Phân loại đối tượng chuyển động trong đoạn video

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA HOÀNG PHƯƠNG THI PHÂN LOẠI ĐỐI TƯỢNG TRONG ĐOẠN VIDEO Chuyên ngành : KHOA HỌC MÁY TÍNH Mã số : 604801 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2014 Cơng trình hồn thành tại: Trường Đại học Bách Khoa – ĐHQG-HCM Cán hướng dẫn khoa học: TS Phạm Trần Vũ TS Nguyễn Thanh Bình Cán chấm nhận xét 1: TS Lê Thanh Vân Cán chấm nhận xét 2: TS Nguyễn Anh Thi Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 17 tháng năm 2014 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: PGS TS Thoại Nam TS Huỳnh Tường Nguyên TS Lê Thanh Vân TS Nguyễn Anh Thi TS Trần Văn Hoài Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KH & KT MÁY TÍNH ĐẠI HỌC QUỐC GIA CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA _ Độc lập – Tự – Hạnh phúc _ Tp HCM, ngày 20 tháng năm 2014 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Hoàng Phương Thi MSHV: 11076115 Ngày, tháng, năm sinh: 01/ 10/ 1988 Chuyên ngành: Khoa Học Máy Tính Nơi sinh: Bà Rịa – Vũng Tàu Mã số: 604801 I TÊN ĐỀ TÀI: Phân loại đối tượng chuyển động đoạn video II NHIỆM VỤ VÀ NỘI DUNG: Tìm hiểu loại video Tìm hiểu loại chuyển động, phương pháp biểu diễn đối tượng chẳng hạn biểu diễn đối tượng người xe Khảo sát đánh giá cơng trình nghiên cứu liên quan đến phân loại đối tượng đoạn video Đề xuất giải thuật phân loại đối tượng đoạn video Cụ thể phân loại đối tượng người xe Hiện thực giải thuật đề xuất Đề xuất hướng nghiên cứu phát triển tương lai III NGÀY GIAO NHIỆM VỤ: 20/ 01/ 2014 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 20/ 06/ 2014 V CÁN BỘ HƯỚNG DẪN: TS Phạm Trần Vũ TS Nguyễn Thanh Bình CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) Tp HCM, ngày 20 tháng năm 2014 TRƯỞNG KHOA KH & KT MÁY TÍNH (Họ tên chữ ký) LỜI CÁM ƠN Tôi xin gửi lời cảm ơn chân thành sâu sắc đến TS Phạm Trần Vũ TS Nguyễn Thanh Bình tận tình hướng dẫn, giúp đỡ tơi suốt q trình nghiên cứu tạo điều kiện để tơi hồn thành luận văn tốt nghiệp Tơi xin cảm ơn gia đình, bạn bè động viên, giúp đỡ tạo điều kiện tốt để tơi theo đuổi việc học tập nghiên cứu TÓM TẮT LUẬN VĂN THẠC SĨ Phát phân loại đối tượng chuyển động lĩnh vực quan trọng nghiên cứu thị giác máy tính Lĩnh vực quan trọng giới quan sát động cảnh video ta gặp thường chứa đựng số lượng lớn đối tượng chuyển động Để phân tách, phát phân loại đối tượng từ chuỗi ảnh video thách thức quan trọng mà chuyên gia thị giác máy tính phải đối mặt Luận văn áp dụng phương pháp phân loại đối tượng dựa đặc trưng dựa vào hình dạng kết hợp với đặc trưng dựa vào chuyển động cho giai đoạn phân loại đối tượng chuyển động SVM phương pháp phân lớp chọn để sử dụng luận văn Các bước để phân loại đối tượng đoạn video gồm: phát đối tượng chuyển động, rút trích đặc trưng phân loại đối tượng Kết thực nghiệm cho thấy tính xác việc phân loại đối tượng luận văn ABSTRACT Moving object detection and classification plays an important role in computer vision filed This field is very important because our observations of the world always change We locate the frame in the video that contains the largest number of moving object Detection, segmentation and classification for image in the video sequence is one of the most challenging problems which computer vision experts have to face it This thesis applies the shape-based object classification and the motion-based object classification in the moving object classification stage Support Vector Machine (SVM) classification methods will be used in this thesis Steps to classify moving object in the observation area include: moving object detection, features extraction and moving objects classification The experimental results have showed the accuracy of moving object classification in this thesis LỜI CAM ĐOAN CỦA TÁC GIẢ LV Tôi xin cam đoan luận văn tốt nghiệp tự làm, khơng chép tài liệu có Những phần có sử dụng tài liệu khố luận ghi rõ tên tài liệu phần tài liệu tham khảo Mã nguồn thực ghi rõ phần tham khảo phần thực Tp HCM, Ngày 20 tháng 07 năm 2014 Hoàng Phương Thi MỤC LỤC Chương TỔNG QUAN VỀ ĐỀ TÀI .1 1.1 Giới thiệu đề tài 1.2 Nội dung đề tài 1.3 Giới hạn đề tài 1.4 Ý nghĩa khoa học thực tiễn 1.5 Cấu trúc luận văn Chương CƠ SỞ LÝ THUYẾT VÀ CÁC CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN 2.1 Cơ sở lý thuyết 2.1.1 Hệ thống giám sát thông minh 2.1.2 Optical Flow .13 2.1.3 Support Vector Machine 16 2.2 Các công trình nghiên cứu liên quan 22 2.2.1 Phân loại dựa hình dạng (Shape- based Classification) 22 2.2.2 Phân loại dựa chuyển động (Motion- based Classification) .25 2.2.3 Các loại đặc trưng khác .27 Chương HƯỚNG TIẾP CẬN VÀ GIẢI THUẬT ĐỀ XUẤT 29 3.1 Mô hình tổng quan 30 3.1.1 Phát đối tượng chuyển động .31 3.1.2 Rút trích đặc trưng .37 3.1.3 Phân loại đối tượng 40 Chương HIỆN THỰC HỆ THỐNG 45 4.1 Tập liệu 45 4.2 Kết thực nghiệm đánh giá 47 4.2.1 Phát đối tượng chuyển động .47 4.2.2 Phân loại đối tượng chuyển động .49 Chương TỔNG KẾT .54 5.1 Kết luận 54 5.1.1 Kết đạt 54 5.1.2 Ưu điểm nhược điểm 54 5.2 Hướng phát triển tương lai 55 TÀI LIỆU THAM KHẢO 56 DANH MỤC HÌNH Hình 2.1: Mơ hình tốn cần giải hệ thống giám sát Hình 2.2: Cấu trúc phân đoạn video Hình 2.3: Chuyển đổi Lia khung hình thứ thứ Hình 2.4: Bốn khung hình khác song có biểu đồ màu .8 Hình 2.5: Tổng quan khối xử lý tốn phát đối tượng Hình 2.6: Phát vùng ảnh .10 Hình 2.7: Xử lý vùng ảnh (Foreground Processing) 10 Hinh 2.8: Mũi tên vector tịnh tiến trái bóng dịch chuyển khung hình liên tiếp 13 Hình 2.9: Optical flow .14 Hình 2.10: Đường màu vàng hình đường phân chia tập liệu gồm hai thuộc tính [17] .17 Hình 2.11: Một liệu hai chiều phân chia tuyến tính 18 Hình 2.12: Đường biểu diễn H1 H2 .19 Hình 2.13: Các support vector SVM Các support vector hình có viền dày [16] .20 Hình 2.14: Một trường hợp đơn giản khơng gian chiều 21 Hình 2.15: Tổng quan hệ thống xác định theo dõi 23 Hình 2.16: Dữ liệu phân loại bi- viriate mẫu training qua 400 ảnh Cả phân cụm tuyến tính Mahalanobis biểu diễn 24 Hình 2.17: Quá trình phân loại, phải sau vài khung hình đối tượng xác định .24 Hình 2.18: Các đường viền mục tiêu sử dụng cho việc trích rút đặc trưng chuyển động .25 Hình 2.19: (a) Elip vừa khớp (fitted elipse) (b) Khung hình .26 (c) Biểu đồ luồng phân loại .26 Hình 3.1: Mơ hình tổng quan hệ thống .30 Hình 3.2: Lưu đồ bước phát đối tượng chuyển động 31 Hình 3.3: Ví dụ Temporal median filter .32 Hình 3.4 Ví dụ hàm cộng dồn histogram 34 Hình 3.5: Lưu đồ bước rút trích đặc trưng 37 Hình 3.6: Các giá trị thơng thường aspect ratio cho người xe cộ 38 Hình 3.7: Các giá trị thông thường độ phân tán cho người xe cộ 38 Hinh 3.8: Ví dụ vectơ optical flow 39 Hinh 3.9: Phương sai vectơ optical flow 40 44  Tiến hành phân lớp Sau trải qua bước huấn luyện cho phân lớp SVM, ta sử dụng mơ hình để tiến hành phân lớp Đầu vào:  Vector đặc trưng đối tượng cần phân lớp  Mơ hình SVM Đầu ra:  Nhãn/lớp đối tượng cần phân loại Sau rút trích vector đặc trưng đối tượng cần phân lớp, ta đưa đặc trưng vào mô hình SVM để thực việc phân loại Nếu SVM phân loại nhãn lớp ta kết luận đối tượng xe (vehicle), cịn nhãn lớp -1 kết luận đối tượng người (human) Kết cuối ta thu hình bên Kết việc phân loại đối tượng hiển thị dòng chữ màu trắng hình chữ nhật màu đỏ (người Human xe Vehicle) Hình 3.14: Kết cuối việc phân loại đối tượng 45 Chương HIỆN THỰC HỆ THỐNG 4.1 Tập liệu Để chứng tỏ tính hiệu giải thuật đề xuất phân loại đối tượng, Luận văn dùng tập liệu chuẩn PETS 2001 để test đánh giá PETS tập liệu video dành cho lĩnh vực thị giác máy tính Tập liệu phân thành hai loại: TRAINING TESTING Ở luận văn dùng hai video tập TRAINING (PETS D1Trai1.avi, PETS D1Trai2.avi) để huấn luyện Mỗi đoạn video training có độ dài 122s Và dùng video TESTING (PETS D1Tes1.avi, PETS D1Tes2.avi) TESTING (PETS D2Tes1.avi, PETS D2Tes2.avi) để phân loại Mỗi đoạn video testing có độ dài 112s Các video có góc nhìn khác cảnh giám sát Hai video huấn luyện tập Training có góc nhìn đặt camera hai vị trí khác Hình 4.1: Hai video huấn luyện với góc nhìn khác cảnh giám sát Bốn video kiểm thử tập Testing Testing có góc nhìn đặt camera bốn vị trí khác 46 Hình 4.2: Bốn video dùng để phân lớp với góc nhìn khác Ngồi ra, luận văn test video quay cảnh thực Video quay trước Khoa Xây dựng, trường Đại học Bách Khoa Tp HCM Hình 4.3: Video dùng để phân lớp cảnh thực Để chứng tỏ tính xác việc phân loại đối tượng luận văn Luận văn test tập liệu với góc nhìn đặt camera khác nhau, xét hết trường hợp đối tượng có hình dạng khác 47 Hình 4.4: Ví dụ số đối tượng phân loại có góc nhìn quan sát khác 4.2 Kết thực nghiệm đánh giá Chương trình thực ngơn ngữ C++ Microsoft Visual Studio 2012 Chương trình có sử dụng số thư viện như: Opencv-2.4.3, bgslibrary, cvblob-0.10.4, google-diff-match-patch Kết kiểm thử luận văn thu máy tính laptop Sony Vaio VGN-CS36GJ có cấu sau:  Bộ vi xử lý: Intel(R) Core(TM) Duo Processor P8700 2.53GHz  Bộ nhớ RAM: 4.00GB  Hệ điều hành: Window Ultimate 64-bit 4.2.1 Phát đối tượng chuyển động Luận văn sử dụng phương pháp Fast temporal median filter để phát đối tượng chuyển động (Hình 4.5) Với thông số cài đặt: tham số ngưỡng: pixelDiffThreshold = 101, tổng số pixel: totalPixels = 40 Thời gian xử lý phương pháp tương đối tốt, đối tượng phát tương đối rõ ràng Vì vậy, kết phát đối tượng phù hợp làm liệu đầu vào cho bước xử lý sau 48 Speedup Temporal median filter Background subtraction Hình 4.5: Phát đối tượng chuyển động Sau bảng đánh giá kết phát đối tượng đoạn video tập liệu huấn luyện  Đánh giá kết quả: Video Số người thực tế Số người phát Precision PETS D1Trai1.avi 88,8% PETS D1Trai2.avi 10 80% Bảng 4.1: Bảng đánh giá kết thực nghiệm việc phát đối tượng chuyển động sử dụng phương pháp Temporal Median Filter Sau kết phát đối tượng chuyển động chạy với video training PETS D1Trai1 PETS D1Trai2 Hình 4.6: Kết phát đối tượng chuyển động chạy với video training PETS D1Trai1.avi 49 Hình 4.7: Kết phát đối tượng chuyển động chạy với video PETS D1Trai2.avi  Nhận xét: Kết thu việc phát đối tượng chuyển động tương đối tốt Tất đối tượng phát Tuy nhiên vài trường hợp sau việc phát đối tượng khơng xác: - Đối với số vật có chuyển động bị ảnh hưởng mơi trường: gió, ánh sáng,… bị phát nhầm như: xanh có rung rinh, ánh sáng thay đổi đột ngột, … - Ngồi hệ thống khó phát đối tượng xa so với camera giám sát, có thay đổi chuyển động, … 4.2.2 Phân loại đối tượng chuyển động  Kết thực nghiệm: Dữ liệu phần thu thập dạng video gồm hai phần: tập video huấn luyện (PETS D1Trai1.avi, PETS D1Trai2.avi) video kiểm tra (PETS D1Tes1.avi, PETS D1Tes2.avi, PETS D2Tes1.avi, PETS D2Tes2.avi video môi trường cảnh thực Tes3.avi) Tập liệu ảnh huấn luyện trích từ video huấn luyện Video kiểm tra gồm nhiều video, với nhiều ngữ cảnh khác 50  Đánh giá kết quả: PETS D1Tes1.avi Human Vehicle classification classification True False True False Human Vehicles positives positives positives positives Accuracy 91,7% GroundTruth Video PETS D1Tes2.avi 11 10 7 Accuracy 1 0 88,9% Accuracy Tes3.avi 81,3% Accuracy PETS D2Tes2.avi 64,3% Accuracy PETS D2Tes1.avi 6 99,9% Bảng 4.2: Kết việc phân loại đối tượng phương pháp phân lớp SVM liệu Do luận văn chủ yếu phân loại hai đối tượng người xe nên trình thử nghiệm kết quả, luận văn xét hai loại đối tượng để đưa kết khách quan phạm vi giới hạn luận văn Độ xác thể bảng Bảng 4.2 thống kê kết phân loại tập liệu test Bảng thống kê gồm Groundtruth tập liệu kết phân loại cho người (Human) xe (Vehicles), gồm true positives (phân loại đúng) false positives (phân loại sai) Phép đo độ xác định nghĩa sau: Với: - Total number of true positives: tổng số đối tượng phân loại - Total number of grounthtruth: tổng số đối tượng 51 Hình 4.8: Kết phân loại chạy với video PETS D1Tes1.avi Video PETS D1Tes1 gồm đối tượng người đối tượng xe Kết phân loại đối tượng video 91,7 % Đây kết phân loại xác tập liệu testing PETS 2001 Hình 4.9: Kết phân loại chạy với video PETS D1Tes2.avi Video PETS D1Tes2 gồm 11 đối tượng người đối tượng xe Kết phân loại đối tượng video 64,3 % 52 Hình 4.10: Kết phân loại chạy với video PETS D2Tes1.avi Video PETS D2Tes1 gồm 10 đối tượng người đối tượng xe Kết phân loại đối tượng video 81,3 % Hình 4.11: Kết phân loại chạy với video PETS D2Tes2.avi Video PETS D2Tes2 gồm đối tượng người đối tượng xe Kết phân loại đối tượng video 88,9 % 53 Hình 4.12: Kết phân loại chạy với video cảnh thực Tes3.avi Video Tes3 gồm đối tượng người khơng có đối tượng xe Kết phân loại đối tượng video 99,9%  Nhận xét Tóm lại, phân loại đối tượng hình ảnh video vấn đề tương đối khó Mỗi phương pháp có ưu nhược điểm riêng phù hợp với hồn cảnh, tốn khác Để đạt hiệu tốt, ta cần phân tích tốn, hồn cảnh cụ thể lựa chọn phương pháp thích hợp Trong luận văn này, áp dụng phân lớp SVM với đặc trưng dựa vào hình dạng kết hợp với đặc trưng dựa vào chuyển động Kết phân loại cho thấy độ xác cao Tuy nhiên tốc độ xử lý chậm chi phí việc tính tốn đặc trưng, huấn luyện tương đối lớn Để cho mơ hình SVM xác hiệu phụ thuộc nhiều vào tập liệu huấn luyện Tập liệu phải thu thập đủ lớn khách quan Một điều quan trọng kết phương pháp phụ thuộc lớn vào bưóc phát đối tượng chuyển động Do trường hợp mà đối tượng phát sai việc phân loại đối tượng khơng cịn xác 54 Chương TỔNG KẾT 5.1 Kết luận 5.1.1 Kết đạt Luận văn đạt kết sau:  Tìm hiểu xong lý thuyết loại video, loại chuyển động, phương pháp biểu diễn đối tượng  Khảo sát đánh giá cơng trình nghiên cứu liên quan đến phân loại đối tượng đoạn video  Đề xuất giải pháp xây dựng hoàn chỉnh hệ thống phân loại đối tượng chuyển động đoạn video gồm bước từ phát đối tượng chuyển động, rút trích đặc trưng, huấn luyện phân loại đối tượng  Đề xuất hướng nghiên cứu phát triển tương lai 5.1.2 Ưu điểm nhược điểm  Ưu điểm  Kết phân loại tốt điều kiện ánh sáng ban ngày trường hợp có góc nhìn quan sát khác  Thời gian phân loại đối tượng nhanh  Đưa so sánh đánh giá cho phương pháp lựa chọn  Nhược điểm Tuy nhiên luận văn tồn hạn chế:  Tốc độ xử lý chậm  Chưa xử lý hết hoàn toàn nhiễu thay đổi ánh sáng, môi trường  Chỉ phân loại hai loại đối tượng người (human) xe (vehicle) Hệ thống chưa thực phân loại đối tượng khác như: nhóm người, xe đạp, xe gắn máy,… 55 5.2 Hướng phát triển tương lai Hướng phát triển luận văn cụ thể khắc phục hạn chế vừa nêu trên, cụ thể là:  Tối ưu hóa xử lý để đạt thời gian thực  Nghiên cứu cải tiến kỹ thuật giải tốn nhằm đạt hiệu tính xác cao  Phát đa dạng loại đối tượng với nhiều ngữ cảnh khác  Từ luận văn phân loại đối tượng chuyển động đoạn video này, từ tích hợp vào hệ thống giám sát giao thông tự động 56 TÀI LIỆU THAM KHẢO [1] Võ Sỹ Bắc, Đỗ Huy Hoàng, Nguyễn Xuân Tường Huy, and Nguyễn Hoàng Vũ, “Báo cáo đề tài phân lớp dự đoán,” pp 80-91 [2] V Caselles, et al., “Geodesic Active Contours”, International Journal of Computer Vision, Vol 22, No 1, 1997, pp 61-79 [3] Bogomolov Y., Dror G., Lapchev S et al, “Classification of Moving Targets Based on Motion and Appearance”, British Machine Vision Conference, 2003, 2, pp 429-438 [4] L D Cohen, “On active contour models and balloons,” CVGIP: Image Understanding, vol 53, no 2, 1991, pp 211–218 [5] J Canny, “A computational approach to edge detection,” IEEE Trans Pattern Anal Machine lntell., Vol PAMI-8, Nov 1986, pp 679-698 [6] Javed, O and Shah, M., “Tracking and Object Classification for Automated Surveillance,” ECCV, 2002, pp 343–357 [7] R Goldenberg et al., “Fast Geodesic Active Contours,” IEEE Trans Image Processing, vol.10, no 10, 2001, pp 1467–1475 [8] Li Zhihua et al, “High efficient moving object extraction and classification in traffic video surveillance”, Syst Eng Electron 20(4), 2009, pp 858-868 [9] Tsuchiya M and Fujiyoshi H, “Evaluating feature importance for object classification in visual surveillance”, Proc of the 18th IEEE International Conference on Pattern Recognition, 2006, pp 978–981 [10] A Jaimes and Shin-Fu Chang, “Integrating multiple classifiers in visual object detectors learned from user input”, In ACCV 2000, Taiwan, January 8-12, 2000 [11] A J Lipton et al, “Moving target classification and tracking from real-time video”, In Proc of Workshop Applications of Computer Vision, 1998, pp 129–136 [12] R T Collins et al, “A system for video surveillance and monitoring: VSAM final report”, Technical report CMU-RI-TR-00-12, Robotics Institute, Carnegie Mellon University, 2000 [13] M Hung et al, “Speed Up Temporal Median Filter for Background Subtraction”, International Conference on Pervasive Computing, Signal Processing and Applications, 2010, pp 297-300 57 [14]Navneet Dalal and Bill Triggs, “Histograms of Oriented Gradients for Human Detection,” 2005, p [15]Paul Viola and Michael Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features,” 2001, pp 2-3 [16]Jiawei Han and Micheline Kamber, “Data Mining Concepts and Techniques,” 2001, pp 337-344 [17]Colin Campbell, “Introduction to Support Vector Machines” [18]Paul Viola and Michael Jones, “Robust Real-time Object Detection,” pp 4-6 [19] M Piccardi, “Background subtraction techniques: a review”, In Proc.of IEEE International Conference on Systems, Man and Cybernetics, Vol 4, 2004, pp 30993104 [20] Wei Jiang, “Human Feature Extraction in VS image Using HOG Algorithm” [21] J L Barron, D J Fleet, and S S Beauchemin, “Performance of optical flow techniques,” International Journal of Computer Vision, 2004, pp 43–77 [22] R Cutler and L.S Davis, “Robust real-time periodic motion detection, analysis and applications,” In IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003 [23] A J Lipton, “Local application of optic flow to analyse rigid versus non-rigid motion,” Technical Report CMU-RI-TR-99-13, Robotics Institute, Carnegie Mellon University, Pittsburgh, PA, December 2009 [24] L Wixson and A Selinger, “Classifying moving objects as rigid or non-rigid,” In Proc of DARPA Image Understanding Workshop, 2008 [25] M Teague, “Imagine analysis via the general theory of moments”, Journal of Optical Society of American, Vol 70, No 8, 1980, pp 920-930 58 PHẦN LÝ LỊCH TRÍCH NGANG Họ tên: Hồng Phương Thi Ngày, tháng, năm sinh: 01/ 10/ 1988 Nơi sinh: Bà Rịa – Vũng Tàu Địa liên lạc: Khu phố VI, phường Phước Nguyên, Thành phố Bà Rịa, Tỉnh Bà Rịa – Vũng Tàu QUÁ TRÌNH ĐÀO TẠO 2007-2011: Sinh viên khoa Công nghệ thông tin, trường Đại học Sư Phạm Tp HCM 2011-2014: Học viên cao học khoa Khoa Học Kỹ Thuật Máy Tính, trường Đại học Bách Khoa Tp HCM ... tính đối tượng lớp  Phân loại đối tượng gì? Phân loại đối tượng trình phân lớp đối tượng chuyển động thuộc lớp vật (người, phương tiện,…) Các vùng chuyển động phát (trong bước phát đối tượng chuyển. .. định đâu đối tượng chuyển động Cụ thể hơn, đối tượng chuyển động đoạn video thu cách trực quan Đầu trình vết, hình dạng đối tượng chuyển động để làm đầu vào khối phân loại đối tượng chuyển động Khối... trình phân loại đối tượng hệ thống theo dõi giám sát Bài toán phân loại đối tượng Đầu vào toán phân loại đối tượng chuyển động vết đối tượng, đặc trưng đối tượng phát thông qua khối xử lý phát đối