Chƣơng 3 : CHƢƠNG TRÌNH THỬ NGHIỆM
3.4. Đánh giá kết quả thử nghiệm
Sau khi thực hiện chương trình thừ nghiệm cho 10 video mẫu, kết quả đầu ra cho thấy. Số đối tượng được phát hiện là 337 người trên tổng số đối tượng được ghi nhận là 371 người, tỷ lệ phát hiện đạt được 91,7% (Bảng 3.1).
Như vậy, với một số kỹ thuật áp dụng cho phát hiện và theo dõi đối tượng chuyển động trong bài tốn phân tích đám đơng, có thể khẳng định rằng, đây là phương pháp tối ưu, mang lại hiệu quả cao, đồng thời cho ra kết quả tương đối chính xác và nhanh chóng.
Bảng 3.1. Kết quả đánh giá chƣơng trình thử nghiệm trên 10 video
Tên video
Các tham số đầu vào của video
Kết quả đầu ra đƣợc quan sát và ghi nhận trực tiếp bằng mắt thƣờng (Tính trong
thời gian 20 giây )
Kích thƣớc khung hình Số khung hình / giây Tổng số khung hình Độ dài thời gian (giây) Số đối tƣợng đƣợc phát hiện Tổng số đối tƣợng đƣợc ghi nhận Tỷ lệ phát hiện (%) Ƣớc tính mật độ (người / khung hình Video1 1920*1080 30 600 20 52 56 92,9 11 Video2 1920*1080 30 654 22 47 53 88,7 11 Video3 640*480 14 837 60 41 45 91,1 6 Video4 640*480 14 1000 61 35 37 94,6 8 Video5 768*576 7 795 114 17 18 94,4 8 Video6 1920*1080 2.5 450 225 14 15 93,3 3 Video7 640*480 14 1194 85 24 25 96,0 11 Video8 640*480 14 440 31 36 40 90,0 7 Video9 1920*1080 30 500 25 50 59 84,7 10 Video10 1238*374 10 1059 106 21 23 91,3 9 Tổng cộng 337 371 91,7
54
3.5. Kết luận Chƣơng 3
Chương này đã giới thiệu một số dạng bài tốn, phân tích một số kỹ thuật nhằm giải quyết các bài toán một các hiệu quả nhất từ đó xây dựng chương trình thử nghiệm, đồng thời đánh giá kết quả đạt được sau khi thử nghiệm và đã tiến hành cài đặt thử nghiệm chương trình được trình bày trong Chương 2. Kết quả đạt được là sự thành cơng từ ý tưởng và áp dụng các thuật tốn đã đưa ra của luận văn.
55
KẾT LUẬN VÀ KIẾN NGHỊ
1. Kết quả đạt đƣợc của luận văn
Trong nội dung nghiên cứu đề tài “Nghiên cứu kỹ thuật phân tích đám
đơng trong giám sát tự động dựa vào thị giác máy” bản thân đã tìm hiểu các kỹ thuật trừ nền, phân cụm và áp dụng các phương pháp phát hiện đối tượng, theo dõi đối tượng để giải quyết bài toán đặt ra. Qua nghiên cứu, những kết quả chính mà luận văn đã đạt được như sau:
- Khái quát về một số kỹ thuật phân tích đám đơng.
- Phân tích các phương pháp, tính năng trong giám sát tự động dựa vào thị giác máy thông qua các video.
- Cài đặt thử nghiệm thuật toán áp dụng các kỹ thuật phân tích và xuất ra video đã phát hiện đối tượng chuyển động và ước tính mật độ đối tượng trong đám đơng, đồng thời chạy thử nghiệm chương trình trên dữ liệu là các video tự thu thập.
2. Kiến nghị và hƣớng nghiên cứu tiếp theo
Kỹ thuật phân tích đám đơng trong giám sát tự động dựa vào thị giác máy là đề tài đã, đang và tiếp tục được nhiều nhà nghiên cứu trong và ngồi nước nghiên cứu vì có nhiều ứng dụng to lớn, có tầm quan trọng trong khoa học, thực tiễn. Những hạn chế trong phân tích hành vi đám đơng vẫn cịn.
Trong q trình thực hiện đề tài, do hạn chế về mặt trình độ và thời gian thực hiện luận văn có hạn, chương trình chỉ là phần demo các thuật toán phát hiện chuyển động, phát hiện đối tượng, bám sát đối tượng dựa vào video. Để triển khai thực tế cần đòi hỏi nhiều cải tiến hơn nữa. Hy vọng trong tương lai, những phát triển dưới đây sẽ giúp chương trình hồn thiện hơn.
56
hành vi đối tượng trong đám đông.
- Xây dựng được thuật toán cải thiện chất lượng của video như loại trừ nhiễu, loại trừ bóng và tối ưu hóa các thuật tốn để tăng tốc độ của chương trình.
- Mở rộng thuật tốn có thể đếm được số lượng đối tượng chuyển động tại khu vực đông người.
Hướng nghiên cứu tiếp theo của luận văn là sẽ tiếp tục nghiên cứu sâu hơn nữa các thuật toán tiền xử lý, nâng cao hiệu quả của thuật toán phục vụ cho hệ thống giám sát tự động trong phân tích đám đơng dựa vào thị giác máy.
57
DANH MỤC TÀI LIỆU THAM KHẢO
Trong phạm vi nghiên cứu của đề tài bao gồm:
1. Tài liệu tiếng Việt
[1] TS Lê Thị Kim Nga - Đại học Quy Nhơn “Giáo trình Phân tích đám đơng”.
[2] Tổng quan về Thị giác máy (https://azcomvn.com).
[3] Thị giác máy: Tổng quan về công nghệ AI tiên tiến nhất (https://vntechpedia.com/vi).
[4] Thị giác máy và những ứng dụng không ngờ trong xu thế cơng nghệ hiện nay (https://htigroup.vn).
[5] Tìm hiểu chung về thị giác máy computer vision (https://bkaii.com.vn).
[6] Võ Tấn Khoa (2018),“Nghiên cứu thuộc tính đám đơng trong video giám sát”;
[7] Ngơ Hồng Hiệp (2019), “Thị giác máy tính: Theo dõi và phát hiện đối tượng chuyển động”.
[8] Nguyễn Văn Căn (2020), “Theo dõi và phân tích đối tượng dựa trên biên trong bài toán giám sát đối tượng chuyển động”.
2. Tài liệu tiếng Anh
[9] IEEE Signal Processing Magazine (2010),“Crowd analysis using
computer vision techniques”.
[10] X.Wu, G.Liang, K.K.Lee, and Y.Xu, “Crowd density estimation
using texture analysis and learning” in Proc. IEEE Int. Conf. Robotics and Biomimetics (2006), pp.201-219.
[11] Shivashree G, Dr Anuradha SG (2018):2394-2320, “International Journal of Engineering Research in Computer Science and Engineering (IJERCSE)”
58
Hidalgo, Harald (2018),“Review on Computer Vision Techniques in
Emergency Situations”.
[13] Hyunjoon Jo, Kabir Chug, Ricky J. Sethi (2013), “A review of physics-based methods for group and crowd analysis in computer vision”.
[14] S.R.Balaji, Dr.S.Karthikeyan (2017), International Conference on Intelligent System and Control (ISCO) “A survey on moving object
tracking using image processing”.
[15] Forczmanski, P. Nowosielski, A: Multi-view data aggregation for behaviour analysis in video surveillance systems. In: International
Conference on Computer Vision and Graphics, pp.462-473. Springer (2016).
[16] Kinjal A Joshi, Darshak G.Thakore (2012):2231-2307 InternationalJournal of soft computer and Engineering (IJSCE) “A
survey on moving object detection and tracking in video surveillance system”.
[17] Karim Ismail, Tarek Sayed, Nicolas Saunier (2009) “Automated collection of pedestrian data using computer vision techniques”. [18] Thierry Bouwmans, Fida El Baf, Bertrand Vachon (2010)
“Statistical background modeling for foreground detection: A Survay”.
[19] Alan M, McIvor (2000) “Background subtraction techniques”. [20] M. Seki, T. Wada, H. Fujiwara, K. Sumi, “Background subtraction
based on cooccurrence of image variations,” Proc. CVPR 2003,
Vol. 2, pp. 65-72.
Ngồi việc nghiên cứu từ các tài liệu, có thể tìm thấy từ các nguồn thơng tin khác phù hợp để áp dụng vào một bài tốn phân tích đám đơng.