Thường trực HĐND thành phố giám sát về tình hình tổ chức thực hiện nhiệm vụ phát triển kinh tế - xã hội, quốc phòng - an ninh 8 tháng năm 2022 10/12/2022 Trường Đại học Cần Thơ công bố thành lập 4 Trường, 1 Khoa và 1 Viện mới 10/10/2022 Theo CNN, khi được các nghị sĩ Mỹ đặt câu hỏi rằng chương trình huấn luyện này có hiệu quả trong xung đột hay không, tướng Clarke nói: "Đúng là có hiệu quả, thưa các Thượng nghị sĩ". Khái niệm kháng chiến cũng bao gồm chiến dịch tuyên truyền rộng rãi, ngăn chặn các thông điệp từ Nga và đảm bảo sự đoàn kết trong cộng đồng người Ukraine. Cảnh sát đã tiến hành bao vây, giám sát chặt nhẽ nhà cựu Thủ tướng Thái Lan. Ảnh: AFP. Hãng tin CNN đêm qua dẫn lời một quan chức cao cấp thuộc đảng Pheu Thai cho hay, cựu Thủ tướng Yingluck Shinawatra hiện đã "an toàn và vui vẻ" ở Dubai. Theo hãng tin Sky News, Bộ Quốc phòng Mỹ dự định xây dựng 3 căn cứ tình báo đặc biệt để theo dõi các hành động của Nga và Trung Quốc từ không gian. Trong đó, một cơ sở quân sự này có thể được đặt ở miền nam Vương quốc Anh hoặc Scotland. Được biết, thiết bị Trước đó, hệ thống ứng dụng quản lý, giám sát hành trình xe cứu thương trên địa bàn thành phố đã được triển khai thí điểm từ đầu tháng 8 đến giữa tháng 9 năm nay. Sau hơn 1 tháng, đã có gần 2.500 lượt xe cấp cứu được điều hành, quản lý trên hệ thống. Dịch Vụ Hỗ Trợ Vay Tiền Nhanh 1s. Tiếng Việt 1900 6451 Ghi nhớ mật khẩu VIETMAP MTP9 thiết bị GPS nhỏ gọn và di động, theo dõi thời gian thực. Với ưu thế nhỏ gọn rất lý tưởng để trong Balo hoặc mang theo bên mình; thuận tiện cho việc theo dõi xe, trẻ em, người cao tuổi, tài sản, Vali du lịch... Với tính năng vượt trội bảo vệ xe cùng cơ chế hoạt động đơn giản và nhanh chóng, thiết bị định vị GPS MTP9 trở thành sự lựa chọn hàng đầu của những người đang sở hữu xe máy. Đặc biệt, sản phẩm này còn có thể tương thích với hầu hết mọi dòng xe số và xe ga trên thị trường hiện nay. SẢN PHẨM ÁP DỤNG BẢO HIỂM TRÁCH NHIỆM SẢN PHẨM Phụ kiện mua cùng Sản phẩm tương tự VIETMAP H720 Sản phẩm camera giám sát trực tuyến H720 quản lý từ xa, giúp đáp ứng đồng thời hai tiêu chuẩn kỹ thuật quan trọng, phù hợp yêu cầu Nghị định 10/2020/NĐ-CP. Liên hệ VIETMAP VT380 VIETMAP VT380 - giải pháp giám sát hành trình hợp chuẩn QCVN 312014/BGTVT Liên hệ VIETMAP AT38L VIETMAP AT38L - Giải pháp giám sát phương tiện dành cho doanh nghiệp vận tải Liên hệ VIETMAP MT4G Thiết bị định vị chống trộm thông minh Giá VIETMAP MTP9 Thiết bị định vị cá nhân Liên hệ VIETMAP VM300 Giải pháp giám sát trự tuyến quản lý từ xa hợp chuẩn Nghị định 10/2020/NĐ-CP, giúp doanh nghiệp giám sát phương tiện giao thông hiệu quả, tối ưu chi phí. Giá VIETMAP VM350 Giải pháp giám sát và quản lý chuyên dụng dành cho doanh nghiệp vận tải, là camera giám sát hành trình trực tuyến hợp chuẩn Nghị Định 10/2020/NĐ-CP. Giá VIETMAP DA250 Camera giám sát hành trình trực tuyến theo Nghị Định 10/2020/NĐ-CP. Giá VIETMAP MDVR Hỗ trợ ghi và phát lại video và âm thanh, truyền tải dữ liệu về máy chủ qua mạng 3G / 4G, GPS và Wi-Fi, giúp người dùng có thể giám sát trên nhiều thiết bị. Liên hệ VIETMAP AT38 4G MIFI VIETMAP AT38 4G MIFI - Thiết bị giám sát hành trình cao cấp Liên hệ Tính năng nổi bật Thông số kỹ thuật Trong hộp có gì Video sản phẩm Tính năng nổi bật THIẾT KẾ NHỎ GỌN KHÔNG CẦN LẮP ĐẶT MTP9 với thiết kế nhỏ gọn. Với ưu thế nhỏ gọn rất lý tưởng để trong Balo hoặc mang theo bên mình; thuận tiện cho việc theo dõi xe, trẻ em, người cao tuổi, tài sản, Vali du lịch. ỨNG DỤNG GIÁM SÁT VIETMAP MOTRAK Ứng dụng & Hệ thống máy chủ giám sát VIETMAP MOTRAK, thiết bị giám sát hành trình thông minh được phát triển bởi chính VietMap hỗ trợ kiểm soát xe mọi lúc, mọi nơi. ĐỊNH VỊ CHÍNH XÁC Sự kết hợp công nghệ GPS và LBS sẽ giúp định vị chính xác người thân và tài sản. THIẾT KẾ NAM CHÂM Thiết kế nam châm thông minh, dễ dàng lắp đặt theo xe và giấu kín. QUẢN LÝ TRẠM Bằng cách đặt điểm, vùng đường giới hạn, ...người dùng có thể tự thiết lập để cảnh báo xe ra vào theo thời gian thực. PIN DUNG LƯỢNG CAO Pin dung lượng cao mAh tích hợp trong giúp kéo dài thời gian hoạt động thiết bị. Thông số kỹ thuật Kích thước sản phẩm Kích thước 86mm x 62mm x 30mm Trọng lượng 158g Cổng sạc USB Điện áp DC 5V Nhiệt độ hoạt động -20℃ ~ 75℃ GSM Băng tần 2G/900/1800 MHz Điện năng tiêu thụ Khi di chuyển 46mA-4V Dừng 70mA-4V Pin trong 10000mAh/ công nghệ pin Li-polymer Tốc độ bản ghi Tùy chọn 10 phút – 120 phút/ lần Chống nước Không Đế hích nam châm Có Giám sát từ xa PC App VietMap Motrak Kích thước 86mm x 62mm x 30mm Thông tin hướng dẫn sử dụng Tham khảo tại đây Sản phẩm đã xem Giám sát hành trình hợp chuẩn TCT-03Thiết bị giám sát hành trình TCT-03 là thiết bị định vị ô tô hoạt động trên băng tần 2G đáp ứng theo quy chuẩn QCVN312014/BGTVT, thích hợp với nhiều dòng xe và các hình thức vận tải khác nhau. Bộ phụ kiện tiêu chuẩn Thiết bị TCT-03, angten GPS, thẻ lái xe, SIM điện thoại. Bộ phụ kiện tích hợp tuỳ chọn ✔️ Hình ảnh Tích hợp thêm camera chụp ảnh, chụp hình 1 phút/ảnh✔️ Cảm biến nhiên liệu Analog, RS232,.. , nhiệt độ, bê-tông,..✔️ Phụ kiện rơ-le tắt bật máy từ xaChính sách bảo hànhBảo hành 1 đổi 1*Phạm vi bảo hành Toàn quốcThời gian bảo hành 12 tháng Gói bảo hành dài hạn ưu đãiNhững tính năng nổi bật không thể thiếu để đáp ứng nhu cầu giám sát hành trình phương tiện & quản lý của Bộ GTVT mọi lúc mọi nơi trên nền tảng Website và Ứng dụng di động TÍNH NĂNG NỔI BẬTDelivery-shipping-worldwide-transportGIÁM SÁT VỊ TRÍ Xác định vị trí phương tiện chính xác, chi tiết đến tận số nhà, trạng thái hoạt động, vận tốc, quãng đường, lái xe,... GIÁM SÁT HÌNH ẢNHGiám sát trực quan bằng hình ảnh liên tục, nhanh chóng với tần suất 1 tháng chi tiết thông tin vận tốc từng giây, thông tin tọa độ, hành trình theo chuẩn QCVN312014/BGTVTBÁO CÁO ĐA DẠNGBáo cáo chuẩn QCVN312014/BGTVT, báo cáo tổng hợp, chi tiết hoạt động,... tuỳ chỉnh báo cáo theo nhu cầu khách hàng HỖ TRỢ TÍCH HỢP Dễ dàng tích hợp cảm biến nhiên liệu, nhiệt độ, bê-tông, nâng hạ ben, thiết bị camera giám sát, rơ-le tắt bật, ...TIỆN ÍCH KHÁC Tích hợp đầu đọc thẻ lái xe trong thiết bị hỗ trợ đọc và ghi thẻ lái xe theo tiêu chuẩn của BGTVTdesign_024-duplicate-copy-graphic-add-plusCreated with BÁO TỨC THỜIPhát tín hiệu cảnh báo khi tài xế quá tốc độ, vi phạm thời gian lái xe, lái xe khi không đăng nhập,...Quản lý phương tiện của bạn đơn giản, tiện dụng, mọi lúc mọi nơi ngay trên thiết bị di động cầm tay. Tìm ứng dụng "TCT GPS 2" trên chợ ứng dụng Google Play & App StoreTẢI ỨNG DỤNG©2021 Công ty TNHH CNN Việt NamCÔNG TY TRÁCH NHIỆM HỮU HẠN CNN VIỆT NAMEmail info - cskh chỉ Lô 14 Nguyễn Cảnh Dị, Đại Kim, Hoàng Mai, Hà NộiSố ĐKKD 0106982892 do Sở KH và ĐT TP Hà Nội cấp ngày 10/09/2015CHÍNH SÁCHĐiều khoán sử dụngHình thức thanh toánChính sách đổi trả & hoàn tiềnChính sách vận chuyểnHình thức bảo mậtChính sách bảo hành ĐẠI HỌC ĐÀ NẴNGTRƯỜNG ĐẠI HỌC BÁCH KHOALÊ CÔNG HIẾUNHẬN DẠNG HÀNH ĐỘNG NGƯỜIBẰNG KỸ THUẬT HỌC SÂU 3D-CNNChuyên ngành Khoa học máy tínhMã số 8480101LUẬN VĂN THẠC SĨ KỸ THUẬTNgười hướng dẫn khoa học TS. HOÀNG VĂN DŨNGĐà Nẵng - Năm 2018LỜI CAM ĐOANMỤC LỤCTRANG BÌALỜI CAM ĐOANMỤC LỤCTRANG TÓM TẮT LUẬN VĂNDANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮTDANH MỤC CÁC HÌNHMỞ ĐẦU ......................................................................................................................... 11. Lý do chọn đề tài .................................................................................................. 12. Mục đích nghiên cứu ............................................................................................ 13. Tổng quan về các nghiên cứu liên quan ............................................................... 24. Đối tượng và phạm vi nghiên cứu ........................................................................ 25. Phương pháp nghiên cứu ...................................................................................... 26. Ý nghĩa khoa học và ý nghĩa thực tiễn ................................................................. 37. Cấu trúc luận văn .................................................................................................. 3CHƯƠNG 1. TỔNG QUAN ........................................................................................... Tổng quan về các hệ thống thông minh ................................................................... Khái niệm ........................................................................................................ Hệ thống tương tác người - máy robot ......................................................... Hệ thống tương tác thực ảo ............................................................................. Hệ thống hỗ trợ chăm sóc bệnh nhân, người già ............................................ Trí tuệ nhân tạo và ứng dụng .................................................................................... Một số khái niệm chung.................................................................................. Một số ứng dụng của trí tuệ nhân tạo ............................................................. Học máy .......................................................................................................... Phân loại phương pháp học máy..................................................................... Mạng neural nhân tạo ..................................................................................... Trích chọn và biểu diễn đặc trưng hình ảnh ........................................................... Đặc trưng ảnh ................................................................................................ Một số phương pháp trích chọn đặc trưng đơn giản ..................................... Mô tả đặc trưng Haar .................................................................................... Mô tả đặc trưng HOG ................................................................................... Mô tả đặc trưng SIFT .................................................................................... Một số ứng dụng trong nhận dạng đối tượng ............................................... Kỹ thuật học sâu ..................................................................................................... Một số khái niệm .......................................................................................... Một lĩnh vực ứng dụng của kỹ thuật học sâu ................................................ Mạng neural học sâu ..................................................................................... 24CHƯƠNG 2. KỸ THUẬT MẠNG TÍCH CHẬP TRONG NHẬN DẠNG HÀNHĐỘNG ............................................................................................................................ Mạng neural tích chập ............................................................................................ Giới thiệu mạng tích chập ............................................................................. Cấu trúc của mạng tích chập CNN ............................................................... Một số mạng neural học sâu sử dụng trong nhận dạng .......................................... Mạng LeNet .................................................................................................. Mạng AlexNet ............................................................................................... Mạng ZFNet .................................................................................................. Mạng GoogLeNet ......................................................................................... Mạng neural tích chập 3D-CNN............................................................................. Phép tích chập 3D ......................................................................................... Kiến trúc 3D- CNN ....................................................................................... Giải pháp nhận dạng hành động bằng mạng tích chập ........................................... Bài toán nhận dạng hành động ...................................................................... Thiết kế mô hình nhận dạng hành động........................................................ Thiết kế mạng neural tích chập nhận dạng hành động ................................. 41CHƯƠNG 3. THỰC NGHIỆM VÀ ĐÁNH GIÁ ......................................................... Môi trường và các công cụ sử dụng thực nghiệm .................................................. Dữ liệu thực nghiệm nhận dạng hành động............................................................ Thiết lập các tham số thực nghiệm hệ thống .......................................................... Tiền xử lý video ........................................................................................... Tạo các lớp ................................................................................................... Quá trình huấn luyện vào đánh giá .............................................................. Phân tích, đánh giá kết quả thực nghiệm ................................................................ Xử lý tăng cường dữ liệu ........................................................................................ Kết quả thực nghiệm............................................................................................... 50KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .................................................................... 56TÀI LIỆU THAM KHẢO ............................................................................................. 57QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN ................................................................ 59BẢN SAO KẾT LUẬN CỦA HỘI ĐỒNG, BẢN SAO NHẬN XÉT CỦA CÁCPHẢN TÓM TẮT LUẬN VĂNNHẬN DẠNG HÀNH ĐỘNG NGƯỜI BẰNG KỸ THUẬT HỌC SÂU 3D-CNNHọc viên Lê Công Hiếu Chuyên ngành Ngành Khoa Học Máy TínhMã số 8480101 Khóa 34 Trường Đại học Bách khoa - ĐHĐNTóm tắt – Nhận dạng hành động đống một vai trò quan trọng trong hệ thống giám sát,tương tác robot-con người và hệ thống tự vận hành. Tuy nhiên, có rất nhiều thử thách vấn đềdo các hình dạng, điều kiện chiếu sáng và sự phức tạp của hành động. Thời gian tính toán vàđộ chính xác thường là những thách thức chính đối với hệ thống nhận dạng hành động. Kỹthuật mạng nơ-ron học sâu như một kỹ thuật của nghệ thuật trong xử lý hình ảnh. Khả nănghọc sâu cao về hành động theo chiều thời gian từ phân tích video đã bị cản trở vì không đồngnhất trong phân lớp, sự giống nhau về hành động. Trong luận văn này trình bày cách tiếp cậnmới dựa trên mạng nơ-ron học sâu liên tục và tăng cường dữ liệu để cải thiện độ chính tiên, mạng nơ-ron học sâu được xây dựng bằng cách sử dụng một số inceptions được sửdụng phép tích chập song song khác nhau nhằm rút ngắn thời gian xử lý. Thứ hai, tăng cườnghình ảnh từ tập dữ liệu huấn luyện tạo ra dữ liệu lớn hơn đủ cho mạng nơ-ron học sâu thựchiện huấn luyện. Mục đích của nó là tránh vấn đề dữ liệu nhỏ trong huấn luyện, dễ dẫn tới kếtquả lỗi lớn, đồng nghĩa là dữ liệu học lớn mạng học sâu tăng cường khả năng học tốt giá kết quả dựa trên một vài tập dữ liệu chuẩn đề xuất. Kết quả đánh giá thử nghiệm vềtập dữ liệu điểm chuẩn cho thấy cách tiếp cận được đề xuất nâng cao hiệu suất lên độ chínhxác 89,53%. So sánh kết quả khác cho thấy rằng phương pháp đề xuất của tôi trong luận vănnày đạt cao hơn hiệu suất hơn hầu hết các phương pháp khóa – Nhận dạng hành động, mạng học sâu, hệ thống giám HUMAN ACTIONS WITH 3D-CNN DEEP LEARNING NETWORKAbstract – Action recognition plays an important task insurveillance systems, robot-humaninteraction and autonomous, systems. However, there are many challenging problems due tovarieties of shape, illumination conditions, and complex of actions. Consuming time andprecision are typicallythe main challenges for action recognition systems. Deep neuralnetwork techniques have dramatically become the state of the art in image processing. Thehigh capacity deep learning on the temporal action from video analysis has been impededbecause of varieties of classes, similarity of actions. This thesis presents a new approachbased on sequential deep neuralnetwork and data augmentation for improving deep neural network is constructed using several inceptions with different parallelconvolutional operations which support reducing consuming time. Second, imageaugmentation of training dataset generates a larger data enough for deep neural networklearning. This proposed task is aimed to address the small data problem. It is utilized forenhancing capabilities of deep learning. The proposed approach was evaluated on somebenchmark datasets. Experimental evaluation on public benchmark dataset shows that theproposed approach enhances performance to accuracy. Comparison results illustratedthat our proposed method reaches higher performance than almost state- of- the- art words - Action recognition, deep learning, surveillance MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮTKý hiệuDiễn giảiTiếng AnhTrí tuệ nhân tạoTiếng ViệtTrí tuệ nhân tạoAIANNArtificial intelligenceTrí tuệ nhân tạoArtificial Neural NetworkMạng nơ-ron nhân tạoCNNConvolution Neural NetworkMạng nơ-ron tích chậpDNNDeep Neural NetworkMạng neural sâuGPUNNGraphics Processing UnitĐơn vị xử lý đồ họaNeural NetworkMạng nơ-ronReLURectified Linear UnitHiệu chỉnh đơn vị tuyến tínhSIFTScale-Invariant FeatureTransformBiến đổi đặc trưng tỉ lệ khôngthay đổiSOMSelf Organizing MapsSupport Vetor MachinesMạng nơ-ron tự tổ chứcMáy vector hỗ trợTTNTSVMDANH MỤC CÁC HÌNHHình Các yếu tố trong tương tác người máy. ........................................................... 5Hình Mô hình mạng neural..................................................................................... 10Hình Quá trình xử lý của một ANN. ...................................................................... 10Hình Ảnh minh họa vector liên kết hệ số góc và liên kết giữa các biên cạnh........ 13Hình Các mẫu đặc trưng cơ bản của Haar. ............................................................. 14Hình 1. . Tính nhanh tổng giá trị pixel trong vùng chữ nhật bất kỳ ............................ 15Hình Quá trình trích đặc trưng HOG ...................................................................... 16Hình Mẫu ảnh đầu vào được chia thành các cell và block để tính đặc trưng HOG......................................................................................................................... 16Hình Tính hướng và độ lớn gradient ...................................................................... 17Hình Tính gradient ảnh a ảnh đa mức xám, b giá trị gradient theo các chiều Xvà Y, c hướng và độ lớn gradient ................................................................. 17Hình Chia hướng theo các bin của lược đồ hướng gradient ................................. 18Hình Sơ đồ tổng quan về trích rút đặc trưng HOG. ............................................. 19Hình Đối tượng trong vùng cửa sổ thay đổi khi co giãn ảnh ............................... 20Hình Tính DoG theo các mức tỷ lệ tạo thành hình chóp ...................................... 21Hình Xác định điểm cực trị dựa vào các mức giá trị DoG ................................... 21Hình Kết quả minh họa tính DoG và tính xác điểm cực trị.................................. 22Hình Mô tả đặc trưng keypoint bằng lược đồ hướng gradient ............................. 22Hình Mô hình mạng neural tích chập nguồn internet .......................................... 25Hình Phép tích chập với bộ lọc nguồn internet .................................................. 26Hình Phép MaxPooling 2x2, stride=2 nguồn internet ..................................... 27Hình Kiến trúc mạng LeNet-5 ................................................................................ 28Hình Kiến trúc 8 lớp của mô hình AlexNet ........................................................... 29Hình Kiến trúc 8 lớp của mô hình FZNet. .............................................................. 31Hình 2. . Một dạng cụ thể của kiến trúc mạng GoogLeNet. ........................................ 32Hình 2. . Module Inception........................................................................................... 33Hình 2. . Mạng neural học sâu đơn giản gồm 3 inception............................................ 34Hình . Ph p tích chập khối 3D-CNN ................................................................... 34Hình a Tích chập 2D, b Tích chập 3D ........................................................... 36Hình Kiến trúc 3D CNN cho nhận dạng hành động, bao gồm 1 lớp hardwired, 3lớp tích chập, 2 lớp subsampling và 1 vàtrích chọn các đặc trưng từ tập dữ liệu lớn và đã đem lại kết quả chính xác cao tronggiải quyết các bài toán TTNT. Cụ thể là nó đã tập trung giải quyết các vấn đề liên quanđến mạng neural về thị giác máy tính, xử lý ngôn ngữ tự nhiên, xử lý giọng nói…Hiện nay, cũng có nhiều nghiên cứu về nhận diện hành động con người thôngqua video để xác định hành vi của con người. Tuy nhiên đây là lĩnh vực này tương đốirộng và hiện có nhiều kỹ thuật khác nhau để giải quyết bài toán này. Vì vậy, trongphạm vi luận văn này tập trung nghiên cứu lý thuyết và sử dụng các kỹ thuật mạng họcsâu 3D CNN vào việc giải quyết bài toán nhận diện hành động con người trong tươngtác người–máy, tập trung hướng đến các hành động bất thường của con người tronglĩnh vực xác định hành động đáng ngờ. Thông qua đó nghiên cứu đề xuất cải tiến cáctham số đầu vào và các thuật toán để tăng hiệu quả về thời gian xử lý và độ chính xácnhận dạng, so sánh kết quả thực hiện với một số cơ sở dữ liệu chuẩn đã có nhằm đánhgiá tính hiệu quả của các kỹ thuật mới được áp Mục đích nghiên cứuMục tiêu chính của đề tài là nghiên cứu nhận dạng hành động người, tập trungvào các hành động bất thường dựa trên các kỹ thuật học sâu mạng tích chập 3D-CNNtrong lĩnh vực thị giác máy tính, các nguyên lý hệ thống tương tác người nghiệm áp dụng kỹ thuật mạng tích chập 3D-CNN trong trích xuất đặctrưng hình ảnh từ video để dự đoán hành động con người phục vụ các hệ thống tươngtác người máy. Từ đó phân tích, đánh giá hiệu quả và độ chính xác trên các thư việnchuẩn có dựng tập dữ liệu và thực nghiệm đoán nhận một số hành động bất thườngtrong hệ thống camera giám sát an Tổng quan về các nghiên cứu liên quanTrong những năm gần đây, lĩnh vực trí tuệ nhân tạo đã được các nhà khoa học,giớ chuyên gia và các công ty công nghệ quan tâm và đầu tư nghiên cứu ứng dụng vàothực tiển nhiều như Google, Baidu,Apple,… . Các cuộc hội thảo về các lĩnh vực trítuệ nhân tạo cũng được tổ chức thường xuyên để giải quyết các bài toán về thị giácmáy tính Computer Vision, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên…Songsong với đó, kỹ thuật học sâu sử dụng trong lĩnh vực thị giác máy tính ngày càng phổbiến nhận diện hình ảnh, các lĩnh vực khác và phát triển nhờ vào tính ưu việt và hỗtrợ của thiết bị phần cứng để tăng tốc độ xử lý GPU/ GPGPU. Đối với bài toán nhậndạng hành động cũng là một lĩnh vực không mới, có rất nhiều bài báo [2] [4][15][16][17][18] tại các hội thảo trình bày này đã được trình bày. Có nhiều giải pháp, kiếntrúc mạng học sâu được đề xuất và đưa ra với các kết quả khác nhau như phương pháp“Two-stream model fusion by SVM” của nhóm tác giả Karen Simonyan, KarenSimonyan [16] cho ra kết quả độ chính xác 88% trên tập UCF101, trên tậpHMDB-51; phương pháp ResNeXt-101 [17] cho ra kết quả độ chính xác trêntập UCF101, trên tập HMDB-51; TDD and iDT [18] cho ra kết quả độ chínhxác trên tập UCF101, trên tập HMDB-51…Ở Việt Nam, việc nghiên cứu về thị giác máy tính Computer Vision và các kỹthuật xử lý ảnh, trí tuệ nhân tạo AI để áp dụng giải quyết các bài toán tự động nhậndạng hành động, nhận diện khuôn mặt …chưa được nghiên cứu nhiều. Các sản phẩmthực tế ứng dụng từ các kỹ thuật và công nghệ này chưa phổ biến. Vì thế trong luậnvăn này, tôi nghiên cứu các kỹ thuật học sâu ứng dụng nhận dạng hành động đáng ngờnhằm hỗ trợ các hệ thống giám sát dựa trên đề xuất kiến trúc mới nhằm cải tiến và tốiưu hóa để cho ra kết quả khả quan hơn các phương pháp trên về độ chính xác, hiệunăng chương Đối tượng và phạm vi nghiên cứuNghiên cứu về các phương pháp học máy Machine Learning, các lĩnh vực họcmáy và thị giác máy tính trong nhận dạng hành động con người trong tương tác ngườimáy, đặc biệt là các hành động đáng ngờ phục vụ cảnh báo giám sát an ninh thông quahệ thống camera giám Hệ thống tương tác người máy và các hệ thống thông Lý thuyết về trí tuệ nhân tạo, mạng neural và mạng học sâu [12], [13].- Đánh giá trên một số cơ sở dữ liệu chuẩn như UCF1 1[5], HMDB51[ ]- Công cụ lập trình Mathlab [15], Python 3. , các thư viện [14]…5. Phương pháp nghiên cứu- Nghiên cứu lý thuyết Tổng hợp thu thập và nghiên cứu các tài liệu có liênquan đến đề tài như đã nêu trong mục 3 bao gồm lý thuyết về xử lý ảnh, trích xuất đặc3trưng ảnh. Lý thuyết về học máy, mạng neural tích chập, kỹ thuật học sâu trong mạng3D-CNN trong nhận dạng hành động con người để phân loại, nhận Phương pháp thực nghiệm Đánh giá một số kỹ thuật thị giác máy tính trongnhận dạng hành động con người, phân tích thiết kế hệ thống nhận dạng hành độngbằng kỹ thuật học sâu 3D-CNN. Lựa chọn công cụ đã có để cài đặt, đề xuất mô hìnhvà thể hiện cụ thể những kết quả đã nghiên cứu, kết quả thực nghiệm so với các cơ sởdữ liệu chuẩn để so sánh đánh Ý nghĩa khoa học và ý nghĩa thực tiễnVới việc nghiên cứu và thực nghiệm kỹ thuật học sâu trong kiến trúc mạng 3DCNN để nhận dạng hành động con người cho ra kết quả mong muốn, sử dụng tập dữliệu huấn luyện lớn đóng vai trò quan trọng trong việc xây dựng mô hình để dự đoánkết quả đầu ra chính xác hơn. Với các tập/bộ dữ liệu lớn bao gồm nhiều hành động thìcó thể áp dụng vào xây dựng các hệ thống trong thực tế mang tính thực tiển cao nhưcác hành động bất thường trong hệ thống tương tác người máy như hỗ trợ giám sát anninh, chăm sóc y tế, người già,…7. Cấu trúc luận vănLuận văn được chia làm 3 chương- Chương Mở Chương 1 Cơ sở lý thuyếtTrình bày được các cơ sở lý thuyết sau+ Tổng quan các hệ thống thông minh.+ Trí tuệ nhân tạo và ứng dụng các khái niệm về học máy, các phương pháphọc máy, mạng neuron nhân tạo.+ Lý thuyết về xử lý ảnh tìm hiểu các phương pháp trích chọn và biểu diễn đặctrưng ảnh.+ Kỹ thuật học sâu Deep Learning khái niệm, mạng neuron học sâu, mạngneuron tích Chương 2 Mạng tích chập 3D-CNN trong nhận dạng phát hiện hànhđộngTrình bày về các nội dung+ Tích chập 3D.+ Kiến trúc 3D CNN trong nhận dạng.+ Thiết kế mô hình nhận dạng hành động.+ Phân tích các thành phần hệ thống.+ Phát biểu bài Chương 3 Thực nghiệm và đánh Kết luận và hướng phát Tài liệu tham 1. TỔNG Tổng quan về các hệ thống thông Khái niệmHệ thống thông minh Intelligent Systems – IS là một hệ thống thực thi mộtmục đích hoạt động xã hội nào đó, nó được xem như một máy tính được kết nối vớicác máy tính khác qua hệ thống mạng internet, có khả năng thu thập và phân tích dữliệu và giao tiếp các hệ thống khác. Các tiêu chí của hệ thống thông minh bao gồm khảnăng học hỏi từ kinh nghiệm, bảo mật, kết nối, khả năng thích ứng theo dữ liệu hiện tạivà khả năng giám sát và quản lý từ ngành công nghệ thông tin, một hệ thống thông minh được định nghĩa làmột tập hợp các phần tử elements hoặc các thành phần components tạo nên một hệthống thực hiện một mục đích chung. Như vậy, ngoài việc nó cấu thành từ các thiết bịthông minh, nó còn bao gồm các hệ thống kết nối các thiết bị lại với nhau bao gồmmạng và các hệ loại hệ thống lớn hơn, các hệ thống phần mềm thông minh AI nhưchatbots, hệ chuyên gia và những loại phần mềm vậy hệ thống thông minh có các đặc điểm sau- Cung cấp cách tiếp cận về mặt phương pháp luận chuẩn để giải quyết nhữngvấn đề quan trọng, phức tạp và nhận được các kết quả nhất quán, đáng tin cậy qua Có khả năng kết nối, giao tiếp với các hệ thống khác, quản lý từ Có Trí tuệ bao gồm khả năng lĩnh hội, khả năng hiểu, khả năng rút kinhnghiệm, khả năng thu lượm và duy trì tri thức, khả năng đáp ứng nhanh và thành côngvới các tình huống mới…- Trí tuệ nhân tạo là một cơ sở cốt yếu để xây dựng các hệ thống thông hệ thống thông minh hiện nay được ứng dụng rất rộng rãi trong tất cả cáclĩnh vực như y tế hệ thống chẫn đoán bệnh, giáo dục trường học thông minh, sảnxuất Công nghiệp Công nghệ in 3D, robot thông minh nổi bật nhất là thành tựu vềrobot Sophia được cấp quyền công dân đầu tiên trên thế giới vào ngày 25-10-2017 tạiẢ Rập Saudi, hệ thống xe tự hành, thành phố thông minh... là các hệ thống thôngminh phổ biến hiện nay ở các nước phát Hệ thống tương tác người - máy robotTương tác người - máy Human-computerinteraction HCI nghiên cứu về việcthiết kế công nghệ máy tính, đặc biệt tập trung tương tác giữa con người người dùngvà máy tính. Theo Các yếu tố trong tương tác người vấn đề nghiên cứu về lĩnh vực HCI Human-Computer-Interaction đều dựatrên cách thức quan sát tương tác con người với máy tính và thiết kế các kỹ thuật màcho ph p con người tương tác với máy tính theo các cách thức mới Hệ thống tương tác thực ảoThực tế ảo virtual reality- VR là một hệ thống giao diện cao cấp giữa người sửdụng và máy tính. Hệ thống này mô phỏng các sự vật và hiện tượng theo thời gianthực và tương tác với người sử dụng qua tổng hợp các kênh cảm giác thị giác, thínhgiác, xúc giác, khứu giác và vị giác Grigore C. Burda, Philippe Coiffet- Đặc tính cơ bản của hệ thống thực tế ảo là+ Tương tác thời gian thực real-time interactitity.+ Cảm giác đắm chìm immersion+ Tính tưởng tượng imagination.- Hệ thống VR gồm 5 thành phần+ Phần mềm.+ Phần cứng.+ Mạng liên kết.+ Người dùng.+ Các ứng Một số ứng dụng chính của VR6+ Công nghiệp ôtô dùng cho công đoạn thiết kế, thử nghiệm an toàn và bánhàng. Các chuyên gia thiết kế có thể xem hình dạng, cũng như chức năng xe mà khôngcần sản xuất ra một mẩu thử nghiệm.+ Quân sự trong lĩnh vực quân sự như trãi nghiệm các môi trường chiến đấu, vũkhí.+ Y học phẩu thuật nội soi trên môi trường ảo.+ Giáo dục các lớp học ảo từ các chuyên gia Hệ thống hỗ trợ chăm sóc bệnh nhân, người giàCùng với sự phát triển của trí tuệ nhân tạo, hệ thống robot chăm sóc sức khỏe chongười già ra đời và phát triển mạnh ở các nước phát triển như Nhật Bản, rô-bôt có thểthay thế con người trong một số nhiệm vụ chăm sóc người già như tập thể dục, rô-bôtđiều dưỡng chăm sốc người già, tuy nhiên nó vẫn là mang tính hỗ trợ, giải phóng cáclao động giãn đơn của y tá và chưa hoàn toàn thay thế con người trong tất cả các dịchvụ chăm sóc y tế cho người Trí tuệ nhân tạo và ứng Một số khái niệm chungCó rất nhiều khái niệm về trí tuệ nhân tạo, trong đó chúng ta có thể hiểu theocách cơ bản như sau“Trí tuệ nhân tạo hay trí thông minh nhân tạo là khoa học nghiên cứu các hànhvi thông minh nhằm giải quyết các vấn đề được đặt ra đối với chương trình máytính”Wikipedia - theo Học viện kỹ thuật quân sự.Hay “Trí tuệ nhận tạo nghiên cứu các mô hình máy tính có thể nhận thức, lậpluận và hành động”Winston, 1992.Ở đây khái niệm về “hành vi thông minh” của một đối tượng thường biểu hiệnqua các hoạt động+ Sự hiểu biết và nhận thức được tri thức.+ Sự suy luận tạo ra các giá trị tri thức mới dựa trên lượng tri thức đã có.+ Quyết định/hành động theo kết quả dựa trên các suy luận.+ Tạo ra các kỹ năng qua quá trình học những tri thức mới.“Tri thức” là được hiểu là bao gồm+ Các khái niệm cơ bản mang tính quy ước hay khái niệm phát triển được hìnhthành từ các khái niệm cơ bản tạo thành phức hợp phức tạp hơn.+ Các phương pháp nhận thức các qui luật, các thủ tục, phương pháp suy diễnhay lý tuệ nhân tạo được chia thành hai lĩnh vực đó là TTNT truyền thống và Trí tuệtính Đối với TTNT truyền thống hầu hết bao gồm các phương pháp hiện được phânloại là phương pháp học máy machine learning, các phương pháp phổ biến như hệchuyên gia, lập luận theo tình huống hay mạng Bayes.+ Trí tuệ tính toán nghiên cứu việc học hoặc phát triển lặp, quá trình học dựa trêndữ liệu kinh nghiệm, các phương pháp chính gồm như mạng Neural, hệ mờ, tính toántiến Một số ứng dụng của trí tuệ nhân tạoNgày nay, TTNT ngày càng được ứng dụng nhiều trong các lĩnh vực khác nhau,từ việc phục vụ đời sống hàng ngày của con người cho đến giáo dục, tài chính ngânhàng, y học, rô-bôt, ôtô tự hành… và thực tế chứng minh rằng việc ứng dụng trí tuệnhân tạo giúp nâng cao hiệu suất lao động, cải thiện chất lượng cuộc sống của conngười, phát triển kinh doanh cho các doanh nghiệp và nó cũng sẽ là nền tảng của rấtnhiều các ứng dụng và dịch vụ mới khác của tương sự phát triển khoa học vật lý lượng tử giúp cho việc tính toán và xử lý songsong của các hệ thống nhanh hơn đáng kể, vì thế việc áp dụng các phương pháp họcmáy vào xử lý các bài toán thực tế ngày một thuận lợi hơn. Trong đó, gần đây kỹ thuậthọc sâu deep learning đã được quan tâm và phát triển mạnh giúp cho máy tính giảiquyết các bài toán trong lĩnh vực học máy ngày càng tốt hơn, mà cụ thể đó là các bàitoán tương tác người – máy trong lĩnh vực thị giác máy tính, nhận thức sự vật, gợi ýtrong các hệ thống lớn, chẩn đoán các bệnh hiếm gặp...Một số ứng dụng phổ biến hiện nay như+ Lĩnh vực giáo dục mô hình trường học thông minh hay học trực tuyến ngàymột phát triển nhờ ứng dụng TTNT vào quá trình tương tác học tập giữa nhà trường vàhọc sinh/sinh viên tạo ra một hệ sinh thái về giáo dục mà ở đó nhà trường và học sinhtương tác với nhau một cách thuận lợi và nhanh chóng thông qua hệ sinh thái này.+ Lĩnh vực y tế chẩn đoán, điều trị và theo dõi bệnh giúp nâng cao chăm sócsức khỏe con người, giảm chi phí chữa bệnh cho người dân, trong đó kể cả các dự ánnhư điều trị ưng thư bằng TTNT Microsoft đang theo đuổi nghiên cứu. Rô-bôt chămsóc y tế…+ Lĩnh vực y tế Nhận dạng hình ảnh, giọng nói, rô-bôt thông minh, xe tự hành,hệ thống tương tác thực ảo…đã phát triển mạnh mẽ nhờ sự phát triển của mạng Neuralhọc sâu/hệ thống xử lý phân tán song song Parallel Distributed processing. Học máy“Học máy hay máy họcmachine learning là một lĩnh vực của TTNT liên quanđến việc nghiên cứu và xây dựng các kỹ thuật cho phép các hệ thống “học” tự động từdữ liệu để giải quyết những vấn đề cụ thể nào đó”Theo wikipedia.Để hiểu gần gũi hơn chúng ta có thể nói học máy là một ngành khoa học giúpmáy tính dự đoán được các dữ liệu mới hay tri thức mới từ các dữ liệu đã biếtTraining Dataset thông qua các giải thuật học dụ như các máy có học cách phân loại thư điện tử xem có phải thư rác spamhay không và tự động xếp thư vào thư mục tương ứng; dạy máy tính rô-bôt cáchbăng qua đường thì theo cách truyền thống bạn sẽ đưa cho nó một loạt quy tắc hướngdẫn cách nhìn trái phải hay đợi xe và người đi qua,… Tuy nhiên nếu dùng học máychúng ta sẽ cho máy tính xem hàng nghìn video quay cảnh người ta băng qua đườngan toàn và hàng nghìn video quay cảnh con người đó bị xe đâm để nó tự học. Từ đómáy tính có thể nhận thức và phân tích nhiều đặc trưng tốt hơn thông minh hơn từcác video để nhận biết được các sự vật hiện tượng mới xung quanh thông qua kho dữliệu đã huấn lĩnh vực nhận dạng hình ảnh, ví dụ như đưa cho máy học nhiều dữ liệu – ảnh mô tả con vật chó, mèo… và mong muốn chương trình của bạn thể đoán1 bức ảnh chưa gặp bao giờ là con vật nào chó, mèo, …. Do vậy, yêu cầu đặt ra làmỗi lần xem qua một ảnh, học máy sẽ phải “ghi nhớ” đặc trưng của con vật nào màulông, vóc dáng, kích thước… Đồng thời học máy phải có khả năng tổng quáthóa những ảnh nó đã xem để có thể dự đoán cho những bức ảnh chưa bao giờ Phân loại phương pháp học máyTheo phân nhóm dựa trên phương thức học thì học máy có 4 nhóm sau+ Học có giám sát Supervised learning là học với tập dữ liệu huấn luyệnban đầu hoàn toàn được gán nhãn từ trước. Học có giám sát là phương pháp học sửdụng cho lớp bài toán phân lớp, phân loại Classification.Đối với bài toán học có giám sát chúng ta thực hiện 3 bước như sau1. Thực hiện phân lớp chuẩn bị một tập dữ liệu huấn luyện trainning dataset,sau đó thực hiện gán nhãn cho tập dữ liệu này để có tập dữ liệu huấn Dùng một số thuật toán phân lớp ví dụ như là thuật toán SVM SupportVector Machine, K láng giềng gần nhất K Nearest Neighbours – KNN; tiếp cận xácsuất thống kê Naïve Bayes; Cây quyết định Decision Tree; sử dụng mạng neuralNeural Network;… để xây dựng bộ phân lớp để học tập dữ liệu huấn luyện. Quátrình này sẽ dung tập dữ liệu huấn luyện để huấn luyện bộ phân Sử dụng một tập dữ liệu kiểm tra Test Dataset đã được gán nhãn trước, đểkiểm tra tính đúng đắn của bộ phân lớp. Sau đó, có thể dùng bộ phân lớp để phân lớpcho các dữ liệu mới.+ Học không có giám sát unsupervised learning là học với tập dữ liệu huấnluyện ban đầu hoàn toàn chưa được gán nhãn, là phương pháp học sử dụng cho các lớpbài toán gom cụm, phân cụm clustering.Đối với bài toán học không có giám sát chúng ta thực hiện các bước như sau1. Phân cụm để thực hiện phân cụm trước tiên cần một tập dữ liệu huấn luyệnTraining dataset – là một tập các mẫu dữ liệu học Training examples. Trong đó,mỗi mẫu dữ liệu học chỉ chứa thông tin biểu diễn mà không có bất kỳ thông tin gì vềnhãn lớp hoặc giá trị dữ liệu đầu ra mong Áp dụng một thuật toán học không có giám sát để học hàm/mô hình mục tiêutrong trường hợp này là hàm phân cụm ứng với thuật toán được chọn. Việc lựa chọnsử dụng thuật toán nào tùy thuộc vào dữ liệu và mục đích của các bài toán yêu cầu, tuynhiên các thuật toán phổ biến thường hay được sử dụng là k-means, HACHiearchical Agglomerative Clustering, SOM Self-Organizing Map, DBSCAN,FCM,...3. Sử dụng một phương pháp thử nghiệm có thể kết hợp với một tập dữ liệu cógán nhãn để đánh giá độ chính xác của hàm mục tiêu học được.+ Học bán giám sát semi-supervised learning là quá trình học với tập dữ liệuhuấn luyện bao gồm cả dữ liệu đã được gán nhãn và dữ liệu chưa được gán nhãn đểhuấn luyện, thường là dữ liệu gán nhãn là lượng dữ liệu nhỏ và dữ liệu chưa gán nhãnlà tập dữ liệu lớn. Tuỳ vào từng mục đích cụ thể, học bán giám sát có thể được áp dụngcho bài toán phân lớp hoặc phân với bài toán học không có giám sát chúng ta thực hiện các bước như sau1. Tập dữ liệu ban đầu là tập huấn luyện training set tập có nhãn thường là sốlượng ít, tập học chưa có nhãn thường là số lượng nhiều.2. Sử dụng các thuật toán học bán giám sát như self-training, Co-training, SVMtruyền dẫn TSVM- Transductive Support Vector Machine sẽ học các ví dụ có nhãn,sau đó tiến hành gán nhãn có lựa chọn cho các ví dụ không có nhãn một cách hợp lý,có đánh giá chất lượng công việc hay độ chính xác. Tiếp theo, chọn các ví dụ vừa đượcgán nhãn có độ tin cậy cao vượt trên một ngưỡng chọn trước đưa vào kết hợp tập dữliệu có nhãn, tạo thành một tập dữ liệu huấn luyện Áp dụng một phương pháp kiểm thử Test Dataset để đánh giá độ chính xáccủa mô hình/bài toán.+ Học tăng cường/cũng cố reinforcement learning là tổ hợp của cả hai môhình học có giám sát và không giám sát. Cụ thể là với vector đầu vào, quan sát vectorđầu ra do mạng tính được. Nếu kết quả được xem là “tốt” thì mạng sẽ được thưởngbằng cách tăng các trọng số kết nối lên; ngược lại mạng sẽ bị phạt, các trọng số kết nốikhông thích hợp sẽ được giảm xuống. Điều này có nghĩa là với cách học này sẽ giúpcho một hệ thống tự động xác định hành vi dựa trên hoàn cảnh để đạt được lợi ích caonhất maximizing the performance. Mạng neural nhân tạoMạng neural nhân tạo Artificial Neural Network - ANN, hay thường gọi ngắngọn là mạng neural, là mô hình xử lý thông tin được mô phỏng theo cách thức xử lýthông tin của các hệ neural sinh học. Nó bao gồm có một nhóm các neural nhântạo mỗi neural là một nút kết nối với nhau qua các liên kết biểu diễn bằng các trọngsố w, và xử lý thông tin bằng cách truyền theo các kết nối như một thể thống nhất đểgiải quyết một vấn đề nào đó. Một mạng neural nhân tạo được xây dựng cho một ứngdụng cụ thể nhận dạng mẫu, phân loại,... thông qua một quá trình học từ tập các mẫu10huấn luyện. Trong nhiều trường hợp, mạng neural nhân tạo là một hệ thống thíchứng adaptive system tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoàihay bên trong chảy qua mạng trong quá trình học. Về mặt bản chất học ở đây chính làquá trình điều chỉnh giá trị trọng số w liên kết giữa các neural sao cho giá trị hàm lỗilà nhỏ trúc ANN là tập hợp các neural được kết nối, các đầu ra của một số neuralcó thể trở thành đầu vào của các neural layerxnInput layerHidden layerHình Mô hình mạng ANN gồm 3 thành phần đó là Input Layer, Hidden Layer và Output đó, lớp ẩn Hidden Layer gồm các neural, nhận dữ liệu input từ các neural ởlớp trước đó và chuyển đổi các input này cho các lớp xử tin sự sắp xếp về mặt không gian của màu sắc và cường độ củamột Đặc trưng hình dạng Hình dạng của một ảnh hay một vùng là một đặc trưngquan trong trong việc xác định và phân biệt ảnh trong nhận dạng mẫu. Mục tiêu chínhcủa biểu diễn hình dạng trong nhận dạng mẫu là đo thuộc tính hình học của một đốitượng được dùng trong phân lớp, so sánh và nhận dạng đối Một số phương pháp trích chọn đặc trưng đơn Trích chọn đặc trưng ảnh dựa trên màu sắc- Lược đồ màu Histogram Là đại lượng đặc trưng cho phân bố màu cục bộcủa ảnh. Độ đo tính tương tự về màu sắc được tính bằng phần giao của 2 lược đồ màuảnh truy vấn HIQ và ảnh trong cơ sở dữ liệu ảnh HID. Kết quả sẽ là một lược đồmàu thể hiện độ giống nhau giữa 2 ảnh trên. Tuy nhiên vì lược đồ màu chỉ thể hiệntính phân bố màu toàn cục của ảnh mà không x t đến tính phân bố cục bộ của điểmảnh nên có thể có 2 ảnh trông rất khác nhau nhưng lại có cùng lược đồ Vector liên kết màu Color Coherence Vector Là lược đồ tinh chế lược đồmàu, chia mỗi ô màu thành 2 nhóm điểm ảnh nhóm liên kết màu coherence pixelsvà nhóm không liên kết màu noncoherence pixels. Vector liên kết màu còn giúp giảiquyết khuyết điểm về tính không duy nhất của lược đồ màu đối với ảnh. Hai ảnh có thểcó chung lược đồ màu nhưng khác nhau hoàn toàn, đây là khuyết điểm của lược đồmàu. Nhưng với tìm kiếm theo đặc trưng vector liên kết màu thì nó sẽ giải quyết đượckhuyết điểm không duy nhất Trích chọn đặc trưng ảnh dựa trên kết cấuKết cấu hay còn gọi là vân texture, là một đối tượng dùng để phân hoạch ảnh rathành những vùng được quan tâm và để phân lớp những vùng đó. Vân cung cấp thôngtin sự sắp xếp về mặt không gian của màu sắc và cường độ của một ảnh. Ví dụ cấu trúccủa vân của một số loại lá trận đồng hiện Co-occurence Matrix Ma trận đồng hiện là ma trận lưutrữ số lần xuất hiện của những cặp điểm ảnh trên một vùng đang x t. Các cặp điểm nàyđược tính theo những quy luật cho dụ với ảnh f như sauf=ta có ma trận đồng hiện P1,0 vớiP1,0=- Phép biến đổi WaveletVân thu được từ biến đối wavelet được hầu hết các nghiên cứu công nhận là đặctrưng về vân tốt nhất cho việc phân đoạn ảnh. 14 Thuật toán tính ra các đặc trưng vântheo biến đổi Wavelet1. Tính biến đổi Wavelet trên toàn Ứng với mỗi vùng cần tính, ta tính được 3 thành phần ứng với các miền HL,LH và Khi áp dụng biến đổi wavelet ở những mức sâu hơn, ta sẽ có tương ứng 3xVthành phần ứng với V là chiều sâu của biến đổi Các đặc trưng lọc Gabor Lọc Gabor được sử dụng rộng rãi để trích rút cácđặc trưng ảnh, đặc biệt là các đặc trưng kết cấu. Nó tối ưu về mặt cực tiểu hoá sựkhông chắc chắn chung trong miền không gian và miền tần số, và thường được sửdụng như một hướng và tỷ lệ biên điều hướng và phát hiện đường. Có nhiều cách tiếpcận đã được đề xuất để mô tả các kết cấu của các ảnh dựa trên các lọc Các đặc trưng biến đổi sóng Tương tự với lọc Gabor, biến đổi sóng cung cấpmột cách tiếp cận đa độ phân giải đối với phân tích kết cấu và phân lớp. Các biến đổisóng phân rã một tín hiệu với một họ các hàm cơ sở ѱ mnx thu được thông qua dịchchuyển sự có giãn của song ѱ xѱ x = 2-1/2 ѱ 2-mx - nHơn nữa, theo so sánh của các đặc trưng biến đổi sóng khác nhau, chọn riêng lọcsóng không là then chốt cho phân tích kết Trích chọn đặc trưng ảnh dựa trên hình dạng- Trích chọn đặc trưng theo biên+ Lược đồ hệ số góc Lược đồ gồm 73 phần tử trong đó 2 phần tử đầu chứa sốđiểm ảnh có hệ số gốc từ 0 – 355 độ, các hệ số góc này cách nhau 5 độ. Phần tử cuốichứa số phần tử không nằm trên biên cạnh.+ Vector liên kết hệ số góc Edge Direction Coherence VectorLà lược đồ tinh chế lược đồ hệ số góc, chia mỗi ô chứa thành 2 nhóm điển ảnhNhóm điểm liên kết hệ số góc coherent pixels và nhóm điểm không liên kết hệ sốgóc non-coherence pixels. Một pixel trong một ô chứa được gọi là điểm liên kết hệsố góc coherent nếu nó thụôc vùng gồm các điểm thuộc cạnh có hệ số góc tương tựvới kích thướt lớn thường vào khoảng .1% kích thước ảnh.Hình Ảnh minh họa vector liên kết hệ số goc và liên kết giữa các biên cạnhnguồn internetTrích chọn đặc trưng theo vùng Ảnh gồm tập hợp các vùng hay còn gọi làđoạn. Đây là đặc trưng đặc biệt của ảnh. Với đặc trưng vùng sẽ giúp cho chúng ta cóthể giải quyết được một vấn đề lớn đang cản trở bước phát triển việc truy tìm ảnh dựavào nội dung là dữ liệu nhập được mô phỏng gần gũi hơn với suy nghĩ của con ngườivà ảnh tìm được có thể mang nội dung ngữ nghĩa rất khác so với ảnh truy Mô tả đặc trưng Đặc trưng HaarPhương pháp biểu diễn đặc trưng Haar-like feature gọi tắt là phương pháp Haarđược giới thiệu bởi Viola và Jones [31] tại hội nghị quốc tế về thị giác máy tính vànhận dạng mẫu năm 2 1. Phương pháp Haar phát triển dựa trên nguyên lý Haarwavelet, dùng các đáp ứng cải thiện từ ba bậc đầu tiên của sóng Haar-wavelet như làtập đặc trưng1 11 11 1,,.111 11 1Nguyên lý cơ bản phương pháp Haar là tính độ sai khác về tổng giá trị mức xámgiữa các vùng với nhau. Phương pháp Haar lần đầu tiên được giới thiệu và áp dụngthành công cho nhận dạng mặt người theo thời gian thực nhờ kết hợp phương pháptính nhanh theo tích phân ảnh intergral image. Ban đầu, bộ mô tả Haar chỉ sử dụng 4loại mẫu đặc trưng cơ bản là sự kết hợp của hai, ba hoặc bốn vùng phân phối theo cácdạng tương ứng như minh xI i, j I i, j i , j white regions i , j black regionsabHình Các mẫu đặc trưng cơ bản của Haar a các khối và phân phối của nótheo đề xuất của Viola, b ứng dụng trong nhận dạng mặt vậy, mỗi đặc trưng Haar chính là giá trị khác biệt giữa tổng giá trị mức xámđiểm ảnh trong vùng đen và vùng trắng tương ứng theo từng loại mẫu và từng kíchthước vùng khác nhau. Trong thực nghiệm và ứng dụng thực tế, kích thước của mỗihình chữ nhật đen và trắng được thay đổi tương ứng từ ngưỡng dưới đến ngưỡng trên,mỗi lần thay đổi theo hệ số tỷ lệ nào đó để trích ra tập nhiều đặc trưng và được ghépkết hợp lại với nhau theo một thứ tự nhất định thành một vector đặc Trích xuất đặc trưng HaarĐể tính các giá trị của đặc trưng Haar, ta phải tính tổng giá trị pixel trong cácvùng trên ảnh. Việc này được thực hiện lặp đi lặp lại toàn bộ vị trí trên ảnh mẫu quétqua toàn bộ ảnh và thực hiện với các kích thước vùng khác nhau. Một hạn chế trongtính đặc trưng Haar là tuy giá trị mức xám pixel không đổi nhưng việc tính tổng đượclặp đi lặp lại nhiều lần dẫn đến chi phí tính toán lớn, không đáp ứng được đòi hỏi xử lýthời gian thực real time. Do đó, tác giả Viola và Jones đã đề xuất giải pháp tínhnhanh đặc trưng mà không cần thực hiện lặp lại cho mỗi mức scale ảnh và mỗi kíchthước vùng đen/ trắng bằng cách sử dụng phương pháp tích phân ảnh integralimage. Phương pháp này sử dụng một mảng hai chiều có kích thước bằng với kích15của ảnh để lưu trữ tổng giá trị cộng dồn pixel từ trái qua phải, từ trên xuống là mỗi phần tử của mảng này được tính bằng tổng tích lũy của toàn bộ điểm ảnhtừ đầu tiên đến vị trí phần tử hiện tại theo công thứcy x y jCS x, yI i, j j 1Để kế thừa những phần tử đã được tính trước đó, ta có thể viết lại công thức tínhtổng tích lũyCS x, y CS x, y 1 CS x 1, y CS x 1, y 1 I x, y Tính nhanh tổng giá trị pixel trong vùng chữ nhật bất tổng tích lũy CS được sử dụng để tính tổng giá trị các pixel trong vùng chữnhật bất kỳ với chỉ cần 4 phép truy xuất. Trong hình minh họa, cần tính tổng giá trịpixel trong vùng chữ nhật ABCD của ảnh I bằng cách sử dụng bảng CS để thực hiệntheo công thứcSum ABCD CS C CS B CS D CS A phép toán cần thiết để tính mỗi đặc trưng Haar phụ thuộc vào số vùng chữnhật ta muốn tính tổng nhân với 4 phép truy xuất. Ví dụ đặc trưng là sự sai khác giữa 2vùng đen trắng thì cần 2×4- 2= 6 phép truy xuất. Nếu đặc trưng Haar là sự khác biệtgiữa 2 vùng đen và 1 vùng trắng hoặc ngược lại giữa 2 vùng trắng và 1 vùng đen thì sốphép truy xuất là 4×3- 4= Mô tả đặc trưng Đặc trưng HOGĐặc trưng HOG Histograms of Oriented Gradients được đề xuất bởi nhóm tácgiả Dalal và Trigg, trình bày lần đầu tại hội thảo quốc tế chuyên ngành thị giác máytính và nhận dạng mẫu năm 2 5. Bộ mô tả đặc trưng HOG được dùng phổ biến trongnhiều bài toán nhận dạng mẫu như nhận dạng người, nhận dạng xe, biển báo giaothông và nhiều loại đối tượng khác. Đặc trưng HOG có thể mô tả hình dáng và tư thếcủa đối tượng theo sự phân bố về hướng của gradient mức xám ảnh. HOG thuộc nhómphương pháp mô tả đặc trưng toàn vùng ảnh về đối tượng, đặc trưng được biểu diễndưới dạng một vector. Ví dụ, để mô tả hình dáng người, bộ mô tả HOG là một tập đặctrưng toàn cục mô tả về phân phối hình dáng của đối tượng người trong mẫu hay còngọi trong một window. Qua việc trích rút đặc trưng trên mẫu ảnh cho trước, ta thuđược một vector đặc trưng của đối tượng trong ảnh đó. Tương tự như các phương pháp16biểu diễn đặc trưng khác, HOG biến đổi không gian ảnh sang không gian vector đặctrưng để có thể xử lý đơn giản hơn và đạt độ chính xác cao hơn trên ảnh thô bằng cáccông cụ trí tuệ nhân tạo trong lĩnh vực nhận dạng Quá trình trích rút đặc trưng HOGQuá trình xử lý liên quan đến cách chia mẫu ảnh đầu vào thành lưới các cell vàtính vector đặc trưng HOG theo phương pháp thông dụng nhất áp dụng cho bài toánnhận dạng người. Để phù hợp với các bài toán nhận dạng đối tượng khác nhau, cần cónhững biến đổi phù hợp nhằm đạt kết quả chính xác cao và thời gian tính toán tối ưunhất. Quá trình trích rút đặc trưng HOG được thực hiện theo các bước như sauMẫuảnhvàoTiềnxử lýTínhgradientChia hướng,nhóm theo cellTính đặc trưngvà chuẩn hóatheo blockTrích xuất đặctrưng trên toànmẫu ảnhHình Quá trình trích đặc trưng HOGQuá trình chia mẫu ảnh đầu vào phục vụ tính đặc trưng HOG được thực hiện nhưsau Mỗi mẫu ảnh đầu vào window được xác định kích thước chuẩn hóa là 128×64pixels, mẫu được chia thành các cell kích thước 8×8 pixels có thể chia cell dạng hìnhtròn, mỗi block gồm 2×2 cells tương ứng 16×16 pixels xếp chồng lên nhau, mỗiblock chồng lên 50% block láng giềng. Do đó, với kích thước mẫu đầu vào là 128×64được chia thành 7×15 blocks =105 blocks. Mỗi cell xây dựng lược đồ 9 bin dựa vàohướng gradient vector 9 phần tử, mỗi block hình thành nên 36 phần tử 4 cell× 9phần tử/cell. Cuối cùng, liên kết tập vector đặc trưng theo block hình thành nên vectorđặc trưng HOG của mỗi mẫu Mỗi cell chứa 8x8 pixels- Số cell theo chiều ngang 64pixel/8pixel =8- Số cell theo chiều dọc 128pixel/8pixel =16- Có 105 block với 7 block theo chiều ngang và 15 blocktheo chiều Mẫu ảnh đầu vào được chia thành các cell và block để tính đặc trình trích rút đặc trưng HOG như sau- Bước 1 Tiền xử lý thực hiện chuẩn hóa màu, lọc nhiễu, chuyển ảnh màu quaảnh đa mức xám, ...Việc trích rút đặc trưng HOG thường được thực hiện trên ảnh đamức xám, nếu ảnh đầu vào là ảnh màu sẽ được chuyển thành ảnh đa mức xám. Tuynhiên, HOG cũng có thể trích rút trên ảnh màu theo từng kênh màu. Sau đó chuẩn hóagamma trên ảnh đa mức xám để giảm đi ảnh hưởng của sự thay đổi ánh sáng. Theo tác17giả Dalal and Triggs đã chỉ ra rằng việc chuẩn hóa này có thể được bỏ qua mà khônglàm ảnh hưởng lớn đến độ chính xác của Bước 2 Tính gradient ảnh trên tất cả các pixel của ảnh. Phương pháp phổ biếnnhất để tính gradient ảnh là sử dụng mặt nạ lọc một chiều theo các hướng X ngang vàY dọc như sau• 1, 0,1] và [ 1,0,1]Tính độ lớn biên độ và hướng gradient. Tùy thuộc vào từng bài toán cụ thể tacó nhiều cách xác định hướng khác nhau, như sử dụng hướng theo 3 độ hoặc 180độ, gradient tính có dấu hoặc không có dấu. Không tính dấu có nghĩa là gradient ngượcchiều nhau được xem là như nhau, không phân biệt từ đen qua trắng hoặc trắng quađen. Tính độ lớn gradient có thể không cần thiết nếu như việc tính lược đồ gradient chỉdựa vào hướng. Trong trường hợp độ lớn gradient được sử dụng như là trọng số đểtính giá trị các bin thì cần đến giá trị độ lớn gradient. Giá trị độ lớn và hướng được tínhđơn giản theo công thứcGG x2G y2 vàtan 1 Gy / Gx Tính hướng và độ lớn gradientabcHình Tính gradient ảnh a ảnh đa mức xám, b giá trị gradient theo cácchiều X và Y, c hướng và độ lớn gradient- Bước 3 Chia hướng theo các bin của lược đồ hướng gradient Mỗi pixel trongcác cell đóng góp một trọng số cho mỗi kênh bin của lược đồ dựa vào hướnggradient của nó. Như đã phân tích ở trên, các cell có thể là lưới hình vuông hoặc hìnhquạt và các kênh của lược đồ gradient có thể nằm trong phạm vi [0, 180] gradientkhông tính dấu hoặc [0, 360] gradient tính dấu tùy thuộc vào từng ứng dụng. Cụ thể, Theo dõi đơn hàng Sản phẩm quan tâm Liên hệ FAQ 0 Shopping Cart0 No products in the cart. GO TO SHOP Free Shipping on All Orders Over $75 0 0 Shopping Cart0 No products in the cart. GO TO SHOP Free Shipping on All Orders Over $75 All DepartmentsBán nhiều nhất Besseller HotTop 100 Products Top 100 Products Camera nghị định 10 Handpick By Digic Sản phẩm HOT Best Seller Product Deprecated Hàm _register_controls hiện tại không dùng nữa từ phiên bản Sử dụng Elementor\Controls_Stackregister_controls để thay thế. in /home/atxmoolwhosting/public_html/ on line 5413 Computers & Laptop BA-CAM Bộ sản phẩm BACAM phù hợp Nghị định 10 lắp trên xe Kinh doanh vận tải Thiết bị định vị BA-CAM Bộ sản phẩm BACAM phù hợp Nghị định 10 lắp trên xe Kinh doanh vận tải Digital Cameras Audio & Video Thiết bị đào tạo lái xe Thiết bị dành cho các trường lái đào tạo lái xe ô tô - xe máy. Máy vi tính – Laptop Thiết bị đào tạo lái xe Thiết bị đào tạo lái xe Thiết bị dành cho các trường lái đào tạo lái xe ô tô - xe máy. Mobiles & Tablets Best Seller Product Màn hình cho Ô tô TV & Home Theater Ô tô cũ Portable Speakers Phụ kiện Ô tô Home Appliances Thiết bị cảm biến Music & Video Games Trang chủ Home Home 1 Home 2 Home 3 Home 4 Home 5 Home 6 Home 7 Home 8 Home 9 Home 10 Home 11 Giới thiệu Tin tức Vendor Store List Liên hệ FAQ Shop Blog Page About Us Contact FAQ Page 404 Vendor Store List Store Detail Miễn phí vận chuyển và lắp đặt CNN No products were found matching your selection.

giám sát hành trình cnn