Xây dựng thuật toán tự động phát hiện đối tượng trên nền ảnh động cho bệ quay quét giám sát an ninh

Bài viết nghiên cứu, xây dựng thuật toán Adaboost và mô hình phân tầng Cascade tự động phát hiện đối tượng trên nền ảnh động để ứng dụng cho các hệ thống giám sát an ninh, cảnh báo, chống đột nhập.
Nội dung trích xuất từ tài liệu:
Xây dựng thuật toán tự động phát hiện đối tượng trên nền ảnh động cho bệ quay quét giám sát an ninh Nghiên cứu khoa học công nghệ XÂY DỰNG THUẬT TOÁN TỰ ĐỘNG PHÁT HIỆN ĐỐI TƯỢNG TRÊN NỀN ẢNH ĐỘNG CHO BỆ QUAY QUÉT GIÁM SÁT AN NINH Chu Văn Hoạt*, Vũ Minh Khiêm Tóm tắt: Hiện nay các hệ thống an ninh thường sử dụng các bệ pan-tilt nhằm tăng cường phạm vi quan sát, tuy nhiên các camera chưa được tích hợp các chức năng tự động phát hiện mục tiêu trên nền ảnh động. Trên cơ sở đó, bài báo nghiên cứu, xây dựng thuật toán Adaboost và mô hình phân tầng Cascade tự động phát hiện đối tượng trên nền ảnh động để ứng dụng cho các hệ thống giám sát an ninh, cảnh báo, chống đột nhập. Từ khóa: Tự động phát hiện; Hệ thống giám sát an ninh; Bệ pan-tilt; Adaboost . 1. ĐẶT VẤN ĐỀ Tự động phát hiện đối tượng là một trong những lĩnh vực nghiên cứu nhận được nhiều sự quan tâm của các nhà nghiên cứu, những nghiên cứu trước đây chủ yếu bao gồm các thuật toán phát hiện khuôn mặt [1-6], phát hiện phương tiện giao thông [7], phát hiện đối tượng chuyển động [8-9], ... Nó có vai trò quan trọng trong các hệ thống trinh sát phát hiện mục tiêu, giám sát an ninh, nhận dạng đối tượng và các hệ thống thị giác máy tính khác. Việc sử dụng thị giác máy tính để phát hiện các đối tượng là một trong những giải pháp được sử dụng rộng rãi. Phương pháp này ứng dụng các kỹ thuật xử lý ảnh để trích xuất các đặc trưng, sau đó kết hợp với các thuật toán máy học để tìm các đối tượng trong các hình ảnh. Tuy nhiên, việc phát hiện đối tượng dựa trên thị giác máy tính vẫn là một vấn đề khó. Hệ thống camera giám sát an ninh ngày càng được sử dụng một cách rộng rãi với mục đích hỗ trợ bảo vệ cho các khu vực như căn cứ quân sự, hải cảng, công ty, ngân hàng,.. Các camera thường được đặt trên các bệ pan-tilt có thể quay quét tự động để tăng phạm vi giám sát, vì thế các frame ảnh có nền thay đổi liên tục, gây khó khăn cho nhiệm vụ phát hiện đối tượng. Ngoài ra, đối với những camera thông thường chỉ có thể hoạt động trong môi trường có ánh sáng tốt, khó có thể làm việc hiệu quả trong điều kiện thời tiết khắc nghiệt, ánh sáng yếu. Tia hồng ngoại có thể phản ánh chính xác tính chất nhiệt của bề mặt vật thể, khi di chuyển ở hai quang phổ 3~5  m và 8~14  m không bị bầu khí quyển hấp thu [10], vì thế camera ảnh nhiệt lợi dụng tia hồng ngoại trong quang phổ này có thể làm việc hiệu quả trong mọi điều kiện ánh sáng, được sử dụng ngày càng nhiều trong các hệ thống an ninh. Tuy nhiên, chất lượng hình ảnh thu được thường không tốt như camera thường, hình ảnh tồn tại nhiễu và chịu ảnh hưởng lớn bởi nhiệt độ môi trường, vì thế cần phải nghiên cứu một thuật toán để tiến hành tự động phát hiện đối tượng. Bài báo này đã đề xuất sử dụng thuật toán Adaboost và mô hình phân tầng Cascade để xây dựng bộ phát hiện đối tượng trên nền ảnh động cho bệ quay quét giám sát an ninh sử dụng camera ảnh nhiệt. 2. THUẬT TOÁN TỰ ĐỘNG PHÁT HIỆN ĐỐI TƯỢNG 2.1. Lưu đồ thuật toán Quá trình phát hiện đối tượng thực chất là quá trình quét các cửa sổ trong ảnh và tiến hành phân loại các cửa sổ đó có chứa đối tượng hay không chứa đối tượng. Để Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san TĐH, 04 - 2019 261  Đo lường & Tin học xây dựng bộ tự động phát hiện đối tượng, bài báo sử dụng thuật toán Adaboost và mô hình phân tầng Cascade dựa vào đặc trưng Haar Like, bao gồm hai quá trình: Quá trình huấn luyện bộ phân loại và quá trình phân loại. Lưu đồ thuật toán như hình 1 thể hiện: Hình 1. Lưu đồ thuật toán. Từ lưu đồ thuật toán cho thấy, quá trình huấn luyện bộ phân loại bao gồm các bộ phận chủ yếu như sau: Trích xuất đặc trưng Haar Like, lựa chọn bộ phân loại yếu và huấn luyện bộ phân loại phân tầng Adaboost. Quá trình phân loại sử dụng bộ phân loại đã được huấn luyện để tiến hành phân loại, phát hiện đối tượng. 2.2. Trích xuất đặc trưng Haar Like Lần đầu tiên, đặc trưng Haar Like được Papageorgiou [11] ứng dụng trong bài toán phát hiện khuôn mặt, hiện nay được sử dụng nhiều trong các bài toán phát hiện đối tượng, theo vết đối tượng... Nó phản ánh tình hình thay đổi giá trị xám trên ảnh xám, thể hiện được tri thức về các đối tượng trong ảnh thông qua việc phản ánh mối quan hệ giá trị xám giữa các bộ phận của đối tượng trong ảnh. Mỗi đặc trưng Haar Like chứa 2, 3 hoặc 4 miền hình học có màu “trắng” hoặc “đen”. Giá trị của một đặc trưng Haar Like chỉ đơn giản là sự khác biệt giữa tổng các giá trị xám của các pixel trong vùng “đen” với tổng các giá trị xám của các pixel trong vùng “trắng”. Để cân bằng giữa tốc độ xử lý và độ chính xác của thuật toán, bài báo đã sử dụng 4 mô hình đặc trưng Haar Like như hình 2. Hình 2. Mô hình đặc trưng Haar Like. Ta tính giá trị của đặc trưng Haar Like rất nhanh thông qua một cách thức được gọi là “ảnh tích phân” (Integral Image). Ảnh tích phân tại vị trí (x, y) có giá trị 262 C. V. Hoạt, V. M. Khiêm, “Xây dựng thuật toán tự động phát hiện … giám sát an ninh.” Nghiên cứu khoa học công nghệ bằng tổng các giá trị pixel nằm trong hình chữ nhật được xác định bởi góc trái trên là (0, 0) và góc phải dưới là (x, y). Từ đây, ta có thể tính được ngay tổng các giá trị pixel của một hình chữ nhật bất kỳ thông qua ảnh tích phân tại 4 đỉnh của nó (hình 3). Tổng các giá trị pixel của hình chữ nhật D như hình 2 là 4+1-(2+3). Sau khi trích xuất đặc trưng, sử dụng các đặc trưng này để lựa chọn các bộ phân loại yếu, sau đó xây dựng bộ phân loại mạnh có độ chính xác cao. Hình 3. Tính nhanh giá trị của hình chữ nhật D. 2.3. Nguyên lý thuật toán Adaboost Adaboost là một thuật toán được đưa ra bởi Freund và Schapire [12], được sử dụng rất phổ biến cho bài toán phát hiện đối tượng. Nguyên lý của Adaboost ...