4. Nội dung và bố cục của luận văn
1.6.3 Dự đoán chuyển động của đối tượng
Module dự đoán chuyển động của đối tượng trong hệ thống giám sát video thông minh có vai trò rất quan trọng. Nhiệm vụ của quá trình này là đưa ra các thông tin về đối tượng được theo dõi như đường đi của đối tượng, tốc độ hay hướng chuyển động của đối tượng. Đầu vào của quá trình này là các vị trí và đặc trưng của đối tượng ở những thời điểm trong quá khứ để từ đó đưa ra vị trí tiếp theo của đối tượng.
Ứng dụng của bài toán giám sát vật thể
Sự phát triển của công nghệ thông tin đẩy nhanh sự phát triển của các lĩnh vực xã hội khác. Với sự phát triển của phần cứng cả về phương diện thu nhận và hiển thị cũng như tốc độ xử lý đã mở ra nhiều hướng cho sự phát triển phần mềm. Trong số đó phải kể đến lĩnh phát hiện và vực giám sát tự động.
Một trong những bài toán quan trọng và then chốt trong lĩnh vực phát hiện vật thể tự động đó là bài toán phát hiện đối tượng chuyển động. Đối với bài toán phát hiện đối tượng chuyển động thường được ứng dụng vào một số bài toán sau đây [2] :
▪ Giám sát giao thông
Một trong những ứng dụng phổ biến hiện nay của bài toán phát hiện vật thể trong camera giám sát là theo dõi lưu thông. Từ những hình ảnh ghi lại được từ
camera giao thông được gắn cố định trên các tuyến đường thì chúng đã giúp cho người giám sát giao thông thông qua camera có thể cảnh báo sớm tình trạng ùn tắc từ đó cảnh báo trước hay hướng dẫn người tham gia giao thông chuyển tuyến đường khác để lưu thông. Ngoài ra, với bài toán phát hiện vật thể trong camera còn giúp chúng ta ghi nhận các trường hợp phóng nhanh lạng lách, và từ đó chụp hình lại và truy suất dữ liệu về biển số xe vi phạm để xử lí người vi phạm một cách nhanh chóng...
Hình 1.13. Giám sát giao thông
▪ Phát hiện và phòng chống tội phạm
Giám sát vật thể thông qua từng khung hình của một chuỗi hình ảnh là một chức năng chủ yếu trong các ứng dụng thị giác máy tính (computer vision applications) bao gồm các ứng dụng trong lĩnh vựa an ninh như hệ thống camera theo dõi truyền thống, đảm nhận vai trò theo dõi và cảnh báo, giúp giám sát viên không phải trực tiếp quan sát 24/24: phát hiện chuyển động và cảnh báo xâm phạm, phát hiện các tình huống bất thường dựa trên nhận dạng cử động như ẩu đả, cướp ngân hàng, nguy cơ chết đuối…
Hình 1.14. Theo dõi người đi bộ
(Nguồn: IEEE Computer Vision and Pattern Recognition, 2007).
▪ Nhận diện khuôn mặt người
Ngày xưa, muốn tìm kiếm 1 kẻ tình nghi trong sân bay hay trong siêu thị, các nhân viên an ninh phải tìm kiếm trên tường màn hình camera theo dõi. Ngày nay, công việc đó được làm việc hoàn toàn tự động nhờ vào các hệ thống nhận dạng khuôn mặt người. Phát hiện mặt người trong ảnh là 1 phần quan trọng của hệ thống, để giải quyết tốt việc nhận dạng mặt người sẽ giúp tiết kiệm được thời gian và nâng cao độ chính xác của việc tìm kiếm. Phát hiện mặt người cũng là một bài toán đơn giản, hệ thống chỉ cần phân loại đối tượng đưa vào có phải là mặt người hay không. Ở mức độ cao hơn sau khi phát hiện được là mặt người, các khuôn mặt đó sẽ được so sánh với các khuôn mặt trong dữ liệu để nhận dạng khuôn mặt đó là của ai…
Hình 1.15. Nhận diện khuôn mặt người
Một ứng dụng khác đang được nghiên cứu phát triển là điều khiển xe tự hành, hệ thống camera ghi nhận hình ảnh xung quanh khi xe di chuyển, bằng cảm quan máy tính, định vị làn đường, phát hiện các vật cản và xe khác, nhận biết các bảng chỉ dẫn ... để điều khiển xe.
Hình 1.16. Hệ thống camera điều khiển xe tự hành SCABOR
▪ Tương tác giữa người và máy thông qua cử động
Hình 1.17. Tương tác giữa người và máy thông qua cử động
Với bài toán phát hiện vật thể ngoài việc giám sát giao thông, nhận diện mặt người, phát hiện tội phạm thì bài toán còn có thể giúp chúng ta tương tác với người máy thông qua 1 số cử chỉ đã được lập trình sẵn trên người máy ví dụ như chúng ta
bước đi thì người máy cũng bước đi theo, ta giơ tay trái lên thì người máy cũng giơ tay trái…. Và với ứng dụng này thì con người có thể điều khiển hay hướng dẫn người máy làm việc theo mong muốn của mình chỉ thông qua vài cử chỉ.
Ngoài những ứng dụng nêu trên bài toán còn được áp dụng vào rất nhiều ưng dụng khác như điểm danh sinh viên có mặt trong lớp học hay giám sát hoạt động làm việc tại các khu công nghiệp…
Kết luận chương
Bài toán giám sát vật thể chuyển động thực chất bao gồm ba bài toán nhỏ là phát hiện các đối tượng, phân vùng đối tượng và theo vết đối tượng. Từ đó, hệ thống giám sát vật thể thông thường cũng gồm ba khâu quan trọng nói trên. Để thực hiện tốt việc giám sát vật thể cần thực hiện tốt và đồng bộ cả ba công đoạn phát hiện các đối tượng, phân vùng đối tượng và theo vết đối tượng. Mỗi công đoạn này lại gồm rất nhiều thao tác nhỏ hơn. Chính vì thế, cho đến nay đã có rất nhiều hướng tiếp cận nhằm nâng cao hiệu quả hoạt động của hệ thống giám sát vật thể. Các hệ thống này cũng đã được triển khai rộng khắp trên nhiều lĩnh vực của xã hội.
Trong các phương pháp giám sát hiện nay, mỗi phương pháp có điểm yếu và điểm mạnh của nó. Tuy nhiên, phương pháp lọc Particle có thể khắc phục được các nhược điểm đó. Nó được biết như là phương pháp giám sát tốt nhất hiện nay. Các chương sau, sẽ đưa ra chi tiết về phương pháp lọc Particle cũng như ứng dụng lọc Particle vào bài toán giám sát vật thể.
CHƯƠNG 2 MỘT SỐ PHƯƠNG PHÁP GIÁM SÁT VẬT THỂ CHUYỂN ĐỘNG
Giới thiệu chương
Chương 2 của luận văn nhằm phân tích một số thuật toán giám sát vật thể kinh điển và đặc biệt nhấn mạnh thuật toán Particle Filter, bao gồm làm rõ giải thích cơ sơ toán học của thuật toán Particle Filter trong bài toán ước lượng. Phần đầu chương sẽ giới thiệu về thuật toán này với mục tiêu khắc phục những hạn chế của lọc Kalman trong các bài toàn ước lượng các đại lượng phi tuyến và có phân phối phi Gauss. Phần tiếp theo của chương đề cập đến cơ sở toán học của thuật toán Particle Filter một cách có trình tự như: Tiếp cận Bayesian trong việc xác định hàm phân bố xác suất hậu nghiệm của trạng thái theo giá trị quan sát, áp dụng phương pháp Monte Carlo để xấp xỉ hàm phân bố xác xuất hậu nghiệm này theo các mẫu rời rạc (nhằm khắc phục khó khăn khi tính các tích phân trong không gian nhiều chiều). Phân tích các ưu nhược điểm của các phương pháp lấy mẫu như: phương pháp hàm tích lũy xác suất nghịch đảo (Inversed CDF, phương pháp lấy mẫu loại trừ (Rejection Sampling), thuật toán Metropolis-Hastings (Metropolis Hastings Algorithm), phương pháp lấy mẫu quan trọng (Importance Sampling - IS). Trong thuật toán Particle Filter, việc lấy mẫu sẽ áp dụng phương pháp lấy mẫu quan trọng và hàm phân bố xác suất hậu nghiệm sẽ được xác định thông qua việc chọn hàm mật độ đề xuất phù hợp. Vì vậy, nội dung tiếp theo của chương sẽ đề cập đến vấn đề chọn hàm mật độ đề xuất này. Tiếp đó, luận văn cũng phân tích việc tái chọn mẫu trong các trường hợp mẫu bị suy thoái, đề cập đến các phương pháp quan sát dựa vào màu, hình dáng, mẫu, đề cập đến mô hình ước lượng trạng thái. Phần cuối chương sẽ tổng quát các phương pháp đã kể trên thành lọc Particle.
Một số phương pháp giám sát vật thể