  Hiểu rõ tồn quy trình làm việc thuật toán tái định danh Từ đánh giá số hạn chế cịn tồn thuật tốn  Thực thử nghiệm thuật toán tái định danh, xây dựng ứng dụng đơn giản lĩnh vực tái định danh 67 TÀI LIỆU THAM KHẢO [1] A Mignon and F Jurie Pcca: A new approach for distance learning from sparse pairwise constraints In CVPR, 2012 [2] B Ma, Y Su, and F Jurie Bicov: a novel image representation for person re-identification and face verification 2012 [3] B Ma, Y Su, and F Jurie Local descriptors encoded by fisher vectors for person re-identification 2012 [4] C.Liu,S.Gong,C.Loy,andX.Lin Personre-identification: What features are important? In ECCV, 2012 [5] Carsten Rother, Vladimir Kolmogorov, Andrew Blake “GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts Microsoft Research Cambridge, UK [6] D.GrayandH.Tao Viewpointinvariantpedestrianrecognition with an ensemble of localized features ECCV, 2008 [7] D Cheng, M Cristani, M Stoppa, L Bazzani, and V Murino Custom pictorial structures for re-identification In BMVC, 2011 [8] Dalal, Navneet, and Bill Triggs "Histograms of oriented gradients for human detection." Computer Vision and Pattern Recognition, 2005 CVPR 2005 IEEE Computer Society Conference on Vol IEEE, 2005 [9] K Heller, K Svore, A Keromytis, and S Stolfo, 2003 One class support vector machines for detecting anomalous windows registry accesses, In Workshop on DataMining for Computer Security (DMSEC), pp 2-9 [10] Lowe, David G "Object recognition from local scale-invariant features."Computer vision, 1999 The proceedings of the seventh IEEE international conference on Vol Ieee, 1999 68 [11] M Farenzena, L Bazzani, A Perina, V Murino, and M Cristani, 2010 Person reidentification by symmetry-driven accumulation of local features, in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp 2360-2367 [12] R Zhao, W Ouyang, and X Wang, 2013 Unsupervised salience learning for person re-identification, in proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2013, pp 3586-3593 [13] S Byers and A Raftery, 1998 Nearestneighbor clutter removal for estimating features in spatial point processes, Journal of the American Statistical Association, No 442, 1998, pp 577-584 [14] W Li and X Wang Locally aligned feature transforms across views In CVPR, 2013 [15] W Schwartz and L Davis Learning discriminative appearance-based models using partial leasts quares InXXII Brazilian Symposiumon Computer Graphics and Image Processing (SIBGRAPI), 2009 [16] W.Zheng,S.Gong,andT.Xiang Personre-identificationby probabilistic relative distance comparison In CVPR, 2011 [17] X Wang, G Doretto, T Sebastian, J Rittscher, and P Tu, 2007 Shape and appearance context modeling, in Proceedings of International Conference on Computer Vision (ICCV), 2007, pp 1-8 [18] Một số hình ảnh không rõ nguồn từ internet [19] opencv.org 69 ... tái định danh quan trọng Từ khó khăn thách thức hữu, ta định hướng nghiên cứu để giải vấn đề 1.4 Một số nghiên cứu tái định danh Trong năm trở lại đây, xuất nhiều đề tài nghiên cứu tái định danh. .. định danh, tầm quan trọng tái định danh hệ thống theo dõi giám sát tự động Nghiên cứu tái định danh giải khó khăn thách thức vấn đề Cho tới có nhiều kết nghiên cứu tái định danh công bố Mỗi phương. .. tái định danh Đưa khái niệm, tầm quan trọng, ý nghĩa, khó khăn thách thức tái định danh Đồng thời đưa số nghiên cứu liên quan tới phương pháp tái định danh Chương xây dựng ứng dụng tái định danh