Bài viết tập trung tìm hiểu bài toán nhận dạng mẫu hình ảnh bao gồm ảnh tĩnh và video bằng cách dùng mô-men Hu để mô tả hình dạng đối tượng trong khung hình. Mời các bạn cùng tham khảo bài viết để nắm chi tiết hơn nội dung kiến thức.
Hoàng Lê Uyên Thục, Phạm Văn Tuấn 62 NHẬN DẠNG MẪU HÌNH ẢNH SỬ DỤNG MƠ-MEN HU HU’S MOMENTS FOR VISUAL PATTERN RECOGNITION Hoàng Lê Uyên Thục, Phạm Văn Tuấn Trường Đại học Bách khoa, Đại học Đà Nẵng; hluthuc@dut.udn.vn, pvtuan@dut.udn.vn Tóm tắt - Nhận dạng mẫu hình ảnh nhận nhiều quan tâm từ nhà nghiên cứu tính ứng dụng sâu rộng nhiều lĩnh vực khác Trong báo này, chúng tơi tập trung tìm hiểu tốn nhận dạng mẫu hình ảnh bao gồm ảnh tĩnh video cách dùng mơ-men Hu để mơ tả hình dạng đối tượng khung hình Trước tiên, đối tượng quan tâm trích khỏi phần cịn lại khung hình chuyển đổi thành vec-tơ đặc trưng chiều, thành phần vec-tơ giá trị mô-men Hu Tiếp đến, tùy theo liệu xem xét ảnh tĩnh hay video để chọn phương pháp nhận dạng tương ứng dùng mạng nơ-ron nhân tạo hay mơ hình Markov ẩn Các thí nghiệm hai ví dụ nhận dạng liệu ảnh tĩnh phát dáng bệnh lý liệu video cho kết khả quan xét theo tiêu chí tỷ lệ nhận dạng trung bình Abstract - Visual pattern recognition has attracted great attention from researchers due to its far-reaching aplications in many different fields such as optical character recognition, action recognition, abnormal behavior detection, etc In this paper, we concentrate on the recognition of visual pattern including image and video patterns by using set of Hu’s moments to describe the shape of interested objects in an image frame Initially, we extract the object from the rest of image frame, then we transfer the extracted object into a 7-dimension feature vector, each vector component of which is one of the values of Hu’s moments Next, we choose artificial neural network and hidden Markov model to recognize image patterns and video patterns, respectively Experiments on two examples which are plant identification for image data and pathological gait detection for video data show promissing results in terms of total average recognition rate Từ khóa - mơ-men Hu; nhận dạng mẫu hình ảnh; nhận dạng cây; phát dáng bệnh lý; đặc trưng hình dạng Key words - Hu’s moments; visual pattern recognition; plant identification; pathological gait detection; shape-based feature Đặt vấn đề Nhận dạng mẫu hình ảnh (visual pattern recognition), lĩnh vực nghiên cứu theo hướng “hiểu” nội dung ảnh nội dung đoạn video Trong năm gần đây, nhận dạng mẫu hình ảnh thu hút quan tâm nghiên cứu lớn khả ứng dụng phong phú nhiều lĩnh vực khác Đối với liệu ảnh tĩnh, nhận dạng mẫu ứng dụng nhận dạng ký tự quang học chẳng hạn chữ viết tay, nhận dạng khuôn mặt, nhận dạng dấu vân tay, nhận dạng cây, v.v Đối với liệu video, nhận dạng mẫu ứng dụng nhận dạng hành động người, phát kiện bất thường hành vi bạo lực, tai nạn té ngã, v.v… Nhìn chung, hệ thống nhận dạng mẫu hình ảnh gồm có ba bước xử lý trích đối tượng, trích đặc trưng nhận dạng [1] Ở bước thứ nhất, đối tượng quan tâm trích khỏi phần thuật tốn trích đối tượng Tùy theo ứng dụng cụ thể mà đối tượng quan tâm khác nhau, chẳng hạn với ứng dụng nhận dạng khn mặt đối tượng quan tâm khuôn mặt ảnh, với ứng dụng nhận dạng hành động đối tượng quan tâm người đoạn video Đối với liệu ảnh tĩnh tùy vào đặc điểm đối tượng, việc trích đối tượng dựa vào mức ngưỡng, dựa vào đường viền dựa vào cấu trúc ảnh, v.v… [2] Đối với liệu video, phương pháp trích đối tượng phổ biến trừ nền, dựa theo nguyên lý trừ khung hình cho khung hình tham chiếu [3] Tiếp theo, đặc điểm đối tượng hình dạng, màu sắc, chuyển động, v.v… ảnh đoạn video trích biểu diễn dạng vec-tơ đặc trưng đa chiều Để nhận dạng xác, đặc trưng phải chứa đựng đặc tính hữu hiệu đối tượng Có nhiều mô tả đặc trưng công bố, chẳng hạn mô-men Hu [4], ảnh lịch sử chuyển động MHI (Motion History Image) [5], ảnh cường độ chuyển động MII (Motion Intensity Image) [6], v.v… Cuối cùng, thuật toán phân loại áp dụng vào vec-tơ đặc trưng để nhận dạng đối tượng khác Để thực nhiệm vụ này, hệ thống phải trải qua q trình “huấn luyện”, tức phân tích liệu huấn luyện để nắm bắt đặc điểm phân bố xác suất chưa biết liệu Từ đưa suy luận liệu kiểm tra chưa biết Có nhiều phương pháp nhận dạng đề xuất, tiêu biểu mạng nơ-ron nhân tạo ANN (Artificial Neural Network) [7], mơ hình Markov ẩn (HMM) [8], v.v… Trong báo này, tập trung xét trường hợp nhận dạng mẫu hình ảnh đơn giản phân loại lớp Hai ứng dụng chọn nhận dạng ảnh tĩnh phát dáng bệnh lý đoạn video Phần báo gồm nội dung sau: mục giới thiệu tốn nhận dạng, mục trình bày chi tiết hệ thống nhận dạng mẫu hình ảnh đề xuất, mục nêu thí nghiệm kiểm tra, đánh giá hệ thống đề xuất cuối kết luận mục Giới thiệu toán nhận dạng Như nêu trên, mục giới thiệu hai toán nhận dạng mẫu hình ảnh xét báo 2.1 Bài toán nhận dạng ảnh tĩnh Nhận dạng (plant identification) phần việc quan trọng nghiên cứu đa dạng sinh học, nhằm nhận dạng loài quý hiếm, phát loài mới, xếp phân loại loài xác định phân bố địa lý chúng [9] Ngày nay, thay thực nhận dạng theo kiểu truyền thống việc nhận dạng tự động nhờ vào công cụ phần mềm bắt đầu phát triển Phương pháp nhận dạng thực hoàn toàn tự động nên mang tính ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 05(114).2017-Quyển khách quan góp phần đáng kể vào việc tiết kiệm thời gian nhân lực ngành phân loại học bị thiếu hụt Để thực nhận dạng ảnh tĩnh, thử nghiệm với hoa hồng hoa cúc Đây hai loài hoa phổ biến, đa dạng, nhiều màu sắc đặc biệt họ hoa hồng hoa cúc lồi khác bề ngồi khác Hình số mẫu hoa hồng hoa cúc sử dụng tốn 63 có đặc điểm riêng khác với dáng khỏe mạnh Vì thế, mơ tả đặc trưng hình dạng tốt giúp cho q trình nhận dạng thành cơng Qua xem xét mơ tả đặc trưng hình dạng sẵn có, mơ-men Hu chọn dùng cho tốn đặt ra, mơ-men Hu có tính chất bất biến phép dịch chuyển, co giãn phép quay [4] Trong phần nhận dạng, mạng nơ-ron nhân tạo [7] chọn để nhận dạng hoa hồng hoa cúc ảnh tĩnh mơ hình Markov ẩn [8] chọn để phát dáng bệnh Parkinson từ tín hiệu video, ưu điểm bật hiệu nhận dạng cao có sẵn nhiều cơng cụ phần mềm hữu hiệu để hỗ trợ cho huấn luyện/kiểm tra Hệ thống nhận dạng mẫu hình ảnh đề xuất Hình mô tả tổng quan hệ thống nhận dạng đề xuất, bao gồm khối chức trích đối tượng, trích đặc trưng nhận dạng trình bày mục 3.1, 3.2 3.3 Hình Mẫu hoa hồng (hàng trên) hoa cúc (hàng dưới) 2.2 Bài toán phát dáng bệnh lý đoạn video Dáng dấu hiệu quan trọng biểu sức khỏe người Một số vấn đề sức khỏe đau khớp, tổn thương mô, tổn thương thần kinh, v.v… gây bất thường dáng Như vậy, việc phát sớm dáng bệnh lý quan trọng, giúp can thiệp y khoa kịp thời Ngày nay, với thăm khám lâm sàng phương pháp phát dáng bệnh lý tự động bắt đầu nhận nhiều quan tâm nghiên cứu [10] Phương pháp thực tự động dựa vào tín hiệu video liên tục ghi hình bệnh nhân nên giúp phát kịp thời khách quan dáng bệnh lý Để thực phát dáng bệnh lý đoạn video, thử nghiệm với trường hợp phát dáng bệnh Parkinson với góc quay ngang Parkinson bệnh phổ biến người cao tuổi, thể dáng thiếu đánh tay tự nhiên, tay run, bước ngắn, lưng gập chúi người trước [11] Hình số khung hình trích đoạn video dáng Parkinson Hình Mẫu dáng bệnh Parkinson đoạn video Hai tốn nêu trên, nhìn khác hẳn có điểm chung sử dụng đặc trưng hình dạng (shape-based feature) để mơ tả đặc điểm hình dạng đối tượng cần nhận dạng Đối với toán nhận dạng hoa, qua quan sát thấy hầu hết hoa họ hồng cúc, dù thuộc lồi khác có đặc điểm riêng hình dạng khác với bơng hoa thuộc họ khác Đối với toán phát dáng bệnh Parkinson góc quay ngang, qua quan sát thấy dù mức độ bệnh nặng nhẹ khác nhau, dù đối tượng quan sát khác vẻ bên ngồi dáng bệnh Parkinson Hình Sơ đồ khối tổng quát hệ thống đề xuất 3.1 Trích đối tượng Bước nhằm trích đối tượng quan tâm khỏi phần cịn lại khung hình Phương pháp trích đối tượng thực khác tùy vào đối tượng 3.1.1 Trích bơng hoa ảnh Nhìn chung, ảnh hoa ta thấy có vùng màu tương ứng với màu hoa, phần lại Vì thực trích bơng hoa dựa vào màu sắc, cách phân nhóm ảnh thành nhóm nhóm có màu hoa, nhóm có màu nhóm màu cịn lại Thuật tốn phân nhóm chọn K-means với nguyên tắc nhóm điểm ảnh có màu gần lại thành nhóm [12] Ở đây, số nhóm chọn K = có nhóm màu ảnh, trọng tâm ban đầu nhóm chọn ngẫu nhiên Sau phân ảnh làm vùng tương ứng với nhóm màu, ta trích lấy vùng màu cánh hoa để ảnh bơng hoa đen Tiếp thực chuyển ảnh hoa đen thành ảnh xám cuối ảnh nhị phân với điểm trắng thuộc hoa điểm đen thuộc Kết bước xử lý trích bơng hoa ảnh biểu diễn Hình Hình Kết trích bơng hoa ảnh Hồng Lê Un Thục, Phạm Văn Tuấn 64 3.1.2 Trích người đoạn video Như hầu hết hệ thống nhận dạng hành động khác, đối tượng người trích khỏi phương pháp trừ nền, với mơ hình xây dựng mơ hình hợp Gauss GMM (Gaussian Mixture Model) [3] Trong phương pháp này, điểm ảnh biểu diễn tổng có trọng số phân bố Gauss cập nhật qua khung với phân bố Gauss Sau trừ nền, ảnh trích đối tượng xử lý qua số phép hình thái tốn học [2] để chất lượng tốt Cuối cùng, để giảm kích thước ảnh, ta trích lấy vùng quan sát ROI (Region Of Interest) - vùng hình chữ nhật có tâm trùng với trọng tâm đối tượng bao quanh đối tượng Hình ví dụ trích đối tượng người ROI tương ứng Hình Kết trích đối tượng người đoạn video 3.2 Trích đặc trưng hình dạng Trích đặc trưng chuyển đổi đối tượng trích thành vec-tơ đặc trưng đa chiều cho vec-tơ chứa đựng đặc điểm hữu hiệu riêng biệt, giúp phân biệt đối tượng với đối tượng khác mà không cần phải dùng tồn khung hình Như trình bày mục 2.2, đối tượng hoa người mơ tả đặc trưng hình dạng dùng mơ-men Hu Q trình tính tốn giá trị mơ-men Hu làm đặc trưng hình dạng tóm tắt bước sau [4]: • Bước 1: Tính mô-men chiều: mpq = åå x p y q r (x, y) x (1) y đây: (x,y) tọa độ điểm ảnh, ρ(x,y) hàm ảnh nhị phân, là tùy theo điểm ảnh (x,y) thuộc vùng đối tượng vùng tương ứng • Bước 2: Tính mơ-men trung tâm nhằm làm cho mô-men chiều (1) trở nên bất biến dịch chuyển ảnh nhị phân khung hình: m pq = åå(x - x ) p (y - y)q r (x, y) _ x _ (2) y _ _ điểm (x, y ) trọng tâm ảnh nhị phân: x = m10 _ m00 m y = 01 m00 _ • Bước 3: Chuẩn hóa mơ-men trung tâm (2) để chúng bất biến co giãn ảnh nhị phân: m (3) h pq = p+qpq m002 +1 • Bước 4: Tính mơ-men Hu dựa vào mơ-men trung tâm chuẩn hóa (3) theo công thức (4) sau: S1 = h20 + h02 S2 = (h20 - h02 )(h20 - h02 ) + 4h11h11 S3 = (h30 - 3h12 )(h30 - 3h12 ) + (h30 - 3h21 )(h30 - 3h21 ) S4 = (h30 + h12 )(h30 + h12 ) + (h03 + h21 )(h03 + h21 ) S5 = (h30 - 3h12 )(h30 + h12 )[(h30 + h12 )(h30 + h12 ) - 3(h03 + h21 )(h03 + h21 ] + (3h21 - h03 )(h03 + h21 )[3(h30 + h12 )(h30 + h12 ) - (h03 + h21 )(h03 + h21 ] S6 = (h20 - h02 )[(h30 + h12 )(h30 + h12 ) - (h03 + h21 )(h03 + h21 ) + 4h11 (h30 + h12 )(h03 + h21 )] S7 = (3h21 - h03 )(h30 + h12 )[(h30 + h12 )(h30 + h12 ) - 3(h21 + h03 )(h21 + h03 ) - (h30 - 3h12 )(h21 + h02 )[3(h30 + h12 )(h30 + h12 ) - (h21 + h03 )(h21 + h03 )] (4) Khi tính tốn mơ-men Hu, ta nhận thấy giá trị mô-men nhỏ gần (một số mang giá trị âm) Do cần phải ánh xạ điểm vectơ đặc trưng gốc tập gồm mô-men gần sang không gian mới, chúng cách đủ xa để xử lý bước Điều thực đơn giản thơng qua tính logarit trị tuyệt đối mô-men Bằng thực nghiệm, chứng minh việc chuyển đổi mô-men Hu sang không gian nhờ phép logarit, giúp tăng tỷ lệ nhận dạng toàn hệ thống lên đáng kể Bảng đưa kết tính mơ-men Hu ảnh hoa cúc thứ 25 sở liệu hoa Bảng Tập đặc trưng mô-men Hu mẫu liệu ảnh tĩnh trước sau tính logarit Mơ-men Trước logarit Sau logarit S1 0,273778883916765 -1,2954 S2 0,003420124059901 -5,6781 S3 0,001017048934577 -6,8909 S4 0,000025592197673 -10,5732 S5 0,000000004114001 -19,3089 S6 -0,000000312461600 -14,9788 S7 -0,000000102712582 -16,0913 3.3 Nhận dạng Nhiệm vụ cuối hệ thống xác định vectơ đặc trưng trích từ ảnh (hoặc chuỗi vec-tơ đặc trưng trích từ chuỗi khung video) thuộc vào loại mẫu loại mẫu quan tâm huấn luyện cho hệ thống 3.3.1 Nhận dạng hoa Nhận dạng hoa thực nhờ mạng nơ-ron nhân tạo ANN [7] Trong số loại mạng ANN loại perceptron nhiều lớp MLP (Multi Layer Perceptron) tiếng phổ biến [7] Do MLP chọn dùng hệ thống đề xuất MLP mạng ANN tổ chức theo kiểu phân lớp với lớp lớp vào, lớp lớp ẩn Trong hệ thống, số nơ-ron lớp vào 7, số lớp ẩn 1, số nơ-ron lớp ẩn 15, hàm kích hoạt hàm sigmoid, số nơ-ron lớp Hình Hình cho thấy cấu trúc mạng nơ-ron MLP dùng hệ thống đề xuất ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 05(114).2017-Quyển 65 tra, cách lập ma trận: ma trận thứ kích thước 120x7 để chứa 120 vec-tơ đặc trưng 120 ảnh, với mô-men Hu vec-tơ, ma trận thứ hai có kích thước 120x1 biểu diễn 120 đầu mong muốn, đầu có giá trị (ứng với hoa cúc) (ứng với hoa hồng) Hình Mơ hình mạng nơ-ron dùng hệ thống (w: trọng số, b: ngưỡng kích thích nơ-ron) 3.3.2 Nhận dạng dáng bệnh lý Nhận dạng dáng trường hợp riêng nhận dạng hành động nên áp dụng mơ hình nhận dạng hành động phổ biến mơ hình Markov ẩn HMM vào tốn Một mơ hình HMM xác định tham số: số trạng thái ẩn N, số ký hiệu quan sát phân biệt M, ma trận chuyển đổi trạng thái A, ma trận quan sát B phân bố trạng thái khởi đầu π [8] Trong ứng dụng phát dáng bệnh lý, đối tượng cần mơ hình hóa HMM dáng người Dáng có đặc điểm lặp lặp lại theo chu kỳ với số lần lặp tùy ý chuyển động thể bên chu kỳ khơng hồn tồn giống hệt Để mơ hình hóa loại tín hiệu này, hệ thống đề xuất sử dụng mơ hình HMM tuần hồn CHMM (Cyclic HMM) Đây loại mơ hình HMM trái-phải có chuyển tiếp từ trạng thái cuối trạng thái [13] Bằng thực nghiệm chọn số trạng thái ẩn N = số ký hiệu quan sát M = 64 Hình Hình Mơ hình CHMM dùng hệ thống Thực nghiệm kiểm tra đánh giá hệ thống đề xuất Phần trình bày trình thí nghiệm kết thí nghiệm hai toán nêu 4.1 Đánh giá hệ thống nhận dạng ảnh tĩnh Để đánh giá hệ thống, trước hết ta xây dựng sở liệu ảnh hoa hồng hoa cúc Các mẫu hoa sưu tầm từ internet, ảnh có trọn vẹn bơng hoa, với nhiều lồi hoa khác họ, góc chụp khác nhau, kích thước, vị trí màu sắc hoa khác nhằm đảm bảo tính đa dạng cho sở liệu Tổng cộng có 120 ảnh hoa gồm 60 ảnh hoa hồng 60 ảnh hoa cúc thu thập sở liệu Các ảnh cắt thủ công cho có kích thước 100x100 4.1.1 Q trình thí nghiệm nhận dạng hoa Q trình thí nghiệm gồm hai pha huấn luyện kiểm tra, tiến hành theo bước sau: • Bước 1: trích bơng hoa ảnh theo bước trình bày mục 3.1.1 • Bước 2: chuyển ảnh nhị phân thành vec-tơ chiều, theo công thức từ (1) đến (4) • Bước 3: tạo liệu chuẩn bị cho huấn luyện kiểm • Bước 4: thiết lập mạng ANN MLP Hình • Bước 5: chia 120 ảnh làm phần: 84 ảnh (70%) dành cho huấn luyện, 18 ảnh (15%) cho thẩm định (validation) 18 ảnh lại (15%) cho kiểm tra Thơng thường kéo dài thời gian huấn luyện lỗi huấn luyện thấp, nhiên huấn luyện q lâu mơ hình rơi vào tình trạng “học thuộc mẫu” (overtraining) cho lỗi lớn mẫu kiểm tra Để tránh tình trạng này, ta dành 15% ảnh cho thẩm định tiến hành huấn luyện thẩm định lúc dừng trình huấn luyện thấy lỗi thẩm định bắt đầu đảo chiều lên 4.1.2 Kết thí nghiệm nhận dạng hoa Để đánh giá hệ thống, tất mẫu hoa có liệu kiểm tra Ở có tổng cộng 10 đợt huấn luyện - kiểm tra, với đợt huấn luyện - kiểm tra thực tập mẫu kiểm tra khác thực nhiều lần (5 lần) Thực tế cho thấy, đơi có chênh lệch lớn tỷ lệ nhận dạng lần kiểm tra đợt, ví dụ lần kiểm tra đầu đợt thứ tỷ lệ nhận dạng 83,3% lần kiểm tra sau tỷ lệ cịn có 77,8% Theo phân tích có ngun nhân gây tượng thay đổi tập huấn luyện thẩm định lỗi MSE (Mean Square Error) huấn luyện bị phụ thuộc vào giá trị trọng số khởi đầu Kết cuối để đánh giá hệ thống trung bình cộng kết tốt 10 đợt kiểm tra nói biểu diễn dạng ma trận nhầm lẫn (confusion matrix) Bảng Từ ta tính tỷ lệ nhận dạng trung bình 87,88% Đây kết chấp nhận so với chi phí thời gian (mỗi lần huấn luyện chưa đầy 0,5s) Bảng Ma trận nhầm lẫn (%) hệ thống nhận dạng Mẫu hoa Kết nhận dạng Hoa cúc Hoa hồng Hoa cúc 87,95 12,19 Hoa hồng 12,05 87,81 4.2 Đánh giá hệ thống phát dáng bệnh lý đoạn video Để đánh giá hệ thống, trước tiên ta xây dựng sở liệu dáng gồm dáng bình thường dáng bệnh Parkinson Môi trường quay nhà, dọc theo hành lang vào ban ngày Camera thuộc loại 2D thơng dụng đặt vị trí cho ghi hình trọn vẹn thể người với góc quay ngang Tất 10 tình nguyện viên tham gia huấn luyện kỹ tham khảo tài liệu y khoa [11] trước thực ghi hình, nhằm đảm bảo dáng bệnh Parkinson mơ giống thực Mỗi tình nguyện viên thực kiểu dáng 10 lần với Hoàng Lê Uyên Thục, Phạm Văn Tuấn 66 tốc độ khác Như tổng cộng có 200 đoạn video sở liệu, tất định dạng avi, kích thước khung hình 180x144, tốc độ 25 khung hình/giây 4.2.1 Q trình thí nghiệm phát dáng bệnh lý Tương tự mục 4.1.1, q trình thí nghiệm gồm hai pha huấn luyện kiểm tra, tiến hành theo bước sau: • Bước 1: trích đối tượng người theo bước trình bày 3.1.2 • Bước 2: chuyển chuỗi khung hình nhị phân thành chuỗi vec-tơ đặc trưng mơ-men Hu chiều tính theo cơng thức từ (1) đến (4) • Bước 3: chia vec-tơ đặc trưng thành tập huấn luyện trích từ đoạn video huấn luyện tập kiểm tra trích từ đoạn video kiểm tra • Bước 4: rời rạc hóa chuỗi vec-tơ huấn luyện cách lượng tử hóa vec-tơ dựa vào phương pháp Kmeans, với số nhóm K = 64 (hay số ký hiệu quan sát M), huấn luyện mơ hình CHMM ứng với dáng bình thường CHMM ứng với dáng bệnh Parkinson Kết lượng tử hóa vec-tơ cịn bảng mã có 64 từ mã trọng tâm 64 nhóm • Bước 5: rời rạc hóa chuỗi vec-tơ kiểm tra cách tính khoảng cách vec-tơ đến tất từ mã gán cho vec-tơ số nguyên số từ mã gần Sau tính xác suất mà mơ hình CHMM tạo chuỗi vec-tơ kiểm tra, so sánh với định chuỗi vec-tơ kiểm tra ứng với mô hình cho xác suất cao 4.2.2 Kết thí nghiệm phát dáng bệnh lý Để đánh giá hệ thống, tất đoạn video có liệu kiểm tra Ở thực 10 đợt huấn luyện - kiểm tra với đợt để kiểm tra 10 đoạn video ghi hình từ người Kết cuối để đánh giá hệ thống tổng hợp từ tất 10 đợt kiểm tra nói biểu diễn dạng ma trận nhầm lẫn Bảng Từ ta tính tỷ lệ phát dáng bệnh Parkinson 99%, tỷ lệ bỏ sót bệnh 1%, tỷ lệ phát nhầm 0%, tỷ lệ nhận dạng trung bình (cịn gọi độ xác) 99,5% Đây tỷ lệ thành cơng bối cảnh kích thước tập liệu huấn luyện không lớn Bảng Ma trận nhầm lẫn hệ thống phát dáng bệnh lý Mẫu dáng Kết nhận dạng Bệnh Parkinson Bình thường Bệnh Parkinson 99 Bình thường 100 Kết luận Trong báo này, xây dựng hệ thống nhận dạng mẫu hình ảnh với hai ứng dụng nhận dạng hoa ảnh tĩnh phát dáng bệnh lý đoạn video Các giá trị mô-men Hu sử dụng để miêu tả đặc trưng hình dạng đối tượng cho kết khả quan Cụ thể hai mẫu hoa hồng hoa cúc nhận dạng với tỷ lệ 87,88% dáng bệnh lý Parkinson phát với độ xác 99,5% Kết nhờ đóng góp tất khâu xử lý hệ thống, từ trích đối tượng, trích đặc trưng nhận dạng, đặc biệt mô-men Hu mô tả tốt đối tượng ảnh nhị phân với khả bất biến co giãn, vị trí đối tượng xoay ảnh Lời cảm ơn Các tác giả chân thành cảm ơn em sinh viên chương trình tiên tiến AP-ECE, Trung tâm Xuất sắc sinh viên khoa Điện tử - Viễn thông, Trường Đại học Bách khoa, Đại học Đà Nẵng nhiệt tình tham gia xây dựng sở liệu dáng bệnh lý TÀI LIỆU THAM KHẢO [1] Shian-Ru Ke, Hoang Le Uyen Thuc, Yong-Jin Lee, Jenq-Neng Hwang, Jang-Hee Yoo, and Kyoung-Ho Choi, “A Review on VideoBased Human Activity Recognition”, MDPI Computers, vol 2(2), 2013, pp 88-131 [2] Rafael C Gonzalez and Richard E Woods, “Digital Image Processsing,”, 3rd edition, Prentice-Hall, USA, 2006 [3] C Stauffer and W E L Grimson, “Adaptive Background Mixture Models for Real-time Tracking”, IEEE ICCV 1999, Jun 1999, pp 246-252 [4] Zhihu Huang and Jinsong Leng, “Analysis of Hu's Moment Invariants on Image Scaling and Rotation”, 2nd Int Conf on Computer Engineering and Technology (ICCET), 2010, pp 476480 [5] Aaron F Bobick and James W Davis, “The Recognition of Human Movement Using Temporal Templates”, IEEE Transaction on Pattern Analysis and Machine Intelligence, vol 23(3), 2001, pp 257-267 [6] Abdunnaser Diaf and Rachid Benlamri, “An Effective View-based Motion Representation for Human Motion Recognition”, Int Symposium on Modeling and Implementation of Complex Systems, 2010 [7] Yu Hen Hu and Jenq-Neng Hwang, “Handbook of Neural Network Signal Processing”, CRC Press, 2002 [8] Lawrence R Rabiner, “A tutorial on hidden Markov models and selected applications in speech recognition”, Proc IEEE, vol 77(2), 1989, pp 257-286 [9] James S Cope, David Corney, Jonathan Y Clark, Paolo Remagnino, and Paul Wilkin, “Plant species identification using digital morphometrics: A review”, Expert Systems with Applications, vol 39, 2012, pp 7562-7573 [10] E Auvinet, F Multon and J Meunier, “New lower-limb gait asymmetry indices based on a depth camera”, Mdpi Sensors, vol 15(3), pp 4506-4623, 2015 [11] Joseph H Friedman, “Gait Disorders in the Elderly”, Medicine & Health, vol 95(3), 2012, pp 84-85 [12] T Graepel, “Statistical Physics of Clustering Algorithms”, Technical Report 171822, FB Physic, Institute for Theoretical Physics, 1998 [13] Hoang Le Uyen Thuc, Shian-Ru Ke, Jenq-Neng Hwang, Pham Van Tuan, and Truong Ngoc Chau, “Quasi-periodic Action Recognition from Monocular Videos via 3D Human Models and Cyclic HMMs”, Int Conf on ATC, 2012, pp 110-113 (BBT nhận bài: 14/02/2017, hoàn tất thủ tục phản biện: 31/03/2017) ... này, xây dựng hệ thống nhận dạng mẫu hình ảnh với hai ứng dụng nhận dạng hoa ảnh tĩnh phát dáng bệnh lý đoạn video Các giá trị mô-men Hu sử dụng để miêu tả đặc trưng hình dạng đối tượng cho kết... thích nơ-ron) 3.3.2 Nhận dạng dáng bệnh lý Nhận dạng dáng trường hợp riêng nhận dạng hành động nên áp dụng mơ hình nhận dạng hành động phổ biến mơ hình Markov ẩn HMM vào tốn Một mơ hình HMM xác định... để hỗ trợ cho hu? ??n luyện/kiểm tra Hệ thống nhận dạng mẫu hình ảnh đề xuất Hình mơ tả tổng quan hệ thống nhận dạng đề xuất, bao gồm khối chức trích đối tượng, trích đặc trưng nhận dạng trình bày