Chƣơng 3 đã trình bày các kết quả thực nghiệm trên bài toánphát hiện và nhận diện đối tƣợng trong hệ thống IoT camera với loại đối tƣợng cụ thể là ngƣời. Các kết quả triển khai đã minh họa cho các nội dung lý thuyết đƣợc trình bày trong chƣơng 2 với những cài đặt cụ thể.
KẾT LUẬN
Phát hiện và nhận dạng đối tƣợng trong hệ thống IoT camera là một vấn đề có tính thời sự và khả năng ứng dụng cao trong thực tế xã hội.Liên quan đến bài toán này có nhiều vấn đề cần nghiên cứu chuyên sâu về cả xử lý ảnh lẫn học máy. Luận văn đã hệ thống một số vấn đề cơ bản trong bài toán phát hiện và nhận dạng đối tƣợng trong hệ thống IoT camera, cả trong nghiên cứu lý thuyết cũng nhƣ trong cài đặt thực tế. Những vấn đề này có thể tóm tắt lại nhƣ sau:
Tổng quan các khái niệm về hệ thống IoT camera cũng nhƣ các đặc điểm của dữ liệu video và các bài toán phát hiện đối tƣợng cũng nhƣ nhận diện đối tƣợng. Trên cơ sở đó, luận văn đƣa ra sơ đồ xử lý chung cho quy trình phát hiện và nhận diện đối tƣợng trên hệ thống IoT camera.
Lý thuyết về một số kỹ thuật phục vụ phát hiện và nhận diện đối tƣợng trong hệ thống IoT camera, cụ thể là một số kỹ thuật tiền xử lý nhƣ phát hiện chuyển động và tách màu nhằm mục tiêu xác định sơ bộ khung hình có đối tƣợng hay không, tiếp đến là các nội dung phát hiện đối tƣợng và nhận diện đối tƣợng theo quy trình của công trình YOLO.
Xây dựng chƣơng trình thử nghiệm cho bài toánphát hiện và nhận diện đối tƣợng trong hệ thống IoT camera với loại đối tƣợng cụ thể là ngƣời.
Luận văn hoàn thành nhƣng để xây dựng đƣợc một hệ thống phát hiện và nhận dạng đối tƣợng trong hệ thống IoT camera phù hợp với yêu cầu thực tế thì còn nhiều vấn đề phải giải quyết nhƣ vấn đề xử lý tăng tính chính xác với những dữ liệu video có độ phân giải thấp phù hợp với khả năng thu thập dữ liệu trong thực tế, vấn đề cải thiện thuật toán để phù hợp với yêu cầu xử lý dữ liệu thời gian thực…
TÀI LIỆU THAM KHẢO
1. Dave, E. "How the next evolution of the internet is changing everything."
The Internet of Things (2011)
2. https://select.advantech.com/water-wastewater-management-ana/ (truy cập
lần cuối 10/8/2020)
3.https://www.ursalink.com/en/solution/smart-city/smart-wastewater-
management/ (truy cập lần cuối 10/8/2020)
4.http://www.piacom.com.vn/nd/tin-hd/piacom-co-hoi-hop-tac-tai-industry- 40-conference.html(truy cập lần cuối 10/8/2020)
5.https://www.milestonesys.com/solutions/platform/video-management- software/(truy cập lần cuối 26/8/2020)
6. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE
conference on computer vision and pattern recognition (pp. 779-788).
7. Viola, P., & Jones, M. (2001, December). Rapid object detection using a boosted cascade of simple features. In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition.
CVPR 2001 (Vol. 1, pp. I-I). IEEE.
8. D. Erhan, C. Szegedy, A. Toshev, and D. Anguelov. Scalable object detection using deep neural networks. In Computer Vision and Pattern
Recognition (CVPR), 2014 IEEE Conference on, pages 2155–2162.
9.P. Sermanet, D. Eigen, X. Zhang, M. Mathieu, R. Fergus, and Y. LeCun. Overfeat: Integrated recognition, localization and detection using convolutional networks. CoRR, abs/1312.6229, 2013
10.https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo- yolov2-28b1b93e2088(truy cập lần cuối 26/8/2020)
11. Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin (2005), Introduction to Data Mining, ISBN 0-321-32136-7
12. M. Everingham, S. M. A. Eslami, L. Van Gool, C. K. I. Williams, J. Winn, and A. Zisserman. The pascal visual object classes challenge: A retrospective. International Journal of Computer Vision, 111(1):98–136, Jan. 2015
13. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. Going deeper with convolutions.
CoRR, abs/1409.4842, 2014
14. M. Lin, Q. Chen, and S. Yan. Network in network. CoRR, abs/1312.4400, 2013