(Luận văn thạc sĩ) Hệ thống điểm danh học sinh thông qua nhận dạng đầu học sinh kết hợp theo vết chuyển động trong video

Trang 1 / 90

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NGOẠI NGỮ-TIN HỌC
THÀNH PHỐ HỒ CHÍ MINH

LÊ THÁI TÚ TIỀN

HỆ THỐNG ĐIỂM DANH HỌC SINH
THÔNG QUA NHẬN DẠNG ĐẦU HỌC SINH
KẾT HỢP THEO VẾT CHUYỂN ĐỘNG TRONG VIDEO
LUẬN VĂN THẠC SĨ
Ngành: CƠNG NGHỆ THƠNG TIN
Mã sớ: 60480201
NGƯỜI HƯỚNG DẪN KHOA HỌC
PGS.TS. PHẠM THẾ BẢO

TP. HỒ CHÍ MINH – THÁNG 6 NĂM 2019
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 2 / 90

LỜI CAM ĐOAN
Tôi xin cam đoan đây là cơng trình nghiên cứu của bản thân được hướng dẫn
bởi PGS.TS. Phạm Thế Bảo. Các số liệu, kết quả trình bày trong luận văn này là
trung thực. Những tư liệu được sử dụng trong luận văn có nguồn gốc và trích dẫn
rõ ràng, đầy đủ.

Học viên

Lê Thái Tú Tiền

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 3 / 90

Học viên đã bảo vệ thành công luận văn ngày 04/6/2019, tại Hội đồng đánh giá
luận văn thạc sĩ thành lập theo Quyết định số 115/QĐ-ĐNT ngày 20/5/2019 của
Hiệu trưởng Trường ĐH Ngoại ngữ-Tin học TP.HCM, với sự tham gia của:
Chủ tịch Hội đồng: PGS.TS. Trần Văn Lăng

ĐH Lạc Hồng (Đồng Nai)

Phản biện 1:

TS. Nguyễn Đức Cường

Phản biện 2:

PGS.TS. Nguyễn Thanh Bình ĐH Bách Khoa (ĐHQG TP.HCM)

Ủy viên:

PGS.TS. Lê Hoàng Thái

ĐH KHTN (ĐHQG TP.HCM)

Thư ký:

Tiến sĩ Trần Minh Thái

ĐH Ngoại ngữ-Tin học TP.HCM

Luận văn Thạc sĩ Công nghệ thông tin

ĐH Ngoại ngữ-Tin học TP.HCM

Lê Thái Tú Tiền 16CH201014


Trang 4 / 90

DANH MỤC CÁC CHỮ VIẾT TẮT
TỪ ĐẦY ĐỦ

NGHĨA

TT

TỪ VIẾT
TẮT

1

ANN

Artificial Neural Network

2

CNN

Convolutional Neural Network Mạng nơ-ron tích chập

3

FCNN

Full Convolution Neural
Network

Mạng nơ-ron tích chập
đầy đủ

4

HOG

Histogram of orientation
gradients

Lược đồ định hướng của
các gradient

5

LCT

Long-term correlation tracking Theo vết tương quan dài
hạn

6

MOSSE

7

MLP

8

Mạng nơ-ron nhân tạo

Minimum output sum of
squared error

Bình phương sai số tổng
đầu ra nhỏ nhất

Multilayer Perceptron

Mạng thần kinh nhân tạo
truyền thẳng nhiều lớp

R-CNN

Region proposals + CNN

CNN khu vực

9

SVM

Support vector machine

Máy vectơ hỗ trợ

10

YOLO

You only look once

Bạn chỉ nhìn một lần

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 5 / 90

DANH MỤC CÁC HÌNH VẼ
TT

TÊN

NỘI DUNG

TRANG

1

Hình 1.1

Mơ hình phân cấp phát hiện vùng đầu theo thời
gian thực

15

2

Hình 1.2

So sánh các kết quả của entropy của 2 giai đoạn

16

3

Hình 2.1

Cấu trúc của mạng thần kinh nhân tạo

24

4

Hình 2.2

Ma trận trong cửa sổ trượt

26

5

Hình 2.3

Cấu trúc các lớp của CNN

28

6

Hình 2.4

Trường tiếp nhận cục bộ

30

7

Hình 2.5

Nơ-ron trong lớp ẩn 1

30

8

Hình 2.6

Nơ-ron trong lớp ẩn 2

31

9

Hình 2.7

Một sơ đồ đặc trưng

31

10 Hình 2.8

Lớp tổng hợp trong CNN

33

11 Hình 2.9

Sự kết hợp giữa các lớp tích chập và max-pooling

33

12 Hình 2.10

Các lớp tạo thành một CNN cho ra 10 giá trị

34

13 Hình 2.11

Giai đoạn phân vùng ảnh

37

14 Hình 2.12

Giai đoạn xác định đối tượng

38

15 Hình 2.13

Chín hình dạng mẫu của một đối tượng

40

16 Hình 3.1

Mơ hình bài tốn điểm danh học sinh dùng
camera

51

17 Hình 4.1

Danh sách các video quay các lớp học

68

18 Hình 4.2

Danh sách các frame hình được chọn huấn luyện
từ 30 video

69

19 Hình 4.3

Đối tượng bị vật thể che khuất tại lớp TĐC34A

79

20 Hình 4.4

Phát hiện sai đối tượng lớp TKT33-3N

79

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 6 / 90

TT

TÊN

NỘI DUNG

TRANG

21 Hình 4.5

Hình frame thứ 76 của lớp TCB33-3N

80

22 Hình 4.6

Hình frame thứ 91 của lớp TCB33-3N

81

23 Hình 4.7

Hình frame thứ 99 của video M06 (lớp TCB333N)

81

24 Hình 4.8

Hình frame thứ 27 lớp TNT34

82

25 Hình 4.9

Hình frame thứ 45 của lớp TNT34

82

26 Hình 4.10

Hình frame thứ 99 của video M42 (lớp TNT34)

83

27 Hình 4.11

Hình frame thứ 27 của lớp TTP34

83

28 Hình 4.12

Hình frame thứ 99 của lớp TTP34

84

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 7 / 90

DANH MỤC CÁC BẢNG BIỂU, SƠ ĐỒ
TT

TÊN

NỘI DUNG

1

Sơ đồ 1.1

Sơ đồ mô tả phát hiện đối tượng chuyển động

2

Bảng 4.1

Danh sách 45 video dùng làm dữ liệu

3

Bảng 4.2

Danh sách 45 video phân nhóm theo buổi

63

4

Bảng 4.3

Danh sách 45 video phân nhóm theo phịng

64

5

Bảng 4.4

Danh sách 45 video phân nhóm theo tầng

64

6

Bảng 4.5

Danh sách 45 video phân nhóm theo ánh sáng

64

7

Bảng 4.6

Độ chính xác của bài tốn điểm danh phân nhóm
theo buổi

67

8

Biểu đồ 4.1

Độ chính xác của bài tốn điểm danh phân nhóm
theo buổi

68

9

Bảng 4.7

Độ chính xác của bài tốn điểm danh phân nhóm
theo phịng

68

10

Biểu đồ 4.2

Độ chính xác của bài tốn điểm danh phân nhóm
theo phịng

69

11

Bảng 4.8

Độ chính xác của bài tốn điểm danh phân nhóm
theo tầng

70

12

Biểu đồ 4.3

Độ chính xác của bài tốn điểm danh phân nhóm
theo tầng

70

13

Bảng 4.9

Độ chính xác của bài tốn điểm danh phân nhóm
theo ánh sáng

71

14

Biểu đồ 4.4

Độ chính xác của bài tốn điểm danh phân nhóm
theo ánh sáng

71

15

Bảng 4.10

Độ chính xác của bài tốn điểm danh phân nhóm
theo lớp học

72

16

Biểu đồ 4.5

Độ chính xác của bài tốn điểm danh phân nhóm
theo lớp học

73

Luận văn Thạc sĩ Công nghệ thông tin

TRANG
16
61 – 63

Lê Thái Tú Tiền 16CH201014


Trang 8 / 90

MỤC LỤC
LỜI CAM ĐOAN...................................................................................................... 2
DANH MỤC CÁC CHỮ VIẾT TẮT ....................................................................... 4
DANH MỤC CÁC HÌNH VẼ................................................................................... 5
DANH MỤC CÁC BẢNG BIỂU, SƠ ĐỒ ............................................................... 7
MỤC LỤC ................................................................................................................. 8
LỜI CẢM ƠN ......................................................................................................... 10
TỔNG QUAN ....................................................................................... 11
Đặt vấn đề ................................................................................................. 11
Giới thiệu bài toán..................................................................................... 13
Các hướng tiếp cận ................................................................................... 14
1.3.1 Xác định vị trí vùng đầu trong ảnh ..................................................... 14
1.3.2 Theo vết chuyển động của đối tượng ................................................. 18
Đề xuất hướng giải quyết .......................................................................... 21
CƠ SỞ LÝ THUYẾT ............................................................................ 23
Mạng nơ-ron nhân tạo ............................................................................... 23
Mạng nơ-ron tích chập .............................................................................. 26
2.2.1 Tổng quan ........................................................................................... 26
2.2.2 Mơ hình của CNN .............................................................................. 27
2.2.3 Xây dựng CNN cho phân loại ảnh ..................................................... 29

Phát hiện đối tượng ................................................................................... 34
2.3.1 Tổng quan ........................................................................................... 34
2.3.2 Phương pháp phát hiện đối tượng ...................................................... 36
Theo vết chuyển động dựa trên tương quan ............................................. 42
2.4.1 Giới thiệu ............................................................................................ 42
2.4.2 Những vấn đề liên quan đến thuật toán .............................................. 44
2.4.3 Thuật toán theo vết đối tượng dựa trên đặc trưng tương quan ........... 47
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 9 / 90

2.4.4 Tổng kết .............................................................................................. 49
XÂY DỰNG THUẬT TOÁN............................................................... 50
Phát hiện vùng đầu học sinh trong ảnh ..................................................... 51
Theo vết chuyển động ............................................................................... 57
Tính vị trí tâm trung bình vùng đầu từng học sinh ................................... 60
Điểm danh học sinh trong lớp học ............................................................ 61
KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN .............................................. 64
Môi trường thực nghiệm ........................................................................... 64
Xây dựng dữ liệu....................................................................................... 64
Kết quả ...................................................................................................... 69
4.3.1 Kết quả chi tiết.................................................................................... 70
4.3.2 Các trường hợp sai trong bài toán điểm danh học sinh ...................... 78
Đánh giá .................................................................................................... 84
4.4.1 Ưu điểm .............................................................................................. 85
4.4.2 Nhược điểm ........................................................................................ 85
Hướng phát triển ....................................................................................... 86

TÀI LIỆU THAM KHẢO ....................................................................................... 88

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 10 / 90

LỜI CẢM ƠN
Trước tiên, tôi xin gửi lời cám ơn chân thành đến quý thầy cô Trường Đại
học Ngoại ngữ-Tin học Thành phố Hồ Chí Minh, Quý thầy cô đã tham gia
giảng dạy cho lớp Cao học Cơng nghệ thơng tin khóa 1, những người đã nhiệt
tình cung cấp kiến thức, chỉ dạy tận tình những bài học quý báu trong suốt thời
gian tôi học tập tại Trường.
Tôi xin chân thành cám ơn sâu sắc đến PGS.TS. Phạm Thế Bảo, mặc dù rất
bận rộn với vô số cơng việc trong vai trị Trưởng bộ mơn Ứng dụng tin học
Trường Đại học Khoa học tự nhiên cũng như trong công tác giảng dạy nhưng
Thầy đã hướng dẫn rất tận tình, chu đáo, cung cấp nhiều kiến thức chuyên mơn
kịp thời và bổ ích trong suốt thời gian tơi thực hiện luận văn này.
Tôi cũng xin cảm ơn Quý thầy cô, anh chị cán bộ, nhân viên thuộc Ban
Khoa học-Hợp tác và Đào tạo sau đại học Trường Đại học Ngoại ngữ-Tin học
Thành phố Hồ Chí Minh đã tạo điều kiện thuận lợi cho chúng tơi hồn thành
khóa học.
Mặc dù đã cố gắng để hoàn thành tốt luận văn nhưng chắc chắn sẽ khơng
tránh khỏi thiếu sót, rất mong nhận được sự chỉ bảo của Quý thầy cô.
Thành phố Hồ Chí Minh, tháng

năm 2019

Học viên thực hiện

Lê Thái Tú Tiền

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 11 / 90

TỔNG QUAN
Đặt vấn đề
Hiện nay đã có rất nhiều ứng dụng về xử lý video trong việc giám sát đối
tượng như: con người, phương tiện giao thông, hàng hóa, động vật, thực vật… ;
các ứng dụng về việc đếm số lượt xe trên đường, thống kê các loại xe, hoặc
hàng hóa; những ứng dụng về thống kê số người ra vào một cửa hàng, siêu thị,
bệnh viện…[6] đã được nhiều nhóm nghiên cứu thực hiện và triển khai.
Trên thế giới đã có nhiều ứng dụng nhận dạng, quản lý, giám sát hoặc thống
kê rất đa dạng. Tại một số trường cao đẳng và đại học nước ngoài, các lớp học
thường có số lượng sinh viên tham gia đơng đến nỗi khó có thể kiểm sốt liệu
sinh viên có thực sự tham gia lớp học hay khơng. Nếu dùng cách điểm danh
truyền thống bằng cách kí vào danh sách thì có khả năng sinh viên sẽ kí hộ lẫn
nhau, điểm danh tên từng người lại mất thời gian [4][17]. Tuy nhiên, công nghệ
nhận dạng khuôn mặt nay đã có thể giải quyết vấn đề này. Để vào lớp và được
điểm danh, sinh viên sẽ phải quét nhận dạng khuôn mặt để khớp với dữ liệu đã
lưu của trường. Vì vậy trừ khi bạn có anh em sinh đơi, nếu khơng giờ trốn học
của bạn sẽ khơng cịn là điều dễ dàng nữa. Trường Quản trị ESG ở Pari đang
thử nghiệm phần mềm nhận diện khuôn mặt tại hai lớp học trực tuyến để đảm
bảo các sinh viên tham gia không xao lãng trong giờ học. Trường sử dụng phần

mềm có tên là Nestor, webcam trên máy tính cá nhân của mỗi sinh viên sẽ phân
tích chuyển động mắt và biểu hiện khn mặt để tìm ra liệu sinh viên đó có
đang tập trung vào các video bài giảng hay khơng. Sau đó, phần mềm này sẽ tự
động tạo ra các câu đố trắc nghiệm về nội dung bài giảng để kiểm tra sự tập
trung của người học. Công nghệ này cũng vô cùng hữu dụng với giáo viên, để
có thể điều chỉnh bài giảng dựa trên phần nào học viên ít chú ý nhất [11].
Tại Việt Nam đa số các ứng dụng xử lý video thường tập trung vào giám sát
các đối tượng con người trong việc phòng chống tội phạm, phát hiện hành vi
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 12 / 90

khả nghi của đối tượng; hoặc là các ứng dụng thống kê xe qua trạm thu phí,
đếm số lượt ra vào của các loại xe trong một bãi giữ xe, hoặc giám sát, dự báo
và phỏng đoán tình hình kẹt xe tại các giao lộ dựa trên lưu lượng xe đông hoặc
số lượng xe được thống kê của các ứng dụng [7].… Việc thực hiện điểm danh
học sinh tại các trường học hiện chưa được thấy triển khai ở Việt Nam, mặc dù
có rất nhiều trường được trang bị hệ thống camera rất hiện đại với số lượng từ 5
- 10 camera/trường, thậm chí có trường bố trí hơn 30 camera trong phạm vi
tồn trường (các trường THCS trên địa bàn Quận 6, Quận 11, Quận Bình Tân
và nhiều quận khác cũng được trang bị rất nhiều camera như vậy). Tuy nhiên hệ
thống này chủ yếu chỉ để giám thị, giáo viên quan sát, xem lại khi có sự cố,
hồn tồn chưa có xử lý, thống kê và đếm học sinh một cách tự động.
Do đó việc thực hiện đề tài điểm danh học sinh trong một lớp học là một nhu
cầu theo tôi là cần thiết trong các trường tiểu học, trung học cơ sở, trung học
phổ thơng cũng như một số trường trung cấp có nhu cầu giám sát và quản lý
học sinh.

Thực hiện đề tài này sẽ giúp tơi có thêm cơ hội tìm hiểu, học tập và nghiên
cứu thêm nhiều kiến thức về cơng nghệ thơng tin nói chung và kiến thức về xử
lý ảnh nói riêng. Để xây dựng hệ thống điểm danh học sinh thông qua nhận
dạng đầu học sinh kết hợp theo vết chuyển động trong video cần tìm hiểu nhiều
tài liệu và kiến thức liên quan về trí tuệ nhân tạo, mạng nơ-ron, kiến thức về
học máy và nhất là bài toán về nhận dạng và theo vết chuyển động trong video.
Thực hiện đề tài này cũng là cơ hội kết hợp những kiến thức đã được học trong
chương trình đào tạo ứng dụng vào thực tiễn.
Phạm vi nghiên cứu của đề tài bao gồm nghiên cứu nhận dạng đối tượng,
chủ yếu nhận dạng đặt trưng vùng đầu, sau đó theo vết chuyển động để xác định
số lượng đối tượng vùng đầu học sinh có trong phịng học. Một số phương pháp
có thể sử dụng nghiên cứu thực hiện:
- Phát hiện đối tượng chuyển động (sử dụng các phương pháp):
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 13 / 90

+ Optical flow

+ GMM (Gaussian Mixture Model)
+ Trừ ảnh
+ Phương pháp Otsu (phân vùng ảnh)
- Theo vết chuyển động (có thể dùng phương pháp):
+ Camshift
+ Particle filter
Đề tài được thực hiện tại các trường học cấp 2, cấp 3 hoặc các trường Trung
cấp có lớp học bố trí học sinh ngồi theo sơ đồ.

Giới thiệu bài tốn
Tại Trường Trung cấp Thủy sản (địa chỉ: 511 An Dương Vương, Phường An
Lạc A, Quận Bình Tân, Tp.HCM) có gần 900 học sinh của 27 lớp thuộc quản lý
của sáu khoa của Trường, trong đó gần 90% học sinh theo học nghề là các đối
tượng học sinh tốt nghiệp THCS (tuổi từ 15 trở lên), các em đa số còn rất nhỏ,
hầu hết phụ huynh đều rất lo lắng cho con em họ có đi học đầy đủ, đúng giờ
hay khơng, có bỏ học, trốn tiết hay khơng. Thầy Cơ giáo chủ nhiệm, bộ phận
giám thị cũng có nhu cầu điểm danh học sinh từng lớp theo buổi và theo tiết để
biết học sinh có duy trì sĩ số hay không; phát hiện kịp thời các trường hợp nghỉ,
bỏ học. Do đó, ngồi việc giảng dạy thì cơng tác quản lý các em là một yêu cầu
hết sức cần thiết và rất quan trọng với nhà trường. Ban giám hiệu và Phịng
cơng tác học sinh giao cho các giám thị phối hợp với giáo viên đứng lớp thường
xuyên điểm danh đầu giờ, giữa giờ và cuối giờ để phát hiện các em đi trễ, bỏ
học hoặc nghỉ học để kịp thời thông báo cho Phụ huynh ngay trong buổi học
hoặc chậm nhất là sau khi kết thúc giờ học.
Với số lượng lớp học và học sinh đông như vậy công việc điểm danh hàng
ngày tốn rất nhiều thời gian và nhân lực của Trường, thậm chí cịn ảnh hưởng
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 14 / 90

đến giờ lên lớp của các giáo viên bộ mơn vì giám thị phải thường xun vào lớp
điểm danh từng em và thống kê ngay lập tức để có số lượng chính xác nhất.
Xuất phát từ thực tế trên, việc lắp đặt camera trong các phòng học để điểm
danh học sinh có mặt trong lớp bằng hệ thống tự động sẽ giúp giảm tải công
việc cho các giám thị, giảm nhân lực cho nhà trường, tăng hiệu quả giám sát
học sinh. Đó là lý do để tơi thực hiện đề tài này.

Đề tài nghiên cứu được thực hiện trên tập dữ liệu là video quay tại các lớp
học của Trường Trung cấp Thủy sản. Những video này được quay bằng các
camera lắp cố định trong những lớp học.
Các hướng tiếp cận
1.3.1 Xác định vị trí vùng đầu trong ảnh
Nhận dạng người và đếm số lượng người trong môi trường thực tế là một
thách thức đối với việc xử lý video. Thực tế theo tìm hiểu thì cũng đã có rất
nhiều các ứng dụng đếm người dùng. Ví dụ như: Tự động đếm hành khách lên
xuống xe buýt, xe lửa, tàu điện hoặc hệ thống giao thông công cộng khác [18].
Việc nhận dạng các học sinh trong một lớp học phức tạp hơn do nhiều yếu tố
như: ánh sáng từng thời điểm trong ngày khác nhau (do mây), không gian lớp
học (quá rộng hoặc quá hẹp), số lượng học sinh quá đông hay các em ngồi
không theo thứ tự cao thấp, tức là học sinh cao ngồi dưới, học sinh thấp ngồi
trên hoặc những học sinh có thân hình to (mập) ngồi trước những học sinh có
dáng nhỏ (gầy). Do đó việc nhận dạng và điểm danh học sinh khó có thể dùng
phương pháp nhận dạng khn mặt, nhưng nếu dùng camera để trên cao hướng
xuống lớp học và nhận dạng vùng đầu của các em học sinh thì sẽ khả thi hơn rất
nhiều.
Thơng thường việc nhận dạng đầu thường dùng phương pháp ước lượng di
chuyển của người đi bộ dựa trên phân loại các lớp kết hợp với HOG/SVM theo
đề xuất của Dalal và Triggs [20]. Phương pháp phát hiện đầu dựa trên các phép
tính tốn rời rạc và các lớp LPB. Nhận dạng vùng đầu tích hợp thời gian thực
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 15 / 90

bằng cách sử dụng mơ hình ẩn của Markov cho kết quả khá tốt. Hình 1.1 mơ tả

cách thức phát hiện đối tượng theo thời gian thực được xây dựng theo mơ hình
phân cấp, phát hiện đối tượng theo từng vùng ảnh liên tục [16].
Phát hiện

Phân loại định hướng
Ước tính liên tục

t

t +1

Hình 1.1 Mơ hình phân cấp phát hiện vùng đầu theo thời gian thực [16]
Mô hình này được chia làm hai giai đoạn:
- Giai đoạn đầu tiên bao gồm một lớp HOG/SVM đơn giản sử dụng mơ hình
chỉ một đầu ở độ phân giải thấp. Hệ thống dị tìm này tương tự như thiết bị
được Dalal và Trigg đề xuất. Tập dữ liệu bao gồm khoảng 10.000 hình ảnh
được huấn luyện và chú thích thủ công để tạo ra các mẫu ngẫu nhiên tốt nhất.
Từ những mẫu sai về khung ảnh khơng có người đi bộ, hệ thống sẽ được huấn
luyện lại để hạn chế nhận dạng sai so với giai đoạn huấn luyện ban đầu. Sử
dụng một bộ kiểm tra độc lập để đạt được ngưỡng phát hiện tốt nhất có thể.
- Giai đoạn thứ hai sử dụng một mơ hình dựa trên một phần mà mơ hình
được đào tạo phát hiện của giai đoạn đầu tiên. Mặc dù người đi bộ có thể thay
đổi rất nhiều về tư thế và ngoại hình, người đứng đầu chỉ thay đổi chút ít về
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 16 / 90

ngoại hình. Tuy nhiên, kết quả phát hiện lại tốt hơn so với hệ thống phát hiện
đa mơ hình.
Phương pháp tính tốn entropy H(Ω) của gradient ảnh cho cả hướng và độ
lớn của tập huấn luyện hoàn chỉnh Ω theo cơng thức (1.1). Trung bình IG(ω)
được tính bằng cách lấy trung bình từng khối theo chiều kim đồng hồ và các
đặc điểm độ lớn ψ (công thức 1.2).
𝑯(𝛀) = - ∑𝝍 𝝐 𝛀 𝑷(𝝍) ∗ 𝒍𝒅(𝑷(𝝍))

(1.1)

̅ )𝑯(𝜴|𝝎
̅)
IG(𝛚) = 𝑯(𝛀) − 𝑷(𝛚)𝑯(𝛀|𝛚) − 𝑷(𝝎

(1.2)

Hình 1.2 cho thấy độ lệch thông tin theo chiều kim đồng hồ của các mẫu
dương so với các mẫu âm và so sánh với các kết quả huấn luyện có được sau
giai đoạn đầu tiên.

Hình 1.2 So sánh các kết quả của entropy của 2 giai đoạn [16]
Lưu ý rằng các entropy của các mẫu âm được chọn ngẫu nhiên gần như
được phân bố đồng đều trên ảnh trong khi entropy của mẫu dương cho thấy một
cấu trúc tương đối đầy đủ tương tự như lúc đầu.
Để khắc phục vấn đề này, hệ thống sẽ tập trung vào các vùng thơng tin có
liên quan của ảnh, từ đó tạo ra ba cửa sổ có kích thước giống hệt nhau để mật
độ thơng tin trên mỗi cửa sổ gần bằng nhau và lớn nhất có thể. Các cửa sổ được
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014

Trang 17 / 90

sử dụng để tính tốn cho q trình phân loại là tính tốn của vector mơ tả. Sau
khi gán kích thước và vị trí của các bộ phận, dữ liệu đào tạo tương ứng được
trích xuất cho mọi phần từ tập huấn luyện và đào tạo các mơ hình riêng lẻ.
Áp dụng các phương pháp của Felzenszwalb [23] bằng cách tính tốn Mi
cho các vị trí góc của các phần trong ảnh, trong đó i = 1, ..., N là các chỉ số
thành phần tương ứng. Để xây dựng lược đồ, bộ dị tìm thành phần được chạy
trên các vị trí khác nhau trong hộp giới hạn của giai đoạn đầu dị tìm. Từ lược
đồ của các điểm phù hợp, sẽ tính tốn lược đồ cho trung tâm đầu dự kiến theo
cơng thức (1.3) trong đó giá trị cho mỗi mục của lược đồ Mi(x, y) là điểm trùng
khớp của hệ thống dị tìm tại vị trí đã dịch (xy, yd) trừ độ lệch biến dạng được
xác định bởi cơng thức (1.4).
Độ biến dạng được mơ hình hóa dưới dạng hình elip có trục được di chuyển
từ điểm phát hiện (xd, yd) bằng cách dịch chuyển giữa các phần vị trí và góc
trung tâm (xci, yci).
̃, 𝒚
̃ ))
𝑴𝒊 (𝒙, 𝒚) = 𝒎𝒂𝒙𝒙𝒅 ,𝒚𝒅 (𝒅𝒊 (𝒙𝒅 , 𝒚𝒅 ) − 𝝎𝒊 (𝒙

(1.3)

̃, 𝒚
̃) = √𝜶𝒊 𝒙
̃𝟐 + 𝜷𝒊 𝒚
̃𝟐
𝝎𝒊 (𝒙

(1.4)

𝒅(𝒙, 𝒚) = 𝒅𝑹 + ∑𝒊 𝑴𝒊 (𝒙, 𝒚)

(1.5)

̃, 𝒚
̃) = (𝒙𝒅 − 𝒙𝒄𝒊 − 𝒙, 𝒚 − 𝒚𝒄𝒊 − 𝒚).
Trong đó: (𝒙
Sau giai đoạn huấn luyện đầu tiên và một phần mơ hình huấn luyện với các
tham số (𝛼𝑖 , 𝛽𝑖 ) trong công thức (1.4) được huấn luyện bằng cách chuẩn hóa hồi
quy theo chu kỳ (1.6), (1.7) và (1.8).
𝒆(𝜶, 𝜷) = 𝛀 − 𝒕𝒂𝒏𝒉(𝒅(𝜶, 𝜷)),

(1.6)

𝑱(𝜶, 𝜷) = 𝒆𝑻 𝒆 + 𝒄(𝜶𝟐 + 𝜷𝟐 ),

(1.7)

(𝜶, 𝜷) = 𝒂𝒓𝒈𝒎𝒊𝒏(𝑱(𝜶, 𝜷)).

(1.8)

Trong công thức (1.6) Ω biểu thị vectơ của các nhãn được chú thích bằng
{𝜔, 𝜔
̅} của tất cả dữ liệu huấn luyện trong khi d(α, β) biểu thị vectơ của điểm
phát hiện tính tốn cho tất cả các mẫu đào tạo theo công thức (1.5). Tham số c

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 18 / 90

trong công thức (1.7) là trọng số trong hàm tính tốn (1.8) và là một tham số
được gán trong quá trình huấn luyện.
1.3.2 Theo vết chuyển động của đới tượng
Trong xử lý ảnh ngồi việc phát hiện ra đối tượng cịn có theo vết chuyển
động. Các phương pháp phát hiện chuyển động trong camera đã được nghiên
cứu và phát triển rất nhiều đem lại nhiều thành tựu cho công nghệ xử lý ảnh.
Chúng ta biết kết quả thu nhận từ các camera giám sát hoặc webcam là các
frame ảnh. Frame ảnh thu nhận được từ các camera hoặc webcam sẽ được xử lý
qua các công đoạn sau: Phát hiện đối tượng chuyển động, đánh dấu các đối
tượng vừa phát hiện, phân loại chúng được tiến hành xử lý và được kết quả là
đối tượng đang cần theo vết ở vị trí nào, để tiến hành đánh dấu (tơ màu, kẻ
khung) và từ đó liên tục bám sát đối tượng theo một ngưỡng nhất định như sơ
đồ 1.1 [7].
Camera

Chuỗi ảnh

Tiền xử lý ảnh

Theo vết đối tượng

Tách đối tượng

Phát hiện đối tượng

Xử lý theo yêu
cầu

Sơ đồ 1.1 Mô tả phát hiện và theo vết đối tượng chuyển động
Có rất nhiều hướng tiếp cận để giải quyết vấn đề trên. Việc lựa chọn phương
pháp áp dụng phải dựa vào tình huống cụ thể, đối với trường hợp có ảnh nền
khơng thay đổi việc phát hiện đối tượng chuyển động có thể bằng các phương
pháp trừ nền. Các giải thuật này sẽ được trình bày sau đây. Hướng giải quyết là
xây dựng mơ hình nền, sau đó sử dụng mơ hình này cùng với frame ảnh hiện tại
để rút ra được các chuyển động xung quanh. Để có thể tiếp cận chúng ta cần
phải xây dựng được mơ hình nền. Có nhiều phương pháp xây dựng mơ hình
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 19 / 90

nền bởi các tác giả: Anurag Mittal dùng adaptive kernel density estimation
được tính bằng [10]. Kết quả tốt tuy nhiên khó khăn về khơng gian lưu trữ, tính
tốn phức tạp, tốc độ khơng đáp ứng thời gian thực. Haritaoglu dùng giải thuật
W4, Stauffer sử dụng Mixture of Gaussian [15] để xây dựng mơ hình nền…
Nhằm phát hiện được các đối tượng chuyển động, xác định xem những đối
tượng này có đúng là những đối tượng cần phát hiện hay khơng. Đây là các khó
khăn cần khắc phục.
Việc phát hiện đối tượng có thể được thực hiện bằng các phương pháp máy
học. Các phương pháp này có thể kể đến như: mạng nơ-ron, adaptive boosting,
cây quyết định, máy vector hỗ trợ. Điểm chung của các phương pháp này đều
phải trải qua giai đoạn huấn luyện trên một tập dữ liệu. Tập dữ liệu này phải đủ

lớn, bao quát hết được các trạng thái của đối tượng. Sau đó các đặc trưng sẽ
được rút trích ra trên bộ dữ liệu huấn luyện này. Việc lựa chọn đặc trưng sử
dụng đóng vai trị quan trọng ảnh hưởng đến hiệu quả của các phương pháp
máy học. Một số đặc trưng thường được sử dụng như: đặc trưng về màu sắc,
đặc trưng về góc cạnh, đặc trưng histogram… Sau khi đã có được đặc trưng,
chúng tôi sẽ đánh nhãn lớp cụ thể cho các đặc trưng đó để sử dụng trong việc
huấn luyện. Trong quá trình huấn luyện, các phương pháp máy học sẽ sinh ra
một hàm để ánh xạ những đặc trưng đầu vào tương ứng với nhãn lớp cụ thể.
Sau khi đã huấn luyện xong thì các phương pháp máy học trên sẽ được dùng để
phân lớp cho những đặc trưng mới. Đặc điểm của phương pháp này là độ chính
xác cao. Tuy nhiên nó gặp phải khó khăn trong việc thu thập dữ liệu huấn luyện
ban đầu, tốn thời gian và chi phí cho q trình học máy.
Đầu vào của bài toán theo dõi và giám sát đối tượng chuyển động là các
khung hình video. Qua quá trình xử lý phát hiện đối tượng chuyển động sẽ đưa
ra các đối tượng chuyển động. Các đối tượng được phát hiện sẽ qua quá trình
phân lớp đối tượng để xem thuộc lớp nào, sự vật nào. Và cuối cùng là quá trình
xử lý để theo dõi đối tượng đó là việc tìm ra đường chuyển động của đối tượng,
dự đốn chuyển động, xử lý nhập nhằng trong chuyển động...[1].
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 20 / 90

Khối phát hiện đối tượng chuyển động có thể coi là khối xử lý đầu tiên trong
hệ thống giám sát thơng minh bằng hình ảnh. Vì hiệu quả, tính chính xác của
khối xử lý này sẽ ảnh hưởng đến đầu vào và đầu ra của các khối xử lý tiếp theo.
Chính vì thế nó ảnh hưởng lớn đến hiệu quả và tính tin cậy của tồn hệ thống
giám sát thông minh.

Phân loại đối tượng là khâu trung gian và đóng vai trị quan trọng trong tồn
hệ thống, vì đây là đầu vào của khối theo vết đối tượng và cũng là đầu ra của
toàn bộ hệ thống. Bởi vậy đây cũng là một phần không thể thiếu trong toàn bộ
hệ thống.
Khối xử lý theo vết đối tượng là khối xử lý không thể thiếu trong hệ thống
giám sát thơng minh vì hiệu quả của khối xử lý này ảnh hưởng trực tiếp đến
đầu ra của toàn bộ hệ thống. Do đó giải quyết tốt vấn đề theo vết đối tượng sẽ
đưa lại tính chính xác và độ tin cậy cho hệ thống giám sát.
Việc xử lý của hệ thống giám sát thơng minh bằng hình ảnh là việc phân tích
và xử lý hình ảnh video qua việc giải quyết các bài toán sau:
Bài toán 1: Phát hiện các đối tượng chuyển động là bước cơ bản đầu tiên
trong bài tốn phân tích hình ảnh video, cơng việc này khái quát lại đó là
việc tách các các đối tượng chuyển động từ những hình ảnh nền của các đối
tượng đó. Phương pháp thường được sử dụng trong bài tốn này đó là:
phương pháp trừ ảnh nền, các phương pháp dựa trên thống kê, phương pháp
chênh lệch tạm thời và các phương pháp dựa trên luồng thị giác.
Bài toán 2: Phân lớp đối tượng là công việc phân loại ra các lớp đối
tượng đã được tìm ra theo các lớp đã được định nghĩa trước như: lớp người,
lớp phương tiện, lớp động vật,… Đây là bước cần thiết để có thể tiếp tục
phân tích các hoạt động của chúng. Hiện tại có hai hướng chính tiếp cận để
giải quyết bài tốn này đó là: hướng tiếp cận dựa trên hình dáng của các vết
và hướng tiếp cận dựa trên chuyển động của các đối tượng. Hướng tiếp cận
dựa trên hình dáng của đối tượng hồn tồn dựa vào các tính chất 2D của các

Luận văn Thạc sĩ Cơng nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 21 / 90

vết tìm được, trong khi đó hương tiếp cận dựa trên chuyển động của đối
tượng dựa trên các tính chất chuyển động của đối tượng theo thời gian.
Bài tốn 3: Theo dõi đối tượng đó là cơng việc đưa ra một chuỗi các
hành vi của đối tượng chuyển động trong một thời gian từ các khung hình
thu được. Thủ tục này đưa ra các thông tin về đối tượng được theo dõi như
đường đi của đối tượng, tốc độ hay hướng chuyển động của đối tượng. Từ
đó có thể dự đốn được hành động của các đối tượng và mô tả được hành
động của chúng. Đầu vào của q trình này đó là các đầu ra các quá trình
tìm và phân lớp đối tượng chuyển động.
Các bài tốn này khơng những được nghiên cứu và áp dụng trong các hệ
thống giám sát mà còn được áp dụng trong các lĩnh vực khác như: thực tại ảo,
nén hình ảnh, giao diện người máy, biên tập video và cơ sở dữ liệu đa phương
tiện… là các hướng tiếp cận phát triển công nghệ đa phương tiện trong tương
lai.
Đề xuất hướng giải quyết
Việc điểm danh học sinh hàng ngày ở các trường học thường gặp rất nhiều
khó khăn, tuy nhiều trường đã có những biện pháp, những cách thức cũng như
dùng nhiều công cụ, phương tiện kỹ thuật hỗ trợ, nhưng vẫn gặp khơng ít khó
khăn và trở ngại:
- Trong các lớp học, thời điểm đầu giờ, khi chưa có giáo viên vào lớp,
học sinh thường di chuyển liên tục nên sẽ rất khó khăn nếu điểm danh vào
thời điểm này.
- Nếu dùng thiết bị quét vân tay, cho học sinh quét vân tay mỗi khi vào
lớp sẽ rất lâu và dễ gây ùn tắc vì từng học sinh quét qua thiết bị sẽ mất nhiều
thời gian. Do đó dùng thiết bị quét vân tay sẽ không hiệu quả về mặt thời
gian.
- Dùng thiết bị camera và kết hợp điểm danh học sinh bằng nhận dạng
khn mặt cũng gặp khó khăn vì phải gắn camera trên cao, nên sẽ khó nhận
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 22 / 90

dạng mặt của hết các bạn trong lớp, cịn nếu để thấp thì chỉ có thể thấy học
sinh ở dãy bàn đầu tiên.
Do camera thường được gắn ở trên cao, nên đếm đầu học sinh và chiếu lên
sơ đồ lớp để điểm danh là một phương án khả thi nhất trong bài toán điểm danh
này. Để thực hiện việc phát hiện vùng đầu học sinh, đếm số lượng, rồi chiếu lên
sơ đồ để điểm danh chúng tôi cần phải giải quyết bốn bài toán sau:
- Bài toán thứ nhất: Xác định thời điểm bắt đầu của hệ thống điểm danh
học sinh? Thời điểm đầu giờ, học sinh di chuyển nhiều nên sẽ rất khó làm
việc này. Khi giáo viên vào lớp là lúc học sinh ổn định, chính là thời điểm
tốt nhất để xác định vùng đầu của học sinh. Tóm lại, thời điểm tốt nhất để
bắt đầu xác định vùng đầu là lúc có một dãy các frame ảnh mà có ít sự thay
đổi nhất.
- Bài toán thứ hai: Tuy học sinh ngồi một chỗ trong lớp học, nhưng các
em học sinh thường hay quay lên, quay xuống, nghiêng trái, xoay phải, nhất
là vùng đầu của các em thường hay di chuyển nên sẽ rất khó để điểm danh.
Do đó cần phải theo vết chuyển động của vùng đầu để tìm vị trí tâm trung
bình vùng đầu của từng học sinh trong lớp học.
- Bài toán thứ ba: Xác định vị trí tâm trung bình vùng đầu của từng học
sinh trong lớp học. Kết quả có thể là một tập gồm nhiều vị trí khác nhau của
từng học sinh.
- Bài tốn thứ tư: Sau khi có được tập hợp dữ liệu là vị trí vùng đầu
trung bình của từng học sinh trong lớp học, chúng ta sẽ chiếu lên sơ đồ lớp
để điểm danh học sinh.

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 23 / 90

CƠ SỞ LÝ THUYẾT
Mạng nơ-ron nhân tạo
Mạng thần kinh nhân tạo mô phỏng mạng thần kinh và cách làm việc của các
nơ-ron thần kinh trong bộ não con người nhằm ứng dụng giải quyết các bài toán
phức tạp do hai nhà nghiên cứu McCulloch và Pitts xây dựng và lần đầu tiên
giới thiệu vào năm 1943. Sau đó, mơ hình này được hồn thiện bởi những nhà
khoa học khác và được ứng dụng nhiều trong các lĩnh vực kỹ thuật. Mạng thần
kinh nhân tạo truyền thẳng nhiều lớp (Multilayer Perceptron – MLP) thường
được sử dụng phổ biến để giải quyết các bài toàn phi tuyến, phức tạp, khi mà
mối quan hệ giữa các q trình khơng dễ thiết lập một cách tường minh [5].
Mạng nơ-ron nhân tạo có khả năng “học" và xử lý song song. Nó có thể tính
tốn và dự báo giá trị của biến đầu ra với một tập hợp các thông tin của biến
đầu vào được cho trước. Mơ hình mạng thần kinh nhân tạo sẽ được “huấn luyện”
để có thể “học” từ những thơng tin q khứ. Từ đó, mạng có thể đưa ra kết quả
dự báo dựa trên những gì đã được học. Quá trình này sẽ được tiến hành bằng
các thuật toán huấn luyện mạng, phổ biến là thuật toán lan truyền ngược. Mạng
thần kinh nhân tạo truyền thẳng nhiều lớp được sắp xếp gồm: lớp đầu vào, các
lớp ẩn và lớp đầu ra. Lớp đầu vào sẽ là nơi nhận các tín hiệu đầu vào. Các tín
hiệu này có thể là một hằng số, dữ liệu thô hoặc cũng có thể là đầu ra của một
mạng nơ-ron khác. Các giá trị này sẽ tác động đến các nơ-ron lớp ẩn thông qua
bộ trọng số 𝑤𝑖𝑗 . Tại lớp ẩn, tín hiệu của lớp vào sẽ được xử lý bằng một hàm
kích hoạt, thường là hàm Sigmoid hoặc hàm Tan-hyperbolic sau đó tín hiệu sẽ
được truyền qua lớp ra thơng qua bộ trọng số 𝑤𝑗𝑘 . Các lớp ẩn liên kết giữa lớp

đầu vào và lớp đầu ra, điều này làm cho mạng thần kinh nhân tạo có khả năng
mơ phỏng mối tương quan phi tuyến tốt hơn.

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014


Trang 24 / 90

Bias

Bias

0

0

TÍN HIỆU ĐẦU VÀO

x1

1

xj

i

xn

n

wJ0 = K0

w10 = J0
1

wij

j

m

WeightIJ

LỚP ĐẦU VÀO

LỚP ẤN

wjk

WeightJK

1

y1

k

yk

l

yl

TÍN HIỆU ĐẦU RA

Teta_K0

Teta_J0

LỚP ĐẦU RA

Hình 2.1 Cấu trúc của mạng thần kinh nhân tạo
Có hai vấn đề cần học đối với mỗi mạng nơ-ron nhân tạo đó là học tham số và
học cấu trúc. Học tham số là việc thay đổi trọng số của các liên kết giữa các nơron trong một mạng, còn học cấu trúc là việc điều chỉnh cấu trúc của mạng bao
gồm thay đổi số lớp nơ-ron, số nơ-ron của mỗi lớp và cách liên kết giữa chúng.
Có ba loại phương pháp học: học có giám sát, học tăng cường và học khơng
có giám sát.
Học có giám sát: mạng được huấn luyện bằng cách cung cấp cho nó các cặp
mẫu đầu vào và các đầu ra mong muốn. Các cặp được cung cấp bởi hệ thống
trên đó mạng hoạt động. Sự khác biệt giữa các đầu ra thực tế so với các đầu ra
mong muốn được thuật tốn sử dụng để thích ứng các trọng số trong mạng.
Điều này thường được đưa ra như một bài toán xấp xỉ hàm số - cho dữ liệu
huấn luyện bao gồm các cặp mẫu đầu vào x, và một đích tương ứng t, mục đích
là tìm ra hàm f(x) thoả mãn tất cả các mẫu học đầu vào.

Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014

Trang 25 / 90

Học khơng có giám sát: khơng có phản hồi từ môi trường để chỉ ra rằng đầu
ra của mạng là đúng. Mạng sẽ phải khám phá các đặc trưng, các điều chỉnh, các
mối tương quan, hay các lớp trong dữ liệu vào một cách tự động. Trong thực tế,
đối với phần lớn các biến thể của học khơng có giám sát, các đích trùng với đầu
vào. Nói một cách khác, học khơng có giám sát ln thực hiện một công việc
tương tự như một mạng tự liên hợp, cơ đọng thơng tin từ dữ liệu vào.
Mơ hình mạng thần kinh nhân tạo xác lập mối quan hệ giữa một tập hợp các
biến đầu vào 𝑋̅𝑖 (I = 1, n) với một hoặc nhiều biến đầu ra 𝑌̅𝑘 (k = 1, l) dựa vào dữ
liệu trong quá khứ. Với các nơ-ron ở lớp đầu vào, mỗi giá trị đầu vào Xi lần
lượt được nhân với các trọng số wij, sau đó được cộng với nhau và cộng với
một độ lệch. Tổng được tạo ra có thể sử dụng hàm kích hoạt f tạo thành nơ-ron
trong lớp ẩn Hj bằng công thức (2.1).
𝑯𝒋 = 𝒇(∑𝒏𝒊=𝟏 𝒙𝒊 𝒘𝒊𝒋 + 𝒃𝒊𝒂𝒔)

(2.1)

Các nơ-ron trong lớp ẩn được tính tốn, tiếp tục nhân với các trọng số wjk và
cộng thành tổng net. Sau khi tổng net được tính tốn, nó được chuyển thành tín
hiệu đầu ra (giá trị ước lượng) bằng việc áp dụng hàm kích hoạt f trong cơng thức
(2.2).
̂ 𝒌 = 𝒇(∑𝒎
𝒀
𝒋=𝟏 𝑯𝒋 𝒘𝒊𝒋 + 𝒃𝒊𝒂𝒔)
𝒏
= 𝒇(∑𝒎
𝒋=𝟏 𝒇(∑𝒊=𝟏 𝒙𝒊 𝒘𝒊𝒋 ) 𝒘𝒋𝒌 + 𝒃𝒊𝒂𝒔)

(2.2)

Ứng với một giá trị quan sát thứ t (t = 1, T), độ lệch giữa tín hiệu đầu ra của
mạng Yk,t và Yk,t được gọi là sai số, giá trị độ lệch ban đầu mặc định là 0. Để
tổng bình phương các sai số này là bé nhất, phải đi tìm bộ trọng số wij và wjk
hay tìm giá trị bé nhất của hàm mục tiêu E(w) thể hiện trong công thức (2.3).
𝑬(𝒘) =

̂ 𝒌,𝒕 )𝟐
∑𝑻𝒕=𝟏 ∑𝒍𝒌=𝟏(𝒀𝒌,𝒕 + 𝒀
𝟐
𝟏

(2.3)

Vì hàm Ew là một hàm phi tuyến nên khơng thể tìm các trọng số w bằng
phương trình hồi quy tuyến tính mà sẽ được sử dụng thuật tốn lan truyền
ngược sai số [2].
Luận văn Thạc sĩ Công nghệ thông tin

Lê Thái Tú Tiền 16CH201014