Chúng tôi tiếp tục đánh giá phương pháp thông qua việc xây dựng một ứng dùng cho phép vẽ lại hành trình trực tuyến từ luồng dữ liệu hình ảnh thu thập từ các camera IP. Hình 4.8 và Hình 4.9 minh họa một số hành trình thu được từ các camera Cam1 và Cam2 . Để thuận tiện cho việc theo dõi hệ thống, một số kết quả trung gian đã được hiển thị như kết quả trừ nền, khử bóng, phát hiện người sử dụng HOG+SVM
Hình 4.8. Hành trình được quan sát thường ngày thu từ Cam 1 sử dụng hệ thống đề xuất. Các frame cách nhau 2s. Trong mỗi khung hình: Góc trên: là ảnh thu từ camera. Góc trên bên phải: là kết quả ảnh trừ nền; Góc dưới bên phải: là ảnh sau khi khử bóng; Ảnh này sử dụng kết hợp HOG+SVM vẽ được vùng bao màu đỏ trên ảnh gốc. Hành trình theo trục
thời gian được vẽ ở góc dưới bên trái (màu xanh)
Tương tự, hành trình thu thập từ Cam2 được minh họa trong hình dưới
KẾT LUẬN
Trong luận văn, việc đầu tiên là chúng tôi đã cung cấp một cái nhìn tổng quan về những phương pháp phát hiện và theo bám trong một mạng camera, trong đó tập trung vào những phương pháp, kỹ thuật vượt qua hệ thống chỉ sử dụng một camera như: phối ghép luồng dữ liệu từ nhiều camera. Trong quá trình đó, chúng tôi thu nhận được nhiều kinh nghiệm quan trọng để giải quyết vấn đề trong đề tài như vấn đề bóng khi áp dụng kỹ thuật trừ nền, vấn đề phối ghép camera khi vùng giao nhau giữa camera là nhỏ. Tiếp theo, chúng tôi đã nêu ra được các chi tiết phương pháp thực hiện các bài toán: như bài toán phát hiện người kết hợp giữa kết quả trừ nền và bộ phát hiện HOG+SVM; kỹ thuật khử bóng hiệu quả; Kỹ thuật phối ghép nguồn thông tin từ nhiều camera. Cơ sở lý luận của từng phương pháp cũng như đầy đủ những vấn đề kỹ thuật cần thực hiện. Về cơ bản là những phương pháp này mang tính khả thi, hiệu quả và đạt được mục đích đề ra. Cuối cùng, chúng tôi đã tiến hành đánh giá thực nghiệm dựa trên một bộ CSDL chuẩn về theo dõi và phát hiện người trong môi trường cảm thụ. Các kết quả thử nghiệm được phân tích và minh họa bằng hình ảnh trực quan để cho thấy hiệu quả của từng kỹ thuật đề xuất. Kết quả cuối cùng là hành trình của người đi lại trong môi trường giám sát của mạng camera đã thu thập và phối ghép được với nhau.
Về cơ bản luận văn đạt được mục tiêu đề ra, với các phương pháp thực hiện khoa học, nhất quán, xây dựng được hệ thống hoàn chỉnh và có những đóng góp về cả mặt khoa học lẫn mặt kỹ thuật, song luận văn vẫn còn một số nhược điểm. Đầu tiên là vấn đề theo bám và định danh lại hiện nay chỉ sử dụng kỹ thuật đơn giản như sử dụng từ kết quả phát hiện, và dựa trên tọa độ vùng giao nhau để làm khớp hành trình từ hai camera. Thêm nữa phương pháp đánh giá trong đề tài mới chỉ đánh giá theo các hình minh họa. Các đánh giá chi tiết về mặt định lượng như chất lượng phát hiện người sau khi áp dụng kỹ thuật khử bóng chưa được thực hiện. Kết quả so sánh khi thực hiện các kỹ thuật định danh lại có độ chính xác cao như dựa trên các mô hình học tiên tiến
Về hướng phát triển của đề tài, chúng tôi đưa ra hai hướng phát triển chính. Thứ nhất là đánh giá chi tiết hiệu quả (định lượng) dựa trên các chỉ số như Jicad Index đối với bài toán trừ nền có khử bóng; hiệu quả của việc kết hợp HOG+SVM
đối với dữ liệu sau khi khử bóng; Hiệu quả của bài toán tracking có kết hợp định danh lại. Thứ hai là kết hợp nhiều nguồn thông tin định danh và định vị (cảm biến WIFI, đếm số bước chân người …) để cải thiện chất lượng bài toán giám sát theo dõi, đặc biệt giải quyết vấn đề khó khăn đối với camera hình ảnh như: các đối tượng người bị che khuất hoặc các đối tượng đi theo nhóm.
TÀI LIỆU THAM KHẢO
1 Duc Thanh Nguyen (2012), Human dection from image and videos. Doctor of Philosophy of Computer Science.
2 Phạm Thị Thanh Thủy (2014), Phát hiện, theo vết và định vị đối tượng di động trong môi trường tòa nhà sử dụng thông tin hình ảnh.
3 G.Bradski, J.Davis (2000), Motion Segmentation and Pose Recognition with Motion History Gradients, IEEE Workshop on Applications of Computer Vision.
4 G.Bradski, A.Kaehler (2008), Learning OpenCV, O’Reilly Media Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472.
5 D.Comaniciu, P.Meer (2002), Mean Shift: A Robust Approach Toward Feature Space Analysis, IEEE.
6 N.Dalal, B.Triggs (2005), Histograms of Oriented Gradients for Human Detection pdf. In CVPR.
7 Faugeras, O. (1993), Three Dimensional Computer Vision: A Geometric Viewpoint, MIT Press.
8 Friedman N, Russell S (1997), Image Segmentation in Video Sequences: A Probabilistic Approach. Proceedings Thirteenth Conference on Uncertainty in Artificial Intelligence (UAI 1997), 175-181.
9 Hartley, R.I., Zisserman, A. (2004), Multiple View Geometry in Computer Vision, Cambridge University Press.
10 Massimo Piccardi, “Background subtraction techniques: a review”.
11 A. Prati, I. Mikic, M. Trivedi, R. Cucchiara (2003). Detecting moving shadows: algorithms and evaluation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(7): 918–923.
12 QIN Yin-Shi, SUN Shui-Fa, MA Xian-Bing, HU Song, LEI Bang-Jun (2013)
A Shadow Removal Algorithm for ViBe in HSV Color Space（ICMT 2013), 2013, 966-973.
13 C.Stauffer and W.Grimson (1999), Adaptive Background mixture models for Real-time tracking, pp. 750-755.
14 Triggs, B. (1999), Camera pose and calibration from 4 or 5 known 3d points. In: Proc. IEEE Internat. Conf. Computer Vision
15 Winn, J. and A. Criminisi (2006), Object Class Recognition at a Glance, in Proc. Conf. Computer Vision and Pattern Recognition (CVPR) -- Video Track2006.
16 Xiaogang Wang, Intelligent multi-camera video surveillance: A review
17 Zhaomin Zhu, T.M., Hidekazu Adachi, Osamu Kiriyama, Multi-view Face Detection anh Recognition using Haar-like Features.