Trong hình 17a là giao diện chƣơng trình thể hiện quá trình xử lý đang tiến hành. Hình 17b là một số thông tin mô tả về quá trình theo dõi chi tiết hoạt động của chƣơng trình. Hình 17c là thể hiện ảnh đƣợc sinh ra từ quá trình tạo chuyển động giả đề nghiên cứu. Vật thể chuyển động đƣợc tách ra từ nền và
hiển thị màu trắng trong hình 17d, còn chuyển động của nó đƣợc theo dõi phân tích trong hình 17e.
Mô hình nền cho kết quả tốt khi mô hình hóa nền ngay cả khi có chuyển động trong chuỗi đào tạo. Khi vật thể chuyển động đứng yên trong một thời gian đủ dài – Tadd – thì nó sẽ mờ dần mô tả quá trình nền hóa các vật thể đứng yên và cũng là biểu hiện rõ nhất cho tính thích nghi của thuật toán trong chƣơng trình này.
KẾT LUẬN
Trong xử lý ảnh, do tính ứng dụng cao của lớp các bài toán liên quan tới phát hiện chuyển động nhƣ phát hiện chuyển động trong các hệ thống theo dõi tự động, nhận dạng chuyển động, cử chỉ, mã hóa hình ảnh,…nên rất nhiều phƣơng pháp đã đƣợc đề xuất. Ban đầu là những đề xuất dựa trên quan điểm xử lý tín hiệu sử dụng bộ lọc Kalman, các kết quả trong lĩnh vực thống kê – sử dụng phân phối chuẩn và phép ƣớc lƣợng xác suất – nhằm mô hình hóa nền và tách các chuyển động khỏi thành phần nền. Cho tới gần đây là các phƣơng pháp dựa trên quan điểm mã hóa dữ liệu, thông tin nhƣ sử dụng từ điển thích nghi thời gian thực phân lớp. Càng ngày, các phƣơng pháp càng cho kết quả tốt hơn, thích nghi tốt hơn với những thay đổi khắt khe của môi trƣờng và đối tƣợng cần phát hiện.
Trong phần ứng dụng phƣơng pháp phát hiện chuyển động vào thực tế, dựa trên thƣ viện xử lý đồ họa mã nguồn mở OpenCV thì chúng ta đã xây dựng một chƣơng trình nguồn là cơ sở để cài đặt thêm các phƣơng pháp mô hình hóa nền khác. Chƣơng trình này cho phép nghiên cứu, đánh giá và cải tiến các thuật toán đang có; đặc biệt là thuật toán mô hình hóa nền sử dụng từ điển thích nghi phân lớp thời gian thực. Qua kết quả thu đƣợc thì thấy chƣơng trình đã phản ánh đúng các yêu cầu của thuật toán đồng thời cũng tạo ra một môi trƣờng giả lập chuyển động phục vụ tốt cho nghiên cứu các thuật toán khác sau này.
Do thời gian nghiên cứu có hạn trong khi đây là một lĩnh vực khó đòi hỏi nhiều thời gian nghiên cứu đồng thời liên quan tới khá nhiều các lĩnh vực chuyên sâu khác nên nội dung Luận văn không khỏi mắc phải những thiếu sót. Kính mong các thầy, cô trong hội đồng khoa học, trƣờng Đại học Công nghệ góp ý để nội dung Luận văn này đƣợc hoàn thiện hơn.
TÀI LIỆU THAM KHẢO Tiếng Anh
1. Ahmed Elgammal, David Harwood, Larry Davis (2000)," Non-parametric Model for Background Subtraction", Erropean Conference on Computer Vision 2000, Vol 2, pp. 751-767.
2. Chris Stauffer, W.E.L Grimson (1999), "Adaptive background mixture models for real-time tracking", IEEE International Conference on Computer Vision and Pattern Recognition 1999, Vol 2, pp. 246-252.
3. Christof Ridder, Olaf Munkelt, Harald Kirchner (1995), "Adaptive Background Estimation and Foreground Detection using Kalman- Filtering", Proceedings of the International Converence on recent Advances in Mechatronics, pp.1-7.
4. Kyungnam Kim, Thanarat H. Chalidabhongse, David Harwood, Larry Davis (2005), "Real-time foreground-background segmentation using codebook model", Elsevier Real-Time Imaging, Vol 11, pp. 172-185. 5. Mohamad Hoseyn Sigari, Madmood Fathy (2008), "Real-time
Background Modeling / Subtration using Two-Layer Codebook Model", Proceedings of the International MultiConverence of Engineers and Computer Scientist 2008, Vol 1.
6. Gary Bradski and Adrian Kaehler (2008), Learning OpenCV, O'reilly, O’Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472.
7. Wren, Christopher R., Ali Azarbayejani, Trevor Darrel, Alex Pentland (1997), "Pfinder: Real-time Tracking of the Human Body", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 19, No 7, pp.780-785.