Chương trình phát hiện đối tượng xâm nhập AntiThief được cài đặt trên ngôn ngữ lập trình C#. Sau đây là một số hàm và lớp chính trong chương trình.
Lớp ImageProcessing: Chức năng chính của lớp này là xử lý các hình ảnh thu được từ camera.
Chức năng chính của chương trình là kết nối với các camera, hiển thị hình ảnh thu từ webcam lên trên form. Khi phát hiện có đối tượng xâm nhập chương trình sẽ tự động đưa ra cảnh báo và lưu lại ảnh có chứa đối tượng xâm nhập. Sau đây sơ đồ hoạt động của chương trình:
Hình 3.2: Sơ đồ hoạt động của chương trình
Bắt đầu Kết nối với webcam
Lựa chọn webcam (Nếu có nhiều) Bắt đầu quan sát Có đối tượng đột nhập? Tự động đưa ra cảnh báo Lưu lại hình ảnh của đối tượng
Khi khởi động chương trình có giao diện như sau:
Trong hộp thoại properties cho phép chúng ta thiết lập các thông số cho ảnh đầu ra. Chúng ta có thể thay đổi loại ảnh, kích cỡ ảnh đầu ra, chất lượng của ảnh (tùy theo từng camera mà các thông số này có thể khác nhau). Nhấn nút Apply để áp dụng và nhân nút OK để đóng hộp thoại này. Khi đó chương trình bắt đầu hiển thị hình ảnh thu được lên form:
Khi chúng ta nhấn vào nút bắt đầu chương trình sẽ bắt đầu quan sát, và khi phát hiện có đối tượng xâm nhập nó sẽ xuất ra thông báo và lưu lại hình ảnh có chứa đối tượng xâm nhập vào thư mục wanted:
PHẦN KẾT LUẬN
Luận văn nhằm đã tìm hiểu và hệ thống hóa một số kỹ thuật phát hiện bất thường dựa vào camera. Trên cơ sở đó cài đặt chương trình thử nghiệm phát hiện bất thường tại khu vực giới nghiêm tại trường Văn hóa I, cụ thể luận văn đã đạt được một số kết quả sau:
Trình bày khái quát về xử lý ảnh, xử lý video và bài toán phát hiện bất thường.
Hệ thống hóa một số kỹ thuật đánh giá sai khác giữa hai khung hình nhằm phát hiện đối tượng xâm nhập bất thường
Cài đặt chương trình thử nghiệm dựa trên kỹ thuật trừ nền. Đánh giá sai khác giữa hai khung hình dựa vào kỹ thuật trừ ảnh dựa vào điểm ảnh.
Cụ thể chương trình đã được cài đặt thực thế giám sát khu vực giới nghiêm của Trường Văn hóa I có kết quả chính xác. Phát hiện được bất thường, lưu lại được sự bất thường.
Do thời gian có hạn nên vẫn còn một số vấn đề mà luận văn chưa giải quyết được. Trong tương lai gần, tác giả sẽ phát triển những kết quả đã nghiên cứu được cũng như tìm hiểu thêm để có thể mở rộng và hoàn thiện đề tài nhằm áp dụng cho thực tiễn:
Kết hợp kỹ thuật trừ ảnh và các kỹ thuật xử lý ảnh khác như trích chọn đặc trưng ảnh, dò biên v. v. . để nhận dạng đối tượng xâm nhập bất thường.
Nghiên cứu và phát triển chương trình thành hệ thống giám sát đối tượng trong hệ thống có nhiều camera.
TÀI LIỆU THAM KHẢO
[1]. Ngô Đức Vĩnh (2016), Kỹ thuật xử lý vùng quan sát và phát hiện bất
thường của các đối tượng trong hệ thống camera giám sát, Luận án tiến sĩ, Trường ĐH Khoa học và Công nghệ.
[2]. Đỗ Năng Toàn, Phạm Việt Bình, Giáo trình xử lý ảnh, Đại học Thái
Nguyên, NXB Khoa học và Kỹ thuật, 2008.
[3]. Alper Yilmaz, Omar Javed and Mubarak Shah, Object Tracking: A
survey, ACM Computing Surveys. Vol. 38. No4, Article 13, 12,2006.
[4]. Badatosh Chanda, Dwijesh Dutta Majumder, Digital Image Processing
and Analysis, Prentice Hall of India, 2001
[5]. C. Stauffer and W. Grimson. Adaptive background mixture models for
realtime tracking. In Proc. of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005.
[6]. Comaniciu,D. ,Ramesh,V. , and Meer, P. Kernel-based object tracking.
IEEE Trans. Patt. Analy. Mach. Intell. 25. 564-575,2003.
[7]. Dorin Comaniciu, Peter Meer “Mean shift analysis and application”,
Proceedings of the seventh IEEE International Conference on Computer Vision, 1999, Vol 2, 1197-1203
[8]. Hampapur, A. , Jain, R. , Weymouth, T. , Digital Video Segmentation,
Proc. ACM Multimedia 94, San Francisco CA, 1994, pp. 357 – 364
[9]. Jyrpi Korki - Anttila (2002), “Automatic color enhancement and sence
change detection of digital video”, Dept of Automation and Systems, Lab of Media Technology, Hensiki University of Technology
[10]. Katharina Quast and Andre Kaup, “AUTO GMM-SAMT: An Automatic
Object Tracking System for Video Surveillance in Trafic Scenarios”, EURASIP Journal on Image and Video Processing, Volume 2011.
[11]. NanLu, Jihong Wang, Q. H. Wu and Li Yang, “An improved motion
detection method for real time surveillence”, IAENG International Journal of Computer Science, 35:1,IJCS_35_1_16.
[12]. Shahraray, B. , Scene Change Detection and Content-Based Sampling of Video Sequences, Digital Video Compression: Algorithms and Technologies, A. Rodriguez, R. Safranek, E. Delp, Editors, Proc. SPIE 2419, 1995, pp. 2 – 13
[13]. Serby, D. Koller-Meier, S. and Gook. L. V. Probabilistic object tracking
using multiple features. In IEEE International Conference of Pattern Recognition (ICPR), 184-187, 2004
[14]. Veenman, C. , Reinders, M. , and Backer, E. Resolving motion
correspondence for densely moving points. IEEE Trans. Patt. Analy. Mach. Intell. 23,1,54-72, 2001.
[15]. Xiong, W. , Lee, J. C. -M. , Ip, M. C. , Net comparison: a fast and effective method for classifying image sequences, SPIE Conf. Storage and Retrieval for Image and Video Databases III, Proceedings, San Jose, CA, 1995, pp. 318 – 328.