Phát hiện một số hành vi vi phạm nội quy của học sinh trung học cơ sở dựa trên bag of words và máy học

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM TP HỒ CHÍ MINH Nguyễn Thị Hồng Nhiên PHÁT HIỆN MỘT SỐ HÀNH VI VI PHẠM NỘI QUY CỦA HỌC SINH TRUNG HỌC CƠ SỞ DỰA TRÊN BAG OF WORDS VÀ MÁY HỌC LUẬN VĂN THẠC SĨ MÁY TÍNH Thành phố Hồ Chí Minh – 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM TP HỒ CHÍ MINH Nguyễn Thị Hồng Nhiên PHÁT HIỆN MỘT SỐ HÀNH VI VI PHẠM NỘI QUY CỦA HỌC SINH TRUNG HỌC CƠ SỞ DỰA TRÊN BAG OF WORDS VÀ MÁY HỌC Chuyên ngành: Khoa học máy tính Mã số: 60 48 01 01 LUẬN VĂN THẠC SĨ MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGÔ QUỐC VIỆT Thành phố Hồ Chí Minh – 2017 LỜI CAM ĐOAN  Tơi xin cam đoan luận văn sản phẩm nghiên cứu số liệu luận văn điều tra trung thực Mọi tham khảo dùng luận văn trích dẫn nguồn rõ ràng có độ xác cao phạm vi hiểu biết học viên Tôi xin chịu trách nhiệm nghiên cứu Học viên thực Nguyễn Thị Hồng Nhiên LỜI CẢM ƠN Lời đầu tiên, xin bày tỏ lịng biết ơn sâu sắc đến TS Ngơ Quốc Việt, người tận tình dẫn, góp ý động viên tơi suốt q trình hồn thiện luận văn Tôi xin chân thành cảm ơn thầy cô khoa Công Nghệ Thông Tin trường Đại học Sư Phạm TP HCM, trường Đại học Bách Khoa TP.HCM, trường Đại học Khoa học Tự nhiên TP.HCM, trường Đại học Kinh Tế TP.HCM trực tiếp giảng dạy tôi, giúp có hội học tập nâng cao trình độ chun ngành Khoa Học Máy Tính Tơi xin cảm ơn thầy cô đồng nghiệp, bạn học viên cao học lớp KHMTK26 trường Đại học Sư Phạm TP HCM, em học sinh trường THPT Tân Bình giúp tơi q trình học tập tiến hành TN Xin gửi lời cảm ơn Phòng Sau đại học - trường Đại học Sư Phạm TP HCM, tạo điều kiện thuận lợi để luận văn hoàn thành tiến độ Cuối xin gửi lời tri ân sâu sắc đến gia đình, ch dựa v ng cho tơi nh ng lúc khó khăn để tơi hồn thành tốt luận văn M c dù cố gắng với thời gian có hạn nên luận văn cịn có nhiều khuyết điểm thiếu sót Kính mong nhận góp ý, nhận x t, xây dựng thầy bạn để luận văn hồn chỉnh Một lần n a, xin gửi lời tri ân đến tất người TP Hồ Chí Minh, ngày 28 tháng năm 2017 Tác giả Nguyễn Thị Hồng Nhiên MỤC LỤC Trang phụ bìa Lời cam đoan Lời cảm ơn Mục lục Danh mục ch viết tắt Danh mục bảng Danh mục hình MỞ ĐẦU Chƣơng CƠ SỞ LÍ LUẬN VÀ THỰC TIỄN CỦA ĐỀ TÀI 1.1 Tổng quan vấn đề nghiên cứu 1.1.1 Các cơng trình, đề tài nghiên cứu nước 1.1.2 Các cơng trình, đề tài nghiên cứu nước 1.2 Cơ sở lý thuyết nh ng khái niệm 1.2.1 D liệu video số 1.2.2 Quá trình xử lý ảnh 1.2.3 Phát đối tượng chuyển động 10 1.2.4 Phương pháp biểu diễn ảnh dựa đ c trưng cục SIFT Bag of Words 11 1.2.5 Phân loại đối tượng 14 Tóm tắt chƣơng 17 Chƣơng CƠ SỞ LÝ THUYẾT VỀ PHÁT HIỆN HÀNH VI VI PHẠM NỘI QUY CỦA HỌC SINH TRUNG HỌC CƠ SỞ DỰA TRÊN BAG OF WORDS VÀ MÁY HỌC 19 2.1 Phương pháp trừ phát chuyển động 19 2.1.1 Thuật toán trừ 19 2.1.2 Thuật tốn trừ trung bình 20 2.1.3 Gaussian Mixture Model 21 2.2 Trích chọn đ c trưng cục bất biến (SIFT) 24 2.2.1 Phát điểm cực trị không gian đo 25 2.2.2 Định vị điểm tiềm 27 2.2.3 Xác định hướng cho keypoint 29 2.2.4 Mô tả điểm đ c trưng 29 2.3 Phương pháp biễu diễn ảnh dựa mơ hình Bag of Words 30 2.4 Support Vector Machine 34 Tóm tắt chƣơng 41 Chƣơng THỰC NGHIỆM 44 3.1 Phát biểu toán 44 3.2 Mục đích thực nghiệm 44 3.3 Lựa chọn thuật toán 45 3.4 Môi trường thực nghiệm 45 3.5 Tiến hành thực nghiệm 45 Tóm tắt chƣơng 58 KẾT LUẬN VÀ KIẾN NGHỊ 59 TÀI LIỆU THAM KHẢO 62 DANH MỤC CÁC BẢNG Hình 1.1 Cấu trúc tổng quát video Hình 1.2 Sơ đồ bước trình xử lý ảnh 10 Hình 1.3 Quá trình huấn luyện ảnh 15 Hình 1.4 Quá trình kiểm thử ảnh 15 Hình 1.5 Sơ đồ giải tốn phát hành vi HS 18 Hình 2.1 Hàm mật độ Gauss 21 Hình 2.2 Mơ hình GMM 22 Hình 2.3 Sơ đồ bước thuật toán SIFT 25 Hình 2.4 Quá trình tính khơng gian đo (L) hàm sai khác DoG 26 Hình 2.5 Quá trình tìm điểm cực trị hàm sai khác DoG 27 Hình 2.6 Mơ tả q trình tạo mô tả cục 29 Hình 2.7 Mơ hình Bag of Words 31 Hình 2.8 Các bước biểu diễn ảnh Bag of Words 31 Hình 2.9 Rút trích đ c trưng “Segmentation-based patches” 32 Hình 2.10 Bộ từ điển từ trực quan 33 Hình 2.11 Học “visual vocabulary” 33 Hình 2.12 Bộ từ điển từ trực quan học từ nhóm khn m t 34 Hình 2.13 Biểu diễn ảnh Bag of Words 34 Hình 2.14 Ánh xạ Φ từ không gian Input vào không gian feature 35 Hình 2.15 Học siêu phẳng tối ưu không gian feature 36 Hình 2.16 Kết phát chuyển động trừ trung bình GMM 41 Hình 2.17 Kết biểu diễn ảnh Bag of Words 42 Hình 2.18 Kết nhận dạng hành vi HS không đeo khăn quàng (KKQ) 42 Hình 2.19 Kết nhận dạng hành vi HS đeo khăn quàng (KQ) 43 Hình 3.1 Một số ảnh chụp người 46 Hình 3.2 Một số ảnh crop khu vực cổ HS 47 Hình 3.3 Một số ảnh chụp khu vực cổ HS 48 Hình 3.4 Một số khung hình từ video “HSLOP8.mp4” 49 Hình 3.5 Phát chuyển động GMM với video HSLOP7B.mp4 51 Hình 3.6 Phát chuyển động GMM với video HSLOP8-KKQ.mp4 51 Hình 3.7 Phát chuyển động GMM với video HSLOP8.mp4 52 Hình 3.8 Kết tìm kiếm đ c trưng SIFT 52 Hình 3.9 Kết tìm điểm đ c trưng SIFT điểm trùng khớp ảnh 53 Hình 3.10 Kết nhận dạng hành vi HS video HSLOP7A.mp4 55 Hình 3.11 Kết nhận dạng hành vi HS video HSLOP7B.mp4 56 Hình 3.12 Kết nhận dạng hành vi HS video HSLOP8-KKQ.mp4 57 DANH MỤC CÁC HÌNH VẼ Hình 1.1 Cấu trúc tổng quát video Hình 1.2 Sơ đồ bước trình xử lý ảnh 10 Hình 1.3 Quá trình huấn luyện ảnh 15 Hình 1.4 Quá trình kiểm thử ảnh 15 Hình 1.5 Sơ đồ giải toán phát hành vi HS 18 Hình 2.1 Hàm mật độ Gauss 21 Hình 2.2 Mơ hình GMM 22 Hình 2.3 Sơ đồ bước thuật toán SIFT 25 Hình 2.4 Quá trình tính khơng gian đo (L) hàm sai khác DoG 26 Hình 2.5 Quá trình tìm điểm cực trị hàm sai khác DoG 27 Hình 2.6 Mơ tả q trình tạo mơ tả cục 29 Hình 2.7 Mơ hình Bag of Words 31 Hình 2.8 Các bước biểu diễn ảnh Bag of Words 31 Hình 2.9 Rút trích đ c trưng “Segmentation-based patches” 32 Hình 2.10 Bộ từ điển từ trực quan 33 Hình 2.11 Học “visual vocabulary” 33 Hình 2.12 Bộ từ điển từ trực quan học từ nhóm khn m t 34 Hình 2.13 Biểu diễn ảnh Bag of Words 34 Hình 2.14 Ánh xạ Φ từ không gian Input vào không gian feature 35 Hình 2.15 Học siêu phẳng tối ưu không gian feature 36 Hình 2.16 Kết phát chuyển động trừ trung bình GMM 41 Hình 2.17 Kết biểu diễn ảnh Bag of Words 42 Hình 2.18 Kết nhận dạng hành vi HS không đeo khăn quàng (KKQ) 42 Hình 2.19 Kết nhận dạng hành vi HS đeo khăn quàng (KQ) 43 Hình 3.1 Một số ảnh chụp người 46 Hình 3.2 Một số ảnh crop khu vực cổ HS 47 Hình 3.3 Một số ảnh chụp khu vực cổ HS 48 Hình 3.4 Một số khung hình từ video “HSLOP8.mp4” 49 Hình 3.5 Phát chuyển động GMM với video HSLOP7B.mp4 51 Hình 3.6 Phát chuyển động GMM với video HSLOP8-KKQ.mp4 51 Hình 3.7 Phát chuyển động GMM với video HSLOP8.mp4 52 Hình 3.8 Kết tìm kiếm đ c trưng SIFT 52 Hình 3.9 Kết tìm điểm đ c trưng SIFT điểm trùng khớp ảnh 53 Hình 3.10 Kết nhận dạng hành vi HS video HSLOP7A.mp4 55 Hình 3.11 Kết nhận dạng hành vi HS video HSLOP7B.mp4 56 Hình 3.12 Kết nhận dạng hành vi HS video HSLOP8-KKQ.mp4 57 49 Hình 3.4 Một số khung hình từ video “HSLOP8.mp4”  Xây dựng Dataset D liệu TN bao gồm ảnh, video ghi nhận hành vi HS THCS trường THPT Tân Bình, tỉnh Bình Dương Các video quay từ camera cố định - D liệu dùng để huấn luyện (Train) gồm 3000 ảnh, kích thước 256x256 Chia đơi d liệu gồm 1500 ảnh gán nhãn không đeo khăn quàng “KKQ” 1500 ảnh gán nhãn có đeo khăn quàng “KQ” - D liệu dùng để kiểm tra (Test) gồm video chứa đối tượng HS lớp 7, HSLOP7A.mp4, HSLOP7B.mp4, HSLOP8.mp4, HSLOP8-KKQ.mp4 Video HS có đeo khăn quàng có tên video “HSLOP7A.mp4” với thời lượng 13 giây; kích thước khung hình: 1920x1080; tỷ lệ khung hình giây: 25fps; đ c điểm video: có đối tượng chuyển động Video HS có đeo khăn quàng có tên video “HSLOP7B.mp4” với thời lượng 32 giây; kích thước khung hình: 1920x1080; tỷ lệ khung hình giây: 25fps; đ c điểm video: có đối tượng chuyển động 50 Video HS có đeo khăn quàng có tên video “HSLOP8.mp4” với thời lượng phút 10 giây; kích thước khung hình: 1920x1080; tỷ lệ khung hình giây: 25fps; đ c điểm video: có đối tượng chuyển động Video HS khơng đeo khăn qng có tên video “HSLOP8-KKQ.mp4” với thời lượng 27 giây; kích thước khung hình: 1920x1080; tỷ lệ khung hình giây: 25fps; đ c điểm video: có đối tượng chuyển động  Chƣơng trình thực nghiệm Để kiểm chứng tính hiệu giải pháp đề xuất, kiểm tra số chương trình TN sau: - Chương trình phát đối tượng chuyển động phương pháp trừ trung bình có tên “BackgroundSubtractAverage.py” GMM có tên “BackgroundSubtractGMM.py” - Chương trình rút trích đ c trưng SIFT có tên file “Sift.py” “FeatureMatching-SIFT.py” - Chương trình tìm khoanh vùng đối tượng di chuyển, sau dùng thuật tốn Grabcut để tách đối tượng di chuyển khỏi với file “ObjectDetection.py” - Chương trình phân lớp đối tượng gồm hai phần Train Test với file “finfFeatures.py” “getClass.py” 3.5.4 Kết thực nghiệm  Phát chuyển động Sử dụng phương pháp trừ Gaussian Mixture Model để phát chuyển động - Với video “HSLOP7B.mp4”, thời gian 32 giây, ta có khoảng 800 khung hình (frames) Kết minh họa hình 3.5: 51 Frame5.jpg Fgmask5.jpg Frame10.jpg Fgmask10.jpg Frame535.jpg Fgmask535.jpg Frame790.jpg Fgmask790.jpg Hình 3.5 Phát chuyển động GMM với video HSLOP7B.mp4 - Với video “HSLOP8-KKQ.mp4”, thời gian 27 giây, ta có khoảng 675 khung hình (frames) Kết minh họa hình 3.6: Frame5.jpg Frame355.jpg Fgmask5.jpg Fgmask355.jpg Frame270.jpg Fgmask270.jpg Frame670.jpg Fgmask670.jpg Hình 3.6 Phát chuyển động GMM với video HSLOP8-KKQ.mp4 52 - Với video “HSLOP8.mp4”, thời gian phút 10 giây, ta có khoảng 1750 khung hình (frames) Kết minh họa hình 3.7: Frame10.jpg Fgmask10.jpg Frame550.jpg Fgmask550.jpg Frame874.jpg Fgmask874.jpg Frame1646jpg Fgmask1646.jpg Hình 3.7 Phát chuyển động GMM với video HSLOP8.mp4  Trích chọn đặc trƣng SIFT Sử dụng thuật toán SIFT để trích chọn biểu diễn đ c trưng ảnh Hình 3.8 Kết tìm kiếm đặc trưng SIFT 53 Hình 3.9 Kết tìm điểm đặc trưng SIFT điểm trùng khớp ảnh 54  Biểu diễn ảnh dựa Bag of Words phân loại SVM - Đối với d liệu huấn luyện (Train): kết thực nghiệm với tập d liệu gồm 3000 ảnh, kích thước 256x256, chia đơi d liệu gồm 1500 ảnh gán nhãn không đeo khăn quàng “KKQ” 1500 ảnh gán nhãn đeo khăn quàng “KQ”, thống kê bảng 3.4 Bảng 3.4 Kết TN 3000 ảnh cận khu vực đeo khăn quàng với k= 100, kernel = ‘rbf’ Đếm số hình nhận dạng Lần Train Test KKQ Độ xác (%) KQ Độ xác (%) 50% 50% 668/750 89.1 670/750 89.3 60% 40% 548/600 91.3 527/600 87.8 70% 30% 411/450 91.3 401/450 89.1 80% 20% 269/300 89.7 277/300 92.3 90% 10% 131/150 87.3 135/150 90.0 - Đối với d liệu kiểm tra (Test), tiến hành thực nghiệm với video sau: HSLOP7A.mp4, HSLOP7B.mp4, HSLOP8-KKQ.mp4 Đầu tiên, sử dụng file “ObjectDetection.py” để tách tìm đối tượng di chuyển, sau dùng thuật toán Grabcut để tách đối tượng di chuyển khỏi lưu khung hình (frames) vào thư mục Test để phân loại hành vi đối tượng Lưu ý, thay đổi giá trị default (Minimum area size) ảnh hưởng đến việc tìm đối tượng di chuyển, số lượng frames kết phân loại hành vi đối tượng 55 Kết thực nghiệm video HSLOP7A.mp4 sau: Hình 3.10 Kết nhận dạng hành vi HS video HSLOP7A.mp4 Bảng 3.5 Kết TN video HSLOP7A.mp4 với k= 100, kernel = ‘rbf’ Đếm số hình nhận dạng Minimum area size KQ Độ xác (%) 7000 41/45 91.1 8000 38/42 90.5 56 Kết thực nghiệm video HSLOP7B.mp4 sau: Hình 3.11 Kết nhận dạng hành vi HS video HSLOP7B.mp4 Bảng 3.6 Kết TN video HSLOP7B.mp4 với k= 100, kernel = ‘rbf’ Đếm số hình nhận dạng Minimum area size KQ Độ xác (%) 7000 110/130 84.6 8000 100/116 86.2 57 Kết thực nghiệm video HSLOP8-KKQ.mp4 sau: Hình 3.12 Kết nhận dạng hành vi HS video HSLOP8-KKQ.mp4 Bảng 3.7 Kết TN video HSLOP8-KKQ.mp4 với k= 100, kernel = ‘rbf’ Đếm số hình nhận dạng Minimum area size KQ Độ xác (%) 7000 31/41 75.6 8000 26/31 83.9 58 Tóm tắt chƣơng Trong chương 3, chúng tơi trình bày số vấn đề sau:  Phát biểu toán: Nhằm thấy rõ ý nghĩa thực tiễn toán giải pháp giải toán  Mục đích thực nghiệm: Nhằm kiểm tra tính khả thi hiệu giải pháp phát hành vi vi phạm nội quy HS THCS mà đề xuất đề tài  Vị trí, thời điểm, đối tƣợng thực nghiệm: - Vị trí thu ảnh, video phòng học - Thời điểm ghi video lúc HS vừa đến lớp - Đối tượng TN HS khối 6, 7, 8, trường THPT Tân Bình, tỉnh Bình Dương  Mơi trƣờng thực nghiệm: Sử dụng ngơn ng lập trình Python kết hợp với thư viện OpenCV triển khai môi trường Windows công cụ JetBrains Pycharm Community Edition  Tiến hành hoạt động thực nghiệm: - Thu ảnh với nhiều gốc nhìn, cận khu vực đeo khăn quàng để Train - Thu video phòng học, đối tượng HS để Test - Xây dựng Dataset gồm d liệu ảnh để Train video để Test - Chạy số chương trình TN để kiểm chứng tính hiệu thuật toán đề xuất đề tài  Kết thực nghiệm: - Về phát chuyển động, kết phương pháp GMM tốt phương pháp trừ trung bình - Thuật tốn SIFT tìm kiếm điểm đ c trưng ảnh tìm điểm đ c trưng trùng khớp ảnh - Phương pháp biểu diễn ảnh dựa Bag of Words phân loại SVM phân loại hành vi HS đeo khăn quàng HS không đeo khăn quàng với d liệu thực nghiệm (Dataset) có độ xác 80% 59 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Đối chiếu với mục đích nhiệm vụ đề tài, giải nh ng vấn đề lí luận thực tiễn sau: 1.1 Nghiên cứu sở lí luận đề tài - Nghiên cứu số cơng trình, đề tài khoa học toán phát hiện, theo dõi, phân loại đối tượng ứng dụng thực tiễn chúng - Tìm hiểu số phương pháp, thuật toán xử lý ảnh lĩnh vực thị giác máy tính để giải tốn phát hiện, phân loại đối tượng - Căn vào sở lý thuyết nghiên cứu, xác định giải pháp cụ thể toán đề tài phát hành vi vi phạm HS THCS thực nội quy nhà trường dựa Bag of Words máy học 1.2 Nghiên cứu sở lý thuyết phát hành vi vi phạm HS trung học sở thực nội quy nhà trƣờng dựa Bag of Words máy học - Nghiên cứu phương pháp trừ để phát chuyển động nghiên cứu sử dụng nhiều phương pháp trừ bản, phương pháp trừ trung bình, phương pháp GMM - Nghiên cứu thuật tốn SIFT để trích chọn đ c trưng cục bất biến ảnh, kết hợp với phương pháp biểu diễn ảnh dựa mơ hình Bag of Words - Nghiên cứu phân loại SVM dùng cho toán phân loại đối tượng sử dụng nhiều đạt kết phân loại cao 1.3 Tiến hành thực nghiệm - Xác định tốn mục đích TN - Chọn mơi trường TN, vị trí, thời điểm, đối tượng TN - Tiến hành thu ảnh, video để ghi nhận hành vi HS khối 6, 7, 8, trường THPT Tân Bình, tỉnh Bình Dương - Chụp ảnh nhiều góc nhìn, chạy TN tạo d liệu huấn luyện - Quay video để làm d liệu kiểm tra - So sánh tính hiệu phương pháp trừ trung bình phương pháp GMM để phát chuyển động video “HSLOP7A.mp4” 60 - Dùng phương pháp trừ GMM để phát chuyển động video “HSLOP7B.mp4”, “HSLOP8.mp4”; “HSLOP8-KKQ.mp4” - Sử dụng thuật tốn SIFT để tìm kiếm nh ng đ c trưng ảnh ứng dụng tìm nh ng điểm đ c trưng trùng khớp hai ảnh - Dùng d liệu TN phương pháp đề xuất để phân loại hành vi HS THCS thực nội quy nhà trường Xử lí kết TN phương pháp thống kê tốn học Tóm lại: Kết TN cho thấy, giải pháp đề xuất đề tài phát hành vi vi phạm HS THCS thực nội quy nhà trường Cụ thể phân loại hành vi HS có đeo khăn quàng hành vi HS khơng có đeo khăn qng Hƣớng phát triển đề tài Trong trình thực đề tài, nh ng hạn chế trình độ thời gian thực đề tài có hạn nên đề xuất số giải pháp giải toán đề tài đạt số kết định Tuy nhiên, toán phát hiện, theo dõi, phân loại đối tượng tốn khó phức tạp, có nhiều vấn đề cần xử lý để nâng cao hiệu tốn Vì vậy, muốn triển khai thực tế cần phải tiếp tục nghiên cứu phát triển mở rộng n a - Mở rộng toán đề tài, phân loại hành vi bỏ áo vào quần không bỏ áo vào quần HS - Kiểm thử chương trình video có nhiều đối tượng HS - Nghiên cứu cải thiện phương pháp phát chuyển động để kết phát đối tượng xác Phát triển chương trình môi trường, điều kiện thực tế trường phịng học, ngồi hành lang, sân trường để kiểm tra tính hiệu khả ứng dụng thực tế chương trình Kiến nghị Với mong muốn ứng dụng khoa học công nghệ vào lĩnh vực giáo dục, từ kết đề tài, chúng tơi xin có số kiến nghị sau: 3.1 Đối với Bộ Giáo dục Đào tạo - Hiện nay, khoa học công nghệ phát triển mạnh mẽ có nhiều ứng dụng 61 lĩnh vực đời sống xã hội Vì vậy, Bộ giáo dục đào tạo cần trọng đến vai trò khoa học cơng nghệ giáo dục; cần có nguồn kinh phí dự án để nghiên cứu, phát triển khoa học công nghệ phục vụ lĩnh vực giáo dục, nhằm nâng cao hiệu quản lý, chất lượng giáo dục nước nhà - Cần trang bị hệ thống camera cho trường nhằm h trợ giám sát HS ứng dụng chương trình cơng nghệ để giám sát, quản lý HS tốt - Tạo điều kiện, khuyến khích giáo viên Tin học nghiên cứu cơng trình, đề tài khoa học công nghệ phục vụ cho lĩnh vực giáo dục 3.2 Đối với trƣờng học - Nhận thức tầm quan trọng hệ thống giám sát camera trường khai thác tối đa công dụng hệ thống camera trang bị cho trường - Ban Giám hiệu nhà trường cần đạo, khuyến khích tạo điều kiện cho giáo viên tham gia dự án nghiên cứu khoa học công nghệ Sở, Bộ tổ chức ho c đạo giáo viên tham gia tập huấn để biết sử dụng ứng dụng khoa học công nghệ vào lĩnh vực giáo dục nhằm triển khai, thực hiệu cho nhà trường 3.3 Đối với giáo viên - Hiểu ý nghĩa việc ổn định nề nếp HS tác dụng tích cực đến chất lượng giảng dạy, nâng cao hiệu giáo dục - Mạnh dạn đổi tư tích cực ứng dụng khoa học công nghệ vào giảng dạy, quản lý HS, quản ý giáo dục - Tham gia đầy đủ buổi tập huấn ứng dụng cơng nghệ vào giáo dục tích cực triển khai tốt trường - Tích cực tham gia dự án nghiên cứu khoa học công nghệ Sở, Bộ tổ chức 62 TÀI LIỆU THAM KHẢO Tiếng Việt Nguyễn Văn Căn (2015), Nghiên cứu phát triển số thuật toán phát phân loại phương tiện từ liệu video giao thơng, luận án tiến sĩ tốn học, Viện Khoa Học Công Nghệ Quân Sự Nguyễn Thị Ngọc Hà (2012), Kết hợp so khớp Spatial Pyramid vector hỗ trợ SVM nhận dạng khung cảnh tự nhiên, luận văn thạc sĩ khoa học máy tính, Học Viện Cơng Nghệ Bưu Chính Viễn Thơng Nguyễn Văn Hùng, Nguyễn Văn Xuất, Lê Mạnh Cường (2015), “Một phương pháp phát đối tượng ứng dụng hệ thống tự động bám mục tiêu”, Kỷ yếu Hội nghị Quốc gia lần thứ VIII nghiên cứu ứng dụng Công nghệ thông tin - Hà Nội, tr 444-450 Tạ Thị Ái Nhi (2012), Phát theo vết người từ liệu video, luận văn thạc sĩ khoa học máy tính, ĐH Đà Nẵng Nguyễn Quang Quý (2011), Phát đột nhập camera theo dõi, luận văn thạc sĩ Công nghệ phần mềm, ĐH Công Nghệ - ĐH Quốc Gia Hà Nội Nguyễn Minh Trung, Nguyễn Ngọc Hưng, Đ Thanh Nghị (2013), “Lọc ảnh với mơ hình túi từ trực quan thuật tốn ARCX4-RMNB”, Tạp chí khoa học trường Đại học Cần Thơ, 25, tr 13-25 Tiếng Anh Bashar Tahayna, Mohammed Belkhatir, Saadat M Alhashmi, Thomas O'Daniel (2010), Human Action Detection and Classifcation using Optimal Bag-ofWords Representation, Proceedings of IEEE David G Lowe (2004), Distinctive Image Features from Scale-Invariant Keypoints, the International Journal of Computer Vision Gang Yu, Junsong Yuan (2015), “Fast Action Proposals for Human Action Detection and Search”, provided by the Computer Vision Foundation, in IEEE, pp 1302-1310 63 10 Junsong Yuan, Zicheng Liu (2009), “Video-Based Human Action Detection Resources”, IEEE signal processing magazine, pp 136-139 11 Lamberto Ballan, Marco Bertini, Alberto Del Bimbo, Giuseppe Serra (2009), Video Event Classification Using Bag of Words and String Kernels, Proceedings of Springer 12 S Lazebnik, A Torralba, L Fei-Fei, D Lowe, C Szurka (2012), Lecture “Bag of Words” ... Sơ đồ giải toán phát hành vi HS 19 Chƣơng CƠ SỞ LÝ THUYẾT VỀ PHÁT HIỆN HÀNH VI VI PHẠM NỘI QUY CỦA HỌC SINH TRUNG HỌC CƠ SỞ DỰA TRÊN BAG OF WORDS VÀ MÁY HỌC 2.1 Phƣơng pháp trừ phát chuyển động...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM TP HỒ CHÍ MINH Nguyễn Thị Hồng Nhiên PHÁT HIỆN MỘT SỐ HÀNH VI VI PHẠM NỘI QUY CỦA HỌC SINH TRUNG HỌC CƠ SỞ DỰA TRÊN BAG OF WORDS VÀ MÁY HỌC Chuyên... mơ hình máy học - Xây dựng sở khoa học vi? ??c đề xuất giải pháp phát hành vi vi phạm HS THCS thực nội quy nhà trường dựa Bag of words máy học - Chương trình đọc d liệu video phát hành vi HS THCS